Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016
ISSN: 2089-9815
SISTEM PENENTUAN PEMASANGAN SALURAN AIR PDAM KOTA CIMAHI DENGAN MENGGUNAKAN CBR DAN ALGORITMA NEAREST NEIGHBORS Feri Frasetiyono1, Gunawan Abdillah 2 , Asep Id Hadiana 3 Program Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Jenderal Achmad Yani Jl.Terusan Jenderal Sudirman PO BOX 148 Cimahi, Jawa Barat, Indonesia E-mail: 1
[email protected] ABSTRAKS PDAM mempunyai kegiatan pemasangan sambungan langganan yang dilakukan oleh pelayanan langganan. Tingginya minat pelanggan baru untuk melakukan pemasangan sambungan langganan menyebabkan proses pemasangan sambungan langganan yang baru berjalan lambat dan banyaknya data pelanggan baru yang tidak diproses. Penelitian ini membuat sistem untuk menentukan layak atau tidak layaknya dilakukan pemasangan sambungan langganan yang baru di PDAM kota Cimahi menggunakan Case Base Reasoning dan algoritma Nearest Neighbors. Metode Case Based Reasoning dan algoritma Nearest Neighbors dipilih karena Case Based Reasoning (CBR) menyelesaikan permasalahan baru dengan cara mempergunakan kembali pengetahuan paling relevan yang telah dimiliki saat ini, kemudian melakukan proses adaptasi terhadap pengetahuan tersebut untuk menyesuaikan dengan permasalahan baru dan algoritma Nearest Neighbors untuk mencari kedekatan kasus baru dengan kasus lama. Dari 100 data uji dengan menggunakan 800 kasus terdahulu didapatkan kesesuaian 97 % dan melihat dari presentasi dapat disimpulkan algoritma Nearest Neighbors akurat . Kata Kunci: Pemasangan Sambungan Langganan Baru, Pelayanan Langganan, Case Based Reasoning
sebesar 77% (Abdiansah, 2013:11), Pada penelitian lain sebanyak 20 kasus dengan nilai treshold sebesar 0,6 Hasil uji coba menunjukan bahwa tingkat akurasi sistem sebesar 90%, dari 20 kasus terdapat dua kasus yang nilainya di bawah 0,7 yaitu pada kasus nomor 6 dan kasus nomor 12 sehingga sistem menganggap diagnosa tidak terlalu akurat(Nurdiansyah, 2009), Pada penenlitian lain pada Nearest Neighbors semua kasus akan terklasifikasi meskipun nilai kedekatannya belum tentu seratus 100%(Kusrini, 2009). Penelitian ini merancang sistem yang dapat menentukan layak atau tidak layaknya untuk pemasangan sambungan langganan yang baru di PDAM Cimahi dengan menggunakan metode Case Based Reasoning. Penentuan layak atau tidak layaknya untuk pemasangan sambungan langganan yang baru, dilakukakan dengan perbandingan antara data pelanggan baru dengan data pelanggan lama atau yang sudah ada sebelumnya. Solusi akhir didapat dari kemiripan antara data pelanggan baru dengan data pelanggan lama berdasarkan nilai bobot kemiripan tertinggi. Sistem yang telah diimplementasi dalam perangkat lunak nantinya dapat membantu dalam menentukan layak atau tidak layaknya untuk pemasangan sambungan langganan yang baru. Permasalahan yang dibahas pada penelitian ini adalah Banyaknya variabel yang digunakan untuk penentuan layak atau tidak layaknya dilakukan pemasangan sambungan langganan berdasarkan kasus lama sebagai basis pengetahuan, solusi akhir didapat dari kemiripan antara data pelanggan baru dengan data pelanggan lama berdasarkan nilai
