Kelas : 15 / S1.

IF / 03

TUGAS AKHIR MATA KULIAH

KECERDASAN BUATAN

PENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN

DAERAH RAWAN PANGAN DI KABUPATEN BREBES

KELOMPOK

ALI AKBAR AMRULLOH NIM : 15.11.8632

HEGA PUTRA PRATAMA NIM: 15.11.8688

UNIVERSITAS AMIKOM YOGYAKARTA

YOGYAKARTA

2017
 RINGKASAN

Pangan merupakan kebutuhan manusia yang paling mendasar dalam

menjalani kehidupannya, sehingga pangan dapat disebut sebagai kebutuhan hak
atas hidup manusia. Menyadari sepenuhnya atas kenyataan tersebut maka
pemerintah Indonesia melalui Peraturan Pemerintah Republik Indonesia nomor 68
tahun 2002 tentang Ketahanan Pangan bahwa ketahanan pangan merupakan hal
yang sangat penting dalam rangka pembangunan nasional untuk membentuk
manusia Indonesia yang berkualitas, mandiri, dan sejahtera melalui perwujudan
ketersediaan pangan yang cukup, aman, bermutu, bergizi, dan beragam serta
tersebar merata diseluruh Indonesia.

Namun jika dilihat dari data BPS tahun 2014 jumlah penduduk miskin di
Kabupaten Brebes mencapai angka 20% dari total 1.732.719 jiwa (2010), tentu saja
hal itu akan mempengaruhi pertumbuhan ekonomi di Kabupaten Brebes.
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Brebes adalah salah satu kabupaten yang terletak dibagian utara paling barat
wilayah Provinsi Jawa Tengah di antara koordinat 108° 41'37,7" - 109°
11'28,92" Bujur Timur dan 6° 44'56'5" - 7° 20'51,48 Lintang Selatan dan
berbatasan langsung dengan wilayah Provinsi Jawa Barat. Berdasarkan
administrasi wilayah, Kabupaten Brebes mempunyai luas 1.657,73 km2, terdiri
dari 17 kecamatan, 292 desa, dan 5 kelurahan. Jumlah penduduk pada tahun
2010 mencapai 1.732.719 jiwa dengan tingat kepadatan 1.066 jiwa/km2.

1.2 Rumusan Masalah

Rumusan masalah pada penelitian ini adalah :
1. Bagaimana membuat satu system yang dapat melakukan pengelompokkan
untuk menentukan daerah dengan ketahanan pangan rendah menggunakan
algoritma K-Means?
2. Menghindari kelasahan target penerimaan penyaluran bantuan.
 BAB II

TINJAUAN PUSTAKA

2.1 Pengertian Pangan

Pengertian pangan menurut Peraturan Pemerintah Republik Indonesia

Nomor 28 Tahun 2004 adalah segala sesuatu yang berasal dari sumber hayati
dan air, baik yang diolah maupun yang tidak diolah, yang diperuntukkan
sebagai makanan atau minuman bagi konsumsi manusia, termasuk bahan
tambahan pangan, bahan baku pangan dan bahan lain yang digunakan dalam
proses penyiapan, pengolahan, dan/atau pembuatan makanan atau minuman.

2.2 Teori Algoritma K-Means

K-Means merupakan algoritma klasterisasi yang paling tua dan paling
banyak digunakan dalam berbagai aplikasi kecil hingga menengah karena
kemudahan dalam pengimplementasiannya. Konsep K-Means yaitu
meminimalkan Sum of Squared Error (SSE) antara object data dengan sejumlah
k centroid.
Langkah kerja algoritma K-Means yaitu sebagai berikut :

k-means (D,k)
Pilih sejumlak k objek secara acak dari himpunan data D sebagai centroid
awal
Repeat
For semua objek didalam D
Masukkan setiap objek yang bukan centriod ke klaster yang paling
dekat diantara k klaster yang ada
Rumus :
𝒏

𝒅𝒊𝒌 = √∑(𝒙𝒊𝒋 − 𝒄𝒌𝒋 )

𝒋=𝟏

Keterangan :
dik= jarak data ke-i dengan pusat klaster ke-k
n = jumlah atribut
xj = data ke-j
ck = data pusat cluster ke-k
 End
Perbarui setiap centroid dengan menghitung rata-rata dari semua
object yang berada di dalam klaster tersebut.
Rumus :
∑𝑝ℎ=1 𝑥ℎ𝑗
𝐶𝑘𝑗 =
𝑝
Keterangan :
Ckj = Pusat Cluster
p = jumlah semua anggota klaster
h = jumlah awal anggota klaster
xhj = jumlah nilai atribut semua anggota klaster

Until tidak ada perubahan centroid

 BAB III

METODE PENELITIAN

Metodologi penelitian yang akan dilakukan diantaranya :

2.1 Kebutuhan Data

Melakukan berbagai macam pengumpulan data dari referensi, jurnal penelitian,

tesis dan sumber lain dari internet. Data yang dibutuhkan ialah kriteria penilaian
untuk setiap daerah di Kabupaten Brebes

