KOMPARASI MODEL CLUSTERING MENGGUNAKAN METODE K-MEANS DAN FCM DALAM MENENTUKAN KUANTIFIKASI KRITERIA

Transkripsi

1 Seminar Nasional eknologi Informasi KOMPARASI MODEL CLUSERING MENGGUNAKAN MEODE K-MEANS DAN DALAM MENENUKAN KUANIFIKASI KRIERIA Dine iarakusuma, Iriansyah BM.Sangadji, Dewi Arianti W eknik Informatika Sekolah inggi eknik PLN Jl. Lingkar Luar Duri Kosambi, Indonesia namaqtia@gmail.com, iriansyach@gmail.com ABSRAC Data mining is the mining or the discovery of new information by looking for patterns or certain rules of a number of huge amounts of data, which is expected to treat the condition. A large number of data that have not been used optimally. By utilizing data on the number of data source through clustering data mining techniques are expected to be a reference in helping decision makers and those involved in order to take accurate measures for any decision. Clustering data mining techniques used in this study is the method of K-Means and Fuzzy Clustering Means (). Where data in the cluster formed by each of the rules of these two methods. Based on trials of the system that's been made it can be concluded that the use of models for data clustering can generate clusters in 2, 3, and 4 quantify the set of criteria. Key words: Comparison, Data Mining, Clustering, K- Means, 1. Pendahuluan Pengumpulan dan penyimpanan data dalam suatu institusi secara terus menerus dapat menyebabkan penambahan data yang berdampak pada terjadinya penumpukan data dalam skala yang besar. Penumpukan data dalam skala yang besar ini tidak akan memberikan suatu nilai tambah dan tidak akan menghasilkan suatu aplikasi yang berguna jika data tersebut hanya tertumpuk begitu saja. Agar data tersebut dapat menghasilkan suatu yang berguna dan memiliki nilai tambah tersendiri maka metode analisis dengan tujuan tertentu menjadi sangat dibutuhkan. Metode ini dapat mengelompokan data data tersebut sesuai dengan kelas maupun kelompok nya masing masing. S-PLN memiliki sejumlah besar data yang tidak kecil maka dari itu agar data-data tersebut memiliki nilai tambah tersendiri, maka data itu dikelompokan agar dapat menjadi sebuah sistem aplikasi yang dapat berguna bagi orang-orang yang terkait dalam pegambilan keputusan. 2. ujuan ujuan dari penelitian ini adalah membandingkan dan menerapkan model model klaster dalam menentukan kuantifikasi kriteria berdasarkan jurusan dan asal provinsi 3. Clustering Clustering adalah salah satu teknik unsupervised learning dimana kita tidak perlu melatih metode tersebut atau dengan kata lain, tidak ada fase learning. ujuan dari metode clustering adalah untuk mengelompokkan sejumlah data atau objek kedalam klaster sehingga setiap klaster akan terisi data yang semirip mungkin[1] 3.1. K-Means Hasil percobaan sebaiknya ditampilkan dalam berupa grafik atau pun tabel. Untuk grafik dapat mengikuti format untuk diagram dan gambar.

2 Mulai Masukan K Klaster itik Pusat Jarak Objek ke titik Pusat Pengelompokan berdasarkan jarak minimum Objek mendekati titik minimum? Selesai Gambar 1 Flowchart K-Mean 3.2. Fuzzy Clustering Means Mulai Input Data ang Akan di Cluster 3.3. abel Kuantifikasi Kriteria Jumlah Cluster K-Means Sangat Gambar 3 Kuantifikasi Kriteria Sangat Cluster dengan kategori sangat banyak merupakan cluster provinsi dengan jumlah mahasiswa nya paling banyak Cluster dengan kategori banyak merupakan cluster provinsi dengan jumlah mahasiswa nya banyak Cluster dengan kategori cukup merupakan cluster provinsi dengan jumlah mahasiswa nya cukup Cluster dengan kategori sedikit merupakan cluster provinsi dengan jumlah mahasiswa nya paling sedikit atau bahkan tidak ada Range nilai sangat banyak, banyak, cukup, dan sedikit bukan di tentukan dari mulai angka keberapa hingga angka keberapa. Akan tetapi clustering ini di tentukan dari aturan-aturan / langkah-langkah kerja dari kedua metode yang digunakan. entukan ukuran data entukan jumlah cluster Hitung jumlah tiap kolom Hitung pusat cluster Hitung Fungsi Objektif Hitung perubahan matrix partisi elah sampai syarat berhenti? Selesai Gambar 2 Flowchart

