Internetworking Indonesia Journal The Indonesian Journal of JCT anJ Internet DcYclopmcnt
lnternetworking lndone~ia Journal The Indonesian Journal of lCT and Internet D~·vclopment ISS 194~-970' /nM11t>m'Ol'lctn.!: /ndun~~111 i~ a ~emi-:mnual eleccronic 1ourn:tl devoc~d co th1:. nmdy scudy oi the Information nnd Communication Tc.-din\•lni,') (ICT) :rn,f lntC"rnt't d..wl1.1pmenc in lndont>sia. The journal 'cch high-quality manu~cripo. on the ch:illcn~~ and oprMrun1th"• rrt''\'ntC'd !>y 1nk•rmation tt'<:hnology and the' lntt:rnc·t in ln,hml',i:l
Jm1rnal m:11ling addr,·~,: lntcrncrv.Nkin~ lndone,1a Journal. PO Boic '97110 >.I IT St.ltion. C.1mhridg\'. MA 02139, USA Co-Editors (MIT
Thomas HarJiuno, PhD Con,onium, MlT, USA)
Ktr~m~
Budi RaharJjo, PhD (ITB, I ndom•,ia)
Kunwro Wascuw1buwo, MSc {PT. Telkom, lndoneMa)
Editorial Advi.~ory Board
l'rof. Edy Tn lh.,koro, PhD (IT!\, InJune~ia) B.1ui:ht'r, MA (('1,rn Sy,ce1m, l.JSA) L'~hmmath DonJct1, PhD (Qu:ilcomm, USA) Prof. S\'c:ln Kn:ip~kog. PhD ('JTNU, Norway) Pr.11 Malyn:i I 1m, PhD (Anmna Sc:ict> Cnwer~1ty, USA) Prnl. l'amb:lnl! Parmant1.1, PhD (Un1\'1:rs1ty of Pim.tourJ?h. t;SA)
~fork
Prof. W1~hnu Pr.l)ecya, PhD (Um.:d1c L'n1versicy, The Netherland,) Prc.,f. Jennifer Srhtrry, PhD (Cn1wr-ity of Wollongong, Aumaha) Prof. Willy Su" lo, Ph[) (L1 nl\u~1r, of Wollongong, Aumal1a) Prof. Da\'1d Tan1ar. PhD (Mona<.h Un1\'ers1ty, Ausrralia)
f\~U.., &. cope: The lntcrno:morkmi: lnJon\.~1a _ lournal a11m w l":come tht tiirlm1\'\t puhlicarion for praccmoner:.. teacher,., rc'card1n, .1n,J polil\" 111.1kcro co ,h,m: their knowlcdg.: :ind i:xpa1ence in dll dc.,ii:n, dcwlopmcnt, implem.:mauon, and the management ol ll-:T anJ the lntl·rnet m lndonc.,1:i.
TopiC3 of l ntcrc~t· Tilc il'llrn:il wdcomes :ind srrongly enc<.)urage~ suhm1~~1on~ b:\.wJ on mccrd1sciplinary approaches focu>ing un IC'T & Internet dt-vclnpment anJ 1u rcLui:J a!.pecci. in the l nJone~rnn contl!"'
Manmuipl Suhm~ion· ~fanu,u1rQ. :.huulJ toe suhmmcJ :tccurJ11111 cu rill IEEE GuiJ~· lvr .1uthor:., and will he rdereed in th._. ,r;m,br,I w:w Manmrnrr p.li;c' -.hould not cxc.:cd 7 pa!!e' oi the IEEE 1-rnlumn format in a M11:rcn.olc-Word file format. Link.' co rlw IEEE ,!\-fl· fik, can he IPund ac u\ltdn1cmet1L'OrkmdndorunttorJ!. ~fa nu,cr1rc,. 'ubmircc:,I co lncernecworking lndon(!!;ia mu't nor h.iw h:..:n rrc\'lllUsly puhh,hcJ or committed to another puhli,hcr unJcr a cup)Tight tran~kr agr1.:1.:mcnc, anJ mu.st not 1'c unda wns1,krariun h>,· .1nothn j\>Urnill. :\uthur.-. of acceptt'J paper' art• r.:>pon ..11'>lc tor thl· Car icra RcaJy Copy (CRC) in the IEEE !-..·olumn l~1rnnc (Jdi\'er.:d tn chc fahtor 111 a M1(rO><.)tr·WorJ Hid. Author~ are adv1ocd that no ~v1s1ons ot the manu,cr1pt can l'C m.1de .Jlter a.:~cptan.:c 1:-y chc Editor fM puhlication. The heneitts of th1~ rrocC'Jurc an: many, \\'1th ~peed :ind accura()' being the nlllM olwmus. \Ve look forward to working \a,.ith }'l)Ur elecrronic ,uhm1"1on which will allow u~ to 'cn'C you more efficiently. Ple:he email m.1ml\1:rir~ ur inquine' co rhe cditora ac che iollowmg addn:~: (d11or@/n1tmctv.'l,rl<1nJ?fndone11a.orx. SuhmiSi.ion Guideline•, lntt'rnecworkmg Indonesia :icct'pcs a variety of m:inur.tripr, m e1chcr Engl1i-h or Baha':i Indonesia. Plea~e revit'W rht dc~cripc1ons btlow and klentify che submi~1on cype best suiccJ to your mt1:nded suhm1~1on: Rt1(t1r
oret1cal and practical m nanire. Shorr pt1/»n: Shure rc~can:h papers provide an mrrodurnon to new dcwlopmcnci. or ad\•ancc~ regarding on-going work. Policy Vt<'v.f•oin11: Policy Vicwpoinu. explore competing rcr~pcctivcs in the lnJl>nC~ian riollcy debate that nre informed hy ac:iJcmk rt'~carch. Tta.:hmR lnnolatton: Tt.>achmg lnnovat1on papers explore crc:1tive use:. of mformation tc.'chnolob'Y tc'Ols and rhe Internet ro 1m· 1'rm·e learnmJl' and cduc;mon m Indonesia. Rook Reim.1·1: A review nf :t hook, or ocher book-length document, i.uch a' a governmc:nt rt'rorr or foundaciun report.
