BAB II

LANDASAN TEORI

Pada Bab ini meliputi Tinjauan teori atau tinjauan

pustaka berisi tentang teori-teori yang mendukung dan

berhubungan dengan penulisan Tugas Akhir. Teori-teori yang

berkaitan dengan dasar-dasar pemikiran dan pendefinisian

setiap elemen yang menjadi bagian pembahasan dari Tugas

Akhir ini, serta untuk menyelesaikan permasalahan yang

dihadapi untuk selanjutnya diterapkan dalam implementasi

program. Dalam menyelesaikan permasalahan tersebut

diperlukan berbagai teori-teori dan pandangan dasar dari

beberapa ahli. Pengertian dan teori-teori tersebut meliputi

beberapa hal di bawah ini.

2.1. Knowledge Discovery

Knowledge Discovery atau sering disebut Data mining

secara sederhana dapat dikatakan sebagai proses menggali

(mining) pengetahuan atau informasi yang berharga dari

sejumlah data baik yang disimpan didalam databases, data

warehouse maupun media penyimpanan informasi lainnya

(Han, Kamber, 2001).

II-1

II-2

2.2. Data Mining

2.2.1. Pengenalan Pola, Data Mining dan Machine Learning

Pengenalan pola adalah suatu disiplin ilmu yang

mempelajari cara-cara mengklasifikasikan obyek ke

beberapa kelas atau kategori dan mengenali kecenderungan

data. Tergantung pada aplikasinya, obyek-obyek ini bisa

berupa pasien, mahasiswa, pemohon kredit, gambar, sinyal

atau pengukuran lain perlu diklasifikasikan atau dicari fungsi

regresinya. Biasanya subyek ini disebut dengan pengenalan

pola atau patern recorgnition.

Data Mining, sering disebut juga Knowledge Discovery

in Database (KDD), adalah kegiatan yang meliputi

pengumpulan, pemakaian data historis untuk data berukuran

besar. Keluaran dari data mining ini bisa digunakan untuk

memperbaiki pengambilan keputusan dimasa depan.

Sehingga istilah pengenalan pola sekarang ini jarang

digunakan karena ia termasuk dari data mining.

Machine learning adalah suatu area dalam artificial

intelligence (kecerdasan buatan) yang berhubungan dengan

pengembangan teknik-teknik yang bisa diprogramkan dan

belajar dari data masa lalu. Pengenalan pola, data mining

dan machine learning sering dipakai untuk menyebut sesuatu

yang sama. Bidang ini bersinggungan dengan ilmu

probabilitas dan statistik kadang juga optimasi. Machine

learning menjadi alat analisis dalam data mining. Berikut ini

II-3

perbedaan yang bisa diberikan. Ini pun tidak jelas

membedakan karena masih ada area abu-abu.

Statistik, lebih berdasarkan teori, lebih fokus pada

pengujian hipotesis.

Machine learning, lebih bersifat heuristik, fokus pada

perbaikan performansi dari suatu teknik learning, juga

meliputi real-time learning dan robotic area yang tidak

termasuk data mining.

Data mining, gabungan teori dan heuristik, fokus pada

seluruh proses penemuan knowledge atau pola termasuk

data cleaning, learning, dan visualisasi dari hasilnya.

2.2.2. Supervised dan Unsupervised

Sebelum kita mempelajari teknik-teknik yang digunakan

dalam data mining, ada baiknya kita bedakan dulu metode

belajar (learning) secara garis besar ke dalam dua

pendekatan: supervised dan unsupervised. Dalam

pendekataan pertama, unsupervised learning, metode kita

terapkan tanpa adanya latihan (training) dan tanpa ada guru

(teacher). Guru disini adalah label dari data. Misalkan kita

punya sekelompok pengamatan atau data tanpa label (output)

tertentu, maka dalam unsupervised learning kita harus

mengelompokan data tersebut ke dalam beberapa kelas yang

kita hendaki. Ini terutama dilakukan karena data-data yang

II-4

memang tidak mempunyai label. Label menandakan kemana

data dilabelkan. Untuk melakukan tugas (task). Ini kita bisa

menerapkan metode unsupervised learning. Masuk kedalam

kelompok ini adalah classtering dan self organizing map

(SOM).

Sebagai contoh, ada sekelompok mahasiswa didalam

kelas. Seorang dosen akan mengelompokan beberapa orang

ini ke dalam beberapa kelompok. Misalkan jumlah kelompok

adalah empat. Maka mahasiswa ini bisa dikelompokan

menurut kesamaan ciri-ciri atau atribut. Mungkin mahasiswa

ini bisa dikelompokan berdasarkan nilai indeks prestasinya

atau jarak tempat tinggal mereka atau gabungan keduanya.

