PERBANDINGAN METODE KâMEANS DAN METODE DBSCAN PADA PENGELOMPOKAN RUMAH KOST MAHASISWA DI KELURAHAN TEMBALANG SEMARANG - Diponegoro University | Institutional Repository (UNDIP-IR)
PERBANDINGAN METODE K MEANS DAN METODE
DBSCAN PADA PENGELOMPOKAN RUMAH KOST
MAHASISWA DI KELURAHAN TEMBALANG SEMARANG
SKRIPSI
Disusun Oleh :
SISCA AGUSTIN DIANI BUDIMAN
NIM. 24010212130032
DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2016
-MEANS
! !"# $ % !% &# '!%
()*+*(+(+,**,(
Tugas Akhir sebagai salah satu syarat untuk memperoleh
gelar Sarjana Sains pada Jurusan Statistika
-.!/$-'-% $!$ $ 0!
1!0#2$! ! % !% '!$-'!$ 0!
#% 3-/ $! .%-"/
-'!/!%"
(*+4
i
ii
iii
5676 89:;6:76<
Puji syukur penulis panjatkan kehadirat Allah SWT yang telah
memberikan rahmat dan karunia Nya, sehingga Tugas Akhir yang berjudul
Perbandingan Metode K-Means dan Metode DBSCAN pada Pengelompokan
Rumah Kost Mahasiswa di Kelurahan Tembalang Semarang
ini dapat
diselesaikan. Banyak pihak yang telah membantu dalam penyelesaian Tugas
Akhir ini. Oleh karena itu, rasa hormat dan terimakasih penulis ingin sampaikan
kepada :
1. Ibu Dra. Dwi Ispriyanti, M.Si
selaku Ketua Departemen Statistika
Universitas Diponegoro Semarang dan selaku dosen pembimbing II.
2. Ibu Diah Safitri, S.Si, M.Si selaku dosen pembimbing I yang telah
memberikan bimbingan dan pengarahan dalam penyusunan Tugas Akhir
ini.
3. Semua Bapak dan Ibu Dosen Departemen Statistika Universitas
Diponegoro yang telah memberikan ilmunya yang sangat berguna.
4. Pihak-pihak lain yang tidak dapat penulis sebutkan satu per satu yang telah
membantu penulisan Tugas Akhir ini.
Penulis menyadari bahwa dalam penulisan Tugas Akhir ini masih banyak
kekurangannya. Untuk itu penulis mengharapkan kritik dan saran demi
kesempurnaan laporan tugas akhir ini.
Semarang, September 2016
Penulis
iv
=>?@A=B
CDEDFGFHa FaIa EaJKLa MNKODK IaFLaPaQaR aRaS PSIaE RaKOOa, TSOa
INJaQSQDK aQRGUGRaF NQVKVIG FNEDPG-EDPG RNPIaFSQ QVKFSIFG. WNbSRSEDK
IaEDFGFHa SKRSQ INIGJGE RNIXDR RGKOOaJ TSOa INPSXDQDK FDJaE FDRS bNKRSQ MDPG
QNOGaRaK QVKFSIFG. YNPMDXDR baKLaQ ZaQRVP LaKO INIXNKOaPSEG XPNZNPNKFG
IaEDFGFHa MDJaI XNIGJGEDK PSIaE QVFR, MG aKRaPaKLa EDPOD, ZaFGJGRaF[ JVQDFG,
XNKMDXDRaK[ OaLa EGMSX[ MDK JaGK-JaGK. Harga sewa kost dan fasilitas yang
ditawarkan berpengaruh signifikan positif terhadap preferensi mahasiswa dalam
memilih rumah kost. Dilakukan pengelompokan berdasarkan harga sewa dan
fasilitas yang ditawarkan agar diketahui kondisi rumah kost mahasiswa di
Kelurahan Tembalang. Pengelompokan merupakan salah satu tugas utama dalam
data mining dan telah banyak diaplikasikan di berbagai bidang. Metode yang
digunakan untuk mengelompokkan adalah K-M\]n
s dan DBSCAN dengan jumlah
kelompok sebanyak tiga. Selanjutnya hasil dari kedua metode dibandingkan
menggunakan nilai Indeks Silhouette untuk menentukan metode mana yang lebih
baik dalam mengelompokkan rumah kost mahasiswa. Berdasarkan hasil penelitian
yang telah dilakukan ditemukan bahwa metode K-Means bekerja lebih baik
dibanding DBSCAN dalam mengelompokkan rumah kost mahasiswa yang
dibuktikan dengan nilai Indeks Silhouette pada K-Means sebesar 0,463 lebih
tinggi dari nilai Indeks Silhouette pada DBSCAN yaitu sebesar 0,281.
Kata Kunci: rumah kost mahasiswa, data mining, pengelompokan, K-Means,
DBSCAN
v
^_`ab^ca
defghiej aj khll aj community or household, as well as economic
activities daily, including consumption. The student needs to choose a place to
stay is also one form of consumption activities. There are many factors that affect
student preferences in the selection of boarding houses, including price, amenities,
location, income, lifestyle, and others. The rental price boarding and facilities
offered significant positive effect on student preferences in choosing a boarding
house. Do groupings based on rental rates and facilities offered in order to know
the condition of the student boarding house in the Village Tembalang. Grouping is
one of the main tasks in data mining and have been widely applied in various
fields. The method used to classify is K-Means and DBSCAN with a number of
groups of three. Furthermore, the results of both methods were compared using
the Silhouette index values to determine which method is better to classify the
student boarding house. Based on the research that has been conducted found that
the K-Means method works better than DBSCAN to classify the student boarding
house as evidenced by the value of the Silhouette index on K-Means of 0.463 is
higher than the value at DBSCAN Silhouette index is equal to 0.281.
