metode rough set untuk melihat perilaku suami yang menjadi akseptor kb vasektomi

7/21/2019 METODE ROUGH SET UNTUK MELIHAT PERILAKU SUAMI YANG MENJADI AKSEPTOR KB VASEKTOMI

http://slidepdf.com/reader/full/metode-rough-set-untuk-melihat-perilaku-suami-yang-menjadi-akseptor-kb-vasektomi 1/6

Volume : III, Nomor : 2 , Juni 2014 Majalah Ilmiah

Informasi dan Teknologi Ilmiah (INTI)ISSN : 2339-210X

Metode Rough Set Untuk Melihat Perilaku Suami Yang Menjadi Akseptor KB Vasektomi. 94

METODE ROUGH SET UNTUK MELIHAT PERILAKU SUAMI YANG

MENJADI AKSEPTOR KB VASEKTOMI

Nurhayati

Program StudiTeknik Informatika, STMIK KAPUTAMA BINJAIJl. Veteran No. 4A-9A, Binjai, 20174 Sumatera Utara

www. Kaputama.ac.id //Email : [email protected]

ABSTRAK

Dalam proses penelitian untuk melihat perilaku suami yang menjadi akseptor KB vasektomi dilakukan

dengan menggunakan Data Mining dalam mengumpulkan data yang akan diproses untuk menjadi sumber

informasi. Dalam penelitian ini yang digunakan adalah metode Rough Set karena terdapat beberapa kriteria

yang menjadi Decision System, Equivalence Class , Discernibility Matrix, Discernibility Matrix Modulo D

kemudian terakhir General Ruler dan menggunakan Perangkat Lunak Rosetta 1.4.41. Dalam melakukan proses

pencarian sehingga menjadi sebuah pengetahuan (knowledge) yang baru, maka metode Rough Set dapat

diterapkan untuk klasifikasi perbedaan perilaku suami yang menjadi akseptor KB vasektomi.

Kata Kunci : Data Mining, Rough Set, Data akseptor KB vasektomi.

ABSTRACT

In the process of research to see that her husband's behavior be acceptors of vasectomy is done with the

use of Data Mining in collecting the data that will be processed to be a source of information. In this study the

method of Rough Set is used because there are some criteria of being Decision Systems, Equivalence Class,

Discernibility Matrix, Discernibility Matrix Modulo D then the last General Ruler and using Rosetta Software

4.1.41. In doing so it becomes a search process knowledge (knowledge) new, then the Rough Sets method can be

applied to the classification of behavioral differences that become husband vasectomy acceptors.

Keyword : Data Mining, Rough Sets, Data vasectomy acceptors.

1.1 PendahuluanBerpijak pada UU No. 10 tahun 1992 yang

menyebutkan bahwa perlu dilakukan upaya untukmeningkatkan kepedulian masyarakat dalammewujudkan keluarga kecil yang bahagia sejahtera,maka pemerintah Indonesia terus mendengungkansuatu program KB.

Kontrasepsi adalah upaya untuk mencegahterjadinya kehamilan. Para akseptor memiliki

pengetahuan yang relatif rendah mengenai berbagaimacam KB beserta gejala-gejala dan efeksampingnya. Hal ini menyebabkan mereka

bergantung pada cara yang mudah dan biaya yangrelatif murah untuk mengikuti program KB tersebut.Padahal masih ada jalan lain untuk mengikuti

program KB yang dapat membantu mereka dalamupaya mensejahterakan keluarganya.

Penelitian ini ditujukan untukmenyelesaikan permasalahan tersebut, yaitu denganmembuat sistem cerdas yang mampu melihat

perilaku suami yang menjadi akseptor KB vasektomidan memberikan penanganan dini denganmenggunakan algoritma rough set .

Data Mining dapat diartikan sebagai pengekstrakan informasi baru yang diambil dari bongkahan data besar yang membantu dalam

pengambilan keputusan. Data mining kadang disebut juga knowledge discovery.

