IMPLEMENTASI DATA MINING ROUGH SET DALAM

(1)

1

IMPLEMENTASI DATA MINING ROUGH SET DALAM MENENTUKAN TINGKAT KERUSAKAN ALAT DAN BAHAN KIMIA (STUDI KASUS DI LABORATORIUM

RESEP SMK S-16 FARMASI BENGKULU)

Oleh :

Marnis Nasution, S.Kom, M.Kom

Dosen Prodi Manajemen Informatika, AMIK LABUHANBATU Rantauprapat, Medan, Email : [email protected]

ASBTRACT

Data mining is one of the methods used in extracting the data in generating new knowledge from stored data. The extent of damage to the equipment and chemicals that affect the cost of school often do not know how much it cost the school. With data mining that generates knowledge in the form of some rules and help the school to predict the extent of damage and the cost of chemicals that can be in.

Keywords : Data mining , Rough sets , Rosetta , replacement tools and chemicals. I. PENDAHULUAN

1.1Latar Belakang Masalah

Datamining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Salah satu contohnya adalah mengektraksi dari data yang tidak lengkap. Menurut Jerzi (2003),

dataminingroughset tetap dapat menggali pengetahuan di dalam sebuah database

walaupun data tersebut tidaklah lengkap. Ada dua langkah yang diambil dalam menangani data yang tidak lengkap, pertama data tidak lengkap dibiarkan sehingga pada tabel keputusan hanya rule yang terisi yang mempengaruhi keputusan akhir sedangkan langkah kedua adalah data yang kosong dicari nilai terendah atau tertingginya yang ditentukan dari tabel keputusan.

1.2 Perumusan Masalah

1 Bagaimana menentukan tingkat kerusakan alat dan bahan pada Laboratorium Resep SMK S-16 Farmasi Bengkulu?

2 Bagaimana menentukan tingkat kerusakan alat dan bahan kimia pada Laboratorium Resep SMK S-16 Farmasi Bengkulu dengan menggunakan Rosetta?

3 Bagaimana penerapan dataminingroughset

dalam menentukan tingkat kerusakan alat dan bahan kimia?

1.3 Batasan Masalah

Menganalisaan tingkat kerusakan alat dan bahan kimia pada Laboratorium Resep SMK S-16 Farmasi Bengkulu. Metode yang digunakan adalah roughset dan diimplementasikan pada Rosetta.

II. LANDASAN TEORI

2.1 Knowledge Discovery in Database (KDD)

Knowledge discovery in database (KDD) adalah penerapan metode saintifik pada data mining. Dalam konteks ini data mining

merupakan satu langkah dari proses KDD (Herawati, 2013).

2.2 Definisi Data Mining

Datamining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Datamining

adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan

machinelearning untuk mengektrasi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai

database besar (kusrini dan Luthfi, 2009). 2.3 Rough Set

Teori Rough Set merupakan salah satu teknik yang dirasa cukup efisien untuk

(2)

2 proses dan Data Mining. Data mining

merupakan serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data.

2.4 Information System

Tabel 2.1 Informiation System Nama

Tabel 2.2 Decision System

Nam

Tabel 2.3 Equivalen Class

A B C

Tabel 2.4 Discernibility Matrix EC1 EC2 EC3 EC4 EC5

Discernibility Matrix Modulo D

Tabel 2.5 Discernibility Matrix Modulo D EC1 EC2 EC3 EC4 EC5

Tabel 2.6 Reduct Clas

If lama pakai=2 tahun And tingkat kerusakan= 50%-74% Then barang layak pakai.

(3)

3 If A=3 And B=3 Then C=3

If lama pakai=3 tahun And tingkat kerusakan= 75%-100% Then barang diganti.

