hibahprodi genap 2012/2013
DESCRIPTION
Achmad Fauzan - Universitas Muhammadiyah PurwokertoTRANSCRIPT
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
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