(M.6) FUZZY K-MEANS CLUSTERING UNTUK MENGKLASIFIKASIKAN PERUSAHAAN EKSPORTIR FURNITURE ROTAN DI KABUPATEN CIREBON

Transkripsi

1 Universitas Padadaran, 3 November 00 (M.6) FUZZY K-MEANS CLUSTERING UNTUK MENGKLASIFIKASIKAN PERUSAHAAN EKSPORTIR FURNITURE ROTAN DI KABUPATEN CIREBON Hadi Rachmat Anindya Apriliyanti Pravitasari 3 Sri Mulyani Sanroi hdee_rach56@yahoo.com ABSTRAK Analisis laster merupaan suatu teni multivariat dengan tuuan utama mengelompoan obe-obe berdasaran arateristi yang dimilii. Ada beberapa teni dalam memformulasian masalah dalam analisis laster, diantaranya yaitu hard clustering dan fuzzy clustering. Dalam hard clustering, data dialoasian ulang secara tegas e laster yang mempunyai centroid terdeat dengan data tersebut, sedangan dalam Fuzzy clustering, mengaloasian embali data e dalam masing-masing laster dengan memanfaatan teori Fuzzy yang merupaan salah satu algoritma clustering alternatif dengan hasil yang lebih bai. Algoritma fuzzy clustering yang digunaan dalam penelitian ini yaitu Fuzzy K-Means Clustering yang merupaan pengembangan dari Hard K-Means Clustering. Fuzzy K-Means Clustering ini dilauan pada 7 perusahaan esportir furniture rotan di Kabupaten Cirebon. Melalui indes Xie dan Benie sebagai validasi, dapat dibentu sebanya tuuh laster perusahaan esportir dengan arateristi berbeda tiap laster. Hasil penglasteran perusahaan esportir ini dapat digunaan untu mempermudah pemerintah dalam hal ini piha DISPERINDAG Kabupaten Cirebon untu menentuan sala prioritas pemberian bantuan atau pembinaan dalam usaha peningatan produsi furniture rotan di Kabupaten Cirebon berdasaran arateristinya. Kata unci : Analisis laster, Fuzzy -means clustering, Teori fuzzy, Indes XB, Furniture rotan.. Pendahuluan Analisis laster merupaan suatu teni multivariat dengan tuuan utama mengelompoan obe-obe berdasaran arateristi yang dimilii. Searang ini analisis laster telah banya diapliasian dalam berbagai bidang yang ditulis dalam berbagai penelitian dan urnal. Metode ini sangat berguna dalam membantu para pengambil eputusan dalam Mahasiswa Jurusan Statistia FMIPA Universitas Padadaran Bandung 3 Dosen Jurusan Statistia FMIPA Universitas Padadaran Bandung 46

