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