PROPOSAL TESIS PENGEMBANGAN APLIKASI PETA KONSEP PEMERATAAN PEMBANGUNAN WILAYAH MENGGUNAKAN METODE KLASIFIKASI J48 A. Latar Belakang Pembangunan merupakan gagasan yang lahir sebagai bentuk usaha menuju ke arah perbaikan melalui proses penalaran dalam rangka menciptakan kebudayaan dan peradaban umat manusia. Dalam konteks lebih luas, pembangunan bukan hanya dilihat dari segi perubahan struktur fisik, sosial, ekonomi dan institusional, tetapi juga menyangkut perubahan sikap masyarakat dalam proses pencapaian kehidupan yang lebih baik (Sugiharto, 2006). Provinsi Banten sebagai salah satu provinsi termuda memiliki luas 9,018.64 m 2 dengan jumlah populasi penduduk ± 9,782,779 jiwa, masih memilik tingkat pembangunan manusia yang masih terbilang rendah dengan Index Pembangunan Manusia (IPM) sebesar 70,6, jauh lebih kecil dari standar IPM yang ditentukan oleh United Nation Development Program (UNDP) yakni IPM harus sama dengan 100. (http://bps.banten.go.id, akses 02-04- 2011) Berdasarkan data statistik (http://bps.banten.go.id, akses 02-04-2011), tingkat pertumbuhan perekonomian untuk masing-masing wilayah masih terpusat dibeberapa wilayah tertentu. Tingkat pertumbuhan tertinggi terutama terjadi di Kotamadya Tangerang (data Badan Pusat Statistik (BPS) Provinsi Banten 2006) yang memilik tingkat pertumbuhan ekonomi 6,97% dengan Produk Domestik Regional Bruto (PDRB) sebesar 27.571,772 milyar, disusul Kabupaten Tangerang 5,74% dengan PDRB sebesar 27.562,53 milyar, Kotamadya Cilegon 4,83% dengan PDRB sebesar 19.982,129 milyar, Kabupaten Serang (data BPS 2006) 4,40% dengan PDRB sebesar 11.192,423 milyar, Kabupaten Lebak 4,02% dengan PDRB 7.273,939 milyar dan terakhir Kabupaten Pandeglang 3,79% dengan PDRB sebesar 7.465,229 milyar.
Transcript
PROPOSAL TESIS
PENGEMBANGAN APLIKASI PETA KONSEP PEMERATAAN
PEMBANGUNAN WILAYAH MENGGUNAKAN METODE
KLASIFIKASI J48
A. Latar Belakang
Pembangunan merupakan gagasan yang lahir sebagai bentuk usaha
menuju ke arah perbaikan melalui proses penalaran dalam rangka
menciptakan kebudayaan dan peradaban umat manusia. Dalam konteks lebih
luas, pembangunan bukan hanya dilihat dari segi perubahan struktur fisik,
sosial, ekonomi dan institusional, tetapi juga menyangkut perubahan sikap
masyarakat dalam proses pencapaian kehidupan yang lebih baik (Sugiharto,
2006).
Provinsi Banten sebagai salah satu provinsi termuda memiliki luas
9,018.64 m2 dengan jumlah populasi penduduk ± 9,782,779 jiwa, masih
memilik tingkat pembangunan manusia yang masih terbilang rendah dengan
Index Pembangunan Manusia (IPM) sebesar 70,6, jauh lebih kecil dari standar
IPM yang ditentukan oleh United Nation Development Program (UNDP)
yakni IPM harus sama dengan 100. (http://bps.banten.go.id, akses 02-04-
2011)
Berdasarkan data statistik (http://bps.banten.go.id, akses 02-04-2011),
tingkat pertumbuhan perekonomian untuk masing-masing wilayah masih
terpusat dibeberapa wilayah tertentu. Tingkat pertumbuhan tertinggi terutama
terjadi di Kotamadya Tangerang (data Badan Pusat Statistik (BPS) Provinsi
Banten 2006) yang memilik tingkat pertumbuhan ekonomi 6,97% dengan
Produk Domestik Regional Bruto (PDRB) sebesar 27.571,772 milyar, disusul
Kabupaten Tangerang 5,74% dengan PDRB sebesar 27.562,53 milyar,
Kotamadya Cilegon 4,83% dengan PDRB sebesar 19.982,129 milyar,
Kabupaten Serang (data BPS 2006) 4,40% dengan PDRB sebesar 11.192,423
milyar, Kabupaten Lebak 4,02% dengan PDRB 7.273,939 milyar dan terakhir
Kabupaten Pandeglang 3,79% dengan PDRB sebesar 7.465,229 milyar.
Saat ini proses penyusunan kebijakan program pembangunan masih
menggunakan metode teknokratik, di mana pembangunan dilakukan secara
sepihak oleh para kepala daerah tanpa melibatkan masyarakat dan wilayah
pembangunan sebagai subyeknya. Kecenderungan kepala daerah yang kurang
mampu untuk memformulasikan kebijakan karena adanya faktor tekanan
kepentingan politik tertentu, satuan perangkat kerja daerah yang tidak
konsisten dengan tugas pokok dan fungsinya, kepala daerah tidak memiliki
referensi global yang kuat guna memperkecil resiko dalam pengambilan
keputusan serta adanya perubahan eksternal.
Tidak adanya pengolahan data lebih jauh terhadap hasil pembangunan
yang telah dilaksanakan baik ekonomi, pendidikan, infrastruktur dan industri
dalam bentuk data mining, menjadikan kepala daerah tidak bisa menentukan
arah kebijakan pembangunan di masa mendatang sesuai dengan data dan fakta
yang ada. Sementara di satu sisi kepala daerah membutuhkan aplikasi yang
sifatnya sudah jadi dan diolah sesuai kebutuhan, akurat, cepat, mudah dan siap
pakai.
