TUGAS AKHIR – KI141502
DETEKSI FRAUD MENGGUNAKAN METODE MODEL MARKOV TERSEMBUNYI PADA PROSES BISNIS ANDREAN HUTAMA KOOSASI NRP 5112 100 004 Dosen Pembimbing I Prof. Drs. Ec. Ir. Riyanarto Sarno, M.Sc., Ph.D Dosen Pembimbing II Abdul Munif, S.Kom., M.Sc. JURUSAN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2017
[Halaman ini sengaja dikosongkan]
ii
TUGAS AKHIR – KI141502
DETEKSI FRAUD MENGGUNAKAN METODE MODEL MARKOV TERSEMBUNYI PADA PROSES BISNIS ANDREAN HUTAMA KOOSASI NRP 5112 100 004 Dosen Pembimbing I Prof. Drs. Ec. Ir. Riyanarto Sarno, M.Sc., Ph.D. Dosen Pembimbing II Abdul Munif, S.Kom., M.Sc. JURUSAN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2017
iii
[Halaman ini sengaja dikosongkan]
iv
FINAL PROJECT – KI141502
HIDDEN MARKOV MODEL METHOD FOR FRAUD DETECTION IN BUSINESS PROCESS ANDREAN HUTAMA KOOSASI NRP 5112 100 004 Supervisor I Prof. Drs. Ec. Ir. Riyanarto Sarno, M.Sc., Ph.D. Supervisor II Abdul Munif, S.Kom., M.Sc. DEPARTMENT OF INFORMATICS Faculty of Information Technology Institut Teknologi Sepuluh Nopember Surabaya 2017
v
[Halaman ini sengaja dikosongkan]
vi
LEMBAR PENGESAHAN
vii
[Halaman ini sengaja dikosongkan]
viii
DETEKSI FRAUD MENGGUNAKAN METODE MODEL MARKOV TERSEMBUNYI PADA PROSES BISNIS Nama NRP Jurusan Dosen Pembimbing I Dosen Pembimbing II
: Andrean Hutama Koosasi : 5112100004 : Teknik Informatika – FTIf ITS : Prof. Drs. Ec. Ir. Riyanarto Sarno, M.Sc.,Ph.D. : Abdul Munif, S.Kom., M.Sc.
Abstrak Model Markov Tersembunyi merupakan sebuah metode statistik berdasarkan Model Markov sederhana yang memodelkan sistem serta membaginya dalam dua state, state tersembunyi dan state observasi. Dasar dari pemodelan sistem tersebut ialah Proses Markov, dimana Proses Markov mensyaratkan bahwa suatu proses/aktivitas akan mempengaruhi kondisi proses/aktivitas selanjutnya, namun tidak bergantung pada proses/aktivitas yang telah lampau. Pengaruh yang diberikan dari proses/aktivitas sebelumnya yaitu pengaruh dalam memberikan peluang/probabilitas untuk melakukan prediksi situasi proses/aktivitas selanjutnya. Proses Markov sendiri merupakan pengembangan lebih lanjut dari aturan Bayes dan alur prosesnya merupakan kelanjutan pengembangan dari Bayesian network. Dalam pengerjaan tugas akhir ini, penulis mengusulkan penggunaan metode Model Markov Tersembunyi untuk menemukan fraud/anomali di dalam sebuah pelaksanaan proses bisnis. Tentang fraud/anomali pada proses bisnis itu sendiri, merupakan hal yang lumrah ditemukan dalam kehidupan seharihari. Proses bisnis pada umumnya akan diawali dengan pembentukan/pengesahan prosedur operasional standar (SOP), dilanjutkan dengan beberapa kasus/kejadian yang mengikuti. Dengan penggunaan metode Model Markov Tersembunyi ini, maka pengamatan terhadap elemen penyusun sebuah ix
kasus/kejadian, yakni beberapa aktivitas, akan diperoleh sebuah nilai peluang, yang sekaligus memberikan peringatan akan adanya kecurigaan terhadap kasus/kejadian tersebut sebuah fraud atau tidak. Hasil eksperimen pembuatan tugas akhir ini menunjukkan bahwa metode yang diusulkan mampu memberikan peringatan berupa penyimpangan nilai peluang kasus dari toleransi yang diberikan, dimana hampir keseluruhan kasus yang mengandung fraud akan memberikan nilai peluang/total peluang yang lebih rendah daripada nilai rata-rata peluang kasus yang normal. Kata kunci: Business Process, Process, SOP, Standard Operational Procedure, Fraud, Markov Model, Markov Process, Hidden Markov Model, Coupled Hidden Markov Model, Probability
x
FRAUD DETECTION USING HIDDEN MARKOV MODEL IN BUSINESS PROCESS Student Name NRP Major Supervisor I Supervisor II
: Andrean Hutama Koosasi : 5112100004 : Teknik Informatika – FTIf ITS : Prof. Drs. Ec. Ir. Riyanarto Sarno, M.Sc.,Ph.D. : Abdul Munif, S.Kom., M.Sc.
Abstract Hidden Markov Model is a known statistic method based on simple Markov Model that simulate a system, and also divide it into two different state, hidden state and observable state. The basic of building system model is Markov Process, which says that a process/activity will affect the next process/ativity after it, but will not affected from past process/activity. What is affected from the previous activity is the probability score of current activity, that usable to predict the next process/activity. Markov Process itself is a continuation from Bayes rules and its process flow derived from Bayesian network concept. In this undergraduate final project, we suggest the usage of Hidden Markov Model to discover fraud/anomalies in business process. Fraud/anomalies is so common nowadays. A business process usually begin with creating the Standard Operational Procedure (SOP), followed with some case/event that is proper to the standard. By using Hidden Markov Model method, observing sub-elements/components that belong to case/event called some activities will resulting some probability score for each case. This probability score then will be used to warn if there is fraud or not. The experiment result of this final project shows that suggested method alerts the analyzer about fraud by showing the different probability score than the minimum/maximum score allowed. Almost every fraud case/event will gave lower number than the threshold allowed from the other normal cases/events. xi
Keywords: Business Process, Process, SOP, Standard Operational Procedure, Fraud, Markov Model, Markov Process, Hidden Markov Model, Coupled Hidden Markov Model, Probability
xii
KATA PENGANTAR Segala puji syukur penulis panjatkan kepada Tuhan Yesus Kristus atas anugerah, karunia, dan kasih setia-Nya, sehingga tugas akhir berjudul “Deteksi Fraud Menggunakan Metode Model Markov Tersembunyi Pada Proses Bisnis” ini dapat diselesaikan sesuai dengan waktu yang telah ditentukan. Pengerjaan tugas akhir ini menjadi sebuah sarana untuk penulis memperdalam ilmu yang telah didapatkan selama menempuh pendidikan di kampus perjuangan Institut Teknologi Sepuluh Nopember Surabaya, khususnya dalam disiplin ilmu Teknik Informatika. Terselesaikannya buku tugas akhir ini tidak terlepas dari bantuan dan dukungan semua pihak. Pada kesempatan kali ini penulis ingin mengucapkan terima kasih kepada: 1. Kedua orangtua, Papa dan Mama, saudara (adik), dan beserta anggota keluarga lainnya, yang selalu memberikan dukungan penuh untuk menyelesaikan tugas akhir ini. 2. Bapak Prof. Drs. Ec. Ir. Riyanarto Sarno, M.Sc., Ph.D. dan Bapak Abdul Munif, S.Kom., M.Sc. selaku dosen pembimbing yang telah bersedia meluangkan waktu untuk memberikan bimbingan dan petunjuk selama proses pengerjaan tugas akhir ini. 3. Bapak Dr. Agus Zainal Arifin, S.Kom., M.Kom. selaku dosen wali penulis, yang banyak memberikan nasihat mengenai perkuliahan, baik hal yang bersifat akademis maupun nonakademis. 4. Bapak dan Ibu dosen Jurusan Teknik Informatika ITS yang telah banyak memberikan ilmu dan bimbingan yang tidak terkira bagi penulis. 5. Seluruh staf dan karyawan FTIf-ITS yang banyak memberikan kelancaran administrasi akademik kepada penulis. 6. Segenap dosen pengajar pada rumpun mata kuliah (RMK) Manajemen Informasi (MI).
xiii
“BRE BRE” – Anton, Ardi, Vicky, Welly, Ryan, Richard, Prasetyo, Felix, dan William yang banyak memberikan hiburan dan masukan sewaktu pengerjaan Tugas Akhir ini berlangsung. 8. Kelly dan Yutika yang banyak memberikan bantuan kepada penulis mengenai topik analisa Tugas Akhir Manajemen Informasi. 9. Rekan-rekan laboratorium dan rumpun mata kuliah (RMK) Manajemen Informasi (MI). 10. Teman-teman seangkatan Teknik Informatika ITS 2012 yang selalu memberikan bantuan dan semangat selama proses pengerjaan Tugas Akhir. 11. Teman-teman SMA dari “Ohana” dan “Ngafe” group chats yang selalu menghibur dan mengusir kejenuhan penulis. 12. Serta semua pihak yang belum penulis sebutkan, namun turut membantu dalam penyelesaian tugas akhir ini. Penulis menyadari bahwa tugas akhir ini masih memiliki banyak kekurangan. Penulis mengharapkan kritik dan saran dari pembaca untuk perbaikan kedepannya. 7.
Surabaya, Januari 2017
xiv
DAFTAR ISI LEMBAR PENGESAHAN ......................................................... vii Abstrak ......................................................................................... ix Abstract ........................................................................................ xi KATA PENGANTAR................................................................xiii DAFTAR ISI ............................................................................... xv DAFTAR GAMBAR ................................................................. xix DAFTAR TABEL ...................................................................... xxi DAFTAR KODE SUMBER ....................................................xxiii BAB I PENDAHULUAN ............................................................. 1 1.1 Latar Belakang ...................................................................... 1 1.2 Rumusan Permasalahan ........................................................ 3 1.3 Batasan Permasalahan ........................................................... 3 1.4 Tujuan ................................................................................... 4 1.5 Manfaat ................................................................................. 4 1.6 Metodologi ............................................................................ 5 1.7 Sistematika Penulisan............................................................ 6 BAB II DASAR TEORI ................................................................ 9 2.1 Fraud ..................................................................................... 9 Skip Sequence ............................................................ 9 Skip Decision............................................................10 Wrong Throughput Time ...........................................11 Wrong Resource .......................................................11 Wrong Duty ..............................................................11 Wrong Pattern ..........................................................11 xv
Wrong Decision........................................................ 12 2.2 Teorema Bayes .................................................................... 13 2.3 Bayesian Network ............................................................... 13 2.4 Algoritma Viterbi ................................................................ 14 2.5 Algoritma Forward .............................................................. 15 2.6 Algoritma Backward ........................................................... 16 2.7 Algoritma Baum-Welch ...................................................... 16 2.8 Proses Markov ..................................................................... 17 2.9 Model Markov Tersembunyi (HMM) ................................. 18 2.10 Confusion Matrix/Error Matrix........................................... 19 2.11 Evaluasi Akurasi Metode .................................................... 20 2.12 Evaluasi Recall Metode ....................................................... 21 2.13 Evaluasi Specificity Metode ................................................ 21 2.14 Evaluasi Precision Metode.................................................. 21 BAB III METODE PEMECAHAN MASALAH ........................ 23 3.1 Cakupan Permasalahan........................................................ 23 3.2 Pembuatan Model Markov Tersembunyi ............................ 26 3.3 Pengaturan Posisi Atribut PBF ............................................ 28 3.4 Penyusunan Matriks Probabilitas Antar State ..................... 30 3.5 Penambahan Kondisi No-atribut ......................................... 32 3.6 Menghitung Probabilitas Total per Kasus ........................... 33 3.7 Pengukuran Performa Dengan Confusion Matrix ............... 34 3.8 Contoh Sederhana Deteksi Fraud ........................................ 35 Pembuatan Model Markov Tersembunyi Berdasarkan Dataset Masukan ...................................................... 35 Penggalian Maximum Path per Case ........................ 38 xvi
BAB IV ANALISIS DAN PERANCANGAN SISTEM ............ 41 4.1 Analisis................................................................................ 41 Deskripsi Umum Sistem ...........................................41 Kebutuhan Fungsional Sistem ..................................42 Kasus Penggunaan Sistem ........................................43 4.2 Perancangan Sistem ............................................................ 47 BAB V IMPLEMENTASI .......................................................... 57 5.1 Lingkungan Implementasi ................................................... 57 Perangkat Keras .......................................................57 Perangkat Lunak .......................................................57 5.2 Implementasi Proses............................................................ 58 Implementasi Pembacaan File Input .........................58 Implementasi Pembuatan Matriks Probabilitas Awal 59 Implementasi Pembuatan Matriks Transisi ...............60 Implementasi Pembuatan Matriks Emisi ...................62 Implementasi Pemrosesan Parameter HMM..............64 5.3 Implementasi Antar Muka................................................... 67 BAB VI PENGUJIAN DAN EVALUASI .................................. 69 6.1 Lingkungan Uji Coba .......................................................... 69 6.2 Data Studi Kasus ................................................................. 69 Rincian Data Event Log............................................69 Adjustment Dengan Label Pakar ...............................73 Model Persebaran Data .............................................74 6.3 Pengujian Fungsionalitas .................................................... 74 Memasukkan Data Input (Training/Testing) .............74
xvii
Pemrosesan Data Input (Training/Testing) ............... 76 Menampilkan File Hasil Prediksi (Training/Testing) 78 6.4 Pengujian Kebenaran Prediksi Data .................................... 79 6.5 Evaluasi Kualitas Metode .................................................... 80 6.6 Perbandingan Hasil Evaluasi Dengan Evaluasi Metode Sebelumnya ......................................................................... 81 BAB VII KESIMPULAN DAN SARAN ................................... 85 7.1 Kesimpulan.......................................................................... 85 7.2 Saran .................................................................................... 86 DAFTAR PUSTAKA .................................................................. 87 LAMPIRAN A ............................................................................ 91 LAMPIRAN B........................................................................... 123 DAFTAR ISTILAH................................................................... 131 BIODATA PENULIS ................................................................ 135
xviii
DAFTAR GAMBAR Gambar 2.1 Contoh Skip Sequence ............................................. 10 Gambar 2.2 Contoh Skip Decision .............................................. 10 Gambar 2.3 Contoh Wrong Pattern ............................................. 12 Gambar 2.4 Graf Representasi Contoh Bayesian Network.......... 14 Gambar 2.5 Diagram Trellis Model Markov Tersembunyi ......... 18 Gambar 3.1 Diagram Alur Proses Pengerjaan Tugas Akhir Secara Umum .......................................................................................... 24 Gambar 3.2 Diagram Alur Proses Terinci Model Markov Tersembunyi ................................................................................ 25 Gambar 3.3 Diagram Trellis Hasil Modifikasi Baum-Welch...... 27 Gambar 3.4 Diagram Trellis untuk Probabilitas.......................... 28 Gambar 3.5 Potongan Dataset Contoh untuk Ujicoba Sederhana36 Gambar 3.6 Potongan Hasil Probabilitas a1 ................................ 38 Gambar 3.7 Potongan Hasil Probabilitas a2 dan a3 ..................... 39 Gambar 3.8 Potongan Hasil Probabilitas a4 dan a5 ..................... 39 Gambar 4.1 Alur Proses Perangkat Lunak .................................. 42 Gambar 4.2 Diagram Kasus Penggunaan .................................... 43 Gambar 4.3 Diagram Aktivitas Memproses Data Training ......... 45 Gambar 4.4 Diagram Aktivitas Memproses Data Testing .......... 47 Gambar 4.5 Antarmuka Utama Perangkat Lunak ....................... 48 Gambar 4.6 Antarmuka Utama Perangkat Lunak Setelah Proses Training ....................................................................................... 51 Gambar 4.7 Antarmuka Utama Perangkat Lunak Setelah Proses Testing ......................................................................................... 54 Gambar 5.1 Tampilan Antarmuka Utama Perangkat Lunak ....... 68 Gambar 6.1 Diagram Workflow SOP Peminjaman Kredit di Bank ..................................................................................................... 71 Gambar 6.2 Contoh Atribut Fraud untuk Data Masukan ............ 72 Gambar 6.3 Sistem Menampilkan Dialog Pencarian File ........... 76 Gambar 6.4 Sistem Menampilkan Evaluasi Kualitas Training ... 77 Gambar 6.5 Sistem Menampilkan Evaluasi Kualitas Testing ..... 77 Gambar 6.6 Sistem Menampilkan Data Hasil Prediksi Training 79 Gambar 6.7 Sistem Menampilkan Data Hasil Prediksi Testing .. 79
xix
[Halaman ini sengaja dikosongkan]
xx
DAFTAR TABEL Tabel 2.1 Contoh Confusion Matrix Klasifikasi Biner ................ 20 Tabel 3.1 Pendapat Pakar Terhadap Atribut PBF ....................... 28 Tabel 3.2 Pencarian dan Penyetaraan Posisi Atribut ................... 29 Tabel 3.3 Pengaturan Atribut PBF Sesuai Kepentingan Pakar ... 30 Tabel 3.4 Matriks Probabilitas Awal (𝜋) ..................................... 30 Tabel 3.5 Matriks Transisi Antar State........................................ 31 Tabel 3.6 Matriks Emisi/Keluaran Atribut .................................. 32 Tabel 3.7 Matriks Emisi Hasil Penambahan No-atribut .............. 32 Tabel 3.8 Confusion Matrix Modifikasi Tiga Kelas .................... 35 Tabel 3.9 Matriks Probabilitas Awal ........................................... 36 Tabel 3.10 Matriks Transisi State................................................ 36 Tabel 3.11 Matriks Emisi State ................................................... 37 Tabel 4.1 Daftar Kebutuhan Fungsional Perangkat Lunak ......... 43 Tabel 4.2 Spesifikasi Kasus Penggunaan Memproses Data Training ....................................................................................... 44 Tabel 4.3 Spesifikasi Kasus Penggunaan Memproses Data Testing ..................................................................................................... 46 Tabel 4.4 Spesifikasi Elemen pada Antarmuka Utama ............... 48 Tabel 4.5 Spesifikasi Elemen Tambahan Proses Training .......... 51 Tabel 4.6 Spesifikasi Elemen Tambahan Proses Testing ............ 54 Tabel 6.1 Rincian Aktivitas Proses Bisnis .................................. 72 Tabel 6.2 Frekuensi Persebaran Jenis Data ................................. 74 Tabel 6.3 Pengujian Memasukkan Data Input ............................ 74 Tabel 6.4 Pengujian Pemrosesan Data Input ............................... 76 Tabel 6.5 Pengujian Menampilkan Hasil Prediksi ...................... 78 Tabel 6.6 Confusion Matrix Data Training ................................. 80 Tabel 6.7 Confusion Matrix Data Testing ................................... 80 Tabel 6.8 Evaluasi Kualitas Proses Training .............................. 80 Tabel 6.9 Evaluasi Kualitas Proses Testing................................. 81 Tabel 6.10 Perbandingan False Detection Tiap Metode ............. 82 Tabel 6.11 Perbandingan Evaluasi Kualitas Metode ................... 82
xxi
[Halaman ini sengaja dikosongkan]
xxii
DAFTAR KODE SUMBER Kode Sumber 5.1 Kode Sumber Pembacaan File Input .............. 59 Kode Sumber 5.2 Kode Sumber Matriks Probabilitas Awal ....... 60 Kode Sumber 5.3 Kode Sumber Pembuatan Matriks Transisi .... 62 Kode Sumber 5.4 Kode Sumber Pembuatan Matriks Emisi ....... 64 Kode Sumber 5.5 Kode Sumber Pemrosesan Parameter HMM .. 67
xxiii
[Halaman ini sengaja dikosongkan]
xxiv
1. BAB I PENDAHULUAN Pada bab ini akan dipaparkan mengenai garis besar Tugas Akhir yang meliputi latar belakang, tujuan, rumusan dan batasan permasalahan, metodologi pengerjaan Tugas Akhir, dan sistematika penulisan Tugas Akhir.
