SUSUNAN DEWAN REDAKSI JELIKU

Jurnal Elektronik Ilmu Komputer - Universitas Udayana

JELIKU Vol 2 No. 3 Agustus 2013

SUSUNAN DEWAN REDAKSI JELIKU

KETUA AGUS MULIANTARA, S.KOM, M.KOM PENYUNTING DRA. LUH GEDE ASTUTI, M.KOM NGURAH AGUS SANJAYA E.R., S.KOM, M.KOM IDA BAGUS MAHENDRA, S.KOM, M.KOM IDA BAGUS GEDE DWIDASMARA, S.KOM, M.CS PELAKSANA I KETUT GEDE SUHARTANA, S.KOM., M.KOM I GEDE SANTI ASTAWA, S.T., M.CS I MADE WIDIARTHA, S.SI., M.KOM

ALAMAT REDAKSI JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA KAMPUS BUKIT JIMBARAN – BADUNG TELEPON : 0361 – 701805 EMAIL : [email protected] WEBSITE : WWW.CS.UNUD.AC.ID

i



DAFTAR ISI

SUSUNAN DEWAN REDAKSI JELIKU ............................................................................................ i DAFTAR ISI ....................................................................................................................................... iii PERANCANGAN SISTEM INFORMASI MOBILE SALES FORCE AUTOMATION (SFA) PT. ASTRA INTERNASIONAL TBK. –HONDA Ni Made Dwi Arnita, Agus Muliantara ............................................................................................. 1 PENGENALAN POLA BREAST CANCER MENGGUNAKAN ALGORITMA NGUYEN WIDROW BACKPROPAGATION I Gst Ag Indra Arthana, Agus Muliantara ..................................................................................... 11 PENERAPAN QUEUE TREE PADA ROUTER MIKROTIK DALAM MANAJEMEN BANDWITH I Putu Ery Handika dan I Komang Ari Mogi ................................................................................. 16 PERANCANGAN SISTEM INFORMASI KEANEKARAGAMAN HAYATI DI PT. PERTAMINA DEPOT PENGISIAN PESAWAT UDARA (DPPU) NGURAH RAI I Gusti Putu Deviara Putra, I.B Made Mahendra .......................................................................... 25 IMPLEMENTASI SISTEM OPERASI ROUTER MIKROTIK SEBAGAI PROXY SERVER BERBASIS TRANSPARENT PROXY I Putu Iyasa Pringgagada Pecut, I Made Widhi Wirawan ............................................................ 33 PURWARUPA APLIKASI MESIN PENCARI REFERENSI I Putu Sutria Narada, Agus Muliantara, Ida Bagus Dwidasmara ................................................ 42 IMPLEMENTASI BANDWIDTH MANAGEMENT PADA PENGALOKASIAN HOTSPOT DI FAKULTAS HUKUM UNIVERSITAS UDAYANA I Made Yuda Prasetia, I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan ......... 51 PERANCANGAN SISTEM TRACER STUDY PARIWISATA UNIVERSITAS UDAYANA

BERBASIS

WEB

PADA

FAKULTAS

Luh Sukma Widiasari, Ngurah Widyatmaja .................................................................................. 59 PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT DIABETES DENGAN METODE NAÏVE BAYES Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha ..................... 68 IMPLEMENTASI SPLIT DNS DENGAN MENGGUNAKAN BIND9 DALAM MEMBANGUN SISTEM CONTENT DELIVERY NETWORK I Made Yoga Sattwika Darma , I Made Widhi Wirawan, I Dewa Made Bayu Atmaja Darmawan .............................................. 73 PERANCANGAN SISTEM INFORMASI SALES ACTIVITY PT. ASTRA INTERNATIONAL TBK. - HONDA I Wayan Angga Pratama, Ida Bagus Gede Dwidasmara ............................................................... 78 ANALISIS MANAJEMEN BANDWIDTH UNTUK MEMBERIKAN LAYANAN SECARA ADIL TERHADAP PENGGUNA DENGAN MENGGUNKAN METODE ANTRIAN HTB DAN METODE ANTRIAN PCQ PADA MIKROTIK

iii



I Made Bayu Adi Utama, I Dewa Made Bayu Atmaja Darmawan .............................................. 88 PENGENALAN WICARA KARAKTER INDONESIA MENGGUNAKAN HIDDEN MARKOV MODEL I Wayan Adi Juliawan Pawana ........................................................................................................ 96 IDENTIFIKASI KEKURANGAN UNSUR HARA PADA TANAMAN JAGUNG DENGAN METODE JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION Adinda Prisila Permatasari, Luh Gede Astuti, I Gede Santi Astawa.......................................... 101 ANALISA KINERJA ROUTING MENGGUNAKAN ROUTING INFORMATION PROTOCOL (rip) DAN OPEN SHORTEST PATH FIRST (OSPF) A.A.Sagung Istri Candra Padmasari ........................................................................................... 1010

