IMPLEMENTASI METODE BAYESIAN NETWORK DALAM MENENTUKAN KLASIFIKASI RASA RAMBUTAN BERBASIS WEB Timbo Faritcan Parlaungan S *1, Asep Galih Miftah F

Jurnal Teknologi Informasi dan Komunikasi STMIK Subang, April 2013

ISSN: 2252-4517

IMPLEMENTASI METODE BAYESIAN NETWORK DALAM MENENTUKAN KLASIFIKASI RASA RAMBUTAN BERBASIS WEB Timbo Faritcan Parlaungan S*1, Asep Galih Miftah F. #2 Program Studi Manjemen Informatika, STMIK Subang Jl. Marsinu No. 5 - Subang, Tlp. 0206-417853 Fax. 0206-411873 E-mail: [email protected]*1, [email protected]#2

ABSTRAKSI Berbagai jenis dan macam tanaman dan buah yang ada di negara indonesia kita ini. Salah satunya yaitu tanaman dan buah rambutan. Ternyata tanaman dan buah rambutan yang ada di indonesia tidak hanya satu jenis . banyak jenis-jenis tanaman dan buah rambutan yang ada di indonesia. Jenis –jenis buah rambutan yang ada di indonesia salah satunya yaitu : binjai, aceh, cimacan, rapiah, dan lain-lain. Rasa rambutan yang berada di indonesia itu bermacam-macam, tidak ada yang bisa menjamin rasanya manis. Berdasarkan permasalahan diatas muncul ide untuk aplikasi sistem dalam menentukan rasa rambutan. Tujuannya untuk membantu masyarakat dalam memilih rambutan yang sesuai dengan keinginanya. Metode yang digunakan adalah metode bayesian network. Sebuah algoritma untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Aplikasi ini difokuskan pada pembuatan aplikasi sistem pendukung keputusan yang menggunakan bahasa pemrograman PHP dan DBMS MySql. Penelitian ini menghasilkan sebuah aplikasi untuk mengimplementasikan metode bayesian dalam menentukan rasa rambutan yang digunakan untuk mengetahui nilai kedekatan rasa rambutan antara kasus yang lama dengan kasus yang baru. Proses penentuan solusi menggunakan metode bayesian dengan menentukan k=1, yaitu data paling mirip akan menjadi kandidat solusi pada implementasi tingkat konsumsi produk member. Kata Kunci : Rambutan, Bayesian Network, PHP, MySQL 1. Pendahuluan 1.1. Latar Belakang Berbagai jenis dan macam tanaman dan buah yang ada di negara indonesia kita ini. Salah satunya yaitu tanaman dan buah rambutan. Ternyata tanaman dan buah rambutan yang ada di indonesia tidak hanya satu jenis . banyak jenis-jenis tanaman dan buah rambutan yang ada di indonesia. Jenis –jenis buah rambutan yang ada di indonesia salah satunya yaitu : binjai, aceh, cimacan, rapiah, dan lain-lain Tanaman dan buah rambutan tersebar di penjuru indonesia. Salah satunya berada di kota subang jawa barat. Jenis-jenis buah rambutan yang saya sebutkan di atas itu buah rambutan yang berada di daerah subang jawa barat. Walaupun jenis-jenis buah rambutan yang ada di subang bukan asli dari subang sendiri tapi banyak sekali tanaman rambutan yang ada di subang. Rasa rambutan yang di atas itu ada yang manis, asrep, manis masam, kecut. Rasa-rasa rambutan yang telah di sebutkan di atas di pengaruhi oleh beberapa faktor. Yaitu : warna kulit, busuk dan layu tidaknya, ada hama daun tidaknya, penyakit, dan musim

