Implementasi metode probabilistic distance clustering (pdc) untuk klasifikasi pintu kayu jati
IMPLEMENTASI METODE PROBABILISTIC DISTANCE CLUSTERING
(PDC) UNTUK KLASIFIKASI PINTU KAYU JATI SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun oleh : DESKA MUHAMMAD FAISAL NIM. M0509019 JURUSAN INFORMATIKA FAKULTAS MATEMATIKA & ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2013 commit to user commit to user
commit to userIMPLEMENTASI METODE PROBABILISTIC DISTANCE CLUSTERING
(PDC)
UNTUK KLASIFIKASI PINTU KAYU JATI
DESKA MUHAMMAD FAISAL
Jurusan Informatika. Fakultas MIPA. Universitas Sebelas Maret.
ABSTRAK
Suatu industri kayu jati yang mengolah kayu jati menjadi beberapa produk mebel mempunyai 120 produk jenis pintu. Perbedaan jenis pintu tergantung bahan baku kayu jati yang digunakan dan waktu pengerjaan pintu. Banyaknya jenis pintu membutuhkan pengklasifikasian pintu-pintu untuk mempermudah dalam pengelolaan pintu. Kriteria yang digunakan untuk klasifikasi pintu adalah biaya bahan baku dan waktu pengerjaan pintu. Proses klasifikasi dapat dilakukan dengan teknik clustering menggunakan metode Probabilistic Distance Clustering
(PDC) . Dalam PDC langkah awal yang dilakukan adalah menentukan pusat
cluster awal dan jumlah cluster terlebih dahulu.Pada penelitian ini dipaparkan perbandingan hasil proses clustering antar
praprocessing clustering dalam metode PDC untuk mengklasifikasikan pintu
kayu jati. Praprocessing clustering adalah teknik pengambilan pusat cluster awal dengan simple random atau stratified random, serta proses penyederhanaan data
clustering yaitu data dinormalisasi atau data disederhanakan ke ratusan ribuan
(tanpa normalisasi). Ada 4 (empat) praprocessing clustering yaitu pengambilan
- – pusat cluster awal simple random dengan data dinormalisasi (simple random
normalisasi ), simple random-tanpa normalisasi, stratified random-normalisasi,
stratified random -tanpa normalisasi. Untuk mengetahui jumlah cluster optimal
digunakan persamaan Pseudo-F. Jumlah cluster yang optimal adalah yang mempunyai nilai Pseudo-F terbesar dan menghasilkan hasil clustering yang efektif.
Hasil penelitian menunjukkan bahwa stratified random-tanpa normalisasi menghasilkan rata-rata jumlah iterasi sedikit, rata-rata nilai e (toleransi error) kecil, rata-rata waktu proses clustering cepat, dan rata-rata JDF (Joint Distance
Function) rendah sehingga lebih efektif dibandingkan preprocessing clustering
lain. Jumlah cluster yang optimal adalah 4 cluster karena mempunyai nilai
Pseudo-F tinggi dan menghasilkan rata-rata jumlah iterasi sedikit yaitu 23,75,
menghasilkan rata-rata nilai e kecil yaitu 0,08 dan membutuhkan rata-rata waktu proses clustering cepat yaitu 0,969 detik dan tidak menghasilkan jumlah iterasi di atas 100 iterasi.
Kata Kunci: normalisasi, probabilistic distance clustering, pseudo-f, simple
random, stratified random.commit to user
IMPLEMENTATION OF PROBABILISTIC DISTANCE CLUSTERING
(PDC) METHOD FOR CLASSIFICATION TEAK WOOD DOOR
DESKA MUHAMMAD FAISAL
Department of Informatic. Mathematic and Science Faculty.Sebelas Maret University
ABSTRACT A teak industry can produce some furniture products from teak wood up to
120 kinds of doors. Their differences depend on lots of teak wood material and the
production time. Classification of doors is needed in order to ease the
management process of doors. Criteria used for the classification process are the
materials cost and production time. The doors classification process uses
clustering technique with probabilistic distance clustering (PDC) method In the
first step of PDC, initial cluster center and the number of cluster must be
determinedThis research present the result comparison of preprocessing clustering in
doors classification using PDC method. Preprocessing clustering is a technique
to take initial cluster centers with simple random or stratified random, and the
simplification of clustering data using data normalization or simplify the data into
thousand hundreds (non-normalization). There are four preprocessing clustering
: taking initial cluster centers with simple random and normalized data (simple
random - normalization), simple random - non-normalization, stratified random -
normalization, stratified random - non-normalization. The optimal cluster number
are determined using Pseudo-F equation. The number of clusters which have the
biggest value of Pseudo-F and produce effective clustering process is the optimal
number cluster.The result of research shows that stratified random
- – non-normalization
produces the lowest average of iteration number, the lowest average of e value
(error tolerance), the fastest average clustering processing time and the lowest
JDF (Joint Distance Function) so it is the most effective preprocessing clustering.
