METODE NON HIERARCHY ALGORITMA K-MEANS DALAM MENGELOMPOKKAN

Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

METODE NON HIERARCHY ALGORITMA K-MEANS DALAM MENGELOMPOKKAN TINGKAT KELARISAN BARANG (STUDI KASUS : KOPERASI KELUARGA BESAR SEMEN PADANG) Dewi Eka Putri, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang e-mail: [email protected]

ABSTRAK Pesatnya perkembangan teknologi informasi yang menjadikan semua informasi dapat di simpan dalam jaringan komputer, membuat munculnya sistem basis data yang sangat besar. Data Mining salah satunya, merupakan teknologi yang sangat berguna untuk membantu perusahaan menemukan informasi yang sangat penting dari gudang data (Data warehouse). Clustering merupakan salah metode dalam Data Mining yang bersifat tanpa arahan (unsupervised). Penggunaan algoritma K-Means adalah dapat membantu dalam mengelompokkan data, dan informasi yang ditampilkan berupa nilai centroid dari tiap-tiap cluster, untuk menentukan tingkat kelarisan barang pada Koperasi. Kata kunci : Data Mining, algoritma K-Means, tingkat kelarisan barang, dan Koperasi. 1. PENDAHULUAN Data Mining salah satunya, merupakan teknologi yang sangat berguna untuk membantu perusahaan menemukan informasi yang sangat penting dari gudang data (Data warehouse). Banyak pengertian mengenai Data Mining, salah satunya menurut Witten et all (2011), Data Mining adalah melakukan ekstraksi data untuk memperoleh informasi penting yang sifatnya implisit dan sebelumnya tidak di ketahui dari suatu data. Data Mining erat kaitannya dengan data, informasi dan pengetahuan. Proses Data Mining dimulai dengan mengekstraksi data yang kemudian menghasilkan sebuah informasi. Informasi yang dihasilkan kemudian diolah untuk menghasilkan biasa berbentuk pola (pattern). Pola inilah yang kemudian diterjemahkan menjadi sebuah pengetahuan. Dan pengetahuan yang dihasilkan dapat digunakan untuk mengambil keputusan oleh pimpinan dalam sebuah perusahaan. Clustering merupakan salah metode dalam Data Mining yang bersifat tanpa arahan (unsupervised). Ada dua metode yang digunakan dalam clustering, yaitu

metode Hierarchy dan metode Non Hierarchy. Yang termasuk kedalam metode Hierarchy adalah complete linkage clustering, single linkage clustering, average linkage clustering dan centroid linkage clustering. Sedangkan yang termasuk metode Non Hierarchy adalah K-means dan Fuzzy K-means. Koperasi Keluarga Besar Semen Padang, yang bergerak dalam bidang penjualan barang-barang kebutuhan sehari-hari, memiliki Toserba yang menyediakan barang yang lengkap. Sehingga Pimpinan kesulitan untuk mengetahui barang mana yang lebih di minati dan banyak di beli. Maka perlu di identifikasi dan di kelompokkan produk apa saja yang diminati sehingga bisa menyusun faktor-faktor apa saja yang dapat menarik konsumen baru untuk membeli. 2. KAJIAN LITERATUR 2.1 Metode Non Hierarchy (Clustering) Dikutip dari salah satu jurnal (Tahta Alfina dkk, 2011), salah satu teknik yang di kenal dalam Data Mining yaitu clustering. Pengertian clustering adalah pengelompokkan sejumlah data atau objek kedalam cluster (group) sehingga setiap