1


ISSN: 2252-4517

1.2. Identifikasi Masalah Berdasarkan latar belakang diatas penulis dapat mengidentifikasi beberapa permasalahan yaitu 1. Untuk mencoba mengatasi permasalahan yang di sebutkan di atas 2. Di perlukanya informasi tentang rasa rambutan 3. Diharapkan bisa membantu masyarakat dalam mengetahui rasa rambutan 1.3. Tujuan Tujuan yang diperoleh dari penelitian ini adalah membuat aplikasi implementasi metode bayesian dalam menentukan klasifikasi rasa rambutan. 1.4. Manfaat Manfaat yang ingin dicapai adalah: - Dapat membantu masyarakat dalam menentukan rasa rambutan - Untuk meminmalisir kesalahan dalam menentukan rasa rambutan . 1.5. Metodologi Penelitian Metode penelitian yang akan digunakan dalam pembuatan sistem penentu keputusan ini adalah metode prancangan perangkat lunak Waterfall. Pengembangan metode Waterfall sendiri melalui beberapa tahapan yaitu - Penelitian Lapangan (Field Research), kegiatan yang dilakukan adalah turun kelapangan untuk mendapatkan data dan informasi - Penelitian Kepustakaan (Library Research), Penelitian ini bertujuan untuk mendapatkan data yang bersifat teori seperti mengumpulkan buku-buku atau bahan lainnya. - Observasi, Observasi yang dilakukan penulis adalah mengamati secara langsung data yang diperoleh. - Analisis Perangkat Lunak, Kegiatan analisis perangkat lunak meliputi analisis spesifikasi perangkat lunak yang akan digunakan sebagai alat bantu penelitian. - Perancangan Perangkat Lunak, Perancangan perangkat lunak meliputi perancangan keras dan perancangann antarmuka dari hasil analisis. - Implementasi Perangkat Lunak, Implementasi dari hasil analisis dan perancangan perangkat lunak. - Pengujian Perangkat Lunak, Pengujian terhadap perangkat lunak yang telah diimplementasikan. 2. Tinjauan Pustaka 2.1. Bayesian Klasifikasi merupakan sebuah tugas dasar untuk menganalisa data dan pengenalan pola yang membutuhkan sebuah model klasifikasi, yaitu suatu fungsi atau model yang dapat memberikan label kelas berdasarkan atribut-atribut pada suatu data. Salah satu teknik yang dapat digunakan untuk membangun model klasifikasi adalah Bayesian . (Han, 2006). Bayesian network adalah sebuah “directed acyclic graph” (DAG) dengan sebuah table probabilitas untuk setiap node. Node yang terdapat pada Bayesian network merupakan representasi variable proporsional dalam suatu domain dan garis menunjukan hubungan ketergantungan diantara variabelvariabel. Dalam hal kaitannya dengan basis data, pada Bayesian network node merupakan representasi dari atribut-atribut table yang ada pada basis data. Bayesian netwok dapat digunakan menghitung probabilitas keanggotaan dari suatu kelas. Dengan begitu Bayesian network dapat dikatakan sebagai salah satu penerapan metode klkasifikasi pada fungsi prediktif pada teknologi data mining. Menurut Han (2006,p317). 2


ISSN: 2252-4517

Terdapat beberapa definisi BN (Bayesian Network): - Menurut Heckerman, BN merupakan suatu graf yang digunakan untuk menggambarkan hubungan probabilitas diantara himpunan variable. - Menurut Nir Friedman, BN merupakan suatu model yang berbasis graf dari joint multivariate probability distribution yang menggambarkan conditional independencediantara variable. 2.2. Data Mining Menurut Han (2006,p5) Data Mining mengacu pada proses untuk menambang (mining) pengetahuan dari sekumpulan data yang sangat. Sebenarnya data mining merupakan suatu langkah dalam knowledge discovery in database (KDD). Knowledge discovery sebagai suatu proses terdiri atas pembersihan data (data cleaning), integrasi data (data integration), pemilihan data (data selection), transformasi data (data transformation), data mining, evaluasi pola (pattern evaluation) dan penyajian pengetahuan (knowlodge presentation). Data mining muncul berdasarkan fakta bahwa pertumbuhan data yang sangat pesat, tetapi miskin dengan pengetahuan. Alasan memilih data mining dibanding analisis data secara tradisional adalah : 1. Data mining mampu menangani jumlah data kecil sampai data yang berukuran terabyte, 2. Mampu menangani data yang mempunyai banyak dimensi, yaitu puluhan sampai ribuan dimensi, 3. Mampu menangani data dengan kompleksitas yang tinggi, misalnya data stream, data sensor, data spasial, teks, data web, dan lain-lain. Arsitektur utama dari sebuah sistem data mining, pada umumnya mengandung unsur-unsur sebagai berikut : 1. Database, Datawarehouse, atau media penyimpanan informasi. Media dalam hal ini bisa jadi berupa database, datawarehouse, spreadsheets, atau jenis-jenis penampungan informasi lainnya. Data cleaning dan Data integration dapat dilakukan pada data tersebut. 2. Database atau Datawarehouse server. Database atau Datawarehouse server bertanggung jawab untuk menyediakan data yang relevan berdasarkan permintaan dari user pengguna data mining. 3. Data mining engine. Bagian dari program aplikasi yang menjalankan program berdasarkan algoritma yang ada. 4. Pattern evaluation module. Bagian dari program aplikasi yang berfungsi untuk menemukan pattern atau pola-pola yang terdapat didalam database yang diolah sehingga nantinya proses data mining dapat menemukan kwonlodge yang sesuai. 5. Graphical user interface. Bagian ini merupakan saran antara user dan sistem data mining untuk berkomunikasi dimana user dapat berinteraksi dengan sistem melalui data mining query, untuk menyediakan informasi yang dapat membantu dalam pencarian kwonlodge. Lebih jauh lagi bagian ini mengijinkan user untuk melakukan browsing pada database atau datawarehouse, mengevaluasi pattern yang telah dihasilkan, dan menampilkan pattern tersebut dengan tampilan yang berbeda-beda. Data mining mempunyai potensi diterapkan untuk keperluan analisis data dan pengambilan keputusan. Data mining terdiri dari dua fungsi utama yaitu fungsi prediktif dan deskriptif. Menurut Han (2006,p21) fungsi prediktif menyediakan aturan-aturan global yang dapat diaplikasikan terhadap basis data. Aplikasi yang dimaksud meliputi prediksi suatu variable tertentu jika diketahui suatu informasi pendukung. Sedangkan fungsi deskriptif bertujuan untuk menyediakan deskripsi dari data sumber yang tersedia. Deskripsi tersebut disediakan dalam bentuk ringkasan padat yang memberikan informasi berupa cluster, keterhubungan, asosiasi maupun bentuk-bentuk lainnya. Metode Bayesian Network dapat digunakan baik untuk fingsi deskriptif maupun prediktif. Fungsi deskriptif misalnya menganalisa keterhubungan yang terdapat diantara data sehingga terlihat variable mana yang saling mempengaruhi. 3