Dalam penerapan data mining, metode yangsaya gunakan adalah Rough Set . Listiana, et al.

(2012) menyebutkan : Rough set telah banyakditerapkan dalam banyak permasalahan nyata padakedokteran, farmakologi, teknik, perbankan,keuangan, analisis pasar, pengelolaan lingkungan,dan lain-lain.

Dengan Rough Set saya mencoba untukmembandingkan setiap parameter yang ada. Sumber

pengambilannya berasal dari jumlah suami yangmenjadi akseptor KB vasektomi. Setelahmendapatkan hasil berdasarkan jumlah akseptormaka parameter-parameter tersebut dapat diketahuikarakteristik dari setiap suami-suami yang menjadiakseptor vasektomi.

Berdasarkan latar belakang di atas, makadirumuskan permasalahannya sebagai berikut ,Bagaimana menerapkan metode Rough Set untukmelihat prilaku suami yang menjadi akseptor KB

vasektomi dan Bagaimana menganalisa karakteristikakseptor yang melakukan vasektomi, sehingga dapatmenjadi jalan untuk mensukseskan program KBkhusus untuk suami dengan vasektomi.

Oleh : Nurhayati






ini bertujuan untuk memecahkan permasalahan yang telah dirumuskan di atas yaitu,Memahami setiap karakteristik akspetor KBvasektomi tersebut, membangun sebuah rule atauaturan Data Mining sesuai dengan parameter-

parameternya, merancang Metode Rough Set untukmelihat perilaku suami yang menjadi akseptor KBvasektomi, menguji Decision System tersebut untukmendapatkan pengetahuan baru dari proses ekstraksimenggunakan Tools yang ada.

Manfaat yang diharapkan denganmenggunakan Metode Rough Set ini adalah agardapat memudahkan untuk memahami bagaimana

perilaku para suami yang menjadi akseptor KBvasektomi secara obyektif.

2. Landasan Teori1 Data mining adalah proses yang mempekerjakan

satu atau lebih teknik pembelajaran komputer(mechine learning) untuk menganalisis data danmengekstraksi pengetahuan (knowledge) secaraotomatis (Fajar Astuti Hermawati, 2013).

2 Data mining merupakan bagian dari proses yangdisebut penemuan KDD-pengetahuan dalamdatabase. Proses ini pada dasarnya terdirilangkah-langkah yang dilakukan sebelummelakukan data mining, seperti pemilihan data,

pembersihan data, pra-pengolahan, dantransformasi data (Nasereddin, 2009).

Gambar 1: Tahapan KDD

Gambar 2: Langkah-langkah Untuk Melakukan

Data Mining Vasektomi adalah istilah bedah yang

terbentuk dari dua kata, yaitu Vas atau vasdeferensia artinya adalah saluran benih telur (spermatozoa)yang keluar dari buah zakar (testis) yaitu tempat sel

benih itu diproduksi menuju kantong mani(vesikulaseminalis) sebagai tempat penampungan sel

benih jantan sebelum dipancarkan waktu senggama.

Ektomi artinya pemotongan sebagian. Jadi vasektomi adalah pemotongan sebagian (0,5 – 1 cm) saluran

benih sehingga terdapat jarak anatara ujung saluran benih bagian isi lainnya yang masih tersisa dan padamasing-masing kedua ujung saluran yang tersisa

tersebut dilakukan pengikatan sehingga saluranmenjadi buntu/tersumbat (BKKBN, 2008).

Menurut Proverawati, SKM, MPH, et al,(2013), Vasektomi adalah metode sterilisasi dengancara mengikat saluran sperma (vas deferens) pria.Kontrasepsi mantap pria atau vasektomi merupakansuatu metode operatif minor pada pria yang sangataman, sederhana dan sangat efektif, memakan waktuyang sangat singkat dan tidak memerlukan anastesiumum.