The optimal number of cluster for clustering process is 4, because it has high
value of Pseudo-F equation (number 3), produces low average of iterations
number that is 23,75, produces low average of e value that is 0.008, need fast
average of clustering process time that is 0,969 seconds and does not produce the
number of iterations more than 100.
Kata Kunci: normalization, probabilistic distance clustering, pseudo-f, simple
random, stratified random.commit to user
MOTTO “Sesungguhnya Shalatku, Ibadahku, Hidupku dan Matiku hanya untuk Allah semata” (Q.S. Al-An’aam: 162) “Karena sesungguhnya sesudah kesulitan itu ada kemudahan, sesungguhnya sesudah kesulitan itu ada kemudahan, Maka apabila kamu telah selesai (dari sesuatu urusan), kerjakanlah dengan sungguh-sungguh (urusan) yang lain ”
(Q.S. Al-Insyirah : 5-7)
“Sesungguhnya Allah tidak akan mengubah nasib suatu kaum kecuali kaum itu sendiri yang mengubah apa apa yang pada diri mereka.”
(Q.S. Ar-Ra'd : 11)
“Orang-orang menjadi begitu luar biasa ketika mereka mulai berpikir bahwa mereka bisa melakukan sesuatu. Saat mereka percaya pada diri mereka sendiri, mereka memiliki rahasia kesuksesan yang pertama.” (Norman Vincent Peale ) commit to user
commit to user
PERSEMBAHAN
Karya ini penulis persembahkan kepada :
“Ibu dan Ayah yang telah membesarkan dan senantiasa mendukung saya hingga
menjadi seperti sekarang ini” “Seluruh anggota keluarga yang telah banyak membantu doa agar selalu di mudahkan dalam segala urusan”“Teman-teman Informatika UNS khususnya angkatan 2009 untuk dukungan dan
kebersamaannya”KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah Subhanahu Wa Ta’ala yang senantiasa memberikan nikmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi dengan judul Implementasi Metode Probabilistic Distance
Clustering untuk Klasifikasi Pintu Kayu Jati , yang menjadi salah satu syarat wajib
untuk memperoleh gelar Sarjana Informatika di Universitas Sebelas Maret (UNS) Surakarta.
Penulis menyadari akan keterbatasan yang dimiliki, begitu banyak bimbingan, bantuan, serta motivasi yang diberikan dalam proses penyusunan skripsi ini. Oleh karena itu, ucapan terima kasih penulis sampaikan kepada : 1.
Bapak Ristu Saptono, S.Si., M.T selaku Dosen Pembimbing I yang penuh kesabaran membimbing, mengarahkan, dan memberi motivasi kepada penulis selama proses penyusunan skripsi ini, 2. Ibu Umi Salamah, S.Si.,M.Kom selaku Ketua Jurusan S1 Informatika dan
Dosen Pembimbing II yang penuh kesabaran membimbing, mengarahkan, dan memberi motivasi kepada penulis selama proses penyusunan skripsi ini,
3. Bapak Didiek Sri Wiyono S.T.,M.T selaku Pembimbing Akademik yang telah banyak memberi bimbingan dan pengarahan selama penulis menempuh studi di Jurusan Informatika FMIPA UNS 4. Bapak dan Ibu dosen serta karyawan di Jurusan Informatika FMIPA UNS yang telah mengajar penulis selama masa studi dan membantu dalam proses penyusunan skripsi ini, 5. Ibu, Bapak, kakak, adik, serta teman-teman informatika 2009 yang telah memberikan bantuan dan dukungan sehingga penyusunan skripsi ini dapat terselesaikan.
Penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak yang berkepentingan.
Surakarta, Oktober 2013 Penulis
commit to user
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i HALAMAN PERSETUJUAN ................................................................................. ii HALAMAN PENGESAHAN ................................................................................. iii ABSTRAK ........................................................................................................... iv ABSTRACT .............................................................................................................v i ii
1.2 Rumusan Masalah .........................................................................................4
1.3 Batasan Masalah ............................................................................................4
1.4 Tujuan Penelitian ...........................................................................................4
1.5 Manfaat Penelitian .........................................................................................5
2.1.1 Clustering ............................................................................................6
2.1.2 Probabilistic Distance Clustering (PDC) .............................................6
2.1.3 Pseudo-F .............................................................................................8
2.1.4 Kayu Jati .............................................................................................9
commit to user
2.1.5 Normalisasi ....................................................................................... 10
2.1.6 Teknik Random Sampling .................................................................. 11
2.2.1 Comparison of Probabilistic-D and k-Means Clustering in Segment
Profiles for B2B Markets (Depanjann Dey, Satish Garla dan Goutam Chakraborty,2011)...........................................