ISSN: 2252-4517

Sedangkan fungsi prediktif Bayesian Network dapat digunakan untuk melakukan klasifikasi, klasifikasi merupakan salah satu metode untuk data mining dimana akan dijelaskan pada sub bab berikutnya. Fungsionalitas dari tugas data mining adalah untuk menemukan pola/tingkah laku dari suatu dataset yang diamati. Untuk itu dalam tugas data mining ada beberapa metode yang dipakai untuk melakukan tugas data mining, yaitu diantaranya aturan asosiasi, klasifikasi, dan analisa cluster. 2.3. Aturan Asosiasi Menurut Han (2006,p23) aturan asosiasi (Association Rule) atau disebut juga dengan Association Analysis adalah metode data mining untuk mencari aturan hubungan yang menunjukan kondisi didalam satu set data, dimana beberapa atribut nilai akan muncul secara bersamaan. Metode ini lebih banyak digunakan untuk analisa data transaksi atau “market basket analysis”. 2.4. Klasifikasi Menurut Han (2006,p24) klasifikasi (classification) adalah metode data mining yang dapat digunakan untuk proses pencarian sekumpulan model (fungsi) yang dapat menjelaskan dan membedakan kelas-kelas data atau konsep yang tujuannya supaya model tersebut dapat digunakan memprediksi objek kelas yang labelnya tidak diketahui atau dapat memprediksi kecenderungan data-data yang akan muncul dimasa depan. Metode klasifikasi juga bertujuan untuk melakukan pemetaan data kedalam kelas yang sudah didefinisikan sebelumnya berdasarkan pada nilai atribut data Menurut Han (2006,p29) secara umum, klasifikasi data pada data mining merupakan proses yang terdiri dari dua tahap. Pada tahap pertama yaitu learning, sebuah model dibuat untuk menggambarkan himpunan kelas atau konsep data yang telah ditentukan sebelumnya. Model tersebut dibangun dengan menganalisa record-record pada basis data yang digambarkan dalam bentuk atribut. Setiap record diasumsikan masuk ke dalam suatu kelas yang telah ditentukan/diketahui sebelumnya, yang dinamakan atribut kelas. Record data yang dianalisis untuk membangun model dinamakan training data set. Setiap record yang menyusun training set disebut sebagai training sample dan secara acak dipilih dari populasi sample. Karena nama atribut kelas diketahui, langkah ini juga dikenal dengan nama supervised learning, yaitu proses pembelajaran dimana terdapat pengetahuan pada kelas mana seharusnya tiap training sample berada. Model yang dihasilkan dapar berbentuk aturan klasifikasi, decision tree, atau rumus matematis. Proses learning ini ditunjukan pada Gambar 2.1. Pada langkah kedua, model yang sudah dibangun digunakan untuk klasifikasi. Pertama-pertama, dihitung prediksi keakuratan model. Apabila nilai akrasinya menunjukkan bahwa model dapat diterima, maka model yang dapat digunakan untuk mengklasifikasi record data yang lain dimana nama kelas tidak diketahui. 2.5. Analisis Cluster Menurut Han (2006, p25) pengelompokan atau disebut dengan clustering adalah suatu proses pengelompokan data-data kedalam kelas yang disebut clusters, yang dimaksud dengan cluster adalah sebuah koleksi objek data yang mirip, yang berada pada satu cluster tetapi berbeda dengan koleksi data yang lain yang berada pada cluster yang berbeda. Ukuran dari persamaan dan perbedaan dari objek data diukur dari nilai atribut yang mendeskripsikan objek data tersebut. Aplikasi data clustering analysis banyak digunakan pada aplikasi seperti analisis data, pengolahan citra, dan riset pemasaran. Walaupun clustering menggunakan kelas-kelas membedakan objek data atau dengan objek data lain, namun clustering berbeda dengan klasifikasi. Perbedaan terdapat pada proses identifikasi/penentuan kelas-kelas data tersebut. Jika pada klasifikasi, kelas data sudah ditentukan sebelum model dihasilkan, sedangkan pada clustering kelas-kelas data diketahui setelah model dihasilkan. 4


