MULTIDIMENSIONAL ASSOCIATION RULE UNTUK MELIHAT POLA KETERKAITAN ASPEK GANGGUAN PADA VSAT IP TANTI NOPIANTI

MULTIDIMENSIONAL ASSOCIATION RULE UNTUK MELIHAT POLA KETERKAITAN ASPEK GANGGUAN PADA VSAT IP

TANTI NOPIANTI

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Multidimensional Association Rule untuk Melihat Pola Keterkaitan Aspek Gangguan pada VSAT IP adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juni 2014 Tanti Nopianti NIM G64086033

ABSTRAK TANTI NOPIANTI. Multidimensional Association Rule untuk Melihat Pola Keterkaitan Aspek Gangguan pada VSAT IP. Dibimbing oleh ANNISA. Penelitian ini bertujuan untuk menentukan pola keterkaitan dari gangguan pada divisi VSAT IP (Very Small Aperture Terminal Internet Protocol) dengan menggunakan metode aturan asosiasi multidimensi. Penelitian ini menggunakan kombinasi dari minimum support 40%, 30% dan 20% dan minimum confidence 50%, 60% dan 80%. Hasilnya menunjukkan bahwa aturan menarik dibentuk oleh kejadian item 'USO' (Universal Service Obligation) bersama-sama dengan dimensi 'area' dengan item 'Area-3' yang dihasilkan oleh aturan USOArea-3 dengan support 40% dan confidence 99.6%. Support tertinggi dari seluruh data dibentuk oleh dimensi ‘area’ dengan item ‘Area-3’ dengan nilai support 55.62%. Hal ini berarti lebih dari setengah data gangguan, terjadi di ‘Area-3’ yaitu wilayah Provinsi Kalimantan Timur, Sumatera Utara, Bali, Bengkulu, Jambi, Sumatera Barat, Riau, Kepulauan Riau, Bangka Belitung, Kalimantan Selatan, Kalimantan Tengah dan Kalimantan Barat. Area-3 adalah area yang perlu diperhatikan dalam perbaikan. Pertimbangan hasil aturan asosiasi dapat digunakan dengan mencari pola keterkaitan dari masing-masing dimensi pada data gangguan komunikasi. Kata kunci: Aturan asosiasi, Multidimensional Association Rule.

ABSTRACT TANTI NOPIANTI. Multidimensional Association Rule to Discover Interference Relationship Patterns on VSAT IP. Supervised by ANNISA. This study aimed to give some considerations of interference on VSAT IP (Very Small Aperture Terminal Internet Protocol) by using multidimensional association rule. This study used the combinations of minimum support of 40%, 30% and 20% and minimum confidence of 50%, 60% and 80%. The result showed that the highest value was established by the occurence of itemset 'USO' (Universal Service Obligation) together with the dimension of ‘area’ with the itemset ‘Area-3’ which was produced by rule USOArea-3 with the minimum support of 40% and the confidence of 99.6%. The highest support of the whole data was established by dimension of ‘area’ with the itemset ‘Area-3’ by the support value of 55.62%. This means that on half of the data, interference occurred in Area-3, comprising East Kalimantan, North Sumatera, Bali, Bengkulu, Jambi, West Sumatera, Riau, Riau Archipelago, Bangka Belitung, South Kalimantan, Central Kalimantan and West Kalimantan. Hence, Area-3 is the area that needs to be considered in maintenance. Considerations of the association result can be used to find relationship patterns from each dimension on communications interference data. Keywords: Association Rule, Multidimensional Association Rule.

MULTIDIMENSIONAL ASSOCIATION RULE UNTUK MELIHAT POLA KETERKAITAN ASPEK GANGGUAN PADA VSAT IP

TANTI NOPIANTI

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

Judul Skripsi : Multidimensional Association Rule untuk Keterkaitan Aspek Gangguan pada VSAT IP Nama : Tanti Nopianti NIM : G64086033

Disetujui oleh

Annisa, S.Kom., M.Kom. Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

Tanggal Lulus:

Melihat

Pola

PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas segala curahan rahmat dan karunia-Nya sehingga penelitian ini berhasil diselesaikan. Shalawat dan salam semoga senantiasa tercurah kepada Nabi Muhammad shalallahu ‘alaihi wassalam, keluarganya, para sahabat, serta para pengikutnya. Karya tulis ini merupakan salah satu syarat memperoleh gelar Sarjana Komputer di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Judul dari karya ilmiah ini adalah Multidimensional Association Rule untuk Melihat Pola Keterkaitan Aspek Gangguan pada VSAT IP. Penyelesaian penelitian ini tidak terlepas dari dukungan dan bantuan berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih sebesarbesarnya kepada: 1 Kedua orang tua tercinta Koesbiyanto dan Ibunda Suwarsih, adik Widya Kusuma Rini, dan segenap keluarga besar penulis atas do’a, dukungan, semangat, kasih sayang, dan perhatian yang tidak pernah berhenti diberikan selama ini. Ibu Annisa, S.Kom., M.Kom. selaku pembimbing, Ibu Dr. Imas Sitanggang, 2 S. Si., M. Kom. dan Bapak Hari Agung Adrianto, S.Kom., M.Kom. selaku dosen penguji, atas waktu, ilmu, kesabaran, nasihat, dan masukan yang diberikan. 3 Teman-teman penulis di Ekstensi Ilmu Komputer Angkatan 3, teman satu bimbingan, serta teman-teman lain yang tidak dapat penulis sebutkan satu per satu atas bantuan, motivasi, kebersamaan, serta semangat kepada penulis. 4 Departemen Ilmu Komputer, Bapak/Ibu Dosen dan Tenaga Kependidikan yang telah begitu banyak membantu baik selama pelaksanaan penelitian ini maupun sebelumnya. Kepada semua pihak lainnya yang telah memberikan kontribusi yang besar selama pengerjaan penelitian ini yang tidak dapat disebutkan satu-persatu, penulis ucapkan terima kasih banyak. Semoga karya ilmiah ini bermanfaat.

Bogor, Juni 2014 Tanti Nopianti

DAFTAR ISI PRAKATA

vi

DAFTAR ISI

vii

DAFTAR TABEL

ix

DAFTAR LAMPIRAN

ix

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

1

Tujuan Penelitian

1

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

2

Association Rule

2

Multidimensional Association Rule

3

Algoritme Apriori

4

Very Small Aperture Terminal (VSAT)

5

Preventive Maintenance (PM) dan Corrective Maintenance (CM)

6

Signal Quality Factor (SQF)

6

Cross Polarization Interference (CPI)

6

METODE

6

Identifikasi Masalah

6

Pengumpulan Data

7

Praproses

9

Pembangkitan Frequent Predicate Sets

9

Pembangkitan Association Rules

9

Analisis Rules

10

Lingkungan Pengembangan

10

HASIL DAN PEMBAHASAN

10

Seleksi Data

10

Pembersihan Data

10

Transformasi Data

11

Data Mining SIMPULAN DAN SARAN

13 16

Simpulan

16

Saran

16

DAFTAR PUSTAKA

16

RIWAYAT HIDUP

31

DAFTAR TABEL 1

Contoh dimensi dalam aturan asosiasi 1 dimensi

3

2

Contoh dimensi dalam aturan asosiasi multidimensi

4

3

Data asli yang digunakan untuk awal praproses

8

4

Kategori untuk dimensi CPI

11

5

Kategori untuk dimensi SQF

11

6

Pengelompokan cakupan beberapa wilayah menjadi area

12

7

Pengelompokan beberapa pelanggan menjadi 1 kategori pelanggan

12

8

Large 1-itemset dengan minimum support 40%, 30% dan 20%.

13

9

Large 2-itemset dengan minimum support 40%, 30% dan 20%.

13

Empat aturan asosiasi dengan confidence tertinggi untuk minimum support 20%.

