Penerapan teknik klasifikasi denga algoritma ant colony optimization untuk data uji emisi kendaraan bermotor

g g g i

3 0 0 :

' Q s s

"

PHlA SAW YAMJARTI. Penerapan Teknik Klasifikasi d e w Algoritma An! Colony 3 I Optimization ununtuk Dafa Uji Emisi Kendaraan Berrnoior. Dibimbing oleh HAW AGUNG

SITANGGANG.

D m mining merupakan proses ekstraksi informasi atau pola dalam basis data yang saiu ieknik &dam &a mining p h u Warifilrasi yang berguna mn* dari sum record &lam d a k Pada penelitian ini dikembanm s u m aplikasi dato mining yang

dapat

menemukan aruran-aturan klasiNiasi pada data Uji Ernisi Kendaraan Bemotor 2002-2005 di Jakarta yang dipeaoleh dari BPLHD (Badai~ Pengelolaan Hidup Daerah) DKI Jakarta Afuran klarifikasi akan menentukan lulus (L) atau tidak

emisi kendaraan bermotor. Anrran tersebut akan dibandingkan den- antran yang BPLHD. Proses dato mining dalam a p l i h i yang digunakm pada penelifian ini An!-Mina dan Ant_Mner3. Anf-Miner merupakan metode berbasiskan Oprimkation (ACO) unmk menemukan &man klasifikasi dalam dato merupakan vesi pengembangan dari Anl34iner pada updae pheromone garis ksar afgoritma Ant-Miner terdiri dari tig proses, y a h bentukan atlrran klasiiikasi, rule pruning, dan updme pheromone.

k Penggunaan IO-/old aarr validmion untuk pemtq,ian training ser dan test set d e n p

i@uneter m-of-antr ISM), min-casesqer-rule 10, mrnmwzwvered-casep 10,

dan

g 3

~ruletetcomerg _{A#r-Miner (92.10} 10 _%). didapatkan _{Pada AxMiner3,} bahwa d m i _{diperoleh alnrrasi tertinggi} Anr_Miner3 (97.92 %) _pada lebih tinggi dibandingkan _percobaan ke-5 yaitu

5

I 8

s 4 8 %, error rate 0.52% dan jumlah

anrran

&anyak delapan

aaaan.

Di lain pihak, untuk

r

5 5

Q & - M i , diperoleh akltrasi tercinggi pa& percobaan ke-2 sebesar 97.92*/&, error rme 2.08% clan

9

jt@lah aturan sebanyak 16 ahrran.

Dari

16 aturan yang dihasilkan Anl_Miner terdapat dua aruran

-

8

9

_y#~g mendekati dengan ahran yang

trrdapat

pada BPLHO

,

)situ IF C O = >4

THEN

K e f e r a ~ g m

5

'

sn

IF HC = >800 TWM Kc-gan =

TL.

Di lain pih* dari delapan tMan yang

% s

Q

3.

3 d h i l k a n An.-Mi~er3 terQpat tujuh afuran yang sama dengan aturan

terdapat

pada BPLHD yaitu

p Q c D

.=

I&JCO= >4 THEN Ketemngan = 112, IF CO= 0

-

<=2.5 AND

HC=

0

-

<=500

THEN

Keterangan =

5

,%

IF

HC=

0

-

<=SO0

THEN

Kderangan =

L,

IF

HC=

>800 THEN Kaemngan = TI.., IF HC= 600

P

3 5

-$=700 THEN K e t e m g a n =

L

, dan

IF HC=

500

-

<=600

THEN

K e m m g a n =

L

Ahmn

=

5

5

~ldYasifikasi

yang dihasilkan Rn!-h3in~r3 lebih banyak memiliki kesamaan d e n p aman yang E

dihasilkan BPLHD dibandingkan An!-Miner, sehingga daps disimpukan bahwa A ~ ~ M i n e r 3 menghasilkan atumn yang lebih baik dibandingkan Anr_Minm. Aturan klasifikasi yans dihasilkan

algoribna AN-Miner atau An!-Miner3 lebih s e d e h m dibandii- atltran dari BPLHD. Hal ini

g

.g

dikarenakan algorirma Anl-Miner atau AN-Miner3 mmghasikan ahvan den- simplicity rule yang tin& (jumiah aturan dan jumlab tenn yang sedikit). Rzdepmning pada dgoritma Rrrl-Yiner

!

.

4

4

atau An!-Miner3

akan

menghasilkan aturan den* simplicity rule yang tinggi, sehingga

akan

L

9'

lebih mudah dipahami oleh pmgguna

B