MODIFIKASI FUNGSI DENSITY PADA ALGORITMA ANT CLUSTERING

Transkripsi

1 MODIFIKASI FUNGSI DENSITY PADA ALGORITMA ANT CLUSTERING Kurniawan Nur Ramadhani 1), Febryanti Sthevanie ) Fakultas Informatika Universitas Telkom Jln Telekomunikasi No. 1 Terusan Buah Batu Bandung ) kurniawannr@telkomuniversity.ac.id, ) sthevanie@telkomuniversity.ac.id Abstrak Clustering meruakan salah satu tugas dalam data mining untuk mengelomokkan data berdasarkan kemirian karakteristik. Pada enelitian ini, akan diusulkan sebuah modifikasi ada algoritma Ant Clustering untuk memerceat roses komutasi. Modifikasi dilakukan ada fungsi density dengan memertimbangkan batasan emisahan sasial. Dari hasil ercobaan yang dilakukan dengan data sejumlah 800 baris dan jumlah iterasi sebanyak 1000, didaatkan bahwa modifikasi fungsi density ada algoritma Ant Clustering berhasil meningkatkan keceatan dengan nilai akurasi yang tidak terlalu berbeda dengan algoritma Ant Clustering standar. Kata kunci: Clustering, Ant Clustering, fungsi density Abstract Clustering is one of the tasks in data mining to grou data based on similar characteristics. In this study, will be roosed a modification on Ant Clustering algorithm to seed u the rocess of comuting. Modifications carried on by considering the density function limits the satial searation. From the results of exeriments conducted with a number of data lines 800 and the number of iterations of 1000, it was found that the density modification function on Ant Clustering algorithms managed to increase the seed with accuracy values that are not too different from Ant Clustering algorithm standard. Keywords: Clustering, Ant Clustering, density function I. PENDAHULUAN Data mining adalah sekumulan metode yang digunakan untuk mendaatkan informasi dari serangkaian data yang tersedia dengan jumlah yang banyak. Dalam data mining dikenal serangkaian metode untuk daat mengekstrak informasi dari data berjumlah banyak atau data berdimensi tinggi dan bernilai heterogen. Terdaat dua kategori dalam data mining. Kategori ertama adalah kategori rediksi. Algoritma ada kategori ini digunakan untuk menentukan nilai sebuah variabel dari serangkaian data sebelumnya yang diketahui nilainya. Contoh algoritma ini adalah algoritma klasifikasi dan regresi. Kategori kedua adalah kategori deskritif. Algoritma ada kategori ini digunakan untuk mendaatkan deskrisi dari serangkaian data yang daat dimengerti oleh manusia. Algoritma dalam kategori ini adalah algoritma clustering dan asosiasi (J. Han and M. Kamber, 001). Clustering meruakan roses untuk mengelomokkan serangkaian data ke dalam satu kelomok berdasarkan kesamaan karakteristik dari data tersebut. Perbedaan clustering dengan klasifikasi adalah ada clustering, roses engelomokkan dilakukan murni berdasarkan kesamaan karakteristik nilai atribut-atribut dalam data tersebut, sedangkan ada klasifikasi, data dikelomokkan berdasarkan kesamaan nilai dalam satu atribut. Algoritma clustering yang baik harus daat memenuhi kriteria berikut (Jain Anil K, 1998): 1. Scalability yaitu mamu menangani data dalam ukuran yang kecil mauun besar.. Mamu menangani berbagai jenis tie atribut. 50

