tugas akhir - Universitas Dian Nuswantoro

TUGAS AKHIR
Analisis Delay Penerbangan Akibat Cuaca di Bandara Ahmad
Yani Semarang dengan Algoritma C4.5
Analysis of Flight Delay Due to Weather in Ahmad Yani Airport
Semarang with C4.5 Algorithm
Diajukan untuk memenuhi salah satu syarat
memperoleh gelar Sarjana Teknik Informatika
Disusun oleh:
Nama
: Mochamad Nur Sholikhin
NIM
: A11.2010.05647
Program Studi
: Teknik Informatika – S1
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2014
PERSETUJUAN SKRIPSI
Nama
: Mochamad Nur Sholikhin
NIM
: A11.2010.05647
Program Studi
: Studi Teknik Informatika Strata 1
Fakultas
: Ilmu Komputer
Judul Tugas Akhir
: Analisis Delay Penerbangan Akibat Cuaca di Bandara
Ahmad Yani Semarang dengan Algoritma C4.5
Tugas akhir ini telah diperiksa dan disetujui,
Semarang, 22 Juli 2013
Menyetujui :
Mengetahui :
Pembimbing
Dekan Fakultas Ilmu Komputer
Dra. Yuniarsi Rahayu, M.Kom
Dr. Abdul Syukur
PENGESAHAN DEWAN PENGUJI
Nama
: Mochamad Nur Sholikhin
NIM
: A11.2010.05647
Program Studi
: Studi Teknik Informatika Strata 1
Fakultas
: Ilmu Komputer
Judul Tugas Akhir
: Analisis Delay Penerbangan Akibat Cuaca di Bandara
Ahmad Yani Semarang dengan Algoritma C4.5
Tugas akhir ini telah diuji dan dipertahankan dihadapkan Dewan Penguji pada
Sidang tugas akhir tanggal 22 Juli 2014. Menurut pandangan kami tugas akhir ini
memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar
Sarjana Komputer (S.Kom.)
Semarang, 22 Juli 2013
Dewan Penguji :
Achmad Wahid Kurniawan, S.Si, M.Kom
T. Sutojo, S.Si, M.Kom
Anggota 1
Anggota 2
Erna Zuni Astuti, M.Kom
Ketua Penguji
PERNYATAAN KEASLIAN SKRIPSI
Sebagai mahasiswa Universitas Dian Nuswantor, yang bertanda tangan di bawah
ini, saya :
Nama : Mochamad Nur Sholikhin
NIM
: A11.2010.05647
Menyatakan bahwa karya ilmiah saya yang berjudul :
Analisis Delay Penerbangan Akibat Cuaca di Bandara Ahmad Yani
Semarang dengan Algoritma C4.5
Merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing
telah saya jelaskan sumbernya dan perangkat pendukung seperti rapid miner,
laptop, printer dll). Apabila dikemudian hari, karya saya disinyalir bukan
merupakan karya asli saya, yang di sertai dengan bukti-bukti yang cukup, maka
saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat
pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di
: Semarang
Pada tanggal : 22 Juli 2014
Yang menyatakan
( Mochamad Nur Sholikhin)
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
Sebagai mahasiswa Universitas Dian Nuswantor, yang bertanda tangan di bawah
ini, saya :
Nama : Mochamad Nur Sholikhin
NIM
: A11.2010.05647
Demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada
Universitas Dian Nuswantoro Hak Bebas Royalti Non-Eksklusif (Non-exclusive
Royalty-Free Right) atas karya ilmiah saya yang berjudul :
Analisis Delay Penerbangan Akibat Cuaca di Bandara Ahmad Yani
Semarang dengan Algoritma C4.5 beserta perangkat yang diperlukan (bila ada).
Dengan Hak Bebas Royalti Non-Eksklusif ini Universitas Dian Nuswantoro
berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan,
mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan
menampilkan/mempublikasikannya di internet atau media lain untuk kepentingan
akademis tanpa perlu meminta ijin dari saya selama tetap tercantumkan nama saya
sebagai penulis/pencipta.
Saya besedia untuk menanggung secara pribadi, tanpa melibatkan pihak
Universitas Dian Nuswantoro, segala bentuk tuntutan hokum yang timbul atas
pelanggaran Hak Cipta dalam karya ilmiah saya ini.
Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di
: Semarang
Pada tanggal : 22 Juli 2014
Yang menyatakan
( Mochamad Nur Sholikhin )
UCAPAN TERIMAKASIH
Puji syukur kepada Tuhan yang Maha Esa atas segala berkat yang telah
diberikan-Nya, sehingga Tugas Akhir ini dapat diselesaikan.
Tugas Akhir dengan judul “Analisis Delay Penerbangan Akibat Cuaca di
Bandara Ahmad Yani Semarang dengan Algoritma C4.5” ini ditujukan untuk
memenuhi sebagian persyaratan akademik guna menyelesaikan studi di Program
Studi Sistem Informasi Strata Satu Universitas Dian Nuswantoro Semarang.
Penulis menyadari bahwa tanpa bimbingan, bantuan, dan doa dari berbagai
pihak, Tugas Akhir ini tidak akan dapat diselesaikan tepat pada waktunya. Oleh
karena itu, penulis mengucapkan terima kasih yang sebesar-besarnya kepada :
1)
Dr. Ir. Edi Noersasongko, M.Kom., selaku Rektor Universitas Dian
Nuswantoro.
2)
Dr Drs Abdul Syukur,MM, selaku Dekan Fakultas Ilmu Komputer.
3)
Dr. Heru Agus Santoso,M.Kom, selaku Ketua Program Studi Teknik
Informatika – S1.
4)
Slamet Sudaryanto N.,ST, M.Kom, Selaku Dosen Wali.
5)
Dra. Yuniarsi Rahayu, M.Kom , selaku Dosen Pembimbing Tugas Akhir
yang telah memberikan bimbingan dan memberikan masukan.
6)
Kepala BMKG Penerbangan Bandara Ahmad Yani Semarang, dan para staf.
7)
Ibu, Bapak, dan seluruh keluarga yang telah memberikan dukungan moril,
doa, dan kasih sayang.
8)
Sahabat-sahabat Doscom, dan lain lain selaku teman yang membantu kerja
praktek.
Akhir kata, penulis menyadari bahwa mungkin masih terdapat kekurangan
dalam Tugas Akhir ini. Oleh karena itu, kritik dan saran dari pembaca sangat
bermanfaat bagi penulis. Semoga Tugas Akhir ini dapat bermanfaat bagi semua
pihak yang membacanya.
Semarang, 22 Juli 2013
Penulis
DAFTAR ISI
PERSETUJUAN SKRIPSI ..................................................................................... ii
PENGESAHAN DEWAN PENGUJI .................................................................... iii
PERNYATAAN KEASLIAN SKRIPSI ................................................................ iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK
KEPENTINGAN AKADEMIS .............................................................................. v
UCAPAN TERIMAKASIH ................................................................................... vi
DAFTAR ISI ......................................................................................................... vii
DAFTAR TABEL .................................................................................................. ix
DAFTAR GAMBAR .............................................................................................. x
ABSTRAK ............................................................................................................. xi
BAB I PENDAHULUAN ....................................................................................... 1
1.1
Latar Belakang ......................................................................................... 1
1.2
Rumusan Masalah .................................................................................... 3
1.3
Batasan Masalah ....................................................................................... 4
1.4
Tujuan Penelitian ...................................................................................... 4
1.5
Manfaat penelitian .................................................................................... 4
BAB II TINJAUAN PUSTAKA............................................................................. 6
2.1
Penelitian Terkait ..................................................................................... 6
2.2
Landasan Teori ......................................................................................... 8
3.1.1
Algoritma .......................................................................................... 8
2.1.2
Data Mining ...................................................................................... 8
2.1.3
Pengertian Pohon Keputusan (Decision Tree) .................................. 9
2.1.5
Manfaat Pohon Keputusan .............................................................. 12
2.1.6
Algoritma C4.5 ................................................................................ 13
2.1.7
DM)
Definisi Cross-Industry Standard Process for Data Mining (CRISP......................................................................................................... 15
2.1.8
Confusion matrix............................................................................. 17
2.1.9
Kurva ROC ..................................................................................... 19
2.1.10
Iklim dan Cuaca .............................................................................. 20
2.1.11
Php .................................................................................................. 25
viii
2.1.12
CSS (Cascading Style Sheets) ......................................................... 26
2.1.13
Selector dan Declaration CSS ......................................................... 27
BAB III ................................................................................................................. 30
METODE PENELITIAN ...................................................................................... 30
3.1
Metode Pengumpulan Data .................................................................... 30
3.1.1
Jenis Data Sumber Data .................................................................. 30
3.1.2
Teknik Pengumpulan Data .............................................................. 31
3.2
Teknik Analisis Data .............................................................................. 31
3.3
Pengolahan Data ..................................................................................... 32
BAB IV HASIL DAN PEMBAHASAN .............................................................. 39
4.1
Validasi dan Evaluasi ............................................................................. 39
4.2
Hasil Percobaan dan Pengujian Metode ................................................. 42
4.3
Hasil Pemodelan Pohon Keputusan dan Rule ........................................ 45
4.4
Aplikasi Sederhana ................................................................................. 46
BAB V PENUTUP ................................................................................................ 51
5.1
Kesimpulan ............................................................................................. 51
5.2
Saran ....................................................................................................... 51
DAFTAR TABEL
Tabel 2.1 Penelitian Terkait .................................................................................... 6
Tabel 2.2 Model Confusion Matrix ....................................................................... 18
Sumber Han & Kamber (2006) ............................................................................. 18
Tabel 3.1 Data Delay Pesawat Akibat Cuaca........................................................ 33
Tabel 3.2 Data Hasil Split Point............................................................................ 34
Tabel 3.3 Data Hasil Entropy dan Gain Pada Node 1 ........................................... 36
Tabel 4.1 Data set delay penerbangan di Bandara Ahmad Yani Semarang.......... 40
Tabel 4.2 Hasil nilai akurasi dari data delay penerbangan yang di tampilkan oleh
RapidMiner ........................................................................................................... 43
Tabel 4.3 Nilai precision dari data delay penerbangan yang di tampilkan oleh
RapidMiner ........................................................................................................... 43
Tabel 4.4 Nilai precision dari data delay penerbangan yang di tampilkan oleh
RapidMiner ........................................................................................................... 44
Tabel 4.1 Hasil Akurasi dan AUC dari C4.5 ........................................................ 45
DAFTAR GAMBAR
Gambar 2.1 Decision Tree .................................................................................... 11
Gambar 2.2 Proses Data Mining menurut CRISP-DM ......................................... 15
Gambar 2.3 Contoh Evaluasi dengan Kurva ROC/AUC ...................................... 20
Gambar 2.3 Kerangka Pemikiran .......................................................................... 29
Gambar 4.2 Setting parameter RapidMiner .......................................................... 41
Gambar 4.3 Desain Model Validasi ...................................................................... 42
Gambar 4.4 Hasil ROC dari C4.5 yang ditampilkan oleh RapidMiner ................ 44
Gambar 4.6 Hasil Pemodelan Tree C4.5 ............................................................... 45
Gambar 4.7 Form input Delay Penerbangan ......................................................... 47
Gambar 4.8 Form input Delay Penerbangan ......................................................... 48
Gambar 4.9 Hasil prediksi Delay Penerbangan .................................................... 49
ABSTRAK
Peran cuaca dalam penerbangan sangat besar. Cuaca mempunyai dua peran.