Keywords: student boarding houses, data mining, clustering, K-Means, DBSCAN
vi
mnopnq rsr
tuvuwux
tyzy{y| }~~zrror! Bookmark not defined.
tyzy{y| | yty| Error! Bookmark not defined.
tyzy{y| | yty| Error! Bookmark not defined.
yy |y|y Error! Bookmark not defined.
y y Error! Bookmark not defined.
y yError! Bookmark not defined.
yy
yy y{y x
yy yz x
yy zy{y| x
y |yt~z~y|Error! Bookmark not defined.
zuturvuux Error! Bookmark not defined.
wux {uuvu Error! Bookmark not defined.
uut sux {uuvuError! Bookmark not defined.
uxError! Bookmark not defined.
y |}y~y| ~ yyError! Bookmark not defined.
uut {xx Error! Bookmark not defined.
wr ux utu yuwv Preprocessing Data) Error! Bookmark not
defined.
yxuvsvw Error! Bookmark not defined.
xpxvwux Error! Bookmark not defined.
ux xvwuxError! Bookmark not defined.
}xsxvwux Error! Bookmark not defined.
K-MEANS Error! Bookmark not defined.
yvw
t u K-Means Error! Bookmark not defined.
uur rts K-Means Error! Bookmark not defined.
y| (Density-Based Spatial Clustering Algorithm with Noise)
Error! Bookmark not defined.
2.5.1.
2.5.2.
Konsep DBSCAN ............................Error! Bookmark not defined.
Algoritma DBSCAN ........................Error! Bookmark not defined.
vii
2.6.
Sampel Acak Berlapis ............................. rror! Bookmark not defined.
2.6.1.
2.6.2.
Kerangka Sampel .............................Error! Bookmark not defined.
Penarikan Sampel Acak Stratifikasi Proporsional (Proportionate
Stratified Random Sampling)..........................Error! Bookmark not defined.
2.7.
Rumah Kost .............................................Error! Bookmark not defined.
2.9.
Fasilitas....................................................Error! Bookmark not defined.
2.8.
2.10.
Harga .......................................................Error! Bookmark not defined.
Validasi Kelompok ..............................Error! Bookmark not defined.
BAB III METODOLOGI PENELITIAN .............Error! Bookmark not defined.
3.1.
Jenis dan Sumber Data ............................Error! Bookmark not defined.
3.3.
Diagram Alir............................................Error! Bookmark not defined.
3.2.
Teknik Pengolahan Data .........................Error! Bookmark not defined.
BAB IV HASIL DAN PEMBAHASAN ..............Error! Bookmark not defined.
4.1.
Analisis Deskriptif...................................Error! Bookmark not defined.
4.3.
Proses Pengelompokan dengan Metode K-Means Error! Bookmark not
4.4.
Proses Pengelompokan dengan Metode DBSCANError! Bookmark not
4.5.
Perhitungan nilai Indeks Silhouette.........Error! Bookmark not defined.
4.2.
Preprocessing (Pemrosesan Awal Data) .Error! Bookmark not defined.
defined.
defined.
4.5.1.
Perhitungan nilai Indeks Silhouette pada K-Means ................. Error!
4.5.2.
Perhitungan nilai Indeks Silhouette pada DBSCAN................ Error!
Bookmark not defined.
Bookmark not defined.
4.6.
Interpretasi Hasil Pengelompokan yang Paling Optimal ................ Error!
Bookmark not defined.
BAB V PENUTUP.................................................Error! Bookmark not defined.
5.1
5.2
Kesimpulan..............................................Error! Bookmark not defined.
Saran ........................................................Error! Bookmark not defined.
DAFTAR PUSTAKA ............................................Error! Bookmark not defined.
LAMPIRAN...........................................................Error! Bookmark not defined.
viii
ix
¡¢£¤¢¥ ¦¢§¨¢¥
Gambar 1. Macam
Halaman
macam pendefinisian kelompok pada titik yang sama. ©rror!
Bookmark not defined.
Gambar 2. Kategori titik pada DBSCAN...............Error! Bookmark not defined.
Gambar 3. Diagram Alir ........................................Error! Bookmark not defined.
Gambar 4. Plot data Hasil Normalisasi ..................Error! Bookmark not defined.
Gambar 5. Pengelompokan menggunakan ª«¬e n
s
Bookmark not defined.
sebanyak 3 kelompok . Error!
Gambar 6. Pengelompokan menggunakan DBSCAN sebanyak 3 kelompok Error!
Bookmark not defined.
x
®¯°±¯² ±¯³´µ
Halaman
Tabel 1. Populasi dan Sampel Rumah Kost ........... ¶rror! Bookmark not defined.
Tabel 2. Statistik Deskriptif ...................................Error! Bookmark not defined.
Tabel 3. Nilai Sentroid Awal .................................Error! Bookmark not defined.
Tabel 4. Perubahan Posisi Kelompok Pada Setiap Iterasi.... Error! Bookmark not
defined.
Tabel 5. Hasil Perhitungan Iterasi Pertama............Error! Bookmark not defined.
e
u
o
Tabel 6. Indeks ·¸tlh
defined.
pada ¹º»¼e ½¾ dan DBSCAN.... Error! Bookmark not
Tabel 7. Interpretasi Variabel untuk Masing
Bookmark not defined.
Tabel 8. Harga dan Fasilitas Masing
defined.
Masing Kelompok................ Error!
