![5
suatu jarak. Jadi jika suatu jarak minimal didapat dari penghitungan jarak dari data atribut suatu bidang memiliki jarak yang sama dekatnya dengan jarak minimal yang didapat dari perhitungan data dari atribut bidang yang lain, maka kedua data akan dijadikan satu cluster. Padahal seharusnya kedua data tersebut berada dalam cluster yang berbeda.
5. KESIMPULAN DAN SARAN
5.1 KESIMPULAN
Setelah dilakukan pengujian dan analisa program, maka dapat diperoleh kesimpulan sebagai berikut :
Pada kasus ini metode clustering yang dipakai memiliki hasil yang berbeda. Namun jika dilihat dari nilai variance yang didapat, metode centroid likage hierarchical lah yang memiliki nilai variance yang paling optimal.
Program yang dibuat berhasil menentukan data uji untuk memilih bidang apa seharusnya dia ambil. Jika dilihat pada hasil training yang dilakukan, penyebaran data pada masing-masing cluster memiliki kemiripan.
5.2 SARAN
Dari beberapa kesimpulan yang telah diambil, maka dapat dikemukakan saran-saran yang akan sangat membantu untuk pengembangan aplikasi ini selanjutnya.
Untuk mendapatkan keputusan dengan pertimbangan yang beragam sebaiknya selain menggunakan metode-metode tersebut digunakan juga metode yang lain.
Untuk mendapatkan hasil yang optimal pada metode hierarchical diperlukan suatu metode untuk mengenali atribut- atribut yang dihitung jaraknya. Sehingga data yang diproses tidak mengumpul pada cluster tertentu saja.
DAFTAR PUSTAKA
[1]. Mulyoto.2007.Metode Clustering JST Kohonen-SOM dan Fuzzy C- Means: Aplikasinya pada Penjurusan Siswa SMA.
[2]. Fadli M. Qoyyim. 2007. Pemilihan warna cat sesuai kepribadian dengan inner product.
[3]. Apostol, Tom.M.1967.CALCULUS Volume 1 Second Edition. New York: John Wiley & Sons, Inc.
[4]. Anderberg, M. R. 1973.Cluster analysis for applications. New York: Academic Press.
[5]. Barakbah A.R., Clustering, In Workshop Data Mining 2006, Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya, ITS.
[6]. Barakbah A.R., Cluster Analysis, Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya, ITS, 2006.
[7]. Huang, Z., 2005, A Fast Clustering Algorithm to Cluster Very Large Categorical Data Sets in Data Mining. CSIRO Mathematical and Information Sciences Australia.
[8]. Hasniawati, Helmi, 2007, Image Clustering Berdasarkan Warna Untuk Identifikasi Buah Dengan Metode Valley Tracing, Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya,ITS.
[9]. Wirya Wardhana, Gede, 2007, Image Clustering Berdasarkan Warna Untuk Identifikasi Jenis Buah Dengan Metode Hill Climbing. Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya,ITS.](https://image.slidesharecdn.com/penggunaanmetodepengklasteran-140904081949-phpapp02/85/clustering-5-320.jpg)
More Related Content
What's hot (7)
Similar to clustering (20)
More from dewi2093 (6)
Recently uploaded (20)
clustering
- 1. 1 PENGGUNAAN METODE PENGKLASTERAN UNTUK MENENTUKAN BIDANG TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA PENS BERDASARKAN NILAI Entin Martiana S.Kom,M.Kom, Nur Rosyid Mubtadai S. Kom, Edi Purnomo Jurusan Teknik Informatika Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Kampus ITS Keputih Sukolilo Surabaya 60111, Indonesia Tel:+62-31-5947280 Fax:+62-31-5946114 Email: entin@eepis-its.edu, rosyid@eepis-its.edu, edi_ephor@yahoo.co.id Abstrak Tugas Akhir merupakan salah satu kewajiban mahasiswa, khususnya di PENS-ITS, yang harus dikerjakan sebagai syarat kelulusan. Namun tidak jarang mahasiswa mengalami kesulitan dalam penyelesaian tugas akhir tersebut. Salah satu penyebabnya adalah faktor kemampuan mahasiswa dalam bidang Tugas Akhir yang dikerjakannya. Penelitian ini membahas penggunaan metode clustering dan inner product untuk menentukan bidang Tugas Akhir mahasiswa Teknik Informatika PENS-ITS berdasarkan nilai yang didapat mulai dari semester pertama sampai dengan semester sebeum