BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
Pada bab ini akan dijelaskan tentang proses pengimplementasian algoritma hierarchical clustering dan k-means pada sistem, sesuai perancangan sistem yang
telah dilakukan di Bab 3 serta melakukan pengujian sistem yang telah dibangun.
4.1. Implementasi Sistem
Pada tahap ini, algoritma hierarchical clustering dan k-means akan diimplementasikan ke dalam sistem dengan menggunakan bahasa pemrograman PHP dan database
MySQL sesuai perancangan yang telah dilakukan.
4.1.1. Spesifikasi Perangkat Keras dan Lunak yang Digunakan Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun
sistem ini adalah sebagai berikut: 1. Prosesor Intel®Core
TM
i5-2450M CPU 2.5 GHz. 2. Kapasitas hardisk 750 GB.
3. Memori RAM yang digunakan 4 GB. 4. Sistem operasi yang digunakan adalah Microsoft Windows 7 Home Premium.
5. Web server yang digunakan adalah XAMPP versi 3.2.1 6. Database MySQL versi 5.6.16
4.1.2. Implementasi Perancangan Antarmuka Adapun implementasi perancangan antarmuka yang telah dilakukan sebelumnya pada
sistem adalah: a. Halaman Home
Halaman home merupakan halaman tampilan awal saat system dijalankan. Pada halaman ini ditampilkan judul, nama pembuat sistem, nama dosen pembimbing 1
dan pembimbing 2.
Universitas Sumatera Utara
Gambar 4.1. Halaman Home
b. Halaman Proses Halaman proses merupakan halaman yang berisi tentang tampilan awal dari proses
clustering, yang mana user diminta untuk mengimputkan banyak cluster yang ingin di bentuk dari data base yang telah ada. Dalam halaman proses sendiri
terdapat beberapa button seperti proses clustering, hasil clustering, dan cek cluster.
Gambar 4.2. Halaman Proses
Universitas Sumatera Utara
Proses clustering akan ditampilkan ketika user memilih button “Proses
Clustering”. Proses cluster yang ditampilkan adalah proses perubahan centroid awal hingga centroid akhir yang terbentuk serta jarak antar masing-masing
clusternya dengan centroid-centroidnya.
Gambar 4.3. Halaman Proses Clustering
Proses iterasi tetap berlangsung hingga iterasi ke-17 yang mana pada saat iterasi tersebut data tidak lagi mengalami perpindahan cluster dari cluster yang
sebelumnya dengan perubahan centroid sebanyak 16 kali.
Gambar 4.3. Halaman Proses Clustering lanjutan
Universitas Sumatera Utara
Setelah melihat tampilan proses clustering, user dapat melihat hasil cluster dengan memilih button
“Hasil Clustering”. Pada tampilan hasil clustering dapat dilihat hasil cluster, keterangan warna cluster, dan menu sorting cluster. Pada hasil
cluster ditampilkan semua nama desa beserta yang diikuti denganwarna clusternya. Sedangkan pada keterangan warna ditampilkan bahwa setiap cluster
memiliki warna yang berbeda sehingga memudahkan user dalam membedakan tiap cluster dan diikuti dengan banyaknya anggota cluster. Untuk menu sorting
cluster merupakan menu untuk menampilkan desa - desa anggota suatu cluster sehingga lebih memudahkan user dalam melakukan pengelompokan.
Gambar 4.4. Halaman Hasil Clustering
Gambar 4.4. Halaman Hasil Clustering lanjutan
Universitas Sumatera Utara
Gambar 4.4. Halaman Hasil Clustering lanjutan
Gambar 4.4. Halaman Hasil Clustering lanjutan
Universitas Sumatera Utara
Gambar 4.4. Halaman Hasil Clustering lanjutan
Gambar 4.4. Halaman Hasil Clustering lanjutan
Universitas Sumatera Utara
Gambar 4.4. Halaman Hasil Clustering lanjutan
Selain menggunakan data yang ada dalam data base, user juga dapat mengelompokkan data yang berasal dari data diluar data base yang sudah
tersimpan. Namun data yang diinputkan haruslah data berekstensi “.csv” dan mengikuti format data tanpa header nama field. Untuk melakukan proses ini user
harus memilih button “Cek Cluster”.
