BAB II LANDASAN TEORI 2.1 Data Mining Data mining merupakan

BAB II
LANDASAN TEORI
2.1
Data Mining
Data mining merupakan serangkaian proses untuk menggali nilai tambah
berupa informasi yang selama ini tidak diketahui secara manual dari suatu
basisdata dengan melakukan penggalian pola-pola dari data dengan tujuan untuk
memanipulasi data menjadi informasi yang lebih berharga yang diperoleh dengan
cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang
berukuran besar (Han & Kamber, 2006).
Data mining biasa juga dikenal dengan nama lain seperti : Knowledge
discovery (mining) in databases (KDD), ekstraksi pengetahuan (knowledge
extraction) (Fayyad, 1996) , analisa data/pola dan kecerdasan bisnis (business
intelligence) dan merupakan alat yang penting untuk memanipulasi data untuk
penyajian informasi sesuai kebutuhan pengguna dengan tujuan untuk membantu
dalam analisis koleksi pengamatan perilaku, secara umum definisi data-mining
dapat diartikan sebagai berikut

Proses penemuan pola yang menarik dari data yang tersimpan dalam
jumlah besar.

Ekstraksi dari suatu informasi yang berguna atau menarik (non-trivial,
implisit, sebelumnya belum diketahui potensial kegunaannya) pola atau
pengetahuan dari data yang disimpan dalam jumlah besar.

Ekplorasi dari analisa secara otomatis atau semiotomatis terhadap datadata dalam jumlah besar untuk mencari pola dan aturan yang berarti.
Alasan utama mengapa data mining sangat menarik perhatian industri
informasi dalam beberapa tahun belakangan ini adalah karena tersedianya data
dalam jumlah yang besar dan semakin besarnya kebutuhan untuk mengubah data
5
6
tersebut menjadi informasi dan pengetahuan yang berguna (David, 2000). Dimana
langkah-langkah untuk melakukan data mining adalah sebagai berikut :
Gambar 1 Tahapan Data Mining (Han & Kamber, 2006)
 Data cleaning (untuk menghilangkan noise data yang tidak konsisten)
 Data integration (di mana sumber data yang terpecah dapat disatukan)
 Data selection (di mana data yang relevan dengan tugas analisis
dikembalikan ke dalam basisdata)
 Data transformation (di mana data berubah atau bersatu menjadi bentuk
yang tepat untuk menambang dengan ringkasan performa atau operasi
agresi)
 Data mining (proses esensial di mana metode yang intelejen digunakan
untuk mengekstrak pola data)
 Pattern evaluation (untuk mengidentifikasi pola yang benar-benar menarik
yang mewakili pengetahuan berdasarkan atas beberapa tindakan yang
menarik)
 Knowledge presentation (di mana gambaran teknik visualisasi dan
pengetahuan digunakan untuk memberikan pengetahuan yang telah
ditambang kpada user).
7
Arsitektur dari data mining yang khas memiliki beberapa komponen utama
yaitu ( Han & Kamber, 2006 ) :

Database, data warehouse, atau tempat penyimpanan informasi lainnya.

Server database atau data warehouse.

Knowledge base

Data mining engine.

Pattern evolution module.

Graphical user interface.
Ada beberapa jenis data dalam data mining yaitu ( Han & Kamber, 2006 ) :

Relation Database : Sebuah sistem basisdata, atau disebut juga database
management system (DBMS), mengandung sekumpulan data yang saling
berhubungan, dikenal sebagai sebuah database, dan satu set program
perangkat lunak untuk mengatur dan mengakses data tersebut.

Data Warehouse : Sebuah data warehouse merupakan sebuah ruang
penyimpaan informasi yang terkumpul dari beraneka macam sumber,
disimpan dalam skema yang menyatu, dan biasanya terletak pada sebuah
site atau tempat.
