PENERAPAN ALGORITMA APRIORI PADA APLIKASI DATA MINING UNTUK PENGAMATAN DATA TRANSAKSI PENJUALAN OBAT

By :  Ardelia Mahardika, Tri Ginanjar Laksana 

Negara Indonesia merupakan negara dengan populasi penduduk terbanyak keempat di dunia. Banyaknya jumlah penduduk harus diimbangi dengan meratanya jumlah fasilitas kesehatan yang tersebar di seluruh Indonesia, seperti: rumah sakit, puskesmas, apotik, dan posyandu. Selain pemerataan fasilitas kesehatan, jumlah obat-obatan yang dibutuhkan oleh masyarakat juga turut mempengaruhi pertumbuhan kesehatan di Indonesia. Salah satu fasilitas kesehatan yang dibutuhkan adalah apotik, salah satu tempat untuk mendapatkan obat-obatan yang dibutuhkan oleh masyarakat. Apotek sebagai salah satu tempat untuk mendapatkan obat-obatan setiap harinya melayani masyarakat dalam penjualan obat-obatan. Transaksi penjualan obat-obatan yang dilakukan setiap hari jika dikumpulkan merupakan data penting untuk kebutuhan apotek ke depannya. Sayangnya, data-data penjualan obat-obatan yang terkumpul tersebut seringnya kurang dimanfaatkan dengan maksimal oleh pengelola, sehingga mempengaruhi pola strategi penjualan obat-obatan. Pengumpulan data yang dilakukan pun masih berbasis teknik statistik dasar, dimana memiliki kelemahan dalam konsistensi data dan minimnya informasi antar data. Data mining adalah proses yang menggunakan statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit dari berbagai basis data besar. Penelitian ini membahas tentang penerapan algoritma Apriori dengan menggunakan parameter minimum support, minimum confidence, dan periode bulan transaksi penjualan untuk menemukan aturan asosiasi. Algoritma Apriori berfungsi untuk membentuk kandidat kombinasi item yang mungkin, lalu diuji apakah kombinasi tersebut memenuhi parameter minimum support dan minimum confidence yang merupakan nilai ambang yang diberikan oleh pengguna. Nantinya, algoritma ini digunakan untuk menentukan pola penjualan obat-obatan di apotek berbasis data mining. Harapannya, keluaran yang dihasilkan dari penelitian ini adalah sebagai salah satu acuan untuk menentukan pola dan strategi penjualan berdasarkan analisis kebiasaan pembelian obat-obatan oleh masyarakat atau produk yang sering dibeli secara bersamaan, sehingga dapat meningkatkan penjualan obat-obatan bagi apotek. Dengan menggunakan algoritma Apriori, maka pencarian data penjualan obat-obatan yang dibutuhkan oleh apotek dapat dengan mudah dilakukan.

Keywords: Algoritma Apriori, Aturan Asosiasi, Data Mining, Itemset, Penjualan.

OPTIMALISASI PREPROCESSING DALAM MENINGKATKAN NILAI AKURASI, PRECISION, RECALL, DAN F-MEASURE PADA ALGORITMA K-NEAREST NEIGHBOR DAN NAÏVE BAYES

 By : Robby Sulistyawan B, Tri Ginanjar Laksana, Rima Dias Ramadhani 

Permasalahan pada penelitian ini berdasarkan keberlanjutan dari penelitian sebelumnya oleh Putri Rizqiyah yang dari saran penelitiannya dikatakan bahwa memiliki kelemahan, yaitu belum optimalnya tahapan preprocessing pada dataset #CitraDPR dan belum diketahuinya hasil akurasi, precision, recall, dan f-measure antara K-Nearest Neighbor dan Naïve Bayes setelah dataset dioptimalkan di tahap preprocessing. Dengan adanya permasalahan tersebut sehingga dibuat penelitian ini yang bertujuan untuk optimalisasi tahap preprocessing pada dataset #CitraDPR dan untuk mengetahui hasil akurasi, precision, recall, dan f-measure antara K-Nearest Neighbor dan Naïve Bayes setelah dataset dioptimalkan di tahap preprocessing. Dari hasil penelitian ini setelah dataset dioptimalkan di tahap preprocessing mendapatkan hasil hasil akurasi sebesar 89,30% pada k=7 untuk K-Nearest Neighbor dan sebesar 87,5% pada k=2 untuk Naïve Bayes. Untuk precision yang didapatkan sebesar 84% dan 97% pada k=7 untuk K-Nearest Neighbor, 89% pada k=9 dan 93% pada k=7 untuk Naïve Bayes, selanjutnya recall yang didapatkan sebesar 97% dan 81% pada k=7 untuk K-Nearest Neighbor, 94% pada k=7 dan 90% pada k=1 untuk Naïve Bayes. Sedangkan f-measure yang didapatkan sebesar 90% dan 88% pada k=7 untuk K-Nearest Neighbor, serta 89% pada k=9 dan 87% pada k=2 untuk Naïve Bayes.