2.2 Data Mining

Data mining merupakan sebuah proses menggali informasi sebuah data yangs
ebelumnya belum diketahui dan selanjutnya digunakan sebagai acuan untuk
mengambil sebuah keputusan. Dalam menggali sebuah data, berbagai metode
digunakan untuk mempermudah menemukan informasi antara lain : Estimasi,
Prediksi, Klasifikasi, Clustering, dan Asosiasi

2.3 Metode Clustering

Clustering merupakan proses dimana data-data yang terkumpul dikelompokkan

menjadi satu sehingga setiap anggota kelompok memiliki kesamaan dan
mempunyai perbedaan dengan anggota pada kelompok lain

Partisi dalam sebuah cluster tidak dilakukan secara manual namun harus
menggunakan algoritma Clustering. Sehingga Clustering dapat dengan mudah
menemukan kelompok yang belum dikenali pada sebuah data.

Cluster berperan penting saat pengklasifikasian objek karena menentukan sebuah

cluster merupakan awal dari teknik clustering. Sebenarnya teknik clustering
mempunyai tujuan untuk mengelompokkan beberapa data menjadi sebuah cluster
yang setiap cluster terdiri dari data-data yang mirip saja
2.4 Algoritma K-Means

K-Means merupakan salah satu metode clustering yang sering sekali digunakan.
Pertama tama kita memilih K (merupakan initial dari centroid). Untuk menentukan
centroid dapat kita mengambil point secara random. Setiap poin yang berada pada
sekitar centroid akan membentuk sebuah kumpulan baru yang dinamakan klaster,
Lakukan hal tersebut berulang kali sampai tidak terdapat perubahan pada point
klaster ataupun pada centroid.

Berikut dasar algoritma dari K-Means :

1. Basic K-means algoritm

2. Select K-points as centroid
3. Repeat
4. Form K cluster by assigning each point to its closest centroid
5. Recompuled the centroif of each cluster
6. Until Centroid don’t change

2.5 Metode TOPSIS

TOPSIS atau Technique For Others References by Similarity to Ideal Solution

adalah sebuah metode yang digunakan untuk pengambilan sebuah keputusan
multikriteria yang pertama kali diperkenalkan pada tahun 1981 oleh Yoon dan
Hwang. Konsep dari TOPSIS yaitu alternative yang terpilih atau terbaik selain
mempunyai jarak terjauh dari solusi ideal negative juga memiliki jarak terdekat dari
solusi ideal positif dari sudut pandang geometris menggunakan Euclidean Distance
untuk menentukan jarak relative dari suatu alternative dengan solusi optimal.
Secara umum, prosedur TOPSIS mengikuti langkah-langkah sebagai berikut :

1. Membuat matriks keputusan yang ternormalisasi.

2. Membuat matriks keputusan yang ternormalisasi terbobot.
3. Menentukan matriks solusi ideal positif dan negative.
4. Menentukan jarak antara nilai setiap alternative dengan matriks solusi ideal
positif dan matrik ideal negative.
5. Menentukan nilai preferensi untuk setiap alternative.
Langkah dan rumus penyelesaian metode TOPSIS yaitu sebagai berikut :

1. Membangun normalized decision matrix

𝑥𝑖𝑗
𝑟𝑖𝑗 =
√ ∑𝑚 2
𝑖=1 𝑥𝑖𝑗

Dengan i = 1,2, …m dan j = 1,2, …n

Dimana :
rij = matriks ternormalisasi [i][j]
xij = matriks keputuan [i][j]

2. Membangun weight normalized decision matrix

Solusi ideal A+ dan solusi ideal negative A- dapat ditentukan berdasarkan
rating bobot ternormalisasi (Yij) sebagai :
𝑦𝑖𝑗 = 𝑤𝑖 𝑟𝑖𝑗

Dengan i = 1,2, …m dan j = 1,2, …m

Dimana :

yij = matriks ternormalisasi terbobot [i][j]

wi = vector bobot [i]

3. Menentukan Matriks solusi ideal positif dan negatif

A+ = (y1+, y2+, … yn+)

A- = (y1-, y2-, … yn-)

4. Menentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal
positif dan matrik ideal negatif.

𝑛
+
𝐷𝑖 = √∑(𝑦𝑖 + − 𝑦𝑖𝑗 )2
𝑖=1
 𝑛
−
𝐷𝑖 = √∑(𝑦𝑖𝑗 − 𝑦𝑖 − )2
𝑗=1

Dimana :
Di+ = Jarak alternative Ai dengan solusi ideal positif
Di- = Jarak alternative Ai dengan solusi ideal negatif
yi+ = Solusi ideal positif[i]
yi- = Solusi ideal negatif[i]
yij = matriks normalisasi bobot[i][j]

5. Menentukan nilai preferensi untuk setiap alternatif

𝐷𝑖 −
𝑉𝑖 =
𝐷𝑖 − + 𝐷𝑖 +
Dimana :

Vi = Kedekatan tiap alternative terhadap solusi ideal

Di+ = Jarak alternative Ai dengan solusi ideal positif

Di- = Jarak alternative Ai dengan solusi ideal negatif

Nilai Vi yang lebih besar menunjukkan bawha alternative Ai lebih dipilih.

