Karya Ilmiah
Karya Ilmiah
IF / 03
KECERDASAN BUATAN
KELOMPOK
YOGYAKARTA
2017
RINGKASAN
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
TINJAUAN PUSTAKA
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
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
METODE PENELITIAN
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
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.
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.
Dimana :
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]
𝐷𝑖 −
𝑉𝑖 =
𝐷𝑖 − + 𝐷𝑖 +
Dimana :
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
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 .
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 :
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.
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 :
= √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
Jarak ke C3
= √(𝟎, 𝟎𝟑𝟏 − 𝟏)𝟐 + (𝟏 − 𝟎, 𝟕𝟏𝟓)𝟐 + (𝟏 − 𝟎, 𝟔𝟏𝟐)𝟐 + (𝟎, 𝟓𝟔𝟓 − 𝟎, 𝟗𝟕𝟏)𝟐
Data 2 (Bantarkawung)
Jarak ke C1
= √(𝟎 − 𝟎, 𝟎𝟑𝟏)𝟐 + (𝟎, 𝟕𝟓𝟔 − 𝟏)𝟐 + (𝟎, 𝟗𝟑𝟏 − 𝟏)𝟐 + (𝟎, 𝟐𝟔𝟗 − 𝟎, 𝟓𝟔𝟓)𝟐
= 𝟎, 𝟑𝟕𝟖
Jarak ke C2
= √(𝟎 − 𝟎, 𝟐𝟔𝟏)𝟐 + (𝟎, 𝟕𝟓𝟔 − 𝟎, 𝟔𝟖𝟖)𝟐 + (𝟎, 𝟗𝟑𝟏 − 𝟎, 𝟏𝟖𝟑)𝟐 + (𝟎, 𝟐𝟔𝟗 − 𝟏)𝟐
= 𝟏, 𝟏𝟓𝟒
Jarak ke C2
= √(𝟏 − 𝟎, 𝟐𝟔𝟏)𝟐 + (𝟎, 𝟕𝟏𝟓 − 𝟎, 𝟔𝟖𝟖)𝟐 + (𝟎, 𝟔𝟐𝟏 − 𝟎, 𝟏𝟖𝟑)𝟐 + (𝟎, 𝟗𝟕𝟏 − 𝟏)𝟐
Data 4 (Paguyangan)
Jarak ke C1
= √(𝟎, 𝟐𝟔𝟏 − 𝟎, 𝟎𝟑𝟏)𝟐 + (𝟎, 𝟔𝟖𝟖 − 𝟏)𝟐 + (𝟎, 𝟏𝟖𝟑 − 𝟏)𝟐 + (𝟏 − 𝟎, 𝟓𝟔𝟓)𝟐
= 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
= 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
Data 6 (Tonjong)
Jarak ke C1
= √(𝟎, 𝟑𝟗𝟗 − 𝟎, 𝟎𝟑𝟏)𝟐 + (𝟎 − 𝟏)𝟐 + (𝟎, 𝟗𝟑𝟗 − 𝟏)𝟐 + (𝟎 − 𝟎, 𝟓𝟔𝟓)𝟐
= 𝟏, 𝟐𝟎𝟕
Jarak ke C2
= √(𝟎, 𝟑𝟗𝟗 − 𝟎, 𝟐𝟔𝟏)𝟐 + (𝟎 − 𝟎, 𝟔𝟖𝟖)𝟐 + (𝟎, 𝟗𝟑𝟗 − 𝟎, 𝟏𝟖𝟑)𝟐 + (𝟎 − 𝟏)𝟐
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
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, 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
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, 𝟐𝟔𝟔
Jarak ke C2
= √(𝟎 − 𝟎, 𝟑𝟓𝟒)𝟐 + (𝟎, 𝟕𝟓𝟔 − 𝟎, 𝟕𝟎𝟏)𝟐 + (𝟎, 𝟗𝟑𝟏 − 𝟎, 𝟎𝟗𝟏)𝟐 + (𝟎, 𝟐𝟔𝟗 − 𝟎, 𝟕𝟔𝟓)𝟐
= 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, 𝟗𝟒𝟗
Jarak ke C2
= √(𝟎, 𝟐𝟔𝟏 − 𝟎, 𝟑𝟓𝟒)𝟐 + (𝟎, 𝟔𝟖𝟖 − 𝟎, 𝟕𝟎𝟏)𝟐 + (𝟎, 𝟏𝟖𝟑 − 𝟎, 𝟎𝟗𝟏)𝟐 + (𝟏 − 𝟎, 𝟕𝟔𝟓)𝟐
= 𝟎, 𝟖𝟖𝟒
Jarak ke C2
= √(𝟎, 𝟒𝟒𝟖 − 𝟎, 𝟑𝟓𝟒)𝟐 + (𝟎, 𝟕𝟏𝟒 − 𝟎, 𝟕𝟎𝟏)𝟐 + (𝟎 − 𝟎, 𝟎𝟗𝟏)𝟐 + (𝟎, 𝟓𝟑𝟎 − 𝟎, 𝟕𝟔𝟓)𝟐
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, 𝟕𝟖𝟔
Jarak ke C2
= √(𝟎, 𝟑𝟗𝟗 − 𝟎, 𝟑𝟓𝟒)𝟐 + (𝟎 − 𝟎, 𝟕𝟎𝟏)𝟐 + (𝟎, 𝟗𝟑𝟗 − 𝟎, 𝟎𝟗𝟏)𝟐 + (𝟎 − 𝟕𝟔𝟓)𝟐
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