TESIS ADYA ZIZWAN PUTRA

Transkripsi

1 ANALISIS KINERJA METODE GABUNGAN GENETIC ALGORITHM DAN K-MEANS CLUSTERING DALAM PENENTUAN NILAI CENTROID TESIS ADYA ZIZWAN PUTRA PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2017

2 ANALISIS KINERJA METODE GABUNGAN GENETIC ALGORITHM DAN K-MEANS CLUSTERING DALAM PENENTUAN NILAI CENTROID TESIS Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika ADYA ZIZWAN PUTRA PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2017

3 iii PERSETUJUAN Judul Tesis : Analisis Kinerja Metode Gabungan Genetic Algorithm dan K-Means Clustering dalam Penentuan Nilai Centroid Kategori : Tesis Nama Mahasiswa : Adya Zizwan Putra Nomor Induk Mahasiswa : Program Studi : Magister (S2) Teknik Informatika Fakultas : Ilmu Komputer dan Teknologi Informasi Komisi Pembimbing : Pembimbing 2, Pembimbing 1, Dr. Erna Budhiarti Nababan, M.IT Prof. Dr. Muhammad Zarlis, M.Sc Diketahui/disetujui oleh Program Studi S2 Teknik Informatika Ketua, Prof. Dr. Muhammad Zarlis, M.Sc NIP:

4 iv PERNYATAAN ANALISIS KINERJA METODE GABUNGAN GENETIC ALGORITHM DAN K-MEANS CLUSTERING DALAM PENENTUAN NILAI CENTROID TESIS Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya. Medan, 24 Juli 2017 Adya Zizwan Putra

5 v PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai sivitas akademika, saya yang bertanda tangan di bawah ini : Nama : Adya Zizwan Putra NIM : Program Studi : Magister (S2) Teknik Informatika Jenis Karya Ilmiah : Tesis Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul : ANALISIS KINERJA METODE GABUNGAN GENETIC ALGORITHM DAN K-MEANS CLUSTERING DALAM PENENTUAN NILAI CENTROID Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non Eksklusif ini, berhak menyimpan mengalih media, memformat, mengelola dalam bentuk database, merawat dan memplubikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/ atau sebagai pemilik hak cipta. Demikian pernyataan ini dibuat dengan sebenarnya. Medan, 24 Juli 2017 Adya Zizwan Putra

6 vi Telah diuji pada Tanggal : 24 Juli 2017 PANITIA PENGUJI TESIS Ketua : Prof. Dr. Muhammad Zarlis Anggota : 1. Dr. Erna Budhiarti Nababan 2. Prof. Dr. Saib Suwilo 3. Dr. Syahril Efendi

7 vii RIWAYAT HIDUP DATA PRIBADI Nama Lengkap (berikut gelar) : Adya Zizwan Putra, S.Kom Tempat dan Tanggal Lahir : Medan, 3 Mei 1991 Alamat Rumah : Jl. Nangka No.9 A Medan Telepon/ Faks/ HP : putrazizwanadya@gmail.com Instansi Tempat Bekerja : PT Bank Mandiri (Persero) Tbk. Alamat Kantor : Jl. Pulau Pinang No 1 Medan DATA PENDIDIKAN SD : SD Negeri Medan TAMAT : 2003 SLTP : SLTP Negeri 7 Medan TAMAT : 2006 SLTA : SLTA Negeri 7 Medan TAMAT : 2009 D3 : D3 Teknik Informatika USU TAMAT : 2011 S1 : S1 Ilmu Komputer USU TAMAT : 2014