Dewi Eka Putri, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang

36


cluster akan berisi data yang semirip mungkin dan berbeda dengan objek dalam cluster yang lainnya. Ada dua metode clustering yang kita kenal, yaitu Hierarchy dan Non Hierarchy. Metode Hierarchy terdiri dari complete linkage clustering, single linkage clustering, average linkage clustering dan centroid linkage clustering. Sedangkan metode Non Hierarchy terdiri dari k-means dan Fuzzy k-means. 2.2 Algoritma K-Means Menurut salah satu jurnal nasional (Afrisawati, 2013), K-means merupakan metode penglompokkan data nonhierarki yang berusaha mempartisi data kedalam dua bentuk atau lebih kelompok. Metode ini mempartisi data kedalam kelompok sehingga data berkarakteristik sama dimasukkan ke dalam satu kelompok yang sama dan data yang berkarakteristik berbeda dikelompokkan kedalam kelompok lain. Tujuan dari pengelompokkan ini adalah untuk meminimalkan fungsi objektif yang diatur dalam proses pengelompokkan, yang pada umumnya berusaha meminimalkan variasi di dalam suatu kelompok dan memaksimalkan variasi antar kelompok (sumber : Eko Prasetyo, “Data Mining:Konsep dan Aplikasi menggunakan MATLAB, 2012:178”). Berikut adalah flowchart dari algoritma K-means :

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Start

Jumlah K (Inisiasi Pusat Cluster)

Hitung jarak objek ke pusat

Kelompokkan objek berdasarkan jarak minimum

Pusat cluster baru

Ada selisih pusat cluster lama dan baru

Ya

Pusat cluster = Pusat cluster baru

Tidak END

Gambar 2.1. Flowchart Algoritma K-means Algoritma K-means : a) Penetapan jumlah cluster (k) b) Penentuan titik pusat cluster secara random c) Hitung jarak setiap data ke pusat cluster d) Kelompokkan data ke dalam cluster dengan jarak minimal e) Hitung pusat cluster baru berdasarkan rata-rata jarak terhadap pusat cluster f) Apakah ada selisih antara pusat cluster lama dengan pusat cluster baru? Jika ada, maka pusat cluster lama=pusat cluster baru g) Ulangi langkah 2-4 hingga sudah tidak ada lagi selisih pada pusat cluster 3. METODE PENELITIAN

Penelitian ini bertujuan untuk mengetahui tingkat kelarisan suatu produk pada Koperasi Keluarga Besar Semen Padang. Koperasi ini menyediakan banyak produk-produk kebutuhan seharihari. Sehingga Pimpinan mengalami kesulitan dalam menyediakan stok barang. Untuk mengetahui tingkat kelarisan suatu Dewi Eka Putri, S.Kom, M.Kom Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” Padang

37


produk, maka penulis menggunakana algoritma K-means. Dalam proses penelitian ini, diperlukan literatur untuk pemahaman konsep dan pendalaman materi dari beberapa jurnal sebagai referensi. Tahap selanjutnya adalah teknik pengumpulan data dengan cara observasi secara langsung. Kerangka kerja diperlukan dalam acuan langkah-langkah untuk mengerjakan suatu penelitian secara terstruktur dengan membuat sebuah tahapan metodologi penelitian sehingga hasil yang dicapai menjadi lebih maksimal. Kerangka kerja pada penelitian ini dapat dilihat pada Gambar 3.1

MelakukanStudiLiteratur Mengumpulkan Data MenganalisaMasalah Mengolah Data denganK-means

MembuatKesimpulan

Gambar 3.1. Kerangka Kerja Penelitian Dalam hal ini penulis mengambil sampel data sebanyak 130 data, sedangkan atribut digunakan 4 yaitu Kode Barang, Nama Barang, Total Stok, Stok Akhir. Tabel 3.1. Sampel Data Rekapitulasi Penjualan

4902430284318

CAMAY CHIC BLACK 125 GR CAMAY NATURAL WHITE 125 GR

8851932184564

8992772198028 8992772198035 8992772198042 8992946511790 ...

...

M3

216

85

M4

114

33

M5

192

99

M6

109

24

M7

134

58

M8

104

23

M9

179

10

M10

290

134

Mn

...

...

120

22

( DATA TERLAMPIR) PONDS WBFF 100 ML

M130

Proses analisa terhadap tingkat kelarisan yang dikategorikan “Barang Laris” dan “Barang Kurang Laris” menggunakan Algoritma K-Means, dimana Algoritma tersebut digunakan untuk mengelompokkan barang berdasarkan tingkat kelarisannya yang diambil sebagai sampel berdasarkan parameternya.

