SAMBUTAN DEKAN FAKULTAS TEKNIK UNPATTI

(1)

(2)

(3)

SAMBUTAN DEKAN FAKULTAS TEKNIK UNPATTI

Assalamulaikum Warohmatullahi Wabarakatuh, Salam Sejahtera.

Marilah kita panjatkan puji syukur kepada Tuhan Yang Maha Kuasa yang telah memberikan rahmat dan karuniaNya sehingga kegiatan Seminar Nasional ke -2 Archipelago Engineering 2019 dengan tema

“BERBENAH DALAM TANTANGAN REVOLUSI INDUSTRI 4.0 DI BIDANG TEKNOLOGI KELAUTAN KEPULAUAN MENUJU TAHUN EMAS 2020” dapat terselenggara dengan baik dan lancar.

Atas nama Keluarga Besar Fakultas Teknik Unpatti, perkenankan saya menyampaikan Selamat Datang di Kampus Fakultas Teknik kepada Bapak Prof. Adi Suryosatyo dari Universitas Indonesia, Bapak Dr. I Made Ariana, ST., MT. dari ITS dan dan Ibu Cathy Garden dari Selandia Baru sebagai Keynote Speakers, para pemakalah dan peserta dari luar Universitas Pattimura guna mengikuti seminar ini.

Saya menyambut gembira karena kegiatan Seminar ALE 2019 ini mendapatkan perhatian yang besar dari para dosen di lingkup Fakultas Teknik Unpatti sehingga lebih dari 40 makalah akan dipresentasikan dalam seminar ini. Untuk itu, saya menyampaikan terima kasih dan penghargaan yang setinggi-tingginya kepada Bapak dan Ibu para pemakalah. Saya yakin bahwa dari seminar ini akan menghasilkan ide-ide, konsep- konsep, teknik-teknik dan terobosan–terobosan baru yang inovatif dan bersinergi dengan pengembangan pola Ilmiah Pokok Unpatti terutama di bidang Kelautan Kepulauan.

Seminar ini terselenggara dengan baik karena dukungan dari berbagai pihak, khususnya para sponsor dan kontribusi dari pemakalah dan peserta. Untuk itu, saya menyampaikan terima kasih yang sebesar- besarnya.

Secara khusus, saya menyampaikan terima kasih dan penghargaan yang setinggi-tingginya kepada Panitia Penyelenggara atas jerih payah, kerja keras, ketekunan dan kesabarannya dalam mempersiapkan dan menyelenggarakan seminar ini sehingga dapat berjalan baik, lancar dan sukses.

Akhirnya, melalui seminar ini, marilah kita senantiasa perkuat dan perluas jejaring serta kerjasama antar sesama dosen sebagai pendidik, peneliti dan pengabdi kepada masyarakat dalam mewujudkan Tri Dharma Perguruan Tinggi guna membangun bangsa dan negara tercinta.

Ambon, 10 April 2019

Dekan Fakultas Teknik Unpatti,

Dr. Ir. W. R. Hetharia, M.App.Sc

(4)

iv

SUSUNAN PANITIA PELAKSANA 2019 Dr. Novitha L. Th. Thenu, ST., MT

Nikolaus Titahelu, ST, MT

Dr. Debby R. Lekatompessy, ST., MT Ir. W. M. E. Wattimena, MSc

Danny Pailin Bunga, ST, MT Ir. Latuhorte Wattimury, MT N. Maruanaya, SH

Ir. H. C. Ririmasse, MT Ir. John Latuny, MT, PhD

SEKSI SEMINAR ALE 2019 W. M. Rumaherang, ST., MSc, PhD D. S. Pelupessy, ST, MSc, PhD

Prayitno Ciptoadi, ST, MT Benjamin G. Tentua, ST, MT Mercy Pattiapon, ST, MT

Meidy Kempa, ST, MT

(5)

DAFTAR ISI

HALAMAN JUDUL ... i

SAMBUTAN DEKAN FAKULTAS TEKNIK UNPATTI ... iii

SUSUNAN PANITIA PELAKSANA ... iv

DAFTAR ISI ... v

Teknik Perkapalan, Teknik Transportasi Laut E. R. de FRETES : ... 1

Analisa Parametrik Channel Flow pada Lambung Kapal Cepat untuk Memperoleh Wake Maksimum. Studi Kasus: Kapal Cepat Rute Ambon Wayame SONJA TREISJE A. LEKATOMPESSY: ... 6

Pengaruh Variasi Parameter Pengelasan Terhadap Kualitas Hasil Pengelasan OBED METEKOHY : ... 9

Analisa Pengaruh Karakteristik Teknis Desain Terhadap Proses Setting Kapal Pukat Cincin di Maluku HELLY S. LAINSAMPUTTY : ... 15

Analysis Of Principle Dimension And Shape Of Purse Seiners In Ambon Island WOLTER R. HETHARIA, A. FENINLAMBIR, J. MATAKUPAN, F. GASPERSZ: ... 20

