Sistem Klasterisasi Menggunakan Metode K-Meansdalam Menentukan Posisi Access PointBerdasarkan Posisi Pengguna Hotspot

di Universitas Muhammadiyah PurwokertoClustering System Using K-Means Method in Determining Access Point

Position by Users Hotspot Position at Muhammadiyah University of PurwokertoAchmad Fauzan1), Abid Yanuar Badharudin2), Feri Wibowo3)

1)2)3)Teknik Informatika-F.Teknik-Universitas Muhammadiyah PurwokertoJl. Raya Dukuhwaluh Purwokerto 53182

1)achmadfauzan@hotmail.com

Abstrak – Penelitian ini bertujuan untuk melakukan klasterisasi terhadap data berupa koordinat (longitude dan lattitude) posisi pengguna hotspot dalam kelompok (cluster) tertentu sebanyak access point yang diinginkan. Metode clustering yang digunakan yaitu metode K-Means yang memiliki algoritma sederhana sehingga cepat dalam melakukan klasterisasi tetapi juga menghasilkan data yang cukup baik. Sistem dibangun menggunakan bahasa Java dan IDE NetBeans 6.9.1. Keluaran yang dihasilkan berupa titik koordinat posisi perangkat access point yang akan dipasang di Universitas Muhammadiyah Purwokerto.

Kata kunci: sistem klasterisasi, metode k-means

Abstract – This study aims to perform clustering of the data in the form of coordinates (longitude and lattitude) position hotspot users in a group (cluster) specified as the desired access point. Clustering method used is the K-Means method that has a simple algorithm so fast in doing clustering but also generate data quite well. The system is built using the Java language and NetBeans IDE 6.9.1. Output is generated in the form of point coordinates of the position of the access point to be installed at the Muhammadiyah University of Purwokerto.

Keywords: clustering system, k-means method

I. Pendahuluan

Klasterisasi (clustering) merupakan proses mengelompokkan objek berdasarkan informasi yang diperoleh dari data yang menjelaskan hubungan antar objek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster. Tujuannya menemukan cluster yang berkualitas dalam waktu yang layak. Pengelompokkan ini dapat diterapkan pada penentuan posisi access point berdasarkan posisi pengguna.

Universitas Muhammadiyah Purwokerto telah menyediakan fasilitas internet untuk keperluan pembelajaran maupun kegiatan yang lain bagi mahasiswa, dosen, dan karyawannya. Dalam memberikan kemudahan untuk mengakses internet, dikembangkan teknologi WLAN yang terpasang di berbagai tempat di lingkungan kampus. Tujuannya agar mahasiswa, dosen, dan karyawan sebagai pengguna internet dapat lebih leluasa mengakses internet dengan perangkat mobile seperti komputer jinjing (laptop), handphone, pc tablet, dan perangkat lain yang sejenis. Namun dalam menentukan letak pemasangan perangkat pemancar berupa access point masih berdasarkan perkiraan untuk menjangkau seluruh wilayah kampus dengan jumlah ketersediaan perangkat access point yang ada. Hal ini dapat menyebabkan ketidaknyamanan pengguna dalam mengakses internet melalui

1

hotspot karena pengguna harus memposisikan diri berada dalam jangkauan sinyal wifi.

Teknik klasterisasi yang paling baik adalah algoritma K-Means yang melakukan optimalisasi jarak dengan meminimalisasi penyebaran cluster atau dengan memaksimalkan pemisahan antara cluster dan juga karena memiliki skema yang sederhana (Arifin, 2013). Algoritma K-Means memberikan solusi dengan cara menghitung titik pusat inisialisasi cluster.

Penggunaan teknik klasterisasi dalam menentukan posisi access point diharapkan dapat memberikan solusi terhadap permasalahan yang ada, dan juga dapat memberikan saran jumlah penggunaan perangkat access point yang paling optimal.

II. Tinjauan Pustaka

A. KlasterisasiKlasterisasi (clustering) adalah proses

membuat pengelompokan sehingga semua anggota dari setiap partisi mempunyai persamaan berdasarkan matrik tertentu. Sebuah klaster adalah sekumpulan obyek yang digabung bersama karena persamaan atau pendekatannya. Clustering berdasarkan persamaannya merupakan sebuah teknik yang sangat berguna karena akan mentranslasi ukuran persamaan yang intuitif menjadi ukuran yang kuantitatif. Ada banyak pendekatan untuk membuat cluster, diantaranya adalah membuat aturan yang mendekati keanggotaan dalam group yang sama berdasarkan tingkat persamaan diantara anggota-anggotanya. Pendekatan lainya adalah dengan membuat sekumpulan fungsi yang mengukur beberapa properti dari pengelompokan tersebut sebagai fungsi dari beberapa parameter dari sebuah clustering.