Gambar 4.5. Halaman Cek Cluster
Universitas Sumatera Utara
Gambar 4.5. Halaman Cek Cluster lanjutan
Untuk melihat proses clustering seperti pada data sebelumnya, user juga harus memilih button
“Proses Clustering”.
Gambar 4.6. Halaman Proses Cek Cluster
Universitas Sumatera Utara
Gambar 4.6. Halaman Proses Cek Cluster lanjutan
Untuk melihat hasil cluster, user dapat memilih button “Hasil Clustering” seperti
pada tampilan berikut.
Gambar 4.7. Halaman Hasil Cek Cluster
Jika jenis file data yang diinputkan tidak sesuai dengan ekstensi yang diminta yaitu .csv, maka system tidak dapat memproses data. Tampillan untuk proses yang gagal
dapat dilihat pada gambar 4.8. yang mana file yang diinput berupa .pdf bukan .csv.
Universitas Sumatera Utara
Gambar 4.8. Halaman Proses Gagal
Gambar 4.8. Halaman Proses Gagal lanjutan
Untuk melihat cluster berapa yang merupakan kategori desa tertinggal, penulis menggunakan rumus sendiri berdasarkan parameter yang digunakan karena belum ada
ketetapan perhitungan untuk desa tertinggal itu sendiri. Parameter yang digunakan adalah :
1. Jarak kantor kepala desa terhadap kantor bupati. Jika jarak semakin jauh maka desa tersebut akan mendekati
kategori desa tertinggal. 2. Rasio jumlah sarana pendidikan per 100 penduduk.
Jika rasio semakin tinggi maka desa tersebut akan menjauhi kategori desa tertinggal.
3. Rasio jumlah sarana kesehatan per 100 penduduk. Jika rasio semakin tinggi maka desa tersebut akan menjauhi
kategori desa tertinggal. 4. Rasio jumlah tenaga kesehatan per 100 penduduk.
Jika rasio semakin tinggi maka desa tersebut akan menjauhi kategori desa tertinggal.
Universitas Sumatera Utara
5. Jumlah minimarket. Jika jumlah mininmarket semakin banyak maka desa tersebut akan
menjauhi kategori desa tertinggal 6. Persentase keluarga pertanian.
Jika persentase semakin tinggi maka desa tersebut akan mendekati kategori desa tertinggal.
7. Persentase keluarga pengguna listrik. Jika persentase semakin tinggi maka desa tersebut akan menjauhi
kategori desa tertinggal. 8. Persentase keluarga yang tinggal dibantaran sungai.
Jika persentase semakin tinggi maka desa tersebut akan mendekati kategori desa tertinggal.
9. Rasio penderita gizi buruk per 1000 penduduk. Jika rasio semakin tinggi maka desa tersebut akan mendekati
kategori desa tertinggal.
Tabel 4.1. Perhitungan Total Jarak Cluster Terhadap Centroidnya
Centroid Cluster
V01 V02
V03 V04
V05 V06
V07 V08
V09 1
18.90356 0.199972
0.337418 0.364296
0.135285 0.819938
0.785436 0.013838
1.407293 2
7.75 0.145704
0.20643 0.253165
42.78571 0.50137
0.964617 0.006541
0.139593 3
4.375805 0.190542
0.324374 0.314598
0.18366 0.691452
0.8855 0.014162
0.656347 4
80.27258 0.21514
0.447367 0.464963
0.016129 0.747814
0.692093 0.045808
2.363682 5
7.585 0.29531
0.173536 0.575032
0.142857 0.801733
0.27264 0.045496
155.9393 Total
118.8869 1.046668
1.489125 1.972055
43.26364 3.562307
3.600285 0.125846
160.5062
Dari tabel 4.1 dapat diketahui jarak total cluster terhadap centroidnya, sehingga dapat dicari rata-rata jarak cluster tersebut yang dapat dilihat pada tabel 4.2.