2 Universitas Padadaran, 3 November 00 mengevaluasi elompo-elompo yang terbentu. Salah satu teni penglasteran yang banya digunaan dalam analisis laster ialah metode non-hierari. Dalam metode non-hierari ada beberapa teni dalam memformulasian masalah, diantaranya hard clustering dan fuzzy clustering. Dalam hard clustering, data dialoasian ulang secara tegas e laster yang mempunyai centroid terdeat dengan data tersebut. Hard clustering dapat mengelompoan data yang terpisah auh, tetapi untu data yang berdeatan pengelompoan aan menadi urang tepat arena informasi esimilaritasan data terhadap laster-laster yang terbentu aan sulit dibedaan. Perembangan terahir dari analisis laster dengan metode non-hierari yang sudah banya ditulis dalam berbagai urnal dan penelitian adalah fuzzy clustering. Metode clustering ini dilauan dengan mempertimbangan tingat eanggotaan yang mencaup himpunan fuzzy sebagai dasar pembobotan terhadap pengelompoannya (Bezde 98). Metode ini merupaan pengembangan dari hard clustering dan merupaan salah satu algoritma clustering alternatif dengan hasil yang lebih halus (smooth) arena pembobotan yang dilauan dengan memanfaatan teori fuzzy (Shihab 000). Algoritma yang paling terenal dari fuzzy clustering adalah fuzzy -means clustering. Dalam beberapa urnal dari Klawonn dan Hoppner menyebutan bahwa metode ini merupaan metode yang paling ooh (robust), arena pusat laster dan hasil pengelompoan tida berubah ia ada data baru yang estrim. Penelitian ini aan membahas mengenai model fuzzy - means clustering untu mengelompoan industri furniture rotan di Kabupaten Cirebon sebagai upaya untu meningatan embali produsi furniture rotan di wilayah ini dengan cara mengevaluasi elompo elompo yang terbentu.. Fuzzy K-Means Clustering Teori fuzzy -means clustering, pertama ali diperenalan oleh Dunn (973), dan diembangan lebih auh oleh Bezde (98). Fuzzy -means membagi sebuah set data { } x, x,..., xn e dalam laster dengan meminimuman fungsi obetif dengan persamaan (). = n ( ) m FKM ( ) = i= J X, P, U, ( u ) d ( x, p ) () i 47

3 Universitas Padadaran, 3 November 00 Dimana: n m ( u ) > 0 =,,..., = m ( u ) = i =,,...,n i= d = ara observasi dengan persamaan (). T - (, ) ( ) ( ) d x p = x p = x p Σ x p () i i i i dimana Σ memilii emunginan: a. Σ adalah matris Identitas, maa b. Σ adalah matris ovarians, maa x p i = vetor pengamatan = pusat laster Kondisi minimum fungsi obetif ( ) d adalah ara euclidean d adalah ara mahalanobis n ( ) m FKM = i= J X, P, U, ( u ) d ( x, p ) diberian melalui 48 = optimasi parameter u dan p i. Dimana u dan p i diperoleh dengan persamaan (3) dan (4). p u i = = n = n u = l= m u x m d d l ( m ) / 3. Algoritma Fuzzy K-Means Clustering Beberapa tahapan dari fuzzy -means clustering:. Tentuan banya laster dari sampai sampai banya laster optimum (N). Menentuan tingat e-fuzzy-an hasil pengelompoan (m). Dalam penelitian digunaan m=. 3. Menghitung fuzzy claster center (centroid) utama P i. 4. Hitung ara euclidean dengan menggunaan persamaan (5). i (3) (4)

4 Universitas Padadaran, 3 November 00 (, i ) = ( x l p il ) (5) i= d x p 5. Hitung deraat eanggotaan berdasaran Persamaan (4). 6. Hitung fungsi obetif dengan menggunaan Persamaan (). 7. Hitung centroid baru dengan menggunaan Persamaan (3). 8. Perbarui eanggotaan dan fungsi obetifnya. 9. Bandingan nilai eanggotaan ( u ) dalam matris U, ia tida banya mengalami perubahan maa artinya onvergen dan eanggotaannya sudah. masimal. Batas iterasi adalah ia nilai ( + ) U U < ε sudah terpenuhi, ia belum maa embali e Langah Validasi Klaster Validasi laster dilauan untu menentuan etepatan banya laster yang dibuat. Validitas dalam fuzzy -means clustering dapat ditentuan melalui perhitungan indes validitas Xie dan Benie dengan Persamaan (6). n m ( u ) d = i= XB= N min i, pi, p dengan nilai m yang dapat berubah-ubah. Banya laster optimum yang terbentu diberian oleh nilai indes XB yang paling minimum. Reomendasi untu menggunaan indes XB tertuang dalam penelitian Duo d (007) yang menyataan bahwa indes XB memilii etepatan dan eandalan yang tinggi untu memberian banya elompo optimum dalam metode Fuzzy K-means Clustering. (6) 5. Penerapan Data yang digunaan dalam penelitian ini adalah Perusahaan furniture rotan yang melauan egiatan espor di Kabupaten Cirebon pada tahun 009 yaitu sebanya 7 perusahaan. Banya laster yang dapat dibentu melalui perhitungan indes Xie dan Benie (XB) adalah tuuh laster dengan eanggotaan pada Tabel. 49

