METODE ROUGH SET UNTUK MEMILIH TIPE RUMAH IDAMAN SESUAI SELERA KONSUMEN PADA PT. RIZKI PRATIWI MULYA Yanti Yusman 1 ABSTRACT In the process of research to see which type of housing most in demand according to consumer taste 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. In doing so it becomes search process knowledge (knowledge) new, and then the Rough Sets method can be applied to the classification of behavioral different types of dream home according to consumer tastes. Keywords : Data Mining, Rough Sets, type of dream home. INTISARI Dalam proses penelitian untuk melihat tipe perumahan yang paling diminati sesuai dengan selera konsumen 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. Dalam melakukan proses pencarian sehingga menjadi sebuah pengetahuan (knowledge) yang baru, maka metode Rough Set dapat diterapkan untuk klasifikasi perbedaan tipe rumah idaman sesuai selera konsumen. Kata Kunci :: Data Mining, Rough Set, tipe rumah idaman. 1 Dosen Program Studi Sistem Informasi Dharma Andalas Padang
PENDAHULUAN Seiring bertambah pesatnya jumlah pertumbuhan penduduk, menjadi salah satu kebutuhan yang wajib bagi para konsumen untuk menyediakan tempat tinggal yang layak. Kota Padang merupakan Ibukota Provinsi Sumatera Barat yang memiliki jumlah penduduk sebanyak 1.000.096 jiwa, sehingga kebutuhan akan tempat tinggal semakin meningkat. Ini merupakan peluang emas bagi developer untuk mengembangkan usahanya, namun developer juga sulit menentukan tipe rumah idaman sesuai dengan selera konsumen. Penelitian ini ditujukan untuk menyelesaikan permasalahan tersebut, yaitu dengan membuat sistem cerdas yang mampu melihat tipe rumah idaman sesuai dengan selera konsumen dan memberikan kepuasan untuk konsumen dalam memilih tempat tinggal mereka dengan menggunakan 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 yang saya gunakan adalah Rough Set. Dengan Rough Set saya mencoba untuk membandingkan setiap parameter yang ada. Sumber pengambilannya berasal dari jumlah konsumen yang berminat membeli rumah pada PT. Rizki Pratiwi Mulya. Setelah mendapatkan hasil berdasarkan jumlah konsumen maka parameter-parameter tersebut dapat diketahui karakteristik dari setiap konsumen-konsumen yang menjadi pembeli. Berdasarkan latar belakang di atas, maka dirumuskan permasalahannya sebagai berikut, Bagaimana menerapkan metode Rough Set untuk melihat tipe rumah idaman sesuai dengan selera konsumen dan Bagaimana menganalisa karakteristik tipe rumah idaman konsumen, sehingga dapat menjadi jalan untuk mensukseskan usaha perumahan pada PT. Rizki Pratiwi Mulya. Ini bertujuan untuk memecahkan permasalahan yang telah dirumuskan di atas yaitu, Memahami setiap karakteristik tipe rumah idaman tersebut, membangun sebuah rule atau aturan Data Mining sesuai dengan parameterparameternya, merancang Metode Rough Set untuk melihat tipe rumah idaman sesuai dengan selera konsumen, menguji Decision System tersebut untuk mendapatkan pengetahuan baru dari proses ekstraksi menggunakan Tools yang ada. Manfaat yang diharapkan dengan menggunakan Metode Rough Set ini adalah agar dapat memudahkan untuk memahami bagaimana selera konsumen dalam menentukan tipe rumah idaman, sehingga menjadi peluang yang bagus bagi developer dalam mensukseskan usaha mereka. PENDEKATAN PEMECAHAN MASALAH 1 Data mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (mechine learning) untuk menganalisis data dan mengekstraksi pengetahuan (knowledge) secara otomatis (Fajar Astuti Hermawati, 2013). 2 Data mining merupakan bagian dari proses yang disebut penemuan KDDpengetahuan dalam database. Proses ini pada dasarnya terdiri langkah-langkah yang dilakukan sebelum melakukan data mining, seperti pemilihan data, pembersihan data, pra-