14

Aturan asosiasi dengan minimum confidence di atas 50% dengan hasil PM dan CM

15

10 11

DAFTAR LAMPIRAN 1

Sampel data awal sebelum dilakukan pemilihan field yang akan di mining

17

Sampel data yang telah dilakukan pemilihan field yang akan di mining

17

3

Large itemset dengan minimum support 40%, 30% dan 20%

18

4

Tabel hasil aturan asosiasi dengan minimum support 20% dan minimum confidence 50%

21

Tampilan awal masukan minimum support dan minimum confidence pada sistem.

27

Contoh keluaran ketika diberi masukan minimum support 40% dan minimum confidence 80%

27

7

Fungsi untuk membuat kombinasi item dalam array

28

8

Fungsi untuk membuat L1

29

9

Fungsi untuk membuat L2

29

Fungsi untuk membuat L3 sampai L7

30

2

5 6

10 11

1

PENDAHULUAN Latar Belakang Dalam kesehariannya Operation Maintenance di Metrasat, sebuah instansi dalam bidang telekomunikasi, mencatat dan menangani banyak gangguan komunikasi, salah satunya di bagian VSAT IP (Very Small Aperture Terminal Internet Protocol). Gangguan yang terjadi dalam setiap harinya datang dari pelanggan yang beragam. Pihak helpdesk mencatat dan melakukan penanganan pertama atas gangguan yang terjadi, kemudian engineer masing-masing kelompok pelanggan akan menangani lebih lanjut pada tingkatan parameter gangguan tertentu. Pencatatan gangguan, setiap harinya dilakukan oleh helpdesk ke dalam sebuah sistem, begitu pula pencatatan berbagai lokasi yang telah dilakukan kunjungan oleh teknisi untuk pengecekan perangkat. Dalam catatan gangguan terekam lokasi gangguan, area gangguan serta parameter yang diperlukan. Cara sederhana yang sudah dilakukan oleh perusahaan untuk menganalisis data gangguan tersebut dengan menghitung banyaknya gangguan dalam setiap triwulan dalam area tertentu. Hasil pengolahan aspekaspek gangguan tersebut tidak dapat memberikan kesimpulan yang dibutuhkan seperti seberapa besar keterkaitan antar aspek-aspek gangguan. Kebijakan dalam penanganan gangguan, masih ditempuh berdasarkan informasi singkat berupa laporan yang didukung intuisi yang dapat mempengaruhi segala keputusan dan strategi yang akan diambil oleh manajer. Oleh sebab itu, diperlukan adanya sistem pendukung yang menerapkan konsep multidimensional berdasarkan data gangguan yang telah tercatat sebelumnya agar dapat diketahui keterhubungan antar aspek gangguan untuk bahan pengambilan keputusan. Metode yang akan digunakan untuk melihat keterkaitan antar aspek gangguan diharapkan dalam bentuk aturan yang mudah dipahami oleh manajer. Salah satu metode yang sesuai adalah model Multidimensional Association Rule. Perumusan Masalah Berdasarkan latar belakang yang disajikan di atas dapat diambil suatu rumusan masalah yaitu: 1 Bagaimana menentukan aturan asosiasi multidimensi dengan menggunakan algoritme Apriori untuk mencari keterkaitan antar aspek gangguan pada VSAT IP. Bagaimana menghasilkan pola keterkaitan antar komponen gangguan 2 komunikasi data sebagai bahan pengambilan keputusan dengan menggunakan algoritme Apriori. Tujuan Penelitian Penelitian ini bertujuan mengimplementasikan model multidimensional association rule dengan menggunakan algoritme Apriori untuk mengetahui keterkaitan antar aspek gangguan komunikasi data pada VSAT IP.

2

Manfaat Penelitian Manfaat dari penelitian ini ialah menghasilkan pola keterkaitan antarkomponen dalam hasil pencegahan penanganan gangguan maupun perbaikan dalam penanganan gangguan komunikasi data. Hasil dari pola keterkaitan tersebut dapat digunakan sebagai bahan pengambilan keputusan. Ruang Lingkup Penelitian Data yang digunakan untuk melihat pola keterkaitan antar dimensi adalah data gangguan komunikasi data sejak bulan Mei 2011 hingga September 2012. Data tersebut berisi area lokasi gangguan, kriteria gangguan, serta waktu terjadinya gangguan.

TINJAUAN PUSTAKA Association Rule Association rule mining adalah salah satu teknik data mining dan merupakan bentuk paling umum dari penentuan pola dalam unsupervised learning system (Kantardzic 2003). Ukuran kemenarikan yang dapat digunakan dalam association rule mining adalah (Han dan Kamber 2006): a Support, suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item atau itemset dari keseluruhan transaksi. Support diperoleh dengan menggunakan persamaan: support(A ⇒ B)

= P(A =

b

(

B)………….(1) )

dengan: support(A ⇒ B) : support item A dan B ( ) : jumlah kemunculan item A bersamaan dengan item B N : jumlah seluruh transaksi Confidence, suatu ukuran yang menunjukkan hubungan antara 2 item secara kondisional. Confidence diperoleh dengan menggunakan persamaan: confidence(A ⇒ B)= P(B|A)……...……(2) =

support(

)

support( )

dengan: confidence(A ⇒ B) : confidence item A dan B support(A B) : support item A dan B support(A) : support item A

3

Beberapa model association rule yang selama ini telah digunakan yaitu (Han dan Kamber 2006): a Single level association rule. Contoh: buys(X, “computer”) ⇒ buys(X, “HP printer” Dalam single level association rule, jika aturan dalam sebuah set himpunan yang diberikan tidak berdasarkan atribut pada level yang berbeda, maka atribut tersebut berisi aturan asosiasi single-level. b Multilevel association rule. Contoh: buys(X, “laptop computer”) ⇒ buys(X, “HP printer”) Perbedaan dengan poin sebelumnya, bahwa dalam multilevel association rule menunjuk kepada aturan pada level yang berbeda yakni computer berada pada tingkatan di atas laptop computer. c Interdimensional association rule. Contoh: age(X, “20...29”) ⋀ occupation(X, “student”) ⇒ buys(X, “laptop”) Aturan tersebut mengandung 3 predikat (age, occupation, dan buys). Interdimensional association rule adalah aturan dalam multidimensional association rule dengan tanpa perulangan predikat. d Hybrid-dimensional association rule. Contoh: age(X, “20...29”) ⋀ buys(X, “laptop”) ⇒ buys(X, “HP printer”) Ada 2 macam model untuk multidimensional association rule, yang membedakan dari keduanya adalah pada interdimensional association rule tidak diperbolehkan adanya pengulangan predikat/dimensi yang sama pada sebuah rule, sementara hybrid-dimensional association rule memperbolehkan terjadinya pengulangan predikat sebuah rule (Han dan Kamber 2006). Multidimensional Association Rule Sebuah association rule yang terdiri atas 2 atau lebih dimensi atau predikat dapat disebut multidimensional association rule. Dalam multidimensional association rule, setiap atribut berperilaku sebagai sebuah dimensi. Setiap predikat yang berbeda pada sebuah rule adalah sebuah dimensi yang berbeda pula. Contoh dimensi dalam aturan asosiasi satu dimensi dapat dilihat pada Tabel 1. Tabel 1 Contoh dimensi dalam aturan asosiasi 1 dimensi Dimensions

Id/Row Itemsets

buy

1

Item1, Item2

buy

2

Item3

buy

3

Item2, Item5

Pada aturan 1 dimensi, pencarian fokus pada frequent itemset untuk mengetahui seberapa banyak kemunculan item dalam keseluruhan baris. Contoh dimensi dalam aturan asosiasi multidimensi dapat dilihat pada Tabel 2.