1. PENDAHULUAN 1.1 Latar belakang masalah Air bersih merupakan kebutuhan primer yang sangat penting bagi manusia dalam kehidupan sehari-hari, terutama di kota-kota besar yang memiliki permasalahan untuk mendapatkan air bersih. Sehingga banyak warga terutama di daerah perkotaan yang menggunakan jasa pelayanan air dari Perusahaan Daerah Air Minum (PDAM). Proses pelayanan untuk pemasangan sambungan langganan yang baru di PDAM kota Cimahi masih dilakukan secara konvensional dalam bentuk formulir. Tingginya minat pelanggan baru untuk melakukan pemasangan sambungan langganan menyebabkan proses pemasangan sambungan langganan yang baru berjalan lambat dan banyaknya data pelanggan baru yang tidak diproses. Penentuan layak atau tidak layaknya proses pemasangan sambungan langganan yang baru dilakukan dengan cara membandingkan kasus baru dan kasus lama dengan memperhatikan beberapa faktor diantaranya pekerjaan, status rumah, lokasi pemasangan, penghasilan, peruntukan sebagai kasus baru dan data pelanggan tetap sebagai kasus lama. Case Based Reasoning (CBR) adalah sistem berbasis pengetahuan yang menyelesaikan masalah dengan melakupkan penalaran, berdasarkan pengetahuan paling relevan yang telah dimiliki. Beberapa penelitian secara keseluruhan terdapat 225 masukan untuk setiap kombinasi dari keempat masukan, dalam penelitian ini hanya menguji sebanyak 81 masukan yang diambil Dari hasil pengujian yang telah dilakukan terhadap 81 data, didapat rata-rata tingkat akurasi yang diperoleh
513
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016
similarity kemiripan tertinggi dengan menggunakan algoritma Nearest Neighbors
ISSN: 2089-9815
paling relevan ke dalam kasus yang baru, sehingga menghasilkan usulan solusi yang mungkin diperlukan suatu adaptasi dengan masalah yang baru tersebut. Pada proses reuse dipilih bobot tertinggi sebagai solusi. pada penelitian ini mampu menyamainya, yaitu mencapai angka 90%, atau minimal dapat memenuhi kualifikasi minimum sebagaimana yang telahditetapkan oleh WHO, yakni sebesar 85% (Wicaksono, 2014).
1.2
Referensi Case-Based Reasoning (CBR) atau Penalaran Berbasis Kasus disingkat dengan CBR merupakan salah satu metodologi dalam bidang Ilmu Komputer yang digunakan untuk menyelesaikan suatu permasalahan/kasus baru menggunakan kasus-kasus lama. CBR juga termasuk sebagai Sistem Berbasis Pengetahuan dan menjadi salah satu alternatif selain Rule-Based Reasoning (RBR). Ide dasar dari CBR adalah similar problems have similar solutions, setiap masalah yang sama dimungkinkan untuk mempunyai solusi yang sama pula. Pengetahuan yang dimiliki CBR direpresentasikan dalam bentuk cases/kasus-kasus setiap kasus berisi dua slot yaitu slot masalah dan slot solusi. Slot masalah berisi fitur-fitur deskripsi dari suatu masalah sedangkan slot solusi berisi solusi/penyelesaian dari masalah tersebut. Nilai kesamaan antara kasus baru dengan kasus-kasus lama dihitung menggunakan fungsi similaritas, semakin tinggi nilai similaritas semakin besar kesamaan solusi antara kasus baru dengan kasus-kasus lama. Adapun langkah-langkah Case Based Reasoning sebagai berikut ( ):
c. Revise Proses revise merupakan proses perbaikan solusi yang diberikan jika pada proses retrieve sistem tidak dapat memberikan hasil diagnosa yang tepat. d. Retain Proses retain merupakan proses memasukkan data kasus baru yang sudah ditemukan solusinya tersebut ke dalam basis pengetahuan yang nantinya dapat digunakan untuk kasus berikutnya yang memiliki permasalahan yang sama. Dalam proses CBR dapat menggunakan berbagai teknik, diantaranya adalah algoritma Nearest Neighbors. Algoritma Nearest Neighbors adalah pendekatan untuk mencari kasus dengan kedekatan kasus baru dengan kasus lama, yaitu berdasarkan pencocokan bobot dari sejumlah kasus yang ada. Metode ini mencari kesamaan kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada
a.