1.1
Latar Belakang Model Markov Tersembunyi merupakan sebuah metode untuk merepresentasikan atau menampilkan distribusi probabilitas/kemungkinan berdasarkan sejumlah data observasi yang ada [1]. Model Markov Tersembunyi merupakan metode pengembangan dari Teorema Bayes (Aturan Bayes) dan Proses Markov. Pada beberapa penelitian dan eksperimen lampau, metode Model Markov Tersembunyi ini telah diimplementasikan dalam beberapa kasus. Contoh penggunaan metode ini secara spesifik ialah pada kasus penggalian fraud (anomali), seperti fraud pada penggunaan kartu kredit [2] dan fraud pada penggunaan internet banking [3]. Kedua contoh implementasi yang disebutkan sebelumnya memanfaatkan nilai probabilitas dari metode Model Markov Tersembunyi ini untuk memprediksi kejadian selanjutnya. penggalian fraud pada kartu kredit memanfaatkan nilai probabilitas untuk menghitung kemungkinan perilaku pemegang kartu kredit yang bisa terjadi [2] dan penggalian fraud pada penggunaan internet banking memetakan profil masing-masing pengguna layanan dengan nilai probabilitas pula [3]. Dengan basis eksperimen fraud yang telah disebutkan, maka pada pengerjaan Tugas Akhir ini penulis mencoba melakukan implementasi penggunaan metode Model Markov Tersembunyi untuk penggalian fraud pada proses bisnis. Proses bisnis merupakan sekumpulan aktivitas bisnis yang saling berkaitan secara logis dan bekerjasama untuk menghasilkan sebuah nilai/tujuan tertentu [4]. Alur kerja proses bisnis ialah sebagai 1
2 berikut: pembentukan Prosedur Operasional Standar (Standard Operational Procedure, selanjutnya akan disingkat SOP) sebagai tatanan baku sebuah proses bisnis yang akan dilakukan, akan diikuti dengan beberapa kasus yang menjalankan proses bisnis tersebut, sesuai dengan SOP yang ada. Faktanya, kasus-kasus yang berjalan di lapangan seringkali tidak sesuai/tidak cocok seutuhnya dengan SOP yang telah dibuat. Ketidaksesuaian/ketidakcocokan ini cenderung akan mengarah kepada terbentuknya pelanggaran/fraud. Adapun jenis-jenis fraud yang bisa terjadi cukup beragam, dan akan diuraikan pada bab selanjutnya. Fraud tidak bisa dihindari, walaupun memiliki peluang kemunculan yang sangat kecil dibandingkan dengan sejumlah besar kasus yang berjalan. Adalah penggalian proses (process mining), sebuah metode tradisional yang cukup terkenal untuk menyelidiki peluang fraud pada event log [5]. Cara kerja penggalian proses secara umum ialah dengan melakukan pencocokan (fitness) antara SOP dengan event log yang berisi beberapa contoh kasus. Dengan mempertimbangkan beberapa hal, seperti tingkat akurasi yang terbilang kurang baik untuk mencari fraud yang spesifik, dan hendak mengembangkan keberagaman metode penggalian fraud, maka penulis mengajukan metode Model Markov Tersembunyi ini sebagai metode alternatif mencari fraud pada event log yang didasarkan dari SOP proses bisnis yang telah ada. Metode Model Markov Tersembunyi (selanjutnya disebut dengan HMM saja) sendiri ialah metode gabungan dari beberapa algoritma dasar, seperti teorema Bayes, algoritma Viterbi [6], dan algoritma Baum-Welch (Forward-Backward Algorithm) [7]. Teorema Bayes adalah dasar dari sifat ketergantungan prediksi selanjutnya dari kejadian sekarang. Algoritma Viterbi merupakan algoritma yang digunakan untuk menghitung nilai probabilitas kecenderungan tertinggi dari sebuah aktivitas ke aktivitas selanjutnya. Algoritma Baum-Welch merupakan algoritma hybrid (gabungan) yakni dari algoritma Forward dan algoritma
3 Backward, yang bertugas untuk menghitung semua nilai probabilitas yang mungkin dari satu aktivitas ke aktivitas lainnya. Tingkat pengukuran kualitas metode ini akan ditentukan dari hasil akurasi (accuracy), positive predictive value (precision) dan true positive rate (recall) [8]. Nilai akurasi didapatkan dari pembagian antara nilai kasus fraud yang ditangkap dengan metode yang diusulkan dengan total kasus fraud yang sesungguhnya. Nilai precision didapatkan dari pembagian antara nilai kasus yang positif terprediksi dengan keseluruhan hasil prediksi positif. Nilai recall didapatkan dari pembagian antara nilai kasus yang positif terprediksi dengan keseluruhan data riil yang positif. Hasil akhir yang diharapkan menjadi keluaran dari pengerjaan Tugas Akhir ini ialah terdeteksinya fraud dari data contoh yang diberikan, dengan persentase evaluasi yang tinggi. Juga, ditemukannya pola unik/spesifik untuk menentukan fraud dari masing-masing masukan proses bisnis yang spesifik pula.
1.2
Rumusan Permasalahan Rumusan masalah yang diangkat dalam Tugas Akhir ini dapat dipaparkan sebagai berikut: 1. Bagaimana cara Model Markov Tersembunyi untuk menemukan fraud yang terdapat pada setiap event log? 2. Bagaimana cara menentukan pembuatan matriks probabilitas keterkaitan antar atribut? 3. Apakah hasil evaluasi/pengukuran kualitas metode ini mampu menandingi nilai pengukuran kualitas dari metode penelitian sebelumnya? 4. Apa hasil akhir/keluaran yang diharapkan dari perancangan metode ini?
1.3
Batasan Permasalahan Permasalahan yang dibahas dalam Tugas Akhir ini memiliki beberapa batasan, di antaranya sebagai berikut: 1. Lingkungan kerja metode ini menggunakan perangkat lunak Microsoft Office Excel sebagai sarana pemantapan
4 metode iterasi dan pengembangan perangkat lunak menggunakan bahasa pemrogramman PHP. 2. Masukkan metode ini berupa dataset event log dengan jumlah dan kolom atribut yang telah ditentukan, berikut atribut PBF beserta nilainya pada masing-masing case. 3. Keluaran metode ini berupa data hasil prediksi dengan thresholding/pemberian nilai toleransi yang ditentukan, dan evaluasi pengukuran kualitas metode ini yakni nilai akurasi, precision, sensitivitas (TPR) dan spesifisitas (TNR).
1.4
1.5
Tujuan Tujuan dari Tugas Akhir ini adalah sebagai berikut: 1. Memunculkan tiga kelas (fraud, semi-fraud, dan tidakfraud) untuk data hasil prediksi. 2. Membuat dan menyusun matriks probabilitas yang menggambarkan keterkaitan transisi antar state dan antar atribut, yang berbasiskan dataset masukkan. 3. Mengukur nilai evaluasi/pengukuran kualitas metode dan melakukan komparasi dengan nilai evaluasi/pengukuran kualitas metode penggalian proses. 4. Hasil akhir/keluaran berupa rincian data yang berhasil dikelompokkan ke dalam tiga kelas dan nilai hasil evaluasi metode, baik dari proses training maupun testing.
Manfaat Manfaat yang diperoleh setelah pengerjaan Tugas Akhir ini ialah terbentuknya sebuah metode baru yang mampu mendeteksi fraud dan semi-fraud pada setiap proses bisnis berbeda dan bersifat unik, yang menjadi masukan dari metode ini. Dengan bantuan pemanfaatan metode Model Markov Tersembunyi maka kuantitas fraud yang ditemukan diharapkan lebih baik dan tepat dibandingkan metode penggalian proses biasa.
5
1.6
Metodologi Langkah-langkah yang ditempuh dalam pengerjaan Tugas Akhir ini yaitu: 1. Studi literatur Dalam pembuatan Tugas Akhir ini telah dipelajari tentang dasar-dasar yang dibutuhkan sebagai penunjang pengerjaan Tugas Akhir ini. Pertama adalah tentang teorema Bayes, kemudian dilanjutkan dengan Bayesian Network, algoritma Viterbi, algoritma Forward, algoritma Backward, algoritma Baum-Welch, Proses Markov, dan Model Markov Tersembunyi. Kemudian adalah menentukan batasan-batasan pengerjaan eksperimen. Selain itu, juga dibantu beberapa literatur lain yang dapat menunjang proses penyelesaian Tugas Akhir ini. 2. Modifikasi metode Pada tahap ini, penulis menjabarkan cara pemecahan masalah yang terdapat dalam rumusan masalah. Selain itu penulis juga menjabarkan tentang modifikasi yang telah dilakukan pada algoritma sebelumnya sebagai salah satu kontribusi dalam Tugas Akhir ini. 3. Implementasi Pada tahap ini, dilakukan implementasi dari rancangan metode yang telah dipelajari sebelumnya, yakni pemecahan masalah penentuan fraud pada proses bisnis menggunakan metode Model Markov Tersembunyi dan berikut teorema serta algoritma induk. 4. Pengujian dan evaluasi Pada tahap ini, dilakukan pengujian hasil implementasi metode dengan menggunakan data uji (data training) yang telah dipersiapkan. Pengujian dan evaluasi ini dilakukan untuk menilai jalannya metode, mengevaluasi fitur utama, mengevaluasi akurasi metode, mencari kesalahan yang dapat terjadi pada saat pengujian,
6 dan mengadakan perbaikan jika ditemui kekurangan. Tahapan-tahapan dari pengujian adalah sebagai berikut: a. Pemunculan data-data kasus baru dengan disertai pemunculan fraud yang diketahui (untuk evaluasi kualitas), b. Penerapan metode (dalam bentuk pola yang dihasilkan dari dataset) dan melakukan perbandingan antara hasil yang diperoleh dengan hasil yang seharusnya dimunculkan. 5. Penyusunan buku Tugas Akhir Pada tahap ini, dilakukan dokumentasi dan pelaporan dari seluruh konsep, dasar teori, implementasi, proses yang telah dilakukan, dan hasil-hasil yang telah didapatkan selama proses pengerjaan Tugas Akhir.
1.7
Sistematika Penulisan Buku Tugas Akhir ini bertujuan untuk mendapatkan gambaran dari pengerjaan Tugas Akhir ini. Selain itu, diharapkan dapat berguna untuk pembaca yang tertarik untuk melakukan pengembangan lebih lanjut. Secara garis besar, buku Tugas Akhir terdiri atas beberapa bagian seperti berikut ini. Bab I Pendahuluan Bab ini berisi latar belakang masalah, tujuan dan manfaat pembuatan Tugas Akhir, permasalahan, batasan masalah, metodologi yang digunakan, dan sistematika penyusunan Tugas Akhir. Bab II Dasar Teori Bab ini membahas beberapa teori penunjang yang berhubungan dengan pokok pembahasan dan yang menjadi dasar dari pembuatan Tugas Akhir ini. Bab III Metode Pemecahan Masalah Bab ini membahas cara penulis memecahkan masalah yang ada. Penjelasan tentang algoritma yang dikembangkan penulis dan langkah-
7 langkahnya sehingga dapat memecahkan masalah yang ada. Bab IV Analisis dan Perancangan Sistem Bab ini membahas mengenai perancangan perangkat lunak. Perancangan perangkat lunak meliputi perancangan alur, proses dan perancangan antarmuka pada perangkat lunak. Bab V Implementasi Bab ini berisi implementasi dari perancangan metode yang berasal dari bab sebelumnya, disertai dengan pembentukan pola/pattern untuk identifikasi fraud/anomali. Bab VI Pengujian dan Evaluasi Bab ini membahas pengujian dengan metode pengujian subjektif untuk mengetahui penilaian aspek kegunaan (usability) dari metode ini dan pengujian fungsionalitas yang dibuat dengan memperhatikan keluaran yang dihasilkan serta evaluasi terhadap fitur-fitur perangkat lunak. Bab VII Kesimpulan Bab ini berisi kesimpulan dari hasil pengujian serta evaluasi yang dilakukan. Bab ini membahas saransaran untuk pengembangan sistem lebih lanjut. Daftar Pustaka Merupakan daftar referensi yang digunakan untuk pengembangan penyelesaian Tugas Akhir.
8 [halaman ini sengaja dikosongkan]
2. BAB II DASAR TEORI Pada bab ini akan dibahas mengenai teori-teori yang menjadi dasar dari pembuatan Tugas Akhir. Teori-teori tersebut meliputi Fraud, Teorema Bayes, Bayesian Network, Proses Markov, Algoritma Viterbi, Algoritma Forward, Algoritma Backward, Algoritma Baum-Welch, Model Markov Tersembunyi (HMM), Evaluasi Akurasi Model Proses Bisnis, Evaluasi Sensitivitas Model Proses Bisnis, dan Evaluasi Spesifisitas Model Proses Bisnis.
2.1
Fraud Fraud merupakan anomali/penyimpangan yang merugikan, dan berbagai macam perusahaan dunia telah menganggapnya sebagai masalah yang cukup serius [5]. Dalam kaitannya dengan proses bisnis, maka fraud yang terjadi merupakan pelanggaran pada SOP yang telah disepakati sebelumnya. Adapun jenis-jenis pelanggaran yang dapat terjadi akibat fraud cukup beragam, baik dari segi kelengkapan aktivitas per kasus yang harus dijalani, sampai dengan keabsahan pelaku (resource) yang menangani masing-masing aktivitas. Pengerjaan Tugas Akhir ini membagi jenis-jenis fraud yang terjadi menurut proses bisnis, sehingga jenis-jenis fraud tersebut dapat dipahami sebagai process-based fraud (PBF) [5]. Berdasarkan dari cara melakukan pelanggaran, maka atribut komponen dari PBF yang dimaksud akan dijelaskan sebagai berikut. Skip Sequence Merupakan jenis fraud yang terjadi dengan cara pelaku melompati/melewati aktivitas yang bersifat sequence/sekuens biasa yang menjadi urutan baku pada SOP dari proses bisnis yang dijalankan tersebut [5]. Ilustrasi dari aktivitas sequence beserta pelanggaran skip 9
10 sequence seperti ditunjukkan pada Gambar 2.1. Nilai maksimum dari atribut PBF ini ialah sebanyak jumlah maksimum aktivitas berjenis sekuens pada sebuah alur SOP yang ditentukan.
Gambar 2.1 Contoh Skip Sequence
Skip Decision Merupakan jenis fraud yang terjadi dengan cara pelaku melompati/melewati aktivitas yang bersifat decision/penentuan pengambilan keputusan [5]. Potongan proses yang bersifat decision pada umumnya disimbolkan dengan percabangan aktivitas. Ilustrasi dari aktivitas bersifat decision beserta pelanggaran skip decision seperti ditunjukkan pada Gambar 2.2. Nilai maksimum dari atribut PBF ini ialah sebanyak jumlah maksimum aktivitas berjenis pengambilan keputusan pada alur SOP yang ditentukan.
Gambar 2.2 Contoh Skip Decision
11 Wrong Throughput Time Merupakan jenis fraud yang terjadi dengan cara menyalahi alokasi waktu yang telah ditentukan oleh SOP [9]. Wrong throughput time terbagi kembali berdasarkan jenis pelanggarannya, minimum apabila aktivitas dikerjakan lebih cepat dari alokasi waktu yang ditentukan, serta maximum apabila aktivitas dikerjakan lebih lama dari alokasi waktu yang ditentukan. Nilai maksimum dari atribut PBF ini ialah sebanyak jumlah aktivitas keseluruhan pada alur SOP yang ditentukan. Wrong Resource Merupakan jenis fraud yang terjadi apabila sumber daya/resource mengerjakan aktivitas yang tidak dialokasikan untuk diselesaikan oleh sumber daya tersebut menurut SOP [9]. Nilai maksimum dari atribut PBF ini ialah sebanyak jumlah aktivitas (yang menuntun kepada jumlah pelaku sebanyak aktivitas) pada alur SOP yang ditentukan. Wrong Duty Merupakan jenis fraud yang terjadi apabila pelaku/resource mengerjakan lebih dari satu aktivitas dalam sebuah kasus [9]. Wrong duty juga bisa terjadi apabila pelaku yang ada mengerjakan aktivitas yang seharusnya diselesaikan oleh pelaku lain yang memiliki tingkat jabatan lebih tinggi untuk melakukan aktivitas tersebut. Nilai maksimum dari atribut PBF ini ialah sebanyak jumlah aktivitas pada alur SOP yang ditentukan. Wrong Pattern Merupakan jenis fraud yang terjadi dengan cara pelaku menjalankan proses bisnis tidak sesuai dengan urutan aktivitas pada SOP [9]. Berbeda dengan skipped sequence, pada wrong pattern semua aktivitas akan dilalui (tidak ada yang dilalui) namun dengan urutan pengerjaan yang
12 berbeda dengan ketentuan dari SOP. Ilustrasi pelanggaran wrong pattern seperti ditunjukkan pada Gambar 2.3 berikut. Nilai maksimum dari atribut PBF ini ialah sebanyak jumlah total aktivitas yang ditentukan sebuah alur SOP.