4

Tabel 2 Contoh dimensi dalam aturan asosiasi multidimensi Dimensi/Predicates Rows age, buy

1, 2

income

3

buy, occupation

2, 5

Pada aturan multidimensi, pencarian fokus pada frequent predicate set. Pencarian tersebut untuk mengetahui seberapa banyak kemunculan item dalam dimensi tersebut dalam keseluruhan data. Algoritme Apriori Algoritme apriori menghitung frequent itemsets dalam basis data melalui beberapa iterasi. Iterasi i menghitung semua frequent i-itemsets (itemsets dengan element i). Tiap iterasi memiliki 2 langkah: candidate generation dan candidate counting and selection. Pada fase pertama dalam iterasi pertama, set yang dibangkitkan dari candidate itemset mengandung semua 1-itemsets (dalam hal ini semua item dalam dataset). Pada fase candidate counting, algoritme akan menghitung support dan mencari lagi candidate itemset dalam keseluruhan basis data. Kemudian pada akhirnya, hanya 1-itemsets dengan minimum support tertentu yang memenuhi threshold yang dipilih sebagai 1-frequent item. Berdasarkan pengetahuan tentang infrequent itemsets yang diperoleh dari iterasi sebelumnya, algoritme Apriori mereduksi set dari candidates itemsets dengan pruning (menggunakan Apriori) candidate itemsets yang tidak frequent. Pruning dilakukan berdasarkan observasi bahwa jika sebuah itemset adalah frequent maka semua subsetnya adalah frequent sehingga sebelum memasuki step perhitungan kandidat, algoritme ini tidak melihat candidate itemsets yang memiliki subset yang tidak frequent. Proses iterasi Apriori akan berhenti ketika tidak ada lagi kandidat i-itemsets yang dapat disilangkan. Berikut adalah algoritme Apriori yang digunakan untuk mencari frequent itemsets dengan menggunakan iterasi (Han dan Kamber 2006). (1) L1 = find_frequent_1-itemsets (D); (2) for (k=2; Lk-1 ≠ Ø; k++) { (3) Ck = apriori_gen (Lk-1); (4) for each transaction t D { //scan D for counts (5) Ct = subset(Ck,t); //get the subsets of t that are candidates (6) for each candidate c Ct (7) c.count++; (8) } (9) Lk = {c Ck | c.count min_sup} (10) } (11) return L = kLk;

5

Procedure apriori_gen(Lk-1:frequent (k-1) –itemsets) (1) for each itemset l1 Lk-1 Lk-1 (2) for each itemset l2 (3) if(l1[1] = l2[1]) (l1[2] = l2[2]) … (l1[k-2] = l2[k-2]) (l1[k-1] < l2[k-1]) then { (4) c = l1 x l2; // join step: generate candidates (5) if has_infrequent_subset(c, Lk-1) then (6) delete c; //prune step: remove unfruitful candidate (7) else add c to Ck; (8) } (9) return Ck; procedure has_infrequent_subset(c: candidate k-itemset; Lk-1: frequent(k-1)-itemsets); //use prior knowledge (1) for each(k-1)-subset s of c Lk-1 then (2) if s (3) return TRUE; (4) return FALSE;

a

b c

d e f g h

Beberapa istilah yang digunakan dalam algoritme Apriori antara lain: Support untuk aturan asosiasi adalah perbandingan banyaknya kejadian pada basis data ketika sekumpulan item A dan sekumpulan item B terdapat pada sebuah transaksi. Definisi dari support, yaitu sebagai berikut: Probabilitas atribut atau kumpulan atribut A dan B yang terjadi secara bersamaan. Confidence adalah kuatnya hubungan antar item dalam aturan asosiasi. Minimum support adalah parameter yang digunakan sebagai batasan frekuensi kejadian atau support count yang harus dipenuhi suatu kelompok data untuk dapat dijadikan aturan Minimum confidence adalah parameter yang digunakan untuk mendefinisikan minimum nilai kepercayaan yang harus dipenuhi. Itemset: Kelompok item. Support count adalah frekuensi kejadian untuk sebuah kelompok item dari keseluruhan transaksi. Candidate itemsets adalah itemset yang akan dihitung support countnya. Large itemset adalah itemset yang sudah melewati batas minimum support yang telah diberikan. Very Small Aperture Terminal (VSAT)

Very Small Aperture Terminal (VSAT) digambarkan dengan terminalterminal penerima/pengirim sinyal berupa stasiun bumi satelit kecil berdiameter antara 0.9 sampai dengan 3.8 meter yang digunakan untuk melakukan

6

pengiriman/penerimaan data, gambar maupun suara via satelit. Satelit berfungsi sebagai penerus sinyal untuk dikirimkan ke titik lainnya di atas bumi. Teknologi VSAT pertama kali dikenal di Amerika Serikat pada awal tahun 1980-an. VSAT masuk pertama kali ke Indonesia tahun 1989 seiring dengan bermunculannya bank-bank swasta yang sangat membutuhkan sistem komunikasi online seperti Automated Teller Machine (ATM) (Satkomindo 2008). Preventive Maintenance (PM) dan Corrective Maintenance (CM) Preventive Maintenance (PM) dapat diartikan sebagai suatu bentuk penanganan pencegahan gangguan komunikasi. PM dilakukan untuk perawatan dan perbaikan oleh teknisi dalam menangani perangkat dan fasilitas yang ada di lokasi dalam hal memuaskan kondisi pengoperasian dengan cara inspeksi, deteksi dan koreksi galat sebelum terjadi yang lebih mayor. Maintenance termasuk ke dalamnya adalah testing, pengukuran, dan pengecekan perangkat. Corrective Maintenance (CM) dapat diartikan sebagai bentuk tindakan perbaikan karena adanya gangguan di suatu lokasi (Hughes 2006). Signal Quality Factor (SQF) Signal Quality Factor (SQF) adalah sebuah ukuran dalam penerimaan kekuatan sinyal yang diterima. Ukurannya berkisar antara 0 point sampai 99 point. SQF merupakan ukuran kualitas, dan tidak mempengaruhi kecepatan jaringan ataupun bandwidth. SQF dapat dipengaruhi oleh cuaca yang sedang terjadi di lokasi, misalnya ketika hujan, nilai SQF yang didapatkan berkisar pada nilai di bawah 60 point. Jika cuaca sangat mendung, ukuran kualitas sinyal berada di nilai minimum 61 point. Ketika cuaca cerah maka nilai ukuran kualitas sinyal yang mungkin didapatkan antara nilai 75 point ke atas. Dengan melakukan pointing yang baik, maka akan didapatkan SQF yang baik pula dan SQF akan dikatakan sangat baik jika nilainya lebih dari dan sama dengan 85 point (Hughes 2006). Cross Polarization Interference (CPI) Cross Polarization Interference (CPI) adalah sebuah pengaturan sudut arah rambat transmisi ke satelit. Pengukuran CPI bertujuan untuk tes pengiriman data atau transmit data dan juga untuk memaksimalkan gelombang, apakah sudah mencapai hasil yang ditetapkan seperti nilai CPI minimal yaitu 30dB (Hughes 2006).

METODE Identifikasi Masalah Pelanggan yang menggunakan modem HX50 sebanyak 4000 titik pelanggan yang tersebar di seluruh wilayah di Indonesia. Banyaknya jenis kategori pelanggan dan wilayah/lokasi dengan kondisi cuaca tidak menentu dan faktor eksternal di lokasi dapat mempengaruhi adanya gangguan komunikasi data.