8 viii UCAPAN TERIMA KASIH Alhamdulillah, segala puji dan syukur saya ucapkan kehadiran Tuhan Yang Maha Esa, atas berkat rahmat-nya, saya dapat menyelesaikan Tesis ini dalam kurun waktu yang telah ditetapkan Ucapan terima kasih juga saya sampaikan kepada pihak-pihak yang telah membantu saya selama penulisan Tesis ini, sehingga Tesis ini dapat terselesaikan dengan baik. Pada kesempatan kali ini, saya ingin mengucapkan terima kasih yang sebesar-besarnya kepada : 1. Bapak Prof. Dr. Runtung Sitepu, SH, M.Hum selaku Rektor Universitas Sumatera Utara. 2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi. 3. Bapak Prof. Dr. Muhammad Zarlis selaku Ketua Program Studi Magister Teknik Informatika, beserta Bapak Dr. Syahril Efendi, S.Si, M.IT Selaku Sekretaris Program Studi Magister Teknik Informatika, beserta seluruh Staf Pengajar Program Studi Magister Teknik Informatika Program Pascasarjana Fakultas Ilmu Komputer. 4. Bapak Prof. Dr. Muhammad Zarlis selaku Pembimbing Pertama, dan juga Bapak Dr. Erna Budhiarti Nababan, M.IT selaku Pembimbing Kedua, yang telah membimbing saya hingga tesis ini dapat terselesaikan dengan baik. 5. Bapak Prof. Dr. Saib Suwilo selaku Penguji Pertama, dan juga Bapak Dr. Syahril Efendi, S.Si, M.IT selaku Penguji Kedua yang telah memberikan saran dan masukan serta arahan yang baik dalam penyelesaian tesis ini. 6. Orangtua laki-laki saya Alm. Aziz Usman NST, orangtua perempuan saya Sufriyati, kakak perempuan saya Atika Ziyani Pratiwi NST yang telah mendukung saya dan mendoakan saya sehingga tesis ini terselesaikan dengan baik. 7. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat saya sebutkan satu per satu yang telah membantu saya dalam menyelesaikan Tesis ini.

9 ix Saya menyadari masih banyak kekurangan dalam penulisan Tesis ini, oleh karena itu saya mengharapkan kritik dan saran dari para pembaca sebagai masukan bagi penelitian ini, agar penelitian ini dapat bermanfaat lebih baik lagi bagi saya ataupun bagi para peneliti selanjutnya. Medan, 24 Juli 2017 Penulis Adya Zizwan Putra

10 x ABSTRAK Penentuan Centroid pada Algoritma K-Means mempengaruhi secara langsung kualitas dari hasil clustering. Penentuan centroid dengan menggunakan bilangan acak memiliki banyak kelemahan. Algoritma GenClust yang menggabungkan pemakaian Algoritma Genetika dan K-Means menggunakan algoritma genetika untuk menentukan centroid dari tiap cluster. Penggunaan algoritma GenClust menggunakan kromosom 50% yang diperoleh melalui perhitungan deterministik dan 50% diperoleh dari pembangkitan bilangan acak. Penelitian ini akan memodifikasi penggunaan algoritma GenClust dimana kromosom yang digunakan 100% diperoleh melalui perhitungan deterministik. Hasil penelitian ini akan menghasilkan perbandingan kinerja yang dinyatakan dalam Mean Square Error yang dipengaruhi oleh penentuan centroid pada metode K-Means dengan menggunakan metode GenClust, metode GenClust yang dimodifikasi dan juga K-Means klasik. Kata Kunci: Centroid, K-Means, GenClust, Kromosom

11 xi PERFORMANCE ANALYSIS OF COMBINED METHODS OF GENETIC ALGORITHM AND K-MEANS CLUSTERING IN DETERMINING THE VALUE OF CENTROID ABSTRACT The determination of Centroid on K-Means Algorithm directly affects the quality of the clustering results. Determination of centroid by using random numbers has many weaknesses. The GenClust algorithm that combines the use of Genetic Algorithms and K-Means uses a genetic algorithm to determine the centroid of each cluster. The use of the GenClust algorithm uses 50% chromosomes obtained through deterministic calculations and 50% is obtained from the generation of random numbers. This study will modify the use of the GenClust algorithm in which the chromosomes used are 100% obtained through deterministic calculations. The results of this study will result in performance comparisons expressed in Mean Square Error influenced by centroid determination on K-Means method by using GenClust method, modified GenClust method and also classic K-Means. Keyword: Centroid, K-Means, GenClust, Chromosome

