yang menunjang dalam pengembangan program cluster. Aplikasi cluster ini dikembangkan pada laptop, dengan spesifikasi terdapat

64

dikembangkan, berdasarkan hasil analisis yang telah diperoleh sebelumnya. Bab ini terdiri dari penjelasan mengenai spesifikasi sistem, perangkat keras dan perangkat lunak, yang akan digunakan, implementasi prosedur yang akan dipakai untuk melakukan klaster.

4.1 Implementasi

Tahap implementasi merupakan tahap penciptaan perangkat lunak yang terdiri dari penjelasan mengenai lingkungan implementasi, batasan implementasi dan implementasi program.

4.1.1. Lingkungan Implementasi

Untuk mendukung aplikasi yang akan diterapkan pada lingkungan implementasi, maka pengujian menggunakan perangkat keras dan perangkat lunak yang menunjang dalam pengembangan program cluster.

4.1.1.1. Perangkat Keras Yang Digunakan

Aplikasi cluster ini dikembangkan pada laptop, dengan spesifikasi terdapat pada tabel 4.1 di bawah ini:

Tabel 4.1. Perangkat keras implementasi Aplikasi cluster

Perangkat Spesifikasi

Processor : Intel(R) Core(TM)i3 CPU M370 2.40GHz

Memory : 3.0 GB

Graphics : Intel(R) HD Graphics

4.1.1.2. Perangkat Lunak Yang Digunakan

Perangkat Lunak yang digunakan untuk mengembangkan aplikasi ini terdapat pada tabel 4.2 di bawah ini:

Tabel 4.2. Perangkat lunak implementasi aplikasi cluster

Perangkat Lunak Keterangan

Sistem Operasi Windows 7 Ultimate Bahasa Pemrograman C++

Code Editor C++ Builder 4.0 App Library Numerical Recipes

Modeler MS Office Visio

Spreadsheet Program MS Office Excel

4.2 Batasan Implementasi

Pembatasan implementasi dimaksudkan agar ruang lingkup implementasi menjadi lebih jelas. Batasan implementasi dari perangkat lunak aplikasi cluster adalah sebagai berikut :

1. Perangkat lunak yang dikembangkan berbasis desktop 2. Proses yang ditangani lebih terfokus pada metode cluster.

3. Perangkat lunak masih merupakan prototype.

4. Perangkat lunak diimplementasikan dengan konsep struktural.

4.3 Implementasi Program

Pada tahapan ini akan dijelaskan mengenai implementasi data uji cluster dan user interface aplikasi cluster.

4.3.1. Implementasi Data Uji

Implementasi data uji menjelaskan mengenai struktur tabel penyusunnya adapun pembuatan data dilakukan dengan menggunakan spreadsheet program, data uji ini merupakan tabel yang diolah menggunakan software Microsoft Offices Excel. Contoh data di bawah ini yang dibuat oleh software tersebut. Adapun contoh implementasi dapat dilihat pada gambar 4.1 di bawah ini :

Gambar 4.1 Data Uji (menggunakan software spreadsheet )

4.3.2. Implementasi User Interface

Implementasi user interface merupakan hasil dari perancangan user interface

yang sebelumnya sudah dilakukan pada tahap perancangan.

4.3.2.1. Halaman Awal

Merupakan tampilan awal aplikasi cluster setelah di running, yang menampilkan menu yang tersedia untuk melakukan proses cluster data dapat dilihat pada gambar 4.2 di bawah ini.

Gambar 4.2 tampilan awal aplikasi

4.3.2.2. Filter Data

Data Filter memungkinkan user untuk menghapus gen yang tidak memiliki

ketentuan properties dari dataset. properties yang tersedia dapat digunakan untuk

menyaring data yang dapat dilihat pada gambar 4.3 di bawah ini:

Gambar 4.3 filter data cluster

4.3.2.3. Adjust Data

Dari Adjust data, user dapat melakukan sejumlah operasi yang mengubah data yang mendasari dalam tabel yang diimport. Operasi ini adalah :

1. Transform Data: mengganti semua nilai data x dengan log

2

(x).