ISSN: 2252-4517

2.6. Casual Network Menurut Jansen (2007, p47) Casual Network merupakan suatu konsep yang erat kaitannya dengan Bayesian Network. Casual network merupakan graf yang mempresentasikan hubungan diantara event. Suatu casual network terdiri dari himpunan variable. Secara matematis, strukturnya disebut directed graph. Variable mempresentasikan event dan sebuah variable dapat memiliki sejumlah status. Contoh variable adalah warna dari sebuah mobil (statusnya merah, biru, kuning, coklat), atau jumlah child dalam satu keluarga (statusnya 0, 1, 2, 3, 4, >5). 2.7. Aturan Transmisi Evidence Pada casual network, sebuah variable merepresentasikan suatu himpunan dari dari status hubungan yang mungkin. Casual Networkdapat digunakan untuk menelusuri bagaimana suatu perubahan tingkat kepercayaan pada satu variable dapat mengubah tingkat kepercayaan lainnya, yang merupakan salah satu karakteristik utama permasalahan reasoning. Terdapat beberapa aturan transmisi evidence pada persoalan casual network, yaitu serial, divergen dan konvergen. Menurut Jansen (2007, p48).

3. Analisa 3.1 Perhitungan Nilai Jarak Untuk implementasi algoritma Bayesian terdapat tabel-tabel untuk menunjang perhitungan nilai jarak yang terdekat, tabel-tabel tersebut dapat dilihat di bawah ini: Tabel 1 Data Kasus Lama No Jenis Warna Warna Layu Rasa kasus rambutan kulit rambut lama 1 Binjai Merah Merah Iya Asrep 2 Binjai Kuning Merah Iya Asrep 3 Binjai Hijau Hijau Tidak Asrep 4 Binjai Kuning Hijau Tidak Kecut 5 Binjai Merah tua Merah Tidak Manis 6 Aceh Kuning Hijau Tidak Manis 7 Aceh Merah Kuning Tidak Manis 8 Aceh Merah tua Kuning Iya Asrep 9 Aceh Hijau Hijau Tidak Kecut 10 Aceh Merah tua Merah Iya Manis 11 Cimacan Merah tua Merah Iya Kecut 12 Cimacan Hijau Hijau Tidak Kecut 13 Cimacan Merah tua Merah Iya Asrep 14 Cimacan Kuning Hijau Tidak Kecut 15 Cimacan Merah Hijau Tidak Manis 16 Rapiah Hijau Kuning Tidak Manis 17 Rapiah Kuning Kuning Iya Kecut 18 Rapiah Merah Hijau Tidak Manis 19 Rapiah Merah tua Merah Iya Asrep 20 Rapiah Kuning Hijau Tidak Kecut 5


No data 1 2 3 4 Id Parameter Jn1 Jn2 Jn3 Jn4 Jn5 Jn6 Jn7 Jn8 Jn9 Jna Jnb Jnc Wk1 Wk2 Wk3 Wk4 Wk5 Wk6 Wk7 Wk8 Wk9 Wkc Wkb Wka Wr1 Wr2 Wr3 Wr4 Wr5 Wr6