Data adalah segala fakta, angka, atau teks yangdapat diproses oleh komputer. Saat ini akumulasi

pertumbuhan jumlah data berjalan dengan cepat

dalam format dan basis data yang berbeda (EkoPrasetyo, 2012).

Obadi, et al. (2010) mengatakan bahwa Rough

set dikembangkan oleh Zdizslaw Pawlak yang dapatdigunakan sebagai alat matematikal untuk menanganiketidak jelasan dan ketidak pastian. Dan telah

berhasil diterapkan dalam berbagai tugas, seperti fiturseleksi / ekstraksi, sintesis aturan dan klasifikasi,

penemuan pengetahuan dan lain-lain. ToleransiModel Rough set mempekerjakan relation toleransi

bukan sebuah eqivalence hubungan dalam model Rough set original.

3. Analisa Dan PerancanganAda beberapa langkah untuk penyelesaian

dengan memanfaatkan Metode Rough Set yaitu : Information System (IS)

Dalam roughset , sebuah set datadirepresentasikan sebagai sebuah tabel, di mana barisdalam tabel merepresentasikan objek dan kolom-kolom merepresentasikan atribut dari objek-objektersebut.Tabel tersebut disebut dengan information

system yang dapat digambarkan sebagai:

Di mana U adalah set terhingga yang tidak kosongdari objek yang disebut dengan universe dan A set

terhingga tidak kosong dari atribut di mana:

untuk tiap . Set disebut value set dari a.

U={e1 , e2 ,…, em } merupakan sekumpulan example dan A={a1 , a2 , …, an } yang merupakan attribute kondisisecara berurutan. Sebuah Information Systems yangsederhana diberikan dalam tabel-3.1 :

Tabel 1 : Information Systems

Data

Informa

si Pro

ses

Pengeta

huan

(knowle

IS = {U,A}

Oleh : Nurhayati






Tabel 1 memperlihatkan sebuah Information

Systems yang sederhana. Dalam Information System,tiap-tiap baris merepresentasikan objek sedangkancolumn merepresentasikan attribute. Ianya terdiri darim objek, seperti E 1 , E 2 ,…, E m , dan atribut sepertiJumlah Frekuensi berhubungan dengan pasangan ,Hubungan dengan pasangan ,, Dapat membuat

Impotensi, Hubungan Seksual dan MelakukanVasektomi dengan Persetujuan Istri.

IS=(U,{A,C})

a. Decision System (DS)

Dalam penggunaan information system,terdapat outcome dari klasifikasi yang telah diketahuiyang disebut dengan atribut keputusan. Information

system tersebut disebut dengan Decision system.

Decision system dapat digambarkan sebagai:

Di mana :

U = {x1, x2, . . . , xm} yang merupakansekumpulan example. A = {a, a2, . . . , an} yangmerupakan sekumpulan attribute kondisi secara

berurutan atau atribute, seperti Jumlah Frekuensi berhubungan dengan pasangan , Hubungan dengan pasangan ,, Dapat membuat Impotensi, HubunganSeksual, Melakukan Vasektomi dengan PersetujuanIstri dan Perilaku.C = Decision attributes (keputusan).

Decision Systems (DS) yang sederhanadiperlihatkan pada tabel 2

Tabel 2 : Decision Systems (DS)

Dalam tabel 2. n-1 attribute, Frekuensi

berhubungan dengan pasangan , Hubungan dengan pasangan ,, Dapat membuat Impotensi, HubunganSeksual, Melakukan Vasektomi dengan Persetujuan

Istri adalah attribute kondisi, sedangkan Perilakuadalah decision attribute.b. Equivalence Class

Equivalence class adalah mengelompokan objek-

objek yang sama untuk attribute A ∈ (U, A).

Diberikan Decision Systems pada tabel 3.2, kita dapatmemperoleh equivalence class (EC 1-EC 5) sepertidigambarkan pada tabel 3.3.