7

Salah satu solusi dalam penanganan permasalahan pada gangguan komunikasi data tersebut adalah dengan membuat suatu aplikasi yang dapat menghasilkan aturan untuk mempermudah analisis terhadap atribut-atribut yang berkaitan dengan penentuan preventive maintenance atau corrective maintenance. Pelaksanaan penelitian ini meliputi beberapa tahapan proses yang digambarkan melalui suatu metode penelitian pada Gambar 1. Mulai

Identifikasi Masalah Pengumpulan Data

Praproses

Algoritme Apriori Pembangkitan Frequent Predicate Sets Pembangkitan Aturan Asosiasi

Analisis Aturan Asosiasi Selesai

Gambar 1 Tahapan proses pada metode penelitian Pengumpulan Data Data yang digunakan pada penelitian ini adalah data pengecekan CPI dan hasil SQF dari bulan Mei 2011 sampai September 2012 untuk pelanggan yang menggunakan modem HX50, pada ruang lingkup pelanggan, provinsi, CPI dan SQF. Terdapat 2249 record gangguan dari sekitar 4000 titik pelanggan. Pelanggan yang memiliki nilai SQF di bawah 75 dan CPI di bawah nilai 30 sudah termasuk ke dalam data gangguan, dan segera dilakukan PM agar nilai SQF dan CPI normal kembali. Pengumpulan data dilakukan dengan melakukan transmit dengan memasukkan serial number modem yang digunakan di lokasi tersebut dan di atur dengan frekuensi yang sama pada spektrum, lalu nilai CPI yang tertera pada layar spektrum dilihat. Pengecekan SQF dan CPI terhadap titik pelanggan hanya bisa

8

dilakukan ketika titik pelanggan tersebut dalam keadaan menyala atau indikator pada monitoring system terdeteksi warna hijau. Karena ketika keadaan modem tidak menyala, tidak ada transmit ataupun receive pada link tersebut sehingga tidak dapat dilakukan pengukuran. Contoh data asli yang telah dikumpulkan dapat dilihat pada Tabel 3. Tabel 3 Data asli yang digunakan untuk awal praproses No

Lokasi

Provinsi

Pelanggan

SQF CPI

Tanggal Transmit

1

BPR Karanggeneng

Jatim

BPR

64

13

12/14/2011 PM

2

ATM BRI Pamela VI Yogyakarta

DIY

BRI

91

32

12/14/2011 PM

3

KPC Muara Teweh

Kalteng

POSINDO

15

28

12/4/2011

PM

4

USO Kec.Pagar Merbau Deli Serdang

Sumut

USO

92

34

12/3/2011

PM

5

…

…

…

…

…

…

…

*PM: Preventive Maintenance

PM / CM*

CM: Corrective Maintenance

Dalam Tabel 3, dapat dilihat ada 7 kolom data yang digunakan. Data tersebut perlu diolah terlebih dahulu dengan melakukan transformasi data, sehingga kolom-kolom dalam data asli nantinya akan berubah sesuai dengan transformasi yang dilakukan. Kolom data dalam tabel akan menjadi dimensi dalam data mining. Data asli kemudian ditransformasi menjadi beberapa dimensi, yakni, dimensi area (transformasi dari kolom provinsi), kategori pelanggan (transformasi dari kolom pelanggan), CPI, SQF, waktu, tahun, dan kategori PM/CM. Dimensi area yang bertransformasi dari kolom provinsi mengelompokkan lokasi tersebut berada pada wilayah yang banyak mengalami gangguan atau tidak. Dimensi kategori pelanggan mengelompokkan pelanggan berdasarkan kategori agar sebaran data tidak terlalu luas. Nilai dimensi CPI dan SQF menunjukkan apakah pelanggan tersebut ada pada kondisi lingkungan dengan penerimaan sinyal yang baik. Dimensi waktu dan tahun menunjukkan kapan terjadinyagangguan, sehingga waktu sebaran gangguan yang terjadi per tahun dapat diketahui. Setelah itu, dimensi-dimensi yang telah disebutkan tadi akan menentukan dalam hal pengambilan keputusan bahwa apakah lokasi-lokasi dalam area tertentu dengan nilai SQF dan CPI tertentu, akan dilakukan maintenance dengan kategori PM atau CM dengan tingkat kepercayaan di atas minimum confidence dan minimum support yang telah ditentukan.

9

Praproses Pada tahap praproses dilakukan proses pengolahan data perusahaan ke dalam format yang siap di mining. Dalam tahapan ini dilakukan penggabungan data dalam berbagai dimensi, seperti data pelanggan, data wilayah, data SQF dan CPI. Selain itu, ditentukan pula dimensi-dimensi yang dipilih dan akan digunakan untuk diproses. Keluaran dari praproses ini akan dilanjutkan ke Generate Frequent Predicate Sets. Pembangkitan Frequent Predicate Sets Pada tahapan ini dilakukan proses pencarian item yang sering muncul secara bersamaan dan dalam tahapan ini telah ditentukan nilai minimum support yang dijadikan ukuran. Pencarian frequent itemsets/frequent predicate sets dilakukan dengan menggunakan algoritme Apriori dengan iterasi berdasarkan pembentukan kandidat. Penerapan algoritme Apriori pada masing-masing kandidat digunakan untuk diterapkan pada data pengecekan CPI dan SQF, seperti berikut: 1 Menentukan field yang akan dikorelasikan 2 Menentukan data value 3 Menentukan minimum support dan minimum confidence Membentuk kombinasi berdasarkan field terpilih dengan data value yang 4 ditentukan. 5 Memberikan syarat jika support ≤ minimum support, maka itemset yang tidak memenuhi akan dipangkas. 6 Membangkitkan rules dari tiap korelasi yang memenuhi minimum support yang ditentukan. Pembangkitan Association Rules Pada tahap ini dilakukan proses pembentukan atau pencarian aturan asosiasi dengan masukan hasil dari frequent itemsets dan minimum confidence yang akan menghasilkan aturan asosiasi. Ketika frequent itemsets telah didapatkan, maka akan dibentuk aturan asosiasi kuat yang memenuhi minimum support dan minimum confidence. Aturan asosiasi dapat dibentuk dengan algoritme seperti berikut: 1 Dalam setiap frequent itemset l, bangkitkan semua subset yang tidak kosong dari l. 2 Dalam setiap subset s yang tidak kosong dari l, dihasilkan aturan “s => (lsupport ount (l)

s)” jika support confidence.

ount (s)

min_conf, min_conf adalah nilai batas minimum dari

10

Analisis Rules Aturan yang dihasilkan kemudian dianalisis untuk dijadikan bahan pertimbangan dalam penentuan maintenance melalui keterkaitan variabel-variabel yang telah di-mining. Lingkungan Pengembangan a b

Lingkungan pengembangan sistem adalah sebagai berikut: Perangkat lunak: sistem operasi Windows 8, PHP, MySQL, XAMPP, Browser, Microsoft Office Excel 2010. Perangkat keras: prosesor Intel® Core™ i3 CPU 2.20GHz, memori 4GB, harddisk 500 GB.

HASIL DAN PEMBAHASAN Penelitian dilakukan dengan mengacu pada metodologi yang telah disebutkan pada bab sebelumnya, yaitu meliputi tahapan seleksi data, pembersihan data dan transformasi data. Seleksi Data Tahap pertama adalah melakukan seleksi data terhadap data yang akan digunakan dalam proses data mining. Data yang digunakan pada penelitian ini adalah data pengecekan gangguan dari bulan Mei 2011 sampai September 2012 sebanyak 2249 record data, mencakup area, kategori pelanggan, CPI, SQF, waktu, tahun, dan kategori PM/CM. Data tersebut didapatkan dari helpdesk maintenance dalam format Excel. Dari keseluruhan gangguan yang terjadi, hanya dipilih gangguan dengan lokasi-lokasi yang menggunakan modem jenis HX50 saja. Penentuan akhir dari setiap gangguan yang terjadi adalah pada kolom kategori, yakni apakah akan dilakukan Preventive Maintenance (PM) atau Corrective Maintenance (CM). Pembersihan Data Data dalam format Microsoft Excel diubah formatnya menjadi DBMS MySQL untuk memudahkan dalam pengolahan data. Data tersebut dibersihkan dari beberapa hal berikut:  Data yang tidak lengkap. Contohnya, masukan kota yang tidak disertai dengan provinsi harus dilengkapi untuk memenuhi kolom area.  Kesalahan pengetikan. Contohnya, terdapat karakter lebih atau kurang pada penulisan kategori pelanggan  Kesalahan masukan. Contohnya, masukan isian tanggal pada kolom pelanggan. Data yang terjadi karena kesalahan pengetikan atau kesalahan masukan akan dihapuskan, karena tidak mungkin dilakukan penggantian dengan random data.