Vol I!No. 2 (2009)
45
INTERNETWORKING INDONESIA JOURNAL
Fuzzy Decision Tree dengan Algoritme ID3 pada Data Diabetes F. Romansyah, I. S. Sitanggang, S. Nurdiati
Abstroc:I- Decisio n tree is one of \loidely used merho~ In developing dasslf1cation models. In order to handle un ce rtainty, run) approach Is used. This \loOrk 11 ppllcd 11 duslne11tlon technique using fuzzy decision 1rcr mcchod on d 11bcres d:ltucc to obtain cluslfication rules for predicting new data. Fuuy IDJ (fuzzy r1er11th'C Dlchotomiser 3) \\as used to de\'elop fu zzy decision tree "1th high accuracy. The result is a fuzzy ll!clslon tree with the highest accuracy 94,15"/o for fuulneu con trol threshold (6,) • 1s•1. and leaf derision threshold (9.) • 8 •;.or
roe;.. v
Index TO?t1,_ Fuz::,,• d~cisio11 tru, Fuzzy IDJ
Penclitian mi bcrtujuan untuk: I) Menernpkan salah satu teknik klasilikasi yaitu Fttz:y 103 (ll1trutive Dichotomiser 3) Deds1011 Tr1te pada data ha.sit pemeriksaan lab pas1cn; 2) Menermkan a1uran klasifikas1 pada data diabetes yang menjelaskan dan ment>edakan kelas-kelas atau konscp schingga dapal digunakan untuk rrcl11>rcd1~1 pcnyakit diabetes bcrdasarkan nilai dan atnbut lam yang d1ketahu1 Model yang dihasilkan pada penehtian ini diharnpkan dapat digunakan oleh pihak yang berkcpcntingnn untuk me"l"red1ks1 potensi scscornng atau pasicn terscrang pcnyalat diabetes. sehingga tcrjadmya penyakit ini pada scseorang dapat diprcdiks1 scdm1 rrungkin dan dapat dilakukan tindakan antisipast.
I. PENDAHULUAN ata mining rn:rupakan proses cksrraksi informasi atau pola pcnting dalam basis data bcrukuran bcsnr (3). Pada peneliuan mi aJmn d1tcrapkan salah satu tcknilc dalam data mmm~. y:11ru klas1fikasi tcrhadap data diabetes. Data diabetes yang digunakan adalah data has1I pcrn:nk.~aan lab pas1cn dari scbuah nmuh sakit yang mchpu11 pcrrcrikbaan GLlJN (Glukosa Darah Puasa). GPOST (Glukosa D:irah 2 Jam PP), Tg (Trigliscrida), HDL (Kolcsterol HDL), serta diagnosu pasien berdasarbn nilai G..UN, GPOST, Irot.. dan TG. Klas1fikasi trcrupakan salah satu metode dalam data m111i11g unruk me111>rediksi label kclas dari suacu record dalam data Mctodc yang d1gunakan dalam pcnclitian ini yaitu metode klasifiknsi dcngnn /ilzzy decision tree. Pcnggunaan tcknikji1:y rrermnglcinkan melakukan prediksi suatu objek yang dimiliki oleh lebm dari satu kelas. Dengan menerapkan teknilc data
Pcubah hngui.stik merupakan pcubah vernal yang dapat digunakan untuk mcmodclkan pcmikiran manusia yang dickspresiknn dalam bentuk hi"l>unnn ji1.::y. Peubah lingu1Shk dikarnkterisas1 oleh q11intapl1t (x, T(x), X, G. M) dengan x adalah nama peubah, T(x) adalah ku~ulan dari Ji11g11islic term. G adalah aturan sintaks. M adalah aturan semant1k yang bersesuaian dengan setiap nilai peubah lingulStik. Scbaga1 contoh, jilca urrur diinteYpretasilcan scbagai pcubah hngu1:1tik. maka hi111>unan dari ling111stic tem1 T(urmr) rrcnjadi : T(urrur) - 1sangat rruda, rmda, tual Setiap tmn dalam T(urrur) dikarnkterisasi oleh hi"l'unan fuzzy, X menunjukkan nilai interval x. Aturan semantik rrenunjukkan fungsi keanggotaan dari setiap nilai pada
mining pada dala diabetes diharupkan dapat ditcn-..ikan aturun
h°'1>unan /111guis/lc term [I).
klasifikas1 yang dapat digunakan untuk men,.>rediksi polcnsi scseorang tcrserang penyakit diabetes.
Li11g111s1ic term didefinisilcan scbagai kurqlUlan hi111>unan fiu::y yang dldasarkan pada fungsi keanggotaan yang bersesuaian dengan peubah hnguishk. Misalkan eluruh domain dari atribut kuantitattf. c.., • , • 1. ,s, mcnotru.ikan
D
Naskah ditcrim.i padJ. 2 Dcscmber 2009 F. Romansyuh ad.llah Associate 811srness Consultant (IT Consultu111) dJ PT AGIT (A~lr;i Gr4phia lnform.iuon Tcchnolol:)') 22/F A'lZ Tower JI. Jcnd 9.adam1an kavling 33A Jakarta I0220 (e-mail fyro_man,'u)·ahoo com) I S Sitan!J~mg 11d.d.ih staf pcn~J.ir d1 Dcpa.rtcmcn llmu h.omputcr F~flPA lnstitUI Pcrtantan Bogor, JI Mcran11. Wing 20 Level V, Kamplb 11'8 Darma1111. Bo¥Or 16680 Indonesia (c-muil: im11S.situn&i"ngi!:!)ipb.uc.1d). S. Nt..d!Jti adalah staf pcn8'1jar dt Dep.mcmen llmu Kompu1cr FMIPA lnstllUI Pcrta111an Bogor, JI Mcrantt, Wing 20 Le'cl V, K11mpw. IPB D.umap. Bo~o0r 16680 Indonesia (e-mail 111.rdiat1fit 1pb ac 1dl
II. FUZZY DECISION TREE
A. Peubah Linguistik dan l1ng111st1c Term
ling11ist1c term yang berasos1as1 dcngan atribut /, . sehinggn hi"l'unan fuzzy dapat d1deft111sikan untuk se11ap L, , . Hilll>unan/11::..')>. L....
ISSN 19-'2-9703 /f') 2009 llJ
r• I... 1 •
didefinisikan sebaga1
ROMANSYAH ET AL
INTERNETWORKJNG INDONESIA JOURNAL
46
l
'[dom(l,,,/'Lvp!Yl jika Iv diskrct
L..,=
Jdomllvl
'11
J.I
• L\''. (l v) jika/vkon1i11u 'v
uncuk semua ;, e domf/ J. dengan dom(J,) ={;., .. ,i,.• }· Derajat keanggotann dari niln1 '•· e dom(I. ) dengan beberapa li11g11is1it·
Algoritme faz.7 [DJ rrcrupnkan algoritmc yang cfis1en untuk membuat suatu fi1z..-y decision tree. Algoritrre fimy 103 adalah sebagai berikut [5]: 1 . create a Root node that ha.5 a set of fuizy 2.
term L.t dinotasikan oleh µl~ .
