Bab ini menjelaskan tentang analisis dan perancangan dalam membangun Sistem Informasi klasifikasi tanah dengan menggunakan C45. Analisis meliputi analisis C45 pada aplikasi, dan analisis sistem serta analisis dalam membangun aplikasi.
3.1 Analisis Kebutuhan Sistem
a . Ga mbar an Sistem Aplikasi Secar a Umum
Secara umum pada sub bab ini akan dibahas mengenai analisa dan perancangan sistem informasi cerdas untuk membantu merapikan dan membantu dalam hal penentuan klasifikasi sebuah tanah. Sistem ini tidak hanya terfokus hanya bagaimana pengklasifikasian sebuah tanah , melainkan adalah dengan mengolahnya sedemikian rupa hingga menjadi sebuah system yang lebih user friendly, bukan hanya desain melainkan dengan cara pengaplikasianya.
Disini akan ditekankan bagaimana sebuah metode C45 digunakan untuk menciptakan sebuah rule, yang nantinya rule tersebut akan digunakan untuk kengklasifikasikan sebuah tanah untuk tujuan tertentu. Dimulai dengan data training dimasukkan sampe akhrnya dari sebuah rule akan bisa menentukan sebuah klasisifikasi tanah.
Adapun secara besar aplikasi ini terbagi atas beberapa proses yang terkait , antara lain adalah sebagai berikut :
i. Proses manajemen memasukkan data training, proses masukan ini berfunsi sebagai masukan data training yang nantinya data training yang disimpan akan digunakan sebagai data untuk membuat rule klasifikasi tanah. Petugas/admin akan memasukkan data training ini yang kemudian oleh system akan di distribusikan ke beberapa tabel penyimpanan yang berbeda-beda untuk setiap rule yang diinginkan. Karena pada setiap rule akan memiliki tabel penyimpanan data training sendiri-sendiri sesuai kebutuhan pengolahan rule untuk pengklasifikasian tanah (yang telah disepakati) nantinya.
ii. Proses pembuatan pohon keputusan (decision tree), pada proses ini data training yang sudah dimasukkan akan diolah dengan menggunakan metode C45 untuk menciptakan sebuah pohon keputusan yang nantinya akan degenerate menjadi sebuah rule baru. Sama dengan data training, pohon keputusan juga dibeda-bedakan atas klasifikasi tanah yang telah disepakati untuk di cari hasilnya.
iii. Proses pembuatan rule , data dari pohon keputusan yang sudah dibuat akan diproses untuk menjadi sebuah aturan yang digunakan untuk pengklasifikasian tanah. Masih sama dengan sebelumnya rule juga dibeda-bedakan berdasarkan klasifikasi tanah yang telah disepakati untuk di cari hasilnya.
iv. Manajemen User, proses pendaftaran ini berfungsi untuk mengelola
v. Manajemen jenis dan atribut, adalah sebuah proses untuk mengatur data dari atribut dan jenis dari pada data training . jadi di sini data training dan data atribut akan bersifat dinamis sesuai kita menginputkan . namun disini data atribut dan jenis yang dipakai adalah data yang sudah disepakati. vi. Manajemen data tanah, data tanah hasil pencarian tanah bisa dirubah
sesuai dengan kebutuhan. Namun berdasarkan keputusan data tanah tidak bisa dihapus.
Dalam pengoperasianya aplikasi ini , administrator yang juga sebagai petugas harus mengisikan terlebih dahulu data atribut dan jenis yang nantinya akan digunakan sebagai atribut dari pada data training. Setelah data jenis dan atribut sudah terisi maka dalam fom input data trining akan muncul beberapa atribut hasil inputan sebelumnya.
Data training siap dimasukkan , itu terlihat saat kita mengakses data training akan muncul semua atribut data training dan atribut hasil yang sudah dimasukkan sebelumnya. Setelah muncul semua barulah kita akan isi data tersebut sesuai dengan data training yang kita punya. Jika sudah merasa data yang kita masukkan sudah benar maka kita bisa memasukkan data tersebut kedalam data base dengan cara klick tombol “submit” di bagian bawah program. Pada proses pemasukan ini akan dilakukan looping (perulangan) sebanyak jenis hasil yang telah ditentukan, lalu akan dimasukkan ke masing-masing tabel data training.