penentuan judul TA. Tiap bidang disusun oleh mata kuliah-mata kuliah tertentu. Nilai mata kuliah-mata kuliah tersebutlah yang digunakan sebagai atribut data dalam sistem ini. Metode clustering yang digunakan adalah Single Linkage Hierarchical, Centroid Linkage Hierarchical, dan K-Means. Metode-metode clustering tersebut digunakan untuk melakukan training data sehingga terbentuk cluster-cluster. Cluster-cluster yang terbentuk kemudian dilabelkan dengan Inner Product. Inner Product dilakukan dengan mengalikan centroid tiap cluster dengan nilai minimum (dari data training) untuk atribut centroid (mata kuliah) yang tidak mempengaruhi bidang TA dan mengalikan dengan nilai maximum (dari data training) untuk atribut centroid (mata kuliah) yang mempengaruhi bidang TA yang sedang diproses. Hasil Inner Product yang paling besar menunjukkan bahwa cluster tersebut memiliki label bidang TA yang sedang diproses. Pengujian dilakukan dengan data baru (data uji) yang memiliki atribut (mata kuliah) yang sama dengan data training. Data uji tersebut dihitung jaraknya menggunakan Euclidean Distance dengan masing-masing cluster yang telah berlabel (bidang TA). Jarak yang terdekat menujukkan data tersebut merupakan anggota cluster yang dimaksud yang berarti data baru tersebut termasuk ke bidang yang diwakili cluster yang berjarak paling dekat tersebut. Hasil percobaan menunjukkan bahwa metode centroid linkage memiliki nilai variance (Vw/Vb) paling kecil yang menandakan bahwa metode tersebut menghasilkan cluster paling baik dibanding dengan metode single linkage dan K-Means pada kasus ini. Kata kunci : Hierarchical, Clustering, Centroid, Single, Linkage, K-Means, variance, Euclidean Distance, Inner Product, Bidang Tugas Akhir. 1. PENDAHULUAN Sekarang ini sudah terbukti peran mahasiswa PENS-ITS dalam kemajuan teknologi bangsa sangatlah besar. Banyak mahasiswa PENS-ITS yang telah berhasil menemukan dan membuat teknologi tepat guna yang dapat langsung dipakai di masyarakat maupun di lingkungan yang lain seperti industri, akademis, dan lain-lain. Banyak dari mereka yang membuat teknologi tepat guna tersebut ketika masih menyandang status sebagai mahasiswa, terutama mahasiswa semester akhir. Mereka yang sudah berada pada semester akhir membuat Tugas Akhir baik yang berupa analisa maupun aplikasi yang sangat berguna. Namun sayang sekali masih banyak mahasiswa yang mengalami perpanjangan masa studi mereka karena kesulitan dalam tugas akhirnya. Ada beberapa hal yang dapat membuat mahasiswa merasa sulit dalam pengerjaan Tugas Akhir tersebut, diantaranya adalah faktor kemampuan dan minat mahasiswa. Tidak jarang mahasiswa PENS-ITS merasa kebingungan dengan bidang Tugas Akhir yang akan mereka ambil karena merasa ragu untuk mengambil suatu bidang yang ada dengan alasan merasa tidak mampu. Oleh karena itulah perlu dibuat suatu aplikasi yang dapat membantu para mahasiswa PENS-ITS, khusunya mahasiswa jurusan Teknik Informatika untuk menentukan bidang tugas
- 2. 2 akhir yang sebaiknya mereka ambil berdasarkan nilai-nilai mata kuliah yang mereka miliki. Aplikasi yang dibuat dalam penelitian ini menggunakan metode clustering. Hal ini dikarenakan metode clustering telah terbukti dapat digunakan untuk menyelesaikan persoalah seperti ini. Seperti yang pernah dilakukan oleh Mulyoto jurusan Matematika ITS dalam thesisnya yang telah menggunakan metode clustering Fuzzy C-Means dan JST Kohonen-SOM untuk membuat aplikasi penjurusan siswa SMA. Permasalahan yang dihadapi dalam menyelesaikan penelitian ini adalah: 1. Bagaimana menentukan nilai-nilai mahasiswa Teknik Informatika yang akan digunakan untuk data input. 2. Bagaimana melakukan clustering terhadap nilai-nilai mahasiswa Teknik Informatika. 3. Bagaimana menentukan label dari cluster yang didapat. 4. Bagaimana menentukan minat bidang tugas akhir yang sebaiknya diambil. 