Pada bab ini membahas tentang ujicoba dan evaluasi aplikasi yang telah didesain dan diaplikasikan, yang menerangkan bagaimana jalannya aplikasi secara detail dan terperinci. Jika dalam aplikasi ini adalah mulai dengan membuat variable data training dan membuat data training (input) sampai dengan hasil peng-klasifikasi tanah (output). Untuk lebih detailnya akan dijelaskan pada sub bab dibawah ini:
5. 1 Uji Coba Penginputan data jenis
Data jenis pada aplikasi ini berperan sangat penting pada uji coba kali ini. Betapa tidak data jenis mempunyai peranan sebagai daun yang nantinya terdapat pohon keputusan dan juga sebagai acuan hasil yang akan dicapai. Daun dan acuan hasil dibedakan berdasarkan tipe , untuk daun akan dipakai tipe 2 (dua) namun jika hasil maka akan diberi tipe 1 (satu). Mungkin agak susah untuk memahami apa itu daun dan apa itu hasil. Lebih jelasnya akan dijelaskan pada beberapa sub-bab selanjutnya.
Gambar 5.1 tipe pada jenis
Untuk dapat memasukkan data jenis kita cukup untuk memilih menu “jenis” pada submenu dibawah banner di halaman utama (gambar 5.2 ketrangan A). Setelah
memilih menu itu maka kita akan keluar form jenis yang di dalamnya berisikan grid(gambar 5.2 ketrangan C), dari data jenis dan kebisaanya (gambar 5.2 ketrangan B).
Gambar 5.2 form jenis (grid)
Untuk memasukkan data jenis cukup menekan sub menu Add , pada form masukkan data jenis ini kita cukup mengisi isan text , batas1, batas2 dan tipe. Jika sudah mengisi tekan tombol submit. Jika tidak ada kesalahan penginputan maka data tersebut sudah berhasil dimasukkan ke dalam data base.
Gambar 5.3 form input data jenis
Untuk merubah data jenis cukup menekan sub menu Edit , pada form masukan data jenis ini kita cukup berubah isan text , batas1, batas2 dan tipe. Jika sudah mengisi tekan tombol submit. Jika tidak ada kesalahan perubahan maka data tersebut sudah berhasil merubah data di dalam dalam data base.
Gambar 5.4 form Edit data jenis
Untuk menghapus data jenis cukup menekan sub menu Delete , pada form penghapusan data jenis ini kita cukup tekan tombol submit sebagai perseutujuan data tersebut akan dihapus. Jika tidak ada kesalahan penghapusan maka data tersebut sudah berhasil dihapus dari dalam dalam data base.
Kedalam an ya salinit as tidak ya RANTING Gambar 5.5 form Hapus data jenis
5. 2 Uji Coba Penginputan data Atr ibut
Data Atribut pada aplikasi ini berperan sangat penting pada uji coba kali ini. Betapa tidak data Atribut mempunyai peranan sebagai ranting yang nantinya terdapat pohon keputusan yang akan dibentuk. Mungkin agak susah untuk memahami apa itu daun dan apa itu hasil. Lebih jelasnya akan dijelaskan pada beberapa sub-bab selanjutnya.
Gambar 5.6 penjelasan ranting (cabang dari pohon)
Untuk dapat memasukkan data Atribut kita cukup untuk memilih menu “attribut” pada submenu dibawah banner di halaman utama (ketrangan A). Setelah
memilih menu itu maka kita akan keluar form jenis yang di dalamnya berisikan grid ( ketrangan C), dari data atribut dan kebisaanya (ketrangan B).
Gambar 5.7 form atribut (grid)
Untuk memasukkan data Atribut cukup menekan sub menu Add (A), pada form masukan data Atribut ini kita cukup mengisi isan text dan jenis. Jika sudah mengisi tekan tombol submit. Jika tidak ada kesalahan penginputan maka data tersebut sudah berhasil dimasukkan ke dalam data base.
