1.1 Latar Belakang Masalah
Suatu data Multivariate Time Series (MTS), dilihat dari sifatnya, dapat di-definisikan sebagai suatu data yang didapat dengan melakukan observasi terhadap beberapa komponen yang dilakukan secara periodik, dimana komponen komponen tersebut memilik satu kesatuan makna. Data-data yang dapat direpresentasikan seba-gai suatu data MTS adalah data Cuaca pada suatu area dalam kurun waktu tertentu, data ekonomi suatu negara dalam kurun waktu tertentu, musik, data kesehatan dan lain-lain. Data data tersebut dapat diproses untuk menghasilkan suatu pengetahu-an ataupun kesimpulpengetahu-an terhadap suatu hal. Proses ypengetahu-ang bisa dilakukpengetahu-an dipengetahu-antarpengetahu-anya prediksi dan klasifikasi. Prediksi dilakukan untuk meramalkan kejadian yang akan datang berdasarkan data yang dimiliki sekarang. Klasifikasi terhadap data dilakuk-an jika data tersebut adalah data baru ydilakuk-ang perlu dikategorikdilakuk-an ke dalam salah satu kategori atau kelas yang ada.
Suatu data MTS yang baru tidak selalu memiliki spesifikasi yang sama persis dengan data MTS yang sudah ada, walaupun data tersebut mempunyai kelas yang sama dengan data yang lama. Misalkan saja gambar pemandangan pegunungan anak satu belum tentu sama dengan gambar pemandangan pegunungan anak yang lain. Hal yang sama dapat terjadi dengan data MTS. Sedikit perbedaan tersebut menyebabkan metode pencarian tidak lagi bisa digunakan untuk menentukan kesamaan dua buah data yang sekelas.
Salah satu metode klasifikasi yang banyak digunakan adalah K Nearest Nei-ghbour (kNN). Metode kNN menentukan kelas suatu data berdasarkan k buah data terdekat. Metode kNN tidak menentukan sendiri metode untuk melakukan perhitung-an jaraknya, sehingga perlu dikombinasikperhitung-an dengperhitung-an metode perhitungperhitung-an jarak tersen-diri. Pemilihan metode perhitungan jarak dapat mempengaruhi kinerja dari metode kNN ini (Min dkk.,2009).
Metode perhitungan jarak yang banyak digunakan adalah metode euclidean distance. Metode perhitungan ini baik digunakan untuk data yang berada pada bi-dang datar (Keogh dan Pazzani,1999). Untuk data selain pada bidang datar, metode ini kurang bagus. Dynamic Time Warping (DTW) adalah metode perhitungan jarak
lain yang juga sering digunakan dalam penelitian.Keogh dan Pazzani(1999) menye-butkan bahwa metode DTW lebih baik dari pada euclidean distance untuk beberapa kasus tertentu. Salah satu keunggulan yang banyak dibahas adalah kemampuan DTW dalam menghitung jarak dengan panjang data yang berbeda. Eros distance adalah me-tode perhitungan jarak yang paling akhir diperkenalkan, dari pada meme-tode euclidean distancedan DTW. Metode ini dikhususukan sebagai metode perhitungan jarak untuk data MTS. Seperti halnya DTW, metode eros distance juga mampu memproses data MTS dengan panjang yang berbeda (Yang dan Shahabi,2004).
Permasahalan pada klasifikasi secara umum, dan data MTS secara khusus, adalah permasalahan akurasi. Hasil klasifikasi yang ingin didapat pastilah klasifikasi dengan akurasi yang tinggi, bahkan kalau bisa mencapai 100%. Data yang bervari-asi meskipun memiliki kelas yang sama, missing value, noise, serta data-data yang berada kelas namun dengan perbedaan spesifikasi data yang kecil, membuat klasifi-kasi dengan akurasi yang tinggi menjadi tantangan bagi semua peneliti, apalagi untuk mencapai akurasi 100%. Selain itu, jenis data MTS yang berbeda beda juga dapat me-miliki spesifikasi yang berbeda, sehingga belum tentu meme-miliki akurasi yang sama. Permasalahan lain pada proses klasifikasi adalah waktu perhitungan. Permasalahan ini tidak absolut, yang berarti kadang menjadi concern kadang tidak. Tergantung konteks dari permasalahan. Selalu ada kondisi dimana kecepatan dalam mengambil kesimpulan menjadi faktor yang penting untuk diperhatikan. Sementara perhitungan data MTS yang kompleks, jumlah variabel yang banyak serta jumlah data masing-masing variabel yang relatif panjang akan membuat proses perhitungan data MTS menjadi lebih lama daripada proses perhitungan data selain MTS.