Input pengolahan, dan transformasi data (Nasereddin, 2009). Proses Gambar 1: Tahapan KDD Informas i Pengetahuan (Knowledge Gambar 2: Langkah-Langkah Untuk Melakukan Data Mining Data adalah segala fakta, angka, atau teks yang dapat diproses oleh komputer. Saat ini akumulasi pertumbuhan jumlah data berjalan dengan cepat dalam format dan basis data yang berbeda (Eko Prasetyo, 2012). Obadi, et al. (2010) mengatakan bahwa Rough set dikembangkan oleh Zdizslaw Pawlak yang dapat digunakan sebagai alat matematikal untuk menangani ketidak jelasan dan ketidak pastian. Dan telah berhasil diterapkan dalam berbagai tugas, seperti fitur seleksi / ekstraksi, sintesis aturan dan klasifikasi, penemuan pengetahuan dan lainlain. Toleransi Model Rough set mempekerjakan relation toleransi bukan sebuah eqivalence hubungan dalam model Rough set original. METEDEOLOGI PENELITIAN Analisa Dan Perancangan Untuk penyelesaian dengan menggunakan metode Rough Set dilakukan dengan beberapa langkah; a. Information Systems (IS) Dalam roughset, sebuah set data direpresentasikan sebagai sebuah tabel, di mana baris dalam tabel merepresentasikan objek dan kolom- kolom merepresentasikan atribut dari objek-objek tersebut.tabel tersebut disebut dengan information system yang dapat digambarkan sebagai: IS = {U,A} Di mana U adalah set terhingga yang tidak kosong dari objek yang disebut dengan universe dan A set terhingga tidak kosong dari atribut di mana: Untuk tiap Set Va disebut value set dari a. U={e1, e2,, em} merupakan sekumpulan example dan A={a1, a2,, an} yang merupakan attribute kondisi secara berurutan. Sebuah Information Systems yang sederhana diberikan dalam tabel 1 : Tabel 1. Information Systems
Tabel 1 memperlihatkan sebuah Information Systems yang sederhana. Dalam Information System, tiap-tiap baris merepresentasikan objek sedangkan column merepresentasikan attribute. Hanya terdiri dari m objek, seperti E1, E2,, Em, dan Tipe, Lokasi, Fasilitas (lantai, kamar, dapur, dan WC), Kelebihan Tanah, dan Harga Standar Sesuai Tipe (Diluar Kelebihan Tanah). b. Decision System (DS) Dalam penggunaan information system, terdapat outcome dari klasifikasi yang telah diketahui yang disebut dengan atribut keputusan. Information system tersebut disebut dengan Decision system. Decision system dapat digambarkan sebagai IS=(U,{A,C}) Di mana : U = {x1, x2,..., xm} yang merupakan sekumpulan example. A = {a, a2,..., an} yang merupakan sekumpulan attribute kondisi secara berurutan atau atribute, seperti Tipe, Lokasi, Fasilitas (lantai, kamar, dapur, dan WC), Kelebihan Tanah, Harga Standar Sesuai Tipe (Diluar Kelebihan Tanah)dan Idaman. C = Decision attributes (keputusan).decision Systems (DS) yang sederhana diperlihatkan pada tabel 2 Tabel 2. Decision Systems (DS) Dalam Tabel 2, n-1 attribute Tipe, Lokasi, Fasilitas (lantai, kamar, dapur, dan WC), Kelebihan Tanah, Harga Standar Sesuai Tipe (Diluar Kelebihan Tanah) adalah attribute kondisi sedangkan Idaman adalah decision attribute. c. Equivalence Class Equivalence class adalah
mengelompokan objek- objek yang sama untuk attribute A (U, A). Diberikan Decision Systems pada tabel 2, kita dapat memperoleh equivalence class (EC1-EC6) seperti digambarkan pada tabel 3 Tabel 3. Proses Equivalence Class d. 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 berbeda antara objek Xi dan Xj. Tabel 3 memperlihatkan discerniblity matrix dari tabel 4 Tabel 4. Acuan Discernibility Matrix atau Discernibility Matrix Modulo D Untuk mendapatkan nilai Discernibility Matrix-nya yaitu dengan mengklasifikasikan atribut yang berbeda antara objek ke-i dan objek ke-j (yang dilihat hanya atribut kondisi saja). Berdasarkan data di atas maka berikut ini adalah Discernibility Matrix-nya : Tabel 5. Hasil Discernibility Matrix Selain itu juga dapat menggunakan Discernibility Matrix Modulo D. Discernibility Matrix Modulo D ini merupakan sekumpulan