Kemajuan teknologi informasi yang pesat saat ini, semakin membuka
peluang bagi pengolahan data/informasi dalam jumlah yang besar secara
cepat, akurat dan tak mengenal batas waktu. Pemerintah menyadari tentang
hal ini, akan tetapi proses implementasinya yang masih tidak berjalan lancar.
(Shalahuddin, 2006).
Data statistik dalam hal ini government data mining memiliki peran
penting dalam menganalisa dan mengevaluasi hasil pembangunan dan
implikasinya pada masyarakat, lebih jauh digunakan sebagai referensi
tambahan dalam pengambilan keputusan dimasa mendatang. Proses
pengolahan data sebelum akhirnya menjadi sebuah pendukung keputusan
sangat banyak, salah satunya adalah data mining. Proses penggalian data
menjadi sebuah informasi menggunakan data mining dapat ditempuh dengan
berbagai metode, misalnya teknik klasifikasi.
Teknik klasifikasi merupakan salah satu metode yang digunakan untuk
eksplorasi data dan pengambilan keputusan pada proses komputasi yang
2
melibatkan perhitungan kompleks dan mengandung banyak iterasi namun
memberikan hasil yang lebih cepat, tepat dan akurat (Kardiana, dkk, 2006).
Teknik klasifikasi ini kemudian mengelompokkan objek-objek secara teratur
berdasarkan persamaan atau perbedaan data yang ada untuk memudahkan
pencarian adanya hubungan timbal balik dengan menggunakan berbagai
pendekatan algoritma, salah satunya adalah algoritma J48.
Prinsip algoritma yang digunakan dalam penelitian ini adalah
algoritma J48. Algoritma ini digunakan karena strukturnya yang menyerupai
struktur pohon keputusan yang nantinya akan digunakan dalam teknik
klasifikasi, dimana pengambilan hasil akhir didasarkan pada nilai gain
tertinggi dari atribut-atribut yang ada pada masing-masing cabang.
Pengambilan hasil akhir dalam algoritma J48 dilakukan dengan
mengelompokkan kasus yang ada untuk menghasilkan keputusan Yes atau No
kemudian mencari nilai entropy dari semua kasus kemudian dibagi
berdasarkan atribut yang dipakai, dan terakhir mencari nilai gain untuk
masing-masing atribut. Kelebihan lainnya adalah, perhitungan gain dan
entropy pada algoritma J48 masih bisa diterapkan pada atribut (root) di
bawahnya, sehingga penelusuran data lebih akurat dan proses pengambilan
kesimpulan bisa lebih tepat (Gandhi, et.al, 2010).
Penggunaan algortima J48 saat ini digunakan untuk kebutuhan
prediksi, seperti memprediksi kecacatan suatu modul pada pengembangan
software (Singh, 2009), dibidang kesehatan digunakan untuk memprediksi
penyakit akut (Kowsalya, et.al, 2010) dan penggalian informasi dari suatu
database besar untuk menghasilkan informasi baru yang bermanfaat (Kumar,
et.al, 2011)
Hasil akhir dari penelitian ini adalah sebuah sistem pendukung
keputusan (SPK) yang dilengkapi peta konsep pemerataan pembangunan
wilayah yang berisi data-data statistik pembangunan wilayah yang
bersangkutan. Sistem pendukung keputusan yang dihasilkan merupakan
sebuah aplikasi yang digunakan sebagai alat bantu menentukan kebijakan arah
kerja pembangunan wilayah bagi pemerintah daerah sesuai dengan
3
pengolahan koleksi data yang ada dalam sistem. Penentuan kebijakan ini
selanjutnya lebih jauh didukung dengan adanya bentuk peta spasial wilayah
yang memetakan data-data statistik pembangunan serta memuat
pengelompokan tingkat pembangunan yang sudah dicapai wilayah tertentu.
Aplikasi keseluruhan kemudian ditransformasikan menjadi sebuah
informasi sehingga menjadi pengetahuan dalam bentuk aplikasi untuk
mendukung pengambilan keputusan pemerintah daerah dalam menentukan
arah kebijakan pemerataan pembangunan sesuai dengan peta konsep
pemerataan pembangunan wilayah yang ada.
B. Rumusan Masalah
Berdasarkan latar belakang masalah dapat dirumuskan masalah sebagai
berikut :
1. Bagaimana memanfaatkan data pembangunan wilayah pada Dinas
Pekerjaan Umum, BALITBANGDA dan BPS Provinsi Banten dengan
membuat analisis data menggunakan metode klasifikasi J48.
2. Bagaimana mengembangkan aplikasi peta konsep pemerataan
pembangunan wilayah menggunakan konsep data mining dengan
pendekatan klasifikasi J48 untuk mendukung proses pengambilan
keputusan kepala daerah dalam menentukan arah kebijakan pembangunan.
C. Batasan Masalah
Penelitian ini dibatasi pada pengembangan sebuah aplikasi peta konsep
pemerataan pembangunan wilayah dengan pendekatan metode klasifikasi
decision tree menggunakan algoritma J48.
D. Tujuan Penelitian
Penelitian ini bertujuan untuk :
1. Memanfaatkan data pembangunan wilayah yang diperoleh dari Dinas
Pekerjaan Umum, BALITBANGDA dan BPS Provinsi Banten untuk
dianalisa menggunakan metode klasifikasi J48.
4
2. Mengembangkan aplikasi peta konsep pemerataan pembangunan
wilayah menggunakan konsep data mining dengan pendekatan
klasifikasi J48 untuk mendukung proses pengambilan keputusan
kepala daerah dalam menentukan arah kebijakan pembangunan.
E. Manfaat Penelitian
1. Bagi pemerintah daerah
Sebagai bahan pertimbangan bagi kepala daerah dalam proses
pengambilan keputusan untuk menentukan arah kebijakan pemerataan
pembangunan.
