issn : 2302-450x
TRANSCRIPT
ISSN : 2302-450X
ISSN : 2302-450X
PROSIDING
PERTEMUAN DAN PRESENTASI KARYA ILMIAH
BALI, 29 JULI 2016
PEMBICARA UTAMA SEMINAR PARALEL DENGAN TEMA
PPeemmaannffaaaattaann TTeekknnoollooggii BBiigg DDaattaa ddaann BBuussiinneessss IInntteelllliiggeennccee
uunnttuukk MMeewwuujjuuddkkaann SSmmaarrtt CCuullttuurraall CCiittyy
Prof. Dr. Ir. Suhono Harso Supangkat, CGEIT.
I. B. Rai Dharmawijaya Mantra
I. B. Gede Dwidasmara, S.Kom., M.Cs.
I Putu Suryawan, S.E., M.M.
PENYUNTING AHLI
Prof. Dr. I Ketut Gede Darma Putra, S.Kom., M.T.
Dr. H. Agus Zainal Arifin, S.Kom., M.Kom.
Dr.techn. Ahmad Ashari, M.Kom.
Dr. Drs. Anak Agung Ngurah Gunawan, M.T.
Agus Muliantara, S.Kom., M.Kom.
PELAKSANA SEMINAR
PELINDUNG
Rektor Universitas Udayana, Bali
PENANGGUNG JAWAB
Dekan Fakultas MIPA Universitas Udayana
Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana
PANITIA
I Gusti Ngurah Anom Cahyadi Putra,S.T.,M.Cs.
Gst. Ayu Vida Mastrika Giri, S.Kom., M.Cs.
I Gede Arta Wibawa,S.T.,M.Kom
Ida Bagus Made Mahendra, S.Kom., M.Kom.
I Putu Gede Hendra Suputra, S.Kom., M.Kom.
Luh Arida Ayu Rahning Putri,S.Kom.,M.Cs.
Made Agung Raharja, S.Si., M.Cs.
I Gede Santi Astawa, S.T., M.Cs.
I Komang Ari Mogi, S.Kom, M.Kom.
Ida Bagus Gede Dwidasmara,S.Kom.,M.Cs.
Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.
I Made Widiartha, S.Si., M.Kom.
I Gusti Agung Gede Arya Kadnyanan.,S.Kom.,M.Kom.
I Gede Oka Gartria A.,S.Kom.,M.Kom.
I Wayan Supriana, S.Si., M.Cs.
Dra. Luh Gede Astuti, M.Kom.
KATA PENGANTAR
Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya
penyusunan Prosiding SNATIA 2016 ini. Buku ini memuat naskah hasil penelitian dari berbagai
bidang kajian yang telah direview oleh pakar di bidangnya dan telah dipresentasikan dalam acara
Seminar SNATIA tahun 2016 pada tanggal 29 Juli 2016 di Universitas Udayana kampus Bukit
Jimbaran, Badung, Bali.
Kegiatan SNATIA 2016 merupakan agenda tahunan Program Studi Teknik Informatika,
Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2016 e ga bil te a Pemanfaatan
Teknologi Big Data dan Business Intelligence untuk Mewujudkan Smart Cultural City , de ga
pembicara utama seminar yang terdiri dari pakar-pakar peneliti dan pemerhati di bidang
Teknologi Informasi dan Smart City.
Meskipun kegiatan seminar dan pendokumentasian naskah dalam prosiding ini telah
dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Panitia
memohon maaf yang sebesar-besarnya atas kekurangan yang ada. Kritik dan saran perbaikan
sangat kami harapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui
e-mail [email protected].
Kepada semua pihak yang terlibat baik langsung maupun tidak langsung dalam
penyelenggaraan seminar dan penyusunan prosiding SNATIA 2016, panitia mengucapkan terima
kasih.
Jimbaran, 29 Juli 2016
Panitia SNATIA 2016
Halaman ini sengaja dibiarkan kosong.
