PDF Issn : 2302-450x - Unud

(1)

ISSN : 2302-450X

(2)

ISSN : 2302-450X

PROSIDING

PERTEMUAN DAN PRESENTASI KARYA ILMIAH BALI, 29 JULI 2016

PEMBICARA UTAMA SEMINAR PARALEL DENGAN TEMA

͞ ͞ Pe P em ma an n fa f aa a ta t an n T Te ek kn n ol o lo og gi i B Bi ig g D Da at ta a d da a n n B B u u si s in ne e ss s s I In nt t e e ll l li ig ge en n ce c e un u n tu t u k k Me M ew wu uj ju u dk d ka a n n S Sm ma ar rt t C Cu ul lt tu ur ra al l C Ci it t y y ͟ ͟

Prof. Dr. Ir. Suhono Harso Supangkat, CGEIT.

I. B. Rai Dharmawijaya Mantra I. B. Gede Dwidasmara, S.Kom., M.Cs.

I Putu Suryawan, S.E., M.M.

PENYUNTING AHLI

Prof. Dr. I Ketut Gede Darma Putra, S.Kom., M.T.

Dr. H. Agus Zainal Arifin, S.Kom., M.Kom.

Dr.techn. Ahmad Ashari, M.Kom.

Dr. Drs. Anak Agung Ngurah Gunawan, M.T.

Agus Muliantara, S.Kom., M.Kom.

(3)

PELAKSANA SEMINAR

PELINDUNG

Rektor Universitas Udayana, Bali

PENANGGUNG JAWAB

Dekan Fakultas MIPA Universitas Udayana

Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana

PANITIA

I Gusti Ngurah Anom Cahyadi Putra,S.T.,M.Cs.

Gst. Ayu Vida Mastrika Giri, S.Kom., M.Cs.

I Gede Arta Wibawa,S.T.,M.Kom

Ida Bagus Made Mahendra, S.Kom., M.Kom.

I Putu Gede Hendra Suputra, S.Kom., M.Kom.

Luh Arida Ayu Rahning Putri,S.Kom.,M.Cs.

Made Agung Raharja, S.Si., M.Cs.

I Gede Santi Astawa, S.T., M.Cs.

I Komang Ari Mogi, S.Kom, M.Kom.

Ida Bagus Gede Dwidasmara,S.Kom.,M.Cs.

Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.

I Made Widiartha, S.Si., M.Kom.

I Gusti Agung Gede Arya Kadnyanan.,S.Kom.,M.Kom.

I Gede Oka Gartria A.,S.Kom.,M.Kom.

I Wayan Supriana, S.Si., M.Cs.

Dra. Luh Gede Astuti, M.Kom.

(4)

KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya penyusunan Prosiding SNATIA 2016 ini. Buku ini memuat naskah hasil penelitian dari berbagai bidang kajian yang telah direview oleh pakar di bidangnya dan telah dipresentasikan dalam acara Seminar SNATIA tahun 2016 pada tanggal 29 Juli 2016 di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali.

Kegiatan SNATIA 2016 merupakan agenda tahunan Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2016 e ga bil te a Pemanfaatan Teknologi Big Data dan Business Intelligence untuk Mewujudkan Smart Cultural City , de ga pembicara utama seminar yang terdiri dari pakar-pakar peneliti dan pemerhati di bidang Teknologi Informasi dan Smart City.

Meskipun kegiatan seminar dan pendokumentasian naskah dalam prosiding ini telah dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Panitia memohon maaf yang sebesar-besarnya atas kekurangan yang ada. Kritik dan saran perbaikan sangat kami harapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui e-mail [email protected].

Kepada semua pihak yang terlibat baik langsung maupun tidak langsung dalam penyelenggaraan seminar dan penyusunan prosiding SNATIA 2016, panitia mengucapkan terima kasih.

Jimbaran, 29 Juli 2016

Panitia SNATIA 2016

(5)

Halaman ini sengaja dibiarkan kosong.

(6)

DAFTAR ISI

Kata Pengantar Daftar Isi

Artificial Intelligence

Implementasi Algoritma Genetika pada Penjadwalan Bimbingan Tugas Akhir (Studi Kasus Jurusan Ilmu Komputer Universitas Udayana)

Alfin Amri ... 1 Implementasi Metode Naïve Bayes Classifier dalam Mendeteksi Penyakit Saluran Kemih

I Gede Krisna Putra Andiana ... 9 Klasifikasi Jamur Menggunakan Metode Naïve Bayes dengan Pemrosesan Paralel

I Putu Agus Suarya Wibawa ... 15 Klasifikasi Pengidap Diabetes Menggunakan Metode Naive Bayes dengan Pemrosesan

Pararel

Daniel Kurniawan ... 23 Komparasi Algoritma C4.5, Naïve Bayes dan K-Nearest Neighbor (K-Nn) untuk

Mendeteksi Kanker Payudara

Rayung Wulan ... 29 Penerapan Metode LCG (Linear Congruential Generator) pada Sistem Pengacak Soal

Studi Kasus : BLCC (Bali Logic and Computer Competition) Unud

I Wayan Puguh Sudarma ... 35 Perancangan Monitoring and Controlling Traffic Light pada Different Street Condition

