Institutional Repository | Satya Wacana Christian University: Perancangan Clustering Data Menggunakan Algoritma K-Means Berbasis Heat Map T1 672010122 BAB IV
9. return(array ($centroidBaru, $clusters));
10. }
11. $centroidLama = $centroidBaru;
12. }
(9)
Data yang dimasukkan oleh user adalah data mengenai potensi bahan tambang di Provinsi Papua Barat dengan jumlah titik sebanyak 79 titik. Berdasarkan hasil clustering pada Gambar 12, dapat dilihat bahwa nilai K yang dimasukkan oleh user adalah dua sehingga jumlah cluster yang dibuat juga sebanyak dua cluster. Selain itu, juga terdapat link Lihat Peta yang dapat digunakan untuk melihat peta dari hasil clustering yang sudah dilakukan.
4.1.3 Proses Konversi Data Ke Data Spasial
Setelah melakukan clustering data, data yang sudah dinormalisasi harus dikembalikan ke dalam bentuk spasial terlebih dahulu dan kemudian ditampilkan menggunakan Heatmap. Pengkodean untuk mengembalikan data ke dalam bentuk spasial dapat dilihat pada Kode Program 4.6.
Kode Program 4.6 Mengembalikan Data Spasial
1. $setData = normal($namadb, $kolom1, $kolom2);
2. $B = $setData[0]; 3. $minA = $setData[1]; 4. $maxA = $setData[2]; 5. $C = $setData[3]; 6. $D = $setData[4]; 7. .
8. for($i=0; $i<count($B); $i++) {
9. $x = round(($B[$i][0]/(($D[0]-$C[0])+$C[0]))*
($maxA[0][0]-$minA[0][0])+$minA[0][0], 6);
10. $y = round(($B[$i][1]/(($D[1]-$C[1])+$C[1]))*
($maxA[0][1]-$minA[0][1])+$minA[0][1], 6);
11. .
12. .
13. .
14. .
15. .
16. .
(10)
Kode Program 4.6 merupakan pengkodean untuk mengembalikan data yang sudah dinormalisasi menjadi data spasial. Pada kode program tersebut dapat dilihat bahwa program memanggil fungsi normal yang berfungsi untuk mengambil data yang akan dikembalikan. Proses pengembalian data menjadi bentuk spasial terdapat pada baris 7 sampai baris 9 dari Kode Program 4.6. Setelah berhasil mengembalikan data dalam bentuk spasial, data akan ditampilkan menggunakan Heatmap.
4.1.4 Proses Menampilkan Data
Data yang telah dikelompokkan dan dikonversi kembali dalam bentuk spasial akan ditampilkan menggunakan Heatmap. Berdasarkan kasus yang digunakan dalam penelitian ini, maka daerah yang berpotensi menghasilkan bahan tambang akan berwarna merah. Pengkodean untuk menampilkan data tersebut dapat dilihat pada Kode Program 4.7.
(11)
Kode Program 4.7 Menampilkan Data Dengan Heatmap
Kode Program 4.7 merupakan potongan dari fungsi initialize dengan parameter nama database yang digunakan. Fungsi tersebut dijalankan program untuk menampilkan data yang sudah dikelompokkan melalui clustering menggunakan Heatmap. Baris 1 dari Kode Program 4.7 memanggil data yang sudah dikembalikan ke dalam bentuk spasial sebelumnya. Data tersebut kemudian digunakan oleh fungsi initialize untuk ditampilkan dalam peta seperti yang terlihat pada baris 5 sampai baris 7 dari Kode Program 4.7 dan kemudian disimpan dalam
1. downloadUrl("../Skripsi/fungsi/map_xml.php?namadb="+
namadb, function(data) {
2. var xml = data.responseXML;
3. var markers = xml.documentElement.
getElementsByTagName("marker");
4. for (var i = 0; i < markers.length; i++) {
5. var nama = markers[i].getAttribute("nama");
6. var cluster = markers[i].getAttribute
("cluster");
7. var point = new google.maps.LatLng
(parseFloat(markers[i]. getAttribute("lat")), parseFloat(markers[i].
getAttribute("lng")));
8. disk_points.push(point);
9. var html = "<b>" + nama + "</b><br>Anggota <i>cluster</i> " + cluster;
10. var marker = new google.maps.Marker({
position: point});
bindInfoWindow(marker, map, infoWindow, html);
marker_array.push(marker);
11. }
12. });
13. pointArray = new google.maps.MVCArray(disk_points);
14. heatmap = new google.maps.visualization.