B. K-MeansK-Means adalah suatu metode

penganalisaan data atau metode Data Mining yang melakukan proses pemodelan tanpa supervisi (unsupervised) dan merupakan salah satu metode yang melakukan pengelompokan data dengan sistem partisi. Metode k-means berusaha mengelompokkan data yang ada ke

dalam beberapa kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada di dalam kelompok yang lain. Dengan kata lain, metode ini berusaha untuk meminimalkan variasi antar data yang ada di dalam suatu cluster dan memaksimalkan variasi dengan data yang ada di cluster lainnya (Agusta, 2007).

C. Algoritma K-MeansMetode K-Means melakukan proses

clustering dengan mengikuti algoritma sebagai berikut:

1. Tentukan jumlah cluster.2. Alokasikan data sesuai dengan jumlah

cluster yang ditentukan.3. Hitung nilai centroid masing-masing

cluster.4. Alokasikan masing-masing data ke

centroid terdekat.5. Kembali ke langkah 3 apabila masih

terdapat perpindahan data dari satu cluster ke cluster yang lain, atau apabila perubahan pada nilai centroid masih di atas nilai threshold yang ditentukan, atau apabila perubahan pada nilai objective function masih di atas nilai threshold yang ditentukan.

Untuk menghitung centroid suatu cluster digunakan rumus sebagai berikut:

Dimana:Ni : Jumlah data yang menjadi anggota cluster ke- i

III. Metode Penelitian

Penelitian ini merupakan penelitian pengembangan perangkat lunak komputer dengan masukan data berupa koordinat pengguna hotspot dan jumlah perangkat access point yang akan dipasang di Universitas Muhammadiyah Purwokerto, dengan

2

menghasilkan keluaran posisi access point berupa koordinat pemasangan perangkat yang disarankan. Bahasa pemrograman yang digunakan adalah Java.

Adapun langkah operasional yang dilakukan dalam penelitian ini adalah sebagai berikut:1. Menentukan masukan

Masukan berupa data pengguna hotspot dan jumlah perangkat access point yang akan dipasang.

2. Melakukan proses klasterisasi menggunakan metode K-MeansData clustering menggunakan metode K-Means ini secara umum dilakukan dengan algoritma dasar sebagai berikut (Agusta, 2007):a. Tentukan jumlah clusterb. Alokasikan data ke dalam cluster secara

randomc. Hitung centroid/rata-rata dari data yang

ada di masing-masing clusterd. Alokasikan masing-masing data ke

centroid/rata-rata terdekate. Kembali ke Step c, apabila masih ada

data yang berpindah cluster atau apabila perubahan nilai centroid, ada yang di atas nilai threshold yang ditentukan atau apabila perubahan nilai pada objective function yang digunakan di atas nilai threshold yangditentukan.

3. Menentukan output

Output yang dihasilkan berupa koordinat tiap access point (pusat cluster).

IV. Hasil Dan Pembahasan

Data sample berupa posisi pengguna hotspot yang didapatkan dari 46 mahasiswa Universitas Muhammadiyah Purwokerto. Setiap mahasiswa dapat diambil posisi yang diinginkan ketika mengakses hotspot sebanyak satu sampai tiga posisi berupa koordinat longitude dan lattitude. Berdasarkan data sample tersebut, dilakukan proses klasterisasi menggunakan metode K-Means untuk mengelompokkan data ke dalam kelompok-kelompok tertentu sebanyak jumlah kelompok yang ditetapkan sebelumnya. Hasil klasterisasi berupa koordinat pusat cluster sebagai berikut.

No Cluster Center Longitude Lattitude

1 Cluster Center 1109,2721618765490

0 -7,41281431121751

2 Cluster Center 2109,2723296782830

0 -7,41427044780489

3 Cluster Center 3109,2733672508030

0 -7,41282700351439

Penyebaran data sample beserta alokasinya terhadap tiap pusat cluster dapat dilihat pada tabel berikut.