Masing Kelompok.. Error! Bookmark not
xi
¿ÀÁÂÀÃ ÄÀÅÆÇÃÀÈ
Halaman
Lampiran 1. Kuesioner Pengelompokan Rumah Kost Mahasiswa ................ Érror!
Bookmark not defined.
Lampiran 2. Data Rumah Kost Mahasiswa............Error! Bookmark not defined.
Lampiran 3. Data normalisasi dengan metode Mix Max..... Error! Bookmark not
defined.
Lampiran 4. Clustering Kmeans Data Rumah Kost (k=3)... Error! Bookmark not
defined.
Lampiran 5. Clustering DBSCAN Data Rumah Kost (eps=0.1,minPts=2) ... Error!
Bookmark not defined.
Lampiran 6. Syntax R Clustering Kmeans.............Error! Bookmark not defined.
Lampiran 7. Syntax R Clustering DBSCAN .........Error! Bookmark not defined.
xii
ËÌË Í
ÎÏÐÑÌÒÓÔÓÌÐ
ÕÖÕÖ ×ØÙØÚ ÛÜÝØÞØßà
áâãäåæåçè ãâéêëåìåç íåæåî íåïê ðñæåòåî óñ ôâãåéåçèõ öñæåòåî ñçñ
ãâéêëåìåç íåæåî íåïê ìåðåíåç éåãåñ óñ ÷äêìøïå ùéøúñçíñ ûåðå áâçèåî
(ôâãåéåçè)õ
ôåæåî íåïê üåìïøé éåãåñçòå ðñæåòåî ñçñ óñìåéâçåìåç óñ ìåðåíåç
áâãäåæåçè ïâéóåëåï äâäâéåëå êçñúâéíñïåí óñ åçïåéåçòå ýçñúâéíñïåí þñëøçâèøéøÿ
ùøæñïâìçñì âèâéñ ôâãåéåçè, óåç ýçñúâéíñïåí ùåçóåçåéåçõ âçêéêï åãêí âíåé
åîåíå ÷çóøçâíñå (÷), ãåîåíñíðå åóåæåî ãâéâìå òåçè íâóåçè äâæååé óñ
ëâéèêéêåç ïñçèèñõ åîåíñíðå íåãå îåæçòå óâçèåç ãåíòåéåìåï åïåê éêãåî ïåçèèå,
êèå ãâæåìêìåç åìïñúñïåí âìøçøãñ íâîåéñîåéñ ïâéãåíêì ìøçíêãíñõ âäêïêîåç
ãåîåíñíðå êçïêì ãâãñæñî ïâãëåï ïñçèèåæ êèå ãâéêëåìåç íåæåî íåïê äâçïêì óåéñ
ìâèñåïåç ìøçíêãíñõ åèñ íâïñåë ñçóñúñóê ïñóåì ïâéìâêåæñ ãåîåíñíðå ìâäêïêîåç
òåçè íåçèåï ëâçïñçè êçïêì íâèâéå ïâéëâçêîñ åóåæåî ïâãëåï ïñçèèåæ åïåê éêãåîõ
ýíåîå éêãåî ìøíï êãêãçòå äåçòåì óñïâãêìåç óñ óåâéåî òåçè äâéóâìåïåç
óâçèåç ëêíåï ìâèñåïåç éêïñçñïåíÿ íåæåî íåïêçòå óñ âæêéåîåç áâãäåæåçèõ áâéóåëåï
äåçòåì üåìïøé òåçè ãâãëâçèåéêîñ ëéâüâéâçíñ ãåîåíñíðå óåæåã ëâãñæñîåç éêãåî
ìøíï, óñ åçïåéåçòå îåéèå, üåíñæñïåíÿ æøìåíñ, ëâçóåëåïåçÿ èåòå îñóêëÿ óåç æåñçæåñçõ
âçêéêï åîãåðåïñ (
) îåéèå íâðå ìøíï óåç üåíñæñïåí òåçè óñïåðåéìåç
äâéëâçèåéêî íñèçñüñìåç ëøíñïñü ïâéîåóåë ëéâüâéâçíñ ãåîåíñíðå óåæåã ãâãñæñî
éêãåî ìøíïõ
çåæñíñí ìâæøãëøì (
ay ) åóåæåî ãâçèâæøãëøììåç óåïå (øäâì)
òåçè óñóåíåéìåç îåçòå ëåóå ñçüøéãåíñ òåçè óñïâãêìåç óåæåã óåïå òåçè
Ê
2
! " #! $ %# # ! $! (&
te a'. ,
())*)+
&# # ,-"-" , . $,% / 0 # $, " #%
, . #. 1 0 - -. (!# %# #) "!# " ,-
$ $ (!# !-$ %# #) $ $, , . 0 ,-
(2 "!0 3 ()4()+
& $.! 0 ! $ 0 $.! $-# #!# , .
$!, $- ! 0 $ K- Means, ., . %- -, Fuzzy C-Means, selforganizing map,
$ 56789:+
K Means
$,% ., . $!
%- - (" !) 0 . !-"- $! $, !# $# !# , -%
, . 3 "%- $! 0 ! -"!- " $-"# $, "!#
, . 0 "+
(56789:)
(density)
Density-Based Spatial Clustering Algorithm with noise
$,% , -! ., . 0 $-$" .$ .$!
$!+ ; ". .$! $, 56789: %"-, !- ."-, (>.") 0
#. $-#" ( "-,) $! ! , . $ - $! -!-, $
Minimal Points (?-2!")
$, $-#" >."+
" !
0 #. 0 0 --, $! , .
K-Means
(partitioning)
$ 56789: "# $, ., .
