IMPLEMENTASI DATA MINING ROUGH SET DALAM

Marnis Nasution

J. Informatika AMIK-LB Vol.2 No. 1/Januari/2014

IMPLEMENTASI DATA MINING ROUGH SET DALAM MENENTUKAN TINGKAT
KERUSAKAN ALAT DAN BAHAN KIMIA (STUDI KASUS DI LABORATORIUM
RESEP SMK S-16 FARMASI BENGKULU)
Oleh :

Marnis Nasution, S.Kom, M.Kom
Dosen Prodi Manajemen Informatika, AMIK LABUHANBATU
Rantauprapat, Medan, Email : nenis@yahoo.com
ASBTRACT
Data mining is one of the methods used in extracting the data in generating new knowledge
from stored data. The extent of damage to the equipment and chemicals that affect the cost of
school often do not know how much it cost the school. With data mining that generates knowledge
in the form of some rules and help the school to predict the extent of damage and the cost of
chemicals that can be in.
Keywords : Data mining , Rough sets , Rosetta , replacement tools and chemicals.

I. PENDAHULUAN

1.1 Latar Belakang Masalah
Datamining adalah suatu istilah yang
digunakan untuk
menguraikan penemuan
pengetahuan di dalam database. Salah satu
contohnya adalah mengektraksi dari data yang
tidak lengkap. Menurut Jerzi (2003),
dataminingroughset tetap dapat menggali
pengetahuan di dalam sebuah database
walaupun data tersebut tidaklah lengkap. Ada
dua langkah yang diambil dalam menangani
data yang tidak lengkap, pertama data tidak
lengkap dibiarkan sehingga pada tabel
keputusan hanya rule yang terisi yang
mempengaruhi keputusan akhir sedangkan
langkah kedua adalah data yang kosong dicari
nilai terendah atau tertingginya yang ditentukan
dari tabel keputusan.
1.2 Perumusan Masalah
1 Bagaimana menentukan tingkat kerusakan

alat dan bahan pada Laboratorium Resep
SMK S-16 Farmasi Bengkulu?
2 Bagaimana menentukan tingkat kerusakan
alat dan bahan kimia pada Laboratorium
Resep SMK S-16 Farmasi Bengkulu
dengan menggunakan Rosetta?
3 Bagaimana penerapan dataminingroughset
dalam menentukan tingkat kerusakan alat
dan bahan kimia?

1.3 Batasan Masalah
Menganalisaan tingkat kerusakan alat
dan bahan kimia pada Laboratorium Resep
SMK S-16 Farmasi Bengkulu. Metode yang
digunakan
adalah
roughset
dan
diimplementasikan pada Rosetta.
II. LANDASAN TEORI

2.1 Knowledge Discovery in Database (KDD)
Knowledge discovery in database (KDD)
adalah penerapan metode saintifik pada data
mining. Dalam konteks ini data mining
merupakan satu langkah dari proses KDD
(Herawati, 2013).
2.2 Definisi Data Mining
Datamining adalah suatu istilah yang
digunakan untuk menguraikan penemuan
pengetahuan di dalam database. Datamining
adalah proses yang menggunakan teknik
statistik, matematika, kecerdasan buatan, dan
machinelearning untuk mengektrasi dan
mengidentifikasi informasi yang bermanfaat
dan pengetahuan yang terkait dari berbagai
database besar (kusrini dan Luthfi, 2009).
2.3 Rough Set
Teori Rough Set merupakan salah satu
teknik yang dirasa cukup efisien untuk
Knowledge Discovery in Database (KDD)

1

Marnis Nasution

J. Informatika AMIK-LB Vol.2 No. 1/Januari/2014

proses dan Data Mining. Data mining
merupakan serangkaian proses untuk menggali
nilai tambah berupa pengetahuan yang selama
ini tidak diketahui secara manual dari suatu
kumpulan data.
2.4 Information System
Tabel 2.1 Informiation System
Nama
Lama
Tingkat
barang
pakai
kerusakan(%)
(tahun)

A
2
50
Nam Lama Tingkat Keputusan
a
pakai kerusak
bara (tahun an (%)
ng
)
A
2
50
Diperbaiki
B
3
66
Diperbaiki

