PENGELOMPOKAN DATA KORDINAT BTS MENGGUNAKAN k-means DAN VISUALISASI BERBASIS GOOGLE MAP

Transkripsi

1 PENGELOMPOKAN DATA KORDINAT BTS MENGGUNAKAN k-means DAN VISUALISASI BERBASIS GOOGLE MAP Rudy Hermayadi 1), Hery M. Purnomo 2) dan I Ketut Eddy Purnama 3) 1) Jurusan Teknik Elektro, Fakultas Teknologi Industri 2), 3) Jurusan Program Studi T. Multimedia Jaringan Institut Teknologi Sepuluh Nopember (ITS) 1 ) rudhy_h@yahoo.com ABSTRAK Pengawasan penggunaan spektrum frekuensi radio dilaksanakan oleh Balai Monitoring (Balmon) yang merupakan Unit Pelaksana Teknis (UPT) Kementerian Komunikasi dan Informatika (Kemkominfo). Dalam mengawasi pengguna spektrum frekuensi balmon melakukan kegiatan monitoring dan observasi (pemantauan) ke seluruh pengguna frekuensi yang memiliki menara pemancar atau Base Transceiver Station (BTS) (Perdirjen Postel 6,8, 2007). Permasalahan yang dihadapi oleh Balmon adalah pengelompokan BTS berdasarkan kedekatan jarak antar BTS berdasarkan jumlah tim pemantau. Dengan memanfaatkan data koordinat geografis pada BTS bisa didapatkan kelompok yang berdekatan dengan teknik clustering. Teknik pengelompokan atau clustering yang paling popular dan banyak digunakan dalam dunia industri adalah k-means (Pavel 2002), dimana k -Means merupakan salah satu metode pengelompokan berbasis jarak yang membagi data kedalam sejumlah cluster. Dalam penelitian ini diusulkan penerapan algoritma k-means dengan fungsi jarak Law of Cosines untuk mengelompokkan BTS dan visualisasi hasil dengan menggunakan google map. Dari hasil uji coba 157 data kordinat BTS simpulkan penerapan k-means dengan fungsi jarak law of cosines bisa digunakan untuk melakukan pengelompokkan data kordinat BTS berdasarkan kedekatan jarak antar BTS kemudian Dari hasil evaluasi dengan menggunakan C-Index, didapatkan penentuan kelompok BTS terbaik adalah dengan penentuan k=4 dengan nilai C-Indeks sebesar dan Visualisasi dari hasil cluster bisa dilakukan dengan memanfaatkan Google Map API Kata kunci: Pengelompokan, K-Means, Law of Cosines, Data Kordinat BTS, C-Index, Google Map API PENDAHULUAN Berdasarkan UU No.36 tahun 1999 tentang Telekomunikasi dan PP No.53 Tahun 2000 tentang Penggunaan Spektrum Frekuensi Radio kewenangan untuk pengawasan penggunaan spektrum frekuensi radio, dilaksanakan oleh Balai Monitoring (Balmon) yang merupakan Unit Pelaksana Teknis (UPT) Kementerian Komunikasi dan Informatika (Kemkominfo). visi dari Balmon adalah terwujudnya pelaksanaan pengawasan dan pengendalian dalam rangka terciptanya pengguna frekuensi radio yang tertib, efisien, efektif dan sesuai peruntukannya. Adapun fungsi utama dari Balmon adalah melakukan : (1). Monitoring, (2). Observasi, (3). Pengawasan, (4). Pengendalian (5). Penertiban Frekuensi. (Perdirjen Postel 6,8, 2007) kegiatan ini disebut juga kegiatan pemantauan. Dalam menjalankan fungsinya, permasalahan yang dihadapi oleh Balmon adalah pengelompokan BTS berdasarkan kedekatan jarak antar BTS berdasarkan jumlah tim pemantau. Dengan memanfaatkan data koordinat geografis pada BTS bisa didapatkan kelompok yang berdekatan C-8-1

