INTEGRASI DAN ANALISIS USABILITAS APLIKASI SPATIAL DATA MINING UNTUK ANALISIS DATA TITIK PANAS WIEKE AULIA PUTRI

(1)

INTEGRASI DAN ANALISIS USABILITAS APLIKASI SPATIAL DATA MINING UNTUK ANALISIS

DATA TITIK PANAS

WIEKE AULIA PUTRI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

BOGOR 2016

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*

Dengan ini saya menyatakan bahwa skripsi berjudul Integrasi dan Analisis Usabilitas Aplikasi Spatial Data Mining untuk Analisis Data Titik Panas adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

Bogor, Agustus 2016 Wieke Aulia Putri NIM G64120067

(4)

ABSTRAK

WIEKE AULIA PUTRI. Integrasi dan Analisis Usabilitas Aplikasi Spatial Data Mining untuk Analisis Data Titik Panas. Dibimbing oleh IMAS SUKAESIH SITANGGANG.

Analisis data titik panas perlu dilakukan guna pencegahan terjadinya kebakaran hutan dan lahan. Penelitian sebelumnya telah membangun tiga aplikasi terkait analisis data titik panas dengan teknik clustering, klasifikasi dan deteksi pencilan. Penelitian ini melakukan integrasi aplikasi spatial data mining berbasis web yang telah dibangun pada penelitian sebelumnya dan membuat basis data yang menyimpan data untuk aplikasi tersebut. Aplikasi spatial data mining dibangun menggunakan framework Shiny pada bahasa pemograman R. Integrasi aplikasi diawali dengan melakukan analisis tiga aplikasi yang telah dibangun sebelumnya untuk mengetahui fungsi-fungsi sistem pada tiap aplikasi. Aplikasi yang dibangun oleh peneliti sebelumnya menggunakan dataset dengan format .csv. Pada penelitian ini dataset yang terdiri dari 3 tabel disimpan dalam DBMS PostgreSQL. Dataset yang telah disimpan dalam basis data kemudian dikoneksikan ke aplikasi spatial data mining. Aplikasi hasil integrasi kemudian dievaluasi aspek usabilitasnya menggunakan kuisioner WAMMI. Hasil analisis WAMMI menunjukkan bahwa aplikasi yang diuji memiliki global usability score sebesar 35.7. Aplikasi ini perlu lebih banyak penjelasan terkait pengantar dan perlu memperbaiki aspek ‘learning’.

Hasil evaluasi dapat menjadi rujukan untuk pengembangan aplikasi lebih lanjut.

Kata kunci: Shiny, spatial data mining, titik panas, WAMMI

ABSTRACT

WIEKE AULIA PUTRI. Integration and Usability Analysis of Spatial Data Mining Applications for Hotspots Data Analysis. Supervised by IMAS SUKAESIH SITANGGANG.

Hotspot data are analyzed to prevent forest fires. The previous works have developed 3 web based applications to analyze hotspot data with clustering, classification, and outlier detection technique. This research aimed to integrate these applications and to create a spatial database that will store the data for the application. The new application for spatial data mining was developed using the Shiny framework that is available in R programming language. Integration began with analyzing the previous works to determine the functions of each application.

The dataset used in previous research is in .csv format. This research use dataset that consist of 3 tables that are stored in PostgreSQL. Dataset that have been stored in a database was connected to the new application spatial data mining. The usability aspect of the integrated application was evaluated using WAMMI questionarie. WAMMI evaluation showed that global usability score of the application is 35.7. The application needs more introductory explanations and needs to improve the learning aspect. The evaluation result could be used to determine recommendation for further application development.

Keywords: hotspot, Shiny, spatial data mining, WAMMI

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada

Departemen Ilmu Komputer

INTEGRASI DAN ANALISIS USABILITAS APLIKASI SPATIAL DATA MINING UNTUK ANALISIS

DATA TITIK PANAS

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

BOGOR 2016

WIEKE AULIA PUTRI

(6)

Penguji:

1 Muhammad Abrar Istiadi, Skomp MKom 2 Firman Ardiansyah, Skomp MSi

(7)

Judul Skripsi : Integrasi dan Analisis Usabilitas Aplikasi Spatial Data Mining untuk Analisis Data Titik Panas

Nama : Wieke Aulia Putri NIM : G64120067

Disetujui oleh

Dr Imas Sukaesih Sitanggang, SSi MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

Tanggal Lulus:

(8)

(9)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Oktober 2015 ini ialah data mining, dengan judul Integrasi dan Analisis Usabilitas Aplikasi Spatial Data Mining untuk Analisis Data Titik Panas.

Penulis menyadari bahwa dalam proses penulisan skripsi ini banyak mengalami kendala dan masalah, namun berkat bantuan, bimbingan, kerjasama dari berbagai pihak dan berkah dari Allah subhanahu wa ta'ala sehingga kendala- kendala yang dihadapi tersebut dapat diatasi. Untuk itu penulis menyampaikan ungkapan terima kasih kepada Bapak Jamarusti selaku ayah, Ibu Ermanizar selaku ibu, serta seluruh keluarga atas segala doa dan kasih sayangnya. Serta ucapan terima kasih dan penghargaan kepada Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku pembimbing yang telah dengan sabar, tekun, tulus dan ikhlas meluangkan waktu, tenaga, dan pikiran memberikan bimbingan, motivasi, arahan, dan saran- saran yang sangat berharga kepada penulis selama menyusun skripsi.

Terima kasih tak lupa saya sampaikan juga kepada sahabat-sahabat seperjuangan saya, yaitu Dwia Pungky, Defriani Putri, Diardian Febiani, Shellafuri B.M, Widuri Putri, Alfandio Grasheldi, Irfan Z, Ramdhan Pohan, Endah Purwa AP, Maharani DJ, dan Fathya N yang selalu mendukung saya. Terima kasih juga saya ucapkan kepada seluruh teman-teman Ilmu Komputer IPB angkatan 49. Ucapan Terima kasih juga saya tujukan kepada Bapak Muhammad Abrar Istiadi, SKomp MKom dan Bapak Firman Ardiansyah, SKomp MSi selaku penguji atas segala masukan dan saran yang telah diberikan.

Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan, namun penulis berharap semoga karya ilmiah ini bermanfaat bagi semua pihak yang membutuhkan.

Bogor, Agustus 2016 Wieke Aulia Putri

(10)

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 3

METODE 3

Data Penelitian 3

Tahapan Penelitian 3

Lingkungan Pengembangan 6

HASIL DAN PEMBAHASAN 7

Analisis aplikasi spatial data mining yang dibangun oleh peneliti sebelumnya 7 Integrasi aplikasi spatial data mining yang dibangun sebelumnya 10 Pembuatan basis data kebekaran hutan dan integrasi aplikasi ke basis data 14 Pengujian integrasi sistem spatial data mining dengan basis data 15 Pengujian usabilitas aplikasi spatial data mining baru 16 Analisis usabilitas aplikasi spatial data mining baru 16

SIMPULAN DAN SARAN 21

Simpulan 21

Saran 21

DAFTAR PUSTAKA 21

LAMPIRAN 23

RIWAYAT HIDUP 35

(11)

DAFTAR GAMBAR

1 Tahapan penelitian 4

2 Kuesioner WAMMI 6

3 Tampilan sub-menu clustering summary 7

4 Tampilan sub-menu plot hasil clustering K-Means 8 5 Antarmuka aplikasi clustering berbasis web 9 6 Tampilan hasil clustering data titik panas lahan gambut tahun 2013 9 7 Tampilan halaman utama aplikasi berbasis web 10 8 Tampilan hasil prediksi pada tab panel predict new hotspot 10

9 Rancangan halaman aplikasi 11

10 Halaman menu ‘Clustering’ 11

11 Perubahan variabel saat integrasi 12

12 Perubahan tipe button yang digunakan pada modul classification 12

13 Potongan kode program progress bar 13

14 Progress bar saat proses plotting 13

15 Pilihan data menu outlier detection 13

16 Koneksi aplikasi ke DBMS PostgreSQL menu ‘Outlier Detection’ 15

17 Grafik ringkasan hasil WAMMI 17

18 Ringkasan hasil evaluasi menggunakan WAMMI 17 19 Hasil analisis WAMMI I (ten most divergent items) 18 20 Hasil analisis WAMMI II (ten least divergent items) 19 21 Tingkat kepentingan aplikasi dan kemampuan responden menggunakan

internet 20

DAFTAR LAMPIRAN

1 Pengujian integrasi sistem spatial data mining dengan basis data 23

2 Kuesioner WAMMI 26

3 Rekapitulasi kuesioner 29

(12)

PENDAHULUAN

Latar Belakang

Indonesia merupakan salah satu negara dengan hamparan hutan yang luas.

