METODOLOGI PENELITIAN HASIL DAN PEMBAHASAN

DAFTAR ISI Halaman HALAMAN JUDUL PENGESAHAN PERNYATAAN PERSETUJUAN PANITIA PENGUJI RIWAYAT HIDUP UCAPAN TERIMA KASIH ABSTRAK i ABSTRACK ii DAFTAR ISI iii DAFTAR GAMBAR v DAFTAR TABEL vi BAB 1 PENDAHULUAN 1 1.1 Latar Belakang Masalah 1 1.2 Perumusan Masalah 3 1.3 Batasan Masalah 4 1.4 Tujuan Penelitian 4 1.5 Manfaat Penelitian 4 BAB 2 TINJAUAN PUSTAKA 5 2.1 Defenisi Data 5 2.1.1. Jenis Data Berdasarkan sifatnya 5 2.1.2. Jenis Data Menurut Subernya 7 2.1.3. Jenis Data Menurut Cara Memperolehnya 7 2.1.4. Jenis Data Menurut Waktu Pengumpulannya 7 2.2 Data Mining 8 2.3 Proses Data Mining 11 2.4 Clustering 12 2.5 Algoritma Clustering 14 2.5.1. Clustering Hirarki 19 2.5.2. Clustering Partisional Partitional Clustering 20 2.6 Sum Of Squared Error SSE 25 2.7 Distance Space Untuk Menghitung Jarak Antara Data dan Centroid 26 2.7.1. Jarak Euclidean 26 2.7.2. Jarak Menhattan 27 2.7.3. Jarak Pearson 27 2.8 Riset Terkait 28 2.9 Perbedaan Dengan Riset Sebelumnya 29

BAB 3 METODOLOGI PENELITIAN

30 3.1 Pendahuluan 30 Universitas Sumatera Utara 3.2 Transformasi Data 30 3.3 Perancangan Algoritma 31 3.4 Teknik Pengembangan 32

BAB 4 HASIL DAN PEMBAHASAN

34

4.1 Pendahuluan

34 4.2 Hasil Uji Coba 34 4.3 Data 34 4.4 Transformasi Data 35 4.5 Hasil Uji Coba 37 4.6 Solusi Pertama pada Iterasi Pertama 37 4.6.1. Pusat Cluster Pertama pada Solusi Pertama 37 4.6.2. Perhitungan Nilai SSE pada Iterasi Pertama 37 4.6.3. Pencapaian Nilai SSE Minimum pada Setiap Iterasi 39 4.7 Grafik Pencarian Nilai SSE Terbaik pada Setiap Iterasi 41

