LAPORAN

PRAKTIKUM DATA MINING

DISUSUN OLEH :

NAMA : Lutia Hilda

NIM : 1757301064

KELAS : TI 4.C

DOSEN PENGAJAR : Muhammad Arhami, S.Si., M.Kom

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI DAN KOMPUTER
POLITEKNIK NEGERI LHOKSEUMAWE
2020
 HALAMAN PENGESAHAN

No. Praktikum : 01/P.DM/4.C/TI/2020

Judul Praktikum : Pengenalan Data Mining dan Data

Preprocessing

Tanggal Praktikum : 25 September 2020

Tanggal Pengumpulan Laporan : 02 Oktober 2020

Nama Praktikan : Lutia Hilda

NIM : 1757301064

Kelas : TI 4.C

Nilai :

Buketrata, 02 Oktober 2020

Dosen Pembimbing

Muhammad Arhami, S.Si., M.Kom

NIP. 19741029 200003 1 001

i
 DAFTAR ISI

HALAMAN PENGESAHAN..................................................................................i
DAFTAR ISI............................................................................................................ii
DAFTAR GAMBAR..............................................................................................iii
BAB I PENDAHULUAN........................................................................................1
1.1. Latar Belakang..........................................................................................1
1.2. Tujuan........................................................................................................1
BAB II TINJAUAN PUSTAKA..............................................................................2
2.1. Transformasi Fourier.................................................................................2
2.2. Teori Inverse Fourier Transform...............................................................3
BAB III LANGKAH-LANGKAH PRAKTIKUM..................................................4
3.1. Alat dan Bahan..........................................................................................4
3.2. Langkah-Langkah Praktikum....................................................................4
BAB IV PEMBAHASAN DAN HASIL PRAKTIKUM........................................5
4.1. Proses Konversi Sederhana Pada Sinyal Dasar.........................................5
BAB V KESIMPULAN.........................................................................................10
REFERENSI..........................................................................................................11

ii
 DAFTAR GAMBAR

Gambar 2.1 Sinyal sinus dalam domain waktu dan domain frekuensi ............. 3
Gambar 4.1 Membangkitkan sinyal sinus dalam domain waktu ...................... 5
Gambar 4.2 Grafik Membangkitkan sinyal sinus dalam domain waktu........... 5
Gambar 4.3 Mengkonversikan kembali domain frekuensi ke domain waktu . . 6
Gambar 4.4 Grafik mengkonversikan domain frekuensi ke domain waktu...... 6
Gambar 4.5 Membangkitkan sinyal persegi dalam domain waktu diskrit........ 6
Gambar 4.6 (a) (b) (c) Grafik sinyal persegi dalam domain waktu .................. 7
Gambar 4.7 Mengkonversikan kembali domain frekuensi ke domain waktu . . 7
Gambar 4.8 Grafik konversi kembali domain frekuensi ke domain waktu....... 8
Gambar 4.9 Membangkitkan sinyal persegi ..................................................... 8
Gambar 4.10 Grafik Membangkitkan sinyal persegi......................................... 8
Gambar 4.11 konversi ke domain waktu .......................................................... 9
Gambar 4.12 Grafik konversi ke domain waktu ............................................... 9

iii
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Latar belakang merupakan penjelasan dalam bentuk uraian paragraf yang
berisi alasan mengapa sebuah karya tulis dibuat. Misalnya, kalau untuk karya
ilmiah berarti kamu harus menjelaskan mengapa topik karya ilmiah tersebut
dibuat. Kalau proposal pensi, mengulas alasan mengapa pensi tersebut harus
diadakan. Dengan adanya latar belakang, pembaca jadi tahu hal apa yang hendak
disampaikan dalam karya ilmiah tersebut. Guna mendukung penulisan karya
ilmiah yang kompeten, maka latar belakang yang baik harus disusun dengan detail
dan kalau bisa disertai data atau fakta yang mendukung. Latar belakang bisa juga
berupa perbandingan dan penyempurnaan atas tulisan tentang topik yang serupa
sebelumnya.

