PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN (SPK) UNTUK MENENTUKAN KELAIKLAUTAN KAPAL Oleh Pembimbing
: Bambang Setiawan : 1. Prof. Ir. Raden Sjarief Widjaja, Ph.D 2. DR-Ing. Ir. Setyo Nugroho ABSTRAK
Salah satu metode yang paling banyak digunakan untuk inferensi induksi adalah Decision Tree Learning, merupakan metode untuk menganalisa fungsi target yang bernilai diskrit, dimana fungsi pembelajarannya direpresentasikan dalam bentuk pohon keputusan. Algoritma ID3 (Iterative Dichotomiser 3) adalah algoritma yang paling banyak digunakan untuk men-generate pohon keputusan. Algoritma ini dikenalkan oleh Ross Quinlan, menggunakan teori informasi untuk menentukan atribut yang paling informatif. Kelemahan dari algoritma ID3 adalah ketidakstabilannya dalam melakukan klasifikasi data apabila terjadi sedikit perubahan pada data training. Pada tesis ini akan diangkat permasalahan pengambilan keputusan untuk menentukan kelaiklautan kapal, dan yang akan dibahas pada penelitian ini adalah bagian keselamatan kapal yang terdiri atas tiga aspek utama (nautis, teknis dan radio). Dari masing-masing aspek utama akan dilakukan analisa sampai dengan level sub kriteria. Pemilihan metode pohon keputusan dan algoritma ID3 untuk men-generate pohon keputusan adalah karena hasil dari keputusan penentuan kelaiklautan kapal bernilai diskrit (Laik dan Tidak Laik) dan SPK untuk menentukan kelaiklautan kapal telah selesai dirancang. Kata Kunci : Pohon Keputusan, Algoritma ID3, SPK, Kelaiklautan Kapal 1. PENDAHULUAN 1.1 Latar Belakang Kita sering menjumpai permasalahan dalam pengambilan keputusan baik didalam keseharian kita maupun didalam lingkungan pekerjaan. Pada prakteknya kita biasa menggunakan pengalaman kita sebelumnya dan kita gunakan sebagai dasar dalam proses pengambilan keputusan. Dalam penelitian ini yang membahas mengenai proses pengambilan keputusan untuk menentukan kelaiklautan kapal, kita tidak bisa hanya mengandalkan pada pengalaman sebelumnya tetapi juga harus didasarkan kepada peraturan penetapan kelaiklautan kapal yang berlaku baik itu nasional maupun internasional, karena menyangkut keselamatan nyawa manusia. Memang disadari dalam melakukan pengembangan dibidang teknologi komputerisasi membutuhkan biaya dan waktu yang tidak sedikit, namun hal ini akan membuat segala sesuatunya menjadi lebih mudah dan efisien. Ditambah lagi kedepan tuntutan IMO (International Maritime Organization) teknologi perkapalan segalanya harus sudah berbasis komputer. Oleh sebab itu dirasa perlu dilakukan perancangan SPK berbasis komputer untuk menentukan kelaiklautan kapal. Dengan harapan nantinya proses pengambilan keputusan dapat dilakukan secara cepat, mudah, efisien dan seluruh data yang ada terekam secara baik didalam database, sehingga akan memudahkan dalam proses pencarian data. Metode
pendekatan yang akan digunakan untuk memodelkan data adalah menggunakan decision tree dan untuk men-generate pohon keputusan digunakan algoritma ID3. 1.2 Permasalahan Berdasarkan latar belakang diatas, salah satu pokok permasalahan yang akan diangkat adalah bagaimana meng-ekstrak pengetahuan untuk menentukan kelaiklautan kapal dalam proses perancanagan SPK, sehingga meminimalkan terjadinya kegagalan sistem pada kapal ataupun permasalahan lain yang mengganggu operasional kapal. Metode pendekatan yang digunakan adalah membentuk pohon keputusan dengan algoritma ID3. 2.
