Kompre Farell A

PENERAPAN METODE CLUSTERING PADA ANALISIS
REALISASI PENDAPATAN ASLI DAERAH

DENGAN ALGORITMA K-MEANS
STUDI KASUS : BAPPEDA DAN BPPKAD KAB. GRESIK
SKRIPSI
Disusun oleh:
FARELL APUILINO IMAN SENO AJI (1718110)
PROGRAM STUDI TEKNIK INFORMATIKA S-1

FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI NASIONAL MALANG
2021
LEMBAR PERSETUJUAN DAN PENGESAHAN
PENERAPAN METODE CLUSTERING PADA ANALISIS REALISASI
PENDAPATAN ASLI DAERAH
SKRIPSI
Disusun dan diajukan untuk melengkapi dan memnuhi persyaratan guna mencapai Gelar
Sarjana Komputer Strata Satu (S-1)
Disusun Oleh :
FARELL APUILINO IMAN SENO AJI
1718110
Mengetahui
Ketua Program Studi Teknik Informatika S-1
Suryo Adi Wibowo. S.T.,M.T

NIP. P. 1031100438

NIP. P. 1031100438
2021
SKRIPSI
Disusun Oleh :
1718110
Diperiksa dan disetujui :
Dosen Pembimbing 1
(Dr. Ir. Sentot Achmadi, M. Si)

NIP. 1093500281

2021
SKRIPSI
Disusun Oleh :
1718110
Diperiksa dan disetujui :
Dosen Pembimbing 2
(FX. Ariwibisono, ST, M.Kom)

NIP.P 1030300397

NIP.
FAKULTAS P. 1031100438
TEKNOLOGI INDUSTRI
2021
LEMBAR KEASLIAN
PERNYATAAN KEASLIAN SKRIPSI
Sebagai mahasiswa Program Studi Teknik Informatika S-1 Fakultas Teknologi
Industri Institut Teknologi Nasional Malang, yang bertanda tangan di bawah ini,
saya:
Nama : FARELL APUILINO IMAN SENO AJI
NIM : 17.18.110
Program Studi : Teknik Informatika S-1
Fakultas : Fakultas Teknologi Industri
Menyatakan dengan sesungguhnya bahwa skripsi saya dengan judul “PENERAPAN
METODE CLUSTERING PADA ANALISIS REALISASI PENDAPATAN ASLI
DAERAH DENGAN ALGORITMA K-MEANS STUDI KASUS : BAPPEDA DAN
BPPKAD KAB. GRESIK” merupakan karya asli dan bukan merupakan duplikat dan
mengutip seluruhnya karya orang lain. Apabila di kemudian hari, karya asli saya
disinyalir bukan merupakan karya asli saya, maka saya akan bersedia menerima
segala konsekuensi apapun yang diberikan Program Studi Teknik Informatika S-1
Fakultas Teknologi Industri Institut Teknologi Nasional Malang.
Demikian surat pernyataan ini saya buat dengan sebenar-benarnya.
Malang, SEPTEMBER 2021