2.6 Objek Penelitian

Dalam penulisan ini, ojek penelitian yang dipilih adalah penerapan algoritma K-
means untuk menetukan daerah rawan pangan di kabupaten brebes. Penelitian
dilakukan dengan mengumpulkan data yang diperoleh dari Pemerintah Daerah
kabupaten Brebes.
 BAB IV

HITUNGAN MANUAL

4.1 Pre Processing Data Kecamatan

Sasar Reali
Sasar Reali Sasar Reali an sasi Sasar Reali
an sasi an sasi Prod Prod an sasi
Kecamata
No Luas Luas Luas Luas uktivi uktivi Prod Prod
n
Laha Laha Pane Pane tas tas uksi uksi
n (ha) n (ha) n (ha) n (ha) (kw/h (kw/h (ton) (ton)
a) a)
1 Salem 15209 2558 2558 2558 62.98 59.27 1500 1325
Bantarkaw
2 20500 3303 3210 2981 82.2 75.77 1751 1411
ung
3 Bumiayu 7369 2914 2745 2516 25.76 25.43 1418 1404
Paguyang
4 10494 2298 2011 1821 30.21 21.49 1201 1198
an
5 Sirampog 6703 1743 1431 1311 19.37 12.78 954 834
6 Tonjong 8126 2015 2025 1431 20.23 15.71 1011 743
Tabel 4.1.1 : Data Tiap Kecamatan

Data diatas belum bias digunakan, sehingga perlu dilakukan pre processing agar
data lebih akurat .

Presentase Presentase Presentase Presentase

No Kecamatan
Luas Lahan Luas Panen Produktivitas Produksi
1 Salem 16.81 100 94.1 88.33
2 Bantarkawung 16.11 92.86 92.17 80.58
3 Bumiayu 38.18 91.65 83.19 99.01
4 Paguyangan 21.89 90.85 71.13 99.75
5 Sirampog 26 91.61 65.97 87.42
6 Tonjong 24.92 70.66 77.65 73.49
Tabel 4.1.2 : Data setelah melalui proses pre processing

Setelah data hasil preprocessing di dapatkan kita masih perlu melakukan tahap
normalisasi, tujuannya agar nilai dari tiap data berada pada range yang sama untuk
memudahkan perhitungan.
Rumus yang digunakan dalam melakukan proses Normalisasi adalah sebagai
berikut :

𝑛𝑖𝑙𝑎𝑖 𝑎𝑠𝑎𝑙−𝑛𝑖𝑙𝑎𝑖 𝑚𝑖𝑛𝑖𝑚𝑎𝑙

𝑁𝑖𝑙𝑎𝑖 𝐵𝑎𝑟𝑢 = (𝑛𝑖𝑙𝑎𝑖 𝑚𝑎𝑘𝑠𝑖𝑚𝑎𝑙−𝑛𝑖𝑙𝑎𝑖 𝑚𝑖𝑛𝑖𝑚𝑎𝑙 ) ...(1)

Contoh perhitungan normalisasi data di kecamatan salem untuk variable Presentase

Luas Lahan, maka :

16,81−16,11
= (38,18−16,11)

0,7
= (22,07)

= 0,031

Setelah dilakukan proses tersebut maka akan didapat data seperti tabel dibawah ini.

Presentase Presentase Presentase Presentase

No Kecamatan
Luas Lahan Luas Panen Produktivitas Produksi
1 Salem 0.031 1 1 0.565
2 Bantarkawung 0 0.756 0.931 0.269
3 Bumiayu 1 0.715 0.612 0.971
4 Paguyangan 0.261 0.688 0.183 1
5 Sirampog 0.448 0.714 0 0.53
6 Tonjong 0.399 0 0.415 0
Tabel 4.1.3 : Data setelah normalisasi

4.2 Menghitung Jarak Dan Penentuan Cluster

Setelah data ternormalisasi, selanjutnya yaitu memilih objek yang akan dijadikan
sebagai pusat klaster. Sebagai contoh, kita memilih Salem sebagai C1, Paguyangan
sebagai C2, dan Bumiayu sebagai C3. Kemudian untuk menghitung jarak tiap objek
ke pusat klaster yaitu dengan menggunakan rumus Euclidean Distance sebagai
berikut :

𝒅𝒊𝒌 = √∑𝒏𝒋=𝟏(𝒙𝒊𝒋 − 𝒄𝒌𝒋 ) ..(2)

 Data 1 (Salem)
 Jarak ke C1
= √(𝟎, 𝟎𝟑𝟏 − 𝟎, 𝟎𝟑𝟏)𝟐 + (𝟏 − 𝟏)𝟐 + (𝟏 − 𝟏)𝟐 + (𝟎, 𝟓𝟔𝟓 − 𝟎, 𝟓𝟔𝟓)𝟐