Kegunaan data mining adalah untuk menspesifikasikan pola yang harus
ditemukan dalam tugas data mining. Secara umum tugas data mining dapat
diklasifikasikan ke dalam dua kategori yaitu
deskriptif dan prediktif. Tugas
menambang secara deskriptif adalah untuk mengklasifikasikan sifat umum suatu
data di dalam basisdata. Tugas data mining secara prediktif adalah untuk
mengambil kesimpulan terhadap data terakhir untuk membuat prediksi. Berikut
beberapa fungsionalitas dari data mining ( Han & Kamber, 2006 ).
a) Konsep/Class Description
Data dapat diasosiasikan dengan pembagian class atau konsep. Untuk
contohnya, ditoko All Electronics, pembagian class untuk barang yang
akan dijual termasuk komputer dan printer, dan konsep untuk konsumen
8
adalah big Spenders dan budget Spender. Hal tersebut sangat berguna
untuk menggambarkan pembagian class secara individual dan konsep
secara ringkas, laporan ringkas, dan juga pengaturan harga. Deskripsi
suatu class atau konsep seperti itu disebut class/concept descripition.
b) Association Analysis
Association
analysis
adalah
penemuan
association
rules
yang
menunjukkan nilai kondisi suatu attribute yang terjadi bersama-sama
secara terus-menerus dalam memberikan set data. Association analysis
secara luas dipakai untuk market basket atau analisa data transaksi.
c) Klasifikasi dan Predikasi
Klasifikasi dan prediksi mungkin perlu diproses oleh analisis relevan, yang
berusaha untuk mengidentifikasi atribut-atribut yang tidak ditambahkan
pada proses klasifikasi dan prediksi. Atribut-atribut ini kemudian dapat di
keluarkan.
d) Cluster Analysis
Tidak seperti klasifikasi dan prediksi, yang menganalisis objek data
dengan kelas yang terlabeli, clustering menganalisis objek data tanpa
mencari keterangan pada label kelas yang diketahui. Pada umumnya, label
kelas tidak ditampilkan di dalam data sample, karena mereka tidak tahu
bagaimana memulainya. Clustering dapat digunakan untuk menghasilkan
label-label.
e) Outlier Analysis
Outlier dapat dideteksi menggunakan tes yang bersifat statistik yang
mengambil sebuah distribusi atau probabilitas model untuk data, atau
menggunakan langkah-langkah jarak jauh di mana objek yang penting jauh
dari cluster lainnya dianggap outlier. Sebuah database mungkin
mengandung objek data yang tidak mengikuti tingkah laku yang umum
atau model dari data. data ini disebut outlier.
9
f) Evolution Analysis
Data analisa evolusi menggambarkan ketetapan model atau kecenderungan
objek yang memiliki kebiasaan berubah setiap waktu. Meskipun ini
mungkin termasuk karakteristik, diskriminasi, asosiasi, klasifikasi, atau
clustering data berdasarkan waktu, kelebihan yang jelas seperti analisa
termasuk analisa data time-series, urutan atau pencocockkan pola secara
berkala, dan kesamaan berdasarkan analisa data.
Untuk melakukan data mining yang baik ada beberapa persoalan utama
yaitu menyangkut metodologi mining dan interaksi pengguna, performance dan
perbedaan tipe database ( Han & Kamber, 2006 ).. Hal inilah yang sering kali
dihadapi disaat kita ingin melakukan data mining. Spasio-temporal clustering data
mining merupakan bentuk data mining yang melakukan analisis terhadap data
spasial dan temporal. Data spasial dan temporal diambil dari tempat tertentu
(spasial) secara periodik dalam rentang waktu tertentu (temporal).
2.2
Clustering
Clustering adalah suatu metode yang mengelompokkan sejumlah besar
data menjadi suatu bagian-bagian kecil data yang mempunyai kemiripan letak,
sifat, ciri, atau filter lain yang telah ditentukan ( Han & Kamber, 2006 ). Dalam
mengelompokkan suatu data menjadi suatu bagian-bagian kecil diperlukan suatu
centroid of a group of data sets atau sebuah titik yang akan dijadikan nilai
parameter utama dari keseluruhan titik data yang terdapat pada kelompok.