Dalam ruang dimensi sumbu-x ada sumbu-y dan jarak

tempat tinggal sebagai sumbu-y. Maka dengan teknik

unsupervised, mahasiswa sebagai objek dari tugas kita, bisa

dikelompokan dalm empat kelompok menurut kedekatan

indeks prestasinya dan jarak tempat tinggalnya.

Pengelompokan ini mengasumsikan bahwa, dalam satu

kelompok, anggota-anggotanya harus mempunyai kemiripan

atau kesamaan yang tinggi dibanding dengan anggota

kelompok lain. Ini sekedar contoh sederhana untuk

menjelaskan apa itu metode unsupervised. Sesuai namanya,

unsupervised tidak perlu dilatih (training) atau tidak perlu

seorang pelatih (teacher) dalam melakukan tugasnya (task).

Data dalam metode unsupervised tidak diketahui

keluarannya (output atau labelnya). Output inilah yang

II-5

dipakai sebagai guru dalam proses training untuk metode

supervised yang kita bahas berikut ini.

Gambar 2.2. Proses mencari hubungan antara variabel input,

x, dan output, y, dalam supervised learning (Santoso, 2007)

Sebagai alternatif dari cara belajar tanpa pelatih adalah

supervised learning yaitu metode belajar dengan adanya

latihan dan pelatih. Banyak teknik dalam pattern

recognation masuk dalam kategori ini. Sebagai contoh

adalah regresi, analisis diskriman (LDA). Artificial neural

network (ANN) dan support vector machine (SVM). Dalam

pendekatan ini, untuk menemukan fungsi keputusan, fungsi

pemisah atau fungsi regresi, kita menggunakan beberapa

contoh data yang mempunyai output atau label selama

proses training. Disini kita ingin menemukan fungsi yang

bisa dinyatakan sebagai y = / (x) , lihat gambar 2.1. Data

untuk mentraining kita sebut set training. Fungsi atau model

yang kita temukan kita uji dengan set data validasi. Ada

yang membagi 2 kelompok yaitu set training dan set testing.

Ada juga yang membagi menjadi 3 bagian yaitu set training,

validasi, dan testing. Fungsi set valiadasi dan testing

sebenarnya sama, yakni untuk menguji apakah fungsi atau

model kita sudah cukup bagus performansinya ketika

II-6

diterapkan untuk memprediksi. Jika performansi pada saat

validasi atau testing belum memenuhi harapan kita bisa

mengatur nilai parameter model untuk mendapatkan model

dengan performansi yang lebih baik. Setelah fungsi-fungsi

tersebut ditemukan dan performansinya cukup bagus,

kemudian kita bisa melakukan tugas untuk mengelompokan

obyek tertentu yang belum diketahui labelnya atau membuat

prediksi. Data untuk training dan testing terdiri dari

vektor/matrik input dan output(label). Matrik/vektor input

biasa diberi simbol X dan vektor output diberi simbol Y.

Dalam unsupervised learning kita tidak punya data output

atau Y.

Gambar 2.1. Pembagian data menjadi set training, validasi dan

testing (Santoso, 2007)

2.2.3. Pengertian Data Mining

II-7

Data mining adalah salah satu cabang ilmu komputer

yang relatif baru yang memiliki keterkaitan dngan machine

learning, kecerdasan buatan (artificial intelligence), statistic

dan database. Ada banyak pengertian data mining itu

sendiri diantaranya :

Data mining adalah suatu istilah yang digunakan untuk

menguraikan penemuan pengetahuan di dalam database.

Data mining adalah proses yang manggunakan teknik

statistik, matematika, kecerdasan buatan, dan machine

learning untuk mengekstrasi dan mengindentifikasi

informasi yang bermanfaat dan pengetahuan yang terkait

dari berbagai database besar (Turban, dkk. 2005).

Menurut Gartner Group data mining adalah suatu

proses menemukan hubungan yang berarti, pola dan

kecenderungan dengan memeriksa dalam sekumpulan besar

data yang tersimpan dalam penyimpanan dengan

menggunakan teknik penenalan pola seperti teknik statistik

dan matemtika (Larose, 2005).

Data mining adalah analisis otomatis dari data yang

berjumlah besar atau kompleks dengan tujuan untuk

menemukan pola atau kecenderungan yang penting yang

biasanya tidak disadari keberadaannya. (Pramudiono,

2006).

