KAJIAN ANALISIS CLUSTERING DAN PENERAPANNYA PADA SISTEM PENDUKUNG KEPUTUSAN

Transkripsi

1 KAJIAN ANALISIS CLUSTERING DAN PENERAPANNYA PADA SISTEM PENDUKUNG KEPUTUSAN TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh : ANDRI HERYANDI NIM : (Program Studi Magister Informatika) INSTITUT TEKNOLOGI BANDUNG 2009

2 ABSTRAK KAJIAN ANALISIS CLUSTERING DAN PENERAPANNYA PADA SISTEM PENDUKUNG KEPUTUSAN Oleh : Andri Heryandi NIM : Informasi merupakan kebutuhan dasar yang diperlukan untuk melakukan pengambilan keputusan. Informasi merupakan suatu bentuk hasil pengolahan data dari suatu atau sekumpulan data yang telah mempunyai arti bagi penerimanya. Untuk mengidentifikasi informasi dari sumber datanya membutuhkan teknik tertentu sesuai dengan bentuk informasi yang ingin dihasilkan. Untuk membantu para pengambil keputusan dibutuhkan suatu sistem yang dapat untuk mengolah data menjadi informasi. Sistem tersebut adalah sistem pendukung keputusan (SPK). SPK tidak digunakan untuk mengganti peran manusia untuk mengambil keputusan, tetapi digunakan sebagai alat bantu pengolahan data yang dapat memberikan bahan-bahan pertimbangan untuk pengambilan keputusan. Salah satu teknik yang dapat diimplementasikan dalam sebuah SPK adalah analisis clustering. Analisis clustering merupakan suatu teknik pengolahan data yang digunakan untuk mengelompokkan obyek uji berdasarkan karakteristik alamiahnya. Proses clustering yang baik harus mendapatkan tingkat homogen (kemiripan) yang tinggi antar obyek uji dalam suatu cluster dan tingkat heterogen (ketidakmiripan) yang tinggi antar cluster. Ada dua kelompok besar teknik analisis clustering yaitu hierarki dan non-hierarki. Tesis ini akan mengimplementasikan sebuah teknik analisis clustering yang nonhierarki yaitu K-Mean yang dikombinasikan dengan proses optimizing procedure dengan metode pengukuran kemiripan menggunakan Euclidean distance dan Manhattan distance. Pemilihan ini didasarkan kepada kemampuan teknik ini untuk melakukan optimalisasi hasil clustering sehingga diharapkan dapat menghasilkan cluster-cluster yang baik. Perangkat lunak yang dibangun agar dapat memenuhi kebutuhan analisis clustering untuk berbagai kasus. Untuk memenuhi hal tersebut ada beberapa hal yang harus dipenuhi oleh perangkat lunak yang dibangun, diantaranya kemampuan untuk membaca data dari berbagai sumber, adanya pengaturan variable yang akan menjadi acuan proses clustering, adanya nilai transformasi i

3 sebagai pengganti data yang bukan numerik, mampu untuk melakukan clustering sesuai dengan parameter dari pengguna dan ekspor cluster hasil clustering ke berbagai format untuk digunakan untuk pengambilan keputusan. Perangkat lunak ini dibangun menggunakan lingkungan pengembangan perangkat lunak Borland Delphi 7 dengan menggunakan server basis data MySQL untuk penyimpanan data clusteringnya. Pengujian perangkat lunak dilakukan dengan dengan dua cara yaitu pengujian fungsional perangkat lunak dan pengujian hasil clustering. Pengujian fungsional perangkat lunak dilakukan dengan menguji semua kebutuhan fungsional perangat lunak. Sedangkan pengujian hasil clustering dilakukan dengan membandingkan cluster hasil clustering dengan cluster hasil clustering yang dihasilkan oleh perangkat lunak lain yang umum digunakan untuk melakukan clustering yaitu Matlab. Dari pengujian-pengujian yang telah dilakukan dapat diambil kesimpulan bahwa perangkat lunak telah dapat melakukan proses clustering sesuai dengan masukan parameter dari pengguna dan hasilnya dapat diekspor untuk mendukung pengambilan keputusan. Kata Kunci : Sistem Pendukung Keputusan, Analisis Clustering, Optimized Procedure ii