Gambar 2.3 Contoh Wrong Pattern
Wrong Decision Merupakan jenis fraud yang terjadi dengan cara pelaku mengambil keputusan/decision yang salah [9]. Kesalahan pengambilan keputusan ini kembali lagi dengan pencocokan kriteria dari setiap kasus dengan syarat standar SOP. Nilai maksimum dari atribut PBF ini ialah sama dengan skipped decision, yakni sebanyak jumlah aktivitas berjenis pengambilan keputusan pada alur SOP yang ditentukan. Jenis-jenis fraud yang telah dijabarkan pada subbab diatas ada yang memiliki turunan, sehingga pada sebuah kasus fraud tidak mutlak bahwa jenis fraud yang ditemui hanya satu jenis saja. Sebagai contoh, wrong duty yang terjadi pada aktivitas bersifat sequence akan menghasilkan fraud berjenis wrong duty sequence, wrong duty pada aktivitas bersifat decision yang menghasilkan wrong duty decision, dan wrong duty pada kombinasi aktivitas bersifat sequence dan decision yang menghasilkan wrong duty combined [9].
13
2.2
Teorema Bayes Teorema Bayes (atau disebut aturan Bayes) menyatakan bahwa probabilitas/peluang atas kejadian di masa mendatang dipengaruhi oleh kejadian yang berlangsung di masa sekarang [10]. Konsep teorema Bayes ini ialah konsep yang mendasari prinsip proses Markov, terutama dalam hal pembentukan matriks probabilitas. Rumusan pernyataan teorema Bayes ditunjukkan pada Persamaan 2.1.
P B|A
P A|B * P B P A
(2.1)
Penjelasan dari Persamaan 2.1 ialah sebagai berikut. P(B|A) merupakan probabilitas dari aktivitas B diberikan aktivitas A, sehingga sama dengan P(A|B) yang merupakan probabilitas aktivitas A diberikan aktivitas B dikalikan dengan probabilitas keseluruhan terjadinya aktivitas B (P(B)) kemudian dibagi dengan probabilitas keseluruhan terjadinya aktivitas A (P(A)).
2.3
Bayesian Network Bayesian Network merupakan bentuk graf berarah yang tidak berkesinambungan/tidak memiliki siklus (DAG: Directed Acyclic Graph) [1, 10]. Bayesian Network menggambarkan ketidakterkaitan antar dua atau lebih variabel terpilih. Dalam kaitannya dengan Model Markov Tersembunyi, metode ini merupakan representasi bentuk paling sederhana dari sebuah Bayesian Network dinamis (DBN). Contoh penerapan Bayesian network ialah sebagai berikut. Diberikan empat buah variabel acak A, B, C, dan D, sehingga dapat dilakukan join probabilitas (joint probability) sederhana seperti pada Persamaan 2.2.
P (A,B,C,D) = P(A) P(B |A) P(C |A,B) P(D |A,B,C)
(2.2)
14 Pada join probabilitas yang terbentuk di Persamaan 2.2, dapat dilakukan faktorisasi sederhana untuk melakukan pemisahan antar variabel acak yang ada, sehingga dapat ditulis seperti Persamaan 2.3 berikut.
P (A,B,C,D) = P(A) P(B) P(C |A) P(D | B,C)
(2.3)
Diperlukan penyelesaian lebih lanjut untuk menentukan bentuk graf yang sesungguhnya, seperti pada Persamaan 2.4.
P( A, D | B, C )
P( A, B, C , D) P ( B, C ) P A P B P C|A P D|B, C
P A P B P C|A P D|B, C dAdD
P A P C|A P( D | B, C )
P(C ) P( A | C) P( D | B, C)
(2.4)
Contoh pembentukan graf hasil representasi Persamaan 2.4 seperti ditunjukkan pada Gambar 2.4.
Gambar 2.4 Graf Representasi Contoh Bayesian Network
2.4
Algoritma Viterbi Algoritma Viterbi merupakan algoritma yang digunakan untuk mencari kejadian selanjutnya/aktivitas selanjutnya dengan melakukan pencarian kejadian/aktivitas yang memiliki nilai total probabilitas tertinggi [6]. Hasil dari pencarian masing-masing
15 kejadian/aktivitas dengan probabilitas paling mungkin ini kemudian akan membentuk sebuah case/kasus. Dalam kaitannya dengan Model Markov Tersembunyi, algoritma Viterbi berperan dalam penyelesaian problem decoding. Tugas algoritma ini selaku decoder ialah mencari hidden path terbaik, seperti telah dijabarkan pada definisi sebelumnya [11]. Apabila diketahui sejumlah observasi O = o1, o2, o3, ..., oT dan state objek Q = q1q2q3...qT, maka urutan sekuens Viterbi/Viterbi path dapat dibentuk dengan menggunakan Persamaan 2.5 berikut.
vt ( j ) max P(q0 , q1 ,...qt 1 , o1 , o2 ,...ot , qt j | ) q0 , q1 ,...qt 1
(2.5)
Dengan 𝜆 menyatakan bentuk HMM 𝜆 = (A,B). Untuk menghitung nilai probabilitias Viterbi jika diberikan state qj dan waktu t, maka nilai vt(j) dapat dirumuskan sesuai Persamaan 2.6 berikut. N
vt ( j ) max vt 1 (i)aij b j (ot ) i 1
(2.6)
Dengan vt-1(i) menyatakan probabilitas Viterbi path sebelumnya, aij menyatakan probabilitas transisi dari state sebelumnya qi menuju state sekarang qj, dan bj(ot) menyatakan kesamaan observasi antar state ot pada state sekarang (j) [11].
2.5
Algoritma Forward Algoritma Forward merupakan algoritma yang menghitung probabilitas kemungkinan pada waktu t, diberikan kejadian yang telah lampau [12]. Jika diberikan persamaan HMM 𝜆 = (A,B,𝜋), maka rumusan algoritma Forward untuk menghitung P(O|𝜆) = 𝛼(t,i) ditunjukkan pada Persamaan 2.7 berikut.
(t , i) P(O1 , O2 , O3 ,..., Ot , qt Si )
(2.7)
16 Dengan 𝛼(t,i) menyatakan nilai yang dihasilkan oleh persamaan algoritma Forward pada waktu t dan state ke-i, dan P(O1,O2,O3,...,Ot, qt=Si) menyatakan sejumlah nilai probabilitas dari rangkaian pengamatan O1,O2,O3,...,Ot pada state ke-i dan waktu t.
2.6
Algoritma Backward Algoritma Backward merupakan algoritma yang memiliki cara kerja sama dengan algoritma Forward, namun memiliki titik awal (start position) dari akhir proses [12]. Rumusan algoritma Backward untuk menghitung P(O|𝜆) = 𝛽(t,i) ditunjukkan pada Persamaan 2.8 berikut. (t , i) P(Ot 1 , Ot 2 ,..., OT | qt Si ) (2.8) Dengan 𝛽(t,i) menyatakan nilai yang dihasilkan oleh persamaan algoritma Backward pada waktu t dan state ke-i, dan P(Ot+1,Ot+2,...,OT, qt=Si) menyatakan nilai probabilitas dari rangkaian pengamatan O1,O2,O3,...,Ot pada state ke-i dan waktu t.
2.7
Algoritma Baum-Welch Algoritma Baum-Welch merupakan algoritma gabungan dari algoritma Forward (𝛼) dan algoritma Backward (𝛽). Algoritma ini digunakan untuk melakukan penggalian terhadap parameter/atribut penyusun metode Model Markov Tersembunyi [7]. Dengan keberadaan observasi yang telah diketahui, algoritma ini bertugas melakukan perhitungan probabilitas maksimal dari sebuah rangkaian proses. Desain algoritma Baum-Welch memungkinkan untuk memaksimalkan observasi terhadap rangkaian pengamatan P(O1,O2,O3,...,On). Bentuk umum Baum-Welch dapat dilakukan ekspansi sejumlah n sekuens berbeda berisikan m1,m2,m3,...,mn, seperti pada Persamaan 2.9 berikut.
17
O1 : O11 , O21 , O31 ,..., Om1 1 O 2 : O12 , O22 , O32 ,..., Om2 2 O 3 : O13 , O23 , O33 ,..., Om3 3
(2.9)
.................................. O n : O1n , O2n , O3n ,..., Omn n Sedangkan untuk penyelesaian algoritma Baum-Welch dapat dilihat pada Persamaan 2.10 berikut.
P(qt k , qt 1 l | O, ) :
(t , k )akl bl (Ot 1 ) (t 1, l ) P(O | )
(2.10)
Dengan qt menyatakan sekuens pada waktu t, qt+1 menyatakan sekuens pada waktu t+1, O menyatakan observasi yang didasarkan pada k (qt) dan l (qt+1), 𝛼 menyatakan nilai solusi dari algoritma forward, dan 𝛽 menyatakan nilai solusi dari algoritma backward.
2.8
Proses Markov Proses Markov merupakan kumpulan variabel dependen yang tersusun menjadi sebuah proses, yang memenuhi keseluruhan atribut syarat dari properti Markov (Markov properties) [13]. Properti Markov yang dapat dijadikan identifikasi proses Markov ialah bahwa proses Markov memiliki matriks distribusi probabilitas, yakni probabilitas awal (initial probabilitiy) dan probabilitas transisi (transitional probability). Properti Markov yang lain ialah bahwa pada sebuah sekuens (x1,x2,...xn-1), prediksi terhadap nilai selanjutnya (xn) hanya akan bergantung pada nilai sebelumnya saja (xn-1). Oleh karena itu, prediksi nilai selanjutnya tidak bergantung pada kejadian yang telah lampau [13].
18
2.9
Model Markov Tersembunyi (HMM) Model Markov Tersembunyi merupakan sebuah model stokastik berganda yang memiliki dua tingkat hirarki (state) [2]. Dua buah state yang dimaksud yakni state yang dapat diamati/merupakan objek observasi bagi pengguna (disebut observable state) dan state yang bersifat tersembunyi dari pengguna, dan memerlukan pemecahan dari observasi (disebut hidden state) [3]. Contoh bentuk Model Markov Tersembunyi sederhana yang digambarkan dalam bentuk diagram Trellis ditunjukkan pada Gambar 2.5.
Gambar 2.5 Diagram Trellis Model Markov Tersembunyi
Pada contoh pemetaan HMM seperti Gambar 2.5, Z1,Z2,...,ZN menyatakan observable state/objek pengamatan yang tampak kepada pengamat perilaku, sementara X1,X2,...,XN menyatakan hidden state/objek tersembunyi, yang biasanya menjadi hasil dari pengamatan terhadap objek yang tampak. Bentuk lengkap dari persamaan Model Markov Tersembunyi ini seperti dituliskan pada Persamaan 2.11 berikut.
HMM 𝜆 = (A,B,𝜋)
(2.11)
Dengan A menyatakan matriks distribusi probabilitas state, B menyatakan matriks distribusi probabilitas observasi, dan 𝜋 menyatakan vektor probabilitas awal (initial probabilities) [2]. Pembentukan vektor probabilitas awal memperhatikan posisi start awal sebuah proses bisnis dimulai pada petri net. Adapun rumusan pembentukan vektor probabilitas awal seperti pada Persamaan 2.12 berikut.
19
𝜋i = P(q1 = Si)
(2.12)
Pembentukan matriks distribusi probabilitas state A = [aij] seperti dijelaskan pada Persamaan 2.13 berikut.
aij = (Pqt+1 = Sj | qt = Si)
(2.13)
Pembentukan matriks distribusi probabilitas observasi B = [bj(k)] seperti dijelaskan pada Persamaan 2.14 berikut.
bj(k)=P(Vk|Sj)
(2.14)
Rangkaian matriks dan vektor penyusun parameter Model Markov Tersembunyi diatas memerlukan sejumlah t sekuens observasi, sehingga O = O1, O2, O3, ..., Ot, dimana Ot merupakan bagian dari V, dan sejumlah R pengamatan atas sekuens observasi tersebut.
2.10 Confusion Matrix/Error Matrix Confusion matrix/error matrix (selanjutnya disebut confusion matrix saja) merupakan matriks pengukuran performa/kualitas sebuah metode, dimana masing-masing kolom pada matriks ini diisikan menurut pengelompokan data pada kelas yang telah ditentukan [14, 15, 16]. Confusion matrix dipilih karena mampu memberikan hasil pengukuran untuk permasalahan dengan kriteria multiclass/memiliki lebih dari dua kelas. Secara garis besar, confusion matrix membagi kondisi positif dan negatif ke dalam empat macam variabel: True-Positive (TP), False-Positive (FP), True-Negative (TN), dan FalseNegative (FN). Definisi keempat variabel tersebut (dengan menggunakan ilustrasi kondisi positif = fraud) ialah sebagai berikut [17].
20 1. 2. 3. 4.
True-Positive (TP) merupakan kondisi dimana sebuah kasus positif fraud dan berhasil terdeteksi, False-Positive (FP) merupakan kondisi dimana sebuah kasus positif fraud namun tidak terdeteksi sebagai fraud, True-Negative (TN) merupakan kondisi dimana sebuah kasus negatif fraud dan berhasil tidak terdeteksi, dan False-Negative (FN) merupakan kondisi dimana sebuah kasus negatif fraud namun terdeteksi sebagai fraud.
Empat variabel kondisi tersebut berlaku untuk klasifikasi bersifat biner. Berdasarkan kondisi diatas, dapat dibentuk sebuah matriks sederhana seperti pada Tabel 2.1 berikut. Tabel 2.1 Contoh Confusion Matrix Klasifikasi Biner
Prediksi Ya Tidak True Positive False Negative Ya (TP) (FN) Fakta False Positive True Negative Tidak (FP) (TN) Pada contoh confusion matrix seperti ditunjukkan pada Gambar 3.3, empat variabel dipetakan ke dalam tabel pembagian antara data fakta dengan data hasil prediksi. Penyusunan dengan model semacam ini akan dilanjutkan dengan proses evaluasi metode yang akan dibahas pada subbab berikut, yakni evaluasi akurasi, precision, dan recall metode.
2.11 Evaluasi Akurasi Metode Evaluasi akurasi metode merupakan pengukuran tingkat kedekatan hasil yang diperoleh dari metode analisa yang digunakan dengan hasil sesungguhnya yang ingin diraih [15, 16]. Rumusan evaluasi akurasi ini seperti pada Persamaan 2.15 berikut.
21
Akurasi( ACC )
TruePositive TrueNegative Population
(2.15)
2.12 Evaluasi Recall Metode Evaluasi recall metode (True Positive Rate) merupakan pengukuran kondisi positif/benar sesuai dengan fakta, dibandingkan dengan hasil positif/benar yang didapatkan dari penggalian dengan metode analisa [15, 16]. Evaluasi recall merupakan sebutan lain dari (dan selanjutnya disebutkan) evaluasi sensitivity/sensitivitas. Rumusan evaluasi sensitivitas ini seperti pada Persamaan 2.16 berikut.
Recall(TPR )
TruePositive ConditionPositive
(2.16)
2.13 Evaluasi Specificity Metode Evaluasi specificity/spesifisitas metode (True Negative Rate) merupakan pengukuran kondisi negatif/salah sesuai dengan fakta, dibandingkan dengan hasil negatif/salah yang didapatkan dari penggalian dengan metode analisa [15, 16]. Rumusan evaluasi spesifisitas ini seperti pada Persamaan 2.17 berikut.
Specificity (TNR)
TrueNegative ConditionNegative
(2.17)
2.14 Evaluasi Precision Metode Evaluasi precision metode (Positive Prediction Value) merupakan pengukuran perbandingan antara hasil prediksi yang positif sama dengan data awal, dengan keseluruhan hasil prediksi positif [15, 16]. Rumusan evaluasi precision ini seperti pada Persamaan 2.17 berikut.
Precision( PPV )
TruePositive TestConditionPositive
(2.18)
22 [halaman ini sengaja dikosongkan]
3. BAB III METODE PEMECAHAN MASALAH Pada bab ini akan dibahas mengenai metodologi pemecahan masalah yang digunakan sebagai dasar solusi dari pembuatan Tugas Akhir. Metodologi tersebut akan menjelaskan tahapan-tahapan yang harus dilalui untuk menghasilkan keluaran hasil dari masukan berupa event log.
3.1
Cakupan Permasalahan Permasalahan utama yang diangkat dalam pengerjaan Tugas Akhir ini ialah bagaimana cara menemukan fraud secara tepat dalam contoh event log yang akan diberikan. Tepat memiliki artian bahwa setelah hasil pengerjaan diberikan, maka evaluasi kualitas yang diberikan harus mampu dipenuhi ketiganya oleh pengerjaan Tugas Akhir ini. Metode Model Markov Tersembunyi akan menjadi komponen sekaligus metode utama dalam pemecahan permasalahan yang diangkat pada pengerjaan Tugas Akhir ini. Permasalahan pertama dari pengerjaan Tugas Akhir ini ialah menemukan/membuat model event log yang sesuai, untuk memenuhi syarat pembentukan matriks probabilitas algoritma Baum-Welch. Model event log yang diharapkan ialah log dengan jumlah dan kesesuaian atribut yang dibutuhkan. Event log tersebut merupakan dataset awal/masukan bagi metode yang diajukan sebagai pengerjaan Tugas Akhir ini. Dataset yang diharapkan tentunya dataset yang mampu menyediakan nilai probabilitas sesuai dengan jumlah atribut fraud yang ingin diteliti. Permasalahan kedua dari pengerjaan Tugas Akhir ini ialah menentukan matriks probabilitas untuk memenuhi kriteria pembentukan Model Markov Tersembunyi. Penggunaan algoritma Viterbi dan Baum-Welch amat berperan disini. Algoritma BaumWelch pertama-tama digunakan untuk melakukan estimasi parameter yang belum tersedia, seperti probabilitas transisi antar state, probabilitas output/emisi masing-masing state pada tiap atribut PBF, dan kemudian dilanjutkan dengan algoritma Viterbi 23
24 untuk menentukan tatanan hidden path, yang apabila secara utuh digabungkan maka akan menjadi sebuah case baru. Permasalahan ketiga dari pengerjaan Tugas Akhir ini merupakan pengukuran/evaluasi kemampuan Model Markov Tersembunyi untuk menangani fraud pada proses bisnis. Adapun jenis pengukuran yang diberikan yakni pengukuran akurasi, pengukuran precision, pengukuran sensitivitas (TPR) dan pengukuran spesifisitas (TNR).
