PENERAPAN METODE ANT COLONY OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK KLASTERISASI DATA HALAMAN JUDUL

Transkripsi

1 PENERAPAN METODE ANT COLONY OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK KLASTERISASI DATA KOMPETENSI JARINGAN KOMPUTER SKRIPSI HALAMAN JUDUL I MADE KUNTA WICAKSANA NIM : PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS UDAYANA BUKIT JIMBARAN 2011 i

2 PENERAPAN METODE ANT COLONY OPTIMIZATION PADA METODE K-HARMONIC MEANS UNTUK KLASTERISASI DATA KOMPETENSI JARINGAN KOMPUTER [SKRIPSI] Sebagai syarat untuk memperoleh gelar Sarjana Komputer Pada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana Tulisan ini merupakan hasil yang belum pernah dipublikasikan I MADE KUNTA WICAKSANA NIM Pembimbing I Pembimbing II I Made Widiartha, S.Si, M.Kom NIP Ida Bagus Gede Dwidasmara, S.Kom, M.Cs NIP ii

3 LEMBAR PENGESAHAN TUGAS AKHIR Judul : Penerapan Metode Ant Colony Optimization pada Metode K-Harmonic Means untuk Klasterisasi Data Kompetensi : Jaringan Komputer Nama : I Made Kunta Wicaksana NIM : Tanggal Seminar : 19 April 2012 Disetujui oleh: Pembimbing I Penguji I I Made Widiartha, S.Si., M.Kom NIP Pembimbing II Dra. Luh Gede Astuti, M.Kom NIP Penguji II Ida Bagus Gede Dwidasmara, S.Kom., M.Cs NIP I Made Widhi Wirawan, S.Si., M.Cs. NIP Penguji III Agus Muliantara, S.Kom., M.Kom. NIP Mengetahui, Jurusan Ilmu Komputer FMIPA UNUD Ketua, Drs. I Wayan Santiyasa, M.Si. NIP iii

4 Judul : Penerapan Metode Ant Colony Optimization pada Metode K-Harmonic Means untuk Klasterisasi Data Nama : I Made Kunta Wicaksana (NIM: ) Pembimbing : 1. I Made Widiartha, S.Si., M.Kom. 2. Ida Bagus Gede Dwidasmara, S.Kom., M.Cs. ABSTRAK Proses pengelompokan data ke dalam beberapa klaster atau yang lebih dikenal dengan Klasterisasi Data (Data Clustering) dapat dilakukan dalam beberapa metode, salah satunya adalah metode K-Means (KM). KM adalah salah satu metode klasterisasi data yang populer karena implementasi yang sederhana, dapat menangani data dalam jumlah besar dan prosesnya yang relatif singkat. Namun Demikian KM memiliki beberapa kelemahan, diantaranya hasil klaster sensitif pada penentuan awal (inisialisasi) pusat klaster dan hasil klaster yang mengarah pada lokal optimal. Metode klasterisasi penyempurnaan dari metode KM disebut dengan K-Harmonic Means (KHM). Walaupun KHM dapat mengurangi permasalahan pada inisialisasi, namun KHM belum dapat mengatasi masalah lokal optimal. Maka dari itu diperlukan suatu metode yang memiliki solusi global. Ant Cplony Optimization (ACO) merupakan suatu algoritma semut didalam membentuk suatu koloni. Algoritma ACO dapat menghindari dari permasalahan lokal optimal dan terbukti memiliki solusi global. Dalam penelitian ini diterapkan sebuah algoritma untuk klasterisasi data yang berbasis ACO dan KHM yang disebut ACOKHM. Performa dari ACOKHM telah dibandingkan dengan algoritma ACO dan KHM dengan menggunakan lima dataset. Algoritma ACOKHM ini terbukti memiliki performa yang lebih baik dari ACO dan KHM dimana ACOKHM mampu mengoptimalkan titik pusat klaster yang mengarah ke global optimal. Kata kunci : K-Means Clustering, K-Harmonic Means Clustering, Ant Colony Optimization, ACOKHM. iv

