Perumusan Pola Penyebaran Demam Berdarah

5
BAB II
TINJAUAN PUSTAKA
2.1.
Demam Berdarah Dengue (DBD)
2.1.1. Definisi
Demam Berdarah dengue (DBD) adalah demam virus akut yang ditularkan
oleh nyamuk Aedes Aegypti, disertai sakit kepala, nyeri otot, sendi dan tulang,
penurunan jumlah sel darah putih dan timbulnya ruam – ruam pada kulit. DBD ini
sering pula disertai dengan pembesaran hati serta manifestasi pendarahan dan
apabila terjadi kegagalan sirkulasi darah dan pasien terjatuh maka penderita dapat
mengalami apa yang disebut dengue shock syndrome (DSS) (DINKES DKI
Jakarta, Demam Berdarah Aedes Aegypti, www.dinkesdkijarta.gov).
2.1.2. Penyebab DBD
DBD adalah penyakit pada daerah tropis seperti halnya Indonesia,
ditularkan oleh nyamuk Aedes aegypti yang menggigit di siang dan sore hari.
Nyamuk ini membawa virus yang terdiri dari 1 diantara 4 serotipe virus yang
berbeda antigen. Virus ini termasuk dalam kelompok Flavivirus dan serotipenya
adalah DEN-1, DEN-2, DEN-3, DEN-4. Infeksi oleh salah satu jenis serotipe ini
akan memberikan kekebalan seumur hidup tetapi tidak menimbulkan kekebalan
terhadap serotipe yang lainnya, sehingga seseorang yang hidup dalam daerah
endemis DBD dapat mengalami infeksi sebanyak 4 kali dalam hidupnya. Masa
tunas virus dengue berkisar 3 – 15 hari. Pada demam dengue (Dengue Fever)
permulaan sakit biasanya mendadak. Pada umumnya ditemukan sindrom trias
yaitu demam tinggi, nyeri pada anggota badan dan timbulnya ruam pada kulit.
Lama demam berkisar 4 – 5 hari. Ruam berupa bercak kemerah-merahan bersifat
makulopapular yang hilang pada penekanan. Penderita demam dengue mengalami
pembesaran kelenjar getah bening servikal. Beberapa ahli menyebut pembesaran
ini sebagai tanda Castelani dan merupakan ciri khas pada demam dengue. Pada
demam dengue jarang dijumpai manifestasi perdarahan Faktor resiko penting
pada DBD adalah serotipe virus dan faktor penderita seperti umur dan status
imunitas.
6
2.1.3. Kasus DBD di Wilayah DKI Jakarta
Untuk wilayah DKI Jakarta sejak tahun 2001 sampai dengan 2006 ini,
kasus DBD merupakan kasus yang terus menerus terjadi, bahkan sudah bisa
disebut sebagai suatu siklus tahunan yang terus berulang, bahkan pada tahun 2004
bulan februari dan maret, terjadi KLB DBD (7072 kasus) untuk wilayah DKI
Jakarta secara umum.
8000
7000
6000
KASUS
5000
4000
3000
2000
1000
0
JAN
PEB
MAR
APRIL
MEI
JUNI
JULI
AGST
SEP
OKT
NOP
DES
2001
919
1016
1091
625
907
651
706
511
341
244
232
194
2002
84
386
689
933
1131
879
489
328
207
192
205
227
2003
540
784
1454
2318
2745
2685
1070
474
380
473
471
677
2004
1625
7072
7052
1478
702
573
500
368
281
305
256
428
2005
1172
2484
1625
1236
1469
1347
1385
2524
1903
2147
2624
3537
2006
2470
2433
2876
2981
1310
Gambar 1. Jumlah Kasus DBD Bersumber Surveilans Aktif RS Per Bulan di
DKI Jakarta, 2001 – 2006 (s.d 17 Mei 2006)
Proses pengendalian nyamuk Aedes aegypti sebagai vector pembawa penyakit
DBD dilakukan dengan berbagai cara, antara lain : Fogging (penyemprotan di
daerah yang posistif atau negative DBD), pemberian abate sebagai cara
pengendalian
jentik
nyamuk,
program
3M
berkesinambungan diseluruh wilayah DKI Jakarta.
yang
dilakukan
secara
7
Untuk melihat keefektifitasan dan sebagai kontrol dari kegiatan tersebut pihak
Dinkes DKI Jakarta mencoba untuk memetakan daerah kecamatan di wilayah
DKI Jakarta menjadi 3 bagian berdasarkan laporan survailence tentang kejadian
DBD, yaitu :
Tabel 1. Klasifikasi Daerah Berdasarkan Kasus DBD di Suatu Kecamatan
KATEGORI
KETENTUAN
MERAH
Dalam 1 minggu terjadi lebih dari 5 kasus DBD
KUNING
Dalam 1 minggu terjadi 1- 5 kasus DBD
HIJAU
2.2
Dalam 3 minggu berturut-turut tidak terjadi
kasus DBD.
Data Mining
Dalam 2 dekade ini telah terjadi peningkatan data yang sangat besar dari
segala sektor dalam kehidupan sehari-hari. Di estimasikan setiap bulannya terjadi
peningkatan data 20x lebih cepat dari bulan sebelumnya (Fayyad, PiatetskyShapiro dan Smyth 1996). Hal ini dapat mengakibatkan terjadinya penumpukan
data yang berakibat pada kemungkinan tersisihnya data – data penting yang
berguna. Data mining atau Knowledge discovery in Database (KDD) mempunyai
kemampuan untuk melakukan pencarian dan menemukan data penting yang
tersisih tersebut.
Gambar 2. Peningkatan Data Dalam 2 Dekade Terakhir
(Sumber : Fayyad, Piatetsky-Shapiro dan Smyth ,1996)
8
Berbagai definisi dari data mining dari beberapa refrensi, adalah sebagai
berikut ;
Data mining adalah proses dalam mencari berbagai model, kesimpulan
dan nilai dari kumpulan data yang diberikan (Kantardzic, 2003).
Data mining adalah proses menyarikan informasi dari kumpulan –
kumpulan data (Brookshear, 2003) .