2 dengan teknik clustering. Teknik pengelompokan atau clustering yang paling popular dan banyak digunakan dalam dunia industri (Pavel 2002) dimana k-means merupakan salah satu metode pengelompokan berbasis jarak yang membagi data kedalam sejumlah cluster (Rui dan Donald, 2009). Kemudian dengan adanya fasilitas API (Application Protocol Interface) dari penyedia peta online hasil cluster bisa divisualisasikan dengan memanfaatkan layanan ini pada Salah penyedia webmapping yang menyediakan API-nya secara gratis adalah Google Map. Penelitian ini bertujuan untuk mendapatkan kelompok BTS dengan penentuan jumlah kelompok berdasarkan kedekatan jarak antar BTS dengan menerapkan algoritma k-means dan validasi cluster dengan menggunakan C-Indeks serta memvisualisasikan dengan memanfaatkan Google Map API V3. Kordinat Koordinat bumi merupakan bagian dari data geospatial digunakan untuk menunjukkan suatu titik di bumi berdasarkan garis lintang dan garis bujur. Bentuk bumi yang dalam ukuran yang kecil disebut dengan globe, permukaan bumi pada globe dibagi 180 lintang atau latitude dan 360 bujur atau longitude. Sedangkan garis keliling dikhatulistiwa ditetapkan 0. Belahan bumi bagian utara dibagi 90 lintang utara dan selatan dibagi 90 lintang selatan. Garis lintang yaitu garis vertikal yang mengukur sudut antara suatu titik dengan garis khatulistiwa. k-means Clustering Algoritma k-means mengelompokan data dengan mengambil parameter sejumlah K cluster, dan mempartisi data kedalam cluster tersebut, dengan berpatokan pada kemiripan antar data dalam satu cluster dan ketidakmiripan di antar cluster yang berbeda, pusat dari cluster adalah rata-rata dari nilai anggota cluster yang disebut centroid atau center of gravity (Kamber, 2007), Ketidak miripan bisa diterjemahkan dalam konsep jarak jika jarak dua obyek atau data titik cukup dekat, maka dua obyek itu mirip (Santosa, 2005). Data clustering menggunakan metode k-means ini secara umum dilakukan dengan algoritma dasar sebagai berikut (McQueen 1967): 1. Tentukan jumlah cluster 2. Alokasikan data ke dalam cluster secara random 3. Hitung centroid/rata-rata dari data yang ada di masing-masing cluster 4. Alokasikan masing-masing data ke centroid / ratarata terdekat 5. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabila perubahan nilai centroid, jika pusat cluster sudah tidak berubah, proses selesai. Flowchart dari penerapan k-means ditunjukkan pada Gambar 1. Mulai Tentukan Jumlah Cluster BTS K Centroid Jarak data ke Centroids Tidak ada perpindahan data Berhenti Kelompokkan berdasarkan jarak minimum Gambar 1 Flowchart Penerapan K-Means C-8-2

3 Law of Cosines Fungsi jarak Law of Cosines digunakan dalam penerapan k-means untuk ntuk menghitung jarak antar data kordinat BTS, dimana fungsi ini merupakan persamaan yang digunakan untuk menghitung jarak antara kordinat bumi yang dipresentasikan dalam longitude dan latitude berdasarkan pada bentuk bumi yang bulat ( spherical earth) dan mengabaikan faktor bahwa bumi itu sedikit elips ( elipsodial factor). Persamaan Law of Cosines adalah (Vennes, 2012): Untuk perhitungan berbasis web, formula ini telah dikembangkan kedalam bahasa Javascript (Vennes 2012). Pseucode dari law of cosines dalam bahasa javascript ditunjukkan pada Gambar 1 dengan nilai R adalah jari-jari bumi 6371 Km. Validasi Cluster Gambar 2 Pseucode Law of Cosines Validasi cluster adalah merupakan prosedur yang dilakukan untuk mengevaluasi hasil analisis cluster secara kuantitatif dan objektif (Jain & Dubes 1988). Untuk melakukan evaluasi terhadap validitas cluster bisa dilakukan dengan tiga pendekatan yaitu: 1. Kriteria eksternal, mengevaluasi hasil dari metode clustering berdasarkan praspesifikasi struktur yang diterima dari sebuah data yang mencerminkan intuisi pengguna tentang struktur clustering dari data, 2. Kriteria internal, mengevaluasi hasil clustering dalam konsep kuantitatif yang didapat dari data, dan 3 kriteria relatif, membandingkan sebuah struktur clustering dengan struktur clustering yang lain yang didapatkan dari metode clustering yang sama tetapi nilai-nilai parameternya dimodifikasi. 3. Kriteria relative, mengevaluasi beberapa solusi cluster yang berbeda dari data dibandingkan dengan menggunakan algoritma yang sama dengan parameter yang berbeda. (Salazar et al. 2002). Untuk mendapatkan cluster terbaik, pada penelitian ini cluster akan di evaluasi secara eksternal dengan menggunakan C_Index (Hubert, 1976). C -Indeks di rumuskan sebagai berikut: Dimana S adalah nilai jarak keseluruhan data dari cluster yang sama, nilai n adalah nomer dari kekeluruhan dan adalah jumlah dari n jarak terkecil dari pasangan data yang terbentuk., sebaliknya adalah jarak terjauh antara satu sama lain. semakin kecil nilai C-Indeks maka cluster yang terbentuk semakin bagus. C-8-3