$ " ,#"-@, 0 !-0
K-Means
$ 56789:
#. ! $ ., . 0 - "! $! $, " #,%
, . 0 !-$ !#./!-$-% ! "!# , . $ , .
0 ,-+ 56789: $.! $! "- $! 0 .#0- 0 #% $ "#!# , .
(& et al., ())*)+
(noise)
0-!# $! 0 !-$ - #! $, , . 0 -!"
3
ABCBD DECBFGFBH IEHJECKDIKFBH DELKME NOPeQRS TEUVHJ MVWBHMVHJFBH
MEHJBH DELKME XBHJ CBVHY ZEUMBTBUFBH IEHECVLVBH XBHJ LECB[ BMB, \CK]UEHTVB
(^_`_)
DECBFGFBH IEUWBHMVHJBH IEHJECKDIKFBH NOPQe RS MBH a bEMKVM IBMB
MBLB XBHJ DEHJBHMGHJ IEHcVCBHY bEUCVBHB (^_`d) DECBFGFBH eEUWBHMVHJBH
bELKME NOPQe RS MEHJBH Fuzzy C-Means GHLGF BHBCVTB FBUBFLEUVTLVF DB[BTVT]B
WEUMBTBUFBH FGHfGHJBH FE IEUIGTLBFBBHY eBMB IEHECVLVBH XBHJ LECB[ BMB, TBCB[
TBLG cKHLK[ IEUWBHMVHJBH IEHJECKDIKFBH MEHJBH DELKME AZghij XBVLG iXG
(^_`d)
DECBFGFBH IEUWBHMVHJBH FVHEUfB
Fuzzy C-Means
MBH AZghij MBCBD
TEJDEHLBTV cVLUB kgl FEIBCB fBHVHY
ZEUMBTBUFBH IEHECGTGUBH IGTLBFB WECGD MVLEDGFBH IEHJJGHBBH DELKME
K-Means MBH AZghij GHLGF IEHJECKDIKFBH UGDB[ FKTL DB[BTVT]BY ABLB [BTVC
IEHECVLVBH DEUGIBFBH MBLB partitioning MBH MBIBL MVIBTLVFBH [BHXB DEHfBMV TBLG
BHJJKLB MBCBD FECKDIKF DBFB cKcKF MVCBFGFBH IEHJECKDIKFBH MEHJBH DELKME
K-Means
MBH DELKME AZghijY gECBVH VLG MEHJBH WBHXBFHXB MBLB XBHJ
MV[BTVCFBH DEDGHJFVHFBH BMBHXB MBLB HKVTE TE[VHJJB cKcKF MVCBFGFBH
IEHJECKDIKFBH DEHJJGHBFBH AZghijY mBTVC XBHJ MVIEUKCE[ MBUV IEHECVLVBH VHV
BMBCB[ FECKDIKF DBHB XBHJ IBCVHJ KILVDBC MVBHLBUB FEMGB DELKME LEUTEWGLY
ZEUMBTBUFBH FECKDIKF XBHJ IBCVHJ KILVDBC FEDGMVBH MVCBFGFBH VHLEUIUELBTV
BMBCB[ WEWEUBIB FECKDIKF MEHJBH VHLEUnBC [BUJB LEULEHLG MEHJBH fGDCB[ oBTVCVLBT
XBHJ MVMBIBLFBH MEHJBH [BUJB LEUTEWGLY ZEUMBTBUFBH GUBVBH LEUTEWGL, DBFB
IEHECVLV DEHJBDWVC fGMGC GHLGF pGJBT iF[VU VHV BMBCB[ eEUWBHMVHJBH bELKME KMeans
MBH bELKME AZghij MBCBD eEHJECKDIKFBH qGDB[ aKTL bB[BTVT]B MV
aECGUB[BH pEDWBCBHJ gEDBUBHJrY
4
stut vwxyu z{ Mzyz|z}
~
e
¡¢ £ ¤
¥
e ¡¢ £ ¤
¦
e ¡¢
£ ¤
st§t ¨z©zyz{ Mzyz|z}
ª « ¤
¥
£
¤
¦ ¬ ¥® ¯ ¥®
st°t ±²uuz{
³
£ ¤
e ¡¢
5
´µ ¶·¸¹º»º¹¼ ½·¾¿¹¼ÀÁ¼Â¹¼ »¼Ã»º Ä·¼·¼Ã»º¹¼ º·¸ÅĽź ƹ¼Â ½¹¸Á¼Â
ŽÃÁŸ À¹¸¹Ä ½·¼Â·¸ÅĽź¹¼ Ä·¼Â»¼¹º¹¼ Ä·ÃÅÀ· ÇÈÉÊe ËÌ À¹¼
Ä·ÃÅÀ· ÍÎÏÐÑÒ ½¹À¹ ¾»Ä¹Ó ºÅÔà ÀÁ Õ·¸»¾¹Ó¹¼ Ö·Ä¿¹¸¹¼Â ϷĹ¾¹¼Âµ
×µ ¶·¸¹º»º¹¼ Á¼Ã·¾½¾·Ã¹ÔÁ À¹¾Á º·¸ÅĽź ƹ¼Â ½¹¸Á¼Â ŽÃÁŸ ƹ¼Â
ÀÁÓ¹ÔÁ¸º¹¼ À¹¾Á ½·¾¿¹¼ÀÁ¼Â¹¼ Ä·ÃÅÀ· ÇÈÉÊe ËÌ À¹¼ Ä·ÃÅÀ· ÍÎÏÐÑÒ ½¹À¹
¾»Ä¹Ó ºÅÔà ĹӹÔÁÔع ÀÁ Õ·¸»¾¹Ó¹¼ Ö·Ä¿¹¸¹¼Â ϷĹ¾¹¼Âµ
DBSCAN PADA PENGELOMPOKAN RUMAH KOST
MAHASISWA DI KELURAHAN TEMBALANG SEMARANG
SKRIPSI
Disusun Oleh :
SISCA AGUSTIN DIANI BUDIMAN
NIM. 24010212130032
DEPARTEMEN STATISTIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
SEMARANG
2016
-MEANS
! !"# $ % !% &# '!%
()*+*(+(+,**,(
Tugas Akhir sebagai salah satu syarat untuk memperoleh
gelar Sarjana Sains pada Jurusan Statistika
-.!/$-'-% $!$ $ 0!