II-8

Data mining merupakan analisis dari peninjauan

kumpulan data untuk menemukan hubungan yang tidak

diduga dan meringkas data dengan cara yang berbeda

dengan sebelumnya, yang dapat dipahami dan bermanfaat

bagi pemilik data. (Larose, 2005)

Definisi umum dari data mining itu sendiri adalah

proses pencarian pola yang menarik (hidden patern), berupa

pengetahuan yang tidak diketahui sebelumnya dari suatu

kumpulan data dimana data tersebut data berada dalam

database, data warehouse, atau media penyimpanan

informasi yang lain.

Dari definisi-definisi yang telah disampaikan, hal

penting yang terkait dengan data mining adalah:

1. Data mining merupakan suatu proses otomatis terhadap

data yang sudah ada.

2. Data yang akan diproses berupa data yang sangat besar.

3. Tujuan data mining adalah mendapatkan hubungan atau

pola yang mungkin memberikan indikasi yang

bermanfaat.

Hubungan yang dicari dalam data mining dapat berupa

hubungan antara dua atau lebih dalam satu dimensi.

Misalnya dalam dimensi produk kita dapat melihat

keterkaitan pembelian suatu produk dengan produk yang

II-9

lain. Selain itu, hubungan juga dapat dilihat antara dua atau

lebih atribut dan dua atau lebih objek (Ponniah, 2001).

Sementara itu, penemuan pola merupakan keluaran lain

dari data mining. Misalkan sebuah perusahaan yang akan

meningkatkan fasilitas kartu kredit dari pelanggan, maka

perusahaan akan mencari pola dari pelanggan-pelanggan

yang ada untuk mengetahui pelanggan yang potensial dan

pelanggan yang tidak potensial.

Beberapa definis awal dari data mining menyertakan

fokus pada proses otomatisasi. Berry dan Linoff dalam buku

Data Mining Technique For Marketing, Sales, and

Customers Support mendefinisikan data mining sebagai

proses eksplorasi dan analisis secara otomatis maupun

semiotomatis terhadap data dalam jumlah besar dengan

tujuan menemukan pola atau aturan yang berarti (Larose,

2005).

Tiga tahun kemudian, dalam buku Mastering Data

Mining mereka memberikan definsi ulang terhadap

pengertian data mining dan memberikan pernyataan bahwa

jika ada yang kami sesalkan frase “secara otomatis maupun

semiotomatis” karena kami merasa hal tersebut memberikan

fokus berlebih pada teknik otomatis dan kurang pada

eksplorasi dan analisis. Hal tersebut memberikan

pemahaman yang salah bahwa data mining merupakan

II-10

produk yang dapat dibeli dibandingkan keilmuan yang harus

dikuasai (Larose, 2005).

Pernyataan tersebut menegaskan bahwa dalam data

mining otomatisasi tidak menggantikan campur tangan

manusia. Manusia harus ikut aktif dalam setiap fase dalam

proses data mining. Kehebatan kemampuan algoritma data

mining yang terdapat dalam perangkat lunak analisis yang

terdapat saat ini memungkinkan terjadinya kesalahaan

penggunaan yang berakibat fatal. Pengguna mungkin

menerapkan analisis yang tidak tepat terhadap kumpulan

data dengan menggunakan pendekataan yang berbeda. Oleh

karenanya, dibutuhkan pemahaman tentang statistik dan

struktur model matematika yang mendasari kerja perangkat

lunak (Larose, 2005).

Dalam aplikasinya, data mining sebenarnya merupakan

bagian dari proses Knowledge Discovery in Database atau

KDD, bukan sebagai teknologi yang utuh dan berdiri

sendiri. Data mining merupakan suatu bagian langkah yang

penting dalam proses KDD terutama berkaitan dengan

ekstraksi dan perhitungan pola-pola dari data yang ditelaah.

Langkah-langkah atau proses KDD itu sendiri terdiri dari :

Pemilihan data (data selection), pemilihan data dari

sekumpulan data opersaional perlu dilakukan sebelum

tahap penggalian informasi dala KDD dimulai. Data

II-11

hasil seleksi yang akan digunakan untuk proses data

mining, disimpan dalam suatu berkas, terpisah dari basis

data operasional.

Pre-processing, sebelum proses data mining dapat

dilaksanakan, perlu dilakukan proses cleaning pada data

yang menjadi fokus KDD. Proses cleaning mencakup

antara lain membuang duplikasi data, memeriksa data

yang inkonsisten dan memperbaiki kesalahan pada data,

seperti kesalahan cetak (tifografi). Juga dilakukan proses

enrichment, yaitu proses “memperkaya” data yang sudah

ada dengan data atau informasi lain yang relevan dan

diperlukan untuk KDD, seperti data atau informasi

eksternal.