Menggunakan Jaringan Internet

Cries Avian ... 43 Perancangan Sistem Evaluasi Nilai Akademik Mahasiswa Menggunakan K-Means

Clustering

Risky Aswi Ramadhani ... 49 Perancangan Sistem Pengklasifikasian Musik Menggunakan Algoritma Support Vector

Machine

I Gst. Agung Wisnu Adi Kusuma ... 55

(7)

Rancang Bangun Aplikasi Pencocokan Citra Tanda Tangan

Resty Wulanningrum ... 61

Information Systems

Analisa Sistem Informasi Persediaan Barang Pada PT. Dua Libra

Nur Azizah ... 67 Analisa Sistem Pembayaran Futsal Pada PT. Padang Golf Moderland

Nur Azizah ... 77 Analisis dan Perancangan Aplikasi ETL Untuk Data Warehouse

Made Mahadipta ... 87 Aprida Aplikasi Penilaian Fleksibel untuk Guru dan Dosen

Fatkur Rhohman... 99 Desain Aplikasi Prosiars Sebagai Media Pendukung Akuisisi Ketrampilan Tata Kelola

Rekam Medis

Slamet Sudaryanto N ... 103 Desain Model Integrasi dan Sinkronisasi Antar Unit Surveilans Untuk Mendukung Data

Warehouse Epidemiologi

Fikri Budiman ... 111 Evaluasi Penggunaan Website dan Fasilitas E-Learning Universitas Nusa Nipa

Menggunakan Metode Analisis Pieces Framework Menuju Paperless Office

Agustinus Lambertus Suban ... 119 Implementasi Single Page Application pada Aplikasi Sintask Menggunakan Javascript

Dan Jquery

Aditya Wikardiyan ... 129 Pengembangan dan Software Testing Aplikasi Tebak Huruf Jawa

Supriyono ... 135 Perancangan Aplikasi E-Learning Berbasis Android Pada Media Pembelajaran Alternatif

I Kadek Ardi Angga ... 141 Perancangan dan Implementasi Aplikasi Media Reservasi Makanan Berbasis Client

Server dengan Platform Android

Ayu Puspita Wardani Okayana... 147

(8)

Perancangan Data Warehouse pada Penjualan Kain Endek Bali (Studi Kasus Toko Luhur Busana Bali)

Rosa Irma Cahyani... 153 Perancangan Sistem Informasi Ensiklopedi Motif Kain Endek Khas Bali

I Gusti Ag Ayu Putu Rhera Mahayekti ... 161 Perancangan Sistem Informasi Pendataan Surat Masuk dan Surat Keluar Pada Media

Cetak Tabloid Tipikor Berbasis Web

Nur Azizah ... 169 Perancangan Sistem Inventaris Sarana Akademik UN PGRI Kediri

Intan Nur Farida ... 181 Perancangan Sistem Tracer Alumni untuk Menentukan Profil Lulusan Prodi Teknik

Informatika Universitas Nusantara PGRI Kediri

Danar Putra Pamungkas... 187 Purwarupa Sistem Layanan Perpustakaan Menggunakan Konsep Basis Data

Terdistribusi

Putu Andina Titra Dewi ... 193 Rancang Bangun Sistem Monitoring Sarbagita Berbasis Mobile Sebagai Solusi

Peningkatan Kepuasan Pelanggan Sarbagita

Ida Bagus Dananjaya ... 199 Rancangan Emergency Call Sebagai Penanganan Kecelakaan Di Kota Kediri

Ervin Kusuma Dewi ... 207 Sistem Informasi Monitoring Bus Trans Sarbagita Berbasis Web

I Putu Gede Surya Hadi Kusuma ... 213 Sistem Informasi Pengarsipan Kinerja Dosen Menggunakan Restful Web Service

Teguh Andriyanto ... 221

Sistem Pengolahan Data Akademik Di Universitas Nusantara PGRI Kediri

Juli Sulaksono ... 227

Knowledge Management

Aplikasi Sistem Pencarian E-Book Dengan Memanfaatkan Web Crawler Berdasarkan Kesamaan Semantik

Diana Ikasari ... 233

(9)

Implementasi Algoritma C4.5 Pada Sistem Pendukung Keputusan Pemilihan Kos Di Daerah Bukit Jimbaran Bali

Imam Zarkasi ... 241 Implementasi dan Perbandingan Algoritma Stemming untuk Dokumen Teks Berbahasa

Indonesia

Dina Anggraini ... 247 Penerapan Metode Profile Matching dalam Menentukan Kualitas Ikan Tuna (Studi

Kasus Pt.Primo Indo Ikan)

Agus Aan Jiwa Permana ... 255 Perancangan dan Implementasi Sistem Pendukung Keputusan Dalam Lomba Desa Pada

Kantor Badan Pemberdayaan Masyarakat Dan Pemerintahan Desa Di Provinsi Nusa Tenggara Barat Dengan Metode Topsis

Ni Putu Eka Listiani ... 263 Perancangan Knowledge Management System Motif Kain Endek Khas Bali

Riska Prasetiyo Utami ... 269 Perancangan Rekomendasi Penjualan Endek Pada Sistem Web E-Commerce