1!0#2$! ! % !% '!$-'!$ 0!
#% 3-/ $! .%-"/
-'!/!%"
(*+4
i
ii
iii
5676 89:;6:76<
Puji syukur penulis panjatkan kehadirat Allah SWT yang telah
memberikan rahmat dan karunia Nya, sehingga Tugas Akhir yang berjudul
Perbandingan Metode K-Means dan Metode DBSCAN pada Pengelompokan
Rumah Kost Mahasiswa di Kelurahan Tembalang Semarang
ini dapat
diselesaikan. Banyak pihak yang telah membantu dalam penyelesaian Tugas
Akhir ini. Oleh karena itu, rasa hormat dan terimakasih penulis ingin sampaikan
kepada :
1. Ibu Dra. Dwi Ispriyanti, M.Si
selaku Ketua Departemen Statistika
Universitas Diponegoro Semarang dan selaku dosen pembimbing II.
2. Ibu Diah Safitri, S.Si, M.Si selaku dosen pembimbing I yang telah
memberikan bimbingan dan pengarahan dalam penyusunan Tugas Akhir
ini.
3. Semua Bapak dan Ibu Dosen Departemen Statistika Universitas
Diponegoro yang telah memberikan ilmunya yang sangat berguna.
4. Pihak-pihak lain yang tidak dapat penulis sebutkan satu per satu yang telah
membantu penulisan Tugas Akhir ini.
Penulis menyadari bahwa dalam penulisan Tugas Akhir ini masih banyak
kekurangannya. Untuk itu penulis mengharapkan kritik dan saran demi
kesempurnaan laporan tugas akhir ini.
Semarang, September 2016
Penulis
iv
=>?@A=B
CDEDFGFHa FaIa EaJKLa MNKODK IaFLaPaQaR aRaS PSIaE RaKOOa, TSOa
INJaQSQDK aQRGUGRaF NQVKVIG FNEDPG-EDPG RNPIaFSQ QVKFSIFG. WNbSRSEDK
IaEDFGFHa SKRSQ INIGJGE RNIXDR RGKOOaJ TSOa INPSXDQDK FDJaE FDRS bNKRSQ MDPG
QNOGaRaK QVKFSIFG. YNPMDXDR baKLaQ ZaQRVP LaKO INIXNKOaPSEG XPNZNPNKFG
IaEDFGFHa MDJaI XNIGJGEDK PSIaE QVFR, MG aKRaPaKLa EDPOD, ZaFGJGRaF[ JVQDFG,
XNKMDXDRaK[ OaLa EGMSX[ MDK JaGK-JaGK. Harga sewa kost dan fasilitas yang
ditawarkan berpengaruh signifikan positif terhadap preferensi mahasiswa dalam
memilih rumah kost. Dilakukan pengelompokan berdasarkan harga sewa dan
fasilitas yang ditawarkan agar diketahui kondisi rumah kost mahasiswa di
Kelurahan Tembalang. Pengelompokan merupakan salah satu tugas utama dalam
data mining dan telah banyak diaplikasikan di berbagai bidang. Metode yang
digunakan untuk mengelompokkan adalah K-M\]n
s dan DBSCAN dengan jumlah
kelompok sebanyak tiga. Selanjutnya hasil dari kedua metode dibandingkan
menggunakan nilai Indeks Silhouette untuk menentukan metode mana yang lebih
baik dalam mengelompokkan rumah kost mahasiswa. Berdasarkan hasil penelitian
yang telah dilakukan ditemukan bahwa metode K-Means bekerja lebih baik
dibanding DBSCAN dalam mengelompokkan rumah kost mahasiswa yang
dibuktikan dengan nilai Indeks Silhouette pada K-Means sebesar 0,463 lebih
tinggi dari nilai Indeks Silhouette pada DBSCAN yaitu sebesar 0,281.
Kata Kunci: rumah kost mahasiswa, data mining, pengelompokan, K-Means,
DBSCAN
v
^_`ab^ca
defghiej aj khll aj community or household, as well as economic
activities daily, including consumption. The student needs to choose a place to
stay is also one form of consumption activities. There are many factors that affect
student preferences in the selection of boarding houses, including price, amenities,
location, income, lifestyle, and others. The rental price boarding and facilities
offered significant positive effect on student preferences in choosing a boarding
house. Do groupings based on rental rates and facilities offered in order to know
the condition of the student boarding house in the Village Tembalang. Grouping is
one of the main tasks in data mining and have been widely applied in various
fields. The method used to classify is K-Means and DBSCAN with a number of
groups of three. Furthermore, the results of both methods were compared using
the Silhouette index values to determine which method is better to classify the
student boarding house. Based on the research that has been conducted found that
the K-Means method works better than DBSCAN to classify the student boarding
house as evidenced by the value of the Silhouette index on K-Means of 0.463 is
higher than the value at DBSCAN Silhouette index is equal to 0.281.