atribut yang berbeda antara objek ke-i dan objek ke-j beserta dengan atribut hasilnya seperti terlihat pada tabel di bawah ini. Tabel 6. Discernibility Matrix Modulo D e. Reduction Adapun penulis menggunakan Discernibility Matrix sebagai acuan untuk melakukan proses Reduction. Untuk data yang jumlah variabel yang sangat besar sangat tidak mungkin mencari seluruh kombinasi variabel yang ada, karena jumlah indiscernibilty yang dicari = 2 (2 n-1-1). Oleh karena itu dibuat satu tekhnik pencarian kombinasi atribut yang dikenal dengan QuickReduct, yaitu dengan cara: 1. Nilai indiscernibilty yang pertama dicari adalah indiscernibilty yang kombinasi atribut yang terkecil yaitu 1. 2. Kemudian lakukan proses pencarian dependency attributes. Jika nilai dependency attributes yang didapat = 1, maka indiscernibilty untuk himpunan minimal variabel adalah variabel tersebut. 3. Jika pada proses pencarian kombinasi atribut tidak ditemukan dependency attributes = 1, maka lakukan pencarian kombinasi yang lebih besar, di mana kombinasi variable yang dicari adalah kombinasi dari variabel di tahap sebelumnya yang nilai dependency attributes paling besar. Lakukan proses (3), sampai didapat nilai dependency attributes = 1. Berdasarkan hasil yang diperoleh dari proses Discernibility Matrix berikut ini adalah proses Reduction-nya : Tabel 7. Proses Penyeleksian f. General Rules Setelah didapatkan hasil dari Reduction, maka langkah terakhir untuk menentukan General Rules nya. Adapun General Rules dari hasil Reduction yang dideskripsikan pada tabel penyeleksian tipe rumah idaman sesuai selera konsumen terdapat 17 rules dapat dilihat sebagai berikut :
Tabel 8. Hasil General Rules HASIL DAN PEMBAHASAN Disini membahas tentang proses pengujian metode Rough Set dengan menggunakan tools Rosetta. Dan diselaraskan dengan pembuktian dari analisa metode terhadap permasalahan yang ada pada bab sebelumnya. Pada penelitian ini, penulis menggunakan Exs data jurnal.xls sebagai data processing. Untuk tahapan selanjutnya mencari di mana letak data Source yang telah di Create pada tahapan sebelumnya. Dynamic Reducts tekan OK dan untuk melihat rule yang dihasilkan oleh reduct dengan cara klik kanan pada Reduct lalu pilih Generate Rules maka akan terlihat tampilannya seperti gambar 4: Gambar 4. Sheet Of Decision System Untuk melihat hasil dari proses Reduct yaitu dengan cara Double Click icon Reduct dan akan terlihat hasil dari Data Reduct seperti terlihat pada gambar 5; Gambar 3. Pemilihan File Decision System Setelah file yang dibuat didalam excel masuk ke dalam software rosetta, maka pada file tersebut double klik ganti namanya menjadi Decision System (DS), lalu pada DS klik kanan pilih Reduce lalu Gambar 5. Result Of Reduction Setelah melakukan proses reduction, langkah terakhir adalah mencari General Rules atau
keputusan dari Information System yang diproses dengan cara Right- Click Icon Reduct lalu General Rules, dan untuk melihat hasil atau dari Decision System yang diproses seperti terlihat pada gambar 6. 29-3282-9, Hlm. 2-3 2. Dr. H. Sarjon Defit, S.Kom, MSc. (2012). Rought Set Theory And Data Mining. Modul Gambar 6. Hasil Atau Rules dari Rough Set Pada Rosetta Dari hasil pengujian Decision System (DS) dengan software rosetta terdapat 4 reduct (dilihat dari gambar 5) dan menghasilkan 17 rules (Gambar 6). Ini membuktikan bahwa perhitungan secara manual dan pengujian dengan software menghasilkan rules yang sama dan dinyatakan valid. KESIMPULAN Metode Rough Set ini agar dapat diimplementasikan ke dalam sistem perumahan untuk mengetahui tipe rumah idaman sesuai selera konsumen dan Metode Rough Set juga dapat mengklasifikasikan perbedaan tipe rumah idaman dan tipe rumah tidak idaman. Dan Untuk penelitian selanjutnya, penulis dapat menggunakan metode dan software lain yang dapat digunakan untuk menjadi solusi bagi objek penelitian yang dilakukan agar dapat lebih sempurna. DAFTAR PUSTAKA 1. Eko Prasetyo. (2012). Data Mining-Konsep dan Aplikasi Menggunakan Matlab. 1 th. Ed. Yogyakarta: CV Andi Offset- Hal. xxiv+360, ISBN: 978-979-