4 ABSTRACT CLUSTERING ANALYSIS STUDY AND IMPLEMENTATION ON DECISION SUPPORT SYSTEM Information is the basic requirement needed to make decisions. Information is a form of data processing results from one or a set of data that already have meaning for the recipient. To identify the information from the data source requires a specific technique in accordance with the form of information to be produced. Decision makers need a system for processing from raw data to be meaningfull information. The system is a decision support system (DSS). DSS was not used to replace the human role to make decisions, but used as a data processing tool that can provide materials for decision-making considerations. One technique that can be implemented in as a DSS is clustering analysis. Clustering analysis is a data processing technique used to group the test object based on its natural characteristics. A good clustering process to obtain high homogeneous (similarity) level between the test objects within cluster and to obtain high heterogeneous (dissimilarity) level between clusters. There are two major groups of clustering analysis techniques are hierarchical and non-hierarchy. This thesis will implement a non-hierarchical clustering analysis technique called K-Means and its combined with an optimizing procedure in the process with the similarity measurement method using Euclidean distance and Manhattan distance. This technique was selected because non-hierarchical clustering method have an ability to optimize the clustering results that are expected to produce good clusters. The software is built to meet the needs of clustering analysis for various cases. To meet this, there are several things that must be met by software that was built, including the ability to read data from various sources, the existence of variable settings that will be the reference clustering process, the value of the transformation as a substitute for non-numerical data, ability to perform appropriate clustering based on the parameters from the user and the export of cluster to various formats to be used for decision making. This software is built using Borland Delphi 7 software development environment by using the MySQL database server for data storage. Software testing conducted in two ways. The First test was conducted to test the functional of software. Software functional testing is done by testing all software functional requirements. On the second testing, the clustering results is compared with the clusters generated by other software commonly used to perform clustering. That software is Matlab. iii

5 From the tests that have been made can be concluded that the software has been able to do clustering process in accordance with the input parameters from the user and the results can be exported to support decision-making. Keywords: Decision Support System, Clustering Analysis, Optimized Procedure iv

6 LEMBAR PENGESAHAN KAJIAN ANALISIS CLUSTERING DAN PENERAPANNYA PADA SISTEM PENDUKUNG KEPUTUSAN Oleh : Andri Heryandi NIM : (Program Studi Magister Informatika) INSTITUT TEKNOLOGI BANDUNG Menyetujui Tanggal 2 Oktober 2009 Pembimbing (Ir. Hira Laksmiwati, M.Sc) v

7 PEDOMAN PENGGUNAAN TESIS Tesis S2 yang tidak dipublikasikan terdaftar dan tersedia di Perpustakaan Institut Teknologi Bandung, dan terbuka untuk umum dengan ketentuan bahwa hak cipta ada pada pengarang dengan mengikuti aturan HaKI yang berlaku di Institut Teknologi Bandung. Referensi kepustakaan diperkenankan dicatat, tetapi pengutipan atau peringkasan hanya dapat dilakukan seizin pengarang dan harus disertai dengan kebiasaan ilmiah untuk menyebutkan sumbernya. Memperbanyak atau menerbitkan sebagian atau seluruh tesis haruslah seizin Direktur Program Pascasarjana, Institut Teknologi Bandung. vi

8 Dipersembahkan kepada : Mamah Iyah Siti Syariah (alm) dan Bapak Emin Hasyimin (alm) Ananda akan selalu mengingatmu. Selalu. Dan tidak lupa untuk seluruh anggota keluargaku. vii

9 KATA PENGANTAR Segala puji dan syukur yang sedalam-dalamnya dipanjatkan ke khadirat Allah SWT yang telah memberikan karunia dan hidayah-nya sehingga penulis dapat menyelesaikan tesis yang berjudul Kajian Analisis Clustering dan Penerapanya Pada Sistem Pendukung Keputusan. Tesis ini disusun untuk memenuhi syarat untuk memperoleh gelar magister dari program studi Magister Informatika di Institut Teknologi Bandung. Penulis menyadari sepenuhnya bahwa dalam penulisan tesis ini masih terdapat kekurangan, karena itu penulis terbuka untuk menerima saran dan kritik yang sifatnya membangun dari pembaca agar dapat digunakan sebagai bahan kajian untuk penulisan karya ilmiah yang lebih baik. Walau pun demikian, penulis telah berusaha semaksimal mungkin untuk dapat menyelesaikan tesis ini dengan harapan dapat memberikan manfaat khususnya dalam wawasan ilmu pengetahuan. Dalam menyelesaikan tesis ini, penulis banyak sekali mendapat bantuan serta dorongan dari berbagai pihak baik moril maupun materil. Oleh karena itu perkenankan penulis menyampaikan terima kasih dan penghargaan sebesarbesarnya kepada : 1. Rektor Universitas Komputer Indonesia dan Yayasan Science and Technology yang telah memberikan beasiswa untuk melanjutkan pendidikan. 2. Ibu Ir. Hira Laksmiwati, M.Sc. sebagai dosen wali dan dosen pembimbing yang telah memberikan saran yang membantu dalam penyusunan tesis ini. 3. Ibu Tricya E. Widagdo, S.T., M.Sc. sebagai reviewer dan penguji I yang telah memberikan saran perbaikan dalam penulisan tesis ini. 4. Ibu Fazat Nur Azizah, S.T., M.Sc. sebagai penguji II yang telah memberikan saran perbaikan dalam tesis ini. 5. Seluruh keluarga yang selalu memberikan dukungan terhadap penulis. viii