= √𝟎 + 𝟎 + 𝟎 + 𝟎

=𝟎

 Jarak ke C2
= √(𝟎, 𝟎𝟑𝟏 − 𝟎, 𝟐𝟔𝟏)𝟐 + (𝟏 − 𝟎, 𝟔𝟖𝟖)𝟐 + (𝟏 − 𝟎, 𝟏𝟖𝟑)𝟐 + (𝟎, 𝟓𝟔𝟓 − 𝟏)𝟐

= √𝟎, 𝟎𝟓𝟐 + 𝟎, 𝟎𝟗𝟕 + 𝟎, 𝟔𝟔𝟕 + 𝟎, 𝟏𝟖𝟗

= 𝟏, 𝟎𝟎𝟑

 Jarak ke C3
= √(𝟎, 𝟎𝟑𝟏 − 𝟏)𝟐 + (𝟏 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟏 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟎, 𝟓𝟔𝟓 − 𝟎, 𝟗𝟕𝟏)𝟐

= √𝟎, 𝟗𝟑𝟖 + 𝟎, 𝟎𝟖𝟏 + 𝟎, 𝟏𝟓𝟎 + 𝟎, 𝟏𝟔𝟒

= 𝟏, 𝟏𝟓𝟒

 Data 2 (Bantarkawung)
 Jarak ke C1
= √(𝟎 − 𝟎, 𝟎𝟑𝟏)𝟐 + (𝟎, 𝟕𝟓𝟔 − 𝟏)𝟐 + (𝟎, 𝟗𝟑𝟏 − 𝟏)𝟐 + (𝟎, 𝟐𝟔𝟗 − 𝟎, 𝟓𝟔𝟓)𝟐

= √𝟎, 𝟎𝟎𝟎 + 𝟎, 𝟎𝟓𝟗 + 𝟎, 𝟎𝟎𝟒 + 𝟎, 𝟎𝟖𝟕

= 𝟎, 𝟑𝟕𝟖

 Jarak ke C2
= √(𝟎 − 𝟎, 𝟐𝟔𝟏)𝟐 + (𝟎, 𝟕𝟓𝟔 − 𝟎, 𝟔𝟖𝟖)𝟐 + (𝟎, 𝟗𝟑𝟏 − 𝟎, 𝟏𝟖𝟑)𝟐 + (𝟎, 𝟐𝟔𝟗 − 𝟏)𝟐

= √𝟎, 𝟎𝟔𝟖 + 𝟎, 𝟎𝟎𝟒 + 𝟎, 𝟓𝟓𝟗 + 𝟎, 𝟓𝟑𝟒

= 𝟏, 𝟑𝟓𝟕
 Jarak ke C3
= √(𝟎 − 𝟏)𝟐 + (𝟎, 𝟕𝟓𝟔 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟎, 𝟗𝟑𝟏 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟎, 𝟐𝟔𝟗 − 𝟎, 𝟗𝟕𝟏)𝟐

= √𝟎, 𝟗𝟑𝟖 + 𝟎, 𝟎𝟖𝟏 + 𝟎, 𝟏𝟓𝟎 + 𝟎, 𝟏𝟔𝟒

= 𝟏, 𝟐𝟔𝟐
 Data 3 (Bumiayu)
 Jarak ke C1
= √(𝟏 − 𝟎, 𝟎𝟑𝟏)𝟐 + (𝟎, 𝟕𝟏𝟓 − 𝟏)𝟐 + (𝟎, 𝟔𝟏𝟐 − 𝟏)𝟐 + (𝟎, 𝟗𝟕𝟏 − 𝟎, 𝟓𝟔𝟓)𝟐

= √𝟎, 𝟗𝟑𝟖 + 𝟎, 𝟎𝟖𝟏 + 𝟎, 𝟏𝟓𝟎 + 𝟎, 𝟏𝟔𝟒

= 𝟏, 𝟏𝟓𝟒

 Jarak ke C2
= √(𝟏 − 𝟎, 𝟐𝟔𝟏)𝟐 + (𝟎, 𝟕𝟏𝟓 − 𝟎, 𝟔𝟖𝟖)𝟐 + (𝟎, 𝟔𝟐𝟏 − 𝟎, 𝟏𝟖𝟑)𝟐 + (𝟎, 𝟗𝟕𝟏 − 𝟏)𝟐

= √𝟎, 𝟓𝟒𝟔 + 𝟎, 𝟎𝟎𝟎 + 𝟎, 𝟏𝟖𝟒 + 𝟎, 𝟎𝟎𝟎

= 𝟎, 𝟖𝟓𝟒
 Jarak ke C3
= √(𝟏 − 𝟏)𝟐 + (𝟎, 𝟕𝟏𝟓 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟎, 𝟔𝟐𝟏 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟎, 𝟗𝟕𝟏 − 𝟎, 𝟗𝟕𝟏)𝟐
= √𝟎 + 𝟎 + 𝟎 + 𝟎
=𝟎

 Data 4 (Paguyangan)
 Jarak ke C1
= √(𝟎, 𝟐𝟔𝟏 − 𝟎, 𝟎𝟑𝟏)𝟐 + (𝟎, 𝟔𝟖𝟖 − 𝟏)𝟐 + (𝟎, 𝟏𝟖𝟑 − 𝟏)𝟐 + (𝟏 − 𝟎, 𝟓𝟔𝟓)𝟐