iv



PERANCANGAN DAN IMPLEMENTASI APLIKASI KLASIFIKASI PENYAKIT DIABETES DENGAN METODE NAÏVE BAYES Putu Gerhans Prawira Risnawan, Ngurah Agus Sanjaya ER, I Made Widiartha Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana Email: [email protected], [email protected], [email protected] ABSTRAK Diabetes merupakan sebuah penyakit yang disebabkan karena naiknya kadar gula dalam darah. Seiring dengan perkembangan jaman serta perubahan gaya hidup manusia, diabetes merupakan salah satu penyakit paling rentan yang diderita. Diabetes pima-indians dibagi kedalam dua kelas, yakni kelas 0 (negative diabetes) dan kelas 1 ( positif diabetes). Dataset yang digunakan adalah 105 buah data diabetes dimana 160 terdiri dari data training dan 55 data untuk data testing. Dalam mengklasifikasikan penyakit diabetes membutuhkan metode yang cepat tepat dan juga akurat. Metode yang digunakan yakni salah satu metode dari klasifikasi, yakni metode klasifikasi naïve bayes. Metode naïve bayes telah banyak digunakan dalam hal klasifikasi.Dengan menggunakan metode naïve bayes tingkat akurasi yang dihasilkan dalam mengklasifikasikan penyakit diabetes adalah 74% dimana dari 55 data, 37 data penyakit diabetes dapat diklasifikasikan dengan baik. Kata Kunci: Klasifikasi , naïve bayes , diabetes ABSTRACT Diabetes is a disease caused by rising blood sugar levels. Along with the development and changes in human lifestyle, diabetes is a disease that affects the most vulnerable. Pima-Indians diabetes were divided into two classes, namely class 0 (negative diabetes) and class 1 ( positif diabetes). The dataset used was 160 pieces of data of diabetes which consists of 105 training data and 55 data for testing data. In classifying diabetes requires precise and fast method is also accurate. The method is used which is one method of classification, ie, naïve Bayes classification method. Naïve Bayes method has been widely used in classification.By using naïve Bayes method produced an accuracy rate in classifying diabetes which is 74% of the data where from 55 data, 37 data could be classified very well. Keywords: Classification, naïve bayes, diabetes yaitu tidak pernah lebih dari satu dan tidak pernah ada kelas sama sekali. Dalam dunia nyata, pembuatan keputusan dapat dirumuskan sebagai masalah klasifikasi yakni pembagian objek atau manusia kedalam sebuah kategori contohnya : cuaca , pendidikan maupun dalam hal kesehatan. Penelitian yang dilakukan dimaksudkan untuk mencari penyelesaian atas beberapa permasalahan yang berkaitan dengan klasifikasi berikut :

1. Pendahuluan Perkembangan teknologi kini sudah semakin maju, baik dibidang kesehatan , ekonomi, pembangunan dan salah satunya adalah komputer. Komputer merupakan sebuah alat yang dapat membantu manusia dalam melakukan pekerjannya. Teknologi komputer dirancang untuk membantu mengatasi masalah yang dialami, dan salah satu permasalahan tersebut adalah dalam hal klasifikasi. Klasifikasi adalah pengelompokan obyek kedalam satu atau beberapa kelompok berdasarkan variable yang diamati [4]. Setiap objek harus dibagi hanya untuk satu class,

1. Atribut penyakit diabetes terdiri dari 8 atribut dimana semua atribut saling berhubungan sehingga dibutuhkan

68


teknologi yang menunjang dalam membagi penyakit diabetes tersebut. 2. Pembagian penyakit diabetes secara manual masih sulit dilakukan karena membutuhkan waktu yang lama dan konsentrasi tinggi. Tujuan yang hendak dicapai perancangan aplikasi ini adalah


P(H|X)=

( | ). ( ) ( )

Dimana: P(H|X): Probabilitas hipotesi H jika diberikan evidence X P(X|H): probabilits munculnya evidence E jika diketahui hipotesis H P(H) : Probabilitas hipotesis H tanpa memandang evidence apapun P(E) : Probabilitas evidence X

dalam

1. Merancang sebuah aplikasi yang dapat mengolah data penyakit diabetes. 2. Membangun sebuah aplikasi klasifikasi yang dapat melakukan klasifikasi penyakit diabetes secara cepat tepat dan akurat.