DAFTAR ISI
Kata Pengantar
Daftar Isi
Artificial Intelligence
Implementasi Algoritma Genetika pada Penjadwalan Bimbingan Tugas Akhir (Studi
Kasus Jurusan Ilmu Komputer Universitas Udayana)
Alfin Amri ............................................................................................................................ 1
Implementasi Metode Naïve Bayes Classifier dalam Mendeteksi Penyakit Saluran Kemih
I Gede Krisna Putra Andiana ............................................................................................... 9
Klasifikasi Jamur Menggunakan Metode Naïve Bayes dengan Pemrosesan Paralel
I Putu Agus Suarya Wibawa ................................................................................................ 15
Klasifikasi Pengidap Diabetes Menggunakan Metode Naive Bayes dengan Pemrosesan
Pararel
Daniel Kurniawan ................................................................................................................ 23
Komparasi Algoritma C4.5, Naïve Bayes dan K-Nearest Neighbor (K-Nn) untuk
Mendeteksi Kanker Payudara
Rayung Wulan ..................................................................................................................... 29
Penerapan Metode LCG (Linear Congruential Generator) pada Sistem Pengacak Soal
Studi Kasus : BLCC (Bali Logic and Computer Competition) Unud
I Wayan Puguh Sudarma ..................................................................................................... 35
Perancangan Monitoring and Controlling Traffic Light pada Different Street Condition
Menggunakan Jaringan Internet
Cries Avian ........................................................................................................................... 43
Perancangan Sistem Evaluasi Nilai Akademik Mahasiswa Menggunakan K-Means
Clustering
Risky Aswi Ramadhani ........................................................................................................ 49
Perancangan Sistem Pengklasifikasian Musik Menggunakan Algoritma Support Vector
Machine
I Gst. Agung Wisnu Adi Kusuma .......................................................................................... 55
Rancang Bangun Aplikasi Pencocokan Citra Tanda Tangan
Resty Wulanningrum .......................................................................................................... 61
Information Systems
Analisa Sistem Informasi Persediaan Barang Pada PT. Dua Libra
Nur Azizah ........................................................................................................................... 67
Analisa Sistem Pembayaran Futsal Pada PT. Padang Golf Moderland
Nur Azizah ........................................................................................................................... 77
Analisis dan Perancangan Aplikasi ETL Untuk Data Warehouse
Made Mahadipta ................................................................................................................ 87
Aprida Aplikasi Penilaian Fleksibel untuk Guru dan Dosen
Fatkur Rhohman.................................................................................................................. 99
Desain Aplikasi Prosiars Sebagai Media Pendukung Akuisisi Ketrampilan Tata Kelola
Rekam Medis
Slamet Sudaryanto N .......................................................................................................... 103
Desain Model Integrasi dan Sinkronisasi Antar Unit Surveilans Untuk Mendukung Data
Warehouse Epidemiologi
Fikri Budiman ...................................................................................................................... 111
Evaluasi Penggunaan Website dan Fasilitas E-Learning Universitas Nusa Nipa
Menggunakan Metode Analisis Pieces Framework Menuju Paperless Office
Agustinus Lambertus Suban ............................................................................................... 119
Implementasi Single Page Application pada Aplikasi Sintask Menggunakan Javascript
Dan Jquery
Aditya Wikardiyan ............................................................................................................... 129
Pengembangan dan Software Testing Aplikasi Tebak Huruf Jawa
Supriyono ............................................................................................................................ 135
Perancangan Aplikasi E-Learning Berbasis Android Pada Media Pembelajaran Alternatif
I Kadek Ardi Angga .............................................................................................................. 141
Perancangan dan Implementasi Aplikasi Media Reservasi Makanan Berbasis Client
Server dengan Platform Android
Ayu Puspita Wardani Okayana............................................................................................ 147
Perancangan Data Warehouse pada Penjualan Kain Endek Bali (Studi Kasus Toko Luhur
Busana Bali)
Rosa Irma Cahyani............................................................................................................... 153
Perancangan Sistem Informasi Ensiklopedi Motif Kain Endek Khas Bali
I Gusti Ag Ayu Putu Rhera Mahayekti ................................................................................. 161
Perancangan Sistem Informasi Pendataan Surat Masuk dan Surat Keluar Pada Media
Cetak Tabloid Tipikor Berbasis Web
Nur Azizah ........................................................................................................................... 169
Perancangan Sistem Inventaris Sarana Akademik UN PGRI Kediri
Intan Nur Farida .................................................................................................................. 181
Perancangan Sistem Tracer Alumni untuk Menentukan Profil Lulusan Prodi Teknik
Informatika Universitas Nusantara PGRI Kediri
Danar Putra Pamungkas...................................................................................................... 187
Purwarupa Sistem Layanan Perpustakaan Menggunakan Konsep Basis Data
Terdistribusi
Putu Andina Titra Dewi ....................................................................................................... 193
Rancang Bangun Sistem Monitoring Sarbagita Berbasis Mobile Sebagai Solusi
Peningkatan Kepuasan Pelanggan Sarbagita
Ida Bagus Dananjaya ........................................................................................................... 199
Rancangan Emergency Call Sebagai Penanganan Kecelakaan Di Kota Kediri
Ervin Kusuma Dewi ............................................................................................................. 207
Sistem Informasi Monitoring Bus Trans Sarbagita Berbasis Web
I Putu Gede Surya Hadi Kusuma ......................................................................................... 213
Sistem Informasi Pengarsipan Kinerja Dosen Menggunakan Restful Web Service
Teguh Andriyanto ............................................................................................................... 221
Sistem Pengolahan Data Akademik Di Universitas Nusantara PGRI Kediri
Juli Sulaksono ...................................................................................................................... 227
Knowledge Management
Aplikasi Sistem Pencarian E-Book Dengan Memanfaatkan Web Crawler Berdasarkan
Kesamaan Semantik
Diana Ikasari ........................................................................................................................ 233
Implementasi Algoritma C4.5 Pada Sistem Pendukung Keputusan Pemilihan Kos Di
Daerah Bukit Jimbaran Bali
Imam Zarkasi ....................................................................................................................... 241
Implementasi dan Perbandingan Algoritma Stemming untuk Dokumen Teks Berbahasa
Indonesia
Dina Anggraini ..................................................................................................................... 247
Penerapan Metode Profile Matching dalam Menentukan Kualitas Ikan Tuna (Studi
Kasus Pt.Primo Indo Ikan)
Agus Aan Jiwa Permana ...................................................................................................... 255