data with ~embership va lue 1 . If a node t with a fu zzy set of data D satisfiPs the follow i ng conditions, then ic is a leaf nooe and ass1gned by the class name . • The proportion of class c, is grea t er than or equal to e,,
B. F'uz..--y Decision Tree (FDT) Decision tree m:rupakan sualu pendekatan yang sangat
populer dan praktis dalam maclri11e learning untuk rrcnyelesaikan pennasalahan klasifikasi. Metode ini digunakan untuk rrcn~erkirakan nilai diskret dari fungsi [arget, yang rrona fungsi penilelajaran direpresentasikan oleh scbuah decision tree (5). Decision tree merupakan hifl1)unan a tu ran IF...THFN. Setiap path dalam tree dihubungkan dengan sebuah aniran, di mana premis terdiri atas sekt1111>ulan node-node yang di1em1i, dan kes~ulan dari aturan terdiri atas kelas yang tcrhubung dengan /eafdaripath [6). Dalam po hon keputusan. leaf node diberikan sebuah label kelas. Non-terminal node. yang terdiri atas root dan internal 11ode lainnya, mcngandung kondisi-kondisi uji atribut untuk rnemisahkan record yang rrcmiliki karaktcrist.ik yang bcrbeda. Edge-edge dapal dilabelkan dcngan nilai-nilai 1111111ericsymbolic. Scbuah atribut 1111meric-symbolic adalah sebuah atribut yang dapal bemilai numeric ataupun symbolic yang dihubungkan dengan sebuah variabel kuantitatif. Sebagai contoh. ukur.in seseorang dapat dituliskan scbagai atribut 1111meric-symbolic: dengan nilai kuantitatif, dituliskan dengan "1.72 rreter". ataupun sebagai nilai 11111neric-symbolic seperti "tinggi" yang berkaitan dengan suatu ukuran (size). Nilai-nilai scperti inilah yang rrenyebabkan pcrtuasan dari decision tree menjadi fi1zzy decision tree [8]. Penggunaan tcknik faz:y mcrrungkinkan melakukan prediksi suatu objck yang dimiliki oleh lebih dari satu kelas . Fu::zy decision free mem.mgkinkan untuk menggunakan nala1-n1lai n11meric-symbolic sclama konsmiksi atau saat mengklasifikasikan kasus-.kasus baru. Manfoat dari teori hilll>unau faz=J• datum decision rree ialah n-.:ningkatkan kem11llJUan dalam meimhami decision tree kctika menggunakan auibut-atribuL i..'Uanlilatif. Bahkan, dengan m::nggunakan tekoikfa.:=)' dapat meningkatkan ketahanan saat melak\1kan klasifikasi kasus-kasus baru (6). C. Fu;zy JD3 Decision Tree 103 (lrerative Dicl1otomiser 3) merupakan salah satu algoritme yang banyak digunakan untuk rnembuat suatu decision tree . Algoritme ini pert.rum kali diperkenalkan oleh Quinlan, menggunakan ceori infonnasi untuk menentukan atribut irona yang paling mformatif. nanlJn LDJ sangat tidak stabil dalam irelakukan penggolongan berkenaan dengan gangguan kecil pada data pelatihan . Logika fuzzy dapal rncmbcrikan suatu peningkatan unn1k dalam rnelakukan penggolongan pada saat pelatihan [5].
IDC' I
--"l:.8
IDI
3.
'
• the number of a data set is less than e. • there are no attributes for more classifications If a node D does no satisfy the above conditions, then it is not a leaf-node. And an new sub-node is generated as follow: • Fo r Ai's (ial , ... , L) calculate the information gain , and select the test at t r ibute AN• that maximizes them. • Devide D into fuzzy subset D1 , ... , o. according to A,..,, where the me~bership value o~ the data in D, is the product of the :nembersh1p value in D and the value of • •..-., of ::he value of A,,.,. i n D. • Generate new node t,, ... , t . for f uzzy subsets 0 1 , ... , D. and label the fuzzy sets F,..•. , to edges that connect between the nodes t,
and t. • Replace D by D1 (j-1,2, ... , m) from 2 recursively .
and
repeat:
D. F11zzy Entropy dan Information Gain Information gain adalah suatu nilai statistik yang digunakan untuk rnemilih atribut yang akan mengekspansi tree dan menghasilkan node baru pada algoritme fD3. Suatu entropy dipergunakan untuk irendefinisikan nilai irifom1ation gain. Entropy dirumuskan sebagai bctikut [5]:
H,(S) = L~-P, 'log 2 ( P,)
(I)
dcngan P1 adalah rasio dari kelas C, pada
h~unan
contoh S
=
(x 1.ri,. . .•i:t}.
P,
L~J•I x1 EC1
(2)
s
l11formatio11 gain digunakan sebagai ukuran selcksi atribut, yang rrerupakan hasil pengurangan entropy dari hi11'4:>unan contoh setelah meni>agi ukuran hifl1)unan contoh dengan jumlah atributnya. Information gain didefinisikan sebagai bcriku t [S]: G(S, ..f); H(S) -
dengan bobot
L
!iJ H(S,) ..v.i..•!-'> I SI
w; = ISv I adalah ISi
(3)
rasio dari data dengan atribut
v pada h~unan contoh. Padn himpunan data fuzzy, terdapal penyesuaian 1u1rus untuk menghinmg nilai entropy untuk atnbut dan i1~f0rma1ion
47
INTERNETWORKING INDONESIA JOUR:-.IAL
Vol I /No 2 (2009)
gai11 karcna adanya ekspresi data fin...-y. Benkut adalah persorman untuk mcncan nilai fir:zy entropy dan kcseluruhan data [5]: H1 (S) • ll,(S) s
r.:'
P, • log 2 (P,)
(4)
Un1uk m:nenrukan tu::,.· entropy dan inji>rmation gam <Sari suatu atnbut pada algoriure fu=-.7 103 (FID3) digunakan persarroan scbagai berikut [S):
~(
r.;µ, I.;µ.,
(5)
L."
(6)
Hi lS,A) • - L.,.,-S-logz - SG ,(S) • 111 (S) -
1;A
~•lfr(S,.A) SI
dcngan µ1 adalah nilai kcanggotaan dari pola ke:i untuk kelas ke-1 Hl..S> menunJUkkan entropy dari hll'.\l)unan S dari data pcla1ihan pada node. ts.I adalah ukuran d:ui subset S, ~S dari data pelatihan x1 dengan atnbut v. ~S'I mcnunjukkan ukumn dari hin1)unan S. Threshold dalam Fu=;• Decision Tree Jika pada proses learnmg dari FDT dihentikan sa111>ai sclllla data contoh pada rrosing-masmg leafnode menjadi :mggota sebuah kclas, akan dihasilkan akurasi yang rendah. Oleh karena 1tu untuk mcningkatkun akurasinya, proses learning harus dihentikan k:bth awal atau m:lalrukao pemotongan tree secara u01.1m Untuk itu dibcrikan 2 (dua) threshold yang hams tc11>enuh1j1ka tree akan diekspansi, yaitu [5] • F11zz111ess control threshold (FCT) I 0, Jika proporsi dari hit11>unan data dari kclas Ct lebih besar atau sarro dcngan nilai threshold 0,, rmka hentikan ekspans1 tree. Sebagai con1oh: Jika pada sebuah s11bdataset rasio dan kelas I adalah 00°/o, kelas 2 adalah 100/o dan 0,adulah &5%, mak41 hentikan ckspansi tree. • f.eafde,isron threshold (LDT) I O. Jika banyaknya anggota hffil>unan data pada suatu node lebih kec1l dari threshold hcntikan ckspansi tree Sebaga1 conloh: scbuah h11111unan daLa merriliki 600 contoh dcngan o. adalah 2% Jika jumlllh dala contoh pada sebuah node lebih kec1I d::in 12 (lo/. dari 600). 11nlru henuknn ckspansi tree. E.