Bayesian Classification Bayesian classifier adalah pengklasifikasian statistik. Bayesian classifier (pengklasifikasian Bayesian) dapat memprediksi probabilitas keanggotaan kelas, seperti probabilitas bahwa tuple diberikan milik kelas tertentu. Studi yang membandingkan algoritma klasifikasi telah menemukan sebuah classifier Bayesian sederhana yang dikenal sebagai naïve bayesian classifier dimana kinerja dari naïve Bayesian classifier sebanding dengan kinerja dari decision tree dan pengklasifikasi jaringan syaraf. P(H|X) = P(H) P(X1|H) P(X2|H)...P(Xn|H) P(H|X) = P(H) ∏ 𝑃(𝑋|𝐻)

2. Tinjauan Pustaka Data Mining Data Mining adalah sebuah teknologi yang merupakan campuran dari metode analisis data tradisional dengan algoritma terkini untuk memproses data dalam jumlah yang banyak.[1] Data mining adalah sesuatu tentang pemecahan masalah dengan menganalisis data yang sudah ada dalam database. Data mining didefinisikan sebagai proses menemukan pola dalam data. Proses harus dilakukan secara otomatis atau (biasanya) semi-otomatis.[2]

3. Metodologi Penelitian Dalam penelitian ini metode penelitian yang digunakan adalah metode System Development Life Cycle (SDLC) . Adapun bagian dari SDLC itu sendiri terdiri dari beberapa tahap yakni perencanaan, analisis sistem, perancangan, implementasi, dan pengujian. a. Perencanaan (planning), tujuam dari tahap perencanaan (planning) adalah tahap untuk menentukan bagaimana ruang lingkup dalam perancangan aplikasi klasifikasi ini. . b. Tahap kedua, adalah tahap analisis (analysis), yaitu tahap dimana kita mencari permasalahan yang ada yang kemudian diupayakan untuk dicari jalan keluarnya. c. Tahap ketiga, adalah tahap perencanaan (design) dimana penulis mencoba mencari solusi dari permasalahan yang didapat dari tahap analisis.

Naïve Bayes Naïve Bayes adalah teknik yang populer untuk aplikasi ini karena sangat cepat dan cukup akurat. Naïve Bayes memberikan pendekatan yang sederhana, dengan semantik yang jelas, untuk mewakili, menggunakan, dan belajar pengetahuan probabilistik. Hal ini dapat mencapai hasil yang mengesankan. [2] Teorema Bayes Teorema Bayes merupakan teorema yang digunakan dalam statistika untuk perhitungan peluang dalam suatu hipotesis, Bayes Optimal Classifier menghitung peluang suatu kelas dari tiap kelompok atribut yang ada, dan menentukan kelas mana yang paling tepat.[3] Probabilitas bayes merupakan salah satu cara untuk mengatasi ketidakpastian data dengan menggunakan formula Bayes yang dinyatakan: 69



d. Tahap keempat, adalah tahap implementasi dimana penulis mengimplementasikan perencanaan sistem ke situasi nyata yaitu dengan pemilihan perangkat keras dan penyusunan perangkat lunak aplikasi (pengkodean/coding). e. Tahap kelima, adalah pengujian (testing), yang dapat digunakan untuk menentukan apakah sistem atau perangkat lunak yang dibuat sudah sesuai dengan kebutuhan pengguna atau belum, jika belum, proses selanjutnya adalah bersifat iteratif, yaitu kembali ketahap-tahap sebelumnya. 4. Perancangan Tujuan dari perancangan aplikasi ini adalah untuk memenuhi kebutuhan dari pemakai sistem / user tentang gambaran yang jelas tentang bagaimana aplikasi yang akan dirancang serta diimplementasikan. Perancangan aplikasi klasifikasi diabetes pima indians ini dijelaskan dalam bentuk diagram alir atau flowchart.

4.1 Flowchart klasifikasi diabetes Yang pertama dilakukan adalah perhitungan prior probability, dimana merupakan probability yang tidak dipengaruhi oleh informasi tambahan.Selanjutnya yang dilakukan adalah perhitungan posterior probability atau probabilitas bersyarat yang merupakan probabilitas dari sebuah peristiwa yg akan terjadi jika sebuah peristiwa lainnya telah terjadi, dan yang terakhir adalah perhitungan posterior probability dimana perhitungan ini berguna untuk mengetahui kelas dari data diabetes pima Indian yang dimasukkan.