Luas hutan Indonesia sebesar 98.072 juta hektar atau 52.2 persen luas wilayah Indonesia (Kemenhut 2014). Setiap tahun terjadi penyusutan hutan diantaranya disebabkan oleh deforestasi ataupun kebakaran hutan.

Kebakaran hutan di Indonesia merupakan permasalahan yang telah berlangsung bahkan sejak saat pemerintahan Hindia-Belanda. Pasca kemerdekaan tercatat lima kebakaran yang terjadi dalam skala besar mulai dari tahun 1982-1983, 1987, 1991, 1994, 1997-1998. Tahun 1982-1983 kebakaran terjadi di Kalimantan Timur yang menghancurkan 3,2 juta hektar dengan kerugian mencapai lebih dari 6 trilyun rupiah (FWI 2001). Kebakaran terjadi akibat fenomena El Nino yang menyebabkan Indonesia mengalami kemarau panjang yaitu selama 10 bulan berturut-turut.

Tahun 1997-1998 kebakaran terjadi hampir di seluruh Sumatera dan Kalimantan. Asap tebal melumpuhkan beberapa bandara, pelabuhan dan jalan raya yang mengganggu perekonomian masyarakat. Bencana asap juga mempengaruhi kesehatan penduduk Sumatera, Kalimantan hingga negara tetangga yang menyebabkan terganggunya stabilitas politik.

Data titik panas merupakan data spatio-temporal, artinya data memiliki record (catatan) lokasi dan periode waktu. Data titik panas dapat dijadikan sebagai salah satu indikator kemungkinan terjadinya kebakaran hutan, sehingga diperlukan analisis. Agar mempermudah pihak-pihak terkait kebakaran hutan melakukan analisis ini perlu adanya aplikasi untuk melakukan analisis data titik panas guna pencegahan terjadinya kebakaran hutan.

Penelitian sebelumnya terkait analisis data titik panas telah dilakukan diantaranya oleh Suci dan Sitanggang (2016), Hermawati dan Sitanggang (2016), dan Siknun dan Sitanggang (2016). Penelitian-penelitian tersebut melakukan pembangunan aplikasi berbasis web yang mampu melakukan analisis data panas.

Aplikasi yang dibangun oleh Suci dan Sitanggang (2016) melakukan deteksi pencilan titik panas menggunakan algoritme clustering K-Means. Kemudian Hermawati dan Sitanggang (2016) membangun aplikasi berbasis web untuk melakukan clustering data titik panas menggunakan algoritme DBSCAN.

Sementara itu, Siknun dan Sitanggang (2016) membangun aplikasi berbasis web untuk menampilkan model klasifikasi menggunakan algoritme C5.0. Ketiga aplikasi tersebut dibangun menggunakan framework Shiny, namun data yang dianalisis tidak disimpan dalam basis data, sehingga aplikasi menjadi tidak efisien karena data yang digunakan sangat besar dan akan memberikan pengaruh dalam proses analisis. Penelitian sebelumnya belum melakukan uji usabilitas terhadap aplikasi yang telah dibangun.

Penelitian ini menggabungkan fungsi-fungsi pada aplikasi spatial data mining yang telah dibangun pada penelitian sebelumnya dan melakukan integrasi data titik panas yang digunakan ke basis data. Dengan melakukan penggabungan ini pengguna dapat memprediksi dan menganalisis sebaran titik panas pada satu aplikasi dengan menggunakan teknik-teknik spatial data mining. Aplikasi

(13)

2

dibangun dengan bahasa pemograman R menggunakan framework Shiny. Pada penelitian ini juga dilakukan analisis usabiltas menggunakan kuisioner WAMMI.

Analisis terhadap aplikasi baru dilakukan untuk mendapatkan rekomendasi pengembangan aplikasi lebih lanjut. Analisis usabilitas ini dapat digunakan untuk membangun aplikasi yang mementingkan kepuasan pengguna dalam menggunakan aplikasi.

Perumusan Masalah

Pada penelitian sebelumnya telah dibangun aplikasi untuk analisis titik panas namun belum terintegrasi dengan basis data. Aplikasi yang dibuat juga masih terpisah belum tergabung dalam satu aplikasi. Dengan penggabungan aplikasi pengguna dapat melakukan analisis dan prediksi titik panas agar pengguna mendapatkan informasi dalam satu aplikasi saja. Berdasarkan hal ini, perumusan masalah dalam penelitian ini adalah:

1 Bagaimana menggabungkan modul-modul spatial data mining untuk analisis titik panas yang telah dibangun pada penelitian sebelumnya menggunakan framework Shiny?

2 Bagaimana melakukan integrasi server basis data dengan aplikasi spatial data mining dalam framework Shiny?

3 Bagaimana melakukan evaluasi usabilitas pada aplikasi spatial data mining baru?

Tujuan Penelitian Tujuan dari penelitian ini adalah:

1 Melakukan integrasi tiga aplikasi yang telah dibangun sebelumnya oleh Suci dan Sitanggang (2016), Hermawati dan Sitanggang (2016), dan Siknun dan Sitanggang (2016) menggunakan framework Shiny pada bahasa pemrograman R.

2 Membangun basis data dan mengintegrasikannya dengan aplikasi spatial data mining baru.

3 Melakukan evaluasi usabilitas terhadap aplikasi spatial data mining baru menggunakan kuisioner WAMMI.

Manfaat Penelitian

Hasil penelitian ini diharapkan dapat memudahkan pihak-pihak terkait kebakaran hutan mendapatkan informasi dan prediksi kemunculan titik panas menggunakan aplikasi spatial data mining. Informasi ini dapat digunakan untuk pencegahan terjadinya kebakaran hutan. Integrasi aplikasi spatial data mining dengan basis data diharapkan dapat membantu pengguna dalam penyimpanan dan menganalisis data titik panas dalam jumlah besar.

(14)

3 Ruang Lingkup Penelitian

Penelitian ini tidak melakukan pembangunan aplikasi spatial data mining dari awal tetapi menggabungkan aplikasi-aplikasi yang telah dibangun oleh Suci dan Sitanggang (2016), Hermawati dan Sitanggang (2016), dan Siknun dan Sitanggang (2016).

METODE

Data Penelitian

Terdapat tiga dataset yang digunakan dalam penelitian ini yang telah melalui tahap praproses. Pertama, dataset kebakaran hutan wilayah Rokan Hilir Provinsi Riau pada tahun 2008 dari penelitian Sitanggang et al. (2014). Dataset terdiri dari 12 atribut yaitu dist_city, dist_river, dist_road, income_source, land_cover, peatland_type, precipitation, peatland_depth, screen_temp, wind_speed, dan target_attr. Data ini digunakan pada penelitian Siknun dan Sitanggang (2016) untuk modul klasifikasi menggunakan algoritme C5.0.

Dataset kedua adalah data titik panas harian di Provinsi Riau pada tahun 2001-2012 dari penelitian Baehaki (2014). Dataset terdiri dari 4 atribut yaitu no, y_dd, tgl, dan frek. Data ini digunakan pada penelitian Suci dan Sitanggang (2016) untuk modul deteksi pencilan menggunakan clustering K-means.