Kata Kunci: Akurasi, F-Measure, K-Nearest Neighbor, Optimalisasi, Naïve Bayes, Precision, Preprocessing, Recall

Kesimpulan

Pada penelitian ini dapat disimpulkan beberapa hal diantaranya adalah sebagai berikut:

1.        Pengoptimalan yang telah dilakukan pada tahap preprocessing dalam penelitian ini berpengaruh terhadap hasil akurasi, precision, recall, dan f-measure dimana pembuktian tersebut berdasarkan perbandingan hasil antara dataset sebelum dioptimalkan dengan dataset setelah dioptimalkan.

2.        Hasil yang diprediksi oleh K-NN dan Naïve Bayes telah mencapai lebih dari 80%, hal tersebut terbukti berdasarkan akurasi yang didapatkan pada penelitian ini diketahui mendapatkan akurasi sebesar 89,30% pada k=7 untuk K-NN dan sebesar 87,5% pada k=2 untuk Naïve Bayes. Untuk precision yang didapatkan sebesar 84% dan 97% pada k=7 untuk K-NN, 89% pada k=9 dan 93% pada k=7 untuk Naïve Bayes, selanjutnya recall yang didapatkan sebesar 97% dan 81% pada k=7 untuk K-NN, 94% pada k=7 dan 90% pada k=2 untuk Naïve Bayes. Sedangkan f-measure yang didapatkan sebesar 90% dan 88% pada k=7 untuk K-NN, sedangkan 89% pada k=9 dan 87% pada k=2 untuk Naïve Bayes.

Saran

Berdasarkan hasil penelitian ini terdapat beberapa saran yang diberikan untuk penelitian selanjutnya adalah sebagai berikut:

1.      Diharapkan bisa melakukan penelitian selanjutnya menggunakan bahasa pemrograman JAVA dan bandingkan dengan penelitian ini yang menggunakan bahasa pemrograman Python untuk mengetahui apakah hasilnya berbeda atau sama.

2.      Melakukan penelitian klasifikasi dengan menggunakan algoritma klasifikasi yang lainnya seperti Neural Network atau Support Vector Machine.

PENGEMBANGAN SISTEM BIG DATA PETERNAKAN SAPI BERBASIS DUAL LAYER APPS DAN MACHINE LEARNING DI KABUPATEN KEBUMEN

 By : Novanda Alim Setya Nugraha, Tri Ginanjar Laksana, A. Zaki Yamani, Ridho Ananda

Banyaknya permasalahan mengenai pencatatan pemotongan sapi dan manajemen monitoring sapi di Kabupaten Kebumen, mengakibatkan sulitnya pemerintah daerah dalam menentukan kebijakan terkait kebutuhan konsumsi daging sapi.  Oleh karenya dibutuhkan solusi secara optimal. Hal tersebut, berdasarkan hasil yang diperoleh melalui verifikasi 2 Rumah Pemotongan Hewan yang berada di gombong dan kebumen terkait pencatatan yang kurang maksimal mengenai data pemotongan sapi yang belum tersaji secara up to date. Meskipun disisi lain sudah ada ketua paguyuban sapi lokal serta 150 petugas rekorder kelompok pembibitan, namun upaya pendataan seringkali menghadapi kendala, terkait metode update data sapi yang masih manual dan rentan akan terjadinya kesimpangsiuran data. Misalnya, ingin mengetahui update jumlah sapi lokal yang beranak, mati atau bahkan sudah terjual karena alasan ekonomi, keluarga peternak sapi. Berdasarkan kondisi tersebut, diusulkan optimalisasi pencatatan dan monitoring sapi di Kabupaten Kebumen menggunakan pendekatan model waterfall berbasis android. Model pengembangan waterfall merupakan sebuah model pengembangan perangkat lunak yang menggunakan prinsip secara berurutan, yang berarti bahwa selangkah tahapan lanjut tidak akan dikerjakan jika tahapan sebelumnya belum terselesaikan. Mengetahui informasi kebutuhan jumlah konsumsi daging sapi masyarakat di Kabupaten Kebumen secara realtime. Merancang modul informasi untuk menampilkan gambaran faktual tentang ketersediaan sapi yang dipotong di Kabupaten pada aplikasi (SIDAK) Sistem Daging Sapi Kebumen. Membuat aplikasi (SIDAK) Sistem Daging Sapi Kebumen berbasi android guna mengoptimalkan pencatatan sapi yang telah dipotong secara realtime di Kabupaten Kebumen.