11

Transformasi Data Pada tahap ini dilakukan pengkodean data numerik ke kategorik untuk beberapa dimensi data. Data yang dikonversi adalah pada dimensi CPI, SQF, Waktu, dan Tahun. Data pada dimensi CPI yang tersebar antara nilai 1-99, dikonversi menjadi kategorik (Tabel 4). Tabel 4 Kategori untuk dimensi CPI Nilai Bawah

Nilai Atas

Deskripsi

1

19

Kriteria 1

20

24

Kriteria 2

25

29

Kriteria 3

29

99

Normal

Pengelompokkan pada dimensi CPI ditentukan berdasarkan analisis manajer. Kriteria 1, Kriteria 2, Kriteria 3 dan Normal digunakan untuk memudahkan penentuan PM dan CM. Nilai pada Kriteria 1 adalah yang terburuk, dengan nilai CPI antara 1-19, maka titik pelanggan yang memiliki CPI pada Kriteria 1 akan diprioritaskan lebih utama daripada Kriteria 2 dan Kriteria 3 untuk dilakukan maintenance. Data pada dimensi SQF yang tersebar antara nilai 0-99 dikodekan menjadi kategorik yang dapat dilihat pada Tabel 5. Tabel 5 Kategori untuk dimensi SQF Nilai Bawah

Nilai Atas

Deskripsi

0

30

wrong polarity

31

60

very bad

61

74

bad

75

84

good

85

99

very good

Pada dimensi waktu, rentang antara bulan Januari hingga Desember dibagi menjadi Triwulan I, Triwulan II, Triwulan III dan Triwulan IV. Perlakuan yang sama dilakukan untuk dimensi Tahun dibagi menjadi tahun 2011 dan tahun 2012. Untuk wilayah (kota atau provinsi) dipersempit cakupannya menjadi beberapa area seperti pada Tabel 6.

12

Tabel 6 Pengelompokan cakupan beberapa wilayah menjadi area Area Wilayah Area-1

Jakarta, Bogor, Depok, Tangerang, Bekasi, Jabar, Banten, Jateng, Jatim, Yogyakarta

Area-2

Lampung, Sumsel, Bali, Bengkulu, Jambi, Sumbar, Riau, Kepri, Babel, Batam, Kalsel, Kalteng, Kalbar

Area-3

Kaltim, Sumut, NAD, Sulbar, Sultra, Sulsel, NTB, NTT, Sulut, Sulteng, Gorontalo

Area-4

Maluku

Area-5

Papua

Pengelompokkan area menjadi 5 kategori diambil berdasarkan data internal di Divisi Metrasat. Wilayah tersebut sudah ditentukan berdasarkan persebaran keseluruhan pelanggan yang ada di Divisi Metrasat. Dalam penelitian ini, pelanggan dikategorikan berdasarkan penyebarannya seperti pada Tabel 7. Tabel 7 Pengelompokan beberapa pelanggan menjadi 1 kategori pelanggan Kategori Pelanggan

Pelanggan

Dephan

TNI, Emiliter, Dephan

Kantor Pos

Posindo

Kepolisian

Polda

Kesehatan

Depkes, Askes, Admedika

Oil & Gas

Pertagas, Pertamina, Medco, Petrosea, PT.Metco Pertamina

Pemerintahan

Adminduk, Deptan, Kejari, PLN, Dispenduk, Depag, Bulog, Pajak, BKD, Pemkab Tuban, Pegadaian, Pemkab, Pemprov DKI

Perbankan

BRI Unit, BNI, BTN, BCA Syariah, BPR, BPD Papua, Bank Nisp, BPD Sulteng, BPR Sultra, BII, ATM Niaga, Bank Jatim, BRI, CIMB Niaga, Bank Panin, BNI ATM, BRI Teras, BPD, BRI ATM, BCA, Bank Muamalat

Perkebunan

PT. MSL, PT.Inalum

Telekomunikasi

Gerai Halo

USO

USO, USO_Trial, Koperasi Nasari, KSU Mekar Jaya, Koperasi Nasari Tumpang Raya, USO PLIK

13

Data Mining Data terdiri atas 7 dimensi (Area, Pelanggan, SQF, CPI, Waktu, Tahun dan Kategori PM/CM) yang digunakan untuk proses mining. Beberapa dimensi pada data, sudah dibuat dengan tipe kategorik. Tabel data asli dan data yang sudah ditransformasi dapat dilihat pada Lampiran 1 dan Lampiran 2. Tahapan asosiasi dibagi menjadi 2 tahap, yaitu mencari frequent itemset dan pembentukan aturan asosiasi. 1

Frequent Itemset

Minimum support yang digunakan dalam penelitian ini adalah 40%, 30% dan 20%. Hal ini digunakan untuk melihat seberapa sering kemunculan itemset dalam data dan dihitung rasio antara kemunculannya dengan total jumlah record data. Keseluruhan pembentukan large itemset untuk minimum support 40%, 30% dan 20% dapat dilihat pada Lampiran 3. 1.1

Large 1-itemset

Pada iterasi 1-itemset, support yang memenuhi minimum support 40%, 30% dan 20% dapat dilihat pada Tabel 8. Berdasarkan tabel tersebut, dapat dilihat bahwa dari keseluruhan data, gangguan terbanyak terjadi pada Area-3 di Triwulan 2 dan di Tahun 2011. Tabel 8 Large 1-itemset dengan minimum support 40%, 30% dan 20%.

1.2

Dimensi

Rows

Support

Persen Support

Area tahun periode pm_cm pm_cm kat_pelanggan tahun

Area-3 Tahun 2011 Triwulan 2 PM CM USO Tahun 2012

1251 1245 1200 1192 1057 1006 1004

55.62% 55.36% 53.36% 53 % 47 % 44.73% 44.64%

Large 2-itemset

Pada iterasi 2-itemset untuk minimum support 40%, 30% dan 20%, dihasilkan 2 kombinasi yang dapat dilihat pada Tabel 9. Tabel 9 Large 2-itemset dengan minimum support 40%, 30% dan 20%. Dimensi

Rows

Support

Persen Support

area, kat_pelanggan

Area-3,USO

1002

44.55%

periode, tahun

Triwulan 2,Tahun 2011

907

40.33%

14

Berdasarkan hasil pada Tabel 9, kemunculan item Area-3 dalam dimensi area bersamaan dengan kemunculan item USO dalam dimensi kategori pelanggan mencapai support tertinggi untuk iterasi kedua. Hal ini mengindikasikan bahwa untuk kategori pelanggan USO banyak terjadi gangguan di Area-3. 2

Pembentukan Aturan Asosiasi

2.1 Pembentukan Large Itemset dengan Minimum Support 40%, 30% dan 20% Aturan asosiasi untuk minimum support 20% dan minimum confidence 50% diberikan pada Lampiran 4. Akan tetapi, aturan asosiasi yang dipilih hanya aturan asosiasi dengan confidence yang tinggi dan support yang baik pula, maka diambil contoh untuk 4 aturan teratas dari confidence yang tertinggi (Tabel 10). Tabel 10 Empat aturan asosiasi dengan confidence tertinggi untuk minimum support 20%. Dimensi

Rules

Confidence (%)

area,kat_pelanggan

USO  Area-3

99.6

area, kat_pelanggan

Area-3  USO

80.1

pm_cm, tahun

CM  Tahun 2011

78.33

pm_cm, tahun

Tahun 2012 PM

77.19

Confidence tertinggi dibentuk oleh aturan kemunculan dimensi area karena kemunculan dimensi kategori pelanggan. Confidence aturan ini cukup besar yaitu 99.6%. Dari aturan tersebut dapat dikatakan bahwa untuk melihat seberapa sering sebuah kategori pelanggan muncul di sebuah area, cukup dengan melihat kategori pelanggan USO, karena mayoritas gangguan di Area-3, terjadi karena gangguan pada kategori pelanggan USO. 2.2 Aturan asosiasi dengan Minimum Confidence > 50% dengan hasil PM dan CM Aturan asosiasi dengan minimum confidence di atas 50% yang menghasilkan aturan yang mengandung item PM dan CM dapat dilihat pada Tabel 11. Berdasarkan aturan 1 pada Tabel 11 yaitu Area-3,Tahun 2012  PM, dapat dinyatakan bahwa item Area-3 dalam dimensi area muncul bersamaan dengan item Tahun 2012 dalam dimensi tahun yang menghasilkan PM. Dalam aturan 1 tersebut menghasilkan confidence tertinggi dengan nilai 83.79%. Serta kemunculan item Area-3 dalam dimensi area bersamaan dengan kemunculan item Triwulan 2 dalam dimensi periode, dan Tahun 2011 dalam dimensi tahun yang menghasilkan CM dengan aturan Area-3,Triwulan 2,Tahun 2011  CM, mencapai confidence tertinggi dengan nilai 77.91%. Hal ini mengindikasikan bahwa pada Tahun 2012, PM banyak terjadi untuk Area-3 dengan tingkat keyakinan sebesar 83.79%. Lalu pada Triwulan 2 di Tahun 2011, CM banyak terjadi juga di Area-3.

