Penggunaan Metode Support Vector Machine (SVM) Untuk Mengklasifikasi dan Memprediksi Angkutan Udara dan Jenis Penerbangan Domestik dan Internasional di Banda Aceh

(1)

PENGGUNAAN METODE SUPPORT VECTOR MACHINE (SVM)

UNTUK MENGKLASIFIKASI DAN MEMPREDIKSI

ANGKUTAN UDARA JENIS PENERBANGAN

DOMESTIK DAN PENERBANGAN

INTERNASIONAL DI BANDA ACEH

TESIS

Oleh

SAYED FACHRURRAZI

097038014/TINF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

(2)

PENGGUNAAN METODE SUPPORT VECTOR MACHINE (SVM)

TESIS

Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar

Magister Komputer Dalam Program Studi Magister Teknik

Informatika Pada Program Pascasarjana Fakultas MIPA

Universitas Sumatera Utara

Oleh

SAYED FACHRURRAZI

097038014 / TINF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

(3)

PENGESAHAN TESIS

Judul Tesis : PENGGUNAAN METODE SUPPORT VECTOR MACHINE (SVM) UNTUK MENGKLASIFIKASI DAN MEMPREDIKSI ANGKUTAN UDARA JENIS PENERBANGAN DOMESTIK DAN PENERBANGAN INTERNASIONAL DI BANDA ACEH

Nama Mahasiswa : SAYED FACHRURRAZI Nomor Induk Mahasiswa : 097038014

Program Studi : TEKNIK INFORMATIKA

Fakultas : MATEMATIKA dan ILMU

PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

Menyetujui

Komisi Pembimbing

Dr. Zakarias Situmorang., MT

Anggota Ketua

Prof. Dr. Herman Mawengkang

Ketua Program Studi Dekan

Prof. Dr. Muhammad Zarlis

(4)

PERNYATAAN ORISINALITAS

PENGGUNAAN METODE SUPPORT VECTOR MACHINE (SVM)

TESIS

Dengan ini penulis nyatakan bahwa penulis mengakui bahwa semua karya tesis ini adalah hasil karya penulis sendiri kecuali kutipan dan ringkasan yang tiap bagiannya telah dijelaskan sumbernya dengan benar.

Medan, Juli 2011

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan di bawah ini :

Nama : SAYED FACHRURRAZI NIM : 097038014

Program Studi : Magister (S2) Teknik Informatika Jenis Karya Ilmiah : TESIS

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalti Free Right) atas Tesis saya yang berjudul :

PENGGUNAAN METODE SUPPORT VECTOR MACHINE (SVM)

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan Tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan atau sebagai pemilik hak cipta.

Medan, 29 Juli 2011

(6)

Telah diuji pada Tanggal : 29 Juli 2011

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Herman Mawengkang Anggota : 1. Dr. Zakarias Situmorang

(7)

DAFTAR RIWAYAT HIDUP

DATA PRIBADI

Nama Lengkap : Sayed Fachrurrazi, S.Si

Tempat dan Tanggal Lahir : Beureunuen, 23 April 1979

Alamat Rumah : Jl. Titi Papan Gg Rezeki No. 18 Medan

HP : 085260598888

Email

Instansi Tempat Bekerja : Fakultas Teknik Universitas Malikussaleh

Alamat Kantor : Kampus Utama Unimal Jl. Cot Teungku Nie – Reuleut

Kec. Muara Batu – Aceh Utara Telp. (0645) 41373 –

(0645) 40915 Email : info@unimal.ac.id

DATA PENDIDIKAN

(8)

KATA PENGANTAR

Alhamdulillah, Puji dan Syukur saya panjatkan kehadirat Allah SWT karena atas

berkat limpahan rahmat dan hidayah –Nya lah saya dapat menyelesaikan Tesis ini

dengan bimbingan, arahan, kritik dan saran serta bantuan dari pembimbing,

pembanding, segenap dosen, rekan-rekan mahasiswa Program Studi Magister (S2)

Teknik Informatika Universitas Sumatera Utara. Selawat beriring salam senantiasa

kita sanjungkan kepangkuan Nabi Besar Muhammad SAW beserta Sahabat Beliau

yang telah membawa umat manusia ke alam yang berilmu pengetahuan hingga akhir

zaman, Amiin.

Tesis ini diajukan sebagai salah satu syarat untuk memperoleh gelar Magister

Komputer pada Program Studi Pascasarjana Magister Teknik Informatika pada

Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) Universitas Sumatera

Utara. Tesis ini berjudul “Penggunaan Metode Support Vector Machine (SVM)

Untuk Mengklasifikasi dan Memprediksi Angkutan Udara dan Jenis Penerbangan

Domestik dan Internasional di Banda Aceh”.

Pada proses penulisan sampai dengan selesainya penulisan tesis ini, penulis

mengucapkan terima kasih yang sebesar-besarnya kepada :

1. Ketua Program Studi Magister (S2) Teknik Informatika, Prof. Dr. Muhammad

Zarlis. Sekretaris Program Studi Magister (S2) Teknik Informatika M. Andri

Budiman, ST, M.Comp.Sc, M.EM.

2. Pembimbing Utama Prof. Dr. Herman Mawengkang dan Pembimbing

(9)

serta memberikan bahan-bahan yang sangat berguna hingga selesainya tesis

ini.

3. Prof. Dr. Muhammad Zarlis dan Prof. Dr. Tulus selaku pembanding yang telah

memberikan masukan dan arahan yang baik demi selesainya tesis ini.

4. Rektor Universitas Malikussaleh (UNIMAL) Lhokseumawe Aceh Utara,

Apridar, SE, M.Si dan seluruh jajaran Pembantu Rektor I, II, III, IV yang telah

memberikan izin studi S2 dan memberikan dukungan baik moril maupun

materil kepada penulis dalam melanjutkan studi magister ini.

5. Dekan Fakultas Teknik Universitas Malikussaleh (UNIMAL) Lhokseumawe

Aceh Utara, Ir. Syamsul Bahri, M.Si dan jajaran Pembantu Dekan I, II, III, IV

yang telah memberikan dukungan kepada penulis.

6. Rekan-rekan dosen staf pengajar dan staf administrasi serta laboran di

Fakultas Teknik Universitas Malikussaleh, khususnya Bapak Salwin, ST, MT,

Bustami, S.Si, M.Si, Ir. Azhari, M.Sc, Ph.D, Rizal, S.Si, M.IT, Nurdin,

S.Kom, M.Kom, Muhammad Ikhwanus, ST, M.Eng, Muhammad Ari Saptari,

ST, Safwandi, ST, Ezwarsyah, ST, MT, Firdaus, SE, Anwar, SP dan yang

lainnya yang telah memberikan dukungan kepada penulis.

7. Rekan-rekan angkatan pertama S2 Teknik Informatika USU, khususnya Pak

Khairuddin, Riza, Pak Husni, dan yang lainnya yang telah bersama-sama

saling membantu selama mengikuti perkuliahan.

8. Staf dan Karyawan Magister (S2) Teknik Informatika USU, yang telah banyak

membantu selama perkuliahan.

9. Teristimewa untuk seluruh keluarga besar, khususnya Ibunda Tercinta

Syarifah Nur, Ayahanda Sayed Yusuf (Alm), Kakanda Sayed Nazariadi,

(10)

Istri Tercinta Syarifah Humairah, SKM, Sayed Ridha, AMd, Syarifah Hasnita,

S.ST, Kak Ipah Medan, Kak Nah, Dek Rahmah, Dek Habib Zein Tersayang,

Yed Chalid, Hafizh, Muzammil, Asyura dan Keponakan-keponakan yang

lainnya yang telah bersusah payah mendidik penulis dan memberikan

semangat, bantuan moril dan materil kepada penulis.

10.Semua pihak yang tidak dapat penulis sebutkan satu persatu, terima kasih atas

bantuan yang telah diberikan kepada penulis selama ini.

Penulis menyadari bahwa di dalam hasil penelitian tesis ini masih terdapat

kekurangan baik dari isi, penulisan, dan lainnya. Oleh karena itu kritik dan saran yang

sifatnya membangun sangat penulis harapkan demi kesempurnaan tesis ini. Semoga

tesis ini bermanfaat hendaknya bagi instansi pemerintah aceh dan semua pihak yang

membutuhkan pengetahuan di bidang machine learning.

