PROSIDING SEMINAR NASIONAL ILMU KOMPUTER The Opportunities and Challenges in Computational Intelligence, Big Data, and Cybernetics

PROSIDING SEMINAR NASIONAL ILMU KOMPUTER 2014

The Opportunities and Challenges in Computational Intelligence, Big Data, and Cybernetics

YOGYAKARTA, 18 OKTOBER 2014

Editor Pelaksana : Jaka Permadi

Muhammad Radzi Rathomi Kharis Syaban

Ida Maratul Khamidah

Indonesian Computer Electronics and Instrumentation Support Society (IndoCEISS)

Sekip Utara Bulaksumur, Gedung Sekretariat ELINS Lt.1 FMIPA UGM, Yogyakarta,Indonesia

PROSIDING SEMINAR NASIONAL ILMU KOMPUTER 2014

The Opportunities and Challenges in Computational Intelligence, Big Data, and Cybernetics

ISBN : 978-602-19406-2-4

Copyright

Abstracting is permitted with credit to the source. Copyright © 2014 by the Indonesian Computer Electronics and Instrumentation Support Society (IndoCEISS). All rights reserved.

Printed in Yogyakarta, Indonesia.

Published by :

Indonesian Computer Electronics and Instrumentation Support Society (IndoCEISS) at Sekip Utara Bulaksumur, Gedung Sekretariat ELINS Lt.1 FMIPA UGM, Yogyakarta, 55281, telp/fax : +62 (274) 3044383 / +62 (274) 555133, email: indoceiss@gmail.com

In Collaboration With :

Computer Sciences Post Graduate Program, Department of Computer Sciences and Electronics Instrumentations Faculty of Mathematics and Natural Sciences, Universitas Gadjah Mada S2/S3 Building 4th floor, Sekip Utara, Bulaksumur, Yogyakarta, Indonesia

i

KOMITE

Penanggung jawab

Drs. Edi Winarko, M.Sc., Ph.D Ketua Pelaksana

Pingky Alfa Ray Leo Lede Komite Program

Drs. Edi Winarko, M.Sc., Ph.D Prof. Dra. Sri Hartati, M.Sc., Ph.D Editor Pelaksana

Jaka Permadi

Muhammad Radzi Rathomi Kharis Syaban

Ida Maratul Khamidah

ii

KATA PENGANTAR

Puji syukur kami haturkan kepada Tuhan Yang Maha Esa karena atas rahmat dan anugerah-Nya kegiatan Seminar Nasional Ilmu Komputer (SEMINASIK) tahun 2014 dengan tema

“The Opportunities and Challenges in Computational Intelligence, Big Data, and Cybernetics”

dapat terselenggara pada tanggal 18 Oktober 2014 di gedung Aula FMIPA Universitas Gadjah Mada. Kegiatan ini diselenggarakan oleh Himpunan Mahasiswa Pasca Sarjana Ilmu Komputer (HIMPASIKOM), Program Studi Monodisiplin S2/S3 Ilmu Komputer Universitas Gadjah Mada dan bekerja sama dengan Indonesia Computer, Electronic, and Instrumentation Support Society (IndoCEIS) sehingga setiap proses mulai dari tahap penyuntingan hingga pencetakan prosiding seminar nasional ini bisa diselesaikan dengan baik.

Perkembangan dunia teknologi yang semakin pesat serta berdampak besar dalam penerapannya menjadi tujuan utama seminar nasional ini diselenggarakan, oleh karena itu seminar nasional ini, ajang dimana para akademisi, peneliti maupun praktisi bertemu dan berdiskusi, diharapkan mampu berkontribusi positif bagi perkembangan teknologi khususnya di bidang Computational Intelligence, Big Data dan Cybernetics.

Setiap makalah yang dimuat di dalam prosiding ini merupakan makalah yang telah melalui proses review dan dinyatakan diterima. Tahap penyuntingan telah diupayakan sebaik mungkin, namun terdapat sejumlah makalah yang tidak dapat kami masukkan ke dalam prosiding ini, karena sampai dengan batas yang kami tetapkan tidak dapat memberikan makalah yang seharusnya direvisi. Kami menyadari sepenuhnya bahwa masih terdapat kesalahan dan kekurangan dalam penyusunan prosiding ini.

Kritik serta saran sangat kami harapakan guna perbaikan pada penerbitan prosiding- prosiding yang akan datang. Akhirnya kami berharap agar prosiding seminar ini dapat bermanfaat bagi masyakarat umum, kalangan peneliti, akademisi, maupun praktisi.

Yogyakarta, Oktober 2014

Ketua Panitia,

Pingky Alfa Ray Leo Lede

iii DAFTAR ISI

KOMITE i

KATA PENGANTAR ii

DAFTAR ISI iii

Computational Intelligence

Analisis Unjuk Kerja Metode Klasifikasi pada Aplikasi Pengenalan Wajah

Yustina Retno Wahyu Utami dan Teguh Susyanto 1

Ekstraksi Ciri PCA DAN LDA untuk Pengenalan Isyarat Abjad SIBI

Ari Kusumaningsih 6

Implementasi Pemrosesan Paralel pada Pelatihan JST dengan AG Berbasis Multithread