Dari berbagai definisi tersebut, dapat di ambil suatu kesimpulan bahwa data
mining berkaitan dengan mencari pola dan relasi yang tersembunyai dalam data
yang besar dengan tujuan prediksi atau deskripsi. Terdapat 2 jenis data mining,
yaitu directed data mining dan undirected data mining. Directed data mining
digunakan jika sudah diketahui secara pasti apa yang akan di prediksi, sehingga
proses pencarian pola dan relasi dapat langsung diarahkan pada tujuan tertentu,
misalnya untuk membuat prediksi tentang sesuatu yang tidak kita ketahui, model
ini sering di sebut model prediksi. Model seperti ini menggunakan pengalaman
untuk menentukan nilainya. Salah satu kunci dari model prediksi ini adalah data
yang cukup besar dengan hasil yang sudah diketahui, sehingga dapat digunakan
dalam melatih model tersebut.
Undirected data mining berkaitan dengan menelusuri pola dan relasi dalam
data, pada undirected data mining ini, tujuan yang ingin dicapai adalah bagaimana
model yang kita buat dapat memberikan solusi atas persoalan yang kita
permodelkan. Dalam prakteknya, data mining sering merupakan gabungan dari
keduanya.
Proses dalam data mining adalah suatu proses yang interaktif dan iterative,
melibatkan beberapa langkah dengan beberapa pertimbangan yang harus di buat
oleh penggunanya. Fayyad, Piatetsky-Shapiro dan Smyth (1996) memberikan
beberapa langkah dasar dalam mempersiapkan data mining
1. Mempersiapkan data set : memilih data, atau memfokuskan pada
sample data yang akan kita cari pola atau relasinya
2. Membersihkan data dan memproses data
3. Mengurangi data, dalam proses ini menemukan feature yang berguna
untuk merepresentasikan data disesuaikan dengan tujuan
9
4. Menyesuaikan tujuan dari data mining dengan metode data mining
yang ada, seperti clustering, regression, classification, fuzzy
5. Explorasi analisis, model dan hipotesis, dalam proses ini di pilih
algoritma, metode
yang akan digunakan dalam mencari pola dari
suatu data set.
6. Proses Data mining, mencari pola dan relasi dari data set.
7. Interpretasi pola – pola yang di dapat , dalam proses ini proses dapat
berulang (iteratif) dari 1 sampai 7. Pada proses ini juga dapat
dilengkapi dengan visualisasi dari pola yang didapat.
8. Menggunakan hasil dari pola dan relasi yang ditemukan. Pada proses
ini dilakukan pemeriksaan dan perbaikan
Langkah – langkah dasar ini di ilustrasikan pada gambar 3,
Gambar 3 . Pembuatan Model dalam DataMining
(adaptasi dari Berry and Linoff)
10
2.2.1. Klasifikasi dan Prediksi
Klasifikasi dan prediksi adalah dua bentuk analisis data yang bisa digunakan
untuk mengekstrak model dari data yang berisi kelas-kelas atau untuk
memprediksi trend data yang akan datang. Klasifikasi memprediksi data dalam
bentuk katagori, sedangkan prediksi memodelkan fungsi-fungsi dari nilai yang
kontinyu. Klasifikasi data dilakukan dengan dua tahapan. Pada tahap pertama,
model dibentuk dengan menentukan kelas-kelas data. Model dibentuk dengan
menganalisa database tuples yang dinyatakan dengan atribut.Dalam konteks
klasifikasi, data tuples disebut juga disebut Data sample. Data sample ini
membentuk training data set yang selanjutnya dianalisa untuk membangun
model. Setiap sample yang membentuk training set disebut training sample dan
secara acak dipilih dari sample population. Karena label kelas dari setiap training
sample telah diketahui, maka tahapan ini disebut juga supervised learning.
Supervised learning ini kebalikan dari unsupervised learning, dimana pada
unsupervised learning label kelas dari setiap training sample tidak diketahui.
Pada tahap kedua, model digunakan untuk klasifikasi. Pertama, akurasi
model prediksi (atau classifier) ditentukan menggunakan data test. Sample ini
secara acak dipilih, independent dengan training sample. Akurasi dari model pada
test set adalah prosentase dari sample test set yang diklasifikasikan oleh model
dengan benar. Untuk setiap sample test, label kelas yang telah diketehui
dibandingkan dengan model kelas prediksi yang telah dilatih untuk sample
tersebut. Jika akurasi dari model bisa diterima, maka model bisa digunakan untuk
mengklasifikasikan data tuples dimana label kelasnya tidak diketahui. Misalnya,
classification rule yang telah dihasilkan dari analisis data dari pelanggan yang ada
dapat digunakan untuk memprediksi credit rating dari pelanggan baru.
Prediksi bisa dipandang sebagai pembentukan dan penggunaan model untuk
menguji kelas dari sample yang tidak berlabel, atau untuk menguji nilai atau
rentang nilai dari suatu atribut. Dalam pandangan ini, klasifikasi dan regresi
adalah dua jenis masalah prediksi, dimana klasifikasi digunakan untuk
memprediksi nilai-nilai diskrit atau nominal, sedangkan regresi digunakan untuk
memprediksi nilai-nilai yang kontinyu. Untuk selanjutnya penggunaan istilah
prediction untuk memprediksi kelas yang berlabel disebut classification, dan
11
pengggunaan istilah prediksi untuk memprediksi nilai-nilai yang kontinyu sebagai
prediction (Han & Kamber, 2001).
2.2.2 Metodologi Data mining
Ada beberapa konsep yang penting pada data mining. Konsep pertama
berkaitan dengan mencari pola di dalam data. Biasanya berupa kumpulan data
yang sering muncul. Tetapi secara umum berupa suatu daftar atau pola data yang
muncul lebih sering dari yang diharapkan saat dilakukan secara acak. Konsep
yang kedua adalah sampling, yang bertujuan untuk memperoleh keterangan
mengenai populasi dengan mengamati hanya sebahagian saja dari populasi itu.
Hal lain yang juga penting yang berhubungan dengan data mining adalah
validasi model prediksi yang muncul dari algoritma data mining. Model
digunakan untuk membuat prediksi tentang suatu record yang menggambarkan
keadaan nyata yang baru, dan model terbatas hanya merefleksikan basis data
histori dimana model tersebut dibuat. Model adalah deskripsi dari data historis
dimana model tersebut dibangun untuk bisa diterapkan ke data baru dengan tujuan
membuat prediksi tentang nilai-nilai yang terputus atau untuk membuat
pernyataan tentang nilai yang diharapkan, sedangkan Pola adalah suatu kejadian
atau kombinasi kejadian dalam suatu basis data yang terjadi atau muncul lebih
sering dari yang diharapkan (Berson et al., 2001).