Gambar 3.1 Diagram Alur Proses Pengerjaan Tugas Akhir Secara Umum
Diagram alur proses pengerjaan Tugas Akhir ini secara seperti ditunjukkan pada Gambar 3.1. Adapun untuk memulai proses pengerjaan, maka dataset yang diperlukan untuk menjadi masukan ialah dataset berupa event log yang berisi sejumlah kasus, berdasarkan SOP yang dibentuk sebelumnya. Setelah dataset
25 masukan ditemukan, pada pemrosesan selanjutnya ialah melakukan adjustment/penyesuaian dengan aturan pakar yang telah didefinisikan. Hasil akhir dari pengerjaan Tugas Akhir ini diharapkan berupa pengelompokan tiap case ke dalam kelas yang ditentukan dan evaluasi kualitas metode Model Markov Tersembunyi dari segi akurasi, precision, dan recall. Secara jelas, alur pengerjaan metode yang diusulkan pada pengerjaan tugas akhir ini seperti ditunjukkan pada Gambar 3.2 berikut.
Gambar 3.2 Diagram Alur Proses Terinci Model Markov Tersembunyi
26 Penjelasan dari alur proses pada Gambar 3.2 ialah sebagai berikut. Proses pengerjaan dimulai dengan input event log yang telah di-generate dari SOP yang ada. Langkah selanjutnya ialah melakukan adjustment/penyesuaian data dengan pendapat pakar yang akan dijelaskan lebih lanjut pada bab pengujian. Hasil dari data yang telah dilakukan penyesuaian ini kemudian akan menjadi input untuk proses estimasi parameter Model Markov Tersembunyi. Proses estimasi ini menggunakan algoritma BaumWelch. Modifikasi pada algoritma ini menghasilkan output berupa vektor probabilitas awal (𝜋), matriks distribusi probabilitas antarstate (A), dan matriks distribusi probabilitas observasi (B). Dengan menyesuaikan kondisi yang ada, matriks probabilitas observasi kemudian menjadi matriks emisi/luaran yang berisi probabilitas observasi terhadap suatu state. Hasil output dari estimasi parameter, sebagaimana telah dijelaskan pada paragraf sebelumnya, telah siap digunakan untuk mencari probabilitas antar-state untuk tiap atribut (hingga atribut ke n). Pendefinisian model pengamatan masih merupakan bagian dari pembuatan Model Markov Tersembunyi. Pencarian probabilitas dilakukan dengan cara mengalikan parameter hasil estimasi. Untuk observasi pertama dapat dicari probabilitasnya dengan mengalikan vektor probabilitas awal dan matriks probabilitas state. Observasi setelah observasi pertama dapat dicari dengan mengalikan nilai probabilitas maksimal sebelumnya dengan matriks probabilitas transisi state dan matriks emisi. Pemilihan nilai probabilitas menggunakan prinsip algoritma Viterbi, dimana probabilitas dengan nilai maksimum pada sebuah objek observasi diambil sebagai maximum path oleh Viterbi.
3.2
Pembuatan Model Markov Tersembunyi Pembuatan event log pertama sangat diperlukan untuk mencocokkan dan melakukan modifikasi terhadap metode iterasi yang digunakan, yaitu Model Markov Tersembunyi yang sesuai. Pemrosesan event log pertama ini menggunakan metode Model Markov Tersembunyi. Pemodelan terhadap bentuk ini memerlukan
27 dua buah state seperti telah disebutkan sebelumnya, yakni hidden state dan observable state. Oleh karena pengerjaan Tugas Akhir ini merupakan deteksi kecurangan pada proses bisnis, maka penentuan state diambil dari model proses bisnis dataset. Observasi akan diarahkan kepada sekuens atribut pelanggaran per kasus didalam event log, sementara state akan diarahkan kepada state pelanggaran setiap atribut untuk masing-masing kasus (State1,State2,...,Staten). Untuk melakukan analisa dan perhitungan probabilitas, maka Model Markov Tersembunyi yang digunakan akan dibantu dengan algoritma Baum-Welch yang telah dijelaskan pada Bab 2.7. Diagram trellis yang dibentuk sesuai dengan algoritma BaumWelch hasil adaptasi/modifikasi terhadap inisialisasi state pada paragraf sebelumnya ditunjukkan pada Gambar 3.2 berikut.
Gambar 3.3 Diagram Trellis Hasil Modifikasi Baum-Welch
Diagram trellis pada Gambar 3.3 berikut merupakan bentuk jadi yang menggambarkan perhitungan akhir nilai probabilitas dari iterasi perkalian metode Model Markov Tersembunyi. Pada Gambar 3.3, posisi hidden state pada rangkaian ialah state per kasus, dan observasi berasal dari atribut PBF.
28
Gambar 3.4 Diagram Trellis untuk Probabilitas
3.3
Pengaturan Posisi Atribut PBF Pengaturan posisi atribut diperlukan untuk mencari kombinasi observasi antar-atribut yang optimal. Kombinasi observasi yang tepat diperlukan supaya pembentukan matriks transisi antar-state menghasilkan nilai maksimal, yang mempengaruhi pada hasil pengamatan hidden state berdasarkan observasi dari posisi atribut yang telah diatur sebelumnya. Pengaturan atribut ini memperhatikan opini/pendapat pakar seperti pada penelitian sebelumnya [9]. Tabel 3.1 berikut menunjukkan data pendapat pakar terhadap kesepuluh atribut PBF. Tabel 3.1 Pendapat Pakar Terhadap Atribut PBF Pakar 1 Pakar 2 Pakar 3 Pakar 4
Seq. Dec. Min. Thr. Time Max. Wrong Resource Seq. Wrong Dec. Duty Comb. Wrong Pattern Wrong Decision Skip
W VI F F W VW W W W VI
W VI I F W VW W W W VI
W VI I I W VW W W W VI
W VI I F W VW W W W VI
29 Penjelasan atas atribut pakar pada Tabel 3.1 ialah sebagai berikut: pendapat pakar merupakan nilai linguistik yang dikelompokkan ke dalam 5 (lima) kriteria yakni (diurutkan dari nilai linguistik terendah tertinggi) very weak (VW), weak (W), fair (F), important (I), dan very important (VI). Selanjutnya dilakukan pengaturan ulang terhadap susunan atribut pakar yang akan dijadikan rangkaian observasi terhadap hidden state masing-masing atribut. Pengaturan ulang memperhatikan pendapat hasil rata-rata keempat pakar. Masingmasing kriteria diberikan tanda numerik. Tujuan penggunaan tanda numerik ini ialah untuk kemudahan mengatur ulang urutan atribut, dengan skala 1-5 yang disesuaikan dengan lima tingkat kriteria penilaian secara linguistik. Tabel 3.2 menunjukkan contoh penyetaraan kriteria masing-masing atribut ke dalam bentuk numerik. Tabel 3.2 Pencarian dan Penyetaraan Posisi Atribut Pakar Pakar Pakar Pakar Mean 1 2 3 4
2 2 2 2 Seq. 2 5 5 5 5 Dec. 5 3 4 4 4 Min. 3,75 Thr. Time 3 3 4 3 Max. 3,25 2 2 2 2 Wrong Resource 2 1 1 1 1 Seq. 1 Wrong 2 2 2 2 Dec. 2 Duty 2 2 2 2 Comb. 2 2 2 2 2 Wrong Pattern 2 5 5 5 5 Wrong Decision 5 Sedangkan pengaturan posisi atribut yang baru, berdasarkan dari nilai rata-rata untuk setiap atribut (pada Tabel 3.2), ditunjukkan pada Tabel 3.3 berikut. Skip
30 Tabel 3.3 Pengaturan Atribut PBF Sesuai Kepentingan Pakar Atribut 1 Atribut 2 Atribut 3 Atribut 4 Atribut 5
WDutyS
SkipSeq
WRes
WDutyD
WDutyC
Atribut 6
Atribut 7
Atribut 8
Atribut 9
Atribut 10
WPattern
Tmax
Tmin
SkipDec
WDec
Pada atribut yang memiliki penilaian lebih dari satu macam, misalkan untuk atribut throughput time minimum (Tmin) dan maximum (Tmax), dikarenakan atribut Tmin memiliki pendapat pakar important dengan rasio lebih banyak dibandingkan atribut Tmax yang memiliki rasio pendapat fair lebih banyak, maka hasil pemeringkatan atribut Tmin diletakkan satu posisi lebih penting dibandingkan atribut Tmax.
3.4
Penyusunan Matriks Probabilitas Antar State Matriks probabilitas dibuat dari pengamatan terhadap event log yang menjadi dataset masukan. Sesuai dengan yang telah dijabarkan pada subbab 3.2 sebelumnya, bahwa penentuan parameter HMM memanfaatkan algoritma Baum-Welch. Setelah melakukan modifikasi pada algoritma tersebut, maka didapatkan observasi berupa sekuens atribut PBF, dan state berupa jenis pelanggaran masing-masing atribut dalam sebuah sekuens. Setelah mendapatkan nilai-nilai berupa observasi dan state yang dibutuhkan, maka penyusunan matriks bisa dimulai. Tahap pertama ialah melakukan inisialisasi terhadap matriks probabilitas awal (start value). Inisialisasi matriks ini berlangsung untuk semua state, sebagaimana dicontohkan pada Tabel 3.4 berikut. Nilai dari masing-masing inisialisasi awal state diambil dari perbandingan antara frekuensi atribut bernilai state tersebut dengan keseluruhan jumlah kasus dalam dataset. Tabel 3.4 Matriks Probabilitas Awal (𝜋)
Fraud Start
0,11
Semi- TidakFraud Fraud 0 0,89
31 Berikutnya dilakukan inisialisasi matriks transisi antar-state, yang sesuai dengan namanya merupakan matriks berisi nilai probabilitas antara state n dengan state n+1. Contoh bentukan matriks transisi antar state ini dapat dilihat pada Tabel 3.5 berikut. Tabel 3.5 Matriks Transisi Antar State
0,09
SemiFraud 0,13
TidakFraud 0,78
0,22
0
0,78
0,12
0,03
0,85
Fraud Fraud SemiFraud TidakFraud
Matriks transisi antar state pada Tabel 3.5 berlaku sebagai distribusi probabilitas state (A). Jenis state pada baris berlaku sebagai state ke-n, sedangkan jenis state pada kolom berlaku sebagai state ke-n+1. Sebagai contoh, untuk mengambil nilai state semi-fraud menuju ke state fraud, maka transisi antar state tersebut bernilai 0,78, dan seterusnya. Matriks ini hanya berlaku untuk transisi dari observasi atribut a1 ke observasi atribut a2, dan sebagainya, sehingga masing-masing transisi memiliki matriks yang berbeda-beda pula. Kemudian, dari jenis-jenis atribut PBF pada event log, dapat dibentuk matriks probabilitas kemunculan suatu atribut pada masing-masing state yang ditentukan. Matriks ini kemudian disebut sebagai matriks probabilitas atribut dan berlaku sebagai nilai emisi/keluaran (emission matrix) pada sebuah state yang diamati. Nilai probabilitas pengisi matriks ini didapatkan dengan cara menjumlahkan frekuensi atribut pada suatu state tertentu dan kemudian dbandingkan dengan jumlah total frekuensi masingmasing atribut PBF pada state tersebut. Contohnya ialah, pada state fraud, frekuensi total atribut wrong decision sebanyak 10. Dimana frekuensi total penjumlahan masing-masing atribut pada state yang sama sebanyak 110. Maka nilai probabilitas atribut tersebut
32
10 0, 090909 . Hasil bentukan matriks emisi/keluaran atribut 110 ini dapat dilihat pada Tabel 3.6 berikut.
Fraud SemiFraud TidakFraud
Tabel 3.6 Matriks Emisi/Keluaran Atribut Wrong Wrong Throughp Skip Resource Duty ut Time 0,0454 0,1 0,018182 0,018182 55
Wrong Decision 0,090909
0
0
0
0,2
0
0
0,039437
0,0253 52
0
0
Pengambilan nilai keluaran ini dirasakan masih belum menggambarkan situasi sesungguhnya frekuensi masing-masing atribut terhadap state yang ada, sebab selain pengambilan probabilitas atribut terjadi, ternyata dijumpai kondisi dimana pada atribut tersebut memiliki nilai tidak lebih dari 0 (tidak terdapat pelanggaran).
3.5
Penambahan Kondisi No-atribut Seperti disinggung pada subbab sebelumnya, bahwa frekuensi atribut tidak hanya apabila atribut tersebut terjadi, namun juga apabila atribut tersebut tidak terjadi untuk masing-masing state, seperti ditunjukkan pada Tabel 3.7 berikut. Tabel 3.7 Matriks Emisi Hasil Penambahan No-atribut NoNoWrong Wrong Skip Wrong skip Resource Duty Resource 0,1 0,1 0,018182 0,181818 0,045455 Fraud Semi0 0,2 0 0,2 0 fraud Tidak0 0,2 0,039437 0,160563 0,025352 fraud
33
NoWrong Duty 0,154545
0,018182
NoThroughp ut Time 0,181818
0,090909
NoWrong Decision 0,109091
0,2
0,2
0
0
0,2
0,174648
0
0,2
0
0,2
Throughp ut Time
Wrong Decision
Pada Tabel 3.7 pembagian nilai probabilitas masing-masing atribut telah disertai dengan no-atribut, yang menandakan nilai probabilitas apabila atribut tersebut tidak terjadi pada state yang dimaksud.
3.6
Menghitung Probabilitas Total per Kasus Setelah pembuatan matriks probabilitas selesai, maka pengerjaan selanjutnya yakni menyelesaikan perhitungan probabilitas antar kasus, yang berasal dari perhitungan probabilitas antar observasi, yang menghasilkan nilai state dari masing-masing observasi tersebut. Cara menghitung probabilitas antar state telah dibangun pada pembahasan sebelumnya yakni bab 3.3 disertai dengan cara menghitung kaitan probabilitas antar atribut dengan state pada bab 3.4. Pengerjaannya memanfaatkan algoritma BaumWelch. Untuk menghasilkan penggalian probabilitas awal dapat ditentukan dengan rumusan seperti ditulis pada Persamaan 3.1 berikut.
1 (t ) i * emit _ proba ( s )
(3.1)
Dengan πi merupakan vektor/matriks probabilitas awal, yang hanya dipakai pada state mula-mula, dan emit_probij merupakan matriks B berisi matriks probabilitas emisi antara observable (atribut) a dengan state s. Untuk melakukan penggalian nilai probabilitas terhadap elemen sekuens selanjutnya (t+1), maka vektor probabilitas awal
34 berganti menjadi nilai probabilitas yang dihasilkan dari perhitungan nilai probabilitas awal, sesuai dengan urutan state masing-masing. Nilai probabilitas ini juga mulai memperhitungkan dari seluruh tabel A yang ada. Rumusan untuk menghasilkan nilai probabilitas pada t+1 ini seperti ditulis pada Persamaan 3.2 berikut.
1 (t ) 1 (t 1)* trans _ probij * emit _ proba ( s )
(3.2)
Dengan α1(t-1) merupakan nilai probabilitas awal, maupun nilai probabilitas sebelumnya (digunakan untuk observable state/atribut setelah atribut awal), trans_probij sebagai matriks A yang berisi nilai probabilitas transisi dari state i ke state j, dan emit_probij merupakan matriks B berisi matriks probabilitas emisi antara observable (atribut) a dengan state s.
3.7
Pengukuran Performa Dengan Confusion Matrix Pengukuran performa merupakan proses pemberian nilai atas kinerja dari metode yang telah diusulkan dengan memperhatikan data faktual yang menjadi masukan dan data hasil prediksi metode. Pengukuran performa ini kemudian akan menghasilkan nilai toleransi yang menjadi batas saring bagi data masukan, untuk dapat dikatakan masuk pada kriteria tertentu. Pada pengerjaan Tugas Akhir ini, pengukuran performa membutuhkan tiga kelas penggolongan data, yakni fraud, semifraud, dan tidak-fraud. Untuk sejumlah n kelas, maka ukuran confusion matrix menyesuaikan sebanyak n*n, sehingga untuk tiga kelas akan terdapat 9 buah kolom pada matriks yang akan dibuat. Tabel 3.8 menunjukkan bentukan confusion matrix yang dimaksud.
35 Tabel 3.8 Confusion Matrix Modifikasi Tiga Kelas
Fraud
TP
Prediksi SemiFraud FSP
Semi-Fraud
FP
TSP
FN
Tidak-Fraud
FP
FSP
TN
Fraud
Fakta
TidakFraud FN
Langkah selanjutnya yakni melakukan pengisian berdasarkan kondisi luaran dari metode yang telah dikerjakan, dengan diikuti penjumlahan dari masing-masing kolom dan baris. Setelah selesai, maka nilai masing-masing evaluasi metode dapat dihitung.