Medan, Juli 2011 Penulis

(11)

PENGGUNAAN METODE SUPPORT VECTOR MACHINE (SVM)

UNTUK MENGKLASIFIKASI DAN MEMPREDIKSI ANGKUTAN

UDARA JENIS PENERBANGAN DOMESTIK DAN

PENERBANGAN INTERNASIONAL

DI BANDA ACEH

ABSTRAK

Tulisan ini menyajikan analisis performansi Support Vector Machine (SVM) dengan 11 variabel bebas dan 1 variabel terikat. Metode SVM dengan data training (75%) dan data testing (25%) yang digunakan pada pengklasifikasian data penerbangan domestik dan data penerbangan internasional untuk menemukan hyperplane terbaik yang memisahkan dua buah kelas. Hasilnya terdapat 4 support vector memberikan informasi yang dibutuhkan untuk menyakinkan bahwa metode SVM bisa sebagai classifier dan dapat memprediksi keakuratan model dengan menggunakan kurva Receiver Operating Characteristic (ROC) untuk melihat akurasi model terbaik. mencapai 84,31%.

(12)

IMPLEMENTING SUPPORT VECTOR MACHINE (SVM) METHOD FOR

CLASSIFICATION AND PREDICTING FLIGHT AEROPLANE

DOMESTIC AND INTERNASIONAL

FLIGHT IN BANDA ACEH

ABSTRACT

This Paper present the analysis of the performance implementing of support vector machine with 11 independent variable and 1 dependent variable. The SVM method with training data (75%) and testing data (25%) able used for classification data domestic flight and internasional flight can be find the best hyperplane rule for 2 classifier. The output for 4 support vector could to find a function to differentiate data classes. which used Structure Risk Minimization (SRM) to find the best hyperplane function to separate two data classes. This research analyzes SVM performance for there aeroplane classifying based on domestic and international rute Some precautions have to be performed in onder to get a good performance i.e preprocessing, kernel application, the appropriate parameter in SVM and feature selection. The study shows that SVM method can be applied to classify IBM. The model accuracy is 84,31% observed using Receiver Operating Characteristic (ROC).

(13)

DAFTAR ISI

Halaman

LEMBAR PENGESAHAN………..……….. LEMBAR PERNYATAAN ORISINALITAS……….. LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS………... RIWAYAT HIDUP……….

KATA PENGANTAR……….. i

ABSTRAK………. iv

ABSTRACT……… v

DAFTAR ISI……….. vi

DAFTAR GAMBAR………. viii

DAFTAR TABEL……….. ix

DAFTAR LAMPIRAN………. x

BAB I PENDAHULUAN I.1 Latar Belakang……….. 1

I.2 Perumusan Masalah …..………. 3

I.3 Batasan Masalah..………. 3

I.4 Tujuan Penelitian..……….. 3

I.5 Manfaat Penelitian………. 4

BAB II TINJAUAN PUSTAKA II.1 Pengertian Klasifikasi………. 5

II.2 Support Vector Machine (SVM)………. …5

II.2.1 Definisi Support Vector Machine (SVM)……….. 5

II.2.2 Non Linier Classification………. 8

II.2.3 Karakteristik Support Vector Machine (SVM)…………. 10

(14)

II.2.5 Kelebihan Support Vector Machine (SVM)……… 11

II.2.6 Kekurangan Support Vector Machine (SVM)………. 12

II.3 Metode Kernel………... 12

II.4 Receiver Operating Characteristic (ROC)……… 13

II.5 Implementasi Masalah……… 15

BAB III METODOLOGI PENELITIAN III.1 Lokasi dan Waktu Penelitian………. . 17

III.2 Perangkat yang digunakan ……… 17

III.3 Metode Pengumpulan Data……… 17

III.4 Variabel Penelitian……….. 18

III.5 Analisis Data dan Diagram Alir Kerja Penelitian………... 18

BAB IV HASIL DAN PEMBAHASAN IV.1 Analisis Training Set Menggunakan Binary SVM Light………… 21

IV.2 Analisis Training dan Testing Set Menggunakan ROC………… 23

IV.3 Tampilan Listing Program Analisis Training Set dan Testing Set ……….………... 26

BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan………. 37

V.2 Saran……… 38

DAFTAR PUSTAKA……….... 39

(15)

DAFTAR GAMBAR

Halaman

1. Gambar 2.1 Fungsi Φ memetakan data ke ruang

vektor yang berdimensi lebih tinggi ……… 9

2. Gambar 2.2 Kriteria ROC (MedCalc Software bvba, 2010) …….. 14

3. Gambar 3.1 Diagram Alir Kerja Penelitian ……… 19

4. Gambar 4.1 SVM berusaha menemukan hyperplane yang terbaik

(16)

DAFTAR TABEL

Halaman

1. Tabel 2.1 Tabel Kontingensi ROC ……… 13

(17)

DAFTAR LAMPIRAN

Halaman

1. Lampiran 1 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan Januari 2010 ……… L-1 2. Lampiran 2 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan Februari 2010 ……… L-2 3. Lampiran 3 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan Maret 2010 ……… L-3 4. Lampiran 4 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan April 2010 ……….… L-4 5. Lampiran 5 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan Mei 2010 ……….. L-5 6. Lampiran 6 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan Juni 2010 ……… L-6 7. Lampiran 7 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan Juli 2010 …………..……… L-7 8. Lampiran 8 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan Agustus 2010 ……… L-8 9. Lampiran 9 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan September 2010 ……… L-9 10.Lampiran 10 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan Oktober 2010 ……… L-10 11.Lampiran 11 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan November 2010 ……… L-11 12.Lampiran 12 Angkutan Udara Secara Total Bandara Sultan

(18)

13.Lampiran 13 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan Januari 2011 ……….……… L-13 14.Lampiran 14 Angkutan Udara Secara Total Bandara Sultan

Iskandar Muda Bulan Februari 2011 ……… L-14 15.Lampiran 15 Angkutan Udara Secara Total Bandara Sultan

(19)

PENGGUNAAN METODE SUPPORT VECTOR MACHINE (SVM)

UNTUK MENGKLASIFIKASI DAN MEMPREDIKSI ANGKUTAN

UDARA JENIS PENERBANGAN DOMESTIK DAN

PENERBANGAN INTERNASIONAL

DI BANDA ACEH

ABSTRAK

Tulisan ini menyajikan analisis performansi Support Vector Machine (SVM) dengan 11 variabel bebas dan 1 variabel terikat. Metode SVM dengan data training (75%) dan data testing (25%) yang digunakan pada pengklasifikasian data penerbangan domestik dan data penerbangan internasional untuk menemukan hyperplane terbaik yang memisahkan dua buah kelas. Hasilnya terdapat 4 support vector memberikan informasi yang dibutuhkan untuk menyakinkan bahwa metode SVM bisa sebagai classifier dan dapat memprediksi keakuratan model dengan menggunakan kurva Receiver Operating Characteristic (ROC) untuk melihat akurasi model terbaik. mencapai 84,31%.

(20)

IMPLEMENTING SUPPORT VECTOR MACHINE (SVM) METHOD FOR

CLASSIFICATION AND PREDICTING FLIGHT AEROPLANE

DOMESTIC AND INTERNASIONAL

FLIGHT IN BANDA ACEH

ABSTRACT

This Paper present the analysis of the performance implementing of support vector machine with 11 independent variable and 1 dependent variable. The SVM method with training data (75%) and testing data (25%) able used for classification data domestic flight and internasional flight can be find the best hyperplane rule for 2 classifier. The output for 4 support vector could to find a function to differentiate data classes. which used Structure Risk Minimization (SRM) to find the best hyperplane function to separate two data classes. This research analyzes SVM performance for there aeroplane classifying based on domestic and international rute Some precautions have to be performed in onder to get a good performance i.e preprocessing, kernel application, the appropriate parameter in SVM and feature selection. The study shows that SVM method can be applied to classify IBM. The model accuracy is 84,31% observed using Receiver Operating Characteristic (ROC).

(21)

BAB I

PENDAHULUAN

I.1 Latar Belakang

Setelah di launchingnya program tahun kunjungan wisata di tahun 2011 ini, Pemerintah daerah kota banda aceh beserta masyarakat sangat gencar mencanangkan Visit Banda Aceh 2011 dengan motto “Bandar Wisata Islami Indonesia”, A place

blessed with natural beauty and as a spiritual gateway. Angkutan penerbangan udara

ikut mengambil peranan yang sangat penting dalam mengangkut wisatawan baik wisatawan domestik maupun wisatawan internasional yang akan mengunjungi aceh khususnya kota banda aceh. Pengembangan pariwisata di kota banda aceh tidak akan terlepas dari promosi dan pemanfaatan teknologi informasi menjadi salah satu aspek yang menunjang perkembangan jumlah wisatawan yang berkunjung ke daerah tersebut. Bandar wisata islami menjadi salah satu ikon yang selama ini belum ada diterapkan di daerah lain dan menjadi salah satu keunggulan wisata yang ingin diperkenalkan kepada wisatawan yang berkunjung ke banda aceh.