No Pengguna Longitude Lattitude CC1 No Pengguna Longitude Lattitude CC1

1Pengguna 1a

10,927,253,896,370,500

-741,436,097,770,92

92 65

Pengguna 24a

10,927,204,501,815,100

-741,423,801,518,97

62

2Pengguna 1b

10,927,261,297,591,000

-741,311,601,363,12

21 66

Pengguna 24b

10,927,309,703,081,800

-741,255,903,616,54

73

3Pengguna 1c

10,927,220,603,451,100

-741,349,596,530,19

91 67

Pengguna 24c

10,927,386,498,078,700

-741,372,596,472,50

13

4Pengguna 2a

10,927,182,700,484,900

-741,227,103,397,25

01 68

Pengguna 25a

10,927,179,004,065,600

-741,220,297,291,87

41

5Pengguna 2b

10,927,238,398,231,500

-741,444,999,352,09

72 69

Pengguna 25b

10,927,273,702,807,700

-741,424,798,965,45

42

6Pengguna 2c

10,927,246,604,114,700

-741,297,997,534,27

51 70

Pengguna 25c

10,927,253,804,169,500

-741,298,098,117,11

31

7Pengguna 3a

10,927,247,802,726,900

-741,372,101,940,21

42 71

Pengguna 26a

10,927,174,000,069,400

-741,220,297,291,87

41

3

8Pengguna 3b

10,927,358,703,687,700

-741,269,398,480,65

33 72

Pengguna 26b

10,927,346,399,053,900

-741,267,001,256,34

63

9Pengguna 3c

10,927,246,000,617,700

-741,307,997,144,75

81 73

Pengguna 26c

10,927,309,099,584,800

-741,255,995,817,48

23

10Pengguna 4a

10,927,215,800,620,600

-741,342,295,892,53

61 74

Pengguna 27a

10,927,208,600,565,700

-741,426,701,657,47

42

11Pengguna 4b

10,927,246,000,617,700

-741,307,997,144,75

81 75

Pengguna 27b

10,927,394,896,745,600

-741,410,298,272,96

73

12Pengguna 4c

10,927,204,099,483,700

-741,441,202,349,96

02 76

Pengguna 27c

10,927,308,697,253,400

-741,255,995,817,48

23

13Pengguna 5a

10,927,192,197,181,200

-741,424,103,267,49

02 77

Pengguna 28a

10,927,384,100,854,300

-741,277,998,313,30

73

14Pengguna 5b

10,927,246,796,898,500

-741,440,397,687,25

62 78

Pengguna 28b

10,927,306,501,194,800

-741,301,601,752,63

83

15Pengguna 5c

10,927,327,799,610,700

-741,275,299,340,48

63 79

Pengguna 28c

10,927,307,398,058,400

-741,413,801,908,49

32

16Pengguna 6a

10,927,192,398,346,900

-741,418,403,573,33

42 80

Pengguna 29a

10,927,216,798,067,000

-741,352,496,668,69

61

17Pengguna 6b

10,927,318,504,080,100

-741,273,203,864,69

33 81

Pengguna 29b

10,927,311,396,226,200

-741,257,697,343,82

63

18Pengguna 7a

10,927,222,296,595,500

-741,372,202,523,05

22 82

Pengguna 30a

10,927,192,297,764,100

-741,247,496,567,66

61

19Pengguna 7b

10,927,192,197,181,200

-741,415,101,103,48

42 83

Pengguna 30b

10,927,229,999,564,500

-741,447,497,159,24

22

20Pengguna 7c

10,927,226,303,145,200

-741,443,800,739,94

32 84

Pengguna 30c

10,927,295,101,806,500

-741,431,496,106,08

82

21Pengguna 8a

10,927,256,997,674,700

-741,439,199,075,10

22 85

Pengguna 31a

10,927,258,003,503,000

-741,289,598,867,29

71

22Pengguna 8b

10,927,309,602,499,000

-741,267,596,371,47

13 86

Pengguna 31b

10,927,308,102,138,300

-741,255,400,702,35

73

23Pengguna 8c

10,927,391,803,823,400

-741,358,900,442,71

93 87

Pengguna 31c

10,927,226,101,979,600

-741,335,297,003,38

81

24Pengguna 9a

10,927,211,903,035,600

-741,357,601,247,72

72 88

Pengguna 32a

10,927,203,998,900,900

-741,233,297,623,69

31

25Pengguna 9b

10,927,257,701,754,500

-741,438,503,377,13

92 89

Pengguna 32b

10,927,242,295,816,500

-741,342,698,223,88

81

26Pengguna 9c

10,927,389,699,965,700

-741,338,700,056,07

63 90

Pengguna 32c

10,927,253,100,089,700

-741,292,800,754,30

81

27Pengguna 10a

10,927,410,797,215,900

-741,311,299,614,60

83 91