Perancangan dan Implementasi Sistem Pendukung Keputusan Dalam Lomba Desa Pada
Kantor Badan Pemberdayaan Masyarakat Dan Pemerintahan Desa Di Provinsi Nusa
Tenggara Barat Dengan Metode Topsis
Ni Putu Eka Listiani .............................................................................................................. 263
Perancangan Knowledge Management System Motif Kain Endek Khas Bali
Riska Prasetiyo Utami ......................................................................................................... 269
Perancangan Rekomendasi Penjualan Endek Pada Sistem Web E-Commerce
Menggunakan Metode Hybrid Filtering
Luh Ayu Diah Fernita Sari .................................................................................................... 279
Perancangan Simulasi Keuntungan Penjualan Bensin Pada Stasiun Pengisian Bahan
Bakar Umum (SPBU) Menggunakan Metode Monte Carlo (Studi Kasus Spbu Jl. Raya
Uluwatu, Jimbaran)
I Putu Surya Diputra ............................................................................................................ 287
Simulasi Transaksi untuk Memperkirakan Keuntungan pada Minimarket Vidya dengan
Menggunakan Metode Monte Carlo
Josua Geovani Sinaga .......................................................................................................... 299
Sistem Pakar untuk Diagnosa Penyakit Diabetes Mellitus dengan Metode Mamdani
Pada Puskesmas Di Jakarta Timur
Za’i atu Niswati ............................................................................................................... 307
Sistem Pendukung Keputusan dalam Penentuan Supplier Tanaman Terbaik
Menggunakan Metode Simple Additive Weighting Studi Kasus CV. Intan Mas Ajie
Rr. Putri Intan Paramaeswari .............................................................................................. 315
Sistem Pendukung Keputusan Menentukan Lokasi Membangun Ruko Menggunakan
Metode SAW Dan Proses Paralel
I Gede Surya Adhi Martana ................................................................................................. 323
Sistem Pendukung Keputusan Pemilihan Paket Telekomunikasi Smartphone Atau
Gadget Dengan Metode SAW (Simple Additive Weighting)
Christina .............................................................................................................................. 329
Sistem Pendukung Keputusan Pemilihan Portofolio Investasi Saham di Bursa Efek
Indonesia Menggunakan Metode Saw dan Proses Paralel
I Gede Wicaksana ................................................................................................................ 335
Sistem Pendukung Keputusan Penentuan Anak Asuh Bagi Peserta Didik Dengan Metode
SAW (Simple Additive Weighting)
Rina Firliana ......................................................................................................................... 341
Sistem Pendukung Keputusan Penentuan Lokasi Pembangunan Minimarket
Menggunakan Metode Simple Additive Weighting (Studi Kasus Kabupaten Gianyar)
Gede Surya Adiwiguna ........................................................................................................ 349
Sistem Pendukung Keputusan Perekrutan Pegawai Dengan Metode Naïve Bayes (Studi
Kasus di PT. Tatamulia)
Ni Putu Striratna Devi Wedayanti ....................................................................................... 357
Sistem Pendukung Keputusan Perekrutan Pegawai Menggunakan Perangkingan
MADM TOPSIS
Luh Putu Dewi Cahyuni ....................................................................................................... 363
Sistem Pendukung Keputusan Seleksi Penerima Beasiswa di SMKN 3 Negara
Menggunakan Metode Analytical Hierarchy Process (AHP)
I Putu Krisna Adi Syandhana ............................................................................................... 369
SPK Penentuan Lokasi Pembangunan Perumahan Menggunakan Metode SAW dengan
Pemrosesan Paralel (Studi Kasus Kab. Jembrana)
Gede Satria Pinandita ......................................................................................................... 377
SPK untuk Menenentukan Kesesuaian Lahan Tanaman Kopi Arabika Menggunakan
Metode WP dengan Pemrosesan Paralel
Ketut Yudi Werdika ............................................................................................................. 383
Web Dinamis Sebagai Sistem Bantu Pencarian Rumah Kos Mahasiswa Dengan Metode
Weighted Product (WP)
Patmi Kasih .......................................................................................................................... 389
Multimedia Application
Analisis Sistem Rekomendasi Musik Berdasarkan Konteks Menggunakan Soft Case-
Based Reasoning
Gst. Ayu Vida Mastrika Giri ................................................................................................. 395
Aplikasi Alat Musik Padang Berbasis Android
I Gusti Ngurah Anom Cahyadi Putra ................................................................................... 401
Aplikasi Reduksi Noise Citra Aksara Bali Pada Lontar
Gusti Agung Mas Trisna Krishany ........................................................................................ 409
Implementasi Augmented Reality Pada Objek-Objek Museum Bali Studi Awal
Perancangan Aplikasi Edukasi Untuk Pengunjung Museum
Gerson Feoh ........................................................................................................................ 415
Pengemba ga Ga e “uper “o ic “hoot de ga Pe dekata Ga e-SCRUM
Falahah ................................................................................................................................ 423
Perancangan Sistem Informasi Pembelajaran Pembuatan Banten Berbasis Video
Streaming
I Putu Septian Arya Pratama ............................................................................................... 429
Networking and Security
Aplikasi Chatting Berbasis Multiagent Menggunakan Java Agent Development
Framework (JADE)
Nisa Miftachurohmah ......................................................................................................... 437
Color Image Encryption Using RC4 Algorithm
Andysah Putera Utama Siahaan ......................................................................................... 443
Implementasi Algoritma RC6 Sebagai Pengamanan Aplikasi Chatting
Anneke Puspita Dewi .......................................................................................................... 449
Pengelolaan Routing OLSR Pada Jaringan Wireless Mesh
Iwan Rijayana ...................................................................................................................... 459
Pengembangan Aplikasi Context Aware Pada Teknolog Near Field Communcation
Yuli Fauziah ......................................................................................................................... 467
Penggunaan Metode Kriptografi pada Voice Over Internet Protokol
Eka Suweantara ................................................................................................................... 473
Perancangan dan Implementasi Aplikasi Chat Menggunakan MQTT Protocol
Muhammad Ridwan Satrio ................................................................................................. 481
Perancangan SMS Gateway Untuk Pelayanan Informasi pada Kegiatan Desa Adat
I Putu Raka Wiratma ........................................................................................................... 485
Rancang Bangun Sistem Informasi Paroki Habi Keuskupan Maumere Melalui SMS
Gateway
Theresia Wihelmina Mado .................................................................................................. 491
Sistem Informasi Pengingat Pengumpulan Nilai Berbasis SMS Gateway pada Prodi
Sistem Informasi Universitas Nusantara PGRI Kediri
Fajar Rohman Hariri, M.Kom .............................................................................................. 499
Sistem Kendali DC Converter Untuk Aplikasi Sistem (CAES)
Widjonarko.......................................................................................................................... 507
Halaman ini sengaja dibiarkan kosong.