Dataset ketiga adalah data titik panas tahun 2002 dan tahun 2013 pada lahan gambut di Sumatera dari penelitian Usman (2014). Dataset terdiri dari 2 atribut yaitu long dan lat. Data ini digunakan pada penelitian Hermawati dan Sitanggang (2016) untuk modul clustering menggunakan algoritme DBSCAN.

Tahapan Penelitian

Tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 1.

Penelitian dimulai dengan analisis aplikasi spatial data mining yang dibangun sebelumnya. Kemudian dilanjutkan dengan integrasi aplikasi spatio-temporal data mining yang baru. Selanjutnya dibangun basis data kebakaran hutan yang diintegrasikan dengan sistem spatial data mining yang baru, kemudian dilakukan pengujian aplikasi spatial data mining yang baru. Pada tahap akhir penelitian dilakukan analisis usabilitas terhadap aplikasi spatial data mining yang baru.

Analisis aplikasi spatial data mining yang dibangun oleh peneliti sebelumnya Aplikasi terkait analisis data titik panas sebelumnya telah dibangun oleh Suci dan Sitanggang (2016), Hermawati dan Sitanggang (2016), dan Siknun dan Sitanggang (2016) pada penelitian sebelumnya. Penelitian ini mengintegrasikan tiga aplikasi yang telah dibangun oleh peneliti sebelumnya. Analisis aplikasi dilakukan untuk mengetahui fungsi-fungsi aplikasi. Hasil analisis merupakan rujukan pada tahap perancangan aplikasi baru.

(15)

4

Gambar 1 Tahapan penelitian

Integrasi aplikasi spatial data mining yang dibangun oleh peneliti sebelumnya Pada tahap ini dilakukan pembangunan aplikasi spatial data mining baru yaitu dengan penggabungan tiga aplikasi yang telah dibangun oleh peneliti sebelumnya. Pada proses ini diawali dengan perancangan antarmuka aplikasi yang dibangun. Kemudian dilakukan pembuatan kode program untuk menggabungkan aplikasi spatial data mining dengan menggunakan perangkat lunak R dan framework Shiny. Shiny merupakan sebuah package dari bahasa pemograman R yang memudahkan pembangunan aplikasi berbasis web yang interaktif. Shiny juga memiliki fungsi reaktif yang otomatis mengikat antara input dan output, serta bermacam-macam widget yang memungkinkan untuk membangun aplikasi yang user friendly, responsif, dan baik dengan mudah (Rstudio 2015).

Pembuatan basis data kebakaran hutan

Aplikasi yang telah dibangun pada penelitian sebelumnya oleh Suci dan Sitanggang (2016), Hermawati dan Sitanggang (2016), dan Siknun dan Sitanggang (2016) menggunakan data dengan format .csv. Pada penelitian ini semua dataset yang digunakan pada tiga aplikasi yang telah dibangun dimasukkan ke dalam DBMS PostgreSQL. Data dimasukkan dengan mengimport setiap file .csv menjadi tabel dalam DBMS PostgreSQL. Penelitian ini menggunakan DBMS PostgreSQL sebagai manajemen basis data karena stabil untuk pengolahan data dalam jumlah besar, responsif dengan lingkungan dengan volume data yang tinggi, dan mudah dalam pemeliharaannya (PostgreSQL 2016).

Selesai Integrasi sistem spatial

data mining baru

Pembuatan basis data kebakaran hutan

Integrasi sistem spatial data mining dengan basis

data

Pengujian integrasi sistem spatial data mining dengan basis data Mulai

Analisis usabilitas sistem spatial data mining baru Analisis aplikasi spatial

data mining yang dibangun sebelumnya

Pengujian usabilitas sistem spatial data

mining baru

(16)

5 Pengujian integrasi aplikasi spatial data mining dengan basis data

Pada tahap ini dilakukan pengujian integrasi sistem spatial data mining baru dengan basis data menggunakan metode black box testing. Black box testing adalah pengujian yang dilakukan hanya dengan mengamati hasil eksekusi melalui data uji dan memeriksa fungsional dari perangkat lunak. Metode pengujian ini tidak mengakses atau menguji kode program.

Pengujian usabilitas aplikasi spatial data mining baru

Pada tahapan ini pengujian dilakukan dengan menyebarkan kuesioner kepada pengguna yang telah memiliki ilmu terkait data mining. Penelitian ini menggunakan WAMMI sebagai kuesioner untuk pengujian usabilitas ditunjukkan pada Gambar 2 (WAMMI 2016). WAMMI (Website Analysis and MeasureMent Inventory) merupakan sebuah metode untuk menganalisis situs web menggunakan kuisioner. Kuesioner terdiri dari 20 pertanyaan setuju/tidak setuju dengan skala 5 dan 3 pertanyaan isian.

Terdapat lima faktor yang digunakan pada WAMMI yaitu (Kirakowski et al.

1998):

1 Attractiveness yaitu seberapa tingkat kesukaan pengguna terhadap situs web.

Contoh pernyataan:

 This website is presented in an attractive way (situs web ini dipresentasikan dengan menarik)

 You can learn a lot on this website (anda dapat belajar banyak pada situs web ini)

2 Control yaitu sejauh mana pengguna merasa memiliki ‘control (kuasa)’

melakukan navigasi dengan mudah dan apakah situs melakukan komunikasi tentang apa yang dilakukan pengguna. Contoh pernyataan:

 Going from one part to another is easy on this website (melakukan pergerakan dari satu bagian ke bagian lain sangat mudah pada situs web ini)

 I feel in control when I’m using this website (saya merasa memiliki kontrol dalam menggunakan situs web ini)

3 Efficiency yaitu sejauh mana pengguna merasa situs dapat memberikan informasi yang dicari pengguna. Contoh pernyataan:

 You can find what you want on this website (anda dapat menemukan apa yang anda inginkan di situs web ini)

 This website works exactly how I would wxpect it to work (situs web ini bekerja seperti harapan saya)

4 Helpfulness yaitu sejauh mana pengguna merasa situs dapat membantu mereka memecahkan masalah. Contoh pernyataan:

 This website has not been designed to suit its user (situs web ini tidak dirancang sesuai dengan pengguna), pernyataan ini merupakan contoh pernyataan negatif.

 All the parts of this website are clearly labelled (semua bagian pada situs web ini telah ditandai dengan baik)

(17)

6

5 Learnability yaitu sejauh mana pengguna merasa dapat menggunakan suatu situs saat mereka pertama kalinya, dan dapat belajar untuk menggunakan situs tersebut. Contoh pernyataan:

 All the material is written in a way that is easy to understand (semua materi ditulis dengan cara yang mudah dimengerti)

 It will be easy to forget how to use this website (mudah untuk melupakan bagaimana cara menggunakan situs web ini)

Gambar 2 Kuesioner WAMMI Analisis usabilitas aplikasi spatial data mining buru

Pada tahapan ini analisis usabilitas dilakukan oleh WAMMI. Hasil analisis WAMMI ini selanjutnya dapat menjadi pertimbangan untuk pengembangan aplikasi spatial data mining lebih lanjut.

Lingkungan Pengembangan

Spesifikasi perangkat lunak dan perangkat keras yang digunakan untuk penelitian ini adalah sebagai berikut:

Perangkat keras:

1 Processor Intel Core i5 @ 1.70GHz 2.40 GHz 2 RAM 4 GB

3 750 GB hard disk drive Perangkat lunak:

1 Sistem operasi Windows 8.1 2 Bahasa pemograman R versi 3.2.2

3 Rstudio versi 0.99.486 dengan package Shiny untuk pembangunan sistem spatial data mining berbasis web

4 Web browser untuk menampilkan aplikasi berbasis web 5 DBMS PosgreSQL untuk pengelolaan data spasial

(18)

7

HASIL DAN PEMBAHASAN

Analisis aplikasi spatial data mining yang dibangun oleh peneliti sebelumnya Penelitian sebelumnya yang dilakukan oleh Suci dan Sitanggang (2016), Hermawati dan Sitanggang (2016), dan Siknun dan Sitanggang (2016) menggunakan data titik panas yang merupakan data spatial. Ketiga penelitian ini membangun aplikasi berbasis web menggunakan framework Shiny. Setiap aplikasi yang dibangun terdiri atas bagian server dan bagian antarmuka. Bagian server berisi instruksi-instruksi yang digunakan pada aplikasi disimpan dalam fail Server.R.