M. Radzi Rathomi 11

Kajian Pengolahan Citra untuk Analisis Kanker Paru–Paru

Maria Mediatrix, Teguh Bharata Adji dan Hanung Adi Nugroho 15

Kajian Prediksi Struktur Sekunder Protein Dengan Mesin Pembalajaran dan Skema Pengkodean

Miftahurrahma Rosyda, Teguh Bharata Adji dan Noor Ahmad Setiawan 24 Kombinasi dan Evaluasi Operator Mutasi Algoritma Genetika pada Traveling Salesmen Problem (TSP)

Sean C. Sumarta, Noor Akhmad Setiawan dan Teguh Bharata Aji 30 Metode Cluster-Indexing Menggunakan Self-Organizing Map untuk Case Base Sistem

Rekomendasi Musik Berbasis Kasus

Gst. Ayu Vida Mastrika Giri 36

Model K-Nearest Neighbor Menggunakan Kombinasi Basis Aturan dan Basis Pengetahuan

Nidia Rosmawanti dan Bahar 42

Penentuan Arsitektur Jaringan Syaraf Tiruan Backpropagation (Bobot Awal Dan Bias Awal) Menggunakan Algoritma Genetika

Christian Dwi Suhendra dan Retantyo Wardoyo 46

Penerapan Ant Colony Optimization sebagai Problem Solver dalam Sliding Puzzle Games

Erick Alfons Lisangan dan Phie Chyan 53

Penerapan Fuzzy C-Means untuk Mengelompokkan Kemampuan Dasar Berhitung dan Hasil Belajar

Nola Ritha, Nurul Hayaty dan Muh.Nurtanzis Sutoyo 58

Penerapan Metode Any Colony Optimization (ACO) untuk Mendistribusikan Aliran Siaran TV Kabel

Muh.Nurtanzis Sutoyo dan Aina Musdholifah 62

Penerapan Metode Clustering K-Means untuk Menentukan Kategori Stok Barang

Elly Muningsih 67

Pengaruh Harga Minyak Dunia terhadap Prediksi Harga Saham Menggunakan Jaringan Saraf Tiruan

Eka Mala Sari Rochman 72

Pengurangan Dimensi Fitur Melalui Transformasi Matrik Co-Occurrence untuk Pengenalan Jender

Cucun Very Angkoso 78

Prediksi Harga Saham dengan Hybrid Growing Hirarchial Self Organizing Map (GH-SOM) dan BPNN

Putu Sugiartawan dan Sri Hartati 82

Rancang Bangun Sistem Fuzzy Takagi Sugeno untuk Rekomendasi Anggaran APBD

Komang KurniawanWidiartha dan Azhari SN 88

Segmentasi Citra untuk Menentukan Ukuran Pakaian dengan Menggunakan Metode Naïve Bayes

Eza Rahmanita , Meidya Koeshardianto dan Septian Yudha Adi Perwira 95 Segmentasi Sel Blast pada Otomatisasi Sistem Deteksi Leukimia Limpositik Akut (ALL)

Firdaus Islami Sholeh, Hizbullah Abdul Aziz jabbar, Diaz Arghi Setiawan, Ika Candra Dewi,

Sri Hartati dan Agus Harjoko 106

iv Big Data

Data Mining untuk Analisis Pola Penggunaan Internet Menggunakan Metode Clustering

Yudi Wahyu W. dan an P. Insap Santoso 112

Konsep IRODCO dalam Pengelolaan Big Data Jalan dan Jembatan Indonesia

Dimas Sigit Dewandaru dan Arief Bachtiar 117

Pendekatan Algoritme Artificial Bee Colony untuk klasifikasi Halaman Situs Web

Saucha Diwandari, Adhistya Erna Permansari dan Indriana Hidayah 123 Segmentasi Pelanggan PDAM dengan Metode Adaptive Resonance Theory 2

A.A. Gede Bagus Ariana dan I Wayan Dita Andriawan 130

Cybernetics

Otomasi Perajang Tembakau Skala Industri Kecil dan Rumah Tangga Berbasis Mikrokontroler

Muchamad Malik 136

Pengembangan Deteksi Gestur Tangan Berbasis Citra Depth Menggunakan Pencocokan Fitur

Muhammad Fuad 144

Penalan Komputer

Aplikasi Kelayakan Pemberian Kredit Usaha Menengah Menggunakan Algoritma ID3

Yeni kustiyahningsih 150

Aplikasi Sistem Pakar untuk Simulasi Diagnosa Penyakit pada Tanaman Padi di Kabupaten Merauke

Lilik Sumaryanti dan Heru Ismanto 154

Sistem Diagnosis Penyakit Gigi dan Mulut Menggunakan Kombinasi CBR-RBR

Made Hanindia Prami Swari dan Edi Winarko 163

Sistem Pakar Diagnosis Penyakit Jamur dengan VCIRS dan Dempster Shafer

Trismayanti Dwi Puspitasari dan Retantyo Wardoyo 169

Sistem Pakar untuk Diagnosa Penyakit Gigi dengan Metode Case-Based Reasoning

Siti Masithoh dan Eko Nugroho 176

Sistem Pakar Untuk Menganalisa Penyebab Kerusakan pada Printer

Taufiq dan Yulia Yudihartanti 182

Sistem Pendukung Keputusan Calon Penerima Kredit UMKM dengan Metode AHP dan TOPSIS

Brigda Arie Minartiningtyas dan I Kadek Nopiantara 191

Sistem Pendukung Keputusan Pemilihan Pejabat Struktural (Studi kasus Pemda DIY)