15
KLASIFIKASI JAMUR MENGGUNAKAN METODE NAÏVE BAYES DENGAN PEMROSESAN PARALEL
I Putu Agus Suarya Wibawa1, I Gede Arta Wibawa
2
1,2 Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana
Jl. Raya Kampus Unud, Bukit Jimbaran, Kuta Selatan
Email: [email protected], [email protected]
2
ABSTRAK
Jamur atau cendawan adalah tumbuhan yang tidak mempunyai klorofil sehingga kehidupannya
bergantung zat-zat organik yang tersedia di alam. Jamur memiliki cita rasa yang lezat dan unik serta memiliki
banyak manfaat, seperti meningkatkan sistem kekebalan tubuh dan sebagai sumber vitamin D. Tidak semua jenis
jamur bermanfaat untuk manusia, ada juga jenis jamur yang berbahaya. Mengetahui hal tersebut, maka perlu
adanya pengklasifikasian jamur untuk mengetahui apakah suatu jamur bisa dikonsumsi atau tidak. Salah satu
metode klasifikasi yaitu metode naive bayes. Metode naive bayes sangat cocok digunakan untuk
pengklasifikasian jamur karena metode ini mampu menangani data kategorial. Dalam segi kecepatan, metode
naive bayes sudah cepat, namun bisa dioptimalisasi lagi kecepatannya menggunakan pemrosesan paralel.
Pada penelitian ini, instance data set yang digunakan untuk mengklasifikasikan jamur berjumlah 5644
dengan jumlah atribut sebanyak 22 atribut. Dari 22 atribut tersebut akan ditentukan apakah jamur tersebut
termasuk jamur yang bisa dikonsumsi atau tidak. Data set jamur ini dibagi menjadi dua yaitu 80% data latih
dan 20% data uji. Pemrosesan paralel diterapkan pada proses pelatihan dan pengujian dalam metode naïve
bayes sehingga nanti diharapkan komputasinya menjadi lebih cepat.
Dari hasil penelitian ini naïve bayes dapat digunakan untuk mengklasifikasikan jamur apakah jamur
tersebut beracun atau bisa dimakan dan menghasilkan akurasi sebesar 88,4%. Penggunaan pemrosesan paralel
pada perhitungan naïve bayes tidak mengurangi waktu proses dari perhitungan naïve bayes dan bahkan
menambah waktu proses jika datanya sedikit. Pemrosesan paralel akan menjadi efektif jika jumlah data yang
diproses besar.
Kata Kunci: Klasifikasi jamur, Naïve bayes, Pemrosesan paralel.
ABSTRACT
Mushroom is a plant that does not have chlorophyll so dependent organic substances available in
nature. Mushrooms have a delicious and unique flavor and has many benefits, such as boosting the immune
system and as a source of vitamin D. Not all mushroom are beneficial to humans, there is also harmful
mushroom. Knowing this, it is necessary to classify mushrooms to determine whether a mushrooms can be
consumed or not. One method classification is Naive Bayes. Naive Bayes classification is suitable for
classification mushrooms because this method is able to handle data categorical. Naive Bayes method is fast, but
can be optimized more speed using parallel processing.
In this study, the instance of the dataset used to classify mushrooms is 5644 with 22 attributes. From 22
attributes will be determined whether these mushrooms including mushrooms that can be consumed or not.
Datasheet mushrooms is split into two, 80% training data and 20% testing data. Parallel processing is applied
to the process of training and testing in naïve bayes that are later expected to be faster computing.
From this research, naïve Bayes can be used to classify mushrooms whether mushrooms poisonous or
edible and with accuracy is 88.4%. The use of parallel processing on naïve Bayes calculation does not reduce
the processing time of calculation naïve Bayes and even add time to the process if the data is little. Parallel
processing will be effective if a large amount of data processed.
Keywords: Classification mushrooms, Naïve Bayes, parallel processing
1 PENDAHULUAN Jamur merupakan tumbuhan yang tidak
berklorofil. Jamur memiliki cita rasa yang lezat dan
unik. Jamur memiliki banyak manfaat untuk tubuh
kita di antaranya sebagai sumber vitamin D,
meningkatkan sistem kekebalan tubuh, sumber
antioksidan, mengontrol berat badan, dan melawan
kanker. Tetapi tidak semua jamur bermanfaat bagi
tubuh kita, ada juga jamur yang berbahaya. Oleh
karena itu sangat penting untuk mengklasifikasikan
jenis jamur apakah bisa dimakan atau tidak. Proses
klasifikasi jamur pada penelitian ini menggunakan 22
atribut yaitu bentuk topi, permukaan topi, warna topi,
ISSN : 2302 – 450X
16
memar/tidak, bau, lampiran insang, jarak antar
insang, ukuran insang, warna insang, bentuk tangkai,
batang akar, tangkai permukaan di atas cincin,
tangkai permukaan di bawah cincin, warna tangkai di
bawah cincin, warna tangkai di atas cincin, jenis
selubung, warna selubung, jumlah cincin, tipe cincin,
warna spora, populasi, dan habitat. Metode klasifikasi
yang digunakan adalah naïve bayes karena metode ini
bisa menangani data kategorial.