5. Bagaimanakah hasil dari penentuan bidang untuk masing-masing metode clustering. 2. TEORI PENUNJANG 2. 1. CLUSTERING Clustering merupakan proses mengelompokkan suatu set obyek menjadi kelas-kelas yang terdiri dari obyek-obyek yang sama. Dengan kata lain clustering adalah proses mengelompokkan obyek-obyek berdasarkan kesamaan karakteristik diantara obyek-obyek tersebut. 2.1. 1. SINGLE LINKAGE Pada algoritma single linkage, dilakukan pengukuran dan pencarian jarak dengan yang terdekat (minimum distance). Gambar 1: Ilustrasi Single Linkage 2.1. 2. CENTROID LINKAGE Centroid Linkage adalah proses pengclusteran yang didasarkan pada jarak antar centroidnya.Metode ini bagus untuk memperkecil variance within cluster karena melibatkan centroid pada saat penggabungan antar cluster.Metode ini juga baik untuk data yang mengandung outlier. gambar 2: Ilustrasi Centroid Linkage 2.1. 3. K-MEANS Algoritma K-Means adalah metode clustering berbasis jarak yang membagi data ke dalam sejumlah cluster dan algoritma ini hanya bekerja pada atribut numerik. Algoritma ini pada awalnya mengambil sebagian dari banyaknya komponen dari populasi yang akan dijadikan sebagai pusat cluster awal. Pada step ini pusat cluster dipilih secara acak dari sekumpulan populasi data. Berikutnya K-Means menguji masing-masing komponen di dalam populasi data dan menandai komponen tersebut ke salah satu pusat. Cluster yang telah didefinisikan tergantung dari jarak minimum antar komponen dengan tiap-tiap pusat cluster. Posisi pusat cluster ke dalam tiap-tiap pusat cluster dan terakhir akan terbentuk pusat cluster baru. Gambar 3: Ilustrasi K-Means 2. 2. EUCLIDEAN DISTANCE Euclidean distance merupakan salah satu metode penghitungan jarak yang paling sederhana. Jika terdapat n buah variabel maka perhitungan jarak menggunakan metode Euclidean dinyatakan sebagai berikut: dimana x dan y merupakan dua objek yang dihitung jaraknya, x1, x2, ... , xn dan y1, y2, ... , yn merupakan atribut-atribut sebanyak n buah dari objek x dan y. 2. 3. INNER PRODUCT Inner product yang merupakan istilah lain dari dot product atau dapat juga disebut sebagai scalar product adalah perkalian antara dua vektor yang dapat berupa vektor baris atau vektor kolom, sehingga hasilnya berupa scalar.
- 3. 3 Rumus dasar inner product adalah sebagai berikut: Contoh perhitungan dari persamaan di atas dapat diliat pada contoh berikut: 3. PERENCANAAN SISTEM Dalam sistem ini terdapat tahapan standar, yaitu: input, proses, dan output. Secara garis besar dapat digambarkan dengan blok diagram sebagai berikut: Proses Training Proses Pengujian Data Training Data Test Hasil Training HASIL PENGUJIAN Gambar 4: Diagram Sistem Input yang dimasukkan pada sistem ini adalah nilai-nilai mahasiswa selama kuliah sebelum pengambilan judul Tugas Akhir. Tahapan proses terdapat dua macam proses yaitu proses training dan proses testing (pengujian). Clustering Inner Product Data Training Cluster- Bidang TA cluster Cluster Berlabel Bidang TA Gambar 5: Proses Training Proses training dilakukan dengan mencluster data training dengan metode clustering centroid linkage hierarchical, single linkage hierarchical, dan k-means. Cluster yang terbentuk kemudian dilabelkan dengan nama bidang tugas akhir yang ada. Cara pelabelan yang digunakan adalah dengan inner product. Hasil inner product terbesar antara suatu cluster dengan suatu bidang menunjukkan bahwa label cluster tersebut adalah nama bidang yang di-inner product-kan. Proses testing dilakukan dengan menggunakan inner product antara data test dengan cluster-cluster yang berlabel. Sama seperti prose training, hasil inner product yang paling besar menunjukkan data test tersebut memasuki cluster (bidang) yang telah diproses. Penghitungan Bidang TA Jarak Cluster Berlabel Bidang TA HASIL PENGUJIAN Gambar 6: Proses Testing