3.8
Contoh Sederhana Deteksi Fraud Pada subbab ini akan diberikan contoh sederhana alur deteksi fraud menggunakan metode yang diusulkan, mulai dari pembacaan event log, penyusunan model HMM sampai dengan klasifikasi tiap case ke dalam kelas hasil prediksi dengan metode yang diusulkan. Pembuatan Model Markov Tersembunyi Berdasarkan Dataset Masukan Dengan memperhatikan bentuk contoh event log yang menjadi data masukkan untuk proses training seperti ditunjukkan pada Gambar 3.5 berikut, maka dibentuklah Model Markov Tersembunyi yang tepat, yang memiliki parameter sebagai unsur pengali.
36 case ID skip w.res w.duty time w.decision state 1 0 0 0 0 0 TIDAK FRAUD 2 0 0 0 1 0 SEMI FRAUD 3 1 0 0 0 0 FRAUD 4 0 0 0 0 0 TIDAK FRAUD 5 0 1 0 0 0 TIDAK FRAUD 6 0 0 0 0 0 TIDAK FRAUD 7 0 0 1 0 0 TIDAK FRAUD 8 1 0 0 0 0 FRAUD 9 1 0 0 0 0 FRAUD 10 0 0 0 0 0 TIDAK FRAUD 11 1 0 0 0 0 FRAUD Gambar 3.5 Potongan Dataset Contoh untuk Ujicoba Sederhana 12 0 0 0 0 0 TIDAK FRAUD 13 0 0 0 0 0 TIDAK FRAUD Dataset yang digunakan sebanyak 100 case dalam satu 14 0 0 0 0 0 TIDAK FRAUD event log. Persebaran kelas0 pada tiap data sebagai berikut: 22 case 15 0 1 0 0 TIDAK FRAUD fraud, 7 case semi-fraud, dan sisanya merupakan case tidak-fraud. 16 0 1 0 0 0 TIDAK FRAUD diperlukan melakukan 17 Estimasi 0 parameter 0 0 0 untuk 0 TIDAK FRAUD inisialisasi terhadap elemen pengali yang digunakan untuk mencari 18 0 0 0 0 1 FRAUD probabilitas per 0case. Baum-Welch proses 19 0 0 menangani 1 0 SEMIestimasi FRAUD parameter yang dimaksudkan ini. Adapun parameter 20 1 0 0 0 0 FRAUD yang
diinisialisasi oleh algoritma ini ialah matriks probabilitas awal, matriks probabilitas transisi antar-state, dan matriks emisi/output tiap state. Matriks probabilitas awal ditunjukkan pada Tabel 3.9, matriks transisi state ditunjukkan pada Tabel 3.10, dan matriks emisi ditunjukkan pada Tabel 3.11. Tabel 3.9 Matriks Probabilitas Awal
State Prob.Start
Fraud 0,11
Semi-fraud 0
Tidak-fraud 0,89
Tabel 3.10 Matriks Transisi State
Fraud Semi-fraud Tidak-fraud
Fraud 0,09 0,22 0,12
Semi-fraud 0,13 0 0,03
Tidak-fraud 0,78 0,78 0,85
37 Untuk matriks emisi state, seperti telah dijelaskan sebelumnya bahwa ditambahkan observasi no-atribut untuk menghindarkan probabilitas bernilai 0 dari pembacaan event log. Tabel 3.11 Matriks Emisi State
a1 Fraud 0,1 Semifraud Tidakfraud
no-a1 0,1
0
0,2
0
0,2
Fraud Semifraud Tidakfraud
a2 no-a2 a3 no-a3 0,018 0,181818 0,045455 0,154545 182 0
0,2
0
0,2
0,039 0,160563 0,025352 0,174648 437
a4 no-a4 a5 no-a5 0,018182 0,181818 0,090909 0,109091 0,2
0
0
0,2
0
0,2
0
0,2
Berikut diberikan keterangan mengenai inisial atribut yang digunakan pada matriks emisi. a1 no-a1 a2 no-a2 a3 no-a3 a4 no-a4 a5 no-a5
: skip : no-skip : wrong resource : no-wrong resource : wrong duty : no-wrong duty : wrong throughput time : no-wrong throughput time : wrong decision : no-wrong decision
38 Penggalian Maximum Path per Case Penggalian maximum path per case dilakukan dengan cara mengalikan parameter yang telah diestimasi sebelumnya. Untuk atribut pertama (a1) memiliki elemen pengali khusus, yakni matriks probabilitas awal. Atribut setelahnya mengambil nilai dari probabilitas terbesar dari state pada atribut sebelumnya. Potongan hasil dari pencarian nilai probabilitas atribut pertama seperti ditunjukkan pada Gambar 3.6 berikut.
case ID 1 2 3 4 5 6 7 8 9 10
w.res 0,142901408 0,142901408 0,142901408 0,142901408 0,035098592 0,142901408 0,142901408 0,142901408 0,142901408 0,142901408
state_a1 tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud
Gambar 3.6 Potongan Hasil Probabilitas a1
Potongan hasil dari contoh data ujicoba untuk atribut kedua dan ketiga seperti ditunjukkan pada Gambar 3.7, untuk atribut keempat dan terakhir ditunjukkan pada Gambar 3.8. Nilai probabilitas paling maksimal akan diambil oleh trellis sebagai jalur, sekaligus menjadi hasil hidden state dari observable state, yang dalam kasus ini ialah atribut PBF. Hasil dari masing-masing atribut ini sekaligus menjadi penentu state akhir (status) dari setiap case yang dilakukan iterasi Model Markov Tersembunyi didalamnya.
p 29851 33756 91519 29851 14349 29851 29851 91519 91519 29851
39 time 0,024293239 0,000857408 0,024293239 0,024293239 0,005966761 0,024293239 0,024293239 0,024293239 0,024293239 0,024293239
state_a2 tidak fraud semi fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud
skip 0,004129851 0,000133756 0,000291519 0,004129851 0,001014349 0,004129851 0,004129851 0,000291519 0,000291519 0,004129851
state_a3 tidak fraud tidak fraud fraud tidak fraud tidak fraud tidak fraud tidak fraud fraud fraud tidak fraud
Gambar 3.7 Potongan Hasil Probabilitas a2 dan a3
state_a3 tidak fraud tidak fraud fraud tidak fraud tidak fraud tidak fraud tidak fraud fraud fraud tidak fraud
w.duty 0,000613079 1,98561E-05 3,97123E-05 0,000613079 0,000150581 0,000613079 8,89954E-05 3,97123E-05 3,97123E-05 0,000613079
state_a4 tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud
w.dec 0,000104223 3,37554E-06 6,75108E-06 0,000104223 2,55987E-05 0,000104223 1,51292E-05 6,75108E-06 6,75108E-06 0,000104223
state_a5 tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud tidak fraud
Gambar 3.8 Potongan Hasil Probabilitas a4 dan a5
w.duty 0,000613079 1,98561E-05 3,97123E-05 0,000613079 0,000150581 0,000613079 8,89954E-05 3,97123E-05 3,97123E-05 0,000613079
s ti ti ti ti ti ti ti ti ti ti
40 [halaman ini sengaja dikosongkan]
4. BAB IV ANALISIS DAN PERANCANGAN SISTEM Bab ini membahas mengenai analisis permasalahan dan perancangan sistem untuk pengerjaan Tugas Akhir. Analisis permasalahan membahas permasalahan yang yang diangkat dalam pengerjaan Tugas Akhir. Solusi yang ditawarkan oleh penulis juga dicantumkan pada tahap permasalahan analisis ini. Analisis kebutuhan mencantumkan kebutuhan-kebutuhan yang diperlukan perangkat lunak. Selanjutnya dibahas mengenai perancangan sistem yang dibuat. Perancangan direpresentasikan dengan diagram UML (Unified Modelling Language).
4.1
Analisis Tahap analisis dibagi menjadi beberapa bagian antara lain lingkup permasalahan yang akan diselesaikan, deskripsi umum sistem, kasus penggunaan sistem, dan kebutuhan perangkat lunak. Deskripsi Umum Sistem Perangkat lunak yang akan dibangun dapat menghasilkan metode gabungan untuk menentukan kriteria state fraud menggunakan algoritma yang diusulkan. Adapun data yang diperlukan sebagai masukan yaitu event log hasil pengamatan/ekstraksi kejadian di lapangan. Log kejadian merupakan sekumpulan catatan kejadian di lapangan yang diisikan menurut ketentuan kolom atribut dan baris nomor kasus yang ditentukan. Dalam Tugas Akhir ini, event log disimpan dalam bentuk Microsoft Excel (.xlsx). Gambar 4.1 menjelaskan mengenai alur proses perangkat lunak. Ketika sistem dijalankan, maka akan muncul halaman utama untuk memilih file berformat Microsoft Excel (.xls dan .xlsx) yang berisi data event log tersebut. Setelah pengguna memilih file, maka sistem akan memproses event log serta menentukan matriks-matriks yang diperlukan sebagai tahap persiapan menjalankan metode Model Markov Tersembunyi. 41
42 Selanjutnya pada tahap penentuan matriks, dengan model event log yang disediakan maka matriks yang akan disusun ialah matriks probabilitas awal, matriks transisi antar state, dan matriks emisi/keluaran masing-masing state. Masing-masing matriks yang disusun telah diusulkan pada bab sebelumnya. Hasil akhir dari perangkat lunak ini ialah pengelompokan masing-masing data ke dalam kelas yang ditentukan (fraud, semi-fraud, dan tidak-fraud) dan nilai evaluasi kualitas metode yang diusulkan.
Gambar 4.1 Alur Proses Perangkat Lunak
Kebutuhan Fungsional Sistem Kebutuhan fungsional berisi kebutuhan utama yang harus dipenuhi oleh sistem agar dapat bekerja dengan baik. Kebutuhan fungsional mendefinisikan layanan yang harus disediakan oleh sistem, bagaimana reaksi terhadap masukan, dan hal-hal yang
43 harus dilakukan sistem pada situasi khusus. Daftar kebutuhan fungsional dapat dilihat pada Tabel 4.1. Tabel 4.1 Daftar Kebutuhan Fungsional Perangkat Lunak Kode Kebutuhan Deskripsi Kebutuhan Fungsional Pengguna dapat memasukkan event log dalam bentuk Excel (.xls maupun .xlsx) Memproses yang akan digunakan sebagai data sumber F-01 data training proses training, kemudian melakukan pemrosesan data training sampai dengan menampilkan evaluasi akhir. Pengguna dapat memasukkan event log dalam bentuk Excel (.xls maupun .xlsx) Memproses yang akan digunakan sebagai data sumber F-02 data testing proses testi, kemudian melakukan pemrosesan data testing sampai dengan menampilkan evaluasi akhir.
Kasus Penggunaan Sistem Kasus penggunaan secara umum akan digambarkan oleh salah satu model UML, yaitu diagram kasus penggunaan. Rincian kasus penggunaan berisi spesifikasi kasus penggunaan, diagram aktivitas, dan diagram urutan untuk masing-masing kasus penggunaan. Diagram kasus penggunaan dapat dilihat pada Gambar 4.2. System
Memproses Data Training
Pengguna Memproses Data Testing
Gambar 4.2 Diagram Kasus Penggunaan
44 4.1.3.1
Kasus Penggunaan F-01: Memproses Data Training Pada kasus penggunaan ini, pengguna memilih file event log yang akan diolah oleh sistem sebagai data training. Spesifikasi kasus penggunaan ini dapat dilihat pada Tabel 4.2 dan diagram aktivitas dari kasus pengunaan ini bisa dilihat pada Gambar 4.3. Tabel 4.2 Spesifikasi Kasus Penggunaan Memproses Data Training Memproses data training Nama UC-01 Kode Deskripsi Tipe Pemicu
Aktor Kondisi Awal
Kejadian Normal
Pengguna melakukan pemrosesan terhadap data yang bersifat training Fungsional. Pengguna telah memilih file event log yang akan diolah menjadi training dataset oleh sistem. Pengguna. Parameter data, model HMM belum terbentuk Aliran 1. Pengguna memilih file event log dengan button “browse data training” pada halaman. 2. Sistem menampilkan dialog pengunggahan file. 3. Pengguna memilih salah satu file event log berkestensi .xls/.xlsx. 4. Sistem mengambil path direktori dan memproses file event log ke dalam sistem. 5. Pengguna memilih button “proses data training”. 6. Sistem menjalankan estimasi parameter HMM, pengaturan atribut, dan pengalian/pencarian probabilitas.
45 7.
Kondisi Akhir
Sistem melakukan evaluasi terhadap kualitas metode. 8. Sistem menampilkan hasil evaluasi metode. Data training telah diklasifikasikan, dan nilai evaluasi metode dicetak
Pengguna
Sistem
Memilih file data training
Menampilkan dialog pencarian file
Memilih file data training
Memproses file kedalam sistem
Menjalankan perintah proses file
Melakukan pemrosesan data training
Menampilkan hasil klasifikasi
Menampilkan evaluasi metode
Gambar 4.3 Diagram Aktivitas Memproses Data Training
46 4.1.3.2
Kasus Penggunaan F-02: Memproses Data Testing Pada kasus penggunaan ini, pengguna memilih file event log yang akan diolah oleh sistem sebagai data testing. Spesifikasi kasus penggunaan ini dapat dilihat pada Tabel 4.2 dan diagram aktivitas dari kasus pengunaan ini bisa dilihat pada Gambar 4.4. Tabel 4.3 Spesifikasi Kasus Penggunaan Memproses Data Testing Memproses data testing Nama UC-02 Kode Deskripsi Tipe Pemicu
Aktor Kondisi Awal
Kejadian Normal
Pengguna melakukan pemrosesan terhadap data yang bersifat testing Fungsional. Pengguna telah memilih file event log yang akan diolah menjadi training dataset oleh sistem. Pengguna. Parameter pengali telah ada namun belum terdapat data testing Aliran 1. Pengguna memilih file event log dengan button “browse data testing” pada halaman. 2. Sistem menampilkan dialog pengunggahan file. 3. Pengguna memilih salah satu file event log berkestensi .xls/.xlsx. 4. Sistem mengambil path direktori dan memproses file event log ke dalam sistem. 5. Pengguna memilih button “proses data testing”. 6. Sistem menjalankan pengalian / pencarian probabilitas. 7. Sistem melakukan evaluasi terhadap kualitas metode.
47 8.
Kondisi Akhir
Sistem menampilkan hasil evaluasi metode. Data testing telah diklasifikasikan, dan nilai evaluasi metode dicetak
Pengguna
Memilih file data testing
Memilih file data testing
Menjalankan perintah proses file
Sistem
Menampilkan dialog pencarian file
Memproses file kedalam sistem
Melakukan pemrosesan data testing
Menampilkan hasil klasifikasi
Menampilkan evaluasi metode
Gambar 4.4 Diagram Aktivitas Memproses Data Testing
4.2
Perancangan Sistem Subbab ini akan menjelaskan mengenai analisa dan perancangan perangkat lunak yang dapat menghasilkan data yang
48 telah diklasifikasikan berikut evaluasi metode per datanya, dari input event log. Antarmuka pada perangkat lunak ini merupakan yang utama dan satu-satunya. Antarmuka ini terdiri dari dua bagian, bagian/baris pertama merupakan milik kasus penggunaan UC-01, yakni untuk pemrosesan data training. Sedangkan bagian/baris kedua, terletak dibawah baris pertama, digunakan untuk kasus penggunaan UC-02, pemrosesan data testing. Gambar antarmuka utama ini dapat dilihat pada Gambar 4.5.
Gambar 4.5 Antarmuka Utama Perangkat Lunak
Rincian elemen penyusun antarmuka utama perangkat lunak seperti dijelaskan pada Tabel 4.4. Tabel 4.4 Spesifikasi Elemen pada Antarmuka Utama Nama Objek
Jenis Objek
Tampilan Objek
Fungsionalitas
Label_Title
Label
Deteksi Fraud dengan HMM
Menampilkan judul dari sistem.
Line_Sprt
Line
Memisahkan judul dan label
49
Nama Objek
Jenis Objek
Tampilan Objek
Fungsionalitas langkah pengerjaan Menampilkan keterangan langkah pertama
Label_S1
Label
1.Pilih file training (format .xls atau .xlsx)
Label_S2
Label
2.Proses data training
Menampilkan keterangan langkah kedua
Label_S3
Label
3.Pilih file testing (format .xls atau .xlsx)
Menampilkan keterangan langkah ketiga
Label_S4
Label
4.Proses data testing
Btn_S1
Btn_S2
Btn_S3
Btn_S4
Menampilkan keterangan langkah keempat
Button
Menampilkan dialog untuk memilih file input data training
Button
Melakukan pemrosesan iterasi terhadap data training
Button
Button
Menampilkan dialog untuk memilih file input data testing Melakukan pemrosesan iterasi terhadap data testing
50
Nama Objek
Jenis Objek
Tampilan Objek
Fungsionalitas
Btn_VTrain
Button
Menampilkan data training yang telah diklasifikasi
Btn_VTest
Button
Menampilkan data testing yang telah diklasifikasi
Antarmuka akan mengalami sedikit perubahan setelah dilakukan proses training dan testing. Perubahan setelah dilakukan proses training terutama untuk memenuhi kasus penggunaan UC01. Tampilan antarmuka utama ini setelah proses training dilakukan dapat dilihat pada Gambar 4.6.
51
Gambar 4.6 Antarmuka Utama Perangkat Lunak Setelah Proses Training
Rincian elemen tambahan penyusun antarmuka utama setelah melakukan proses training dijelaskan pada Tabel 4.5 berikut. Tabel 4.5 Spesifikasi Elemen Tambahan Proses Training Nama Objek
Jenis Objek
Table_Tr_C
Tabel
Tampilan Objek
Fungsionalitas
Menampilkan confusion matrix data training.