Setelah data masuk barulah kita akan melakukan proses pembuatan pohon keputusan. Pohon keputusan ini dilakukan dengan cara memasukkan persentase perhitungan C45 dan data training mana yang akan dibikin data pohon keputusanya. Setelah kita memilih nanti aplikasi akan secara otomatis akan memproses dan
menyimpan data pohon keputusan tersebut kedalam, data base . data pohon keputusan akan disimpan ke dalam tabel pohon keputusan yang ditunjuk pada awal proses tadi.
Pohon keputusan sudah terbentuk , sekarang kita akan bisa memproses data aturan. Pembentukan data aturan (rule) dibentuk dengan menggunakan pohon keputusan yang telah terbentuk. Dengan cara menseleksi data berasarkan kesamaanya. Jika beda akan diambil menjadi hasil rule , namun jika beda akan dipakai menjadi syarat rule.
Setelah rule tercipta barulah kita bisa melakukan proses pengklasifikasian data tanah. Pada proses ini selain pengklasifikasian data tanah , juga melakukan proses memasukkan data tanah ke dalam data base. data masukan profil tanah akan diolah dan di bandingakan dengan aturan yang telah dibuat. Disini akan mencari kesamaan sesama mungkin , yang paling sama akan di masukkan dipilih menjadi hasil klasisfikasi tanah.
Gamba r 3.1 Gambaran Umum Proses
Data atribut dan jenis Pohon keputusan Data training Klasifikasi tanah Aturan
b. Ga mbar an Pr oses Pener apan C45 di a plika si
Adapun beberapa proses C45 yang akan diterapkan pada fitur aplikasi ini, akan dijelaskan secara terperinci sebagai berikut.
a. C45 pada aplikasi ini digunakan untuk membuat pohon peerhitungan , yang nantinya pohon tersebut akan dibuat menjadi rule rule yang akan digunakan untuk mencari klasifikasi tanah.
b. pada dasarnya C45 ini adalah pengembangan dari metode ID3 , dimana keduanya sama-sama mencari Gain(S,A) untuk menentukan daun daun yang akan di pasang di pohon keputusan
c. adapun rumus nya adalah sebagai berikut
Ga mbar 3.3 Rumus Entropy
d. setelah Gain (S,A) didapat maka akan dibandingkan dengan Gain yang yang lainya , dan nilai yang terbesar akan diambil untuk S(himpunan kasus). Yang selanjutnya akan digunakan untuk mencari Gain(S,A) pada iterasi selanjutnya (level selanjutnya). Sehingga nanti terbentuk seperti gambar berikut :
Ga mbar 3.4 Contoh Pohon keputusan
3.2 Data Flow Diagram Proses
Seperti yang kita ketahui bersama Da ta Flow Diagra m (DFD) adalah suatu diagram yang menggunakan notasi-notasi untuk menggambarkan arus dari data sistem, yang penggunaannya sangat membantu untuk memahami sistem secara logika, tersruktur dan jelas. Suatu yang lazim bahwa ketika menggambarkan sebuah sistem kontekstual data flow diagram yang akan pertama kali muncul adalah interaksi antara sistem dan entitas luar. DFD didisain untuk menunjukkan sebuah sistem yang terbagi-bagi menjadi suatu bagian sub-sistem yang lebih kecil adan untuk menggaris bawahi arus data antara kedua hal yang tersebut diatas. Diagram ini lalu
Kedalam an ya salinit as ya Iterasi selanjut nya ??? tidak ya berawan cerah
"dikembangkan" untuk melihat lebih rinci sehingga dapat terlihat model-model yang terdapat di dalamnya.