o.,
2. Mcncntukan banyaknyafuZ.."Y set uncuk masing-masing atribut. 3. Menentukan banyaknya tra111ir1g set yang akan d1gunakan. 4. Mcngh1tunc membenhip vnlue S. Mcmilih bcsamya threshold yang akan d1gunakan. 6. Mcrrbangun fa:zy dec1ston tree dcngan algontme Fuzzy ID3. Spcsiftkasi pernngkat keras dan perangkat lunak yang digunak:.rn untuk penelitian ini adalah sebagai benlrut . Perangknt kcras berupa ko111>uter personal dcngan spesifikas1: Prosesor AMO Athlon 64 2800+, Mcrmri DOR 512 MB, dan Harddisk 80 GB Perangkat lunak yang digunakan ad::ilah sistem operasi Windows XP Profes1onal. MATLAB 7.0 sebagai bahas::i pelTl'Ogranun, dan Mlcrosofi Excel 2001 A
Transformasr Data Dari 5 atribut yang digunakan, 4 di antaranya m:rupakan atribut yang kontinu. ya1tu GLUN, GPOST, HDI.. dan TG scdangknn acribut Diagnosa adalah atnbut kategonl<. Berdasarkan refcrcnsi hasil labomtorium. range nonnal untuk atnbut GU.JN. GPOST, HDL, dan TG diperlihatkan p:ida Tabet I. TABLE 1 Nil.Al REFERENSI llASIL LABO RATOIUUM
Nilal Normal
Kode Pemertkuan
Saluan
GUN GPOSf
MW'OL
70- 100
MWDL Mg!DL MglOL
100 - 140 40 - 60
HDL
TG
Atribut yang telah ditransfommi kc dalam bcntuk [u:..-y antarn lain: • Arn'but GUJN Atribut GLUN dibagi rrcn_pd1 4 keloflllok atau lingu1s11c tcn11, yaitu rcndah (GLUN < 70 mgfDL), sedang (70 n~/DL <= G.UN < 110 q/DL). tinggi (110 flli/DL c- 0 UN< 140 mg/OL). dan sangat tinggi (GLUN >= 140 ~DL) [4) Dari perrbagian itu dapat ditentukan membership fi111ctio11 dan hilll>unan fa::..-y rcndah. sedang, tinggi, dan sangat tmgg1 uncuk atnbut GWN secara tc11>isah yaitu·
Ill. TAHAPAN PENFLITIAN
Proses
dasar sistcm mcngacu
pada
proses dnlam
Knowledge Discovery "' Database (KDD). Proses terscbut
dapat diura1kan scbagai berikut : a. Perrbersihan data, merrbuang da1a dengan nilai yang hilang dan data yang duplikn1 b. Transfonmsi data ke dalam bcntuk dataji1:.:y. c Data dibagi menjadi training set dan test set dcngan menggunakan metodc k-fold cross validation [2). d Aplikasi 1elm1k data mming, merupakan tahap yang pcnting karen:i pada tahap mi tcknik data n1111ing d1aphkas1kan tertrnd:ip data Untuk mencn'tlkun aturan klas 1fikas i digunakan metodc fi1::y decision tree. Langkahlangkah pada metode tersebu1 yaitu: I Mencntukan atribu1 yang ::ikan digunakan.
SO - ISO
I
t
;r-75
µ,..-(:r)=
- 100
t
<65
65
x »1S
µ ,...... trl •
1 •,o
t-l~S
- 10 0
x<65
65<=z<1S
I
15 <>= .T< IOS
T-ll 5
105.:sx < ll5
I
-10 0
0
•-105
0
x-65 10
•
x:-115 :
x
; IJS<• r< 145 . '
i>-l4S
llinlJunan ji1:zy un1uk schap linguistic: tenn menggunaknn 1..-urva dengan bentuk trapcsium sepert1 pada G:i.rrbar I.
ISSN· 1942-9703 I 0 2009 llJ
48
lNTl::RNETWORKING INDONESIA JOURNAL
MP'OLUN
-·t ·-
ROMANSYAH ET AL
Hi111>unan foz..7 untuk scllap ling11istic term mc:nggunakan kurva dcngan bcntuk trapcsium scpeni pada Girri>ar 3.
.- 1 _•-·
"-'~ .... ~ln99'..
-
II U
I
$2 II M
-- ......
--
~
v__
IOl IN UT
~ 1
•
n 11 fl M )1 ... 4 1 . . A1 le 61 . . 1 1
-.
Gunbo.r I 1limpunun fitlZJ' atr ibu1 GLUN
• Atn"but GPOST Atn"but (]>OST d1bagi menjadi 4 kclo111>ok atau /111g11istic term, yaitu rendah (GPOST < 100 mg/DL), sedang (100 mg/DL ¢"' GPOST < 140 rre/DL), tmggi (140 mg/DL <= Q>OST < 200 rrg/DL), dan s:mgat tmgg1 (GPOST >= 200 mg/DL) (41- Dari perri>agian itu dapat ditentukan membership fi1nc11011 dari h~unan fi1zry rcndah, sedang, tinggi. dan sangat tinggi untuk atnl>ut GPOST secara terpisah yaicu: 0
x-95
I ; r <95 µ.-Ix)•
I
l-105
j
0
o ' - us
10
.t-l 45 -10 0
13S<.•t
I f~ I - 10
.
I
0 •-195
11 •...,.,,...,<•>• (o""
195 <•x< 205
0
l
I
• Atnout TG Atnbut TG dibagi mcnjadi 3 kelo111>ok a1au /111g111stic term. yaitu rcndah (TG < SO ~/DL), sedang (50 ~/OL <= TG < 150 ~/DL}. dan tinggi (TG >= 150 ~IDL) [4). Dari perri>agian itu dnpat ditentukan membership fi111ctiu11 dari hirrpunan fiiz::y rendah. sedang. tinggi, dan sangat 1ingg1 untuk atnbut TG secara terptSah yaitu:
l
t<95
95 <= t
I
l >,.105
'<135
JO 11,....,(t)•
•
-=!() . 95<=1
Gamtm 3 Himpunanfu=y atnbll HDL
135<~ t
r < 4S
t-55
µ-(.r)• - -I ; 45<; rdS' µ...._(t)= - 10
0 ; x >=SS
>" 145 µ,-(l) •
195 ,_ '< 205
, ,..20s
t>-20$
l
0
•
0
.r<45
x 45 10
45 ¢".l' < 55
I
55(a.r<145
.r-155 - 10 0
145<... .r
r ,...155
.r
r-145
-10- . 145 <= r• ISS
Hi"1'unan fuzzy untuk sctiap lmguis11c; term mcngguaalcan lrurva dengan bcntuk trapesium scpcni pada Garri>ar 4.