Pariwisata sebagai suatu aktivitas ekonomi dapat dilihat dari dua sisi yakni sisi permintaan (demand side) dan sisi pasokan (supply side). Keberhasilan dalam pengembangan pariwisata di kota banda aceh sangat tergantung kepada kemampuan perencana dalam mengintegrasikan kedua sisi tersebut secara berimbang ke dalam sebuah rencana pengembangan pariwisata. Dinamika yang terjadi pada kedua sisi pariwisata dimaksud dipengaruhi oleh faktor-faktor eksternal dan internal di daerah asal wisatawan maupun di daerah banda aceh yang menjadi tujuan kunjungannya.

(22)

Support Vector Machine (SVM) adalah salah satu bagian dari Data Mining yang

akhir-akhir ini mendapat perhatian dalam hal untuk pengklasifikasian data, selain Metode CART ( Classification And Regression Tree), CHAID (Chi Square Automatic

Interaction Detection) dan k-NN (k-Nearest Neighbour). SVM juga merupakan

classifier yang bertujuan untuk mendapatkan posisi terbaik dari batas (hyperlane)

pada ruang vektor. Hyperplane yang paling baik adalah dengan memaksimalkan nilai margin yaitu jarak dari batas pemisah (separating hyperplane) ke masing-masing kelas dan posisi ini tercapai jika hyperplane itu terletak tepat di tengah-tengahnya, memisahkan antar kelas positif dan kelas negatif. Salah satu kelebihan SVM dibandingkan metode lain terletak pada kemampuannya untuk menemukan hyperplane terbaik yang memisahkan dua buah class pada feature space yang

ditujukan oleh strategi Structural Risk Minimization (SRM) (Santoso, 2007).

Banyak kasus yang dapat diselesaikan dengan SVM, dan yang paling banyak mendapat perhatian untuk saat ini adalah data yang berhubungan dengan bioinformatika (analisa ekspresi gen), keuangan, cuaca hingga di bidang kedokteran (Christianini, 2000).

Dengan memanfaatkan data induk jenis penerbangan baik lokal maupun internasional yang berkunjung ke aceh khususnya banda aceh selama periode bulan januari 2010 hingga bulan maret tahun 2011 maka akan dapat diklasifikasi dan diprediksi jumlah kedatangn wisatawan yang berkunjung ke banda aceh dengan memanfaatkan data dari dinas pariwisata dan kebudayaan, data dari kantor imigrasi wilayah I, data dari dari bandara internasional sultan iskandar muda blang bintang, data dari biro perjalanan wisata, data dari hotel tempat wisatawan menginap, dan data lainnya yang mendukung.

(23)

bersifat tidak linier (non linier). SVM merupakan metode baru, namun dapat memberikan performansi yang lebih baik bila dibandingkan metode-metode pengklasifikasian lainnya seperti Naive Bayesian, Rocchio, C4.5 dan k-NN.

I.2 Perumusan Masalah

Berdasarkan dari latar belakang diatas, maka dapat dibuat perumusan masalah adalah bagaimana mengklasifikasi dan memprediksi jenis penerbangan angkutan udara di bandara sultan iskandar muda dalam kaitannya dengan kunjungan wisatawan ke kota banda aceh dengan menggunakan metode support vector machine (SVM) Kurva ROC dari R (suatu perangkat lunak versi terbuka, open source).

I.3 Batasan Masalah

Pada penelitian ini dibatasi pada data angkutan udara secara total dengan jenis penerbangan domestik dan penerbangan internasional ke aceh khususnya ke kota banda aceh selama periode bulan januari 2010 hingga bulan maret tahun 2011 dengan variabel penerbangan yang datang, penerbangan yang berangkat, penerbangan lokal, penumpang yang datang, penumpang yang berangkat, jumlah bagasi dari penumpang yang datang dan yang berangkat serta dari kargo penerbangan yang datang dan kargo penerbangan yang berangkat.

I.4 Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah menganalisa sistem klasifikasi dan memprediksi support vector dengan menggunakan metode support vector machine (SVM) berdasarkan kurva ROC dan analisis model testing data penerbangan dan training data penerbangan yang diharapkan memiliki akurasi yang lebih baik dalam menentukan angkutan udara jenis penerbangan domestik dan penerbangan internasional dari kunjungan wisatawan lokal dan wisatawan mancanegara ke kota banda aceh selama periode tahun 2011.

(24)

(25)

BAB II

TINJAUAN PUSTAKA

II.1 Pengertian Klasifikasi

Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data dengan tujuan untuk memperkirakan kelas yang tidak diketahui dari suatu objek. Dalam pengklasifikasian data terdapat dua proses yang dilakukan yaitu:

1. Proses training

Pada proses training digunakan training set yang telah diketahui label-labelnya untuk membangun model atau fungsi.

2. Proses testing

Untuk mengetahui keakuratan model atau fungsi yang akan dibangun pada proses training, maka digunakan data yang disebut dengan testing set untuk memprediksi label-labelnya.

Klasifikasi dokumen adalah pemberian kategori yang telah didefinisikan kepada dokumen yang belum memiliki kategori (Goller, 2000). Mengklasifikasi dokumen merupakan salah satu cara untuk mengorganisasikan dokumen. Dokumen-dokumen yang memiliki isi yang sama akan dikelompokkan ke dalam kategori yang sama. Dengan demikian, orang-orang yang melakukan pencarian informasi dapat dengan mudah melewatkan kategori yang tidak relevan dengan informasi yang dicari atau yang tidak menarik perhatian (Feldman, 2004).

(26)

II.2 Support Vector Machine

II.2.1 Definisi Support Vector Machine (SVM)

Support Vector Machine (SVM) dikembangkan oleh Boser, Guyon, Vapnik, dan

pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on Computational Learning Theory. Konsep dasar SVM sebenarnya merupakan kombinasi harmonis

dari teori-teori komputasi yang telah ada puluhan tahun sebelumnya, seperti margin hyperplane (Duda & Hart tahun 1973, Cover tahun 1965, Vapnik 1964, dan lain-lainnya), kernel diperkenalkan oleh Aronszajn tahun 1950, dan demikian juga dengan kosep-konsep pendukung yang lain. Akan tetapi hingga tahun 1992, belum pernah ada upaya merangkaikan komponen-komponen tersebut.

Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah kelas pada input space. pattern yang merupakan anggota dari dua buah kelas : +1 dan -1 dan berbagi alternative garis pemisah (discrimination boundaries). Margin adalah jarak antara hyperplane tersebut dengan pattern terdekat dari masing-masing kelas. Pattern yang paling dekat ini disebut sebagai support vector. Usaha untuk mencari lokasi hyperplane ini merupakan inti dari proses pembelajaran pada SVM (Christianini, 2000).

Data yang tersedia dinotasikan sebagai x_i ∈ℜdsedangkan label masing-masing

dinotasikan y_i∈

{

−1,+1

}

untuk i = 1,2,… ,l , yang mana l adalah banyaknya data. Diasumsikan kedua kelas -1 dan +1 dapat terpisah secara sempurna oleh hyperplane berdimensi d, yang didefinisikan :

w . x + b = 0 (1)

Pattern x yang ternasuk kelas -1 (sampel negatif) dapat dirumuskan sebagai _i pattern yang memenuhi pertidaksamaan

(27)

Sedangkan pattern x yang termasuk kelas +1 (sampel positif) memenuhi _i pertidaksamaan :

w . x + b ≥ +1 (3)

Margin terbesar dapat ditemukan dengan memaksimalkan nilai jarak antara

hyperplane dan titik terdekatnya, yaitu 1/ w . Hal ini dapat dirumuskan sebagai

Quadratic Programming (QP) Problem, yaitu mencari titik minimal persamaan (4)

dengan memperhatikan constraint persamaan (8).

( )

2

2 1

min w w

w τ =

(4)

y_i

(

x_i.w+b

)

−1≥0,∀_i (5)

Problem ini dapat dipecahkan dengan berbagi teknik komputasi, diantaranya dengan Lagrange Multiplier.

(

)

∑

(

)

= + − − = l i i i i

i y x w b

w b w L 1 2 1 . 2 1 , , α α

(

i=1,2,3,...,l

)

(6)

i

α adalah Lagrange multipliers, yang bernilai nol atau positif (αi≥0). Nilai optimal

dari Persamaan (6) dapat dihitung dengan meminimalkan L terhadap w dan b, dan memaksimalkan L terhadap α_i. Dengan memperhatikan sifat bahwa pada titik optimal gradient L = 0, persamaan (6) dapat dimodifikasi sebagai maksimalisasi problem yang hanya mengandung αi, sebagaimana persamaan (7) berikut.