Yang membuat pernyataan
Farell Apuilino Iman S.A

NIM. 1718110
i
ABSTRAK
Retribusi Daerah adalah pungutan daerah sebagai pembayaran atas jasa atau
pemberian izin tertentu yang khusus disediakan dan atau diberikan oleh Pemerintah
Daerah untuk kepentingan orang pribadi atau badan menurut UU No. 28 tahun 2009.
Pemasukan Pajak Daerah dan Retribusi Daerah tersebut lalu dikumpulkan oleh para
Pejabat Pajak untuk digolongkan serta dianalisis. Dalam proses tersebut, data
retribusi pendapatan asli daerah yang masuk akan diinputkan ke dalam Microsoft
Excel, sehingga saat dilakukan penganalisisan serta pengelompokan secara manual
menggunakan Microsoft Excel, menjadi tidak efektif karena data yang diolah sangat
banyak sehingga menyebabkan tampilan sedikit membingungkan dan rawan terhadap
kesalahan input pada proses perhitungan. Selain memakan waktu untuk melakukan
perhitungan, terjadinya kesalahan perhitungan dapat mengakibatkan terjadinya
kesalahan analisis oleh para Pegawai Pajak
Pada penelitian ini, akan dibuat sebuah sistem berbasis web dengan
menggunakan metode K-Means, yang dapat membantu Pegawai Pajak dalam
menganalisis dan juga pengelompokan hasil pemasukan seluruh retribusi PAD.
Sehingga sebanyak apapun data yang diinputkan, hasil perhituungan diharapkan akan
konsisten sesuai dengan metode K-Means dan kesalahan perhitungan dapat
diminimalisir karena perhitungan telah dilakukan secara otomatis. Dalam proses
analisis dan penggolongan data retribusi pendapatan asli daerah, perhitungan
dilakukan berdasarkan kriteria yang telah ditentukan oleh instansi terkait, Kriteria -
kriteria tersebut nantinya akan diproses dengan perhitungan metode K-Means
berbasis web yang menggunakan framework Laravel dan bahasa pemograman PHP
(Hypertext Preprocessor) dengan Database MySQL.
Hasil dari pengujian metode pada 115 data yang telah diuji dengan sistem ini,
sebanyak 37 data masuk kedalam cluster C8 sebagai golongan restoran dan juga 31
data masuk kedalam cluster C7 sebagai golongan cafe, yang artinya pemasukan pajak
restoran dan café memiliki pengaruh yang cukup besar dalam retribusi pendapatan
asli daerah di Kabupaten Gresik. Dari hasil perhitungan antara manual menggunakan
Ms. Excel dibandingkan perhitungan di sistem yang telah dibuat memiliki rata – rata
error sebesar 0.32% dengan tingkat keakuratan sebesar 99.68%. Berdasarkan hasil
pengujian fungsional menunjukkan jika sistem yang telah dibuat dapat berjalan
dengan baik dan sesuai dengan fungsi yang tersedia. Sistem yang telah dibuat diuji
coba dengan menggunakan 3 aplikasi browser yaitu Microsft Edge 91.0.864.54
(Official build) (64-bit), Google Chrome 91.0.4472.114 (Official Build) (64-bit) dan
Mozilla Firefox 89.0.1 (64-bit).
Kata Kunci : K-Means, Pendapatan Alsi Daerah, Laravel, Php, MySQL
ii
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah swt, karena atas berkat dan rahmat-
Nya, penyusunan skripsi yang berjudul “PENERAPAN METODE CLUSTERING
PADA ANALISIS REALISASI PENDAPATAN ASLI DAERAH DENGAN
ALGORITMA K-MEANS STUDI KASUS : BAPPEDA DAN BPPKAD KAB.
GRESIK” dapat diselesaikan dengan baik.
Penulis menyadari bahwa dalam proses penulisan skripsi ini banyak mengalami
kendala, namun berkat bantuan, bimbingan, kerjasama dari berbagai pihak dan berkah
dari Tuhan Yang Maha Kuasa sehingga kendala-kendala yang dihadapi tersebut dapat
diatasi. Untuk itu penulis menyampaikan ucapan terima kasih dan penghargaan
kepada Bapak dan Ibu yang senantiasa mendoakan, memberika bantuan moril, materi
dan nasehat selama penulis menjalani pendidikan. Selanjutnya ucapan terima kasih
penulis sampaikan pula kepada :
1. Tuhan yang Maha Kuasa yang telah memberikan kesehatan bagi penyusun
sehingga dapat mengerjakan laporan skripsi.
2. Ibu dan Ayah serta keluarga besar tercinta, yang telah memberikan semangat dan
dorongan baik secara moral maupun materil untuk menyelesaikan skripsi ini.
3. Bapak Prof. Dr. Eng. Ir. Abraham Lomi, MSEE. Selaku Rektor Institut Teknologi
Nasional Malang.
4. Bapak Suryo Adi Wibowo, ST, MT, selaku Ketua Program Studi Teknik
Informatika S-1, Institut Teknologi Nasional Malang.
5. Bapak Dr.Ir.Sentot Achmadi, M.Si selaku Dosen Pembimbing I yang selalu
memberikan bimbingan dan masukan.
6. Bapak FX. Ariwibisono, ST, M.Kom, selaku Dosen Pembimbing II yang selalu
memberikan bimbingan dan masukan.
7. Semua dosen Program Studi Teknik Informatika yang telah membantu dalam
penulisan dan masukan.
iii
8. Semua teman teman berbagai angkatan yang telah memberikan doa dan dukungan
dalam penyelesaian skripsi.
Dengan segala kerendahan hati, penulis menyadari masih banyak terdapat