B
C

D
E
F
G

3
1
1
3
2
1

66
39
51
75
50
51

Decision System

Tabel 2.2 Decision System
C

1

39

D
E
F
G

1
3
2
1

51
75
50

51

Layak
dipakai
Diperbaiki
Diganti
Diperbaiki
Diperbaiki

Equivalen Class
Reduct

EC1
EC2
EC3
EC4
EC5

Tabel 2.3 Equivalen Class
A

B
C
2
50
Diperbaiki
3
66
Diperbaiki
1
39
Layak
dipakai
1
51
Diperbaiki
3
75
Diganti

Clas

s
E1
E2
E3
E4
E5

Discerniblity Matrix

EC1
EC2
EC3
EC4
EC5

Tabel 2.4 Discernibility Matrix
EC1 EC2 EC3 EC4 EC5
A
AB
A

AB
A
AB
A
B
AB
AB
B
AB
A
A
B
AB
AB
B
AB
AB
-

Tabel 2.6 Reduct
CNF of
Prime
Boolean
Implican
t
(AB)
(AB)
(AB)(B)
(AB)(B)
(B)(AB)
(AB)(B)(
A)

(B)
(B)
(B)
(AB)

Reduct

{A},{B
}
{B}
{B}
{B}
{A},{B
}

Generating rule
Berikut contoh rule yang didapat dari
reduct diatas:
A2,B2C1
If A=2 And B=2 Then C=1
If lama pakai=2 tahun And tingkat kerusakan=
50%-74% Then barang layak pakai.
B2C1
If B=2 Then C=1
If tingkat kerusakan= 50%-74% Then barang
diperbaiki.
B1C2
B=1 Then C=2
If tingkat kerusakan= 0%-69% Then barang
layak pakai.
A3,B3C3

Discernibility Matrix Modulo D
Tabel 2.5 Discernibility Matrix Modulo D
EC1 EC2 EC3 EC4 EC5
EC1
AB
AB
EC2
AB
B
EC3 AB AB
B
AB
EC4
B
AB
EC5 AB
B
A
AB
-

2

Marnis Nasution

J. Informatika AMIK-LB Vol.2 No. 1/Januari/2014

If A=3 And B=3 Then C=3
If lama pakai=3 tahun And tingkat kerusakan=
75%-100% Then barang diganti.

terkait dengan penelitian ini. juga melakukan
pengambilan sampel laporan inventaris
Laboratorium Resep selama dua tahun guna
menunjang penelitian ini

III. PEMBAHASAN
3.1 Kerangka Kerja

Tabel 3.1 Information System

Mendefinisikan Ruang Lingkup
Masalah

NAMA
RAK OBAT

Menganalisa Masalah

PANCI
PILLEN
PLANK
STAMPER
(KECIL)

Menentukan Tujuan

Mempelajari Literatur

AYAKAN
TIMBANGAN
GRAM
PEMADAM
API
GELAS UKUR
500 ml
GELAS UKUR
100 ml

Mengumpulkan Data

Menganalisa Teknik
Pengolahan Data Dengan
Teknik Artifical Intelligen Rough
Set
Mengimplementasi proses
Rough Set Menggunakan
Software Rosetta

KOMPUTER

Menguji Hasil Penelitian

BAHAN
TAHAN
LAMA
TAHAN
LAMA
TAHAN
LAMA
MUDAH
RUSAK
CUKUP
TAHAN
TAHAN
LAMA
TAHAN
LAMA
MUDAH
RUSAK
MUDAH
RUSAK
CUKUP
TAHAN

LAMA
PAKAI

JUMLAH
BRG

LAMA

2

SEDANG

1

SEDANG

1

BARU

4

SEDANG

2

SEDANG

2

SEDANG

1

BARU

2

BARU

3

SEDANG

1

3.4 Equivalen Class
Menghasilkan Kesimpulan

Tabel 4.2 EquivalenClass
3.2 Arsitektur Sistem

A
TAHAN
LAMA
EC1
TAHAN
EC2,1 LAMA
TAHAN
EC2,2 LAMA
MUDAH
EC3
RUSAK
CUKUP
TAHAN
EC4
TAHAN
EC5
LAMA
MUDAH
RUSAK
EC6
MUDAH
EC7
RUSAK
CUKUP
TAHAN
EC8