1linlJunan fuzzy untuk setiap ling111st1c term menggunakan kurva dengan bcntuk trapesiumsepcni pada Gmt>ar 2.
Mf'TC
ltf OPOIT
DI
...
r-r -·--·--..... - .._
..--...
' •.o.•-r
1 •• lt •
-=" ·~
-
•o
Gombur 4 Himpunan fa=>• atnbll TG
1 21 '-> .. 116 1m U7 t . . ta l lO 11t
Gtmbar 2 H1mpunan/11%Z}' atnbut GPOSf
• Atnbut HDL Atnbut HDL dibag1 menjadi 3 kclorrpok atau ling11istic term. ya1ru rcndah (HDL < 4-0 mg rDL). scdang (4-0 mg/OL < HDL < 60 mg/DL), dan tinggi (HDL = 60 mg/DL) (4). Dari pennagian itu dapat ditentukan membership fi111ctio11 dari hi"1'unan .fu==y rendah. scdang, tmgg1. dan sangat tingg1 untuk atn"but HDL secara terpisah ya1tu: 0
l
I ' x < 35 r-35 x-45 , 10 P.-(x)• -:-jQ · 35<• r<45 p~(.r)• I
0 ; o,, 455
.r-65 - 10 0
11 ,. tt , . tJ1 • • ,,, • •
x<35 35 <• 1 < 45
45< x<55
55 <• l<65 r~65
Data dari atnbut <1.UN, GPOST, HDI.., dan TG kerrudian akan ditransfonmsi ke dalam bcntuk fi1zzy dengan mcnghirung derajat kcanggotaan fi1zzy pada ciap-ciap hir?lJunan dan dollllm sctiap atribut linguistik. • Atribut D1gnosa Atribut Diagnosa sclanjutnya akan discbut scbagai CLASS, direpresentasilc:an oleh dua buah peubah lingu~tik yanu "ncgattf diabetes" dan "pos1uf diabetes" Kcdua linguistic ternmya terscbut d1dcfinisikan sebagai bcrikut: "negatif diabetes"= I "positifdtabctcs" = 2 Nilai atn"but CLASS yang akan dikategorikan sebagai positif diabetes adalah diagnosa dcngan label EIO (lnsuli11depe11dent dtabetes mel/it11s), El I (Non-insu/111-dependet diabetes melllfus). El 2 (Malnutritton-re/ated diabetes mel/1tr1s). dan E13 (Unspecified diabetes melli111s). sclainnya dikatcgorikan sebagai ncgatif diabetes
I· Vol I/No. 2 (2009)
fNTERNETWORKING INDONES!A JOURNAL
8. Data Mm111g
Pada 1ahap ini dilakulcln tekmk data mining menggunaknn algontmc HD3 untuk mcrrbangun fiu::zy decision tree (FDT) Data yang tclah ditransfomui.i akan dibagi menjadi train111g set dan um set. Pcrrbag13n data in1 mcnggunakan mctodc J(). fold cross validation. 03ta akan d1bagi rrenjadi JO subset (S, . ....S10) yang berbeda dengan jumlah yang sama bcsar. Setiap kali sebuah s11bset digunakan scbag:U test set maka 9 buah partis1 lnmnya akan dijadikan sebagai training set. Fasc training d1lakukan untuk merrbangun FDT dengan mcnggunakan algoritmc FID3. Proses 11·a1111ng harus m:lalui bcrbagai tahapan, scbagai contoh akan dijclasknn perrbcntulr-Jn FDT dengan menggunakan contoh training set yang tcrdiri dan 15 data alau record. Pada contoh trammg set terscbut akan diterapkan algontmc fuzz> ID3 untuk m:ncrrukan rrodel atau aturan klas1fikas1 Langkah-langkah perrbcntukan aturan ldasifikasi dengan algontmc FlD3, yniru: I Mcrrbuat root node dari scrrua dnta training yang ada dengan mermen nila1 derajat kcanggotaan untuk serrua record sarm dengan I 2 l\lcnghitung /i1::) entropy dan traming set yang ada. Dan hai.11 pcrhi1ungan diperoleh nllai fu==J• entropy scbcsar 0.9968. '111•11 mi akan d1gunakan unluk rrenghitung nilai i11forma1ion ga111 dan rn:1smg-rrosmg atnbut. 3 Mengh1tung 111formution ga111 dari atribut GLUN. GPOST, llOL dan TG. mbmg-rmsmg d1peroleh nil:U 0.2064, 0.3330, 0.0304. dan 0.0050. Dari hasil tersebut dipilih atnbut dcngan nila1 111/ormu11011 gam tcrbesar yairu GPOST. Atribut GPOST sclanjutnya digunakan untuk m:ngekspansi tree ntau mcnjadi root-node, tapi pada subnode sclanjutnya atnbut GPOST tidak dapat digunakan untuk rrcngckspansi tree. 4. Data tra1111ng dickspansi berdasarkan atribut GPOST schingga dipcrolch has ii sepeni pada Garmar 5.
/llMllll .,_I •
r1iii
lll111
'2•1 'l ' I
I
49
5. Men~h1tun2 propon1 dari tiap kclas yang ada pada 1iapti.tp node Mi!.alkan, unmk sub-node dcngan nrla1 keanggotaan atnbut rcndah. proporsi kclasnya adalah . C1 • 0.1 I t I • 2. I C: = I Proporsi kclas I (negatif diabetes) _ _.s_. 1 ~. _ 67 74" - C, + C:
,. -
'
•
Propon.1 kclas 2 (pos1tif diabetes) - __fl_ • t 00'1• 32.26% 9
C, +C2
6. Pada contoh ini digunakanfa.:ziness control threshold (8,) sebcsar 80% don leaf decision threshold (B.) sebesar 2001o• 15 = 3. Kcdua threshold tersebut akan menenrukan apakah s11b-11ode akan terus diekspansi atau tidak. Misalkan sub-node dengan nilai atnbut rendah yang rremiliki data scbanyak 4, berdnsarkan nilai proporsi kelas I (67 74%) d:m kclas 2 (32.26%) yang lebih kecil dari 0, (800/o) dan banyaknya data atau record pada sub-node tersebut lebth besnr dan o•. maka sub-node tcrscbut akan tcrus dickspans1. Lain halnya Jika (), yang digunakan adalah 65%. rroka sub-node tersebut udak akan dickspans1. 7. l.akukan tcrus ckspans1 dan sub-node yang ada SW1Jai lldak ada l3g1 data yang dapat diekspansi atau tidak ada lagt atribut yang dapat digunakan untuk mengekspansi tree ya1tu kctika tree yang tcrbcnruk sudah mencapai kedala1ron rmhin'llm atau sub-node tidalc mem:nuhi syarat dari thre.fhold yang dibcnlcan. Jika sub-node sudah tidak dapat dickspansi rmka nilai proporsi kelas terbcsar mcrupakan kcsir11>u lan dari scku1J1>ulan atumn yang diperolch dengan menghubungkan se1iap node yang dilewati dan root node hingga leaf node. Garrbar 6 menunjukkan fazzy decision tree yang diperoleh dari training set.
