A 8 Penggunaan Algoritma T-Apriori* Untuk Pencarian Association Rule Pada Data Spatio-Temporal

Transkripsi

1 A 8 Penggunaan Algoritma T-Apriori* Untu Pencarian Association Rule Pada Data Spatio-Temporal Oleh: Imam Muhlash (Jurusan Matematia FMIPA ITS) Abstra Seiring dengan berembang pesatnya apliasi basisdata, obye data mining juga berembang untu menangani tipe data yang omples, antara lain data spatio-temporal. Data spatio-temporal menyimpan obye spasial dan perubahannya, bai perubahan data spasial maupun data atributnya. Pada maalah ini aan dibahas pengembangan algoritma association rule pada data spasial dengan menambahan batasan watu. Spatio-temporal association rule terjadi jia terdapat relasi spatio-temporal pada bagian antecedent atau consequent dari sebuah rule. Dua aspe penting dalam pencarian spatio-temporal association rule adalah prapemrosesan data dan algoritma pembangitan frequent predicate. Metode prapemrosesan data berfungsi untu memproses data sumber yang berupa data spasial dan non-spasial dengan batasan watu dan menghasilan data yang siap untu di-mining. Pembangitan frequent predicate dilauan dengan menggunaan algoritma T-Apriori*, yaitu pengembangan algoritma T- Apriori yang diperluas untu menangani data spatio-temporal. Selanjutnya, algoritma ini dimanfaatan untu menduung proses pengambilan eputusan dengan cara mengintegrasiannya edalam sebuah perangat luna SIG. Sistem ini mampu melauan analisis data esehatan dan demografi yang berbasis spatio-temporal dan menghasilan nowledge dalam bentu spatio-temporal association rule. Kata unci: association rule, spatio-temporal data mining, frequent predicate, T-Apriori* I. PENDAHULUAN Perembangan yang sangat cepat dalam bidang tenologi informasi, remote sensing dan SIG (Sistem Informasi Geografis) menyebaban data yang terait dengan geografis tumbuh dengan sangat cepat. Hal ini memunculan gagasan untu memanfaatan lebih lanjut data geografis yang sangat besar dan omples ini. Salah satu ajian penelitian yang terait dengan pemanfaatan data dengan volume besar adalah data mining. Data mining merupaan salah satu ajian penelitian yang relatif baru yang tujuan utamanya adalah untu menggali dan menemuan pengetahuan baru, valid dan bermanfaat dari sejumlah besar data (Han dan Kamber, 2006) Seiring dengan berembang pesatnya apliasi basisdata, obye data mining juga berembang untu menangani tipe data yang omples antara lain data spasial, data citra, data multimedia, dan data musi (Han dan Kamber, 2006). Hal ini memunculan cabang baru dari data mining, diantaranya adalah spatial data mining. Mengiuti definisi data mining, spatial data mining adalah penemuan pengetahuan dari sejumlah Maalah dipresentasian dalam dengan tema Matematia dan Pendidian Karater dalam Pembelajaran pada tanggal 3 Desember 2011 di Jurusan Pendidian Matematia FMIPA UNY