Penelitian ini berfokus pada proses identifikasi serta menciptakan rancang bangun sistem big data peternakan sapi berbasis dual layer apps dan machine learning yang bernama SIDAK (Sistem Informasi Daging Sapi Kebumen), sehingga bisa digunakan sebagai alat bantu monitoring sapi lokal secara periodik oleh petugas rekorder kelompok pembibitan.  Hasil penelitian ini berbentuk Sistem informasi Daging Sapi Kebumen (SIDAK) guna mencatat secara uptodate dan memudahkan manajemen memonitoring pencatatan sapi yang terintegrasi. Kemudian, model matematika untuk peramalan produksi daging sapi dengan model ARIMA(0,2,1) ialah  sedangkan model untuk populasinya ialah . Konsumsi daging sapi diperoleh dari populasi dikalikan dengan kebutuhan konsumsi daging sapi normative yaitu 1.3 kg perkapita pertahun. Hasil analisis menunjukkan bahwa untuk tahun 2020 s.d. 2022, kebutuhan konsumsi daging sapi diprediksi dapat dipenuhi oleh produksi daging sapi di Kebumen. kedepan aplikasi SIDAK (Sistem Informasi Daging Sapi Kebumen) ini, dapat menjadi masukan terhadap perumusan arah kebijakan pengendalian serta pengelolaan sapi di Kabupaten Kebumen. 

 

 Kata Kunci : Aplikasi, Android,  Big data, Machine Learning, Sapi, Waterfall.

Kesimpulan

Berdasarkan hasil penelitian yang telah dikaji dan dilakukan pembasahan pada BAB IV sebelumnya, maka kesimpulan dalam penelitian ini, sebagai berikut:

1)      Model matematika untuk peramalan produksi daging sapi yang diperoleh ialah  sedangkan model untuk populasinya ialah  .

2)      Berdasarkan data yang diperoleh dilapangan, dan hasil analisis diperoleh prediksi bahwa kebutuhan konsumsi daging sapi tahun 2020, 2021, dan 2022 diprediksi dapat dipenuhi oleh produksi daging sapi lokal di Kebumen.

3)      Setelah dibuatnya aplikasi SIDAK (Sistem Informasi Daging Sapi Kebumen) diharpkan dapat membantu tim recorder, khususnya admin pencatatan di RPH Kebumen dan Gombong menjadi lebih optimal.

4)      Dibuatnya aplikasi SIDAK (Sistem Informasi Daging Sapi Kebumen), dimana aplikasi tersebut membantu stakeholder, khususnya pemerintah kabumpten kebumen dalam menentukan kebijakan pengelolaan kebutuhan daging sapi diwilayah kabupaten kebumen.

 Saran

Adapun saran yang dapat dilakukan pada penelitian selanjutnya, bagi para peneliti yang ingin mengkaji dari hasil penelitian ini, maka yang harus dilakukan untuk penelitian selanjutnya, yaitu :

1)      Ruang lingkup pengambilan sampel data sebaiknya bisa diperoleh secara lebih detail untuk setiap bulannya, sehingga hasil peramalan akan lebih akurat. Hal itu dikarenakan diprediksi aka nada pola musiman yang tentunya memiliki banyak informasi yang bisa diambil.

2)      Aplikasi yang sudah di bangun, tidak hanya dapat menampilkan monitoring data secara realtime, namun harus adanya pengukuran yang divalidasi oleh tim khusus (Satgas dalam pengelolaan daging sapi kebumen).

3)      Database yang tersimpan sementara di IT Telkom Purwokerto, terkait aplikasi yang sudah di bangun. Mohon dapat segera di pindahkan, guna keamanan dan ketertiban data.