Tranformasi data (Data tranformation), Coding

merupakan proses transformasi pada data yang telah

dipilih, sehingga data tersebut sesuai untuk proses

coding dalam KDD merupakan proses kreatif dan sangat

tergantung pada jenis atau pola informasi yang akan di

cari dalam basis data.

Penggalian data (data mining), Data mining adalah

proses mencari pola atau informasi menarik dalam data

terpilih dengan menggunakan teknik atau metode

tertentu. Teknik, metode atau algoritma dalam data

mining sangat bervariasi. Pemilihan metode atau

algoritma yang tepat sangat bergantung pada tujuan dan

proses KDD secara keseluruhan.

II-12

Interpretation / evaluation, Pola informasi yang

dihasilkan dari proses data mining perlu ditampilkan

dalam bentuk yang mudah dimengerti oleh pihak yang

berkepentingan. Tahap ini merupakan bagian dari proses

KDD yang disebut interpretation. Tahap ini mencakup

pemeriksaan apakah pola atau informasi yang ditemukan

bertentangan dengan fakta atau hipotesis yang ada

sebelumnya.

Tahapan-tahapan tersebut bersifat interaktif dimana

pengguna terlibat langsung atau dengan perantaraan basis

pengetahuan yang terintegarasi didalam sistem. Pola-pola

yang menarik disajikan kepada pengguna dan disimpan

sebagai pengetahuan baru didalam basis pengetahuan. Dari

tahapan diata dapat diketahui bahwa data mining hanya

merupakan satu bagian langkah dari keseluruhan proses

KDD.

II-13

Gambar 2.2. langkah-langkah dalam proses Knowledge

Discovery in Database (KDD)

2.2.4. Permasalahan yang memotivasi pengembangan Data

Mining

Berikut adalah beberapa permasalahan yang

memotivasi pengembangan data mining:

1. Scalability

Karena kemajuan generasi penyimpanan sangat

pesat, kumpulan data dengan ukuran gigabyte,

terabyte atau bahkan petabyte sudah menjadi

umum. Banyak yang membutuhkan algoritma data

mining untuk menangani permasalahan pencarian

eksponensial.

II-14

2. High Dimensionality

Sekarang ini sudah umum dijumpai data dengan

ratusan atau ribuan atribut. Dalam bioinformatika,

kemajuan dalam teknologi microarray telah

menghasilkan data ekspresi gen melibatkan ribuan

fitur. Kumpulan data dengan komponen temporal

atau spasial juga cenderung memiliki dimensi

tinggi. teknik analisis data tradisional yang

dikembangkan untuk data dimensi rendah sering

tidak bekerja dengan baik untuk data bedimensi

tinggi.

3. Data yang beranekaragam dan kompleks

(Heterogeneous and Data Complex)

Metode analisis data tradisional sering berurusan

dengan kumpulan data yang berisi atribut dari tipe

yang sama, baik terus-menerus atau kategoris.

Tetapi sangat sulit menganalisis data yang

mempunya atribut yang beraneka ragam dan

kompleks.

4. Data Owner and Distribution

Kadang-kadang, data yang diperlukan untuk

dianalisis tidak di simpan dalam satu lokasi yang

dimiliki oleh satu organisasi. Untuk hal ini

dibutuhkan pengembangan teknik data mining

pendistribusian.

II-15

5. Non-Traditional Analysis

Pendekatan statistik tradisional didasarkan pada

hipotesis dan tes paradigma. Dengan kata lain,

hipotesis adalah usulan, sebuah eksperimen yang

dirancang untuk mengumpulkan data, dan

kemudian data di analisis sehubungan dengan

hipotesis. Sayangnya, proses ini sangat

laborintensive. Tugas-tugas analisis data saat ini

sering memerlukan generasi dan evaluasi ribuan

hipotesis, dan akibatnya, perkembangan beberapa

teknik data mining telah didorong oleh keinginan

untuk mengotomatisasi proses. Hipotesis generasi

dan evaluasi. Lebih jauh lagi, kumpulan data-data

yang dianalisis dalam sektor data mining adalah

tidak biasanya hasil dari percobaan yang dirancang

dengan hati-hati dan sering mewakili sampel

oportunistik data, bukan sampel acak. Juga, sering

melibatkan kumpulan data non-tradisional jenis

data dan distribusi data.