Keywords: student boarding houses, data mining, clustering, K-Means, DBSCAN
vi
mnopnq rsr
tuvuwux
tyzy{y| }~~zrror! Bookmark not defined.
tyzy{y| | yty| Error! Bookmark not defined.
tyzy{y| | yty| Error! Bookmark not defined.
yy |y|y Error! Bookmark not defined.
y y Error! Bookmark not defined.
y yError! Bookmark not defined.
yy
yy y{y x
yy yz x
yy zy{y| x
y |yt~z~y|Error! Bookmark not defined.
zuturvuux Error! Bookmark not defined.
wux {uuvu Error! Bookmark not defined.
uut sux {uuvuError! Bookmark not defined.
uxError! Bookmark not defined.
y |}y~y| ~ yyError! Bookmark not defined.
uut {xx Error! Bookmark not defined.
wr ux utu yuwv Preprocessing Data) Error! Bookmark not
defined.
yxuvsvw Error! Bookmark not defined.
xpxvwux Error! Bookmark not defined.
ux xvwuxError! Bookmark not defined.
}xsxvwux Error! Bookmark not defined.
K-MEANS Error! Bookmark not defined.
yvw
t u K-Means Error! Bookmark not defined.
uur rts K-Means Error! Bookmark not defined.
y| (Density-Based Spatial Clustering Algorithm with Noise)
Error! Bookmark not defined.
2.5.1.
2.5.2.
Konsep DBSCAN ............................Error! Bookmark not defined.
Algoritma DBSCAN ........................Error! Bookmark not defined.
vii
2.6.
Sampel Acak Berlapis ............................. rror! Bookmark not defined.
2.6.1.
2.6.2.
Kerangka Sampel .............................Error! Bookmark not defined.
Penarikan Sampel Acak Stratifikasi Proporsional (Proportionate
Stratified Random Sampling)..........................Error! Bookmark not defined.
2.7.
Rumah Kost .............................................Error! Bookmark not defined.
2.9.
Fasilitas....................................................Error! Bookmark not defined.
2.8.
2.10.
Harga .......................................................Error! Bookmark not defined.
Validasi Kelompok ..............................Error! Bookmark not defined.
BAB III METODOLOGI PENELITIAN .............Error! Bookmark not defined.
3.1.
Jenis dan Sumber Data ............................Error! Bookmark not defined.
3.3.
Diagram Alir............................................Error! Bookmark not defined.
3.2.
Teknik Pengolahan Data .........................Error! Bookmark not defined.
BAB IV HASIL DAN PEMBAHASAN ..............Error! Bookmark not defined.
4.1.
Analisis Deskriptif...................................Error! Bookmark not defined.
4.3.
Proses Pengelompokan dengan Metode K-Means Error! Bookmark not
4.4.
Proses Pengelompokan dengan Metode DBSCANError! Bookmark not
4.5.
Perhitungan nilai Indeks Silhouette.........Error! Bookmark not defined.
4.2.
Preprocessing (Pemrosesan Awal Data) .Error! Bookmark not defined.
defined.
defined.
4.5.1.
Perhitungan nilai Indeks Silhouette pada K-Means ................. Error!
4.5.2.
Perhitungan nilai Indeks Silhouette pada DBSCAN................ Error!
Bookmark not defined.
Bookmark not defined.
4.6.
Interpretasi Hasil Pengelompokan yang Paling Optimal ................ Error!
Bookmark not defined.
BAB V PENUTUP.................................................Error! Bookmark not defined.
5.1
5.2
Kesimpulan..............................................Error! Bookmark not defined.
Saran ........................................................Error! Bookmark not defined.
DAFTAR PUSTAKA ............................................Error! Bookmark not defined.
LAMPIRAN...........................................................Error! Bookmark not defined.
viii
ix
¡¢£¤¢¥ ¦¢§¨¢¥
Gambar 1. Macam
Halaman
macam pendefinisian kelompok pada titik yang sama. ©rror!
Bookmark not defined.
Gambar 2. Kategori titik pada DBSCAN...............Error! Bookmark not defined.
Gambar 3. Diagram Alir ........................................Error! Bookmark not defined.
Gambar 4. Plot data Hasil Normalisasi ..................Error! Bookmark not defined.
Gambar 5. Pengelompokan menggunakan ª«¬e n
s
Bookmark not defined.
sebanyak 3 kelompok . Error!
Gambar 6. Pengelompokan menggunakan DBSCAN sebanyak 3 kelompok Error!
Bookmark not defined.
x
®¯°±¯² ±¯³´µ
Halaman
Tabel 1. Populasi dan Sampel Rumah Kost ........... ¶rror! Bookmark not defined.
Tabel 2. Statistik Deskriptif ...................................Error! Bookmark not defined.
Tabel 3. Nilai Sentroid Awal .................................Error! Bookmark not defined.
Tabel 4. Perubahan Posisi Kelompok Pada Setiap Iterasi.... Error! Bookmark not
defined.
Tabel 5. Hasil Perhitungan Iterasi Pertama............Error! Bookmark not defined.
e
u
o
Tabel 6. Indeks ·¸tlh
defined.
pada ¹º»¼e ½¾ dan DBSCAN.... Error! Bookmark not
Tabel 7. Interpretasi Variabel untuk Masing
Bookmark not defined.
Tabel 8. Harga dan Fasilitas Masing
defined.
Masing Kelompok................ Error!
Masing Kelompok.. Error! Bookmark not
xi
¿ÀÁÂÀÃ ÄÀÅÆÇÃÀÈ
Halaman
Lampiran 1. Kuesioner Pengelompokan Rumah Kost Mahasiswa ................ Érror!