Banyak penelitian yang pernah dilakukan
terkait permasalahan klasifikasi jamur dan
pemrosesan paralel yaitu:
1. Sunita Beniwal & Bishan Das (2015)
dengan judul Mushroom Classification
using Data Mining Techniques.
2. Dimitris N. Varsamis, Christos Talagkozis,
Paris A. Mastorocostas, Evangelos Outsios,
dan Nicholas P. Karampetakis dengan judul
The Performance of The Matlab Parallel
Computing Toolbox in Specific Problems.
Tujuan dari penelitian ini adalah
mengimplementasikan metode naïve bayes untuk
pengklasifikasian jamur sehingga dapat membantu
dalam mengklasifikasikan jamur yang bisa
dikonsumsi dan beracun. Penelitian ini juga bertujuan
untuk menerapkan pemrosesan paralel untuk
mengetahui perbedaan dari segi kecepatan antara
menggunakan pemrosesan paralel dengan tanpa
menggunakan pemrosesan paralel pada proses
perhitungan naive bayes.
2 MODEL, ANALISIS, DESAIN, DAN
IMPLEMENTASI
2.1 Klasifikasi
Klasifikasi adalah proses untuk menemukan
model atau fungsi yang menjelaskan atau
membedakan konsep atau kelas data, dengan tujuan
untuk dapat memperkirakan kelas dari suatu obyek
[3]. Teknik ini dapat memberikan klasifikasi pada
data baru dengan memanipulasi data yang ada dan
menggunakan hasilnya untuk memberikan sejumlah
aturan. Aturan-aturan tersebut digunakan pada data-
data baru untuk diklasifikasi. Teknik ini
menggunakan supervised learning, yang
memanfaatkan kumpulan pengujian dari data yang
terklasifikasi untuk menentukan kelas-kelas
tambahan. Naïve bayes adalah salah satu metode
klasifikasi yang paling populer karena
perhitungannya tergolong mudah.
2.2 Metode Naive Bayes
Klasifikasi naïve bayes merupakan salah
satu metode machine learning yang memanfaatkan
perhitungan probabilitas dan statistik yang
dikemukakan oleh ilmuwan Inggris Thomas Bayes,
yaitu memprediksi probabilitas di masa depan
berdasarkan pengalaman di masa sebelumnya.
Pada teorema Bayes, bila terdapat dua
kejadian yang terpisah (misalkan A dan B), maka
teorema Bayes dirumuskan sebagai berikut:
P (A|B) = (P(A) * P(B|A))/P(B) (1)
Di mana P(A|B) adalah peluang kejadian A sebagai
B, P(B|A) adalah peluang B saat A, P(A) adalah
peluang A, dan P(B) adalah peluang B. Untuk
menjelaskan teorema Naïve Bayes, perlu diketahui
bahwa proses klasifikasi memerlukan sejumlah
petunjuk untuk menentukan kelas apa yang cocok
bagi sampel yang dianalisis tersebut. Sehingga,
teorema Bayes di atas disesuaikan sebagai berikut:
� � �1,… ,�� = � � �(�1,… ,��|�)
�(�1,… ,��) (2)
Di mana C merepresentasikan kelas dan F1, …, Fn
merepresentasikan karakteristik-karakteristik
petunjuk yang dibutuhkan untuk melakukan
klasifikasi. Rumus (2) menjelaskan bahwa peluang
masuknya sampel dengan karakteristik tertentu dalam
kelas C (posterior) adalah peluang munculnya kelas
C (sebelum masuknya sampel tersebut, sering kali
disebut prior), dikalikan dengan peluang kemunculan
karakteristik-karakteristik sampel pada kelas C
(disebut juga likelihood), dibagi dengan peluang
kemunculan karakteristik-karakteristik sampel secara
global (disebut juga evidence). Oleh karena itu rumus
(2) dapat ditulis secara sederhana sebagai berikut:
��������� = !"#$" ! !"#$!"!!!"
!"#$!%&! (3)
Ada 4 tahap dalam pengklasifikasian
menggunakan metode naïve bayes yaitu:
1. Menghitung probabilitas tiap kelas.
2. Menghitung probabilitas jumlah kasus yang
sama dengan kelas yang sama.
3. Menghitung probabilitas semua kelas untuk
tiap data baru.
4. Mencari probabilitas terbesar untuk
dijadikan label pada data baru.
2.3 Pemrosesan Paralel
Pemrosesan paralel (parallel processing)
adalah penggunaan lebih dari satu CPU untuk
menjalankan sebuah program secara simultan.
Idealnya, pemrosesan paralel membuat program
berjalan lebih cepat karena semakin banyak CPU
yang digunakan. Tujuan utama dari pemrosesan
paralel adalah untuk meningkatkan performa
komputasi. Semakin banyak hal yang bisa dilakukan
secara bersamaan (dalam waktu yang sama), semakin
banyak pekerjaan yang bisa diselesaikan.
Pemrosesan paralel berbeda dengan
multitasking. Multitasking merupakan
pengeksekusian beberapa tugas secara bergantian
I Putu Agus Suarya Wibawa, Klasifikasi Jamur Menggunakan Metode Naïve Bayes dengan
Pemrosesan Paralel
17
dengan cepat sehingga kita menganggapnya seperti
bersamaan. Sedangkan pemrosesan paralel
menggunakan beberapa prosesor atau komputer.