Novita Riswari, Eko Nugroho dam Adhistya Erna 197

Sistem Pendukung Keputusan Penilaian Pegawai pada Sekretariat Kota Denpasar Menggunakan Metode Electre

Aniek Suryanti Kusuma 204

Sistem Pendukung Keputusan Seleksi Pegawai Untuk Promosi Jabatan Struktural Menggunakan Metode Analytic Network Process (ANP)

Vivie Deyby Kumenap dan Sri hartati 210

SPK Penentuan Debitur yang Memiliki Tunggakan Kredit Menggunakan Metode AHP-TOPSIS (Studi Kasus: BPR Irian Sentosa Cabang Timika)

Imelda OctvlienPakasi dan Retantyo Wardoyo 218

v Sistem Informasi dan Aplikasinya

Aplikasi Dakwah Digital Berbasis Multimedia di Dompet Peduli Ummat Daarut Tauhiid Tasikmalaya

Nurul Hiron, Nur Nur Widiyasono dan Firmansyah Maulana 225

Aplikasi E-Emergency Berbasis Android

Aeri Rachmad, Fitri Damayanti dan Iddrus 231

Implementasi Algoritma Djikstra pada SMS Gateway Lokasi Wisata Kabupaten SBD

Paskalis Andrianus Nani dan Adri Gabriel Sooai 237

Implementasi Sistem Informasi Persediaan Menggunakan Metode Weighted Average

Sandhy Tyas Saputra and Agustinus Fritz Wijaya 242

Model Analisis Sistem Informasi Pariwisata Menggunakan Metode Modified EUCS (Ongoing Research)

Yunita Kusrianawati, Paulus Insap Santosa dan Wing Wahyu Winarno 248 Model Arsitektur Layanan Terintegrasi untuk Mendukung Interoperasiabilitas Layanan

Perguruan Tinggi

Aradea, R. Reza El Akbar, Husni Mubarok 254

Partial Least Square pada Pengukuran Usabilitas Aplikasi Simkopsyah

Lutfiyah Dwi Setia 260

Penerapan Knowledge Sharing pada Sistem Informasi Logbooks Hotel All Seasons Legian

I Putu Gede Budayasa dan I Nyoman Nestrayana 265

Penerapan Pemrograman Dinamis Mundur untuk Rute Penerbangan Virtual Berbasis Web SIG

Fahrul Agus, Dedy Fuadi dan Yulianto 272

Rancang Bangun Aplikasi Pencarian Sarana Umum Menggunakan Geo-Tagging pada Platform Google Android di Pulau Madura

Ery Setiyawan Jullev A, Firdaus Sholihin, Kautsar Sophan 280

Rancang Bangun Plugin Wordpress untuk Sistem Informasi Akademik

Haris Kolengsusu 286

Sistem Audit Mutu Akademik Internal Berbasis Web pada Universitas Sriwijaya

Apriansyah Putra 295

Sistem Informasi Akademik Terintegrasi Berbasis Web di Sma Muhammadiyah Bangkalan

Haryanto, Firli Irhamni, Bain Khusnul K, Yenny Kustiyahningsih 306 Sistem Informasi Service dan Penjualan Spare Parts Sepeda Motor Berbasis Web

Muhammad Ali Syakur 314

Sistem Pakar Diagnosa Penyakit Burung Merpati dengan Metode Certainty Factor

Ardhi Wijayanto dan Pradityo Utomo 320

Artificial Intelligence

Ekstraksi Fitur Tekstur dan Warna Citra Daun Jagung untuk Klasifikasi Penyakit

Frangky Tupamahu, Christyowidiasmoro dan Mauridhi Hery Purnomo 328 Segmentasi Sel Parasit Malaria Dalam Sel Darah Manusia pada Ruang Warna HSV dengan K-

Means Clustering

Son Ali Akbar, Hanung Adi Nugroho, Oyas Wahyunggoro dan E. Elsa Herdiana M 333 Sistem Multiagen untuk Pengklasteran Pendaki Menggunakan K-Means

Maya Cendna dan Ashari SN 339

Semantic Web

Aplikasi Rantai Pasokan Terintegrasi dengan Semantic Web Service berbasis WSMO dan Peramalan Double Exponential Smoothing

Eko Junirianto dan Azhari SN. 346

Analisis Sentimen Berbasis Lexicon Dan Emoticon

Nurirwan Saputra, Teguh Bharata Adji dan Adhistya Erna Permanasari 355

vi

Supply Chain Management

Sistem Pendukung Keputusan Pemilihan Pemasok Terbaik pada Supply Chain Management

Andharini Dwi Cahyani 361

Natural Language Processing

Analisis Sentimen Twitter untuk Monitor dan Prediksi Hasil Pemilihan Umum Tahun 2014

Annisa Maulida Ningtyas, Teguh Bharata Adji, Silmi Fauziati 366

Other

Analisis E-Partisipasi Masyarakat Menggunakan Theory of Planned Behavior

Joko Santoso, Lukito Edi Nugroho, Adhistya Erna Permanasari 373 Aplikasi Kriptografi Teks pada Sistem Infomasi Akademik STMIK STIKOM INDONESIA