Tabel 3 Proses Equivalence Class

c. Discernibility Matrix

Definisi Discerniblity Matrix: Diberikan

sebuah IS A=(U,A) and B ⊆ A, discernibility matrix dari A adalah MB, di mana tiap-tiap entry MB(I,j) terdiri dari sekumpulan attribute yang berbedaantara objek X i dan X j. Tabel 3 memperlihatkandiscerniblity matrix dari tabel 4

Tabel 4 :Acuan Discernibility Matrix atau

Discernibility Matrix Modulo D

Untuk mendapatkan nilai Discernibility

Matrix-nya yaitu dengan mengklasifikasikan atributyang berbeda antara objek ke-i dan objek ke-j (yangdilihat hanya atribut kondisi saja).

Berdasarkan data di atas maka berikut iniadalah Discernibility Matrix-nya :

Tabel 5 Hasil Discernibility Matrix

Oleh : Nurhayati






SSelain itu juga dapat menggunakan Discernibility Matrix Modulo D. Discernibility

Matrix Modulo D ini merupakan sekumpulan atributyang berbeda antara objek ke-i dan objek ke-j besertadengan atribut hasilnya seperti terlihat pada tabel di

bawah ini.Tabel 6:Hasil Discernibility Matrix Modulo D

Adapun penulis menggunakan Discernibility

Matrix sebagai acuan untuk melakukan proses

Reduction.1. Reduction

Untuk data yang jumlah variabel yang sangat besar sangat tidak mungkin mencari seluruhkombinasi variabel yang ada, karena jumlahindiscernibilty yang dicari = 2 (2 n-1-1). Oleh karenaitu dibuat satu tekhnik pencarian kombinasi atributyang dikenal dengan QuickReduct, yaitu dengan cara:1. Nilai indiscernibilty yang pertama dicari adalah

indiscernibilty yang kombinasi atribut yangterkecil yaitu 1.

2. Kemudian lakukan proses pencarian dependencyattributes. Jika nilai dependency attributes yangdidapat = 1, maka indiscernibilty untuk himpunanminimal variabel adalah variabel tersebut.

3. Jika pada proses pencarian kombinasi atributtidak ditemukan dependency attributes = 1, makalakukan pencarian kombinasi yang lebih besar, dimana kombinasi variable yang dicari adalahkombinasi dari variabel di tahap sebelumnya yangnilai dependency attributes paling besar. Lakukan

proses (3), sampai didapat nilai dependencyattributes = 1.

Berdasarkan hasil yang diperoleh dari

proses Discernibility Matrix berikut ini adalah proses Reduction-nya :

Tabel 7 : Proses Penyeleksian

2. General Rules

Setelah didapatkan hasil dari Reduction, makalangkah terakhir untuk menentukan General Rules

nya. Adapun General Rules dari hasil Reduction

yang dideskripsikan pada tabel penyeleksian perilakusuami adalah sebagai berikut :

Berdasarkan General Rules di atas dapatdideskripsikan sebagai berikut ;1. {A,B} = {Jumlah Frekuensi berhubungan

dengan pasangan, Hubungan dengan pasangan} If Jumlah frekuensi berhubungan dengan pasangan Menurun AND Hubungan dengan pasangan Harmonis then = Perilaku KurangPuas

2. {D} = {Hubungan Seksual} If Hubungan Seksual Mengganggu then =Perilaku Kurang Puas

3. {A} = {Jumlah Frekuensi berhubungandengan pasangan} If Jumlah frekuensi berhubungan dengan pasangan Meningkat then = Perilaku Puas

4. {A}= {Jumlah Frekuensi berhubungan

dengan pasangan} If Jumlah frekuensi berhubungan dengan pasangan Tetap then = Perilaku Biasa-biasaSaja .