Tabel 4.2. Perhitungan Jarak Rata-Rata Cluster
Centroid Cluster
V01 V02
V03 V04
V05 V06
V07 V08
V09 1
0.159005 0.191056
0.226588 0.184729
0.003127 0.230171
0.218159 0.109958
0.008768 2
0.065188 0.139207
0.138625 0.128376
0.988953 0.140743
0.267928 0.05198
0.00087 3
0.036806 0.182046
0.217828 0.159528
0.004245 0.194102
0.245953 0.112533
0.004089 4
0.675201 0.205548
0.300423 0.235776
0.000373 0.209924
0.192233 0.364002
0.014726 5
0.0638 0.282143
0.116535 0.291591
0.003302 0.22506
0.075727 0.361527
0.971547 Jumlah
1 1
1 1
1 1
1 1
1
Universitas Sumatera Utara
Dari tabel 4.2 terdapat jarak rata-rata masing-masing cluster terhadap centroidnya berdasarkan setiap parameter. Yang mana jumlah dari semua rata-rata tiap cluster
untuk setiap parameter adalah 1, maka itulah yang akan menjadi tolak ukur penentuan cluster mana yang dikategorikan tertinggal. Karena dari analisi penulis sebelumnya
bahwa pada V01, V06, V08, dan V09 jika semakin tinggi nilainya maka semakin dekat dengan kategori desa tertinggal, jika menjauhi nilai 1 yang merupakan jumlah
nilai rata-rata maka akan menjauhi kategori desa tertinggal sebaliknya dengan V02, V03, V04, V05 dan V07 jika mendekati jumlah nilai rata-rata maka akan menjauhi
kategori desa tertinggal.
Tabel 4.3. Perhitungan Jarak Rata-Rata Cluster Terhadap Jumlah Rata-Rata
Centroid Cluster
V01 V02
V03 V04
V05 V06
V07 V08
V09 1
0.840995 0.191056
0.226588 0.184729
0.003127 0.769829
0.218159 0.890042
0.991232 2
0.934812 0.139207
0.138625 0.128376
0.988953 0.859257
0.267928 0.94802
0.99913 3
0.963194 0.182046
0.217828 0.159528
0.004245 0.805898
0.245953 0.887467
0.995911 4
0.324799 0.205548
0.300423 0.235776
0.000373 0.790076
0.192233 0.635998
0.985274 5
0.9362 0.282143
0.116535 0.291591
0.003302 0.77494
0.075727 0.638473
0.028453
Tabel 4.4. Total Jarak Cluster Terhadap Semua Parameter
Centroid Cluster
Total V01 - V09 1
4.315758628 2
5.404308496 3
4.462069306 4
3.670499023 5
3.147364548
Dari tabel 4.4 dapat dilihat bahwa jarak paling jauh dengan jumlah rata-rata adalah 5.404308496
yaitu berada pada cluster 2 yang mana merupakan cluster yang dapat diketegorikan sebagai cluster desa yang maju sedangkan jarak yang paling dekat
adalah 3.147364548 yaitu berada pada cluster 5 yang dapat dikategorikan sebagai cluster desa yang tertinggal.
Untuk menampilkan grafik perbandingan cluster dengan rata-rata cluster lainnya, user hanya mengklik kotak warna pada keterangan cluster dan akan ditampilkan grafik
seperti berikut ini.
Universitas Sumatera Utara
Gambar 4.9. Perbandingan Cluster Maju Dengan Rata-Rata Cluster
Dari gambar 4.9 dapat dilihat bahwa pada cluster ini jumlah minimarket yang ada jauh lebih banyak daripada cluster lainnya dan penderita gizi buruk yang hamper tidak ada.
Meskipun jarak kantor kepala desa dengan jarak kantor bupati masih jauh namun parameter yang lain masih mengikuti jumlah rata-rata pada cluster yang lainnya.
Gambar 4.10. Perbandingan Cluster Menuju Maju Dengan Rata-Rata Cluster
Pada gambar 4.10 dapat dilihat bahwa pada cluster ini bahwa hampir tidak ada warga desa yang tinggal dibantaran sungai namun masih ada yang mengalami gizi buruk.
Dan sangat sedikit sarana dan tenaga kesehatan, pendidikan. .
Universitas Sumatera Utara
Gambar 4.11. Perbandingan Cluster Sedang Dengan Rata-Rata Cluster
Gambar 4.12. Perbandingan Cluster Menuju Sedang Dengan Rata-Rata Cluster
Gambar 4.13. Perbandingan Cluster Tertinggal Dengan Rata-Rata Cluster
Dari gambar 4.13 dapat dilihat bahwa pada cluster ini, rasio tingkat gizi buruk sangat tinggi mencapai 155 jauh diatas rata-rata dan untuk parameter yang lainnya mengikuti
rata-rata dan tidak berbeda terlalu jauh.
Universitas Sumatera Utara
4.2. Pengujian Sistem
Kategori