Gambar proses pembuatan datamining dengan menggunakan konsep Berson et al
disajikan dalam gambar berikut ini
Data Historis
Pembuatan
Model
143
Record
Model
Prediksi
Gambar 4. Model proses pembuatan data mining
Sumber: Berson, 2001.
12
2.2.3. Teknik Data mining
Ada tiga hal pokok yang harus diperhatikan untuk keberhasilan penerapan
data mining, yaitu; teknik data mining, data itu sendiri, dan model data. Teknik
adalah pendekatan umum untuk memecahkan masalah, dan biasanya terdapat
banyak cara yang bisa digunakan. Masing-masing cara mempunyai algoritma nya
sendiri-sendiri.
Istilah teknik digunakan untuk menunjukkan pendekatan
konseptual untuk menyaring informasi dari data. Algoritma menunjukkan detil
tahap demi tahap dari cara tertentu untuk mengimplementasikan suatu teknik.
Data mining bisa berupa predictive atau descriptive. Perbedaan ini
menunjukkan tujuan dari penggunaan data mining. Tujuan utama predictive data
mining adalah mengotomatisasikan proses pembuatan keputusan dengan membuat
model yang punya kemampuan untuk melakukan prediksi atau mengestimasi
suatu nilai. Umumnya hasil dalam predictive data mining akan langsung ditindak
lanjuti Sehingga tolok ukur yang paling penting pada model adalah akurasinya.
Data mining sering juga bersifat descriptive. Tujuan utama descriptive data
mining adalah untuk menggali pola yang ada di dalam data. Descriptive data
mining sering menghasilkan action, tetapi bukan berupa urutan aksi yang bisa
diotomatisasikan secara langsung dari hasil model (Berry & Linoff, 2000).
Descriptive mining, yaitu proses untuk menemukan karakteristik penting
dari data dalam suatu basis data. Clustering, Association, dan Sequential mining
adalah beberapa contoh dari teknik descriptive mining.
Predictive mining, yaitu proses untuk menemukan pola dari data untuk
membuat prediksi. Classification, Regression dan Deviation adalah teknik dalam
predictive mining.
2.2.3.1 Association Rule
Association rule merupakan salah satu teknik data mining yang paling
banyak
digunakan
dalam
penelusuran
pola
pada
sistem
pembelajaran
unsupervised. Metodologi ini akan mengambil seluruh kemungkinan pola-pola
yang diamati dalam basis data. Association rule menjelaskan kejadian-kejadian
yang sering muncul dalam suatu kelompok. Misalnya metodologi ini bisa
digunakan untuk menganalisa produk-produk mana saja yang sering dibeli oleh
13
seorang pelanggan secara bersamaan (analisa keranjang belanja). Hasil analisis
tersebut bisa digunakan untuk menentukan peletakan produk di toko.
Satu itemset adalah himpunan bagian A dari semua kemungkinan item I.
Satu itemset yang mengandung i item disebut i-itemset. Prosentase transaksi
yang mengandung itemset disebut support. Untuk suatu itemset yang akan
diamati, support-nya harus lebih besar atau sama dengan nilai yang dinyatakan
oleh user, sehingga itemset tersebut dikatakan sering muncul (frequent).
Bentuk umum aturan asosiasi adalah A1,A2,…,An → B1,B2,…,Bm, yang
berarti jika item Ai muncul, item Bj juga muncul dengan peluang tertentu.
Misalkan X adalah itemset. transaksi T dikatakan mengandung X jika dan hanya
jika X ⊆ T. Aturan X ⇒ Y menyatakan himpunan basis data transaksi dengan
tingkat kepercayaan (confidence) C, jika C% dari transaksi dalam D yang
mengandung X juga mengandung Y. Rule X ⇒ Y mempunyai support dalam
transaksi set D jika S% dari transaksi dalam basis data berisi X ∪ Y. Tingkat
kepercayaan menunjukkan kekuatan implikasi, dan support menunjukkan
seringnya pola terjadi dalam rule. Sebagai contoh diberikan aturan : A, B ⇒ C
dengan S = 0.01 dan C = 0.8. Hal ini berarti bahwa 80% dari semua pelanggan
yang membeli A dan B juga membeli C, dan 1% dari semua pelanggan membeli
ketiga item tersebut.
Mining association rule dilakukan dalam dua tahap, yaitu
1. Mencari semua association rule yang mempunyai minimum support S min
dan minimum confidence Cmin. Itemset dikatakan sering muncul (frequent)
jika Support(A) ≥ Smin.
2. Menggunakan itemset yang besar untuk menentukan association rule
untuk basis data yang mempunyai tingkat kepercayaan C di atas nilai
minimum yang telah ditentukan (Cmin.).
2.2.3.2 Classification-Based Association
Saat ini, salah satu teknik data mining telah dikembangkan adalah dengan
menerapkan konsep association rule mining dalam masalah klasifikasi. Ada
beberapa metode yang bisa digunakan, antara lain association rule clustering
system (ARCS) dan associative classification (Han & Kamber, 2001). Metode
14
ARCS melakukan association rule mining didasarkan pada clustering kemudian
menggunakan aturan yang dihasilkan untuk klasifikasi. ARCS, melakukan
association rule mining dalam bentuk Aquant1 ∧ Aquant2 ⇒ Acat, dimana bentuk
Aquant1 dan Aquant2 adalah data test yang atributnya punya rentang nilai, Acat
menunjukkan label kelas untuk atribut kategori yang diberikan dari training data.
Metode associative classification mining menghasilkan aturan dalam bentuk
condset ⇒ y, dimana condset adalah sekumpulan item dan y adalah label kelas.
Aturan yang sesuai dengan minimum support tertentu disebut frequent. Rule
mempunyai support s jika s% dari sample dalam data set yang mengandung
condset dan memiliki kelas y. Aturan yang sesuai dengan minimum confidence
disebut accurate. Aturan mempunyai confidence c jika c% dari sample dalam data
set yang mengandung condset memiliki kelas y. Jika beberapa rule mempunyai
condset yang sama, maka rule dengan confidence tertinggi dipilih sebagai
possible rule (PR). Metode associative classification mining menggunakan
algoritma association rule, seperti algoritma Appriori untuk menghasilkan
association rule, kemudian memilih sekelompok aturan yang mempunyai kualitas
tinggi dan menggunakan aturan tersebut untuk memprediksi data. Associative
classification masih kurang efisien karena seringkali menghasilkan aturan dalam
jumlah yang besar (Yin & Han, 2003).