1.2 Perumusan Masalah
Dari latar belakang di atas, maka dapat dirumuskan masalah untuk tesis ini adalah belum adanya penelitian yang membandingkan pengaruh metode perhitungan jarak Euclidean Distance, DTW dan Eros terhadap kinerja metode kNN pada proses klasifikasi data MTS. Seberapa besar pengaruh metode perhitungan jarak tersebut pada permasalahan klasifikasi data MTS.
1.3 Tujuan Penelitian
Berdasarkan perumusan masalah di atas maka tujuan penelitian ini adalah mengukur pengaruh metode perhitungan jarak Euclidean Distance, DTW dan Eros terhadap kinerja dari metode klasifikasi kNN pada data MTS. Tujuan ini dapat dica-pai dengan melakukan percobaan beberapa metode perhitungan jarak dikombinasikan dengan metode kNN. Percobaan perlu dilakukan dengan beberapa data berbeda agar lebih bervariasi sehingga memberikan hasil yang lebih baik.
1.4 Manfaat Penelitian
Dengan mengacu pada tujuan penelitian di atas, maka manfaat penelitian yang diharapkan adalah dapat memberikan metode perhitungan jarak yang tepat untuk me-tode klasifikasi kNN pada data MTS. Manfaat ini diharapkan akan memudahkan pe-neliti berikutnya dalam menentukan metode perhitungan jarak mana yang tepat di-kombinasikan dengan metode klasifikasi kNN.
1.5 Batasan Masalah
Batasan masalah dari aplikasi ini adalah sebagai berikut:
1. Pengujian hanya dilakukan pada tiga data MTS, yaitu data ECG, CMU dan Wafer.
2. Penelitian hanya melihat dari sisi akurasi, kepekaan, kekhasan dan kecepatan.
1.6 Metode Penelitian
Metode penelitian yang akan dilakukan, secara garis besar, dapat dilihat pada Gambar1.1. Adapun langkah-langkah penelitian yang akan dilakukan adalah :
1. Akusisi Pengetahuan
Pada tahapan ini, dilakukan proses pengumpulan data. Untuk data berupa pe-ngetahuan tentang data MTS dan klasifikasi data MTS didapat dengan mela-kukan studi pustaka. Data MTS di dapat dari Baydogan dan Runger (2015). Data tersebut diolah untuk mendapatkan pengetahuan tentang spesifikasi data seperti jumlah item, jumlah variabel, jumlah label (kelas), jumlah item per label dan rata-rata panjang variabel.
Gambar 1.1: Metode dari penelitian yang dilakukan 2. Perancangan Model Pelatihan
Setelah diketahui spesifikasi data, maka selanjutnya dirancang model yang akan digunakan dalam proses pelatihan nanti. Model yang dirancang akan disesua-ikan dengan metode Eros untuk mendapatkah hasil pelatihan yang terbaik. 3. Perancangan Model Pengujian/Klasifikasi
Selanjutnya, dirancang model untuk proses klasifikasi. Perancangan model ak-an lebih dispesifikasikak-an untuk metode kNN dengak-an input berupa data yak-ang ingin di klasifikasikan serta hasil dari proprosesing dari setiap data.
4. Implementasi
Setelah model pelatihan dan model klasifikasi selesai dirancang maka sistem dapat mulai dikembangkan berdasarkan model yang telah dibuat. Pengembang-an model dapat dilakukPengembang-an secara paralel Pengembang-antara model pelatihPengembang-an maupun model pengujian walaupun sebenarnya input model pengujian bergantung pada output model pelatihan.