ISSN: 2252-4517

Tabel 2 Data Atribut Nama data Nilai data Manis 7 Asrep 6 Kecut 7 Jumlah data 20 Tabel 3 Data Parameter Nama Parameter Binjai Binjai Binjai Aceh Aceh Aceh Cimacan Cimacan Cimacan Rapiah Rapiah Rapiah Kulit merah tua Kulit merah tua Kulit merah tua Kulit merah Kulit merah Kulit merah Kulit kuning Kulit kuning Kulit kuning Kulit hijau Kulit hijau Kulit hijau Rambut merah Rambut merah Rambut merah Rambut kuning Rambut kuning Rambut kuning

Tabel 4 Data Jenis Rambutan Id rambutan Nama rambutan Binjai Binjai Aceh Aceh Rapiah Rapiah 6

Rasa Manis Asrep Kecut Manis Asrep Kecut Manis Asrep Kecut Manis Asrep Kecut Manis Asrep Kecut Manis Asrep Kecut Manis Asrep Kecut Kecut Asrep Manis Manis Asrep Kecut Manis Asrep Kecut


ISSN: 2252-4517

Tabel 5 Data Layu Id layu Layu Y Iya T Tidak Tabel 6 Data Warna Kulit Id kulit Warna kulit Merah tua Merah tua Merah Merah Kuning Kuning Hijau Hijau Tabel 7 Data Warna Rambut Id rambut Warna rambut Merah Merah Kuning Kuning Hijau Hijau 3.2 Perhitungan Kemiripan Kasus Dengan Kasus Lama. Untuk mencari nilai jarak yang terdekat antara kasus baru dan kasus lama, dapat dihitung menggunakan dengan rumus algoritma Bayesian sebagai berikut :

𝑷(𝑯|𝑿) =

𝑷(𝑿|𝑯)𝑷(𝑯) 𝑷(𝑿)

Untuk memprediksi apakah rasa yang dipilih itu sesuai atau tidak, dapat dilakukan cara menghitung kedekatan kasus baru dengan kasus lama. Jika rasa rambutan binjai baru memiliki rasa asrep, maka dilakukan menghitung kedekatan kasus baru dengan nomor kasus lama binjai1, binjai2, binjai3, binjai4,dan binjai5. Jika rasa rambutan aceh baru memiliki rasa manis, maka dilakukan menghitung kedekatan kasus baru dengan nomor kasus lama aceh1, aceh2, aceh3, aceh4,dan aceh5. Jika rasa rambutan baru memiliki rasa kecut, maka dilakukan menghitung kedekatan kasus baru dengan nomor kasus lama rapiah1, rapiah2, rapiah3, rapiah4,dan rapiah5. Jika rasa rambutan cimacan baru asrep, maka dilakukan menghitung kedekatan kasus baru dengan nomor kasus lama Terdapat kasus baru dengan nilai atribut sebagai berikut: Jenis rambutan : binjai Warna kulit : kulit merah Warna rambut : rambut hijau Layu : iya Untuk memprediksi apakah rambutan tersebut manis atau tidak rasanya, dapat dilakukan langkahlangkah sebagai berikut : kasus- 1

7


ISSN: 2252-4517

Diketahui: A:kedekatan nilai atribut jenis rambutan ( Rapiah dengan Rapiah):1 B:bobot atribut jenis rambutan :0,5 C:kedekatan nilai atribut warna ( merah dengan kuning) : 1 D:bobot atribut warna:1 E:kedekatan nilai atribut musim (hujan dengan hujan) : 1 F:bobot atribut musim : 0,75 G:kedekatan nilai atribut busuk (tidak dan tidak ) : 1 H : bobot atribut busuk : 0,5 I : Kedekatan nilai atribut layu ( tidak dan tidak ) : 1 J : bobot atribut layu : 0,3 K : Kedekatan nilai atribut hama pada daun (tidak dan tidak ) : 1 L : bobot atribut hama pada daun : 0,4 M : Kedekatan nilai atribut penyakit (tidak dan tidak ) : 1 N : bobot atribut penyakit : 0,5 Dapat dihitung: Jarak = (A*B)+(C*D)+ (E*F)+(G*H)+ (I*J)+(K*L)+ (M*N) B+D+F+H+J+L+N Jarak = (1*0,5)+(1*1)+ (1*0,75)+(1*0,5)+ (1*0,3)+(1*0,4)+ (1*0,5) = 0,5+1+0,75+0,5+0,3+0,4+0,5 Jarak = 0,5+0,4+0,75+0,5+0,3+0,4+0,5 = 3,35 3,95 Jarak = 0,8