Maksimasi : j i j l i l j i i j i

i y y x x

∑

₌ −

∑

₌

1 2 , 1

1

α α

α (7)

(28)

(

)

∑

= = = ≥ l i i i

i i l y

1 0 ,..., 3 , 2 , 1 0 α

α (8)

Dari hasil perhitungan ini diperoleh αiyang kebanyakan bernilai positif. Data yang

berkorelasi dengan α_iyang positif inilah yang disebut sebagai support vector (Vapnik, 1995).

Penjelasan di atas berdasarkan asumsi bahwa kedua belah kelas dapat terpisah secara sempurna oleh hyperplane (linear separable). Akan tetapi, pada umumnya dua belah kelas pada input space tidak dapat terpisah secara sempurna (non linear separable). Hal ini menyebabkan constraint pada persamaan (8) tidak dapat terpenuhi, sehingga optimisasi tidak dapat dilakukan. Untuk mengatasi masalah ini, SVM dirumuskan ulang dengan memperkenalkan teknik softmargin.

Dalam softmargin, Persamaan (5) dimodifikasi dengan memasukkan slack variableξi

(

ξ >0

)

sebagai berikut :

(

i

)

i i

i x w b

y . + ≥1−ξ_,∀ (9) Dengan demikian persamaan (4) diubah menjadi :

( )

∑

= + = l i i w C w w 1 2 2 1 ,

minτ ξ ξ (10)

Parameter C dipilih untuk mengontrol tradeoff antara margin dan error klasifikasi ξ. Nilai C yang besar berarti akan memberikan penalty yang lebih besar terhadap error klasifikasi tersebut (Sembiring, 2007).

II.2.2. Non-Linear Classification (Klasifikasi yang tidak Linier)

Pada umumnya masalah dalam domain dunia nyata (real world problem) jarang yang bersifat linear separable (tidak terpisahkan secara linear), tetapi bersifat non-linear. Untuk menyelesaikan problem non-linear, SVM dimodifikasi dengan memasukkan

fungsi kernel. Dalam non-linear SVM, pertama-tama data x dipetakan oleh fungsi

( )

x

(29)

secara linear oleh sebuah hyperplane. Notasi matematika dari mapping ini adalah sebagai berikut :

Φ:ℜd →ℜd d < q (11)

Gambar 2.1 Fungsi Φ memetakan data ke ruang vector yang

berdimensi lebih tinggi

Selanjutnya proses pembelajaran pada SVM dalam menemukan titik-titik support vector, hanya bergantung pada dot product dari data yang sudah

ditransformasikan pada ruang baru yang berdimensi lebih tinggi, yaitu Φ

( ) ( )

x_i .Φx_j .

Karena umumnya transformasi Φ ini tidak diketahui, dan sangat sulit untuk

difahami secara mudah, maka perhitungan dot product dapat digantikan dengan fungsi kernel K (x ,_i xj) yang mendefinisikan secara implisit transformasi Φ. Hal ini

disebut sebagai Kernel Trick, yang dirumuskan :

K (x ,_i x_j) = Φ

( ) ( )

x_i .Φx_j (12)

( )

x w

f Φ = . Φ

( )

x +b (13)

=

∑

∈ =

n

SV X i

i i

i

y

, 1

(30)

=

∑

∈ =

n

SV X i

i i

i

y

, 1

α K

( )

x,xi + b (15)

SV pada persamaan di atas dimaksudkan dengan subset dari training set yang

terpilih sebagai support vector, dengan kata lain data x yang berkorespondensi pada i

0

≥ i α .

Penelitian ini menggunakan package (e1071) dari perangkat lunak R open source versi 2.13.1 (Dimitriadou, 2007)

II.2.3. Karakteristik Support Vector Machine (SVM)

Menurut (Nugroho,2003), karakteristik SVM secara umum dirangkumkan sebagai berikut:

1. Secara prinsip SVM adalah linear classifier.

2. Pattern recognition dilakukan dengan mentransformasikan data pada input

space ke ruang yang berdimensi lebih tinggi, dan optimisasi dilakukan pada ruang vector yang baru tersebut. Hal ini membedakan SVM dari solusi pattern recognition pada umumnya, yang melakukan optimisasi parameter pada ruang hasil transformasi yang berdimensi lebih rendah daripada dimensi input space. 3. Menerapkan strategi Structural Risk Minimization (SRM).

4. Prinsip kerja SVM pada dasarnya hanya mampu menangani klasifikasi dua kelas.

II.2.4 Multiclass Support Vector Machine (SVM)

Ada dua pilihan untuk mengimplementasikan multiclass SVM yaitu dengan menggabungkan beberapa SVM biner atau menggabungkan semua data yang terdiri dari beberapa kelas ke dalam sebuah bentuk permasalahn optimal. Namun pada pendekatan yang kedua permasalahn optimasi yang harus diselesaikan jauh lebih rumit. Berikut ini adalah metode yang umum digunakan untuk mengimplementasikan multiclass SVM dengan pendekatan yang pertama:

1. Metode one-against-all (satu lawan semua)

(31)

2. Metode one-against-one (satu lawan satu)

Dengan menggunakan metode ini, dibagun k(k-1)/2 buah model klasifikasi biner (k adalah jumlah kelas). Terdapat beberapa metode untuk melakukan pengujian setelah keseluruhan k(k-1)/2 model klasifikasi selesai dibagun. Salah satunya adalah metode voting (Santosa, 2007).

II.2.5 Kelebihan Support Vector Machine (SVM)

Adapun beberapa keuntungan dari metode SVM adalah sebagai berikut: 1. Generalisasi

Generalisasi didefinisikan sebagai kemampuan suatu metode untuk mengklasifikasikan suatu pattern, yang tidak termasuk data yang dipakai dalam fase pembelajaran metode itu.

2. Curse of dimensionality

Curse of dimensionality didefinisikan sebagai masalah yang dihadapi suatu

metode pettern recognition dalam mengestimasikan parameter dikarenakan jumlah sampael data yang relative lebih sedikit dibandingkan dengan dimensional ruang vektor data tersebut.

3. Feasibility

SVM dapat diimplementasikan relative mudah, karena proses penentuan support vector dapat dirumuskan dalam QP problem (Nugroho, 2003)

II.2.6 Kekurangan Support Vector Machine (SVM)

Adapun beberapa kerugian dari metode SVM adalah sebagai berikut :

1. Sulit dipakai problem berskala besar. Dalam hal ini dimaksudkan dengan jumlah sampel yang diolah.

2. SVM secara teoritik dikembangkan untuk problem klasifikasi dengan dua kelas. Dewasa ini SVM telah dimodifikasi agar dapat menyelesaikan masalah dengan lebih dari dua kelas (Nugroho, 2003).

II.3 Metode Kernel

(32)

berbagai macam fungsi kernel. Kernel trick memberikan berbagai kemudahan, karena dalam proses pembelajaran SVM, untuk menentukan support vector, maka cukup dengan mengetahui fungsi kernel yang dipakai, dan tidak perlu mengetahui wujud dari fungsi non-linear.

Menurut (Karatzouglou, dkk, 2004) ada beberapa fungsi kernel yang sering digunakan dalam literature SVM anatara lain sebagai berikut:

a.Kernel linear adalah kernel yang paling sederhana dari semua fungsi kernel. Kernel ini biasa digunakan dalam kasus klasifikasi teks.

b. Kernel Radial Basis Gaussian adalah kernel yang umum digunakan untuk data yang sudah valid (available) dan merupakan default dalam tools SVM. c.Kernel Polynominal adalah kernel yang sering digunakan untuk klasifikasi

gambar.

d. Kernel Tangent Hyperbolic adalah kernel yang sering digunakan untuk neural networks.

II.4 Receiver Operating Characteristic (ROC)

Kurva ROC pertama kali digunakan pada perang dunia II untuk menganalisis sinyal radar sebelum dikembangkan dalam signal detection theory. Berdasarkan serangan di Pearl Harbon tahun 1941, tentara Amerika melakukan riset untuk meningkatkan ketepatan prediksi dalam mendeteksi sinyal radar pesawat Jepang.