Disatu sisi informasi cuaca mempunyai andil dalam peningkatan efisiensi dan
efektivitas kegiatan dan keselamatan penerbangan, di sisi lain mempunyai potensi
yang membahayakan sampai dapat menimbulkan kematian. Namun demikian
tidak mudah untuk mengatakan cuaca yang mana yang membahayakan, karena
dampak cuaca bergantung pula kepada faktor lain. Untuk itulah diadakan
penelitian dengan judul Analisis Delay Penerbangan Akibat Cuaca di Bandara
Ahmad Yani Semarang dengan Algoritma C4.5. Teknik ini menggunakan data
cuaca penerbangan dan daftar delay penerbangan pada tahun 2013 di Bandara
Ahmad Yani Semarang, sehingga data tersebut bisa dijadikan acuan untuk
memprediksi penerbangan apakah akan terjadi delay atau tidak. Atribut yang
digunakan dalam menentukan delay penerbangan meliputi arah angina, kecepatan
angina, suhu, tekanan udara, visibility, dan cuaca. Data delay penerbangan ini
setelah di analisis menggunakan algoritma C4.5 dapat memberikan informasi
yang efektif dalam menentukan apakah penerbangan berprediksi delay atau tidak.
Kata kunci
: Delay Penerbangan, Algoritma C4.5
1
BAB I
PENDAHULUAN
1.1
Latar Belakang
Cuaca adalah kondisi udara di suatu tempat pada saat yang relatif
singkat yang meliputi kondisi suhu, kelembaban, serta tekanan udara sebagai
komponen utamanya. Faktor cuaca menjadi hal yang sulit untuk diprediksi
pada penerbangan, oleh karena itu peramalan cuaca akhir-akhir ini menjadi
topik yang sangat menarik untuk dibahas, karena akan sangat membantu
dalam penerbangan. Hal ini membuat banyak peneliti tertarik untuk mencari
metode lain untuk memprediksi cuaca [1].
Peran cuaca dalam penerbangan sangat besar. Cuaca mempunyai dua
peran. Disatu sisi informasi cuaca mempunyai andil dalam peningkatan
efisiensi dan efektivitas kegiatan dan keselamatan penerbangan, di sisi lain
mempunyai potensi yang membahayakan sampai dapat menimbulkan
kematian. Namun demikian tidak mudah untuk mengatakan cuaca yang
mana yang membahayakan. Faktor cuaca sendiri dipengaruhi oleh beberapa
elemen Antara lain :
1. Arah angin
2. Kecepatan Angin
3. Suhu
4. Tekanan Udara
5. Visibility
tetapi dampak cuaca bergantung pula kepada faktor lain.
Kusunya dalam penerbangan, selain kadar atau intensitas unsur
cuaca, jenis pesawat, kondisi pesawat, dan posisi penerbangan juga
merupakan faktor yang menentukan sensitifitasnya terhadap cuaca. Misalnya
angin silang (cross wind) di landasan terbang yang berkecepatan 20 knot,
mungkin dapat menimbulkan bahaya bagi pesawat kecil yang melakukan
pendaratan, tetapi tidak ada pengaruhnya bagi pesawat terbang besar dan
2
modern. Dari posisi terbang, angin 20 knot pada paras penerbangan 30.000
kaki tidak terasakan bagi pesawat besar yang terbang pada paras tersebut,
tetapi bila terjadi pada paras rendah sangat berarti bagi pesawat terbang kecil
yang terbang pada paras tersebut. Dengan demikian kriteria membahayakan
bergantung juga kepada macam penerbangan. Namun demikian karena
setiap pesawat terbang mempunyai tiga kegiatan yang sama, yakni tinggal
landas, terbang, dan mendarat maka penggunaan arti bahaya dalam
penerbangan umumnya diterapkan untuk masing-masing kegiatan tersebut
[2].
Penundaan penerbangan terjadi karena cuaca yang buruk sehingga
akan berakibat kepada mesin pesawat. Akibat dari penundaan penerbangan
tersebut banyak penumpang yang menumpuk di bandara dan mereka kesal
karena merasa tidak mendapat informasi yang memadai[3]. Untuk itu dalam
rangka memenuhi kebutuhan informasi para penumpang pihak Bandara
Ahmad Yani Semarang, dibuatlah analisis cuaca yang dapat memberikan
informasi penundaan penerbangan. Tujuannya adalah pihak maskapai lebih
mudah
dan
cepat
mengambil
keputusan
untuk
melakukan
delay
penerbangan. Oleh karena diperlukan data cuaca dari pihak BMKG
Penerbangan Ahmad Yani Semarang untuk melakukan analisis delay
penerbangan. Analisis tersebut dapat menggunakan metode Klasifikasi
dengan algoritma C4.5. Dengan data yang sudah di olah menggunakan
algoritma C4.5 diharapkan dapat mempermudah pihak Bandara maupun
Maskapai Penerbangan dalam mengambil keputusan untuk melakukan delay
penerbangan yang di akibatkan oleh cuaca yang membahayakan
keselamatan penumpang.
Dari masalah yang sudah dibahas sebelumnya, maka penulis
melakukan penelitian dengan judul “Analisi Delay Penerbangn Akibat
Cuaca di Bandara Ahmad Yani Semarang dengan Algoritma C.4.5”.
Algoritma C 4.5 umumnya digunakan untuk melakukan klasifikasi.
Ada beberapa algoritma yang pada umumnya digunakan dalam klasifikas
3
selain C 4.5 dan ID3 terdapat juga algoritma K-Nearet Neighbor [4].
Kelebihan Algoritma C.4.5 antara lain :
1. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat
global, dapat diubah menjadi lebih simpel dan spesifik.
2. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena
ketika menggunakan metode pohon keputusan maka sample diuji
hanya berdasarkan kriteria atau kelas tertentu.
3. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur
yang terpilih akan membedakan suatu kriteria dibandingkan kriteria
yang lain dalam node yang sama. Kefleksibelan metode pohon
keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika
dibandingkan ketika menggunakan metode penghitungan satu tahap
yang lebih konvensional.
4. Mampu mengolah data nominal dan kontinyu.
Dalam analisis multivariat, dengan kriteria dan kelas yang
jumlahnya sangat banyak, seorang penguji biasanya perlu untuk
mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter
tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat
menghindari munculnya permasalahan ini dengan menggunakan criteria
yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak
mengurangi kualitas keputusan yang dihasilkan.
1.2
Rumusan Masalah
Berdasarkan uraian latar belakang yang telah dikemukakan
sebelumnya, maka rumusan masalah dapat dituliskan sebagai berikut:
1. Bagaimana perhitungan akurasi ketepatan delay penerbangan yang
diakibatkan oleh cuaca.
2. Bagaimana penerapan metode klasifikasi menggunakan algoritma C.4.5
untuk delay penerbangan.
4
1.3
Batasan Masalah
Untuk menghindari penyimpangan dari judul dan tujuan yang
sebenarnya serta keterbatasan pengetahuan yang dimiliki penulis, maka
penulis membuat ruang lingkup dan batasan masalah yaitu :
1. Pada penelitian ini peneliti akan menggunakan metode klasifikasi
algoritma C.4.5 untuk menentukan delay terhadap penerbangan.
2. Data yang digunakan untuk pengamatan adalah data cuaca tahun 2013
dari BMKG Penerbangan Bandara Ahmad Yani Semarang dan data
delay penerbangan dari PT. ANGKASAPURA I (persero).
3. Menampilkan hasil prediksi delay penerbangan.
1.4
Tujuan Penelitian
Berdasarkan rumusan masalah diatas, maka tujuan dari penelitian
adalah:
a. Menganalisis hasil dari bentuk pohon keputusan hasil perhitungan
dengan Algoritma C4.5.
b. Memprediksi delay penerbangan akibat cuaca di Bandara Ahmad Yani
Semarang dengan Algoritma C4.5.