3,95

Untuk memprediksi apakah buah rambutan tersebut manis atau tidak, dapat dilakukan langkahlangkah sebagai berikut : kasus- 2 Diketahui : A:kedekatan nilai atribut jenis rambutan ( Rapiah dengan binjai) : 0,5 B:bobot atribut jenis rambutan : 0,5 C:kedekatan nilai atribut warna ( kuning dengan merahtua) : 0,4 D:bobot atribut warna : 1 E:kedekatan nilai atribut musim (hujan dengan kemarau) : 0,75 F:bobot atribut musim : 0,75 G:kedekatan nilai atribut busuk (tidak dan tidak ) : 1 H : bobot atribut busuk : 0,5 I : Kedekatan nilai atribut layu ( tidak dan tidak) : 1 J : bobot atribut layu : 0,3 K : Kedekatan nilai atribut hama pada daun (tidak dan tidak) : 1 L : bobot atribut hama pada daun : 0,4 M : Kedekatan nilai atribut penyakit (tidak dan busuk) : 0,4 N : bobot atribut penyakit : 0,5

8


ISSN: 2252-4517

Dapat dihitung: Jarak = (A*B)+(C*D)+ (E*F)+(G*H)+ (I*J)+(K*L)+ (M*N) B+D+F+H+J+L+N Jarak = (0,5*0,5)+(0,4*1)+ (0,75*0,75)+(1*0,5)+ (1*0,3)+(1*0,4)+ (0,4*0,5) = 0,5+1+0,75+0,5+0,3+0,4+0,5 Jarak = 0,25+0,4+0,5625+0,5+0,3+0,4+0,5 = 3,95 Jarak = 2,61 3,95 Jarak = 0,6 Untuk memprediksi apakah buah rambutan tersebut manis atau tidak, dapat dilakukan langkahlangkah sebagai berikut : kasus-3 Diketahui: A:kedekatan nilai atribut jenis rambutan (rapiah dengan aceh) : 0,5 B:bobot atribut jenis rambutan : 0,5 C:kedekatan nilai atribut warna ( kuning dengan kuning) : 1 D:bobot atribut warna : 1 E:kedekatan nilai atribut musim (hujan dengan hujan) : 1 F:bobot atribut musim : 0,75 G:kedekatan nilai atribut busuk (tidak dan tidak ) : 1 H : bobot atribut busuk : 0,5 I : Kedekatan nilai atribut layu ( tidak dan tidak ) : 1 J : bobot atribut layu : 0,3 K : Kedekatan nilai atribut hama pada daun (tidak dan tidak ) : 1 L : bobot atribut hama pada daun : 0,4 M : Kedekatan nilai atribut penyakit (tidak dan tidak) : 1 N : bobot atribut penyakit : 0,5 Dapat dihitung: Jarak = (A*B)+(C*D)+ (E*F)+(G*H)+ (I*J)+(K*L)+ (M*N) B+D+F+H+J+L+N Jarak = (0,5*0,5)+(1*1)+ (1*0,75)+(1*0,5)+ (1*0,3)+(1*0,4)+ (1*0,5) = 0,5+1+0,75+0,5+0,3+0,4+0,5 Jarak = 0,25+1+0,5625+0,5+0,3+0,4+0,5 = 2,9125 3,95 Jarak = 0,9

3,95

Untuk memprediksi apakah buah rambutan tersebut manis atau tidak, dapat dilakukan langkahlangkah sebagai berikut : kasus-4 Diketahui: A:kedekatan nilai atribut jenis rambutan (rapiah dengan cimacan) : 0,5 B:bobot atribut jenis rambutan : 0,5 9


