APLIKASI DATA MINING MENGGUNAKAN METODE

(1)

APLIKASI DATA MINING MENGGUNAKAN METODE DECISION TREE UNTUK EVALUASI KINERJA MOTOR SERVO DENGAN ALGORITMA C4.5

Kurnia Aryansyah1, Rahmat Kusuma Wijaya2 Teknik Elektro, Fakultas Teknik, Universitas Halu Oleo

Kendari, 93117, Indonesia

Email : aryansyahkurnia@gmail.com1 , ferifadli51@yahoo.co.id2

Abstrak

Motor servo adalah sebuah motor dengan sistem umpan balik tertutup di mana posisi dari motor akan diinformasikan kembali ke rangkaian kontrol yang ada di dalam motor servo. Pada penelitian ini difokuskan untuk mengevaluasi kinerja motor servo dengan melakukan percobaan pada beban dan tegangan input yang berbeda dalam dua keadaan loop (open loop dan close loop) serta diklasifikasikan dalam kategori perputaran motor yang termasuk cepat,cukup cepat dan lambat.Untuk memudahkan dalam hal pengklasifikasian dari data-data yang telah diperoleh, pendekatan data mining dapat dilakukan dalam menganalisa data untuk menemukan suatu pola yang mempunyai arti bagi pendukung keputusan tersebut.

Salah satu teknik data mining yang dapat digunakan adalah klasifikasi. Data percobaan motor servo yang telah ada dianalisis menggunakan Metode Decision Tree (Pohon Keputusan) dengan algoritma C4.5. Metode Decision Tree merupakan metode yang merubah fakta yang sangat besar menjadi sebuah pohon keputusan yang mereprentasikan aturan-aturan. Pohon keputusan ini juga berguna untuk mengeksplorasi data, serta menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Algoritma C4.5 membuat pohon keputusan dari atas ke bawah, dimana atribut paling atas merupakan akar, dan yang paling bawah dinamakan daun, kemudian pola tersebut dapat digunakan untuk menunjukkan hasil evaluasi kinerja motor servo dalam hal nilai kualitatif putaran motor servo.

(2)

1. PENDAHULUAN

Dahulu kita hanya ketahui bahwa motor servo adalah motor yang digunakan untuk mengontrol peralatan Radio Remote Control. Entah itu mobil-mobilan maupun pesawat, mereka menggunakan motor servo. Namun kini bermunculan mainan mobil remote dari China yang berharga murah, dan mainan ini tidak menggunakan motor servo.

Motor servo adalah sebuah motor dengan sistem umpan balik tertutup di mana posisi dari motor akan diinformasikan kembali ke rangkaian kontrol yang ada di dalam motor servo. Karena motor DC servo merupakan alat untuk mengubah energi listrik menjadi energi mekanik, maka magnit permanent motor DC servolah yang mengubah energi listrik ke dalam energi mekanik melalui interaksi dari dua medan magnit. Salah satu medan dihasilkan oleh magnit permanent dan yang satunya dihasilkan oleh arus yang mengalir dalam kumparan motor. Resultan dari dua medan magnit tersebut menghasilkan torsi yang membangkitkan putaran motor tersebut. Saat motor berputar, arus pada kumparan motor menghasilkan torsi yang nilainya konstan. Pada paper ini telah dilakukan pengumpulan data dari percobaan motor servo untuk mengetahui dan mengevaluasi kinerja motor.

Berdasarkan uraian di atas, pada penelitian ini akan dibuat sebuah sistem untuk mengklasifikasikan putaran motor servo dengan cara mengevaluasi kinerjanya melalui penerapan data mining menggunakan metode decision tree dengan algoritma C4.5.

2. LANDASAN TEORI a. Data Mining

Data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining juga disebut sebagai serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data.