I Kadek Dwi Gandika Supartha, I Made Agus Suryadi 379

Audit Sistem Informasi Produksi Perusahaan Manufaktur Menggunakan COBIT 4.1

Theodies Holy Momongan and Agustinus Fritz Wijaya 387

Kajian Pembelajaran Matematika Melalui Dunia Virtual Second Life

Arik Kurniawati 392

Penggunaan VAL IT Dalam Mengukur Tata Kelola Investasi TI BPKAD Kab. XYZ

Irfan Farda, Eko Nugroho, Selo 397

Permainan Maze Menggunakan Metode Kruskal pada Perangkat Bergerak

Yonathan Ferry Hendrawan 404

Prototipe Game Simulasi 3D untuk Membantu Peningkatan Kemampuan Human Cognition

Irene A. Lazarusli, Aditya R. Mitra, dan Lionel Utama 410

Tata Kelola Teknologi Informasi Berdasarkan Cobit 4.1 sebagai Penentuan Strategi Bisnis (Studi Kasus: PT. DUNIACATFISH KREATIF MEDIA)

Novi Prastiti, Feri Setyawan dan Aryo Nugroho 417

Susunan Panitia 424

36

Metode Cluster-Indexing Menggunakan Self-Organizing Map untuk Case Base Sistem Rekomendasi Musik

Berbasis Kasus

Gst. Ayu Vida Mastrika Giri

Abstract—An effective music recommendation system is a system that can effectively reduce music listeners’ effort in choosing music. Music recommendations could not only be obtained by genre or audio similarity, but also by the listeners’ context.

The music choices of music listeners may differ in different contexts, such as different weather and times, so music listeners also need recommendations based on their context. This research discuss about case representation and case indexing by cluster-indexing method using Self-Organizing Map in the case base of a music recommendation system with case-based reasoning which uses listeners context while choosing music. This research use 500 listeners’ music request to Elkoga Radio Bali from January to March 2013 and context data from Ngurah Rai Airport, which contain temperature, humidity, pressure, visibility, wind speed, and weather. The best cluster that will be used as cluster-indexing is a cluster with cohesion value 0.802482 andseparation value 1.30304.

Keywords—Cluster-Indexing, Self-Organizing Map, Music Recommendation, Case-Based Reasoning

1. P^ENDAHULUAN

erkembangan keragaman musik serta teknologi menyebabkan bertambahnya file musik dalam bentuk digital. Masalah yang timbul dari banyaknya file musik yang beredar adalah para pendengar musik memiliki banyak file musik dan kesulitan memilih musik mana yang akan didengar. Masalah tersebut menyebabkan para pendengar musik membutuhkan sebuah sistem yang dapat merekomendasikan musik- musik yang akan didengar.¹

Rekomendasi musik yang efektif dapat mengurangi usaha pendengar musik dalam memilih musik.Rekomendasi musik tidak hanya dapat diperoleh berdasarkan genre atau kemiripan audio saja, karena pilihan musik para pendengar musik bisa berbeda dalam konteks yang berbeda pula. Misalnya, pilihan lagu para

Gst. Ayu Vida Mastrika Giri, Program Studi S2 Ilmu Komputer, FMIPA UGM, Jl. Sekip Utara, Sleman, Yogyakarta, (gst.ayu.vmg@mail.ugm.ac.id)

pendengar saat hujan di sore hari akan berbeda dengan pilihan lagu saat siang hari yang panas.

Penelitian mengenai rekomendasi musik dengan menggunakan konteks telah dilaksanakan oleh beberapa peneliti, seperti Kaji, dkk. yang membangun sebuah sistem rekomendasi musik yang berdasar atas lirik, musical scene, dan situasi pendengar[1]. Lee, dkk. membangun sebuah sistem Case-Based Reasoning yang bernama C²_Music, sistem tersebut memberikan rekomendasi berupa musik yang didengarkan oleh pendengar dengan latar belakang yang mirip dan pada konteks yang mirip[2]. Song, dkk.

merekomendasikan musik berdasar atas music ontology yang terdiri dari situasi, mood, dan fitur- fitur musik seperti pitch, duration, tempo, dan rhythm[3]. Sedangkan penelitian tentang penggunaan Self-Organizing Map sebagai metode indexing dalam telah dilakukan oleh Kim, dkk. pada bond rating cases[4].

Penelitian ini membahas proses representasi kasus dan pemberian indeks pada kasus dengan metode cluster-indexing menggunakan Self- Organizing Mapuntuk sistem rekomendasi musik dengan Case-Based Reasoning (CBR) yang menggunakan konteks (waktu, lokasi, temperatur, kelembaban, kecepatan angin, jarak pandang, tekanan udara, dan cuaca). Pemilihan skema yang tepat untuk representasi kasus dan indexing sangat penting karena memberikan struktur dasar sehingga proses CBR lainnya dapat dilakukan.

2. D^ASAR TEORI

2.1. Konteks

Istilah konteks telah didefinisikan oleh beberapa peneliti dalam beberapa cara. Schilit dan Theimer mendefinisikan konteks dengan memberikan berbagai contoh konteks, seperti lokasi, identitas dari orang-orang terdekat dan objek-objek, serta perubahan pada objek tersebut[5]. Dey dan Abowd mendefinisikan konteks sebagai informasi yang dapat digunakan

P

37 untuk menggambarkan situasi dari sebuah entitas,

dimana sebuah entitas dapat berupa manusia, tempat, objek fisik atau komputasional yang dianggap relevan dalam interaksi antara pengguna dan aplikasi[6].