Berikut ini merupakan gambar dari
perbedaan pemrosesan tunggal dan pemrosesan
secara paralel.
Gambar 1. Perbedaan pemrosesan tunggal
dengan paralel
Model dari pemrosesan paralel ada 4 yaitu:
1. SISD (Single Instruction, Single Data)
Pada model ini hanya menggunakan 1 prosesor.
2. SIMD (Single Instruction, Multiple Data)
Model ini menggunakan banyak prosesor dengan
instruksi yang sama, namun setiap prosesor
mengolah data yang berbeda
3. MISD(Multiple Instruction, Single Data)
Model ini menggunakan banyak prosesor dengan
setiap prosesor menggunakan instruksi yang
berbeda namun mengolah data yang sama.
4. MIMD (Multiple Instruction, Multiple Data)
Model ini menggunakan banyak prosesor dengan
setiap prosesor memiliki instruksi yang berbeda
dan mengolah data yang berbeda.
2.4 Analisis Kebutuhan
Dataset jamur dalam penelitian ini mengambil
data dari UCI Machine Learning Repository. Dataset
yang didapatkan sejumlah 5644 instance. Atribut dan
nilai atribut data jamur tersebut ditunjukkan pada
tabel 1.
Tabel 1. Atribut dan Nilai Atribut pada Dataset
Jamur
No. Atribut Nilai
1 Bentuk
tudung
Lonceng, kerucut, cembung,
datar, menonjol, cekung
2 Permukaa
n tudung
Berserat, alur, bersisik, halus
3 Warna
tudung
Cokelat, kekuningan, cokelat
muda, abu-abu, hijau, merah
muda, ungu, merah, putih,
kuning.
4 Lebam Ya, tidak
5 Bau Badam, adas manis, kreosot,
amis, busuk, basi, tidak ada,
tajam, pedas
6 Lampiran
lamela
Terlampir, turun, bebas,
berkumai, dekat, ramai,
regang
7 Jarak
lamela
Dekat, ramai, jauh
8 Ukuran
lamela
Lebar, tipis
9 Warna
lamela
Hitam, cokelat, kekuningan,
abu-abu, hijau, jingga, merah
muda, ungu, merah, putih,
kuning
10 Bentuk
tangkai
Membesar, lonjong
11 Akar
tangkai
Berumbi, melengkung, sejajar,
berakar, rhizomorphs stik
12 Permukaa
n tangkai
di atas
annulus
Berserat, bersisik, seperti
sutera, halus
13 Permukaa
n tangkai
di bawah
annulus
Berserat, bersisik, seperti
sutera, halus
14 Warna
tangkai di
atas
annulus
Cokelat, kekuningan, cokelat
muda, abu-abu, jingga, merah
muda, merah, putih, kuning
15 Warna
tangkai di
bawah
annulus
Cokelat, kekuningan, cokelat
muda, abu-abu, jingga, merah
muda, merah, putih, kuning
16 Jenis veil Sebagian, universal
17 Warna
veil
Cokelat, jingga, putih, kuning
18 Jumlah
annulus
Tidak ada, 1, 2
19 Jenis
annulus
Jaring laba-laba, evanescent,
melebar, besar, tidak ada,
liontin, bahan pelapis, zone
20 Warna
spora
Hitam, cokelat, kekuningan,
hijau, jingga, ungu, putih,
kuning
21 Populasi Berlimpah-limpah,
berkerumunan, banyak,
tersebar, beberapa, tersendiri,
22 Habitat Rumput, daun, padang
rumput, jalan kecil, perkotaan,
limbah, hutan
3 SKENARIO UJI COBA Uji coba pada penelitian ini terdiri dari
beberapa langkah yaitu:
1. Membagi dataset jamur yang sudah ada (5644
data) menjadi 2 yaitu 80% atau 4515 data untuk
data pelatihan dan 20% atau 1129 data untuk
data pengujian.
ISSN : 2302 – 450X
18
2. Menerapkan algoritma naïve bayes untuk
mengklasifikasikan jamur dengan menggunakan
22 atribut yang sudah ada pada dataset jamur dan
mencatat akurasi dari algoritma tersebut. Pada
penelitian ini penerapan algoritma naïve bayes
menggunakan matlab.
3. Mencatat waktu dari proses pengklasifikasian
jamur tanpa menggunakan pemrosesan paralel
dan menggunakan pemrosesan paralel untuk
mengetahui perbedaannya. Pemrosesan paralel
pada penelitian ini menggunakan 1 komputer
Intel core i5-3317U 1,7GHz 4GB RAM dan
menggunakan matlab.
4 HASIL UJI COBA
Uji coba pada penelitian ini bertujuan untuk
mengukur berapa tingkat akurasi dari metode naïve
bayes dalam pengklasifikasian jamur. Tujuan yang
kedua yaitu untuk mengetahui apakah penerapan
pemrosesan paralel bisa mengurangi waktu proses
dari perhitungan metode naïve bayes.
4.1 Data Pelatihan dan Data Pengujian
Proses uji coba untuk menentukan tingkat
akurasi metode naïve bayes dalam
mengklasifikasikan jamur pada penelitian ini
menggunakan dataset dari UCI Machine Learning
Repository. Dari sumber tersebut didapatkan data
sebanyak 5644 data jamur yang sudah memiliki label.
Data tersebut akan dibagi menjadi 2 yaitu 80% untuk
pelatihan dan 20% untuk pengujian seperti yang
sudah dipaparkan pada skenario uji coba. Dari data
pengujian tersebut akan digunakan untuk menentukan
berapa tingkat akurasi dari metode naïve bayes.