Bookmark not defined.
Lampiran 2. Data Rumah Kost Mahasiswa............Error! Bookmark not defined.
Lampiran 3. Data normalisasi dengan metode Mix Max..... Error! Bookmark not
defined.
Lampiran 4. Clustering Kmeans Data Rumah Kost (k=3)... Error! Bookmark not
defined.
Lampiran 5. Clustering DBSCAN Data Rumah Kost (eps=0.1,minPts=2) ... Error!
Bookmark not defined.
Lampiran 6. Syntax R Clustering Kmeans.............Error! Bookmark not defined.
Lampiran 7. Syntax R Clustering DBSCAN .........Error! Bookmark not defined.
xii
ËÌË Í
ÎÏÐÑÌÒÓÔÓÌÐ
ÕÖÕÖ ×ØÙØÚ ÛÜÝØÞØßà
áâãäåæåçè ãâéêëåìåç íåæåî íåïê ðñæåòåî óñ ôâãåéåçèõ öñæåòåî ñçñ
ãâéêëåìåç íåæåî íåïê ìåðåíåç éåãåñ óñ ÷äêìøïå ùéøúñçíñ ûåðå áâçèåî
(ôâãåéåçè)õ
ôåæåî íåïê üåìïøé éåãåñçòå ðñæåòåî ñçñ óñìåéâçåìåç óñ ìåðåíåç
áâãäåæåçè ïâéóåëåï äâäâéåëå êçñúâéíñïåí óñ åçïåéåçòå ýçñúâéíñïåí þñëøçâèøéøÿ
ùøæñïâìçñì âèâéñ ôâãåéåçè, óåç ýçñúâéíñïåí ùåçóåçåéåçõ âçêéêï åãêí âíåé
åîåíå ÷çóøçâíñå (÷), ãåîåíñíðå åóåæåî ãâéâìå òåçè íâóåçè äâæååé óñ
ëâéèêéêåç ïñçèèñõ åîåíñíðå íåãå îåæçòå óâçèåç ãåíòåéåìåï åïåê éêãåî ïåçèèå,
êèå ãâæåìêìåç åìïñúñïåí âìøçøãñ íâîåéñîåéñ ïâéãåíêì ìøçíêãíñõ âäêïêîåç
ãåîåíñíðå êçïêì ãâãñæñî ïâãëåï ïñçèèåæ êèå ãâéêëåìåç íåæåî íåïê äâçïêì óåéñ
ìâèñåïåç ìøçíêãíñõ åèñ íâïñåë ñçóñúñóê ïñóåì ïâéìâêåæñ ãåîåíñíðå ìâäêïêîåç
òåçè íåçèåï ëâçïñçè êçïêì íâèâéå ïâéëâçêîñ åóåæåî ïâãëåï ïñçèèåæ åïåê éêãåîõ
ýíåîå éêãåî ìøíï êãêãçòå äåçòåì óñïâãêìåç óñ óåâéåî òåçè äâéóâìåïåç
óâçèåç ëêíåï ìâèñåïåç éêïñçñïåíÿ íåæåî íåïêçòå óñ âæêéåîåç áâãäåæåçèõ áâéóåëåï
äåçòåì üåìïøé òåçè ãâãëâçèåéêîñ ëéâüâéâçíñ ãåîåíñíðå óåæåã ëâãñæñîåç éêãåî
ìøíï, óñ åçïåéåçòå îåéèå, üåíñæñïåíÿ æøìåíñ, ëâçóåëåïåçÿ èåòå îñóêëÿ óåç æåñçæåñçõ
âçêéêï åîãåðåïñ (
) îåéèå íâðå ìøíï óåç üåíñæñïåí òåçè óñïåðåéìåç
äâéëâçèåéêî íñèçñüñìåç ëøíñïñü ïâéîåóåë ëéâüâéâçíñ ãåîåíñíðå óåæåã ãâãñæñî
éêãåî ìøíïõ
çåæñíñí ìâæøãëøì (
ay ) åóåæåî ãâçèâæøãëøììåç óåïå (øäâì)
òåçè óñóåíåéìåç îåçòå ëåóå ñçüøéãåíñ òåçè óñïâãêìåç óåæåã óåïå òåçè
Ê
2
! " #! $ %# # ! $! (&
te a'. ,
())*)+
&# # ,-"-" , . $,% / 0 # $, " #%
, . #. 1 0 - -. (!# %# #) "!# " ,-
$ $ (!# !-$ %# #) $ $, , . 0 ,-
(2 "!0 3 ()4()+
& $.! 0 ! $ 0 $.! $-# #!# , .
$!, $- ! 0 $ K- Means, ., . %- -, Fuzzy C-Means, selforganizing map,
$ 56789:+
K Means
$,% ., . $!
%- - (" !) 0 . !-"- $! $, !# $# !# , -%
, . 3 "%- $! 0 ! -"!- " $-"# $, "!#
, . 0 "+
(56789:)
(density)
Density-Based Spatial Clustering Algorithm with noise
$,% , -! ., . 0 $-$" .$ .$!
$!+ ; ". .$! $, 56789: %"-, !- ."-, (>.") 0
#. $-#" ( "-,) $! ! , . $ - $! -!-, $
Minimal Points (?-2!")
$, $-#" >."+
" !
0 #. 0 0 --, $! , .
K-Means
(partitioning)
$ 56789: "# $, ., .
$ " ,#"-@, 0 !-0
K-Means
$ 56789:
#. ! $ ., . 0 - "! $! $, " #,%
, . 0 !-$ !#./!-$-% ! "!# , . $ , .