Pada penelitian ini, konteks yang dipakai adalah waktu, lokasi, temperatur, kelembaban, kecepatan angin, jarak pandang, tekanan udara, dan cuaca saat mendengarkan musik. Dengan menggunakan informasi konteks, aplikasi dapat memodifikasi perilakunya berdasar atas perubahan pada lingkungan[2].

2.2. Case-Based Reasoning

Sebuah sistem dengan Case-Based Reasoning (CBR) memecahkan kasus baru dengan mengadaptasi solusi dari kasus yang sudah pernah dihadapi sebelumnya. Sistem dengan CBR mencari kasus-kasus pada case base yang memiliki spesifikasi masalah yang identik dengan kasus baru. Jika sistem tidak dapat menemukan kasus yang identik, sistem akan mencoba menemukan sebuah atau beberapa kasus yang paling mirip dengan kasus yang dihadapi saat ini[7].

Penelitian ini membahas tahap awal pembangunan sistem dengan CBR, yaitu tahap case representation and indexing. Pada tahap ini, dipilih format representasi kasus yang cocok dan metode indexing untuk mempermudah retrieval kasus yang mirip.

2.3. Self-Organizing Map (SOM)

Jaringan SOM menggunakan metode pembelajaran unsupervised yang memetakan data dari dimensi berapapun ke dalam peta dua dimensi(8). Jaringan SOMterdiri dari dua lapisan (layer), yaitu input layer dan output layer. Setiap neuron dalam input layer terhubung dengan setiap neuron pada output layer. Setiap neuron output layer merepresentasikan cluster dari input yang diberikan.

Proses clustering dilakukan dengan penyesuaian terhadap setiap bobot pada neuron output. Algoritma Self Organizing Map mempunyai langkah-langkah sebagai berikut,[9]

0. Inisialisasi bobot Wij.

Tetapkan topologi neuron output Tetapkan laju pelatihan (α).

1. Selama syarat berhenti salah, lakukan langkah 2-8.

2. Untuk setiap vektor masukan X, lakukan langkah 3-5.

3. Untuk setiap j, hitung Euclidean Distance ܦሺ௝ሻൌ ටσ ሺܹ௜ ௜௝െ ܺ௜ሻ^ଶ (1) 4. Cari indeks j sedemikian sehingga Dj

minimum.

5. Untuk semua unit j di dalam ketetanggaan j dan untuk semua i, hitunglahperubahan bobot

Wij(baru) = Wij(lama) + α (Xi – Wij(lama)) 6. Perbaharui laju pelatihan.

7. Kurangi jari-jari ketetanggaan topologis dengan pencacahan tertentu.

8. Uji kondisi berhenti. Jika benar, maka berhenti.

Agar semua fitur yang digunakan mempunyai pengaruh yang sama pada proses clustering, diperlukan data input yang berada pada range yang sama, sehingga dibutuhkan normalisasi dataset fitur dengan menggunakan persamaan

݂ሺݔ௜ሻ ൌ_௫^{௫೔ି௫೘೔೙}

೘ೌೣି௫೘೔೙ (2)

Dimana

f(xi) = Hasil normalisasi data ke-i xi = Data ke-i

xmin = Data dengan nilai minimum xmax = Data dengan nilai maksimum 2.4. Cohesion dan Separation

Nilai cohesion dari sebuah cluster dapat didefinisikan sebagai jumlah dari proximity dari tiap anggota cluster terhadap centroidcluster.

Sedangkan nilai separation dari sebuah cluster adalah proximity antara centroid cluster satu dengan yang lainnya.Untuk mendapatkan nilai cohesion dan separation digunakan persamaan sebagai berikut[10]:

ܿ݋݄݁ݏ݅݋݊ሺܥ௜ሻ ൌ  σ௫א஼೔݌ݎ݋ݔ݅݉݅ݐݕሺݔǡ ࢉ௜ሻ (3) ݏ݁݌ܽݎܽݐ݅݋݊൫ܥ_௜ǡ ܥ_௝൯ ൌ ݌ݎ݋ݔ݅݉݅ݐݕሺࢉ_௜ǡ ࢉ_௝ሻ (4) Dimana

Ci = Cluster ke-i Cj = Cluster ke-j

ci = Centroidcluster ke-i cj = Centroidcluster ke-j x = Anggota cluster

3. M^ETODE PENELITIAN

3.1. Deskripsi Kasus

Kasus yang dikumpulkan terdiri dari data konteks dan data pendengar musik. Data permintaan musik berupa waktu, judul musik,

38

dan penyanyi serta data pendengar berupa nama dan nomor telepon diambil dari data permintaan musik pada Elkoga Radio Bali dari pendengar yang berlokasi di Denpasar dan Badung pada bulan Januari sampai Maret 2013. Kasus yang dikumpulkan untuk General Knowledge awal adalah 500 kasus permintaan lagu dengan 288 lagu berbeda. Data konteks berupa temperature (^oC), humidity (%), pressure (hPa), visibility (km), wind speed (km), dan weather diambil dari data stasiun cuaca di Bandar Udara Ngurah Rai, Bali yang telah dipublikasi pada website www.wunderground.com.