Gambar 3.1 Arsitektur Penyelesaian Rough
Set
3.3 Pengumpulan Data
Metode pengumpulan data yang
digunakan adalah pengamatan langsung di
Laboratorium Resep SMK S-16 Kota
Bengkulu. Selain melakukan pengamatan juga
dilakukan wawancara kepada pihak-pihak yang
3

B

C

D

LAMA

2

3

SEDANG

1

4

SEDANG

1

0

BARU

4

1

SEDANG

2

3

SEDANG

2

3

BARU

2

0

BARU

3

2

SEDANG

1

4

Marnis Nasution

J. Informatika AMIK-LB Vol.2 No. 1/Januari/2014

3.7

General Rule

Discernibility Matrix
Berdasarkan nilai Reduct
{B} = {lama pakai}
EC2 EC3 EC4 EC5 EC6 EC7 EC8 If lama pakai= lama Then kerusakan=17%-71%
EC1 X
BC
ABC AB
B
AB
ABC ABC If lama pakai= sedang Then kerusakan= >28%
EC2 BC
X
ABC AC
C
ABC ABC A or 0% or 26%-28%
EC3 ABC ABC X
ABC ABC C
C
ABC If lama pakai= baru Then kerusakan = ≤ 2% or
EC4 AB
AC
ABC X
X
AB
ABC C 3%-25%
Tabel 4.2 DiscernibilityMatrix

EC5
EC6
EC7
EC8

B
AB
ABC
ABC

C
ABC
ABC
A

ABC
C
C
ABC

X
AB
ABC
C

X
AB
ABC
AC

AB
X
C
ABC

ABC
C
X
ABC

AC
ABC
Berdasarkan nilai Reduct
ABC
{A,C} = {bahan, jumlah barang}
X

EC7

ABC

ABC

C

ABC

ABC

C

X

ABC

EC8

ABC

X

ABC

C

AC

ABC

ABC

X

If bahan= tahan lama And jumlah barang=11-16
Then Kerusakan 17%-71%
3.5 Discernilibily Matrix Modulo D
If bahan= tahan lama And jumlah barang=1-10
Then Kerusakan ≥71% or 0%
Tabel 4.3 Discernibility Matrix Modulo D
If bahan= mudah rusak And jumlah barang=
EC1 EC2 EC3 EC4 EC5 EC6 EC7 EC8
>28 Then Kerusakan ≤ 2%
EC1 X
BC
ABC X
X
AB
ABC ABC If bahan= cukup tahan And jumlah barang=11EC2 BC
X
ABC AC
C
X
ABC X 16 Then Kerusakan 17%-71%
EC3 ABC ABC X
ABC ABC C
C
ABC If bahan= mudah rusak And jumlah barang=3EC4 X
AC
ABC X
A
AB
ABC C 25 Then Kerusakan 0%
EC5 X
C
ABC A
X
AB
ABC AC If bahan= cukup tahan And jumlah barang= ≤ 2
EC6 AB
X
C
AB
AB
X
C
ABC Then Kerusakan ≥ 71%

3.6

Reduct
Tabel 4.4 Reduct

Class

CNF of Boolean Fungtion

EC1

EC6

(B˅C)^(A˅B˅C)^(A˅C)^
C^A
(B˅C)^(A˅B˅C)^(A˅C)^
C^A
(A˅B˅C)^C
(A˅B)^(A˅C)^(A˅B˅C)^
A^C
B^C^(A˅B˅C)^A^(A˅B)^
(A˅C)
(A˅B)^(A˅B˅C)^C

EC7
EC8

(A˅B˅C)^C
(A˅B˅C)^A^C^(A˅C)

EC2
EC3
EC4
EC5

Prime
Implican
t
B

Reduct

C^A

{A,C}

C
A^C

{C}
{A,C}

B^C^A

{A,B,C}

(AB)^
C
C
A^C

{A,C},{B,
C}
{C}
{A,C}

{B}

Berdasarkan nilai Reduct
If jumlah barang= 3-25 Then kerusakan 17%71% or 0%
If jumlah barang= ≤ 2 Then kerusakan ≥71% or
0%
If jumlah barang= >28 Then kerusakan 1%10%
If jumlah barang= 26-28 Then kerusakan 11%16%
Berdasarkan nilai Reduct
{A,B,C}={bahan, lama pakai, jumlah barang}
If bahan= tahan lama And lama pakai= lama
And jumlah barang= 3-25 Then kerusakan =
17%-71%
If bahan= tahan lama And lama pakai= sedang
And jumlah barang= ≤ 2 Then kerusakan = ≥
71% or 0%
If bahan= mudah rusak And lama pakai= baru
And jumlah barang= > 28 Then kerusakan =
1%-10%
If bahan= cukup tahan And lama pakai= sedang
And jumlah barang= 3-25 Then kerusakan =
17%-71%