Banyak manfaat dari algoritma clusterisasi yang dapat kita terapkan dalam
kehidupan sehari-hari
seperti
pengenalan
bentuk
(pattern
recognition),
kecerdasan buatan (artificial intelligence) (AI), data mining, dan lain-lain.
Tipe-tipe algoritma clusterisasi dapat di kelompokkan menjadi dua kategori
besar yaitu : Hierarchical methods (misal : Single Linkage dan Centroid
Linkage) dan Partitionong methods (misal : K-Means dan residual analysis).
10
Metode clusterisasi yang baik akan menghasilkan cluster yang berkualitas
tinggi yang bersifat :
a) Memiliki tingkat kemiripan yang tinggi dalam satu-class similarity
b) Memiliki tingkat kemiripan yang rendah pada antar-class dissimilarity
Kualitas clusterisasi tergantung pada ukuran kemiripan yang digunakan
oleh metode dan implementasinya. Kualitas clusterisasi juga diukur oleh
kemampuannya
untuk menemukan beberapa atau semua pola-pola yang
tersembunyi. Kelompok baru yang terbentuk dipengaruhi oleh ukuran keserupaan
yang digunakan. Ukuran keserupaan itu biasanya adalah jarak. Sehingga objek
yang jaraknya berdekatan, memiliki peluang yang besar untuk menjadi anggota
kelompok yang sama. Demikian juga objek yang berjauhan akan menjadi anggota
pada kelompok yang berbeda.
2.2.1 Kategori Metode Clustering
Menurut ( Han & Kamber, 2006 ) kategori metode clustering dibagi
menjadi 4, yaitu :
1. Clusterisasi partitioning
Clusterisasi Partitioning disebut juga clusterisasi exclusive,
dimana setiap data harus termasuk ke cluster tertentu.
Karakteristik tipe ini juga memungkinkan bagi setiap data
yang termasuk cluster tertentu pada suatu tahapan proses, pada
tahapan berikutnya berpindah ke cluster yang lain.
Contoh : K-Medoids, K-Means.
2. Clusterisasi hierarchical
Pada clusterisasi hierarchical, Setiap data harus termasuk ke
cluster tertentu. Dan suatu data yang termasuk ke cluster
tertentu pada suatu tahapan proses, tidak dapat berpindah ke
cluster lain pada tahapan berikutnya.
11
Contoh: Single Linkage, Centroid Linkage,Complete Linkage,
Average Linkage.
3. Density – based method
Density - based clustering menghitung jarak antar cluster
berdasar kepadatan. Metode ini mencari kumpulan data
dengan kepadatan yang tinggi untuk dijadikan sebagai cluster.
Bentuk cluster yang dihasilkan oleh metode ini tergantung
kepada kepadatan tersebut. Sehingga dengan dimungkinkan
untuk menghasilkan bentuk cluster yang sembarang.
Contohnya adalah: DBSCAN dan OPTICS.
4. Grid – based method
Operasi clustering dengan metode ini berdasar kepada
struktur grid. Keuntungan utama menggunakan teknik ini
adalah kecepatan waktu pemrosesan karena tidak bergantung
kepada jumlah obyek data dan hanya bergantung jumlah sel
pada masing-masing dimensi.
Contohnya adalah: STING dan Wavecluster.