5 Tabel. Keanggotaan Klaster Klaster Anggota Klaster Klaster Anggota Klaster 3 BODESARI RATTAN, PT CANTIK RATTAN, CV CASSINI COLLECTION, CV DIAS RATTAN, CV DILMONI CITRA M, PT DIMITRI INTERIOR, PT ELBA, CV HUSEIN RATINDO, CV JOHN SAM, PT LANGGENG JAYA, CV MUKI JAYA, CV MUSTIKA MANDIRI, CV MUTIARA RATTAN, CV NOVA SOLO F, CV PESONA RATTAN N, CV PUTRA HARAPAN, CV RATTANLAND, PT SALSA FURINDO, CV TROPICA (PLUMBON), CV ARCHIPELAGO EXP, CV BAAS INDAH, CV BENDERA RATTAN, PT CHERBON SAE, CV DIAN ARTHA, CV ERLANGGA BNH, PT FELLADIFA, CV INTI BINTANG, PT KOTSKA ADHI SENTOSA, CV LUCKMAN FURNITURE, PT MEKAR ASIH, CV PRIMA MANDIRI, CV RATTAN CANTIQ IND, PT RIZALDI ROTAN FINISH, PT SALSA RATTAN, CV WICKER CANE IND, CV ANGGUN RATTAN, CV AURORA, CV Prosiding Universitas Padadaran, 3 November 00 BELANICO, CV BELLADONNA PRIMARAYA, PT NIAGARA RATTAN, CV ADI SURYA ABADI, CV ANGIE ROTAN. CV ANUGRAH PRATAMA, CV ANUGRAH SAPUTRO, CV ARIZONA, CV AVININDO, CV BERKAT SUKSES SELALU. PT BERLIANA JAYA, CV BINES RAYA, PT BUANA RATTAN SUKSES, CV BUDI GUNA RATTAN, CV CAKRA BUANA JAYA, CV CANARY FURNITURE, CV CITRA PESONA TROPICA, CV DANAR PRATAMA, CV DELIMA INTI RAYA, CV DWI MULYA ABADI, CV GEMILANG RATTAN, CV GLOBAL KARYA ARTHA, CV GLOBALINDO, CV GRAGE SURYA MANDIRI, CV HABATA CIREBON M, CV HSHD FURNICRAFT, CV IDEBI, CV INDO GRAND, CV INDO ROTAN, CV INDOTEAK, CV JAVA MAESTRO, CV JAVANICA, CV LARISSA, CV LATANSA RATTAN, CV LUXINDO ALAM JAYA, CV MAKMUR ABADI MERPATI RATTAN. CV

6 Universitas Padadaran, 3 November BALAGI RATTAN, PT CHANDRA RATTAN, CV CIREMAI INDAH PERKASA, CV DIMO PUTRA JAYA, CV FAUZITAMA RATTAN, CV KURNIA ALAM SEJATI, CV MARTINO RATTAN, CV MULIA JAYA F, CV PLUMBON PRATAMA, PT AGUNG PUTRA MANDIRI, CV AVANTI COLLECTION, CV GRIYA RATTAN, CV KHALIM, CV LIMINDO UTAMA, CV NAGAM RATTAN, CV PERINTIS 8, PT PIRAMIDA RATTAN, CV TRIJAYA FURNITURE, CV TULUS ASIH, PT HOUSE OF RATTAN, PT JATI VISION RAYA, CV YAMAKAWA RATTAN, PT MULYA PRATAMA INDAH, CV NEBULA BUANA, CV PARI RATTAN PLUS, PT PERFECTI IND RATTAN, CV PERMATA RATTAN, CV POLPIT, CV PRUNABON INT, PT SAFIRA, CV SHAH JAYA, CV SUMBER MUTIARA ABADI, CV TALANG MAS MULYA, CV TEGUH RATTAN, CV TRIPOLAR, CV TROPICA (GN. JATI), CV VALENTA CITRA PRATAMA, CV VEDERAMA, CV VISINDO RATTANESIA, CV WANDA RATTAN, CV WIWIN DESIGN, CV ZAHRA ADEILA, CV ZICO RATTAN, CV 6. Interpretasi Klaster Gambaran arateristi laster dapat dilihat dari pusat laster (centroid) sebagai beriut : Tabel. Pusat Klaster (Centroid) Kelompo Perusahaan Klaster Tenaga Nilai Kapasitas Nilai Kera Investasi Produsi Espor