2. Bagi pihak peneliti
a. Penelitian tentang pengembangan aplikasi peta konsep pemerataan
pembangunan menggunakan metode klasifikasi J48 ini sebagai tugas
akhir/tesis untuk memenuhi syarat kelulusan pada Program
Pascasarjana Magister Teknik Informatika Universitas Atma Jaya
Yogyakarta.
b. Untuk mengetahui dan menguji penerapan konsep data mining
menggunakan metode klasifikasi J48 pada pengembangan aplikasi
peta konsep pemerataan pembangunan.
3. Bagi Universitas Atma Jaya Yogyakarta
Penelitian ini dapat dijadikan sebagai referensi untuk penelitian
selanjutnya, terutama bagi mahasiswa Universitas Atma Jaya Yogyakarta
yang berminat melakukan penelitian yang relevan dengan penelitian ini.
F. Tinjauan Pustaka
Konsep data mining banyak digunakan dalam berbagai bidang. Ayesa,
penulisan resep obat disebuah rumah sakit dan membangun sebuah simulasi
pengambilan keputusan menggunaan SPK. Dlodo, et.al (2009), Tahir, et.al
(2008), Martinez (2007) menggunakan sistem pendukung keputusan dalam
dunia industri untuk menentukan kualitas wool, maintenance data perusahaan
6
untuk industri kecil dan menengah serta pendukung keputusan dalam
pemilihan supplier perusahaan.
Gabungan konsep sistem pendukung keputusan dengan sistem informasi
geografis banyak digunakan untuk membuat sebuah sistem pengambilan
keputusan berbasis Sistem Informasi Geografis (SIG), biasa disebut SDSS
(Spatial Decision Support Systems). Mirfenderest (2009), Steinmetz, et.al
(2010) dan Jensen (2009), masing-masing mengembangkan sistem tentang
pemetaan bencana banjir di wilayah Gold Coast, Autralia, pembuatan aplikasi
Tsunami Early Warning System, dan sistem pendukung keputusan berbasis
SIG untuk mendeteksi kejanggalan pembuangan limbah pabrik.
Konsep perencanaan pembangunan fisik menggunakan pemetaan juga
dilakukan oleh Baloye, et.al (2010), sementara Ademiluyi, et.al (2009)
mengembangkan konsep SPK berbasis SIG untuk membuat sebuah
perencanaan pembangunan nasional berkelanjutan di Afrika. Dibidang
kesehatan Daash (2009) menggunakan SPK dan SIG untuk memetakan
wilayah penyebaran penyakit malaria di India.
Bidang pertanian yang mengadopsi konsep SPK dan SIG lebih
menitikberatkan pada penelitian ketersedian air untuk irigasi pertanian dan
ketersediaan pasokan air dihutan akibat penebangan kayu gelondongan
(Flores, et.al (2010), Zang, et.al (2008)).
Masih banyak bidang-bidang lain yang dikembangkan dengan mengadopsi
konsep data mining, sistem pendukung keputusan dan sistem informasi
geografis. Sebagai contoh, Kabupaten Kutai Timur di Kalimantan,
mengadopsi konsep data mining untuk mendukung kinerja pegawai-pegawai
pemerintahannya agar lebih efektif dan efisien (Shalahuddin, 2006).
Berdasarkan kajian pustaka diatas, penulis mengambil topik yang
menggabungkan ketiga konsep tersebut untuk dijadikan sebagai penelitian
dalam mengembangkan sebuah aplikasi peta konsep pemerataan
pembangunan wilayah. Penggunaan gabungan konsep data mining, SPK dan
SIG dimaksudkan untuk memperoleh hasil akhir yang lebih akurat dan
7
maksimal dalam proses penentuan pembangunan karena didasari oleh data
statistik dan data spatial pendukung yang sesuai.
G. Landasan Teori
1. Konsep pembangunan
Pembangunan sebagai konsep politik, ekonomi dan sosial di dalam
mengarahkan proses perubahan yang diinginkan suatu bangsa akan
melibatkan semua pemikiran, ilmu pengetahuan dan teknologi. Abad ke-
21 ditandai dengan pesatnya perubahan dalam berbagai aspek kehidupan
manusia, sebagai akibat perkembangan Teknologi Informasi.
Implikasinya, di dalam upaya perubahan yang direncanakan, yang dikenal
dengan istilah pembangunan, masalah-masalah sosial budaya, sosial
ekonomi dan sosial politik tersebut akan melebur dalam satu telaah yang
berada dalam ranah Sosiologi dan Antropologi. Masalah pembangunan
tidak hanya merujuk kepada aspek kwalitas, tetapi juga kwantitas.
Koentjaraningrat (1997) seperti yang dikutip Yulifar (2008)
mendefinisikan pembangunan sebagai serangkaian upaya yang
direncanakan dan dilaksanakan oleh pemerintah, badan-badan atau
lembaga-lembaga internasional, nasional atau lokal yang terwujud dalam
bentuk-bentuk kebijaksanaan, program, atau proyek, yang secara terencana
mengubah cara-cara hidup atau kebudayaan dari sesuatu masyarakat
sehingga warga masyarakat tersebut dapat hidup lebih baik atau lebih
sejahtera daripada sebelum adanya pembangunan tersebut.
2. Data mining
a. Definisi
Data mining dipandang sebagai suatu proses penggalian dan
analisa sekumpulan data, biasanya dalam ukuran data yang besar,
untuk menemukan suatu pola yang konsisten dalam mengekstrak
pengetahuan dan memperoleh aturan-aturan informasi baru yang
bermakna (Vercellis, 2009).
