MENGUKUR KECEPATAN SINYAL WIFI

MENGGUNAKAN METODE K-MEANS DAN AHC

(AGGLOMERATIVE HIERARCHIAL CLUSTERING)
Disusun untuk memenuhi tugas akhir matakuliah Pengenalan Pola

Oleh:
1.
2.
3.

Ahmad Faris Adhnaufal

Sofi Hanifah
Ridzhal Hachim W.

(135150301111056)
(135150300111003)
(135150301111064)

Dosen Pengampu:
Hurryatul Fitriyah, S.T.,M.Sc.

PROGRAM STUDI SISTEM KOMPUTER

FAKULTAS ILMU KOMPUTER
UNIVERSITAS BRAWIJAYA
MALANG
2016

BAB I
PENDAHULUAN
1.1 Latar Belakang
Pada saat ini kebutuhan manusia akan informasi dan komunikasi yang cepat
tanpa terbatas oleh tempat dan waktu telah memicu perkembangan teknologi dengan
pesat. Salah satunya adalah Wifi, wifi merupakan kependekan dari Wireless Fidelity
yaitu sebuah media penghantar komunikasi data tanpa kabel yang bisa digunakan
untuk komunikasi atau mentransfer program dan data dengan kemampuan yang
sangat cepat. Karena media penghantarnya menggunakan sinyal radio yang bekerja
pada frekuensi tertentu. Istilah wifi banyak dikenal oleh masyarakat sebagai media
untuk internet saja, namun sebenarnya bisa juga difungsikan sebagai jaringan tanpa
kabel (wireless) seperti di perusahaan-perusahaan besar dan juga di warnet. Jaringan
nirkabel tersebut biasa diistilahkan dengan LAN (local area network). Sehingga
antara komputer dilokasi satu bisa saling berhubungan dengan komputer lain yang
letaknya berbeda.
Berdasarkan pada standar internasional bahwa frekuensi wifi yang digunakan
adalah 2,4 GHz dan 5 GHz, dengan standar frekuensi ini maka kita bisa menentukan
mana yang kita butuhkan dengan mempertimbangkan seberapa jauh jangkaun wifi
access point router yang digunakan nanti. Cara praktis untuk mengetahui pada
frekuensi berapa sebuah perangkat wifi beroperasi adalah dengan mengecek standar
IEEE yang dipakai oleh perangkat tersebut, cek pada spesifikasinya jika
menggunakan standard IEEE 802.11b atau g maka frekuensi yang digunakan adalah
2.4GHz, jika menggunakan standard IEEE 802.11a maka menggunakan frekuensi 5
GHz, jika yang tertera adalah standard IEEE 802.11n maka frekuensi yang digunakan
adalah 2.4 GHz dan 5GHz. Dalam praktek di lapangan, jangkauan sinyal sebuah wifi
tidak hanya ditentukan oleh jenis frekuesinya saja ada beberapa faktor yang cukup
menentukan seperti kekuatan pancar dari antenna pemancar, daya tangkap dari
penerima, bahan material penghalang antara pemancar dan penerima dan faktor
interferensi.

Dalam penellitian ini, kami akan menganalisa dan mengelompokkan kualitas

sinyal pada wifi berdasarkan dua fitur, yaitu jarak akses poin terhadap perangkat dan
kecepatan transfer data dalam perangkat tersebut dengan menggunakan metode KMeans dan Agglomerative Hierachial Clustering.
1.2 Rumusan Masalah
Bagaimana cara mengelompokkan kualitas sinyal pada wifi dengan menggunakan
metode K-Means dan AHC (Agglomerative Hierarchial Clustering)?
1.3 Tujuan
Mengetahui cara mengelompokkan kualitas sinyal pada wifi dengan
menggunakan metode K-Means dan AHC (Agglomerative Hierarchial
Clustering).

BAB II
DATA PENELITIAN
2.1 Penjelasan
Pada penelitian ini peneliti menggunakan data primer berupa 2 fitur dengan 3
kelas pembagian. 2 fitur yang digunakan yaitu jarak dari device menuju ke access
point dan kecepatan down rate. Peneliti membagi kelas menjadi 3 yaitu strong,
good dan weak.

Peneliti memilih 2 fitur yaitu jarak device menuju access point karena banyak
orang percaya bahwa semakin jauh jarak device ke acces point maka kualitas
sinyal yang diterima semakin tidak baik. Pada penilitian ini, jarak antara
perangkat dengan acces point dihitung dengan satuan meter. Sedangkan fitur
kedua yaitu kecepatan downrate karena banyak orang berasumsi bahwa semakin
cepat down ratenya maka semakin baguslah kualitas sinyal yang didapat dengan
satuan mbps menggunakan fitur website speedtest net.
Sedangkan 3 kelas yaitu strong, good dan weak dipilih oleh peneliti karena 3
kelas ini sangat mewakili kondisi di lapangan dimana kategori tersebut sangat
menentukan sebuah kualitas sinyal yang diterima.