2 besar data spasial (Kopersi, 1999). Seiring dengan enyataan bahwa sebagian besar data dari fenomena geografis berubah dan bertambah berdasaran watu, maa spatiality dan temporality menjadi sangat penting untu mengerti proses dan ejadian geografis (Miller, 2004). Dari sini muncul istilah baru yaitu spatio-temporal data mining atau geographic-temporal (geo-spatio-temporal) data mining dalam ontes geografis. Salah satu tas yang sangat penting dalam data mining adalah association rule. Diusulan pertama ali oleh Agrawal (Agrawal d., 2003), tas ini digunaan untu analisis maret baset. Secara singat, tas ini dirumusan sebagai beriut: diberian himpunan transasi yang mana setiap transasi memuat himpunan item. Sebuah association rule dinyataan dengan impliasi X Y, (s%, c%)... (1) dengan X dan Y adalah himpunan item, s menyataan support dan c adalah confidence dari rule. Secara intuitif, mana dari rule ini adalah transasi-transasi yang berisi item X cenderung berisi item Y juga. Mesipun pada awalnya diembangan dan diapliasian secara luas pada data transasional, association rule dapat diapliasian pada domain apliasi yang lebih luas termasu apliasi baru yaitu data spasial dan temporal (Hsu d., 2008). Pengembangan algoritma-algoritma dalam lingup ini menjadi bidang riset yang sangat atif saat ini. Spatio-temporal association rule merupaan perluasan dari spatial association rule yang mana obye pencarian pola adalah data spatio-temporal. Data spatio-temporal menyimpan obye spasial dan perubahannya terhadap parameter watu. Spatio-temporal association rule terjadi jia terdapat relasi spatio-temporal pada bagian antecedent dan consequent dari sebuah rule (Mennis dan Liu, 2005). Dengan demiian, ita bisa melauan inferensi terhadap sebuah event spatio-temporal berdasaran event spatio-temporal yang lain. Rumusan Masalah Salah satu algoritma pencarian association rule yang paling banya digunaan adalah algoritma Apriori (Agarwal 93). Hal ini disebaban arena emudahan dan esederhanaan proses, mesipun terdapat permasalahan terait dengan volume data yang besar. Untu menangani endala watu, algoritma T-Apriori telah diembangan Yogyaarta, 3 Desember 2011 MA 78

3 oleh Liang d (2006). Aan tetapi, untu mendapatan association rule pada data spatio-temporal, algoritma ini tida bisa secara langsung digunaan, sehingga diperluan strategi husus untu menggunaannya. Strategi inilah yang aan dibahas dalam penelitian ini. Selanjutnya, algoritma ini aan digunaan untu mencari spatiotemporal association rule untu mendapatan pola eteraitan antara data esehatan dan demografi. Pemilihan asus uji didasaran pada ebutuhan aan pentingnya mengetahui hubungan (asosiasi) antara tingat epadatan pendududu, eberadaan sarana esehatan, dan jumlah penderita penyait di suatu wilayah. Tujuan dan Manfaat Tujuan utama penelitian ini adalah untu merumusan strategi berupa perluasan algoritma T-Apriori untu menduung proses spatio-temporal association rule mining, terutama dalam proses pembangitan frequent predicates dan emudian mengapliasian algoritma yang telah diembangan pada permasalahan riil yaitu pencarian spatio-temporal association rule pada data esehatan dan demografi. Salah satu peran penting spatial data mining adalah untu menduung proses pengambilan eputusan (decision support). Dengan ditemuannya association rule dengan penambahan dimensi watu, trend asosiasi antar obye spasial dapat diidentifiasi sehingga dapat lebih efetif dimanfaatan untu dasar pengambilan eputusan. II. METODE PENELITIAN Untu menjawab permasalahan di atas, prosedur (tahap-tahap) penelitian yang telah dilauan adalah: 1. Analisis permasalahan dan perumusan onsep-onsep baru yang diusulan. Tahap ini berisi perumusan onsep-onsep tentang spatio-temporal association rule mining termasu didalamnya prapemrosesan data dan menentuan tolo uur (parameter) penilaian inerja algoritma yang diembangan. 2. Pengembangan Algoritma Pada tahap ini, dilauan perluasan algoritma yang meliputi empat hal, yaitu: algoritma untu prapemrosesan data, algoritma pembangitan spatio-temporal frequent pattern dan association rule yang berbasis T-Apriori. Yogyaarta, 3 Desember 2011 MA 79