Menggunakan Metode Hybrid Filtering

Luh Ayu Diah Fernita Sari ... 279 Perancangan Simulasi Keuntungan Penjualan Bensin Pada Stasiun Pengisian Bahan

Bakar Umum (SPBU) Menggunakan Metode Monte Carlo (Studi Kasus Spbu Jl. Raya Uluwatu, Jimbaran)

I Putu Surya Diputra ... 287 Simulasi Transaksi untuk Memperkirakan Keuntungan pada Minimarket Vidya dengan

Menggunakan Metode Monte Carlo

Josua Geovani Sinaga ... 299 Sistem Pakar untuk Diagnosa Penyakit Diabetes Mellitus dengan Metode Mamdani

Pada Puskesmas Di Jakarta Timur

Za’i atu Niswati ... 307 Sistem Pendukung Keputusan dalam Penentuan Supplier Tanaman Terbaik

Menggunakan Metode Simple Additive Weighting Studi Kasus CV. Intan Mas Ajie

Rr. Putri Intan Paramaeswari ... 315 Sistem Pendukung Keputusan Menentukan Lokasi Membangun Ruko Menggunakan

Metode SAW Dan Proses Paralel

I Gede Surya Adhi Martana ... 323

(10)

Sistem Pendukung Keputusan Pemilihan Paket Telekomunikasi Smartphone Atau Gadget Dengan Metode SAW (Simple Additive Weighting)

Christina ... 329 Sistem Pendukung Keputusan Pemilihan Portofolio Investasi Saham di Bursa Efek

Indonesia Menggunakan Metode Saw dan Proses Paralel

I Gede Wicaksana ... 335 Sistem Pendukung Keputusan Penentuan Anak Asuh Bagi Peserta Didik Dengan Metode

SAW (Simple Additive Weighting)

Rina Firliana ... 341 Sistem Pendukung Keputusan Penentuan Lokasi Pembangunan Minimarket

Menggunakan Metode Simple Additive Weighting (Studi Kasus Kabupaten Gianyar)

Gede Surya Adiwiguna ... 349 Sistem Pendukung Keputusan Perekrutan Pegawai Dengan Metode Naïve Bayes (Studi

Kasus di PT. Tatamulia)

Ni Putu Striratna Devi Wedayanti ... 357 Sistem Pendukung Keputusan Perekrutan Pegawai Menggunakan Perangkingan

MADM TOPSIS

Luh Putu Dewi Cahyuni ... 363 Sistem Pendukung Keputusan Seleksi Penerima Beasiswa di SMKN 3 Negara

Menggunakan Metode Analytical Hierarchy Process (AHP)

I Putu Krisna Adi Syandhana ... 369 SPK Penentuan Lokasi Pembangunan Perumahan Menggunakan Metode SAW dengan

Pemrosesan Paralel (Studi Kasus Kab. Jembrana)

Gede Satria Pinandita ... 377 SPK untuk Menenentukan Kesesuaian Lahan Tanaman Kopi Arabika Menggunakan

Metode WP dengan Pemrosesan Paralel

Ketut Yudi Werdika ... 383 Web Dinamis Sebagai Sistem Bantu Pencarian Rumah Kos Mahasiswa Dengan Metode

Weighted Product (WP)

Patmi Kasih ... 389

(11)

Multimedia Application

Analisis Sistem Rekomendasi Musik Berdasarkan Konteks Menggunakan Soft Case- Based Reasoning

Gst. Ayu Vida Mastrika Giri ... 395 Aplikasi Alat Musik Padang Berbasis Android

I Gusti Ngurah Anom Cahyadi Putra ... 401 Aplikasi Reduksi Noise Citra Aksara Bali Pada Lontar

Gusti Agung Mas Trisna Krishany ... 409 Implementasi Augmented Reality Pada Objek-Objek Museum Bali Studi Awal

Perancangan Aplikasi Edukasi Untuk Pengunjung Museum

Gerson Feoh ... 415 Pengemba ga Ga e “uper “o ic “hoot de ga Pe dekata Ga e-SCRUM

Falahah ... 423 Perancangan Sistem Informasi Pembelajaran Pembuatan Banten Berbasis Video

Streaming

I Putu Septian Arya Pratama ... 429

Networking and Security

Aplikasi Chatting Berbasis Multiagent Menggunakan Java Agent Development Framework (JADE)

Nisa Miftachurohmah ... 437 Color Image Encryption Using RC4 Algorithm

Andysah Putera Utama Siahaan ... 443 Implementasi Algoritma RC6 Sebagai Pengamanan Aplikasi Chatting

Anneke Puspita Dewi ... 449 Pengelolaan Routing OLSR Pada Jaringan Wireless Mesh

Iwan Rijayana ... 459 Pengembangan Aplikasi Context Aware Pada Teknolog Near Field Communcation

Yuli Fauziah ... 467 Penggunaan Metode Kriptografi pada Voice Over Internet Protokol

Eka Suweantara ... 473

(12)

Perancangan dan Implementasi Aplikasi Chat Menggunakan MQTT Protocol

Muhammad Ridwan Satrio ... 481 Perancangan SMS Gateway Untuk Pelayanan Informasi pada Kegiatan Desa Adat

I Putu Raka Wiratma ... 485 Rancang Bangun Sistem Informasi Paroki Habi Keuskupan Maumere Melalui SMS

Gateway

Theresia Wihelmina Mado ... 491 Sistem Informasi Pengingat Pengumpulan Nilai Berbasis SMS Gateway pada Prodi

Sistem Informasi Universitas Nusantara PGRI Kediri

Fajar Rohman Hariri, M.Kom ... 499 Sistem Kendali DC Converter Untuk Aplikasi Sistem (CAES)

Widjonarko... 507

(13)

Halaman ini sengaja dibiarkan kosong.