2.2.2 Algoritma Clusterisasi
Ada beberapa algoritma yang sering digunakan dalam proses clusterisasi,
yaitu :
1. Fuzzy C-Means
Fuzzy C-Means (FCM) merupakan suatu teknik pengcluster-an data dimana tiap-tiap data dalam suatu cluster ditentukan
oleh derajat keanggotaannya. Teknik ini pertama kali diperkenalkan
oleh Jim Bezdek pada tahun 1981. Terdapat beberapa perbedaan
yang mendasar antara teknik peng-cluster-an klasik dengan teknik
12
peng-cluster-an fuzzy yaitu pada partition clustering yang bersifat
klasik, suatu data hanya menjadi anggota pada satu cluster saja,
sedangkan pada partisi fuzzy suatu data bisa menjadi anggota pada
dua cluster yang berbeda. Hal ini disebabkan karena nilai
keanggotaan suatu data pada partisi fuzzy terletak pada interval 0
sampai dengan 1. Konsep fuzzy c-means antara lain:



Penentuan pusat cluster yang menandai lokasi rata-rata
untuk tiap cluster, dengan kondisi awal tidak akurat.
Tiap data memiliki derajat keanggotaan untuk masingmasing cluster.
Dengan perulangan yang didasarkan pada minimisasi
fungsi obyektif, pusat cluster dan nilai kenaggotaan
diperbaiki. Sehingga lokasi cluster bisa berada pada
posisi yang benar.
Algoritma Fuzzy C-Means adalah sebagai berikut:
1. Input data yang akan dicluster X, berupa matriks
berukuran n x m (n=jumlah sample data, m=atribut
setiap data). Xij=data sample ke- i(i=1,2,…,n), atribut
ke-j(j=1,2,…,m).
2. Tentukan:
o
Jumlah cluster
= c;
o
Pangkat
= w;
o
Maksimum iterasi
= MaxIter;
o
Error terkecil yang diharapkan
= ζ;
o
Fungsi obyektif awal
= P0 =0;
o
Iterasi awal
= t=1;
13
3. Bangkitkan nilai acak µ ik, i=1,2,…,n; k=1,2,…,c;
sebagai elemen-elemen matriks partisi awal u. µ ik
adalah derajat keanggotaan yang merujuk pada
seberapa besar kemungkinan suatu data bisa menjadi
anggota ke dalam suatu cluster. Posisi dan nilai matriks
dibangun secara random. Dimana nilai keangotaan
terletak pada interval 0 sampai dengan 1. Pada posisi
awal matriks partisi U masih belum
akurat begitu
juga pusat clusternya. Sehingga kecendrungan data untuk
masuk suatu cluster juga belum akurat.
Hitung jumlah setiap kolom (atribut)
Qj adalah jumlah nilai derajat
keanggotaan perkolom = 1 dengan
j=1,2,…m
Hitung
4. Hitung pusat Cluster ke-k: Vkj ,dengan k=1,2,…c; dan
j=1,2,…m.
14
5. Hitung fungsi obyektif pada iterasi ke-t, Pt.
Fungsi obyektif digunakan sebagai syarat perulangan
untuk mendapatkan pusat cluster yang tepat. Sehingga
diperoleh kecenderungan data untuk masuk ke cluster
mana pada step akhir.
6. Hitung perubahan matriks partisi:
dengan: i=1,2,…n;dan k=1,2,..c.
7. cek kondisi berhenti:
o jika:( |Pt - Pt-1 |<ζ ) atau (t>maxIter) maka berhenti;
o jika tidak: t=t+1, ulangi langkah ke-4.
15
2. Clusterisasi Hierarchical
Dengan metode ini, data tidak langsung dikelompokkan
kedalam beberapa cluster dalam 1 tahap, tetapi dimulai dari 1
cluster yang mempunyai kesamaan, dan
selama
beberapa
iterasi,
hingga
berjalan
terbentuk
seterusnya
beberapa cluster
tertentu.
Arah clusterisasi hierarchical dibagi 2, yaitu :
a) Divisive
•
Dari 1 cluster ke k cluster
•
Pembagian dari atas ke bawah (top to down division)
b) Agglomerative
•
Dari N cluster ke k cluster
•
Penggabungan dari bawah ke atas (down to top merge).