2.2.5. Asal mula data mining (The Origins of Data Mining)

Di bawa bersama dengan tujuan untuk memenuhi

tantangan bagian sebelumnya, para peneliti dari

berbagai disiplin ilmu mulai fokus pada pengembangan

lebih efisien dan terukur alat yang mampu menangani

berbagai jenis data. Karya ini, yang memuncak dalam

II-16

bidang data mining, dibangun di atas metodologi dan

algoritma yang digunakan peneliti sebelumnya. Secara

khusus, data mining didasarkan pada ide-ide, seperti (1)

pengambilan sampel, estimasi, dan uji hipotesis dari

statistik dan (2) algoritma pencarian, model teknik, dan

teori-teori belajar dari kecerdasan buatan, pengenalan

pola, dan machine learning. Data mining juga telah

mengadopsi ide-ide dari bidang lain, termasuk optimasi,

evolusi komputasi, teori informasi, pemrosesan sinyal,

visualisasi, dan pengambilan informasi.

Sejumlah bidang lain juga memainkan peran

pendukung utama. Secara khusus, sistem database yang

diperlukan untuk memberikan dukungan efisiensi

penyimpanan, pengindeksan, dan pemrosesan query.

Teknik didistribusikan juga dapat membantu mengatasi

masalah ukuran dan sangat penting ketika data tidak

dapat berkumpul di satu lokasi. Gambar 2.3 dibawah

adalah untuk menunjukan hubungan data mining dengan

bidang lain.

II-17

Gambar 2.3. Data mining sebagai muara dari berbagai

disiplin ilmu.

2.2.6. Tugas Data Mining (Data Mining Task)

Pada umumnya, data mining task dibagi

menjadi dua kategori yang penting, yaitu:

1. Predictive tasks

Tujuan dari task ini adalah untuk memprediksi nilai

sebuah atribut yang penting berdasarkan nilai dari

atribut yang lainnya. Atribut yang diprediksi

biasanya dikenal sebagai target atau dependent

variable, sedangkan atribut yang digunakan untuk

melakukan prediksi dikenal dengan explanatory

atau independent variable.

2. Descriptive task

Tujuan dari task ini adalah untuk menghasilkan

pola (correlations, trends, clusters, trajecttories

II-18

dan anomalies) yang merangkum keterhubungan

dalam data.

Gambar 2.4. Empat inti tugas data mining(Tan, 2006)

Dari gambar diatas, data yang ada dapat digunakan

sebagai inti dari data mining task. Data mining task tersebut

antara lain:

1. Predictive Modelling

Predictive Modelling digunakan untuk membangun

sebuah model untuk target variable sebagai fungsi dari

explanatory variable. Explanatory variable dalam hal

ini merupakan semua atribut yang digunakan untuk

II-19

melakukan prediksi, sedangkan target variable

merupakan atribut yang akan diprediksi nilainya.

Predictive modeling task dibagi menjadi dua tipe yaitu :

Classification digunakan untuk memprediksi nilai dari

target variable yang discrete (diskret) dan regression

digunakan untuk memprediksi nilai dari target variable

yang continu (berkelanjutan).

2. Analisis Asosiasi (Association Analysis)

Association analysis digunakan untuk menemukan

aturan asosiasi yang memperlihatkan kondisi-kondisi

nilai atribut yang sering muncul secara bersamaan dalam

sebuah himpunan data.

3. Analisis Klaster (Cluster Analysis)

Tidak seperti klasifikasi yang menganalisa kelas data

obyek yang mengandung label. Clustering menganalisa

objek data tanpa memeriksa kelas label yang diketahui.

Label-label kelas dilibatkan di dalam data training.

Karena belum diketahui sebelumnya. Clustering

merupakan proses pengelompokkan sekumpulan objek

yang sangat mirip.

Teknik klaster termasuk teknik yang sudah cukup

dikenal dan banyak dipakai dalam data mining. Sampai

II-20

sekarang para ilmuawan dalam bidang data mining

masih melakukan berbagai usaha untuk melakukan

perbaikan model klaster karena metode yang di

kembangkan sekarang masih bersifat heuristik. Usaha-

usaha yang menghitung jumlah klaster yang optimal dan

pengklasteran yang paling baik masih terus dilakukan.

Dengan demikian menggunakan metode yang sekarang,

kita tidak bisa menjamin hasil pengklasteran kita sudah

merupakan hasil yang optimal. Namun, hasil yang

dicapai biasanya sudah cukup bagus dari segi praktis.