kekurangan-kekurangan, sehingga penulis mengharapkan adanya saran dan kritik
yang bersifat membangun demi kesempurnaan skripsi ini.
Malang, September 2021
Penulis
iv
DAFTAR ISI
LEMBAR KEASLIAN ................................................................................................ i

ABSTRAK ................................................................................................................... ii
KATA PENGANTAR ................................................................................................ iii
DAFTAR ISI ................................................................................................................ v
DAFTAR GAMBAR ................................................................................................. vii
DAFTAR TABEL ...................................................................................................... ix
BAB I PENDAHULUAN ............................................................................................ 1
1.1 Latar Belakang ............................................................................................ 1
1.2 Rumusan Masalah ....................................................................................... 2
1.3 Tujuan Penelitian ........................................................................................ 3
1.4 Batasan Masalah ......................................................................................... 3
1.5 Manfaat Penelitian Masalah........................................................................ 4
BAB II TINJAUAN PUSTAKA................................................................................. 5
2.1 Penelitian Terkait ........................................................................................ 5
2.2 Dasar Teori ................................................................................................. 6
2.2.1 Data Clustering ....................................................................................... 6
2.2.2 Algoritma K-Means - Clustering ............................................................ 7
2.2.3 Data Mining ................................................................................................. 9
BAB III METODE PELAKSANAAN..................................................................... 12
3.1 Analisa Masalah ........................................................................................ 12
3.2 Analisis Kebutuhan ................................................................................... 13
3.3 Gambaran Umum Sistem .......................................................................... 13
3.3.1 Flowchart Sistem................................................................................... 14
3.3.2 Flowchart Metode Clustering K-Means ................................................ 15
v
3.3.3 Diagaram DFD ...................................................................................... 16
3.3.4 Struktur Menu ....................................................................................... 17
3.3.5 Perancangan Layout .............................................................................. 18
BAB IV IMPLEMENTASI DAN PENGUJIAN .................................................... 23
4.1 IMPLEMENTASI SISTEM ..................................................................... 23
4.2 PENGUJIAN SISTEM ............................................................................. 33
4.2.1 Pengujian User Admin .......................................................................... 33
4.2.2 Pengujian Fungsional ............................................................................ 35
4.2.3 Pengujian Browser ................................................................................ 36
4.2.4 Pengujian Metode.................................................................................. 38
4.2.5 Pengujian Presentase Kemungkinan Error ............................................ 86
BAB V......................................................................................................................... 90
KESIMPULAN DAN SARAN ................................................................................. 90
5.1 Kesimpulan ............................................................................................... 90
5.2 Saran ......................................................................................................... 91
DAFTAR PUSTAKA ................................................................................................ 92
LAMPIRAN – LAMPIRAN ..................................................................................... 94
vi
DAFTAR GAMBAR
Gambar 2.1 Bidang Ilmu Data Mining ....................................................................... 10