Tahapan dari proses Knowledge Discovery in Database (KDD) adalah :

1. Selection

2. Pre-Processing / Cleaning. 3. Transformation

4. Data Mining

5. Interpretation / Evaluation.

b. Metode Klasifikasi

Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Dalam mencapai tujuan tersebut, proses klasifikasi membentuk suatu model yang mampu membedakan data ke dalam kelas-kelas yang berbeda berdasarkan aturan atau fungsi tertentu. Model itu sendiri bisa berupa aturan “jika-maka”,berupa pohon keputusan atau formula matematis.

(3)

c. Decision Tree

Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan. Dengan masing-masing rangkaian pembagian, anggota himpunan hasil menjadi mirip satu dengan yang lain (Berry & Linoff, 2004) .

Metode ini merupakan salah satu metode yang ada pada teknik klasifikasi dalam data mining. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan. Pohon keputusan juga berguna untuk mengekplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.

Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut

menyatakan suatu parameter yang disebut sebagai kriteria dalam pembentukan pohon. Misalkan untuk menentukan kinerja motor sevo, kriteria yang diperhatikan adalah loop, beban, dan tegangan input. Salah satu atribut merupakan atribut yang menyatakan data solusi per item data yang disebut atribut hasil. Banyak algoritma yang dapat dipakai dalam pembentukan pohon keputusan, antara lain ID3, C4.5, CART .

d. Algoritma C4.5

Algoritma C4.5 merupakan pengembangan dari algoritma ID3. Algoritma C4.5 dan ID3 diciptakan oleh seorang peneliti dibidang kecerdasan buatan bernama J. Rose Quinlan pada akhir tahun 1970-an. Algoritma C4.5 membuat pohon keputusan dari atas ke bawah, dimana atribut paling atas merupakan akar, dan yang paling bawah dinamakan daun.

Secara umum, algoritma C4.5 untuk membangun sebuah pohon keputusan adalah sebagai berikut:

 Hitung jumlah data, jumlah data berdasarkan anggota atribut hasil dengan syarat tertentu. Untuk proses pertama syaratnya masih kosong.

 Pilih atribut sebagai Node.

 Buat cabang untuk tiap-tiap anggota dari Node.

 Periksa apakah nilai entropy dari anggota Node ada yang bernilai nol. Jika ada, tentukan daun yang terbentuk. Jika seluruh nilai entropy anggota Node adalah nol, maka proses pun berhenti.

 Jika ada anggota Node yang memiliki nilai entropy lebih besar dari nol, ulangi lagi proses dari awal dengan Node sebagai syarat sampai semua anggota dari Node bernilai nol.

(4)

Keterangan: S : Kasus A : Atribut

n : Jumlah partisi atribut A Ai : Jumlah kasus pada partisi ke-i

S : Jumlah kasus

Sementara itu, untuk menghitung nilai Entropy dapat dilihat pada persamaan berikut ini:

Keterangan:

S : Himpunan Kasus n : Jumlah partisi S pi : Proporsi dari Si ke S.

3. ANALISA DATA DENGAN ALGORITMA C.4.5

Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut:

 Pilih atribut sebagai akar

 Buat cabang untuk masing-masing nilai

 Bagi kasus dalam cabang

 Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama.

Data hasil percobaan motor servo yang terdapat pada tabel 1 merupakan data yang akan dijadikan parameter dalam proses pengklasifikasian kinerja motor servo dengan algoritma C4.5 menggunakan Model Metode Pohon Keputusan.