Pengaruh Dimensi Terhadap Parameter Stabilitas Kapal-Kapal Penumpang Kecil Material FRP LEKATOMPESSY DEBBY R, SOUMOKIL RUTH P, RIRIMASSE HEDY C. : ... 26

Analisa Response Dinamik Pada Sambungan Konstruksi Kapal Kayu Berdasarkan Tipe Mesin Yang Digunakan EDWIN MATATULA: ... 31

Studi Pemilihan Jenis Alat Angkut Bahan Bakar Minyak Wilayah Kepulauan MONALISA MANUPUTTY : ... 39

Pengaruh Getaran Dan Kebisingan Terhadap Kelelahan Kerja Pada Awak Kapal Ikan Tipe Pole And Line Teknik Sistem Perkapalan ABDUL HADI, B. G. TENTUA : ... 45

Algoritma Simulasi Numerik Getaran Dirrect Inline Harmonical Cam Follower Pada Valve Train Manifold Motor Diesel DANNY S. PELUPESSY : ... 52

Studi Karakteristik Momen Torsi Akumulator Pegas Untuk Penggerak Langkah (Step- Drives) JACOB D. C. SIHASALE, JERRY R. LEATEMIA : ... 57

Analisis Penampatan Lokasi Station AIS (Automatic Identification Sistem) Di Ambon Guna Mendukung Monitoring ALKI (Alur Laut Kepulauan Indonesia) III Secara Maksimal LATUHORTE WATTIMURY : ... 64

Tinjauan Analisa Kerja Signal AF dan RF Terhadap Kinerja Peralatan Pemancar Dan Penerima Stasiun Radio Pantai Distrik Navigasi Ambon MESAK FRITS NOYA, ABDUL HADI : ... 72

Studi Eksperimental Pengaruh Posisi Pengelasan Terhadap Sifat Mekanis Baja Karbon Rendah

(6)

vi

NOVITHA L. TH. THENU : ... 78 Pemisahan Sinyal Bunyi Dari Microphone Array Dengan Menggunakan Metode Blind

Source Separation - Independent Component Analysis Untuk Memantau Kondisi Poros Retak

PRAYITNO CIPTOADI : ... 83 Pengaruh Variasi Diameter Pipa Isap Terhadap Karakteristik Pompa Sentrifugal

Teknik Mesin, Teknik Informatika, Teknik Elektro

ANTONI SIMANJUNTAK, JOHANIS LEKALETTE : ... 87 PLTS di Pulau Osi dan Permasalahannya

BENJAMIN GOLFIN TENTUA, ARTHUR YANNY LEIWAKABESSY : ... 95 Studi Eksperimental Sifat Mekanis Tarik dan Bending Komposit Serat Empulur Sagu

JANDRI LOUHENAPESY, SEFNAT J. ETWAN SARWUNA : ... 102 Analisa Kinerja Rem Cakera Akibat Modifikasi Kaliper Roda Belakang Terhadap

Keselamatan Pengendara Sepeda Motor

NICOLAS TITAHELU, CENDY S. E. TUPAMAHU: ... 108 Analisis Pengaruh Masukan Panas pada Oven Pengering Bunga Cengkeh Terhadap

Karakteristik Perpindahan Panas Konveksi Paksa

W. M. RUMAHERANG : ... 115 Evaluasi Karakteristik Energy Torque Converter Berdasarkan Pengaruh Rasio Putaran

Terhadap Koefesien Torsi dan Efesiensi

ELVERY B. JOHANNES : ... 121 Indexing pada Sistem Penalaran Berbasis Kasus Menggunakan Metode Complete-

Linkage Clustering

SAMY J. LITILOLY, NICOLAS TITAHELU : ... 128 Laser Semikonduktor GaAs Jenis Double Heterojunction Sebagai Sumber Cahaya

dalam Komunikasi Optik

Teknik Industri

ALFREDO TUTUHATUNEWA : ... 135 Model Agile Supply Chain Industri Perikanan di Kota Ambon

AMINAH SOLEMAN : ... 141 Analisis Beban Kerja Mental Dan Fisik Karyawan Pada Lantai Produksi Dengan

Metode Nasa-Tlx Dan Cardiovascularload

DANIEL B. PAILLIN, JOHAN M TUPAN, RIZKI ANGGRAENI UTAMI PUTRI : ... 147 Penerapan Algoritma Differential Evolution untuk Penyelesaian Permasalahan

Capacitated Vehicle Routing Problem (CVRP). (Studi Kasus: PT. Paris Jaya Mandiri)

MARCY L. PATTIAPON, NIL EDWIN MAITIMU : ... 154 Perencanaan Produksi Kerajinan Kulit Kerang Mutiara dengan Menggunakan Metode

Agregat di Kota Ambon

J. M. TUPAN : ... 158 Desain Pemasaran Online Berbasis Web untuk Pemasaran Produk Kerajinan Kerang

Mutiara di Kota Ambon. (Studi Kasus: Pondok Mutiara)

NIL EDWIN MAITIMU, MARCY L. PATTIAPON : ... 167 Penerapan Economic Order Quantity (EOQ) Guna Menganalisa Pengendalian