Menguji data dengan tools

4902430284301

4902430401173

CAMAY CLASSIC PINK 125 GR PAN SHP ANTI DANDRUFF 170 ML PAN SHP ANTI DANDRUFF PONDS AM CREAM DAY 10 GR KISP REFILL 300 ML SEGERTIIS KISP REFILL 300 KL BLUIS KISP REFILL 300 ML VIOLET SHINZUI SW SOAP BAR 100 GR

4. HASIL DAN PEMBAHASAN 4.1 Analisa Algoritma K-Means Percobaan dilakukan dengan menggunakan parameter-parameter berikut : Jumlah Data : 130 Jumlah cluster : 2 (Barang Paling Laris dan Barang Kurang Laris) Jumlah Atribut : 4 (Kode Barang, Nama Barang, Total Stok, Stok Akhir)

MenentukanTujuan

Nama Barang

4902430400947

8999999717094

MelakukanStudiPendahuluan

Kode Barang

4902430284325

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Item

Total Stok

Stok Akhir

M1

192

102

M2

205

120

Jarak tiap objek (Nama Barang) ke masing-masing centroid menggunakan rumus kolerasi antar dua objek yaitu Euclidean Distance. Untuk menentukan Mn diambil dari Total Stok (X) dan Stok Akhir (Y). Asumsi : 1. Semua data akan dikelompokkan ke dalam dua Cluster 2. Center points dari kedua cluster yang di tentukan secara random adalah : Pusat cluster 1 (C1) : (170, 50)


38


Pusat cluster 2 (C2) : (325, 150) Iterasi I Pada tahap ini akan di hitung jarak setiap data ke masing-masing centroid menggunakan rumus Euclidean Distance. Menghitung jarak masing-masing data ke titik pusat cluster pertama (C1).

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Gambar 4.2. Export Dataset Gambar diatas merupakan cara untuk menginput dataset, jika tidak ada warning, maka export data berhasil. Tahapan selanjutnya adalah set parameter pada define status dan tahapan clustering kmeans. Sehingga akan didapat output iterasi I seperti berikut :

Dimulai dari D11 sampe D1130 menggunakan rumus : Dik = Dari hasil pengelompokkan diatas, menggunakan Rumus Euclidean Distance, dapat dilihat bahwa tidak terjadi perubahan anggota untuk masing-masing cluster, maka proses iterasi dihentikan. Maka dapat disimpulkan bahwa ada 95 anggota pada cluster pertama, yang artinya ada 95 barang masuk kategori LARIS, dan ada 35 anggota pada cluster kedua, yang artinya ada 35 barang masuk kategori KURANG LARIS. Seperti yang terlihat pada grafik persebaran dibawah ini:

Gambar 4.3. View Dataset 1 Setelah mendapat Cluster K-Means Iterasi 1 dengan penentuan nilai C secara random, selanjutnya adalah menghitung Cluster K-Means untuk Iterasi 2. Maka kita akan membuat Define Status 3 pada komponen K-Means. Seperti pada gambar berikut :

Gambar 4.1. Grafik Persebaran

4.2 Implementasi Sistem Sebelumnya mengimplementasikan sistem terhadap data yang ingin diolah serta mempersiapkan terlebih dahulu data riil nya.

Gambar 4.4. Set Parameter Baru Penentuan parameter Iterasi 2 ini adalah 1. Target : C_Kmeans_1 2. Input : Kode barang, Nama barang, Item, Total Stok, Stok Akhir Untuk melihat grafik nya, maka tambahkan komponen Scatterplot pada tab Data Visualization, tarik ke arah KMeans 1.


39

Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 (X1) Total Stok vs. (X2) Stok Akhir by (Y) Cluster_KMeans_1 360 340 320 300 280 260 240 220 200 180 160 140 120 100 80 60 40 20 0 100

120

140

160

180

200

220

240

260

280

300

320

c_kmeans_1

340

360

380

400

420

440

460

480

c_kmeans_2

Gambar 4.5. Grafik Scatterplot Lalu tambahkan komponen EXPORT DATASET (tab DATA VISUALIZATION) kedalam diagram, setting jarak dialog menu pada PARAMETER, Pilih attribut input yang dieksport.