TINJAUAN PUSTAKA
2.1 Pohon Keputusan Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Contoh dari pohon keputusan dapat dilihat di Gambar 1. Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar 1 adalah identifikasi pembeli komputer,dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya. Dimulai dari node root, menggunakan tes terhadap atribut dari record yang belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node daun. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node daun. Pada pohon keputusan setiap simpul daun menandai label kelas
Gambar 1. Contoh Pohon Keputusan Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule). 2.2 Algoritma ID3 Iterative Dichotomiser 3 (ID3) merupakan sebuah metode yang digunakan untuk membangkitkan pohon keputusan. Algoritma pada metode ini berbasis pada Occam’s razor: lebih memilih pohon keputusan yang lebih kecil (teori sederhana) dibanding yang lebih besar. Tetapi tidak dapat selalu menghasilkan pohon keputusan yang paling kecil dan karena itu occam’s razor bersifat heuristik. Occam’s razor diformalisasi menggunakan konsep dari entropi informasi. Berikut algoritma dari ID3 :
Adapun sample data yang digunakan oleh ID3 memiliki beberapa syarat, yaitu: 1. Deskripsi atribut-nilai. Atribut yang sama harus mendeskripsikan tiap contoh dan memiliki jumlah nilai yang sudah ditentukan. 2. Kelas yang sudah didefinisikan sebelumnya. Suatu atribut contoh harus sudah didefinisikan, karena mereka tidak dipelajari oleh ID3. 3. Kelas-kelas yang diskrit. Kelas harus digambarkan dengan jelas. Kelas yang kontinu dipecah-pecah menjadi kategori-kategori yang relatif, misalnya saja metal dikategorikan menjadi “hard, quite hard, flexible, soft, quite soft”. 4. Jumlah contoh (example) yang cukup. Karena pembangkitan induktif digunakan, maka dibutuhkan test case yang cukup untuk membedakan pola yang valid dari peluang suatu kejadian. Pemillihan atribut pada ID3 dilakukan dengan properti statistik, yang disebut dengan information gain. Gain mengukur seberapa baik suatu atribut memisahkan training example ke dalam kelas target. Atribut dengan informasi tertinggi akan dipilih. Dengan tujuan untuk mendefinisikan gain, pertama-tama digunakanlah ide dari teori informasi yang disebut entropi. Entropi mengukur jumlah dari informasi yang ada pada atribut. Rumus menghitung entropi informasi adalah:
Rumus untuk menghitung gain adalah:
2.3 WEKA WEKA (Waikato Environment for Knowledge Analysis) adalah suatu perangkat lunak pembelajaran mesin yang populer ditulis dengan Java, yang dikembangkan di Universitas Waikato di selandia baru. WEKA adalah perangkat lunak gratis yang tersedia di bawah GNU General Public License. Pada WEKA menyediakan penggunaan teknik klasifikasi menggunakan pohon keputusan dengan algoritma J48. Teknik klasifikasi dan algoritma yang digunakan di WEKA disebut classifier. 3.
METODOLOGI PENELITIAN Obyek penelitian adalah semua tipe kapal berbendera Indonesia diatas 500GT. Data yang digunakan adalah data register kapal tahun 2006 yang dikeluarkan oleh Biro Klasifikasi Indonesia (BKI) dan data laporan hasil pemeriksaan kelaiklautan kapal serta mekanisme penentuan kelaiklautan kapal yang diatur didalam regulasi baik nasional maupun internasional. Berikut gambar skema kriteria yang mempengaruhi kelaiklautan kapal :
Gambar 2. Skema Kriteria Penentu Kelaiklautan Kapal Variabel bebas (predictor) pada penelitian ini adalah : 1. Untuk kriteria nautis : a. Dokumentasi b. Keselamatan pelayaran c. Alat-alat keselamatan d. Alat-alat pemadam e. Peralatan pemadam akomodasi & pelayanan 2. Untuk kriteria teknis : a. Sumber listrik darurat b. Sistem pencegahan kebakaran akibat listrik c. Mesin kemudi d. Instalasi kemudi & hidraulik e. Sistem keselamatan dari kebakaran f. Permesinan
3. Untuk kriteria radio : a. Sumber tenaga listrik b. Instalasi radio c. Alat-alat radio d. Dokumentasi Sedangkan variabel tidak bebasnya (output) adalah status kelaiklautan kapal. Variabel ini menyatakan status kapal yang dikategorikan sebagai kapal yang laik dan tidak laik. Data set disajikan dalam bentuk tabel yang terdiri dari : 1. Untuk kriteria nautis terdiri atas 7 kolom atribut (1atribut sampel, 5 atribut bebas, 1atribut klas) dengan 243 record. 2. Untuk kriteria teknis terdiri atas 8 kolom atribut (1atribut sampel, 6 atribut bebas, 1atribut klas) dengan 729 record. 3. Untuk kriteria radio terdiri atas 6 kolom atribut (1atribut sampel, 4 atribut bebas, 1atribut klas) dengan 127 record. Jadi total keseluruhan data yang dianalisa adalah berjumlah 1099 record. 4.