8
Data mining lebih mengacu pada keseluruhan proses
pengumpulan data dan analisis, pengembangan pembelajaran induktif
dan tindakan praktis pengambilan keputusan selanjutnya berdasarkan
pengetahuan yang diperoleh. Pada konsep mathematical learning
theory disediakan berbagai model matematika yang dapat digunakan
untuk proses analisis data mining agar menghasilkan pengetahuan
baru.
Proses data mining terbagi ke dalam dua bagian penting, yaitu :
1) Interpretasi
Tahap interpretasi ini menitikberatkan pada
pengidentifikasian pola-pola data mining untuk memperoleh aturan
dan kriteria yang mudah dipahami. Aturan-aturan yang dihasilkan
harus bersifat original dan penting terutama dalam kaidah
munculnya pemahaman dan pengetahuan baru yang dihasilkan dari
pengolahan data mining. Misal, sebuah perusahaan retail akan
memperoleh keuntungan dengan melakukan metode clustering
terhadap pelanggannya yang setia sesuai dengan profil masing-
masing pelanggan. Hasil peng-cluster-an ini akan bermanfaat
dalam menentukan target pasar yang baru serta arah market
selanjutnya.
2) Prediksi
Tujuan utama dari proses prediksi ini adalah untuk
mengantisipasi nilai variabel yang diambil secara acak untuk
memperkirakan kemungkinan-kemungkinan yang akan terjadi
dimasa mendatang. Sebagai contoh, sebuah perusahaan operator
seluler akan mengembangkan analisa data mining untuk
memperkirakan kemungkinan pelanggan beralih kepada pesaing
perusahaan. Dalam konteks yang berbeda, sebuah perusahaan
operator seluluer bisa memprediksi penjualan produk tertentu yang
dimilikinya untuk beberapa minggu ke depan.
9
Aplikasi data mining data berupa relational marketing
digunakan untuk menganalisa dan memprediksi trend pasar dimasa
mendatang, fraud detection digunakan untuk dunia industri yang
bergerak dibidang seluler, bank dan asuransi. Risk evaluation biasanya
digunakan untuk menganalisa tingkat resiko dimasa mendatang untuk
mengestimasikan hubungan resiko yang terjadi dimasa mendatang atas
keputusan yang telah diambil. Text mining digunakan untuk
merepresentasikan data-data yang tidak terstruktur, misal,
pengklasifikasian artikel, buku, dokumen dan halaman situs. Image
recognition digunakan dalam klasifikasi dan gambar digital untuk
mengenali wajah manusia, perbaikan kualitas gambar dan sebagainya.
Aplikasi web mining biasanya digunakan untuk menganalisa situs-situs
e-commerce atau untuk mengevaluasi model-model pembelajaran e-
learning, dan meedical diagnosis digunakan untuk deteksi dini
kemunculan penyakit, biasanya digunakan dirumah sakit atau klinik.
b. Proses data mining
Data mining dipahami sebagai suatu proses pada masing-
masing tahapannya, dimana masing-masing tahap memili umpan balik
untuk tahap selanjutnya. Tahapan data mining secara umum adalah
sebagai berikut (Kusnawi, 2007) :
1) Pembersihan data
Digunakan untuk membuang data yang tidak konsisten dan
noise
2) Integrasi Data
Data yang diperlukan untuk data mining tidak hanya
berasal dari satu database tetapi juga berasal dari beberapa
database atau file teks. Hasil integrasi data sering diwujudkan
dalam sebuah data warehouse karena dengan data warehouse, data
dikonsolidasikan dengan struktur khusus yang efisien. Selain itu
data warehouse juga memungkinkan tipe analisa seperti On-Line
Analitical Processing (OLAP).
10
3) Transformasi data
Transformasi dan pemilihan data ini untuk menentukan
kualitas dari hasil data mining, sehingga data diubah menjadi
bentuk sesuai untuk di-Mining.
4) Aplikasi Teknik Data Mining
Aplikasi teknik data mining sendiri hanya merupakan salah
satu bagian dari proses data mining. Ada beberapa teknik data
mining yang sudah umum dipakai.
5) Evaluasi pola yang ditemukan
Tahap ini hasil dari teknik data mining berupa pola-pola
yang khas maupun model prediksi dievaluasi untuk menilai apakah
hipotesa yang ada memang tercapai.
Berikut ini adalah skema dari proses data mining :
Gambar 1 Proses data mining (Vercellis, 2009)
c. Metode data mining
Berikut ini metode data mining yang sering digunakan dalam
menggali informasi baru dari sekumpulan data yang ada, antara lain :
11
1) Klasifikasi
Klasifikasi merupakan proses untuk menyatakan suatu objek
ke salah satu kategori yang sudah didefinisikan sebelumnya.
Metode klasifikasi menggunakan pendekatan sistematis untuk
membangun model klasifikasi dari sekumpulan data input.
Tujuannya adalah record-record yang sebelumnya tidak terlihat
dapat dinyatakan kelasnya seakurat mungkin.
Pramudiono (2003) mengatakan bahwa klasifikasi adalah
proses untuk menemukan model atau fungsi yang menjelaskan atau
membedakan konsep atau kelas data, dengan tujuan untuk dapat
memperkirakan kelas dari suatu objek yang labelnya tidak
diketahui. Model itu sendiri bisa berupa aturan “jika-maka”, berupa
decesion tree, formula matematis atau neural network.
2) Asosiasi
Association rule mining adalah teknik mining untuk
menemukan aturan asosiatif antara suatu kombinasi atribut. Contoh
dari aturan asosiatif dari analisa pembelian di suatu pasar swalayan
diketahui berapa besar kemungkinan seorang pelanggan membeli roti
bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar
swalayan dapat mengatur penempatan barangnya atau merancang
strategi pemasaran dengan memakai kupon diskon untuk kombinasi
barang tertentu. Penting tidaknya suatu aturan assosiatif dapat
diketahui dengan dua parameter, support yaitu prosentasi kombinasi
atribut tersebut dalam basisdata dan confidence yaitu kuatnya
hubungan antar atribut dalam aturan asosiatif (Kusnawi, 2007).
