BAB. V.
IMPLEMENTASI DAN PENGUJIAN
V.1 Implementasi SIDAMIBAYES
Hasil perancangan yang telah dilakukan pada pada tahap perancangan selanjutnya akan diimplementasi menjadi program/perangkat lunak yang siap pakai. Implementasi ini meliputi implementasi lingkungan perangkat keras, perangkat lunak, implementasi kelas-kelas dan desain antar muka. Implementasi dilakukan dengan mentransformasikan fungsionalitas-fungsionalitas program kedalam kode-kode program. Pada tahap implementasi, yang perlu diperhatikan adalah kesesuaian program yang dihasilkan dengan perancangan yang telah dilakukan. Implementasi juga perlu memperhatikan lingkungan pengembangan perangkat lunak seperti bahasa pemograman yang digunakan untuk menghasilkan program yang sesuai dengan perancangan yang telah dibuat.
V.1.1 Implementasi Lingkungan SIDAMIBAYES
SIDAMIBAYES merupakan perangkat lunak berbasis aplikasi. Lingkungan
implementasi terdiri dari dua lingkungan yaitu implementasi lingkungan perangkat keras dan lingkungan perangkat lunak. Adapun rincian implementasi masing-masing lingkungan dapat dilihat pada Tabel. 5.1
Tabel 5.1 Lingkungan Implementasi SIDAMIBAYES
Lingkungan Perangkat Keras
- Prosesor : AMD Sempron 3100
- RAM : 512 MB
- Hardisk : 40 GB
- Layar : Resolusi 1024x768
- Input : Mouse dan Keyboard
Lingkungan Perangkat Lunak
- Sistem Operasi : Windows XP / 2000 - Bahasa Pemrograman : Microsoft Visual Basic 6.0
V.1.2 Implementasi Kelas
Implementasi kelas dilakukan berdasarkan kelas-kelas yang telah dirancang pada tahap sebelumnya. Implementasi kelas ditulis dalam bentuk kode-kode program dalam bahasa pemrograman Microsoft Visual Basic 6 dan disimpan dalam bentuk file. Daftar implementasi kelas dapat dilihat pada Tabel 5.2.
Tabel 5.2 Daftar Implementasi Kelas
No Nama Kelas Nama File
1 - frmKonfigurasi - PairNode frmKonfigurasi.frm 2 frmPrediksiKelas frmPrediksiKelas.frm 3 frmBNVisBNChart frmBNVisBNChart.frm 4 frmBNVisCircle frmBNVisCircle.frm 5 FormUtama frmUtama.frm 6 Temp_PairNode Temp_PairNode.cls 7 NodeBN NodeBN.cls 8 CPT CPT.cls 9 NodeStateProb NodeStateProb.cls 10 DataTabel *.mdb 11 CircleShape CircleShape.ctl 12 RectShape RectShape.ctl 13 LabelComboNode LabelComboNode.ctl
Khusus untuk implementasi kelas yang dibuat dalam bentuk file ber-ekstension ctl (file *.ctl yaitu CircleShape.ctl, RectShape.ctl dan LabelComboNode.ctl) merupakan kumpulan kelas-kelas bawaan yang telah ada pada Visual Basic 6.0 yang dijadikan kedalam satu file untuk kemudahan implementsasi antar muka. Kelas ini muncul ketika diperlukan untuk merealisasikan antar muka form-form visualisasi dan form prediksi pada tahap construction.
V.1.3 Implementasi Antar Muka SIDAMIBAYES
Antar muka SIDAMIBAYES diimplementasi dengan menggunakan bahasa pemrograman Visual Basic 6.0 ke dalam bentuk form-form aplikasi berbasis GUI
(Graphical User Interface). Pada implementasi antar muka terdapat beberapa kelas-kelas atau komponen yang merupakan bawaan dari Visual Basic 6.0, dan terdapat kelas bawaan tersebut yang dibuat menjadi satu kelas untuk memudahkan implementasi antarmuka SIDAMIBAYES. Hasil implementasi antar muka SIDAMIBAYES adalah sebagai berikut :