Retrieval Proses retrieve merupakan proses pencarian kemiripan antara kasus baru dengan kasus lama. Pencarian kemiripan antara kasus baru dengan kasus lama dilakukan dengan cara mencocokan gejala yang dimasukan oleh pengguna dengan gejala yang ada pada basis pengetahuan. Pada penelitian ini dilakukan pembobotan dengan menggunakan metode Nearest Neighbors Retrieval. Pada penelitian ini secara keseluruhan terdapat 225 masukan untuk setiap kombinasi dari keempat masukan, dalam penelitian ini hanya menguji sebanyak 81 masukan yang diambil Dari hasil pengujian yang telah dilakukan terhadap 81 data, didapat rata-rata tingkat akurasi yang diperoleh sebesar 77% (Retnowati, 2013:78) Pada penelitian lain algoritma data mining nearest neighbor memiliki kinerja terbaik untuk klasifikasi bidang kerja lulusan dengan nilai accuracy yaitu 83,33% (Ungkawa). Pada penelitian lain hasil pengujian 100 kasus baru diperoleh rata-rata prosentase keakurasian diagnosa 100 kasus baru yang diuji menggunakan metode SMC terhadap diagnosa pakar sebesar 89% (Tursina, 2012). Pada penelitian lain menggunakan metode Alogaritma Nearest Neighbors dengan 4 variabel yaitu IPK, Pekerjaan orang tua, jurusan dan semester adalah mendapatkan kesesuaian 79%(Kusrini, 2014).
2. PEMBAHASAN 2.1 Persamaan Retrieve (mengambil kembali informasi) dengan menggunakan Algoritma Nearest Neighbors. Algoritma ini melakukan pendekatan antara kasus baru dengan kasus lama berdasarkan kedekatan jarak paling dekat yang ada dalam basis kasus dengan bobot yang sudah ditetapkan sebelumnya, sehingga antara kasus kasus baru dengan kasus lama yang ada di basis kasus dapat diketahui masing-masing kedekatan jaraknya. Nilai kedekatan berada pada nilai antara 0 dan 1. Nilai 0 untuk kedua kasus yang tidak mirip sama sekali dan nilai 1 untuk kedua kasus yang mirip. Fungsi yang digunakan pada penelitian ini dapat dilihat pada Persamaan (1).
similarity (Ti, Si) i 1 (Ti, Si) xwi n
(1)
Persamaan (1) n merupakan jumlah kriteria 1 ke n.. Wi merupakan nilai bobot atribut dari atribut 1 sampai ke n. Ti kedekatan kasus baru i sampai ke n. Si kedekatan kasus lama dari atribut i sampai ke n. Wi merupakan nilai bobot atribut dari atribut 1 sampai ke n
b.
