PREDIKSI KEBOHONGAN MANUSIA MELALUI WAJAH DAN GERAK TUBUH MENGGUNAKAN METODE ROUGH SET (STUDI KASUS POLDA SUMUT) Reki Tasya, Efori Buulolo, Permanan Ginting M STMIK Budi Darma, Medan, Indonesia Jl. Sisingamangaraja No. 338 Medan ABSTRAK Manusia sering melakukan kebohongan, namun banyak manusia yang tidak menyadari bahwa seseorang atau lawan bicaranya sedang berkata bohong, sehingga lawan bicara meyakinkan bahwa yang dikatakannya benar. Alasan manusia melakukan kebohongan salah satunya adalah untuk menyelamatkan diri dari situasi yang sulit atau dalam situasi terjepit. Data Mining telah berkembang pesat dan menambah nilai suatu informasi yang tersimpan dalam database. Salah satu algoritma data mining yang cukup sederhana adalah Rough Set. Prediksi kebohongan manusia melalui mimik wajah dan gerak tubuh dapat dilakukan dengan menggunakan metode Rough Set. Aspek atau attribut yang dinilai dengan menggunakan metode Rough Set terdiri dari: Senyum, Wajah, Dahi, Kaki. Manfaat yang diperoleh adalah dapat mengetahui mimik wajah dan gerak tubuh manusia saat orang tersebut berbohong ketika melakukan interview. Sebagai ilmu pembelajaran untuk manusia dalam menyikapi percakapan. Kata kunci: Prediksi, Kebohongan, Data Mining, Rough Set I. PENDAHULUAN Prediksi adalah sama dengan ramalan atau perkiraan, menurut kamus besar bahasa indonesia, prediksi itu adalah hasil dari kegiatan memprediksi atau meramal atau memperkirakan. Prediksi bisa berdasarkan metode ilmiah ataupun subjektif belaka. Prediksi dalam metode ilmiah atau proses ilmiah merupakan proses keilmuan untuk memperoleh pengetahuan secara sistematis berdasarkan bukti fisik. Ilmuan melakukan pengamatan serta membentuk fenomena alam. Prediksi yang dibuat berdasarkan hipotesis tersebut diuji dengan melakukan eksperimen. Jika suatu hipotesis lolos uji berkali-kali, hipotesis tersebut dapat menjadi suatu teori ilmiah. Data Mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan dalam database. Data Mining Rough Set tetap dapat menggali pengetahuan di dalam sebuah database walaupun data tersebut tidaklah lengkap. Ada dua langkah yang diambil dalam menangani data yang tidak lengkap, pertama data tidak lengkap dibiarkan sehingga pada tabel keputusan hanya rule yang terisi yang mempengaruhi keputusan akhir sedangkan langkah kedua adalah data yang kosong dicari nilai terendah atau tertinggi yang ditentukan dari tabel keputusan. Adapun algoritma mengimplementasikan Data Mining. Salah satu algoritma yang cukup sederhana untuk di implementasikan adalah algoritma Rough Set. Rough Set merupakan teknik matematika yang efisien untuk Knowledge Discovery in Database (KDD) dalam tahapan proses dan Data Mining. Rough Set merupakan suatu metode terbaru pada Data Mining yang dapat memecahkan permasalahan dalam pengontrolan perhitungan, prediksi kebohongan manusia dengan cepat dan optimal untuk mendapatkan rule-rule yang singkat dan tepat dari suatu tabel. Manusia sering melakukan kebohongan, namun banyak manusia yang tidak menyadari bahwa seseorang atau lawan bicaranya sedang berkata bohong, sehingga lawan bicara meyakinkan bahwa yang dikatakannya benar. Alasan manusia melakukan kebohongan salah satunya adalah untuk menyelamatkan diri dari situasi yang sulit atau dalam situasi terjepit. Aspek atau attribut yang dinilai dengan menggunakan metode Rough Set terdiri dari: Senyum, Wajah, Dahi, Kaki. II. TEORITIS A. Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (Machine Learning) untuk menganalisis dan mengekstraksi pengetahuan (Knowledge) secara otomatis. Defenisi lain antaranya adalah pembelajaran berbasis induksi (Induction-Based Learning) adalah pembentukan defenisi- defenisi konsep umum yang dilakukan dengan cara mengobservasi contoh-contoh spesifik dari konsep-konsep yang akan dipelajari[1]. Data mining berisi pencarian tren atau pola yang diinginkan dalam database besar untuk membantu pengambilan keputusan di waktu yang akan datang. Pola-pola ini dikenali oleh perangkat tertentu yang dapat memberikan suatu analisa data yang berguna danberwawasan yang kemudian dapat dipelajari dengan lebih teliti. B. Karakteristik Data Mining Data Mining memiliki karakteristik sebagai berikut [2]: 1. Data Mining berhubungan dengan penemuan suatu yang tersembunyi dan pola data tertentu yang tidak diketahui sebelumnya. 2. Data Mining biasanya menggunakan data yang sangat besar. Biasanya data yang besar digunakan untuk membuat hasil lebih dipercaya. 3. Association rule mining adalah teknik mining untuk menemukan aturan assosiatif antara suatu kombinasi item. 227
4. Classification adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. 5. Decision Tree adalah salah satu metode Classification yang paling populer kerena mudah untuk diinterprestasi oleh manusia. Setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. 6. Clustering, Clustering melakukan pengelompokan data tanpa berdasarkan kelas data tertentu bahkan Clustering dapat dipakai untuk memberikan label pada kelas data yang belum diketahui. Karena itu Clustering dering digolongkan sebagai metode Unsupervised Learning. 7. Neural Network, jaringan syaraf buatan yang terlatih dapat dianggap sebagai pakar dalam kategori informasi yang akan dianalisis. Pakar ini dapat digunakan untuk memproyeksi situasi baru dari ketertarikan informasi. C. Pengelompokan Data Mining Menurut Larose dalam bukunya yang berjudul Discovery Knlowledge in Data: An Introduction to Data Mining: data mining dibagi menjadi beberapa kelompok berdasarkan tugas atau pekerjaan yang dapat dilakukan,yaitu [3]: 1. Deskripsi Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Deskripsi dari pola kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan. 2. Estimasi Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih ke arah numerik dari pada ke arah kategori. Model dibangun menggunakan baris data (record) lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi. 3. Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi. 4. Klasifikasi Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah. 5. Pengklasteran (Clusterring) Pengklasteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas obyek-obyek yang memiliki kemiripan. Klaster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan record dalam klaster yang lain. Berbeda dengan klasifikasi, pada pengklasteran tidak ada variabel target. Pengklasteran tidak melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target, akan tetapi, algoritma pengklasteran mencoba untuk melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok lain akan bernilai minimal. 6. Asosiasi Tugas asosiasi dalam data mining adalah untuk menemukan atribut yang muncul dalam satu waktu. Salah satuimplementasi dari asosiasi adalah market basket analysis atau analisis keranjang belanja, sebagaimana yang akan dibahas dalam tesis ini. D. Tahap-Tahap Metode Rough Set Adapun tahapan didalam penggunaan Metode Rough Set sebagai berikut[4]: 1. Data Selection (Pemilihan data yang akan digunakan). 