4 Google Map API V3 Google merupakan salah satu alternatif untuk menggunakan fasilitas berbasis lokasi tanpa harus mempunyai peta geospatial sendiri. Google Maps menyediakan layanan web mapping dan data geospatial seluruh dunia, dengan adanya fasilitas layanan API (Application Programming Interface), Pengembang aplikasi bisa memanfaatkan layanan ini untuk mendapatkan peta dari lokasi tertentu tanpa perlu membayar dan menggunakan fitur yang disediakan termasuk untuk memvisualisasikan data yang berupa kordinat geografis. Layanan API terbaru yang disediakan oleh Google Map telah mencapai V3 yang memberikan lebih banyak kemudahan dibandingkan versi-versi sebelumnya. (Google Geocoding, 2012). METODE Tahapan yang dilakukan untuk menjawab permasalahan disampaikan dalam perumusan masalah adalah ; dimulai dari tahapan pengumpulan data kordinat BTS, kemudian penerapan k-means dengan fungsi jarak Law of Cosines, hasil dari cluster kemudian di evaluasi dengan C-Index dan dilanjutkan dengan visualisasi hasil cluster dengan memanfaatkan Google Map API V3 yang disediakan oleh Google Map. Tahapan-tahapan tersebut diilustrasikan ke dalam Gambar 3 berikut : Gambar 3 Diagram Alir Penelitian Data yang digunakan dalam penelitian ini adalah data dari salah satu kordinat BTS salah satu penyedia layanan telekomunikasi di Kota Makassar 157 data, yang akan dikelompokkan penentuan k = 2, k = 3, dan k = 4. HASIL DAN PEMBAHASAN Hasil Pengelompokan dengan Penentuan k = 2 Dengan penentuan k = 2 untuk cluster 1 data yang termasuk ke dalam cluster 1 adalah sebanyak 75 data atau sebesar 48% dari total data dan cluster 2 sebanyak 82 data atau sebesar 52% dari total data dengan iterasi sebanyak 9 kali. waktu yang dibutuhkan untuk mendapatkan kelompok k = 2 adalah 0,18 milli second. C-8-4

5 Gambar 4 Diagram Hasil Pengelompokan k-means k = 2 Visualisasi hasil clustering ditunjukkan pada Gambar 5. Gambar 5 Hasil Visualisasi Cluster k = 2 dengan Google Map Hasil Pengelompokan dengan Penentuan k = 3 Dengan penentuan k = 3 untuk cluster 1 data yang termasuk ke dalam cluster 1 adalah sebanyak 16 data atau sebesar 10% dari total data, cluster 2 sebanyak 90 data atau sebesar 52% dari total data dan cluster 3 adalah sebanyak 51 atau sebesar 33% dari total data dengan iterasi sebanyak 13 kali. waktu yang dibutuhkan untuk mendapatkan kelompok k = 3 adalah 0,16 milli second. Gambar 6 Diagram Hasil Pengelompokan k-means k = 3 Visualisasi hasil clustering dengan google map ditunjukkan pada Gambar 7. C-8-5