Akhir-akhir ini penggunaan kurva ROC semakin popular dalam berbagai aplikasi terutama dalam bidang medis, radiologi, dan processing image. Receiver Operating Characteristic (ROC) adalah hasil pengukuran klasifikasi dalam bentuk 2-dimensi. Berikut ada empat peluang yang dapat diformulasikan dalam tabel kontingensi 2 x 2 untuk menganalisis ROC :

Tabel 2.1 Tabel Kontingensi ROC

Kelas Sebenarnya Benar Salah

Kelas Prediksi

[image:32.595.118.497.642.738.2]

(33)

Adapun kriteria ROC adalah sebagai berikut:

• True Positive Rate disebut juga Sensitivity (TPR)=TP/(TP+FN)

• True Negative Rate disebut juga Specifity (TNR)= TN/(TN+FP)

• Accuracy = (TP+TN)/(TP+FP+TN+FN). Dimana:

TP = True Positive yaitu klasifikasi yang dari kelas yang positif FN = False Negative yaitu kesalahan Type II

FP = False Positive atau kesalahan Type I

Gambar 2.2 Kriteria ROC (MedCalc Software bvba, 2010)

Jika nilai kriteria yang dipilih lebih tinggi, maka bagian FP akan menurun dan specifity akan meningkat, namun TP dan sensitivity akan menurun. Sebaliknya jika

nilai criteria yang dipilih lebih rendah, maka bagian TP akan meningkat, namun bagian TN dan specificity akan menurun (MedCalc Software bvba, 2010).

AUC (Area Under Curva) adalah luas daerah di bawah kurva ROC.bila nilainya mendekati satu, maka model yang didapat lebih akurat.

Berdasarkan gambar diatas maka dapat dilihat karakteristik dari AUC adalah sebagai berikut:

- Area maksimum adalah 1

(34)

( ) ( ) − + = −

∑ ∑

+ − − + = n n AUC n i n

j f xi f xj

1 11

Keterangan :

F(.) = nilai suatu fungsi

=

− +_dan_x

x sampel positif dan negatif

=

− +_dan_n

n jumlah sampel positif dan negative (Brefeld, 2005)

Penelitian ini menggunakan package (caTools) dari perangkat lunak R versi 2.13.1 (Tuszynski, 2007).

II.5 Implementasi Masalah

Berikut ini adalah contoh kasus SVM dengan dua kelas dan empat data. Problem ini merupakan problem liniersehingga tidak diperlukan Kernelisasi.

[image:34.595.123.410.413.528.2]

Formulasi masalahnya adalah sebagai berikut :

Tabel 2.2 Contoh Kasus

X1 X2 y

1 1 1

-1 1 -1

1 -1 -1

-1 -1 -1

Optimasi masalah sebagai berikut :

min

(

)

(

1 2 3 4

)

2 2 2 1 2 1 t t t t C w

w + + + + +

Konstrain :

1

1 2

1+w +b+t ≥

w

1

2 2

1−w −b+t ≥

w

−w1 +w2 −b+t3 ≥ 1 1

4 2

1+w −b+t ≥

(35)

Karena merupakan kasus klasifikasi linear, maka bisa dipastikan nilai variabel slack 0

= i

t . Jadi bias dimasukkan nilai C = 0. Setelah menyelesaikan problem optimasi di atas, maka didapat solusi :

1 , 1 ,

1 ₂

1 = w = b =

w

Jadi Persamaan fungsi pemisahnya adalah :

( )

x =x₁+x₂−1 f

(36)

BAB III

METODOLOGI PENELITIAN

III.1 Lokasi dan Waktu Penelitian

Penelitian ini dilakukan di Bandara Internasional Sultan Iskandar Muda Blang Bintang, Kantor Dinas Pariwisata dan Kebudayaan Pemerintah Kota Banda Aceh, Kantor Imigrasi Wilayah I Aceh, Biro Perjalanan Wisata, Hotel berbintang III yang ada di kota banda aceh. Lamanya waktu yang dibutuhkan untuk menyelesaikan penelitian ini yaitu selama 3 bulan yang dimulai pada awal Maret 2011 sampai dengan awal bulan Mei 2011. Data yang diperoleh merupakan data primer dan data sekunder dari Instansi terkait.

III.2 Perangkat yang digunakan dalam Penelitian

Adapun hardware dan software yang digunakan dalam penelitian ini adalah : 1. Laptop dengan spesifikasi :

Processor intel CORE 2 Duo Memory 1 GB

Hard disk 350 GB

2. Sistem Operasi Windows XP

3. Software Open Source R Statistical version 2.13.1 4. Software Notepad ++

III.3 Metode Pengumpulan Data

Sedangkan metode yang digunakan dalam pengumpulan data adalah : 1. Metode Pengambilan Langsung Data

Yaitu dengan melakukan pengambilan langsung data ke instansi dan dinas terkait untuk mendapatkan data yang dibutuhkan dalam penelitian ini.

2. Metode Wawancara

(37)

3. Metode Studi Literatur Pustaka

Yaitu dengan memperoleh sumber dari literatur pustaka yang bisa dijadikan rujukan dari literature dan browsing internet bahan-bahan serta rujukan dari permasalahan.

III.4 Variabel Penelitian

Yang menjadi variabel-variabel dalam penelitian ini adalah variabel bebas (Y) dan variabel terikat (X), yaitu :

Y = Jenis Penerbangan (domestik dan internasional) X1 = Pesawat yang datang

X2 = Pesawat yang berangkat X3 = Pesawat lokal

X4 = Penumpang yang datang X5 = Penumpang yang berangkat X6 = Bagasi dari kedatangan pesawat X7 = Bagasi dari pesawat yang berangkat X8 = Kargo dari pesawat yang datang X9 = Kargo dari pesawat yang berangkat X10 = Pos dari pesawat yang datang X11 = Pos dari pesawat yang berangkat

III.5 Analisis Data dan Diagram Alir Kerja Penelitian

Data primer dan data sekunder yang ada dilakukan analisis data. Analisis data dilakukan dengan menggunakan software open source yaitu software Perangkat Lunak R version 2.13.1. Copyright © 2011 The R Foundation for Statistical Computing.

(38)

Data belum normal

[image:38.595.96.354.107.621.2]

Gambar 3.1 Diagram Alir Kerja Penelitian

Dari gambar 3.1 diatas, langkah awal yang harus dilakukan adalah dengan menentukan dan menginisialisasi variabel-variabel yang ada dari data penerbangan,

Start

Inisialisasi Variabel Data Penerbangan

Proses Penormalan Data Penerbangan

Proses Train Data Penerbangan

Proses Test Data Penerbangan

Output : Kurva ROC, Support Vector

(39)

yang melalui bandara sultan iskandar muda sejak dari bulan januari 2010 hingga bulan maret 2011, dimana untuk kedua kategori jenis penerbangan domestik dan penerbangan internasional terdapat sebelas variabel yang mempengaruhi kedua jenis penerbangan tersebut. Data-data tersebut diolah dengan menggunakan software R-Project open source, yaitu dilakukan proses penormalan data penerbangan apabila belum sesuai. Apabila data tersebut cukup valid maka dilakukan proses training data penerbangan dan selanjutnya proses training data untuk menghasilkan keluaran berupa support vector pada garis hyperplane untuk mendapatkan support vector pada model penerbangan domestik dan support vector pada model penerbangan internasional dari proses training data. Tahap untuk mengklasifikasi data penerbangan dengan menggunakan model dari training data penerbangan angkutan udara yang menghasilkan prediksi.

(40)

BAB IV

HASIL DAN PEMBAHASAN

IV.1 Analisis Training Set Menggunakan Binary SVM Light

Untuk menentukan training set dengan Software Open Source Perangkat Lunak R, maka dilakukan langkah awal dengan menginstall packages, yaitu :

> install.packages (‘RWeka’)

package ‘RWeka’ successfully unpacked and MD5 sums checked The downloade packages are in

C : \Documents and Settings\sayed\Local > library (RWeka)

> data.penerbangan

Tampilan data.penerbangan (pada lampiran) > set.seed (123)

> N = dim (data.penerbangan) [1] > N

[1] 30

Berdasarkan data dari lampiran, dim (data.penerbangan) [1], Jumlah data angkutan udara secara total adalah angkutan N=30. Konsep SVM sebagai usaha mencari hyperplane terbaik yang memisahkan dua buah kelas dengan margin terbesar. Beberapa pola yang merupakan anggota dari dua buah kelas adalah positif (+1) dan negatif (-1). Pada proses pembelajaran dalam masalah klasifikasi diterjemahkan sebagai upaya menemukan hyperplane yang memisahkan antara kedua kelompok tersebut. Berbagai alternatif garis pemisah (discrimination boundaries) dan hyperplane terbaik antara kedua kelas dapat ditemukan dengan mengukur margin

hyperplane tersebut dan mencari titik maksimalnya. Margin adalah jarak antara

(41)