= √𝟎, 𝟎𝟓𝟐 + 𝟎, 𝟎𝟗𝟕 + 𝟎, 𝟔𝟔𝟕 + 𝟎, 𝟏𝟖𝟗

= 𝟏, 𝟎𝟎𝟐

 Jarak ke C2
= √(𝟎, 𝟐𝟔𝟏 − 𝟎, 𝟐𝟔𝟏)𝟐 + (𝟎, 𝟔𝟖𝟖 − 𝟎, 𝟔𝟖𝟖)𝟐 + (𝟎, 𝟏𝟖𝟑 − 𝟎, 𝟏𝟖𝟑)𝟐 + (𝟏 − 𝟏)𝟐
= √𝟎 + 𝟎 + 𝟎 + 𝟎
=𝟎
 Jarak ke C3
= √(𝟎, 𝟐𝟔𝟏 − 𝟏)𝟐 + (𝟎, 𝟔𝟖𝟖 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟎, 𝟏𝟖𝟑 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟏 − 𝟎, 𝟗𝟕𝟏)𝟐

= √𝟎, 𝟓𝟒𝟔 + 𝟎, 𝟎𝟎𝟎 + 𝟎, 𝟏𝟗𝟏 + 𝟎, 𝟎𝟎𝟎

= 𝟎, 𝟖𝟓𝟖
 Data 5 (Sirampog)
 Jarak ke C1
= √(𝟎, 𝟒𝟒𝟖 − 𝟎, 𝟎𝟑𝟏)𝟐 + (𝟎, 𝟕𝟏𝟒 − 𝟏)𝟐 + (𝟎 − 𝟏)𝟐 + (𝟎, 𝟓𝟑𝟎 − 𝟎, 𝟓𝟔𝟓)𝟐

= √𝟎, 𝟏𝟕𝟑 + 𝟎, 𝟎𝟖𝟏 + 𝟏 + 𝟎, 𝟎𝟎𝟏

= 𝟏, 𝟏𝟐𝟎

 Jarak ke C2
= √(𝟎, 𝟒𝟒𝟖 − 𝟎, 𝟐𝟔𝟏)𝟐 + (𝟎, 𝟕𝟏𝟒 − 𝟎, 𝟔𝟖𝟖)𝟐 + (𝟎 − 𝟎, 𝟏𝟖𝟑)𝟐 + (𝟎, 𝟓𝟑𝟎 − 𝟏)𝟐
= √𝟎, 𝟎𝟑𝟒 + 𝟎, 𝟎𝟎𝟎 + 𝟎, 𝟎𝟖𝟏 + 𝟎, 𝟐𝟐
= 𝟎, 𝟓𝟑𝟓
 Jarak ke C3
= √(𝟎, 𝟒𝟒𝟖 − 𝟏)𝟐 + (𝟎, 𝟕𝟏𝟒 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟎 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟎, 𝟓𝟑𝟎 − 𝟎, 𝟗𝟕𝟏)𝟐

= √𝟎, 𝟑𝟎𝟒 + 𝟎, 𝟎𝟎𝟎 + 𝟎, 𝟑𝟖𝟓 + 𝟎, 𝟏𝟗𝟒

= 𝟎, 𝟗𝟑𝟗

 Data 6 (Tonjong)
 Jarak ke C1
= √(𝟎, 𝟑𝟗𝟗 − 𝟎, 𝟎𝟑𝟏)𝟐 + (𝟎 − 𝟏)𝟐 + (𝟎, 𝟗𝟑𝟗 − 𝟏)𝟐 + (𝟎 − 𝟎, 𝟓𝟔𝟓)𝟐

= √𝟎, 𝟏𝟑𝟓 + 𝟏 + 𝟎, 𝟎𝟎𝟑 + 𝟎, 𝟑𝟏𝟗

= 𝟏, 𝟐𝟎𝟕

 Jarak ke C2
= √(𝟎, 𝟑𝟗𝟗 − 𝟎, 𝟐𝟔𝟏)𝟐 + (𝟎 − 𝟎, 𝟔𝟖𝟖)𝟐 + (𝟎, 𝟗𝟑𝟗 − 𝟎, 𝟏𝟖𝟑)𝟐 + (𝟎 − 𝟏)𝟐

= √𝟎, 𝟎𝟏𝟗 + 𝟎, 𝟒𝟕𝟑 + 𝟎, 𝟎𝟓𝟑 + 𝟏

= 𝟏, 𝟐𝟒𝟐
 Jarak ke C3
= √(𝟎, 𝟑𝟗𝟗 − 𝟏)𝟐 + (𝟎 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟎, 𝟗𝟑𝟗 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟎 − 𝟎, 𝟗𝟕𝟏)𝟐

= √𝟎, 𝟑𝟔𝟏 + 𝟎, 𝟓𝟏𝟏 + 𝟎, 𝟎𝟑𝟖 + 𝟎, 𝟗𝟒𝟐

= 𝟏, 𝟑𝟔𝟎
Berdasarkan perhitungan di atas, maka didapatkan data tabel dibawah ini.