III. PEMBAHASAN 3.1 Kerangka Kerja

Mendefinisikan Ruang Lingkup Masalah Pengolahan Data Dengan Teknik Artifical Intelligen Rough

Set

Mengimplementasi proses Rough Set Menggunakan

Software Rosetta

Menguji Hasil Penelitian

Menghasilkan Kesimpulan

3.2 Arsitektur Sistem

Gambar 3.1 Arsitektur Penyelesaian Rough Set

3.3 Pengumpulan Data

Metode pengumpulan data yang digunakan adalah pengamatan langsung di Laboratorium Resep SMK S-16 Kota Bengkulu. Selain melakukan pengamatan juga dilakukan wawancara kepada pihak-pihak yang

terkait dengan penelitian ini. juga melakukan pengambilan sampel laporan inventaris Laboratorium Resep selama dua tahun guna menunjang penelitian ini

Tabel 3.1 Information System

NAMA BAHAN

Tabel 4.2 EquivalenClass

(4)

4

Discernibility Matrix

Tabel 4.2 DiscernibilityMatrix

EC2 EC3 EC4 EC5 EC6 EC7 EC8

3.5Discernilibily Matrix Modulo D

Tabel 4.3 Discernibility Matrix Modulo D

EC1 EC2 EC3 EC4 EC5 EC6 EC7 EC8 Class CNF of Boolean Fungtion Prime

Implican

Berdasarkan nilai Reduct

{B} = {lama pakai}

If lama pakai= lama Then kerusakan=17%-71%

If lama pakai= sedang Then kerusakan= >28% or 0% or 26%-28%

If lama pakai= baru Thenkerusakan = ≤ 2% or

3%-25%

{A,C} = {bahan, jumlah barang}

If bahan= tahan lama And jumlah barang=11-16

Then Kerusakan 17%-71%

If bahan= tahan lama And jumlah barang=1-10

Then Kerusakan ≥71% or 0%

If bahan= mudah rusak And jumlah barang= >28 Then Kerusakan ≤ 2%

If bahan= cukup tahan And jumlah barang=11-16 Then Kerusakan 17%-71%

If bahan= mudah rusak And jumlah barang=3-25 Then Kerusakan 0%

If bahan= cukup tahan Andjumlah barang= ≤ 2 Then Kerusakan ≥ 71%

If jumlah barang= 3-25 Then kerusakan

17%-If jumlah barang= 26-28 Then kerusakan 11%-16%

{A,B,C}={bahan, lama pakai, jumlah barang}

(5)

5

If bahan= tahan lama And lama pakai= sedang

And jumlah barang= 3-25 Then kerusakan = 17%-71%

If bahan= mudah rusak And lama pakai= baru

And jumlah barang= 3-25 Then kerusakan = 0%

If bahan= mudah rusak And lama pakai= baru

And jumlah barang= 26-28 Then kerusakan = 11%-16%

If bahan= cukup tahan And lama pakai= sedang

And jumlah barang= ≤ 2 Then kerusakan =

≥71%

{B,C} = {lama pakai, jumlah barang}

If lama pakai= lama And jumlah barang = 26-28

Then kerusakan= 17%-71%

If lama pakai= sedang Andjumlah barang = ≤ 2 Thenkerusakan= ≥71% or 0%

If lama pakai= baru And jumlah barang = >28

If lama pakai= sedang And jumlah barang = 3-25 Then kerusakan= 17%-71%

If lama pakai= baru And jumlah barang = 26-28

Then kerusakan= 0%

If lama pakai= baru And jumlah barang = >28

IV. PENGUJIAN 4.1 Teknik Pengujian

Proses pengujian dilakukan untuk mendapatkan data mengenai kelayakan alat dan bahan kimia pada Laboratorium Resep SMK S-16 Kota Bengkulu dan guna mendapatkan tingkat kerusakan pada tiap-tiap alat. Proses pengujian ini dilakukan menggunakan alat bantu perangkat lunak Rosetta.

Dalam menggunakan sofware Rosetta

data dalam bentuk Decision System disimpan ke dalam Software Microsof Excel seperti gambar 4.1:

Gambar 4.1 Data Pada Microsof Excel

Data yang digunakan berasal dari laporan inventaris pada tahun 2012 dan tahun 2013 untuk menguji banyak data. Data yang sebelumnya berbentuk laporan kemudian diubah dalam bentuk Decision System dan dibuat ke bentuk Microsof Excel, data yang telah berbentuk xls nantinya akan dimport ke dalam SoftwareRosetta. Data tersebut memiliki tiga variabel yaitu bahan, lama pakai dan jumlah barang, setiap field memiliki satu variabel keputusan. Data tersebut adalah dasar awal dalam pembuatan Rule-rule yang akan membantu dalam pengambilan keputusan.