Berikut adalah gambaran Data flow diagram dari aplikasi yang dibuat :
a. DFD level 0
Ga mbar 3.5 DFD Level 0 Aplikasi
Dalam DFD level 0 diatas menggambarkan bagaimana arus data masuk dan data keluar pada apliksi ini. Dimana disini apa saja yang user (admin) yang bisa lakukan atau masukkan ke dalam aplikasi ini. Entah itu input text , pilihan sampai dengan “klick” tombol. Setelah elakukan aktivitasnya tentunya seorang user pada tabel diatas juga akan mendapatkan beberaopa feedback dari pada aplikasi. Yang
diantara feedback itu adalah pemberitahuan atau konfirmasi secara text ataupun secara label peringatan atau yang dikenal dengan Alert. Pada nantinya Aktivitas-aktivitas yang dilakukan (user) pada gambar diatas akan di kelompokkan lagi kedalam proses-proses yang lebih spesifik dan lebih mudah dipahami,
Adapun aktifitas yang bisa dilakukan oleh user adalah sebagai berikut :
e. Input text ( textfield , text area , dll) f. Memilih combobox
g. “klick” tombol.
Dan sedangkan interaksi yang bisa dilakukan oleh aplikasi adalah sebagai berikut :
• Pemberitahuan text
b. DFD Level I
Ga mbar 3.6 DFD Level 1 Aplikasi
Pada data flow level 1 aplikasi ini dipecah, akan kedalam beberapa proses kecil yang nantikan berguna untuk menjelaskan dari masing-masing fungsi dan alur data yang mengalir pada aplikasi ini. Pada tahap ini sudah mulai diperkenalkan data store, adalah data tabel yang digunakan oleh proses proses pada level 1 ini. Berikut adalah proses-proses yang terdapat pada DFD Level 1:
1) CMS Data Jenis
Proses ini akan mengeksekusi setiap data inputan, rubahan dan perintah hapus yang dimasukkan oleh user (admin), yang kemudian akan diproses dan akan berinteraksi dengan tabel “vjen”. Setelah proses penyimpanan, rubahan dan hapus itu berhasil dilakukan ke dalam tabel yang dituju, kemudian proses ini akan memberikan konfirmasi kepada user yang berinteraksi.
2) CMS Data atribut
Proses ini akan mengeksekusi setiap data inputan, rubahan dan perintah hapus yang dimasukkan oleh user (admin), yang kemudian akan diproses dan akan berinteraksi dengan tabel “vatt”. Setelah proses penyimpanan, rubahan dan hapus itu berhasil dilakukan ke dalam tabel yang dituju, kemudian proses ini akan memberikan konfirmasi kepada user yang berinteraksi.
3) Aplikasi Login
Pada proses ini data inputan oleh user akan dicek kedalam tabel “user”. Jika data masukan (username dan password) itu ada maka user akan mendapatkan hak akses dan konfirmasi dari aplikasi.
4) Masukkan data training
Pada proses data inputan akan secara otomatis disimpan ke dalam tabel “val”, “val2”, “val3”, “val4” dan “val5” . data ini digunakan sebagai data master untuk perhitungan decision tree menggunakan C45 pada step selanjutnya.
5) Proses Pohon Keputusan
Pada proses ini secara garis besar menjelaskan bahwa proses pembentukan pohon keputusan akan mengambil data dari data training (tabel val , val2 , val3, val4 dan val5) yang kemudian akan di proses menggunakan metode C45 dan kemudian hasil pemrosesannya akan di simpan di tabel jp , jp2, jp3 , jp , jp4 dan jp5.
6) Aplikasi konversi aturan(rule)
Pada fase ini proses akan mengambil data pohon keputusan dari jp , jp2, jp3, jp4, jp5 untuk kemudian diproses dan akan membentuk rule-rule baru yang disimpan pada tabel rule, rule2, rule3, rule4 dan rule5.
c. DFD Lefel II
Pada tahap ini gambaran aplikasi mulai mengerucut , menjadi per proses saja. Dan akan lebih menjelaskan lagi gambaran alur data yang terjadi pada aplikasi ini.
1) CMS data jenis
Gambar 3.7 DFD Level 2 CMS data jenis
Pada level ini proses sudah dipecah menjadi 3 macam sub proses antara lain : I. Masukkan data jenis
Pada proses ini menjelaskan bahwa user akan memasukkan data text , data tipe dan data batas. Yang kemudian data inputan tersebut akan diolah dan akan di disimpan pada tabel vjen. Setelah proses penyimpanan itu sukses maka sub proses aplikasi akan memngirimkan pemberitahuan kepada user mengenai proses penyimpanan data.