Algoritma hierarchical clustering :
1. Menentukan k sebagai jumlah cluster yang ingin dibentuk
2. Setiap data dianggap sebagai cluster. Kalau N = jumlah data
dan c=jumlah cluster, berarti ada c=N.
3. Menghitung jarak antar cluster
4. Cari 2 cluster yang mempunyai jarak antar cluster yang paling
minimal dan gabungkan (berarti c=c-1).
5. Jika c>k, kembali ke langkah 3.
Gambar 2 Ilustrasi algoritma clusterisasi hierarchical (Han & Kamber, 2006)
16
3. Density Based Cluster (DBSCAN)
Density Based Cluster ( Density-based Spatial Clustering of
Aplication with Noise ) termasuk algoritma clustering berbasis
kepadatan. DBSCAN mencari kumpulan data dengan kepadatan yang
tinggi untuk dijadikan sebagai cluster. Bentuk cluster yang dihasilkan
oleh DBSCAN tergantung kepada kepadatan tersebut. Sehingga dengan
algoritma ini dimungkinkan untuk menghasilkan bentuk cluster yang
sembarang. Suatu cluster dalam DBSCAN didefinisikan sebagai
sekumpulan maksimum data yang terhubung didalam kepadatan tersebut
(density connected). Keanggotaan dari setiap anggota cluster dihitung
berdasar rumus jarak. Berbeda dengan k-means, DBSCAN termasuk
unsupervised clustering karena jumlah cluster yang dihasilkan
ditentukan oleh persebaran data itu sendiri, bukan diinisialisasi awal.
Gambar 3 Density Based Cluster (Ester,Kriegel, Sander, 1996)
Alasan utama mengapa cluster - cluster pada Gambar 4 dapat
dibentuk adalah karena kepadatan point - point data pada sebuah cluster
relatif lebih padat bila dibandingkan dengan point - point data diluar
cluster (Ester, 1996). Komponen-komponen yang ada dalam proses
17
analisis clustering dengan DBSCAN adalah
a. Epsilon
Epsilon merupakan nilai threshold untuk jarak antar-items yang
menjadi dasar pembentukan neighborhood dari suatu titik item.
Neps (P), didefinisikan sebagai
Neps (p)={ q ∈D ┤|(p,q)≤Eps}
Dimana D adalah basisdata yang dianalisis, q adalah data lain. Eps
adalah nilai ambang jarak antar data untuk dapat dimasukkan ke
dalam cluster yang sama. Dari definisi tersebut data p dapat
berkerabat dengan data q jika jarak dari p ke q tidak lebih dari Eps.
b. Minimum Points
Meskipun p berada dalam Eps-neighborhood dari q, akan tetapi
jika hanya dua data tersebut yang berkerabat maka akan terjadi
kasus dimana terdapat banyak cluster dengan anggota sedikit.
Untuk mencegah hal tersebut diperkenalkan istilah minimum
points atau MinPts. MinPts merupakan nilai ambang yang
merepresentasikan jumlah nilai minimal data yang berada dalam
Eps-neighborhood data p agar dapat terbentuk cluster. Dengan
nilai ambang ini, maka ada tiga klasifikasi jenis profil DBSCAN
yaitu profil yang berada di luar daerah padat disebut outlier, data
yang berada di pangkal daerah padat disebut border point, dan data
yang berada di dalam daerah padat disebut core point.
c. Directly Density- reachable
Sebuah data p dikatakan Directly Density- reachable terhadap data
q jika p ∈ Neps (q) dan | Neps (q) ≥ MinPts ( q merupakan core
point ). Dari definisi tersebut dapat diketahui bahwa agar data p
Directly Density- reachable terhadap data q, maka harus memenuhi
dua syarat yaitu data p berada Eps-neighborhod data q dan data q
merupakan core point. Artinya, jika p Directly Density- reachable
terhadap q, maka q Directly Density- reachable terhadap p.