1. Antar muka Form Utama.
Form ini merupakan tampilan antar muka yang pertama kali muncul ketika menjalankan SIDAMIBAYES. Form ini merupakan form induk tempat antar muka lainnya untuk tampil. Form ini juga berisi menu yang dapat dipilih oleh pengguna untuk menampilkan antar muka lainnya yang diinginkan. Hasil implementasi antar muka Form Utama dapat dilihat seperti Gambar 5.1
Gambar 5.1. Hasil Implementasi Antar Muka Form Utama
2. Antar Muka Form Konfigurasi
Antar muka ini merupakan form yang berfungsi untuk memilih data yang akan menjadi target data mining dan memilih atribut-atribut data bank yang menjadi node dan kelas target. Form ini berfungsi sebagai pembangkit struktur Bayesian Network berdasarkan data yang dipilih, dimana form ini akan menghasilkan node-node pada struktur Bayesian Networks. Seperti yang telah disebutkan pada
awal-awal tulisan, batasan data utama untuk data mining dengan klasifikasi pada penelitian ini adalah data bank, walaupun demikian pada akhirnya, pada antar muka ini pengguna program, juga dapat memilih data lain selain data bank. Data lain tersebut merupakan data-data yang sudah umum dipakai untuk melakukan penelitian dibidang data mining khususnya dengan metode klasifikasi yang didata penulis dari dunia maya (internet). Data lain tersebut dapat dipakai jika pengguna ingin melihat visualisasi struktur Bayesian Network untuk data selain data bank. Alasan lain mengapa penulis menyertakan data selain data bank, adalah pada proses pengembangan perangkat lunak berlangsung, data-data selain data bank tersebut dipakai untuk menjadi data uji. Hasil implementasi antar muka form konfigurasi dapat dilihat pada Gambar 5.2.
3. Antar Muka Form Visualisasi Bayesian Networks Bar chart
Antar muka ini merupakan form yang berfungsi untuk menampilkan struktur Bayesian Netoworks yang dihasilkan dari form konfigurasi. Node-node yang ditampikan adalah berisi bar chart, dimana setiap bar-bar yang terdapat pada node merepresentasi probabilitas distribusi setiap nilai yang terdapat pada node. Pada form ini pengguna dapat mengatur letak-letak node pada form sesuai dengan keinginan pengguna, jika dianggap letak posisi node-node tidak rapi. Hasil implementasi antar muka ini dapat dilihat pada Gambar 5.3.
Gambar 5.3. Implementasi Antar Muka Form Visualisasi BN Bar chart
Aplikasi dapat menampilkan distribusi probabilitas setiap nilai node dalam bentuk bar chart ketika struktur Bayesian Networks ditampilkan. tampilam ini diharapkan dapat memberikan pengetahuan awal kepada pengguna mengenai probabilitas suatu nilai node, yaitu probabilitas suatu nilai node jika tidak dipengaruhi oleh nilai node lain. Penggunaan bar chart dilakukan agar pengguna dapat langsung melihat perbedaan probabilitas untuk setiap nilai node tanpa harus melihat nilai/angka melainkan hanya dengan membandingkan panjang bar(batang).
4. Antar Muka Form Visualisasi Bayesian Networks Circle
Antar muka ini adalah form yang berfungsi untuk menampilkan struktur Bayesian Networks yang dihasilkan oleh form konfigurasi. Antar muka ini hanya menampilkan node-node dalam bentuk lingkaran. Pada bagian antar muka, terdapat status bar yang menampilkan parent dan child node pada saat mouse berada pada salah satu node (lingkaran) . Hasil implementasi antar muka ini dapat dilihat pada Gambar 5.4.
Gambar 5.4. Implementasi Antar Muka Form Visualisasi BN Circle
5. Antar Muka Form Prediksi Kelas
Antar muka ini adalah form yang berfungsi untuk melakukan prediksi klasifikasi kelas target yang telah di input pada form konfigurasi. Prediksi kelas dilakukan berdasarkan struktur Bayesian Networks yang dihasilkan. Hasil prediksi akan ditampilkan pada bagian bawah form. Pada form ini pengguna dapat memilih atribut-atribut yang digunakan untuk melakukan klasifikasi kelas target dengan memasukkan salah satu nilai yang terdapat pad node/atribut. Hasil Implementasi antar muka ini dapat dilihat pada Gambar 5.5.
Gambar 5.5. Implementasi Antar Muka Form Prediksi 6. Antar Muka Form CPT (Conditional Probability Tabel).