HASIL DAN PEMBAHASAN Berdasarkan hasil perhitungan information gain untuk kriteria nautis atribut yang memiliki nilai tertinggi adalah dokumentasi (N1) yang sekaligus merupakan root untuk model pohon keputusan nautis dan jumlah rule yang dihasilkan adalah sebanyak 63 rule, sebagaimana terlihat pada gambar 3 berikut :
Gambar 3. Decision Tree Kriteria Nautis Untuk kriteria teknis, berdasarkan hasil perhitungan information gain atribut yang memiliki nilai tertinggi dan sekaligus merupakan root untuk model pohon keputusan teknis adalah instalasi kemudi & hidraulik (T4) dan jumlah rule yang dihasilkan adalah sebanyak 127 rule, sebagaimana gambar berikut :
Gambar 4. Decision Tree Kriteria Teknis Untuk kriteria radio, berdasarkan hasil perhitungan information gain atribut yang memiliki nilai tertinggi yang sekaligus merupakan root untuk pohon keputusan kriteria radio adalah alat-lat radio (R3) dan jumlah rule yang dihasilkan adalah sebanyak 16 rule, sebagaimana gambar berikut :
Gambar 5. Decision Tree Kriteria Radio 5. KESIMPULAN 1. Berdasarkan pohon keputusan yang terbentuk dapat diketahui bahwa model prediksi kelaiklautan kapal dengan menggunakan pohon keputusan menunjukkan bahwa untuk kriteria nautis faktor yang paling mempengaruhi adalah dokumentasi, untuk kriteria teknis adalah instalasi kemudi dan hidraulik, sedangkan untuk kriteria radio adalah alatalat radio. 2. Penggunaan pohon keputusan untuk memprediksi kelaiklautan kapal kemungkinan bukan merupakan metode yang tepat, jika dilihat dari atribut yang merupakan faktor penentu utama kelaiklautan untuk masing-masing kriteria pada penelitian ini. 3. Penelitian lanjutan penggunaan metode lain untuk memprediksi kelaiklautan kapal mungkin akan memberikan hasil yang lebih baik dan lebih menggambarkan keadaan yang sebenarnya.
DAFTAR PUSTAKA Biro Klasifikasi Indonesia, 2007, Annual Report, Jakarta Biro Klasifikasi Indonesia, 2006, Pendidikan dan Pelatihan Marine Inspector, Jakarta Burch, John.dkk, 1989, Information System, Theory and Practice, 5th, John Wiley and Sons Inc, New York. Kadarsah, Suryadi, 1998, Sistem Pendukung Keputusan : Suatu Wacana Struktural dan Implementasi konsep pengambilan keputusan, 1st, Remaja Rosdakarya Offset, Bandung. McLeod, Jr. Raymond, 1996, Management Information System, A Study of ComputerBased Information System, 6th, Prentice Hall, Inc. Mitchell, Tom M., 1997, Lecture Slides for Textbook Machine Learning : Decision Tree, McGraw Hill. Mittra, Sitansu S., 1986, Decision Support System Tools and Techniques, A WilleyInterscien Publication. Saaty, Thomas L., 1997, Decision Support System for Leaders, A Wiley-Interscien Publication. Sprague, Ralph H and Carlson, Eric D., 1982, Building Effective Decision Support System, Prentice Hall, Inc., Englewood Cliffs, New Jersey. Sprague, Ralph H and Watson, Hugh J., 1993, Decision Support System, Putting Theory into Practice, Prentice Hall, Inc. 3rd –ed. Supomo, Heri, Ir, MSc., 1998, Materi Kuliah Sistem Informasi Manajemen, Jurusan Teknik Perkapalan, FTK-ITS, Surabaya. Thiearuf, Robert, CPA, PhD., 1982, Decision Support System and Effective Planning and Control : A Case Study Approach, Prentice Hall, Inc. Tokyo MOU, 2007, Annual Report On Port State Control In The Asia-Pacific Region, Jepang. Turban, Robert, CPA, PhD., 1982, Decision Support System : Management Support System, Eaglewood Cliffs, Prentice Hall, Inc., New Jersey.
