implementasi dynamic clustering menggunakan metode k...
TRANSCRIPT
Implementasi Dynamic Clustering Menggunakan
Metode K-Means Cluster dan Particle Swarm
Optimization Untuk Identifikasi Karakteristik Lalu
Lintas Berdasarkan Jumlah dan Jenis Kendaraan
TSABBIT AQDAMI MUKHTAR
5110100227
Dosen Pembimbing:
Prof.Dr.Ir. Joko Lianto Buliali, M.Sc
Diana Purwitasari,S.Kom,M.Kom
Jurusan Teknik Informatika Fakultas Teknologi Informasi
Institut Teknologi Sepuluh Nopember
AGENDA
PENDAHULUAN METODE
PENGERJAAN UJI COBA
KESIMPULAN DAN SARAN
PENDAHULUAN
LATAR BELAKANG MASALAH
Fasilitas Umum Yang Sangat Vital
Keberadaannya Tidak Sebanding
Tingkat Kemacetan Yang Berbeda-beda
Tujuan Pengerjaan
Mengetahui Kinerja Metode Dynamic Clustering
Sistem Pengambilan Keputusan Untuk Pengawasan
Sistem Pengambilan Keputusan Untuk Pembangunan
BATASAN MASALAH
Penggunaan Data Bilangan Acak
NetBeans 7.3 Sebagai IDE
Manfaat Pengerjaan
Memberikan Solusi Pengelompokkan
Membantu Pengawasan
Membantu Pembangunan
METODOLOGI PENGERJAAN
Pengumpulan Data
Melalui Pengamatan
Menit Ke- Jumlah Kendaraan
(Mobil)
1 12
2 20
3 11
4 10
5 18
6 12
7 14
8 12
9 10
10 11
11 13
12 12
13 11
14 10
15 7
16 12
17 12
18 14
19 16
20 13
Salah Satu Hasil Pengamatan
Menjadi Dasar Pembangkitan Data
Bilangan Acak
Analisis Data Hasil Pengamatan
Pengajuan Hipotesis Awal : Distribusi Eksponensial
Nomer Data f(xi) f(xi)-i/n f(xi)-(1-i)/n
1 7 0,295312 0,245312 0,295312
2 10 0,393469 0,293469 0,343469
3 10 0,393469 0,243469 0,293469
4 10 0,393469 0,193469 0,243469
5 11 0,42305 0,17305 0,22305
6 11 0,42305 0,12305 0,17305
7 11 0,42305 0,07305 0,12305
8 12 0,451188 0,051188 0,101188
9 12 0,451188 0,001188 0,051188
10 12 0,451188 -0,04881 0,001188
11 12 0,451188 -0,09881 0,04881
12 12 0,451188 -0,14881 -0,09881
13 12 0,451188 -0,19881 -0,14881
14 13 0,477954 -0,22205 -0,17205
15 13 0,477954 -0,27205 -0,22205
16 14 0,503415 -0,29659 -0,24659
17 14 0,503415 -0,34659 -0,29659
18 16 0,550671 -0,34933 -0,29933
19 18 0,59343 -0,3567 -0,30657
20 20 0,632121 -0,36788 -0,31788
Tabel kogomorov-smirnov dimana α = 0,05 diperoleh kesimpulan bahwa data terdistribusi
eksponensial
Pembangkitan Bilangan Acak
Kode Rentang Rentang Waktu Distribusi
1 06.00-09.00 Eksponensial
2 09.00-12.00 Uniform
3 12.00-13.00 Eksponensial
4 13.00-16.00 Uniform
5 16.00-19.00 Eksponensial
6 19.00-22.00 Eksponensial
7 22.00-06.00 Uniform
Penentuan jumlah kluster Menggunakan Particle
Swarm Optimization
Particle Swarm
Optimization Swarm Partikel
Kecepatan
Posisi
Teori tentang optimasi,
adaptasi dari sekelompok
hewan
Sekelompok Indvidu di
dalam suatu kawanan
Individu Yang Bergerak
Mencari Posisi Terbaik Di
Dalam Ruang Solusi
Dua Fungsi Objektif Yang
Dimiliki Setiap Partikel