Output yang dihasilkan dari sistem ini adalah bidang tugas akhir yang sesuai dengan data (mahasiswa) yang dijadikan sebagai data test. 4. UJI COBA Uji coba dilakukan denga menggunakan data nilai mahasiswa D3 angkatan 2005, nilai mahasiswa D4 angkatan 2005, dan nilai mahasiswa D3 angkatan 2006. Langkah pertama uji coba adalah melakukan proses training. Dari proses training tersebut diperoleh hasil (variance) sebagai berikut. Tabel 1: Hasil Training Data Metode Variance(Vw/Vb) Nilai mahasiswa D3 angkatan 2005 Single Linkage 4.2017580184379966E- 18 Centroid Linkage 3.991511126649698E- 18 K-Means 0.013409520461774616 Nilai mahasiswa D4 angkatan 2005 Single Linkage 6.499494834298336E- 18 Centroid Linkage 5.265828882966592E- 18 K-Means 0.07738628536451325 Nilai mahasiswa D3 angkatan 2006 Single Linkage 5.0296972276279414E- 18 Centroid Linkage 3.720404007614485E- 18 K-Means 0.02686628144403626 Dari hasil training didapatkan nilai variance yang paling optimal adalah pada metode centroid linkage. Sehingga metode centroid linkage merupakan metode yang menghasilkan cluster paling ideal pada kasus ini. Setelah dilakukan proses training, proses selanjutnya adalah pengujian. Proses pengujian dilakukan untuk mengetahui bidang yang seharusnya diambil oleh data uji berdasarkan training yang dilakukan. Berikut hasil pengujian yang telah dilakukan. Data uji: nilai mahasiswa D3 angkatan 2005 dengan NRP 7405030041
- 4. 4 Tabel 2: Hasil Uji Coba 1 DATA METODE TRAINING BIDANG TA PERSENTASE JARAK 7405030041 SINGLE LINKAGE PEMROGRAMAN 22.585166942124278% KECERDASAN KOMPUTASIONAL 21.531039962562158% BASIS DATA DAN SISTEM INFORMASI 20.63466820425035% JARINGAN KOMPUTER 18.303084878206125% GRAFIS DAN CITRA 16.94604001285709% METODE TRAINING BIDANG TA PERSENTASE JARAK CENTROID LINKAGE PEMROGRAMAN 22.564046051659123% KECERDASAN KOMPUTASIONAL 21.486314757117935% BASIS DATA DAN SISTEM INFORMASI 20.890696923369347% JARINGAN KOMPUTER 18.21674173748607% GRAFIS DAN CITRA 16.842200530367528% METODE TRAINING BIDANG TA PERSENTASE JARAK KMEANS BASIS_DATA_DAN_SISTEM_INFORMASI 43.08528269712252% PEMROGRAMAN 30.439229598906074% KECERDASAN_KOMPUTASIONAL 26.4754877039714% JARINGAN KOMPUTER - GRAFIS DAN CITRA - Data uji: nilai mahasiswa D4 angkatan 2005 dengan NRP 7405040046 Tabel 3: Hasil Uji Coba 2 DATA METODE TRAINING BIDANG TA PERSENTASE JARAK 7405040046 SINGLE LINKAGE GRAFIS AND CITRA 21.28880% KECERDASAN KOMPUTASIONAL 20.86355% JARINGAN KOMPUTER 19.50891% DATABASE AND SISTEM INFORMASI 19.39374% PEMROGRAMAN 18.94501% METODE TRAINING BIDANG TA PERSENTASE JARAK CENTROID LINKAGE KECERDASAN KOMPUTASIONAL 21.27241% GRAFIS AND CITRA 20.92956% PEMROGRAMAN 20.84420% JARINGAN KOMPUTER 19.48323% DATABASE AND SISTEM INFORMASI 17.47060% METODE TRAINING BIDANG TA PERSENTASE JARAK KMEANS KECERDASAN KOMPUTASIONAL 21.25102% GRAFIS AND CITRA 20.74937% PEMROGRAMAN 20.10002% DATABASE AND SISTEM INFORMASI 19.40424% JARINGAN KOMPUTER 18.49535% Data uji: nilai mahasiswa D3 angkatan 2006 dengan NRP 7406030071 Tabel 4: Hasil Uji Coba 3 DATA METODE TRAINING BIDANG TA PERSENTASE JARAK 7406030071 SINGLE LINKAGE BASIS DATA DAN SISTEM INFORMASI 21.34397% JARINGAN KOMPUTER 20.07383% PEMROGRAMAN 19.85669% KECERDASAN KOMPUTASIONAL 19.71591% GRAFIS DAN CITRA 19.00960% METODE TRAINING BIDANG TA PERSENTASE JARAK CENTROID LINKAGE BASIS DATA DAN SISTEM INFORMASI 21.33103% KECERDASAN KOMPUTASIONAL 20.09147% PEMROGRAMAN 19.89190% JARINGAN KOMPUTER 19.69720% GRAFIS DAN CITRA 18.98839% METODE TRAINING BIDANG TA PERSENTASE JARAK KMEANS BASIS DATA DAN SISTEM INFORMASI 36.64076% JARINGAN KOMPUTER 31.82588% PEMROGRAMAN 31.53336% KECERDASAN KOMPUTASIONAL - GRAFIS DAN CITRA - Dari percobaan di atas, masing- masing metode menghasilkan output yang berbeda untuk data uji yang sama. Dalam artian setiap metode akan menghasilkan nilai perentase jarak