No Kecamatan Jarak C1 Jarak C2 Jarak C3 Cluster

1 Salem 0 1.003 1.154 C1
2 Bantarkawung 0.387 1.357 1.262 C1
3 Bumiayu 1.154 0.854 0 C3
4 Paguyangan 1.002 0 0.858 C2
5 Sirampog 1.12 0.535 0.939 C2
6 Tonjong 1.207 1.242 1.36 C1
Tabel 4.1.4 : Hasil perhitungan jarak dan penentuan klaster

Setelah didapatkan anggota dari tiap klaster, maka titik pusat klaster akan terus
diperbaharui berdasarkan nilai dari anggotanya. Untuk menghitung nilai titik pusat
yang baru digunakan rumus sebagai berikut :
𝑝
∑ℎ=1 𝑥ℎ𝑗
𝐶𝑘𝑗 = ..(3)
𝑝

0,031+0+0,399 1+0,756+0 1+0,931+0,415 0,565+0,269+0

𝐶1 𝐵𝑎𝑟𝑢 = ( , , , ) 0,143 ; 0,585 ; 0,785 ; 0,278
3 3 3 3

0,261+0,488 0,688+0,714 0,183+0 1+0,53

𝐶2 𝐵𝑎𝑟𝑢 = ( , , , ) 0,354 ; 0,701 ; 0,091 ; 0,765
2 2 2 2

1 0,715 0,612 0,971

𝐶3 𝐵𝑎𝑟𝑢 = ( , , , ) 1 ; 0,715 ; 0,612 ; 0,971
1 1 1 1

Sehingga didapatkan titik pusat baru yaitu sebagai berikut :

C1 0.143 0.585 0.782 0.278

C2 0.354 0.701 0.091 0.765
C3 1 0.715 0.612 0.971
Tabel 4.1.5 : Hasil perhitungan pusat Cluster baru

Karena pusat klasternya berubah, maka data yang sudah dihitung kembali dilakukan
perhitungan menggunakan nilai klaster yang baru untuk melihat apakah ada cluster
yang anggotanya berubah.
 Data 1 (Salem)
 Jarak ke C1
= √(𝟎, 𝟎𝟑𝟏 − 𝟎, 𝟏𝟒𝟑)𝟐 + (𝟏 − 𝟎, 𝟓𝟖𝟓)𝟐 + (𝟏 − 𝟎, 𝟕𝟖𝟐)𝟐 + (𝟎, 𝟓𝟔𝟓 − 𝟎, 𝟐𝟕𝟖)𝟐

= √𝟎, 𝟎𝟏𝟐 + 𝟎, 𝟏𝟕𝟐 + 𝟎, 𝟎𝟒𝟕 + 𝟎, 𝟐𝟖𝟕

= 𝟎, 𝟕𝟏𝟗

 Jarak ke C2
= √(𝟎, 𝟎𝟑𝟏 − 𝟎, 𝟑𝟓𝟒)𝟐 + (𝟏 − 𝟎, 𝟕𝟎𝟏)𝟐 + (𝟏 − 𝟎, 𝟎𝟗𝟏)𝟐 + (𝟎, 𝟓𝟔𝟓 − 𝟕𝟔𝟓)𝟐
= √𝟎, 𝟏𝟎𝟒 + 𝟎, 𝟎𝟖𝟗 + 𝟎, 𝟖𝟐𝟔 + 𝟎, 𝟎𝟒𝟎
= 𝟏, 𝟎𝟐𝟗
 Jarak ke C3
= √(𝟎, 𝟎𝟑𝟏 − 𝟏)𝟐 + (𝟏 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟏 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟎, 𝟓𝟔𝟓 − 𝟎, 𝟗𝟕𝟏)𝟐

= √𝟎, 𝟗𝟑𝟖 + 𝟎, 𝟎𝟖𝟏 + 𝟎, 𝟏𝟓𝟎 + 𝟎, 𝟏𝟔𝟒

= 𝟏, 𝟏𝟓𝟒

 Data 2 (Bantarkawung)
 Jarak ke C1
= √(𝟎 − 𝟎, 𝟏𝟒𝟑)𝟐 + (𝟎, 𝟕𝟓𝟔 − 𝟎, 𝟓𝟖𝟓)𝟐 + (𝟎, 𝟗𝟑𝟏 − 𝟎, 𝟕𝟖𝟐)𝟐 + (𝟎, 𝟐𝟔𝟗 − 𝟎, 𝟐𝟕𝟖)𝟐

= √𝟎, 𝟎𝟐𝟎 + 𝟎, 𝟎𝟐𝟗 + 𝟎, 𝟎𝟐𝟐 + 𝟎, 𝟎𝟎𝟎

= 𝟎, 𝟐𝟔𝟔

 Jarak ke C2
= √(𝟎 − 𝟎, 𝟑𝟓𝟒)𝟐 + (𝟎, 𝟕𝟓𝟔 − 𝟎, 𝟕𝟎𝟏)𝟐 + (𝟎, 𝟗𝟑𝟏 − 𝟎, 𝟎𝟗𝟏)𝟐 + (𝟎, 𝟐𝟔𝟗 − 𝟎, 𝟕𝟔𝟓)𝟐

