IMPLEMENTASI ALGORITMA DENSITY-BASED SPATIAL CLUSTERING OF

APPLICATIONS WITH NOISE (DBSCAN) PADA KONSUMSI DAYA LISTRIK

RUMAH TANGGA

Kurniawan, M. F.1, Nugraha, B. C.2, Putri, I.3, & Hasyim, A.4

1,4
Jurusan Ilmu Komputasi Institut Teknologi Telkom, Bandung
1
mokhamad.fajar.kurniawan@gmail.com, 2bayu_cahaya_n@yahoo.com, 3irzanesputri@gmail.com,
4
alihasyim92@gmail.com

Abstrak
Untuk mengetahui pola konsumsi listrik di rumah tangga dengan mengetahui daya listrik yang dipakai
setiap menit di rumah tangga yang direpresentasikan dengan global active power dan tambahan perlatan
listrik yang belum diukur yaitu sub-meterings 1,2 dan 3. Dalam menyelesaikan kasus seperti ini
diperlukan algoritma yang dapat menggambarkan pola konsumsi listrik di rumah tangga. Pada paper ini
akan menggunakan teknik clustering dengan algoritma DBSCAN untuk menganalisis dan
mengelompokkan pola konsumsi listrik di rumah tangga. Untuk menentukan cluster pola konsumsi listrik
dengan DBSCAN dibutuhkan Eps dan MinPts yang nilainya didapatkan secara heuristik dengan
membandingkan nilai dari kedua parameter tersebut dengan jumlah cluster yang diperoleh menggunakan
tools Weka untuk mengetahui model dan evaluation dari training set yang digunakan.

Kata kunci : DBSCAN, Konsumsi Listrik, Cluster

Abstract
To determine the pattern of electricity consumption in households with electrical power used to know
every minute in the household are represented by active global power and the additional electrical
equipment that has not been measured, namely sub-Meterings 1, 2 and 3. In resolving this case as
necessary algorithms to describe the pattern of electricity consumption in households. In this paper, using
a clustering technique with DBSCAN algorithm to analyze and classify the pattern of electricity
consumption in households. To determine the cluster power consumption patterns with DBSCAN takes
Eps and MinPts the heuristic value is obtained by comparing the value of both parameter is the number of
clusters obtained using Weka tools to know the model and evaluation of the training set used.

Keywords: DBSCAN, Electricity consumption, Cluster

1. Pendahuluan prediction, yaitu klasifikasi (classification) yang

Data merupakan catatan atas kumpulan
beberapa fakta. Di dalam data terdapat beberapa
record yang menyatakan isi dari data tersebut. Tidak
semua data itu berkualitas baik. Banyak data yang
record-nya hilang dan bahkan data tersebut ada yang
berkualitas buruk. Oleh sebab itu, diperlukan adanya
suatu metode untuk menyempurnakan data agar data
tersebut dapat diproses.
Data mining adalah suatu proses yang
digunakan untuk mencari informasi dan pengetahuan
yang berguna, dimana informasi dan pengetahuan
tersebut diperoleh dari data-data yang telah dimiliki.
Pada dasarnya data mining memiliki dua
fungsionalitas, yaitu prediction dan description.
Prediction menggunakan beberapa variable atau
field-field basis data untuk memprediksi nilai-nilai
variable di masa yang akan datang, yang belum
diketahui saat ini. Description berfokus pada
penemuan pola-pola tersembunyi dari sekumpulan
data yang telah ditelaah. Ada dua tipe dari metode
digunakan untuk memetakan sebuah unsur (item)
data ke dalam salah satu dari beberapa kelas yang
sudah didefinisikan, dan anomaly detection yang
merupakan sebuah proses otomatis (automated
process) yang mengidentifikasikan data yang tidak
termasuk di dalam suatu kumpulan atau pola.
Sedangkan pada metode description terdapat dua
tipe yang digunakan, yaitu clustering yang
merupakan pengelompokkan record, pengamatan
atau memperhatikan dan membentuk kelas objek
yang memiliki kemiripan, dan association yang
digunakan untuk menemukan suatu atribut yang
muncul dalam suatu waktu.
Pada jurnal ini, kami hanya memfokuskan pada
salah satu teknik clustering yaitu DBSCAN atau
Density-Based Spatial Clustering of Applications
with Noise.
Berdasarkan analisis situasi yang telah
disampaikan, dapat dikemukakan rumusan masalah
sebagai berikut:
a. Apakah pengertian dari DBSCAN? Noise point adalah titik yang berada di luar core
b. Bagaimana proses kerja dari DBSCAN? point dan border point
c. Bagaimana peranan algoritma DBSCAN
mengatasi clustering pada data konsumsi daya
listrik rumah tangga?