52
Nama Objek
Jenis Objek
Tampilan Objek
Fungsionalitas
LabRF_Tr
Label
Fraud Riil
Menampilkan judul baris Fraud (riil)
LabRSF_Tr
Label
Semi-fraud Riil
Menampilkan judul baris Semifraud (riil)
LabRTF_Tr
Label
Tidak-fraud Riil
Menampilkan judul baris Tidakfraud (riil)
LabPF_Tr
Label
Fraud Prediksi
Menampilkan judul kolom Fraud (prediksi)
Semi-fraud Prediksi
Menampilkan judul kolom Semi-fraud (prediksi)
Tidak-fraud Prediksi
Menampilkan judul kolom Tidak-fraud (prediksi)
LabPSF_Tr
Label
LabPTF_Tr
Label
Table_Tr_E
Tabel
Acc_Tr
Label
Menampilkan evaluasi training Akurasi Training
Menampilkan judul kolom akurasi (training)
Prec_Tr
Label
Precision Training
Menampilkan judul kolom precision (training)
TPR_Tr
Label
Sensitivitas (TPR) Training
Menampilkan judul kolom
53
Nama Objek
Jenis Objek
Tampilan Objek
Fungsionalitas sensitivitas (training)
TNR_Tr
Label
Spesifisitas (TNR) Training
Menampilkan judul kolom specificity (training)
Selain perubahan disebabkan pemrosesan data training, antarmuka juga akan mengalami perubahan setelah dilakukan pemrosesan data testing. Perubahan setelah proses testing ini untuk memenuhi kasus penggunaan UC-02. Tampilan antarmuka utama ini setelah proses testing ditunjukkan pada Gambar 4.7 berikut.
54
Gambar 4.7 Antarmuka Utama Perangkat Lunak Setelah Proses Testing
Rincian elemen tambahan penyusun antarmuka utama setelah melakukan proses testing dijelaskan pada Tabel 4.6 berikut. Tabel 4.6 Spesifikasi Elemen Tambahan Proses Testing Nama Objek
Jenis Objek
Table_Ts_C
Tabel
Tampilan Objek
Fungsionalitas Menampilkan confusion matrix data testing.
55
Nama Objek
Jenis Objek
Tampilan Objek
Fungsionalitas
LabRF_Ts
Label
Fraud Riil
Menampilkan judul baris Fraud (riil)
LabRSF_Ts
Label
Semi-fraud Riil
Menampilkan judul baris Semifraud (riil)
LabRTF_Ts
Label
Tidak-fraud Riil
Menampilkan judul baris Tidakfraud (riil)
LabPF_Ts
Label
Fraud Prediksi
Menampilkan judul kolom Fraud (prediksi)
Semi-fraud Prediksi
Menampilkan judul kolom Semi-fraud (prediksi)
Tidak-fraud Prediksi
Menampilkan judul kolom Tidak-fraud (prediksi)
LabPSF_Ts
LabPTF_Ts
Label
Label
Menampilkan evaluasi testing
Table_Ts_E
Acc_Ts
Prec_Ts
Label
Label
Akurasi Testing
Menampilkan judul kolom akurasi (testing)
Precision Testing
Menampilkan judul kolom precision (testing)
56
Nama Objek
TPR_Ts
TNR_Ts
Jenis Objek
Tampilan Objek
Fungsionalitas
Label
Sensitivity (TPR) Testing
Menampilkan judul kolom sensitivitiy (testing)
Label
Specificity (TNR) Testing
Menampilkan judul kolom specificity (testing)
5. BAB V IMPLEMENTASI Bab ini membahas tentang implementasi dari metode yang diajukan untuk penyelesaian masalah.
5.1
Lingkungan Implementasi Lingkungan implementasi merupakan lingkungan dimana sistem ini dibangun, dimana akan dijelaskan mengenai kebutuhan perangkat yang diperlukan untuk membangun sistem ini. Lingkungan implementasi dibagi menjadi dua, yaitu lingkungan implementasi terhadap perangkat keras dan lingkungan implementasi terhadap perangkat lunak. Perangkat Keras Implementasi dilakukan pada sebuah Laptop dengan spesifikasi sebagai berikut: Merk : Asus Seri : A450C Processor : Intel Core i3-3217U CPU @ 1.80GHz RAM : 4GB Perangkat Lunak Pengerjaan metode ini tidak dapat dilakukan tanpa bantuan dari beberapa perangkat lunak/kakas bantu sebagai berikut: 1. Sistem Operasi Windows Sistem operasi yang digunakan adalah Microsoft Windows 7 Ultimate 64-bit. 2. Microsoft Office Excel Kakas bantu Microsoft Office Excel digunakan untuk membuat event log dan melakukan analisis dengan menggunakan rumus terkait pengerjaan Tugas Akhir.
57
58 3.
4.
5.
Apache 2.0 (PHP 5.6.24) Kakas bantu Apache versi 2.0 pada lingkungan XAMPP digunakan untuk membuka dan melakukan pengembangan untuk perangkat lunak web berbasis PHP, dimana pada versi Apache ini lingkungan PHP yang terinstal yakni versi 5.6.24. Notepad++ 6.9.2 Kakas bantu perangkat lunak Notepad++ versi 6.9.2 digunakan untuk melakukan pengembangan terhadap kode sumber perangkat lunak (IDE). draw.io Halaman website draw.io digunakan untuk membuat diagram petri net dan diagram-diagram terkait pengerjaan Tugas Akhir.
5.2
Implementasi Proses Pada subbab ini dijelaskan implementasi setiap metode yang dijelaskan pada bab metode pemecahan masalah, sehingga terbentuk suatu susunan metode yang mengimplementasikan metode-metode pada bab metode pemecahan masalah. Implementasi Pembacaan File Input Untuk memulai pengerjaan simulasi metode, maka hal pertama yang diperlukan ialah file input. File input yang dapat diterima memiliki batasan yakni berformat Microsoft Excel (ekstensi .xls atau .xlsx). File event log ini memiliki rincian kolom sebagai berikut: Case ID yang berisi penanda unik masing-masing case; atribut-atribut PBF yang telah dijelaskan pada bab dasar teori, dimana atribut ini berjumlah 10 atribut; dan status yang berisi status hasil adjustment dengan para pakar, yang sekaligus menjadi kondisi riil dari masing-masing case. Kode sumber implementasi pembacaan file input ini seperti ditunjukkan pada Kode Sumber 5.1.
59
Pembacaan File Input Masukan: File event log excel Keluaran:Data yang berhasil dibaca dari file input function readFromExcel($filename) { $inputFileName = $filename; $inputFileType = PHPExcel_IOFactory::identify($inputFileName); $objReader = PHPExcel_IOFactory::createReader($inputFileType); $objReader->setReadDataOnly(true); $objPHPExcel = $objReader->load($inputFileName); $worksheet = $objPHPExcel>getSheetByName('Training'); $data=array(); $lenData=1000; for($col=1; $col<12; $col++) { $nameCol=$worksheet>getCellByColumnAndRow($col, 1)->getValue(); for($row=2; $row<2+$lenData; $row++) { $data[$nameCol][$row2]=$worksheet->getCellByColumnAndRow($col, $row)>getValue(); } } return $data; }
Kode Sumber 5.1 Kode Sumber Pembacaan File Input
Implementasi Pembuatan Matriks Probabilitas Awal Matriks probabilitas awal merupakan salah satu parameter Model Markov Tersembunyi yang harus diinisialisasi di awal pengerjaan metode. Matriks ini secara khusus hanya digunakan sebagai elemen pengali pada atribut pertama (a1) dikarenakan atribut tersebut tidak memiliki kaitan nilai probabilitas yang dihasilkan dari state sebelumnya. Adapun kode sumber implementasi pembuatan matriks probabilitas awal ini seperti ditunjukkan pada Kode Sumber 5.2.
60
Pembuatan Matriks Probabilitas Awal Masukan: data hasil pembacaan file input Keluaran: nilai matriks probabilitas awal $lenData=count($data["Status"]); $f=$sf=$tf=0; for($i=0; $i<$lenData; $i++) { if ($data["Status"][$i]=="FRAUD") $f++; else if ($data["Status"][$i]=="SEMI FRAUD") $sf++; else if ($data["Status"][$i]=="TIDAK FRAUD") $tf++; } $startProb["Fraud"]=$f/$lenData; $startProb["SemiFraud"]=$sf/$lenData; $startProb["TidakFraud"]=$tf/$lenData; return $startProb;
Kode Sumber 5.2 Kode Sumber Matriks Probabilitas Awal
Implementasi Pembuatan Matriks Transisi Matriks transisi antar state merupakan salah satu parameter Model Markov Tersembunyi yang harus diinisialisasi di awal pengerjaan metode. Matriks ini digunakan pada elemen atribut observasi setelah atribut pertama (a2, a3, dst.). Untuk menanggapi peluang transisi antar state yang berbeda untuk setiap atribut, maka matriks transisi dibedakan menurut transisi antar atribut. Contohnya, matriks transisi state a2-a3 tentu berbeda dengan matriks transisi state a3-a4. Implementasi pembuatan matriks transisi ini seperti ditunjukkan pada Kode Sumber 5.3. Pembuatan Matriks Transisi Masukan: data hasil pembacaan file input Keluaran: nilai matriks transisi tiap transisi atribut $countTransition=array(); $transition=array(); for($state=1; $state<10; $state++) { $countTransition[$state]["f_tf"] =$countTransition[$state]["f_sf"] =$countTransition[$state]["f_f"] =0;
61
$countTransition[$state]["sf_tf"]=$countTransition[ $state]["sf_sf"]=$countTransition[$state]["sf_f"]=0; $countTransition[$state]["tf_tf"]=$countTransition[ $state]["tf_sf"]=$countTransition[$state]["tf_f"]=0; for($i=0; $i<$lenData; $i++) { if($dataFsFtF[$seqState[$state1]][$i]=="FRAUD" && $dataFsFtF[$seqState[$state]][$i]=="FRAUD") $countTransition[$state]["f_f"]++; else if($dataFsFtF[$seqState[$state1]][$i]=="FRAUD" && $dataFsFtF[$seqState[$state]][$i]=="SEMI FRAUD") $countTransition[$state]["f_sf"]++; else if($dataFsFtF[$seqState[$state1]][$i]=="FRAUD" && $dataFsFtF[$seqState[$state]][$i]=="TIDAK FRAUD") $countTransition[$state]["f_tf"]++; else if($dataFsFtF[$seqState[$state1]][$i]=="SEMI FRAUD" && $dataFsFtF[$seqState[$state]][$i]=="FRAUD") $countTransition[$state]["sf_f"]++; else if($dataFsFtF[$seqState[$state1]][$i]=="SEMI FRAUD" && $dataFsFtF[$seqState[$state]][$i]=="SEMI FRAUD") $countTransition[$state]["sf_sf"]++; else if($dataFsFtF[$seqState[$state1]][$i]=="SEMI FRAUD" && $dataFsFtF[$seqState[$state]][$i]=="TIDAK FRAUD") $countTransition[$state]["sf_tf"]++; else if($dataFsFtF[$seqState[$state1]][$i]=="TIDAK FRAUD" && $dataFsFtF[$seqState[$state]][$i]=="FRAUD") $countTransition[$state]["tf_f"]++; else if($dataFsFtF[$seqState[$state1]][$i]=="TIDAK FRAUD" && $dataFsFtF[$seqState[$state]][$i]=="SEMI FRAUD") $countTransition[$state]["tf_sf"]++; else if($dataFsFtF[$seqState[$state1]][$i]=="TIDAK FRAUD" && $dataFsFtF[$seqState[$state]][$i]=="TIDAK FRAUD") $countTransition[$state]["tf_tf"]++; } $transition[$state]["f_f"] =($countTransition[$state]["f_f"]+1)/($countTransition[$ state]["f_f"]+$countTransition[$state]["f_sf"]+$countTra nsition[$state]["f_tf"]+3);
62 $transition[$state]["f_sf"] =($countTransition[$state]["f_sf"]+1)/($countTransition[ $state]["f_f"]+$countTransition[$state]["f_sf"]+$countTr ansition[$state]["f_tf"]+3); $transition[$state]["f_tf"] =($countTransition[$state]["f_tf"]+1)/($countTransition[ $state]["f_f"]+$countTransition[$state]["f_sf"]+$countTr ansition[$state]["f_tf"]+3); $transition[$state]["sf_f"] =($countTransition[$state]["sf_f"]+1)/($countTransition[ $state]["sf_f"]+$countTransition[$state]["sf_sf"]+$count Transition[$state]["sf_tf"]+3); $transition[$state]["sf_sf"]=($countTransition[$sta te]["sf_sf"]+1)/($countTransition[$state]["sf_f"]+$count Transition[$state]["sf_sf"]+$countTransition[$state]["sf _tf"]+3); $transition[$state]["sf_tf"]=($countTransition[$sta te]["sf_tf"]+1)/($countTransition[$state]["sf_f"]+$count Transition[$state]["sf_sf"]+$countTransition[$state]["sf _tf"]+3); $transition[$state]["tf_f"] =($countTransition[$state]["tf_f"]+1)/($countTransition[ $state]["tf_f"]+$countTransition[$state]["tf_sf"]+$count Transition[$state]["tf_tf"]+3); $transition[$state]["tf_sf"]=($countTransition[$sta te]["tf_sf"]+1)/($countTransition[$state]["tf_f"]+$count Transition[$state]["tf_sf"]+$countTransition[$state]["tf _tf"]+3); $transition[$state]["tf_tf"]=($countTransition[$sta te]["tf_tf"]+1)/($countTransition[$state]["tf_f"]+$count Transition[$state]["tf_sf"]+$countTransition[$state]["tf _tf"]+3); } return $transition;
Kode Sumber 5.3 Kode Sumber Pembuatan Matriks Transisi
Implementasi Pembuatan Matriks Emisi Matriks emisi state merupakan salah satu parameter Model Markov Tersembunyi yang harus diinisialisasi di awal pengerjaan metode. Matriks emisi merupakan matriks berisi nilai keluaran/output untuk masing-masing atribut yang menyebabkan terjadinya state. Kode Sumber 5.4.
63 Pembuatan Matriks Emisi Masukan: data hasil pembacaan file input Keluaran: nilai matriks emisi $lenData=count($data["Status"]); //count emission $countEmission=array(); $emission=array(); for($state=0; $state<10; $state++) { $countEmission[$state]["Yes_tf"]=$countEmission[$st ate]["Yes_sf"]=$countEmission[$state]["Yes_f"]=0; $countEmission[$state]["No_tf"]=$countEmission[$sta te]["No_sf"]=$countEmission[$state]["No_f"]=0; for($i=0; $i<$lenData; $i++) { if($data[$seqState[$state]][$i]>0) { if($data["Status"][$i]=="FRAUD") $countEmission[$state]["Yes_f"]++; else if($data["Status"][$i]=="SEMI FRAUD") $countEmission[$state]["Yes_sf"]++; else if($data["Status"][$i]=="TIDAK FRAUD") $countEmission[$state]["Yes_tf"]++; } else { if($data["Status"][$i]=="FRAUD") $countEmission[$state]["No_f"]++; else if($data["Status"][$i]=="SEMI FRAUD") $countEmission[$state]["No_sf"]++; else if($data["Status"][$i]=="TIDAK FRAUD") $countEmission[$state]["No_tf"]++; } } $emission[$state]["Yes_f"] =($countEmission[$state]["Yes_f"])/($countEmission[$state] ["Yes_f"]+$countEmission[$state]["No_f"]); $emission[$state]["No_f"] =($countEmission[$state]["No_f"])/($countEmission[$state][ "Yes_f"]+$countEmission[$state]["No_f"]);
64
$emission[$state]["Yes_sf"]=($countEmission[$state] ["Yes_sf"])/($countEmission[$state]["Yes_sf"]+$countEmissi on[$state]["No_sf"]); $emission[$state]["No_sf"] =($countEmission[$state]["No_sf"])/($countEmission[$state] ["Yes_sf"]+$countEmission[$state]["No_sf"]); $emission[$state]["Yes_tf"]=($countEmission[$state] ["Yes_tf"])/($countEmission[$state]["Yes_tf"]+$countEmissi on[$state]["No_tf"]); $emission[$state]["No_tf"] =($countEmission[$state]["No_tf"])/($countEmission[$state] ["Yes_tf"]+$countEmission[$state]["No_tf"]); } return $emission;
Kode Sumber 5.4 Kode Sumber Pembuatan Matriks Emisi
Implementasi Pemrosesan Parameter HMM Setelah dilakukan estimasi parameter menggunakan algoritma Baum-Welch, selanjutnya dilakukan pemrosesan parameter yang telah diinisialisasi tersebut. Pemrosesan ini juga mencakup penggunaan algoritma Viterbi untuk menemukan maximum path dari setiap atribut, yang berguna untuk memunculkan hasil hidden state-nya. Pemrosesan ini juga akan mengisi confusion matrix yang berguna untuk melakukan evaluasi kinerja metode yang diusulkan. Kode Sumber 5.5 menunjukkan implementasi pemrosesan dari metode ini. Pemrosesan Parameter HMM Masukan: parameter HMM yang telah diinisialisasi sebelumnya Keluaran: klasifikasi data dan evaluasi metode if($data[$seqState[$state]][$i]>0) { $probFraud=$startProb["Fraud"]*$emission[$state]["Y es_f"]; $probSemiFraud=$startProb["SemiFraud"]*$emission[$s tate]["Yes_sf"]; $probTidakFraud=$startProb["TidakFraud"]*$emission[ $state]["Yes_tf"];
65 } else { $probFraud=$startProb["Fraud"]*$emission[$state]["N o_f"]; $probSemiFraud=$startProb["SemiFraud"]*$emission[$s tate]["No_sf"]; $probTidakFraud=$startProb["TidakFraud"]*$emission[ $state]["No_tf"]; } $prob=max($probFraud,$probSemiFraud,$probTidakFraud ); if($prob==$probFraud) {$status="FRAUD"; $countFraud++;} else if($prob==$probSemiFraud) {$status="SEMI FRAUD"; $countSemiFraud++;} else if($prob==$probTidakFraud) {$status="TIDAK FRAUD"; $countTidakFraud++;} for($state=1; $state<10; $state++) { if($status=="FRAUD") { if($data[$seqState[$state]][$i]>0) { $probFraud=$prob*$emission[$state]["Yes_f"]*$transi tion[$state]["f_f"]; $probSemiFraud=$prob*$emission[$state]["Yes_sf"]*$t ransition[$state]["f_sf"]; $probTidakFraud=$prob*$emission[$state]["Yes_tf"]*$ transition[$state]["f_tf"]; } else { $probFraud=$prob*$emission[$state]["No_f"]*$transit ion[$state]["f_f"]; $probSemiFraud=$prob*$emission[$state]["No_sf"]*$tr ansition[$state]["f_sf"];
66
$probTidakFraud=$prob*$emission[$state]["No_tf"]*$t ransition[$state]["f_tf"]; } } else if($status=="SEMI FRAUD") { if($data[$seqState[$state]][$i]>0) { $probFraud=$prob*$emission[$state]["Yes_f"]*$transi tion[$state]["sf_f"]; $probSemiFraud=$prob*$emission[$state]["Yes_sf"]*$t ransition[$state]["sf_sf"]; $probTidakFraud=$prob*$emission[$state]["Yes_tf"]*$ transition[$state]["sf_tf"]; } else { $probFraud=$prob*$emission[$state]["No_f"]*$transit ion[$state]["sf_f"]; $probSemiFraud=$prob*$emission[$state]["No_sf"]*$tr ansition[$state]["sf_sf"]; $probTidakFraud=$prob*$emission[$state]["No_tf"]*$t ransition[$state]["sf_tf"]; } } else if($status=="TIDAK FRAUD") { if($data[$seqState[$state]][$i]>0) { $probFraud=$prob*$emission[$state]["Yes_f"]*$transi tion[$state]["tf_f"]; $probSemiFraud=$prob*$emission[$state]["Yes_sf"]*$t ransition[$state]["tf_sf"]; $probTidakFraud=$prob*$emission[$state]["Yes_tf"]*$ transition[$state]["tf_tf"]; } else
67 { $probFraud=$prob*$emission[$state]["No_f"]*$transit ion[$state]["tf_f"]; $probSemiFraud=$prob*$emission[$state]["No_sf"]*$tr ansition[$state]["tf_sf"]; $probTidakFraud=$prob*$emission[$state]["No_tf"]*$t ransition[$state]["tf_tf"]; } } $prob=max($probFraud,$probSemiFraud,$probTidakFraud ); if($prob==$probFraud) {$status="FRAUD"; $countFraud++;} else if($prob==$probSemiFraud) {$status="SEMI FRAUD"; $countSemiFraud++;} else if($prob==$probTidakFraud) {$status="TIDAK FRAUD"; $countTidakFraud++;} }
Kode Sumber 5.5 Kode Sumber Pemrosesan Parameter HMM
5.3
Implementasi Antar Muka Implementasi tampilan antarmuka pengguna. Berikut ini akan dijelaskan mengenai implementasi tampilan antarmuka pengguna yang terdapat pada perangkat lunak. Antarmuka pada perangkat lunak ini bersifat yang utama dan satu-satunya tampilan antarmuka yang akan menyambut pengguna dalam meluncurkan simulasi metode Model Markov Tersembunyi ini. Antarmuka ini juga akan menampilkan confusion matrix dan disertai dengan evaluasi kualitas metode pada proses training dan testing. Tampilan antarmuka utama pada waktu pertama kali dibuka seperti ditunjukkan pada Gambar 5.1 berikut.