Bagian antarmuka berisi instruksi-instruksi untuk menampilkan atribut-atribut antarmuka aplikasi pada halaman web browser disimpan dalam fail UI.R. Masukan aplikasi berupa dataset berupa fail .csv.

Penelitian Suci dan Sitanggang (2016) membangun aplikasi berbasis web untuk melakukan deteksi pencilan titik panas menggunakan algoritme clustering K- Means. Fitur-fitur utama yang disediakan aplikasi ini diantaranya ringkasan dan plot data yang dipilih, clustering data titik panas dengan algoritme K-Means, memvisualisasikan hasil clustering dalam bentuk scatter plot dan niali sum square error (SSE), serta deteksi pencilan global maupun kolektif dan melihat penyebarannya dengan visualisasi pencilan pada peta.

Aplikasi yang dibangun Suci dan Sitanggang (2016) terdiri atas lima menu utama, yaitu menu data, menu clustering, menu outlier detection, menu help, dan menu about. Pada menu data pengguna dapat memilih data set yang akan digunakan. Menu data terdiri atas dua sub-menu, yaitu sub-menu data sumary dan sub-menu data plot. Menu clustering terdiri atas tiga sub-menu, yaitu sub-menu clustering summary, sub-menu sum squere error, dan sub-menu K-Means plot.

Menu outlier detection terdiri atas dua menu, yaitu menu global outlier dan menu collective outlier. Menu help berisi penjelasan mengenai fungsi-fungsi setiap menu yang terdapat pada aplikasi. Menu about berisi penjelasan mengenai aplikasi, tujuan pembuatan aplikasi, serta pembuat aplikasi. Gambar 3 dan Gambar 4 menunjukkan tampilan aplikasi yang dibangun oleh Suci dan Sitanggang (2016).

Gambar 3 Tampilan sub-menu clustering summary

(19)

8

Gambar 4 Tampilan sub-menu plot hasil clustering K-Means

Penelitian Hermawati dan Sitanggang (2016) membangun aplikasi berbasis web untuk melakukan clustering data titik panas menggunakan algoritme DBSCAN.

Fitur-fitur utama yang disediakan aplikasi ini diantaranya clustering, menampilkan plot berdasarkan jenis tutupan lahan, kedalaman lahan, jenis lahan, menampilkan nilai within cluster (evaluasi cluster), dan menampilkan rangkuman hasil clustering.

Hasil clustering ditampilkan berupa jumlah cluster, titik border, titik seed, dan nilai within cluster. Selain hasil dan nilai evaluasinya, aplikasi ini juga mampu menampilkan hasil clustering dalam bentuk plot berupa lingkaran-lingkaran kecil dengan warna yang berbeda untuk setiap cluster.

Antarmuka aplikasi yang dibangun Hermawati dan Sitanggang (2016) terdiri atas headerPanel, sidebarPanel, dan ^mainPanel. headerPanel adalah judul halaman aplikasi. sidebarPanel merupakan area yang berisi masukan yang digunakan oleh pengguna. mainPanel dibagi menjadi tab cluster, plot by landuse, plot by peat type, within cluster, dan summary. Tab cluster merupakan area untuk melihat hasil clustering. Tab plot merupakan area untuk plot hasil clustering dengan layer plot yang dapat dipilih, yaitu by landuse (jenis tutupan lahan gambut), by peat depth (ketebalan lahan gambut), atau by peat type (jenis lahan gambut). Tab summary merupakan area untuk melihat ringkasan hasil clustering. Gambar 5 dan Gambar 6 menunjukkan tampilan aplikasi yang dibangun oleh Hermawati dan Sitanggang (2016).

(20)

9

Gambar 5 Antarmuka aplikasi clustering berbasis web

Gambar 6 Tampilan hasil clustering data titik panas lahan gambut tahun 2013 Penelitian Siknun dan Sitanggang (2016) membangun aplikasi berbasis web untuk menampilkan model klasifikasi menggunakan algoritme C5.0. Aplikasi mengimplementasikan model klasifikasi pohon keputusan dan model berbasis aturan untuk memprediksi kemunculan titik panas berdasarkan penggunaan variabel tertinggi yaitu jenis lahan gambut dan jarak lokasi tertentu ke jalan terdekat.

Pada aplikasi ini digunakan tiga elemen yaitu, titlePanel, tabsetPanel, dan sidebarLayout. titlePanel merupakan judul aplikasi yang ditampilkan pada web. tabsetPanel adalah elemen untuk mengatur layout aplikasi yang membagi antarmuka ke dalam beberapa bagian. Pada aplikasi ini, tabsetPanel

terdiri dari data, classification models, predict new hotspot, about, dan help.

sidebarLayout adalah elemen dasar yang terdiri atas sidebarPanel dan

mainPanel untuk menampilkan fungsi output. Gambar 7 dan Gambar 8 menunjukkan tampilan aplikasi yang dibangun oleh Siknun dan Sitanggang (2016).

(21)

10

Gambar 7 Tampilan halaman utama aplikasi berbasis web

Gambar 8 Tampilan hasil prediksi pada tab panel predict new hotspot

Integrasi aplikasi spatial data mining yang dibangun sebelumnya Tahap integrasi yaitu penggabungan aplikasi yang telah dibangun sebelumnya oleh Suci dan Sitanggang (2016), Hermawati dan Sitanggang (2016), dan Siknun dan Sitanggang (2016). Integrasi diawali dengan melakukan perancangan antarmuka. Antarmuka halaman utama aplikasi terdiri atas empat bagian yaitu header, menu data mining, sidebarpanel, dan mainpanel.

Bagian atas digunakan untuk header. Bagian sidebarpanel merupakan area yang berisi masukan yang digunakan oleh pengguna. Bagian mainpanel digunakan untuk menampilkan hasil analisis data titik panas. Perancangan antarmuka halaman aplikasi ini dapat dilihat pada Gambar 9.

(22)

11

Gambar 9 Rancangan halaman aplikasi

Kemudian dilakukan penulisan kode program untuk menggabungan tiga aplikasi yang telah dibangun oleh Suci dan Sitanggang (2016), Hermawati dan Sitanggang (2016), dan Siknun dan Sitanggang (2016). Pada tahap ini aplikasi dibangun sesuai analisis yang telah dilakukan ditahap sebelumnya. Gambar 10 merupakan tampilan aplikasi setelah dilakukan penggabungan. Terdapat lima menu yang disediakan pada aplikasi ini yaitu menu classification, clustering, outlier detection, help dan about.

Gambar 10 Halaman menu ‘Clustering’

Pada tahap ini dilakukan beberapa perubahan kode program aplikasi yang lama. Aplikasi yang yang telah dibangun oleh Suci dan Sitanggang (2016) dan Hermawati dan Sitanggang (2016), memiliki variabel yang sama pada bagian input data. Pada aplikasi yang baru variabel tersebut diganti agar tidak saling bertumbukan satu sama lain. Variabel yang diganti yaitu selectedData dan input$year. Potongan kode program perubahan variabel pada modul clustering dan modul outlier detection dapat dilihat pada Gambar 11.