1.5
Manfaat penelitian
Manfaat yang diharapkan dapat diperoleh dari penelitian ini adalah
sebagai berikut:
1. Bagi Penulis
a. Sebagai sarana untuk menerapkan ilmu yang telah diperoleh selama
berada di perkuliahan terutama tentang penggolahan data dalam
mesin learning.
b. Menambah pemahaman dan pengalaman dalam menggunakan
metode Prediksi dengan Algoritma C.4.5 dalam memprediksi delay
penerbangan.
5
c. Untuk memenuhi persyaratan formal dalam menyelesaikan program
studi Teknik Informatika S-1 pada Fakultas Ilmu Komputer
Universitas Dian Nuswantoro.
2. Bagi Masyarakat
Dengan adanya prediksi delay penerbangan di Bandara Ahmad
Yani diharapkan bisa memberikan informasi lebih awal kepada
masyarakat yang menggunakan jasa penerbangan, sehingga masyarakat
mengetahui sebab penundaan penerbangan.
3. Bagi Bandara Ahmad Yani
Membantu dalam pengolahan data cuaca secara cepat dan akurat
serta dapat mengetahui apakah penerbangan akan berprediksi delay atau
tidak di Bandara Ahmad Yani Semarang.
4. Bagi Akademik
a. Sebagai tolak ukur sejauh mana pemahaman dan penguasaan materi
terhadap teori yang diajukan.
b. Sebagai bahan evaluasi akademik untuk meningkatkan mutu
pendidikan.
c. Sebagai bahan referensi bagi mereka yang mengadakan penelitian
untuk dikembangkan lebih lanjut dengan permasalahan yang
berbeda.
5. Bagi Pembaca
Sebagai bahan pengetahuan, pembanding dan acuan dalam
menghadapi permasalahan atau kasus penelitian yang sama.
6
BAB II
TINJAUAN PUSTAKA
2.1
Penelitian Terkait
Penelitian yang terkait dalam penelitian ini adalah sebagai berikut :
Tabel 2.1 : Penelitian Terkait
No
1
2
3
Peneliti
Aa Zezen
Zaenal
Abidin
Vina
Mandasari
Risty
Jayanti
Yuniar
Tahun
Judul
Metode
Hasil
C4.5
Algoritma C 4.5 dapat
digunakan
untuk
menentukan
tingkat
bahaya tsunami di suatu
daerah pesisir pantai
mengacu pada kasus
tingkat bahaya tsunami
yang sudah ada di
wilayah pesisir pantai
Kabupaten Sukabumi.
C4.5
Adanya hubungan sebabakibat yang didapatkan
dari
rules
dataset
kepuasan
konsumen
memberikan informasi
baru kepada manajemen
restoran cepat saji bahwa
atribut rasa, perilaku staf,
suasana restoran dan
harga berkaitan erat
dalam menciptakan rasa
puas untuk konsumen.
2011
Implementasi
Algoritma C
4.5
untuk
Menentukan
Tingkat
Bahaya
Tsunami
2011
Analisis
Kepuasan
Konsumen
Terhadap
Restoran
Cepat
Saji
Melalui
Pendekatan
Data Mining:
Studi Kasus
XYZ
2013
Perbaikan
Metode
Prakiraan
Cuaca
Algoritm
Bandara
a Neural
Abdulrahman Network
Saleh dengan Backpro
Algoritma
pagation
Neural
Proses
training
menghasilkan arsitektur
jaringan terbaik dengan
hidden layer 5 dan nilai
learning rate 0,9. Nilai
MSE sebesar 0,009946
didapatkan pada epoch
ke-13.
Jaringan
dirancang
dengan
menggunakan
tiga
7
Network
Backpropagat
ion
4
5
6
Nur Endah
Sari
Liliana
Swastina
Ilham
Achmadi
Yorinda
2011
Prediksi
Cuaca
Berbasis
Logika Fuzzy
untuk
Rekomendasi
Penerbangan
di
Bandar
Udara Raja
Haji
Fisabilillah
Logik
Fuzzy
model
prediksi
TakagiSugeno
2013
Penerapan
Algoritma
C4.5 Untuk
Penentuan
Jurusan
Mahasiswa
C4.5
Perancangan
Sistem
Prediksi Cuaca
Berbasis
Logika Fuzzy
Untuk
Kebutuhan
Penerbangan
Di
Bandara
Juanda
Surabaya
logika
fuzzy
variabel input yaitu suhu
udara, kelembaban udara,
tekanan udara dan dua
variabel output yaitu
kecepatan angin dan
curah hujan.
Untuk prediksi angin
menggunakan 2 masukan
yaitu suhu udara dan
tekanan udara dengan
keluaran
berupa
kecepatan angin. Untuk
nilai keakuratan prediksi
hujan adalah 61.73%,
kecepatan angin 50.5%,
jarak pandang 87.5%,
angin buritan 88.6%,
rekomendasi
penerbangan berdasarkan
jarak pandang 96.2%,
rekomendasi
penerbangan berdasarkan
angin buritan 88.6%.
Algoritma Decision Tree
C4.5 akurat diterapkan
untuk
penentuan
kesesuaian
jurusan
mahasiswa
dengan
tingkat keakuratan 93,31
% dan akurasi
rekomendasi
jurusan
sebesar 82,64%.
nilai keakuratan prediksi
curah hujan
adalah 74.79%, jarak
pandang 85.43%,
kelayakan variabel
jarak pandang
98.31%,Untuk nilai
keakuratan prediksi
kecepatan angin adalah
66.58%, angin buritan
95.57%, dan
kelayakan variabel angin
buritan 95.57%
8
2.2
Landasan Teori
3.1.1
Algoritma
Algoritma adalah urutan langkah-langkah logis penyelesaian
masalah yang disusun secara sistematis dan logis. Kata logis
merupakan kata kunci dalam algoritma. Langkah-langkah dalam
algoritma harus logis dan harus dapat ditentukan bernilai salah atau
benar
Menurut para ahli sejarah matematika menemukan asal kata
tersebut yang berasal dari nama penulis buku arab yang terkenal
yaitu Abu Ja’far Muhammad Ibnu Musa Al-Khuwarizmi. AlKhuwarizmi dibaca orang barat menjadi Algorism. Al-Khuwarizmi
menulis buku yang berjudul Kitab Al Jabar Wal-Muqabala yang
artinya “Buku pemugaran dan pengurangan” (The book of
restoration and reduction). Dari judul buku itu juga memperoleh akar
kata “Aljabar” (Algebra). Perubahan kata dari Algorism menjadi
algorithm muncul karena kata algorism sering dikelirukan dengan
arithmetic, sehingga akhiran –sm berubah menjadi –thm.
Karena perhitungan dengan angka Arab sudah menjadi hal
yang biasa, maka lambat laun kata algorithm berangsur-angsur
dipakai sebagai metode perhitungan (komputasi) secara umum,
sehingga kehilangan makna kata aslinya. Dalam bahasa Indonesia,
kata algorithm diserap menjadi algoritma [6].
2.1.2 Data Mining
Data mining merupakan analisis dari peninjauan kumpulan
data untuk menemukan hubungan yang tidak diduga dan meringkas
data dengan cara yang berbeda dengan sebelumnya, yang dapat
dipahami dan bermanfaat bagi pemilik data (Larose, 2005). Beberapa
faktor yang mendorong kemajuan data mining antara lain :
9
1. Pertumbuhan yang cepat dalam kumpulan data.
2. Penyimpanan data dalam data warehouse, sehingga seluruh
perusahaan memiliki akses ke dalam database yang andal.
3. Adanya peningkatan akses kedalam data melalui navigasi web
dan internet.
4. Tekanan kompetisi bisnis untuk meningkatkan penguasaan pasar
dalam globalisasi ekonomi.
5. Perkembangan teknologi perangkat lunak untuk data mining
(ketersediaan teknologi).
6. Perkembangan kapasitas media penyimpanan.
Menurut Larose data mining dibagi menjadi beberapa
kelompok berdasarkan tugas yang dapat di lakukan, salah satunya
yaitu prediction.
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali
bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang.
Contoh prediksi dalam bisnis dan penelitian adalah:
a. Prediksi harga beras dalam tiga bulan yang akan datang.
b. Prediksi presentase kenaikan kecelakaan lalu lintas tahun
depan jika batas bawah kecepatan dinaikan.
Beberapa metode dan teknik yang digunakan dalam klasifikasi dan
estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk
prediksi.
2.1.3 Pengertian Pohon Keputusan (Decision Tree)
Pohon dalam analisis pemecahan masalah pengambilan
keputusan adalah pemetaan mengenai alternatif-alternatif pemecahan
masalah yang dapat diambil dari masalah tersebut. Pohon tersebut
juga memperlihatkan faktor-faktor kemungkinan/probablitas yang
akan mempengaruhi alternatif - alternatif keputusan tersebut, disertai
dengan estimasi hasil akhir yang akan didapat bila mengambil
alternatif keputusan tersebut.
10
Decision tree merupakan salah satu teknik klasifikasi yang
paling populer dan paling banyak digunakan dalam data mining dan
machine learning . Decision tree terdiri dari node internal yang
menggambarkan data yang diuji, cabang menggambarkan nilai
keluaran dari data yang diuji, sedangkan leaf node menggambarkan
distribusi kelas dari data yang digunakan. Decision tree digunakan
untuk mengklasifikasikan suatu sampel data yang tidak dikenal
Dalam decision tree tidak menggunakan vector jarak untuk
mengklasifikasikan obyek. Seringkali data observasi mempunyai
atribut-atribut yang bernilai nominal. Seperti yang diilustrasikan
pada gambar 2.6, misalkan obyeknya adalah sekumpulan buahbuahan yang bisa dibedakan berdasarkan atribut bentuk, warna,
ukuran dan rasa. Bentuk, warna, ukuran dan rasa adalah besaran
nominal, yaitu bersifat kategoris dan tiap nilai tidak bisa dijumlahkan
atau dikurangkan. Dalam atribut warna ada beberapa nilai yang
mungkin yaitu hijau, kuning, merah. Dalam atribut ukuran ada nilai
besar, sedang dan kecil. Dengan nilai-nilai atribut ini, kemudian
dibuat decision tree untuk menentukan suatu obyek termasuk jenis
buah apa jika nilai tiap-tiap atribut diberikan (Santoso, 2007).