Gambar 4.1 SVM berusaha menemukan hyperplane yang terbaik yang memisahkan kedua class positif dan negatif

Bagian data training set yang paling dekat dengan hyperplane ini disebut support vector. Pada tahap untuk membangun model pada penelitian ini dengan

training.penerbangan pada SVM terdapat 4 support vector pada garis hyperplane. Model yang dibangun memiliki 2 model untuk penerbangan domestik dan 2 model untuk penerbangan internasional. Garis tebal pada gambar 4.1 (b) menunjukkan hyperplane terbaik yang terletak tepat ditengah-tengah kedua kelas, sedangkan titik

kotak dan lingkaran yang berada dalam lingkaran hitam adalah support vector. Dalam penelitian ini model dibangun dengan menggunakan kernel yang telah disediakan oleh paket SVMlight. Kernel yang terdapat pada paket SVMlight

Dari data pada lampiran listing program dapat dilihat bahwa keakuratan analisis training data mencapai 0,8431417 atau 84,31 % keakuratan data yaitu terdapat 12 variabel termasuk 1 variabel Y yang mempunyai 2 label yaitu domestik dan internasional yang ada pada model. Pada data training..penerbangan yang dipergunakan untuk membangun model terdapat 22 training data (75%) yang lebih banyak dari data testing dan 11 attribute sedangkan pada data testing.penerbangan terdapat 8 data testing (25%) dengan 11 Attribute juga.

ada 4 (empat) yaitu linear, polynominal, radial, dan sigmoid. Pada penelitian ini hanya digunakan 1 (satu) kernel

yaitu linear.

(42)

hingga maksimal untuk 100%. Pada predict data penerbangan linear terdapat 5 data domestik.penerbangan dan 3 data internasional penerbangan.sehingga totalnya ada 8 data test untuk prediksi. Tahapan klasifikasi yang menggunakan model untuk mengklasifikasi teks dan menghasilkan perkiraan / prediksi. Hasil prediksi ini dapat mengandung keluaran informasi yang bersifat benar dan salah.

Pada tahapan pengklasifikasian dokumen jenis penerbangan angkutan udara adalah suatu tahap pemberian kategori yang telah didefinisikan kepada dokumen angkutan udara yang belum memiliki kategori. Mengklasifikasikan dokumen jenis penerbangan merupakan cara untuk mengorganisasikan dokumen penerbangan angkutan udara. Dokumen-dokumen penerbangan yang memiliki isi yang sama akan dikelompokkan ke dalam kategori yang sama. Dengan demikian orang-orang yang melakukan pencarian informasi yang berhubungan dengan data angkutan udara dapat dengan mudah melewatkan kategori yang tidak berkaitan dengan informasi penerbangan yang dicari. Tahapan pengklasifikasian data penerbangan yaitu menggunakan model dari training data penerbangan angkutan udara dan menghasilkan perkiraan atau prediksi. Hasil prediksi ini dapat mengandung keluaran yang benar dan salah.

IV.2 Analisis Training dan Testing Set Menggunakan ROC

Untuk mengklasifikasikan data sehingga mendapatkan model terbaik dari SVM maka perlu dilakukan langkah-langkah sebagai berikut :

Data yang telah diinputkan dibagi dalam 2 bagian yakni training set dan testing set. Adapun pembagian untuk data training set adalah sebesar 75 % dari data awal sedangkan sisanya untuk data testing set sebesar 25% yang diambil secara random.

x = {x0, x1, x2, x3, …, xn }

y = {y

: sampel training

0, y1, … , ym

Sebelum data diolah dengan menggunakan metode support vector machine, maka dilakukan preprocessing data terlebih dahulu. Yakni dengan menormalisasikannya menggunakan library (RWeka) dari perangkat lunak R. Hal ini dilakukan untuk mendapatkan hasil analisis yang lebih akurat tanpa merubah informasi yang dikandung didalamnya. Setelah melakukan tahap pembelajaran dan dihasilkan model klasifikasi, langkah selanjutnya adalah melakukan pengklasifikasian terhadap data

(43)

dengan benar. Semakin tinggi nilai akurasi, maka akan menunjukkan tingkat keberhasilan yang pula dari system dalam mengklasifikasikan data ke dalam kategori-kategorinya.

Model pada penelitian ini juga dibangun menggunakan SVM Light yang terdapat pada perangkat lunak R.Model yang didapat diuji keakuratannya dengan menggunakan Receiver Operating Characteristics (ROC) yang terdapat didalam paket versi coTools 1.10 pada R.Model yang akurat adalah model yang memiliki nilai Area Under Curve (AUC) mendekati satu dan nilai kurva ROC > 0,5.

Gambar 4.2. Kurva ROC dengan luas area AUC terbaik

AUC (Area Under Curve) adalah luas daerah di bawah kurva ROC. Apabila nilainya mendekati satu, maka model yang didapat lebih akurat. Berdasarkan gambar di atas maka dapat dilihat karakteristik dari AUC adalah sebagai berikut :

- Area maksimum adalah 1

[image:43.595.143.422.270.492.2]

- Jika ROC = 0,5 maka model yang dihasilkan belum terlihat optimal - Sedangkan jika ROC > 0,5 maka model yang dihasilkan akan lebih baik.

(44)

sebesar 84,31% dengan parameternya kernel linear. Model yang didapat telah lebih bagus sebesar 84,31%.

Pada data.penerbangan, model yang dihasilkan oleh kernel linear berdasarkan kurva ROC dari kategori diatas adalah diatas 50%. Akurasi model tertinggi berdasarkan kurva ROC dihasilkan oleh kernel linear adalah sebesar 84,31% artinya model yang dihasilkan memiliki keakuratan hingga 84,31% dengan support vector sebanyak 4 support vector pada garis hyperplane yang terdapat pada satu bidang untuk kelas penerbangan domestik dan kelas penerbangan internasional, support vector yang dihasilkan oleh model pengklasifikasian.

Pada tahapan pengklasifikasian dokumen jenis penerbangan angkutan udara adalah suatu tahap pemberian kategori yang telah didefinisikan kepada dokumen angkutan udara yang belum memiliki kategori. Mengklasifikasikan dokumen jenis penerbangan merupakan cara untuk mengorganisasikan dokumen penerbangan angkutan udara. Dokumen penerbangan yang memiliki isi yang sama akan dikelompokkan ke dalam kategori yang sama. Dengan demikian orang yang melakukan pencarian informasi yang berhubungan dengan data angkutan udara dapat dengan mudah melewatkan kategori yang tidak berkaitan dengan informasi penerbangan. Tahapan pengklasifikasian data penerbangan yaitu menggunakan model dari training data penerbangan angkutan udara yang menghasilkan prediksi.

IV.3 Tampilan Listing Program Analisis Training Set dan Testing Set

R version 2.13.1 (2011-07-08)

Platform: i386-pc-mingw32/i386 (32-bit)

R is free software and comes with ABSOLUTELY NO WARRANTY. You are welcome to redistribute it under certain conditions. Type 'license()' or 'licence()' for distribution details.

Natural language support but running in an English locale

R is a collaborative project with many contributors. Type 'contributors()' for more information and

(45)

Type 'q()' to quit R.

[Previously saved workspace restored]

> install.packages('RWeka')

--- Please select a CRAN mirror for use in this session --- trying URL

'http://cran.cermin.lipi.go.id/bin/windows/contrib/2.13/RWeka_0.4-7.zip' Content type 'application/zip' length 468108 bytes (457 Kb)

opened URL

downloaded 457 Kb

package 'RWeka' successfully unpacked and MD5 sums checked

The downloaded packages are in

C:\Documents and Settings\sayed\Local Settings\Temp\RtmpCyysZV\downloaded_packages > library(RWeka)