2. Pembentukan Decision System berisikan atribut kondisi dan atribut keputusan. Decisio System adalah informasi sistem dengan attribut tambahan yang digunakan dengan Decision Attribute, dalam Data Mining dikenal dengan nama Class atau Target. Attribut ini yang menpresentasikan hasil dari klasifikasi yang diketahui dengan rumus: Ds=(U{A,C}) U={X1,X2,...Xm} menerapkan sekumpulan Example A={A1,A2,...An} attribut kondisi C= Decision atribut 3. Pembentukan Equivalence Class yaitu dengan menghilangkan data yang berulang untuk atribut A (U,A) 4. Pembentukan Dicernibility Matrix Modulo D, yaitu matriks yang berisikan perbandingan antara data yang bebeda atribut kondisi dan atribut keputusan. 5. Menghasilkan Reduct dengan menggunakan aljabar boolean. 6. Menghasilkan rule (pengetahuan). III. ANALISA DAN PEMBAHASAN Kebohongan sudah menjadi kebiasaan bagi manusia untuk melindungi dirinya dari suatu masalah. Orang yang biasakan dirinya berbohong akan merasa cemas saat berbicara. Namun, tidak sedikit pula manusia yang berkata jujur, karena dengan berkata jujur manusia akan lebih di dihargai dan dipercaya. Di dalam Polda seseorang tahanan akan di introgasi dengan beberapa pertanyaan. mimik wajah dan gerak tubuh menjadi bukti seorang tahanan bohong atau jujur. Dalam penelitian ini penulis memprediksi seseorang 228
sedang berkata jujur atau bohong. Dengan studi kasus di Polda Sumatera Utara data yang digunakan adalah data tahanan pada tahun 2014-2016. Rough Set adalah sebuah set data di impresentasikan sebagai sebuah tabel, dimana baris dalam tabel merepresentasikan objek dan kolom-kolom merepresentasikan attribut dari objek-objek tersebut. Adapun tahapan didalam penggunaan Metode Rough Set sebagai berikut: 1. Data Selection Tabel 1. Data Selection No Nama Senyum Wajah Dahi Kaki 1 D S Lepas Menatap Normal Diam 2 K K Terpaksa Menoleh Mengkerut Bergerak 3 I Y Terpaksa Menoleh Mengkerut Diam 4 S N Lepas Menoleh Normal Gerak 5 J Terpaksa Menatap Normal Bergerak 6 D Lepas Menatap Normal Diam 7 A A Terpaksa Menatap Normal Gerak 8 K S Lepas Menatap Mengkerut Gerak 9 I S Lepas Menatap Normal Diam 10 S S H Terpaksa Menatap Normal Bergerak 11 S D Terpaksa Menatap Normal Diam 12 S S Lepas Menatap Mengkerut Bergerak 13 A M Terpaksa Menoleh Mengkerut Diam 14 P S Terpaksa Menatap Mengkerut Diam 15 M L Terpaksa Menatap Normal Bergerak 16 S M S Lepas Menatap Normal Diam 17 H W Terpaksa Menoleh Mengkerut Bergerak 18 A W Lepas Menoleh Mengkerut Diam 19 M R Lepas Menatap Mengkerut Bergerak 20 S H R Terpaksa Menoleh Mengkerut Diam 2. Pembentukan Decision System Pembentukan Decision System berisikan atribut kondisi dan atribut keputusan. Decision System adalah informasi sistem dengan attribut tambahan yang digunakan dengan Decision Attribute, dalam Data Mining dikenal dengan nama Class atau Target. Adapun Decision System yang dapat dillihat pada tabel 2 dengan data sebanyak 20 data. Tabel 2. Decision System Nama Senyum Wajah Dahi Kaki Keputusan D S Lepas Menatap Normal Diam Jujur K K Terpaksa Menoleh Mengkerut Bergerak Bohong I Y Terpaksa Menoleh Mengkerut Diam Bohong S N Lepas Menoleh Normal Gerak Jujur J Terpaksa Menatap Normal Bergerak Bohong D Lepas Menatap Normal Diam Jujur A A Terpaksa Menatap Normal Gerak Jujur K S Lepas Menatap Mengkerut Gerak Bohong I S Lepas Menatap Normal Diam Jujur S S H Terpaksa Menatap Normal Bergerak Jujur S D Terpaksa Menatap Normal Diam Jujur S S Lepas Menatap Mengkerut Bergerak Bohong A M Terpaksa Menoleh Mengkerut Diam Bohong P S Terpaksa Menatap Mengkerut Diam Bohong M L Terpaksa Menatap Normal Bergerak Jujur S M S Lepas Menatap Normal Diam Jujur Nama Senyum Wajah Dahi Kaki Keputusan H W Terpaksa Menoleh