3 4. Metodologi Mulai Analisis Masalah Analisis Kebutuhan Sistem Pengumpulan Data Perancangan Sistem Uji Coba Sistem Gambar 5 Pola Data Diterima? Perancangan Antar Muka Diterima? Penulisan Laporan 6. Pembahasan Rancangan Sistem Rancangan yang di buat merupakan rancangan system dari kedua metode yang digunakan yaitu metode K- Means dan Fuzzy Clustering Means () dengan jumlah cluster 2, 3, dan 4. Hasil dari rancangan system ini berupa grafik dan pengelompokan provinsi yang terbentuk sesuai dengan jumlah cluster masing-masing. Disetujui? Selesai Gambar 4 Metodologi Penelitian 5. Analisis Sistem Pengolahan kembali informasi dari data mahasiswa S-PLN ini berdasarkan dari data-data yang ada. Hal ini agar dapat di buat suatu pengambilan keputusan yang di anggap paling mendekati akurat oleh pihak pengambilan keputusan. Sebagai contoh di ambil data mahasiswa untuk tahun dan. Secara kasat mata data-data tersebut ada yang mengalami kenaikan dan ada juga yang mengalami penurunan jumlah mahasiswa masing-masing provinsi pada tahun dan. Secara kasat mata data-data tersebut ada yang mengalami kenaikan dan ada juga yang mengalami penurunan jumlah mahasiswa masing-masing provinsi pada tahun dan. Pola data yang terjadi adalah seperti pada gambar 4 dibawah ini ; Gambar 6 Contoh Hasil Rancangan ampilan

4 Hasil Pembahasan Dari hasil clustering 6 jurusan selama 2 tahun maka diperoleh kuantifikasi dari setiap himpunan yang ada di setiap jumlah cluster yaitu sebagai berikut : abel 1 Hasil Cluster S1 Elektro tahun S1 ELEKRO K-Means Kriteria Jumlah Kriteria Jumlah Jumlah Cluster 4 Sangat 3 Sangat Perbedaan K-Mean dan terletak pada kriteria ketiga cukup dan sedikit. Juga terjadi pada banyak dan cukup pada ukuran 4 (empat) kriteria. abel 2 Hasil Cluster S1 Mesin tahun S1 Mesin Cluster Kriteria Jumlah Kriteria Jumlah Sangat - Sangat idak ada perbedaan yang terjadi. Hal ini dimungkinkan karena data yang ada berjumlah kecil. abel 3 Hasil Cluster S1 Informatika tahun S1 INFORMAIKA Sangat - Sangat Perbedaan K-Mean dan terletak pada kriteria kedua banyak dan sedikit. Juga terjadi pada sedikit pada ukuran 3 (tiga) kriteria. abel 4 Hasil Cluster S1 Sipil tahun S1 SIPIL idak ada perbedaan yang terjadi. Hal ini dimungkinkan karena data yang ada berjumlah kecil abel 5 Hasil Cluster D3 Elektro tahun D3 ELEKRO Sangat 1 Sangat Perbedaan K-Mean dan terletak pada kriteria keempat sangat banyak dan cukup. abel 6 Hasil Cluster D3 Mesin tahun D3 MESIN Sangat - Sangat