15

Tabel 11 Aturan asosiasi dengan minimum confidence di atas 50% dengan hasil PM dan CM Dimensi area, pm_cm,tahun area, periode, pm_cm, tahun periode, pm_cm, tahun area, pm_cm, tahun pm_cm, tahun area, periode, pm_cm periode, pm_cm area, kat_pelanggan, pm_cm kat_pelanggan, pm_cm area, pm_cm

Rules Area-3,Tahun 2012  PM Area3,Triwulan 2,Tahun 2011  CM Triwulan 2,Tahun 2011  CM Area-3,Tahun 2011  CM Tahun 2011  CM Area3,Triwulan 2  CM Triwulan 2  CM Area-3,USO  PM

Confidence (%) 83.79

77.91

73.87 69.49 66.51 64.33 63.42 58.28

USO  PM

58.25

Area-3  PM

53.64

Tampilan awal sistem untuk menghasilkan aturan asosiasi pada gangguan VSAT IP dapat dilihat dalam Lampiran 5. Pada halaman tersebut, terdapat masukan mengenai threshold minimum support dan minimum confidence yang telah ditentukan. Proses pembangkitan frequent predicate sets selanjutnya dapat dilihat dalam Lampiran 6. Pada halaman tersebut dapat dilihat list itemset dengan minimum support yang telah ditentukan serta aturan-aturan asosiasi yang telah terbentuk berdasarkan minimum confidence yang telah ditentukan serta list itemset yang telah melalui proses pruning. Dalam aturan asosiasi, item dalam itemset dikombinasikan satu sama lain untuk dilakukan proses pruning dengan memenuhi threshold nilai minimum support menggunakan fungsi kombinasi yang dapat dilihat dalam Lampiran 7. Setelah proses pruning dilalui, maka proses selanjutnya adalah pembentukan aturan asosiasi berdasarkan list itemset yang memenuhi minimum support. Fungsi pembentukan Large Itemset-1 dapat dilihat pada Lampiran 8, pembentukan Large Itemset-2 dapat dilihat pada Lampiran 9 dan pembentukan Large Itemset-n dapat dilihat pada Lampiran 10.

16

SIMPULAN DAN SARAN Simpulan Setelah percobaan dengan minimum support 40%, 30% dan 20% serta minimum confidence 50%, 60% dan 80% dilakukan, ditemukan support tertinggi (55.62%) terdapat pada dimensi ‘area’ dengan itemset ‘Area-3’. Berarti lebih dari setengah gangguan terjadi wilayah Provinsi Kalimantan Timur, Sumatera Utara, Bali, Bengkulu, Jambi, Sumatera Barat, Riau, Kepulauan Riau, Bangka Belitung, Kalimantan Selatan, Kalimantan Tengah dan Kalimantan Barat. Nilai confidence tertinggi sebesar 99.6% didapatkan pada minimum support 40%, yang dihasilkan oleh aturan USO  Area-3 . Hal ini dapat bermakna bahwa banyak terjadi gangguan pada Area-3 pada kategori pelanggan USO. Aturan Area-3,Tahun 2012  PM (support 40% dan confidence 83.79%), menjelaskan bahwa kondisi PM (Preventive Maintenance) banyak terjadi pada Tahun 2012 di Area-3. Disisi lain, kondisi CM (Corrective Maintenance) banyak ditemukan pada Triwulan 2 di Tahun 2011 di Area-3 sebagaimana diperlihatkan oleh aturan Area-3,Triwulan 2,Tahun 2011  CM (confidence 77.91%). Dengan banyaknya CM pada tahun 2011, dan menurunnya confidence untuk CM di Area-3 di tahun 2012, maka dalam hal ini, penentu kebijakan telah dapat mengambil kesimpulan bahwa Area-3 adalah area yang perlu diperhatikan dalam PM dan CM, dan pelanggan USO adalah pelanggan yang paling sering mengalami gangguan. Penelitian ini sudah dapat menghasilkan aturan asosiasi berdasarkan metode aturan asosiasi multidimensional. Saran Untuk penelitian selanjutnya dapat dikombinasikan aturan asosiasi multidimensional dengan multilevel untuk mendapatkan pola asosiasi yang lebih menarik.

DAFTAR PUSTAKA Abadi B. 2007. Model Rule: Multilevel and Multidimension Association Rule untuk Analisa Market Basket pada PT. Maha Agung [skripsi]. Surabaya (ID): Universitas Kristen Petra Surabaya. Han J, Kamber M. 2006. Data Mining: Concepts and Techniques, Ed ke-2. San Fransisco (US): Morgan Kaufmann. Hughes. 2006. Hughes HX50 Broadband Terminal. Washington (US): Hughes. Kantardzic M. 2003. Data Mining: Concepts, Models, Methods and Algorithms. New Jersey (US): Wiley. Satkomindo. 2008. Pengertian Jaringan VSAT. [Internet]. [diunduh pada 2012 Jan 28]. Tersedia pada: http://www.satkomindo.com/indo/vsat.html.

17

Lampiran 1 Sampel data awal sebelum dilakukan pemilihan field yang akan di mining No

Lokasi

Prov

Pelanggan

SQF

CPI

Tanggal Transmit

PM / CM

1

BPR Karanggeneng

JATIM

BPR

64

13

12/14/2011

PM

2

ATM BRI Pamela VI Yogyakarta

DIY

BRI

91

32

12/14/2011

PM

3

KPC Muara Teweh

KALTENG

POSINDO 15

28

12/4/2011

PM

4

USO Kec.Pagar Merbau Deli Serdang

SUMUT

USO

92

34

12/3/2011

PM

5

…

…

…

…

…

…

…

Lampiran 2 Sampel data yang telah dilakukan pemilihan field yang akan di mining

No

Area

Kategori Pelanggan

SQF

CPI

Waktu

Tahun

PM / CM

1

Area1

PERBAN KAN

Bad

Kriteria 1

Triwulan 4

2011

PM

2

Area1

PERBAN KAN

Very Good

Normal

Triwulan 4

2011

PM

3

Area2

KANTOR POS

Wrong Polarization

Kriteria 3

Triwulan 4

2011

PM

4

Area3

USO

Very Good

Normal

Triwulan 4

2011

PM

5

…

…

…

…

…

…

…

18

Lampiran 3 Large itemset dengan minimum support 40%, 30% dan 20%

Itemset Dimensi/Fields

1 1 1 1 1 1 1 1

area tahun periode pm_cm pm_cm kat_pelanggan tahun kat_sqf

Rows

Persentase Support Support (%)