Persediaan Bahan Baku Daging Buah Pala pada Usaha Kecil Menengah (UKM) Hunilai di Dusun Toisapu Desa Hutumuri

RICHARD A. de FRETES : ... 172 Pengembangan Komunitas Pesisir Di Kecamatan Leitimur Selatan dengan

Memanfaatkan Kearifan Lokal

(7)

MOHAMMAD THEZAR AFIFUDIN, ARIVIANA LIENTJE KAKERISSA : ... 179 Aplikasi Pendekatan N-Stage untuk Masalah Pengrutean dan Penjadwalan Truk-

Tunggal di Daerah Kepulauan. (Studi Kasus pada Koperasi Unit Bersama Negeri Booi, Saparua)

W. LATUNY : ... 186 Memprediksi Harga Jual Rumput Laut Kering Pada Tingkat Petani Dengan Data

Mining

IMELDA CH. POCERATU : ... 200 Implementasi Ekoteologi dalam Pencegahan Pencemaran Lingkungan Laut di Pasar

Arumbai Ambon

Teknik Sipil, Perencanaan Wilayah & Kota

A. KALALIMBONG : ... 209 Tinjauan Hasil Peningkatan Saluran Suplesi Geren Meten Pulau Buru

S. G. M. AMAHEKA, FUAD H. OHORELLA, JESICA NAHUMURY : ... 215 Analisis Biaya Operasnal Kendaraan di Kota Ambon

MEIDY KEMPA : ... 222 Kajian Tentang Faktor-Faktor yang Mempengaruhi Keterlambatan Proyek Gedung di

Kota Ambon : Peringkat Faktor & Solusi Penanggulangannya

SAMMYLES G. M. AMAHEKA, ARIVIANA L. KAKERISSA: ... 229 Pengaruh Penerapan Keselamatan Dan Kesehatan Kerja Terhadap Biaya Proyek

Konstruksi Bangunan Gedung di Kota Ambon

PIETER TH. BERHITU : ... 236 Model Stuktural Aspek Peran Zonasi dan Masyarakat dalam Pengelolaan Pesisir Kota

Ambon Berkelanjutan

Tambahan

RIKHARD UFIE, ROY R. LEKATOMPESSY, ZICO MARLISSA: ... 243 Kaji Kapasitas Pendinginan Ikan dengan Menggunakan Es dalam Kemasan Plastik

FELLA GASPERSZ, ABDUL DJABAR TIANOTAK, RUTH P. SOUMOKIL: ... 248 Kajian Kualitas Kelas Awet Limbah Batang Kulit Pohon Sagu Sebagai Material

Alternatif Bangunan Kapal

ABDUL DJABAR TIANOTAK, H. C. RIRIMASSE, ELVERY B. JOHANNES: ... 252 Uji Kelayakan Ekonomis Pengembangan Fasilitas Bongkar Muat dan Turun Naiknya

Penumpang di Pelabuhan Hurnala Maluku Tengah

H. C. RIRIMASSE, ABD. DJABAR TIANOTAK, ELVERY B. JOHANNES : ... 257 Penentuan Sistim Trasportasi Unggulan Di Kawasan Pengembangan Ekonomi

Terpadu (Kapet) Seram Provinsi Maluku

BILLY J. CAMERLING : ... 261 Pemilihan Alternatif Bahan Bakar Mesin Pembangkit PLTD Menggunakan Metode

Value Engineering

(8)

(9)

Seminar Nasional “ARCHIPELAGO ENGINEERING” 10 April 2019 ISSN: 2620-3995

INDEXING PADA SISTEM PENALARAN BERBASIS KASUS MENGGUNAKAN METODE COMPLETE-LINKAGE CLUSTERING

Elvery B. Johannes

e-mail:[email protected],[email protected] Fakultas Teknik Universitas Pattimura - Ambon

ABSTRAK

Sistem penalaranan berbasis kasus atau Case-Based Reasoning (CBR) merupakan bagian dari artificial intelligent yang telah banyak diimplementasikan sebagai sistem untuk mendiagnosa penyakit, mendeteksi kerusakan bangunan, mesin, komputer, dan lain sebagainya. Cara kerjanya yaitu dengan membandingkan kasus baru terhadap kasus lama yang disimpan sebagai pengetahuan (knowledge) pada basis kasus. Kasus lama dicek tingkat similaritasnya satu per satu terhadap kasus baru. Kasus lama yang memiliki kemiripan tertinggi, diberikan kepada user sebagai kandidat solusi untuk menyelesaikan kasus baru. Permasalahannya adalah jika kasus lama pada basis kasus sangat banyak, maka waktu retrieve akan menjadi relatif semakin lama. Tujuan dari penelitian ini adalah untuk menghasilkan model sistem CBR yang memiliki kinerja optimal dengan memanfaatkan clustering untuk indexing. Metode clustering yang digunakan yaitu complete-linkage. Clustering dilakukan terhadap kasus lama yang dibuat dengan variasi 3, 4, 5, dan 6 jumlah cluster.