Mengkerut Bergerak Bohong A W Lepas Menoleh Mengkerut Diam Bohong M R Lepas Menatap Mengkerut Bergerak Bohong S H R Terpaksa Menoleh Mengkerut Diam Bohong 3. Pembentukan Equivalence Class Pembentukan Equivalence Class yaitu dengan menghilangkan data yang berulang untuk atribut A (U,A). Sebelum melakukan pembentukan Equivalen Class, maka langkah pertama adalah melakukan transformasi kembali kepada atribut A (Senyum), B (Wajah), C (Dahi), D (Kaki). Tabel 3. Equivalence Class No Senyum Wajah Dahi Kaki Keputusan 1 Lepas Menatap Normal Diam Jujur 2 Terpaksa Menoleh Mengkerut Bergerak Bohong 3 Terpaksa Menoleh Mengkerut Diam Bohong 4 Lepas Menoleh Normal Diam Jujur 5 Terpaksa Menatap Normal Bergerak Jujur or bohong 6 Lepas Menatap Mengkerut Bergerak Bohong 7 Terpaksa Menatap Normal Diam Jujur 8 Terpaksa Menatap Mengkerut Diam Bohong 9 Lepas Menoleh Mengkerut Diam Bohong 4. Pembentukan Dicernability Matrix Modul D Pembentukan Dicernibility Matrix Modulo D, yaitu matriks yang berisikan perbandingan antara data yang bebeda atribut kondisi dan atribut keputusan. Dengan data atribut kondisi yang berbeda, tetapi atribut keputusannya sama tetap dianggap sama. Adapun Dicernibility Matrix Modul D dapat dilihat pada tabel 4. Adapun hasil dari Decernibility Matrix Modul D sebagai berikut: Tabel 4. Dicernibility Matrix Modul D Ec1 Ec2 Ec3 Ec4 Ec5 Ec6 Ec7 Ec8 Ec9 Ec1 X ABCD ABC X AD CD X AC BC Ec2 ABCD X X AC BC X BCD X X Ec3 ABC X X ACD BCD X BC X X Ec4 X AC ACD X AB BC X ABCD CD Ec5 AD BC BCD AB X A D CD ABC D Ec6 CD X X BC A X ACD X X Ec7 X BCD BC X D ACD X C ABC Ec8 AC X X ABCD CD X C X X Ec9 BC X X CD ABCD X ABC X X 5. Menghasilkan Reduct dengan menggunakan Aljabar Boolean Adapun Reduct yang dihasilkan dapat dilihat pada tabel 5. Tabel 5. Reduct yang dihasilkan 229
Class CNF of Boolean Function Ec1 Ec2 Ec3 Ec4 Ec5 Ec6 Ec7 Ec8 Ec9 (A+B+C+D)*(A+B+C)* (A+D)*(A+C)*(B+C) (A+B+C+D)*(A+C)* (B+C)*(B+C+D) (A+B+C)*(A+C+D)* (B+C+D)*(B+C) (A+C)*(A+C+D)*(A+B) *(B+C)*(A+B+C+D)* (C+D) (A+D)*(B+C)*(B+C+D)* (A+B)*A*D*(C+D)* (A+B+C+D) (C+D)*(B+C)*A* (A+C+D) (B+C+D)*(B+C)*D* (A+C+D)*C*(A+B+C) (A+C)*(A+B+C+D)* (C+D)*C (B+C)*(C+D)* (A+B+C+D)*(A+B+C) Orime Inplicant AC ABD CD AB ACD BC BD BCD ABC Reducts {A,C} {A,B,D} {C,D} {A,B} {A,C,D} {B,C} {B,D} {B,C,D} {A,B,C} 7. Menghasilkan Rule Adapun rule yang dihasilkan berdasarkan reduct terdiri dari kombinasi atribut sebagai berikut: 1. {A,C}= Senyum, Dahi 2. {A,B,D}= Senyum, Wajah, Kaki 3. {C,D}= Dahi, Kaki 4. {A,B}= Senyum, Wajah 5. {A,C,D}= Senyum, Dahi, Kaki 6. {B,C}= Wajah, Dahi 7. {B,D}= Wajah, Kaki 8. {B,C,D}= Wajah, Dahi, Kaki 9. {A,B,C}= Senyum, Wajah, Dahi Sehingga rule yang dihasilkan adalah berdasarkan pada equivalance class dengan membandingkan dengan kombinasi atribut yang ada, sehingga diperoleh hasil sebagai berikut: 1. If Senyum (Lepas) AND Dahi (Normal) then 2. If Senyum (Lepas) AND Wajah (Menatap) AND Kaki (Diam) then 3. If Senyum (Lepas) AND Wajah (Menoleh) AND Kaki (Bergerak) then 4. If Senyum (Terpaksa) AND Wajah (Menatap) AND 5. If Senyum (Lepas) AND Wajah (Menatap) AND 6. If Dahi (Normal) AND Kaki (Diam) then 7. If Senyum (Terpaksa) AND Wajah (Menoleh) then Income (Bohong) 8. If Senyum (Terpaksa) AND Dahi (Mengkerut) AND Kaki (Bergerak) then Income (Bohong) 9. If Senyum (Terpaksa) AND Dahi (Normal) AND 10. If Senyum (Lepas) AND Dahi (Mengkerut) AND 11. If Senyum (Lepas) AND Dahi (Mengkerut) AND Kaki (Diam) then Income (Bohong) 12. If Wajah (Menoleh) AND Dahi (Mengkerut) then Income (Bohong)13. If Wajah (Menoleh) AND Dahi (Normal) then 14. If Wajah (Menoleh) AND Kaki (Diam) then Income (Bohong) 15. If Wajah (Menatap) AND Dahi (Normal) AND 16. If Wajah (Menatap) AND Dahi (Mengkerut) AND 17. If Wajah (Menatap) AND Dahi (Mengkerut) AND Kaki (Diam) then 18. If Senyum (Lepas) AND Wajah (Menatap) AND Dahi (Mengkerut) then Income (Bohong) OR 19. If Senyum (Terpaksa) AND Wajah (Menatap) AND Dahi (Mengkerut) then IV. IMPLEMENTASI Data tahanan yang diinput dari Database telah selesai. Maka hasil rule yang dihasilkan oleh form generation rule adalah sebagai berikut: Gambar 1. Form Generation Rule Dalam percobaan menggunakan Rosetta ini menghasilkan output berupa rule-rule, berikut hasil rule output-nya: 1. Senyum(Lepas) AND Dahi(Normal) => 2. Senyum(Lepas) AND Wajah(Menatap) AND Kaki(Diam) => 230
3. Senyum(Lepas) AND Wajah(Menoleh) AND Kaki(Bergerak) => 4. Senyum(Terpaksa) AND Wajah(Menatap) AND 5. Senyum(Lepas) AND Wajah(Menatap) AND 6. Dahi(Normal) AND Kaki(Diam) => 7. Senyum(Terpaksa) AND Wajah(Menoleh) => 8. Senyum(Terpaksa) AND Dahi(Mengkerut) AND Kaki(Bergerak) => 9. Senyum(Terpaksa) AND Dahi(Normal) AND 10. Senyum(Lepas) AND Dahi(Mengkerut) AND 11. Senyum(Lepas) AND Dahi(Mengkerut) AND Kaki(Diam) => 12. Wajah(Menoleh) AND Dahi(Mengkerut) => 13. Wajah(Menoleh) AND Dahi(Normal) => 14. Wajah(Menoleh) AND Kaki(Diam) => 15. Wajah(Menatap) AND Dahi(Normal) AND 16. Wajah(Menatap) AND Dahi(Mengkerut) AND 17. Wajah(Menatap) AND Dahi(Mengkerut) AND Kaki(Diam) => 18. Senyum(Lepas) AND Wajah(Menatap) AND Dahi(Mengkerut) => OR 19. Senyum(Terpaksa) AND Wajah(Menatap) AND Dahi(Mengkerut) => Pinjaman, Template Artikel Seminar Prosiding SENATKOM 2015, no. 2460-4690, 2015. [3] E. Buulolo, Implementasi Algoritma Aptiori pada Sistem Persediaan Obat (Studi Kasus Rumah Sakit Estomihi Medan), Pelita Informatika Budi Darma,Vol. IV, No.2301-9425, 2013 [4] H. Dedy Hertama, Analisa Kinerja Dosen STMIK IBBI dengan Menggunakan Metode Rough Set, Seminar Nasional Teknologi Informasi dan Multimedia 2016, no. 2302-3805, pp. 49-54, 2016. [5] E. Buulolo, N. Silalahi, Fadlina, and R. Rahim, C4.5 Algorithm To Predict the Impact of the Earthquake, Int. J. Eng. Res. Technol., vol. 6, no. 2, 2017. [6] H. Widayu, S. D. Nasution, N. Silalahi, and M. Mesran, DATA MINING UNTUK MEMPREDIKSI JENIS TRANSAKSI NASABAH PADA KOPERASI SIMPAN PINJAM DENGAN ALGORITMA C4.5, MEDIA Inform. BUDIDARMA, vol. 1, no. 2, Jun. 2017. [7] E. Buulolo, ALGORITMA APRIORI PADA DATA PENJUALAN DI SUPERMARKET, in Seminar Nasional Inovasi dan Teknologi Informasi 2015 (SNITI), 2015, no. September 2015, pp. 4 7. [8] L. Marlina, M. Muslim, and A. P. U. Siahaan, Data Mining Classification Comparison ( Naïve Bayes and C4. 5 Algorithms ), Int. J. Eng. Trends Technol., vol. 38, no. 7, pp. 380 383, 2016. [9] W. Fitriani and A. P. U. Siahaan, Comparison Between WEKA and Salford System in Data Mining Software, Int. J. Mob. Comput. Appl., vol. 3, no. 4, pp. 1 4, 2016. V. KESIMPULAN Kesimpulan yang dapat diambil setelah melakukan penelitian, maka penulis mengambil kesimpulan sebagai berikut: 1. Penggunaan metode Rough Set dapat memprediksi kebohongan manusia melalui wajah dan gerak tubuh. 2. Memprediksi kebohongan manusia melalui wajah dan gerak tubuh bisa dilakukan dengan menggunakan Aplikasi Rosetta 3. Hasil dari pengujian dengan menggunakan Aplikasi Rosetta adalah berupa rule yang terdapat pada Form Generation Rule. REFERENCES [1] F. A. Hermawati, Data Mining, Yogyakarta: Penerbit ANDI, 2013. [2] C. I. E. J. Dahlan Abdullah, Implementasi Metode Rough SetT untuk Menentukan data Nasabah Potensial Mendapatkan 231