4

Marnis Nasution

J. Informatika AMIK-LB Vol.2 No. 1/Januari/2014

If bahan= tahan lama And lama pakai= sedang
And jumlah barang= 3-25 Then kerusakan =
17%-71%
If bahan= mudah rusak And lama pakai= baru
And jumlah barang= 3-25 Then kerusakan = 0%
If bahan= mudah rusak And lama pakai= baru
And jumlah barang= 26-28 Then kerusakan =
11%-16%
If bahan= cukup tahan And lama pakai= sedang
And jumlah barang= ≤ 2 Then kerusakan =
≥71%

Gambar 4.1 Data Pada Microsof Excel
Data yang digunakan berasal dari laporan
inventaris pada tahun 2012 dan tahun 2013
untuk menguji banyak data. Data yang
sebelumnya berbentuk laporan kemudian
diubah dalam bentuk Decision System dan
dibuat ke bentuk Microsof Excel, data yang
telah berbentuk xls nantinya akan dimport ke
dalam SoftwareRosetta. Data tersebut memiliki
tiga variabel yaitu bahan, lama pakai dan
jumlah barang, setiap field memiliki satu
variabel keputusan. Data tersebut adalah dasar
awal dalam pembuatan Rule-rule yang akan
membantu dalam pengambilan keputusan.

Berdasarkan nilai Reduct
{B,C} = {lama pakai, jumlah barang}
If lama pakai= lama And jumlah barang = 26-28
Then kerusakan= 17%-71%
If lama pakai= sedang And jumlah barang = ≤ 2
Then kerusakan= ≥71% or 0%
If lama pakai= baru And jumlah barang = >28
Then kerusakan= 1%-10%
If lama pakai= sedang And jumlah barang = 325 Then kerusakan= 17%-71%
If lama pakai= baru And jumlah barang = 26-28
Then kerusakan= 0%
If lama pakai= baru And jumlah barang = >28
Then kerusakan= 11%-16%

4.2 Tampilan Hasil Program
1. Menu Utama
Menu utama dapat dikatakan sebagai
antar muka (Use Interface) antara User dengan
program. Menu utama menampilkan pilihan
menu yang tersedia pada program. Pada
Rosseta terdapat lima pilihan yaitu menu File,
Edit, View, Window dan Help.
2. Form New Projek
Form New Projek merupakan tempat di
mana Projek akan dikerjakan. Di sinilah akan
dimulai langkah-langkah pengerjaan untuk
memperoleh rules yang dibutuhkan.
3. Open Database / Information System
Langkah selanjutnya adalah membuka
database yang sebelumnya telah dibuat dalam
bentuk Microsof Excel dengan sajian Decision
System. Untuk membuka data tersebut dengan
mengklik kanan pada stuctures dan pilih
ODBC, maka akan tambil kotak dialog ODBC
import. Kemudian pilih Open database dan
pilih bentuk file Excel File, setelah itu pilih
databese yang sebelumnya telah dibuat
kemudian klik OK.

IV. PENGUJIAN
4.1 Teknik Pengujian
Proses pengujian dilakukan untuk
mendapatkan data mengenai kelayakan alat dan
bahan kimia pada Laboratorium Resep SMK S16 Kota Bengkulu dan guna mendapatkan
tingkat kerusakan pada tiap-tiap alat. Proses
pengujian ini dilakukan menggunakan alat
bantu perangkat lunak Rosetta.
Dalam menggunakan sofware Rosetta
data dalam bentuk Decision System disimpan
ke dalam Software Microsof Excel seperti
gambar 4.1:

5

Marnis Nasution

J. Informatika AMIK-LB Vol.2 No. 1/Januari/2014

double klik
nya.