4 3. Penyiapan data Pemilihan studi asus ini dimasudan sebagai bahan uji coba algoritma yang telah diembangan dan memanfaatan tas-tas dalam data mining untu membantu menyelesaian permasalahan riil. Studi asus yang digunaan dalam penelitian ini adalah pencarian spatio-temporal association rule pada data demografi dan esehatan di salah satu Kab./Kota di Jawa Timur. Data demografi dan esehatan yang digunaan meliputi data pendudu setiap elurahan, data pusesmas, dan data jumlah penderita penyait demam berdarah untu setiap elurahan mulai tahun 2000 sampai dengan tahun Implementasi dan uji coba Pengujian secara empiris algoritma yang telah diembangan dilauan dengan implementasi algoritma tersebut untu asus tertentu dalam bentu Sistem Informasi Geografis (SIG). 5. Evaluasi hasil uji coba dan pengembangan lebih lanjut. Uji coba yang dilauan aan menghasilan dua hal poo yaitu pola association rule dan watu omputasi algoritma. III. HASIL PENELITIAN Hasil-hasil penelitian yang diuraian di sini meliputi perluasan onsep item, itemset, frequent pattern dan association rule dalam ontes spatio-temporal, algoritma pencarian spatio-temporal association rule, metode prapemrosesan data, dan pengujian empiris untu perangat luna yang diembangan. Item, Itemset, dan association rule dalam ontes spatio-temporal Untu mengestra spatio-temporal association rule pada himpunan data yang diberian, pertama ali harus didefinisian istilah items dan transasi (basets) dalam domain spatio-temporal. Dalam domain spatio-temporal, istilah item diperluas menjadi bentu relasi spasial yang memenuhi batasan temporal. Istilah itemsets dalam domain spatio-temporal adalah onjungsi prediat P 1 Λ P 2 Λ P 3 Λ... Λ P n yang di dalamnya memuat prediat/relasi spasial yang memenuhi batasan temporal. Setiap record dalam tabel transasi merepresentasian instans dari sebuah obye spasial (target feature type) pada batasan watu tertentu yang mana atribut-atributnya berupa prediat-prediat Yogyaarta, 3 Desember 2011 MA 80

5 spasial dan non-spasial. Relasi spasial dapat berupa relasi topologi (misalnya intersesi, overlap, disjoint, dan meet), relasi arah/orientasi (misalnya arah iri, arah barat, dan timur), dan relasi jara (misalnya jauh, deat, dan jara dengan nilai tertentu). Sedangan batasan temporal dapat berupa titi watu (time-stamp) dan interval. Beberapa contoh prediat terait dengan data spasial antara lain intersect(x, fasilitas_esehatan), deat(x,sungai), epadatan_pendudu(x,rendah), dan arah_iri(y, jalan). Support dari onjungsi P 1 Λ P 2 Λ P 3 Λ... Λ P n dalam suatu himpunan S, adalah jumlah obye-obye dalam S yang memenuhi P 1, P 2, P 3,... dan P n dibagi dengan jumlah obye dalam S pada batasan watu yang diberian. Sedangan confidence dari rule P Q dalam himpunan S, adalah jumlah obye yang memenuhi prediat-prediat dalam P dan Q dibagi dengan jumlah obye yang memenuhi P. Sebuah prediat tunggal disebut dengan 1-predicate. Konjungsi dari prediat tunggal disebut dengan - predicate. Sebuah onjungsi prediat P adalah frequent dalam himpunan S jia memenuhi threshold nilai support. Suatu spatio-temporal association rule diataan uat (strong) jia rule tersebut mempunyai nilai confidence lebih dari atau sama dengan threshold nilai confidence dan memenuhi batasan watu yang diberian. Berdasaran definisi dari association rule, pendefinisian spatio-temporal association rule dilauan dengan cara menambahan parameter temporal edalam spatial association rule, seperti yang sudah didefinisian sebelumnya (pers. 1). Terdapat dua cara untu merepresentasian parameter temporal, yaitu penambahan secara esplisit dan penambahan secara implisit. Pertama, penambahan watu secara esplisit dilauan dengan cara menambahan omponen watu pada setiap association rule yang didapatan apaah association rule itu berlau pada satu instan watu tertentu atau pada interval watu tertentu. Jia persamaan (1) diubah untu dapat mengaomodasi omponen temporal, didasari oleh rumusan dari Rainsford dan Roddic (1999), maa rumusan ini bisa dimodifiasi menjadi P 1 Λ P 2 Λ... Λ P n Q 1 Λ Q 2 Λ... Λ Q n (s, c) [t i ] (2) untu rule yang berlau pada titi watu t i, dan P 1 Λ P 2 Λ... Λ P n Q 1 Λ Q 2 Λ... Λ Q n (s, c) [t i, t j ] (3) Yogyaarta, 3 Desember 2011 MA 81