(23)

12

Gambar 11 Perubahan variabel saat integrasi

Pada saat integrasi menu classification terjadi permasalahan yaitu saat melakukan predict new hotspot. Button atau tombol predict yang digunakan pada aplikasi yang lama merupakan tipe submitButton. Saat dilakukan integrasi penggunaan button dengan tipe ini mengganggu jalannya button yang disediakan pada menu lain. Agar button pada setiap menu berjalan sesuai dengan fungsinya tipe button yang digunakan pada menu classification diubah menjadi tipe actionButton. Potongan kode program perubahan tipe button pada modul classification dapat dilihat pada Gambar 12.

Gambar 12 Perubahan tipe button yang digunakan pada modul classification Menu Classification berisi fungsi-fungsi dalam modul klasifikasi yang telah dibangun pada penelitian Siknun dan Sitanggang (2016). Pada menu ini terdapat beberapa perubahan yaitu pada bagian input data dan pada bagian predict new hotspot. Pada bagian masukan data, pengguna dapat mengunakan data yang telah disedikan pada aplikasi yang pada penelitian sebelumnya harus dimasukkan oleh pengguna dari luar aplikasi. Pada bagian predict new hotspot parameter yang disediakan disusun berdasarkan abjad yang pada penelitian sebelumnya belum diurtkan sesuai abjad.

Menu Clustering berisi fungsi-fungsi dalam modul clustering yang telah dibangun pada penelitian Hermawati dan Sitanggang (2016). Pada penelitian sebelumnya, saat melakukan visualisasi plot tidak terdapat progress bar. Agar pengguna mendapatkan informasi bahwa proses visualisasi sedang terjadi maka perlu ditambahkan progress bar. Pada penelitian ini kode potongan kode program untuk menampilkan progress bar ditunjukkan pada Gambar 13 dan tampilan progress bar saat ditampilkan pada aplikasi ditunjukkan pada Gambar 14.

(24)

13

Gambar 13 Potongan kode program progress bar

Gambar 14 Progress bar saat proses plotting

Pada menu outlier detection berisi fungsi-fungsi dalam modul outlier detection yang telah dibangun pada penelitian Suci dan Sitanggang (2016). Pada penelitian sebelumnya pengguna hanya dapat memilih data pertahun saja. Pada penelitian ini pengguna dapat memilih data berdasarkan rentang waktu yang diinginkan dengan memasukkan tahun dari (tahun) dan ke (tahun) yang diinginkan ditunjukkan pada Gambar 15. Menu help berisi penjelasan mengenai fungsi-fungsi setiap menu dan tata cara penggunaan aplikasi seperti pada Gambar 16. Menu about berisi penjelasan mengenai aplikasi serta informasi pembuat aplikasi ditunjukkan pada Gambar 17.

Gambar 15 Pilihan data menu outlier detection

(25)

14

Gambar 16 Tampilan menu ‘Help’

Gambar 17 Tampilan menu ‘About’

Pembuatan basis data kebekaran hutan dan integrasi aplikasi ke basis data Data pada penelitian Suci dan Sitanggang (2016), Hermawati dan Sitanggang (2016), dan Siknun dan Sitanggang (2016) berupa fail dengan format csv. Pada penelitian ini seluruh data disimpan dalam satu basis data di DBMS PostgreSQL yang terdiri dari 3 tabel yang tidak memiliki relasi antar tabel. Tabel pertama yaitu tabel data_kmeansall yang berisi data titik panas harian di Provinsi Riau pada tahun 2001-2012 yang pada penelitian sebelumnya terdiri dari 13 fail dengan format .csv. Tabel kedua adalah tabel hotspot0213_gambut yang berisi data titik panas tahun 2002 dan tahun 2013 pada lahan gambut di Sumatera, pada penelitian sebelumnya terdiri dari 2 fail dengan format .csv. Tabel ketiga yaitu tabel rohil6 yang berisi dataset kebakaran hutan wilayah Rokan Hilir Provinsi Riau pada tahun 2008. Data disimpan dalam DBMS PostgreSQL agar lebih mudah dikelola.

Pada aplikasi ini data masukan diambil melalui integrasi dengan DBMS PostgreSQL. Agar aplikasi dapat diintegrasikan dengan DBMS PostgreSQL dilakukan instalasi package RPostgrSQL. Setelah instalasi package RPostgrSQL maka aplikasi R Shiny dapat melakukan koneksi ke DBMS PostgreSQL. Perintah

(26)

15 untuk koneksi ke DBMS PostgreSQL dilakukan pada file server R. Koneksi ke DBMS PostgreSQL secara umum dapat dilakukan dengan perintah dbConnect seperti yang ditunjukkan pada baris 63 sampai dengan baris 67 pada Gambar 18.

Method yang digunakan yaitu :

1 con adalah suatu objek dari PostgreSQLConnection 2 dbdriver yang digunakan yaitu “PostgreSQL”

3 user adalah user name dari PostgreSQL yang akan dikoneksikan 4 password yaitu password yang digunakan pada PostgreSQL 5 dbname adalah nama dari databese yang akan dikoneksikan 6 host yang digunakan adalah localhost

7 Port yang digunakan 5432.

Gambar 18 Koneksi aplikasi ke DBMS PostgreSQL menu ‘Outlier Detection’

Untuk melakukan query data dilakukan dengan perintah dbSendQuery seperti pada baris 69 pada Gambar 18. Method yang digunakan pada dbSendQuery yaitu:

1 res merupakan suatu objek dari PostgreSQLResult 2 con adalah suatu objek dari PostgreSQLConnection

3 query yaitu perintah untuk memanggil data dari PostgreSQL, dalam hal ini memanggil dataset berupa table yang digunakan untuk data masukan pada setiap menu yang disediakan.

Baris 75 sampai 77 merupakan kode untuk input dataset ke data.frame aplikasi. Baris 75 menunjukkan data frame yang telah dibentuk oleh fungsi reactive yang kemudian disimpan dalam fungsi selected_Data. Dataset dimasukkan ke dataframe agar dapat digunakan sebagai masukan fungsi-sungsi yang ada dalam aplikasi.

Pengujian integrasi sistem spatial data mining dengan basis data

Sistem telah berhasil diintegrasikan dengan basis data kemudian dilakukan pengujian. Pengujian dilakukan untuk setiap menu yaitu clustering, outlier detection, dan classification. Pengujian dilakukan dengan metode black box dan semua fitur yang tersedia berjalan sesuai dengan fungsinya. Tabel hasil pengujian dapat dilihat pada Lampiran 1.

(27)

16

Pengujian usabilitas aplikasi spatial data mining baru

Pengujian usabilitas dilakukan menggunakan kuesioner WAMMI yang terdiri dari 20 pertanyaan setuju/tidak setuju dengan skala 5 dan tiga pertanyaan isian.

Penyebaran kuesioner dimulai dari tanggal 26 Mei sampai 5 Juni 2016. Terdapat 39 responden yang berpartisipasi pada penelitian ini. Responden yang digunakan adalah mahasiswa Ilmu Komputer IPB yang telah mengambil matakuliah data mining. Kuesioner yang digunakan dapat dilihat pada Lampiran 2.

Analisis usabilitas aplikasi spatial data mining baru

Setelah data kuesioner terkumpul kemudian dilakukan analisis usabilitas berdasarkan WAMMI oleh pengembang metode evaluasi yaitu Dr J. Kirakowski.

Hasil analisis WAMMI menunjukkan bahwa aplikasi yang diuji mendapatkan global usability score sebesar 35.7. Nilai yang didapat ini berada di bawah garis rata-rata (50) seperti yang dapat dilihat pada Gambar 19. Nilai di bawah 50 berarti aplikasi yang diuji secara umum masih sulit dimengerti dan belum memenuhi harapan responden.