10 6. Semua rekan-rekan dosen di Teknik Informatika Universitas Komputer Indonesia. 7. Pegawai TU Informatika. Pak Ade dan Ibu Nur, terima kasih atas kesabaran dan bantuan-bantuannya. 8. Dan juga kepada seluruh pihak-pihak yang tidak bias penulis tuliskan satu per satu. Penulis berharap tulisan ini dapat bermanfaat bagi semua pihak dan semoga hasil penelitian ini dapat dilanjutkan sehingga didapatkan hasil yang bisa lebih baik dari yang telah penulis susun. Bandung, Oktober 2009 Penulis. ix

11 DAFTAR ISI ABSTRAK... i ABSTRACT... iii LEMBAR PENGESAHAN... v PEDOMAN PENGGUNAAN TESIS... vi KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR LAMPIRAN... xv DAFTAR GAMBAR... xvi DAFTAR TABEL... xix BAB I PENDAHULUAN... 1 I.1 Latar Belakang... 1 I.2 Rumusan Masalah... 2 I.3 Tujuan... 3 I.4 Ruang Lingkup Masalah... 3 I.5 Sistematika Penulisan... 4 BAB II LANDASAN TEORI... 6 II.1 Sistem Pendukung Keputusan... 6 II.1.1 Definisi Sistem Pendukung Keputusan... 6 II.1.2 Komponen Sistem Pendukung Keputusan... 6 II.2 Data Mining... 7 II.3 Analisis Clustering... 9 II.3.1 Definisi Analisis Clustering... 9 II.3.2 Tujuan Analisis Clustering x

12 II.3.3 Klasifikasi Teknik Clustering II Teknik Clustering Hierarki II Single linkage (keterhubungan tunggal) II Complete linkage (keterhubungan lengkap) II Average linkage (keterhubungan rata-rata) II Teknik Clustering Non-Hierarki II Clustering dengan metode Sequential Threshold Clustering II Clustering dengan metode Parallel Threshold Clustering II Clustering dengan metode Optimizing Procedure Clustering.. 17 II.3.4 Langkah-Langkah Proses Analisis Clustering II Merumuskan Masalah II Memilih Metode Pengukuran Jarak/Similaritas II Memilih Prosedur Clustering II Menentukan Banyaknya Cluster II Menginterpretasi dan Memprofile Cluster II Menguji Keandalan dan Validitas Cluster BAB III ANALISIS III.1 Analisis Konseptual Teknik Pengolahan Data III.2 Deskripsi Perangkat Lunak III.3 Batasan-batasan dan Asumsi III.4 Analisis Kebutuhan Fungsional III.5 Analisis Kebutuhan Non Fungsional III.6 Arsitektur Sistem Yang Akan Dibangun III.7 Diagram Use Case III.7.1 Skenario Use Case Login III.7.2 Skenario Use Case Pendefinisian Proyek Clustering xi