Pengguna 33a

10,927,254,701,033,200

-741,301,199,421,28

61

28Pengguna 10b

10,927,194,602,787,400

-741,451,797,075,56

92 92

Pengguna 33b

10,927,218,901,924,700

-741,358,900,442,71

92

29Pengguna 10c

10,927,271,699,532,800

-741,425,000,131,13

02 93

Pengguna 34a

10,927,203,495,986,700

-741,420,499,049,12

72

4

30Pengguna 11a

10,927,237,400,785,000

-741,443,901,322,78

22 94

Pengguna 34b

10,927,286,895,923,300

-741,327,702,999,11

43

31Pengguna 11b

10,927,286,895,923,300

-741,327,702,999,11

43 95

Pengguna 34c

10,927,305,000,834,100

-741,250,203,922,39

03

32Pengguna 11c

10,927,201,601,676,600

-741,333,000,361,91

91 96

Pengguna 35a

10,927,177,595,905,900

-741,209,995,932,87

71

33Pengguna 12a

10,927,188,500,761,900

-741,220,599,040,38

91 97

Pengguna 35b

10,927,200,998,179,600

-741,409,703,157,84

22

34Pengguna 12b

10,927,410,596,050,300

-741,315,197,199,58

33 98

Pengguna 35c

10,927,202,699,705,900

-741,321,299,225,09

11

35Pengguna 13a

10,927,193,001,843,900

-741,221,797,652,54

21 99

Pengguna 36a

10,927,242,597,565,000

-741,346,696,391,70

11

36Pengguna 13b

10,927,330,398,000,700

-741,276,699,118,31

63 100

Pengguna 36b

10,927,203,102,037,300

-741,415,897,384,28

52

37Pengguna 13c

10,927,303,701,639,100

-741,264,503,449,20

13 101

Pengguna 36c

10,927,238,197,065,800

-741,443,800,739,94

32

38Pengguna 14a

10,927,307,498,641,300

-741,259,901,784,36

03 102

Pengguna 37a

10,927,242,597,565,000

-741,338,599,473,23

71

39Pengguna 14b

10,927,201,501,093,800

-741,329,899,057,74

51 103

Pengguna 37b

10,927,249,303,087,500

-741,305,801,086,12

71

40Pengguna 15a

10,927,245,900,034,900

-741,443,096,660,07

72 104

Pengguna 37c

10,927,201,400,510,900

-741,329,798,474,90

71

41Pengguna 15b

10,927,268,397,063,000

-741,432,200,185,95

42 105

Pengguna 38a

10,927,197,502,925,900

-741,217,900,067,56

71

42Pengguna 16a

10,927,253,401,838,200

-741,437,698,714,43

52 106

Pengguna 38b

10,927,410,503,849,300

-741,310,696,117,57

93

43Pengguna 16b

10,927,311,899,140,400

-741,256,800,480,18

63 107

Pengguna 38c

10,927,183,002,233,500

-741,447,103,209,79

32

44Pengguna 17a

10,927,256,695,926,100

-741,439,199,075,10

22 108

Pengguna 39a

10,927,179,398,015,100

-741,217,497,736,21

51

45Pengguna 17b

10,927,314,598,113,200

-741,288,601,420,81

93 109

Pengguna 39b

10,927,241,901,867,000

-741,345,900,110,90

01

46Pengguna 17c

10,927,175,399,847,300

-741,219,903,342,42

51 110

Pengguna 39c

10,927,182,801,067,800

-741,442,903,876,30

42

47Pengguna 18a

10,927,410,998,381,600

-741,310,997,866,09

43 111

Pengguna 40a

10,927,196,597,680,400

-741,244,998,760,52

11

48Pengguna 18b

10,927,257,601,171,700

-741,438,696,160,91

22 112

Pengguna 40b

10,927,242,597,565,000

-741,346,101,276,57

61

49Pengguna 18c

10,927,200,998,179,600

-741,224,798,373,87

81 113

Pengguna 40c

10,927,200,000,733,100

-741,408,102,214,33

62

50Pengguna 19a

10,927,365,601,994,000

-741,268,702,782,69

03 114

Pengguna 41a

10,927,204,099,483,700

-741,448,000,073,43

22

51Pengguna 19b

10,927,222,497,761,200

-741,443,599,574,26

72 115

Pengguna 41b

10,927,222,497,761,200

-741,443,599,574,26

72

5

52Pengguna 19c

10,927,309,703,081,800

-741,255,803,033,70

93 116

Pengguna 41c

10,927,268,698,811,500

-741,431,898,437,44

02

53Pengguna 20a

10,927,200,998,179,600

-741,226,298,734,54

51 117

Pengguna 42a

10,927,186,002,954,800

-741,221,898,235,38

01

54Pengguna 20b