Metode
classification-based
association
lainnya
adalah
CPAR
(Classification based on Predictive Association Rule). Algoritma ini mengambil
ide dari FOIL (First Order Inductive Leaner) dalam menghasilkan aturan dan
mengintegrasikannya dengan associative classification.
2.2.4. Algoritma Appriori
Algoritma apriori menghitung seringnya itemset muncul dalam basis data
melalui beberapa iterasi. Setiap iterasi mempunyai dua tahapan; menentukan
kandidat dan memilih serta menghitung kandidat. Pada tahap pertama iterasi
pertama, himpunan yang dihasilkan dari kandidat itemset berisi seluruh 1-itemset,
yaitu seluruh item dalam basis data. Pada tahap kedua, algoritma ini menghitung
support-nya mencari melalui keseluruhan basis data Pada akhirnya hanya iitemset dengan batas minimum tertentu saja yang dianggap sering muncul
15
(frequent). Sehingga setelah iterasi pertama, seluruh i-itemset yang sering muncul
akan diketahui. Pada iterasi kedua, algoritma appriori mengurangi sekelompok
kandidat itemset yang dihasilkan dari iterasi pertama dengan menghapus kandidat
itemset yang tidak sering muncul. Penghapusan ini berdasarkan pengamatan yaitu
apakah itemset tersebut sering muncul atau tidak.
1. k = 1
2. C1 = I (semua item)
3. While Ck > 0
( a ). Sk = Ck
( b ).Ck + 1 = Semua himpunan dengan k=1 elemen yang terbentuk
dengan menggabungkan dua itemset dalam sk
( c ). Ck + 1 = Ck + 1
( d ). S = S + Sk
( e ). k + +
4. return S
Tabel 2. Transaksi Penjualan Barang
A
B
C
D
E
Pelanggan 1
1
0
1
1
0
Pelanggan 2
0
1
1
0
1
Pelanggan 3
1
1
1
0
1
Pelanggan 4
0
1
0
0
0
Misalkan pada tabel 2, akan dicari seluruh itemset dengan minimal support
Smin = 50%. Sehingga itemset dianggap sering muncul jika ia terdapat pada paling
tidak di 50% transaksi. Dalam setiap iterasi, algoritma appriori membentuk
kandidat set, menghitung jumlah kejadian dari setiap kandidat dan memilih
itemset didasarkan pada minimum support yang telah ditentukan sebelumnya yaitu
50%.
Pada tahap pertama iterasi pertama, semua item adalah kandidat. Algoritma
appriori hanya menelusuri semua transaksi dalam basis data dan membuat daftar
kandidat, yaitu ;
C1 = [ (A), (B), (C), (D), (E) ]
L1 = [ (A), (B), (C), (D), (E) ]
16
Pada tahap berikutnya , algoritma appriori menghitung terjadinya setiap kandidat
dan berdasarkan nilai minimum support Smin, kemudian menentukan itemset yang
sering muncul, setelah tahap ini kandidat berisi:
L1 = [(A),(B), (C), (E) ]
D dikeluarkan karena nilai S = 25%, hanya ada satu transaksi dari keseluruhan
empat transaksi..
Untuk menelusuri himpunan 2-itemset, karena himpunan bagian (subset) dari 2itemset juga mempunyai minimum support yang sama, algoritma appriori
menggunakan L1 * L1 untuk membuat kandidat. Operasi * didefinisikan sebagai
berikut ;
Lk * Lk = [X U Y dimana X,Y Ε Lk, (X∩Y=K-1 ),
Untuk k =1 ⇒ |L1| . |(L1)-1)/2| = 4 . 3/2 = 6
Pada iterasi kedua kandidat berisi :
C2 = [ (A,B), (A,C), (A,E), (B,C), (B,E), (C,E) ].
Pada tahap berikutnya , algoritma appriori menghitung terjadinya setiap kandidat
dan berdasarkan nilai minimum support Smin, kemudian menentukan itemset yang
sering muncul, setelah tahap ini kandidat berisi:
L2 = [ (A,C), (B,C), (B,E), (C,E) ]
Himpunan 3-itemset dihasilkan dari S2 menggunakan operasi yang sudah
ditentukan sebelumnya L2 * L2. Langkah praktisnya, dari L2 dengan item yang
pertama sama, yaitu (B,C), (B,E),dinyatakan pertama. Kemudian algoritma
appriori akan mencek apakah 2-itemset (C,E), yang berisi item kedua dari (B,C),
(B,E) terdapat pada L2 atau tidak. Karena (C,E) ada dalam L2, maka ( B,C,E )
menjadi kandidat 3-itemset.
Karena tidak ada kandidat 4-itemset, maka algoritma ini berakhir.
2.2.5. Membuat Association Rule berdasarkan Frequent Itemset
Tahap kedua dalam penelusuran assosiation rule didasarkan pada seluruh iitemset yang sering muncul, yang didapat dari tahap pertama. Untuk rule yang
mengandung X1, X2, X3 → X4, rule tersebut dianggap bermakna jika kedua
itemset tersebut X1, X2, X3, X4 dan X1, X2, X3 adalah frequent. Sehingga
tingkat kepercayaan C dari rule tersebut dihitung sebagai hasil bagi dari support
itemset, yaitu :
17
C = S(X1, X2, X3, X4) / S(X1, X2, X3).
Strong association rule adalah rule dengan tingkat kepercayaan C diatas S min.
Misalkan dari tabel 1 akan dicek apakah association rule (B,C) → E adalah strong
rule.
Pertama harus dipilih hubungan support dari tabel L2 dan L3.
S(B,C) = 2, S(B,C,E) = 2
C((B,C) → E ) = S(B,C,E)/S(B,C) = 2/2 = 1 (100%)
Karena tingkat kepercayaan adalah maksimal, maka jika transaksi berisi item B
dan C maka transaksi tersebut juga berisi item E.
2.2.6. Classification based on Predictive Association Rules (CPAR)
Klasifikasi pada penelitian ini menggunakan association rule, menurut Yin
X, Han J, 2003, algoritma yang efektif untuk digunakan dalam masalah klasifikasi
adalah CPAR. Pada algoritma ini klasifikasi diimplementasikan dalam tiga tahap:
rule generation, rule evaluation dan classification.