2.1.4 Pada decision tree terdapat 3 jenis node, yaitu:
a. Root Node, merupakan node paling atas, pada node ini tidak ada
input dan bisa tidak mempunyai output atau mempunyai output
lebih dari satu.
b. Internal Node , merupakan node percabangan, pada node ini
hanya terdapat satu input dan mempunyai output minimal dua.
c. Leaf node atau terminal node , merupakan node akhir, pada
node ini hanya terdapat satu input dan tidak mempunyai output.
11
Gambar 2.1 : Decision Tree
Ada beberapa macam algoritma decision tree diantaranya
CART dan C4.5. Beberapa isu utama dalam decision tree yang
menjadi perhatian yaitu seberapa detail dalam mengembangkan
decision tree, bagaimana mengatasi atribut yang bernilai continues,
memilih ukuran yang cocok untuk penentuan atribut, menangani data
training yang mempunyai data yang atributnya tidak mempunyai
nilai, memperbaiki efisiensi perhitungan (Santoso, 2007). Decision
tree sesuai digunakan untuk kasus-kasus yang keluarannya bernilai
diskrit. Walaupun banyak variasi model decision tree dengan tingkat
kemampuan dan syarat yang berbeda, pada umumnya beberapa ciri
yang cocok untuk diterapkannya decision tree adalah sebagai
berikut:
1.
Data dinyatakan dengan pasangan atribut dan nilainya
2.
Label/keluaran data biasanya bernilai diskrit
3.
Data mempunyai missing value (nilai dari suatu atribut tidak
diketahui)
Dengan cara ini akan mudah mengelompokkan obyek ke
dalam beberapa kelompok. Untuk membuat decision tree perlu
memperhatikan hal-hal berikut ini :
12
1.
Atribut mana yang akan dipilih untuk pemisahan obyek
2.
Urutan atribut mana yang akan dipilih terlebih dahulu
4.
Struktur tree
5.
Kriteria pemberhentian
6.
Pruning
2.1.5 Manfaat Pohon Keputusan
Pohon keputusan adalah salah satu metode klasifikasi yang
paling populer karena mudah untuk diinterpretasi oleh manusia.
Pohon keputusan adalah model prediksi menggunakan struktur
pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah
mengubah data menjadi pohon keputusan dan aturan-aturan
keputusan. Manfaat utama dari penggunaan pohon keputusan adalah
kemampuannya untuk mem-break down proses pengambilan
keputusan yang kompleks menjadi lebih simpel sehingga pengambil
keputusan akan lebih menginterpretasikan solusi dari permasalahan.
Pohon Keputusan juga berguna untuk mengeksplorasi data,
menemukan hubungan tersembunyi antara sejumlah calon variabel
input dengan sebuah variabel target. Pohon keputusan memadukan
antara eksplorasi data dan pemodelan, sehingga sangat bagus sebagai
langkah awal dalam proses pemodelan bahkan ketika dijadikan
sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar
menawar antara keakuratan model dengan transparansi model.
Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau
prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah
perusahaan direct mail membuat sebuah model yang akurat untuk
memprediksi anggota mana yang berpotensi untuk merespon
permintaan, tanpa memperhatikan bagaimana atau mengapa model
tersebut bekerja.
13
2.1.6 Algoritma C4.5
C4.5 adalah algoritma yang sudah banyak dikenal dan
digunakan untuk klasifikasi data yang memiliki atribut-atribut
numerik dan kategorial. Hasil dari proses klasifikasi yang berupa
aturan-aturan dapat digunakan untuk memprediksi nilai atribut
bertipe diskret dari record yang baru. Algortima C4.5 sendiri
merupakan
pengembangan
dari
algortima
ID3,
dimana
pengmabangan dilakukan dalam hal : bisa mengatasi missing data,
bisa mengatasi data kontiyu, pruning.
Secara umum algoritma C4.5 untuk membangun pohon
keputusan adalah sebagai berikut:
1.
Pilih atribut sebagai akar.
2.
Buat cabang untuk tiap-tiap nilai.
3.
Bagi kasus dalam cabang.
4.
Ulangi proses untuk setiap cabang sampai semua kasus pada
cabang memiliki kelas yang sama.
Dalam algortima C4.5 digunakan information gain untuk
memilih atribut yang akan digunakan untuk pemisahan obyek.
Atribut yang mempunyai information gain paling tinggi dibanding
atribut yang lain relatif terhadap set y dalam suati data, dipilih untuk
melakukan pemecahan.
Pada algoritma ini, pemilihan atribut mana yang akan
menempati suatu simpul dilakukan dengan melakukan perhitungan
entropi informasi (information entropy) dan mencari nilai yang
paling minimum. Pemilihan atribut pada algoritma ini berdasarkan
pada asumsi bahwa kompleksitas yang dimiliki oleh pohon
keputusan sangat berkaitan erat dengan jumlah informasi yang
diberikan oleh nilai-nilai atributnya. Dengan kata lain, teknik
heuristik berbasiskan informasi ini memilih atribut yang memberikan
14
perolehan informasi terbesar (highest information gain) dalam
menghasilkan subpohon (subtree) untuk mengklasifikasikan sampel.
Gain(S,A) = Entropy(S) –
* Entropy (Si)
(1)
Keterangan :
S
: himpunan kasus
A
: atribut
n
: jumlah partisi atribut A
|Si|
: jumlah kasus pada partisi ke-i
|S|
: jumlah kasus dalam S
Sementara itu, penghitungan nilai entropi dapat dilihat pada
persamaan berikut :
(2)
Entropy(S) =
Keterangan :
S
: himpunan Kasus
A
: fitur
n
: jumlah partisi S
pi
: proporsi dari Si terhadap S
Langkah – langkah diatas digunakan untuk menangani atribut
nominal. Perhitungan dengan metode Entropy Based Discretization
di gunakan untuk menangani atribut yang bersifat kontinu. Metode
ini menggunakan entropy sebagian dari proses pemisahan selang data
selang kontinu[10]. Untuk menemukan nilai pemisah yang terbaik
maka harus dihitung nilai split point berikut tatacaranya :
1. Urutkan data subset dari yang terkecil sampai yang terbesar.
2. Hitung rataan per 2 data yang bersebelahan yang digunakan
untuk split point dengan formula 2.3. Setiap nilai rata-rata
merupakan
titik
nilai
yang mungkin
menjadi
titik
15
perpecahan (split_point) untuk memilih titik terbaik, data
akan dipecah menurut titik yang diuji.
3. Hitung nilai informasi dari kedua sample(S) dengan formula
2.5 kemudian T(split pont) yang dimiliki nilai informasi
terkecil diambil sebagai batas node.
(3)
Split_point =
(4)
E(S,T) =
Ent( ) +
Ent( )
(5)
Nilai informasi = Gain(A,
) - E(S,T)
2.1.7 Definisi Cross-Industry Standard Process for Data Mining (CRISPDM)
Dalam bukunya [4], Larose menjelaskan fase siklus dari Data
Mining. Ada 6 (enam) fase yang siklus yang berurutan yaitu:
Business
Understanding
Deployment
Evaluation
Data
Understanding
Data
Preparation
Modeling
Gambar 2.2 Proses Data Mining menurut CRISP-DM
16
Dari enam fase CRISP-DM diatas menurut Larose adalah
sebagai berikut:
1. Fase Pemahaman Bisnis (Business Understanding Phase)
a. Menentukan tujuan proyek data mining dan kebutuhan
detail tentang manfaat untuk bisnis maupun penelitian.
b. Menerjemahkan
tujuan
dan
batasan
proyek
dari
permasalahan.
c. Persiapan langkah awal untuk mencapai tujuan proyek.
2. Fase Pemahaman Data (Data Understanding Phase)
a. Mengumpulkan data dari sumber data.
b. Menggunakan analisis data untuk mengenali lebih lanjut
data dan pencarian pengetahuan awal.
c. Evaluasi kualitas dan integritas data.
d. Pilih sebagian kecil group data yang mungkin mengandung
pola (pattern) dari permasalahan.
3. Fase Pengolahan Data (Data Preparation Phase)
a. Persiapan dataset yang akan digunakan. Pada tahap ini
dilakukan pembersihan atribut data yang tidak diperlukan
dalam fase permodelan.
b. Pilih kasus dan variabel yang ingin dianalisis sesuai dengan
tujuan proyek.
c. Transformasi variabel jika dibutuhkan.
4. Fase Permodelan (Modeling Phase)
a. Pemilihan dan penerapan teknik permodelan yang sesuai
dengan kasus yang ingin dianalisis.
17
b. Kalibrasi model untuk mengoptimalkan hasil.
c. Perlu diperhatikan bahwa beberapa teknik mungkin untuk
digunakan pada permasalahan data mining yang sama.
d. Jika diperlukan, proses dapat kembali ke fase pengolahan
data untuk menjadikan data ke dalam bentuk yang sesuai
dengan spesifikasi kebutuhan teknik data mining tertentu.
5. Fase Evaluasi (Evaluation Phase)
a. Mengevaluasi satu atau lebih model yang digunakan dalam
fase permodelan untuk mendapatkan kualitas dan efektivitas
sebelum disebarkan untuk digunakan.
b. Menetapkan apakah terdapat model yang memenuhi tujuan
pada fase awal.
c. Menentukan apakah terdapat permasalahan penting dari
bisnis atau penelitian yang tidak tertangani dengan baik.
d. Mengambil keputusan berkaitan dengan penggunaan hasil
model dari data mining.