5 Title : Application of the Method of Ant Colony Optimization to the Method of K-Harmonic Means of Data Clustering Name : I Made Kunta Wicaksana (NIM: ) Supervisors : 1. I Made Widiartha, S.Si., M.Kom. 2. Ida Bagus Gede Dwidasmara, S.Kom., M.Cs. ABSTRACT Data can be classified into several clusters, better known as Data Clustering using several methods, one of which is referred to as K-Means method (KM). It is one of the popular data clustering method. Its implementation is simple and can cope with a great number of data and the process is relatively short. However, KM has several weaknesses; the clustering result is sensitive to the initialization of the cluster center and leads to optimal local. It is the betterment of KM method referred to as K-Harmonic Means (KHM). Although it can minimize in the initialization, it could not overcome the problem of optimal local yet. Ant Colony Optimization (ACO) is an ant algorithm used to form a colony. ACO could avoid the problem of local optimal and was proved to have global solution. In this study, an algorithm was applied to clusterizing the ACO and KHM-based data referred to as ACOKHM. The performance of ACOKHM was compared to the algorithms of ACO and KHM using five data sets. The ACOKHM algorithm was proved to have better performance than ACO and KHM, in which ACOKHM could maximize the cluster center which directs to optimal global. Keywords: K-Means Clustering, K-Harmonic Means Clustering, Ant Colony Optimization, ACOKHM. v

6 KATA PENGANTAR Puji syukur penulis panjatkan kehadapan Ida Sang Hyang Widhi Wasa/Tuhan Yang Maha Esa atas berkah dan rahmat-nya penulis dapat menyelesaikan Tugas Akhir yang berjudul Penerapan Metode Ant Colony Optimization Pada Metode K-Harmonic Means Untuk Klasterisasi Data. Tugas Akhir ini ditulis untuk memenuhi persyaratan untuk memperoleh gelar Sarjana Program Studi Teknik Informatika Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana. Penulis menyadari bahwa didalam pembuatan Tugas Akhir ini tidaklah mudah dan banyak menemukan kesulitan-kesulitan. Berkat usaha keras dan bimbingan dari dosen pembimbing serta dukungan-dukungan yang datang dari berbagai pihak, kesulitan-kesulitan yang penulis alami dapat teratasi. Sehubungan dengan telah terselesaikannya tugas akhir ini, penulis mengucapkan terimakasih dan penghargaan kepada semua pihak yang telah membantu penulis dalam penyelesaian tugas akhir ini, antara lain : 1. Bapak Drs. I Wayan Santiyasa, M.Si., selaku ketua Jurusan Ilmu Komputer Fakultas MIPA Universitas Udayana 2. Bapak I Made Widiartha, S.Si, M.Kom, sebagai pembimbing I yang telah membantu dan menuntun baik secara moril maupun non moril serta memeriksa dan menyempurnakan Proposal Tugas Akhir ini 3. Bapak I. B. Gede Dwidasmara, S.Kom, M.Cs, sebagai pembimbing II yang telah membantu, menuntun, memeriksa dan menyempurnakan Proposal Tugas Akhir ini. 4. Kepada orang tua dan kakak kandung penulis yang telah membimbing, mendidik, serta memberi motivasi kepada penulis. 5. Bapak dan Ibu Dosen di Jurusan Ilmu Komputer Fakultas MIPA Universitas Udayana yang telah memberikan semangat dan masukan. vi

7 6. Teman-teman di Jurusan Ilmu Komputer Fakultas MIPA Universitas Udayana yang juga turut serta memberikan dukungan dan masukan dalam menyelesaikan Proposal Tugas Akhir ini. Penulis juga menyadari bahwa Proposal Tugas Akhir ini mengandung kelemahan dan kekurangan. Melihat dari hal tersebut, maka nantinya diharapkan masukan-masukan dan saran-saran yang bersifat membangun. Akhir kata penulis mengucapkan terima kasih. Jimbaran, Oktober 2011 Penulis vii

8 DAFTAR ISI Halaman HALAMAN JUDUL... i LEMBAR PERNYATAAN... ii LEMBAR PENGESAHAN... iii ABSTRAK... iv ABSTRACT... v KATA PENGANTAR... v DAFTAR ISI... viii DAFTAR GAMBAR... x DAFTAR TABEL... xi BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Penelitian Batasan Masalah Manfaat Penelitian... 3 BAB II TINJAUAN PUSTAKA Klasterisasi Data Metode Hirarki Metode Partitioning atau Non Hirarki Algoritma K-Means Menghitung Jarak Antara Data dan Pusat Klaster Algoritma K-Harmonic Means Algoritma Ant Colony Optimization Cara Kerja Algoritma Semut (ACO) Mencari Jalur Optimal Fungsi dan Formulasi Pick dan Drop viii