HeatmapLayer({
15. data: pointArray
16. });
17. heatmap.set('radius', 25);
18. heatmap.set('gradient', gradient);
(12)
variabel pointArray pada baris 13. Pengkodean untuk menampilkan data dalam variabel pointArray dengan Heatmap terdapat pada baris 17 sampai baris 19 dari Kode Program 4.7. Data yang ditampilkan oleh Heatmap dapat dilihat pada Gambar 4.2.
Gambar 4.2 Peta Hasil Clustering
Gambar 4.2 menunjukkan hasil clustering dari data yang dimasukkan oleh user. Dari gambar tersebut dapat dilihat bahwa daerah yang berpotensi menghasilkan bahan tambang berwarna merah. Pada gambar tersebut juga terdapat form Tambah Objek Baru yang dapat digunakan jika user ingin menambah objek baru. Jika gambar tersebut diperbesar, maka akan ditampilkan detail dari masing-masing titik berupa informasi mengenai objek yang terdapat pada titik tersebut seperti yang ditunjukkan pada Gambar 4.3.
(13)
Gambar 4.3 Informasi Objek Tiap Titik
4.2 Pengujian
4.2.1 Black Box Testing
Setelah melakukan implementasi terhadap perancangan yang telah dibuat, maka tahap selanjutnya dalam penelitian ini adalah pengujian. Pengujian yang dilakukan yaitu Black Box Testing. Black Box Testing bisa juga disebut sebagai functional testing, sebab pengujian dilakukan pada tiap fungsi yang ada pada program (Saleh, 2009).
Pada pengujian dengan Black Box Testing, akan diuji validitas dari fungsi-fungsi yang ada. Fungsi yang berhasil ditandai dengan (), sedangkan fungsi yang gagal ditandai dengan (). Hasil dari pengujian tersebut dapat dilihat pada Tabel 4.1.
(14)
Tabel 4.1 Hasil Black Box Testing
FUNGSI SKENARIO INPUT HASIL VALIDITAS
Upload File Mengunggah dokumen data objek Dokumen Excel Dokumen berhasil diunggah
Normalisasi Mengubah data spasial ke dalam bentuk Kartesius Latitude dan Longitude objek Data berhasil dinormalisasi
Clustering Mengelompookan objek ke dalam cluster Nilai K dan Dokumen Excel Setiap cluster memiliki objeknya masing-masing
View Map Menampilkan peta hasil clustering Menekan link Lihat Peta Daerah hasil clustering berwarna merah
Insert Data Menambahkan data objek yang baru pada peta
Menekan titik objek yang diinginkan dan tombol TAMBAH Jumlah objek bertambah, anggota cluster berubah
Black Box Testing dilakukan oleh programmer yang membuat program tersebut, dalam hal ini peneliti. Fungsi-fungsi yang digunakan untuk melakukan clustering diuji melalui Black Box Testing tersebut. Berdasarkan hasil pengujian pada Tabel 4.1, setiap fungsi sudah berjalan dengan baik atau valid.
(15)
4.2.2 Pengujian Penelitian
Selain Black Box Testing, juga dilakukan pengujian terhadap penelitian yang dilakukan. Pengujian ini dilakukan untuk melihat kembali tujuan dari penelitian ini, yaitu clustering data spasial. Pengujian dilakukan melalui nilai K yang dimasukkan. Hasil dari pengujian tersebut dapat dilihat pada Tabel 4.2.