1.2. Tujuan Percobaan

 Mahasiswa ampu menggunakan dan membuat model klasifikasi dengan
teorama Naïve Bayes
 Mahasiswa mampu menerapkan algoritma Naïve Bayes terhadap studi
kasus tertentu

1.3. Manfaat Percobaan

Hasil penelitian ini akan memberikan kontribusi pemanfaatan database yang
ada di industri manufaktur sebagai dasar untuk prediksi waktu penyelesaian
waktu perakitan dengan menggunakan teknik klasifikasi part berdasarkan
size dan ketebalan part. Pada bidang kajian ergonomi dan sistem produksi
akan diperkenalkan aplikasi data mining sebagai bahan penelitian lebih
lanjut untuk mengembangkan sebuah sistem pendukung keputusan.

1
 BAB II
TINJAUAN PUSTAKA

2.1. DASAR TEORI

Teori keputusan Bayes adalah pendekatan statistik yang fundamental dalam
pengenalan pola (Pattern Recognition). Pendekatan ini didasarkan pada
kuantifikasi trade-off antara berbagai keputusan klasifikasi dengan menggunakan
probabilitas dan resiko yang ditimbulkan dalam keputusan-keputusan tersebut.
Ada dua proses penting yang dilakukan saat melakukan klasifikasi. Proses yang
pertama adalah learning (training) yaitu proses pembelajaran menggunakan
training set. Untuk kasus Naïve Bayesian Classifier, perhitungan probabilitas dari
data berdasarkan data pembelajaran dilakukan. Proses yang kedua adalah proses
testing yaitu menguji model menggunakan data testing.

HMAP adalah model penyederhanaan dari metode bayes yang disebut dengan
Naive Bayes. HMAP dapat digunakan sebagai metode untuk mendapatkan
hipotesis dari suatu keputusan. HMAP dapat diartikan untuk mencari probabilitas
terbesar dari semua instance pada atribut target atau semua kemungkinan
keputusan.

Salah satu manfaat algoritma naïve bayes adalah untuk melakukan prediksi
terhadap data-data tertentu. Prediksi (testing) terhadap data yang akan datang bisa
dilakukan berdasarkan hasil pembelajaran terhadap data training. Data training
diambil dari data yang terdahulu, sedangkan data uji (testing) bisa diambil dari
data-data yang sedang atau akan terjadi.

2
 BAB III
LANGKAH-LANGKAH PRAKTIKUM

3.1. Alat dan Bahan.

Sebelum melakukan praktikum ada beberapa alat dan bahan yang harus
dipersiapkan atau dimiliki, antara lain :
1. Komputer dengan sistem operasi Windows.
2. Aplikasi Microsoft Excel, Notepad, Weka, RapidMiner.
3. Modul Praktikum Data Warehousing dan Data Mining.

3.2. Rangkaian Percobaan

3.2.1. Pengenalan Perangkat Lunak Data Mining
1. Microsoft Excel

3
2. Notepad

3. Notepad++

4. WEKA

4
 3.2.2. Langkah-Langkah Praktikum
A. Membuat Format Data ARFF (Attribut-Relation File Format)
1. Buka Aplikasi Notepad++

2. Ketikkan 3 Komponen utama dalam format file ARFF yaitu @relation,

@attribut dan @data pada notepad++.

5
3. Ketikkan nama relasi cuaca di sebelah @relation
4. Ketik nama atribut dan tipe data masing-masing atribut di sebelah
@atribut sesuai jumlah atribut yang digunakan. Jika nilai data bertipe
binomial atau polinomial, semua kemungkinan nilai datanya
disebutkan dan diletakkan dalam tanda kurung kurawal. Jika nilai data
bertipe real, maka cukup tuliskan real.
5. Ketik nilai data di bawah @data untuk tiap baris tabel sesuai dengan
urutan atributnya dipisah menggunakan tanda koma. (Catatan: huruf
besar dan kecil sangat berpengaruh, sehingga kemungkinan nilai data
pada @attribute harus sama dengan nilai data pada @data).