68
Gambar 5.1 Tampilan Antarmuka Utama Perangkat Lunak
Pada antarmuka utama ini berisi judul utama yang menunjukkan kegunaan perangkat lunak ini, beserta beberapa label sesuai nomor urut langkah pengerjaan metode dan button/tombol untuk melakukan eksekusi perintah yang telah dijelaskan pada label berurutan tersebut. Dibawah tiap masing-masing bagian (training dan testing) terdapat tabel yang merepresentasikan confusion matrix masing-masing proses beserta nilai evaluasi kualitas metode untuk tiap data dalam persen. Representasi confusion matrix dan evaluasi metode akan disembunyikan sampai pengguna melakukan pemrosesan terhadap data input (dengan cara memilih button “proses data training/testing”). Perancangannya sebagaimana dijelaskan pada subbab 4.2, yakni perancangan sistem antarmuka utama.
6. BAB VI PENGUJIAN DAN EVALUASI Bab ini membahas hasil dan pembahasan pada aplikasi yang dikembangkan. Pada bab ini akan dijelaskan tentang data yang digunakan, hasil yang didapatkan dari penggunaan perangkat lunak dan uji coba yang dilakukan pada perangkat lunak yang telah dikerjakan untuk menguji apakah fungsionalitas aplikasi telah diimplementasikan dengan benar dan berjalan sebagaimana mestinya.
6.1
Lingkungan Uji Coba Lingkungan uji coba menjelaskan lingkungan yang digunakan untuk menguji implementasi pembuatan sistem pada tugas akhir ini. Lingkungan uji coba meliputi perangkat keras dan perangkat lunak yang dijelaskan sebagai berikut: 1. Perangkat keras a. Prosesor: Intel® Core™ i3-3217U CPU @ 1.80GHz b. Memori (RAM): 4 GB c. Tipe sistem: 64-bit operating system 2. Perangkat lunak a. Sistem operasi: Windows 7 Ultimate b. Bahasa pemrograman: HTML dan PHP 5.6.24 c. Kakas bantu: Microsoft Excel, Apache 2.0, Notepad++ 6.9.2
6.2
Data Studi Kasus Bab ini membahas mengenai studi kasus dan data masukan awal beserta seluruh syarat kelengkapan data masukan tersebut. Rincian Data Event Log Yang pertama kali dilakukan untuk tahapan uji coba adalah pembuatan dan memasukkan data event log. Untuk jenis event log yang digunakan harus mengandung informasi sebagai berikut:
69
70
Case ID Case ID merupakan identitas unik pada setiap kasus dalam event log. Sepuluh atribut PBF, masing-masing sebagaimana telah dijelaskan pada bab dasar teori, dan rincian akronim yang digunakan pada kolom teratas data sebagai berikut: 1. skipseq: skip sequence 2. skipdec: skip decision 3. Tmin: wrong throughput time-minimum 4. Tmax: wrong throughput time-maximum 5. wResource: wrong resource 6. wDutySeq: wrong duty sequence 7. wDutyDec: wrong duty decision 8. wDutyCombine: wrong duty combine 9. wPattern: wrong pattern 10. wDecision: wrong decision
Data masukan yang digunakan dalam pengerjaan ini memiliki ekstensi Microsoft Excel worksheet (.xls atau .xlsx). SOP dari data ujicoba yang akan digunakan seperti pada Gambar 6.1 berikut. Sedangkan data hasil pengembangan/generate dari SOP (berupa data yang telah diproses menjadi nilai frekuensi saja) dilampirkan pada Lampiran A untuk data training, dan Lampiran B untuk data testing. Batasan file input yang dapat diterima oleh perangkat lunak ini selain format ekstensi file yang telah ditentukan ialah susunan kolom yang diharapkan sesuai dengan susunan kolom contoh. Batasan lainnya yakni terdapat kolom status yang berisi status awal dari tiap case (klasifikasi awal) yang nantinya berguna sebagai perbandingan dengan hasil prediksi metode yang diusulkan. Potongan bentuk data input untuk memberi gambaran sekilas pada pengguna seperti ditunjukkan pada Gambar 6.2 berikut.
Gambar 6.1 Diagram Workflow SOP Peminjaman Kredit di Bank
71
72 case ID
skipseq 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
skipdec 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
timemin timemax wres 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
wdseq 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
wddec 0 0 0 0 0 0 0 0 0 0 0 12 12 0 0 0 0 0 0 0
wdcom 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0
0 0 0 0 0 6 0 0 0 0 0 0 7 0 0 0 0 0 0 0
wpattern wdec 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Gambar 6.2 Contoh Atribut Fraud untuk Data Masukan
Model proses bisnis yang digunakan pada pengerjaan Tugas Akhir ini merupakan studi kasus prosedur peminjaman hutang oleh sebuah bank, dengan beberapa aktivitas sequence dan decision. Rincian kode aktivitas, nama aktivitas, dan jenis aktivitas dalam satu case ditunjukkan pada Tabel 6.1. Tabel 6.1 Rincian Aktivitas Proses Bisnis
Aktivitas 1 2 3 4 5 6 7 8 9 10 11
Deskripsi receive_application give_info check_completeness check_SID collateral_document check_loan_type collateral_office collateral_verification_locate collateral_local_government collateral_government complete_verification
Jenis Sequence Sequence Decision Decision Sequence Decision Sequence Sequence Sequence Sequence Decision
73 Aktivitas 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Deskripsi plafond_estimation document_validation check_overrate decision_leader decision_director loan_decision loan_reject document_verification_adm plafond_estimation_adm make_validation check_plafond leader_otorization director_otorization loan_drawdone
Jenis Sequence Sequence Decision Sequence Sequence Decision Sequence Sequence Sequence Decision Decision Sequence Sequence Sequence
Adjustment Dengan Label Pakar Persebaran lokasi case bersifat fraud maupun semi-fraud terhadap dataset menggunakan distribusi uniform [5]. Untuk dataset ini, telah didefinisikan juga aturan pakar yang memberikan label klasifikasi terhadap tiap-tiap case. Adapun aturan pakar yang dimaksud ialah sebagai berikut: 1. Case yang mengandung pelanggaran berupa skip sequence, skip decision maupun wrong decision dipastikan merupakan case yang fraud. 2. Case yang mengandung pelanggaran wrong resource dan wrong duty secara bersamaan dipastikan merupakan case yang fraud. Label adjustment dengan pakar ini kemudian digunakan sebagai penentu nilai riil dari setiap case dalam event log inputan, yang akan diuji kebenaran prediksinya dengan metode iterasi Model Markov Tersembunyi yang diajukan.
74 Model Persebaran Data Data uji yang digunakan dalam Tugas Akhir terdapat dua jenis data uji. Data uji pertama berlaku sebagai dataset training berjumlah 1000 (seribu) case. Data uji kedua berlaku sebagai dataset testing berjumlah 200 (dua ratus) case yang memiliki kelengkapan seperti data uji pertama. Untuk persebaran data dengan ketiga kelas state yang berbeda, ditunjukkan oleh Tabel 6.2 berikut. Tabel 6.2 Frekuensi Persebaran Jenis Data
Fraud Semi-fraud Tidak-fraud
Data Training 20 14 966
Data Testing 5 3 192
6.3
Pengujian Fungsionalitas Pengujian pada sistem ini mengacu pada pengujian Blackbox untuk menguji apakah fungsionalitas sistem telah berjalan sebagaimana mestinya. Pengujian mengacu pada setiap fitur yang telah diimplementasikan. Berdasarkan perancangan antarmuka pada bab sebelumnya, maka pengujian fungsionalitas dibagi ke dalam dua bagian besar, sebagai berikut. Memasukkan Data Input (Training/Testing) Pengujian ini merupakan pengujian terhadap kemampuan perangkat lunak untuk mengunggah data input ke dalam sesi perangkat lunak, tentunya setelah memilih file mana yang hendak diinput. Tabel 6.3 berisi rincian pengujian fitur ini, dan Gambar 6.3 merupakan ilustrasi pengujian fitur ini. Batasan yang dimiliki dalam pengujian ini ialah file yang dapat dipilih memiliki ekstensi Microsoft Excel worksheet (.xls atau .xlsx).
Nama Kode
Tabel 6.3 Pengujian Memasukkan Data Input Pengujian Memasukkan Data Input FT-01
75 Referensi Kasus Penggunaan Tujuan Pengujian Skenario Kondisi awal Data Uji
Langkah Pengujian
F-01, F-02 Menguji fitur memasukkan data input, baik untuk file training maupun testing Penguna memilih data masukan berupa event log berformat Excel dan sistem akan menyimpan data masukan tersebut. Sistem menampilkan halaman utama. Data uji menggunakan file event log peminjaman kredit yang berada di direktori komputer. 1. Pengguna memilih data event log dan sistem menampilkan direktori komputer. 2. Pengguna memilih file data event log.
Hasil Yang Diharapkan
Sistem mampu mengenali file dengan benar.
Hasil Yang Didapatkan
File dikenali dengan baik dan disimpan dalam sistem.
Hasil Pengujian
Berhasil.
Kondisi Akhir
Tampilan nama data event log.
76
Gambar 6.3 Sistem Menampilkan Dialog Pencarian File
Pemrosesan Data Input (Training/Testing) Pengujian ini dilakukan setelah pengujian pertama berhasil. Pengujian pemrosesan data input bertujuan untuk mencoba apakah fungsi yang dipasangkan ke dalam kode sumber perangkat lunak berjalan dengan baik atau tidak. Tabel 6.4 berisi rincian pengujian fitur ini, dan Gambar 6.4 merupakan ilustrasi pengujian fitur ini.
Nama
Tabel 6.4 Pengujian Pemrosesan Data Input Pengujian Pemrosesan Data Input
Kode Referensi Kasus Penggunaan Tujuan Pengujian
FT-02 F-01, F-02 Menguji fitur pemrosesan data input yang telah dipilih pengguna, berikut hasil evaluasi metodenya
77
Skenario
Penguna memilih button “proses data” dan sistem akan melakukan pemrosesan terhadap data tersebut.
Kondisi awal
Sistem menampilkan halaman utama.
Data Uji
Langkah Pengujian
Data uji menggunakan file event log peminjaman kredit yang berada di direktori komputer. 1. Pengguna memilih button “proses data” pada antarmuka utama. 2. Sistem melakukan pemrosesan (estimasi parameter dan pencarian path). 3. Sistem menampilkan hasil evaluasi metode untuk masing-masing data.
Hasil Yang Diharapkan
Sistem mampu mengenali file yang benar dan mencetak nilai evaluasi metode.
Hasil Yang Didapatkan
File dikenali dengan baik dan sistem menampilkan hasil evaluasi kualitas metode.
Hasil Pengujian
Berhasil.
Kondisi Akhir
Tampilan akurasi, precision, dan recall.
Gambar 6.4 Sistem Menampilkan Evaluasi Kualitas Training
Gambar 6.5 Sistem Menampilkan Evaluasi Kualitas Testing
78 Menampilkan File Hasil Prediksi (Training/Testing) Pengujian ini merupakan uji fitur yang menampilkan file input pada pengujian pertama, yang telah diklasifikasi (dan diujicoba) pada pengujian kedua. Tabel 6.5 berisi rincian pengujian fitur ini, dan Gambar 6.5 merupakan ilustrasi pengujian fitur ini.
Nama
Tabel 6.5 Pengujian Menampilkan Hasil Prediksi Pengujian Menampilkan File Hasil Prediksi
Kode Referensi Kasus Penggunaan
FT-03 F-01, F-02
Skenario
Menguji fitur menampilkan hasil klasifikasi menggunakan metode yang diusulkan Penguna memilih button “tampilkan data” dan sistem akan menampilkan data hasil prediksi.
Kondisi awal
Sistem menampilkan halaman utama.
Tujuan Pengujian
Data Uji
Langkah Pengujian
Data uji menggunakan file event log peminjaman kredit yang berada di direktori komputer. 1. Pengguna memilih button “tampilkan data” pada antarmuka utama. 2. Sistem menampilkan data hasil prediksi.
Hasil Yang Diharapkan
Sistem mampu menampilkan data hasil prediksi metode.
Hasil Yang Didapatkan
Data hasil klasifikasi ditampilkan secara baik oleh sistem.
Hasil Pengujian
Berhasil.
Kondisi Akhir
Tampilan worksheet diprediksi.
data
yang
telah
79
Gambar 6.6 Sistem Menampilkan Data Hasil Prediksi Training
Gambar 6.7 Sistem Menampilkan Data Hasil Prediksi Testing
6.4
Pengujian Kebenaran Prediksi Data Pengujian kebenaran prediksi data sebenarnya memiliki hubungan yang tampak untuk pengukuran evaluasi kualitas metode. Penggunaan confusion matrix akan membantu menampilkan kebenaran antara data hasil prediksi dengan data riil yang menjadi inputan. Hubungan yang dimaksudkan antara uji kebenaran prediksi dengan evaluasi kualitas metode, yaitu dari confusion matrix bentukan uji ini maka perhitungan masingmasing kriteria evaluasi kualitas dapat dilakukan dengan lebih cepat. Confusion matrix yang digunakan dalam uji kebenaran prediksi memiliki ukuran 3x3 dikarenakan terdapat kelas tengah (semi-fraud), sebagaimana ditunjukkan pada Tabel 6.6 untuk data training, dan Tabel 6.7 untuk data testing.
80
Tabel 6.6 Confusion Matrix Data Training Prediksi SemiTidakFraud fraud fraud 18 0 2 Fraud Riil
Riil
Semi-fraud
0
8
6
Tidak-fraud
0
4
962
Tabel 6.7 Confusion Matrix Data Testing Prediksi SemiFraud fraud 5 0 Fraud
Tidakfraud 0
Semi-fraud
0
2
1
Tidak-fraud
0
1
191
6.5
Evaluasi Kualitas Metode Evaluasi kualitas metode diperlukan untuk menghitung ketepatan metode yang diajukan dalam melakukan pendeteksian fraud. Evaluasi ini dimudahkan oleh confusion matrix bentukan uji prediksi data sebelumnya. Adapun aspek yang mewakili evaluasi kualitas antara lain tingkat akurasi, precision, sensitivitas (TPR), dan spesifisitas (TNR). Tabel 6.8 menunjukkan confusion matrix bentukan prediksi dari input file training, dan Tabel 6.9 menunjukkan confusion matrix bentukan prediksi dari data testing. Tabel 6.8 Evaluasi Kualitas Proses Training
Akurasi Training
Precision Training
98,8%
86,666667%
Sensitivitas (TPR) Training 76,470588%
Spesifisitas (TNR) Training 99,585921%
81 Tabel 6.9 Evaluasi Kualitas Proses Testing
6.6
Akurasi Testing
Precision Testing
99%
87,5%
Sensitivitas (TPR) Testing 87,5%
Spesifisitas (TNR) Testing 99,479167%
Perbandingan Hasil Evaluasi Dengan Evaluasi Metode Sebelumnya Dari nilai evaluasi metode yang dihasilkan pada pembahasan sebelumnya dapat disimpulkan bahwa metode ini bekerja dengan baik untuk melakukan prediksi, yang dapat dinilai dengan kesalahan pelabelan prediksi berfrekuensi kecil, maksimal 1 per kasus false detection (pada data testing). Metode ini, sebagaimana telah dihipotesakan dari awal, akan disandingkan hasil evaluasi kualitas metodenya dengan metode lain yang telah dilakukan sebelumnya, disertai dengan kelemahan dari metode sebelumnya yang berhasil diperbaiki oleh metode Model Markov Tersembunyi ini. Confusion matrix yang telah dibentuk oleh metode lain menjadi dasar dari perbandingan nilai evaluasi kualitas metode ini dengan metode sebelumnya. Adapun metode yang menjadi perbandingan ialah metode klasifikasi menggunakan Multi-Level Class Association Rule Language (ML-CARL) [18], Hybrid Neural Network (HNN) [19], dan Naive Bayes (NB) [20]. Perbandingan false detection seperti ditunjukkan pada Tabel 6.10 berikut, dengan HMM (Hidden Markov Model = Model Markov Tersembunyi) diberikan shading berwarna oranye sebagai penanda metode yang diajukan pada pengerjaan Tugas Akhir ini, dan shading berwarna hijau diberikan pada frekuensi nilai yang lebih kecil (lebih baik) dari deteksi yang dilakukan metode Model Markov Tersembunyi.
