Download - ISSN : 2302-450X

Transcript
Page 1: ISSN : 2302-450X

ISSN : 2302-450X

Page 2: 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.

Page 3: ISSN : 2302-450X

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.

Page 4: ISSN : 2302-450X

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

Page 5: ISSN : 2302-450X

Halaman ini sengaja dibiarkan kosong.

Page 6: ISSN : 2302-450X

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

Page 7: ISSN : 2302-450X

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

Page 8: ISSN : 2302-450X

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

Page 9: ISSN : 2302-450X

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

Page 10: ISSN : 2302-450X

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

Page 11: ISSN : 2302-450X

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

Page 12: ISSN : 2302-450X

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

Page 13: ISSN : 2302-450X

Halaman ini sengaja dibiarkan kosong.

Page 14: ISSN : 2302-450X

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,

Page 15: ISSN : 2302-450X

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

Page 16: ISSN : 2302-450X

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.

Page 17: ISSN : 2302-450X

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

Page 18: ISSN : 2302-450X

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:

1  2  3  4  5 

Waktu proses  

(de5k) 

Jumlah prosesor 

Perbandingan jumlah prosesor dengan waktu 

pemrosesan 

Page 19: ISSN : 2302-450X

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.

10 

20 

1  2  3  4  5 

Waktu proses  

(de5k) 

Jumlah prosesor 

Perbandingan jumlah prosesor dengan waktu 

pemrosesan dengan 103845 data 

10 

15 

20 

25 

30 

1  2  3  4  5 

Waktu proses  

(de5k) 

Jumlah prosesor 

Perbandingan jumlah prosesor dengan waktu 

pemrosesan dengan 207690 data 

10 

20 

30 

40 

1  2  3  4  5 

Waktu proses  

(de5k) 

Jumlah prosesor 

Perbandingan jumlah prosesor dengan waktu 

pemrosesan dengan 311535 data 

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 

Page 20: ISSN : 2302-450X

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.