4.2 Flowchart Flowchart atau diagram alur pada program
klasifikasi jamur ini ditunjukkan pada gambar 2.
Gambar 2. Flowchart program klasifikasi jamur
Pada program klasifikasi jamur ini akan
dimasukkan terlebih dahulu data pelatihan dan data
pengujiannya. Program akan melakukan klasifikasi
naïve bayes untuk data tersebut. Setelah klasifikasi
jamur selesai akan dihitung berapa jumlah output
kelas yang benar, salah, tingkat akurasi, dan waktu
eksekusi program. Jumlah output kelas yang benar ini
adalah jika label pada data yang sudah ada sama
dengan label prediksi dari program naïve bayes ini,
begitu juga sebaliknya. Terakhir program akan
menampilkan jumlah output kelas yang benar, salah,
tingkat akurasi dari program, dan waktu eksekusi
program/waktu proses dari perhitungan naïve bayes.
4.3 Perhitungan Tingkat Akurasi Naïve Bayes
Pengujian untuk menghitung tingkat akurasi
program naïve bayes ini dalam mengklasifikasikan
data jamur dilakukan dengan memasukkan data
pelatihan dan pengujian pada program. Program akan
melakukan proses klasifikasi naïve bayes dan akan
menghitung jumlah output kelas label yang benar dan
salah. Output kelas label yang benar adalah jika label
pada data jamur sama dengan label prediksi dari
program naïve bayes ini. Perhitungan untuk
menghitung tingkat akurasi yaitu:
������� =�����ℎ ����� ���� �����
����� ���� � 100%
Pada penelitian ini, hasil dari klasifikasi
naïve bayes yang sudah dilakukan oleh program
menghasilkan output seperti gambar 3 di bawah ini:
Gambar 3. Hasil klasifikasi jamur
Dari hasil program menunjukkan bahwa 998
dari 1129 data jamur berhasil diklasifikasikan dengan
benar. Perhitungan tingkat akurasi program yaitu:
������� = 998
1129 � 100% = 88,4 %
Jadi pada penelitian yang dilakukan dengan
menerapkan metode naïve bayes untuk
mengklasifikasikan jamur memiliki tingkat akurasi
sebesar 88,4%.
Mulai
Berhenti
Masukkan data pelatihan
dan pengujian
Menampilkan jumlah
output kelas benar, salah,
tingkat akurasi, dan waktu
eksekusi program
Klasifikasi naive bayes
Menghitung output kelas yang benar, salah,
tingkat akurasi, dan waktu eksekusi program
I Putu Agus Suarya Wibawa, Klasifikasi Jamur Menggunakan Metode Naïve Bayes dengan
Pemrosesan Paralel
19
4.4 Penerapan Pemrosesan Paralel pada Metode
Naïve Bayes
Proses uji coba untuk mengetahui apakah
penerapan pemrosesan paralel bisa mengurangi
waktu proses perhitungan metode naïve bayes
dilakukan dengan menggunakan matlab. Uji coba
untuk pemrosesan paralel pada penelitian ini
menggunakan 1 sampai 5 prosesor.
Tahap uji coba pada penelitian ini yaitu:
1. Aktifkan mode paralel pada matlab dengan
menggunakan 1 prosesor.
2. Jalankan program naïve bayes pada matlab untuk
mengklasifikasikan data jamur yang sudah
disediakan sebelumnya dan catat berapa waktu
eksekusinya.
3. Ulangi langkah ke-2 hingga 4 kali percobaan
untuk mendapatkan rata-rata waktu eksekusi.
4. Ulangi langkah 1-3 untuk jumlah prosesor yang
berbeda.
Hasil dari uji coba ini di tunjukkan pada tabel 2.
Tabel 2. Hasil uji coba menggunakan pemrosesan
paralel
Uji
coba
ke
Jumlah prosesor
1 2 3 4 5
1 3.21 s 3.49 s 3.84 s 4.58 s 5.27 s
2 3.16 s 3.28 s 3.64 s 4.09 s 4.64 s
3 3.15 s 3.38 s 3.64 s 4.09 s 4.51 s
4 3.18 s 3.28 s 3.62 s 4.12 s 4.62 s
Rata-
rata 3.17 s 3.36 s 3.69 s 4.22 s 4.76 s
Penerapan pemrosesan paralel pada
perhitungan metode naïve bayes untuk klasifikasi
jamur tidak mengurangi waktu proses bahkan
menambah waktu proses. Pada gambar 4 di bawah ini
merupakan grafik perbandingan antara jumlah
prosesor dan waktu proses dari perhitungan naïve
bayes. Waktu proses yang dipakai di sini adalah
waktu proses rata-rata dari 4 percobaan yang
dilakukan.
Gambar 4. Perbandingan jumlah prosesor dengan
waktu proses
Pada gambar 4 terlihat bahwa semakin
banyak prosesor yang digunakan maka waktu proses
dari perhitungan metode naive bayes akan semakin
lama. Hal ini karena pemrosesan paralel akan
menjadi efektif ketika data yang diproses sangat
besar.
Hal ini dibuktikan dalam penelitian Dimitris
N. Varsamis, Christos Talagkozis, Paris A.
Mastorocostas, Evangelos Outsios, dan Nicholas P.
