5.3.2.3. Proses Output
Setelah pengguna memasukkan data cuaca yang terdiri dari suhu, curah hujan, kelembaban, dan penyinaran matahari, maka pengguna menekan tombol
”Periksa”, dimana sebagai aksinya, sistem akan memproses data yang telah dimasukkan oleh pengguna. Pengguna akan dapat langsung melihat prediksi
kondisi DBD di wilayah tersebut, kuning atau merah. Untuk melihat tindakan yang harus dilakukan sesuai dengan tatalaksana SOP yang telah ditetapkan oleh
Dinkes DKI Jakarta, maka pengguna harus menekan tombol ”Lihat Tindakan”. Pengguna dapat mengulang proses pemasukkan data dengan menekan tombol
”Ulangi Lagi”, dan melakukan proses kembali.
Gambar 32. Tombol Mendapatkan Output dari Input Data.
Output Sistem
Pembuatan antarmuka pada sistem Aplikasi DBD menggunakan fasilitas GUI pada Matlab 7.0, Output yang dihasilkan oleh sistem adalah kondisi DBD
berdasarkan data cuaca yang dimasukkan oleh pengguna dan hasil proses defuzzifikasi.
Prediksi DBD Tahun Selanjutnya
Prediksi DBD yang dibangun menggunakan basis aturan, dalam membangun hasil prediksinya adalah berdasarkan data cuaca yang meliputi suhu,
kelembaban, penyinaran matahari dan curah hujan. Sehingga untuk memprediksi DBD ditahun selanjutnya agar dapat digunakan sebagai dasar dari tindakan
pencegahan dini DBD di wilayah DKI Jakarta diperlukan data cuaca di wilayah yang bersangkutan. Data cuaca yang digunakan dalam membangun basis aturan
adalah data cuaca ya ng telah dicatat oleh dinas BMG. Untuk memprediksi DBD tahun selanjutnya, maka harus digunaka n data cuaca hasil dari prediksi data cuaca
tahun – tahun sebelumnya, misalnya untuk memprediksi data cuaca tahun 2007, maka digunakan data cuaca tahun 2005 dan 2006. Untuk memprediksi data cuaca
ini maka digunakan software Minitab dengan menggunakan metode Winter’s. Metode ini melakukan prediksi data cuaca pada tahun 2007 didasarkan pada data
cuaca minimal 2 tahun sebelumnya. Data cuaca akan dimasukkan sebagai data dalam bentuk cell, data tersebut
akan digunakan sebagai variabel yang akan diprediksi. Selanjutnya pengguna menentukan panjang periode dari variabel sebelumnya. Pengguna juga
menentukan level, trend dan season dan jumlah yang akan diprediksi.
Gambar 33. Interface Metode Winter’s
Kompleksitas Sistem
Kompleksitas merupakan ukuran konerja sebuah algoritma. Kinerja sebuah algoritma tergantung pada faktor internal dan eksternal.
Faktor internal yaitu tingkat efisiensi dalam : - Waktu yang digunakan untuk melaksanakan algoritma.
- Memori yang diperlukan dalam menjalankan algoritma. Faktor eksternal terdiri dari :
- Ukuran input yang digunakan sebuah algoritma. - Kecepatan komputer yang digunakan untuk melaksanakan algoritma.
Potongan koding program berikut ini terdapat dalam fungsi
banyak_data.m yang digunakan dalam mengolah data masukkan yang diberikan oleh pengguna.
1 tahun=gethandles.edit1,String;
2 conn = databasehendra, , ;
3 curs = execconn, [select from hendra where tahun = , tahun, ]
4 curs=fetchcurs;
5 A=curs.Data
6 uA=sizeA;
7 if uA11
8 for i=1:uA1 Di eksekusi sebanyak n kali
9 k=1;
10 for j=3:uA2 Di eksekusi sebanyak m kali
11 Bi,k=str2nummat2strcell2matAi,j;
12 k=k+1;
13 End
14 End
Secara garis besar potongan koding program diatas terdiri dari 2 iterasi, yaitu
pada baris 8 dan 10. Baris 10 iterasi dilakukan sebanyak m kali, dengan kompleksitasnya Om, akan tetapi karena pada iterasi ini di eksekusi sebanyak n
kali, maka kompleksitasnya menjadi Omn. Secara keseluruhan komplesitas dari program ini adalah Omn.
BAB VI PENGUJIAN DAN PEMBAHASAN
6.1. Mekanisme Pengujian
Pengujian dilakukan terhadap model data mining yang dibangun. Tujuan pengujian adalah untuk menemukan model yang ideal. Sebelum dilakukan
pengujian terlebih dahulu dilakukan pembentukan model. Pembentukan model menggunakan data training adapun pengujian model menggunakan data testing.
Data training dan data testing memuat informasi tentang data input berupa suhu udara, curah hujan, penyinaran matahari, kelembaban udara dan data output
berupa kondisi DBD pada kondisi hijau, kuning, atau kondisi merah. Model yang sudah terbentuk dibandingkan dengan hasil pengujian pada data testing.
Semakin sama hasil perbandingan output kedua model berarti model semakin akurat.
Pengujian dilakukan terhadap data training dengan mengambil data sampel berdasarkan prosentase. Pada kedua kelompok data tersebut algoritme
data mining digunakan untuk mencari pola-pola dari nilai yang diprediksi. Selanjutnya model diperbaiki dengan menggunakan sampel data lain agar tidak
hanya bisa bekerja dengan data training.
6.2. Pembentukan Model Dengan Data Training
Proses pembentukan model data mining menggunakan algoritme CPAR.
Pembentukan dilakukan dengan mengambil sebanyak 202 sampel tahun 2004 – 2005, dari sampel tersebut 105adalah berasal dari data DBD untuk wilayah
Jakarta Pusat dan 97 berasal dari data wilayah Jakarta Selatan. Data tersebut
adalah kejadian DBD di suatu kecamatan di wilayah tersebut, dalam hal ini untuk wilayah Jakarta pusat terdapat 8 delapan kecamatan, sedangkan Jakarta selatan
10 sepuluh kecamatan. Dari data rata – rata ini diklasifikasikan kedalam pembagian kondisi DBD hijau, kuning dan merah yang telah disepakati
bersama. Karakteristik sampel data bisa dilihat pada Tabel 13 dan 14, sedangkan pada Tabel 15 dan 16 adalah Nilai rata-rata kasus DBD per kecamatan per
wilayah
Kategori