2 3. Menemukan bentuk-bentuk cluster yang unik. 4. Parameter inut tidak terlalu rumit sehingga tidak menyulitkan engguna untuk mengontrol kualitas cluster yang terbentuk. 5. Mamu menangani noise. 6. Tidak terengaruh urutan enyisian record. 7. Mamu menangani data yang berdimensi tinggi. 8. Mudah diahami dan mudah digunakan. Dalam clustering terdaat beberaa model cluster. Model ertama adalah centroid model. Model centroid bekerja dengan mendefinisikan sebuah cluster menggunakan radius dan osisi centroid dalam ruang N-dimensi. Contoh algoritma ini adalah K-Means. Model kedua adalah hierarchical model. Model ini bekerja dengan menghasilkan cluster bersarang yang direresentasikan sebagai ohon hirarki. Contoh algoritma ini adalah agglomerative dan divisive clustering. Model ketiga adalah density model. Model ini mendefinisikan cluster melalui sebuah nilai keadatan cluster. Serangkaian data dikatakan berada ada satu cluster jika nilai keadatannya memenuhi nilai tertentu. Contoh algoritma ini adalah DBSCAN dan Ant clustering (Jain Anil K, 1998). Pada enelitian sebelumnya (Marco Dorigo and Thomas Stutzle, 004) telah dilakukan roses analisis ada algoritma Ant Clustering yang diusulkan juga dalam enelitian (Monmarche N, 1999). Paer ini akan membahas roses modifikasi ada algoritma Ant Clustering dan hasil analisis terhada modifikasi algoritma tersebut. Algoritma dimodifikasi ada bagian neighbourhood function dengan haraan roses clustering menjadi lebih ceat dengan nilai akurasi yang tidak terlalu jauh berbeda dengan algoritma awal. antara sumber makanan dan sarang mereka. Ketika berjalan dari sumber makanan ke sarang dan sebaliknya, semut meletakkan suatu zat (yang disebut feromon) di seanjang jalur yang mereka lalui. Ketika zat tersebut disekresikan sebagai isyarat seekor semut, maka semut yang lain daat mengenalinya. Ketika mencari makan, ada awalnya semut akan berkeliling di daerah sekitar sarangnya secara acak. Begitu mengetahui ada makanan, semut akan menganalisa kualitas dan kuantitas makanan tersebut dan membawa beberaa bagian ke sarangnya. Dalam erjalanannya, mereka meninggalkan jejak berua sejumlah zat kimia, yang disebut feromon. Feromon ini akan membimbing semut lain untuk menemukan sumber makanan. Jumlah feromon yang ditinggalkan oleh semut bergantung ada jumlah makanan yang ditemukan. Semakin banyak makanan yang didaat, semakin banyak ula jumlah feromon yang ditinggalkan. Sehingga semakin banyak semut yang melewati suatu jalur, semakin kuat ula jejak feromon yang terkumul di jalur tersebut. II.1 II. KAJIAN LITERATUR Algoritma Ant Colony Ant Colony Otimization termasuk teknik encarian multi agent yang sering digunakan untuk ermasalahan otimasi, khususnya kombinatorial, yang terinsirasi oleh tingkah laku semut dalam suatu koloni. Algoritma ACO ertama kali dierkenalkan oleh Marco Dorigo ada tahun 1991 yang kemudian diublikasikan dengan nama Ant System (AS)( Marco Dorigo and Thomas Stutzle, 004). Perilaku semut yang cuku menarik adalah ketika mereka mencari makan. Semut daat menemukan jalur terendek Gambar 1. Ilustrasi Ant Colony Gambar 1 menunjukkan erjalanan semut berjalan dari titik A ke titik E. Pada awalnya ketika belum diberikan embatas, maka semut akan berjalan dengan jumlah yang sama di sebelah kiri dan kanan garis embatas. Ketika diberikan enghalang, maka semut ada awalnya akan sama. Akan tetai, lama kelamaan semut akan cenderung melewati sebelah kanan garis embatas karena jarak yang ditemuh 51

3 lebih endek. Hal itu dikarenakan engaruh feromon tadi (Marco Dorigo and Thomas Stutzle, 004). II. Ant Clustering Penelitian yang dilakukan ada (Monmarche N, 1999) memodifikasi algoritma Ant Colony agar daat melakukan oerasi clustering ada serangkaian data yang diberikan. Salah satu modifikasi yang mencolok adalah tidak adanya konse feromon. Namun, yang menjadi emicu dari kerja algoritma semut adalah tingkat keadatan (density) dari item yang tersebar ada grid. Algoritma ini berjalan dalam sebuah eta toografi. Dalam eta tersebut, data dan agen semut disebar secara acak. Di awal, setia agen semut mengambil data secara acak yang tersebar ada eta. Kemudian semut akan bergerak secara acak ada arah tertentu sejauh langkah yang sudah didefinisikan sebelumnya. Kemudian, semut akan menghitung robabilitas dari data tersebut akan diletakkan ada koordinat semut atau tidak. Nilai robabilitas ini disebut dro. Jika data tersebut diletakkan, maka agen semut akan mencari data baru lagi untuk diambil. Probabilitas dari seekor agen semut untuk mengambil data baru disebut ick. Proses ini akan dilakukan secara berulang hingga nilai iterasi tertentu. Secara umum, algoritma semut untuk roses Clustering daat dituliskan sebagai berikut (Monmarche N, 1999): do begin INITIALISATION PHASE Randomly scatter data items on the toroidal grid for each j in 1 to #agents do i:=random_select(rem_items) ick_u(agent(j),i) g:=random_select(rem_emt_loc) lace_agent(agent(j),g) end for MAIN LOOP for each it_ctr in 1 to #iterations j:=random_select(all_agents) ste(agent(j),stesize) i:=carried_item(agent(j)) dro:=dro_item?(f(i)) if dro=true then while ick=false do i:=random_select(free_ items) ick:=ick_item?(f(i)) end while end if end for end Nilai dari dro dan ick dirumuskan sebagai berikut. ( i) k dro [1] d ( i) k k ick [] dengan k d = koefisien dro robability k = koefisien ick robability Kedua nilai tersebut memiliki rentang nilai 0 hingga 1. Nilai f(i) meruakan nilai fungsi keadatan yang dihitung menggunakan ersamaan berikut. 1 max 0, S { cij S nil} d( d ij ) 1 dengan d ij = indeks dari dokumen ada tabel. S = ukuran ketetanggaan di sekeliling dokumen. d(d ij ) = nilai dissimilarity antara dokumen k yang dibawa semut dengan dokumen d ij. N = jumlah total dokumen. μ = faktor engali II.3 Nilai μ dihitung dari ersamaan berikut. N k1 d( l) [4] N( N 1) k1 l1 dan nilai α antara 0 hingga 1. Modifikasi Fungsi Density [3] Penelitian yang dilakukan ada (Handl, Julia, Knowles and Dorigo, 006) mengusulkan modifikasi ada fungsi keadatan (density). Modifikasi ini dirumuskan ada ersamaan berikut. 1 d( ) d( ) (1 ), j 1 0 S { c ij S nil} [5] d( ) 0, j 1 0 5