Tujuan utama dari metode klaster adalah

mengelompokan data atau objek ke dalam klaster

(group) sehingga dalam setiap klaster akan berisi data

yang semirip mungkin. Dalam klastering kita berusaha

untuk menempatkan obyek yang mirip (jaraknya dekat)

dalam satu klaster dan membuat jarak antar klaster

sejauh mungkin. Ini berarti dalam satu klaster sangat

mirip satu sama lain dan berbeda dengan obyek dalam

klaster-klaster yang lain. Dalam teknik ini tidak tahu

sebelumnya berapa jumlah klaster dan bagaimana

pengelompokannya. Klastering adalah suatu teknik

unsupervised leraning dimana kita perlu melatih metode

tersebut atau dengan kata lain, tidak ada fase learning.

Masuk dalam pendekatan unsupervised learning adalah

metode-metode yang tidak membutuhkan label ataupun

II-21

keluaran dari setiap data yang kita investigasi.

Sebaliknya, Supervised Learning adalah metode yang

memerlukan training (melatih) dan testing (menguji).

Masuk kedalam kategori ini adalah regresi, neural

network (ANN), analsisis dikriminan (LDA) dan

support vector machine (SVM).

Ada dua pendekatan dalam klastering yaitu :

Partisioning

Dalam partisioning kita mengelompokan obyek x,

x2, .., xn ke dalam k klaster. Ini bisa dilakukan

dengan menentukan pusat klaster awal, lalu

dilakukan relokasi obyek berdasarkan kriteria

tertentu sampai dicapai pengelompokan yang

optimum.

Hirarki

Dalam klaster hirarki, kita mulai dengan membuat m

klaster dimana setiap klaster beranggotakan satu obyek

dan berakhir dengan satu klaster dimana anggotanya

adalah m obyek. Pada setiap tahap dalam prosedurnya,

satu klaster digabung dengan satu klaster yang lain. Kita

bisa memilih berapa jumlah klaster yang diinginkan

dengan menentukan cut-off pada tingkat tertentu.

II-22

4. Mendeteksi Kelainan (Anomaly Detection)

Anomaly Detection merupakan metode pendeteksian

suatu data dimana tujuannya adalah menemukan objek

yang berbeda dari sebagian besar objek lain. Anomaly

dapat di deteksi dengan menggunakan uji statistik yang

menerapkan model distribusi atau probabilitas untuk

data.

2.3. Text Mining

Sama halnya dengan data mining, text mining pun

memiliki tujuan yang sama untuk menemukan knowledge.

Bedanya, text mining adalah proses menemukan knowledge

dari tumpukan dokumen. Misalnya, artikel berita, e-mail,

buku maupun halaman web (Heryanti, 2005, h. 5).

2.3.1. Text Mining dalam Knowledge Discovery

Di dalam proses Knowledge Discovery terdapat tahap

data mining. Sebenarnya pada tahap data mining inilah text

mining dijalankan. Jadi intinya text mining adalah istilah

yang dipakai oleh data mining yang mengekstrak data

berupa teks.

II-23

Tahap-tahap knowledge discovery untuk text mining

sama dengan tahap-tahap knowledge discovery untuk data

mining. Tahap-tahap tersebut adalah.

Selection : tahap ini bertujuan untuk mendapatkan teks

yang memiliki relevansi dengan tugas analisa pada tahap

selanjutnya. Pada tahap selection ini akan dilakukan

pemilihan data mentah (raw data) menjadi target data.

Preprocessing : di dalam proses ini akan dilakukan

proses awal terhadap target data (abstrak), pada tahap ini

akan dilakukan proses parsing (pemilihan kata perkata

dalam abstrak), stemming (pencarian akar kata),

removing stopwords (penghapusan kata-kata tidak

penting) sehingga didapatkan kata-kata penting atau

keywords.

Text mining/ data mining : pada tahap inilah proses

paling berat dijalankan. Di dalam proses ini akan

digunakan aloritma data mining yaitu naive bayes.

Evaluation : dari hasil proses text mining di atas akan

dilakukan proses evaluation untuk mendapatkan

interesting knowledge yang lebih dapat dimengerti dan

berguna bagi user.

II-24

2.3.2. Preprocessing

Tahap ini merupakan tahap di mana abstrak ditangani

untuk dapat siap diproses memasuki tahap text mining.