Tabel 1. Parameter Data Motor Servo

Loop Beban Vin (V) I(A)

Vm (RPM)

Daya

(Watt) Kualitas Vm

Open 7 5 0.48 220 2.4 Lambat

Open 5 5 0.54 280 2.7 Lambat

Close 5 5 0.69 320 3.45 Lambat

Close 7 5 0.73 320 3.65 Lambat

Open 0 5 0.84 380 4.2 Cukup Cepat

Close 0 5 0.95 440 4.75 Cukup Cepat

Open 5 10 1.6 720 16 Cepat

Close 7 10 1.77 820 17.7 Cepat

Close 5 10 1.3 830 13 Cepat

Open 5 7 0.98 950 6.86 Cepat

Open 0 10 2.08 1000 20.8 Cepat

Close 0 10 2.31 1070 23.1 Cepat

Berdasarkan Data Hasil Percobaan Motor Servo yang merupakan parameter untuk melakukan proses data mining dalam hal pengklasifikasian kinerja motor servo dapat dilihat bahwa kinerja motor servo dalam hal nilai kualitatif Kecepatan Motor terbagi tiga yaitu Lambat,Cukup Cepat dan Cepat dengan rincian rentan kecepatan motor (RPM) sebagai berikut :

 Lambat = 0 – 320 RPM

 Cukup Cepat = 321 – 710 RPM

 Cepat = 711 – 1070 RPM

Klasifikasi kecepatan motor pada data parameter dilakukan dengan melihat nilai kecepatan motor (RPM). Dengan rentan kecepatan motor tertentu maka dapat langsung terklasifikasikan pada kategori kualitas kecepatan motor.

(5)

motor servo akan dijadikan sebagai data training dan beberapa data motor servo lainnya akan dijadikan data testing pada proses data mining dengan metode pohon keputusan dan algoritma C4.5 untuk mengklasifikasikan Kualitas Kecepatan motor servo.

Data Motor Servo yang akan dijadikan data training sebanyak 12 data dan diambil secara acak, dapat dilihat pada tabel 2.

Tabel 2. Data Training Motor Servo

Loop Beban Vin

Setelah dilakukan data cleaning pada data-data yang ada pada tabel 2,dapat diperoleh atribut-atributnya (tabel 2 berwarna kuning) adalah Loop, Beban, dan Vin. Sedangkan kelasnya ada pada kolom Kualitas Vm (tabel 2 berwarna biru) yaitu kelas “Lambat(L)”, “Cukup Cepat(CC)”, dan “Cepat(C)”. Kemudian data tersebut dianalisis; data set tersebut memiliki 12 kasus yang terdiri 3

“Lambat”, 5 “Cukup Cepat”, 4 “Cepat”.

Setelah diketahui Atribut dan Kelasnya, maka selanjutnya adalah menghitung entropi keseluruhan kasus :

� �� = − � ∗ � �2 �

Tabel 3. Hasil Perhitungan Dataset

TOTAL

Berdasarakan tabel 3. Bahwa Jumlah kasus data sebanyak 12 data dengan data dengan Kecepatan motor lambat sebanyak 3 data, kecepatan motor cukup cepat sebanyak 5 data dan kecepatan motor cepat sebanyak 4 dengan entropi total 1,554585169.

Selanjutnya menganalisa nilai setiap atribut seperti pada tabel 4.

Tabel 4. Nilai Setiap Atribut

NODE ATRIBUT NILAI SUM

Berdasarkan nilai setiap atribut dapat diperoleh entropi dan gain setiap atribut.

(6)

 Entropi Loop,Close

12 × 1.556656707 +

5

12 × 1.521928095

= 0.012398717

 Entropi Beban,0

� �� = − � ∗ � �2 �

 Entropi Beban,5

� �� = − � ∗ � �2 �

 Entropi Beban,7

(7)

 Entropi Vin,10

Tabel 5. Entropi dan Gain Setiap Atribut

NODE ATRIBUT NILAI ENTROPI

(Si) GAIN

1.1

Loop Open 1.556656707 0.012398717

Close 1.521928095

Beban sudah mengklasifikasikan kasus menjadi 1 (SUM (N) / SUM (CC) = 3/3 = 1) yaitu keputusan-nya Cukup Cepat (lihat pada tabel 4), sehingga tidak perlu dilakukan perhitungan lebih

lanjut, tetapi untuk nilai atribut 0 dan 5 masih perlu dilakukan perhitungan lagi.