18
d. Density-reachable
Sebuah data p dikatakan density-reachable terhadap data q, jika
terdapat rantai p1,…pn, dengan p1=p dan pn=q, sedemikian
sehingga pi+1 bersifat directly density-reachable terhadap pi. Dari
definisi tersebut dapat diketahui bahwa dua data dikatakan densityreachable jika ada satu rantai data sedemikian sehigga dari satu
data ke data lain di dalam rantai tersebut bersifat directly densityreachable. Sifat directly density-reachable tidak menjamin dua
border point density-reachable.
e. Density-connected
Sebuah data p dikatakan density-connected terhadap data q jika
terdapat data o sedemikian sehingga data p dan data q bersifat
density-reachable terhadap data o. Dengan demikian, setidaknya
dua data dalam satu cluster bersifat density-connected. Densityconnected bersifat simetris dan refleksif. Artinya, jika data p
bersifat density-connected terhadap data q, maka data q bersifat
density-connected terhadap data p.
Nilai Eps dan MinPts harus diketahui untuk dapat menjalankan
algoritma DBSCAN. Algoritma ini dimulai dengan memilih satu data p
secara acak, kemudian mencari data-data lain yang density-reachable
terhadap data p. Jika p merupakan core point, maka terbentuk suatu
cluster. Akan tetapi jika merupakan core point maka DBSCAN akan
mencari data lain dari basisdata. Dalam proses tersebut, terdapat
kemungkinan dua cluster bergabung jika kedua cluster tersebut dekat.
19
2.3 Matlab
Matlab adalah singkatan dari MATrix LABoratory, merupakan bahasa
pemrograman yang dikembangkan oleh The Mathwork Inc. yang hadir dengan
fungsi dan karakteristik yang berbeda dengan bahasa pemrograman lain yang
sudah ada lebih dahulu seperti Delphi, Basic maupun C++. Matlab merupakan
bahasa pemrograman level tinggi yang dikhususkan untuk kebutuhan komputasi
teknis, visualisasi dan pemrograman seperti komputasi matematik, analisis data,
pengembangan algoritma, simulasi dan pemodelan dan grafik-grafik perhitungan
(Hunt, 2001). Pada awalnya Matlab dibuat untuk memberikan kemudahan
mengakses data matrik pada proyek LINPACK dan EISPACK. Saat ini matlab
memiliki ratusan fungsi yang dapat digunakan sebagai problem solver mulai dari
simple sampai masalah-masalah yang kompleks dari berbagai disiplin ilmu.
Dalam lingkungan perguruan tinggi teknik, Matlab merupakan perangkat
standar
untuk
memperkenalkan
dan
mengembangkan
penyajian
materi
matematika, rekayasa dan kelimuan. Di industri, MATLAB merupakan perangkat
pilihan untuk penelitian dengan produktifitas yang tinggi, pengembangan dan
analisanya.
Kegunaan MatLab secara umum adalah sebagai berikut:
a) Matematika dan komputasi,
b) Perkembangan algoritma,
c) Pemodelan, simulasi, dan pembuatan prototype,
d) Analisa data, eksplorasi dan visualisasim
e) Pembuatan aplikasi, termasuk pembuatan antaramuka grafis.
Karakteristik MATLAB :
 Bahasa pemrogramannya didasarkan pada matriks (baris dan kolom).
 Lambat (dibandingkan dengan Fortran atau C) karena bahasanya langsung
diartikan.
 Automatic memory management, misalnya kita tidak harus
20
mendeklarasikan arrays terlebih dahulu.
 Tersusun rapi.
 Waktu pengembangannya lebih cepat dibandingkan dengan Fortran atau
C.
 Dapat diubah ke bahasa C lewat MATLAB Compiler.
 Tersedia banyak toolbox untuk aplikasi-aplikasi khusus.