6. Fase Penyebaran (Deployment Phase)
a. menggunakan model yang dihasilkan.
b. Conqqqtoh sederhana penyebaran: Pembuatan laporan.
Contoh kompleks penyebaran: Penerapan proses data mining secara
paralel pada departemen lain.
2.1.8 Confusion matrix
Confusion Matrix merupakan sebuah metode untuk evaluasi
yang menggunakan tabel matrix seperti pada tabel 1. Pada tabel 1
dapat dilihat bahwa jika dataset terdiri dari dua kelas, kelas yang satu
dianggap sebagai positif dan yang lainnya negatif (Bramer, 2007).
Evaluasi dengan confusion matrix menghasilkan nilai accuracy,
18
precision, dan recall. Nilai accuracy merupakan persentase jumlah
record data yang diklasifikasikan secara benar oleh sebuah algoritma
dapat membuat klasifikasi setelah dilakukan pengujian pada hasil
klasifikasi tersebut (Han & Kamber, 2006). Nilai precision atau
dikenal juga dengan nama confidence merupakan proporsi jumlah
kasus yang diprediksi positif yang juga positif benar pada data yang
sebenarnya. Sedangkan nilai dari recall atau sensitivity merupakan
proporsi jumlah kasus positif yang sebenarnya yang diprediksi
positif secara benar (Powers, 2011).
Tabel 2.2 Model Confusion Matrix
Sumber Han & Kamber (2006)
Classified as
Correct
classification
+
True
+
True
positives
False
positives
Positive
adalah
False
negatives
True negatif
jumlah
record
positif
yang
diklasifikasikan sebagai positif, false positive adalah jumlah record
negative yang diklasifikasikan sebagai positif, false negative adalah
jumlah record positif yang diklasifikasikan sebagai negative, true
negative adalah jumlah record negative yang diklasifikasikan
sebagai negatif, kemudian masukkan data uji. Setelah data uji
dimasukkan ke dalam confusion matrix, hitung nilai-nilai yang telah
dimasukkan tersebut untuk dihitung jumlah sensitivity (recall),
Specifity, precision, dan accuracy. Sensitivity digunakan untuk
membandingkan jumlah t_pos terhadap jumlah record yang positif
sedangkan Specifity, precision adalah perbandingan jumlah t_neg
terhadap jumlah record yang negatif. Untuk menghitung digunakan
persamaan dibawah ini [11].
19
Sencitivity
=
(6)
Specifity
=
(7)
Precision
=
(8)
Accuracy
=
(9)
Keterangan :
t_pos : jumlah true positif
t_neg : jumlah true negatif
p
: jumlah record positif
n
: jumlah tupel negatif
f_pos : jumlah false positif
f_neg : jumlah false negatif
Hasil
menunjukkan
evaluasi
tingkat
confusion
akurasi
hasil
matrix
dalam
klasifikasi
klasifikasi
seperti
yang
ditunjukkan dalam tabel 2.
2.1.9 Kurva ROC
Kurva ROC menunjukkan akurasi dan membandingkan
klasifikasi secara visual. ROC mengekspresikan confusion matrix.
ROC adalah grafik dua dimensi dengan false positives sebagai garis
horizontal dan treua positive sebagai garis vertical(Vercellis, 2009).
Hasil perhitungan divisualisasikan dengan kurva ROC
(Receiver Operating Characteristic) atau AUC (Area Under Curve).
ROC memliki tingkat nilai diagnose yaitu :
20
a.
Akurasi bernilai 0.90 – 1.00
= excellent classification
b.
Akurasi bernilai 0.80 – 0.90
= good classification
c.
Akurasi bernilai 0.70 – 0.80
= fair classification
d.
Akurasi bernilai 0.60 – 0.70
= poor classification
e.
Akurasi bernilai 0.50 – 0.60
= failure
Hasil yang didapat dari pengolahan ROC untuk algoritma
C4.5 dengan menggunakan data training sebesar 0.660 dapat dilihat
pada gambar 2.3 dengan tingkat diagnose poor classification.
Gambar 2.3 Contoh Evaluasi dengan Kurva ROC/AUC
2.1.10 Iklim dan Cuaca
Meteorologi adalah ilmu yang mempelajari atmosfer bumi
khususnya untuk keperluan prakiraan cuaca.
Cuaca adalah keadaan / fenomena fisik dari atmosfer (yang
berhubungan dengan Suhu, Tekanan Udara, Angin, Awan,
21
Kelembaban udara, Radiasi, Jarak Pandang/Visibility, dsb) di suatu
tempat dan pada waktu tertentu.
Iklim adalah aspek dari cuaca di suatu tempat dan pada waktu
tertentu dalam jangka panjang [5].
Unsur - unsur yang mempangaruhi cuaca atau iklim
1. Radiasi matahari
Radiasi matahari menyebabkan adanya panas di permukaan
bumi.
2. Temperatur udara
Faktor yang mempengaruhi tinggi rendahnya suhu udara :
a. Sudut datangsinar matahari.
b. Cerah tidaknya cuaca.
c. Lama penyinaran matahari.
d. Letak lintang.
e. Ketinggian tempat.
3. Tekanan Udara
a. Semakin tinggi suatu tempat, semakin rendah kerapatan
udaranya sehingga tekanan udara semakin ke atas menjadi
semakin rendah.
b. Alat untuk mengukur tekanan udara disebut Barometer.
b. Besarnya tekanan udara di permukaan bumi adalah satu
atmosfer atau 76 cmHg.
4. Angin
Angin adalah udara yang bergerak, Angin terjadi sebagai
akibat adanya perbedaan tekanan udara. Udara bergerak dari
daerah bertekanan maksimum ke daerah yang bertekanan
minimum. Gerakan secara vertikal dinamakan Konveksi, gerakan
udara secara horizontal dinamakan Adveksi, sedangkan udara
yang tidak teratur disebut dengan Turbulensi. Alat untuk
mengukur kecepatan angin adalah Anemometer.
22
Jenis - jenis angin antara lain:
a. Angin tetap
-
Angin barat adalah angin yang bertiup dari daerah sub
tropik ke kutub sampai pada lintang 60 derajat, baik
lintang utara maupun lintang selatan.
-
Angin timur adalah angin yang berasal dari daerah timur
dan terdapat pada batas kutub.
-
Angin pasat adalah angin yang berhembus terus menerus
dari daerah maksimum sub tropik selatan dan utara
menuju ke arah khatulistiwa.
-
Angin anti pasat adalah angin yang arahnya berlawanan
dengan angin pasat.
b. Angin periodik
Angin muson adalah angin yang setiap setengah tahun
bertiupnya berganti arah.
-
Angin muson laut yakni, angin yang terjadi pada musim
panas.
-
Angin muson darat yakni, angin yang terjadi pada musim
dingin.
-
Angin darat adalah angin yang berhembus dari darat ke
laut.
-
Angin laut adalah angin yang berhembus dari laut ke
darat.
-
Angin gunung adalah angin yang bertiup dari lereng
gunung ke lembah ( terjadi pada malam hari).
-
Angin lembah adalah angin yang bertiup dari lembah ke
gunung (terjadi pada siang hari).
c. Angin lokal
-
Angin siklon adalah angin di daerah depresi yang
memiliki barometris minimum dan dikelilingi barometris
maksimum.
23
-
Angin antisiklon adalah angin di daerah kompresi yang
memiliki
barometris
maksimum
dan
dikelilingi
barometris minimum.
-
Angin fohn adalah angin yang bersifat panas dan kering
yang turun dari daerah pegunungan.
d. Kelembapan udara
Kelembapan
udara
menunjukkan
banyaknya
kandungan uap air di dalam udara. Alat yang digunaka
nuntuk mengukur kelembapan udara adalah Higrometer atau
Psychrometer Kelembapan udara dinyatakan dalam bentuk
kelembapan relatif dan kelembapan mutlak.
Kelembapan relatif adalah perbandingan antara
jumlah uap air yang dikandung udara dan jumlah air
maksimum (jenuh) di udara pada temperatur dan tekanan
udara yang sama.Kelembapan relative dinyatakan dalam
persen (%).
RH = (e / es) x 100%
(4)
Keterangan :
RH
: Kelembapan relative
e
: kandungan uap air yang ada
es
: udara dalam kondisi jenuh
Kelembapan mutlak adalah jumlah uap air per satuan
volume udara yang dinyatakan dalam gr/m3 udara.
5. Awan
Terjadi akibat adanya proses kondensasi dari uap air.
Dengan demikian, awan merupakan titik - titik air yang melayang
layang di atmosfer. Jenis – jenis awan :
a. Berdasar bentuknya.
-
Awan cair, yaitu awan yang terbentuk dari bahan cair
(air).
24
-
Awan es (salju), yaitu awan yang terbentuk dari bahan es
atau salju.
-
Awan campuran, yaitu awan yang terbentuk dari bahan
air dan es (salju).
b. Berdasar ketinggiannya
-
Awan tinggi, dengan ketinggian > 7.000 m.
-
Awan sedang, dengan ketinggian 2.000 – 7.000 m,
-
Awan rendah, dengan ketinggian < 2.000 m,
c. Berdasar morfologinya,
-
Awan sirus yaitu awan yang berwarna putih, tipis, dan
pada siang hari kelihatan mengkilat karena banyak
mengandung kristal es.
-
Awan stratus, yaitu awan yang berlapis - lapis seperti
kabut tipis.
-
Awan kumulus, yaitu awan yang berkembang secara
vertikal, berbentuk kubah - kubah menyerupai bunga kol
dengan lengkungan bulat berwarna putih cemerlang jika
terkena sinar matahari.
-
Awan nimbus, yaitu awan yang berwarna gelap, kelihatan
basah dan sering menyebabkan terjadinya hujan
6. Hujan
Hujan dalah peristiwa jatuhnya titik - titik air dari
atmosfer ke permukaan bumi secara alami. Alat untuk mengukur
besarnya curah hujan adalah Ombrometer.