Pada
proses
rule
generation,
CPAR
membangun
rule
dengan
menambahkan literal satu persatu. Pada setiap tahapan proses, CPAR menghitung
Gain dari setiap perhitungan. Setelah masing-masing sampel diproses untuk
mendapatkan rule, sampel ini digunakan kembali didalam perhitungan Gain tetapi
dengan mengurangi bobot dengan decay factor. Bobot sampel dikurangi hingga
mencapai nilai minimum yang dihitung oleh parameter w yaitu bobot seluruh
sampel positif. Bobot seluruh contoh pada awal proses diset 1.
Setelah proses rule generation, CPAR mengevaluasi setiap rule untuk
menentukan kekuatan prediksinya. Untuk rule r = p 1
∧
p2
... ∧
pn → c, CPAR
mendefinisikan ekspektasi akurasi sebagai sebagai berikut :
L.A = (nc+1) / (ntotal + f)
Dimana L.A adalah Laplace Accuracy, f adalah jumlah kelas, ntotal adalah juimlah
total sampel yang memenuhi body dari aturan, nc adalah jumlah sampel yang
memenuhi kelas c.
Klasifikasi berupa sekumpulan rule untuk setiap class, CPAR menggunakan
s rules terbaik setiap kelas, yang dipilih berdasarkan Laplace accuracy.
18
Pada algoritmna CPAR nilai gain yang dipilih adalah nilai gain yang
terbaik pada setiap iterasinya, sehingga untuk atribut yang nilai gain-nya hampir
sama, maka CPAR melakukan pemilihan yang terbaik. Pemilihan atribut tersebut
dilakukan dengan menghitung dan menerapkan gain similarity ratio. Semua
atribut dengan nilai gain lebih besar dari best Gain x gain similarity ratio akan
dipilih dan diproses lebih lanjut
2.2.6.1 Membuat Rule Dalam CPAR
Dalam datamining, setiap aturan di-bangun dari dataset yang tersisa, CPAR
hanya memilih literal yang terbaik dan mengabaikan seluruh literal lainnya.
CPAR membuat rule s dengan menambahkan literal satu per satu. Setelah CPAR
menemukan literal terbaik p, literal lainnya misalnya q yang Gain-nya mirip
dengan p (misalnya hanya berbeda 1%) akan dicari. Selain terus membangun rule
dengan menambahkan p ke r, q juga ditambahkan ke current rule r untuk
membuat rule baru r’
2.2.7 Membangun Model Prediksi
Keberhasilan dalam membangun model prediksi dalam datamining lebih
banyak tergantung pada proses bukan pada teknik yang digunakan, dan proses
tersebut sangat tergantung pada data yang digunakan untuk menghasilkan model
.Tantangan utama dalam membangun model prediksi adalah mengumpulkan data
awal yang cukup dalam membangun suatu aturan - aturan. Dalam preclassified,
hasilnya sudah diketahui, dan karenanya preclassified digunakan untuk melatih
model, himpunan data tersebut disebut model set.
Berry & Linoff memberikan langkah-langkah dasar dalam membangun model
prediksi
1. Model dilatih menggunakan preclassified data, dengan mengambil sebagian
data dari dataset yang disebut training set. Pada tahap ini, algoritma data
mining mencari pola-pola dari nilai yang diprediksi.
2. Model diperbaiki menggunakan himpunan bagian lain dari data yang disebut
test set. Model perlu diperbaiki agar tidak hanya bisa bekerja pada training
set.
19
3. Performance model diestimasi atau membandingkan performance beberapa
model, dengan menggunakan himpunan data ketiga, yang didapat dari
gabungan himpunan data pertama dan kedua, yang disebut evaluation set.
4. Model diterapkan ke score set. Score set bukan preclassified, dan bukan
bagian dari model set. Hasil dari data tersebut tidak diketahui. Predictive score
akan digunakan untuk membuat keputusan.
Dataset adalah preclassified data yang digunakan untuk membangun
model. Dataset perlu dipecah ke dalam tiga komponan, training set, test set dan
evaluation set.
Gambar 5 menggambarkan langkah-langkah dasar dalam membangun model
prediksi (Berry & Linoff, 2000)
Training set
digunakan untuk
membangun model
Training
Set
Test set digunakan
untuk memperbaiki
model
Model
(Kasar)
Model
(Perbaikan)
Test Set
Evaluation set digunakan
untuk menilai akurasi
yang diharapkan dari
model saat diterapkan ke
data di luar model set
Evaluation
Set
Model yang terbaik
Score Set
diterapkan ke score set
untuk menghasilkan
prediksi
Model
(terbaik)
Prediksi
Gambar 5. Langkah-langkah membangun model prediksi
Sumber: Berry & Linoff, 2000
20
2.3 Sistem Fuzzy
Sistem fuzzy pertama kali diperkenalkan oleh Prof. L. A. Zadeh dari
Barkelay pada tahun 1965. Sistem fuzzy merupakan penduga numerik yang
terstruktur
dan
dinamis.
Sistem
ini
mempunyai
kemampuan
untuk
mengembangkan sistem intelijen dalam lingkungan yang tak pasti. Sistem ini
menduga suatu fungsi dengan logika fuzzy. Dalam logika fuzzy terdapat beberapa
proses yaitu penentuan himpunan fuzzy, penerapan aturan IF-THEN dan proses
inferensi fuzzy (Marimin, 2002).
2.3.1. Himpunan Fuzzy
Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy
yaitu, [Kusumadewi] variabel fuzzy, himpunan fuzzy, semesta pembicaraan dan
domain. Variabel Fuzzy merupakan variabel yang akan dibahas dalam sistem
fuzzy misalnya umur, temperatur, permintaan, dsb. Himpunan Fuzzy merupakan
suatu group yang mewakili suatu kondisi tertentu dalam variabel fuzzy misalnya
variabel umur dibagi atas 3 himpunan fuzzy
yaitu muda, parobaya dan tua.
Semesta Pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy misalnya semesta pembicaraan variabel
umur adalah 0 sampai 100. Domain adalah keseluruhan nilai yang diijinkan dalam
semesta pembicaraan dan boleh dioperasikan dalam himpunan fuzzy misalnya
domain umur muda 20 – 45, domain parobaya 25 – 65 dan domain tua 45 – 70.