Antar muka ini berfungsi untuk menampilkan probabilitas bersyarat suatu node berdasarkan parent-nya. Form ini tidak otomatis ditampilkan di sekitar node melainkan disembunyikan. Untuk menampilkan form ini, pengguna terlebih dahulu memilih node yang akan di tampilkan CPT-nya. Contoh hasil implementasi ini antar muka ini dapat dilihat pada Gambar 5.6.
Gambar 5.6. Implementasi Antar Muka CPT
Dengan menampilkan CPT, diharapkan pengguna dapat mengetahui seberapa besar pengaruh suatu nilai node terhadap nilai node lainnya. CPT ditampilka dalam bentuk tabel, agar pengguna dapat dengan mudah melihat pengelompokan nilai probabilitas berdasarkan nilai-nilai node parent-nya. Gambar 5.6 menunjukkan CPT node Balance_Q1 berdasarkan Trans_Q3 untuk semua kombinasi nilai kedua atribut. Kolom paling kiri menunjukkan nilai-nilai atribut
yang terdapat pada node Balance_Q1, sedangkan kolom berikutnya menunjukkan nilai probabilitas bersyarat berdasarkan nilai atribut parent-nya.
V.2 Pengujian SIDAMIBAYES
Ketika tahap implementasi telah dilakukan, selanjutnya adalah melakukan pengujian terhadap perangkat lunak yang dihasilkan. Tujuan dilakukan pengujian adalah untuk menemukan kesalahan yang terdapat pada perangkat lunak. Kesalahan dapat berupa error coding ataupun output yang dihasilkan. Pengujian juga dilakukan untuk melihat apakah program sudah sesuai dengan batasan-batasan perangkat lunak yang telah diuraikan pada Bab 3 (tiga) beserta perubahan batasan yang dilakukan selama proses pengembangan perangkat lunak. Jika ditemukan kesalahan akan akan segera dilakukan perbaikan dan hasil perbaikan akan diuji kembali.
Adapun metode pengujian yang digunakan penulis adalah metode dengan pengujian black box testing dan white box testing. Black box testing adalah pengujian yang memfokuskan pada kebenaran input dan output yang dihasilkan sedangkan white box testing adalah pengujian yang dilakukan pada internal sistem yang difokuskan pada penemuan kesalahan struktur kode dan logika pemrograman selama perangkat lunak dikembangkan/dibangun.
Pengujian dilakukan pada setiap use case yang ada pada perangkat lunak untuk mengetahui kesesuaian fungsi yang dimiliki.
V.2.1 Prosedur Pengujian
Prosedur pengujian yang dilakukan pada SIDAMIBAYES adalah sebagai berikut : 1. Menentukan data yang digunakan untuk melakukan pengujian pada sistem
SIDAMIBAYES, dimana yang di uji adalah kebenaran sistem dalam melakukan perhitungan-perhitungan berdasarkan teori yang diterapkan algoritma TPDA. 2. Menentukan metode pengujian dan kriteria evaluasi hasil untuk masing-masing
use case dalam sistem. Daftar use case, metode uji dan kriteria evaluasi hasil sistem SIDAMIBAYES dinyatakan dalam Tabel 5.3.
3. Melakukan pengujian untuk masing-masing use case dalam Tabel 5.3 menggunakan data tes yang telah ditentukan, dan membandingkan hasilnya dengan kriteria evaluasi hasil uji.
Tabel 5.3. Rencana Pengujian Berdasarkan Fungsi (Use Case)
No Use Case Pengujian Metode Pengujian
U1. Konfigurasi Skenario Normal Black Box U2. Bangun Struktur BN Skenario Normal Black Box U3. Visualisasi Struktur BN Skenario Normal Black Box U4. Prediksi Kelas Skenario Normal Black Box
V.2.2 Hasil Pengujian
Untuk masing-masing pengujian berdasarkan fungsi (Use Case) dapat dilihat pada tabel-tabel berikut dibawah.
Tabel 5.4. Hasil Pengujian Use Case Konfigurasi
Id Deskripsi Prosedur Pengujian Hasil Status U1 Memilih
Data, field dan kelas target serta setting data
• Pilih menu Menu>Konfigurasi • Dilihat apakah program
menampilkan layar Form Konfigurasi.
• Pilih data set dengan menekan
tombol” Browse” (pilih file dengan format *.mdb) dengan mouse.