7 Universitas Padadaran, 3 November 00 pembeda beriut : Berdasaran pusat laster diatas, arateristinya dapat diurutan berdasaran variabel Tabel 3. Karateristi Klaster Berdasaran Variabel Pembeda Klaster Tenaga Nilai Kapasitas Nilai Kera Investasi Produsi Espor Berdasaran Tabel dan Tabel 3, arateristi laster pertama merupaan perusahaan besar yang berembang arena mampu mencapai nilai espor yang masimal. Klaster edua merupaan perusahaan ecil yang berembang arena memilii nilai espor yang cuup tinggi dibandingan variabel lainnya. Klaster etiga merupaan perusahaan besar dengan umlah tenaga era terbanya, nilai investasi tertinggi serta apasitas produsi terbesar, namun tida diimbangi dengan nilai espor yang paling tinggi. Klaster eempat merupaan perusahaan ecil dengan eempat variabel yang memilii nilai terecil. Klaster elima merupaan perusahaan menengah dengan nilai espor terecil dibandingan variabel lainnya, elompo perusahaan ini beremunginan lebih menitiberatan penualan pada pasar domesti. Klaster eenam merupaan elompo perusahaan yang memilii endala pada nilai investasi yang cuup ecil namun mampu mencapai nilai espor yang cuup besar. Berebalian dengan elompo perusahaan pada laster enam, laster etuuh merupaan perusahaan perusahaan dengan nilai investasi besar namun memilii banya tenaga era, apasitas produsi dan nilai espor yang cuup rendah. 5

8 Universitas Padadaran, 3 November Kesimpulan Banya laster optimal yang dapat dibentu dari data ialah tuuh laster dengan anggota laster satu sebanya 9 perusahaan, laster dua sebanya 6 perusahaan, laster tiga sebanya perusahaan, laster empat sebanya 0 perusahaan, laster lima sebanya 3 perusahaan, laster enam sebanya 3 perusahaan dan laster tuuh sebanya 55 perusahaan. Hasil pengelompoan pada penelitian ini dapat dadian sebagai bahan pertimbangan untu mempermudah dalam hal ini piha DISPERINDAG Kabupaten Cirebon untu menentuan sala prioritas pemberian bantuan atau pembinaan dalam usaha peningatan produsi furniture rotan di Kabupaten Cirebon berdasaran arateristinya. 8. Referensi Duo, C., Xue, L., Du-Wu, C., (007), An Adaptive Cluster Validity Index for the Fuzzy C-means, International Journal of Computer Science and Networ Security 7 No., Klawon, F., Hopner, F, A Contribution to Convergence Theory of Fuzzy C-Means and Derivatives, Science Journal, Pravitasari, A. A., (008). Analisis Pengelompoan Dengan Fuzzy C-Means Cluster, Institut Tenologi Sepuluh Nopember, Surabaya. Supriyanto, (004), Analisis Klaster Menggunaan Metode Fuzzy Clustering. Tugas Ahir, Jurusan Statistia, Faultas Matematia dan Ilmu Pengetahuan Alam, Universitas Padadaran, Bandung. 53