(14)

15

KLASIFIKASI JAMUR MENGGUNAKAN METODE NAÏVE BAYES DENGAN PEMROSESAN PARALEL

I Putu Agus Suarya Wibawa

¹

, I Gede Arta Wibawa

²

1,2 Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana Jl. Raya Kampus Unud, Bukit Jimbaran, Kuta Selatan

Email: [email protected]¹, [email protected]² ABSTRAK

Jamur atau cendawan adalah tumbuhan yang tidak mempunyai klorofil sehingga kehidupannya bergantung zat-zat organik yang tersedia di alam. Jamur memiliki cita rasa yang lezat dan unik serta memiliki banyak manfaat, seperti meningkatkan sistem kekebalan tubuh dan sebagai sumber vitamin D. Tidak semua jenis jamur bermanfaat untuk manusia, ada juga jenis jamur yang berbahaya. Mengetahui hal tersebut, maka perlu adanya pengklasifikasian jamur untuk mengetahui apakah suatu jamur bisa dikonsumsi atau tidak. Salah satu metode klasifikasi yaitu metode naive bayes. Metode naive bayes sangat cocok digunakan untuk pengklasifikasian jamur karena metode ini mampu menangani data kategorial. Dalam segi kecepatan, metode naive bayes sudah cepat, namun bisa dioptimalisasi lagi kecepatannya menggunakan pemrosesan paralel.

Pada penelitian ini, instance data set yang digunakan untuk mengklasifikasikan jamur berjumlah 5644 dengan jumlah atribut sebanyak 22 atribut. Dari 22 atribut tersebut akan ditentukan apakah jamur tersebut termasuk jamur yang bisa dikonsumsi atau tidak. Data set jamur ini dibagi menjadi dua yaitu 80% data latih dan 20% data uji. Pemrosesan paralel diterapkan pada proses pelatihan dan pengujian dalam metode naïve bayes sehingga nanti diharapkan komputasinya menjadi lebih cepat.

Dari hasil penelitian ini naïve bayes dapat digunakan untuk mengklasifikasikan jamur apakah jamur tersebut beracun atau bisa dimakan dan menghasilkan akurasi sebesar 88,4%. Penggunaan pemrosesan paralel pada perhitungan naïve bayes tidak mengurangi waktu proses dari perhitungan naïve bayes dan bahkan menambah waktu proses jika datanya sedikit. Pemrosesan paralel akan menjadi efektif jika jumlah data yang diproses besar.

Kata Kunci: Klasifikasi jamur, Naïve bayes, Pemrosesan paralel.

ABSTRACT

Mushroom is a plant that does not have chlorophyll so dependent organic substances available in nature. Mushrooms have a delicious and unique flavor and has many benefits, such as boosting the immune system and as a source of vitamin D. Not all mushroom are beneficial to humans, there is also harmful mushroom. Knowing this, it is necessary to classify mushrooms to determine whether a mushrooms can be consumed or not. One method classification is Naive Bayes. Naive Bayes classification is suitable for classification mushrooms because this method is able to handle data categorical. Naive Bayes method is fast, but can be optimized more speed using parallel processing.

In this study, the instance of the dataset used to classify mushrooms is 5644 with 22 attributes. From 22 attributes will be determined whether these mushrooms including mushrooms that can be consumed or not.

Datasheet mushrooms is split into two, 80% training data and 20% testing data. Parallel processing is applied to the process of training and testing in naïve bayes that are later expected to be faster computing.

From this research, naïve Bayes can be used to classify mushrooms whether mushrooms poisonous or edible and with accuracy is 88.4%. The use of parallel processing on naïve Bayes calculation does not reduce the processing time of calculation naïve Bayes and even add time to the process if the data is little. Parallel processing will be effective if a large amount of data processed.

Keywords: Classification mushrooms, Naïve Bayes, parallel processing

1 PENDAHULUAN

Jamur merupakan tumbuhan yang tidak berklorofil. Jamur memiliki cita rasa yang lezat dan unik. Jamur memiliki banyak manfaat untuk tubuh kita di antaranya sebagai sumber vitamin D, meningkatkan sistem kekebalan tubuh, sumber

antioksidan, mengontrol berat badan, dan melawan kanker. Tetapi tidak semua jamur bermanfaat bagi tubuh kita, ada juga jamur yang berbahaya. Oleh karena itu sangat penting untuk mengklasifikasikan jenis jamur apakah bisa dimakan atau tidak. Proses klasifikasi jamur pada penelitian ini menggunakan 22 atribut yaitu bentuk topi, permukaan topi, warna topi,

(15)

ISSN : 2302 – 450X

16

memar/tidak, bau, lampiran insang, jarak antar insang, ukuran insang, warna insang, bentuk tangkai, batang akar, tangkai permukaan di atas cincin, tangkai permukaan di bawah cincin, warna tangkai di bawah cincin, warna tangkai di atas cincin, jenis selubung, warna selubung, jumlah cincin, tipe cincin, warna spora, populasi, dan habitat. Metode klasifikasi yang digunakan adalah naïve bayes karena metode ini bisa menangani data kategorial.

