Penerapan Metode K-Means Clustering Datamining pada Tingkat Persaingan SBMPTN di Program Studi ITS Tugas : Demo Program Data Mining PDF

Preview

Summary

Penerapan Metode K-Means Clustering Datamining pada Tingkat Persaingan SBMPTN di Program Studi ITS Tugas : Demo Program Data Mining Disusun sebagai salah satu syarat untuk memenuhi tugas Projek Akhir mata kuliah Data Mining. Oleh : Riza Nidhom Fahmi NRP 2110157002 PROGRAM STUDI D4 LJ PJJ TEKNIK INFO...

Description

Accelerat ing t he world's research.

Penerapan Metode K-Means Clustering Datamining pada Tingkat Persaingan SBMPTN di Program Studi ITS Tugas : Demo ... Riza Nidhom Fahmi

Related papers Informasi Umum SNMPT N 2016 dewiyani dahlia

jurnal prat omo.docx Prat omo Tomo Panduan-akademik2010-2011 Diaz Adiguna

Download a PDF Pack of t he best relat ed papers 

Penerapan Metode K-Means Clustering Datamining pada Tingkat Persaingan SBMPTN di Program Studi ITS

Tugas : Demo Program Data Mining

Disusun sebagai salah satu syarat untuk memenuhi tugas Projek Akhir mata kuliah Data Mining.

Oleh : Riza Nidhom Fahmi NRP 2110157002

PROGRAM STUDI D4 LJ PJJ TEKNIK INFORMATIKA DEPARTEMEN TEKNIK INFORMATIKA DAN KOMPUTER POLITEKNIK ELEKTRONIKA NEGERI SURABAYA 2016

Metode K-Means Clustering digunakan dalam data mining untuk mengelompokan datadata kedalam cluster atau beberapa kelompok berdasarkan suatu kemiripan variabel atau atribut data. Berikut adalah contoh data yang saya Gunakan:

NO

Nama Prodi

FISIKA MATEMATIKA STATISTIKA KIMIA BIOLOGI TEKNIK MESIN TEKNIK ELEKTRO TEKNIK KIMIA TEKNIK FISIKA TEKNIK INDUSTRI TEKNIK MATERIAL DAN METALURGI 12 TEKNIK SIPIL 13 ARSITEKTUR

1 2 3 4 5 6 7 8 9 10 11

data tampung 2016

peminat 2015

30 39 36 36 27 60 48 48 45 60 39

361 493 759 586 644 1.784 1.199 956 898 1.225 1.235

45 30

1.653 1.135

Berdasarkan data diatas saya ingin mengelompokkan Tingkat Persaingan yang ada di Program Studi ITS dengan kriteria Daya Tampung program studi dan peminat program studi tersebut.

Algoritma Metode K Means Clustering

Algoritma Flowchart Metode Klastering K Means

Langkah- Langkah perhitungannya adalah: 1. Menentukan Jumlah cluster data. 2. Tentukan titik pusat cluster secara Random. 3. Hitung centroid/rata-rata dari data yang ada di masing-masing cluster 4. kelompokan obyek (Alokasikan masing-masing data ke centroid/rata-rata terdekat) 5. Kembali ke Step 3, 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 yang ditentukan Distance space digunakan untuk menghitung jarak antara data dan centroid. Adapun persamaan yang dapat digunakan salah satunya yaitu Euclidean Distance Space. Euclidean distance space sering digunakan dalam perhitungan jarak, hal ini dikarenakan hasil yang diperoleh merupakan jarak terpendek antara dua titik yang diperhitungkan. Adapun persamaannya adalah sebagai berikut :

dimana : dij = Jarak objek antara objek i dan j P = Dimensi data Xik = Koordinat dari obyek i pada dimensi k Xjk = Koordinat dari obyek j pada dimensi k

Dalam tahap ini akan dijelaskan langkah-langkah pengoperasian algoritma K-Means secara manual: Langkah 1. Menentukan Jumlah Claster. Diketahui: Jumlah Cluster = 3, jumlah data = 13, jumlah atribut = 2

NO

Nama Prodi

FISIKA MATEMATIKA STATISTIKA KIMIA BIOLOGI TEKNIK MESIN TEKNIK ELEKTRO TEKNIK KIMIA TEKNIK FISIKA TEKNIK INDUSTRI TEKNIK MATERIAL DAN METALURGI 12 TEKNIK SIPIL 13 ARSITEKTUR

1 2 3 4 5 6 7 8 9 10 11

data tampung 2016 peminat 2015 30 39 36 36 27 60 48 48 45 60 39

361 493 759 586 644 1.784 1.199 956 898 1.225 1.235

45 30

1.653 1.135

Langkah 2. Tentukan Titik Pusat Cluster Secara Random. Di ambil data random sebagai pusat cluster ke-1 Di ambil data random sebagai pusat cluster ke-2 Di ambil data random sebagai pusat cluster ke-3