Pengujian sistem selanjutnya diimplementasikan terhadap kasus penyakit jantung dengan 25 data uji. Hasil pengujian menunjukkan, dengan menggunakan CBR cluster-indexing terjadi peningkatan kecepatan waktu retrieve sebesar 34.18%, yaitu pada variasi 4 jumlah cluster. Akurasi sistem CBR cluster-indexing sama dengan sistem non-ndexing yaitu sebesar 96% pada variasi 4, 5, dan 6 jumlah cluster. Pada variasi 3 jumlah cluster, akurasi CBR non-indexing sebesar 96%

sedangkan CBR cluster-indexing sebesar 92%.

Kata kunci–CBR, cluster-indexing, complete-linkage.

PENDAHULUAN

Richter and Weber (2013) menyatakan, Case-Based Reasoning (CBR) merupakan sebuah metodologi penyelesaian masalah dengan memanfaatkan pengahalaman sebelumnya. Penyajian pengetahuan dibuat dalam bentuk kasus-kasus (cases). Setiap kasus berisi masalah dan jawaban, sehingga kasus- kasus lebih mirip dengan suatu pola tertentu. Cara kerja CBR adalah dengan membandingkan kasus baru dengan kasus lama yang disimpan sebagai pengetahuan (knowledge) pada basis kasus.

Kelebihan utama dari CBR adalah dalam hal akuisisi pengetahuan, dimana sistem CBR dapat menghilangkan kebutuhan untuk ekstrak model atau kumpulan dari aturan-aturan seperti yang diperlukan dalam sistem Rule-Based Reasoning (RBR).

Walaupun demikian, kelemahan CBR yaitu jika kasus lama yang ada pada basis kasus memiliki jumlah yang banyak, maka proses untuk menemukan kasus yang mirip akan memerlukan waktu yang relatif cukup lama (Rismawan dan Hartati, 2012). Agar proses retrieve lebih efisien, perlu dilakukan indexing sehingga proses pencarian kasus yang mirip tidak perlu melibatkan seluruh data tetapi cukup pada beberapa kasus terdekat saja.

Indexing kasus pada CBR yang dibangun dalam penelitian ini, dilakukan dengan pendekatan clustering. Pendekatan umum dari algoritma

clustering adalah untuk menemukan nilai cluster centroid yang akan mewakili setiap kelompok. Nilai cluster centroid merepresentasikan letak titik pusat dari setiap cluster. Cluster centroid memungkinkan pengukuran kesamaan antara data baru dengan semua cluster centroid sehingga dapat menentukan kelompok data yang paling mirip (Santoso, 2017).

Algoritma clustering yang digunakan untuk indexing kasus adalah metode complete-linkage yang merupakan salah satu pendekatan linkage dari metode Agglomerative Hierarchical Clustering (AHC). AHC memiliki karakteristik yaitu jika suatu data telah dikelompokkan ke dalam suatu cluster pada suatu tahapan proses, maka pada tahapan proses selanjutnya data tersebut tidak dapat berpindah ke cluster yang lain. Hal ini memungkinkan AHC cenderung tidak terpengaruh dengan adanya outlier (Mooi and Sarstedt, 2011).

Penelitian ini berfokus pada kecepatan retrieve dengan tidak mengabaikan akurasi sistem sebagai aspek utama dari sebuah sistem CBR. Pada CBR cluster-indexing waktu retrieve terdiri dari waktu untuk proses pencarian cluster centroid, dan waktu untuk proses pencocokkan kasus baru dengan kasus lama. Bertambahnya jumlah cluster akan mengakibatkan ukuran cluster dari setiap cluster relatif berkurang tetapi jumlah cluster centroid akan bertambah.

(10)

ProsidingALEke-2, Fakultas Teknik Universitas Pattimura - Ambon 122

Teknik retrieve menggunakan metode cosine coefficient untuk pencarian similarity antara kasus baru dengan cluster centroid dan metode nearest neighbor digunakan untuk pencarian similarity antara kasus baru dengan kasus lama. Sistem CBR yang dibangun selanjutnya akan diujicobakan untuk diagnosis penyakit jantung, yang terdiri dari 6 jenis antara lain; jantung akut, jantung kronik, jantung koroner, jantung hipertensi, jantung katup, dan jantung perikarditif.

KAJIAN TEORI DAN METODE 1.Penelitian Terdahulu

Penelitian terdahulu tentang CBR seperti; indexing pada case-based reasoning menggunakan hashing (Mohsin, et al., 2011). Data yang digunakan merupakan data kasus operasional bendungan timah Tasoh tahun 1997-2005. Hasil penelitian menunjukkan metode hashing memberikan hasil yang lebih baik dari pada metode CBR konvensional, dimana proses retrieve rata-rata memiliki kecepatan proses lebih cepat 1 ms.

Indexing menggunakan metode backpropagation, sedangkan teknik retrieve menggunakan metode cosine coefficient untuk diagnosa penyakit THT (telinga, hidung, dan tenggorok), diteliti oleh Rismawan dan Hartati (2012). Data uji yang digunakan sebanyak 111. Hasil pengujian menunjukkan terdapat 9 kasus yang similaritasnya di bawah 0.8, sedangkan akurasi sistem yang dihasilkan sebesar 91,89%.