2.3.2. Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah kurva yang menunjukkan
pemetaan titik input data ke dalam nilai keanggotaan yang mempunyai interval 0
– 1. Ada beberapa fungsi keanggotaan yang digunakan antara lain representasi
kurva sigmoid, trapesoid dan triangular. Contoh representasi fungsi keanggotaan
sigmoid disajikan pada gambar 6.
21
Gambar 6 : Fungsi Keanggotaan ”USIA” dengan representasi Sigmoid .
2.3.3. Operator Himpunan Fuzzy
Seperti himpunan biasa, ada beberapa operasi yang didefinisikan secara
khusus untuk mengkombinasikan himpunan fuzzy. Ada 3 operator dasar yang
diciptakan Zadeh yaitu operator AND, OR dan NOT. Nilai keanggotaan baru
sebagai hasil dari operasi 2 himpunan disebut α -predikat.
Operator AND merupakan operasi interseksi pada himpunan. α -predikat yang
dihasilkan diperoleh dengan mengambil nilai keanggotaan terkecil antar elemen
pada himpunan bersangkutan. Misal nilai keanggotaan umur 27 pada himpunan
muda adalah µ MUDA[27] = 0,6 dan nilai keanggotaan 2 juta pada himpunan
penghasilan TINGGI adalah µ GAJITINGGI[2juta]= 0,8, maka α -predikat untuk
usia MUDA dan berpenghasilan TINGGI adalah nilai keanggotaan minimun :
µ MUDA ∩ GAJITINGGI = min( µ MUDA[27], µ GAJITINGGI[2juta])
= min (0,6 ; 0,8)
= 0,6
Operator OR merupakan operasi union pada himpunan. α -predikat yang
dihasilkan diperoleh dengan mengambil nilai keanggotaan terbesar antar elemen
pada himpunan bersangkutan. Misal nilai keanggotaan umur 27 pada himp unan
muda adalah µ MUDA[27]= 0,6 dan nilai keanggotaan 2 juta pada himpunan
penghasilan TINGGI adalah µ GAJITINGGI[2juta]= 0,8, maka α -predikat untuk
usia MUDA atau berpenghasilan TINGGI adalah nilai keanggotaan maksimum :
µ MUDA ∩ GAJITINGGI = max( µ MUDA[27], µ GAJITINGGI[2juta])
22
= max (0,6 ; 0,8)
= 0,8
Operator NOT merupakan operasi komplemen pada himpunan. α -predikat yang
dihasilkan diperoleh dengan mengurangkan nilai keanggotaan elemen pada
himpunan dari 1. Misal nilai keanggotaan umur 27 pada himpunan muda adalah
µ MUDA[27]= 0,6 maka α -predikat untuk usia TIDAK MUDA adalah :
µ MUDA’[27] = 1 - µ MUDA[27
= 1 - 0,6
= 0,4
2.3.4. Fungsi Implikasi
Tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan
suatu relasi fuzzy. Bentuk umum aturan yang digunakan dalam fungsi implikasi
adalah :
IF x is A THEN y is B
x dan y adalah skalar sedang A dan B adalah himpunan fuzzy. Proposisi yang
mengikuti IF disebut anteseden, sedangkan proposisi yang mengikuti THEN
disebut konsekuen. Secara umum ada 2 fungsi implikasi yaitu fungsi implikasi
Min (minimum) dan fungsi implikasi DOT (product).
Misal bentuk aturan sebagai berikut :
[R1] IF Permintaan NAIK AND Stok SEDIKIT THEN Produksi TINGGI
Nilai keanggotaan Permintaan 8.000 pada himpunan Permintaan NAIK adalah
µ NAIK[8.000]= 0,7 dan nilai keanggotaan Stok 10.000 pada himpunan Stok
SEDIKIT adalah µ SEDIKIT[10.000]= 0,9
maka fungsi implikasi untuk
Produksi TINGGI adalah perpotongan nilai keanggotaan minimum sehingga nilai
keanggotaan Produksi TINGGI adalah µ TINGGI=0,7.
Aplikasi Fungsi implikasi Min (minimum) memotong output diilustrasikan pada
gambar 7.
23
Gambar 7 : Fungsi implikasi MIN
Aplikasi Fungsi implikasi DOT (product) akan menskala output disajikan pada
gambar 8.
Gambar 8 : Fungsi implikasi DOT
2.3.5 Sistem Inferensi Fuzzy (SIF)
Ada beberapa metode untuk merepresentasikan hasil logika fuzzy yaitu metode
Tsukamoto, Mamdani dan Sugeno.
Pada metode Tsukamoto, setiap konsekuen direpresentasikan dengan himpunan
fuzzy dengan fungsi keanggotaan monoton. Output hasil inferensi masing-masing
aturan adalah z, berupa himpunan biasa (crisp) yang ditetapkan berdasarkan α predikatnya. Hasil akhir diperoleh dengan menggunakan rata-rata terbobotnya.
α 1 z1 + α 2 z2
z = ––––––––––––
α 2+α 2
Pada metode Mamdani, aplikasi fungsi implikasi menggunakan MIN, sedang
komposisi aturan menggunakan metode MAX. Metode Mamdani dikenal juga
dengan metode MAX-MIN. Inferensi output yang dihasilkan berupa bilangan
fuzzy maka harus ditentukan suatu nilai crisp tertentu sebagai output. Proses ini
dikenal dengan defuzzifikasi. Ada beberapa metoda yang dipakai dalam
defuzzifikasi antara lain metode centroid. Pada metode ini penetapan nilai crisp
dengan cara mengambil titik pusat daerah fuzzy.
24
Metode Sugeno mirip dengan metode Mamdani, hanya output (konsekuen) tidak
berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan liniar. Ada
dua model metode Sugeno yaitu model fuzzy Sugeno orde nol dan model fuzzy
Sugeno orde satu.
Bentuk umum model fuzzy Sugeno orde nol adalah :
IF (x1 is A 1) o (x2 is A 2) o ….. o (xn is An) THEN z = k
Bentuk umum model fuzzy Sugeno orde satu adalah :
IF (x1 is A 1) o (x2 is A 2) o ….. o (xn is An) THEN z = p 1* x1 + … pn* xn + q
Defuzzifikasi pada metode Sugeno dilakukan dengan mencari nilai rata-ratanya.