4.8 Grafik Perbandingan Nilai SSE Terbaik dan Terburuk

42 4.9 Pusat Cluster yang Paling Optimum 43

4.10 Jarak Euclidean

43 4.10.1. Perhitungan Jarak Setiap Data ke Pusat Cluster Pada Iterasi Pertama 43 4.10.2. Perhitungan Jarak Setiap Data ke Pusat Cluster Pada Iterasi Kedua 46 4.10.3. Perhitungan Jarak Setiap Data ke Pusat Cluster Pada Iterasi Ketiga 50 4.11 Hasil Clustering Dengan Pusat Cluster yang Paling Optimum 50 BAB 5 KESIMPULAN DAN SARAN 55 5.1 Kesimpulan 55 5.2 Saran 56 DAFTAR PUSTAKA LAMPIRAN Universitas Sumatera Utara DAFTAR GAMBAR Nomor Gambar J u d u l Halaman 2.1. Perancangan Proses Data Mining 12 2.2. Contoh Proses Clustering 15 2.3 Flowhchart Algoritma Metode K-Means Clustering 23 3.1. Flowchart Modified K-Means Clustering Berbasis SSE 31 3.2. Langkah-langkah Penelitian 33 4.2. Grafik Pencarian Nilai SSE 42 4.3. Grafik Perbandingan Nilai SSE Terbaik dan SSE Terburuk 42 Universitas Sumatera Utara DAFTAR TABEL Nomor Tabel J u d u l Halaman 2.1. Riset-Riset Terkait 28 4.1. Data Awal 35 4.2. Inisialisasi Data Wilayah Kota Asal 35 4.3 Inisialisasi Data Pekerjaan 36 4.4. Kesuluruhan Data yang Telah Diinisialisasikan 36 4.5. Titik Pusat Cluster Pada Solusi Pertama 37 4.6. Hasil Perhitungan Nilai SSE Pada Iterasi Pertama 38 4.7. Nilai SSE yang Paling Minimum Pada Iterasi Pertama 38 4.8. NIlai SSE dalam 20 Iterasi 39 4.9. Tabel Pencapaian Nilai SSE pada Setiap Iterasi 40 4.10. Pencapaian Nilai SSE Minimum pada Setiap Iterasi 41 4.11. Pusat Cluster Optimum 43 4.12. Jarak Setiap Data Pasien ke Titik Centroid pada Iterasi Ke-1 44 4.13. Pusat Cluster pada Iterasi Ke-2 46 4.14. Jarak Setiap Data Pasien ke Titik Centroid pada Iterasi Ke-2 48 4.15. Pusat Cluster pada Iterasi Ke-3 50 Universitas Sumatera Utara ABSTRAK Salah satu teknik yang dikenal dalam Data Mining yaitu clustering. Pengertian clustering keilmuan dalam data mining adalah pengelompokan sejumlah data atau objek ke dalam cluster group sehingga setiap dalam cluster tersebut akan berisi data yang semirip mungkin dan berbeda dengan objek dalam cluster yang lainnya.Ada dua jenis data clustering yang sering dipergunakan dalam proses pengelompokan data yaitu hierarchical hirarki data clustering dan non hierarchical non hirarki data clustering. K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih clustekelompok. Metode K-means merupakan metode clustering yang paling sederhana dan umum. Hal ini dikarenakan K-means mempunyai kemampuan mengelompokkan data dalam jumlah yang cukup besar dengan waktu komputasi yang relatif cepat dan efisien. Namun, K-means mempunyai mempunyai kelemahan yang diakibatkan oleh penentuan pusat awal cluster. Hasil cluster yang terbentuk dari metode K-means ini sangatlah tergantung pada inisiasi nilai pusat awal cluster yang diberikan. Hal ini menyebabkan hasil clusternya berupa solusi yang sifatnya local optimal. Pada penelitian ini akan dilakukan modifikasi K-Mean Clustering untuk pencarian pusat cluster yang paling optimum berbasis Sum of Squared Error SSE.Dari proses modifikasi ini, diharapkan pusat cluster yang diperoleh nantinya akan menghasilkancluster - cluster, dimana antar anggota cluster memiliki tingkat kemiripan yang tinggi. Kata Kunci : Modifikasi Algoritma K-Means Clustering,Pusat Cluster, Sum of Squared ErrorSSE Universitas Sumatera Utara MODIFIED ALGORITHM K-MEANS CLUSTERING BASED ON THE DETERMINATION CLUSTER CENTRE BASED SUM OF SQUARED ERROR SSE ABSTRACT One of techniques popular inData Mining is clustering. Defenition clustering in scientific from data miningis some of data or objectsin one group or clusters into cluster so each cluster will containthedataas closely aspossibleanddifferent objects in another cluster. Thereare twomethodsof dataclusteringis often used inthe process ofgroupingthe datathat arehierarchicalhierarchy andnon-hierarchical clusteringof datanon-hierarchical clusteringof data. K-Means is one method fromnon-hierarchical clusteringof data this methodmake partition data theavailable datainonecluster ormore. MethodsK-Means clustering isthe mostsimple andgeneral. This is becauseK-means have abilityto groupingdata ina fairlylargeamountwith computingtimeisrelativelyfastandefficient. ButK-means hashadweakness becausebythe determination ofinitialclustercenters. The results ofthe clusterformed byK-means clustering methodis verydependenton theinitiationvalue ofthe starting pointcluster. This leads aclusterresultsbelocaloptimalsolution. In this research willbe modifiedK-Mean Clusteringforsearchthe clustercenters in the best optimal basedSumofSquaredErrorSSE. From modificationprocess, be expectedclustercenterobtainedwill be result clusters-clusters, where theevery members cluster havea highdegree ofsimilarity. Keyword : Modified Algorithm K-Means Clustering, Cluster Centre, Sum of Squared Error SSE Universitas Sumatera Utara

BAB I PENDAHULUAN