2. Center genes (means atau median).

3. Center Arrays (means atau median).

4. Normalize Genes

Adjust data dapat dilihat pada gambar 4.4 di bawah ini:

Gambar 4.4 Adjust Data Cluster

4.3.2.4. Hierarchical Cluster

Hierarchical clustering merupakan sebuah proses dimana data akan

dilakukan cluster berdasarakan ketentuan-ketentuan metode tersebut. Berikut

merupakan tampilan hierarchical clustering dapat dilihat pada gambar 4.5 di

bawah ini:

Gambar 4.5 Tampilan Hierarchical clustering 4.3.2.5. K-means Clustering

K-means clustering merupakan sebuah proses dimana data akan dilakukan

cluster berdasarakan ketentuan-ketentuan metode tersebut. Berikut merupakan

tampilan k-means clustering dapat dilihat pada gambar 4.6 di bawah ini:

Gambar 4.6 Tampilan K-Means Clustering

4.3.2.6. Self Organizing Maps Clustering

Self organizing maps clustering merupakan sebuah proses dimana data akan

dilakukan cluster berdasarakan ketentuan-ketentuan metode tersebut. Berikut

merupakan tampilan self organizing maps clustering dapat dilihat pada gambar

4.7 di bawah ini:

Gambar 4.7 Tampilan self Organizing Maps Clustering

4.4 Pengujian

Pengujian merupakan metode yang dilakukan untuk menjelaskan mengenai

pengoperasian perangkat lunak yang terdiri dari perangkat pengujian, metode

pengujian dan pelaksanaan pengujian. Pengujian yang digunakan untuk menguji

aplikasi ini adalah menggunakan metode pengujian black box. Pengujian black

box berfokus pada persyaratan fungsional perangkat lunak.

4.4.1. Rencana Pengujian

Rencana pengujian yang akan dilakukan dengan menguji sistem secara alpha.

Pengujian sistem ini menggunakan data uji berdasarkan data yang terdapat pada implementasi data uji. Rencana pengujian selengkapnya terlihat pada tabel 4.3 di bawah ini.

Tabel 4.3 Rancangan Pengujian Aplikasi Cluster

Item Uji Detail Pengujian Jenis Uji

Load File Import data pengujian Black Box

Filtering Memilah data yang akan

dilakukan pengelompokan

Black Box

Adjust Peubah data set berdasarkan criteria data pengujian

Black Box

Hierarchical Cluster data berdasarkan algoritma hirarki yang telah paparkan pada tabel 2.1

Black Box

K-means Cluster data berdasarkan

algoritma k-means yang telah paparkan pada tabel 2.1

Black Box

SOM Cluster data berdasarkan

algoritma SOM yang telah paparkan pada tabel 2.1

Black Box

4.4.2. Kasus dan Hasil Pengujian Alpha 4.4.2.1. Pengujian load file

Pengujian load file dapat dilihat pada tabel 4.4 di bawah ini :

Tabel 4.4 Pengujian load file Kasus dan Hasil Uji (Data Normal)

Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan :

File bertipe .txt

Muncul dalam text area menunjukan direktori file tersebut

Tombol Pengmbilan data dapat berfungsi dengan sesuai.

Diterima

Kasus dan Hasil Uji (Data Salah)

Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan :

File bertipe .txt

Tidak muncul dalam text area

Memunculkan pesan file yang tidak sesuai.

Diterima

4.4.2.2. Pengujian filter

Pengujian filter dapat dilihat pada tabel 4.5 di bawah ini : Tabel 4.5 Pengujian filter

Kasus dan Hasil Uji

Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan :

Variable

properties data filter

Muncul jumlah data yang akan di

kelompokan

Tombol filter data dapat berfungsi dengan sesuai.

Diterima

4.4.2.3. Pengujian Adjust

Pengujian adjust dapat dilihat pada tabel 4.6 di bawah ini :

Tabel 4.6 Pengujian Adjust Kasus dan Hasil Uji

Aktivitas Yang Diharapkan Pengamatan Kesimpulan

Data Masukan : Variable

properties data adjust

Muncul

pemberitahuan data yang akan di kelompokan berhasil di set.

Tombol adjust data dapat berfungsi dengan sesuai.

Diterima

4.4.2.4. Pengujian Hierarchical

Pengujian hierarchical dapat dilihat pada tabel 4.7 di bawah ini :

Tabel 4.7 Pengujian Hierarchical Kasus dan Hasil Uji

Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan :

Data set yang telah dilakukan proses load, filter dan adjust

Menghasilkan file hasil pengelompokan berdasarkan

perhitungan algoritma hirarki yang tertapat pada tabel 2.1

Tombol genes/array, similarity dan method dapat berfungsi dengan sesuai.