II. Merubah data jenis
Pada proses ini menjelaskan bahwa user akan rubahan data text , data tipe dan data batas. Yang kemudian data rubahan tersebut akan diolah dan akan disimpan pada tabel vjen. Setelah proses perubahan itu sukses maka sub proses aplikasi akan memngirimkan pemberitahuan kepada user mengenai proses perubahan dan penyimpanan data.
III. Menghapus data jenis
Pada proses ini menjelaskan bahwa user akan melakukan aktivitas penghapusan data pada tabel vjen. Yang kemudian data tersebut akan dimintai persetujuan untuk penghapusan.setelah user menyetujui maka pada saat itu juga proses penghapusan itu dilakukan. Jika sukses maka sub proses aplikasi akan memngirimkan pemberitahuan kepada user mengenai proses penghapusan data yang telah terjadi.
2) CMS data atribut
Gambar 3.8 DFD Level 2 CMS data atribut
Pada level ini proses sudah dipecah menjadi 3 macam sub proses antara lain :
IV. Masukkan data atribut
Pada proses ini menjelaskan bahwa user akan memasukkan data text , data jenis. Yang kemudian data inputan tersebut akan diolah dan akan di disimpan pada tabel vatt. Setelah proses penyimpanan itu sukses maka sub proses aplikasi akan memngirimkan pemberitahuan kepada user mengenai proses penyimpanan data.
V. Merubah data atribut
Pada proses ini menjelaskan bahwa user akan rubahan data text , data jenis. Yang kemudian data rubahan tersebut akan diolah dan akan di disimpan pada tabel vatt. Setelah proses perubahan itu sukses maka sub proses aplikasi akan memngirimkan pemberitahuan kepada user mengenai proses perubahan dan penyimpanan data.
VI. Menghapus data atribut
Pada proses ini menjelaskan bahwa user akan melakukan aktivitas penghapusan data pada tabel vatt. Yang kemudian data tersebut akan dimintai persetujuan untuk penghapusan.setelah user menyetujui maka pada saat itu juga proses penghapusan itu dilakukan. Jika sukses maka sub proses aplikasi akan memngirimkan pemberitahuan kepada user mengenai proses penghapusan data yang telah terjadi.
3) Aplikasi login
Gambar 3.9 DFD Level 2 Login
Pada proses ini akan menjelaskan bahwa data inputan oleh user yang berupa username dan password akan di cek kedalam tabel “user”. Setelah itu kemudian tabel akan memberikan nilai balik kepada aplikasi, Jika data masukkan (username dan password) itu ada di dalam tabel user maka, user (admin) akan mendapatkan hak akses dan konfirmasi dari aplikasi untuk dapat melakukan proses bisnis utama dari aplikasi ini.
4) Aplikasi masukan data trining
Gambar 3.10 DFD Level 2 Input Data training
Untuk awalnya pada aplikasi input data training ini kita akan mendapatkan data atribut yang sudah dimasukkan melalui tabel vatt. Data tersebut akan ditampilkan pada sebuah form yang nantinya user akan mengisi data di form tersebut. Setelah data training sudah selesai di isi maka kemudian data tersebut akan disimpan ke dalam tabel val, val2, val3, val4 dan val5.
Pada proses data inputannya data training tgersebut akan secara otomatis disimpan ke dalam tabel “val”, “val2”, “val3”, “val4” dan “val5” . dengan cara looping pada programnya. Setelah data tersebut berhasil dimasukkan maka user akan mendapatkan konfirmasi inut dari aplikasi, untuk menandakan bahwa data benar-benar sudah dimasukkan ke dalam tabel. Data training ini sifatnya sangat penting, karena data ini digunakan sebagai data master untuk perhitungan decision tree menggunakan C45 pada step selanjutnya.