Tujuan penelitian dari jurnal ini adalah sebagai

berikut:
a. Menjelaskan pengertian dari algoritma
DBSCAN.
b. Menjelaskan proses kerja dari DBSCAN
c. Menjelaskan peranan algoritma DBSCAN
mengatasi clustering pada data konsumsi daya
listrik rumah tangga.

2. Pengertian DBSCAN (Density-Based Spatial

Clustering of Applications with Noise)
DBSCAN adalah salah satu jenis density based
clustering dengan karakteristik yang dapat
menangani noise, bentuk dari data yang cukup
bervariasi (arbitrary shape), tidak menciptakan
complete clustering, dan cocok digunakan untuk
data dengan jumlah yang besar. Algoritma ini
memperluas wilayah dengan kepadatan yang tinggi
ke dalam cluster dan menempatkan cluster irregular
pada database spasial dengan noise. Untuk
menentukan sebuah cluster, DBSCAN diawali
dengan menentukan sebuah titik dengan heuristik,
yaitu p dan mendapatkan kembali semua point
density reachable dari p, dimana p bisa dikatakan
dengan titik pusat, yang mempunyai Eps (Jari-jari)
dan MinPts (Jumlah titik minimum di setiap area
untuk mengubah titik tersebut menjadi core point).
Jika p merupakan core point maka akan
menghasilkan suatu cluster. Akan tetapi, jika p
merupakan border point (Titik yang berada di tepi
area), maka tidak ada titik density reachable atau
tidak ada titik yang bisa menjadi suatu core point
dari p dan DBSCAN kemudian men-tracing ke titik
berikutnya.
DBSCAN memiliki 2 parameter yang
mempengaruhi untuk menentukan cluster di setiap
point yaitu MinPts dan Eps.
MinPts adalah jumlah titik minimum untuk
menentukan core point
Eps adalah jarak antara core point dan border
(diameter) atau bisa disebut juga jari-jari
MinPts dan Eps bisa ditentukan dengan
heuristik, tetapi jika ingin lebih baik hasil
heuristiknya yaitu dengan menggunakan metode K-
Graph. Ada 3 titik yaitu core point, border point,
dan noise point:
Core point adalah titik pusat yang didapat dari
MinPts point tersebut
Border point adalah point yang terdapat di
daerah core point
Titik S direct density reacheable terhadap titik
T. Titik S juga merupakan density reacheable
terhadap T. Karena titik T direct density / density
reacheable dari titik U, dan titik S direct density /
density reacheable terhadap titik T maka titik S dan
titik U density connected. Tidak menutup
kemungkinan juga titik S, T, U, V saling ber-density
connected.
3. Algoritma DBSCAN (Density-Based Spatial
Clustering of Applications with Noise)
Berikut ini adalah algoritma dari DBSCAN
(Density-Based Spatial Clustering of Applications
with Noise) :
Pilih sebuah titik secara heuristik dengan
memastikan bahwa titik yang akan diambil
belum masuk ke dalam suatu cluster
Ambil semua titik yang density-reachable
dari yang memenuhi syarat Eps dan
untuk menghasilkan cluster :
o Jika adalah core points, maka
sebuah cluster akan terbentuk
o Jika adalah sebuah border point,
maka tidak ada titik yang density-
reachable dari , DBSCAN akan
mengunjungi titik berikutnya
Lanjutkan proses ini sampai semua titik
diproses.
4. Teknik Pengukuran Jarak
Euclidean Distance
Merupakan ukuran jarak antara dua item X
dan Y.
Squared Euclidean Distance
 Merupakan ukuran jarak antara dua item X
dan Y.