4.2 Tampilan Hasil Program 1. Menu Utama

Menu utama dapat dikatakan sebagai antar muka (Use Interface) antara User dengan program. Menu utama menampilkan pilihan menu yang tersedia pada program. Pada

Rosseta terdapat lima pilihan yaitu menu File, Edit, View, Window dan Help.

2. Form New Projek

Form New Projek merupakan tempat di mana Projek akan dikerjakan. Di sinilah akan dimulai langkah-langkah pengerjaan untuk memperoleh rules yang dibutuhkan.

3. Open Database / Information System

Langkah selanjutnya adalah membuka

database yang sebelumnya telah dibuat dalam bentuk Microsof Excel dengan sajian Decision System. Untuk membuka data tersebut dengan mengklik kanan pada stuctures dan pilih ODBC, maka akan tambil kotak dialog ODBC import. Kemudian pilih Open database dan pilih bentuk file Excel File, setelah itu pilih

(6)

6 Gambar 4.2 Form Pilih Database

4. Decision System

Berikutnya adalah Decision System,

yaitu data yang telah dibuat dapat ditampilkan dengan cara klik tanda (+) pada

maka akan ada muncul , lalu double

klik , maka akan data yang telah dimasukkan ke dalam Rosetta

Gambar 4.3 Form DecisionSystem

a. Reduct

Pada Proses Reduct data akan dideklarasikan dan dikombinasikan untuk mendapatkan GenerateRulenya. Langkah-langkah untuk menghasilkan reduct dimulai dengan meng-klik kanan pada

kemudian pilih Reduct lalu pilih Dynamic Reduct lalu klik OK.

Gambar 4.4 Pilihan Reduct

Kemudian klik tanda (+) pada

sehingga akan muncul , selanjutnya

double klik maka akan muncul

Reduct-nya.

Gambar 4.5 FormReduct

Dari hasil pencarian Software Rosetta

dihasilkan tiga Reduct yang merupakan dasar dalam pembuatan Rule-rule. Reduct ini adalah hasil atribut minimal dari atribut kondisi yang sebelumnya telah disederhanakan menggunakan prime implicant fungsi boolean.

Tiga reduct ini akan dicari rulenya disesuaikan data yang diimportkan awalnya. Support

merupakan banyaknya kondisi reduct yang sesuai dengan data yang awalnya dimasukkan sedangkan length adalah panjang Reduct.

b. Generate Rule

Yang terakhir adalah proses menampilkan Generate Rule. Yang pertama klik kanan pada kemudian pilih

Generate Rule lalu klik OK.

Gambar 4.6 Pilih GenerateRule

Selanjutnya klik tanda (+)

(7)

7 Gambar 4.7 FormGenerateRule

Output Yang Dihasilkan

Dalam percobaan mengunakan

Rosetta ini menghasilkan output berupa rule-rule, berikut hasil output-nya:

IF bahan(mudah rusak) AND jumlah(3) => kerusakan(0) OR kerusakan(2)

IF bahan(mudah rusak) AND jumlah(1) => kerusakan(0)

IF bahan(tahan lama) AND jumlah(3) => kerusakan(0)

IF bahan(tahan lama) AND jumlah(4) => kerusakan(0)

bahan(mudah rusak) AND jumlah(4) => kerusakan(0) OR kerusakan(1)

IF bahan(mudah rusak) AND jumlah(2) => kerusakan(0) OR kerusakan(4)

IF bahan(tahan lama) AND jumlah(2) => kerusakan(0) OR kerusakan(3)

IF lama pakai(baru) AND jumlah(3) => kerusakan(0) OR kerusakan(2)

IF lama pakai(baru) AND jumlah(1) => kerusakan(0)

IF lama pakai(sedang) AND jumlah(2) => kerusakan(0)

IF lama pakai(lama) AND jumlah(1) => kerusakan(0)