5) Pohon keputusan
Agar dapat membuat sebuah pohon keputusan , pertama-tama yang harus dilakukan adalah dengan memasukkan persen perhitungan dan jenis pohon. Kenapa harus jenis pohon karena , kita tidak bisa membuat pohon dan menyimpannya secara bersamaan tetapi dengan membuat 1 pohon keputusan untuk satu keputusan.
Setelah memasukkan persentase dan jenis pohon keputusan , selanjutnya akan tiba tahap pemrosesan data training dengan menggunakan metode C45. Pertama-tama proses akan data dari pada data training, untuk menghitung setiap entropy dari pada data training dan atribut yang ada. kemudian kita akan mencari dan menentukan gain nya sebagai penentu untuk daun dari pohon keputusan selanjutnya.
Data dari daun pohon keputusan akan disimpan pada tabel jp, jp2, jp3, jp4 dan jp5 sesuai dengan pilihan jenis pohon yang dibentuk.
6) Generate rule
Pada fase ini user cukup melakukan menekan tombol aturan saja. Maka secara otoamatis system akan melakukan proses pengambilan data pohon keputusan dari jp , jp2, jp3, jp4, jp5 untuk kemudian diproses dan akan membentuk rule-rule baru yang disimpan pada tabel rule, rule2, rule3, rule4 dan rule5.
3.3 Analisis Kebutuhan
Pada bagian ini akan dirumuskan kebutuhan sistem yang akan menjadi dasar dalam perancangan APLIKASI SISTEM KLASIFIKASI/TAKSONOMI TANAH
BERBASIS WEB DAN DENGAN MENGGUNAKAN METODE DECISION TREE C45.
3.3.1 Spesifikasi Kebutuhan Sistem
Agar jalannya program bisa berjalan dengan bagus maka sangat dibutuhkan untuk memenuhi kebutuhan seperti dibawah ini.
VII. Apache sebagai webserver , karena berbasis web maka apache mutlak
hukumnya untuk aplikasi ini.
VIII. Database mysql, penggunaan data base sangat penting sebagai tempat penyimpanan data dan salah satu aspek untuk pengolahan C45.
IX. Bahasa pemrograman PHP dan pendukungnya javascript , agar bisa membuat aplikasi dengan format asinkronus dan dinamis pada halaman web.
X. Materi tentang C45 sebagai dasar dari program .
XI. Petugas dan admin yang cekatan untuk menyelesaikan setiap problemnya.
3.3.2 Level Pengguna dan Hak Akses
Dalam proses level pengguna ini, aplikasi mampu mengindentifikasi pengguna yang login ke dalam aplikasi. Dalam hal ini, terdapat 1 hak akses yakni:
a. Administrator , dapat menggunakan semua fasilitas, seperti entry data, edit
data dan hapus data. Juga bisa melakukan masukan data training serta mengererate rulenya.
b. petugas/operator , memiliki fasilitas yang sama dengan administrator
kecuali cms user, jenis dan atribut. 3.4 Pera nca ngan Basis Data (Database)
Basis data atau database adalah suatu solusi dari sistem pencatatan tradisional atas beberapa kekurangan sistem tradisional ini. Jika dibayangkan, database adalah penyederhanaan tabel-tabel tradisional menjadi tabel-tabel baru yang lebih mudah dio lah. Software yang menangani database disebut DataBase Management System (DBMS).
Database memiliki diagram visual yang merupakan rangkuman dari semua data. Diagram ini adalah diagram CDM dan PDM yang memudahkan melihat sistem secara keseluruhan.
Conceptual Data Model (CDM) dan Physical Data Model (PDM) sebenarnya memiliki fungsi yang sama, yaitu memberikan gambaran visual tentang tabel-tabel yang ada di database dan menggambarkan hubungan antara tabel tersebut.
Sebelum membuat tabel-tabel dalam basis data, kita harus merancang CDM dan PDM terlebih dahulu. Perancangan ini memiliki aturan-aturan agar
rancangan ini benar dan bisa merepresentasikan seluruh sistem (misalnya sistem Data Siswa tadi). CDM dan PDM yang salah akan membuat pengolahan data menjadi lebih sulit dan database kita tidak aplikatif.