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

a. Cluster_K-means (C1), adalah kelompok barang yang laris, dengan total sampel data 95 item dari 130 sampel data. b. Cluster_K-means2 (C2), adalah kelompok barang yang kurang laris, dengan total sampel data 35 item dari 130 sampel data. Hasil yang dicari dengan cara manual equivalen dengan hasil yang diproses dengan menggunakan aplikasi Tanagra 1.4.50. 6. REFERENSI

Gambar 4.6. Export Dataset Sehingga hasil output dapat kita lihat di tempat kita menyimpan file input sebelumnya. Dari 255 data riil yang diujikan menggunakan tools Tanagra, dengan menggunakan 2 cluster, maka didapatkan hasil output Cluster Barang Yang Laris (C2) 194 data dan Cluster Barang Yang Kurang Laris (C1) 61 data yang telah dikelompokkan kedalam 2 tabel. 5. KESIMPULAN Berdasarkan uraian pada bab-bab sebelumnya, maka penulis dapat mengambil kesimpulan antara lain : A. Proses akan berlanjut jika perbandingan anggota C1 dan C2 pada iterasi 1 dan iterasi 2 hasilnya berbeda. B. Proses akan berhenti jika perbandingan anggota C1 dan C2 pada iterasi 1 dan iterasi 2 hasilnya sama. Dari hasil analisis cluster_k-means dari 130 jenis sampel Perlengkapan Mandi dan Mencuci dapat dikelompokan menjadi dua cluster_k-means yaitu:

Afrisawati. (2013). “Jurnal Implementasi Data Mining Pemilihan Pelanggan Potensial Menggunakan Algoritma KMeans.” Alfina, Tahta., Santosa, Budi., dan Barakbah, Ali Ridho. (2012). “Jurnal Analisa Perbandingan Metode Hierarchical Clustering, K-Means dan Gabungan Keduanya Dalam Cluster Data (Studi Kasus : Problem Kerja Praktek Jurusan Teknik Industri ITS.)” Dash, Rajashree., Mishra, Debahuti., Rath, Amiya Kumar., and Acharya, Milu. (2010). “Journal A Hybridized K-Means Clustering Approach For High Dimensional Dataset.” Dua, Sumeet., and Du, Xian. (2011). “Data Mining And Machine Learning In Cybersecurity.” Durairaj, M. Dan Vijitha, C. (2014). “Journal Educational Data Mining For Prediction Of Student Performance Using Clustering Algorithms.” Fadli, Ari. (2011). “Jurnal Konsep Data Mining.” Ginting, Selvia Lorena Br. (2010). “Jurnal Konstruksi Struktur Bayesian Network Dalam Data Mining Untuk Basis Data Incomplete Menggunakan Algoritma CB*.” Han, Jiawei., Kamber, Micheline., and Pei, Jian. (2012). “Data Mining : Concepts And Techniques.” Irwan Budiman. (2012). “Data Clustering Menggunakan Metodologi CRISPDM Untuk Pengenalan Pola Proporsi Pelaksana Tridharma.” Universitas


40


Diponegoro : Magister Sistem Informasi. Kumar, Varun. Dan Rathee, Nisha. (2011). “Journal Knowledge Discovery From Database Using An Integration of Clustering and Classification.” Larose, Daniel T. (2005). “Discovering Knowledge In Data : An Introduction To Data Mining.” Ong, Johan Oscar. (2013). “Jurnal Implementasi Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing President University.” Oracle. (2008). “Oracle Data Mining Concepts.”

Vol. 1, Oktober 2015 ISSN : 2460 – 4690

Padhy, Neelamadhab., Mishra, Dr.Pragnyaban., and Panigrahi, Rasmita. (2012). “Journal The Survey Of Data Mining Application And Feature Scope.” Tajunisha, dan Saravanan. (2011). “Journal An Efficient Method To Improve The Clustering Performance For High Dimensional Data By Principal Component Analysis And Modified K-Means.” Witten, Ian H., Frank, Eibe., and Hall, Mark A. (2011). “Data Mining : Practical Machine Learning Tools and Techniques.”


41

METODE NON HIERARCHY ALGORITMA K-MEANS DALAM MENGELOMPOKKAN

Recommend Documents