6 untu rule pada interval watu [t i, t j ], dengan syarat terdapat satu diantara P 1, P 2,...,P n, Q 1, Q 2,...,Q n memuat relasi spasial. s menyataan threshold nilai support dan c adalah threshold nilai confidence. Cara yang edua adalah dengan melauan prapemrosesan data untu mendapatan perubahan nilai suatu atribut untu interval watu tertentu yang emudian hasilnya aan dijadian sebagai input untu pencarian association rule. Penggunaan edua cara ini aan menyebaban metode prapemrosesan data dan pembangitan frequent itemset yang berbeda. Pada penelitian ini, representasi parameter temporal yang digunaan adalah cara yang pertama yaitu penambahan watu secara esplisit pada association rule yang dihasilan. Metodologi Spatio-temporal Association Rule Mining Sebagai sebuah tas yang berfungsi untu mendapatan pola dari data, aan lebih bermanfaat jia algoritma spatio-temporal association rule mining diintegrasian edalam sebuah perangat luna SIG. Aan tetapi, data yang aan ditangani tida bisa secara langsung digunaan oleh proses mining, arena algoritma data mining umumnya hanya bisa beerja pada satu tabel saja. Sedangan data yang dielola dalam SIG tersimpan dalam banya tabel pada sistem basisdata, sehingga diperluan beberapa proses tambahan untu mendapatan data yang tersimpan dalam sebuah strutur tabel yang siap digunaan oleh proses association rule mining. Karena itu, diperluan rumusan tentang strategi penerapan algoritma supaya proses spatio-temporal association rule mining dapat dilauan. Berdasaran pada metodologi spatial association rule mining yang diajuan oleh Kopersi (1999) dan Muhlash dan Sitohang (2007), pada penelitian ini diajuan metodologi association rule mining pada data spatio-temporal. Strategi umum yang digunaan untu mendapatan association rule pada data spatio-temporal dapat dideomposisi menjadi tiga langah beriut ini (lihat Gambar 1): 1. Prapemrosesan data yang bertujuan untu mendapatan item yang berupa prediat, dan transasi yang berupa himpunan onjungsi prediat dari spatiotemporal dataset. Langah ini sangat penting arena aan menghasilan onjungsi prediat yang disimpan dalam sebuah tabel yang memuat prediat/relasi spasial dan nonspasial dengan parameter watu yang diberian (timestamp atau interval). Yogyaarta, 3 Desember 2011 MA 82

7 2. Bangitan prediat yang frequent, yang bertujuan untu mendapatan semua onjungsi prediat yang memenuhi threshold minimum support dan batasan watu. 3. Bangitan spatio-temporal association rule, yang bertujuan untu mendapatan rule (dari frequent itemsets yang dihasilan dari langah sebelumnya) yang memenuhi threshold minimum confidence dan batasan watu. Spatio-tem poral Data Parameter spasial, non spasial, temporal Prapemro sesan Data Bangitan Prediat yg Frequent Bangitan Spatio- Temporal Ass.Rule USER Spatio-temporal Association Rule Gambar 1. Metodologi Spatio-temporal Association Rules Mining Algoritma T-Apriori* Sebagaimana dijelasan sebelumnya, beberapa penelitian telah dilauan untu mengembangan algoritma Apriori sehingga mampu menangani batasan watu. Salah satu algoritma pengembangan Apriori dilauan oleh Liang d. (2006) dan dinamaan dengan T-Apriori. Dalam T-Apriori, proses pembangitan frequent itemset sama dengan algoritma Apriori, dengan penambahan penanganan husus untu informasi watu. Selanjutnya, algoritma ini aan diembangan untu dapat menangani data spasial dan dinamaan dengan algoritma T-Apriori*. Pada algoritma ini, input adalah basisdata spatio-temporal dan minimum support minsup. Sedangan outputnya adalah himpunan frequent predicates yang dinyataan dengan U L. Langah pertama dari algoritma ini adalah mendapatan semua record dalam tabel hasil prapemrosesan data yang memenuhi batasan watu, dalam hal ini titi atau interval watu tertentu. Langah ini dilauan oleh fungsi Substract, yaitu fungsi yang menghasilan himpunan record yang memenuhi batasan watu. Selanjutnya, dilauan proses pencarian andidat frequentpredicates dengan memanggil fungsi Apriori_Gen. Setelah andidat didapatan, proses selanjutnya adalah mendapatan spatial frequent-predicates L, yaitu frequentpredicates L yang memuat relasi spasial. Yogyaarta, 3 Desember 2011 MA 83