maka akan muncul Reduct-

Gambar 4.2 Form Pilih Database
Gambar 4.5 FormReduct

4. Decision System
Berikutnya adalah Decision System,
yaitu data yang telah dibuat dapat ditampilkan
dengan cara klik tanda (+) pada
maka akan ada muncul
, lalu double
klik
, maka akan data yang telah
dimasukkan ke dalam Rosetta

Dari hasil pencarian Software Rosetta
dihasilkan tiga Reduct yang merupakan dasar
dalam pembuatan Rule-rule. Reduct ini adalah
hasil atribut minimal dari atribut kondisi yang
sebelumnya
telah
disederhanakan
menggunakan prime implicant fungsi boolean.
Tiga reduct ini akan dicari rulenya disesuaikan
data yang diimportkan awalnya. Support
merupakan banyaknya kondisi reduct yang
sesuai dengan data yang awalnya dimasukkan
sedangkan length adalah panjang Reduct.
b. Generate Rule
Yang
terakhir
adalah
proses
menampilkan Generate Rule. Yang pertama
klik kanan pada
kemudian pilih
Generate Rule lalu klik OK.

Gambar 4.3 Form DecisionSystem
a. Reduct
Pada Proses Reduct data akan
dideklarasikan dan dikombinasikan untuk
mendapatkan GenerateRulenya. Langkahlangkah untuk menghasilkan reduct dimulai
dengan meng-klik kanan pada
kemudian pilih Reduct lalu pilih Dynamic
Reduct lalu klik OK.

Gambar 4.6 Pilih GenerateRule
Selanjutnya klik tanda (+)
maka akan muncul
, kemudian double
klik
maka akan muncul Ruleyang
dihasilkan.
Gambar
4.4 Pilihan Reduct
Kemudian klik tanda (+) pada
sehingga akan muncul
, selanjutnya

6

Marnis Nasution

J. Informatika AMIK-LB Vol.2 No. 1/Januari/2014

IF
bahan(cukup
tahan)
=>
kerusakan(0)
IF
bahan(mudah
rusak)
=>
kerusakan(0)
OR
kerusakan(2)
OR
kerusakan(4) OR kerusakan(1)
IF bahan(mudah rusak) AND lama
pakai(sedang) => kerusakan(0)
IF jumlah(4) => kerusakan(0) OR
kerusakan(1)
IF jumlah(2) => kerusakan(0) OR
kerusakan(3) OR kerusakan(4)
IF jumlah(3) => kerusakan(0) OR
kerusakan(2)
IF lama pakai(lama) => kerusakan(0)
OR kerusakan(3)
IF lama pakai(baru) => kerusakan(0)
OR kerusakan(2) OR kerusakan(4) OR
kerusakan(1)p

Gambar 4.7 FormGenerateRule
Output Yang Dihasilkan
Dalam
percobaan
mengunakan
Rosetta ini menghasilkan output berupa rulerule, berikut hasil output-nya:
IF bahan(mudah rusak) AND
jumlah(3) => kerusakan(0) OR kerusakan(2)
IF bahan(mudah rusak) AND
jumlah(1) => kerusakan(0)
IF bahan(tahan lama) AND jumlah(3)
=> kerusakan(0)
IF bahan(tahan lama) AND jumlah(4)
=> kerusakan(0)
bahan(mudah rusak) AND jumlah(4)
=> kerusakan(0) OR kerusakan(1)
IF bahan(mudah rusak) AND
jumlah(2) => kerusakan(0) OR kerusakan(4)
IF bahan(tahan lama) AND jumlah(2)
=> kerusakan(0) OR kerusakan(3)
IF lama pakai(baru) AND jumlah(3)
=> kerusakan(0) OR kerusakan(2)
IF lama pakai(baru) AND jumlah(2)
=> kerusakan(0) OR kerusakan(4)
IF lama pakai(baru) AND jumlah(1)
=> kerusakan(0)
IF lama pakai(sedang) AND jumlah(2)
=> kerusakan(0)
IF lama pakai(lama) AND jumlah(1)
=> kerusakan(0)
IF lama pakai(lama) AND jumlah(3)
=> kerusakan(0)
IF lama pakai(lama) AND jumlah(2)
=> kerusakan(3) OR kerusakan(0)
IF lama pakai(sedang) AND jumlah(4)
=> kerusakan(0)
IF lama pakai(baru) AND jumlah(4)
=> kerusakan(0) OR kerusakan(1)
IF bahan(tahan lama) AND lama
pakai(sedang) AND jumlah(1) => kerusakan(0)
OR kerusakan(4) OR kerusakan(3)