13 III.7.3 Skenario Use Case Penambahan Proyek Clustering III.7.4 Skenario Use Case Pengolahan Proyek Clustering III.7.5 Skenario Use Case Penghapusan Proyek Clustering III.7.6 Skenario Use Case Input Obyek Uji III.7.7 Skenario Use Case Pengaturan Variable III.7.8 Skenario Use Case Pengaturan Nilai Transformasi III.7.9 Skenario Use Case Clustering III.7.10 Skenario Use Case Validasi Cluster III.7.11 Skenario Use Case Pelabelan Cluster III.7.12 Skenario Use Case Output Data Cluster III.8 Realisasi Use Case III.8.1 Realisasi Use Case Login III.8.2 Realisasi Use Case Pendefinisian Proyek Clustering III.8.3 Realisasi Use Case Penambahan Proyek Clustering Baru III.8.4 Realisasi Use Case Pengolahan Proyek Clustering III.8.5 Realisasi Use Case Penghapusan Proyek Clustering III.8.6 Realisasi Use Case Input Data Obyek Uji III.8.7 Realisasi Use Case Pengaturan Variable III.8.8 Realisasi Use Case Pengaturan Nilai Transformasi III.8.9 Realisasi Use Case Clustering III.8.10 Realisasi Use Case Validasi Cluster III.8.11 Realisasi Use Case Pelabelan Cluster III.8.12 Realisasi Use Case Output Data Cluster III.9 Diagram Kelas Keseluruhan Tahap Analisis BAB IV PERANCANGAN IV.1 Perancangan Struktur Data xii

14 IV.1.1 Perancangan Struktur Data Untuk Data Obyek Uji IV.1.2 Perancangan Struktur Data Untuk Data Cluster IV.2 Diagram Kelas Tahap Perancangan IV.3 Perancangan Struktur Basis Data IV.3.1 Skema Relasi IV.3.2 Struktur Table IV.4 Perancangan Interface IV.4.1 Interface Layar Login IV.4.2 Interface Layar Pendefinisian Proyek Clustering IV.4.3 Interface Layar Penambahan Proyek Clustering Baru IV.4.4 Interface Layar Pengolahan Proyek Clustering IV.4.5 Interface Layar Penghapusan Proyek Clustering Baru IV.4.6 Interface Layar Input Obyek Uji IV.4.7 Interface Layar Pengaturan Variable IV.4.8 Interface Layar Pengaturan Nilai Transformasi IV.4.9 Interface Layar Pembacaan Data Obyek Uji IV.4.10 Interface Layar Analisis Clustering IV.4.11 Interface Layar Validasi Cluster IV.4.12 Interface Layar Output Cluster IV.4.13 Interface Layar Export Cluster IV.5 Format Masukan Obyek Uji IV.5.1 Format Masukan Obyek Uji Dari Database IV.5.2 Format Masukan Obyek Uji Dari File Excel IV.5.3 Format Masukan Obyek Uji Dari File Teks IV.6 Format Keluaran Cluster IV.6.1 Format Keluaran Data Cluster Ke File SQL xiii

15 IV.6.2 Format Keluaran Data Cluster Ke File Excel IV.6.3 Format Keluaran Data Cluster Ke File Teks BAB V IMPLEMENTASI V.1 Perangkat Lunak Pengembangan V.2 Implementasi Kelas V.3 Implementasi Antarmuka BAB VI PENGUJIAN VI.1 Rencana Pengujian VI.2 Pengujian Fungsional Perangkat Lunak VI.3 Pengujian Hasil Proses Clustering VI.4 Kesimpulan Hasil Pengujian BAB VII KESIMPULAN DAN SARAN VII.1 Kesimpulan VII.2 Saran DAFTAR PUSTAKA xiv

16 DAFTAR LAMPIRAN LAMPIRAN A DATA PENGUJIAN LAMPIRAN B HASIL PENGUJIAN xv

17 DAFTAR GAMBAR Gambar II.1 Hubungan antar sub sistem dalam SPK... 7 Gambar II.2 Proses Data Mining dalam Pengambilan Keputusan... 8 Gambar II.3 Ilustrasi obyek sebelum dan sesudah dicluster... 9 Gambar II.4 Klasifikasi teknik-teknik clustering Gambar II.5 Contoh clustering dan pembentukan diagram scatter dan Dendrogram Gambar II.6 Pengukuran jarak menggunakan single linkage Gambar II.7 Pengukuran jarak dengan complete linkage Gambar II.8 Pengukuran jarak dengan average linkage Gambar II.9 Pengukuran jarak dengan centroid linkage Gambar II.10 Langkah-langkah proses analisis clustering Gambar II.11 Perbandingan Pengukuran Jarak Euclidean dan Manhattan Gambar III.1. Contoh pengukuran tingkat kemiripan Gambar III.2 Ilustrasi Kelemahan Algoritma Non Hierarki Gambar III.3 Model Sistem Analisis Clustering Gambar III.4 Cara kerja perangkat lunak Analisis Clustering Gambar III.5 Arsitektur Perangkat Lunak Yang Akan Dibangun Gambar III.6 Diagram Use Case Sistem Gambar III.7 Diagram Kelas Use Case Login Gambar III.8 Sequence Diagram Login Gambar III.9 Diagram Kelas Use Case Pendefinisian Proyek Clustering Gambar III.10 Sequence Diagram Pendefinisian Proyek Clustering Gambar III.11 Diagram Kelas Use Case Penambahan Proyek Clustering xvi