8 Pada algoritma ini, c.count merepresentasian nilai support dari frequent predicates c. Fungsi Apriori_Gen adalah fungsi untu membangitan frequent predicates C. Input dari fungsi ini adalah L -1 yang merupaan (-1)-frequentpredicates dan outputnya adalah C. Dua proses utama dalam fungsi ini adalah join dan prune. Algoritma T-Apriori* Mining Spatio-Temporal Frequent Itemset dengan algoritma T-Apriori* Input: Basisdata Spatio-Temporal DB, minsup Output: Results= U L Procedure ST-Apriori (DB, minsup) (1) for all RecordSets do // RecordSet DB, himpunan record dengan informasi watu (2) Subtract(RecordSets) //Mengambil record-record yg memenuhi batasan watu (3) end (4) Predicates = TRecordSets without TRecordSets.time // Itemset hanya untu satu titi/interval watu saja // Lauan pencarian Candidate predicates (5) C 1 ={Candidate 1-Predicates}, L 1 ={c C 1 c.count minsup} (6) for (=2; L -1 Ø; ++) // sampai tida ada lagi frequent predicates yang // dibangitan (7) C =Apriori_Gen(L -1 ) // bangitan -item andidat frequent predicates (8) for all transaction t Predicates do begin (9) C t = subset(c, t) (10) for all Candidates c C t (11) c.count++ (12) end // dapatan support setiap candidate frequent predicates (13) L = { c C c.count minsup} and contain spatial relation } (14) Return L (15)end //procedure Fungsi Substract merupaan fungsi untu mendapatan semua record dalam tabel hasil prapemrosesan data yang memenuhi batasan watu. Selanjutnya, setelah spatiotemporal frequent-predicates didapatan, untu mendapatan spatio-temporal association rule dapat dilauan dengan memanggil algoritma Generate_Rule. Yogyaarta, 3 Desember 2011 MA 84

9 Algoritma Pembangitan Spatio-temporal Association Rule Input: U L Output: Himpunan Spatio-temporal Association Rule Procedure: (1) for all L, 2 (2) H 1 = {i i L } // 1-item bagian onseuen rule (3) call ap-genrules(l,h 1 ) (4) Uji rule yang memenuhi syarat spasial dan tambahan batasan temporal yang sesuai (5) end // procedure Prosedur ap-genrules merupaan algoritma pembangitan rule berbasis Apriori (Agrawal d., 1993). Pseudo code untu algoritma ini diuraian sebagai beriut: Procedure ap-genrules(l, H m ): (1) = L // jumlah frequent predicates (2) m = H m // jumlah rule consequent (3) if > m+1 then (4) H m+1 = apriori-gen(h m ) (5) for each h m+1 H m+1 z (6) conf = σ (L )/ σ ( L h m+1 ) (7) if conf minconf (8) output the rule (L h m+1 ) h m+1 (9) else (10) delete h m+1 from H m+1 (11) end (12) end (13) Call ap-gen(l, H m+1 ) (14)} // end procedure Hasil Pengujian Secara garis besar, pengujian ini bertujuan untu mengevaluasi apaah metode yang diembangan telah memenuhi riteria-riteria yang ditentuan atau tida. Selain itu, dilauan juga analisis terhadap association rule yang dihasilan. Evaluasi inerja algoritma diteanan pada analisis terhadap pola (pattern) yang dihasilan dari penerapan algoritma tersebut. Pengujian pertama dari rangaian pengujian ini adalah menguji sub-modul prapemrosesan data. Input dari proses ini adalah data spasial dan non-spasial yang terait dengan domain permasalahan dan disimpan dalam tabel-tabel. Hasil proses ini disimpan dalam sebuah tabel yang berisi himpunan predicates. Predicates yang dihasian memuat batasan temporal tahun dan relasi spasial (penderita_tetangga dan Yogyaarta, 3 Desember 2011 MA 85