Banyak penelitian yang pernah dilakukan terkait permasalahan klasifikasi jamur dan pemrosesan paralel yaitu:

1. Sunita Beniwal & Bishan Das (2015) dengan judul Mushroom Classification using Data Mining Techniques.

2. Dimitris N. Varsamis, Christos Talagkozis, Paris A. Mastorocostas, Evangelos Outsios, dan Nicholas P. Karampetakis dengan judul The Performance of The Matlab Parallel Computing Toolbox in Speciﬁc Problems.

Tujuan dari penelitian ini adalah mengimplementasikan metode naïve bayes untuk pengklasifikasian jamur sehingga dapat membantu dalam mengklasifikasikan jamur yang bisa dikonsumsi dan beracun. Penelitian ini juga bertujuan untuk menerapkan pemrosesan paralel untuk mengetahui perbedaan dari segi kecepatan antara menggunakan pemrosesan paralel dengan tanpa menggunakan pemrosesan paralel pada proses perhitungan naive bayes.

2 MODEL, ANALISIS, DESAIN, DAN IMPLEMENTASI

2.1 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 obyek [3]. Teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi data yang ada dan menggunakan hasilnya untuk memberikan sejumlah aturan. Aturan-aturan tersebut digunakan pada data- data baru untuk diklasifikasi. Teknik ini menggunakan supervised learning, yang memanfaatkan kumpulan pengujian dari data yang terklasifikasi untuk menentukan kelas-kelas tambahan. Naïve bayes adalah salah satu metode klasifikasi yang paling populer karena perhitungannya tergolong mudah.

2.2 Metode Naive Bayes

Klasifikasi naïve bayes merupakan salah satu metode machine learning yang memanfaatkan perhitungan probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya.

Pada teorema Bayes, bila terdapat dua kejadian yang terpisah (misalkan A dan B), maka teorema Bayes dirumuskan sebagai berikut:

P (A|B) = (P(A) * P(B|A))/P(B) (1) Di mana P(A|B) adalah peluang kejadian A sebagai B, P(B|A) adalah peluang B saat A, P(A) adalah peluang A, dan P(B) adalah peluang B. Untuk menjelaskan teorema Naïve Bayes, perlu diketahui bahwa proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut. Sehingga, teorema Bayes di atas disesuaikan sebagai berikut:

� � �1,…,�� = � � �(�1,…,��|�)

�(�1,…,��) (2) Di mana C merepresentasikan kelas dan F1, …, Fn merepresentasikan karakteristik-karakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi. Rumus (2) menjelaskan bahwa peluang masuknya sampel dengan karakteristik tertentu dalam kelas C (posterior) adalah peluang munculnya kelas C (sebelum masuknya sampel tersebut, sering kali disebut prior), dikalikan dengan peluang kemunculan karakteristik-karakteristik sampel pada kelas C (disebut juga likelihood), dibagi dengan peluang kemunculan karakteristik-karakteristik sampel secara global (disebut juga evidence). Oleh karena itu rumus (2) dapat ditulis secara sederhana sebagai berikut:

��= !"#$" ! !"#$!"!!!"

!"#$!%&! (3)

Ada 4 tahap dalam pengklasifikasian menggunakan metode naïve bayes yaitu:

1. Menghitung probabilitas tiap kelas.

2. Menghitung probabilitas jumlah kasus yang sama dengan kelas yang sama.

3. Menghitung probabilitas semua kelas untuk tiap data baru.

4. Mencari probabilitas terbesar untuk dijadikan label pada data baru.

2.3 Pemrosesan Paralel

Pemrosesan paralel (parallel processing) adalah penggunaan lebih dari satu CPU untuk menjalankan sebuah program secara simultan.

Idealnya, pemrosesan paralel membuat program berjalan lebih cepat karena semakin banyak CPU yang digunakan. Tujuan utama dari pemrosesan paralel adalah untuk meningkatkan performa komputasi. Semakin banyak hal yang bisa dilakukan secara bersamaan (dalam waktu yang sama), semakin banyak pekerjaan yang bisa diselesaikan.

Pemrosesan paralel berbeda dengan multitasking. Multitasking merupakan pengeksekusian beberapa tugas secara bergantian

(16)

I Putu Agus Suarya Wibawa, Klasifikasi Jamur Menggunakan Metode Naïve Bayes dengan Pemrosesan Paralel

17

dengan cepat sehingga kita menganggapnya seperti bersamaan. Sedangkan pemrosesan paralel menggunakan beberapa prosesor atau komputer.