12 xii DAFTAR ISI Hal. HALAMAN JUDUL i PERSETUJUAN ii ABSTRAK x ABSTRACT xi DAFTAR ISI xii DAFTAR GAMBAR xiv DAFTAR TABEL xv BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian Sistematika Penulisan 4 BAB II TINJAUAN PUSTAKA Data Mining Metode pada Data Mining Clustering K-Means Algoritma Genetika GenClust UCI Machine Learning Repository Penelitian-Penelitian Terkait Penelitian Terdahulu Perbedaan dengan Penelitian Terdahulu 14 BAB III METODOLOGI PENELITIAN Pendahuluan Data yang Digunakan Analisis Data 17

13 xiii BAB IV HASIL DAN PEMBAHASAN Pendahuluan Hasil Pengujian dengan Menggunakan Algoritma K-Means Klasik Pengujian dengan Jumlah Iterasi Sebanyak Pengujian dengan Jumlah Iterasi Sebanyak Pengujian dengan Jumlah Iterasi Sebanyak Hasil Pengujian dengan Menggunakan Algoritma GenClust Pengujian dengan Jumlah Iterasi Sebanyak Pengujian dengan Jumlah Iterasi Sebanyak Pengujian dengan Jumlah Iterasi Sebanyak Hasil Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi Pengujian dengan Jumlah Iterasi Sebanyak Pengujian dengan Jumlah Iterasi Sebanyak Pengujian dengan Jumlah Iterasi Sebanyak Pembahasan 47 BAB V KESIMPULAN DAN SARAN Kesimpulan Saran 49

14 xiv DAFTAR GAMBAR Hal. Gambar 2.1. Proses di dalam Knowledge Discovery in Database 6 Gambar 2.2. Diagram Blok dari Algoritma Genetika 10 Gambar 2.3. Tahapan Proses dari Algoritma GenClust 11 Gambar 3.1. Metode Penelitian 17 Gambar 3.2. Tahapan Proses Algoritma K-Means 18 Gambar 3.3. Tahapan Penentuan Nilai Centroid K-Means dengan Algoritma GenClust 19 Gambar 3.4. Penentuan Nilai Centroid K-Means dengan Algoritma GenClust yang Dimodifikasi 28 Gambar 4.1. Hasil Pengujian dengan Menggunakan Algoritma K-Means Klasik 34 Gambar 4.2. Hasil Pengujian dengan Menggunakan Algoritma GenClust 40 Gambar 4.3. Hasil Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi 46

15 xv DAFTAR TABEL Hal. Tabel 2.1. Penelitian Terdahulu 13 Tabel 3.1. Contoh Data pada Iris Data Set 21 Tabel 3.2. Kromosom yang Dibangkitkan dengan Bilangan Acak 22 Tabel 3.3. Kromosom yang Diperoleh dari Perhitungan Deterministik 27 Tabel 4.1. Pengujian dengan Menggunakan Algoritma K-Means Klasik dengan Jumlah Iterasi Sebesar Tabel 4.2. Pengujian dengan Menggunakan Algoritma K-Means Klasik dengan Jumlah Iterasi Sebesar Tabel 4.3. Pengujian dengan Menggunakan Algoritma K-Means Klasik dengan Jumlah Iterasi Sebesar Tabel 4.4. Hasil Pengujian dengan Menggunakan Algoritma K-Means Klasik 33 Tabel 4.5. Pengujian dengan Menggunakan Algoritma GenClust dengan Menggunakan Jumlah Iterasi Sebesar Tabel 4.6. Pengujian dengan Menggunakan Algoritma GenClust dengan Menggunakan Jumlah Iterasi Sebesar Tabel 4.7. Pengujian dengan Menggunakan Algoritma GenClust dengan Menggunakan Jumlah Iterasi Sebesar Tabel 4.8. Hasil Pengujian dengan Menggunakan Algoritma GenClust 39 Tabel 4.9. Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi dengan Menggunakan Jumlah Iterasi Sebesar Tabel Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi dengan Menggunakan Jumlah Iterasi Sebesar Tabel Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi dengan Menggunakan Jumlah Iterasi Sebesar Tabel Hasil Pengujian dengan Menggunakan Algoritma GenClust yang Telah Dimodifikasi 45 Tabel Hasil Pengujian dengan Menggunakan Algoritma K-Means Klasik Algoritma GenClust, dan Algoritma GenClust yang Telah Dimodifikasi 47