18 Gambar III.12 Sequence Diagram Penambahan Proyek Clustering Baru Gambar III.13 Diagram Kelas Use Case Pengolahan Proyek Clustering Gambar III.14 Sequence Diagram Pengolahan Proyek Clustering Gambar III.15 Kelas Diagram Use Case Penghapusan Proyek Clustering Gambar III.16 Sequence Diagram Penghapusan Proyek Clustering Gambar III.17 Diagram Kelas Use Case Input Data Obyek Uji Gambar III.18 Sequence Diagram Input Data Obyek Uji Gambar III.19 Sequence Diagram Pengaturan Variable Gambar III.20 Sequence Diagram Pengaturan Variable Gambar III.21 Kelas Diagram Use Case Pengaturan Nilai Transforamsi Gambar III.22 Sequence Diagram Pengaturan Nilai Transformasi Gambar III.23 Kelas Diagram Use Case Clustering Gambar III.24 Sequence Diagram Clustering Gambar III.25 Kelas Diagram Use Case Validasi Cluster Gambar III.26 Sequence Diagram Validasi Cluste Gambar III.27 Kelas Diagram Use Case Pelabelan Cluster Gambar III.28 Sequence Diagram Pelabelan Cluster Gambar III.29 Diagram Kelas Use Case Output Data Cluster Gambar III.30. Sequence Diagram Output Data Cluster Gambar III.31 Diagram Kelas Keseluruhan Tahap Analisis Gambar IV.1 Struktur data untuk menyimpan Data Obyek Uji Gambar IV.2 Struktur data untuk menyimpan Data Cluster Gambar IV.3 Diagram Kelas Tahap Perancangan Gambar IV.4 Skema Relasi Gambar IV.5 Interface Layar Login Gambar IV.6 Interface Layar Pendefinisian Proyek Clustering xvii

19 Gambar IV.7 Interface Layar Penambahan Proyek Clustering Baru Gambar IV.8 Interface Layar Pengolahan Proyek Clustering Gambar IV.9 Interface Layar Penghapusan Proyek Clustering Gambar IV.10 Interface Layar Input Obyek Uji Gambar IV.11 Interface Layar Pengolahan Variable Gambar IV.12 Interface Layar Pengolahan Nilai Transformasi Gambar IV.13 Interface Layar Pembacaan Data Obyek Uji Gambar IV.14 Interface Layar Analisis Clustering Gambar IV.15 Interface Layar Validasi Cluster Gambar IV.16 Interface Layar Output Cluster Gambar IV.17 Interface Layar Export Cluster Gambar IV.18 Format Masukan Obyek Uji Dari Database Gambar IV.19 Contoh Masukan Obyek Uji Dari Database Gambar IV.20 Format Masukan Obyek Uji Dari File Excel Gambar IV.21 Contoh Masukan Obyek Uji Dari File Excel Gambar IV.22 Format Masukan Obyek Uji Dari File Teks Gambar IV.23 Contoh Masukan Obyek Uji Dari File Teks Gambar IV.24 Format Keluaran Data Cluster ke File SQL Gambar IV.25 Format Keluaran Data Cluster ke File Excel Gambar IV.26 Format Keuaran Data Cluster ke File Teks Gambar V.1 Interface Layar Login Gambar V.2 Interface Layar Pendefinisian Proyek Clustering Gambar V.3 Interface Layar Pengolahan Proyek Clustering Gambar V.4 Interface Layar Analisis Clustering Gambar V.5 Interface Layar Output Cluster xviii

20 DAFTAR TABEL Tabel III.1 Perbandingan Algoritma Clustering Hierarki dan Non Hierarki Tabel III.2 Daftar Spesifikasi Kebutuhan Fungsional Tabel III.3 Daftar Spesifikasi Kebutuhan Non Fungsional Tabel III.4 Deskripsi Kelas Tabel IV.1 Hubungan Kelas Entitas dengan Tabel Basis Data Tabel V.1 Hubungan Kelas Perancangan dan Kelas Implementasi Tabel V.2 Daftar Antarmuka Implementasi Tabel VI.1 Butir-Butir Pengujian Fungsionalitas Perangkat Lunak xix