3.2. Metode Representasi Kasus

Sebuah kasus terdiri dari dua bagian, yaitu bagian masalah dan bagian solusi. Teknik representasi kasus yang digunakan dalam penelitian ini adalah representasi dengan pendekatan database relasional. Model database relasional telah diadopsi secara luas di banyak aplikasi penalaran berbasis kasus[8]. Setiap objek (atau kasus) diwakili oleh baris dalam tabel relasional di mana kolom digunakan untuk mendefinisikan atribut dari objek. Oleh karena itu, tabel relasional bisa dibagi menjadi dua bagian: bagian deskripsi masalah dan bagian solusi.

3.3. Metode Indexing

Indexing kasus adalah pemberian indeks pada kasus untuk pengambilan dan pembandingan kasus. Pemilihan indeks penting untuk memungkinkan pengambilan kasus yang tepat pada waktu yang tepat[7]. Proses indexing dengan menggunakan cluster yang dihasilkan oleh Self-Organizing Map (SOM) bernama SOM-Indexing CBR Model adalah sebagai berikut[4].

1. Inisialisasi vektor bobot awal SOM.

2. Tentukan cluster-cluster dengan pembelajaran unsupervised dari SOM.

3. Eliminasi cluster yang tidak efektif. Cluster yang tidak efektif adalah cluster yang hanya memiliki sedikit anggota atau tidak sama sekali. Pada penelitian ini, cluster yang dianggap memiliki sedikit anggota adalah cluster yang memiliki kurang dari 5 anggota.

4. Index kasus-kasus pelatihan dengan nilai centroid cluster. Jarak minimum kasus-kasus

pelatihan dengan centroid dihitung dengan metode k-NN,

ܦ ൌ ටσ^௡_௜ୀଵȁܥ௥௘௙ǡ௜െ ܲ௥௘௙ǡ௜ȁ^ଶ (5)

dimana n adalah jumlah fitur, ୰ୣ୤ adalah kasus pelatihan, ୰ୣ୤ adalah nilai centroid cluster dari kasus pelatihan.

3.4. Metode Evaluasi Cluster

Evaluasi cluster dilakukan dengan mencari nilai cohesion dan separation. Fungsi proximity pada persamaan cohesion dan separation, bisa berupa nilai kemiripan atau ketidakmiripan. Pada penelitian ini, digunakan nilai Euclidean Distance yang dapat dihitung dengan menggunakan persamaan[1].

Nilai cohesion dari sebuah cluster dapat didefinisikan sebagai jumlah dari proximity dari tiap anggota cluster terhadap centroid cluster.

Sedangkan nilai separation dari sebuah cluster adalah proximity antara centroid cluster satu dengan yang lainnya.

4. ANALISIS DAN PERANCANGAN

4.1. Perancangan Representasi Kasus

Entitas yang terlibat dalam kasus permintaan musik pada stasiun radio adalah listener, music, dan context. Hubungan antar tabel ditunjukkan oleh pada Gambar 1.

Listener request context

PK mobile_num PK date PK Date

Name PK region_id PK region_id

PK mobile_num month_id

PK music_id weekday_id

ccluster_index partOfDay_id

Music weather_id

PK music_id temperature

Title windspeed

Singer humidity

visibility pressure Gambar 1 Hubungan antar Tabel

4.2. Perancangan Jaringan Self-Organizing Map Input layer terdiri dari 10 neuron input yang melambangkan 10 konteks (region, month, weekday, part of day, weather, temperature, windspeed, humidity, visibility, dan pressure).

Output layer terdiri dari 11 neuron output yang jumlahnya disamakan dengan11 jenis cuaca berbeda yang ada pada data konteks (partly cloudy, scattered clouds, mostly cloudy, light rain, heavy rain, rain, thunderstorm, light thunderstorm, heavy thunderstorm, light thunderstorms and rain, dan thunderstormsand

39 rain). Arsitektur jaringan SOM dapat dilihat pada

Gambar 2.

X1 X2 X10

Y1 Y2 Y11

Input Layer Output Layer

W11 W21

W10 1

… .

… .

Gambar 2 Arstiektur Jaringan SOM

Dalam penelitian ini beberapa percobaan dilakukan dengan learning rate, jari-jari ketetanggaan, dan maksimum iterasi yang berbeda. Learning rate yang digunakan adalah 0.8, 0.5, dan 0.3. Jari-jari ketetanggaan yang digunakan adalah 2 dan 4.Maksimum iterasi yang digunakan adalah 10.000 dan 15.000. Bobot ditentukan secara acak antara 0 dan1.

5. H^{ASIL DAN} PEMBAHASAN

5.1. Implementasi Representasi Kasus

Data yang digunakan pada penelitian ini adalah data permintaan musik dan data konteks.

Data permintaan musik yang digunakan sebanyak 500 permintaan pendengar Elkoga Radio Bali selama 3 bulan.Tabel 1menunjukan deskripsi data pendengar, Tabel 2 menunjukkan deskripsi data musik, Tabel 3 menunjukkan deskripsi konteks, dan Tabel 4 menunjukkan deskripsi permintaan musik.