10,927,219,597,622,700

-741,369,402,967,39

32 118

Pengguna 42b

10,927,393,203,601,200

-741,286,003,030,83

63

55Pengguna 20c

10,927,246,101,200,500

-741,442,501,544,95

22 119

Pengguna 42c

10,927,252,203,226,000

-741,442,300,379,27

62

56Pengguna 21a

10,927,342,400,886,100

-741,267,403,587,69

83 120

Pengguna 43a

10,927,247,199,229,800

-741,298,500,448,46

51

57Pengguna 21b

10,927,198,902,703,800

-741,451,897,658,40

72 121

Pengguna 43b

10,927,303,802,222,000

-741,247,203,201,05

53

58Pengguna 21c

10,927,279,695,868,400

-741,425,997,577,60

72 122

Pengguna 44a

10,927,259,897,813,200

-741,430,599,242,44

82

59Pengguna 22a

10,927,310,097,031,200

-741,289,699,450,13

53 123

Pengguna 44b

10,927,303,299,307,800

-741,243,196,651,33

93

60Pengguna 22b

10,927,309,703,081,800

-741,255,903,616,54

73 124

Pengguna 45a

10,927,264,801,226,500

-741,425,997,577,60

72

61Pengguna 22c

10,927,203,898,318,100

-741,232,995,875,17

91 125

Pengguna 45b

10,927,308,202,721,100

-741,243,900,731,20

53

62Pengguna 23a

10,927,201,098,762,400

-741,224,798,373,87

81 126

Pengguna 46a

10,927,314,698,696,100

-741,242,299,787,70

03

63Pengguna 23b

10,927,331,898,361,400

-741,270,102,560,52

03 127

Pengguna 46b

10,927,325,100,637,900

-741,243,900,731,20

53

64Pengguna 23c

10,927,232,002,839,400

-741,444,999,352,09

72

Berdasarkan analisis dan rancangan sistem yang telah dibuat maka dilakukan implementasi sistem klasterisasi dengan tiga cluster dan hasil sebagai berikut.

6

Diagram titik penyebaran data dan pusat cluster dapat dilihat pada gambar berikut.

V. Simpulan Dan Saran

A. SimpulanBerdasarkan hasil penelitian dan

pengujian yang telah dilakukan maka dapat disimpulkan bahwa penelitian ini telah dapat mengembangkan sistem klasterisasi menggunakan metode K-Means untuk menentukan posisi access point berdasarkan posisi pengguna. Beberapa kesimpulan dari penelitian ini antara lain:1. Terdapat kemudahan dalam melakukan

pengelompokkan dengan sistem klasterisasi.2. Berdasarkan pengujian sistem yang telah

dilakukan sistem klasterisasi ini telah dapat menghasilkan keluaran berupa titik koordinat posisi perangkat access point yang akan dipasang di Universitas Muhammadiyah Purwokerto.

B. SaranDari hasil pengujian dan

pengembangan sistem, beberapa hal yang disarankan terhadap penelitian ini adalah:1. Perlu dikembangkan lebih jauh dalam

menambahkan fasiltas yang lebih lengkap, seperti penyimanan data.

2. Metode yang digunakan dapat dikembangkan dengan menambahkan sistem cerdas seperti fuzzyfication.

DAFTAR RUJUKAN

[1.] Arifin, Samsul. 2013. Aplikasi K-Mean Untuk Menentukan Tata Letak Access Point Studi Kasus Gedung Fakultas Teknologi Industri Lantai Satu. Thesis S1:UII. Yogyakarta.

[2.] Agusta, Y. 2007. K-Means – Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem dan Informatika Vol. 3 (Pebruari 2007), 47-60. Denpasar.

[3.] Indrajani, M. 2004. Pemrograman Objek dengan Java. Elex Media Komputindo. Jakarta.

[4.] Jhonsen, Edison, J. 2005. Membangun Wireless LAN. Elex Media Komputindo. Jakarta.

[5.] Oyelade, O. J., et al. 2010. Application of K-Means Clustering Algorithm for Prediction of Students’ Academic Performance. (IJCSIS) International Journal of Computer Science and Information Security, Vol. 7, No. 1, 2010. Nigeria.

[6.] Rismawan, T. dan Kusumadewi, S. 2008. Aplikasi K-Means untuk Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka. Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN: 1907-5022. Yogyakarta.

7