Pearson Correlation
Korelasi antara vektor nilai

Dimana Zxi adalah nilai x yang telah

distandarkan untuk item ke-i dan N adalah
jumlah item-nya
Misalkan dalam iterasi terpilih titik C1
Chebychev secara heuristik. Maka dicari titik-titik yang
bertetanggaan dari C1. Sesuai dengan syarat
bahwa Eps yaitu 1 cm dan MinPts adalah 3,
Block maka diperoleh titik-titik yang bertetanggaan
dari C1 yaitu 1, 2, 3, 4, dan 5. Terdapat 5 titik
yang bertetanggan dengan titik C1. Karena
memenuhi syarat dimana titik berada pada Eps =
1 cm dan MinPts = 3, maka titik tersebut akan
5. Contoh Kasus dengan Menggunakan
menjadi Core Object.
Algoritma DBSCAN (Density-Based Spatial
Clustering of Applications with Noise)
Iterasi 2

Berikut ini merupakan contoh Data Base:

Iterasi berikutnya dilanjutkan dengan titik

lain di dalam database. Maka diperoleh titik C2
Diketahui MinPts = 3 dan Eps = 1 cm secara heuristik lagi. Didapatlah titik yang
bertetanggan dari titik C2, sejumlah 5 titik,
Iterasi 1 yaitu 1, 2, 4, 6 dan 7. Karena memenuhi syarat
dimana titik berada pada Eps = 1 cm dan
MinPts = 3, maka titik tersebut akan menjadi
Core Object. Lakukan hal yang sama pada
iterasi berikutnya sampai Cn.

C1, C2 dan C3 adalah density-reachable. Hal
ini terjadi karena C1 directdensity-reachable dari
C2 maupun C3.
Ci dan Cn direct density reachable dan
sudah tentu mereka density-connected. Iterasi
dilakukan sampai node n. Setelah melewati
beberapa iterasi, didapatkan cluster sebanyak
dua kelompok dengan beberapa noise. Berikut
ini merupakan hasil dari clustering dengan
menggunakan algoritma DBSCAN.
Keunggulan DBSCAN yaitu tahan terhadap
noise, dan dapat mengatasi cluster yang ukuran dan
bentuknya berbeda. Sedangkan kelemahan dari
DBSCAN yaitu sangat buruk dalam mengatasi data
yang mempunyai dimensi yang sangat besar dan
mempunyai tingkat variasi yang tinggi pada
kepadatan antar titik.
6. Informasi Data Set yang digunakan
Data diambil dari Uci Repository dan berisi
daya penggunaan listrik suatu rumah tangga yang
diambil dalam jangka waktu 4 tahun. Berikut ini
merupakan dataset konsumsi daya listrik rumah
tangga:
Jumlah record : Pada awalnya jumlah record
sebanyak 2.075.259, tetapi yang diambil
sebanyak 10.259 record
Jumlah atribut : 7
Karakteristik Data Set : Multivariate, Time
Series
Karakteristik atribut : Real
Tipe Data : Unsupervised
Missing value : Mendekati 1.25 % dari tiap
baris, tetapi dari 10.259 record yang diambil,
tidak terdapat missing value
Informasi atribut :
o global_active_power: rataan daya aktif
yang digunakan oleh rumah tangga
dalam satuan kilowatt
o global_reactive_power: rataan daya
reaktif yang digunakan oleh rumah
tangga dalam satuan kilowatt
o voltage: rata-rata tegangan per menit
dalam satuan volt
o global_intensity: rataan intensitas
penggunaan daya pada rumah tanggah
per menit dalam satuan ampere
o sub_metering_1: energy sub-metering
No. 1 (dalam satuan watt per jam dari
keadaan energi yang aktif). Didalamnya
termasuk penggunaan dapur, mesin cuci
piring, oven, dan microwave
o sub_metering_2: energy sub-metering
No. 2 (dalam satuan watt per jam dari
keadaan energi yang aktif). Di dalamnya
termasuk ruangan laundry It
corresponds to the laundry room, mesin
cuci pakaian, tumble-drier, kulkas dan
lampu
o sub_metering_3: energy sub-metering
No. 3 (dalam satuan watt per jam dari
keadaan energi yang aktif). Di dalamnya
termasuk electric water-heater dan air-
conditioner.
7. Skenario Pengujian
Ada beberapa skenario yang digunakan pada
pengujian ini yaitu:
a) Pemilihan dua parameter DBSCAN yaitu
MinPts dan Eps yang ditentukan secara
heuristik.
b) Membandingkan beberapa nilai dari kedua
parameter tersebut dengan jumlah cluster yang
dihasilkan.