4.3 Hasil Pengujian
Pada Proses pengujian menggunakan
Software Rosetta, dihasikan Rule-Rule yang
sesuai dengan variabel yang didapat dari
laporan inventaris sekolah. Rule-Rule tersebut
yang nantinya akan menjadi alat bantu dalam
proses penggantian alat dan bahan kimia Pada
Laboratorium Resep. Rule-rule tersebut akan
digunakan dalam pengambilan keputusan
apakah alat tersebut akan “diganti”,
“diperbaiki” atau “layak pakai”.
Proses keputusan yang dulunya
diambil langsung oleh pakar dari alat dan bahan
kimia yang merupakan kepala Laboratorium
Resep, kini dapat dilakukan siapa saja yang
bertugas mengganti alat dan bahan kimia.
Sehingga tidak lagi ada ketergantungan dengan
adanya kepala Laboratorium Resep.
Rule-rule yang dihasilkan akan
menuntun para pekerja yang mengganti alat
dalam mengambil keputusan. Ketidakhadiran
kepala Labor Resep tidak akan lagi menjadi
halangan dalam proses penggantian alat dan
bahan kima pada Laboratorium Resep SMK S16 Kota Bengkulu.

7

Marnis Nasution

J. Informatika AMIK-LB Vol.2 No. 1/Januari/2014

4.4 Perbandingan Sistem Lama dengan
Sistem Baru

diseleksi, dari hasil reduct tersebut dapat
menghasilkan rule yang dapat membantu
memperlihatkan presentase kerusakan alat
dan bahan kimia pada Laboratorium Resep
SMK S-16 Farmasi Bengkulu.
3. Data yang berasal dari laporan inventaris
laboratorium resep SMK S-16 Farmasi
Bengkulu yang kemudian diproses di
Software Rosetta akan menghasilkan rulerule.
Rule-rule
tersebut
akan
memperlihatkan
berapa
persentase
kerusakan alat dan bahan kimia pada
Laboratorium Resep SMK S-16 Farmasi
Bengkulu.

1. Untuk pencarian informasi
Pada sistem yang lama pencarian
informasi memakan waktu lama, karena bentuk
laporan yang dibuat kepala Laboratorium
Resep tidak memuat data yang lengkap dan
terperinci sehingga akan membuat kesulitan
dalam menentukan penggantian alat dan bahan
kimia pada Laboratorium Resep. Dengan
sistem yang baru ini keputusan penggantian alat
dan bahan kimia tidak akan memakan waktu
yang lama karena sudah tersedianya rule-rule
yang membantu dalam proses menentukan
persentase kerusakan pengambilan keputusan
penggantian alat dan bahan kimia di
Laboratorium Resep.

5.2 Saran
Dari hasil pembuatan tesis ini penulis
dapat menyampaikan saran-saran:
1. Untuk membuat sebuah keputusan yang
cukup tinggi tingkat keakuratannya maka
dapat digunakan terknik Artificial
Intellignt Rough Set.
2. Untuk mengolah data dalam kapasitas
besar, selain menggunakan
Software
Rosset dapat menggunakan Software
Rough Set lainnya.
3. Untuk penulis selanjutnya disarankan agar
dapat
membandingkan
metode
pengambilan
keputusan
dengan
menggunakan teknik Artificial Intelligent
Rough Set ini dengan teknik lain