Jenis -jenis hujan :
a. Berdasar bentuknya
-
Hujan air (rain).
-
Hujan salju (snow).
-
Hujan es (hail stone).
25
b. Berdasar proses terjadinya
-
Hujan orografis yaitu hujan yang terjadi di daerah
pegunungan.
-
Hujan konveksi yaitu hujan yang terjadi karena pengaruh
arus konveksi.
-
Hujan frontal yaitu hujan yang terjadi di daerah subtropis
dan terjadi karena adanya pertemuan antara massa udara
panas dan dingin.
-
Hujan konvergen yaitu hujan yang terjadi karena adanya
pengumpulan awan yang disebabkan oleh angin [7].
2.1.11 Php
PHP adalah singkatan dari Hypertext PreProcessors, PHP
saat ini adalah bahasa pemrograman interpreter yang paling banyak
digunakan saat ini dikarenakan bersifat open source dan juga
paling banyak didukung oleh banyak web server.
Kelahiran PHP bermula saat Ramus Lerdrof membuat
sejumlah skrip Perl yang dapat mengamati siapa saja yang melihatlihat daftar riwayat hidupnya, yaitu tahun 1994. Tahun 1995,
Ramus menciptakan PHP/FI versi 2, dimana versi tersebut dapat
menempelkan kode terstruktur dalam tag HTML dan juga PHP
dapat berkomunikasi dengan database.
PHP dapat digunakan oleh banyak sistem operasi dari
Windows, Linux maupun BSD. PHP umumnya diintegrasikan
dengan aplikasi database yang juga open source seperti MySQL
maupun PostgreSql, tapi bisa juga diintegrasikan dengan Microsoft
SQL, Access maupun Oracle.
Penulisan skrip PHP diapit oleh tag <?php ?>, sedangkan
untuk menampilkan hasil tulisan menggunakan perintah echo “ ”; .
Berikut adalah contoh penulisannya [13]:
26
<?php
echo “Hello World ! ! !”;
?>
2.1.12 CSS (Cascading Style Sheets)
Cascading Style Sheets merupakan salah satu bagian dari
web desain yang berfungsi untuk mengatur tampilan yang ada pada
halaman web. CSS didesain untuk memisahkan tampilan halaman
dengan isi yang ditulis dengan bahasa HTML atau sejenisnya,
sehingga akan mempermudah pengaturan jika terjadi perubahan
halaman web.
Cara penulisan CSS ada tiga macam :
a. Inline Style Sheet
Penulisan langsung pada tag HTML.
<html>
<head>
<title>Inline</title>
</head>
<body>
<p
style=’color
:
red’>
Hello
World ! ! !</p>
</body>
</html>
b. Internal Style Sheet
Penulisan di dalam dokumen HTML dan ditulis menggunakan
tag <style></style>.
<html>
<head>
<title>Embedded</title>
<style>p { color : white; }</style>
</head>
27
<body>
<p> Hello World ! ! !</p>
</body>
</html>
c. Linked Style Sheet
Penulisan pada halaman terpisah dari HTML.p { color :
white; } -> ditulis pada halaman tersendiri, disimpan dan
diberi nama misalnya style.css
pada dokumen HTML :
<html>
<head>
<title>Linked</title>
<link href=”style.css” rel=”stylesheet” type=”text/css”>
</head>
<body>
<p> Hello World ! ! !</p>
</body>
</html>
2.1.13 Selector dan Declaration CSS
CSS terdiri dari dua bagian yaitu selector dan declaration.
Selector terdiri dari tag, ID dan class. Declaration berfungsi untuk
mendeskripsikan property dan value. Contohnya sebagai berikut :
p { color : white; }
keterangan : p merupakan selector, color merupakan property dan
white merupakan value.
Selector ada tiga macam yaitu :
28
1.
Tag, setiap tag yang ada pada HTML bisa digunakan sebagai
selector.
2.
ID, diawali dengan tanda “#”, dapat digunakan untuk
mendefinisikan header, footer dan content, ditambahkan “id”
jia dipanggil pada dokumen HTML.
Contoh :
#judul { color : red; }
<html>
<head>
<title>Linked</title>
<link
href=”style.css”
rel=”stylesheet”
type=”text/css”>
</head>
<body>
<p id=”judul”> Hello World ! ! !</p>
</body>
</html>
3.
Class, diawali dengan tanda titik dan ditambahkan “class” jika
dipanggil pada dokumen HTML.
Contoh :
.isiteks { color : red; }
<html>
<head>
<title>Linked</title>
<link
href=”style.css”
rel=”stylesheet”
type=”text/css”>
</head>
<body>
<p class=”isiteks”>Hello World ! ! !</p>
</body>
</html>
29
2.3
Kerangka Pemikiran
Gambar 2.3 : Kerangka Pemikiran
30
BAB III
METODE PENELITIAN
3.1
Metode Pengumpulan Data
Metode pengumpulan data sangat penting, karena dengan metode
pengumpulan data akan menentukan kualitas dan keakuratan data yang akan
digunakan selama proses penelitian. Dengan berbagai metode pengumpulan
data, peneliti menggunakan metode Studi Pustaka (Library Research
Method), Metode tersebut merupakan metode yang dilakukan untuk
mendapatkan data hasil cuaca bandara Ahmad Yani Semarang tahun 2013
dan mencari informasi mengenai pengolahan data cuaca, baik dari buku,
jurnal, laporan penelitian, algoritma C 4.5.
3.1.1
Jenis Data
Jenis data yang digunakan dalam penelitian ini adalah data
kuantitatif. Data kuantitatif adalah data yang berupa angka. Data
yang digunakan dalam penelitian ini adalah data cuaca BMKG Jawa
Tengah di Bandara Ahmad Yani Semarang tahun 2013.
Sumber Data
Sumber data yang digunakan adalah data primer dan data
sekunder.
a.
Data Primer
Yaitu data yang diperoleh secara langsung dari sumber data
tersebut yang berhubungan dengan penelitian yang dilakukan,
yaitu data cuaca Bandara Ahmad Yani Semarang yang diperoleh
dari pengamatan data di BMKG Penerbangan Bandara Ahmad
Yani Semarang.
b.
Data Sekunder
31
Yaitu data yang diperoleh dari jurnal ilmiah, publikasi, buku,
laporan penelitian dari instansi manapun yang bersifat informasi
dan kutipan serta dari internet sebagai sumber yang menunjang
landasan teori.
3.1.2 Teknik Pengumpulan Data
Teknik pengumpulan data dalam penenlitian ini adalah teknik
Studi Pustaka (Library Research Method). Merupakan metode yang
dilakukan untuk mendapatkan data cuaca tahun 2013 di BMKG
Penerbangan Bandara Ahmadyani Semarang dan mencari informasi
mengenai pengolahan data cuaca, baik dari buku, jurnal, laporan
penelitian, Algoritma C 4.5 dan Php untuk mengimplementasikany.
3.2
Teknik Analisis Data
Didalam teknik analisis data terdapat Tahap analisis system adalah
tahapan pengumpulan kebutuhan elemen – elemen pada pada tingkat
perangkat lunak atau software. Untuk itu perangkat lunaka yang digunakan
harus dapat terhubung atau berinteraksi dengan elemen – elemen yang akan
diproses antara lain data set yang duji dan hardware. Langkah – langkah
pada tahap analisis sistem adalah sebagai berikut:
a.
Identifikasi Informasi
Identifikasi yang dibutuhkan adalah mengumpulkan data set
hasil cuaca Bandara Ahmad Yani Semarang. Yang terdiri dari 5 data
yaitu : Angin(arah angina, Kecepatan Angin), suhu, cuaca, tekanan, dan
jarak pandang.
b.
Identifikasi Perangkat Lunak (Software)
Perangkat lunak yang perlu digunakan untuk pembuatan sistem
adalah:
1. Sistem Operasi Microsoft Windows 7 32-bit.
2. Xampp
3. Inkscape
32
4. Notepad++
5. RapidMiner 5
c.
Identifikasi Perangkat Keras (Hardware)
Perangkat keras yang digunakan untuk pembuatan dan
pengujian sistem adalah :
3.1 Laptop Samsung NP3004X, dengan kapasitas RAM 2GB
DDR3 Intel Celeron Nvidia Optimus 512M.
3.2 Printer Epson L100.
3.3
Pengolahan Data
Dalam penelitian ini, digunakan CRISP-DM dengan fase sebagai
berikut :
1.
Fase Pemahaman Bisnis (Business Understanding Phase)
a.
Penelitian ini memiliki tujuan bisnis menentukan aturan prediksi
yang terbentuk dari data cuaca dan delay penerbangan si bandara
Ahmad Yani Semarang. Sehingga dari hasil yang diperoleh
melalui analisis aturan prediksi dapat bermanfaat bagi pihak
bandara.
b.
Strategi awal yang akan digunakan adalah mencari dataset cuaca
penerbangan di BMKG Penerbangan Bandara Ahmad Yani
Semarang dan juga mencari dataset delay penerbangan dari pihak
PT. ANGKASAPURA I (persero) untuk merancang software data
mining.
2.
Fase Pemahaman Data (Data Understanding Phase)
Pengumpulan data primer dilakukan dengan mengambil data
cuaca penerbangan dan data delay penerbangan secara langsung dari
database BMKG Penerbangan Ahmad Yani Semarang, dan PT.
ANGKASAPURA I (persero).
33
3.
Fase Pengolahan Data (Data Preparation Phase)
Berikut merupakan cara pengolahan data cuaca dan delya
pesawat yang di dapat dari BMKG Bandara Ahmad Yani Semarang dan
PT. ANGKASAPURA I (persero).
Tabel 3.1 Data Delay Pesawat Akibat Cuaca
No.