Dari hasil tersebut dapat digambarkan pohon keputusan sementara-nya tampak seperti Gambar 2.

Gambar 2.Pohon Keputusan Node 1 (root node)

Berdasarkan pembentukan pohon keputusan node 1 (root node) pada gambar 2, menghasilkan Vin sebagai root node dan Vin 7 merupakan leaf (daun). Node 1.1 dan 1.2 akan dianalisis lebih lanjut.

Untuk node 1.1 dilakukan proses filterisasi pada tabel 2 dengan mengambil data yang memiliki Vin = 5 seperti pada tabel 6.

Tabel 6. Data yang memiliki Vin = 5 entropi setiap atribut serta gainnya.

(8)

� �� 5 = − � ∗ � �2 �

Tabel 7. Hasil Analisis Node 1.1

Vin 5 SUM

(L)

SUM

(CC) ENTROPI

4 3 1 0.811278124

Berdasarakan tabel 7. Bahwa Jumlah kasus data yang Vin-nya = 5 berjumlah 4 data dengan data dengan Kecepatan motor lambat sebanyak 3 data dan kecepatan motor cukup cepat hanya 1 data.

Selanjutnya menghitung nilai entropi dan gain setiap atribut pada tabel 8.

Tabel 8. Hasil Analisis nilai Node 1.1

 Entropi Loop,Open � �� = − � ∗ � �2 �

 Entropi Loop,Close � �� = − � ∗ � �2 �

 Entropi Beban,0

� �� = − � ∗ � �2 �

 Entropi Beban,5

� �� = − � ∗ � �2 �

 Entropi Beban,7

(9)

Tabel 9. Hasil Analisis Entropi dan keputusan-nya Cukup Cepat, nilai atribut 5 sudah mengklasifikasikan kasus menjadi 1 (SUM (N) / SUM (L) = 2/2 = 1) yaitu keputusan-nya Lambat dan nilai atribut 7 sudah mengklasifikasikan kasus menjadi 1 (SUM (N) / SUM (L) = 1/1 = 1) yaitu keputusan-nya Lambat (lihat pada tabel 8), sehingga tidak perlu dilakukan perhitungan lebih lanjut.

Berdasarkan pembentukan pohon keputusan pada gambar 3, menunjukkan bahwa pada node 1.1 (Vin 5) merupakan node beban dengan masing-masing beban 0,5,7 merupakan leaf (daun).

Untuk node 1.2 dilakukan proses filterisasi pada tabel 2 dengan mengambil data yang memiliki Vin = 10 seperti pada tabel 10.

Tabel 10. Data yang memiliki Vin = entropi setiap atribut serta gainnya .

� �� 10 = − � ∗ � �2 �

Vin 10 SUM (CC)

SUM

(C) ENTROPI

5 1 4 0.721928095

Berdasarakan tabel 11. Bahwa Jumlah kasus data yang Vin-nya = 10 berjumlah 5 data dengan data dengan Kecepatan motor cukup cepat hanya 1 data dan kecepatan motor cukup cepat sebanyak 4 data.

Cukup

(10)

 Entropi Loop,Open � �� = − � ∗ � �2 �

 Entropi Beban,0

� �� = − � ∗ � �2 �

 Entropi Beban,5

� �� = − � ∗ � �2 �

 Entropi Beban,7

� �� = − � ∗ � �2 �

Tabel 13. Hasil Analisis Entropi dan Gain Node 1.2

(Si) GAIN

1.2

Loop Open 0.918295834 0.170950594

(11)

keputusan-nya Cepat, nilai atribut 5 sudah mengklasifikasikan kasus menjadi 1 (SUM (N) / SUM (C) = 1/1 = 1) yaitu keputusan-nya Cepat tetapi untuk nilai atribut 7 masih perlu dilakukan perhitungan lagi.