Reuse Proses reuse merupakan proses memodelkan/ menggunakan kembali pengetahuan dan informasi kasus lama berdasarkan bobot kemiripan yang
514
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016 a 6
f (Ti, Si)
i 1
1,Ti Si K a / kTi Si
xwi
(2)
ISSN: 2089-9815
3
Penghasilan
4
Peruntukan
5
Jumlah Penghuni
6
Status Rumah
Persamaan (2) adalah modifikasi Persamaan (1), pada Persamaan (2) K merupakan jumlah kriteria 1 ke n. i banyaknya atribut. Wi merupakan nilai bobot atribut dari atribut 1 sampai ke n. Ti kedekatan kasus baru i sampai ke n. Si kedekatan kasus lama dari atribut i sampai ke n. a merupakan banyaknya atribut. [(A*B)+(C*D)+(E*F)+(G*H)+(I*J)+(K*l)+]
(3)
Persamaan (3) adalah modifikasi Persamaan (1), pada Persamaan (2) A merupakan kedekatan nilai atribut pekerjaan, B merupakan nilai bobot atribut pekerjaan. C kedekatan nilai atribut penghasilan. D merupakan nilai bobot atribut penghasilan. E merupakan kedekatan nilai rayon. F merupakan nilai bobot atribut rayon. G merupakan kedekatan nilai peruntukan. H merupakan nilai bobot atribut peruntukan. I merupakan kedekatan nilai atribut jumlah penghuni. J merupakan nilai bobot atribut jumlah penghuni. K merupakan kedekatan nilai atribut status rumah. L merupakan nilai bobot atribut status rumah. 2.2
Tabel Atribut pada penelitian ini dapat dilihat pada Tabel 1 yang terdiridari atribut pekerjaan, rayon, penghasilan, peruntukan, status rumah jumlah penghuni. Tabel 1. Daftar atribut No 1
2
Nama atribut Pekerjaan
Rayon
Kriteria Pilot PNS Dokter Pengacara Notaris TNI Karyawan BUMN Polri Karyawan BUMD Dosen Karyawan swasta Guru Seniman Wiraswasta Buruh harian lepas Pelajar/mahasiswa Belum/tidak bekerja Mengurus rumah tangga Rayon 1 Rayon 2 Rayon 6 Rayon 5 Rayon 8 Rayon 7 Rayon 3
2.3
Rayon 4 Rp.9.500.000-10.00.000 Rp.9.000.000-9.500.000 Rp.8.500.000-9.000.000 Rp.8.000.000-8.500.000 Rp.7.500.000-8.000.000 Rp.7.000.000-7.500.000 Rp.6.500.000-7.000.000 Rp.6.000.000-6.500.000 Rp.5.500.000-6.000.000 Rp.5.000.000-5.500.000 Rp.4.500.000-5.000.000 Rp.4.000.000-4.500.000 Rp.3.500.000-4.000.000 Rp.3000.000-3.500.000 Rp.2.500.000-3.000.000 Rp.2.000.000-2.500.000 Rp.1.500.000-2.000.000 Rp.1.000.000-1.500.000 Rp.500.000 – 1000.000 Pendidikan dan kesehatan swasta Pendidikan dan kesehatan pemerintah Industri besar Rumah Mewah Industri Industri Kecil Niaga Jasa Besar Rumah Istirahat Rumah menengah Niaga jasa kecil Pemerintah badan usaha Pemerintah non usaha Kran umum dan rumah ibadah Rumah sederhana Rumah sangat sederhana Badan amal dan sosial 10 9 8 7 6 5 4 3 2 1 Instansi Milik Pribadi
Gambar Pada Gambar 1 merupakan halaman hasil kelayakan data kasus baru Pada halaman ini terdapat nilai hasil perhitungan similarity kasus baru dengan kasus lama.
515
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016
ISSN: 2089-9815
max ←0 nilai ← 0 for i ← 0 to panjang hasil do if (max←0) max ←hasil [i][j] nilai←hasil [i] [j] else if (max < hasil [i] [j]) max ←hasil [i][j] nilai←hasil [i] [j] →x end if end for end for end for Gambar 2. Algoritma Nearest Neighbours 3.
