BAB IV IMPLEMENTASI Bab ini akan menjelaskan mengenai implementasi dari sistem yang akan dikembangkan, berdasarkan hasil analisis yang telah diperoleh sebelumnya. Bab ini terdiri dari penjelasan mengenai spesifikasi sistem, perangkat keras dan perangkat lunak, yang akan digunakan, implementasi prosedur yang akan dipakai untuk melakukan klaster. 4.1 Implementasi Tahap implementasi merupakan tahap penciptaan perangkat lunak yang terdiri dari penjelasan mengenai lingkungan implementasi, batasan implementasi dan implementasi program. 4.1.1. Lingkungan Implementasi Untuk mendukung aplikasi yang akan diterapkan pada lingkungan implementasi, maka pengujian menggunakan perangkat keras dan perangkat lunak yang menunjang dalam pengembangan program cluster. 4.1.1.1. Perangkat Keras Yang Digunakan Aplikasi cluster ini dikembangkan pada laptop, dengan spesifikasi terdapat pada tabel 4.1 di bawah ini: Tabel 4.1. Perangkat keras implementasi Aplikasi cluster Perangkat Processor Memory Graphics Spesifikasi : Intel(R) Core(TM)i3 CPU M370 2.40GHz : 3.0 GB : Intel(R) HD Graphics 64
65 4.1.1.2. Perangkat Lunak Yang Digunakan Perangkat Lunak yang digunakan untuk mengembangkan aplikasi ini terdapat pada tabel 4.2 di bawah ini: Tabel 4.2. Perangkat lunak implementasi aplikasi cluster Perangkat Lunak Sistem Operasi Bahasa Pemrograman Windows 7 Ultimate C++ Keterangan Code Editor C++ Builder 4.0 App Library Modeler Spreadsheet Program Numerical Recipes MS Office Visio MS Office Excel 4.2 Batasan Implementasi Pembatasan implementasi dimaksudkan agar ruang lingkup implementasi menjadi lebih jelas. Batasan implementasi dari perangkat lunak aplikasi cluster adalah sebagai berikut : 1. Perangkat lunak yang dikembangkan berbasis desktop 2. Proses yang ditangani lebih terfokus pada metode cluster. 3. Perangkat lunak masih merupakan prototype. 4. Perangkat lunak diimplementasikan dengan konsep struktural.
66 4.3 Implementasi Program Pada tahapan ini akan dijelaskan mengenai implementasi data uji cluster dan user interface aplikasi cluster. 4.3.1. Implementasi Data Uji Implementasi data uji menjelaskan mengenai struktur tabel penyusunnya adapun pembuatan data dilakukan dengan menggunakan spreadsheet program, data uji ini merupakan tabel yang diolah menggunakan software Microsoft Offices Excel. Contoh data di bawah ini yang dibuat oleh software tersebut. Adapun contoh implementasi dapat dilihat pada gambar 4.1 di bawah ini : Gambar 4.1 Data Uji (menggunakan software spreadsheet ) 4.3.2. Implementasi User Interface Implementasi user interface merupakan hasil dari perancangan user interface yang sebelumnya sudah dilakukan pada tahap perancangan.