Diterima

4.4.2.5. Pengujian K-means

Pengujian k-means dapat dilihat pada tabel 4.8 di bawah ini :

Tabel 4.8 Pengujian K-means Kasus dan Hasil Uji

Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan :

Data set yang telah dilakukan proses load, filter dan adjust

Menghasilkan file hasil pengelompokan berdasarkan

perhitungan algoritma k-means yang tertapat pada tabel 2.1

Penentuan k (jumlah kelompok), iterasi, method dan similarity dapat berfungsi pada saat klik tombol eksekusi.

Diterima

4.4.2.6. Pengujian Self Organizing maps (SOM)

Pengujian self organizing maps dapat dilihat pada tabel 4.8 di bawah ini :

Tabel 4.9 Pengujian SOM Kasus dan Hasil Uji

Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan :

Data set yang telah dilakukan proses load, filter dan adjust

Menghasilkan file hasil pengelompokan berdasarkan

perhitungan algoritma SOM yang tertapat pada tabel 2.1

variable genes/array, similarity, iterasi dan method dapat

berfungsi dengan sesuai.

Diterima

4.5 Kesimpulan Pengujian

Setelah dilakukan pengujian dari uji sample yang ada di atas maka system

requirement dapat diambil beberapa kesimpulan bahwa perangkat lunak secara

fungsional sistem dapat menghasilkan output sesuai dengan yang diharapkan.

4.6 Pengujian Metode Clustering

Data set yang digunakan untuk menguji algoritma klasterisasi diperoleh dari situs: (Http://kdd.ics.uci.edu/) atau dari situs lain, yaitu, (Http://www.kdnuggets.com/datasets). Data set untuk menguji algoritma klasterisasi adalah time series. Data set ini disimpan dalam file ASCII, 600 baris, 60 kolom, untuk membedakan data set besar dan kecil data set dibagi dua kelompok menjadi kumpulan data (200 baris dan 20 kolom). Ketiga metode clustering dibandingkan berdasarkan faktor-faktor yang terdapat pada tabel 4.10 sebagai berikut:

Tabel 4.10 Pengujian data Clustering

Metode Dataset Klaster

Hierarchical Basar dan Kecil Banyak dan Sedikit K-means Basar dan Kecil Banyak dan Sedikit SOM Basar dan Kecil Banyak dan Sedikit

Menurut jumlah cluster k kecuali untuk metode hierarki, semua algoritma

klasterisasi dibandingkan membutuhkan pengaturan k. Disini, kinerja algoritma

yang berbeda untuk berbagai k dibandingkan untuk menguji kinerja yang terkait

dengan k. Untuk menyederhanakan dan untuk membuat perbandingan lebih

mudah, k yang dipilih sama dengan 8, 16, 32, dan 64. Untuk membandingkan

hierarchical clustering dengan algoritma lain, pohon hierarki dipotong pada dua

tingkat yang berbeda untuk mendapatkan nomor yang sesuai cluster (8, 16, 32 dan

64). hasilnya, sebagai nilai k menjadi lebih besar kinerja algoritma SOM menjadi

lebih rendah. Namun, kinerja k-means algoritma menjadi lebih baik dari algoritma hierarki. Dapat dilihat pada tabel 4.11 di bawah ini

Tabel 4.11. Hubungan antara jumlah cluster dan kinerja algoritma.

Number Of Cluster

Performance

Hirarki K-means SOM

8 65 63 59

16 74 71 67

32 87 84 78

64 92 89 85

Menurut ukuran data set, data set besar digunakan terdiri dari 600 baris dan 60 kolom dan data set kecil menggunakan 200 baris dan 20 kolom. Data set kecil diekstraksi sebagai bagian dari dataset besar. Kualitas k-means menjadi sangat baik ketika menggunakan data set besar. Dua algoritma hierarchical clustering dan algoritma SOM menunjukkan hasil yang baik bila menggunakan data set kecil, hasil pengujian dapat dilihat pada tabel 4.12 di bawah ini.

Tabel 4.12 Pengaruh ukuran data pada algoritma.

K=32

Data Size Hirarki K-means SOM

36000 850 910 830

4000 91 95 89