Salem et al. (2005), membahas tentang teknik retrieve untuk diagnosis penyakit jantung yaitu induction dan nearest neighbor, dengan metode non- indexing. Ada sebanyak 110 kasus untuk 4 jenis penyakit jantung. Setiap kasus memiliki 207 atribut yang berhubungan dengan demografis dan data klinis. Akurasi sistem yang dihasilkan sebesar 53.8%

untuk induction dan 100% untuk nearest neighbor.

Adawiyah (2016), meneliti case-based reasoning untuk diagnosis penyakit akibat virus dengue. Metode indexing yang digunakan yaitu non-indexing dan bayesian model dengan teknik retrieve yaitu nearest neighbor. Data uji yang diambil secara acak dari data 139 kasus dan 85 kasus sebagai knowledge. Non- indexing menghasilkan nilai sensitivitas 98,14%

tingkat akurasi sebesar 99,25%. Nilai sentivitas Bayesan model 88,89% dan akurasi 95,56%.

2. Deskripsi sistem

Sistem CBR cluster-indexing yang dibangun seperti ditunjukan pada Gambar 1.

Pada tahap awal, kasus-kasus lama disimpan dalam basis kasus, selanjutnya sistem melakukan clustering menggunakan metode complete-linkage. Hasil clustering dievaluasi/ menggunakan silhouette index

(SI). Nilai SI semakin mendekati 1.0, menunjukkan kualitas cluster yang terbentuk semakin baik dan sebaliknya. Setelah kasus-kasus lama di-cluster-kan, data kasus lama diperbaharui dengan menambahkan pengetahuan baru berupa nilai cluster centroid, kemudian disimpan sebagai basis kasus yang sudah terindeks.

Misalkan terdapat kasus baru maka sistem menginisialisasi umur, jenis kelamin dan gejala penyakit yang dialami/diderita pasien dan merepresentasikanya sebagai kasus baru. Selanjutnya sistem melakukan pencarian cluster yang paling relevan dengan cara menghitung kemiripan gejala kasus baru dengan nilai cluster centroid. Setelah memperoleh cluster yang relevan dengan kasus baru, dilakukan perhitungan untuk mencari similaritas antara kasus baru (target case) dengan source case atau kasus-kasus yang tersimpan dalam basis kasus tetapi hanya yang berada pada cluster yang relevan (retrieve). Jika similaritas≥0.9 menunjukkan bahwa kasus baru tersebut memiliki kesamaan dengan kasus lama sehingga solusi dari source case akan diberikan kepada user (reuse), dan sebaliknya jika nilai similaritas < 0.9, menunjukkan bahwa kasus baru tersebut semakin tidak mirip dengan kasus lama yang ada di basis kasus terindeks. Kasus tersebut selanjutnya akan disimpan dalam database adaptasi kasus yang nantinya akan dilakukan penyesuaian dari solusi kasus-kasus sebelumnya oleh pakar (revise).

Kasus baru yang telah dilakukan penyesuaian oleh pakar, kemudian disimpan ke dalam basis kasus untuk menjadi pengetahuan baru (retain).

Gambar 1. Gambaran umum sistem 3. Clustering

Clustering dapat mengelompokkan sejumlah data yang tidak berlabel berdasarkan kemiripan (similarity) dan ketidakmiripan (dissimilarity) ke dalam kelompok yang disebut cluster, sehingga dalam setiap cluster akan berisi data yang semirip mungkin (Witten, et al., 2011). Gambar 2 memperlihatkan diagram alur algoritma AHC yang

(11)

terdiri dari tahap preprocessing dan proses clustering menggunakan pendekatan complete-linkage.

n n - 1c c Mulai

Masukkan:

Cluster(k), k<n;

Kasus (n x f);

Hitungsimilarityantar kasus menggunakan

pers.(2)

Konversi nilaisimilarity kedissimilarity Proximity matrix(n x n)

Tandai setiap kasus sebagai 1cluster(n = n)c

Gabungkan 2 buah objek/

clusterdengan jarak yang paling minimum

Perbaruiproximity matrix menggunakan:complete-

linkage clustering Tidak

n = kc

Selesai Ya

Gambar 2. Diagram alur clustering dengan algoritma AHC 3.1 Tahap preprocessing

1) Normalisasi data

Sebelum melakukan clustering menggunakan algoritma AHC, data input perlu dinormalisasikan.

Tujuannya adalah untuk mendapatkan data dengan ukuran yang lebih kecil yang mewakili data asli tanpa kehilangan karakteristik datanya. Data yang dinormalisasi adalah data numerik yaitu fitur usia karena memiliki rentang nilai yang cukup besar.