Arah Kecepatan
Angin
Angin
Suhu
Tekanan
Udara
1.
2.
350
330
10
18
27,6
27,1
1008,4
1009,4
3.
4.
330
320
13
16
26,9
27,5
1008,3
1006,7
5.
6.
7.
8.
9.
10.
11
12
13
14
15
16
17
18
330
270
350
310
300
310
300
300
330
300
320
300
300
320
17
14
11
14
10
18
22
23
15
17
14
16
11
18
27,7
27,7
26,8
27,3
27,7
28,4
28,4
28,6
26,3
26,9
25,4
26,1
28,1
27,7
1006,8
1007,5
1007,3
1006,9
1006,2
1005,7
1007,5
1008,7
1008,7
1009,8
1010,8
1010,3
1009,6
1010,2
320
310
17
15
27,2
26,8
1010
1010,2
19
20
Visibility
Cuaca
5000 RA VCTS
5000 TS RA
TS RA
3000 VCTS
3000 TS RA
TS RA
5000 VCTS
6000 TS RA
2000 TS RA
3000 TS RA
6000 RA
2600 RA VCTS
4000 RA
3000 TS RA
3000 TS RA
1000 TS RA
1000 RA
4000 RA
6000 RA
5000 RA VCTS
TS RA
3000 VCTS
5000 SN
Keterangan
TIDAK
TIDAK
TIDAK
DELAY
TIDAK
TIDAK
DELAY
TIDAK
TIDAK
DELAY
TIDAK
TIDAK
TIDAK
DELAY
DELAY
TIDAK
TIDAK
TIDAK
DELAY
TIDAK
Langkah pertama cari split point, dikarenakan data cuaca
berbentuk numeric dengan rumus berikut.
Split_point =
Split_point =
= 285
34
Pertama urutkan data Arah Angin, Kecepatan Angin, Suhu,
Tekanan Udara dan Visibility dari data terkecil hingga terbesar, dan
hilangkan data yang sama, kemudian gunakan rumus diatas sehingga
menjadi seperti table 3.2.
Tabel 3.2 Data Hasil Split Point
Arah
Kecepatan
Suhu
270
300
310
320
330
350
10
11
13
14
15
16
17
18
22
23
25,4
26,1
26,3
26,8
26,9
27,1
27,2
27,3
27,5
27,6
27,7
28,1
28,4
28,6
1005,7
285
300
315
340
340
10,5
12
13,5
15,5
16,5
17,5
22,5
22.5
25,75
26,15
26,55
27
27,125
27,25
27,55
27,725
27,9
28,5
28,5
1005,95
1006,35
35
Tekanan
Udara
Visibility
4.
1006,2
1006,7
1006,8
1006,9
1007,3
1007,5
1008,3
1008,4
1008,7
1009,4
1009,6
1009,8
1010
1010,2
1010,3
1010,8
1006,75
1007,1
1007,5
1007,9
1008,55
1009,025
1009,5
1009,9
1010,075
1010,25
1010,8
1000
2000
2600
3000
4000
5000
6000
1010,8
1500
2150
2800
4500
5250
6000
Fase Permodelan (Modeling Phase)
Dari fase sebelumnya data preparation, setelah data diolah
sesuai kebutuhkan maka data tersebut bisa dimodelkan. Model yang
digunakan dalam penelitian ini adalah model C4.5. Pada algoritma C4.5
harus menentukan jumlah Entropy total. Hasil dari perhitungan
digunakan untuk menentukan Gain dari masing-masing atribut.
Entropy(S) =
Entropy(total) = (
Entropy(total) = (
Entropy(total) = 0,8812909
)
( ))
(
(
)
( ))
36
Gain(S,A) = Entropy(S) –
* Entropy (Si)
Gain(Total,Arah) = Entropy(total) – (
* Entropy(arah1) +
*
Entropy(arah2))
Gain(Total,Arah) = 0,8812909 – ((
)
(
))
Gain(Total,Arah) = 0,014126238
Ulangi langkah tersebut untuk menghitung entropy dan Gain
dari Kecepatan Angin, Suhu, Tekanan,Visibility, dan Cuaca. Sehingga
mendapatkan hasil seperti table berikut.
Tabel 3.3 Data Hasil Entropy dan Gain Pada Node 1
Jml kasus(S)
20
total
arah
Tidak(S1) Delay(S2)
14
6
Entropy
0,8812909
Gain
0,014126238
>340
<=340
2
18
1
13
1
5
1
0,85240518
kecepatan
0,026534328
>22,5
<=22,5
1
19
1
13
0
6
0
0,89974376
suhu
0,026534328
>28,5
<=28,5
1
19
1
13
0
6
0
0,89974376
Tekanan
0
>1010,8
<=1010,8
0
20
0
14
0
6
0
0,8812909
Visibility
0,085123625
>5250
<=5250
3
17
3
11
0
6
0
0,93666738
cuaca
0,043546524
RA VCTS
TS RA
3
8
2
5
1
3
0,91829583
0,954434
37
TS RA
VCTS
RA
SN
3
5
1
2
4
1
1
1
0
0,91829583
0,72192809
0
Dari table 3.3 diketahui Gain tertinggi adalah Visibility,
sehingga Visibility merupakan Node pertama untuk membentuk
cabang. Untuk membentuk cabang selanjutnya ulangi langkah
pencarian Entropy dan Gain dengan menjadikan Gain tertinggi sebagai
patokan hingga terbentuk pohon keputusan di bawah.
5.
Fase Evaluasi (Evaluation Phase)
Fase Evaluasi dari model yang digunakan dilakukan dengan cara
melakukan proses mining pada data set sampai memperoleh hasil. Dari
fase sebelumnya digunakan 20 sampel data cuaca tahun 2013 untuk
dimodelkan dengan algoritma C4.5 dengan nilai Entropy total
0,8812909. Sedangkan Gain terbesar 0,085123625 yang dimiliki oleh
Visibility. Kemudian dilakukan perhitungan selanjutnya sampai semua
atribut diketahui nilai Gain-nya.
6.
Fase Penyebaran (Deployment Phase)
Setelah melewati fase evaluasi, fase selanjutnya adalah fase
penyebaran model sehingga dapat digunakan untuk keperluan
manajement. Pada tahap ini rule yang diproses dapat dibentuk menjadi
sebuah pohon keputusan, sehingga pohon keputusan menjadi seperti
gambar 3.3.
38
Gambar 3.3 : Hasil Decision Tree
39
BAB IV
HASIL DAN PEMBAHASAN
4.1
Validasi dan Evaluasi
Tujuan utama dari penelitian ini adalah untuk mengetahui nilai
akurasi dari algoritma C4.5 dari data delay penerbangan yang telah
diperoleh dari BMKG Penerbangan Ahmad Yani Semarang dan PT.
AngkasaPura I(persero). Data delay penerbangan yang diolah merupakan
data tahun 2013 dan diambil recod perhari, sehingga jumlah 365 data. Dari
data tersebut memiliki 6 atribut yaitu :
1.
Arah Angin (°)
2.
Kecepatan Angin (knot)
3.
Suhu (°C)
4.
Tekanan Udara (mb)
5.
Visibility (m)
6.
Cuaca
Pada atribut cuaca memiliki 4 cuaca yaitu :
1.
RA
= Rain di bandara
2.
TS
= Thunder Storm di bandara
3.
VCTS
= Thunder Storm disekitar bandara
4.
SN
= Sunny di bandara
40
Tabel 4.1 Data set delay penerbangan di Bandara Ahmad Yani Semarang
Tabel 4.1 adalah data delay penerbangan dari BMKG Bandara
Ahmad Yani Semarang dan PT.AngkasapuraI(persero). Untuk mendapatkan
hasil akurasi dan model yang akan dihasilkan oleh algoritma C4.5 sesuai
perhitungan sebelumnya maka digunakan RapidMiner untuk mengolah 365
data tersebut. Pada bagian seting parameter algoritma C4.5 untuk
menentukan information gain, maka digunakan setingan seperti gambar 4.2.
41
Gambar 4.2 Setting parameter RapidMiner
Untuk mendapatkan nilai akurasi dari algoritma tersebut, penelitian
ini menggunakan metode Validasi split-validation. Desain model C4.5 yang
terdapat pada RapidMiner.
Pada Main Proces masukkan Data Set / Retrieve New dan
Validation. Di dalam Validation ada 2 kolom yaitu kolom Training dan
Testing. Pada kolom Training masukkan algoritma klasifikasi yang di
terapkan yaitu Decision Tree, dan pada kolom Testing masukkan Apply
Model untuk menjalankan algoritma/model C4.5 dan Performance untuk
mengukur performance dari C4.5 tersebut.
42
Gambar 4.3 Desain Model Validasi
4.2
Hasil Percobaan dan Pengujian Metode
Hasil evaluasi confusion matrix dalam klasifikasi menunjukkan
tingkat akurasi hasil klasifikasi seperti yang di tunjukkan dalam tabel 4.2.
Dari tabel tersebut dapat diketahui tingkat akurasi hasil klasifikasi delay
penerbangan sebesar 94,55%. Untuk perhitungan manual dapat di gunakan
persamaan 9.
43
Akurasi =
X 100%
Akurasi =
Akurasi =
X 100%
X 100% = 94.55%
Tabel 4.2 Hasil nilai akurasi dari data delay penerbangan yang di tampilkan oleh
RapidMiner
Berdasarkan tabel 4.3 hasil evaluasi dengan confusion matrix
menunjukkan nilai precision sebesar 80.00%. untuk perhitungan manual
dapat menggunakan persamaan 8.
Precision
=
* 100%
Precision
=
Precision
= 80,00%
* 100%
Tabel 4.3 Nilai precision dari data delay penerbangan yang di tampilkan
oleh RapidMiner
44
Berdasarkan tabel 4.4 hasil recall dengan confusion matrix
menunjukkan nilai recall sebesar 66.67%. Untuk perhitungan manual
dapat menggunakan persamaan 6.