Tahap-tahap tersebut adalah:

Parsing

Stopwords removal

Stemming

2.3.2.1. Parsing

Menurut yotor.com, didalam bidang tata bahasa dan

linguistik, parsing adalah sebuah proses yang dilakukan

seseorang untuk menjadikan sebuah kalimat lebih bermakna

atau lebih berarti dengan cara memecah kalimat tersebut

menjadi kata-kata atau farse-farse.

Parsing di dalam pembuatan aplikasi text mining ini

merupakan proses penguraian abstrak yang semula berupa

kalimat-kalimat berisi kata-kata dan tanda pemisah antara

kata.

2.3.2.2. Stopwords Removal

II-25

Kebanyakan bahasa resmi di berbagai negara memiliki

kata fungsi dan kata sambung dan hampir selalu muncul

pada dokumen-dokumen teks. Di dalam bahasa Indonesia

stopwords atau kata yang tidak penting seperti “di”, “dan”,

“sebuah”, dan lain-lain. Sebelum proses stopwords removal

dilakukan, terlebih dahulu dibuat daftar stopwords. Kata

depan (Preposisi), kata hubung dan partikel biasanya

merupakan kandidat daftar stopwords.

Stopwords removal merupakan proses penghilangan

kata tidak penting pada abstrak melalui pengecekan kata-

kata hasil parsing abstrak apakah termasuk di dalam daftar

kata penting atau tidak. Jika termasuk kata tidak penting

maka kata tersebut akan di hapus dari isi berita sehingga

kata-kata yang tersisa di dalam isi berita dianggap sebagai

kata-kata penting atau keywords.

2.3.2.3. Stemming

Stemming adalah proses pemetaan dan penguraian

berbagai bentuk dari suatu kata menjadi kata dasarnya.

Sebagai contoh kata “menculik”, “diculik” dan “penculik”

yang semula mengandung arti yang berbeda di stem menjadi

kata “culik” yang memiliki arti yang sama sehingga kata-

kata di atas dapat saling berhubungan.

2.4. Klasifikasi

II-26

Klasifikasi adalah proses pencarian sekumpulan model atau

fungsi yang menggambarkan dan membedakan kelas data

dengan tujuan agar model tersebut dapat digunakan untuk

memprediksi kelas dari suatu obyek yang belum diketahui

kelasnya. Merupakan salah satu task mining yang dapat

memprediksi kelas suatu data. Klasifikasi termasuk ke dalam

supervised learning, yang membutuhkan model berdasarkan

data pelatihan untuk mengklasifikasikan data.

Ada beberapa metode yang dapat dilakukan pada proses

klasifikasi, yaitu Decision Tree, Bayesian Classification,

Support Vector Machines, dan Rule Base Classification.

Masing-masing memiliki keunikan dan kelebihannya

masing-masing.

2.5. Naive Bayes Classifier

Teorema Bayes adalah sebuah pendekatan untuk sebuah

ketidaktentuan yang diukur dengan probabilitas. Teorema

bayes dikemukakan oleh Thomas Bayes yang merupakan

ahli dalam bidang probabilitas pada abad 18.

Teori keputusan Bayes adalah pendekatan statistik yang

fundamental dalam pengenalan pola (patern recognation).

Pendekatan ini didasarkan pada kuantifikasi trade-off antara

berbagai keputusan klasifikasi dengan menggunakan

probabilitas ongkos yang ditimbulkan dalam keputusan-

keputusan tersebut.

Ini adalah rumus bayes

II-27

(2.1)

adalah peluang dokumen pada kategori

adalah peluang pada kategori, kata pada dokumen

muncul pada kategori tersebut. adalah peluang dari

kategori yang diberikan, dibandingkan dengan kategori-

kategori lainnya yang dianalisa. adalah peluang dari

dokumen tersebut secara spesifik.

Dengan kata-kata yang lebih umum, rumus Bayes bisa

diberikan sebagai berikut.

(2.2)

Salah satu penerapan teorema Bayes adalah Klasifikasi

Naive Bayes.

(2.3)

Naive bayes didasarkan pada asumsi penyederhanaan

bahwa nilai atribut secara kondisional saling bebas jika

diberikan keluaran. Atau dengan kata lain, diberikan nilai

keluaran, probabilitas mengamati secara bersama adalah

produk dari probabilitas individu atau

. Memasukan

persamaan ini ke 2.3 akan didapat pendekatan yang dipakai

dalam naive bayes classifier:

II-28

(2.4)

Dimana adalah nilai keluaran hasil klasifikasi naive

bayes.

dan probabilitas kata untuk setiap kategori

dihitung pada saat pelatihan.

(2.5)

di mana

adalah jumlah kata pada kategori .

| adalah jumlah kata yang digunakan dalam

pelatihan.