6
 6. Simpan file dengan nama Cuaca.arff. Pastikan untuk memilih All types
(.) pada pilihan Save as type.

B. Menggunakan File ARFF dengan WEKA

1. Buka aplikasi WEKA

2. Pilih menu Explorer sehingga akan muncul jendela Weka Explorer

7
3. Pilih tombol Open File untuk membuka file ARFF yang telah dibuat.
Klik Open.

4. Sehingga dalam Weka Explorer akan tampak grafik statistik masing-

masing atribut pada tabel Cuaca. Berikut adalah gambar grafik untuk
contoh data yang beryipe binomial atau polynomial.

8
Berikut ini gambar grafik untuk contoh data yang bertipe real.

9
 BAB IV
PEMBAHASAN

Dari data hasil prediksi atau hasil klasifikasi dapat kita lihat bahwa:

1. Jika nilai margin prediksinya mendekati angka 1 atau di atas 0,5 maka
hasil prediksi adalah "ya" (dapat bermain tenis).
2. Jika nilai margin prediksinya di bawah 0,5 atau minus maka hasil
prediksinya adalah "tidak" (tidak dapat bermain tenis).
3. Berdasarkan output hasil yang di dapat pada saat cuaca berangin tidak
dapat bermain tenis.
4. Berdasarkan output hasil yang di dapat pada saat cuaca hujan tidak
dapat bermain tenis.

10
 BAB V
SIMPULAN DAN SARAN

Hasil klasifikasi yang didapat dari data training kemudian dilakukan

pengujian dengan data testing yang telah dibuat dan mengklasifikasikannya
menggunakan metode naive bayes setelah di analisa dapat diambil kesimpulan
bahwa hasil dari klasifikasi dapat dikatakan akurat karena beberapa hasil
klasifikasi berbanding lurus dengan situasi nyata, yaitu sebagai berikut :

1. Pada saat hujan kemungkinan besar kita tidak dapat bermain tenis, hasil
klasifikasi juga menghasilkan jawaban tidak dengan margin nilai
prediksinya adalah minus.
2. Pada saat cuaca berangin kemungkinan kita juga tidak dapat bermain tenis,
dan hasil klasifikasi juga menghasilkan jawaban tidak dengan margin nilai
prediksinya adalah minus.

11
 DAFTAR PUSTAKA

https://id.wikipedia.org/wiki/Penggalian_data

(diaksestanggal27 September 2017)

12
 LAMPIRAN
TUGAS

1. Membuat data menggunakan Ms. Excel

2. Dengan menggunakan formula dalam Ms. Excel, carilah:

a) Pada atribut Jurusan_SMA, berapa jumlah data masing-masing kelas
IPA, IPS dan LAIN? (gunakan formula = COUNTIF)

b) Pada atribut Lama_Studi, berapa jumlah data masing-masing kelas

TEPAT, TERLAMBAT?

c) Pada atribut Rerata_SKS, berapa nilai Max, Min, Mean, dan

Standard Deviation?

13
d) Pada tabel tersebut, berapakah jumlah data gabungan untuk kelas pada
atribut Jurusan_SMA = IPA, Gender = PRIA, Asisten = YA,
Lama_studi = TEPAT? (gunakan formula = COUNTIFS)

14
a) File ARFF dari data Siswa diatas.

b) Grafik yang muncul untuk setiap data pada WEKA.

a) Data Jurusan_SMA

15
b) Data Gender

c) Data Asal_Sekolah

16
d) Data Rerata_SKS

e) Data Asisten

17
 f) Data Lama_Studi

5. Jumlah atribut binomial sebanyak 4 atribut, dan polynomial 1 atribut.

6. Jumlah atribut yang bertipe real sebanyak 1 atribut.
7. Pada atribut Rerata_SKS, besar nilai Maximum, Minimum, Mean, dan
StdDev (Standard Deviation) adalah sebagai berikut :

18