Berikut ini merupakan gambar dari perbedaan pemrosesan tunggal dan pemrosesan secara paralel.

Gambar 1. Perbedaan pemrosesan tunggal

dengan paralel Model dari pemrosesan paralel ada 4 yaitu:

1. SISD (Single Instruction, Single Data)

Pada model ini hanya menggunakan 1 prosesor.

2. SIMD (Single Instruction, Multiple Data) Model ini menggunakan banyak prosesor dengan instruksi yang sama, namun setiap prosesor mengolah data yang berbeda

3. MISD(Multiple Instruction, Single Data)

Model ini menggunakan banyak prosesor dengan setiap prosesor menggunakan instruksi yang berbeda namun mengolah data yang sama.

4. MIMD (Multiple Instruction, Multiple Data) Model ini menggunakan banyak prosesor dengan setiap prosesor memiliki instruksi yang berbeda dan mengolah data yang berbeda.

2.4 Analisis Kebutuhan

Dataset jamur dalam penelitian ini mengambil data dari UCI Machine Learning Repository. Dataset yang didapatkan sejumlah 5644 instance. Atribut dan nilai atribut data jamur tersebut ditunjukkan pada tabel 1.

Tabel 1. Atribut dan Nilai Atribut pada Dataset Jamur

No. Atribut Nilai 1 Bentuk

tudung

Lonceng, kerucut, cembung, datar, menonjol, cekung 2 Permukaa

n tudung

Berserat, alur, bersisik, halus 3 Warna

tudung

Cokelat, kekuningan, cokelat muda, abu-abu, hijau, merah muda, ungu, merah, putih, kuning.

4 Lebam Ya, tidak

5 Bau Badam, adas manis, kreosot, amis, busuk, basi, tidak ada, tajam, pedas

6 Lampiran lamela

Terlampir, turun, bebas, berkumai, dekat, ramai, regang

7 Jarak lamela

Dekat, ramai, jauh 8 Ukuran

lamela

Lebar, tipis 9 Warna

lamela

Hitam, cokelat, kekuningan, abu-abu, hijau, jingga, merah muda, ungu, merah, putih, kuning

10 Bentuk tangkai

Membesar, lonjong 11 Akar

tangkai

Berumbi, melengkung, sejajar, berakar, rhizomorphs stik 12 Permukaa

n tangkai di atas annulus

Berserat, bersisik, seperti sutera, halus

13 Permukaa n tangkai di bawah annulus

Berserat, bersisik, seperti sutera, halus

14 Warna tangkai di atas annulus

Cokelat, kekuningan, cokelat muda, abu-abu, jingga, merah muda, merah, putih, kuning 15 Warna

tangkai di bawah annulus

Cokelat, kekuningan, cokelat muda, abu-abu, jingga, merah muda, merah, putih, kuning 16 Jenis veil Sebagian, universal 17 Warna

veil

Cokelat, jingga, putih, kuning 18 Jumlah

annulus

Tidak ada, 1, 2 19 Jenis

annulus

Jaring laba-laba, evanescent, melebar, besar, tidak ada, liontin, bahan pelapis, zone 20 Warna

spora

Hitam, cokelat, kekuningan, hijau, jingga, ungu, putih, kuning

21 Populasi Berlimpah-limpah,

berkerumunan, banyak, tersebar, beberapa, tersendiri, 22 Habitat Rumput, daun, padang

rumput, jalan kecil, perkotaan, limbah, hutan

3 SKENARIO UJI COBA

Uji coba pada penelitian ini terdiri dari beberapa langkah yaitu:

1. Membagi dataset jamur yang sudah ada (5644 data) menjadi 2 yaitu 80% atau 4515 data untuk data pelatihan dan 20% atau 1129 data untuk data pengujian.

(17)

ISSN : 2302 – 450X

18

2. Menerapkan algoritma naïve bayes untuk mengklasifikasikan jamur dengan menggunakan 22 atribut yang sudah ada pada dataset jamur dan mencatat akurasi dari algoritma tersebut. Pada penelitian ini penerapan algoritma naïve bayes menggunakan matlab.

3. Mencatat waktu dari proses pengklasifikasian jamur tanpa menggunakan pemrosesan paralel dan menggunakan pemrosesan paralel untuk mengetahui perbedaannya. Pemrosesan paralel pada penelitian ini menggunakan 1 komputer Intel core i5-3317U 1,7GHz 4GB RAM dan menggunakan matlab.

4 HASIL UJI COBA

Uji coba pada penelitian ini bertujuan untuk mengukur berapa tingkat akurasi dari metode naïve bayes dalam pengklasifikasian jamur. Tujuan yang kedua yaitu untuk mengetahui apakah penerapan pemrosesan paralel bisa mengurangi waktu proses dari perhitungan metode naïve bayes.

4.1 Data Pelatihan dan Data Pengujian

Proses uji coba untuk menentukan tingkat akurasi metode naïve bayes dalam mengklasifikasikan jamur pada penelitian ini menggunakan dataset dari UCI Machine Learning Repository. Dari sumber tersebut didapatkan data sebanyak 5644 data jamur yang sudah memiliki label.