Gambar 4. Pohon Keputusan Analisis Node 1.2

Berdasarkan pembentukan pohon keputusan pada gambar 4, menunjukkan bahwa pada node 1.2 (Vin 10) merupakan node beban dengan beban 0 dan 5 adalah leaf dab beban 7 akan menjadi node 1.2.1.

Untuk node 1.2.1 dilakukan proses filterisasi pada tabel 3 dengan mengambil data yang memiliki Vin = 10 dan Beban = 7 seperti pada tabel 13.

Tabel 14. Data yang memiliki Vin =

Vin 10

Berdasarakan tabel 15. Bahwa Jumlah kasus data yang Vin-nya = 5 dan Beban 7 berjumlah 1 dengan data dengan Kecepatan motor cukup cepat hanya 1 data dan kecepatan motor cepat juga bernilai 1 data.

(12)

�=1

= − 0 1 ×� �2

0 1 + − 1

1 ×� �2 1 1

= 0

 Gain Loop

� � , =� ��

− �∗ � �� (

�=1

�)

= 1−

1

2 × 0 +

1

2 × 0

= 1

Tabel 17. Hasil Analisis Entropi dan Gain Node 1.2

(Si) GAIN

1.2.1 Loop Open 0 1

Close 0

Ada 2 nilai atribut dari Loop yaitu Open dan Close. Dari kedua nilai atribut tersebut, nilai atribut Open sudah mengklasifikasikan kasus menjadi 1 (SUM (N) / SUM (CC) = 1/1 = 1) yaitu keputusan-nya Cukup Cepat, nilai atribut Close sudah mengklasifikasikan kasus menjadi 1 (SUM (N) / SUM (C) = 1/1 = 1) yaitu keputusan-nya Cepat sehingga tidak perlu dilakukan perhitungan lebih lanjut karena atribut sudah tidak ada dan proses telah selesai karena seluruh nilai entropi pada atribut Loop adalah 0.

Dari hasil tersebut dapat digambarkan pohon keputusan akhir tampak seperti Gambar 5.

Gambar 5. Pohon Keputusan Analisis Node 1.2.1 sebagai Pohon Keputusan Akhir

Cukup Cepat

1 Vin

1.1 Beban

5 7 10

Cukup

Cepat Lambat Lambat

0 5 7 1.2

Beban

5 0

Cepat

7

Cepat 1.2.1 Loop

Close Open

(13)

4. PERANCANGAN DAN IMPLEMENTASI SISTEM a. Flowchart Sistem

Gambar 6. Flowchart Sistem Aplikasi Data Mining untuk

Evaluasi Kinerja Motor Servo

b. Entity Relationship Diagram (ERD)

Gambar 7. ERD Sistem Aplikasi Data Mining untuk Evaluasi Kinerja Motor Servo

c. Data Flow Diagram (DFD)

Gambar 8. DFD Sistem Aplikasi Data Mining untuk Evaluasi Kinerja Motor Servo

Cepat Cukup Cepat Lambat

Selesai Insert,dan Delete

Data Motor Servo Data Motor Servo

(14)

d. Database Kondisi Loop Terbuka Setelah melalui tahapan perancangan sistem, selanjutnya adalah implementasi sistem. Untuk menjalankan sistem ini, hal pertama yang dilakukan adalah menginputkan data untuk memeperoleh hasil klasifikasi dengan metode pohon keputusan. Data yang diinputkan pada kondisi loop terbuka akan tersimpan di dalam database tabel loop terbuka.

Gambar 9. Data Base Tabel Kondisi Loop Terbuka

e. Database Kondisi Loop Tertutup Setelah melalui tahapan perancangan sistem, selanjutnya adalah implementasi sistem. Untuk menjalankan sistem ini, hal pertama yang dilakukan adalah menginputkan data untuk memeperoleh hasil klasifikasi dengan metode pohon keputusan. Data yang diinputkan pada kondisi loop tertutup akan tersimpan di dalam database tabel loop tertutup.