67 4.3.2.1. Halaman Awal Merupakan tampilan awal aplikasi cluster setelah di running, yang menampilkan menu yang tersedia untuk melakukan proses cluster data dapat dilihat pada gambar 4.2 di bawah ini. Gambar 4.2 tampilan awal aplikasi 4.3.2.2. Filter Data Data Filter memungkinkan user untuk menghapus gen yang tidak memiliki ketentuan properties dari dataset. properties yang tersedia dapat digunakan untuk menyaring data yang dapat dilihat pada gambar 4.3 di bawah ini:
68 Gambar 4.3 filter data cluster 4.3.2.3. Adjust Data Dari Adjust data, user dapat melakukan sejumlah operasi yang mengubah data yang mendasari dalam tabel yang diimport. Operasi ini adalah : 1. Transform Data: mengganti semua nilai data x dengan log 2 (x). 2. Center genes (means atau median). 3. Center Arrays (means atau median). 4. Normalize Genes Adjust data dapat dilihat pada gambar 4.4 di bawah ini:
69 Gambar 4.4 Adjust Data Cluster 4.3.2.4. Hierarchical Cluster Hierarchical clustering merupakan sebuah proses dimana data akan dilakukan cluster berdasarakan ketentuan-ketentuan metode tersebut. Berikut merupakan tampilan hierarchical clustering dapat dilihat pada gambar 4.5 di bawah ini:
70 Gambar 4.5 Tampilan Hierarchical clustering 4.3.2.5. K-means Clustering K-means clustering merupakan sebuah proses dimana data akan dilakukan cluster berdasarakan ketentuan-ketentuan metode tersebut. Berikut merupakan tampilan k-means clustering dapat dilihat pada gambar 4.6 di bawah ini:
71 Gambar 4.6 Tampilan K-Means Clustering 4.3.2.6. Self Organizing Maps Clustering Self organizing maps clustering merupakan sebuah proses dimana data akan dilakukan cluster berdasarakan ketentuan-ketentuan metode tersebut. Berikut merupakan tampilan self organizing maps clustering dapat dilihat pada gambar 4.7 di bawah ini:
72 Gambar 4.7 Tampilan self Organizing Maps Clustering 4.4 Pengujian Pengujian merupakan metode yang dilakukan untuk menjelaskan mengenai pengoperasian perangkat lunak yang terdiri dari perangkat pengujian, metode pengujian dan pelaksanaan pengujian. Pengujian yang digunakan untuk menguji aplikasi ini adalah menggunakan metode pengujian black box. Pengujian black box berfokus pada persyaratan fungsional perangkat lunak.
73 4.4.1. Rencana Pengujian Rencana pengujian yang akan dilakukan dengan menguji sistem secara alpha. Pengujian sistem ini menggunakan data uji berdasarkan data yang terdapat pada implementasi data uji. Rencana pengujian selengkapnya terlihat pada tabel 4.3 di bawah ini. Tabel 4.3 Rancangan Pengujian Aplikasi Cluster Item Uji Detail Pengujian Jenis Uji Load File Import data pengujian Black Box Filtering Memilah data yang akan Black Box dilakukan pengelompokan Adjust Peubah data set berdasarkan criteria data pengujian Black Box Hierarchical Cluster data berdasarkan Black Box algoritma hirarki yang telah paparkan pada tabel 2.1 K-means Cluster data berdasarkan Black Box algoritma k-means yang telah paparkan pada tabel 2.1 SOM Cluster data berdasarkan Black Box algoritma SOM yang telah paparkan pada tabel 2.1 4.4.2. Kasus dan Hasil Pengujian Alpha 4.4.2.1. Pengujian load file Pengujian load file dapat dilihat pada tabel 4.4 di bawah ini :
74 Tabel 4.4 Pengujian load file Kasus dan Hasil Uji (Data Normal) Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan : File bertipe.txt Muncul dalam text area menunjukan direktori file tersebut Tombol Pengmbilan data dapat berfungsi dengan sesuai. Kasus dan Hasil Uji (Data Salah) Diterima Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan : File bertipe.txt Tidak muncul dalam text area Memunculkan pesan file yang tidak sesuai. Diterima 4.4.2.2. Pengujian filter Pengujian filter dapat dilihat pada tabel 4.5 di bawah ini : Tabel 4.5 Pengujian filter Kasus dan Hasil Uji Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan : Variable properties data filter Muncul jumlah data yang akan di kelompokan Tombol filter data dapat berfungsi dengan sesuai. Diterima 4.4.2.3. Pengujian Adjust Pengujian adjust dapat dilihat pada tabel 4.6 di bawah ini :
