PERTEMUAN I

PENDAHULUAN

POKOK BAHASAN :
1. Pengenalan Komputasi Cerdas
2. Pengenalan Data Mining
3. Pengenalan Perangkat/ Tools

TUJUAN :
Pada akhir praktikum, diharapkan mahasiswa dapat mengetahui perkembangan komputasi cerdas,
data mining dan mengenal perangkat/ tools yang dipergunakan.

TEORI SINGKAT :
Kecerdasan buatan menurut beberapa studi yaitu sebuah studi bagaimana membuat
komputer mengerjakan sesuatu yang dapat dikerjakan manusia (Rich, 1991). Pengertian lainnya
kecerdasan buatan adalah suatu cabang ilmu komputer yang mempelajari otomatisasi tingkah laku
cerdas (Setiawan, 1993) dan menurut (Turing, et, 1996) adalah suatu perilaku sebuah mesin yang
jika dikerjakan oleh manusia akan disebut cerdas. Beberapa cabang dalam kecerdasan buatan
diantaranya :
Pencarian, contoh : kemungkinan langkah permainan catur.
Pengenalan pola : Pola huruf, tulisan, pat nomor.
Inferensi : Pengetahuan dan penalaran yang masuk akal, seperti belajar dari pengalaman.
Ontologi, ilmu tentang keberadaan dan realitas.
Heuristik, suatu cara atau teknik untuk mencoba menemukan suatu benda/ide.
Data mining merupakan suatu disiplin ilmu yang mempelajari metode untuk mengekstrak
pengetahuan atau menemukan pola dari suatu data yang besar. Ekstraksi dari data ke pengetahuan
meliputi beberapa hal yakni :
1. Data: fakta yang terekam dan tidak membawa arti .
2. Pengetahuan: pola, rumus, aturan atau model yang muncul dari data.
Adapun pengertian data mining menurut berbagai referensi diantaranya sebagai berikut. Data
mining yakni melakukan ekstraksi untuk mendapatkan informasi penting yang sifatnya implisit dan
sebelumnya tidak diketahui, dari suatu data (Witten et al., 2011). Pengertian lainnya yaitu kegiatan
yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola dan
hubungan dalam set data berukuran besar (Santosa, 2007).

PRAKTIKUM 1 : INSTALASI WEKA

Pada pertemuan pertama ini, hal pertama yang dilakukan yakni mengenali perangkat yang
dipergunakan selama praktikum. Weka merupakan salah satu software yang digunakan untuk
melakukan riset komputasi cerdas dan data mining. Software ini dikembangkan oleh University of
Waikato. Untuk dapat menggunakannya, software tersebut kita unduh pada tautan berikut
http://www.cs.waikato.ac.nz/ml/weka/downloading.html.

1. Pastikan java sudah terinstall dalam komputer anda, sehingga diperlukan untuk melakukan
instalasi JDK terlebih dahulu. Adapun JDK yang dipergunakan adalah versi JDK 1.6 keatas.
2. Lakukan instalasi Weka pada komputer anda, file yang dibutuhkan untuk instalasi yakni
dengan nama weka-3-6-13.exe atau weka-3-6-13-x64.exe. Berikut ini tampilan proses
instalasi, sehingga software Weka telah terinstall dalam komputer anda.
 3. Setelah menekan tombol Next, lalu tempatkan Weka pada lokasi dimana Weka akan
diinstall pada computer anda, seperti pada gambar berikut.

4. Setelah menekan tombol Next, maka proses instalasi akan berlangsung dan Weka sudah
terinstall pada komputer anda.

5. Berikut ini merupakan tampilan Weka, setelah proses instalasi dilakukan. Tampilan ini
menandakan bahwa kita sudah dapat menggunakan Weka pada praktikum mata kuliah ini.

PRAKTIKUM 2 : PENGENALAN TOOLS WEKA

Tampilan awal software Weka terditi dari 4 Tombol diantaranya :
1. Explorer : Menu ini digunakan untuk melakukan eksplorasi terhadap data yang
dipergunakan baik data set ataupun proses yang dilakukan pada data menggunakan
algoritma tertentu.
2. Experimenter : Menu ini digunakan untuk melakukan komparasi dari beberapa algoritma
 dan melihat performanya untuk dibandingkan secara langsung.
3. Knowledge Flow : Menu ini diberikan tampilan grafik, tujuannya agar proses yang
dilakukan diperlihatkan secara nyata melalui grafik.
4. Command-line interface : Menu ini digunakan apabila akan mempergunakan command line
untuk memproses data dan algoritma lebih lanjut.