OPTIMALISASI NEURAL NETWORK MENGGUNAKAN BOOTSTRAP AGGREGATING PADA DATA INDEKS HARGA SAHAM GABUNGAN

 By : Fadil Al Afgani, Tri Ginanjar Laksana,  Ummy Athiyah 

Algoritma Neural Network salah satu algoritma supervised learning dengan tingkat akurasi yang tinggi dalam melakukan peramalan, namun Neural Network masih mempunyai kekurangan dalam penentuan nilai bobot maksimum sehingga perlu dioptimalisasikan. Oleh karena itu, diperlukan metode optimalisasi untuk menutupi kekurangan algoritma Neural Network. Ada beberapa metode optimalisasi seperti algoritma genetika, particle swam optimization (PSO), Bootstrap Aggregating (Bagging), dan sebagainya. Pada penelitian ini menggunakan metode Bootstrap Aggregating (Bagging). Metode Bagging melakukan perubahan yang kecil pada saat training namun dapat merubah hasil pada model yang digunakan sehingga dinilai dapat menutupi kekurangan algoritma Neural Network untuk menentukan bobot nilai maksimum. Penelitian ini dilakukan pada data IHSG 15 tahun terakhir dari tahun 2005-2020 yang diambil dari Yahoo Finance. Adapun pengolahan data pada penelitian ini dimulai dari prepocessing untuk menentukan atribut, menghilangkan data null, normaliasi dan proses windowing kemudian membagi dataset menggunakan 10k-fold validation menjadi data training dan data testing. Setelah itu pencarian setiap parameter terbaik melalui parameter awal yang telah ditentukan. Proses algoritma Neural Network dan optimalisasi menggunakan metode Bagging dengan parameter awal yang telah ditentukan dan juga parameter terbaik yang telah didapat. Hasil dari penelitian ini menunjukan bahwa nilai RMSE lebih baik ketika dioptimalisasi menggunakan metode Bagging baik pada parameter awal maupun parameter terbaik yaitu sebesar 47.75022 dan 46.73137. Sedangkan sebelum dioptimalisasi baik pada parameter awal maupun parameter terbaik yaitu sebesar 49.14626 dan 48.65204. Hal ini menunjukan metode Bagging dapat mengoptimalisasi algoritma Neural Network pada data IHSG 15 tahun terakhir.

Kata Kunci : Bagging, IHSG, Neural Network, Optimalisasi, RMSE

Kesimpulan
Berdasarkan penelitian untuk mengoptimalisasikan algoritma Neural Network menggunakan metode Bootstrap Aggregating (Bagging) pada data Indeks Harga Saham Gabungan (IHSG) dapat diperoleh kesimpulan yaitu dari hasil pengolahan data menunjukkan bahwa terjadi peningkatan tingkat akurasi melalui RMSE yang lebih baik pada algoritma Neural Network setelah dioptimalisasikan menggunakan metode Bagging, dibandingkan dengan hanya menggunakan algoritma Neural Network baik menggunakan parameter awal maupun parameter terbaik yang didapatkan. Adapun proses optimalisasi algoritma Neural Network menggunakan metode Bagging dimulai dari memasukan dataset, kemudian pengolahan data awal atau preprocessing, pembagian dataset menjadi data training dan testing, proses bootstrap untuk merubah data training menjadi sub dataset dengan jumlah n perulangan yang sudah ditentukan. Kemudian setiap sub dataset diproses menggunakan algoritma Neural Network. Hasil akhir dari pengolahan data adalah nilai akurasi root mean square error (RMSE). Nilai RMSE pada algoritma Neural Network sebelum dioptimalisasi menggunakan parameter awal sebesar 49.14626 dan menggunakan parameter terbaik sebesar 48.65204, sedangkan nilai RMSE pada algoritma Neural Network setelah dioptimalisasikan menggunakan metode Bagging dengan parameter awal sebesar 47.75022 dan dengan parameter terbaik sebesar 46.73137. Hal ini membuktikan bahwa metode Bagging dapat menutupi kelemahan pada algoritma Neural Network, ditunjukan dengan peningkatan nilai akurasi melalui RMSE yang lebih baik pada pada algoritma Neural Network setelah dioptimalisasikan menggunakan metode Bagging.

5.2. Saran
Adapun saran yang diberikan untuk penelitian selanjutnya mengenai optimalisasi algoritma Neural Network. sebagai berikut :
1. Menggunakan kombinasi parameter lain, seperti parameter tercepat. Dengan meningkatkan jumlah parameter yang digunakan. 

2. Menggunakan metode optimalisasi yang lain, seperti Algoritma Genetika, Particle Swam Optimization (PSO), AdaBoost, Gradient Tree Boosting, Forest of randomized trees, Histogram-Based Gradient Boosting dan membandingkan dengan metode Bootstrap Aggregating (Bagging).