KESIMPULAN Penelitian ini telah menghasilkan sistem yang dapat merekomendasikan kelayakan calon pelanggan baru di PDAM Tirta Raharja kabupaten cimahi, dengan masukan enam atribut, pekerjaan, penghasilan, status rumah, jumlah penghuni, rayon, dan peruntukan. Masukan tersebut diproses dengan melalui metode Case Based Reasoning dengan 4 tahapan yaitu retrieve dengan algoritma Nearest Neighbors, reuse, revise, dan retain. Sehingga menghasilkan keluaran rekomendasi kelayakan calon pelanggan baru. Dengan menentukan bobot dan kedekatan nilai dan masukan tersebut sehingga menghasilkan nilai similarity dari kasus baru terhadap basis kasus. Dari 100 data uji dengan menggunakan 800 kasus terdahulu dengan kesesuaian 97 % dan melihat dari presentasi dapat disimpulkan algoritma Nearest Neighbors akurat . Saran pada penelitian ini yaitu agar dilakukan perbaikan pada proses revise, sehingga tingkat similarity menjadi tinggi dan solusi kemiripan menjadi dekat. Selain itu untuk mendapatkan hasil yang lebih baik lagi, penggunaan similarity bisa mencoba algoritma yang lain.
Gambar 1. Hasil Kelayakan 2.4
Algoritma atau Program Algoritma ini digunakan untuk perhitungan kedekatan nilai. di bawah ini merupakan algoritma Nearest Neighbours. Contoh algoritma dapat dilihat dalam Gambar 2. [algoritma] max ← K [0] for i ← 1 to panjang (k) do hitung ← 1 x [i] [j] ← y x [i] [j] ← ‘_’ for i to j < panjang y do if i=j then x [i] [j] ← 1 else if i < j if (!= x [i] [j]) then x [i] [j] ← count (1/p [p]) y [j] [i] ← x [i] [j] hitung ← x [i] [j] else if i > j if (!= x [i][j]) then x[i][j]←x ([i-1][j-1] – (1/p[p])) → x[i] [j] X[i] [j]← x[j] [i] x[j] [i] = x[i] [j] hitung ← x[i] [j] end if end if end for for (i ← 0 to panjang ab[i]) y←0
PUSTAKA Abdiansah, "Fuzzy Case Based Reasoning: Implementasi Logika Fuzzy pada Case Based Reasoning ," Jurnal Generic, ISSN:1907-4093, vol. 8, No.1, pp. 1-11, Maret 2013. B. S. Wicaksono, A. Romadhony, and M. D. Sulistiyo, "Analisis dan Implementasi Sistem Pendiagnosis Penyakit Tuberculosis menggunakan Metode Case Based Reasoning," in Seminar Nasional Aplikasi Teknologi Informasi, ISSN:1907-5022, Yogyakarta, 2014, pp. B-22 - B-28. I. N. Ricky, Kusrini, and M. R. Arief, "Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode Nearest Neighbors ," Jurnal Jatisi, vol. 1, No.1, pp. 1-15, September 2014.
516
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016
Kusrini, S. Hartati, R. Wardoyo, and A. Harjoko, "Perbandingan Metode Nearest Neighbors dan Algoritma C4.5 untuk Menganalisis Kemungkinan Pengunduran Diri Calon Mahasiswa di STMIK AMIKOM Yogyakarta," Jurnal DASI, ISSN:1411-3201, vol. 10, No.1, Maret 2009. R. Retnowati and A. Pujiyanta, "Implementasi Case Based Reasoning pada Sistem Pakar dalam Menentukan Jenis Gangguan Kejiwaan ," Jurnal Sarjana Teknik Informatika, e-ISSN: 2338-5197, vol. 1, No.1, pp. 69-78, Juni 2013. Tursina, "Case Based Reasoning untuk Diagnosa Penyakit Respirologi Anak menggunakan Similaritas Simple Matching Coefficient," Jurnal Elekha, vol. 4, No.1, Maret 2012. U. Ungkawa, D. Rosmala, and F. Aryanti, "Pembangunan Aplikasi Travel Recommender dengan Metode Case Based Reasoning ," Jurnal Informatika. Y. Nurdiansyah, "Case Based Reasoning untuk Pendukung Diagnosa Gangguan pada Anak Autis," Jurnal Sistem Informasi, vol. 2,No.1, Maret 2009.
517
ISSN: 2089-9815