4 Tujuan modifikasi ini adalah meningkatkan keceatan eksekusi dari algoritma Ant Clustering. d( d Batasan ij ) j 1 0 berfungsi sebagai emisah untuk nilai data dengan nilai dissimilarity yang tinggi, yang akan meningkatkan emisahan sasial antar cluster. korelasi Pearson tidak teraut jauh. Adaun erbandingan waktu eksekusi kedua algoritma daat dilihat ada grafik seerti ada gambar 3. III. ANALISIS Pengujian dilakukan dengan membandingkan kinerja antara algoritma Ant Clustering standar dengan algoritma yang telah mengalami modifikasi ada fungsi density. Kinerja yang diukur ada dua, yakni nilai korelasi Pearson dan waktu eksekusi. Nilai korelasi Pearson menggambarkan keterkaitan antara emetaan data yang dilakukan agen semut ada eta toografi dengan karakteristik data. Nilai korelasi Pearson berkisar dari -1 hingga 1. Semakin mendekati 1, semakin tinggi keterkaitan antara emetaan data ada eta toografi dengan karakteristik data. Artinya, nilai korelasi Pearson yang mendekati 1 jika data ada eta toografi berhasil dikelomokkan ada satu kelomok dengan nilai density minimal. Pengujian dilakukan dengan menggunakan data set sebanyak 800 record. Algoritma alankan selama 1000 iterasi. Nilai korelasi Pearson dari kedua algoritma daat dilihat ada grafik seerti ada gambar. Gambar 3. Perbandingan Waktu Eksekusi Dari grafik di atas, daat dilihat bahwa waktu eksekusi algoritma Ant Clustering yang dimodifikasi selalu lebih rendah dibandingkan algoritma Ant Clustering standar. Hal ini menunjukkan bahwa modifikasi fungsi density berhasil meningkatkan keceatan dari algoritma Ant Clustering. IV. KESIMPULAN Dalam enelitian ini dilakukan modifikasi fungsi density ada algoritma Ant Clustering. Proses modifikasi ini dilakukan dengan meningkatkan emisahan sasial ada nilai dissimilarity yang tinggi. Modifikasi ini juga memerceat roses erhitungan density sehingga memerceat algoritma Ant Clustering secara keseluruhan. Dari hasil ekserimen yang dilakukan, modifikasi fungsi density ini berhasil meningkatkan keceatan algoritma Ant Clustering dengan nilai akurasi menggunakan korelasi Pearson yang tidak jauh beda dengan nilai akurasi menggunakan algoritma Ant Clustering standar. Gambar. Perbandingan Nilai Korelasi Pearson Dari grafik tersebut, daat dilihat bahwa nilai korelasi Pearson dari kedua algoritma tidak terlalu berbeda. Secara umum, nilai korelasi Pearson dari algoritma awal (tana modifikasi) ada awal iterasi lebih tinggi. Namun mendekati akhir iterasi, nilai REFERENSI J. Han dan M. Kamber, 001, Data Mining: Concets and Techniques, CA: Morgan Kaufmann, San Francisco. Jain Anil K, 1998, Algorithms for Clustering Data, Prentice Hall, New Jersey

5 Marco Dorigo and Thomas Stutzle, 004, Ant Colony Otimization. The MIT Press, Massachusetts. Monmarche N, 1999, On data clustering with artificial ants. In: Freitas, A.A. (Ed.) Data Mining with Evolutionary Algorithms: Research Directions Paers from the AAAI Worksho. AAAI Press, Handl, Julia, Knowles dan Dorigo, 006, Ant Based Clustering and Toograhic Maing. In: Artificial Life volume 1. MIT,