PERANCANGAN APLIKASI ANDROID IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MULTI LAYER PERCEPTRON

 By : Gagas Novandra, Tri Ginanjar Laksana, Muhammad Zydni Naf''an

Sering terjadinya suatu kasus pemalsuan tanda tangan disebabkan karena metode yang digunakan untuk mengidentifikasi tanda tangan masih kurang baik dan tidak akurat. Hal ini dikarenakan identifikasi tanda tangan kebanyakan masih dilakukan dengan cara melihat langsung tanda tangan, beserta nama pemilik tanda tangan yang tercantum di bagian bawah tanda tangan pada sebuah dokumen. Mengidentifikasi tanda tangan dengan cara manual tentu memiliki banyak kelemahan seperti ketelitian dan ketepatan saat identifikasi yang kurang absah, sehingga pemalsuan tanda tangan sangat mungkin terjadi. Penelitian ini menggunakan metode Artificial Neural Network yang akan diterapkan pada aplikasi identifikasi tanda tangan. Neural Network merupakan metode yang dapat mendeteksi pola rumit dan tidak mengikuti seragkaian instruksi yang diberikan peneliti. Namun metode ini mampu belajar dengan sendirinya saat menghadapi permasalahan. Metode ini memiliki kelebihan yaitu kemampuan untuk memodelkan fungsi linear, komputasi paralel, dan mempunyai sifat mentolerir kesalahan (fault tolerance). Penelitian ini diharapkan dapat membantu suatu lembaga, baik itu lembaga pemerintahan maupun lembaga swasta dalam mengidentifikasi pemilik dari suatu tanda tangan yang ada pada dokumen-dokumen penting seperti dokumen pencairan dana dan dokumen surat-menyurat. Sehingga kasus pemalsuan tanda tangan dapat diminimalisir. Selain hal tersebut dalam penelitian ini juga diharapkan agar nantinya sistem identifikasi tanda tangan dapat diterapkan pada suatu lembaga atau instansi.

Kata Kunci: Tanda Tangan, Artificial Neural Network, Identifikasi.

Kesimpulan 

Berdasarkan penelitian yang sudah dilakukan maka didapatkan kesimpulan sebagai berikut:

1. Dengan menggunakan rasio perbandingan 70:30 pada data training dan data testing dapat meningkatkan tingkat akurasi metode Multilayer Perceptron dalam proses identifikasi tanda tangan.

2. Aplikasi dapat mengetahui pemilik dari setiap citra tanda tangan, sehingga mengurangi kemungkinan
pemalsuan tanda tangan.

SENTIMEN ANALISIS TWEET PORNOGRAFI KAUM HOMOSEKSUAL MENGGUNAKAN PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN NAÏVE BAYES

 By : Fitri Merisa, Tri Ginanjar Laksana, Rifqi Adhitama

Saat ini twitter tidak hanya digunakan sebagai tempat untuk saling berkomunikasi dan menuliskan pendapat saja. Twitter juga sering disalah gunakan oleh orang-orang yang tidak bertanggung jawab untuk menyebarkan konten pornografi. Hal ini juga yang dilakukan oleh para kaum homoseksual. Homoseksual merupakan suatu orientasi dengan ketertarikan sesama jenis. Hal ini tentu dianggap tabu bagi masyarakat Indonesia yang hanya dapat menerima orientasi seksual heteroseksual. Maka dari itu kaum homoseksual mulai merambah dunia sosial media untuk mendapatkan pasangannya. Akan tetapi kaum homoseksual juga menggunakan sosial media twitter untuk menyebarkan konten pornografi. Maka dari itu data yang digunakan pada penelitian ini adalah data tweet pornografi dan bukan pornografi dari kaum homoseksual. Data yang digunakan dalam penelitian ini terdiri dari 800 data tweet. Algoritma klasifikasi yang digunakan dalam penelitian ini adalah algoritma Support Vector Machine (SVM) dan Naïve Bayes, dimana SVM adalah algoritma yang menganut konsep untuk mencari hyperplane terbaik dan Naïve bayes adalah algoritma menganut konsep probabilitas dan statistika. Hasil akhir dari penelitian ini adalah membandingkan akurasi dari kedua algoritma, setelah dilakukannya tahapan pre-processing dan TF-IDF diketahui bahwa nilai akurasi yang didapatkan algoritma SVM sebesar 85% sedangkan untuk algoritma Naïve Bayes sebesar 79%. Setelah dilakukan validasi pada kedua algoritma menggunakan metode K-Fold Cross Validation didapatkan akurasi dari algoritma SVM sebesar 85% dan akurasi untuk algoritma Naïve Bayes sebesar 77%. Hal ini membuktikan bahwa agoritma SVM mampu memberikan nilai akurasi yang lebih baik dibandingkan dengan algoritma Naïve Bayes. 