9 2.4.3 Algoritma Pick Up ACO Algoritma Drop An Object ACO F-Measure BAB III METODE PENELITIAN Pengkajian Pustaka dan Analisa Awal Desain Model Sistem Data Penelitian Model Metode ACOKHM Implementasi dan Dokumentasi Rancangan Interface Pengujian Analisa Hasil BAB IV IMPLEMENTASI DAN PEMBAHASAN Implementasi Metode ACOKHM Interface Dari Implementasi Metode ACOKHM Hasil Pengujian Hasil Uji Coba dengan Parameter p = Hasil Uji Coba dengan Parameter p = Hasil Uji Coba dengan Parameter p = Rata-Rata dan Standar Deviasi Grafik Performa Dari Masing-Masing Metode BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA ix

10 DAFTAR GAMBAR Halaman Gambar 2.1 Klasterisasi Data... 4 Gambar 2.1 Ilustrasi Metode K-Means... 7 Gambar 2.3 Flowchart K-Means... 8 Gambar 2.2 Perjalanan Semut Mencari Jalur Optimal Gambar 2.3 Lintasan Awal Semut Menuju Makanan Gambar 2.4 Lintasan Optimal Semut Menuju Tempat Makanan Gambar 3.1 Scatter plot dataset Balance Scale Gambar 3.2 Scatter plot dataset Haberman Gambar 3.3 Scatter plot dataset Hayesroth Gambar 3.4 Scatter plot dataset Lenses Gambar 3.5 Scatter plot dataset TAE Gambar 3.2 Flowchart Algoritma ACOKHM Gambar 3.2 Rancangan Interface Gambar 3.3 Flowchart Algoritma untuk Ujicoba sistem Gambar 4.1 Interface dari Dataset Balance Scale Gambar 4.2 Grafik Perbandingan Nilai Fungsi Tujuan Balance Scale Gambar 4.3 Grafik Perbandingan Nilai Fungsi Tujuan Haberman Gambar 4.4 Grafik Perbandingan Nilai Fungsi Tujuan Hayesroth Gambar 4.5 Grafik Perbandingan Nilai Fungsi Tujuan Lenses Gambar 4.6 Grafik Perbandingan Nilai Fungsi Tujuan TAE Gambar 4.7 Grafik Perbandingan Nilai F-Measure Balance Scale Gambar 4.8 Grafik Perbandingan Nilai F-Measure Haberman Gambar 4.9 Grafik Perbandingan Nilai F-Measure Hayesroth Gambar 4.10 Grafik Perbandingan Nilai F-Measure Lenses Gambar 4.11 Grafik Perbandingan Nilai F-Measure TAE x

11 DAFTAR TABEL Halaman Tabel 3.1 Dataset Tabel 3.2 Nilai Parameter Masukan Tabel 4.1 Hasil Uji Coba Dataset Balance Scale dengan p = Tabel 4.2 Hasil Uji Coba Dataset Haberman dengan p = Tabel 4.3 Hasil Uji Coba Dataset Hayesroth dengan p = Tabel 4.4 Hasil Uji Coba Dataset Lenses dengan p = Tabel 4.5 Hasil Uji Coba Dataset TAE dengan p = Tabel 4.6 Hasil Uji Coba Dataset Balance Scale dengan p = Tabel 4.7 Hasil Uji Coba Dataset Haberman dengan p = Tabel 4.8 Hasil Uji Coba Dataset Hayesroth dengan p = Tabel 4.9 Hasil Uji Coba Dataset Lenses dengan p = Tabel 4.10 Hasil Uji Coba Dataset TAE dengan p = Tabel 4.11 Hasil Uji Coba Dataset Balance Scale dengan p = Tabel 4.12 Hasil Uji Coba Dataset Haberman dengan p = Tabel 4.13 Hasil Uji Coba Dataset Hayesroth dengan p = Tabel 4.14 Hasil Uji Coba Dataset Lenses dengan p = Tabel 4.15 Hasil Uji Coba Dataset TAE dengan p = Tabel 4.16 Rata-rata dan Standar Deviasi Hasil Uji Coba dengan p = Tabel 4.17 Rata-rata dan Standar Deviasi Hasil Uji Coba dengan p = Tabel 4.18 Rata-rata dan Standar Deviasi Hasil Uji Coba dengan p = xi