• Pilih table sebagai training set. • Pilih field-field yang menjadi node. • Pilih field yang menjadi kelas
target
• Tentukan nilai threshold
• Layar Form Konfigurasi
muncul
• Kolom daftar table terisi. • Kelas target terisi. • Field-field yang menjadi
node telah terpilih.
• Nilai threshold terisi.
Ok, aplikasi telah sesuai dengan fungsi Use Case Konfigurasi
Tabel 5.5. Hasil Pengujian Use Case Bangun Struktur BN
Id Deskripsi Prosedur Pengujian Hasil Status U2 • Setelah UI dilakukan,tekan tombol
“Set Konfigurasi”
• Program mulai
membangun struktur, indikasinya progress bar menunjukkan tahapan/fase pembangunan struktur
• Hasil akhir Form
Konfigurasi otomatis hilang. • Struktur BN terdefenisi Ok, aplikasi telah sesuai dengan fungsi Use Case Bangun
disimpan dalam variabel ListNodeBN
Struktur BN
Tabel 5.6. Hasil Pengujian Use Case Visualisasi Struktur BN
Id Deskripsi Prosedur Pengujian Hasil Status U3-01 Menampilkan struktur Bayesian Networks dalam bentuk Node Bar chart
• Lakukan prosedur U1 dan U2 • Pilih menu
Menu>Visualisasi>Visualisasi Struktur BN dalam Bar Chart Node
• Dilihat apakah “Form Visualisasi
Bar Chart” muncul.
• Layar “Form
Visualisasi Bar Chart muncul, dengan menampilkan struktur Bayesian Networks sesuai field-field dasaset yang telah dipilih dengan tampilan bar chart yang menunjukkan distribusi probabilitas untuk setiap nilai node-node. Ok, aplikasi dapat menampilkan struktur BN dengan dapat menampilkan probabilitas distribusi setiap nilai node dalam bentuk bar chart. U3-02 Menampilkan table conditional probability pada visualisasi bar chart
• Klik ganda pada salah satu node
yang ditampilkan.
• Dilihat apakah tampil layar
“CPT”
• Muncul layar CPT
untuk node yang dipilih. Ok, aplikasi dapat menampilkan CPT node yang dipilih 03-03 Menampilkan struktur Bayesian Networks dalam bentuk Node Circle
• Lakukan prosedur U1 dan U2 • Pilih menu
Menu>Visualisasi>Visualisasi Struktur BN dalam Circle Node
• Dilihat apakah “Form Visualisasi
Circle” muncul • Layar “Form Visualisasi Circle muncul, dengan menampilkan struktur Bayesian Networks sesuai field-field dasaset yang telah dipilih dalam bentuk circle Ok, aplikasi dapat menampilkan struktur BN. U3-04 Menampilkan table conditional probability pada visualisasi circle
• Klik ganda pada salah satu node
yang ditampilkan.
• Dilihat apakah tampil layar
“CPT”
• Muncul layar CPT
untuk node yang dipilih. Ok, aplikasi dapat menampilkan CPT node yang dipilih.
Tabel 5.7. Hasil Pengujian Use Case Prediksi Kelas
Id Deskripsi Prosedur Pengujian Hasil Status U4 Memprediksi kelas target sesuai dengan nilai node-node yang dimasukkan
• Pilih menu Menu>Prediksi Kelas • Dilihat apakah program
menampilkan layar Form Konfigurasi.
• Dilihat apakah layar berisi
node-node yang telah dipilih pada prosedur UI.
• Pilih nilai-nilai untuk
masing-masing node.
• Tekan tombol “Prediksi Kelas”
untuk menebak nilai kelas target.
• Muncuk layar Form
Prediksi Kelas.
• Layar Form Prediksi
Kelas berisi node-node yang telah dipilih sebelumnya
• Setiap node berisi
nilai-nilai state.
• Output berupa hasil
prediksi ditampilka pada kolom “Hasil Prediksi”
Ok, aplikasi dapat menampilkan form Prediksi kelas dan dapat melakukan prediksi kelas target yang dipilih.