Kata kunci – Akurasi, Homoseksual, Klasifikasi, Naïve Bayes, Pornografi, SVM

Kesimpulan 

Hasil Akurasi yang diperoleh dari algoritma Naïve Bayes adalah 79% sedangkan akurasi yang diperoleh dari algoritma SupportVector Machine adalah 85%. Setelah dilakukannya evaluasi dengan menggunakan metode 10-Foll Cross Validation didapatkan bahwa hasil akurasi untuk algoritma Support Vector Machine 85% dengan nilai k terbaik didapatkan pada k=2 dan k=8 yaitu 90%. Sedangkan algoritma Naïve Bayes setelah dilakukannya 10-Fold Cross Validation akurasinya menjadi 77% dengan k terbaik terdapat pada k=7 yaitu 82%. Algoritma Support Vector Machine mampu menghasilkan akurasi yang lebih baik dibandingkan dengan algoritma Naïve Bayes.

KOMBINASI SINGLE LINKAGE DENGAN K-MEANS CLUSTERING UNTUK PENGELOMPOKAN WILAYAH DESA KABUPATEN PEMALANG

 By : Sintya, Tri Ginanjar Laksana, Nia Annisa Ferani 

Metode K-Means sangat bergantung terhadap penentuan pusat cluster awal yang akan berdampak pada kualitas cluster yang dihasilkan. Hal tersebut ditemukan pada metode K-Means konvensional. Kemiskinan sebagian besar dialami oleh masyarakat pedesaan dan rendahnya tingkat pelayanan infrastruktur di kawasan pedesaan menjadi latar belakang kebijakan dan program pembangunan infrastruktur pedesaan. Dalam melaksanakan program pembangunan diperlukan identifikasi berdasarkan karakteristik tingkat kesejahteraan masyarakat di tiap daerah agar pengambilan kebijakan dan strategi pembangunan tepat sasaran. Oleh karena itu, diperlukan sebuah upaya pengelompokan desa agar pengambilan kebijakan menjadi tepat sasaran. Salah satu algoritma clustering yang banyak digunakan adalah algoritma K-Means karena cukup sederhana, mudah diimplementasikan, dan memiliki kemampuan untuk mengelompokkan data yang besar dengan sangat cepat. Namun algoritma K-Means memiliki kelemahan pada penentuan pusat cluster awal yang diberikan. Inisialisasi pusat cluster secara acak dapat memberikan hasil pembentukan cluster yang berubah-ubah (tidak konsisten). Untuk itu, metode K-Means perlu dikombinasikan dengan metode hirarki dalam penentuan pusat cluster awal. Metode kombinasi ini disebut sebagai Hierarchical K-Means yang merupakan penggabungan antara metode hierarchical dan partitioning, di mana proses hierarchical digunakan untuk mencari inisialisasi pusat cluster awal dan proses partitioning untuk mendapatkan cluster yang optimal. Metode hirarki yang akan dicoba pada penelitian ini adalah metode single linkage. Kombinasi algoritma single linkage dan k-means dengan k = 4 pada penelitian ini menghasilkan nilai silhouette coefficient sebesar 0.685 yang merupakan kategori klaster yang layak atau sesuai, sedangkan pengukuran evaluasi dengan Davies Boulldin Index menghasilkan nilai 0.577 

Kata kunci : Cluster, Davies Boulldin Index, K-means, Silhouette Coefficient, , Single Linkage

 

Saran

Kualitas cluster yang dihasilkan bergantung pada jumlah k dan yang akan digunakan serta pusat cluster. Untuk penelitian selanjutnya dapat dilakukan dengan metode analisis cluster yang lainnya, mengingat cakupan metode dari analisis cluster yang cukup banyak untuk diinterpretasikan serta dibandingkan setiap metode yang digunakan dan menerapkannya pada bidang keilmuan yang lainnya.