> data.penerbangan

V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12

1 152 151 5 18726 19957 201440 173125 180419 33581 9128 3504 Domestik

2 36 36 0 3221 3542 35733 26911 0 0 0 0 Internasional

3 150 150 12 17672 18664 184696 146252 133839 27799 3696 1493 Domestik

4 29 29 0 2925 2902 32147 24991 0 0 0 0 Internasional

5 208 209 16 20500 21674 206793 169321 150799 30730 11741 3489 Domestik

6 36 35 0 3110 3048 31588 25630 0 0 0 0 Internasional

7 197 197 10 20010 20829 199414 162914 156622 28099 12120 2241 Domestik

8 33 33 0 2727 2737 30485 21898 0 0 0 0 Internasional

9 267 271 12 22760 23935 221237 180451 151385 24060 13235 2942 Domestik

10 35 32 0 2858 2766 29956 21780 0 410 0 0 Internasional

11 265 264 7 24470 26428 241672 207526 160841 30087 9325 1912 Domestik

12 39 39 0 3321 3807 35445 30552 0 0 0 0 Internasional

13 270 270 6 28033 28095 296777 225683 162959 24236 10135 2285 Domestik

14 38 39 0 3502 2844 40725 23029 0 0 0 0 Internasional

15 200 198 6 20282 21939 209814 170599 156266 30840 10979 3052 Domestik

16 32 32 0 2726 2598 30941 20797 0 0 0 0 Internasional

17 223 223 6 23550 24533 234665 216767 105375 21819 11329 1843 Domestik

18 31 31 0 3532 2853 37723 25454 0 394 0 0 Internasional

19 251 240 3 25681 26510 245473 198613 164654 34812 9628 2146 Domestik

20 49 62 0 2843 6322 27478 56348 0 0 0 0 Internasional

21 219 213 4 22902 22382 222513 163906 158820 27431 9556 1996 Domestik

22 46 50 0 6047 2338 31179 17885 0 0 0 0 Internasional

(46)

24 51 38 0 2709 3274 28675 25467 0 0 0 0 Internasional

25 194 193 11 23166 24279 213845 180343 181978 43750 10634 2123 Domestik

26 35 33 0 3269 3269 35147 24659 0 0 0 0 Internasional

27 176 178 13 20827 21751 192928 157114 149387 29758 8084 1899 Domestik

28 47 45 0 2835 2947 30901 21052 0 0 0 0 Internasional

29 218 220 25 24323 24445 225009 181919 174746 31006 13951 1620 Domestik

30 54 53 0 3600 3801 37912 31215 0 0 0 0 Internasional

> set.seed(123)

> norm.penerbangan <- Normalize(~., data=data.penerbangan) Error in .jnew("weka/core/Attribute", attname[i]) :

java.lang.UnsupportedClassVersionError: Bad version number in .class file > data.penerbangan

V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12

1 152 151 5 18726 19957 201440 173125 180419 33581 9128 3504 Domestik

2 36 36 0 3221 3542 35733 26911 0 0 0 0 Internasional

3 150 150 12 17672 18664 184696 146252 133839 27799 3696 1493 Domestik

4 29 29 0 2925 2902 32147 24991 0 0 0 0 Internasional

5 208 209 16 20500 21674 206793 169321 150799 30730 11741 3489 Domestik

6 36 35 0 3110 3048 31588 25630 0 0 0 0 Internasional

7 197 197 10 20010 20829 199414 162914 156622 28099 12120 2241 Domestik

8 33 33 0 2727 2737 30485 21898 0 0 0 0 Internasional

9 267 271 12 22760 23935 221237 180451 151385 24060 13235 2942 Domestik

10 35 32 0 2858 2766 29956 21780 0 410 0 0 Internasional

11 265 264 7 24470 26428 241672 207526 160841 30087 9325 1912 Domestik

12 39 39 0 3321 3807 35445 30552 0 0 0 0 Internasional

13 270 270 6 28033 28095 296777 225683 162959 24236 10135 2285 Domestik

14 38 39 0 3502 2844 40725 23029 0 0 0 0 Internasional

15 200 198 6 20282 21939 209814 170599 156266 30840 10979 3052 Domestik

16 32 32 0 2726 2598 30941 20797 0 0 0 0 Internasional

17 223 223 6 23550 24533 234665 216767 105375 21819 11329 1843 Domestik

18 31 31 0 3532 2853 37723 25454 0 394 0 0 Internasional

19 251 240 3 25681 26510 245473 198613 164654 34812 9628 2146 Domestik

20 49 62 0 2843 6322 27478 56348 0 0 0 0 Internasional

21 219 213 4 22902 22382 222513 163906 158820 27431 9556 1996 Domestik

22 46 50 0 6047 2338 31179 17885 0 0 0 0 Internasional

(47)

24 51 38 0 2709 3274 28675 25467 0 0 0 0 Internasional

25 194 193 11 23166 24279 213845 180343 181978 43750 10634 2123 Domestik

26 35 33 0 3269 3269 35147 24659 0 0 0 0 Internasional

27 176 178 13 20827 21751 192928 157114 149387 29758 8084 1899 Domestik

28 47 45 0 2835 2947 30901 21052 0 0 0 0 Internasional

29 218 220 25 24323 24445 225009 181919 174746 31006 13951 1620 Domestik

30 54 53 0 3600 3801 37912 31215 0 0 0 0 Internasional

> norm.penerbangan <- Normalize(~., data=data.penerbangan) Error in .jnew("weka/core/Attribute", attname[i]) :

java.lang.UnsupportedClassVersionError: Bad version number in .class file > N = dim(data.penerbangan) [1]

> N [1] 30

> tr.penerbangan = sample(N, round(N/4)) > tr.penerbangan

[1] 9 23 12 24 25 2 13 21

> train.penerbangan = data.penerbangan[-tr.penerbangan,] > train.penerbangan

V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12

1 152 151 5 18726 19957 201440 173125 180419 33581 9128 3504 Domestik

3 150 150 12 17672 18664 184696 146252 133839 27799 3696 1493 Domestik

4 29 29 0 2925 2902 32147 24991 0 0 0 0 Internasional

5 208 209 16 20500 21674 206793 169321 150799 30730 11741 3489 Domestik

6 36 35 0 3110 3048 31588 25630 0 0 0 0 Internasional

7 197 197 10 20010 20829 199414 162914 156622 28099 12120 2241 Domestik

8 33 33 0 2727 2737 30485 21898 0 0 0 0 Internasional

10 35 32 0 2858 2766 29956 21780 0 410 0 0 Internasional

11 265 264 7 24470 26428 241672 207526 160841 30087 9325 1912 Domestik

14 38 39 0 3502 2844 40725 23029 0 0 0 0 Internasional

15 200 198 6 20282 21939 209814 170599 156266 30840 10979 3052 Domestik

16 32 32 0 2726 2598 30941 20797 0 0 0 0 Internasional

17 223 223 6 23550 24533 234665 216767 105375 21819 11329 1843 Domestik

18 31 31 0 3532 2853 37723 25454 0 394 0 0 Internasional

19 251 240 3 25681 26510 245473 198613 164654 34812 9628 2146 Domestik

20 49 62 0 2843 6322 27478 56348 0 0 0 0 Internasional

22 46 50 0 6047 2338 31179 17885 0 0 0 0 Internasional

26 35 33 0 3269 3269 35147 24659 0 0 0 0 Internasional

27 176 178 13 20827 21751 192928 157114 149387 29758 8084 1899 Domestik

(48)

29 218 220 25 24323 24445 225009 181919 174746 31006 13951 1620 Domestik

30 54 53 0 3600 3801 37912 31215 0 0 0 0 Internasional

> dim(train.penerbangan) [1] 22 12

> test.penerbangan = data.penerbangan[tr.penerbangan,] > test.penerbangan

V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12

9 267 271 12 22760 23935 221237 180451 151385 24060 13235 2942 Domestik

23 230 249 4 22829 24786 213649 187255 205023 33987 9562 2630 Domestik

12 39 39 0 3321 3807 35445 30552 0 0 0 0 Internasional

24 51 38 0 2709 3274 28675 25467 0 0 0 0 Internasional

25 194 193 11 23166 24279 213845 180343 181978 43750 10634 2123 Domestik

2 36 36 0 3221 3542 35733 26911 0 0 0 0 Internasional

13 270 270 6 28033 28095 296777 225683 162959 24236 10135 2285 Domestik

21 219 213 4 22902 22382 222513 163906 158820 27431 9556 1996 Domestik

> dim(test.penerbangan) [1] 8 12

> install.packages('klaR) + '

+ ;

Error: unexpected ';' in: "'

;"

> install.packages('klaR')

trying URL 'http://cran.cermin.lipi.go.id/bin/windows/contrib/2.13/klaR_0.6-5.zip'

Content type 'application/zip' length 283741 bytes (277 Kb) opened URL

downloaded 277 Kb

package 'klaR' successfully unpacked and MD5 sums checked

C:\Documents and Settings\sayed\Local Settings\Temp\RtmpCyysZV\downloaded_packages > library(klaR)

Loading required package: MASS > help.start()

starting httpd help server ... done If nothing happens, you should open

'http://127.0.0.1:22266/doc/html/index.html' yourself Making packages.html ... done

> model.penerbangan_linear <- svmlight(V1 ~., data=train.penerbangan, svm.options="-t 0", probability = TRUE, pathsvm="E:\\svm_classify") Error in file(con, "r") : cannot open the connection