Pada faktor atractiveness aplikasi yang diuji mendapat nilai sebesar 37.6 kurang dari nilai standar yang ditetapkan WAMMI. Hal ini menunjukkan bahwa visualisasi dari aplikasi masih kurang nyaman dan tidak terlalu menarik bagi responden baik secara fungsional maupun informasi yang disajikan. Faktor controllability mendapatkan nilai sebesar 41.9 sudah mendekati nilai standar yang ditetapkan. Nilai ini menunjukkan bahwa responden masih merasa kurang bebas dalam melakukan navigasi pada aplikasi dan masih sulit melakukan hal yang diinginkan saat menggunakan aplikasi.

Faktor efficiency mendapat nilai sebesar 39.5 yang menunjukkan bahwa responden masih merasa bahwa aplikasi yang diuji masih lambat dalam merespon keinginan responden dalam waktu yang masuk akal bagi responden. Faktor helpfulness mendapat nilai sebesar 36.2 masih jauh dibawah standar yang ditentukan berarti responden merasa aplikasi yang diuji belum mampu menyelesaikan masalah yang dialami responden tersebut. Faktor learnability mendapatkan nilai terendah dibanding faktor yang lain yaitu 24.8. Nilai ini menunjukkan bahwa aplikasi yang diuji masih sulit dipahami oleh responden saat pertama kali menggunakan aplikasi dan kesulitan dalam mempelajari cara penggunaan aplikasi.

(28)

17

Gambar 19 Grafik ringkasan hasil WAMMI

Hasil uji WAMMI juga memberikan nilai mean dan standard deviation untuk setiap faktor penilaian pada Gambar 20. Mean menunjukkan rata – rata dari semua nilai individual yang dihasilkan setiap responden. Standard deviation menunjukkan jumlah variabilitas dalam data seluruh responden. Nilai standar deviasi normal adalah 20.00. Jika pendapat responden tidak beragam (setuju) pada evaluasi sitis maka nilai yang dihasilkan akan semakin kecil. Jika responden memiliki pedapat yang beragam maka nilai yang dihasilkan semakin besar. Jika standar deviasi lebih dari 30 maka disarankan untuk membuat dua kelompok responden.

Pada penelitian ini standar deviasi yang didapat untuk faktor controllabillity, efficiency, helpfulness, dan learnabillity mendapat nilai yang kecil yang berarti pendapat responden tidak beragam (setuju). Sementara itu, untuk faktor attractiveness memiliki nilai 22.63 masih mendekati 20.00 yang berarti masih bisa dikatakan pendapat responden tidak beragam.

Gambar 20 Ringkasan hasil evaluasi menggunakan WAMMI

Pada Gambar 21 dan Gambar 22 dapat dilihat grafik untuk setiap pertanyaan yang diajukan kepada responden. Garis berwarna merah menunjukkan bahwa pada pertanyaan tersebut responden memberikan nilai negatif terhadap aplikasi yang diuji. Sementara itu, garis berwarna hijau menunjukkan respon positif terhadap

(29)

18

aplikasi yang diuji. Panjang garis menunjukkan banyaknya responden yang setuju (more agreement) atau tidak setuju (less agreement) terhadap pertanyaan tersebut.

Aplikasi yang diuji mendapat respon negatif hampir di setiap pertanyaan yang diajukan. Pada Gambar 14 dapat dilihat bahwa aplikasi yang diuji mendapatkan garis berwana merah pada setiap pertanyaan yang diberikan. Sementara itu, pada Gambar 15 terdapat dua pertanyaan yang mendapat respon positif yaitu pertanyaan

‘I can easily contact the people I want to on this website’ dan ‘this website has some annoying features’. Hal ini menunjukkan bahwa aplikasi tidak memiliki fitur yang mengganggu responden saat menjalankan aplikasi yang diuji.

Gambar 21 Hasil analisis WAMMI I (ten most divergent items)

Lebih dari 50% responden setuju bahwa aplikasi ini perlu lebih banyak penjelasan pengantar. Hal ini dapat dilihat pada pertanyaan ‘this website needs more introductory explanations’. Selanjutnya yang harus diperbaiki pada aplikasi ini yaitu pada aspek ‘learning’ karena banyak responden yang merasa kesulitan saat menjelajah aplikasi merujuk pada pertanyaan ‘learning to find my way around this website is a problem’. Selanjutnya yang paling banyak mendapat tanggapan negatif adalah pada pertanyaan ketiga yaitu ‘I fell in control when I’m using this website’.

Responden merasa tidak memiliki kontrol dalam melakukan navigasi dan kurangnya komunikasi tentang apa yang sedang dilakukan saat mengakses aplikasi.

(30)

19

Gambar 22 Hasil analisis WAMMI II (ten least divergent items)

Pada pertanyaan ‘How important for you is the kind of website you have just been rating? (seberapa penting situs web yang baru saja anda nilai?)’ responden menilai aplikasi ini cukup penting dengan persentse 69% yang ditunjukkan pada Gambar 23. Sebanyak 23% responden menilai aplikasi ini tidak terlalu penting, 8%

responden memandang aplikasi ini sangat penting dan tidak ada responden yang menilai aplikasi ini sama sekali tidak penting.

Pada pertanyaan ‘How would you rate your internet skills and knowledge?

(bagaimana anda menilai kemampuan dalam menggunakan internet?)’ sebanyak 64% responden menyatakan memiliki kemampuan yang cukup baik namun tidak terlalu teknis. Sebanyak 26% responden menyatakan memiliki pengalaman dan sangat teknis, 10 % responden menilai menyatakan cukup mampu menggunakan internet dan tidak ada responden yang tidak dapat menggunakan internet.

Rekapitulasi kuesioner untuk setiap pertanyaan dapat dilihat pada Lampiran 3.

(31)

20

Gambar 23 Tingkat kepentingan aplikasi dan kemampuan responden menggunakan internet

Berdasarkan hasil analisis yang telah dilakukan, didapatkan saran untuk perbaikan aplikasi yaitu:

1 menambah penjelasan terkait tata cara penggunaan aplikasi, 2 menambahkan progress bar saat memuat visualisasi,

3 menambahkan aspek kontrol dari pengguna ke sistem, seperti perubahan warna, visualisasi, zoom dan penyaringan data.

4 menyediakan pilihan bahasa yang dipahami pengguna

5 menampilkan penjelasan terkait hasil klasifikasi dan clustering dalam bahasa yang dimengerti pengguna (tidak terlalu teknis)

6 pada menu predict new hotspot diharapkan dapat menampilkan hasil tanpa harus melakukan scroll ke halaman bagian atas saat menekan button predict

Pengujian dengan kuesioner WAMMI ini mendapatkan hasil yang rendah dapat disebabkan karena responden yang berpartisipasi masih kurang familiar dengan aplikasi. Agar mendapat hasil yang lebih baik dapat dilakukan pengujian usabilitas dengan metode cognitive walkthrough. Cognitive walkthrough adalah suatu metode untuk menguji antarmuka pengguna, dengan perhatian khusus seberapa baik antarmuka tersebut dapat dipelajari atau dieksplorasi pengguna saat digunakan pertama kali tanpa pelatihan (Rieman et al. 1995). Penguji dalam metode ini adalah orang yang memiliki pemahaman secara umum tentang aplikasi yang dibuat. Metode ini melihat tingkat kesuksesan penguji aplikasi dalam melakukan tugas dalam waktu yang wajar.

Untuk pengembangan selanjutnya beberapa perbaikan dapat dilakukan seperti title aplikasi dibuat lebih menonjol. Menambahkan fitur navigasi peta dan menambahkan fitur agar format penulisan angka pada tabel agar lebih teratur.

(32)

21

SIMPULAN DAN SARAN

Simpulan

Penelitian ini telah berhasil melakukan integrasi tiga aplikasi yang telah dibangun menggunakan framework Shiny pada bahasa pemrograman R. Basis data telah berhasil dibangun dan diintegrasikan dengan aplikasi spatial data mining baru. Evaluasi usabilitas menggunakan kuesioner WAMMI dengan hasil global usability score sebesar 35.7 yang berarti secara umum aplikasi masih sulit dimengerti dan belum memenuhi harapan responden.