~ •-~ 111.r~ '-"-.1iW
~lf
tl
'
I
I
1 • ·i<
.,_
W """'
Jtl l t II
I
I
"1 1 1
4111
llQ.
•
..,_
.. 11 4
I
1
..
1
1
~II SI I 1 I U I 1
Gun!Mr 6 F11::.• df!cmon tru wtuk training st!I
Gunbwr 5 Hil.\al eksp.an~1 trolflrng ut bcrdas::irlcan atnbul GPOSf IV. llASIL DAN PEMBAHASA>J
N1la1 dcrajat keanggotaan yang baru masing-masing record pad a sub-node diperoleh dari has ii perkalian antara dcraJat kcanggotaan pada root node dan derajat keanggotaan atribut yang d1gunakan untuk mengekspansi tree. Misalkan. untuk sub-node dengan nilai atribut rcndah, nilai dcrajat keanggotaan dari data no.38 1,, = O. I dan dcmja1 kcanggotaan dari data no.38 pada root node /'IJ/;/ • I, maka nilai dcrajat keanggotnannya pada sub-node 11.,,.adalah: µ-
µ 1 ®µ,x, 1
l®O I
0.1
Berdasarkan langkah-langkah algoritme FIDJ dalam Bab m diperoleh scbuah model yang terdiri atas 9 aturan denga~ ~nggunukan training set. Model atau aturan klasifikasi yang d1perolch: I. IF GPOST' rendah AND HDL rendah THEN
Negatif
Diabctc~
2. IFGPOST' rcncbh AND HDLscdangTHEN Ne11o1tifD1Abc1es 3. IF Gl' OST' rend.th AND HDL tinggi THEN Pos.it1fD1abctcs 4. IF GPOSf sedan11 THEN THEN Ncgatif Diabetes
ISSN: 1942-9703 I 0 2009 llJ
ROMANSYAH ET AL.
L\ITERNETWORKING INDONESlA JOURNAL
50
5. IF GPOST tmgiii AND GLUN rembh THEii/
Nci;;attf
Diabetes
6. IF GPOSl'
tin&&i AND Gl U:-1 sedang TllliN
N~~tif
tinggi AND GLUN tml!&i THcN
Ncgauf
Diabctc.t
7. IF GJ>OST Diabetes
8. II· GPOST tmw AND GLU 'sang;u tmggi THE!\ Pos11tf Diabetes
9 IF GPOSf $ang;it
tin~
T HE'I Posit if Diabetes
Bcrdasar m:1odc ujt 10-fold cross validation. proses /ruining dilakukan sebanyak 240 kali. Untuk sc1iap training set, proses training d1lakukan scbanyak 24 kali, dengan m:ngubah ntlai 0, sebanyak 6 kali yaitu 75%. 800/o, 85%, 90%, 95%. dan 9~ •. dan untuk rmsmg-masing nilai 0, yang sarro 1.hhcnlran nilai o. yang bcrbeda-bcda yattu 3%. 5%, 8%, dan 10010. Rata-rata jumlah aluran yang dihasilkan pada proses training dan waktu eksck-usi yang dibutuhkan dapat dilihat pada Tabel 2 dan Tabcl 3.
TABLE2 IV.TA-RA TA JUMLAll AllJRA~
8,
o.
ss•1. 90•1.
3•1. 4 7 II 12
95~1.
20
98~~
27
1s•1.
so•;.
S"/a
8%
10•;.
4 7 10 II 18 24
4
4 6 8
7 10 10 15 20
8 11 16
peningkatan yang pahng s1gmfikan IC1Jad1 pada snat nil:u 0, dino1kkan dari 90% in:njadi 95% dan dan 95% menjac.li 98% Kondisi serrocnm m1 discbabkan karena pada 5331 ekspans1 traming set yang pertama kali dilakukan banyak sub-node yang pmporsi i.al:ah satu kelasnya sudah mcncapat nili!.i di ala~ 9()0/e, sehingg11 sub-node tcrscbut tidak pcrlu dickbpanst lag1. Kctika nilai (}, ditingkatkan san'\)ni 95%, b:nu 1erjadi ckspansi pada beberapa sub-node yang lain dan hasil proporsi kclas pada node dt bawahnya pun 1cmyata banyak yang leb1h rendnh dnri niJai fl, yang rrengakibatkan training set akan terus dickspansi sa111>ai scluruh atnbut 1erpaka1. J1ka diamati dengan scksama pada Tabcl 2, walaupun nilai O. ditingkatkan. jumlah aturan yang dihas ilkan tidak mcngalami penurunan sccara sigmfikan . Bcrdasarkan pengarrotan yang dilakukan, temyatu karaktcnstik data pada training set yang digunakan tidak terlalu bcrbeda. pada saal tel)lldi ckspanst tree data tidak akan terlalu mcnyebar, karenanya jumlnh hi111>unan data yang ada pada sub ·node tidak berbeda jauh dengan JUmlah h1111>unan data yang adn pada root-node. Dengan adanya s1cuas1 yang demilcian, syarat untuk menghcnliknn ekspansi tree yaitu jumlah data atau record pada s11b-node harus leb1h kecil dari nilai 8. SU lit untuk Cercapat. Nilai 0, yang ter1alu rcndah dan atau o. yang terlalu tinggi akan menghasilkan tree dcngan ukuran yang kccil sehingga JUmlah aturan yang dihas ilkan juga sangat :.cdik:it, hal in1 lcl)adi karena tree yang scdang dibangun mcngalami pcrrotongan (pnming) pada saat rrodcl 1msih mc111>elaJari struktur dari training ~et. Sebahknya, nilai (I, yang tcrlalu tinggi dan 111au o. yang tcrlalu rcndah kadang kala akan menycbabkan /11:..-y decision tree bcrpcrilaku scperti dec1S1011 tree biasa yang tidak memerlukan adanya threshold behingga menghasilk.an tree dengan ukuran sangat besar dan jumlah aturan yang juga sangat banyak, karcna tree akan terus diekspansi sa""a1 leaf node terdalam
Ndai-mla1 0, dan 0, yang digunakan dipilih berdasarkan has ii percobaan. karcna dengan n ilai-nilai 1crscbu1 jumlah m:idel atau a1uran yang dihasilkan n-.:ngalami perubahan yang cukup signifikan. Dengan nilai 8, 70"/o, aturan yang dipcrolch tidak berbeda dcngan ntlat {), 75% sehingga nilai 8, hanya d1pilth SUfl1>UI 75%.