Gambar 10. Data Base Tabel Kondisi Loop Tertutup

f. Form Menu Utama

Form menu utama berfungsi untuk mengakses segala perintah yang terdapat dalam aplikasi. Pada form ini terdapat menu yaitu File yang berisi submenu Input data. Adapun tampilannya sebagai berikut :

Gambar 11. Tampilan Form Menu Utama

g. Form Input Data Motor Servo Pada Loop Terbuka

Form ini untuk menginput data-data dari hasil percobaan motor servo seperti Beban,dan Tegangan Input dengan pada loop terbuka

(15)

h. Form Input Data Motor Servo Pada Loop Tertutup

Form ini untuk menginput data-data dari hasil percobaan motor servo seperti Beban,dan Tegangan Input dengan pada loop tertutup

Gambar 13.Tampilan Form Input Data Motor Servo Kondisi Loop Tertutup

5. PENGUJIAN SISTEM

Pengujian sistem dengan cara memasukkan data motor servo yang baru pada aplikasi untuk mengetahui kinerja motor servo dalam hal ini nilai kualitatif kecepatan motor berdasarkan data motor servo yang menjadi data training yang sebelumnya telah diuji dengan menggunakan metode Decision Tree.

Data motor servo baru yang akan diinputkan pada sistem diantaranya :

Tabel 18. Data Motor Servo baru yang akan di testing

Loop Beban Vin Close 7 5

Open 0 5

Close 5 7

Close 7 7

Close 5 10

Adapun tahapan yang dilakukan dalam pengujian sistem ini adalah sebagai berikut:

1. Memasukkan data motor servo pada form input data Loop Terbuka dan Loop Tertutup.

Gambar 14. Penginputan Data Servo Baru Pada Form

Kondisi Loop Terbuka

Gambar 15. Penginputan Data Servo Baru Pada Form

Kondisi Loop Tertutup

(16)

Gambar 16. Message : Data motor servo yang baru telah berhasil diinput.

3. Melakukan pengamatan terhadap hasil ketegori nilai kualitatif kecepatan motor dari data baru yang telah tampil pada aplikasi berdasarkan metode Decision Tree.

Gambar 17. Hasil data motor servo yang baru pada tabel kondisi loop terbuka

Gambar 18. Hasil data motor servo yang baru pada tabel kondisi loop tertutup

6. KESIMPULAN

Pada paper ini telah dilakukan studi penerapan data mining menggunakan metode Decision Tree dengan algoritma C4.5 untuk mengevaluasi kinerja motor servo dengan tiga kategori kecepatan motor servo yaitu Lambat,Cukup Cepat, dan Cepat.

Berdasarkan hasil pengujian yang telah dilakukan dengan memasukkan data motor servo yang baru kemudian dianalisis dengan menggunakan metode pohon keputusan algoritma C4.5 pada sistem aplikasi, hasil yang diperoleh sama dengan hasil kategori data sebenarnya dengan rincian kecepatan motor sebagai berikut :

 0 – 320 RPM = Lambat

 321 – 710 RPM = Cukup Cepat

 711 – 1070 RPM = Cepat

7. DAFTAR PUSTAKA

[1] Turban, E., dkk. 2005. Decision Support Systems and Intelligent Systems. Yogyakarta: Andi Offset. [2] Hermawan, Julius, 2005. Membangun Decision Support System. Penerbit

Andi, Yogyakarta.

[3] Kusrini, 2007. Strategi Perancangan dan Pengelolaan Basis Data. Penerbit Andi, Yogyakarta

[4] Kusrini, dan Emha Taufik Luthfi, 2009.

Algoritma Data Mining. Penerbit Andi, Yogyakarta.

[5] Bening, Rudi. 2014. Belajar Mudah Algoritma Data Mining : C4.5.