METODE INDEXING PADA CASE BASED REASONING (CBR) MENGGUNAKAN DENSITY BASED SPATIAL CLUSTERING APPLICATION WITH NOISE (DBSCAN)

HERDIESEL SANTOSO, Aina Musdholifah, S.kom., M.Kom., Ph.D

2017 | Tesis | S2 Ilmu Komputer

Penelitian ini bertujuan meningkatkan kinerja Case-Based Reasoning dengan memanfaatkan clustering. Analisis cluster digunakan sebagai metode indexing untuk mempercepat pencarian pada proses case retrival. Metode clustering menggunakan Density Based Spatial Clustering Application with Noise (DBSCAN) dibandingkan dengan Self-organizing maps (SOM). Metode cosine similarity digunakan untuk proses pencarian cluster yang relevan dan perhitungan similaritas dengan membandingkan tiga metode yaitu nearest neighbor similarity, euclidean distance similarity dan minkowski distance similarity. Penelitian ini menggunakan dua data uji, yaitu data penyakit gizi buruk dan data penyakit jantung. Pengujian dilakukan dengan tiga skenario. Skenario pertama menggunakan CBR non-indexing, skenario kedua menggunakan CBR dengan indexing SOM, dan skenario ketiga menggunakan CBR dengan indexing DBSCAN. Hasil pengujian menunjukan bahwa CBR dengan indexing menggunakan clustering memiliki akurasi dan waktu proses yang lebih baik dari pada CBR non-indexing. Akurasi terbaik pada threshold lebih besar atau sama dengan 90 data penyakit gizi buruk, didapat dengan menggunakan metode minkowski distance yang diimplemetasikan pada CBR dengan indexing DBSCAN menghasilkan akurasi 100% dengan waktu retrieve rata-rata 0.02305 detik. Nilai akurasi terbaik pada threshold lebih besar atau sama dengan 90 data penyakit jantung, didapat dengan menggunakan metode minkowski distance yang diimplemetasikan pada CBR dengan indexing DBSCAN menghasilkan akurasi 95% dengan waktu retrieve rata-rata 0.05327 detik.

This study aims to improve the performance of Case-Based Reasoning by utilizing clustering. Cluster analysis is used as a method of indexing to speed up the search in case retrieval process. Clustering method using Density Based Spatial Clustering Application with Noise (DBSCAN) compared with Self-organizing maps (SOM). Cosine similarity method is used for the process of finding relevant cluster and the calculation of similarity by comparing three methods: nearest neighbor similarity, euclidean distance similarity and Minkowski distance similarity. This study used two test data, ie data malnutrition disease and heart disease data. Testing is done with three scenarios. The first scenario uses CBR non-indexing, the second scenario using CBR with indexing SOM, and the third scenario using CBR with indexing DBSCAN. The test results showed that, CBR with indexing using clustering has better accuracy and processing time than the CBR non-indexing. Best accuracy on the threshold of greater than or equal to 90 malnutrition disease data, obtained using the Minkowski distance is implemented at CBR with indexing DBSCAN produces an accuracy of 100% with an average time of retrieving 0.02305 seconds. Best accuracy in the threshold value greater than or equal to 90 heart disease data, obtained using the Minkowski distance is implemented at CBR with indexing DBSCAN produce 95% accuracy with an average time of retrieving 0.05327 seconds.

Kata Kunci : penalaran berbasis kasus, indexing, clustering, SOM, DBSCAN, nearest neighbor retrival