75 Tabel 4.6 Pengujian Adjust Kasus dan Hasil Uji Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan : Variable properties data adjust Muncul pemberitahuan data yang akan di kelompokan berhasil di set. Tombol adjust data dapat berfungsi dengan sesuai. Diterima 4.4.2.4. Pengujian Hierarchical Pengujian hierarchical dapat dilihat pada tabel 4.7 di bawah ini : Tabel 4.7 Pengujian Hierarchical Kasus dan Hasil Uji Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan : Data set yang telah dilakukan proses load, filter dan adjust Menghasilkan file hasil pengelompokan berdasarkan perhitungan algoritma hirarki yang tertapat pada tabel 2.1 Tombol genes/array, similarity dan method dapat berfungsi dengan sesuai. Diterima 4.4.2.5. Pengujian K-means Pengujian k-means dapat dilihat pada tabel 4.8 di bawah ini :
76 Tabel 4.8 Pengujian K-means Kasus dan Hasil Uji Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan : Data set yang telah dilakukan proses load, filter dan adjust Menghasilkan file hasil pengelompokan berdasarkan perhitungan algoritma k-means yang tertapat pada tabel 2.1 Penentuan k (jumlah kelompok), iterasi, method dan similarity dapat berfungsi pada saat klik tombol eksekusi. Diterima 4.4.2.6. Pengujian Self Organizing maps (SOM) Pengujian self organizing maps dapat dilihat pada tabel 4.8 di bawah ini : Tabel 4.9 Pengujian SOM Kasus dan Hasil Uji Aktivitas Yang Diharapkan Pengamatan Kesimpulan Data Masukan : Data set yang telah dilakukan proses load, filter dan adjust Menghasilkan file hasil pengelompokan berdasarkan perhitungan algoritma SOM yang tertapat pada tabel 2.1 variable genes/array, similarity, iterasi dan method dapat berfungsi dengan sesuai. Diterima 4.5 Kesimpulan Pengujian Setelah dilakukan pengujian dari uji sample yang ada di atas maka system requirement dapat diambil beberapa kesimpulan bahwa perangkat lunak secara fungsional sistem dapat menghasilkan output sesuai dengan yang diharapkan.
77 4.6 Pengujian Metode Clustering Data set yang digunakan untuk menguji algoritma klasterisasi diperoleh dari situs: (Http://kdd.ics.uci.edu/) atau dari situs lain, yaitu, (Http://www.kdnuggets.com/datasets). Data set untuk menguji algoritma klasterisasi adalah time series. Data set ini disimpan dalam file ASCII, 600 baris, 60 kolom, untuk membedakan data set besar dan kecil data set dibagi dua kelompok menjadi kumpulan data (200 baris dan 20 kolom). Ketiga metode clustering dibandingkan berdasarkan faktor-faktor yang terdapat pada tabel 4.10 sebagai berikut: Tabel 4.10 Pengujian data Clustering Metode Dataset Klaster Hierarchical Basar dan Kecil Banyak dan Sedikit K-means Basar dan Kecil Banyak dan Sedikit SOM Basar dan Kecil Banyak dan Sedikit Menurut jumlah cluster k kecuali untuk metode hierarki, semua algoritma klasterisasi dibandingkan membutuhkan pengaturan k. Disini, kinerja algoritma yang berbeda untuk berbagai k dibandingkan untuk menguji kinerja yang terkait dengan k. Untuk menyederhanakan dan untuk membuat perbandingan lebih mudah, k yang dipilih sama dengan 8, 16, 32, dan 64. Untuk membandingkan hierarchical clustering dengan algoritma lain, pohon hierarki dipotong pada dua tingkat yang berbeda untuk mendapatkan nomor yang sesuai cluster (8, 16, 32 dan 64). hasilnya, sebagai nilai k menjadi lebih besar kinerja algoritma SOM menjadi
78 lebih rendah. Namun, kinerja k-means algoritma menjadi lebih baik dari algoritma hierarki. Dapat dilihat pada tabel 4.11 di bawah ini Tabel 4.11. Hubungan antara jumlah cluster dan kinerja algoritma. Number Of Performance Cluster Hirarki K-means SOM 8 65 63 59 16 74 71 67 32 87 84 78 64 92 89 85 Menurut ukuran data set, data set besar digunakan terdiri dari 600 baris dan 60 kolom dan data set kecil menggunakan 200 baris dan 20 kolom. Data set kecil diekstraksi sebagai bagian dari dataset besar. Kualitas k-means menjadi sangat baik ketika menggunakan data set besar. Dua algoritma hierarchical clustering dan algoritma SOM menunjukkan hasil yang baik bila menggunakan data set kecil, hasil pengujian dapat dilihat pada tabel 4.12 di bawah ini. Tabel 4.12 Pengaruh ukuran data pada algoritma. K=32 Data Size Hirarki K-means SOM 36000 850 910 830 4000 91 95 89