JO
2S t-""~ri:'""'"'l"'t~..1"l'J~~~ ~~.w~
!:h';~~i!f.l l'o~~~ ~hiiil-ol~
TABLE3
761"
RATA-RATA WAkT\J EKSEl.:U<;I DALAM DETIK
(},
75•;. 80'!1. 85% 90% 95% 98%
3%
s•1.
0,125 0,239 0,344 0,404 0,7 I 7 0,955
0,128 0,227 0,334 0,361 0,594 0,842
o.
-
ILSlt.
..
Gimbar 7 Pcrbu.nchngan rata-ra111 JWnlah at wan
8'!/e 0,120 0.214 0,308 0.328 0,492 0,712
10% 0,127 0,183 0,24• 0,264 0,356 0,544
Bcrdasarkan hasil percobaan. semakin tinggi nilai 0, scrmkin banyak pula aturan yang dihasilkan, hal ini le1Jad1 karena scbelum suatu node didommasi olch sebuah kelas dun proporsi untuk kelas tersebut di atas atau sann dcngan nila1 0, rmka tree akan 1erus d1ekspans1. Pnda Tabcl 2 1crliha1 bahwa,
Garrbar 7 menunjUkkan perbandingnn rata-rata jumlah aiuran yang dihasilknn pada proses training. Dapat ter1ih111 bahwa sc1mkin 1inggi nil111 0, akan menyebabkan jumlah amran yang dihasilkan Jugu meningkat, hal scbahknya tcrjadijika nilai semlkin tinggi maka aturan yang dthasilkan cenderung bcrlmrang.
o.
Vol
I
'No
V. EvALUASI KINERJA FI03
1,20!)
Evaluasi k:inerja algoritl'm 1'103 dapat dtketahm dengan cara rrcngh1tung rata-rata akura~i dari seluruh proses te~trng pada 10 lt!sl .Td yang bcrbcda. Evaluasi kinerj:i dari algontm:: FID3 pada nilai 0, dan (;).yang bcrbcda dapat dilihat pada Tabel 4.
I 000 ~ GlllO
i 0600
I
51
INTl~Nr:TWORKING INDONl:.SIA JOURNAL
2 (2009)
0."'4 G.2llll
O.OllO 1511.
TABU:.4
-
At..t;RASI FUllYDECtS/O.VTREF.
Gamoor 8 Pcroondingan rat11-rat11 waktu cksckusi proses trommg 93,45
Dengan melihat Qumar 7 dan Garrbar 8, dapat disi"l'ulkan bahwa, ~enukin tinggi ntlai 0, yang d1gunakan akan n-cnghas1lkan jumlah aturan yang serrokin banyak ~chingga waktu yang dibutuhkan untuk mengha~ilkan aturan-aturan tersebut jUga m:ningkat. hal ini terjad1 karcna proses yang harus d1lakukan untuk merman gun tree ~errokin banyak. Untuk mengukur akurasi dari model y:mg dihasilkan pada fase 1ru111ing, proses testing dllak"Ukan scbanyak 24-0 k.ali. Proses tes1111g dilakukan dengan cara merrosukkan aturan yang diperoleh dari proses training ke dalam sebuah FIS Mamdani [7] untuk menentukan kelas dari rmsing-rrosing record pada test set Untuk satu kali proses train111g dilakukan satu kali proses testing. Dengan mellhat has ii testi11g, mengubah nilai O,dan o. tidak menyebabkan adanya perubahan pada 01la1 akuras1 dari 100del yang ada, walaupun jumah aturan yang dihasilkan proses training mcngala1111 peningkatnn. Hal ini terjadi karcna secara kebetulan selllla aturan pada kcdua model terscbut mcmiliki kelas target yang sarro yaitu ncgatif diabetes dan test set yang digunakan JUga bcrasal dari kclas target yang sarro schingga has ii test111g dari kcdua buah model dengan test set yang sarm tidak n-.;ngalarn pcrubahan Na1T110 roodcl dcngan aturan yang seragam scpert1 1111 tidak dapat dipaka1 untuk m:lak'Ukan prediksi k:arcna beropapun nilai atribut ynng dibcrikan hasilnya akan sclalu negatif diabetes. Hasil Jesting akan bcrbcda jika aturan-aturan pada model yansi dihru:ilkan mcmiliki kel3s trug.:t yang bcrbcda. Model untuk training set pcrtama dcngan 0, (75%) Jan O. (3%)· II· Ci'OSf rcndah THEN Ncg:111f Diabetes lfGPOST ocdangTHEN Ncg;it1fDiabctcs IF GPOSf tini!jp THE:.N Nclliltif Diabetes IF GPOSf sangat tmeai THEN Ncgatif Diabetes
Pada test set kelUJUh dan kcdelapan, nilai ak'Urasi mcngalami pcnurunan saat 0, ditmgk:atkan m:njadi 80"/Q. Berdasarkan pcngarmtan yang dilakukan , kcadaan scpcrti ini dinrumkan overjitling karcna terlalu tmgginya 0, untuk trai11rng set tcrscbut, sehingga tree akan terns diekspansi sa"l'ai betulbctul sc~uai dcngan training set. Akibatnya tree memililci node-node yang rrengandung data yang mengalairi kesalahan klasifikas1.
92.07 91,73 91.73
93,45 93,10 93,10
93,45 93.45 93,45 93,4~
Dan Tabet 4 dapat dilihat bahwa lanel)a algontm: FID3 mengalami penurunan jika 01la1 (J, sc1rokm besar dan atau nilai semakin kecil. walaupun penurunan yang icrjadi tidaklah signifikan schingga rmsih dapat ditoleransi. Sepem tcbh dijelaskan scbclurmya kondis1 mi disebabkan karcna tel)admya fcnomcna over.fitting. Nila1 nkurasi terbaik yailu 94,15% dipcroleh pada 0, "" 75% dan o. =8 % atau 10"/o.
o.