Minimum Support

Area-3

1251

55.62

40%, 30%, 20%

Tahun 2011

1245

55.36

40%, 30%, 20%

Triwulan 2

1200

53.36

40%, 30%, 20%

PM

1192

53

40%, 30%, 20%

CM

1057

47

40%, 30%, 20%

USO

1006

44.73

40%, 30%, 20%

Tahun 2012

1004

44.64

40%, 30%, 20%

Very Good

940

41.8

40%, 30%, 20%

1

kat_cpi

Normal

786

34.95

30%, 20%

1

kat_sqf

Good

737

32.77

30%, 20%

1

kat_cpi

Kriteria 3

677

30.1

30%, 20%

1

kat_pelanggan

KANTOR POS

674

29.97

20%

1

area

Area-1

584

25.97

20%

1

periode

Triwulan 3

573

25.48

20%

2

area, kat_pelanggan

Area-3, USO

1002

44.55

40%, 30%, 20%

periode, tahun

Triwulan 2, Tahun 2011

907

40.33

40%, 30%, 20%

pm_cm, tahun

CM, Tahun 2011

828

36.82

30%, 20%

pm_cm, tahun

PM, Tahun 2012

775

34.46

30%, 20%

area, periode

Area-3, Triwulan 2

771

34.28

30%, 20%

Triwulan 2, CM

761

33.84

30%, 20%

2 2 2 2 2

periode, pm_cm

19

Lanjutan Itemset Dimensi/Fields

Rows


Minimum Support

area, tahun

Area-3, Tahun 2011

708

31.48

30%, 20%

area, pm_cm

Area-3, PM

671

29.84

20%

kat_sqf, tahun

Very Good, Tahun 2011

638

28.37

20%

2

kat_pelanggan, periode

USO, Triwulan 2

616

27.39

20%

2

kat_pelanggan, pm_cm

USO, PM

586

26.06

20%

2

area, pm_cm

Area-3, CM

580

25.79

20%

area, kat_sqf

Area-3, Very Good

571

25.39

20%

kat_sqf, periode

Very Good, Triwulan 2

549

24.41

20%

area, tahun

Area-3, Tahun 2012

543

24.14

20%

2

kat_pelanggan, tahun

USO, Tahun 2011

541

24.06

20%

2

kat_sqf, pm_cm

Very Good, CM

517

22.99

20%

2

kat_pelanggan, kat_sqf

USO, Very Good

501

22.28

20%

2

kat_cpi, pm_cm

Normal, PM

470

20.9

20%

2


USO, Tahun 2012

465

20.68

20%

2

area, kat_cpi

Area-3, Normal

457

20.32

20%

2

kat_sqf, periode

Good, Triwulan 2

451

20.05

20%

periode, pm_cm, tahun

Triwulan 2, CM, Tahun 2011

670

29.79

20%

Area-3, USO, Triwulan 2

614

27.3

20%

2 2 2

2 2 2

3

3

area, kat_pelanggan, periode

20

Lanjutan Itemset Dimensi/Fields

3

3

area, kat_pelanggan, pm_cm area, periode, tahun

Rows


Minimum Support

Area-3, USO, PM

584

25.97

20%

Area-3, Triwulan 2, Tahun 2011

584

25.97

20%

3

area, kat_pelanggan, tahun

Area-3, USO, Tahun 2011

537

23.88

20%

3

area, kat_pelanggan, kat_sqf

Area-3, USO, Very Good

500

22.23

20%

3

area, periode, pm_cm

Area-3, Triwulan 2, CM

496

22.05

20%

3

area, pm_cm, tahun

Area-3, CM, Tahun 2011

492

21.88

20%

kat_sqf, pm_cm, tahun

Very Good, CM, Tahun 2011

469

20.85

20%

3



465

20.68

20%

3

kat_pelanggan, periode, tahun

USO, Triwulan 2, Tahun 2011

459

20.41

20%

3

area, pm_cm, tahun

Area-3, PM, Tahun 2012

455

20.23

20%

4

area, kat_pelanggan, periode, tahun

Area-3, USO, Triwulan 2, Tahun 2011

457

20.32

20%

area, periode, pm_cm, tahun

Area-3, Triwulan 2, CM, Tahun 2011

455

20.23

20%

3

4

21

Lampiran 4 Tabel hasil aturan asosiasi dengan minimum support 20% dan minimum confidence 50% Confidence (%)

Itemset

Dimensi / Fields

Rules



USO, Tahun 2012  Area-3

100



USO, Very Good  Area-3

99.8



USO, Triwulan 2  Area-3

99.68

Area-3, USO, PM

area, kat_pelanggan, pm_cm

USO, PM  Area-3

99.66

Area-3, USO

area, kat_pelanggan

USO  Area-3

99.6



USO, Triwulan 2, Tahun 2011  Area-3

99.56



USO, Tahun 2011  Area-3

99.26



Area-3, CM, Tahun 2011  Triwulan 2

92.48



Area-3, Triwulan 2, CM  Tahun 2011

91.73



Very Good, CM  Tahun 2011

90.72



Triwulan 2, CM  Tahun 2011

88.04



Area-3, Very Good  USO

87.57

Area-3, USO, PM


Area-3, PM  USO

87.03



Area-3, Tahun 2012  USO

85.64



Area-3, CM  Triwulan 2

85.52



Area-3, USO, Tahun 2011  Triwulan 2

85.1

22

Lanjutan Confidence (%)

Itemset

Dimensi / Fields

Rules



USO, Tahun 2011  Triwulan 2

84.84


area, pm_cm, tahun

Area-3, CM  Tahun 2011

84.83



USO, Tahun 2011  Area-3, Triwulan 2

84.47


area, pm_cm, tahun

Area-3, Tahun 2012  PM

83.79


area, periode, tahun

Area-3, Tahun 2011  Triwulan 2

82.49



CM, Tahun 2011  Triwulan 2

80.92

Area-3, USO

area, kat_pelanggan

Area-3  USO

80.1



Area-3, Triwulan 2  USO

79.64



Area-3, CM  Triwulan 2, Tahun 2011

78.45

CM, Tahun 2011

pm_cm, tahun

CM  Tahun 2011

78.33



Area-3, Triwulan 2, Tahun 2011  USO

78.25



Area-3, Triwulan 2, Tahun 2011  CM

77.91

PM, Tahun 2012

pm_cm, tahun

Tahun 2012  PM

77.19



Area-3, Tahun 2011  USO

75.85

23


Itemset

Dimensi / Fields

Rules



Area-3, Triwulan 2  Tahun 2011

75.75


periode, tahun

Triwulan 2  Tahun 2011

75.58



USO, Triwulan 2  Tahun 2011

74.51



Area-3, USO, Triwulan 2  Tahun 2011

74.43



USO, Triwulan 2  Area-3, Tahun 2011

74.19



Triwulan 2, Tahun 2011  CM

73.87



Very Good, Tahun 2011  CM

73.51


periode, tahun

Tahun 2011  Triwulan 2

72.85

Triwulan 2, CM

periode, pm_cm

CM  Triwulan 2

72


area, pm_cm, tahun

Area-3, Tahun 2011  CM

69.49



Triwulan 2, CM, Tahun 2011  Area-3

67.91


kat_sqf, tahun

Very Good  Tahun 2011

67.87


area, pm_cm, tahun

Area-3, PM  Tahun 2012

67.81

CM, Tahun 2011

pm_cm, tahun

Tahun 2011  CM

66.51



Triwulan 2, CM  Area-3

65.18

24

Lanjutan Itemset

Dimensi / Fields

Rules

Confidence (%)