Normalisasi data dihitung menggunakan (Prasetyo, 2014) seperti pada persamaan (1). Nilai min dan max merupakan nilai minimum dan nilai maksimum fitur usia. Fitur usia pada penyakit jantung diukur dalam satuan tahun. Dalam perancangan sistem CBR ini, diasumsikan bahwa domain usia = [ _, _] dimana, nilai merupakan batas bawah (lower bound) dan nilai merupakan batas atas (upper

= ...

(1)

2) Proximity matrix

Setelah fitur usia dinormalisasikan, selanjutnya dihitung similaritas antar objek (data kasus) dalam bentuk matriks kedekatan (proximity matrix) dengan ukuran n x n (n = banyaknya objek/kasus). Untuk mendapatkan proximity matrix dilakukan perhitungan similaritas antar objek menggunakan metode cosine coefficient similarity (Prasetyo, 2014) seperti pada persamaan (2).

( , ) = _{| | | |}^ ^| ^ ... (2) dimana, “ ” perkalian dari vektor dan , sedangkan

“|| ||” menunjukkan norm pada masing- masing vektor.

3.2 Tahap Clustering

Langkah-langkah proses clustering dengan algoritma AHC melalui pendekatan complete-linkage :

1. Masukkan objek/cluster (buat dalam bentuk matriks jarak dengan ukuran × ).

2. Cari pasangan objek/cluster dengan jarak terdekat (paling mirip), gabungkan menjadi satu cluster.

3. Hitung jarak antara himpunan objek/cluster dengan cluster yang telah terbentuk pada langkah 2, pilih jarak terjauh.

4. Update entries pada matriks dengan cara :

a. Hapus baris dan kolom yang bersesuaian dengan objek/cluster yang sudah digabungkan dalam satu cluster (langkah 2).

b. Tambahkan baris dan kolom yang memberikan jarak terdekat (yang telah dipilih pada langkah 3) antara cluster yang telah terbentuk (pada langkah 2) dengan himpunan objek/cluster yang tersisa.

5. Ulangi langkah 2 sebanyak jumlah cluster yang diinginkan.

3.3. Evaluasi Cluster

Cluster yang telah terbentuk selanjutnya dievaluasi menggunakan Silhouette Index (SI) (Prasetyo, 2014) seperti pada persamaan (3), (4), dan (5) :

- SI data ke-i :

= , ... (3)

= 1

− 1 , ,

,

= 1, 2, … ,

, = jarak data ke- dengan data ke- dalam cluster , sedangkan adalah jumlah data dalam cluster ke- .

(12)

= ,…, ; 1

,

= 1, 2, … , - SI lokal :

= ∑ ... (4) - SI global :

= ∑ ... (5) 3.4. Proses retrieve

Proses retrieve dilakukan dengan 2 tahap, (i) melakukan pencarian similaritas antara kasus baru dengan nilai cluster centroid menggunakan persamaan (2), dengan X = vektor cluster centroid dan Y = vektor kasus baru dimana fitur numerik telah dinormalisasi, dan (ii) mencari similaritas antara kasus baru dengan kasus lama yang menjadi cluster membership dari cluster yang paling relevan yang telah diperoleh pada tahap pertama. Proses similaritas pada tahap kedua adalah mengitung nilai similaritas lokal dan nilai similaritas global.

1) Similarity lokal

Similarity lokal yaitu similarity yang terdapat pada level fitur yang dibedakan menjadi 2 jenis, yaitu simbolik dan numerik. Fitur yang termasuk dalam jenis simbolik adalah fitur jenis kelamin, fitur gejala dan faktor risiko, sedangkan fitur untuk jenis numerik adalah fitur usia. Jika sebuah fitur memiliki sub fitur maka dihitung nilai data range-nya.

a. Data bernilai numerik dihitung menggunakan persamaan (6), (Shi, et al., 2011).

( , )= 1− ^| ^| ... (6) ( , )= similaritas lokal atribut ke-i dari kasus S (source) dengan kasus T (target)

= nilai fitur ke-i dari kasus lama (source)

= nilai fitur ke-i dari kasus baru (target)

= nilai maksimum fitur ke-i pada basis kasus

= nilai minimum fitur ke-i pada basis kasus.

b. Data bernilai simbolik dihitung menggunakan persamaan (7), (Shi, et al., 2011).

( , ) = 1 =

0 ... (7) , ∈{benar, salah}

2) Similarity global

Similarity global merupakan similaritas yang terdapat pada kasus atau level objek. Similarity global digunakan untuk menghitung keserupaan antar permasalahan baru dengan kasus yang tersimpan dalam base-case. Metode yang digunakan untuk menghitung similarity global adalah minkowski distance similarity seperti pada persamaan (8), (Nunez, et al., 2004).

( , ) = ^∑ _∑ ^{×| ( , )|} ^/ ... (8)

( , ) = nilai similaritas antara kasus lama ( ) dan kasus baru( )

( , ) = kesamaan fitur ke-i dari case dan target

=kasus baru (target)

=kasus lama (cases) yang ada dalam penyimpanan basis kasus

=jumlah fitur pada masing-masing kasus

=fitur individu antara 1 sampai

=bobot yang diberikan pada fitur ke-

=faktor minkowski (integer positif).