3) Clustering
Berbeda dengan association rule mining dan klasifikasi
dimana kelas data telah ditentukan sebelumnya, clustering melakukan
pengelompokan data tanpa berdasarkan kelas data tertentu. Bahkan
clustering dapat dipakai untuk memberikan label pada kelas data yang
belum diketahui. Karena itu clustering sering digolongkan sebagai
metode unsupervised learning.
12
Prinsip dari clustering adalah memaksimalkan kesamaan antar
anggota satu kelas dan meminimumkan kesamaan antar cluster.
Clustering dapat dilakukan pada data yang memiliki beberapa atribut
yang dipetakan sebagai ruang multidimensi (Kusnawi, 2007).
3. Metode Klasifikasi
Metode klasifikasi biasanya menggunakan pengamatan terhadap
data yang tersedia sebelumnya untuk mengidentifikasi model yang dapat
memprediksi target pengamatan dimasa mendatang. Definisi melalui
pendekatan yang lain diartika sebagai suatu proses untuk menemukan
model atau fungsi yang menjelaskan atau membedakan konsep atau kelas
data dengan tujuan untuk dapat memprediksi kelas dari suatu objek yang
labelnya tidak diketahui.
Pendekatan algoritma yang biasa digunakan dalam metode
klasifikasi adalah algoritma C4.5, Support Vector Machine (SVM), k-
Nearest Neighbor (k-NN), Naive Bayes, Classification and Regression
Trees (CART) (Wu, et.al, 2008). Saat ini, algoritma C4.5 mengalami
pengembangan menjadi algoritma baru dengan nama J48.
4. Algoritma J48
Algoritma J48 menggunakan fakta bahwa setiap data atribut dapat
digunakan untuk membuat keputusan dengan membagi data menjadi
subset yang lebih kecil. Untuk membuat keputusan, digunakan atribut
dengan information gain tertinggi. Kemudian, algoritma ini diulang pada
subset yang lebih kecil. Prosedur fraksionasi berhenti jika semua nilai
pada sebuah subset masuk ke dalam kelas yang sama. Selanjutnya
membuat sebuah root pada pohon keputusan untuk menentukan klasifikasi
kelas utamanya
5. Sistem pendukung keputusan
Pengambilan keputusan pada dasarnya adalah suatu pendekatan
sistematis pada suatu masalah, pengumpulan fakta dan informasi,
penentuan yang baik untuk alternatif yang dihadapi, dan pengambilan
tindakan yang menurut analisis merupakan tindakan yang paling tepat.
13
Tetapi pada sisi yang berbeda, pembuat keputusan kerap kali dihadapkan
pada kerumitan dan lingkup keputusan dengan data yang cukup banyak.
Untuk kepentingan itu, sebagian besar pembuat keputusan dengan
mempertimbangkan rasio manfaat/biaya, dihadapkan pada suatu keharusan
untuk mengandalkan sistem yang mampu memecahkan suatu masalah
secara efisien dan efektif, yang kemudian disebut dengan Sistem
Pendukung Keputusan (SPK).
6. Sistem informasi geografis
Sistem informasi geografis merupakan suatu himpunan terpadu
dari hardware, software, data dan liveware (orang-orang yang
bertanggung jawab dalam mendesain, mengimplementasikan dan
menggunakan sistem informasi geografis) (Subaryono, 2005; Riyanto,
2009).
SIG merupakan sistem yang dibuat untuk mengintegrasikan data spasial (peta vektor dan citra dijital), atribut (tabel sistem basisdata), dan properties penting lainnya. Fungsionalitas SIG yang utama adalah kemampuannya menjawab hal yang terkait dengan analisis (query). SIG dapat memecahkan masalah analisis spasial, atribut maupun kombinasinya. Oleh karena itulah, SIG dapat mengotomatisasikan proses-proses analisis dan pembuatan peta digital. SIG terdiri dari empat subsistem utama : a. Sub-sistem Masukan
Sub-sistem masukan ini menyediakan data sampai siap dimanfaatkan pengguna berupa peralatan pemetaan terestris, fotogrametri, digitasi, scanner. Tahap input (masukan) adalah dengan mengumpulkan dan mempersiapkan data spasial dan atribut dari berbagai sumber data. Data yang digunakan harus dikonversikan menjadi format digital yang sesuai.
14
Proses konversi yang dilakukan dikenal dengan proses dijitalisasi (digitizing).
b. Sub-sistem database Digitasi peta dasar pada berbagai wilayah/daerah
cakupan dengan berbagai skala telah dan terus dilakukan dalam rangka membangun sistem database spasial yang mudah diperbaharui dan digunakan dengan data literal sebagai komponen utamanya.
c. Sub-sistem pengolahan data Pengolahan data baik vektor maupun raster dapat
dilakukan dengan berbagai software seperti AUTOCAD, ARC/INFO, dll. Pada metode vektor disebut digitasi sedangkan raster disebut metode overlay. Salah satu karakteristik software SIG adalah adanya sistem layer (pelapisan) yang menggabungkan beberapa unsur informasi (penduduk, jalan, persil tanah, dll).
d. Sub-sistem penyajian informasi Sub-sistem penyajian informasi dilakukan dengan
berbagai media agar mudah dimanfaatkan pengguna. Hasil penyajian berupa informasi yang baru atau database yang ada baik dalam bentuk softcopy maupun dalam bentuk hardcopy seperti dalam bentuk peta (atribut peta dan atribut data), tabel, grafik dan lain-lain.