IF lama pakai(lama) AND jumlah(3) => kerusakan(0)

IF lama pakai(lama) AND jumlah(2) => kerusakan(3) OR kerusakan(0)

IF lama pakai(sedang) AND jumlah(4) => kerusakan(0)

IF bahan(tahan lama) AND lama pakai(sedang) AND jumlah(1) => kerusakan(0) OR kerusakan(4) OR kerusakan(3)

IF bahan(cukup tahan) => kerusakan(0)

IF bahan(mudah rusak) => kerusakan(0) OR kerusakan(2) OR kerusakan(4) OR kerusakan(1)

IF bahan(mudah rusak) AND lama pakai(sedang) => kerusakan(0)

IF jumlah(4) => kerusakan(0) OR kerusakan(1)

IF jumlah(2) => kerusakan(0) OR kerusakan(3) OR kerusakan(4)

IF jumlah(3) => kerusakan(0) OR kerusakan(2)

IF lama pakai(lama) => kerusakan(0) OR kerusakan(3)

IF lama pakai(baru) => kerusakan(0) OR kerusakan(2) OR kerusakan(4) OR kerusakan(1)p

4.3 Hasil Pengujian

Pada Proses pengujian menggunakan

Software Rosetta, dihasikan Rule-Rule yang sesuai dengan variabel yang didapat dari laporan inventaris sekolah. Rule-Rule tersebut yang nantinya akan menjadi alat bantu dalam proses penggantian alat dan bahan kimia Pada Laboratorium Resep. Rule-rule tersebut akan digunakan dalam pengambilan keputusan

apakah alat tersebut akan “diganti”, “diperbaiki” atau “layak pakai”.

Proses keputusan yang dulunya diambil langsung oleh pakar dari alat dan bahan kimia yang merupakan kepala Laboratorium Resep, kini dapat dilakukan siapa saja yang bertugas mengganti alat dan bahan kimia. Sehingga tidak lagi ada ketergantungan dengan adanya kepala Laboratorium Resep.

(8)

8 4.4 Perbandingan Sistem Lama dengan Sistem Baru

1. Untuk pencarian informasi

Pada sistem yang lama pencarian informasi memakan waktu lama, karena bentuk laporan yang dibuat kepala Laboratorium Resep tidak memuat data yang lengkap dan terperinci sehingga akan membuat kesulitan dalam menentukan penggantian alat dan bahan kimia pada Laboratorium Resep. Dengan sistem yang baru ini keputusan penggantian alat dan bahan kimia tidak akan memakan waktu yang lama karena sudah tersedianya rule-rule

yang membantu dalam proses menentukan persentase kerusakan pengambilan keputusan penggantian alat dan bahan kimia di Laboratorium Resep.

2. Pengolahan Data

Dengan dirancang suatu teknik pengolahan data yang dapat diolah secara komputerisasi maka pengolahan datanya dapat dilakukan dengan cepat, dibandingkan dengan pengolahan data yang tidak menggunakan suatu teknik tertentu, walaupun pengolahan datanya sudah memakai komputer. Apalagi kalau pengolahan data dalam penentuan kelayakan dilakukan secara manual bahkan tidak menggunakan suatu teknik tertentu, seperti yang dikerjakan selama ini.

V. PENUTUP 5.1Kesimpulan

1. Tingkat kerusakan alat dan bahan kimia yang pasti terjadi akan terdeteksi dengan

rule-rule yang dihasilkan oleh metode rough set dan dengan dapat dilihatnya presentase kerusakannya pihak sekolah dapat membuat rancangan untuk proses penggantian alat dan bahan serta sekolah dapat menghitung kapan masa alat dan bahan kimia tersebuat akan diganti.

2. Data mining rough set menggunakan variabel-variabel penting yang berhubungan dengan alat dan bahan kimia seperti bahan, lama pakai dan kondisi. Dari tiga variabel ini data mining rough set

akan menghasilkan reduct yang merupakan hasil atribut minimal yang telah

diseleksi, dari hasil reduct tersebut dapat menghasilkan rule yang dapat membantu memperlihatkan presentase kerusakan alat dan bahan kimia pada Laboratorium Resep SMK S-16 Farmasi Bengkulu.