4. Pengujian sistem

Pengujian sistem dilakukan untuk mengetahui akurasi dan kecepatan retrieve masing-masing terhadap 25 data uji. Akurasi sistem dihitung dengan menggunakan persamaan (9), (Elhadad and Badran, 2017)

= 100%... (9) ki = keputusan ke-i, bernilai 1 jika benar dan 0 jika

salah

n = banyaknya data uji.

Kecepatan retrieve dihitung dengan membuat script program (Gambar 3) untuk mencatat waktu awal dan waktu akhir pada proses retrieve.

Kecepatan retrieve merupakan selisih antara waktu akhir proses dengan waktu awal proses, yang diukur dalam satuan detik.

5. Implementasi sistem

Aplikasi dibuat menggunakan bahasa pemograman PHP dengan framework codeigneter, dan dbMaria untuk data base. Perangkat keras terdiri dari Prosesor Intel(R) Core(TM) i3-5005U CPU @ 2.00 GHz, Hard Disk Drive 500 GB, RAM 4 GB, dan perangkat lunak adalah OS Windows 7 Ultimate 64 bit, text editor menggunakan Notepad⁺⁺, XAMPP v3.2.2 sebagai local web server.

5.1. Implementasi halaman login.

Terdapat tiga hak akses bagi user yaitu administrator, paramedis, pakar. Administrator berfungsi sebagai operator sistem yang memiliki hak akses untuk menambahkan pengguna baru pada sistem baik itu pakar maupun paramedis, mengubah serta menghapus data pengguna. Selain itu, administrator juga bertugas untuk melakukan clustering basis kasus.

Gambar 3. Implementasi login

(13)

Paramedis mempunyai hak akses untuk memasukkan data pasien baru dan diagnosis penyakit berdasarkan kasus yang telah tersimpan sebelumnya oleh pakar.

Pakar mempunyai hak akses menginput data, yang terdiri dari data penyakit, data gejala, dan data kasus.

Selain itu pakar juga dapat melakukan clustering serta adaptasi pada proses revise dan selanjutnya menyimpan kasus ke dalam basis kasus retain.

Implementasi halaman login seperti ditunjukan pada Gambar 3.

5.2. Implementasi menu utama.

Dashboard menginformasikan (i) Jumlah kasus yang telah disimpan dalam basis kasus, (ii) Diagnosis baru yang merupakan kasus-kasus baru yang similarity- nya < treshold yang disimpan dalam basis kasus sementara, sebelum di-revisi dan yang selanjutnya akan di-retain oleh pakar, serta (iii) Jenis penyakit dari sistem CBR cluster-indexing.

Implementasi menu utama seperti ditunjukkan pada Gambar 4.

Gambar 4. Implementasi menu utama 5.3. Implementasi halaman clustering.

Halaman ini menampilkan menu indexing dengan pendekatan complete-linkage, dan jumlah cluster sebagai nilai input-an seperti ditunjukan pada Gambar 5.

Gambar 5. Implementasi halaman clustering

Output dari proses ini berupa nilai cluster centroid, dan cluster membership dari masing-masing cluster sesuai teknik complete-linkage. Gambar 6 menampilkan output dari proses clustering.

Gambar 6. Output proses clustering

5.4. Implementasi proses retrieve serta kecepatan prosesnya dan reuse.

Proses ini dimulai dengan meng-input usia, jenis kelamin, dan gejala pasien oleh user. Setelah dilakukan proses pencarian similarity, maka output ditampilkan berupa nilai similaritas, waktu retrieve, rekomendasi kasus, jenis penyakit, dan cluster yang cluster membership-nya merupakan rekomendasi kasus yang dipilih, seperti ditunjukkan pada Gbr. 8.

Gambar 7. Halaman proses retrieve dan kecepatan prosesnya

5.5. Implementasi proses revise dan retain

Gambar 8. Halaman proses revise dan retain

(14)

Proses revise dan retain dilakukan oleh pengguna dengan hak akses sebagai pakar. Proses revise dilakukan ketika nilai similaritas tertinggi kasus yang di-retrieve tidak mencapai nilai threshold. Kasus yang berada di bawah threshold tersebut akan disimpan terlebih dahulu oleh sistem CBR kemudian direvisi oleh pakar sehingga dapat digunakan sebagai solusi untuk diagnosis kasus baru. Implementasi dari proses revise dan retain seperti ditunjukkan dalam Gambar 8.

HASIL DAN PEMBAHASAN

Sebagaimana telah dijelaskan di awal bahwa penyakit jantung yang akan di diagnosis terdiri dari 6 jenis penyakit. Pengujian kasus penyakit jantung dilakukan terhadap 25 kasus data uji dengan data latih sebanyak 115 kasus. Data uji yang digunakan diambil secara acak namun tetap mempertimbangkan aspek keterwakilan terhadap data latih dari tiap-tiap jenis penyakit yang disimpan dalam basis kasus.

Rekapitulasi hasil pengujian akurasi sistem dan kecepatan retrieve disajikan dalam bentuk grafik seperti pada Gambar 9, dan 10.