3.4.1 Pera nca ngan CDM
CDM dipakai untuk menggambarkan secara detail struktur basis data dalam bentuk logik. Struktur ini independen terhadap semua software maupun struktur data storage tertentu yang digunakan dalam aplikasi ini. CDM terdiri dari objek yang tidak diimplementasikan secara langsung kedalam basis data yang sesungguhnya. Model ini dibuat berdasarkan anggapan bahwa dunia nyata terdiri dari koleksi obyek-obyek dasar yang dinamakan entitas (entity) serta hubungan (relationship) antara entitas-entitas itu.
Dari gambar diatas dapat dijelaskan beberapa poin penting antara lain adalah sebagai berikut :
a) Terdapat 29 entitas dan 32 relation
b) entitas vjen , vat dan sejarah memiliki hubungan/ ent it y yang banyak ke t abel yang lain.
c) Dan tidak ada entitas yang berdiri sendiri , melainkan memiliki relation pada entitas yang lainnya , hal ini berguna untuk pencarian data pada level aplikasi.
3.4.2 Pera nca ngan PDM
PDM (Physical Data Model) adalah sebuah model struktur fisik dari sebuah database yang mempertimbangkan DBMS dan struktur data penyimpanan. PDM merupakan representasi fisik dari database yang akan dibuat dengan mempertimbangkan DBMS (Database Management System) yang akan digunakan. Pembuatan PDM adalah hasil generate dari CDM yang telah dibuat sebelumnya dengan mempetimbangkan DBMS yang akan digunakan.
Gambar 3.14 PDM Sistem
Pada gambar 3.14 diatas dapat dijelaskan beberapa poin penting antara lain adalah sebagai berikut :
a) Terdapat 29 Tabel
b) ent itas vjen , vat dan sejarah m emiliki hubungan/ entit y yang banyak ke t abel yang lain.
3.4.3 Pera nca ngan Tabel
Berikut ini adalah database relational berdasarkan struktur tabel yang telah di generate dari physical data model yang telah dibuat. Antara lain adalah:
a. Tabel vjen
tabel ini digunakan untuk menyimpan data-data jenis . data – data jenis disini adalah data utama training dan hasil. Yang nantinya akan dikorelasikan dengan data atribut dan untuk perhitungan C45 pada penentuan pohon keputusan.
Tabel 3.1 Tabel vjen
b. Tabel vatt
Adalah tabel atribut dari pada jenis. Maksudnya Adalah tabel vat ini adalah bersifat child dari pada tabel vjen. Tabel ini berguna untuk pembentukan pohon keputusan dan masukan data training.
Tabel 3.2 Tabel vatt
c. Tabel val
Adalah tabel yang berguna untuk penyimpanan data training untuk pohon keputusan yang ke-1 .
Tabel 3.3 Tabel val
d. Tabel val2
Adalah tabel yang berguna untuk penyimpanan data training untuk pohon keputusan yang ke-2 .
Tabel 3.4 Tabel val2
e. Tabel val3
Adalah tabel yang berguna untuk penyimpanan data training untuk pohon keputusan yang ke-3 .
f. Tabel val4
Adalah tabel yang berguna untuk penyimpanan data training untuk pohon keputusan yang ke-4 .
Tabel 3.6 Tabel val4
g. Tabel val5
Adalah tabel yang berguna untuk penyimpanan data training untuk pohon keputusan yang ke-5 .
Tabel 3.7 Tabel val5
h. Tabel valr
Adalah tabel yang berguna untuk penyimpanan data random training untuk perhitungan pada pohon keputusan yang ke-1 . i_val disini digunakan sebagai penanda pada index ke berapakah data aslinya.
Tabel 3.8 Tabel valr
i. Tabel valr2
Adalah tabel yang berguna untuk penyimpanan data random training untuk perhitungan pada pohon keputusan yang ke-2 . i_val disini digunakan sebagai penanda pada index ke berapakah data aslinya.
Tabel 3.9 Tabel valr2
j. Tabel valr3
Adalah tabel yang berguna untuk penyimpanan data random training untuk perhitungan pada pohon keputusan yang ke-3. i_val disini