ISSN: 2252-4517

C:kedekatan nilai atribut warna ( kuning dengan merahmuda) : 0,4 D:bobot atribut warna : 1 E:kedekatan nilai atribut musim (hujan dengan hujan) : 1 F:bobot atribut musim : 0,75 G:kedekatan nilai atribut busuk (tidak dan tidak ) : 1 H : bobot atribut busuk : 0,5 I : Kedekatan nilai atribut layu ( tidak dan tidak ) : 1 J : bobot atribut layu : 0,3 K : Kedekatan nilai atribut hama pada daun (tidak dan tidak ) : 1 L : bobot atribut hama pada daun : 0,4 M : Kedekatan nilai atribut penyakit (tidak dan tidak) : 1 N : bobot atribut penyakit : 0,5 Dapat dihitung: Jarak = (A*B)+(C*D)+ (E*F)+(G*H)+ (I*J)+(K*L)+ (M*N) B+D+F+H+J+L+N Jarak = (0,5*0,5)+(0,4*1)+ (1*0,75)+(1*0,5)+ (1*0,3)+(1*0,4)+ (1*0,5) = 0,5+1+0,75+0,5+0,3+0,4+0,5 Jarak = 0,25+0,4+0,75+0,5+0,3+0,4+0,5 = 3,1 3,95 3,95 Jarak = 0,7 Untuk memprediksi apakah buah rambutan tersebut manis atau tidak, dapat dilakukan langkahlangkah sebagai berikut : kasus-5 Diketahui: A:kedekatan nilai atribut jenis rambutan (rapiah dengan rapiah) :1 B:bobot atribut jenis rambutan :0,5 C:kedekatan nilai atribut warna ( kuning dengan merah): 0,4 D:bobot atribut warna:1 E:kedekatan nilai atribut musim (hujan dengan hujan) :1 F:bobot atribut musim :0,75 G:kedekatan nilai atribut busuk (tidak dan tidak ) : 1 H : bobot atribut busuk : 0,5 I : Kedekatan nilai atribut layu ( tidak dan tidak ) : 1 J : bobot atribut layu : 0,3 K : Kedekatan nilai atribut hama pada daun (tidak dan tidak ) : 1 L : bobot atribut hama pada daun : 0,4 M : Kedekatan nilai atribut penyakit (tidak dan tidak) : 1 N : bobot atribut penyakit : 0,5 Dapat dihitung: Jarak = (A*B)+(C*D)+ (E*F)+(G*H)+ (I*J)+(K*L)+ (M*N) B+D+F+H+J+L+N Jarak = (1*0,5)+(0,4*1)+ (1*0,75)+(1*0,5)+ (1*0,3)+(1*0,4)+ (1*0,5) = 0,5+1+0,75+0,5+0,3+0,4+0,5 Jarak = 0,5+0,4+0,75+0,5+0,3+0,4+0,5 = 3,35 3,95 3,95 Jarak = 0,8 10


ISSN: 2252-4517

Kesimpulan Berdasarkan perhitungan di atas nilai ,jarak tertinggi adalah jarak dengan kasus ke-3, maka kasus baru mirip dengan kasus ke-3 dalam basis kasus, sehingga solusinya, solusi kasus ke-3. 3.3 Entity Relationship Diagram (ERD) Entity Relationship Diagram (ERD) merupakan suatu model untuk menjelaskan hubungan antar data dalam basis data berdasarkan objek-objek dasar data yang mempunyai hubungan relasi antar tabel. Berikut ini merupakan ERD dari basis data dalam program : No_atribut

Nama

Bobot

No_nilai

No_atribut Nilai_atribut1

1

Atribut

N

Memiliki

Nilai_atribut2

Nilai_atribut

kesamaan

No_klien

Alamat Klien

Id_admin

Admin

1

Jenkel

1

Nama

No_kasus_lama

warna

No_kasus_baru

rasa No_klien

Kasus_baru

Nama

warna

N

N

Password

rasa

Id_admin Kasus_lama

busuk

busuk

Jenis_buah_rambutan Jenis_buah_rambutan

hama_daun

hama_daun

waktu

1

1

waktu

layu

layu

musim

peyakit

musim

peyakit

Ked_nilai_atribut_Jenis_rambutan Bobot_nilai_atribut_Jenis_rambutan.

Ked_nilai_atribut_warna

N

N No_kasus_lama

kemiripan Bobot_atribut_warna No_kasus_baru Ked_nilai_atribut_musim No_kemiripan

Bobot_atribut_musim

Jarak

Gambar 1 ERD

11


ISSN: 2252-4517

3.4 Model Proses Perintah Input data kasus baru

Perintah Input data kasus lama, parameter

Sistem Implementasi Bayesin menentukan rasa rambutan

Admin

klien

Tampilan data kasus lama, kasus baru,rambutan

Tampilan kasus baru, solusi

Gambar 1 Diagram Kontek Pada perancangan proses ini kita akan menentukan proses yang terjadi pada sistem yang akan ditangani. Adapun perancangan proses sistem prediksi tingkat konsumsi produk member yang dibahas ini dapat dilihat pada DFD level 0 Gambar 2 berikut: A,b,c,d,e,f,g,h,I,j,k saved Kasus Baru L,m.n saved