5 Perbedaan K-Mean dan terletak pada kriteria ketiga banyak dan cukup. Juga terjadi pada banyak dan cukup sedikit pada ukuran 4 (empat) kriteria. abel 7 Hasil Cluster S1 Elektro tahun S1 ELEKRO Sangat 4 Sangat Perbedaan K-Mean dan terletak pada kriteria kedua banyak dan sedikit. Juga terjadi pada sangat banyak dan cukup pada ukuran 4 (empat) kriteria abel 8 Hasil Cluster S1 Mesin tahun S1 MESIN idak ada perbedaan yang terjadi. Hal ini dimungkinkan karena data yang ada berjumlah kecil. abel 9 Hasil Cluster S1 Informatika tahun S1 INFORMAIKA Sangat 6 Sangat Perbedaan K-Mean dan terletak pada kriteria ketiga banyak, cukup dan sedikit. Juga terjadi pada semua kriteria keempat. abel 10 Hasil Cluster S1 Sipil tahun S1 SIPIL Perbedaan K-Mean dan terletak pada kriteria kedua banyak. Juga terjadi pada sangat banyak dan cukup pada ukuran 3 (tiga) kriteria. Dan cukup pada 4 (empat) kriteria. abel 11 Hasil Cluster D3 Elektro tahun D3 ELEKRO Sangat 3 Sangat idak ada perbedaan yang terjadi. Hal ini dimungkinkan karena data yang ada berjumlah kecil. abel 12 Hasil Cluster D3 Mesin tahun D3 MESIN

6 idak ada perbedaan yang terjadi. Hal ini dimungkinkan karena data yang ada berjumlah kecil. 7. Kesimpulan Kesimpulan yang didapat dari hasil penelitian ini adalah sebagai berikut : a. Pengelompokan data dengan model clustering dapat memaksimalkan pengelompokan kesamaan antar anggota dalam sebuah kelas, serta dapat meminimumkan kesamaan antar kelas-kelas / cluster-cluster, sehingga hasil clustering data mining dapat menjadi acuan dalam membantu mengambil keputusan dan mendapatkan gambaran provinsi mana saja yang layak untuk mendapatkan perhatian lebih untuk promosi S-PLN di tahun selanjutnya. b. Implementasi dalam penggunaan metode K-Means dan dapat menghasilkan kuantifikasi himpunan kriteria yang berbeda berdasarkan metode yang digunakan, sehingga perbedaan hasil model cluster K-Means dan untuk tahun dapat dilihat di jurusan S1 Elektro, S1 Informatika, D3 Elektro, dan D3 Mesin dan untuk tahun dapat dilihat di jurusan S1 Elektro, S1 Informatika, dan S1 Sipil. c. Model clustering lebih terlihat perubahan kuantifikasi jika mengolah data yang relatif besar. Bagi Data yang jumlahnya relatif sedikit hampir tidak terlihat adanya perubahan kriteria, baik menggunakan metode K- means maupun. [9] Pohan, Husni Iskandar, dan Kusnassriyanto Saiful Bahri Pengantar Perancangan Sistem. Jakarta : Erlangga [10] Saaty, homas L Decision Making With Dependence And Feed Back: he Analytical Network Process. Pittsburgh: university of Pittsburgh [11] Suryadi, Kadarsah System pengambilan keputusan. Jakarta : Rosda [12] herling, K An Introduction o Data Mning : Discovering Hiden Value In our Data Warehouse. accessed time 21 april 2011 [13] Johnson, R. A dan Wichern, D.W Applied Multivariate Statistical Analysis, Fourth Edition, Prentice Hall Upper Saddle River: New Jersey REFERENSI [1] Santosa, budi, dkk Pemeliharaan Variabel dengan linier SVIM untuk Kasus Multikelas. Bidang Data Mining. Dikti. [2] Agusta, udi K-Means Penerapan Permasalahan & Metode erkait. Jurnal system & Informatika vol.3, SMIK SIKOM Bali Denpasar Bali. [3] Arhami, Muhammad dan Anita Desiani Pemograman Matlab. ogyakarta : Andi [4] Dewi, Sri Kusuma dan Hari Pramono Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. ogyakarta : Graha Ilmu [5] Dewi, Sri Kusuma, dkk Fuzzy Multi Attribute Decission Making. ogyakarta : Graha Ilmu [6] Dewi, Sri Kusuma Analisis dan Design Sistem Fuzzy Menggunakan oolbox Matlab. ogyakarta : Graha Ilmu. [7] Holsape, C.W dan Whinson, A.B Decision Support Systems. One Main Street : Cambridge [8] Mcleod, J Counselling In he Workspace: the facts. A systematic study of he Research Evidence. Rugby : British Association For Conselling And Psychotherapy