PM, Tahun 2012

pm_cm, tahun

PM  Tahun 2012

65.02



Area-3, Tahun 2011  USO, Triwulan 2

64.55



Triwulan 2, Tahun 2011  Area-3

64.39



Area-3, Triwulan 2  CM

64.33



Area-3, Tahun 2011  Triwulan 2, CM

64.27

Area-3, Triwulan 2

area, periode

Triwulan 2  Area-3

64.25

Triwulan 2, CM

periode, pm_cm

Triwulan 2  CM

63.42



CM  Triwulan 2, Tahun 2011

63.39

Area-3, Triwulan 2

area, periode

Area-3  Triwulan 2

61.63



Area-3, USO  Triwulan 2

61.28

USO, Triwulan 2


USO  Triwulan 2

61.23

Good, Triwulan 2

kat_sqf, periode

Good  Triwulan 2

61.19



USO  Area-3, Triwulan 2

61.03

Area-3, Very Good

area, kat_sqf

Very Good  Area-3

60.74

Normal, PM

kat_cpi, pm_cm

Normal  PM

59.8



Triwulan 2, CM  Area-3, Tahun 2011

59.79

25


Itemset

Dimensi / Fields

Rules


area, pm_cm, tahun

CM, Tahun 2011  Area-3

59.42



Area-3, Triwulan 2  USO, Tahun 2011

59.27



Area-3, Triwulan 2  CM, Tahun 2011

59.01


area, pm_cm, tahun

PM, Tahun 2012  Area-3

58.71

Very Good, Triwulan 2

kat_sqf, periode

Very Good  Triwulan 2

58.4

Area-3, USO, PM


Area-3, USO  PM

58.28

USO, PM

kat_pelanggan, pm_cm

USO  PM

58.25

Area-3, Normal

area, kat_cpi

Normal  Area-3

58.14

Area-3, USO, PM


USO  Area-3, PM

58.05

Area-3, Tahun 2011

area, tahun

Tahun 2011  Area-3

56.87



CM, Tahun 2011  Very Good

56.64

Area-3, Tahun 2011

area, tahun

Area-3  Tahun 2011

56.59

Area-3, PM

area, pm_cm

PM  Area-3

56.29



Triwulan 2  CM, Tahun 2011

55.83

Very Good, CM

kat_sqf, pm_cm

Very Good  CM

55



CM, Tahun 2011  Area-3, Triwulan 2

54.95

26

Lanjutan Itemset

Dimensi / Fields

Rules

Confidence (%)

Area-3, CM

area, pm_cm

CM  Area-3

54.87

Area-3, Tahun 2012

area, tahun

Tahun 2012  Area-3

54.08



Tahun 2011  Triwulan 2, CM

53.82

USO, Tahun 2011


USO  Tahun 2011

53.78

Area-3, PM

area, pm_cm

Area-3  PM

53.64



Area-3, USO  Tahun 2011

53.59



USO  Area-3, Tahun 2011

53.38

USO, Very Good

kat_pelanggan, kat_sqf

Very Good  USO

53.3



Very Good  Area-3, USO

53.19

USO, Triwulan 2


Triwulan 2  USO

51.33


kat_sqf, tahun

Tahun 2011  Very Good

51.24



Triwulan 2  Area-3, USO

51.17



Triwulan 2, Tahun 2011  USO

50.61



Triwulan 2, Tahun 2011  Area-3, USO

50.39



Triwulan 2, Tahun 2011  Area-3, CM

50.17

27

Lampiran 5 Tampilan awal masukan minimum support dan minimum confidence pada sistem.

Lampiran 6 Contoh keluaran ketika diberi masukan minimum support 40% dan minimum confidence 80%

28

Lampiran 7 Fungsi untuk membuat kombinasi item dalam array //fungsi kitemset //a = awal //banyak = banyaknya item //L = array kosong -> index //po = array yg itemnya mau di kombinasikan //jml = k itemset //supp = support function kitem($a,$banyak,$L,$po,$jml,$supp){ for($L[$a+1]=$L[$a]+1;$L[$a+1]<=$banyak;$L[$a+1]++) { $j = count($L);//jumlah array if ($j == $jml){//ini di pilih sesuai kitemset $komb="";//di ulang dengan mengosongkan $item=$kosong; foreach ($L as $i){ //echo "
->".$i."
"; if ($komb=="") $komb=$po[$i]; else $komb=$komb.",".$po[$i]; } $item = explode(",", $komb); $kombinasi = mysql_query("SELECT $komb,count(*) as jumlah FROM `t_pmcm` group by $komb"); while ($dt_kombinasi = mysql_fetch_array($kombinasi)){ if($dt_kombinasi[jumlah] >= $supp){ $tampungItem = ""; $item = array_unique($item); foreach($item as $gabItem){ if ($tampungItem=="") $tampungItem=$dt_kombinasi[$gabItem];

29

$tampungItem =

else $tampungItem.",".$dt_kombinasi[$gabItem]; }

mysql_query("INSERT INTO `t_tampung` (`kolom` ,`isi` ,`jumlah` ,`kombinasi`) VALUES ('$komb', '$tampungItem', '$dt_kombinasi[jumlah]', '$j');"); } } } $b=$a+1; $c=$banyak; $R=$L; kitem($b,$c,$R,$po,$jml,$supp); } }

Lampiran 8 Fungsi untuk membuat L1 //L1 //cek kolom $kolom = mysql_query("DESCRIBE

`t_pmcm`");

while ($dt_kolom = mysql_fetch_array($kolom)){ $L1 = mysql_query("SELECT $dt_kolom[Field] as kolom,count( * ) as jumlah FROM `t_pmcm` group by $dt_kolom[Field] "); while ($dt_L1 = mysql_fetch_array($L1)){ if($dt_L1[jumlah] >= $support) mysql_query("INSERT INTO `t_tampung` (`kolom` ,`isi` ,`jumlah` ,`kombinasi` ) VALUES ('$dt_kolom[Field]', '$dt_L1[kolom]', '$dt_L1[jumlah]','1');"); } }

Lampiran 9 Fungsi untuk membuat L2 //L2 $tampung = array(); $tampung[] = 'tampung'; $kolom = mysql_query("SELECT WHERE kombinasi = 1 GROUP BY

`kolom` FROM `kolom` ");

`t_tampung`

30

while($dt_kolom = mysql_fetch_array($kolom)){ $tampung[] = $dt_kolom[kolom]; } $banyak = mysql_num_rows($kolom); if($banyak >= 2) kitem(0,$banyak,$L,$tampung,2,$support);

Lampiran 10 Fungsi untuk membuat L3 sampai L7 //L3 sampai L7 for($t=3;$t<=7;$t++){ if($stop != 1){ $ti = $t - 1; $kolom = mysql_query("SELECT `kolom` FROM `t_tampung` WHERE kombinasi = $ti GROUP BY `kolom` "); $bariskolom = mysql_num_rows($kolom); if($bariskolom == NULL || $bariskolom ==0) $stop = 1; else $stop = 0; $str = "0"; while($dt_kolom = mysql_fetch_array($kolom)){ $str = $str.",".$dt_kolom[kolom]; } $tampung2 = explode(",", $str); $tampung2 = array_unique($tampung2); sort($tampung2); $banyak = count($tampung2); $banyak=$banyak-1; if($banyak >= $t) kitem(0,$banyak,$L,$tampung2,$t,$support); } }

31

RIWAYAT HIDUP Penulis dilahirkan di Bogor pada tanggal 25 November 1987 sebagai anak pertama dari dua bersaudara dari Ayah Koesbiyanto dan Ibu Suwarsih. Pada tahun 2005 penulis lulus dari SMU Negeri 2 Bogor. Pada tahun yang sama, penulis diterima sebagai mahasiswa di Institut Pertanian Bogor (IPB) pada Program Diploma 3 Manajemen Informatika melalui jalur reguler. Penulis menyelesaikan pendidikan D3 selama 3 tahun dari tahun 2005 sampai dengan 2008. Setelah lulus, penulis memutuskan untuk melanjutkan pendidikannya sebagai mahasiswa Program Sarjana Penyelenggaraan Khusus Departemen Ilmu Komputer IPB pada tahun 2008. Selama melaksanakan kuliahnya, penulis juga bekerja sebagai Junior Engineer Provisioning-1 VSAT IP di Metrasat oleh PT. Telkom Indonesia, Tbk sejak bulan November 2010 sampai dengan sekarang. Penulis dapat dihubungi melalui alamat email [email protected].

MULTIDIMENSIONAL ASSOCIATION RULE UNTUK MELIHAT POLA KETERKAITAN ASPEK GANGGUAN PADA VSAT IP TANTI NOPIANTI

Recommend Documents