KOMBINASI ALGORITMA JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN PARTICLE SWARM OPTIMIZATION

 By : Sheren Afryan Tyastama, Tri Ginanjar Laksana, Amalia Beladina Arifa

Peningkatan jumlah pasien penderita ginjal kronis dari tahun ke tahun, namun tidak diikuti dengan sumber daya manusia dan sarana prasarana yang memadai dalam penanganannya memerlukan informasi mengenai perkiraan jumlah pasien penyakit ginjal kronis. Prediksi terhadap jumlah pasien penderita penyakit ginjal kronis perlu dilakukan sebagai bentuk antisipasi dalam mempersiapkan sumber daya manusia dan sarana prasarana dengan lebih baik yang akan berpengaruh terhadap tingkat pertahanan hidup pasien. Penelitian ini menggunakan kombinasi algoritma jaringan saraf tiruan backpropagation dan particle swarm optimization dalam memprediksi jumlah pasien penderita penyakit ginjal kronis. Jaringan saraf tiruan memiliki kemampuan dalam melakukan prediksi terhadap data time series seperti jumlah pasien penderita ginjal kronis dari tahun ke tahun. Namun, jaringan saraf tiruan backpropagation memiliki titik lemah yaitu kecepatan konvergensi yang kurang baik akibat dari penentuan bobot secara random atau acak. Pada penelitian ini, algoritma particle swarm optimization memiliki peran dalam mengoptimalkan nilai bobot yang akan digunakan pada algoritma jaringan saraf tiruan backpropagation. Data yang digunakan dalam penelitian ini yaitu data jumlah pasien penderita penyakit ginjal kronis di RSUD Banyumas pada tahun 2011-2020. Penelitian ini menggunakan Matlab R2019a sebagai software dalam melakukan prediksi penyakit ginjal kronis. Hasil pengujian menunjukkan akurasi prediksi berdasarkan nilai Mean Squared Error sebesar 0,0346 menggunakan arsitektur jaringan saraf tiruan 12-16-1, nilai learning rate yaitu 0.02, 1000 epoch, dan 20 swarm.

Kata kunci: Backpropagation, Ginjal Kronis, Jaringan Saraf Tiruan, Particle Swarm Optimization, Prediksi

 Kesimpulan
Terdapat beberapa kesimpulan yang diperoleh dari penelitian tugas akhir ini, yaitu sebagai berikut :

1. Cara mengatasi kelemahan pada jaringan saraf tiruan backpropagation (JST) dalam menghasilkan informasi pasien penyakit ginjal kronis dapat dilakukan melalui penerapan algoritma particle swarm optimization (PSO) pada penentuan bobot yang akan digunakan pada jaringan saraf tiruan backpropagation. Hal ini dibuktikan dengan perbandingan performansi berupa nilai MSE yang dihasilkan pada pengujian algoritma JST dan kombinasi algoritma JST dan PSO menggunakan parameter learning rate sebesar 0,02, 20 swarm, dan 1000 epoch sebagai parameter dalam nilai MSE terbaik pada pelatihan kombinasi algoritma JST dan PSO. Nilai MSE pada pengujian algoritma JST yaitu sebesar 0,1706, sementara nilai MSE pada pengujian kombinasi algoritma JST dan PSO lebih baik yaitu sebesar 0,0346. 2. 

2. Nilai akurasi yang berupa nilai MSE dari kombinasi algoritma jaringan saraftiruan backpropagation dan particle swarm optimization yaitu sebesar 0,0346 pada penggunaan arsitektur 12-16-1, learning rate 0,02, 20 swarm, dan 1000 epoch.

Saran Adapun saran yang diperoleh dari penelitian tugas akhir ini, yaitu sebagai

berikut:
1. Penelitian selanjutnya dapat menggunakan parameter Particle Swarm Optimizaton yaitu jumlah swarm sebanyak 20 dalam mengatasi kelemahan algoritma jaringan saraf tiruan backpropagation pada penentuan bobot dengan arsitektur 12-6-1 dan learning rate sebesar 0,02 untuk melihat kemampuan kombinasi algoritma jaringan saraf tiruan backpropagation dan particle swarm optimization pada penelitian yang serupa dengan prediksi terhadap data penyakit ginjal kronis.

2. Pengembangan lebih lanjut yang dapat dilakukan dari penelitian ini adalah penerapan kombinasi algoritma jaringan saraf tiruan backpropagation dan particle swarm optimization yang dilakukan dalam beberapa percobaan untuk setiap pasangan variasi learning rate¸ jumlah neuron pada hidden
layer, dan jumlah swarm.