82 Tabel 6.10 Perbandingan False Detection Tiap Metode
Metode NB HNN ML-CARL HMM
False Positive 2 0 0 0
False Semi Positive 13 0 1 1
False Negative 1 2 1 1
Perbandingan persentase evaluasi kualitas metode dari ketiga aspek yang menjadi tolok ukur, yakni akurasi, sensitivitas (TPR), dan spesifisitas (TNR) seperti ditunjukkan pada Tabel 6.11 berikut. Tabel 6.11 Perbandingan Evaluasi Kualitas Metode
Metode NB HNN ML-CARL HMM
Akurasi 92% 99% 99% 99%
Sensitivitias (TPR) 80% 71% 100% 87,5%
Spesifisitas (TNR) 92% 100% 99% 99,479167%
Dari perbandingan false detection dan evaluasi kualitas metode yang telah ditunjukkan dapat dilihat bahwa metode yang paling menyamai (dalam hal evaluasi akhir) metode yang diajukan pada pengerjaan Tugas Akhir ini ialah ML-CARL, dengan nilai sensitivitias yang lebih baik, namun dengan drawback nilai spesifisitas yang sedikit dibawah metode yang diajukan. Adapun Hybrid Neural Network memiliki specificity yag lebih baik dibandingkan metode Model Markov Tersembunyi, dikarenakan jumlah False Semi Positive yang tidak ada sama sekali, namun dengan drawback jumlah False Semi Negative yang lebih banyak dibandingkan metode yang diusulkan. Sedangkan metode Naive Bayes, telah disebutkan pada evaluasinya bahwa memerlukan data uji yang lebih variatif, dengan komposisi kelas yang sama, untuk dapat melakukan prediksi yang
83 lebih baik [20]. Kekurangan ini dapat ditutupi oleh metode Model Markov Tersembunyi, yang dapat langsung menyusun matriks probabilitas sekalipun data uji/simulasi input memiliki rasio kelas yang tidak sebanding. Hal ini disebabkan simulasi menyerupai dunia nyata, dimana kecenderungan terjadi fraud amat kecil dibandingkan kejadian tidak fraud/sesuai dengan SOP.
84 [halaman ini sengaja dikosongkan]
7. BAB VII KESIMPULAN DAN SARAN Pada bab ini akan diberikan kesimpulan yang diambil selama pengerjaan Tugas Akhir serta saran-saran tentang pengembangan yang dapat dilakukan terhadap Tugas Akhir ini di masa yang akan datang.
7.1
Kesimpulan Dari hasil pengamatan selama proses perancangan, implementasi, dan pengujian yang dilakukan, maka dapat ditarik kesimpulan sebagai berikut: 1. Algoritma yang diusulkan dapat mendeteksi fraud pada proses bisnis dengan memanfaatkan Model Markov Tersembunyi. 2. Penggunaan algoritma Baum-Welch yang dimodifikasi sangat berperan dalam melakukan estimasi parameter yang akan digunakan metode Model Markov Tersembunyi. 3. Setelah keseluruhan parameter penyusun Model Markov Tersembunyi berhasil digali, algoritma Viterbi membantu memilih jalur/path dengan probabilitas paling maksimal sebagai kemungkinan yang paling pasti ditempuh. 4. Evaluasi kualitas yang dilakukan yakni evaluasi akurasi, precision, sensitivitas (TPR), dan spesifisitas (TNR) metode. 5. Nilai evaluasi yang dihasilkan oleh metode ini (pada proses training) ialah sebesar 99% untuk akurasi, 87,5% untuk precision, 87,5% untuk TPR, dan 99,4% untuk TNR. 6. Hasil keluaran dari sistem yang dibangun berupa data yang telah diklasifikasi menurut prediksi dan nilai evaluasi kualitas dengan poin-poin yang telah disebutkan sebelumnya.
85
86
7.2
Saran Berikut merupakan beberapa saran untuk pengembangan metode di masa mendatang. Saran-saran ini didasarkan pada hasil perancangan, implementasi dan pengujian yang telah dilakukan. 1. Peningkatan kemampuan metode Model Markov Tersembunyi ini, yakni dengan cara pemberian informasi mengenai atribut menurut kelas nyata masing-masing. 2. Menambahkan thresholding bobot atribut, dan memberikan nilai toleransi yang lebih baik dalam menjaring potensi fraud. 3. Mengembangkan penggunaan Model Markov Tersembunyi berganda (Coupled Hidden Markov Model: CHMM) untuk peningkatan evaluasi dan deteksi lebih baik.
87
DAFTAR PUSTAKA Z. Ghahramani, “An Introduction to Hidden Markov Models and Bayesian Networks,” International Journal of Pattern Recognition and Artificial Intelligence. 15(1):9-42, pp. 9-42, 2001. [2] A. Srivastava, A. Kundu, S. Sural dan A. K. Majumdar, “Credit Card Fraud Detection Using Hidden Markov Model,” IEEE TRANSACTIONS ON DEPENDABLE AND SECURE COMPUTING, vol. 5, no. 1, pp. 37-49, 2008. [3] S. S. Mhamane dan L. Lobo, “Use of Hidden Markov Model as Internet Banking Fraud Detection,” International Journal of Computer Applications (0975 - 8887), vol. 45, no. 21, pp. 5-10, 2012. [4] J. Cousins dan T. Stewart, “What is Business Process Design and Why Should I Care?,” RivCom Ltd., 2002. [5] R. Sarno, R. D. Dewandono, T. Ahmad, M. F. Naufal dan F. Sinaga, “Hybrid Association Rule Learning and Process Mining for Fraud Detection,” IAENG International Journal of Computer Science, 42:2, vol. 42, no. 2, pp. 59-72, 2015. [6] R. Levy, “Hidden Markov Model inference with the Viterbi algorithm: a mini-example,” University of California, San Diego, Winter 2009. [7] L. S. Moss, “Example of The Baum-Welch Algorithm,” Indiana University, Bloomington, Spring 2008. [8] G. A. Fink, Markov Models for Pattern Recognition: From Theory to Applications, Dortmund: Springer, 2008. [9] S. Huda, R. Sarno dan T. Ahmad, “Fuzzy MADM Approach for Rating of Process-Based Fraud,” Journal of ICT Research and Applications, Institut Teknologi Bandung, vol. 9, no. 2, pp. 111-128, 2015. [10] R. Routledge, “Bayes’s theorem | Definition & Example | Britannica.com,” ©2016 Encyclopædia Britannica, Inc., 11 [1]
88
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
Januari 2013. [Online]. Available: https://www.britannica.com/topic/Bayess-theorem. [Diakses 7 Juni 2016]. D. Jurafsky dan J. H. Martin, “Speech and Language Processing,” dalam Chapter 8: Hidden Markov Model, Prentice Hall, 2014, pp. 1-21. A. Tenyakov, “Estimation of Hidden Markov Models and Their Applications in Finance,” Electronic Thesis and Dissertation Repository, Western University, Ontario, 2014. E. Britannica, “Markov Process,” Encyclopædia Britannica Online, 2016. [Online]. Available: http://www.britannica.com/topic/Markov-process. [Diakses 12 Juni 2016]. W. M. P. van der Aalst, Process Mining: Discovery, Conformance and Enhancement of Business Processes, Eindhoven: Springer, 2011. D. School, “Simple guide to confusion matrix terminology,” © 2016 Data School, 26 Maret 2014. [Online]. Available: http://www.dataschool.io/simpleguide-to-confusion-matrix-terminology/. [Diakses 8 Juni 2016]. H. Hamilton, “Confusion Matrix,” Computer Science 831 Homepage, 8 Juni 2012. [Online]. Available: http://www2.cs.uregina.ca/~dbd/cs831/notes/confusion_m atrix/confusion_matrix.html. [Diakses 10 Juni 2016]. K. Ganesan, “Text Mining, Analytics & More: Computing Precision and Recall for Multi-Class Classification Problems,” Oktober 2014. [Online]. Available: http://textanalytics101.rxnlp.com/2014/10/computing-precision-andrecall-for.html. [Diakses Oktober 2016]. F. P. Sinaga dan R. Sarno, Pendeteksian Anomali Pada Proses Bisnis Menggunakan Penggalian Proses Dan
89 Penggalian Association Rule Yang Dikembangkan, Surabaya: Teknik Informatika ITS, 2015. [19] N. W. Ummah, R. Sarno dan A. Munif, Implementasi Hybrid Neural Network dan Proses Mining Untuk Mendeteksi Kecurangan Pada Proses Bisnis, Surabaya: Teknik Informatika ITS, 2016. [20] A. Larasati, R. Sarno dan A. Munif, Deteksi Anomali pada Proses Bisnis Menggunakan Metode Multi Criteria Decision Making Weighted Sum Method (MCDM WSM) dan Naive Bayes, Surabaya: Teknik Informatika ITS, 2015.
90 [halaman ini sengaja dikosongkan]
LAMPIRAN A Rincian dataset input untuk proses training beserta hasil prediksi dari pemrosesan training (Keterangan: F=Fraud; SF=Semi Fraud; TF=Tidak Fraud)
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 12 11 0 0 0 0 0 0 0 11 10 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 6 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 15 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
91
92
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
93
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 3 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
94
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122
0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 9 0 0 0 0
0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 3 0 0 15 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 5 0 0 0
0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
95
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0
0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
96
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 20 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 10 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
97
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218
0 0 0 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 20 0 0 0 0 0 17 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 2 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF TF TF TF TF TF SF TF TF TF TF TF
TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
98
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 7 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF F TF TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF F TF TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
99
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 14 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
100
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
14 0 3 0 13 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0
0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF
101
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 18
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5
0 0 0 0 0 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 7 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F
TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
102
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378
0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 7 0 0 0 0 0 0 0 0 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 0
0 0 0 0 0 0 13 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 14 0 0 0 0 9 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF F TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
103
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 8 12 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
104
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442
0 0 0 0 0 0 0 0 0 0 0 0 0 0 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12 0 0
0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6
0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
105
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
106
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506
10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 15 0 0 0 0 0 0 0 0
0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 14 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF
F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF
107
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
108
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570
0 0 0 0 0 0 0 13 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 9 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0
0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 5
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF F TF TF TF TF TF TF
TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF F TF TF TF TF TF TF
109
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 8 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF
110
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 18 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
3 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
111
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 8 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0
0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
112
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
113
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 12 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 3 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12 0 0 0 0 0
0 0 3 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 2 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 7 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
114
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762
0 0 0 0 0 0 0 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
115
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 13 0 0 0 0 0 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 4 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF F TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF F TF TF TF TF TF TF TF TF TF TF TF TF TF
116
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13 0
0 3 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 3 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
117
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 13 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 2 0 1 0 0 0 0 0 0 0 0 2 0 0 5 0 0 0 0 0
0 0 0 0 2 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF
118
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6
0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
119
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922
0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 17 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 11
0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF SF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
120
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954
0 0 0 0 0 0 0 0 0 0 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 2 0 0 0 0 0 0 10 0 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 14 0 0 0 0 0 20 15 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF SF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF
121
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 12 0 0 0 0 0 0 0 0 0 0 0 0
0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 9 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
122
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
987 988 989 990 991 992 993 994 995 996 997 998 999 1000
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 12 0 0 1 0 0 0
0 0 13 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
2 0 0 0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF
LAMPIRAN B Rincian dataset input untuk proses testing beserta hasil prediksi dari pemrosesan testing (Keterangan: F=Fraud; SF=Semi Fraud; TF=Tidak Fraud)
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 10 0 0 0 0 0 0 0 0 0 10 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8 0 0 0
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 18 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
123
124
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 15 0 0 0 0 0 0 0 0 0
0 0 0 12 0 0 0 13 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10
3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 4 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF
125
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89
0 0 0 0 12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 12 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
126
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19 0 0
0 17 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 10
0 0 0 0 0 11 0 0 0 0 0 0 0 0 0 0 0 0 0 10 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 4 0 0 0 0 6 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF TF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF TF TF
127
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153
0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 6 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 14 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF SF TF TF TF
TF TF TF TF TF TF F TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
128
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 14 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 14 0 0 0 0 0 0
0 0 0 0 0 0 0 0 8 13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 9 0 0 0
0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0
0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF SF TF
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF F TF TF TF TF SF TF
129
Case
SkipSeq
SkipDec
Tmin
Tmax
wResource
wDutySeq
wDutyDec
wDutyCom
wPattern
wDecision
Status
Prediksi
186 187 188 189 190 191 192 193 194 195 196 197 198 199 200
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 11 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 2 0 0 0 9 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 6 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
TF TF TF TF TF TF TF TF TF TF TF TF TF TF TF
TF TF TF TF TF TF TF TF TF TF SF TF TF TF TF
130 [halaman ini sengaja dikosongkan]
DAFTAR ISTILAH activity Merupakan bagian dari case yang merupakan sub proses dalam pembuatan suatu barang atau dalam suatu proses tertentu. accuracy Merupakan evaluasi kualitas metode dengan cara membagi antara hasil penemuan oleh metode dengan hasil sesungguhnya yang diharapkan Bayesian Network Bentuk graf berarah yang tidak berkesinambungan/tidak memiliki siklus (lihat DAG) case Suatu kasus tertentu yang ada pada event log. Kasus tertentu tersebut dapat berupa suatu kasus dalam memproduksi suatu barang tertentu, karena event log dapat terdiri dari catatan dari proses eksekusi pembuatan banyak barang atau proses eksekusi dari banyak kasus proses Directed Acyclic Graph (DAG) Sebuah bentuk graf berarah yang tidak memiliki siklus/daur ulang kembali terhadap aktivitas sebelumnya, merupakan bentuk keluaran umum metode Bayesian Network event log Suatu set proses eksekusi yang mengambil dari data aktivitas proses bisnis yang dilakukan dalam konteks tertentu. fraud Bentuk anomali/kecurangan yang didapati dalam kejadian faktual Hidden Markov Model (HMM) Metode stokastik berganda yang memiliki dua tingkat hirarki state, observable dan hidden hidden state Objek tersembunyi, merupakan kesatuan hirarki state dari metode Model Markov Tersembunyi yang memerlukan observasi sebelum diketahui 131
132
initial probability Nilai peluang/kemungkinan awal dari sebuah proses observable state Objek tampak, untuk dilakukan observasi/pengamatan terhadapnya, kesatuan hirarki state dari metode Model Markov Tersembunyi yang menghasilkan nilai terhadap hidden state pattern Pola tertentu yang bersifat unik, digunakan untuk melakukan identifikasi terhadap suatu kejadian spesifik precision Merupakan kriteria evaluasi ahsil pembagian dari hasil prediksi bersifat positif dengan keseluruhan kondisi positif dan negatif total dari metode Process-based Fraud (PBF) Kecurangan/anomali yang terjadi pada proses bisnis process mining Teknik yang dapat digunakan untuk mendapatkan model sesungguhnya dari proses bisnis yang terjadi dalam sebuah sistem informasi berdasarkan data yang berasal dari event log. proses bisnis Sekumpulan aktivitas yang dibuat untuk menghasilkan keluaran spesifik dengan tujuan tertentu. resource Istilah lain untuk menyebutkan sumber daya, baik manusia maupun bentuk lainnya Sequence Urutan/tatanan utuh dari sebuah kasus, terdiri dari beberapa aktivitas penyusun di dalamnya Standard Operational Procedure (SOP) Data awal yang baku, menjadi penentu kualitas kasus yang terjadi selanjutnya, yang berusaha memiliki kesamaan dengannya
133
threshold Nilai ambang batas/toleransi yang diberikan sebelum sebuah data memasuki kelas yang lain dari kelas yang seharusnya dilabelkan pada data tersebut. transitional probability Nilai peluang/kemungkinan perpindahan dari sebuah status menuju status selanjutnya True Negative Rate (TNR) Disebut juga evaluasi spesifisitas, yang memberikan nilai perbandingan antara kondisi negatif yang berhasil ditemukan oleh pengerjaan metode dengan kondisi negatif total True Positive Rate (TPR) Disebut juga evaluasi sensitivitas, yang memberikan nilai perbandingan antara kondisi positif yang berhasil ditemukan oleh pengerjaan metode dengan kondisi positif total
134 [halaman ini sengaja dikosongkan]
BIODATA PENULIS Andrean Hutama Koosasi lahir 22 tahun yang lalu di Surabaya, Jawa Timur, 29 April 1994 dan dibesarkan di Surabaya. Anak pertama dari dua bersaudara ini menempuh pendidikan mulai dari SD Kristen Petra 9 Surabaya (2000-2006), SMP Kristen Petra 5 Surabaya (2006-2009) dan SMA Kristen Petra 5 Surabaya (20092012). Seusai pendidikan sekolah menengah, penulis melanjutkan jenjang pendidikan tinggi tingkatan Strata 1 (S1) pada jurusan Teknik Informatika ITS (2012-2016). Dalam rangka menyelesaikan pendidikan S1, penulis mengambil rumpun mata kuliah (RMK) Manajemen Informasi. Penulis memiliki ketertarikan di bidang Manajemen Basis Data, Process Mining, Tata Kelola Teknologi Informasi, dan Audit Sistem. Untuk komunikasi, penulis dapat dihubungi melalui surat elektronik:
[email protected].
135