2. Pengolahan Data
Dengan
dirancang
suatu
teknik
pengolahan data yang dapat diolah secara
komputerisasi maka pengolahan datanya dapat
dilakukan dengan cepat, dibandingkan dengan
pengolahan data yang tidak menggunakan suatu
teknik tertentu, walaupun pengolahan datanya
sudah memakai komputer. Apalagi kalau
pengolahan data dalam penentuan kelayakan
dilakukan secara manual bahkan tidak
menggunakan suatu teknik tertentu, seperti
yang dikerjakan selama ini.
V. PENUTUP
5.1 Kesimpulan
1. Tingkat kerusakan alat dan bahan kimia
yang pasti terjadi akan terdeteksi dengan
rule-rule yang dihasilkan oleh metode
rough set dan dengan dapat dilihatnya
presentase kerusakannya pihak sekolah
dapat membuat rancangan untuk proses
penggantian alat dan bahan serta sekolah
dapat menghitung kapan masa alat dan
bahan kimia tersebuat akan diganti.
2. Data mining rough set menggunakan
variabel-variabel
penting
yang
berhubungan dengan alat dan bahan kimia
seperti bahan, lama pakai dan kondisi. Dari
tiga variabel ini data mining rough set
akan menghasilkan reduct
yang
merupakan hasil atribut minimal yang telah

DAFTAR PUSTAKA
Angga Ginanjar Mabrur dan Riani Lubis.
(2012). “Penerapan Data mining
Untuk
Memprediksi
Kriteria
Nasabah Kredit ”Jurnal Komputer
dan Informatikan (KOMPUTA).
Edisi 1. Volume 1.
Durairaj M. dan Sathyavathi T. (2013).
“Applying Rough Set for Medical
Informatics
Data
Analysis
”International Journal of Scientific
Research in Biological Science.
Volume 1. Issue 1.
Eko Nur Wahyudi. (2013). “Teknik Klasifikasi
untuk Melihat Kecenderungan Calon
Mahasiswa Baru dalam Memilih
Jenjang Program Studi di Perguruan
8

Marnis Nasution

J. Informatika AMIK-LB Vol.2 No. 1/Januari/2014

Tinggi”Jurnal Teknologi Informasi
DINAMIK. Volume 18. No. 1.
Andika Praja. “Aplikasi Data Mining untuk
Perbandingan Manajemen Laba
Terhadap
Persistensi
Pada
Perusahaan Perbankan yang Go
Publik di Bursa Efek Indonesia”
ISSN 1693-2617.
Menterikesehatan
republic
Indonesia
peraturanmenterikesehatan republic
Indonesia
no
284/MENKES/PER/III/2007
Herawati, Fajar Astuti. 2013. “Data Mining”.
Yogyakarta. Andi.
Imay, Shinya. et.al. (2008). “Rough Sets
Approach to Human Resource
Development
of
Information
Technology Corporations” IJSSST.
Volume 9. No.2.
Mujib, Ridwan. et.al. (2013). “Penerapan Data
Mining Untuk Evaluasi Kinerja
Akademik Mahasiswa Menggunakan
Algoritma Neive Bayes Classifier”
Jurnal EECCIS volume 7. No.1.
Dian Wirdasari. (2011). “Penerapan Data
Mining
UntukMengolah
Data
penempatanbuku
di
perpustakaansmktipab
7
lubukpakamdenganmetode
association rule.
A.S.Salama (2011). “Some Topological
Properties of Rough Set with Tools
for Data Mining” IJCSI. Volume 8.
No.2.
Mohammad Rizal Ariefdan Daniel o Siahaan.
2010.
“Klasterisasiteksmenggunakanmeto
deMax –max Roughness (MMR)
denganpengayaansimilaritas kata.
Sarjon Defit. (2007). “Peranan Diskretisasi
Data Dalam Menambang Rule
Asosiasi Dari Databese” Prosiding
Seminar Nasional Sistem &
Teknologi Informasi (SNASTI).
Susanto, Sani dan Dedy Suryadi. 2010.
“Pengantar Data Mining: Menggali
Pengetahuan
Dari
Bongkahan
Data”. Yogyakarta. Andi.

W, Jerzy. (2003). “Rough Set Statrgies to Data
with Missing Attribut Value” IEE.
56-63.
Wanqing, Li. et.al. (2010). “Data Mining Based
on Set in Risk Decision-making:
Foundation and Application” ISSN:
1109-2750.
YudhoGiriSucahyo. 2003. “MenggaliInfomasi
yang terpendam”.
W, Jerzy. (2003). “Rough Set Statrgies to Data
with Missing Attribut Value” IEE.
56-63.
Widodo, Prabowo Pudjo et.al. 2013.
“Penerapan Data Mining Dengan Matlab”.
Bandung. Rekayasa Sains

9