Tabel 1 Deskripsi Data Pendengar

Nama Field Deskripsi Tipe Data mobile_num Nomor telepon

pendengar varchar (15) name Nama pendengar varchar (20)

Tabel 2 Deskripsi Data Musik

Nama Field Deskripsi Tipe Data music_id Nomor ID musik integer (5) title Judul musik varchar (50) singer Nama penyanyi varchar (50)

Tabel 3 Deskripsi Konteks

Nama Field Deskripsi Tipe Data date Tanggal saat musik

diminta

Timestamp region_id ID daerah pendengar

Daerah: Denpasar, Badung, dll.

integer (1)

month_id ID bulan Bulan: January, February, dst.

integer (2)

weekday_id ID hari Hari: Sunday,

integer (1)

Monday, dst.

partOfDay_

id

ID bagian hari Bagian hari: Early Morning, Morning, dst.

integer (2)

weather_id ID cuaca

Cuaca: Partly Cloudy, Rain, dll.

integer (2)

Temperature Suhu udara (^oC) double Windspeed Kecepatan angin

(km/h)

double Humidity Kelembaban(%) double Visibility Jarak pandang (km) double Pressure Tekanan udara (hPa) double

Tabel 4 Deskripsi Data Permintaan Musik

Nama Field Deskripsi Tipe Data Date Tanggal saat musik

diminta

Timestamp region_id ID daerah pendengar

Daerah: Denpasar, Badung, dll.

integer (1)

mobile_num Nomor telepon pendengar

varchar (15) music_id Nomor ID musik integer (5) cluster_index Index cluster varchar (2) Sebuah contoh record kasus permintan musikditunjukan pada Tabel 5.

Tabel 5 Contoh Record Kasus

mobile_num name

+6285792257489 Rahayu

date region month weekday partOfday weather temperature windspeed humidity visibility pressure

2013-02-23 22:50:49 Denpasar

February Saturday Night

Thunderstorms and Rain 25

13 89 4 1007 music_id

title singer

221

I Will Be Right Here Waiting For You Bryan Adams

5.2. Implementasi Metode Cluster-Indexing Pada penelitian ini, dilakukan 12 implementasi metode Cluster-Indexing menggunakan SOM dengan learning rate, jari-jari ketetanggaan, dan maksimum iterasi yang berbeda. Bobot yang digunakan adalah bilangan acak antara 0 dan 1.

Hasil percobaan yang dilakukan ditunjukkan pada Tabel 6.

Penelitian dengan jumlah cluster tidak efektif yang paling sedikit adalah penelitian 1, 2,

40

3, 4, 5, 10, sedangkan jumlah cluster tidak efektif yang paling banyak ada pada penelitian 8.

Tabel 6 Hasil Implementasi Metode Cluster-Indexing

No Learning

Rate Radius Iterasi Cluster Efektif

Cluster Tidak Efektif 1

0.3

2 10000 8 3

2 15000 8 3

3 4 10000 7 4

4 15000 8 3

5

0.5

2 10000 8 3

6 15000 8 3

7 4 10000 5 6

8 15000 3 8

9

0.8

2 10000 7 4

10 15000 8 3

11 4 10000 5 6

12 15000 7 4

Banyaknya cluster yang tidak efektif pada penelitian ini menunjukkan kasus-kasus banyak berkumpul pada satu cluster yang sama. Hal ini terjadi karena context pada data permintaan musik yang digunakan dalam penelitian ini masih kurang beragam. Pemilihan cluster yang dianggap baik untuk digunakan sebagai index tidak bergantung pada banyaknya cluster efektif dan cluster tidak efektif, tetapi pada nilai cohesion dan separation pada evaluasi cluster.

5.3. Evaluasi Cluster

Pengukuran nilai cohesion dari sebuah cluster yang terbentuk menunjukkan seberapa dekat hubungan antar objek-objek yang berada di dalam cluster dan pengukuran nilai separation dari sebuah cluster menunjukkan jarak centroid dari cluster satu ke cluster lainnya.

Tabel 7 Rata-Rata Cohesion dan Separation

No Learning

Rate Radius Iterasi ^Rata-rata _Cohesion Separation ^Rata-rata

1

0.3

2 ^{10000 1.15976 1.29901}

2 ^{15000 0.802482 1.30304}

3 4 ^{10000 1.028902 1.28542}

4 ^{15000 0.960434 1.28775}

5

0.5

2 ^{10000 1.109796 1.16402}

6 ^{15000 1.174484 1.23231}

7 4 ^{10000 1.034248 0.96545}

8 ^{15000 1.045143 1.11559}

9

0.8

2 ^{10000 1.11872 0.96917}

10 ^{15000 1.018366 1.14168}

11 4 ^{10000 1.133019 1.07410}

12 ^{15000 1.074514 1.18625}

Hasil cluster terbaik dari seluruh penelitian ditentukan dengan mencari hasil penelitian dengan nilai rata-rata cohesion terkecil dan nilai

rata-rata separation terbesar. Hasil cohesion dan separation untuk tiap penelitian ditunjukkan pada

Tabel 7.

Cluster dengan nilai cohesion terkecil dan separation terbesar adalah cluster yang dihasilkan pada penelitian 2. Beberapa penelitian mempunyai rata-rata cohesion yang lebih besar dari rata-rata separation, seperti penelitian 6, 7, 9, dan 11. Hal ini menunjukkan jarak antar centroid lebih kecil daripada kedekatan anggota cluster ke centroid-nya.