H. Metodologi Penelitian
Langkah-langkah penelitian dalam penyelesaian tesis ini diantaranya
adalah :
1. Studi literatur
Pada tahap ini penulis melakukan penggalian konsep peneletian
melalui studi pustaka berdasarkan penelitian-penelitian yang telah
15
dilakukan sebelumnya untuk dijadikan kajian pendukung dalam topik
penelitian yang penulis lakukan.
2. Wawancara
Pada tahap ini penulis melakukan penggalian data melalui
wawancara dengan beberapa pihak terkait yang berhubungan dengan topik
penelitian. Pihak-pihak tersebut antara lain BALITBANGDA Provinsi
Banten, Dinas Pekerjaan Umum dan Badan Pusat Statistik Provinsi
Banten.
3. Pengkoleksian dan pengklasifikasian data
Pengkoleksian dan pengklasifikasian data dimaksudkan untuk
mengolah data mentah hasil wawancara, agar bisa dianalisa berdasarkan
dengan metode J48 yang penulis ambil sebagai metode penelitian.
4. Pembangunan perangkat lunak, meliputi :
a. Analisa kebutuhan, untuk menentukan kebutuhan sistem aplikasi yang
akan dibangun sehingga menghasilkan software requirenment
spesification yang sesuai.
b. Perancangan, dilakukan untuk mengembangkan struktur sistem dan
mendeskripsikan rancangan aplikasi.
c. Pengkodean (Coding), penulisan source code program.
d. Pengujian, dilakukan untuk menguji sistem aplikasi yang
dikembangkan dengan menggunakan pendekatan white box testing dan
black box testing.
5. Pengujian tahap I, meliputi :
a. Testing I aplikasi
b. Proses bugging aplikasi
6. Pengujian Tahap II, meliputi
a. Testing II aplikasi
b. Proses bugging aplikasi
7. Penulisan laporan tugas akhir
16
17
I. Jadwal Penelitian
No Nama KegiatanBulan
Maret April Mei Juni Juli Agustus September Oktober November
penelitian, analisis dan kesulitas-kesulitan yang ada.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
Bab ini memuat hasil penelitian yang telah
dilakukan serta pembahasannya sesuai dengan
implementasi yang ada.
BAB V PENUTUP
20
Bab ini memuat kesimpulan penelitian dan saran
untuk pengembangan penelitian selanjutnya.
DAFTAR PUSTAKA
Ademiluyi, I.A., Otun, W.O., 2009, Spatial Decision Support Systems (DSSS) and Sustainable Development of The Third World, Journal of Sustainable Development in Africa, Volume : 10, Nomor : 4, Halaman : 200 – 217
Al-Hegami, Sultan, Ahmed., 2007, Clasical and Incremental Classification in Data Mining Process, Journal of IJCSNS, Volume : 7, Nomor : 12, Halaman : 179 – 187
Al-Radaideh, A, Qasem., Al-Shawakfa, M, Emad., Al-Najjar, I, Mustafa., 2006, Mining Student Data Using Decision Trees, Journal of ACIT, Halaman : 1 – 5
Altsitsiadis, Efthymios., Hinrichs, Birgit., Topouzis, Fotis., Stockfleth, Eggert., Konstantinos Pappas., 2009, Decision Support Systems in Health Care : Toward a Simulated Health System, Europan Journal ePractice, Volume : 8, Nomor : 8, Halaman : 1 – 15
Andersen, G, David., Feamster, Nick., 2006, Challenges and Opportunities in Internet Data Mining, Journal of Parallel Data Laboratory Carnegie Mellon University, Halaman : 1- 10
Ayesha, Shaeela., Mustafa, Tasleem., Sattar, Raza, Ahsan., Khan, Inayat, M., 2010, Data Mining Model for Higher Education System, EuroJurnal Publishing, Volume : 43, Nomor : 1, Halaman : 24 – 29
Baepler, Paul., Murdoch, James, Cynthia., 2010, Academic Anayitics and Data Mining in Higher Education, International Journal for The Schoolarship of Teaching and Learning, Volume : 4, Nomor : 2, Halaman : 1 – 9
Baloye, D.O., Adesina , F.A., Kufoniyi, O., 2010, A Spatial Decision Support System Approach to Sustainable Physical Development Planning in a Built
21
Environment, Journal of Sustainable Development in Africa, Volume : 12, Nomor : 3, Halaman : 401 – 420
Bhargavi, P., Jyothi, S., 2009, Applying Naive Bayes Data Mining Technique for Classification of Agricultural Land Soils, Journal of IJCSNS, Volume : 9, Nomor : 8, Halaman : 117 – 122
Chao, Sam., Wong, Fai., 2009, An Incremental Decision Tree Learning Methodology Regarding Attributes in Medical Data Mining, Journal of IEEE, Halaman : 1694 -1699
Daash, Annjaan., Srivastava, Aruna., Nagpal, B.N., Saxena, Rekha., Gupta, Kumar, Sanjeev., 2009, Geographical Information System (GIS) in Decision Support to Control Malaria – A Case Study of Koraput District in Orissa, India, Journal of J Vector Borne Dis, Volume : 46, Halaman : 72 – 74
Davey, Peter., 2006, The Potential Role of Computerized Decision Support System to Improve Empirical Antibiotic Prescribing, Journal of Antimicrobial Chemotherapy, Volume : 58, Halaman : 1105 – 1106
Delavari, Naeimeh., Phon-Amnuaisuk, Somnuk., Beikzadeh, Reza, Mohammad., 2008, Data Mining Application in Higher Learning Institutions, Journal of Institute of Mathematics and Informatics, Vilnius, Volume : 7, Nomor : 1, Halaman : 31 – 54