2.2 Data

BAB III
DASAR TEORI
2.1 K-Means
K-Means merupakan salah satu metode data clustering non hirarki
yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih
cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok
sehingga data yang memiliki karakteristik yang sama dikelompokkan ke
dalam satu cluster yang sama dan data yang mempunyai karakteristik yang
berbeda dikelompokkan ke dalam kelompok yang lain. Adapun tujuan dari

data clustering ini adalah untuk meminimalisasikan objective function yang

diset

dalam

proses

clustering,

yang

pada

umumnya

berusaha

meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan

variasi antar cluster.
Pada tahapan iterasi, nilai centroid cluster ditentukan dengan cara
menghitung rata-rata dari data yang terletak pada cluster yang sama
menggunakan rumus berikut:

dimana:
i : indeks dari cluster
j : indeks dari variable
k : indeks dari data
vij : nilai centroid cluster ke-i untuk variabel ke-j
xkj : nilai data ke-k yang ada di dalam cluster tersebut untuk variabel ke-j
Ni : Jumlah data yang menjadi anggota cluster ke-i
Data clustering menggunakan metode K-Means ini secara umum
dilakukan dengan algoritma dasar sebagai berikut:
1. Tentukan jumlah cluster
2. Alokasikan data ke dalam cluster secara random
3. Hitung centroid/rata-rata dari data yang ada di masing-masing cluster
4. 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.
2.2 Agglomerative Hierarchial Clustering
Hierarchical Clustering adalah metode analisis kelompok yang
berusaha untuk membangun sebuah hirarki kelompok data. Strategi
pengelompokannya umumnya ada 2 jenis yaitu Agglomerative (Bottom-Up)
dan Devisive (Top-Down). (Pada bagian ini akan dibatasi hanya
menggunakan konsep Agglomerative).
Algoritma Agglomerative Hierarchical Clustering :
1. Hitung Matrik Jarak antar data.
2. Ulangi langkah 3 dan 4 higga hanya satu kelompok yang tersisa.

3.

Gabungkan dua kelompok terdekat berdasarkan parameter kedekatan

yang ditentukan.
4. Perbarui Matrik Jarak antar data untuk merepresentasikan kedekatan
diantara kelompok baru dan kelompok yang masih tersisa.
Membentuk matrik jarak dengan mengguakan manhattan Distance:

Atau menggunakan Euclidian Distance:

Beberapa metode Pengelompokan Secara Hierarki Aglomeratif :

Single Linkage (Jarak Terdekat)

Complete Linkage (Jarak Terjauh)

Average Linkage (Jarak Rata-Rata)

2.3 DBIndex
Davies-Bouldin Index adalah fungsi rasio dari jumlah antara cluster scatter
sampai dengan cluster separation (Maulik & Bandyopadhyay, 2002). DaviesBouldin Index merupakan metode validasi cluster dari hasil clustering.
Pendekatan pengukuran DBI yaitu memaksimalkan jarak inter cluster serta
meminimalkan jarak intra cluster. Nilai purity adalah kesesuaian antara cluster
dengan cluster ideal, semakin besar nilai purity (semakin mendekati 1), semakin
baik kualitas cluster (Yi, Qiao, Yang, & Xu, 2010). Semakin kecil nilai DB Index

menunjukan skema cluster yang paling optimal. Semakin besar nilai purity
(mendekati 1) semakin baik kualitas cluster.

BAB IV
PEMBAHASAN
4.1 K-Means

Pada proses k-mean dihitung jarak dari data ke centroid. Dan masing-masing
data dicoba ke semua centroid kelas yang ada. Proses ini terus diulang hingga
beberapa iterasi sehingga data benar-benar tidak bergerak dan sesuai dengan
kelas pada perhitungannya. Sehingga hasil akhir didapatkan sebuah klasifikasi
berdasarkan kelas-kelas yang telah ditentukan.

4.2 Agglomerative Hierarchial Clustering

Pada proses AHC pertama-tama dihitung distance antar masing-masing data.

Setelah itu terbentuklah matriks yang berisi distance antar data. Setelah itu pilih
distance terkecil dan kemudian digabungkan. Lalu dibuat ulang matriks yg baru
karena jarak yg terpendek tadi disatukan manhattan distance. Ulangi hingga
matriks mendapatkan hasil distance telah mengerucut menjadi 3 kelas sesuai
dengan jumlah kelas yang ditentukan.

4.3 DBIndex

Setelah data diolah dengan menggunakan metode K-mean dan AHC. Hasil
akhir dari kedua metode tersebut dibandingkan dengan menggunakan DBindex.
Setelah dihitung dengan DBindex, maka dihasilkan index masing-masing metode
untuk mengukur performansi. DBindex metode K-means menghasilkan nilai
sebesar 0.59. sedangkan DBindex metode AHC menghasilkan nilai sebesar 0.39.

BAB V
KESIMPULAN
Berdasarkan hasil perhitungan dari penelitian ini dapat disimpulkan bahwa Pada
proses k-means, Proses terus diulang hingga beberapa iterasi sehingga data benar-benar
sesuai dengan kelas pada perhitungannya. Sehingga hasil akhir didapatkan sebuah klasifikasi
berdasarkan kelas-kelas yang telah ditentukan. Pada Proses AHC, dihitung distance antar
masing-masing data. Setelah itu pilih distance terkecil dan kemudian digabungkan. Ulangi
matriks hingga mendapatkan hasil distance telah mengerucut menjadi 3 kelas sesuai dengan
jumlah kelas yang ditentukan. Hasil akhir dari kedua metode tersebut dibandingkan dengan
menggunakan DBindex. DBindex metode K-means menghasilkan nilai sebesar 0.59.
sedangkan DBindex metode AHC menghasilkan nilai sebesar 0.39.