V.3 Evaluasi Kinerja Model Klasifikasi
Evaluasi kinerja model dilihat berdasarkan keakuratan model dalam memprediksi label kelas target menggunakan struktur Bayesian Networks yang dihasilkan. Waktu tanggap aplikasi dianggap tidak perlu dievaluasi, mengingat proses pembangunan struktur tergantung pada lingkungan perangkat keras ketika aplikasi digunakan. Adapun evaluasi kinerja model klasifikasi yang dihasilkan memakai skenario sebagai berikut :
1. Mengukur akurasi model yang dihasilkan dengan memakai berbagai ukuran testing data. Ukuran yang dipakai adalah 10%, 15%, 25%, 50% dari ukuran training data.
2. Data yang dipakai sebagai training data dan testing data adalah Data Bank (yang menjadi studi kasus).
3. Aplikasi akan memakai data Chest Clinic9 dan data Nursery9 membangun struktur Bayesian yang nantinya akan memjadi pembanding kinerja model klasifikasi untuk data yang berbeda. Masing-masing data akan dipilih atribut yang menjadi kelas target yaitu
Data Bank : kelas target adalah atribut ”productive”. Chest Clinic : kelas target adalah atribut ”cancer”. Nursery : kelas target adalah atribut ”class”.
9
Hasil yang diperoleh dapat dilihat pada Tabel 5.8.
Tabel 5.8 Hasil Evaluasi Kinerja Model Klasifikasi
No Data Akurasi Prediksi / Ukuran
10% 15% 25% 50%
1 Bank 100 % 100% 100% 100%
2 Chest Clinic 96% 94,667% 95,6% 95,2%
3 Nursery 93,287% 93,981% 93,056% 93,356%
V.4 Analisa Visualisasi Hubungan Kausalitas Struktur yang Dihasilkan
Pada tesis ini, tidak dilakukan analisa teori dan hasil visualisasi struktur Bayesian Networks, melainkan analisa dilakukan hanya untuk melihat kebenaran struktur DAG dalam menunjukkan hubungan kausalitas antar node.
V.4.1 Berdasarkan Hasil Evaluasi Kinerja Model Klasifikasi
Kebenaran struktur DAG tersebut ditinjau berdasarkan tingkat akurasi model klasifikasi yang dihasilkan dalam memprediksikan label kelas target, dengan asumsi bahwa struktur yang dihasilkan akan berpengaruh pada kinerja model ketika digunakan untuk memprediksi label kelas target. Jika tingkat akurasi prediksi label kelas tinggi, berarti kebenaran hubungan kausalitas yang ditampilkan juga tinggi. Berdasarkan hasil evaluasi kinerja model klasifikasi pada Tabel 5.8, disimpulkan bahwa struktur telah menampilkan hubungan kausalitas antar node dengan benar.
V.4.2 Berdasarkan Aplikasi BN PowerConstructor
Analisa dilakukan dengan membandingkan struktur yang dihasilkan oleh Aplikasi BN PowerConstructor dengan struktur yang dihasilkan oleh aplikasi yang dibuat pada tesis ini. Alasan memakai BN PowerConstructor sebagai aplikasi pembanding adalah karena aplikasi BN PowerConstructor adalah aplikasi yang menerapkan TPDA dan dikembangkan oleh author TPDA. Untuk membandingkan struktur Bayesian Networks yang dihasilkan masing-masing aplikasi, maka data yang digunakan adalah data Chest Clinic. Perbandingan struktur dapat dilihat pada Gambar 5.7 dan Gambar 5.8.
Berdasarkan Gambar 5.7 dan Gambar 5.8 terdapat perbedaan struktur yang ditampilkan oleh masing-masing aplikasi. Pada aplikasi BN PowerConstructor ( Gambar 5.7) terdapat garis penghubung yang tidak dapat ditentukan mana parent dan child, yaitu antara node Cancer dengan Smoking dan Bronchitis dengan Smoking. Sedangkan pada aplikasi yang dikembangkan pada tesis ini, Cancer menjadi parent Bronchitis dan Smoking. Selain itu pada aplikasi tesis ini, terdapat garis penghubung yang salah jika dibandingkan dengan garis yang dibuat oleh BN PowerConstructor, yaitu garis antara XRay dengan Dyspnea dimana garis yang benar adalah garis dari TbOrCa ke Dyspnea dan TbOrca ke XRay. Dari hasil diatas dapat disimpulkan,bahwa aplikasi SIDAMIBAYES masih memerlukan perbaikan pada versi berikutnya.