KOMBINASI JARINGAN SARAF TIRUAN DAN PARTICLE SWARM OPTIMIZATION PREDIKSI JUMLAH PRODUKSI AIR PDAM

 By : Arif Agustyawa, Tri Ginanjar Laksana, Ummy Athiyah 

Seiring dengan meningkatnya laju pertumbuhan penduduk, kebutuhan air bersih juga meningkat sesuai kebutuhan. Di Indonesia, Perusahaan Daerah Air Minum (PDAM) merupakan lembaga yang mengatur dan mengelola pengadaan air bersih bagi masyarakat. Jadi jumlah air yang diproduksi dan disalurkan sebaiknya disesuaikan dengan permintaan air. Prediksi terhadap produksi air PDAM perlu dilakukan sebagai perencanaan maupun persiapan yang lebih baik, serta memudahkan dan membantu dalam pengambilan keputusan. Penelitian ini menggunakan algoritma Jaringan Saraf Tiruan (JST) backpropagation yang dikombinasikan dengan Particle Swarm Optimization (PSO) untuk memprediksi jumlah air yang harus diproduksi oleh PDAM. JST backpropagation memiliki kemampuan yang baik dalam melakukan prediksi terhadap data time series seperti jumlah produksi air PDAM dari bulan ke bulan. JST backpropagation memiliki kelemahan yaitu permasalahan lokal minimum yang dapat menyebabkan jaringan saraf tiruan terjebak pada minimum lokal, hal ini dipengaruhi oleh penentuan bobot yang tidak optimal dalam jaringan saraf tiruan. Pada penelitian ini, algoritma PSO memiliki peran dalam mengoptimalkan nilai minimum error pada jaringan untuk mendapatkan bobot yang optimal. Data yang digunakan dalam penelitian ini yaitu data neraca air di PDAM Tirta Satria Banyumas selama dua tahun yaitu 2018 dan 2019. Berdasarkan model arsitektur terbaik yang digunakan pada penelitian ini, yaitu (2 x 1 x 1) dengan learning rate 0,6, swarm size 75, termination criteria 100, dan acceleration constants C1 = C2 = 2 didapatkan nilai MSE pada proses pelatihan dan pengujian sebesar 0,00179 dan 0,00081. Sehingga dapat dikatakan bahwa kombinasi JST backpropagation dan PSO dapat meningkatkan akurasi prediksi dan mampu menghasilkan bobot optimum, dilihat dari nilai MSE yang dihasilkan metode kombinasi JST backpropagation dan PSO.

Kata kunci:Produksi Air PDAM, Backpropagation, Jaringan Saraf Tiruan, Particle Swarm Optimization, Prediksi.

Kesimpulan

Berdasarkan hasil dan analisis pada Bab IV, terdapat beberapa kesimpulan yang diperoleh dari penelitian tugas akhir ini, yaitu sebagai berikut:

1. Cara mengatasi kelemahan pada JST backpropagation (BP) untuk prediksi produksi air PDAM dapat dilakukan melalui penerapan algoritma Particle Swarm Optimization (PSO) pada penentuan bobot yang akan digunakan pada JST backpropagation. Hal ini dibuktikan dengan nilai error (kesalahan) yang lebih kecil yang diukur dengan MSE, dari proses pelatihan dan pengujian model kombinasi JST backpropagation dan (PSO) yaitu 0,00179 pada proses pelatihan dan 0,00081 pada proses pengujian. Sedangkan nilai MSE pada proses pelatihan dan pengujian metode JST backpropagation secara berturutturut sebesar 0,00269 dan 0,00268.

2. Nilai akurasi yang diukur dengan menggunakan MSE dari model kombinasi JST backpropagation dan Particle Swarm Optimization (PSO) 0,00179 pada proses pelatihan dan pada proses pengujian sebesar 0,00081 dengan menggunakan arsitektur model terbaik yang telah ditentukan dengan percobaan parameter JST backpropagation dan analisis sensitivitas pada parameter PSO.

Saran

Berdasarkan hasil penelitian dan kesimpulan yang telah dipaparkan di atas, saran yang dapat diajukan dalam penelitian tugas akhir ini antara lain:

1. Pada penelitian ini didapat koefisien determinasi dari uji variabel sebesar 96,5% sehingga saran percobaan yang dapat dilakukan pada penelitian selanjutnya yaitu dengan menambahkan atribut lain berupa kehilangan air yang terdiri dari kehilangan air secara fisik, kehilangan air non fisik, kehilangan air pada pipa transmisi, kehilangan air produksi, dan kehilangan air pada pipa distribusi untuk melihat pengaruh variabel dependen terhadap variabel independen.

2. Pada metode JST backpropagation sebaiknya menggunakan GPU Programming sehingga bisa melakukan training data secara bersamaan. Hal ini berpengaruh pada proses pendistribusian data oleh JST, yaitu distributed and parallel processing.

3. Saran pada penelitian selanjutnya, yaitu melakukan penelitian dengan mengimplementasikan kombinasi JST backpropagation dan PSO pada dataset lain.