Gambar 5.8 form input data atribut
Untuk merubah data atribut cukup menekan sub menu Edit , pada form masukkan data jenis ini kita cukup berubah isan text dan jenis. Jika sudah merubah tekan tombol submit. Jika tidak ada kesalahan perubahan maka data tersebut sudah berhasil merubah data di dalam dalam data base.
Gambar 5.9 form Edit data atribut
Untuk menghapus data atribut cukup menekan sub menu Delete , pada form penghapusan data jenis ini kita cukup tekan tombol submit sebagai perseutujuan data tersebut akan dihapus. Jika tidak ada kesalahan penghapusan maka data tersebut sudah berhasil dihapus dari dalam dalam data base.
Gambar 5.10 form Hapus data atribut
5. 3 Uji Coba Penginputan data tr aining
Pada aplikasi ini data training adalah sumber data yang nantinya akan diolah dan oleh metode C45 untuk menjadi sebuah pohon keputusan. Data training sejatinya adalah kumpulan data yang berasal dari data jenis dan atribut yang tadi sudah dimasukkan.
Gambar 5.10 bisnis proses data training
Dari gambar diatas akan saya jelaskan perstep seperti dibawah ini : i. Atribut adalah child dari pada jenis
ii. Tabel data training menyimpan id dari data atribut iii. Form menampilkan data dari jenis
Dari keterangan diatas terlihat jelas jika semua saling berhubungan satu sama lain yang membentuk dan menyimpan data training yang berasal dari tabel atribut dan jenis. Namun untuk step-step sampai dengan penyimpanan akan saya jelaskan sebagai berikut :
a. Pemanggilan form data training
Gambar 5.11 code form data training
a. Pertama-tama kita akan membuat sebuah form (C).
b. Setelah itu saya akan select tabel vjen untuk memperoleh data-data yang akan jadi daun dan hasil(D).
d. Pendeteksian tipe.
Setelah code diatas di eksekusi maka akan tampil form input data training sebagai berikut :
Gambar 5.11 tampilan form data training
b. Penyimpanan data training
Setelah mengetahui cara kerja menampilkan form data training yang dinamis , sekarang akan saya bahas bagaimana cara menyimpan form
tersebut ke dalam data base , agar data yang tersimpan bisa dipakai dengan baik oleh proses-proses dan step-step selanjutnya.
Setelah data training sudah diisi semua dan yakin sudah benar pengisianya , maka yang harus dilakukan selanjutnya adalah menekan tombol insert. Setelah tombol insert di tekan maka data pada form tersebut akan dikirimkan ke halaman itu sendiri yaitu vjen.php dengan parameter GET.
Seperti yang diketahui bersama jenis hasil yang sudah disepakati dalam aplikasi ini terdiri dari 5 jenis hasil yaitu epipedon, endopedon, grup, great grup, ordo. Maka diperlukan juga 5 penyimpanan data-data untuk 5jenis pohon keputusan juga yaitu val, val2, val2, val3, val4, val5. Jadi akan dilakukan 5 perulangan untuk penyimpanan data training untuk masing-masing hasil jenis yang berbeda juga. Adapun detail penyimpananya adalah sebagai berikut :
Pertama tama akan dilakukan pengecekan apakah data yang dikirim tersebut memiliki parameter tombol insert
Jika benar maka akan dilakukan perulangan sebanyak n hasil jenis yang ditentukan.
Gambar 5.13 perulangan inputan berdasar hasil jenis
Melakukan pengecekan kepada tabel untuk masing-masing hasil jenis tentang banyaknya baris yang terdapat pada tabel tersebut.
Dalam perulangan akan dideklarasikan query-query yang akan dipakai untuk masing-masing hasil jenis
Kemudian barulah melakukan proses penyimpanan ke dalam data base dan tabel yang diinginkan
Gambar 5.15 memasukkan dan eksekusi query data training Berikut adalah potongan gambar jika data berhasil dimasukkan
Gambar 5.16 data training sukses dimasukkan
5. 4 Uji coba membuat pohon keputusan
setelah data training sudah terkumpul , maka langkah selanjutnya adalah bagaimana cara kita membuat sebuah pohon keputusan menggunakan C45. Seperti yang kita ketahui C45 adalah sebuah metode pengembangan dari pada metode ID3 yanng digunakan untuk membuat sebuah pohon keputusan. Namun c45 memiliki kelebihan antara lain :
Mampu menangani atribut dengan tipe diskrit atau kontinu. Mampu menangani atribut yang kosong (missing value)
Bisa memangkas cabang.