Diagram Alir (Flowchart) Diagram alir (flowchart) merupakan sebuah gambar diagram yang memiliki simbol-simbol grafis yang menggambarkan jalan kerja suatu algoritma atau proses yang menampilkan langkah-langkah yang digunakan pada sistem yang digambarkan dalam bentuk kotak beserta urutannya dengan saling menghubungkan tiap-tiap langkah dengan anak panah. Dapat dilihat pada gambar 4.1 apabila data inputan yang dimasukkan kealam aplikasi adalah data diabetes yang memiliki atribut sebanyak 8 atribut yang terdiri dari jumlah kehamilan, konsentrasi glukosa plasma, tekanan darah diastolik, ketebalan lapisan trisep, serum insulin, body mass index, silsilah diabetes dan umur serta 2 kelas yakni kelas positif dan negatif.

5. Implementasi Berdasarkan perancangan yang telah dilakukan, yang selanjutnya dilakukan implementasi. Implementasi akan dilakukan dengan menggunakan bahasa pemrograman visual basic.NET. Sedangkan untuk database yang akan digunakan untuk menyimpan semua data adalah MySql.

70



Gambar 5.1 Form klasifikasi

Gambar 5.2 Form perhitungan Gambar 5.1 adalah gambar form klasifikasi. Pada form tesrsebut terdapat 8 atribut yang dimasukkan sebagai testing dan juga kelas dari atribut uji setelah dilakukan pengujian apakah positif atau negative diabetes. Pada form tersebut terdapat 2 tombol utama yakni run untuk melakukan klasifikasi dan reset untuk mengulang dalam proses klasifikasi.

Selain itu ditampilkan pula hasil detail dari perhitungan naïve bayes tersebut seperti yang ditunjukkan pada gambar 5.2. Bagaimana perhitungan dari naïve bayes sehingga diperoleh kelas dari atribut tersebut ditampilkan disini sebagai informasi tambahan untuk mengetahui detail dari cara kerja aplikasi ini.

71


diperoleh akurasi sebesar 74% dengan data testing sebanyak 50 data. Untuk data training digunakan 105 data training.

6. Hasil dan Pembahasan Dataset diabetes diambil dari UCI Machine Learning dimana terdiri dari 160 data diabetes. Dari 50 kali percobaan 37 data berhasil diklasifikasikan dengan tepat. Pada uji coba aplikasi klasifikasi penyakit diabetes ini dilakukan sepuluh kali percobaan dan Percobaan 1 2 3 4 5 6 7 8 9 10

Jumlah Data

50


Akurasi =

𝑥 100%

= 74%

Tabel 1. Akurasi Berhasil 37 37 37 37 37 37 37 37 37 37

Gagal 13 13 13 13 13 13 13 13 13 13

Akurasi(%) 74 74 74 74 74 74 74 74 74 74

1. Tan, Pang-Ning et.al. 2006.”Introduction to data Mining”. Pearson Education Inc, America 2. Witten. Ian H. 2011. “Data Mining Practical Machine Learning Tools and Techniques”. Elsevier Inc. USA 3. Shadiq, Ammar. 2009. “Keoptimalan Naïve Bayes Dalam Klasifikasi”. Universitas Pendidikan Indonesia, Bandung 4. Ningsih, Nur Indah Puspita. 2010. “Pembandingan Secara Empirik Metode Pemilihan Gini dan towing Dalam Klasifikasi Berstruktur Pohon Biner”. Institut Teknologi Sepuluh November, Surabaya.

7. Kesimpulan Dilihat dari aplikasi klasifikasi penyakit diabetes Pima Indian ini diperoleh hasil akurasi yang cukup baik dimana aplikasi klasifikasi dengan metode naïve bayes ini dapat melakukan klasifikasi dengan 74% data akurat. Dari segi informasi, aplikasi ini juga menyediakan informasi detil dari perhitungan pada naïve bayes tersebut sehingga dengan informasi detail tersebut dapat membantu dalam hal informasi perhittungannya itu sendiri. 8. Saran Saran yang dapat diberikan penulis dalam pembuatan aplikasi klasifikasi seperti ini adalah pengembangan kelas penyakit pada sistem klasifikasi diabetes dengan atribut yang lebih beragam, penggunaan data latih dan data uji yang lebih banyak agar sistem dapat mengenali berbagai variasi data pada masingmasing kelas penyakit diabetes dan juga klasifikasi dapat menggunakan algoritma lain sehingga dapat dibandingkan tingkat akurasinya. DAFTAR PUSTAKA

72

SUSUNAN DEWAN REDAKSI JELIKU

Recommend Documents