Tabel 4.2 Hasil Pengujian Penelitian
Nilai K Durasi
Clustering
Jumlah
Anggota Nilai K
Durasi
Clustering
Jumlah Anggota 1 28.6 detik Cluster 1 : 79
8 34 detik
Cluster 1 : 1 2 30.5 detik Cluster 1 : 40 Cluster 2 : 3 Cluster 2 : 39 Cluster 3 : 3 3 28.6 detik
Cluster 1 : 30 Cluster 4 : 21 Cluster 2 : 38 Cluster 5 : 10 Cluster 3 : 11 Cluster 6 : 20
4 29.8 detik
Cluster 1 : 10 Cluster 7 : 11 Cluster 2 : 27 Cluster 8 : 10 Cluster 3 : 32
9 34.1 detik
Cluster 1 : 1 Cluster 4 : 10 Cluster 2 : 3
5 31.9 detik
Cluster 1 : 11 Cluster 3 : 3 Cluster 2 : 27 Cluster 4 : 14 Cluster 3 : 27 Cluster 5 : 10 Cluster 4 : 3 Cluster 6 : 22 Cluster 5 : 11 Cluster 7 : 13
6 35.3 detik
Cluster 1 : 7 Cluster 8 : 3 Cluster 2 : 18 Cluster 9 : 10 Cluster 3 : 17
10 32.9 detik
Cluster 1 : 1 Cluster 4 : 23 Cluster 2 : 1 Cluster 5 : 3 Cluster 3 : 3
(16)
Cluster 6 : 11 Cluster 4 : 2
7 34.1 detik
Cluster 1 : 5 Cluster 5 : 14 Cluster 2 : 6 Cluster 6 : 10 Cluster 3 : 21 Cluster 7 : 22 Cluster 4 : 11 Cluster 8 : 13 Cluster 5 : 23 Cluster 9 : 3 Cluster 6 : 3 Cluster 10 : 10 Cluster 7 : 10
Pada Tabel 4.2 dapat dilihat bahwa semakin besar nilai K yang diberikan tidak mempengaruhi durasi clustering. Hal ini terlihat dari durasi clustering yang terus berubah-ubah untuk tiap nilai K. Berdasarkan hasil tersebut, dapat dikatakan bahwa durasi clustering tidak bergantung pada nilai K yang diberikan.
Selain itu, hasil yang diperoleh dari pengujian penelitian yaitu mendapatkan daerah yang paling berpotensi menghasilkan bahan tambang. Hasil tersebut dapat dilihat pada Gambar 4.4.
(17)
Gambar 4.4 Hasil Pengujian Penelitian
Gambar 4.4 menunjukkan hasil clustering dengan nilai K empat, sehingga ada empat cluster yang dibuat dari proses clustering tersebut. Pada Tabel 4.2 dapat dilihat bahwa cluster terbaik untuk menghasilkan potensi tambang dengan nilai K empat adalah cluster tiga, sedangkan pada Gambar 4.4 dapat dilihat bahwa cluster terbaik untuk menghasilkan potensi tambang adalah cluster dua. Perbedaan ini disebabkan karena centroid yang digunakan dalam Algoritma K-Means ditentukan secara acak.
Centroid 1 Centroid 2
Centroid 3
(1)
variabel pointArray pada baris 13. Pengkodean untuk menampilkan data dalam variabel pointArray dengan Heatmap terdapat pada baris 17 sampai baris 19 dari Kode Program 4.7. Data yang ditampilkan oleh Heatmap dapat dilihat pada Gambar 4.2.
Gambar 4.2 Peta Hasil Clustering
Gambar 4.2 menunjukkan hasil clustering dari data yang dimasukkan oleh user. Dari gambar tersebut dapat dilihat bahwa daerah yang berpotensi menghasilkan bahan tambang berwarna merah. Pada gambar tersebut juga terdapat form Tambah Objek Baru yang dapat digunakan jika user ingin menambah objek baru. Jika gambar tersebut diperbesar, maka akan ditampilkan detail dari masing-masing titik berupa informasi mengenai objek yang terdapat pada titik tersebut seperti yang ditunjukkan pada Gambar 4.3.
(2)
Gambar 4.3 Informasi Objek Tiap Titik
4.2 Pengujian
4.2.1 Black Box Testing
Setelah melakukan implementasi terhadap perancangan yang telah dibuat, maka tahap selanjutnya dalam penelitian ini adalah pengujian. Pengujian yang dilakukan yaitu Black Box Testing. Black Box Testing bisa juga disebut sebagai functional testing, sebab pengujian dilakukan pada tiap fungsi yang ada pada program (Saleh, 2009).