= √𝟎, 𝟏𝟏𝟗 + 𝟎, 𝟎𝟎𝟑 + 𝟎, 𝟕𝟎𝟓 + 𝟎, 𝟐𝟒𝟔

= 𝟏, 𝟎𝟕𝟑
 Jarak ke C3
= √(𝟎 − 𝟏)𝟐 + (𝟎, 𝟕𝟓𝟔 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟎, 𝟗𝟑𝟏 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟎, 𝟐𝟔𝟗 − 𝟎, 𝟗𝟕𝟏)𝟐

= √𝟎, 𝟗𝟑𝟖 + 𝟎, 𝟎𝟖𝟏 + 𝟎, 𝟏𝟓𝟎 + 𝟎, 𝟏𝟔𝟒

= 𝟏, 𝟐𝟔𝟐
 Data 3 (Bumiayu)
 Jarak ke C1
= √(𝟏 − 𝟎, 𝟏𝟒𝟑)𝟐 + (𝟎, 𝟕𝟏𝟓 − 𝟎, 𝟓𝟖𝟓)𝟐 + (𝟎, 𝟔𝟏𝟐 − 𝟎, 𝟕𝟖𝟐)𝟐 + (𝟎, 𝟗𝟕𝟏 − 𝟎, 𝟐𝟕𝟖)𝟐

= √𝟎, 𝟗𝟑𝟖 + 𝟎, 𝟎𝟖𝟏 + 𝟎, 𝟏𝟓𝟎 + 𝟎, 𝟏𝟔𝟒

= 𝟏, 𝟏𝟓𝟒

 Jarak ke C2
= √(𝟏 − 𝟎, 𝟑𝟓𝟒)𝟐 + (𝟎, 𝟕𝟏𝟓 − 𝟎, 𝟕𝟎𝟏)𝟐 + (𝟎, 𝟔𝟐𝟏 − 𝟎, 𝟎𝟗𝟏)𝟐 + (𝟎, 𝟗𝟕𝟏 − 𝟎, 𝟕𝟔𝟓)𝟐
= √𝟎, 𝟒𝟏𝟕 + 𝟎 + 𝟎, 𝟐𝟕𝟏 + 𝟎, 𝟎𝟒𝟐
= 𝟎, 𝟖𝟓𝟒
 Jarak ke C3
= √(𝟏 − 𝟏)𝟐 + (𝟎, 𝟕𝟏𝟓 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟎, 𝟔𝟐𝟏 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟎, 𝟗𝟕𝟏 − 𝟎, 𝟗𝟕𝟏)𝟐
= √𝟎 + 𝟎 + 𝟎 + 𝟎
=𝟎

 Data 4 (Paguyangan)
 Jarak ke C1
= √(𝟎, 𝟐𝟔𝟏 − 𝟎, 𝟏𝟒𝟑)𝟐 + (𝟎, 𝟔𝟖𝟖 − 𝟎, 𝟓𝟖𝟓)𝟐 + (𝟎, 𝟏𝟖𝟑 − 𝟎, 𝟕𝟖𝟐)𝟐 + (𝟏 − 𝟎, 𝟐𝟕𝟖)𝟐

= √𝟎, 𝟎𝟏𝟑 + 𝟎, 𝟎𝟏𝟎 + 𝟎, 𝟐𝟕𝟏 + 𝟎, 𝟓𝟐𝟏

= 𝟎, 𝟗𝟒𝟗

 Jarak ke C2
= √(𝟎, 𝟐𝟔𝟏 − 𝟎, 𝟑𝟓𝟒)𝟐 + (𝟎, 𝟔𝟖𝟖 − 𝟎, 𝟕𝟎𝟏)𝟐 + (𝟎, 𝟏𝟖𝟑 − 𝟎, 𝟎𝟗𝟏)𝟐 + (𝟏 − 𝟎, 𝟕𝟔𝟓)𝟐

= √𝟎, 𝟎𝟎𝟖 + 𝟎, 𝟎𝟎𝟎 + 𝟎, 𝟎𝟎𝟖 + 𝟎, 𝟎𝟓𝟓

= 𝟎, 𝟐𝟔𝟔
 Jarak ke C3
= √(𝟎, 𝟐𝟔𝟏 − 𝟏)𝟐 + (𝟎, 𝟔𝟖𝟖 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟎, 𝟏𝟖𝟑 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟏 − 𝟎, 𝟗𝟕𝟏)𝟐

= √𝟎, 𝟓𝟒𝟔 + 𝟎, 𝟎𝟎𝟎 + 𝟎, 𝟏𝟗𝟏 + 𝟎, 𝟎𝟎𝟎

= 𝟎, 𝟖𝟓𝟖
 Data 5 (Sirampog)
 Jarak ke C1
= √(𝟎, 𝟒𝟒𝟖 − 𝟎, 𝟏𝟒𝟑)𝟐 + (𝟎, 𝟕𝟏𝟒 − 𝟎, 𝟓𝟖𝟓)𝟐 + (𝟎 − 𝟎, 𝟕𝟖𝟐)𝟐 + (𝟎, 𝟓𝟑𝟎 − 𝟎, 𝟐𝟕𝟖)𝟐