Dalam menggunakan software Weka, kita akan melakukan eksplorasi pada menu Explorer, setelah
menekan tombol Explorer maka akan muncul seperti tampilan berikut dan berikut ini menu-menu
yang ada pada Explorer.

Preprocess
Classify
Cluster
Associate
Select attributes
Visualize

Pada praktikum 2 ini, kita akan mencoba memasukkan data sample yang terdapat pada Weka, data
tersebut data yang sudah tersedia yang akan kita pelajari pada awal pertemuan praktikum ini. Data
tersebut merupakan data sampel playing tennis (weather.nominal.arff). Berikut ini beberapa langkah
yang dilakukan :
1. Pada menu utama pilih menu Explorer sehingga tampil seperti pada tampilan diatas,
kemudian untuk dapat membuka data sampel yang kita inginkan, buka file dengan cara
menekan tombol Open File lalu pilih pada direktori C:\Program Files\Weka-3-6\data. Pada
direktori tersebut terdapat data sampel salah satunya data sampel dengan nama file
weather.nominal.arff. Sehingga akan tampil seperti berikut.
2. Pada tampilan diatas dapat kita lihat bermacam-macam atribut (outlook, temperature,
humidity, windy) kemudian pada setiap dataset tersebut terdapat target/class (play). Pada
setiap atribut dan class dapat kita lihat jumlahnya pada kolom kanan.

Jumlah pada setiap atribut

Grafik atribut terhadap class

atribut

3. Data sampel yang kita punyai dapat kita edit sesuai dengan kehendak kita. Bila ingin
melakukan edit terhadap data dapat kita lakukan dengan cara menekan tombol edit.
Kemudian ubahlah data pada baris ke 10 dan ke 13 dengan melakukan editing pada atribut
Outlook (Rainy menjadi Sunny) kemudian pada data ke 13 ubahlah atribut Windy (FALSE
menjadi True) dan atribut Temperature menjadi mild. Setelah itu tekan Ok dan lihat pada
tampilan Explorer.
4. Lakukan analisa terhadap perubahan data tersebut dan lakukan Save dengan memberi nama
baru pada dataset tersebut.

LATIHAN :
1. Analisa pada dataset tersebut, manakah yang disebut sebagai atribut dan target/kelas ?
2. Coba anda buka dataset lainnya, seperti glass.arff dan lakukan hal yang sama cari yang
disebut sebagai atribut dan target/kelas lalu buatlah kesimpulan terhadap data tersebut
(glass.arff) ?
 PERTEMUAN II
PENGOLAHAN TERHADAP DATA

POKOK BAHASAN :
1. Pengenalan Klasifikasi dan Melakukan Klasifikasi pada Weka
2. Filter terhadap Data
3. Visualisasi terhadap Data

TUJUAN :
Pada akhir praktikum, diharapkan mahasiswa dapat mengetahui bagaimana melakukan klasifikasi
data, filter data dan visualisasinya dengan menggunakan perangkat lunak Weka.

TEORI SINGKAT :
Klasifikasi merupakan suatu cara dengan menggunakan skema pembelajaran untuk mengetahui
suatu kelas yang tidak diketahui sebelumnya. Dalam klasifikasi dikenal dengan istilah supervised
learning dimana kelas diketahui sebelumnya dari proses pembelajaran. Keberhasilan dalam
melakukan klasifikasi dapat dinilai dari menguji data yang independen pada suatu model sehingga
dapat menentukan kelas yang benar dalam melakukan klasifikasi tersebut. Beberapa algoritma yang
digunakan dalam klasifikasi seperti Decision Tree (J48), Nave Bayess, Neural Network, dan
sebagainya.

PRAKTIKUM 1 : KLASIFIKASI
Pada pertemuan kedua kali ini, data yang akan dipergunakan adalah dataset glass.arff. Sehingga
anda perlu membuka dataset tersebut pada Weka. Kemudian, ikuti beberapa langkah berikut ini :
1. Setelah anda membuka dataset glass.arff seperti pada gambar dibawah ini, maka hal yang
dilakukan selanjutnya adalah melakukan klasifikasi.

2. Klasifikasi yang digunakan pada praktikum ini yakni dengan menggunakan algoritma trees
(pohon keputusan). Algoritma yang dipergunakan yaitu J48. Untuk melakukan klasifikasi,
anda tinggal memilih menu Classify. Lalu untuk dapat menentukan algoritma untuk
klasifikasinya, pada Classifier anda pilih algoritma J48. Seperti pada yang tertera pada
gambar dibawah ini.
3. Setelah algoritma tersebut dipilih, maka untuk dapat melakukan eksekusi klasifikasi dengan
algoritma J48 anda lakukan dengan menekan tombol Start.
4. Untuk dapat melihat hasil klasifikasi, yang anda perlukan adalah melihatnya pada Classifier
output, kemudian lakukanlah analisa terhadap hasil klasifikasi yang dilakukan. Analisa yang
dilakukan yakni meliputi hasil klasifikasi yang benar ataupun salah. Hasil klasifikasi ini
dapat anda lihat pada bagian Confusion Matrix.
5. Lakukan analisa algoritma J48 dengan melakukan setting pada klasifikasi pada
Configuration Panel (klik kanan pada Classifier J48). Lalu setting unpruned tree menjadi
true dan setting minNumObj menjadi 15.