Contoh aplikasi fuzzy pada datamining adalah pada penyelesaian masalah
pemilihan pakaian berikut ini ;
Diasumsikan faktor utama dalam pemilihan pakaian adalah sebagai berikut
f1 = style, f2 = qualitas, f3 = harga, sehingga F = {f1,f2,f3}. Tingkatan umum yang
digunakan pada seleksi adalah e1 = sangat baik , e2 = baik , e3 = sedang , e4 =
buruk, sehingga E = {e1,e2,e 3,e4}. Untuk tiap-tiap potong pakaian “u”, faktor
penentu evaluasi adalah didapat dari hasil survey. Sebagai contoh, jika hasil
survey menunjukkan “style” faktor f1 = 60% untuk sangat baik, 20% untuk baik,
10% untuk sedang, 10% untuk buruk, sehingga faktor penentu evaluasi
mempunyai vektor R1(u) :
R1(u) = { 0.6, 0.2, 0.1, 0.1}
Secara umum, kita dapat membuat faktor penentu evaluasi untuk vektor f2 dan f3
R2(u) = { 0.1,0.5, 0.3, 0.1 }
R3(u) = { 0.1, 0.3, 0.4, 0.2}
Sehingga berdasar hal diatas kita dapat membuat matrix evaluasi
 R1(u ) 


 R 2( u ) 
 R 3(u ) 
=
 0.6
 0.1

 0.1
0.2
0.5
0.1
0.3
0.1
0.1
0.3
0.4
0.2




25
Jika weight vector dari pembeli adalah
W(u) = { 0.4, 0.4, 0.2 }
Perkalian dari matrix W(u) dan R(u) adalah berdasarkan komposisi max – min
fuzzy rules, dimana hasil evaluasi adalah digambarkan dalam fuzzy set D(u) =
[ d1,d2,d 3,d4] :
.
D(u) = W(u) R(u) = [0.4
0.4
0.2]
.
0.6 0.2 0.1 0.1


0.1 0.5 0.3 0.1 
0.1 0.3 0.4 0.2
= [0.4
0.4
0.3
0.2]
Dimana, d1 dihitung berdasarkan langkah-langkah berikut :
d1
= (w1 ´ r11) V (w2 ´ r21) V (w3 ´ r31)
= (0.4 ´ 0.6 ) V(0.4 ´ 0.1) V (0.2 ´ 0.1)
= 0.4 V 0.1 V 0.1
= 0.4
Nilai untuk d2 , d3 , d4 hampir sama, dimana ´ dan V merepresentasikan operator
min dan max. Karena komponen terbesar D(u) adalah d 1 = 0.4 dan d 2 = 0.4 di saat
yang sama, sehingga analisa untuk pakaian ini berada diantara „sangat baik“ dan
„baik“
2.4.
Prakiraan / Forecasting
2.4.1 Teknik Prakiraan Pemulusan Eksponensial
Teknik ini pertama kali diperkenalkan pada tahun 1970 oleh George E P
Box dan Gwilym M Jenkins dalam bukunya ” Time Series Analysis : Forecasting
and Control”. Dasar dari teknik ini adalah , Pengamatan sekarang (Zt) tergantung
pada 1 atau beberapa pengamatan sebelumnya (Zt-k) dengan kata lain, model time
series dibuat karena secara statistik ada korelasi antar deret pengamatan untuk
melihat adanya dependensi antar pengamatan . Kita dapat melakukan uji korelasi
antar pengamatan yang dikenal sebagai auto correlation function (acf)
26
2.4.2
Metode Winters
Teknik prakiraan dengan metode Winters digunakan untuk data yang
mempunyai pola musiman dan kecenderungan. Sebagai contoh pola data yang
bersifat musiman dan kecenderungan dapat dilihat pada tabel 3 . Data pada tabel 3
menunjukkan pola musiman kuartalan, dalam pengertian pola data antar kuartal
untuk tahun yang berbeda mempunyai pola yang sama dengan periode yang tetap,
yaitu selang 3 bulanan. Karena pola 3 bulanan, maka dalam 1 (satu) tahun
terdapat 4 musim atau dalam hal ini dinotasikan dengan L = 4
Tabel 3. Contoh data penjualan yang bersifat musiman
Tahun
1987
1988
1989
Kuartal
Periode
Penjualan
(t)
( Xt)
I
1
36
II
2
39
III
3
43
IV
4
34
I
5
38
II
6
41
III
7
50
IV
8
39
I
9
47
II
10
51
III
11
58
IV
12
47
Metode Winters didasarkan atas 3 persamaan pemulusa, yaitu untuk pola
data stationer (St), kecenderungan (bt) dan indeks musiman (It).
St = ? Xt / It-L + (1 – ? )(St-1 + bt -1) ………………(a)
bt = ß(St - St-1 ) + (1 – ß ) bt-1 ………………………………….(b)
It = d Xt / St + (1- d ) It-L ………………………....(c)
Prakiraan untuk m periode mendatang dirumuskan sebagai berikut
F t+m = (St + b t.m) I t -L + m ………………………..(d)
Untuk melakukan prakiraan dengan metode Winters harus tersedia data
histories minimal 2 tahun, hal ini karena kalau data yang tersedia hanya 1 tahun,
27
maka factor kecenderungan untuk kuartal tertentu tidak dapat diketahui.
Kecenderungan pada kuartal tertentu hanya dapat diketahui apabila tersedia data,
misalnya kuartal I tahun 1987 dan kuartal I tahun 1998.
Insilisasi diperlukan dalam menggunakan teknik Winters ini, hal ini dapat
dijelaskan sebagai berikut, misalkan untuk melakukan prakiraan pada periode ke5 (dengan m = 1), maka dari persamaan (d) diperlukan nilai S5 dari rumus (a)
diperlukan nilai I0. Nilai I0 belum terdefinisi, untuk data pola musiman kuartalan
seperti tabel 3 (L = 4), inisialisasi minimal diperlukan untuk menetapkan :
a. Nilai indeks musiman pada setiap kuartal pada tahun pertama
b. Factor kecenderungan kuartal terakhir pada tahun pertama ( b4 atau b
awal),
dan
c. Nilai S 4 (atau S awal)
Insialisasi indeks musiman pada tahun pertama ditetapkan dengan
rumusan sebagai berikut :
It = Xt / X ……….untuk setiap t = 1,2,3…L, dimana
X=? Xi/ L
Insialisasi b awal untuk data histories yang tersedia sebanyak 2L, ditetapkan
dengan rumusan sebagai berikut :
b awal = 1/L {(X
L+1
– X1)/L + ( X
L+2
– X2 )/L + …+(X
L+L –
XL)/L}
Inisialisasi untuk S awal ditetapkan dengan menggunakan rumusan
sebagai berikut :
? Xt + 3L 2 b awal – 2 b awal . ? t . I t
S awal = ----------------------------------------------2L
Nilai inisialisasi akan menentukan ukuran kecermatan prakiraan dan
demikian juga dengan nilai parameter ?, ß, dan d.