Dengan kelebihan-kelebihan itulah saya merasa C45 bisa sangat powerfull jika dibandingkan dengan metode lainya.
Karena parameter hasil pada studi kasus kali ini adalah 5 jenis klasifikasi tanah maka saya akan juga membuat 5 macam pohon keputusan. Masing dengan file metode.php, metode2.php, metode3.php, metode4.php dan metode5.php . adapun perbedaan-nya adalah sebagai berikut :
a) Metode.php memakai data training dari tabel val , mewakili hasil dari order b) Metode2.php memakai data training dari tabel val2 , mewakili hasil dari sub
ordo
c) Metode3.php memakai data training dari tabel val3, mewakili hasil dari great grup
d) Metode4.php memakai data training dari tabel val4, mewakili hasil dari epipedon
e) Metode5.php memakai data training dari tabel val5, mewakili hasil dari endopedon
Karena logika untuk masing-masing perhitungan adalah sama maka saya akan menerangkan pembuatan pohon pada satu pohon keputusan saja. Adapun penjelasanya adalah sebagai berikut :
Gambar 5.17 menu proses perhitungan
ii. Pilih pohon keputusan yang akan dibuat dan presentasi data training yang akan dipakai.
Gambar 5.18 form konfigurasi proses c1
iii. Pilih tombol update untuk melakukan dan generate pohon keputusan
iv. Setelah itu akan muncul sebuah window baru yang di dalamnya terdapat perhitnagan untuk membentuk pohon keputusan.
Gambar 5.19 halaman perhitungan
i. Jika pada halaman pohon keputusan itu tidak ada error maka bisa dipastikan pohon keputusan sudah selesai dibuat
Berikut adalah contoh pohon keputusan yang dibuat oleh proses pohon keputusan diatas ,
Gambar 5.20 contoh pohon keputusan
Dari gambar pohon kepuitusan diatas diatas dapat dijelaskan sebagai berikut : ii. Permeabilitas adalah jenis dan cabang pertama.
iii. Dari perhitungan data training menunjukkan bahwa jika permeabilitas tidak memenuhi kebutuhan atau tidak maka hasil akhirnya adalah termasuk klasifikasi tanah gelisols , namun jika masuk ke dalam batas kebutuhannya maka akan dilakukan lagi percabangan daun pada jenis
kedalaman. permeab ilit as gelisols kedalaman gelisols P tersedia ya ya tidak tidak … dst
iv. Percabangan ini memakai rumus
Gambar 5.21 Rumus Gain(S,A)
v. Dari perhitungan data training menunjukkan bahwa jika permeabilitas tidak memenuhi kebutuhan atau tidak maka hasil akhirnya adalah termasuk klasifikasi tanah gelisols , namun jika masuk ke dalam batas kebutuhannya maka akan dilakukan lagi percabangan daun pada jenis P
tersedia.
vi. Dan perhitungan dilanjutkan sampai dengan pohon keputusan terbentuk.
5. 5 Uji coba konver si atur a n
setelah semua pohon keputusan sudah di buat dan di eksekusi maka selanjutnya adalah merubah data pohon keputusan itu menjadi data aturan yang nantinya dipakai untuk mencari klasifikasi tanah. Sama halnya dengan pohon keputusan aturan juga terdpat 5 tabel aturan yaitu :
ii. Tabel rule2 , untuk aturan pada sub ordo iii. Tabel rule3 , untuk aturan pada great grup iv. Tabel rule4 , untuk aturan pada epipedon
v. Tabel rule5, untuk aturan pada endopedon
Untuk melakukan konversi aturan , dapat dilakukan dengan cukup mudah yaitu dengan menekan tombol Aturan yang terdapat pada layout utama pada setiap halaman.