= √𝟎, 𝟎𝟗𝟑 + 𝟎, 𝟎𝟏𝟔 + 𝟎, 𝟔𝟏𝟏 + 𝟎, 𝟎𝟔𝟑

= 𝟎, 𝟖𝟖𝟒

 Jarak ke C2
= √(𝟎, 𝟒𝟒𝟖 − 𝟎, 𝟑𝟓𝟒)𝟐 + (𝟎, 𝟕𝟏𝟒 − 𝟎, 𝟕𝟎𝟏)𝟐 + (𝟎 − 𝟎, 𝟎𝟗𝟏)𝟐 + (𝟎, 𝟓𝟑𝟎 − 𝟎, 𝟕𝟔𝟓)𝟐

= √𝟎, 𝟎𝟎𝟖 + 𝟎, 𝟎𝟎𝟎 + 𝟎, 𝟎𝟎𝟖 + 𝟎, 𝟎𝟓𝟓

= 𝟎, 𝟐𝟔𝟔
 Jarak ke C3
= √(𝟎, 𝟒𝟒𝟖 − 𝟏)𝟐 + (𝟎, 𝟕𝟏𝟒 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟎 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟎, 𝟓𝟑𝟎 − 𝟎, 𝟗𝟕𝟏)𝟐

= √𝟎, 𝟑𝟎𝟒 + 𝟎, 𝟎𝟎𝟎 + 𝟎, 𝟑𝟖𝟓 + 𝟎, 𝟏𝟗𝟒

= 𝟎, 𝟗𝟑𝟗

 Data 6 (Tonjong)
 Jarak ke C1
= √(𝟎, 𝟑𝟗𝟗 − 𝟎, 𝟏𝟒𝟑)𝟐 + (𝟎 − 𝟎, 𝟓𝟖𝟓)𝟐 + (𝟎, 𝟗𝟑𝟗 − 𝟎, 𝟕𝟖𝟐)𝟐 + (𝟎 − 𝟎, 𝟐𝟕𝟖)𝟐

= √𝟎, 𝟎𝟔𝟓 + 𝟎, 𝟑𝟒𝟐 + 𝟎, 𝟏𝟑𝟒 + 𝟎, 𝟎𝟕𝟕

= 𝟎, 𝟕𝟖𝟔

 Jarak ke C2
= √(𝟎, 𝟑𝟗𝟗 − 𝟎, 𝟑𝟓𝟒)𝟐 + (𝟎 − 𝟎, 𝟕𝟎𝟏)𝟐 + (𝟎, 𝟗𝟑𝟗 − 𝟎, 𝟎𝟗𝟏)𝟐 + (𝟎 − 𝟕𝟔𝟓)𝟐

= √𝟎, 𝟎𝟎𝟐 + 𝟎, 𝟒𝟗𝟏 + 𝟎, 𝟏𝟎𝟒 + 𝟎, 𝟓𝟖𝟓

= 𝟏, 𝟎𝟖𝟕
 Jarak ke C3
= √(𝟎, 𝟑𝟗𝟗 − 𝟏)𝟐 + (𝟎 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟎, 𝟗𝟑𝟗 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟎 − 𝟎, 𝟗𝟕𝟏)𝟐

= √𝟎, 𝟑𝟔𝟏 + 𝟎, 𝟓𝟏𝟏 + 𝟎, 𝟎𝟑𝟖 + 𝟎, 𝟗𝟒𝟐

= 𝟏, 𝟑𝟔𝟎
Dari iterasi diatas, maka didapat data baru jarak cluster yaitu sebagai berikut :

No Kecamatan Jarak C1 Jarak C2 Jarak C3 Cluster

1 Salem 0.719 1.029 1.154 C1
2 Bantarkawung 0.266 0.909 1.262 C1
3 Bumiayu 1.121 0.854 0 C3
4 Paguyangan 0.949 0.266 0.858 C2
5 Sirampog 0.884 0.266 0.939 C2
6 Tonjong 0.786 1.087 1.36 C1
Tabel 4.1.6 : Hasil perhitungan jarak cluster iterasi pertama

Jika dilihat pada hasil iterasi pertama anggota tiap cluster tidak ada yang berubah,
maka tidak perlu dilakukan iterasi selanjutnya. Sehingga dapat disimpulkan
sebagai berikut :

Cluster Anggota
C1 Salem, Bantarkawung, Tonjong
C2 Paguyangan,Sirampog
C3 Bumiayu
Tabel 4.1.7 : Kesimpulan Cluster
 BAB V

KESIMPULAN

Dari penelitian diatas, dapat disimpulkan sebagai berikut :

1. Algoritma K-Means membutuhkan waktu yang lebih cepat untuk

menjalankan operasi.
2. Karena nilai titik cluster ditentukan secara manual di awal, data yang
dihasilkanpun tak selalu akurat. Jika nilai titik cluster untuk inisialisasi yang
dipilih kurang baik, maka pengelompokkan yang dihasilkan pun menjadi
kurang optimal.