Dlodlo, Nomusa., Hunter, Lawrance., Cele, Cyprian., Botha, F, Anton., Matelerkamp, Roger., 2009, A Decision Support System for Wool Classification, AUTEX Research Journal, Volume : 9, Nomor :2, Halaman : 42 – 46
Eitzinger, J., Schahbazian, N., Akbari, G., 2007, A Decision Support System for the Optimization Irrigation Scheduling, Pakistan Journal of Water Resources, Volume : 11, Nomor : 2, Halaman : 1 – 18
Eusebi, Clara., Gliga, Cosmin., John, Deepa., Maisonave, Andre., 2008, Data Mining on Mushroom Database, Journal of CSIS, Pace University, Halaman : 1 – 9
Flores, I, Carlos., Holzapel, A, Eduardo., Lagos, Octavio., 2010, A Dinamic Decision Support System For Farm Water Management in Surface Irrigation : Model Development and Application, Chilean Journal of Agricultural Research, Volume : 70, Nomor : 2, Halaman : 278 – 286
Gandhi, Meera, G., Srivatsa, S, K., 2010, Adaptive Machine Learning Algorithm (AMLA) Using J48 Classifier for an NIDS Environment, Advances in
Gangrade, Alka., Patel, Ravindra., 2009, Building Privacy-Preserving C4.5 Decission Tree Clasifier on Multiparties, Journal of IJCSE, Volume : 1, Nomor : 13, Halaman : 199 – 205
G, Kowsalya, R., J, Sasikala., Priya, Sangeetha., 2010, Acute Cystitis and Acute Nephritis Prediction Using Machine Learning Techniques, Global Journal of Computer Science and Technology, Volume : 10, Nomor : 8, Versi : 1.0, Halaman : 14 - 16
Gorakavi, Kumar, Pavan., 2010, Application of Data Mining Techniques in Agile Project Management – Emerging Trend in Project Management, Journal of PM World Today, Volume : XII, Nomor : VI, Halaman : 1 – 7
Ikonomovska, Elena., Loskovsa, Suzana., Gjorgjevik, Dejan., 2007, A Survey of Stream Data Mining, Journal of ETAI
Ismail, Ismahani., Marsono, Nadzir, Muhammad., Nor, Mohd, Sulaiman., 2010, Detecting Worms Using Data Mining Techniques : Learning in The Presence of Class Noise, Journal of IEEE Computer Society, Volume : 10, Halaman : 187 - 194
Jensen, R, John., Hodgson, E, Michael., Garcia-Quijano, Marla., Im, Jungho., Tullis, A, Jason., A Remote Sensing and GIS-Assisted Spatial Decision Support System for Hazardous Waste Site Monitoring, Journal of Photogrammetric Engineering & Remote Sensing, Volume : 75, Nomor : 2, Halaman : 169 – 177
Kardiana, Aan., Aunuddin., Wigena, Hamim, Aji., Wijayanto, hari., 2006, Metode Klasifkasi Berstruktur Pohon Biner (Studi Kasus Pada Prakiraan Sifat Hujan Bulanan di Bogor), SNASTI 2006, Halaman : 21- 26
Keramati, Abbas., Yousefi, Niloofar., 2011, A Proposed Classification of Data Mining in Credit Scoring, International Conference on Industrial Engineering and Operations Management, Halaman : 416 – 424
Khan, Shahbaz, Fahad., Anwer, Muhammad, Rao., Torgersson, Olof., Falkman, Goran., 2008, Data Mining in Oral Medicine Using Decision Trees, International Journal of Biological and Life Sciences, Volume : 4, Nomor : 3, Halaman : 156 – 161
Kumar, Varun., Rathee, Nisha., 2011, Knowledge Discovery From Database Using an Integration of Clustering and Classification, International Journal of Advance Computer Science and Applications, Volume : 2, Nomor : 3, Halaman : 29 - 33
23
Kusnawi, 2007, Pengantar Solusi Data Mining, Proceeding Seminar Nasional Teknologi, halaman : 1 – 9
Kusrini., Hartati, Sri., Wardoyo, Retantyo., Harjoko, Agus., 2009, Perbandingan Metode Nearest Neighbor dan Algortima C4.5 Untuk Menganalisis Kemungkinan Pengunduran Diri Calon Mahasiswa di STMIK AMIKOM Yogyakarta, Jurnal DASI, Volume : 10, Nomor : 1, Halaman : 1 – 19
Leu, Fang-Yie., Hu, Kai-Wei., 2008, A Real Time Intrusion Detection System Using Data Mining Technique, Journal of Systemics, Cybernetics and Informatics, Volume : 6, Nomor : 2, Halaman : 36 – 41
Lin, Chinho., Lin, Mei, Chun., Lin, Binshan., Yang, Ming-Chin., 2008, A Decicion Support System for Improving Doctors’ Prescribing Behavior, ELSEVIER SCIENCE, Volume : 36, Halaman : 7975 – 7984
Liu, Huan., Motoda, Hiroshi., Setiono, Rudi., Zhao, Zheng., 2010, Feature Selection – An Ever Evolving Frontier in Data Mining, Journal of JMLR, Volume : 10, Halaman : 4 – 13
Loh, Eugene., Crosbie, Tracey., Dawood, Nashwan., Dean, John., 2010, A Framework and Decision Support System to Increase Building Life Cycle Energy Performance, Journal of Information Technology in Construction, Volume : 15, Halaman : 337 – 353
Martinez, Gerardo, Jose., 2007, Use of an Alternative Decision Support System in Vendor Selection Decisions, Inter Metro Business Journal, Volume : 3, Nomor : 2, Halaman : 1 – 14
Minegishi, Tatsuya., Ise, Masayuki., Niimi, Ayahiko., Konishi, Osamu., 2009, Extention of Decision Tree Algorithm for Stream Data Mining Using Real Data, Journal of IEEE SMC Hiroshima Chapter, Halaman : 208 - 212