8. Analisis Hasil Pengujian

Setelah menentukan jumlah MinPts dan Eps

yang optimal secara trial and error, hasil pengujian
beberapa MinPts dan Eps pada data set untuk setiap
skenario pengujian dapat dilihat pada tabel 1.

Tabel 1. Analisis Penentuan Heuristik MinPts

dan Eps
Kemudian pilih aplikasi explorer.
MinPts Eps Cluster Unclustered
5 0,27 1 14
8 0,27 4 17
10 0,27 4 23
13 0,27 5 57
13 0,22 5 149
13 0,18 7 197
13 0,14 11 383
13 0,1 8 687

Keterangan:
MinPts : Minimal titik/poin di suatu core point
(syarat untuk menjadi core point). Selanjutnya open file dan pilih data yang
Eps : Jarak maksimal antara 2 titik pada titik akan diuji.
pusat atau bisa juga jari-jari pada area titik pusat
tertentu.
Cluster : Wilayah yang sudah terbagi.
Unclustered : Titik atau poin yang tidak
termasuk ke dalam cluster. Unclustered juga
biasa disebut Noise Point

Dari hasil analisis tersebut, semakin kecil Eps

yang dimasukkan kedalam proses clustering maka
akan semakin besar nilai unclustered point-nya.
Setelah melakukan trial and error, akan mengambil
MinPts yang bernilai 8, dan eps yang bernilai 0.27.
Karena menghasilkan jumlah cluster dan
unclestered yang optimal. Penentuan nilai MinPts
dan Eps scara heuristik mendekati default dari Weka.
Pada pengujian ini menggunakan aplikasi Weka. Pilih tab cluster
Berikut ini merupakan tahapan-tahapannya :
Tahap pertama yang dilakukan adalah open
weka software.
 Kemudian pilih DBSCAN sebagai Jika nilai MinPts = 8, dan Eps = 0,27, akan
algoritma cluster didapatkan hasil cluster 0 terdapat 9902 instances,
cluster 1 terdapat 137 instances, cluster 2 terdapat
188 instances, dan cluster 3 terdapat 15 instances.
Sedangkan uncluster nya terdapat 17 instances.
Dari analisis kami cluster 0, 1, 2, 3 merupakan
jenis pola dari konsumsi listrik per jam.
Cluster 0 = Pola konsumsi rendah
Cluster 1 = Pola konsumsi normal
Cluster 2 = Pola konsumsi tinggi
Cluster 3 = Pola konsumsi sangat tinggi