Gambar 5.23 tombol aturan
Setelah menekan tombol tersebut , maka secara otomatis aplikasi akan langsung men-generate tabel tabel jp (pohon keputusan) menjadi tabel rule (aturan). Terdapat 5 proses generate tabel yang menandakan terdapat 5 macam hasil pencarian klasifikasi tanah. Berikut adalah layout halaman aturan :
Gambar 5.24 layout halaman aturan
Dari gambar diatas dapat dijelaskan sebagai berikut :
i. A menandakan iterasi ke dari pada perulangan saat generate data , iterasi juga menandakan pohon keputusan ke juga. Urutan iterasi sama dengan penjelasan tabel rule diatas. Pengecekan dilakukan dengan mengseleksi tabel pohon keputusan, kemudian akan di cek berdasarkan index tingkatnya. Jika data tingkat adalah 0 maka tidak akan melakukan apa-apa , namun jika data adalah 1 atau lebih dari itu maka akan nilai cabang yang tersim,pan akan disimpan ke dalam tabel aturan.
Gambar 5.25 layout halaman aturan(2) ii. B adalah aturan ke dari pada sebuah klasifikasi hasil tanah
iii. C adalah aturan-aturan yang degenerate, semakin berada pada cabang yang dalam maka aturan juga akan semakin dalam. Cabang adalah tingkat index yang aktiv sedang dalam perulangan.
5. 6 Uji coba hasil klasifikasi
setelah semua data pohon keputusan berhasil di generate menjadi aturan-aturan baru. Maka selanjutnya kita akan melakukan ujicoba mengklasifikasikan data inputan untuk mencari hasil pengklasifikasian tanah. Untuk awalnya kita harus menekan tombol result untuk masuk kedalam form pencarian klasifikasi tanah.
Gambar 5.26 menu result Disini akan saya bedakan menjadi 3 proses utama yaitu : a. Inputan
Data inputan disini adalah data yang akan menjadi acuan untuk pengecekan pada tabel aturan. Disini saya tetap akan mengambil variabel text dari pada tabel jenis sebagai acuan data-data yang akan dipakai.
Gambar 5.27 form result – data tanah
Sama dengan proses pemanggilan tabel jenis pada tabel input data training disini juga akan melakukan seleksi pada tabel jenis untuk mengambil data-data text dari pada jenis dan atribut dari data-data tanah.
Gambar 5.28 code penseleksian jenis untuk form pengklasifikasian tanah Selain data klasifikasi kita juga memerlukan data profil tanah, iklim tanah dan geografi tanah sebagai data profil dari pada pengklasifikasian data tanah.
Gambar 5.30 form result – iklim dan geografi tanah b. Proses
Setelah sudah merasa yakin dengan pengisian data pada form diatas , kemudian langsung tekan saja tombol submit. Untuk mengeksekusi dan memproses data dan mendapatkan data klasifikasi tanah yang menjadi tujuan utama pada aplikasi ini.
Setelah menekan submit data di dalam form tersebut akan diproses dengan mengecek apakah memang berasal dari form yang bersangkutan. Jika benar maka data kiriman tadi akan digenerete menjadi nilai-nilai atribut. Harus nilai atribut karena di dalam tabel aturan Cuma ada nilai jenis dan atribut saja.
Gambar 5.31 proses klasifikasi data tanah (I)
Nilai atribut didapat dari pengecekan batas pada jenis (A), yang terdapat pada data yang dikirim dari form. Kemudian di seleksikan ke dalam tabel jenis untuk mecari batas nilainya jika sudah dapat maka , data dari form akan dibandingkan dengan batas apakah memenuhi atau sesuai kriteria batas atau tidak (C), pun tergantung tipenya juga (B). Nilai atribut yang didapat akan disimpan pada ,
Gambar 5.32 proses klasifikasi data tanah (II)
Setelah mendapatkan data atribut maka selanjutnya adalah kita akan melakukan pengklasifikasian data tanah menggunakan aturan yang sudah dibuat sebelumnya. Hal ini dilakukan dengan cara membandingkan nilai yang didapat dari jumlah atribut dari pencarian(B) dengan jumlah yang didapat per tingkat aturan yang berlaku(A). Jika nilai A dan B sama (C) maka akan diambil data hasil dari tingkat aturan yang sama tersebut (D).