Sebagai contoh misalkan untuk data pada tabel 3, parameter pemulus yang
digunakan adalah ? = 0.2, ß = 0.1 dan d = 0.05 dan sebagai himpunan periode /
data uji adalah periode t = 6 s/d t = 12. Dengan menggunakan parameter m = 1,
maka hasil perhitungan dapat dilihat pada tabel 4.
Jika dilakukan prakiraan untuk periode ke 13 atau kuartal I tahun 1990,
dengan m=1 , berarti periode dasarnya adalah t = 12, sehingga :
28
F12
+ 1
= (S12 + b12).I9; dimana I9 adalah indeks musiman kuartal I pada
tahun sebelumnya (1989), jika I9 belum diketahui maka dicari dengan
memuluskan indeks musiman kuartal I tahun 1988 atau I8.
Tabel 4. Contoh hasil penerapan metode Winters (? = 0.2, ß = 0.1 dan d = 0.05)
Kuartal
1987
1988
1998
2.5.
Data
Pemulusan
Pemulusan
Pemulusan
Ramalan jika
Aktual
Tunggal
Musiman
Trend
m=1
1
36
0.95
2
39
1.01
3
43
1.10
4
34
45.03
0.83
1.00
5
38
44.84
0.94
0.88
6
41
44.67
1.01
0.78
46.32
7
50
45.43
1.10
0.77
50.11
8
39
46.31
0.83
0.79
38.55
9
47
47.65
0.94
0.84
44.38
10
51
48.91
1.01
0.88
48.89
11
58
50.30
1.02
1.02
48.89
12
47
49.58
1.09
0.85
56.58
Penelitian Terdahulu
Penelitian di bidang kesehatan dengan menerapkan datamining dari suatu
dataset yang ada, telah dilakukan oleh bebagai pihak. Pada umumnya hasil akhir
yang akan mereka capai adalah didapatnya suatu pola, sehingga dari pola tersebut
akan didapatkan prediksi tentang keadaaan tertentu .
Beberapa penelitian yang telah dilakukan antara lain ;
1. Scales, Embrechts, Rensselaer, Polytechnic Institute, Department of
Decision Science and Engineering System, New York, mereka mencoba
untuk membuat suatu sistem arsitektur yang akan berfungsi sebagai alat
diagnosa
untuk penyakit jantung kardiovaskular.
Diagnosa yang
dilakukan oleh sistem mereka didasarkan pada dataset kesehatan yang
ada. Tujuan akhir dari diagnosa ini adalah memisahkan antara penyakit
jantung dan yang bukan penyakit jantung. Teknik
mereka gunakan adalah Principle Component
data mining yang
Regression
Analysis,
29
Partial Least Squares Regression, artificial neural network dan Neuralfuzzy Inference system. Dari hasil penelitian mereka sistem
yang
dibangun dengan neural-fuzzy memberikan tingkat keakurasian 92 %.
2. Breault, JL, Departement of Healt System Management, Tulane University
Department of Family Practice, Alton Ochsner Medical Foundation.
Breault mencoba untuk menerapakan datamining pada Pima Indian
diabetic database (PIDD) yang ada di UC Irvine Machine Learning Labs.
Pada dataset tersebut, Breault mencoba menerapakan datamining yang
telah di implementasikan pada software ROSETTA, dimana tingkat
keakurasiannya dapat ditingkat menjadi 73,8% sampai 95 % dari methode
yang sebelumnya.
3. Ferren G, Merwe M, Fleming G, Murphy K ; Para peneliti ini tergabung
dalam The South African council for Scientific and Industrial Research
(CSIR) mencoba untuk menerapkan teori fuzzy expert system dan GIS
untuk memprediksi penyebaran cholera di Afrika utara. Dimana mereka
merancang sistem peringatan dini dengan menggunakan ArcGIS dan fuzzy
logic serta boolean algebra sebagai tools dalam mengolah pola data yang
telah ada.
4. Hirota et al (1996), mencoba menggambarkan hirarki dari data mining,
fuzzy model dan turunannya
Knowledge Discovery (datamining)
pattern
Multi Model
pattern and
Fuzzy Model
rules
rules
Gambar 9. Data mining, multimodel dan fuzzy model
(adaptasi dari Hirota, 1996)
30
5. Herwanto, 2006, dalam tesis Pascasarjana di fakultas Ilkom, IPB yang
berjudul “Pembangunan Sistem Data mining untuk Mendiagnosa Penyakit
Diabetes Menggunakan Algoritma CPAR (Classification Based on
Predictive Association Rules)”, mencoba untuk menerapkan datamining
pada database penyakit diabetes yang dimiliki oleh RS Pertamina untuk
menemukan kaitan antar variable data. Dari data ini dibangun sebuah
system yang dapat melakukan prediksi diagnosa penyakit. Hasil prediksi
berupa kemungkinan diagnosa penyakit yang diderita pasien. Aturan yang
digunakan untuk melakukan prediksi diagnosa penyakit diambil dari hasil
proses data mining menggunakan algoritme CPAR . Dari hasil penelitian
tersebut dapat ditarik suatu kesimpulan : Pemeriksaan glukosa darah 2 jam
pp (Gpost), glukosa urin 2 jam pp (Upost), glukosa darah puasa (Glun)
menjadi penentu utama untuk menentukan apakah pasien positif diabetes
atau negatif diabetes.
2.5.1. Perbedaan dari penelitian sebelumnya
Pada penelitian ini penulis mencoba menggabungkan kemampuan dari
data mining dengan metode Classification based on Predictive Association Rules
(CPAR) dalam mencari suatu pola variable – variable yang telah ada, kemudian
dalam membangun suatu sistem arsitektur untuk memprediksi pola penyebaran
demam berdarah digunakan sistem pakar dengan menggunakan sistem logika
fuzzy dan sistem prakiraan dengan menggunakan metode Winters.