0 ,-+ 56789: $.! $! "- $! 0 .#0- 0 #% $ "#!# , .
(& et al., ())*)+
(noise)
0-!# $! 0 !-$ - #! $, , . 0 -!"
3
ABCBD DECBFGFBH IEHJECKDIKFBH DELKME NOPeQRS TEUVHJ MVWBHMVHJFBH
MEHJBH DELKME XBHJ CBVHY ZEUMBTBUFBH IEHECVLVBH XBHJ LECB[ BMB, \CK]UEHTVB
(^_`_)
DECBFGFBH IEUWBHMVHJBH IEHJECKDIKFBH NOPQe RS MBH a bEMKVM IBMB
MBLB XBHJ DEHJBHMGHJ IEHcVCBHY bEUCVBHB (^_`d) DECBFGFBH eEUWBHMVHJBH
bELKME NOPQe RS MEHJBH Fuzzy C-Means GHLGF BHBCVTB FBUBFLEUVTLVF DB[BTVT]B
WEUMBTBUFBH FGHfGHJBH FE IEUIGTLBFBBHY eBMB IEHECVLVBH XBHJ LECB[ BMB, TBCB[
TBLG cKHLK[ IEUWBHMVHJBH IEHJECKDIKFBH MEHJBH DELKME AZghij XBVLG iXG
(^_`d)
DECBFGFBH IEUWBHMVHJBH FVHEUfB
Fuzzy C-Means
MBH AZghij MBCBD
TEJDEHLBTV cVLUB kgl FEIBCB fBHVHY
ZEUMBTBUFBH IEHECGTGUBH IGTLBFB WECGD MVLEDGFBH IEHJJGHBBH DELKME
K-Means MBH AZghij GHLGF IEHJECKDIKFBH UGDB[ FKTL DB[BTVT]BY ABLB [BTVC
IEHECVLVBH DEUGIBFBH MBLB partitioning MBH MBIBL MVIBTLVFBH [BHXB DEHfBMV TBLG
BHJJKLB MBCBD FECKDIKF DBFB cKcKF MVCBFGFBH IEHJECKDIKFBH MEHJBH DELKME
K-Means
MBH DELKME AZghijY gECBVH VLG MEHJBH WBHXBFHXB MBLB XBHJ
MV[BTVCFBH DEDGHJFVHFBH BMBHXB MBLB HKVTE TE[VHJJB cKcKF MVCBFGFBH
IEHJECKDIKFBH DEHJJGHBFBH AZghijY mBTVC XBHJ MVIEUKCE[ MBUV IEHECVLVBH VHV
BMBCB[ FECKDIKF DBHB XBHJ IBCVHJ KILVDBC MVBHLBUB FEMGB DELKME LEUTEWGLY
ZEUMBTBUFBH FECKDIKF XBHJ IBCVHJ KILVDBC FEDGMVBH MVCBFGFBH VHLEUIUELBTV
BMBCB[ WEWEUBIB FECKDIKF MEHJBH VHLEUnBC [BUJB LEULEHLG MEHJBH fGDCB[ oBTVCVLBT
XBHJ MVMBIBLFBH MEHJBH [BUJB LEUTEWGLY ZEUMBTBUFBH GUBVBH LEUTEWGL, DBFB
IEHECVLV DEHJBDWVC fGMGC GHLGF pGJBT iF[VU VHV BMBCB[ eEUWBHMVHJBH bELKME KMeans
MBH bELKME AZghij MBCBD eEHJECKDIKFBH qGDB[ aKTL bB[BTVT]B MV
aECGUB[BH pEDWBCBHJ gEDBUBHJrY
4
stut vwxyu z{ Mzyz|z}
~
e
¡¢ £ ¤
¥
e ¡¢ £ ¤
¦
e ¡¢
£ ¤
st§t ¨z©zyz{ Mzyz|z}
ª « ¤
¥
£
¤
¦ ¬ ¥® ¯ ¥®
st°t ±²uuz{
³
£ ¤
e ¡¢
5
´µ ¶·¸¹º»º¹¼ ½·¾¿¹¼ÀÁ¼Â¹¼ »¼Ã»º Ä·¼·¼Ã»º¹¼ º·¸ÅĽź ƹ¼Â ½¹¸Á¼Â
ŽÃÁŸ À¹¸¹Ä ½·¼Â·¸ÅĽź¹¼ Ä·¼Â»¼¹º¹¼ Ä·ÃÅÀ· ÇÈÉÊe ËÌ À¹¼
Ä·ÃÅÀ· ÍÎÏÐÑÒ ½¹À¹ ¾»Ä¹Ó ºÅÔà ÀÁ Õ·¸»¾¹Ó¹¼ Ö·Ä¿¹¸¹¼Â ϷĹ¾¹¼Âµ
×µ ¶·¸¹º»º¹¼ Á¼Ã·¾½¾·Ã¹ÔÁ À¹¾Á º·¸ÅĽź ƹ¼Â ½¹¸Á¼Â ŽÃÁŸ ƹ¼Â
ÀÁÓ¹ÔÁ¸º¹¼ À¹¾Á ½·¾¿¹¼ÀÁ¼Â¹¼ Ä·ÃÅÀ· ÇÈÉÊe ËÌ À¹¼ Ä·ÃÅÀ· ÍÎÏÐÑÒ ½¹À¹
¾»Ä¹Ó ºÅÔà ĹӹÔÁÔع ÀÁ Õ·¸»¾¹Ó¹¼ Ö·Ä¿¹¸¹¼Â ϷĹ¾¹¼Âµ