Setelah mendapatkan hasil yang diinginkan ,maka data tersebut akan disimpan pada tabel sejarah. Sedangkan untuk profil tanah akan disimpan pada tabel tanah , geografi pada tabel geografi dan data iklim akan disimpan pada tabel iklim.
c. Output
Output yang dihasilkan adalah sebagai berikut :
Gambar 5.35 output klasifikasi data tanah
Penjelasannya adalah , data tanah yang dimasukkan tergolong dalam klasfikasi sebagai berikut :
i. Termasuk dalam EPIPEDON plaggen
ii. Termasuk dalam ENDOPEDON oxic
iii. Termasuk dalam ORDER gelisols iv. Termasuk dalam SUB ORDER hemists
5. 7 Uji coba da ta master
Data pengklasifikasian akan disimpan pada tabel-tabel yang disebutkan ditatas, mempunyai data master untuk melihat data dengan fitur detail yang ada pada setiap gridnya . pada studi kasus kali ini saya akan mengefaluasi data master tanah. Berikut adalah tampilan data master tanah.
Gambar 5.36detail data tanah Penjelasan :
i. A adalah tombol edit untuk melihat detail dari data tanah. Berikut adalah data tampilan detail data tanah.
Gambar 5.37 pop updetail data tanah
137
PENUTUP
Pada bab terakhir ini, beberapa kesimpulan dan saran yang akan dipaparkan setelah perencaan dan pembuatan APLIKASI SISTEM KLASIFIKASI/TAKSONOMI
TANAH BERBASIS WEB MENGGUNAKAN METODE DECISION TREE C45 :
6.1 Kesimpulan
a. Berdasarkan pada hasil uji coba metode C45, bahwa metode ini memberikan informasi data yang cukup baik dan valid.
Banyaknya hasil jenis mempengaruhi banyaknya tabel untuk pohon keputusan , training dan tabel aturan,Jenis, atribut dan aturan , pohon keputusan dan data training adalah variable mutlak yang terdapat pada aplikasi ini.
b. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan rule,Pohon keputusan adalah salah satu metode klasifikasi yang paling popular karena mudah untuk diinterpretasi oleh manusia. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan.
c. Data dalam pohon keputusan akan dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree.
d. Bagian awal dari pohon keputusan ini adalah titik akar (root), sedangkan setiap cabang dari pohon keputusan merupakan pembagian berdasarkan hasil uji, dan titik akhir (leaf) merupakan pembagian kelas yang dihasilkan.
6.2 Sar an
a. Dinamisasi data pada database harusnya lebih optiomal , Seharusnya akan lebih mudah jika pada penerapannya tidak memakai banyak tabel untuk data training , aturan , dan pohon keputusan.
b. Pembandingan metode mungkin akan bisa mendongkrak pemahaman tentang pohon keputusan dan hasil yang didapat.
c. Harusnya proses random yang dilakukan bisa dilakukan dengan cara code , tidak dengan memasukkan ke dalam tabel yang cenderung malah memperlambat kinerja aplikasi.
DAFTAR PUSTAKA
Agrawal, R. , et all,. Fast Algorithm for Mining association rules. Proceding of the Twented International Converence all very Luck databases 1994.
Ali Abbas, Husein et all,. Data Mining : A Hearistic Approach. Idea Group Publishing. 2002
Inhoff, Claudia, et all, Mastering Data Warehouse Design: Relational AMD
Demensional Techniques, John Waely Publishing. 2003.
Inmon, W. H., Building The Data Wareahouse Third Editon, John Waely And Son Publishing. 2002
Raynardy, Vinchen, Building a Data Warehouse With Example In SQL Server, Springer Fearlack Inc. 2008.
Kadir, Abdul Dasar Pemprograman Web dinamis menggunakan PHP, ANDI 2008
Rangkati, Freddy, Manajemen Persedian Aplikasi di Bidang Bisnis , PT raja Grafindo Persada, Jakarta. 2004.