Saran

Saran untuk penelitian selanjutnya adalah pengembangan aplikasi lebih lanjut sesuai dengan rekomendasi perbaikan berdasarkan hasil WAMMI dan melakukan pengujian usabilitas dengan metode cognitive walkthrough agar mendapat hasil uji usabilitas yang lebih baik.

DAFTAR PUSTAKA

[FWI] Forest Watch Indonesia. 2001. Keadaan Hutan Indonesia. Bogor (ID): FWI.

Hermawati R, Sitanggang IS. 2016. Web-based clustering application using shiny framework and DBSCAN algorithm for hotspots data in peatland in sumatra.

Procedia Environmental Sciences. 33:317-323.

doi:10.1016/j.proenv.2016.03.082.

[Kemenhut] Kementerian Kehutanan. 2014. Statistik Kementerian Kehutanan 2013. Jakarta (ID): Kemenhut.

Kirakowski J, Claridge N, Whitehand R. 1998. Human centered measures of success in web site design [internet]. [diunduh 2016 Apr 12]. Tersedia pada:

http://research.microsoft.com/en-us/um/people/marycz/hfweb98/

kirakowski/index.htm

PostgreSQL. 2016. PostgreSQL: Advantages [internet]. [diunduh 2016 Jul 22].

Tersedia pada: https://www.postgresql.org/about/advantages/

Rieman J, Franzke M, Redmilez D. 1995. Usability evaluation with the cognitive walkthrough. Di dalam: Katz I, Mack R, Marks L, editor. CHI ’95 Conference Companion on Human Factors in Computing Systems; 1995 Mei 387-388;

Denver, Amerika Serikat. New York (US): ACM. Hlm 387-388

RStudio. 2015. Package ‘shiny’ [internet]. [diunduh 2015 Des 2]. Tersedia pada:

http://cran.r-project.org/web/packages/shiny/shiny.pdf.

Siknun GP, Sitanggang IS. 2016. Web-based classification application for forest fire data using the shiny framework and the C5.0 algorithm. Procedia Environmental Sciences. 33:332-339. doi:10.1016/j.proenv.2016.03.084.

Suci AMYA, Sitanggang IS. 2016. Web-based application for outliers detection on hotspot data using k-means algorithm and shiny framework. IOP Conf. Ser.:

Earth Environ. Sci.. 31:012003. doi:10.1088/1755-1315/31/1/012003.

(33)

22

WAMMI. 2016. WAMMI questionnaire [internet]. [diunduh 2016 Mar 20].

Tersedia pada: http://wammi.com/questionnaire.html

(34)

23 Lampiran 1 Pengujian integrasi sistem spatial data mining dengan basis data

Menu : Custering

Deskripsi : Melakukan clustering

Skenario Uji : Pengguna memilih data dan memasukkan nilai Eps dan MinPts sesuai dengan range pada aplikasi

(Eps = 0.1; MinPts = 6) kemudian menekan tombol “Start Clustering”

Hasil yang diharapkan : Muncul tampilan hasil clustering berupa jumlah cluster, jumlah titik border, dan jumlah titik seed.

Hasil Uji : Berhasil

Menu : Custering

Deskripsi : Melakukan clustering

Skenario Uji : Pengguna memilih data dan memasukkan nilai Eps dan MinPts tidak sesuai dengan range pada aplikasi

(Eps = 0.2; MinPts = 7) kemudian menekan tombol “Start Clustering”

Hasil yang diharapkan : Muncul pesan error : “Eps must in range between 0.01 and 0.1”

Menu : Custering

Deskripsi : Menampilkan plot berdasarkan jenis tutupan lahan gambut, kedalaman lahan gambut, dan jenis lahan gambut

Skenario Uji : Pengguna menekan tombol “Show Plot”

Hasil yang diharapkan : Muncul peta Pulau Sumatera dengan layer jenis tutupan lahan gambut dan layer plot titik panas beserta keterangan warna lahan gambut dan cluster.

Menu : Custering

Deskripsi : Menampilkan nilai within cluster Skenario Uji : Pengguna memilih tab Within Cluster

Hasil yang diharapkan : Muncul tabel yang berisi nilai within cluster utuk setiap cluster yang terbentuk dan total nilai within cluster.

Menu : Custering

Deskripsi : Menampilkan rangkuman hasil clustering Skenario Uji : Pengguna memilih tab Summary

Hasil yang diharapkan : Muncul tabel rangkuman clustering yang berisi nilai Eps, MinPts, jumlah cluster, jumlah pencilan, dan nilai total within cluster.

(35)

24

Lampiran 1 Lanjutan

Menu : Outlier Detection

Deskripsi : Menampilkan ringkasan data dan plot data Skenario Uji : Pengguna memilih data yang digunakan dan

menekan tombol submit kemudian memilih sub- menu data summary dan sub-menu data plot Hasil yang diharapkan : Muncul ringkasan data dan tampilan plot dari

data yang dipilih

Deskripsi : Menampilkan hasil clustering, Sum square error, dan visualisasinya

Skenario Uji : Pengguna memilih jumlah cluster, menekan tombol clustering, memilih sub-menu clustering summary, memilih sub-menu Sum square error, dan memilih sub-menu K-Means plot

Hasil yang diharapkan : Muncul hasil clustering, yaitu cluster, size of cluster, center of cluster, percent, Sum square error, dan tampilan visualisasi hasil clustering

Deskripsi : menampilkan ringkasan dan visualisasi pencilan global

Skenario Uji : Pengguna memilih jumlah pencilan, menekan tombol detect, memilih menu global outlier summary, dan memilih menu global outlier plot Hasil yang diharapkan : Muncul hasil deteksi pencilan global tampil pada

sub-menu global outlier summary dan

Tampilan visualiasasi deteksi pencilan global pada sub-menu global outlier plot

Deskripsi : Menampilkan ringkasan dan visualisasi pencilan kolektif

Skenario Uji : Pengguna memilih jumlah pencilan, menekan tombol detect, memilih menu collective outlier summary, dan memilih menu collective outlier plot

Hasil yang diharapkan : Muncul hasil deteksi pencilan global pada sub- menu collective outlier summary dan

visualiasasi deteksi pencilan global pada sub- menu collective outlier plot

(36)

25 Lampiran 1 Lanjutan

Menu : Classification

Deskripsi : Menampilkan ringkasan data dan data dalam tabel

Skenario Uji : Pengguna memilih tabPanel summary dan tabPanel table

Hasil yang diharapkan : Muncul ringkasan data dan data dalam tabel

Deskripsi : Menampilkan hasil klasifikasi model pohon keputusan

Skenario Uji : Pengguna memilih tabPanel tree models Hasil yang diharapkan : Muncl hasil klasifikasi model pohon keputusan

Deskripsi : Menampilkan hasil klasifikasi model berbasis aturan

Skenario Uji : Pengguna memilih tabPanel rule-based models Hasil yang diharapkan : Muncul hasil klasifikasi model berbasis aturan

Deskripsi : Menampilkan hasil prediksi titik panas

Skenario Uji : Pengguna memilih variabel penjelas sesuai dengan karakteristik wilayah dan tekan predict button

Hasil yang diharapkan : Muncul hasil prediksi titik panas dengan model pohon keputusan dan model berbasis aturan

(37)

26

Lampiran 2 Kuesioner WAMMI

(38)

(39)

28

Lampiran 2 Lanjutan

(40)

29 Lampiran 3 Rekapitulasi kuesioner

No Statements 1 - 20 Strongly

Agree

Strongly Disagree

1 2 3 4 5

1 This website has much that is of interest to me. 5 9 15 9 1 2 It is difficult to move around this website. 0 7 12 16 4 3 I can quickly find what I want on this website. 2 15 13 6 3 4 This website seems logical to me. 3 14 16 6 0 5 This website needs more introductory

explanations.