Untuk melihat sample hasil clustering, akan

ditampilkan pada tabel 2.
Tabel 2. Sample Hasil clustering
Global Global
Global Submetering Submetering Submetering
Active Reactive Voltage Cluster
Selanjutnya klik DBSCAN dan masukkan Power Power
Intensity 1 2 3

nilai Eps dan MinPts yang diinginkan 1,194 0,062 232,29 5 0 0 16 0

secara heuristik, default nya MinPts = 0,9 1,196 0,062 232,54 5 0 0 17 0

dan Eps = 6. 4,294 0 238,56 18 37 0 0 1

4,004 0 238,33 17,2 37 0 0 1

3,142 0,214 230,4 14 22 0 16 2

3,602 0,208 229,74 15,6 32 0 17 2

5,762 0,184 233,9 24,6 0 73 16 3

5,812 0,166 233,66 24,8 0 73 17 3

2,662 0,358 229,22 23,4 15 1 16 Noise

2,662 0,22 231,05 12,2 21 0 16 Noise

Dari segi performansi DBSCAN dalam

membuat cluster, semakin banyak record & atribut
nya, maka performansi DBSCAN akan menurun
(kompleksitas waktu tinggi). Begitu pula semakin
tinggi nilai Eps nya, maka akan semakin tinggi
kompleksitas waktunya untuk membuat suatu
cluster. Hasil pengujian dapat dilihat pada tabel 2.
Tabel 3. Hasil Perbandingan Kompleksitas
Pilih training set pada cluster mode dan klik Waktu
start sehingga akan dihasilkan model dan
evaluation dari training set. Eps MinPts Running Time
 0,1 8 63,91 s 2. (t.thn.). Dalam A. Budiarti, Aplikasi dan
Analisis Literatur.
0,27 8 68,3 s 3. Hebrail, G. (2012, Agustus 30). UCI. Dipetik
0,4 8 68,76 s Mei 9, 2013, dari Machine Learning
0,1 10 64,93 s Repository:
http://archive.ics.uci.edu/ml/datasets/Individual
0,27 10 65,97 s +household+electric+power+consumption
0,4 10 67,43 s 4. Peter, J. H., & Antonysamy, A. (2010).
International Journal of Computer Applications
(0975 8887) Volume 6 No.9, September
9. Validasi
2010. An Optimised Density Based Clustering
Algorithm, 1-6.
Pada validasi akan menggunakan metode
5. UII, L. D. (t.thn.). LABORATORIUM DATA
similiarity matrix untuk menemukan nilai validasi
MINING JURUSAN TEKNIK INDUSTRI
dalam range [0..1]. Berikut ini merupakan
FAKULTAS TEKNOLOGI INDUSTRI
rumusnya.
UNIVERSITAS ISLAM INDONESIA.
CLUSTERING, 1-12.
(6)

Matriks A merupakan matriks inputan dari data

yang diteliti. Matriks B adalah matriks yang
mempunyai karakteristik yang hampir sama dengan
matriks A. Matriks P merupakan matriks non-
singular yang berisi nilai validasi nya.

10. Kesimpulan dan Saran

Kesimpulan
Dari hasil akhir yang didapat maka dapat
ditarik kesimpulan sebagai berikut :
a. MinPts dan Eps akan mempengaruhi
pembentukan cluster
b. Dengan adanya Algoritma DBSCAN
yang dapat mengelompokkan jumlah
pemakaian daya listrik pada rumah
tangga, dapat mengetahui pola
konsumsi listrik pada suatu rumah
tangga berdasarkan waktu
penggunaan.
Saran
Jumlah data yang terlalu banyak
mengakibatkan terjadinya pemotongan
data, data yang pada awalnya berjumlah
2.075.259 record, sehingga jumlah record
akan direduksi menjadi 10.259 record.
Keakuratan data mungkin akan menurun
ketika terjadinya pereduksian jumlah
record. Tetapi di sisi lainnya akan
mempercepat proses DBSCAN dalam
meng-cluster.

Daftar Pustaka

1. Agustin, F., Jayanto, D. D., Widiyanto, T. P.,

Agustina, R., Kusumawardani, W., &
Pramudianti, S. (t.thn.). Density Based Method.
hal. 1-2.