Cluster yang dihasilkan pada penelitian 2 dianggap baik untuk digunakan sebagai index karena kasus-kasus yang memiliki tingkat kemiripan tinggi (ditunjukkan dengan nilai cohesion yang kecil) telah berkumpul pada satu cluster yang sama sehingga nantinya pada tahap Case Retrieval kasus-kasus yang mirip tersebut dapat ditemukan dengan lebih mudah. Nilai separation yang besar pada penelitian 2 menunjukkan kasus-kasus yang terkumpul dalam cluster satu dan lainnya memiliki perbedaan yang besar.

Dalam pembangunan sistem rekomendasi musik menggunakan CBR, digunakan indexing dengan cluster yang memiliki kedekatan anggota cluster terkecil dan jarak antar centroid terbesar yang dihasilkan pada penelitian 2 dengan 8 cluster efektif, 4 cluster tidak efektif, nilai cohesion 0.802482, dan nilai separation 1.30304.

6. K^ESIMPULAN

Kesimpulan yang dapat diambil dari penelitian yang telah dilakukan adalah sebagai berikut.

1. Model database relasional dapat digunakan untuk merepresentasikan kasus permintaan musik pada Elkoga Radio Bali yang terdiri dari data pendengar dan data context.

2. Algoritma Self-Organizing Map dapat digunakan sebagai metode cluster-indexing untuk kasus permintaan musik pada Elkoga Radio Bali. Penelitian dengan jumlah cluster tidak efektif yang paling sedikit adalah penelitian 1, 2, 3, 4, 5, 10, sedangkan jumlah cluster tidak efektif yang paling banyak ada pada penelitian 8.

3. Dari 12 penelitian yang dilakukan, cluster terbaik dihasilkan pada Penelitian 2 dengan nilai cohesion 0.802482 dan nilai separation 1.30304. Cluster ini akan digunakan sebagai index kasus dalam pembangunan sistem

41 Rekomendasi musik dengan menggunakan

CBR selanjutnya.

7. S^ARAN

Saran-saran yang dapat digunakan untuk pengembangan sistem lebih lanjut adalah sebagai berikut:

1. Context pada data permintaan musik yang digunakan dalam penelitian ini masih kurang beragam. Penambahan data permintaan lagu pada bulan selain Januari, Februari, dan Maret diharapkan dapat menambah keragaman context.

2. Nilai cohesion dan separation masih dapat dicari dengan menggunakan percobaan dengan learningrate, radius, dan total iterasi yang berbeda. Penambahan jumlah iterasi maksimum diharapkan dapat menghasilkan rata-rata separation yang lebih besar dan rata- rata cohesion yang lebih kecil.

Ucapan Terima kasih

Penulis mengucapkan terima kasih kepada pimpinan serta keluarga besar Elkoga Radio Bali atas kesediaan memberikan data permintaan musik oleh pendengar radio yang telah digunakan sebagai kasus-kasus penyusun case base dalam penelitian ini.Penulis juga mengucapkan terima kasih kepada Ibu Kadek Cahya Dewi yang selalu meluangkan waktu untuk memberikan saran dan dukungan pada penelitian ini.

DAFTAR PUSTAKA

[1] A Music Recommendation System Based on Annotations about Listeners' Preferences and Situations. Kaji, Katsuhiko, Hirata, Keiji and Nagao, Katashi. s.l. : IEEE, 2005, Automated Production of Cross Media Content for Multi- Channel Distribution, 2005. AXMEDIS 2005.

0-7695-2348-X.

[2] Context Awareness by Case-Based Reasoning in a Music Recommendation System. Lee, Jae Sik and Lee, Jin Chun. Berlin : Springer-Verlag, 2007, UCS'07 Proceedings of the 4th international conference on Ubiquitous computing systems, pp. 45-58. 3-540-76771-1 978-3-540-76771-8.

[3] Music Ontology for Mood and Situation Reasoning to Support Music Retrieval and Recommendation. Song, Seheon, et al. s.l. : IEEE, 2009, Digital Society, 2009. ICDS '09, pp. 304 - 309. 978-1-4244-3550-6.

[4] The cluster-indexing method for case-based reasoning using self-organizing maps and learning vector quantization for bond rating

cases. Kim, Kyung-Sup and Han, Ingoo. s.l. : Elsevier Science Ltd., 2001, Expert Systems with Applications, pp. 147-156.

[5] Disseeminating Active Map Information to Mobile Hosts. Schilit, Bill N. and Theimer, Marvin M. 5, s.l. : IEEE, 1994, Network, Vol. 8, pp.

22-32. 0890-8044 .

[6] Towards a Better Understanding of Context and Context-Awareness. Dey, Anind K. and Abowd, Gregory D. s.l. : Springer-Verlag, 1999, In: Proceedings of CHI 2000 Workshop on the What, Who, Where, When,, pp. 304- 307.

[7] Pal, Sankar K. and Shiu, Simon C. K.Foundations of Soft Case-Based Reasoning. s.l. : John Wiley & Sons, Inc., 2004. 0-471-08635-5.

[8] Kohonen, Teuvo.Self-Organizing Maps. Germany : Springer, 2001.

[9] Using SOM Neural Network In Text Information Retrieval. Mehrad, J and Koleini, S. 2007, Iranian Journal of Information Science and Technology, pp. 53-64.

[10] Tan, Pang Ning, Steinbach, Michael and Kumar, Vipin.Introduction to Data Mining. s.l. : Pearson Addison Wesley, 2006.