(2.6)

Dimana

adalah jumlah kemunculan kata pada kategori

.

adalah jumlah semua kata pada kategori .

adalah jumlah kata yang unik (distinc) pada

semua data latihan.

II-29

Algoritma Naive Bayes

Dibawah ini adalah ringkasan algoritma untuk naive

bayes classifier sebagai berikut:

A. Proses pelatihan. Masukan adalah dokumen-

dokumen contoh yang telah diketahui kategorinya

1. Kosakata←Himpunan semua kata yang unik

dari dokumen-dokumen contoh.

2. Untuk setiap kategori lakukan:

a. ← Himpunan dokumen-dokumen

yang berada pada kategori

b. Hitung dengan persamaan 2.5

c. Untuk setiap kata pada kosakata Hitung

P(wk | vj) dengan persamaan 2.6

B. Proses klasifikasi. Masukan adalah dokumen yang

belum diketahui kategorinya.

1. Hasilkan vmap sesuai dengan persamaan 2.4

dengan menggunakan P(vj) dan P(wk |vj)

yang telah diperoleh dari pelatihan.

2.6. Evaluasi Kinerja Klasifikasi

II-30

Untuk mengukur kinerja klasifikasi, maka perlu adanya

evaluasi hasil penelitian. Dibawah ini adalah persamaan

untuk mengukur tingkat keakuratan.

(2.7)

Sedangkan untuk mengukur error rate dapat

menggunakan persamaan dibawah ini

(2.7)

Contoh kasus

Tabel 2.1 ada sebuah data hasil pelatihan dari tiga

dokumen yang mempunyai tiga kategori yaitu physics,

literature dan computer science. Dan isinya hanya

tersimpan kata-kata yang bukan stopword dengan frekuensi

kemunculannya.

D4 adalah dokumen yang akan diklasifikasikan. D4

mengandung kata: java(2), time(3), complexity(2),

algorithm(4), data(1).

Tabel 2.1 Hasil pelatihan

Dokumen Kata(Frekuensi Kemunculan) Label

II-31

D1 Force(2), gravity(4), speed(3),

acceleration(5), time(2)

Physics

D2 Beautiful(3), metaphoric(5),

time(2), rose(3), complexity(1)

Literature

D3 Memory(2), algorithm(4), data(2),

speed(1), java(3)

Computer

science

Dokumen D4 yang mengandung kata: java(2), time(3),

complexity(2), algorithm(4), data(1).

Kemudian tabel hasil pelatihan di hitung nilai probabilitas

maksimumnya. Dibawah ini adalah untuk menghitung

probabilitas untuk setiap kategori.

Diketahui: ,

Diketahui: ,

II-32

Diketahui: ,

Selanjutnya dihitung probabilitas semua kata untuk setiap

kategori dengan menggunakan persamaan 2.6.

Dibawah ini untuk menghitung probabilitas semua kata

dengan kategori physics.

Diketahui :

,

=

=

II-33

=

=

=

=

=

=

=

=

=

=

=

II-34

Dibawah ini untuk menghitung probabilitas semua kata

kategori dengan Literature.

Diketahui :

,

=

=

=

=

=

=

=

=

II-35

=

=

=

=

=

Dibawah ini untuk menghitung probabilitas semua kata dengan kategori Computer Science.

Diketahui:

,

=

=

=

=

II-36

=

=

=

=

=

=

=

=

=

Tabel 2.2 Hasil pelatihan : model probabilistik

V

Physics Literature Computer

Science

II-37

1/3 1/3 1/3

Acceleration 6/29 1/27 1/25

Algorithm 1/29 1/27 5/25

Beautiful 1/29 4/27 1/25

Complexity 1/29 2/27 1/25

Data 1/29 1/27 3/25

Force 3/29 1/27 1/25

Gravity 5/29 1/27 1/25

Java 1/29 1/27 4/25

Memory 1/29 1/27 3/25

Metaphoric 1/29 6/27 1/25

Rose 1/29 4/27 1/25

Speed 4/29 1/27 2/25

Time 3/29 3/27 1/25

Karena dokumen D4 belum diketahui kategorinya, maka

selanjutnya adalah menentukan kategorinya dengan cara

menghitung probabilitasnya dengan menggunakan naive

bayes.

II-38

Setelah dihitung menggunakan naive bayes nilai

kemungkinan yang terbesar dari tiga kategori

II-39

adalah computer science. Sehingga dokumen D4 termasuk

ke dalam kategori computer science.