Recall =.
Recall =
* 100%
* 100%
Recall = 66.67%
Tabel 4.4 Nilai precision dari data delay penerbangan yang di tampilkan
oleh RapidMiner
Hasil yang didapat dari pengolahan ROC untuk algoritma C4.5
dengan menggunakan data training sebesar 0.815 dapat dilihat pada
gambar 4.4 dengan tingkat diagnosa good classification.
Gambar 4.4 Hasil ROC dari C4.5 yang ditampilkan oleh RapidMiner
45
Tabel 4.1 Hasil Akurasi dan AUC dari C4.5
Percobaan
C4.5
Akurasi
Performa AUC
Lama Waktu
Eksekusi
1
94.55%
0.815
0S
2
94.55%
0.815
0S
Hasil diatas menunjukkan algoritma C4.5 yang diterapkan pada data
set Delay penerbangan tahun 2013, data menghasilkan nilai akurasi
confusion matrix sebesar 94.55% dan akurasi AOC 0.815 dalam selang
waktu 1 detik.
4.3
Hasil Pemodelan Pohon Keputusan dan Rule
Gambar 4.6 Hasil Pemodelan Tree C4.5
46
Rule yang tercipta dari gambar hasil pemodelan diatas adalah
sebagai berikut :
1.
Jika Visibility > 2800 DAN Visibility > 3250 maka TIDAK.
2.
Jika Visibility > 2800 DAN Visibility ≤ 3250 DAN Suhu > 27,950
maka TIDAK.
3.
Jika Visibility > 2800 DAN Visibility ≤ 3250 DAN Suhu ≤ 27,950
DAN Kecepatan Angin > 15,5000 Maka DELAY.
4.
Jika Visibility > 2800 DAN Visibility ≤ 3250 DAN Suhu ≤ 27,950
DAN Kecepatan Angin ≤ 15,500 DAN Arah Angin > 250 Maka Tidak.
5.
Jika Visibility > 2800 DAN Visibility ≤ 3250 DAN Suhu ≤ 27,950
DAN Kecepatan Angin ≤ 15,500 DAN Arah Angin ≤ 250 Maka Delay.
6.
Jika Visibility ≤ 2800 DAN Arah Angin > 25 DAN Kecepatan Angin >
9,500 Maka Delay.
7.
Jika Visibility ≤ 2800 DAN Arah Angin > 25 DAN Kecepatan Angin ≤
9,500 DAN Arah Angin > 315 MAKA DELAY.
8.
Jika Visibility ≤ 2800 DAN Arah Angin > 25 DAN Kecepatan Angin ≤
9,500 DAN Arah Angin ≤ 315 MAKA TIDAK.
9.
4.4
Jika Visibility ≤ 2800 DAN Arah Angin ≤ 25 MAKA TIDAK.
Aplikasi Sederhana
Dari rule yang dihasilkan dari RapidMiner maka dapat di buat
aplikasi berbasis website. Cara kerja aplikasi ini yaitu dengan cara
menginputkan Arah Angin, Kecepatan Angin, Jarak Pandang / Visibility,
Cuaca, Suhu, dan Tekanan Udara. Kemudian klik Prediksi Maka akan
muncul hasil prediksi apakah penerbangan berprediksi DELAY atau
TIDAK.
Aplikasi ini di tujukan untuk pihak bandara dan pihak maskapai,
dikarenakan untuk informasi cuaca yang mengetahui cara membaca dan
pengolahannya hanya pihak dari bandara dan maskapai. Kemudian dari
output aplikasi bisa di umumkan di papan pengumuman di bandara dengan
47
bahasa yang mudah di mengerti oleh penumpang, sehingga para penumpang
dapat mengerti kenapa terjadi delay penerbangan dari informasi yang
dikeluarkan oleh pihak bandara dan maskapai penerbangan jelas kepada
para penumpang apabila terjadi Delay Penerbangan. Tampilan Aplikasi
Delay Penerbangan dapat di lihat pada gambar 4.7.
Gambar 4.7 Form input Delay Penerbangan
Inputkan Arah Angin(°), Kecepatan Angin(knot), Jarak Pandang /
Visibility(m), Cuaca, Suhu(°C), Tekanan Udara(mb). Seperti pada gambar
4.8, kemudian klik Prediksi.
48
Gambar 4.8 Form input Delay Penerbangan
Setelah data diolah maka tampillah hasil prediksi dari data yang di
inputkan tadi seperti pada gambar 4.9. Hasil yang keluar dari hasil inputan
tadi adalah ”Tidak Delay”. Dengan demikian pihak bandara atau maskapai
bisa memberitahukan informasi yang jelas kepada calon penumpang apabila
terjadi Delay penerbangan.
49
Gambar 4.9 Hasil prediksi Delay Penerbangan
Hasil presentase prediksi dibandingkan dengan data histori delay
penerbangan adalah 99,178 %. Dari 365 data histori delay, ada 362 data prediksi
yang sama. Hasil dapat dilihat pada gambar 4.10.
50
Gambar 4.10 Persentase hasil delay penerbangan
51
BAB V
PENUTUP
5.1
Kesimpulan
Dari analisis data Delay Penerbangan menggunakan algoritma C4.5
berdasarkan literatur yang digunakan maka dapat disimpulkan bahwa
dengan algoritma C4.5 dapat diterapkan untuk menentukan Delay
Penerbangan yang diakibatkan oleh cuaca. Dengan menggunakan validasi
model menggunakan split-validation dan evaluasi model menggunakan
confusion matrix serta kurva ROC.
Hasil menunjukkan bahwa algoritma C4.5 yang diterapkan pada
data set Delay penerbangan di tahun 2013, data menghasilkan nilai akurasi
confusion matrix sebesar 94.55% dan akurasi AOC 0.815 dalam selang
waktu 0 detik.
Dengan adanya penerapan Decision Tree C4.5 diharapkan mampu
memberikan solusi bagi pihak bandara maupun maskapai penerbangan
dalam membantu menentukan delay penerbangan akibat gangguan cuaca
buruk. Sehingga pihak maskapai dapat memberikan informasi kepada
penumpang bahwa ada delay penerbangan beserta alasan kenapa harus
diadakan delay.
5.2
Saran
Proses penelitian ini mendapatkan banyak hambatan seperti
terbatasnya data penelitian dan perangkat keras yang digunakan. Untuk
penelitian selanjutnya terdapat beberapa saran sebagai berikut :
1.
Untuk mendapatkan hasil akurasi yang lebih baik, sebaiknya menambah
atribut
keadaan
menerbangkanya.
pesawat
yang
digunakan,
serta
pilot
yang
52
2.
Data yang di peroleh hanya di tahun 2013, Untuk mendapatkan hasil
yang lebih akurat bisa menggunakan data set yang lebih banyak atau
rentang waktu yang lebih lama.
3.
Untuk mempercepat hasil eksekusi sebaiknya menggunakan perangkat
keras dengan spesifikasi processor core i7 dengan RAM 8gb atau
spesifikasi yang lebih tinggi lagi.
53
DAFTAR PUSTAKA
[1]
Nur Endah Sari, “PREDIKSI CUACA BERBASIS LOGIKA FUZZY
UNTUK REKOMENDASI PENERBANGAN DI BANDAR UDARA
RAJA HAJI FISABILILLAH,” Universitas Gunadarma,2011
[2]
Soejadi
Wh,
“MANFAAT
PENERBANGAN,”
31
DAN
Agustus
BAHAYA
2010.
CUACA
[online].
DALAM
Available:
http://pustakacuaca.blogspot.com/2010/08/manfaat-dan-bahaya-cuacadalam.htm. [Accessed 30 Januari 2014]
[3]
http://news.detik.com/read/2012/03/01/004810/1854995/10/penundaanpenerbangan-garuda-imbas-cuaca-buruk. Diakses 24 Februari 2014
[4]
Aa Zezen Zaenal Abidin , “IMPLEMENTASI ALGORITMA C 4.5
UNTUK MENENTUKAN TINGKAT BAHAYA TSUNAMI”,
Jurusan
Teknik Informatika STMIK Subang, Jawa Barat, 2 Juli 2011.
[5]
http://usupress.usu.ac.id/files/Algoritma%20dan%20Pemrograman;%20Teo
ri%20dan%20Praktik%20dalam%20Pascal%20Edisi%20Kedua_Normal_ba
b%201.pdf. Diakses 24 Februari 2014
[6]
http://www.meteojuanda.info/index.php?option=com_content&view=article
&id=36&Itemid=34. Diakses 26 Februari 2014
[7]
http://baithanitosari.org/wp-content/uploads/2013/05/RM-GEO-VII.pdf.
Diakses 26 Februari 2014
[8]
Kusrini,&Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Andi
Publishing
[9]
Bramer, Max. 2007. Principles of Data Mining. London: Springer. ISBN10: 1-84628-765-0, ISBN-13: 978-1-84628-765-7.
[10] Jiawei Han, Data Mining : Concepts and Techniques., 2006.
54
[11] Han, J., & Kamber, M. 2006. Data Mining Concept and Tehniques. San
Fransisco: Morgan Kauffman. ISBN 13: 978-1-55860-901-3.
[12] Liliana Swastina, ” Penerapan Algoritma C4.5 Untuk Penentuan Jurusan
Mahasiswa”, Jurnal GEMA AKTUALITA, Vol.2 No.1, Juni 2013.
[13] Andrea Adelheid & Khairil Nst (2012). Buku Pintar Menguasai PHPMySQL. ISBN 9797943141.
[14] MADCOMS (2009). Menguasai XHTML, CSS, PHP, & MySQL melalui
DREAMWEAFER. ISBN 9789792909821 .