3. Data yang berasal dari laporan inventaris laboratorium resep SMK S-16 Farmasi Bengkulu yang kemudian diproses di

Software Rosetta akan menghasilkan rule-rule. Rule-rule tersebut akan memperlihatkan berapa persentase kerusakan alat dan bahan kimia pada Laboratorium Resep SMK S-16 Farmasi Bengkulu.

5.2 Saran

Dari hasil pembuatan tesis ini penulis dapat menyampaikan saran-saran:

1. Untuk membuat sebuah keputusan yang cukup tinggi tingkat keakuratannya maka dapat digunakan terknik Artificial Intellignt Rough Set.

2. Untuk mengolah data dalam kapasitas besar, selain menggunakan Software Rosset dapat menggunakan Software Rough Set lainnya.

3. Untuk penulis selanjutnya disarankan agar dapat membandingkan metode pengambilan keputusan dengan menggunakan teknik Artificial Intelligent Rough Set ini dengan teknik lain

DAFTAR PUSTAKA

Angga Ginanjar Mabrur dan Riani Lubis.

(2012). “Penerapan Data mining

Untuk Memprediksi Kriteria

Nasabah Kredit ”Jurnal Komputer dan Informatikan (KOMPUTA).

Edisi 1. Volume 1.

Durairaj M. dan Sathyavathi T. (2013).

“Applying Rough Set for Medical

Informatics Data Analysis

”International Journal of Scientific Research in Biological Science.

Volume 1. Issue 1.

Eko Nur Wahyudi. (2013). “Teknik Klasifikasi

(9)

9

Tinggi”Jurnal Teknologi Informasi DINAMIK. Volume 18. No. 1.

Andika Praja. “Aplikasi Data Mining untuk

Perbandingan Manajemen Laba Terhadap Persistensi Pada Perusahaan Perbankan yang Go

Publik di Bursa Efek Indonesia” ISSN 1693-2617.

Menterikesehatan republic Indonesia peraturanmenterikesehatan republic

Indonesia no

284/MENKES/PER/III/2007

Herawati, Fajar Astuti. 2013. “Data Mining”.

Yogyakarta. Andi.

Imay, Shinya. et.al. (2008). “Rough Sets

Approach to Human Resource Development of Information

Technology Corporations” IJSSST.

Volume 9. No.2.

Mujib, Ridwan. et.al. (2013). “Penerapan Data

Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Neive Bayes Classifier”

Jurnal EECCIS volume 7. No.1.

Dian Wirdasari. (2011). “Penerapan Data Mining UntukMengolah Data

penempatanbuku di

perpustakaansmktipab 7 lubukpakamdenganmetode

association rule.

A.S.Salama (2011). “Some Topological Properties of Rough Set with Tools for Data Mining” IJCSI. Volume 8. No.2.

Mohammad Rizal Ariefdan Daniel o Siahaan. 2010.

“Klasterisasiteksmenggunakanmeto deMax –max Roughness (MMR)

denganpengayaansimilaritas kata.

Sarjon Defit. (2007). “Peranan Diskretisasi

Data Dalam Menambang Rule

Asosiasi Dari Databese” Prosiding Seminar Nasional Sistem & Teknologi Informasi (SNASTI).

Susanto, Sani dan Dedy Suryadi. 2010.

“Pengantar Data Mining: Menggali Pengetahuan Dari Bongkahan Data”. Yogyakarta. Andi.

W, Jerzy. (2003). “Rough Set Statrgies to Data with Missing Attribut Value” IEE.

56-63.

Wanqing, Li. et.al. (2010). “Data Mining Based

on Set in Risk Decision-making:

Foundation and Application” ISSN: 1109-2750.

YudhoGiriSucahyo. 2003. “MenggaliInfomasi yang terpendam”.

W, Jerzy. (2003). “Rough Set Statrgies to Data with Missing Attribut Value” IEE.

56-63.

Widodo, Prabowo Pudjo et.al. 2013.

“Penerapan Data Mining Dengan Matlab”.