6 Gambar 7 Hasil Visualisasi Cluster k = 2 dengan Google Map Hasil Pengelompokan dengan Penentuan k = 4 Dengan penentuan k = 4 untuk cluster 1 data yang termasuk ke dalam cluster 1 adalah sebanyak 51 data atau sebesar 32% dari total data, cluster 2 sebanyak 23 data atau sebesar 15% dari total data, cluster 3 adalah sebanyak 14 atau sebesar 9% dan cluster 4 adalah sebanyak 69 atau sebesar 44% dari total data dengan iterasi sebanyak 13 kali. waktu yang dibutuhkan untuk mendapatkan kelompok k = 4 adalah 0,16 milli second. Gambar 8 Diagram Hasil Pengelompokan k-means k = 4 Visualisasi hasil clustering ditunjukkan pada Gambar 9 berikut ini. Gambar 9 Hasil Visualisasi Cluster k = 4 dengan Google Map C-8-6

7 Evaluasi Cluster dengan Menggunakan C-Index Hasil evaluasi pada cluster yang terbentuk dengan menggunakan C-Indeks ditunjukkan pada Tabel 1. Tabel 1 Evaluasi dengan C-Index Cluster Nilai C-Index Penentuan Cluster = Kn k = 2 k = 3 k = Rata-rata Dari hasil evaluasi didapatkan nilai terkecil adalah pada pengelompokan dengan penentuan k=4 nilai ini menunjukkan anggota cluster yang berada pada k = 4 memiliki kedekatan jarak antar cluster yang terbentuk lebih baik dibandingkan dengan penentuan k = 2 dan penentuan k=3. KESIMPULAN Berdasarkan hasil percobaan dapat disimpulkan bahwa: 1. k-means dengan fungsi jarak law of cosines digunakan untuk melakukan pengelompokkan data kordinat BTS berdasarkan kedekatan jarak antar BTS. 2. Dari hasil evaluasi dengan menggunakan C-Index, didapatkan penentuan kelompok BTS terbaik adalah dengan penentuan k=4 dengan nilai C-Indeks sebesar Visualisasi dari hasil cluster bisa dilakukan dengan memanfaatkan Google Map API, SARAN Agar diperoleh hasil yang lebih maksimal, maka beberapa saran untuk pengembangan lebih lanjut adalah sebagai berikut: 1. Perlu dilakukan uji coba menggunakan teknik clustering yang lain sebagai perbandingan teknik yang menghasilkan cluster lebih baik lagi. 2. Perlu dilakukan iuji coba dengan menggunakan fungsi jarak yang lain dengan memperhitungkan kondisi bumi sedikit elips (elipsidial factor). DAFTAR PUSTAKA Berkin Pavel 2002 "Survey on clustering data mining techniques" Budi Santosa, "Data Mining". Yogyakarta, Graha Ilmu. Han dan Kamber. 2007, "Data Mining Concepts and Techniques Second Edition", San Fransisco : Elsevier Inc. Hubert Hubert, L. and Schultz, J (1976) "Quadratic Assigment as a General Data- Analysis Strategy." British Journal of Mathematical and Statistical Psychology, 29, C-8-7

8 Chris Veness, 2012 "Calculate distance, bearing and more between Latitude/Longitude points" Situs diakses pada 5 Agustus 2012, alamat: Google Cooding, "The Google Geocoding API", Situs diakses pada 5 Agustus 2012, alamat : Kardi Teknomo, "K-Means Clustering Tutorials", Situs diakses pada 17 September 2012, alamat : MacQueen, J. B "Some Methods for classification and Analisys of Multivariate Observation, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics and Probabilty," University of California Press, 1: Salazar GEJ, Veles AC, Parra MCM, Ortega LO. 2002, A Cluster Validity Index for Comparing Non-hierarchical Clustering Methods ( diakses 04 Juli 2012). C-8-8