Beberapa kelebihan Matlab jika dibandingkan dengan program lain seperti
Fortran, dan Basic adalah :
1. Mudah dalam memanipulasi struktur matriks dan perhitungan berbagai
operasi matriks yang meliputi penjumlahan, pengurangan, perkalian,
invers dan fungsi matriks lainnya.
2. Menyediakan fasilitas untuk memplot struktur gambar (kekuatan fasilitas
grafik tiga dimensi yang sangat memadai).
3. Script program yang dapat diubah sesuai dengan keinginan user.
4. Jumlah routine-routine powerful yang berlimpah yang terus berkembang.
Kemampuan interface (misal dengan bahasa C, word dan mathematica).
5. Dilengkapi dengan toolbox, simulink, stateflow dan sebagainya, serta
mulai melimpahnya source code di internet yang dibuat dalam matlab(
contoh toolbox misalnya : signal processing, control system, neural
networks dan sebagainya).
2.4 Klorofil a
Klorofil lebih atau zat hijau daun
merupakan pigmen yang terdapat
pada organisme produsen yang berfungsi sebagai pengubah karbondioksida
menjadi karbohidrat, melalui proses fotosintesis. Klorofil mempunyai rumus
kimia C55H72O5N4Mg dengan atom Mg sebagai
merupakan salah satu parameter yang sangat
pusatnya. Klorofil a
menentukan
produktivitas
21
primer
di
laut. Sebaran
sangat
terkait
dengan
dan
kondisi
tinggi
rendahnya konsentrasi
oseanografis suatu
klorofil a
perairan. Beberapa
parameter fisik-kimia yang mengontrol dan mempengaruhi sebaran klorofil a,
adalah intensitas cahaya, nutrien (terutama nitrat, fosfat dan silikat).
Umumnya sebaran konsentrasi klorofil a tinggi di perairan pantai
sebagai akibat dari tingginya pasokan nutrien yang berasal dari daratan
melalui limpasan air sungai, dan sebaliknya cenderung rendah di daerah lepas
pantai.
Meskipun demikian pada beberapa tempat masih ditemukan
konsentrasi klorofil a
yang cukup tinggi, meskipun jauh dari daratan.
Keadaan tersebut disebabkan oleh adanya proses sirkulasi massa air yang
memungkinkan terangkutnya sejumlah nutrien dari tempat lain, seperti yang
terjadi pada daerah upwelling (Hatta, 2002).
Sejauh ini
klorofil a
telah
diketahui
eratnya
kaitan
antara
konsentrasi
dan produktivitas primer dengan kondisi oseanografi. Di antara
beberapa parameter fisika- kimia tersebut ada yang belum diketahui secara
pasti parameter oseanografi mana yang memiliki pengaruh yang cukup besar
terhadap distribusi klorofil a.
Tiga macam klorofil yang umum terdapat dalam tumbuhan adalah klorofil
a, klorofil-b dan klorofil-c. Dari ketiga jenis klorofil, klorofil a merupakan
klorofil yang paling banyak terdapat pada fitoplankton. Klorofil a terdapat
sebagai butir-butir hijau daun didalam kloroplas. Klorofil a berpartisipasi
secara langsung dalam reaksi konveksi energi radiasi matahari menjadi energi
kimia. Sedangkan jenis yang lain termasuk pigmen lain mentransfer energi
eksitasinya ke klorofil a (Jeffrey, 1980).
Klorofil a sangat mempengaruhi produktivitas primer di perairan.
Produktivitas primer dalam arti umum adalah laju produksi zat organik melalui
proses fotosintesis. Produktivitas primer adalah jumlah karbon (C) yang
diikat oleh fitoplankton permeter persegi atau permeter kubik dalam satu satuan
waktu. Lebih lanjut dijelaskan bahwa produktivitas primer dari tumbuhan hijau
adalah sebagai jumlah energi yang disimpan per unit waktu per unit area. Proses
ini hanya terjadi pada tumbuh- tumbuhan yang mengandung zat hijau daun
atau klorofil (Odum, 1971 dalam Fahrudin,2003).