10 fasilitas_esehatan). Salah satu contoh sebagian hasil prapemrosesan data dapat dilihat pada Gambar 2. Gambar 2. Contoh hasil prapemrosesan data Setelah hasil prapemrosesan data diperoleh, langah beriutnya adalah mencari frequent predicates dan spatio-temporal association rule berdasaran nilai threshold support dan confidence. Pada uji coba ini, metode evaluasi terhadap spatio-temporal association rule yang dihasilan adalah objective interestingness measure dengan menggunaan sebuah metri penguuran yang disebut dengan lift. Nilai lift dan hubungannya dengan orelasi antar predicates yang menduungnya. Dari hasil uji coba, beberapa pola spatio-temporal association rule yang dapat ditemuan antara lain: Kepadatan rendah penderita rendah [2000], (C = 0.71, Lift = 1.246) Kepadatan rendah penderita rendah [2003], (C = 0.82, Lift = 1.281) Kepadatan rendah penderita rendah [2000, 2003], (C = 0.71, Lift = 1.183) Fases ada penderita rendah [2001], (C = 0.64, Lift = 1.488) Fases ada AND Kepadatan rendah Tetangga sedang AND Penderita Rendah [2003], (C = 0.67, Lift = 1.914) Berdasaran beberapa contoh association rule yang didapatan ini, dapat disimpulan bahwa terdapat asosiasi yang positif antara wilayah dengan epadatan rendah dan jumlah penderita yang rendah. Hal ini dibutian dengan munculnya association rule ini di setiap batasan watu yang ada, bai titi watu maupun interval. Selain itu, terdapat asosiasi yang positif antara tersedianya fasilitas esehatan di suatu wilayah dengan jumlah penderita yang rendah, dan antara tersedianya fasilitas esehatan di suatu wilayah dan mempunyai epadatan rendah dengan jumlah penderita yang rendah dan jumlah penderita yang bernilai sedang di wilayah-wilayah tetangganya. Yogyaarta, 3 Desember 2011 MA 86

11 IV. SIMPULAN DAN SARAN Dari uraian di atas dapat disimpulan bahwa sistem yang diembangan mampu mendapatan spatio-temporal association rule dari data yang diberian. Dari hasil ujicoba didapatan bahwa terdapat asosiasi yang uat antara wilayah dengan epadatan rendah dan jumlah penderita yang rendah, antara tersedianya fasilitas esehatan di suatu wilayah dengan jumlah penderita yang rendah, antara tersedianya fasilitas esehatan di suatu wilayah dan mempunyai epadatan rendah dengan jumlah penderita yang rendah dan jumlah penderita yang bernilai sedang di wilayah-wilayah tetangganya. V. DAFTAR PUSTAKA 1. Agrawal, R., Imielinsi, T., dan Swami, A. (1993): Mining Assosiation Rules between Sets of Items in Large Databases, Proceedings of the 1993 ACM SIGMOD Conference Washington DC, USA, Liang, Z., Xinming, T., Lina, L., dan Wenliang, J. (2006): Temporal Association Rule Mining Based On T-Apriori Algorithm and Its Typical Applications, Proceedings of International Symposium on Spatio-Temporal Modeling, Spatial Reasoning, Analysis, Data Mining and Data Fusion Kopersi, K. dan Han, J. (1995): Discovery of Spatial Assosiation Rules in Geographic Information Databases, in Advances in Spatial Databases, Proc. Of 4th Symp. SSD 95, Springer Verlag, Berlin, Han, J. dan Kamber, M. (2006): Data Mining: Concepts and Techniques, 2 nd edition, Morgan Kauffmann Publisher. 5. Hsu, W., Lee, M.L., dan Wang, J., (2008): Temporal and Spatio-Temporal Data Mining, IGI Publishing. 6. Mennis, J. dan Liu, J. (2005): Mining Asosiation Rules in Spatio-Temporal Data: An Analysis of Urban Socioeconomic and Land Cover Change, Transactions in GIS, 9(1), Miller, H.J. (2004): Geographic Data Mining and Knowledge Discovery, in J. P. Wilson and A. S. Fotheringham (eds.) Handboo of Geographic Information Science. 8. Muhlash, I. dan Sitohang, B. (2007) Spatial Data Preprocessing for Mining Spatial Association Rule with Conventional Association Mining Algorithms, Proceedings ICEEI2007, STEI-ITB. 9. Rainsford, C.P. dan Roddic, J.F. (1999): Adding Temporal Semantic to Association Rules, Proceedings of 3rd International Conference KSS Springer, ooo- Yogyaarta, 3 Desember 2011 MA 87