Data tersebut akan dibagi menjadi 2 yaitu 80% untuk pelatihan dan 20% untuk pengujian seperti yang sudah dipaparkan pada skenario uji coba. Dari data pengujian tersebut akan digunakan untuk menentukan berapa tingkat akurasi dari metode naïve bayes.

4.2 Flowchart

Flowchart atau diagram alur pada program klasifikasi jamur ini ditunjukkan pada gambar 2.

Gambar 2. Flowchart program klasifikasi jamur

Pada program klasifikasi jamur ini akan dimasukkan terlebih dahulu data pelatihan dan data pengujiannya. Program akan melakukan klasifikasi naïve bayes untuk data tersebut. Setelah klasifikasi jamur selesai akan dihitung berapa jumlah output kelas yang benar, salah, tingkat akurasi, dan waktu eksekusi program. Jumlah output kelas yang benar ini adalah jika label pada data yang sudah ada sama dengan label prediksi dari program naïve bayes ini, begitu juga sebaliknya. Terakhir program akan menampilkan jumlah output kelas yang benar, salah, tingkat akurasi dari program, dan waktu eksekusi program/waktu proses dari perhitungan naïve bayes.

4.3 Perhitungan Tingkat Akurasi Naïve Bayes Pengujian untuk menghitung tingkat akurasi program naïve bayes ini dalam mengklasifikasikan data jamur dilakukan dengan memasukkan data pelatihan dan pengujian pada program. Program akan melakukan proses klasifikasi naïve bayes dan akan menghitung jumlah output kelas label yang benar dan salah. Output kelas label yang benar adalah jika label pada data jamur sama dengan label prediksi dari program naïve bayes ini. Perhitungan untuk menghitung tingkat akurasi yaitu:

�� =��ℎ ��

�� 100%

Pada penelitian ini, hasil dari klasifikasi naïve bayes yang sudah dilakukan oleh program menghasilkan output seperti gambar 3 di bawah ini:

Gambar 3. Hasil klasifikasi jamur

Dari hasil program menunjukkan bahwa 998 dari 1129 data jamur berhasil diklasifikasikan dengan benar. Perhitungan tingkat akurasi program yaitu:

�� = 998

1129 � 100%=88,4 %

Jadi pada penelitian yang dilakukan dengan menerapkan metode naïve bayes untuk mengklasifikasikan jamur memiliki tingkat akurasi sebesar 88,4%.

Mulai

Berhenti Masukkan data pelatihan

dan pengujian

Menampilkan jumlah output kelas benar, salah, tingkat akurasi, dan waktu

eksekusi program Klasifikasi naive bayes

Menghitung output kelas yang benar, salah, tingkat akurasi, dan waktu eksekusi program

(18)

19

4.4 Penerapan Pemrosesan Paralel pada Metode Naïve Bayes

Proses uji coba untuk mengetahui apakah penerapan pemrosesan paralel bisa mengurangi waktu proses perhitungan metode naïve bayes dilakukan dengan menggunakan matlab. Uji coba untuk pemrosesan paralel pada penelitian ini menggunakan 1 sampai 5 prosesor.

Tahap uji coba pada penelitian ini yaitu:

1. Aktifkan mode paralel pada matlab dengan menggunakan 1 prosesor.

2. Jalankan program naïve bayes pada matlab untuk mengklasifikasikan data jamur yang sudah disediakan sebelumnya dan catat berapa waktu eksekusinya.

3. Ulangi langkah ke-2 hingga 4 kali percobaan untuk mendapatkan rata-rata waktu eksekusi.

4. Ulangi langkah 1-3 untuk jumlah prosesor yang berbeda.

Hasil dari uji coba ini di tunjukkan pada tabel 2.

Tabel 2. Hasil uji coba menggunakan pemrosesan paralel

Uji coba

ke

Jumlah prosesor

1 2 3 4 5

1 3.21 s 3.49 s 3.84 s 4.58 s 5.27 s 2 3.16 s 3.28 s 3.64 s 4.09 s 4.64 s 3 3.15 s 3.38 s 3.64 s 4.09 s 4.51 s 4 3.18 s 3.28 s 3.62 s 4.12 s 4.62 s Rata-

rata 3.17 s 3.36 s 3.69 s 4.22 s 4.76 s Penerapan pemrosesan paralel pada perhitungan metode naïve bayes untuk klasifikasi jamur tidak mengurangi waktu proses bahkan menambah waktu proses. Pada gambar 4 di bawah ini merupakan grafik perbandingan antara jumlah prosesor dan waktu proses dari perhitungan naïve bayes. Waktu proses yang dipakai di sini adalah waktu proses rata-rata dari 4 percobaan yang dilakukan.

Gambar 4. Perbandingan jumlah prosesor dengan

waktu proses

Pada gambar 4 terlihat bahwa semakin banyak prosesor yang digunakan maka waktu proses dari perhitungan metode naive bayes akan semakin lama. Hal ini karena pemrosesan paralel akan menjadi efektif ketika data yang diproses sangat besar.

Hal ini dibuktikan dalam penelitian Dimitris N. Varsamis, Christos Talagkozis, Paris A.

Mastorocostas, Evangelos Outsios, dan Nicholas P.