5. Pengujian
Data dari Baydogan dan Runger (2015) akan digunakan dalam proses pengu-jian. Data tersebut telah dibagi menjadi 2, yaitu data latih dan data uji. Data latih akan digunakan pada proses pelatihan atau sebagai pengetahuan awal da-ri sistem sedangkan data latih adalah data yang akan diklasifikasikan dengan menggunakan sistem. Akurasi, kepekaan (sensitivity) dan kekhasan (spesifici-ty) akan digunakan untuk mengetahui ketepatan dari sistem yang dikembangk-an. Waktu proses akan digunakan untuk mengetahui kecepatan dari sistem yang
dikembangkan. Rumus yang digunakan untuk menghitung akurasi adalah: akurasi = J umlah hasil pengujian benar
J umlah Data P engujian × 100 (1.1) Rumus dari kepekaan adalah:
kepekaan = J umlah true positif
J umlah true positif + J umlah f alse negatif × 100 (1.2) Rumus dari kekhasan adalah:
kekhasan = J umlah true negatif
J umlah true negatif + J umlah f alse positif × 100 (1.3) dimana true positif adalah data yang sebenarnya kelas 1 benar dikategorikan sebagai kelas 1. False negatif adalah data yang sebenarnya kelas 1 salah dika-tegorikan sebagai kelas 2. True negatif adalah data yang sebenarnya kelas 2 benar dikategorikan sebagai kelas 2. Sedangkan false positif adalah data yang sebenarnya kelas 2 salah dikategorikan sebagai kelas 1.
Akurasi, kepekaan, kekhasan dan waktu proses yang didapat dari rumus di atas akan dibandingkan dengan hasil yang bersesuaian dengan menggunakan meto-de Euclimeto-dean Distance dan DTW. Perbandingan yang dilakukan adalah meto-dengan membandingkan nilai dari setiap parameter kinerja antara metode Eros dengan metode pembanding untuk mengetahui kemampuan dari Eros.
1.7 Sistematika Penulisan
Sistematika penulisan yang digunakan dalam menyusun tesis ini adalah seba-gai berikut:
1. BAB I Pendahuluan
Bab ini merupakan overview dari tulisan ini. Pendahuluan menjelaskan la-tar belakang masalah, perumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian yang digunakan, sistematika penulisan serta keaslian tesis ini. Tujuan dari bab ini agar pembaca mengetahui arah dari penelitian yang dilakukan.
2. BAB II Tinjauan Pustaka
Berisi daftar dari pustaka-pustaka yang digunakan sebagai referensi penulisan tesis ini, disertai perbadingan dalam bentuk tabel. Beberapa poin penting pada pustaka-pustaka tersebut dibahas terutama yang berhubungan dengan penelitian ini.
3. BAB III Landasan Teori
Bab ini membahas teori-teori yang menjadi landasan topik pada tesis ini. Lan-dasan teori yang dibahas mencakup Algoritma kNN, metode Eros, euclidean distancedan Dynamic Time Warping. Rumus dan persamaan yang digunakan pada tiap metode, serta ilustrasi dasar tentang metode yang digunakan.
4. BAB IV Analisis dan Perancangan Sistem
Bab ini berisi rancangan dan spesifikasi sistem yang akan dibangun. Rancangan mencakup class diagram dan activity diagram. Selain itu, juga dibahas perhi-tungan manual dari masing-masing metode dalam contoh yang sederhana. 5. BAB V Implementasi
Bab ini membahas tentang implementasi dari sistem. Bagaimana Algoritma kNN dikombinasikan dengan setiap similarity measure dibuat dalam format ba-hasa pemrograman. Setiap baris dari potongan program yang berperan penting dalam sistem dibahas secara mendetail pada bab ini.
6. BAB VI Pembahasan
Pada bagian ini dibahas hasil dari implementasi. Hasil dari setiap metode untuk setiap data dibahas dengan detail pada bab ini. Pembahasan mencakup nilai akurasi, kepekaan, kekhasan dan juga waktu proses dari setiap metode.
7. BAB VII Penutup
Dalam bab ini ditampilkan kesimpulan yang diperoleh dari penelitian yang te-lah dilakukan. Kesimpulan yang diambil untuk menjawab permasate-lahan yang ada pada Bab I. Selain kesimpulan, juga ada saran-saran untuk penelitian atau pengembangan selanjutnya. Hal-hal yang mungkin bisa dilakukan untuk men-dapatkan hasil yang lebih baik lagi.
1.8 Keaslian Tesis
Berdasarkan studi pustaka yang dilakukan penulis, penulis menemukan pene-litian klasifikasi data MTS sudah pernah dilakukan. Namun belum ada yang memban-dingkan metode perhitungan jarak Euclidean Disatnce, Dynamic Time Warping dan Erospada metode kNN untuk melakukan klasifikasi. Peneliti yang memperkenalkan Eroshanya menggunakan metode tersebut untuk proses pencarian.