yang berbeda untuk masing- masing data. Hal ini dipengaruhi oleh letak centroid cluster (dalam hal ini bidang TA) hasil training yang berbeda-beda. Untuk metode hierarchical, centroid cluster didapat dari rata-rata data. Centroid didapat dengan hanya menggunakan satu kali percobaan. Karena metode ini memiliki sifat iteratif pada waktu pembentukan cluster. Sehingga berapapun jumlah percobaannya jika menggunakan data yang sama akan menghasilkan hasil yang sama juga. Namun untuk mendapatkan centroid di metode k- means diperlukan beberapa iterasi sampai terbentuk centroid akhir. Setiap metode memiliki perbedaan variance optimal yang berbeda. Variance pada metode hierarchical akan selalu tetap. Metode ini cenderung memiliki variance yang lebih kecil dibanding dengan metode K-Means pada percobaan-percobaan yang dilakukan. Sedangkan variance pada cluster K-Means dapat berubah-ubah. Hal ini dikarenakan pembangkitan centroid awal yang random membuat cluster K-Means memiliki hasil cluster yang berbeda untuk setiap proses peng- cluster-an. Hasil cluster pada percobaan menunjukkan data mengumpul pada suatu cluster. Hal ini dapat dikarenakan metode clustering yang digunakan tidak dapat mengenali perbedaan atribut untuk menghitung
- 5. 5 suatu jarak. Jadi jika suatu jarak minimal didapat dari penghitungan jarak dari data atribut suatu bidang memiliki jarak yang sama dekatnya dengan jarak minimal yang didapat dari perhitungan data dari atribut bidang yang lain, maka kedua data akan dijadikan satu cluster. Padahal seharusnya kedua data tersebut berada dalam cluster yang berbeda. 5. KESIMPULAN DAN SARAN 5.1 KESIMPULAN Setelah dilakukan pengujian dan analisa program, maka dapat diperoleh kesimpulan sebagai berikut : Pada kasus ini metode clustering yang dipakai memiliki hasil yang berbeda. Namun jika dilihat dari nilai variance yang didapat, metode centroid likage hierarchical lah yang memiliki nilai variance yang paling optimal. Program yang dibuat berhasil menentukan data uji untuk memilih bidang apa seharusnya dia ambil. Jika dilihat pada hasil training yang dilakukan, penyebaran data pada masing-masing cluster memiliki kemiripan. 5.2 SARAN Dari beberapa kesimpulan yang telah diambil, maka dapat dikemukakan saran-saran yang akan sangat membantu untuk pengembangan aplikasi ini selanjutnya. Untuk mendapatkan keputusan dengan pertimbangan yang beragam sebaiknya selain menggunakan metode-metode tersebut digunakan juga metode yang lain. Untuk mendapatkan hasil yang optimal pada metode hierarchical diperlukan suatu metode untuk mengenali atribut- atribut yang dihitung jaraknya. Sehingga data yang diproses tidak mengumpul pada cluster tertentu saja. DAFTAR PUSTAKA [1]. Mulyoto.2007.Metode Clustering JST Kohonen-SOM dan Fuzzy C- Means: Aplikasinya pada Penjurusan Siswa SMA. [2]. Fadli M. Qoyyim. 2007. Pemilihan warna cat sesuai kepribadian dengan inner product. [3]. Apostol, Tom.M.1967.CALCULUS Volume 1 Second Edition. New York: John Wiley & Sons, Inc. [4]. Anderberg, M. R. 1973.Cluster analysis for applications. New York: Academic Press. [5]. Barakbah A.R., Clustering, In Workshop Data Mining 2006, Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya, ITS. [6]. Barakbah A.R., Cluster Analysis, Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya, ITS, 2006. [7]. Huang, Z., 2005, A Fast Clustering Algorithm to Cluster Very Large Categorical Data Sets in Data Mining. CSIRO Mathematical and Information Sciences Australia. [8]. Hasniawati, Helmi, 2007, Image Clustering Berdasarkan Warna Untuk Identifikasi Buah Dengan Metode Valley Tracing, Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya,ITS. [9]. Wirya Wardhana, Gede, 2007, Image Clustering Berdasarkan Warna Untuk Identifikasi Jenis Buah Dengan Metode Hill Climbing. Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya,ITS.