In addition: Warning message: In file(con, "r") :

cannot open file '_model_1.txt': No such file or directory

> model.penerbangan_linear <- svmlight(V1 ~., data=train.penerbangan, svm.options="-t 0", probability = TRUE, pathsvm="E:\\svm_classify.exe") Error in file(con, "r") : cannot open the connection

(49)

> model.penerbangan_linear <- svmlight(V1 ~., data=train.penerbangan, svm.options="-t 0", probability = TRUE, pathsvm="E:\\")

Error in file(con, "r") : cannot open the connection In addition: Warning message:

In file(con, "r") :

> model.penerbangan_linear <- svmlight(V1 ~., data=train.penerbangan, svm.options="-t 0", probability = TRUE, pathsvm="E:\\svmlight") > predik.penerbangan_linear <- predict(model.penerbangan_linear, test.penerbangan[,-1], probability=TRUE, scal=TRUE)

Reading model...OK. (6 support vectors read) Classifying test examples..done

Runtime (without IO) in cpu-seconds: 0.00 Reading model...OK. (5 support vectors read) Classifying test examples..done

(50)

Classifying test examples..done

Runtime (without IO) in cpu-seconds: 0.00 > colAUC

Error: object 'colAUC' not found > install.packages('caTools')

also installing the dependency ‘bitops’

trying URL

'http://cran.cermin.lipi.go.id/bin/windows/contrib/2.13/bitops_1.0-4.1.zip' Content type 'application/zip' length 28283 bytes (27 Kb)

opened URL downloaded 27 Kb

trying URL

'http://cran.cermin.lipi.go.id/bin/windows/contrib/2.13/caTools_1.12.zip' Content type 'application/zip' length 232393 bytes (226 Kb)

opened URL

downloaded 226 Kb

package 'bitops' successfully unpacked and MD5 sums checked package 'caTools' successfully unpacked and MD5 sums checked

C:\Documents and Settings\sayed\Local Settings\Temp\RtmpCyysZV\downloaded_packages > library(caTools)

Loading required package: bitops

Attaching package: 'caTools'

The following object(s) are masked from 'package:RWeka':

LogitBoost

> colAUC(predik.penerbangan_linear$posterior, test.penerbangan[,1],plotROC=TRUE)

(51)

230 vs. 267 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 230 vs. 270 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 267 vs. 270 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 251 265

36 vs. 39 1 1 36 vs. 51 1 1 36 vs. 194 1 1 36 vs. 219 1 1 36 vs. 230 1 1 36 vs. 267 1 1 36 vs. 270 1 1 39 vs. 51 1 1 39 vs. 194 1 1 39 vs. 219 1 1 39 vs. 230 1 1 39 vs. 267 1 1 39 vs. 270 1 1 51 vs. 194 1 1 51 vs. 219 1 1 51 vs. 230 1 1 51 vs. 267 1 1 51 vs. 270 1 1 194 vs. 219 1 1 194 vs. 230 1 1 194 vs. 267 1 1 194 vs. 270 1 1 219 vs. 230 1 1 219 vs. 267 1 1 219 vs. 270 1 1 230 vs. 267 1 1 230 vs. 270 1 1 267 vs. 270 1 1

> predik.penerbangan_linear$class [1] 200 152 49 49 152 54 223 218

21 Levels: 29 31 32 33 35 36 38 46 47 49 54 150 152 176 197 200 208 218 ... 265

> data.penerbangan <- read.table("E:\\data_thesis.txt") > data.penerbangan

(52)

30 Internasional 53 0 3600 3801 37912 31215 0 0 0 0 > set.seed(123)

> norm.penerbangan <- Normalize(~., data=data.penerbangan) Error in .jnew("weka/core/Attribute", attname[i], .jcast(levels, "java/util/List")) :

java.lang.UnsupportedClassVersionError: Bad version number in .class file > N = dim(data.penerbangan) [1]

> N [1] 30

> tr.penerbangan = sample(N, round(N/4)) > tr.penerbangan

[1] 9 23 12 24 25 2 13 21

> train.penerbangan = data.penerbangan[-tr.penerbangan,] > train.penerbangan

V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 1 Domestik 151 5 18726 19957 201440 173125 180419 33581 9128 3504 3 Domestik 150 12 17672 18664 184696 146252 133839 27799 3696 1493 4 Internasional 29 0 2925 2902 32147 24991 0 0 0 0 5 Domestik 209 16 20500 21674 206793 169321 150799 30730 11741 3489 6 Internasional 35 0 3110 3048 31588 25630 0 0 0 0 7 Domestik 197 10 20010 20829 199414 162914 156622 28099 12120 2241 8 Internasional 33 0 2727 2737 30485 21898 0 0 0 0 10 Internasional 32 0 2858 2766 29956 21780 0 410 0 0 11 Domestik 264 7 24470 26428 241672 207526 160841 30087 9325 1912 14 Internasional 39 0 3502 2844 40725 23029 0 0 0 0 15 Domestik 198 6 20282 21939 209814 170599 156266 30840 10979 3052 16 Internasional 32 0 2726 2598 30941 20797 0 0 0 0 17 Domestik 223 6 23550 24533 234665 216767 105375 21819 11329 1843 18 Internasional 31 0 3532 2853 37723 25454 0 394 0 0 19 Domestik 240 3 25681 26510 245473 198613 164654 34812 9628 2146 20 Internasional 62 0 2843 6322 27478 56348 0 0 0 0 22 Internasional 50 0 6047 2338 31179 17885 0 0 0 0 26 Internasional 33 0 3269 3269 35147 24659 0 0 0 0 27 Domestik 178 13 20827 21751 192928 157114 149387 29758 8084 1899 28 Internasional 45 0 2835 2947 30901 21052 0 0 0 0 29 Domestik 220 25 24323 24445 225009 181919 174746 31006 13951 1620 30 Internasional 53 0 3600 3801 37912 31215 0 0 0 0 > dim(train.penerbangan)

[1] 22 11

> test.penerbangan = data.penerbangan[tr.penerbangan,] > test.penerbangan

V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 9 Domestik 271 12 22760 23935 221237 180451 151385 24060 13235 2942 23 Domestik 249 4 22829 24786 213649 187255 205023 33987 9562 2630 12 Internasional 39 0 3321 3807 35445 30552 0 0 0 0 24 Internasional 38 0 2709 3274 28675 25467 0 0 0 0 25 Domestik 193 11 23166 24279 213845 180343 181978 43750 10634 2123 2 Internasional 36 0 3221 3542 35733 26911 0 0 0 0 13 Domestik 270 6 28033 28095 296777 225683 162959 24236 10135 2285 21 Domestik 213 4 22902 22382 222513 163906 158820 27431 9556 1996 > dim(test.penerbangan)

[1] 8 11

> model.penerbangan_linear = svmlight(V1 ~., data=train.penerbangan, svm.options="-t 0" probability=TRUE, pathsvm="E:\\svmlight")

Error: unexpected symbol in "model.penerbangan_linear = svmlight(V1 ~., data=train.penerbangan, svm.options="-t 0" probability"

> model.penerbangan_linear = svmlight(V1 ~., data=train.penerbangan, svm.options="-t 0" probability=TRUE, pathsvm="E:\\svmlight")

Error: unexpected symbol in "model.penerbangan_linear = svmlight(V1 ~., data=train.penerbangan, svm.options="-t 0" probability"

(53)

Runtime (without IO) in cpu-seconds: 0.00 > colAUC(predik.penerbangan_linear$posterior, test.penerbangan[,1],plotROC=TRUE)

Domestik Internasional Domestik vs. Internasional 1 1 > predik.penerbangan_linear$class

[1] Domestik Domestik Internasional Internasional Domestik [6] Internasional Domestik Domestik

Levels: Domestik Internasional

> tabel.penerbangan_linear = table(predik.penerbangan_linear$class, test.penerbangan[,1])

> tabel.penerbangan_linear

Domestik Internasional Domestik 5 0 Internasional 0 3 > attach(test.penerbangan)

> ucpm(predict(model.penerbangan_linear, test.penerbangan[,-1])$posterior, test.penerbangan[,1])

Reading model...OK. (4 support vectors read) Classifying test examples..done

Runtime (without IO) in cpu-seconds: 0.00 $CR

[1] 1

$AC

[1] 0.8431417

$AS

[1] 0.8431417

$CF

[1] 0.9215708

$CFvec

Domestik Internasional 0.9415343 0.8882983

(54)

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

Berdasarkan hasil pada pembahasan maka dapat disimpulkan bahwa :

1. Dari data angkutan udara penerbangan domestik dan penerbangan internasional di bandara Sultan Iskandar Muda selama periode bulan januari 2010 hingga bulan maret 2011 terd