VI. Kl:.SIMPULAN
Dari beri>agai pcrcobaan yang dilakukan tcrhadap data Diabetes didapat kcsr"l'ulan bahwa algoritme FID3 me1Tlhlc1 kinerja yang bailc dalam mcrrbentukji1.uy decision tree untuk data Oiabeics yang ada. Nllai akurasi terbaik dari roodcl yailu 94, I 5% diperolch pada .fi1=1ness control threshold (0.) = 75°4 dan leaf decision threshold (0.) =8 "• atau 10"/o. ~il3i 8.dan tJ. sangat bc,,,engaruh tcrhadap jumlah aturan yang dihasilkan. nilai 0, yang tcrlalu tinggi akan menyebabkan turunnya nilai akuras1 Di lain pihalc, oilai O. yang tcrlalu rendah JUga dapat menycbabkan akurast irenurun . REfl.RENCES
[I] E Co~ Fu:g• Modt!ling and Algon1hm1 for Dat11 mining and £xplorallo11 . USA Academic Press. 2005. (2) L. Fu. Neur11/ Net1mrk In Compult!r lnttllt!gtnct:. Singapura McGn1wHill. 1994 (3) J Han and \f. Kamber V..ta Mlfttng Concepl.1 and Techniques Simon Fraser University. USA· Morgan Kaufman, 2006 [4) Hcl'\\:11110. PC'ngt:mbangan S1stem Datu Mming unlllk Diagnosis Penyakll Diabttlt!S Mttnggunukan At1onlmt! Oassijicutiott Busrd Assoc1atron {Tcsis). Bogor Dep:utcmcn llmu Kompllcr Faltultu M1tcma1ib dan llmu Pcn~tahuan Alam lnst11ut Pcnania.n Boi:or, 2006. [SJ G Liang. .,. Compura1i1-e S111d1• of nrf't!t Dl'ds1on Tru ulgurilhm) /DJ. Fuzzy /DJ and Prohab1/istic Fu:, !DJ . lnformi>lic.> & Economics Erasmus Unr\'crsity Rottcrd;am Ro11crdam, the Netherlands, 2005. (6) C. Marsala Applica1io11 of Fu;;:y R11/t Induction lo D.itu Mini11g. U111vcrS1ty Pierre ct Marie Cune. 1998 [7) Ormos L. Soft Compurmg Mcthod On n.om 's Catustropht 11rwry For OJ111ro//i11J: Of lurge-Scalc· Systems UnivEJsty of Mi9
ISSN: 1942-9703 /f:J 2009 llJ
52
rNTERNETWORKING fNDONESIA JOURNAL
flrat Romansya h dilah1rk.i11 di l111lc:111c'l:1 p:1d:1 1ahu11 I 9~S. Dia mcmpcrolch i;clur S.uju11d llmu Kornputcr dad Dtpar1cmen llmu Kompticr, l11st1IU1 Pcrtanian Boi;or. lndonc~ia pada 1ah1U1 2007. S.Sa1 i111 dla bckerJ3 scblp1 As.wc;iat~ Businl'.U Consultunt {IT Consulton1) di PT AGIT (Mira Gr1ph11 Information Tcchnolo&Y) Im•• S ukaulh Sltangcang dllah1rkan dJ Indonesia pada t~hun 1975. Dia mcmpcrolch gcl11r Swjana Matcmatika dari Dcpancmen Ma1cmu11ku, lnst1tu1 Pcrtaniao Boiior. Indonesia pa
Sri Nu rdlatl dilahirkan d1 lndoncs1:a pada t ahim 1960. Dia mcmpcroleh gclu SarJana 9at1st1ka dart lnolitut PcrtaniJn Boi,'Or, lodoncs1a pada tahun 1984 dan mcndaput gclar Master llmu Kompu1er dari 1711: U11i~1mity of IJestern Ontario di Canada pada lahun I 99 t. l'uda tahun 2005 dia mcmpcroleh gclar Dok1or Matcm:itilca TcrJpun dart TH.t'nte Unm~m~1· c.b Bclancb. Saat 1111 d1a bckcrJa sc:bug;u do~n Ji Depancmcn llmu Kompiacr. ln:st1tU1 Pcn.mian Bogor. lndonc>ia Toptk Ulama pcncht1annya adalah scientific- rnmputmg
ROMANSYAH ET AL
..
lnternetworking Indonesia Journal n,e
ln donc..~1an
Journal ot ICT :iml lncernet Development
ISSN: 194!-9703
About the lnte rn c two rkin~ ln J onc~ ia Journal The lnterncrwork mg lndonrsin lnurnal (llj) w:'h escablishcJ our of the need ro aJdrt'" che l:iclc of an lndoncs1a-w1de mdepenJcnc acaJcnuc and profc~~ional 1ournal covering the broad aren of Information and Communication Technoloi.•y (l(T) and lncemct Jcwlorment m 1n.lonc~1:1
TI1e broaJ aims of rhe lnrernecworkmg Indonesia Journal (llJ) are therefore as
follow~:
Provide an lndonesia·widc independent joumal on lCT: The llJ seeks to be an lnJunc~ia·wide 1ournal independent from any specific in~murion' in l ndonc~i1 (such :i.s universities and S:<M:rnmcnr bodic~). Currcndy m lndonesm there arc numerou~ univerMty·issucJ journal~ chat publish parers only frool the rc~ pcccive un ivl.' r~icie~. O ften che.se university JOUrnals experience Jlfficulcy in maintaining su~cainab1l1ty due co the limited number of internally authored paper:.. Add1t1onally. moM of d1\.-,,e un1ver~iry·i•sued 1ournals do noc have an independent review and ad\•1sory hoard, and mosc do noc h:we referees anJ reviewer~ from tlw international community. Provide a publi.shini: venue for gr<1Juarc srudcn1~· The llJ seeks al,o to N: a ruhli,hin~ venue for graJuace >cudcnc• (such as M a~ccr' 'S! and Ph[)/ $) i.cuJcnt,) :ti. well a~ working academic' in the hroaJ field of ICT. TI'b include-~ graduate HUdcnt.i> from l ndone~ 1.m unl\·ersak;, anJ 1hoi.c ,ruJ ying .1broaJ. The llJ prm•ides an awnue tor these ~tuJents co publish their paper.. ro a juurnal which t) mtcrnacional m m n.....·icwcr 'cope anJ in 1u .1Jq~ory board lmpro\e the quaJicy llf relicarch & publicacionlt on lCT in lmlonc~ia: One of the long term goals of th.:: llJ is co promote on ICT :md Internet ,kvdopment in Indonesia, anJ over time ro impnwe the quality of academic and cechnical rublic.lnon' lrom the Indonesian ICT community. Addmonally, che llJ 'eeb to be 1hc mam publicanon \t:nue for v:mous authors Wllrldw1dc who~c inte rest include lnJonesm and l f lt grnwing area o( information anJ communication technology. rc>~earch
Pro..idc acces.o. co academics nnd professionals ovcm:as: The Ed1cor1:1I Advisory Board (EAB) of lhe llJ Is intentionally com· J)li,ed of mternacional academics and professi onals,~ well~ those from Indonesia. The aim here 1~ to pl'0\'1Je lndon~1an au thor, with access to mrernarional academic:. :1nd profoss1onals who are aware of and sensirive co che issues faci ng a dewloping nauon. Similarly, the llJ ~ecb to provide readers worldwide witl' easy acces:. to informacion regarding 1<.I and Internee Jc:vdormenc m ln done~ia. Promote cbe culture of WTiting an