22
Semua
fitoplankton yang hidup pada
suatu
perairan
merupakan
penyokong produktivitas primer. Pengukuran tingkat produktivitas primer suatu
perairan alami harus berdasarkan besarnya aktivitas fotosintesis yang terutama
dilakukan oleh algae.
2.5
Metodologi Rekayasa Perangkat Lunak
Pemodelan dalam perangkat lunak merupakan suatu yang harus dikerjakan
di bagian awal dari rekayasa, dan pemodelan ini akan mempengaruhi pekerjaanpekerjaan dalam rekayasa perangkat lunak tersebut. Model proses perangkat lunak
merupakan deskripsi yang disederhanakan dari proses perangkat lunak yang
dipresentasikan dengan sudut pandang tertentu. Namun model proses perangkat
lunak masih menjadi objek penelitian, namun pada saat ini terdapat banyak model
umum atau paradigma yang berbeda dari pengembangan perangkat lunak. Salah
satu model proses yang secara umum digunakan dalam pengembangan rekayasa
lunak adalah model Waterfall.
Waterfall mengusulkan sebuah pendekatan kepada perkembangan
perangkat lunak yang sistematik dan sekuensial yang mulai pada tingkat dan
kemajuan sistem pada seluruh analisis, desain, kode, pengujian dan pemeliharaan.
Berikut di bawah ini rangkaian aktivitas proses dalam model Waterfall (Pressman,
1997:25) :
1. Tahap Rekayasa Sistem
Tahapan ini sangat menekan pada masalah pengumpulan kebutuhan
pengguna pada tingkatan sistem dengan menentukan konsep sistem beserta
anatarmuka yang menghubungkannya dengan lingkungan sekitar. Hasilnya
berupa spesifikasi sistem.
23
2. Tahapan Analisis
Pada tahap ini dilakukan pengumpulan kebutuhan elemen-elemen di
tingkat perangkat lunak. Dengan analisis harus dapat ditentukan domaindomain data atau informasi, fungsi, proses, atau prosedur yang diperlukan
beserta untuk kerjanya dan antarmuka. Hasilnya berupa spesifikasi
kebutuhan perangkat lunak.
3. Tahap Perancangan
Pada tahap perancangan, kebutuhan-kebutuhan perangkat lunak, yang
dihasilkan pada tahap analisis, ditransformasikan ke dalam bentuk
arsitektur perangkat lunak yang memiliki karakteristik mudah dimengerti
dan tidak sulit untuk diterapkan.
4. Tahapan Pemrograman
Tahap ini melakukan penerapan hasil rancangan ke dalam baris-baris kode
program yang dapat dimengerti oleh komputer.
5. Tahapan Pengujian
Setelah perangkat lunak selesai diterapkan, pengujian dapat segera
dimulai. Pengujian terlebih dahulu dilakukan pada setiap modul. Jika tidak
ada masalah, modul tersebut akan diintegrasikan hingga membentuk
perangkat lunak secara utuh. Kemudian dilakukan pengujian di tingkat
perangkat lunak yang memfokuskan pada masalah-masalah logika
internal, fungsi internal dan potensi masalah yang mungkin terjadi dan
pemeriksaan hasil apakah sudah sesuai dengan permintaan.
6. Tahapan Pengoperasian dan Pemeliharaan
Dalam masa operasional sehari-hari, suatu perangkat lunak mungkin saja
mengalami kesalahan atau kegagalan dalam menjalankan fungsifungsinya. Atau, pemilik bisa saja memintya peningkatan kemampuan
24
perangkat lunak pada pengembangannya. Dengan demikian, kedua faktor
ini menyebabkan perlunya perangkat lunak dipelihara dari waktu ke
waktu. Biasanya ini merupakan tahapan yang panjang dari perangkat
lunak.