Perintah Input data kasus lama, parameter

Atribut data O,p,q,r saved Admin

Data parameter

1.0 Input Data

Kasus Lama S,t,u,v,w,x,y,z,a1,a2,a3 saved 2.0 Simpan Data

Tampilan data kasus lama, kasus baru,rambutan 5.0 Menapilkan Data

Perintah Input data kasus baru

Klien

Warna kulit

A4,a5,a6 Saved Warna rambut

3.0 Hitung Jarak

4.0 Menalar Nilai Atribut

Nilai Atribut

A7,a8,a9,a10.a11 saved Tampilan kasus baru, solusi A12,a13,a14,a15,a16,a17,a18,a19,a20,a21,a22,a23,a24,a25,a26,a27 Solusi

Gambar 2 DFD Level 1

12


ISSN: 2252-4517

4. Hasil dan Pembahasan 4.1 Implementasi Aplikasi Halaman home disimpan dengan nama index.php. Halaman ini merupakan cakupan dari seluruh form yang ada pada sistem,antara lain menu Home, Lihat Data (kasus baru, kasus lama), Input Kasus Baru . Adapun tampilannya dapat dilihat pada gambar 3 berikut ini:

Gambar 3 Halaman Utama (Home) 4.2 Halaman Kasus Lama Halaman kasus lama disimpan dengan nama tampil_kasus_lama.php. Halaman ini digunakan untuk melihat data kasus lama. Adapun tampilannya dapat dilihat pada gambar 4 berikut ini:

Gambar 4 Halaman Kasus Lama 4.3 Halaman input kasus baru Halaman Input kasus baru disimpan dengan nama form input kasus baru.php. Halaman ini digunakan untuk menginput data kasus baru. Adapun tampilannya dapat dilihat pada gambar 5, gambar 6 dan gambar 7 berikut ini:

13


ISSN: 2252-4517

Gambar 5 Halaman input kasus baru (input data rambutan)

Gambar 6 Halaman input kasus baru (input data parameter)

Gambar 7 Halaman input kasus baru (nilai input data atribut) 4.4 Halaman nilai kasus baru Halaman simpan kesamaan disimpan dengan nama nilai kasus baru.php Halaman ini digunakan untuk menyimpan data kasus baru. Adapun tampilannya dapat dilihat pada gambar 8 berikut ini:

Gambar 8 Halaman Simpan Kesamaan 14


ISSN: 2252-4517

4.5 Halaman Kasus Baru Halaman kasus baru disimpan dengan nama tampil_kasus_baru.php. Halaman ini digunakan untuk melihat dan menghapus data kasus baru. Adapun tampilannya dapat dilihat pada gambar 4.26 berikut ini:

Gambar 9 Halaman Kasus Baru 5.

Simpulan Setelah dilakukan pengujian dan analisa program, maka dapat diperoleh kesimpulan sebagai berikut: 1. Penelitian ini menghasilkan sebuah aplikasi untuk mengimplementasikan metode Bayesian dalam menentukan rasa rambutan yang digunakan untuk mengetahui nilai kedekatan rasa rambutan antara kasus yang lama dengan kasus yang baru. 2. Proses penentuan solusi menggunakan metode Bayesian dengan menentukan k=1, yaitu data paling mirip akan menjadi kandidat solusi pada implementasi tingkat konsumsi produk member.

Pustaka Adelheid, A., Khairil.2012. Buku Pintar Menguasai PHP MySQL. Mediakita. Jakarta Han, J. and Kamber, M. 2006. Data Mining Concepts and Techniques Second Edition. Morgan Kauffman, San Francisco. Suryadi, K., dan Ramdani. 1998. Sistem Pendukung Keputusan . PT Remaja Rosdakarya, Bandung. Sutarman, 2007, Membangun Aplikasi Web Dengan PHP & MySQL, Yogyakarta, Graha Ilmu. Turban, 2005, Pengambilan Keputusan / Proses Pemodelan SPK. Jakarta Turban, E., dkk. 2005. Decision support System and Intelligent System, Yogyakarta: Andi Offset.

15

IMPLEMENTASI METODE BAYESIAN NETWORK DALAM MENENTUKAN KLASIFIKASI RASA RAMBUTAN BERBASIS WEB Timbo Faritcan Parlaungan S *1, Asep Galih Miftah F

Recommend Documents