Karampetakis dengan judul The performance of the MATLAB Parallel Computing Toolbox in speciﬁc problem [5]. Pada penelitian tersebut meneliti tentang waktu eksekusi dari pencarian matriks berukuran 2²⁰ dan 2²⁵ menggunakan 1, 2, 4, 8, dan 16 prosesor dengan menggunakan 24 komputer intel core quad cpu (q9400) 2,6ghz 4gb ram. Hasil dari penelitian tersebut menunjukkan bahwa semakin banyak prosesor yang digunakan maka waktu proses untuk pencarian matriks akan semakin cepat dikarenakan jumlah data yang diproses sangat besar yaitu 2²⁰ dan 2²⁵.

Oleh karena itu, peneliti melakukan uji coba dengan mengklasifikasikan jamur dengan data uji sebesar 103845 data, 207690 data, 311535 data, dan 415380 data. Tahapan dari uji coba ini sama seperti uji coba sebelumnya.

Hasil dari uji coba ini ditampilkan dalam bentuk grafik di mana jumlah prosesor yang dipakai dari 1-5 prosesor dan waktu proses perhitungannya merupakan waktu proses rata-rata dari 4 percobaan yang dilakukan. Grafik perbandingan antara jumlah prosesor dengan waktu proses dari hasil uji coba tersebut terlihat seperti gambar 5, 6, 7, dan 8 di bawah ini:

0 1 2 3 4 5

1 2 3 4 5

Waktu proses (de5k)

Jumlah prosesor

Perbandingan jumlah prosesor dengan waktu pemrosesan

(19)

ISSN : 2302 – 450X

20

waktu proses untuk 103845 data uji Pada gambar 5 di atas, waktu proses dengan 3 prosesor lebih sedikit daripada menggunakan 1 atau 2 prosesor. Tetapi jika menggunakan lebih dari 3 prosesor justru akan memakan waktu yang lebih lama.

waktu proses untuk 207690 data uji Pada gambar 6 di atas, menggunakan jumlah prosesor sebanyak 4 akan memakan waktu yang lebih sedikit daripada menggunakan prosesor sejumlah 1, 2, atau 3. Sedangkan jika lebih dari 4 prosesor maka akan memakan waktu lebih lama.

waktu proses untuk 311535 data uji Pada gambar 7 di atas, waktu proses akan semakin lama jika menggunakan lebih dari 4 prosesor

dan prosesor yang paling optimal digunakan adalah 4 prosesor.

waktu proses untuk 415380 data uji Pada gambar 8, waktu proses dengan menggunakan 5 prosesor akan memakan waktu yang lebih sedikit daripada menggunakan 1, 2, 3, atau 4 prosesor.

5 KESIMPULAN

Berdasarkan penelitian yang dilakukan maka dapat disimpulkan bahwa metode naïve bayes dapat digunakan untuk mengklasifikasikan jamur apakah jamur tersebut beracun atau bisa dimakan. Klasifikasi jamur menggunakan metode naïve bayes ini memiliki tingkat akurasi sebesar 88,4%.

Penggunaan pemrosesan paralel pada perhitungan naïve bayes tidak mengurangi waktu proses dari perhitungan naïve bayes dan bahkan menambah waktu proses jika datanya sedikit. Tetapi jika data yang diproses banyak seperti gambar 5, 6, 7, dan 8, penggunaan pemrosesan paralel bisa mengurangi waktu proses perhitungan. Jadi pemrosesan paralel akan menjadi efektif jika jumlah data yang diproses besar.

6 DAFTAR PUSTAKA

[1] Rathod, A. B., Khadse, R., & Bagwan, M. F.

(2014). Serial Computing vs. Parallel Computing: A Comparative Study using Matlab.

International Journal of Computer Science and Mobile Computing, 815-820.

[2] Beniwal, S., & Das, B. (2015). Mushroom Classification using Data Mining Techniques.

International Journal of Pharma and Bio Sciences, 1170-1176.

[3] Mulyanto, A. (2009). Sistem Informasi Konsep

& Aplikasi. Dalam A. Mulyanto, Sistem Informasi Konsep & Aplikasi (hal. 204-206).

Yogyakarta: Pustaka Pelajar.

0 10 20

1 2 3 4 5

Waktu proses (de5k)

Jumlah prosesor

Perbandingan jumlah prosesor dengan waktu pemrosesan dengan 103845 data

0 5 10 15 20 25 30

1 2 3 4 5

Waktu proses (de5k)

Jumlah prosesor

0 10 20 30 40

1 2 3 4 5

Waktu proses (de5k)

Jumlah prosesor

0 10 20 30 40 50 60

1 2 3 4 5

Waktu proses (de5k)

Jumlah prosesor

(20)

21

[4] Theodoridis, S., & Koutroumbas, K. (2006).

Pattern Recognition Third Edition. Elsevier:

Academic Press.

[5] Varsamis, D. N., Talagkozis, C., Mastorocostas, P. A., Outsios, E., & Karampetakis, N. P. (2014).

The Performance of The Matlab Parallel Computing Toolbox In Speciﬁc Problems.

Advances in Information Science and Applications, 56-60.