15 9 9 4 2 6 The pages on this website are very attractive. 2 10 19 7 1 7 I feel in control when I'm using this website. 0 13 16 7 3

8 This website is too slow. 2 7 12 15 3

9 This website helps me find what I am looking for.

2 6 27 4 0 10 Learning to find my way around this website is

a problem.

0 14 14 10 1 11 I don't like using this website. 0 5 13 17 4 12 I can easily contact the people I want to on this

website.

5 13 10 9 2 13 I feel efficient when I'm using this website. 3 13 18 4 1 14 It is difficult to tell if this website has what I

want.

1 10 19 8 1 15 Using this website for the first time is easy. 2 12 14 6 5 16 This website has some annoying features. 2 4 16 13 4 17 Remembering where I am on this website is

difficult.

0 7 12 16 4 18 Using this website is a waste of time. 1 1 13 15 9 19 I get what I expect when I click on things on this

website.

2 14 17 5 1 20 Everything on this website is easy to

understand.

0 13 14 10 2

How important for you is the kind of website you have just been rating?

Jawaban Jumlah Responden

Extremely important 3

Important 27

Not very important 9

Not important at all 0

How would you rate your internet skills and knowledge?

Jawaban Jumlah Responden

Very experienced and technical 10

I'm good but not very technical 25

I can cope with most of the internet 4 I find the internet difficult to use 0

(41)

30

Lampiran 3 Lanjutan

What part of this website do you find most interesting or useful?

Respondent ID Comment 1 clustering

2 Selecting algorithm of data mining 3 Clustering Plotting By

4 Outlier Detection 5 clustering

6 Predict new hotspot and outlier detections 7 Clustering

8 Plot classification, clustering, and outlier detection 9 plot clustering

10 visualization 11 Clustering

12 About outlier detection 13 predict new hotspot 14 Outlier detection 15 Outlier detection

16 -

17 On the machine learning like Classification, Clustering, and Outlier Detection

18 Outlier detection 19 Outlier detection 20 The main menu label 21 Outlier detection 22 predict new hotspot 23 Plot the clustering results

24 clustering ?plot?, classification?predict new hotspot?

25 Classifiication-data 26 Plot cluster on the map 27 clustering

28 home page

29 when i opened the page, the navigation bar caught my eyes ?the most interesting on the first sight?

30 filtering view

31 Yes

32 Yes

33 Plot on clustering section. I think it's hard enough to understand the purpose of that web.

(42)

Respondent ID Comment

34 No

35 useful

36 all

37 Many option to choose how data representated 38 part of outlier detection

39 The content and the data mining application What do you think is the best aspect of this website, and why?

1 clustering, plot by landuse, we can easy make a conclusion from the image

2 -

3 responsive, fast, and effective 4 The explanation for using the app

5 can make it easier for the processing of data mining

6 I don't know. Because I'm not sure if I'm understand exactly what it is.

7 The plot by Landuse, cuz I think that it's need more effort to be create than others menu *LOL*

8 Feature

9 plot clustering result, because that visualization makes user more interest and easily understand the distribution about the clustering result of landuse, peath depth, and peath type. Tab help in this website also makes user understand how to use this website.

10 Visualization

11 Clustering, because it's easier to see

12 you create one system from 3 different system. i think that's good, and save time. a 3 in 1 system in your site.

13 Predict new hotspot, as this can be useful for the parties concerned.

14 The content, because people who enter this site is finding something related to data mining

15 The function to represent big data

16 I don't know how to operate this, i'm not found the help site for the newbie.

17 Machine learning function, like classification. Its easy to use with that userinterface. I can get the model, and predict new data.

(43)

32

Lampiran 3 Lanjutan

18 Each aspects if this website is very detail, if you know about statistics then you'll be able to interpret what you're seeing.

19 Interactive. Good

20 label main menu. for naming the label clearly.

21 plot, because we can see which areas are the hotspot

22 information display, because it can help us to understand the result

23 This website is very useful to know the distribution of hotspots, by knowing the distribution of hotspots, controlling forest fires can be done early

24 data mining techniques is perfect, there are clustering and classification. there is visualization on clustering menu that help to understand easier than just a summary

25 data can be filtered / sorted, so you can more easily get the data sought

26 all of the features blend well in this website 27 clustering

28 consept, because its main core for web 29 the site can predict

30 filtering, because can easy to find what i want to know 31 Usability. Easy to use this web

32 Usability. Easy to use this web

33 I think the best aspect of this website is the capability to classify new hotspot. Because it can give recommendation for stakeholder ?like local government? to make a decision.

34 Precision of data

35 website function is pretty good, because it can process hotspot data instantly

36 can visualize the results into a form that is more easily understood as plot maps, tables and summary

37 Option and details

38 when people can see the visualization, that is best aspect for me 39 Simple web, nice color design. The help section is really helping.

Quite easy to understand how to use it :?

(44)

Is there anything you think is missing from this website?

1 need larger image

2 Yes, this website doesnt have a lot of explanation 3 translate to Indonesian language

4 Explanation how to use

5 no

6 yeah, because less visualitation.

7 Plot by peat depth and plot by peat type didn't show anything when I try to click the show plot button

8 Explanation about output

9 no, there isn't. this website is good enough

10 No

11 No

12 control of the user to the system, like change the color, the visualization, zoom in, zoom out, and filtering the data. that way, your system will be much more usefull.

13 Plot does not appear on a web page.

14 No

15 Not found yet

16 Not familiar website, so there must be a guide to use 17 the explanation how to use the function in the website 18 I think, in every part of the menu ?classification, clustering,

etc.? there should be a brief description so the viewers of your website can understand what they're about to do. Lastly, I don't understand what the search bar in the classification menu function. I mean, should I try to put some random word, numbers, or something else, there's no explanation there and when I type '10' to the search bar, there is no '10' showed up on screen.

19 Nothing

20 text visualization for contact person like visualization for menu when contact person is not a link

21 progress bar when data ploting

22 the explanation of each the features and label, so we can to know what feature that could help us to get information 23 I think there's no missing

(45)

34

Lampiran 3 Lanjutan Respondent ID Comment

24 still have error in menu classification->predict new hotspot-

>land cover ?natural forest?, don't understand the cause of error. still don't understand the outlier detection menu ?global outlier?, in example, if i choose 'number of outlier to view' 10 but there are still many point on plot.

25 the information is still unclear, there should be a choice of language too ?Indonesian or English?, because the language used seems not common.

26 default home page

27 none

28 sense

29 when i clicked the radio button, cleared the search result and changed the table show on the data tab, i didn't realise that it was already changing at first, i need to scroll down to see the changing result. I think its better to not to let people scroll your site down to see what's happening there but you can fix it by 'next' button. Especially the 'predict new hotspot' tab.

30 'How to use' page

31 No.this website has comprehensive features 32 No.this website has comprehensive feature 33 Introduction section

34 Explain more every definition you that have

35 yes, on the outlier detection menu on 'k-means plot' section, there is information about 'day', but there is no explanation about the meaning of 'day' is, if day 1= 1 january or not. Help menu on clustering section, the text are to close to the bottom of the screen, preferably in given distance. i still dont understand about the picture label on help menu?classification section?

36 no

37 Nope

38 not missing at all, but in help and about menu, that is too little to explain about website

39 Loading bar while processing data to show result or plot

(46)

35

RIWAYAT HIDUP

Penulis dilahirkan di Padang pada tanggal 5 Juni 1994. Penulis adalah anak kedua dari tiga bersaudara, anak dari pasangan Jamarusti dan Ermanizar.

Penulis menempuh sekolah menengah atas di SMA Negeri 10 Padang pada tahun 2009 hingga 2012. Kemudian penulis melanjukan pendidikan perguruan tinggu di Institut Pertanian Bogor, Fakultas Matematika dan Ilmu Pengetahuan Alam, Program Studi Ilmu komputer dari tahun 2012 hingga 2016.