Mirfenderesk, Hamid., 2009, Flood Emergency Management Decision Support System on The Gold Coast, Australia, The Australian Journal of Emergency Management, Volume : 24, Nomor : 2, Halaman : 48 – 58
Oprean, C., Kifor, C.V., Negulescu, S.C., Candea, C., Oprean, L., Kifor, S., 2009, eCollaborative Decisions-A DSS for Academic Environment, International Journal of Human and Social Science, Volume : 4, Nomor : 12, Halaman : 912 – 918
Palaniappan, Sellappan., Awang, Rafiah., 2008, Intelligent Heart Disease Prediction System Using Data Mining Techniques, Journal of IJCSNS, Volume : 8, Nomor : 8, Halaman : 343 – 350
24
Palaniappan, Sellappan., Ling, Sook, Chua., 2008, Clinical Desicion Support Using OLAP With Data Mining, Journal of IJCSNS, Volume : 8, Nomor : 9, Halaman : 290 – 296
Patnaik, Jayakrihsna., Chien, Steven., Bladikas, Athanassios., 2006, Using Data Mining Techniques on APC Data to Develop Effective Bus Scheduling Plans, Journal of Systemics, Cybernetics and Informatics, Volume : 4, Nomor : 1, Halaman : 86 - 90
Phyu, Nu, Thair., 2009, Survey of Clasification Techniques in Data Mining, Journal IMECS, Volume : I Nomor : 978-988-17012-2-0
Pramudiono, Iko, 2003, Pengantar Data Mining : Menambang Permata Pengetahuan di Gunung Data, IlmuKomputer.com, halaman : 1 - 4
Ranjan, Jayanti., 2007, Applications of Data Mining Techniques in Pharmaceutical Industry, Journal of JATIT, Halaman : 61 – 67
Romero, C., Ventura, S., 2006, Educational Data Mining : A Survey From 1995 - 2005, ELSEVIER SCIENCE, Volume : 33, Halaman : 135 – 146
Romero, Cristobal., Ventura, Sebastian., Garcia, Enrique., 2007, Data Mining in Course Management Systems:Moodle Case Study and Tutorial, ELSEVIER SCIENCE, Halaman : 1 – 19
Segall, S, Richard., Pierce, M, Ryan., 2009, Advance Data Mining of Leukimia Cells Micro-Array, Journal of Systemics, Cybernetics and Informatics, Volume : 7, Nomor : 6, Halaman : 31 – 54
Shalahuddin, Muhammad., 2005, Penggunaan Data Mining Untuk Perencanaan Pembangunan Daerah, www.gangsir.com, akses tanggal 25 Februari 2011
Shekar, Chandra, D.V., Srinivas, Sesha, V., 2008, Clinincal Data Mining – An Approach for Identification of Refractive Errors. Journal of IMECS, Volume : 1, Halaman : 1 – 5
Shidara, Yohji., Kudo, Mineichi., Nakamura, Atsuyoshi., 2008, Classification Based on Consistent Itemset Rulees, IBAI Publishing, Volume : 1, Nomor : 1, Halaman : 17 – 30
Siddiqui, Muazzam., Wang, C, Morgan., Lee, Joohan., 2009, Detecting Internet Worms Using Data Mining Techniques, Journal of Systemics, Cybernetics and Informatics, Volume : 6, Nomor : 6, Halaman : 48 – 53
Singh, Pradeep., 2009, Comparing The Effectiveness of Machine Learning Algorithms For Defect Prediction, International Journal of Information Technology and Knowledge Management, Volume : 2, Nomor : 2, Halaman : 481 - 483
Steinmetz, T., Raape, U., Tebmann, S., Strobl, C., Friedeman, M., Kukofka, T., Riedlinger, T., Mikusch, E., Dech, S., 2010, Tsunami Early Warning and Decision Support, Journal of Natural Hazard and Earth System Sciences, Volume : 10, Halaman : 1839 – 1850
Sugiharto, 2006, Pembangunan dan Pengembangan Wilayah, Medan : USU Press, Cetakan Pertama.
Tahir, Zulkifli., Prabuwono, Satria, Anton., Aboobaider, Mohd, Burhanudin., 2008, Maintenance Decision Support System in Small and Medium Industries : An Approach to New Optimization Model, Journal of IJCSNS, Volume : 8, Nomor : 11, Halaman : 155 – 162
Tokumaru, Masataka., Muranaka, Noriaki., 2009, Product-Impression Analysis Using Fuzzy C4.5 Decission Tree, Journal of Advance Computatiofnal Intelligence and Intelligent Informatics, Volume : 13, Nomor : 6, Halaman : 731-732
Usharani, C., Chandrasekaran, Rm., 2010, Course Planing of Higher Education to Meet Market Demand by Using Data Mining Techniques – a case of Technical University in India, Journal of IACSIT, Volume : 2, Nomor : 5, Halaman : 809 – 814
Velmurughan, Senthil, M., Narayanasamy, Kogilah., 2008, Application of Decision Support System in E-Commerce, Communications of IBIMA, Volume : 5, Halaman : 156 – 169
Xiaoli, Li., Chen, Yingyi., Daoliang, Li., 2009, A Spatial Decision Support System for Land-Use Sructure Optimization, Journal of WSEAS TRANSACTONS on COMPUTERS, Volume : 8, Nomor : 3, Halaman : 439 – 448
Yulifar, Leli., 2008, Sosiologi dan Antropologi Pembangunan, Handbook Mahasiswa, Unsubscibe, Bandung : Universitas Pendidikan Indonesia
Zang, Yanli., Barten, K. Paul., Sugumaran, Ramanathan., DeGroote, John., Evaluating Forest Harvesting to Reduce Its Hydrologic Impact with A
26
Spatial Decision Support System, Journal of Applied GIS, Volume : 4, Nomor : 1, Halaman : 1 – 16