30 27 45

586 1199 759

Langkah 3. Perhitungan Jarak Pusat Cluster Untuk mengukur jarak antara dengan pusat Cluster digunakan Euclidian Distance, kemudian akan didapatkan matriks jarak yaitu C1, C2 dan C3 sebagai berikut: Berikut perhitungannya dengan menggunakan persamaan Euclidean Distance Space : - Jarak antara data daya tampung dan peminat pertama dengan pusat cluster pertama. C1= SQRT((30-30)^2+(361-586)^2)=225 - Jarak antara data daya tampung dan peminat pertama dengan pusat cluster ke-dua. C2= SQRT((30-27)^2+(361-1199)^2)= 838.0054 - Jarak antara data daya tampung dan peminat pertama dengan pusat cluster ke-tiga. C3= SQRT((30-45)^2+(361-759)^2)= 398.2826 Adapun hasil dari perhitungan dari keseluruhan data terhadap tiap pusat cluster awal disajikan pada tabel berikut NO

Nama Prodi

1 2 3 4 5 6 7 8 9 10 11

FISIKA MATEMATIKA STATISTIKA KIMIA BIOLOGI TEKNIK MESIN TEKNIK ELEKTRO TEKNIK KIMIA TEKNIK FISIKA TEKNIK INDUSTRI TEKNIK MATERIAL DAN METALURGI TEKNIK SIPIL ARSITEKTUR

12 13

data tampung 2016 30 39 36 36 27 60 48 48 45 60 39

45 30

peminat 2015

C1

C2

C3

Jarak Terpendek

361 493 759 586 644 1.784 1.199 956 898 1.225 1.235

225 93.43447 173.104 6 58.07753 1198.376 613.2642 370.4376 312.3604 639.7038

838.0054 706.0255 441.0215 613.3974 555.6564 588.0689 48 247.6954 304.3452 65.39113

398.2826 266.0677 9 173.2339 116.4002 1025.11 440.0102 197.0228 139 466.2414

225 93.43447 9 6 58.07753 588.0689 48 197.0228 139 65.39113

1.653 1.135

649.0624 53.07542 476.0378 1067.105 456.2247 894 549 70.68239 376.2991

53.07542 456.2247 70.68239

Langkah 4. Pengelompokan Data Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat cluster terdekat. Berikut ini akan ditampilkan data matriks pengelompokkan group, nilai 1 berarti data tersebut berada dalam group(kelompok data). NO 1 2 3 4 5 6 7 8 9 10 11 12 13

C1 1 1 0 1 1 0 0 0 0 0 0 0 0

C2 0 0 0 0 0 1 1 0 0 1 1 1 1

C3 0 0 1 0 0 0 0 1 1 0 0 0 0

Kelompok data 1

Langkah 5. Penentuan pusat cluster baru Setelah diketahui anggota tiap-tiap cluster kemudian pusat cluster baru dihitung berdasarkan data anggota tiap-tiap cluster sesuai dengan rumus pusat anggota cluster. Sehingga didapatkan perhitungan sebagai berikut : C1 C2 C3

1 2 33 521 47 1371.833 43 871

Ulangi langkah ke 3 (kedua) hingga posisi data tidak mengalami perubahan. No

Nama Prodi

1 FISIKA 2 MATEMATIKA 3 STATISTIKA

data tampung 2016 30 39

peminat 2015

c1

c2

c3

361 493

160.0281 28.63564

1010.976 878.8694

510.1657 378.0212

36

759

238.0189

612.9317

112.2185

4 KIMIA 5 BIOLOGI 6 TEKNIK MESIN

36 27

586 644

65.06919 123.1463

785.91 728.1077

285.086 227.5632

60

1784

1263.289

412.372

913.1583

7 TEKNIK ELEKTRO 8 TEKNIK KIMIA

48

1199

678.1659

172.8359

328.0381

48

956

9 TEKNIK FISIKA 10 TEKNIK INDUSTRI 11 TEKNIK MATERIAL DAN METALURGI 12 TEKNIK SIPIL 13 ARSITEKTUR

45

898

435.2585 377.1909

415.8342 473.8372

85.14693 27.07397

60 39

1225 1235

704.5176 714.0252

147.4074 137.0667

354.408 364.022

45 30

1653 1135

1132.064

281.1741

782.0026

614.0073

237.4424

264.3199

Langkah selanjutnya sama dengan langkah pada nomor 4 jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat cluster terdekat. NO 1 2 3 4 5 6 7 8 9 10 11 12 13

C1 1 1 0 1 1 0 0 0 0 0 0 0 0

C2 0 0 0 0 0 1 1 0 0 1 1 1 1

C3 0 0 1 0 0 0 0 1 1 0 0 0 0

Kelompok data 2

Keterangan: Karena kelompok data 1 dan Kelompok data 2 sudah tidak ada perbedaan maka Proses Perulangannya di Hentikan karena proses pengclasifikasian sudah selesai....