5. {B,D} = {Hubungan dengan pasangan,Hubungan Seksual} If Hubungan dengan pasangan Harmonis AND Hubungan Seksual Tidak Menggangguthen = Perilaku Kurang Puas OR PerilakuBiasa-biasa Saja OR Perilaku Puas

4. Implementasi Dan Pengujian Bab ini akan membahas tentang proses

pengujian metode Rough Set denganmenggunakan tools Rosetta 1.4.41. Dandiselaraskan dengan pembuktian dari analisametode terhadap permasalahan yang ada pada

bab sebelumnya.

Gambar 3 : Directori Penyimpanan Data Source

Gambar 3 menggambarkan tentang lokasi penyimpanan File Rosetta. Setelah melakukan proses penyimpanan.

Gambar 4 Pemilihan File Decision System

Oleh : Nurhayati






Pada penelitian ini, penulis menggunakan“SAMPEL DATA.xls” sebagai data processing.Untuk tahapan selanjutnya mencari di mana letakdata Source yang telah di Create pada tahapan

sebelumnya.

Gambar 5 : Sheet Of Decision System

Gambar 3 mendeskripsikan Project baru dari Rosetta-nya dan menyatakan dengan benar data yangdiimpor telah masuk ke dalam sistem.

Untuk melihat hasil dari proses Reduct yaitudengan cara “ Double Click ” icon Reduction dan akanterlihat hasil dari Data Reduct seperti terlihat padagambar 4

Gambar 6 : Result Of Reduction

General Rules

Setelah melakukan proses reduction, langkahterakhir adalah mencari “General Rules” ataukeputusan dari Information System yang diprosesdengan cara “ Right-Click” Icon Reduct lalu General

Rules, dan untuk melihat hasil atau dari Decision

System yang diproses seperti terlihat pada gambar 7

Gambar 7 Hasil Atau Rule dari Rough Set Pada

Rosetta 1.4.41

5. Kesimpulan

Dari hasil penulisan dari bab-babsebelumnya, maka dapat diambil kesimpulan yangnantinya dapat berguna bagi para pembaca dan

penulis sendiri, sehingga penulisan ini dapat lebih bermanfaat di kemudian hari. Metode Rough Set ini

agar dapat diimplementasikan ke dalam sistemkeluarga berencana untuk mengetahui bagaimana

perilaku suami yang menjadi akseptor KB vasektomidan Metode Rough Set juga dapat mengklasifikasikan

perbedaan perilaku suami yang menjadi akseptor KB

vasektomi yang merasa puas, biasa-biasa saja dankurang puas. Dan Untuk penelitian selanjutnya,

penulis dapat menggunakan metode dan software lainyang dapat digunakan untuk menjadi solusi bagiobjek penelitian yang dilakukan agar dapat lebihsempurna.

6. Daftar Pustaka

[1] Angga, G. M. dan Riani, L. (2012).“Penerapan Data Mining Untuk Memprediksi Kriteria Nasabah Kredit.” Jurnal Komputerdan Informatika (KOMPUTA), Edisi 1,Volume 1, Maret 2012, Hlm. 53-57.

[2] Ari, F. (2011). Copyright © 2003-2011 IlmuKomputer.Com, Hlm. 1-9.

[3] Atikah, P. SKM, MPH., Anisah, D. I. S.Kep, N. dan Siti, A. S.Kep, N. (2013). “PanduanMemilih Kontrasepsi.” 1th. .Ed. Yogyakarta.

Nuha Medika-Hal. viii+92, ISBN : 978-979-1446-30-3, Hlm. 68.

[4] B,K, Tripathy., D, P, Acharjya., and V,Cynthya. (2011). “A Framework ForIntelligent Medical Diagnosis Using RoughSet With Formal Concept Analysis.” Journal

of Artificial Intellegence & Applications(IJAIA), Volume 2, Nomor 2, April 2011, DOI

: 10.5121/ijaia.2011.2204, Hlm. 45-66. [5] Dicky Nofriansyah (2013). “Implementasi

Metode Rough Set Untuk MenganalisaKelulusan Mahasiswa Pada Suatu MataKuliah (Studi Kasus : STMIK BUDIDARMAMEDAN).” Universitas Putra Indonesia“YPTK” Padang: Tesis.