Gambar 9. Hasil pengujian akurasi

Gambar 10. Hasil pengujian kecepatan retrieve

Gambar 9 menunjukkan CBR non-indexing dan CBR cluster-indexing dengan variasi 4, 5, dan 6 jumlah cluster menghasilkan akurasi sebesar 96% dimana 1 data uji (kasus) atau = 4% didiagnosis salah. Menurut pakar, kasus tersebut merupakan jenis penyakit jantung katup/endocarditis, sedangkan yang didiagnosis sistem adalah jenis penyakit jantung perikarditif. Pada CBR cluster-indexing dengan variasi 3 jumlah cluster, akurasi sistem sebesar 92%, atau terdapat 2 data uji (= 8%) yang didiagnosis salah, masing-masing jenis penyakit jantung katup/

endocarditis menjadi jenis penyakit jantung perikarditif dan jenis penyakit jantung koroner menjadi jenis penyakit gagal jantung akut.

Waktu retrieve terbaik (Gambar 10) yaitu pada CBR cluster-indexing yang memiliki kecepatan melebihi CBR non-indexing untuk semua variasi jumlah cluster. Kecepatan retrieve tertinggi terjadi pada variasi 4 jumlah cluster sebesar 0.0312 detik atau terjadi peningkatan dari CBR non-indexing sebesar 34.18%

KESIMPULAN

Dengan menggunakan CBR cluster-indexing, kecepatan retrieve meningkat untuk semua variasi jumlah cluster. Jika dibandingkan dengan CBR non- indexing, terjadi peningkatan kecepatan retrieve sebesar 34.18% yaitu pada variasi 4 jumlah cluster (retrieve tercepat).

Secara umum akurasi sistem CBR cluster-indexing sama dengan sistem CBR non-indexing (=96%), kecuali pada variasi 3 jumlah cluster, sistem CBR non-indexing lebih baik dari sistem CBR cluster- indexing (=92%).

Kelemahan utama dari metode linkage pada AHC adalah bahwa, clustering harus dilakukan pada beberapa variasi jumlah cluster sampai ditemukannya kualitas cluster yang paling optimal.

DAFTAR PUSTAKA

Adawiyah, R., 2016, Case-Based Reasoning untuk Diagnosis Penyakit akibat Virus Dengue. Tesis.

Jurusan Ilmu Komputer dan Elektronika FMIPA-UGM. Yogyakarta. 87p

Elhadad, M. K., and Badran, K. M., 2017, A Novel Approach for Ontology-Based Dimensionality reduction for web text document classification.

p373–378

Mohsin, M. F. N., Manaf, M., Norwawi, N. Md., and Wahab, M. A. H., 2011, Faster Case Retrieval Using Hash Indexing Technique. International Journal of Artificial Intelligence and Expert Systems (IJAE). Vol. 2: Issue (2). Online.

Tersedia:

(15)

http://www.cscjournals.org/manuscript/Journals /IJAE/Volume2/Issue2/IJAE-42.pdf[24 Juni 2017]

Mooi, E., and Sarstedt, M., 2011, A Concise Guide to Market Research. The Process, Data, and Methods Using IBM SPSS Statistics. Springer Heidelberg Dordrecht London New York. 252p Nunez, H., Marre, M. S., Cartez, U., Comas, J.,

Martinez, M., Roda, I. R. and Poch, M., 2004, A Comparative Study on the Use of Similarity Measures in Case-based Reasoning to Improve the Classification of environmental system situations. Environmental Modelling &

Software XX (2003) XXX–XXX. Catalonia- Gironia. p2-11

Prasetyo, E., 2014, Data Mining. Mengolah Data Menjadi Informasi Menggunakan Matlab. Andi Yogyakarta. 19p. 46p

Rismawan, T., dan Hartati, S., 2012, Case-Based Reasoning untuk Diagnosis Penyakit THT

(Telinga Hidung dan Tenggorokan). IJCCS (Indonesian J. Comput. Cybern. Syst., vol.6, no.2, Juli 2012. Yogyakarta. p67-78

Salem, A. B. M., Roushdy, M. and Hodhod, R. A.

2005, A Case Based Expert System for Supporting Diagnosis of Heart Diseases. AIML Journal. March 2005. Volume (5). Issue (1).

Cairo. p33-39

Santoso, H., 2017. Metode Indexing pada Case-Based Reasoning (CBR) Menggunakan Density Based Spatial Clustering Application With Noise (DBSCAN). Tesis. Jurusan Ilmu Komputer dan

Elektronika FMIPA-UGM. Yogyakarta. 2p Shi, H., Xin, M., and Dong, W., 2011, A Kind of Case

Similarity Model Based on Case–Based Reasoning. International Conferences on Internet of Things, and Cyber, Physical and Social Computing IEEE. p453-457

Witten, I. H., Frank, E., and Hall, M. A., 2011, Data Mining: Practical Machine Learning Tools and Techniques. USA: Morgan Kauffmann.

Burlington. 337p