..................…………... 11
2.2.2 Familiarising Probabilistic Distance Clustering System Of Evolving
Awale Player (Randle Oluwarotimi Abayomi dan Keneilwe Zuva ,
2012)..................................................................................................... 12
2.2.3 Pengelompokan Kecamatan Di Pulau Madura Berdasarkan Sektor Pertanian Sebelum Dan Setelah Berdiri Jembatan Suramadu (Aizeh Mauludina, Dr. Ir. Setiawan, MS, 2012)............................................... 12
2.2.4 Segmentasi Pasar Dengan Ant-Kmeans Clustering (Budi Santosa, Patdono Suwignyo, 2010)..................................................................... 13
BAB III METODE PENELITIAN .......................................................................... 15
3.1 Tahap Persiapan .......................................................................................... 15
3.1.1 Study Literature ................................................................................. 15
3.1.2 Pengumpulan Data ............................................................................. 15
3.2 Tahap Pemodelan ........................................................................................ 15
3.2.1 Pemodelan Data ................................................................................. 15
3.2.2 Pemodelan Langkah Kerja ................................................................. 16
3.3 Tahap Implementasi .................................................................................... 19
3.3.1 Prediksi Jumlah Cluster Optimal dengan Pseudo-F............................ 19
3.3.2 Proses Clustering Metode Probabilistic Distance Clustering ............. 20
3.4 Tahap Pengujian .......................................................................................... 23
3.5 Tahap Klasifikasi Pintu................................................................................ 23
3.6 Membuat Kesimpulan Penelitian ................................................................. 24
BAB IV PEMBAHASAN ....................................................................................... 25
4.1 Data Hasil Observasi ................................................................................... 25
commit to user
4.2 Konversi Biaya Bahan Baku ........................................................................ 26
4.3 Pengolahan Data Pintu Sebelum Clustering ................................................. 27
4.4 Prediksi Jumlah Cluster Optimal Berdasarkan Pseudo-F ............................. 28
4.5 Hasil Clustering Menggunakan Metode Probabilistic Distance Clustering .. 29
4.5.1 Pembahasan Hasil Clustering Berdasarkan Jumlah Iterasi ..................... 30
4.5.2 Pembahasan Hasil Clustering Berdasarkan Nilai e ................................ 32
4.5.3 Pembahasan Hasil Clustering Berdasarkan Waktu Proses Clustering .... 33
4.5.4 Pembahasan Hasil Clustering Berdasarkan JDF .................................... 35
4.6 Penentuan Jumlah Cluster Optimal .............................................................. 36
4.7 Hasil Clustering Pintu Kayu Jati .................................................................. 38
BAB V PENUTUP ................................................................................................. 42
5.1 Kesimpulan ................................................................................................. 42
5.2 Saran ........................................................................................................... 42
commit to user
DAFTAR TABEL
Tabel 4.1 Sample Data Pintu Hasil Observasi .......................................................... 25Tabel 4.2 Contoh Proses Konversi Bahan Baku ke Biaya Bahan Baku .................... 26Tabel 4.3 Contoh Proses Konversi Panjang Lis ke Biaya Lis ................................... 26Tabel 4.4 Urutan Nilai Pseudo-F Data Normalisasi ................................................. 28Tabel 4.5 Urutan Nilai Pseudo-F Data Tanpa Normalisasi ...................................... 29Tabel 4.6 Perbandingan Rata-Rata Jumlah Iterasi .................................................... 30Tabel 4.7 Perbandingan Rata-Rata Nilai e ............................................................... 32Tabel 4.8 Perbandingan Rata-Rata Waktu Proses Clustering ................................... 33Tabel 4.9 Perbandingan Rata-Rata JDF .................................................................. 35- – Tabel 4.10 Perbandingan Pseudo-F dengan Hasil Clustering Stratified Random Tanpa Normalisasi .............................................................................. 37
commit to user
DAFTAR GAMBAR
Gambar 3.1 Pemodelan Langkah Clustering dan Analisa ........................................ 17Gambar 3.2 Algoritma PDC .................................................................................... 22Gambar 4.1 Grafik Perbandingan Jumlah Iterasi ..................................................... 31Gambar 4.2 Grafik Perbandingan Nilai e ................................................................. 32Gambar 4.3 Grafik Perbandingan Waktu Proses Clustering..................................... 34Gambar 4.3 Grafik Perbandingan JDF .................................................................... 35commit to user