[6] Dr. H. Sarjon Defit, S.Kom, MSc. (2012).“Rought Set Theory And Data Mining.”Modul.

[7] Eko Prasetyo. (2012). “Data Mining-Konsepdan Aplikasi Menggunakan Matlab.” 1th. Ed.Yogyakarta.: C. V Andi Offset-Hal. xxiv+360,

ISBN: 978-979-29-3282-9, Hlm. 2-3.[8] Fajar, A. H. (2013). “Data mining.” 1th. Ed.

Surabaya. C. V Andi Offset-Hal. viii+204,ISBN: 978-979-29-3118-1, Hlm. 5.

[9] Gede, S. S., dan Reza, P. (2012). “Reduksi Parameter Quality-Of-Service MenggunakanRough-Set-Theory Dalam Simulasi RoutingAlgoritma Dijkstra.” Jurnal IJCCS, Volume 6,

Nomor 1, January 2012, pp. 79-90, ISSN :1978-1520 Hlm. 79-90.

[10] Gamila, O., Pavla ,D., Lukas, H. J. M. andVaclav, S. (2010). “A Tolerance Rough SetBased Overlapping Clustering for the DBLPData.” 2010 IEEE/WIC/ACM International

Conference on Web Intellegence and

Intellegent Agent Technology, 978-0-7695-

Oleh : Nurhayati






4191-4/10$26.00 © 2010 IEEE, DOI10.1109/WI-IAT.2010.286, Hlm. 57-60.

[11] Hebah, H. O. N. (2009). “Stream DataMining.” Journal of Web Applications,Volume 1, Nomor 4, December 2009, © 2009

D-line. All rights reserved, Hlm. 183-190..[12] Ida Manihuruk (2011). “Gambaran Perilaku

Suami Yang Menjadi Akseptor KB vasektomiDi Puskesmas Kuala Kecamatan KualaKabupaten Langkat Tahun 2011.” AkademiKebidanan Sari Mutiara Medan: Karya TulisIlmiah.

[13] Kusnawi. (2007). “Pengantar Solusi DataMining.” Jurnal Seminar Nasional Teknologi2007 (SNT 2007), Yogyakarta, 24 November

2007, ISSN : 1978-9777, Hlm. D‐1 - D‐9.

[14] Nila, L., Wiwik, A. dan Ahmad, M. (2012).“Implementasi Algoritma Rough Set Untuk

Deteksi Dan Penanganan Dini Penyakit Sapi.”Jurnal Sistem Informasi , Fakultas TeknologiInformasi, Institut Teknologi Sepuluh

Nopember Surabaya: Tesis.[15] Paulo, C. and Anibal, M. (2006). “A data

Mining Approach to Predict Forest Fires usingMeteorological Data.” Information

System/R&D Algoritmi Centre, University of

Minho, 4800-058 Guimaraes, Portugal:Skripsi.

[16] Ramadevi, Y. C., R, Rao. and Vivekchan, R.(2007). “Decision Tree Induction UsingRough Set Theory-Comparative Study.”

Journal of Theoretical and Applied Information Technology, © 2005-2007JATIT.All rights reserved, Hlm. 110-114.

[17] Subekti, M. (2011). “Pemanfaatan DataMining Untuk Prakiraan Cuaca.” Jurnal PusatMeteorologi Penerbangan dan MaritimBMKG, Jl. Angkasa ½ Jakarta Pusat 10720,Hlm. 189-195.

[18] Tutut, H., Rozaida, G., Iwan, T. R. Y. andMustafa, M. D. (2010). “Rough Set Approachfor Categorical Data Clustering.” Journal of Database Theory and Application, Volume 3, Nomor 1, March, 2010, Hlm. 33-52.

Oleh : Nurhayati

metode rough set untuk melihat perilaku suami yang menjadi akseptor kb vasektomi

Documents