6. Lalu bandingkan hasil klasifikasi tersebut dengan hasil pada pengujian sebelumnya, lakukan
juga analisa terhadap tree (pohon keputusan) yang dihasilkan. Untuk dapat
memvisualisasikannya klik kanan pada Result list dan pilih Visualize Tree. Berikut ini hasil
dari Visualize Tree.
PRAKTIKUM 2 : FILTERING
Pada praktikum selanjutnya, kita akan melakukan filtering pada dataset weather.nominal.arff.
Filtering ini diperlukan untuk menyaring, mengurangi atribut ataupun instances pada suatu dataset.
1. Pada langkah pertama ini, kita akan menghapus atribut pada suatu dataset, cara ini dilakukan
dengan memilih Filtering, kemudian pada unsupervised pilih atribut dan pilih kembali
Remove. Setelah itu, attributeIndices diisi dengan index attribute yang hendak dihapus.
Contohnya atribut humidity yang dihapus mempunyai index 3. Sehingga setelah menekan
tombol Ok, atribut tersebut akan dihapus.

2. Kemudian setelah anda melakukan Remove, anda dapat melakukan Save terhadap dataset
tersebut. Ketika anda ingin mengembalikan kembali data kepada posisi semula. Anda cukup
dengan menekan tombol Undo.
3. Setelah itu, lakukan eksplorasi dengan menghapus atribut lain pada dataset yang mempunyai
nilai tertentu. Misalnya, kita akan menghapus instances yang mempunyai label high, maka
 untuk dapat melakukannya, tinggal kita pilih RemoveWithValues dengan nilai
attributeIndex = 3 dan nominalIndices=1.

4. Setelah itu tekan tombol Apply dan analisa apa yang terjadi pada proses Filtering yang telah
dilakukan.

PRAKTIKUM 3 : VISUALISASI DATA

Pada praktikum selanjutnya, kita akan melakukan visualisasi data yang telah disediakan oleh Weka.
Dataset yang dipergunakan yakni menggunakan dataset sampel yang bernama iris.arff. Dataset
tersebut dapat kita peroleh pada lokasi C:\Program Files\Weka-3-6\data\iris.arff. Untuk dapat
melihat visualisasi data tersebut kita tinggal membuka menu Tab Visualize. Berikut ini beberapa
langkah dalam memvisualisasikan data tersebut.
1. Berikut ini tampilan dalam menu tab Visualize.

2. Lakukan klik pada plot matrix untuk dapat melihat lebih detail terhadap data yang
dimaksud, hal ini untuk melihat persebaran data dari iris.arff.
3. Selanjutnya, silahkan eksplorasi apa yang dapat dilakukan dalam melakukan visualisasi data
pada Weka.
4. Untuk dapat melakukan visualisasi klasifikasi pada dataset iris.arff dapat juga kita lakukan
yakni dengan memilih menu tab Classify terlebih dahulu. Kemudian pilih classifier dengan
menggunakan trees dengan algoritma J48. Lakukan classify dengan menekan tombol Start.

5. Dengan demikian klasifikasi akan menghasilkan output yang ditampilkan pada Classifier
Output. Untuk dapat melihat visualisasinya, lakukan klik kanan pada Result list (trees.J48),
kemudian pilih Visualize classifier errors dan hasilnya seperti yang tampil pada gambar
berikut.
6. Confusion matrix disini menunjukkan hasil predicted class dibandingkan dengan kelas awal
(class). Seperti yang terlihat pada gambar dibawah ini, pada instance info untuk predicted
class (iris-versicolor) dan class (iris-setosa) yang berjumlah satu instance saja.

7. Lakukan analisa untuk instance pada predicted class dan class lainnya.

LATIHAN :
1. Lakukan klasifikasi, filtering dan visualisasikan data untuk dataset yang berbeda. Contoh :
dataset diabetes.arff.
2. Analisa dan tampilkan akurasi, confusion matrix dari klasifikasi tersebut.
3. Lakukan analisa yang mendalam dan eksplorasi pada bagian visualisasi data sehingga anda
memahami bagian-bagian pada praktikum Visualisasi Data.