Karampetakis dengan judul The performance of the
MATLAB Parallel Computing Toolbox in specific
problem [5]. Pada penelitian tersebut meneliti tentang
waktu eksekusi dari pencarian matriks berukuran 220
dan 225
menggunakan 1, 2, 4, 8, dan 16 prosesor
dengan menggunakan 24 komputer intel core quad
cpu (q9400) 2,6ghz 4gb ram. Hasil dari penelitian
tersebut menunjukkan bahwa semakin banyak
prosesor yang digunakan maka waktu proses untuk
pencarian matriks akan semakin cepat dikarenakan
jumlah data yang diproses sangat besar yaitu 220
dan
225
.
Oleh karena itu, peneliti melakukan uji coba
dengan mengklasifikasikan jamur dengan data uji
sebesar 103845 data, 207690 data, 311535 data, dan
415380 data. Tahapan dari uji coba ini sama seperti
uji coba sebelumnya.
Hasil dari uji coba ini ditampilkan dalam
bentuk grafik di mana jumlah prosesor yang dipakai
dari 1-5 prosesor dan waktu proses perhitungannya
merupakan waktu proses rata-rata dari 4 percobaan
yang dilakukan. Grafik perbandingan antara jumlah
prosesor dengan waktu proses dari hasil uji coba
tersebut terlihat seperti gambar 5, 6, 7, dan 8 di
bawah ini:
0
1
2
3
4
5
1 2 3 4 5
Waktu proses
(de5k)
Jumlah prosesor
Perbandingan jumlah prosesor dengan waktu
pemrosesan
ISSN : 2302 – 450X
20
Gambar 5. Perbandingan jumlah prosesor dengan
waktu proses untuk 103845 data uji
Pada gambar 5 di atas, waktu proses dengan
3 prosesor lebih sedikit daripada menggunakan 1 atau
2 prosesor. Tetapi jika menggunakan lebih dari 3
prosesor justru akan memakan waktu yang lebih
lama.
Gambar 6. Perbandingan jumlah prosesor dengan
waktu proses untuk 207690 data uji
Pada gambar 6 di atas, menggunakan jumlah
prosesor sebanyak 4 akan memakan waktu yang lebih
sedikit daripada menggunakan prosesor sejumlah 1,
2, atau 3. Sedangkan jika lebih dari 4 prosesor maka
akan memakan waktu lebih lama.
Gambar 7. Perbandingan jumlah prosesor dengan
waktu proses untuk 311535 data uji
Pada gambar 7 di atas, waktu proses akan
semakin lama jika menggunakan lebih dari 4 prosesor
dan prosesor yang paling optimal digunakan adalah 4
prosesor.
Gambar 8. Perbandingan jumlah prosesor dengan
waktu proses untuk 415380 data uji
Pada gambar 8, waktu proses dengan
menggunakan 5 prosesor akan memakan waktu yang
lebih sedikit daripada menggunakan 1, 2, 3, atau 4
prosesor.
5 KESIMPULAN Berdasarkan penelitian yang dilakukan maka
dapat disimpulkan bahwa metode naïve bayes dapat
digunakan untuk mengklasifikasikan jamur apakah
jamur tersebut beracun atau bisa dimakan. Klasifikasi
jamur menggunakan metode naïve bayes ini memiliki
tingkat akurasi sebesar 88,4%.
Penggunaan pemrosesan paralel pada
perhitungan naïve bayes tidak mengurangi waktu
proses dari perhitungan naïve bayes dan bahkan
menambah waktu proses jika datanya sedikit. Tetapi
jika data yang diproses banyak seperti gambar 5, 6, 7,
dan 8, penggunaan pemrosesan paralel bisa
mengurangi waktu proses perhitungan. Jadi
pemrosesan paralel akan menjadi efektif jika jumlah
data yang diproses besar.
6 DAFTAR PUSTAKA
[1] Rathod, A. B., Khadse, R., & Bagwan, M. F.
(2014). Serial Computing vs. Parallel
Computing: A Comparative Study using Matlab.
International Journal of Computer Science and Mobile Computing, 815-820.
[2] Beniwal, S., & Das, B. (2015). Mushroom
Classification using Data Mining Techniques.
International Journal of Pharma and Bio Sciences, 1170-1176.
[3] Mulyanto, A. (2009). Sistem Informasi Konsep
& Aplikasi. Dalam A. Mulyanto, Sistem
Informasi Konsep & Aplikasi (hal. 204-206).
Yogyakarta: Pustaka Pelajar.
0
10
20
1 2 3 4 5
Waktu proses
(de5k)
Jumlah prosesor
Perbandingan jumlah prosesor dengan waktu
pemrosesan dengan 103845 data
0
5
10
15
20
25
30
1 2 3 4 5
Waktu proses
(de5k)
Jumlah prosesor
Perbandingan jumlah prosesor dengan waktu
pemrosesan dengan 207690 data
0
10
20
30
40
1 2 3 4 5
Waktu proses
(de5k)
Jumlah prosesor
Perbandingan jumlah prosesor dengan waktu
pemrosesan dengan 311535 data
0
10
20
30
40
50
60
1 2 3 4 5
Waktu proses
(de5k)
Jumlah prosesor
Perbandingan jumlah prosesor dengan waktu
pemrosesan dengan 415380 data
I Putu Agus Suarya Wibawa, Klasifikasi Jamur Menggunakan Metode Naïve Bayes dengan
Pemrosesan Paralel
21
[4] Theodoridis, S., & Koutroumbas, K. (2006).
Pattern Recognition Third Edition. Elsevier:
Academic Press.
[5] Varsamis, D. N., Talagkozis, C., Mastorocostas,
P. A., Outsios, E., & Karampetakis, N. P. (2014).
The Performance of The Matlab Parallel
Computing Toolbox In Specific Problems.
Advances in Information Science and Applications, 56-60.