Pada pengujian dengan Black Box Testing, akan diuji validitas dari fungsi-fungsi yang ada. Fungsi yang berhasil ditandai dengan (), sedangkan fungsi yang gagal ditandai
(3)
Tabel 4.1 Hasil Black Box Testing
FUNGSI SKENARIO INPUT HASIL VALIDITAS
Upload File Mengunggah
dokumen data objek Dokumen Excel Dokumen berhasil diunggah
Normalisasi Mengubah data
spasial ke dalam bentuk Kartesius Latitude dan Longitude objek Data berhasil dinormalisasi
Clustering Mengelompookan
objek ke dalam
cluster Nilai K dan Dokumen Excel Setiap cluster memiliki objeknya masing-masing
View Map Menampilkan
peta hasil
clustering
Menekan
link Lihat Peta Daerah hasil clustering berwarna merah
Insert Data Menambahkan
data objek yang baru pada peta
Menekan titik objek yang diinginkan dan tombol TAMBAH Jumlah objek bertambah, anggota cluster berubah
Black Box Testing dilakukan oleh programmer yang membuat program tersebut, dalam hal ini peneliti. Fungsi-fungsi yang digunakan untuk melakukan clustering diuji melalui Black Box Testing tersebut. Berdasarkan hasil pengujian pada Tabel 4.1, setiap fungsi sudah berjalan dengan baik atau valid.
(4)
4.2.2 Pengujian Penelitian
Selain Black Box Testing, juga dilakukan pengujian terhadap penelitian yang dilakukan. Pengujian ini dilakukan untuk melihat kembali tujuan dari penelitian ini, yaitu clustering data spasial. Pengujian dilakukan melalui nilai K yang dimasukkan. Hasil dari pengujian tersebut dapat dilihat pada Tabel 4.2.
Tabel 4.2 Hasil Pengujian Penelitian
Nilai K Durasi
Clustering
Jumlah
Anggota Nilai K
Durasi
Clustering
Jumlah Anggota
1 28.6 detik Cluster 1 : 79
8 34 detik
Cluster 1 : 1
2 30.5 detik Cluster 1 : 40 Cluster 2 : 3
Cluster 2 : 39 Cluster 3 : 3
3 28.6 detik
Cluster 1 : 30 Cluster 4 : 21
Cluster 2 : 38 Cluster 5 : 10
Cluster 3 : 11 Cluster 6 : 20
4 29.8 detik
Cluster 1 : 10 Cluster 7 : 11
Cluster 2 : 27 Cluster 8 : 10
Cluster 3 : 32
9 34.1 detik
Cluster 1 : 1
Cluster 4 : 10 Cluster 2 : 3
5 31.9 detik
Cluster 1 : 11 Cluster 3 : 3
Cluster 2 : 27 Cluster 4 : 14
Cluster 3 : 27 Cluster 5 : 10
Cluster 4 : 3 Cluster 6 : 22
Cluster 5 : 11 Cluster 7 : 13
6 35.3 detik
Cluster 1 : 7 Cluster 8 : 3
Cluster 2 : 18 Cluster 9 : 10
(5)
Cluster 6 : 11 Cluster 4 : 2
7 34.1 detik
Cluster 1 : 5 Cluster 5 : 14
Cluster 2 : 6 Cluster 6 : 10
Cluster 3 : 21 Cluster 7 : 22
Cluster 4 : 11 Cluster 8 : 13
Cluster 5 : 23 Cluster 9 : 3
Cluster 6 : 3 Cluster 10 : 10
Cluster 7 : 10
Pada Tabel 4.2 dapat dilihat bahwa semakin besar nilai K yang diberikan tidak mempengaruhi durasi clustering. Hal ini terlihat dari durasi clustering yang terus berubah-ubah untuk tiap nilai K. Berdasarkan hasil tersebut, dapat dikatakan bahwa durasi
clustering tidak bergantung pada nilai K yang diberikan.
Selain itu, hasil yang diperoleh dari pengujian penelitian yaitu mendapatkan daerah yang paling berpotensi menghasilkan bahan tambang. Hasil tersebut dapat dilihat pada Gambar 4.4.
(6)
Gambar 4.4 Hasil Pengujian Penelitian
Gambar 4.4 menunjukkan hasil clustering dengan nilai K empat, sehingga ada empat cluster yang dibuat dari proses
clustering tersebut. Pada Tabel 4.2 dapat dilihat bahwa cluster
terbaik untuk menghasilkan potensi tambang dengan nilai K empat adalah cluster tiga, sedangkan pada Gambar 4.4 dapat dilihat bahwa cluster terbaik untuk menghasilkan potensi tambang adalah cluster dua. Perbedaan ini disebabkan karena
centroid yang digunakan dalam Algoritma K-Means ditentukan secara acak.
Centroid 1 Centroid 2
Centroid 3