Gambar 3.1 Tampilan Flowchart Alur Sistem ............................................................ 14
Gambar 3.2 Tampilan Flowchart Alur Sistem ............................................................ 15
Gambar 3.3 Tampilan DFD Level 0 Alur Sistem ....................................................... 16
Gambar 3.4 Tampilan DFD Level 1 Alur Sistem ....................................................... 16
Gambar 3.5 Tampilan Struktur Menu ......................................................................... 17
Gambar 3.6 Tampilan Login Sistem ........................................................................... 18
Gambar 3.7 Tampilan Halaman Awal / Dasboard ...................................................... 19
Gambar 3.8 Tampilan Halaman Data User ................................................................. 19
Gambar 3.9 Tampilan Halaman Data Pajak ................................................................ 20
Gambar 3.10 Tampilan Halaman Grafik Pemasukan Pajak........................................ 20
Gambar 3.11 Tampilan Halaman Proses Kelola Data Pajak....................................... 21
Gambar 3.12 Tampilan Halaman Cetak Laporan ....................................................... 21
Gambar 4.1 Tampilan Halaman Login........................................................................ 23
Gambar 4.2 Tampilan Halaman Dashboard ................................................................ 24
Gambar 4.3 Tampilan Halaman Data User ................................................................. 24
Gambar 4.4 Tampilan Halaman Add Data User ......................................................... 25
Gambar 4.5 Tampilan Tambah Data User berhasil pada sistem ................................. 25
Gambar 4.6 Tampilan Tambah Data User pada database ........................................... 26
Gambar 4.7 Tampilan Edit Data User ......................................................................... 26
Gambar 4.8 Tampilan Edit Data User berhasil pada sistem ....................................... 26
Gambar 4.9 Tampilan Edit Data User berhasil pada database .................................... 27
Gambar 4.10 Tampilan Hapus Data User Pada sistem ............................................... 27
Gambar 4.11 Tampilan Halaman Data Pajak .............................................................. 28
vii
Gambar 4.12 Tampilan Halaman Tambah Data Pajak................................................ 28
Gambar 4.13 Tampilan Halaman Tambah Data Pajak Berhasil di system ................. 29
Gambar 4.14 Tampilan Halaman Tambah Data Pajak Berhasil di database .............. 29
Gambar 4.15 Tampilan Halaman Edit Data Pajak ...................................................... 29
Gambar 4.16 Tampilan Halaman Edit Data Pajak Berhasil di sistem ........................ 30
Gambar 4.17 Tampilan Halaman Edit Data Pajak Berhasil di database ..................... 30
Gambar 4.18 Tampilan Halaman Hapus Data Pajak Di Sistem.................................. 30
Gambar 4.19 Tampilan Halaman Penggolongan Pajak .............................................. 31
Gambar 4.20 Tampilan Halaman Perhitungan K-Means ............................................ 31
Gambar 4.21 Tampilan Halaman Grafik ..................................................................... 32
Gambar 4.22 Tampilan Halaman Cetak Laporan ....................................................... 32
viii
DAFTAR TABEL
Tabel 4.1 Pengujian User Admin ................................................................................ 34
Tabel 4.2 Pengujian Fungsional .................................................................................. 35
Tabel 4.3 Pengujian Browser ...................................................................................... 37
Tabel 4.4 Data Pajak ................................................................................................... 38
Tabel 4.5 Kriteria Tiap Data Pajak ............................................................................. 43
Tabel 4.6 Bobot Konversi Angka Pada Tiap Kriteria ................................................. 48
Tabel 4.7 Bobot Kriteria ............................................................................................. 48
Tabel 4.8 Centroid Awal ............................................................................................. 52
Tabel 4.9 Hasil Literasi 1 Perhitungan Jarak Data dengan Centroid .......................... 55
Tabel 4.10 Hasil Pengelompokan cluster literasi 1 ..................................................... 58
Tabel 4.11 Centroid Baru Cluster 1 ............................................................................ 61
Tabel 4.12 Centroid Baru Literasi 1 ........................................................................... 62
Tabel 4.13 Hasil Literasi 2 Perhitungan Jarak Data dengan Centroid ........................ 63
Tabel 4.15 Centroid baru Literasi 2 ............................................................................ 69
Tabel 4.18 Centroid baru Literasi 3 ............................................................................ 75
Tabel 4.21 centroid baru Literasi 4 ............................................................................. 82
Tabel 4.22 Hasil clustering ......................................................................................... 82
ix
Tabel 4.23 Pengujian Persentase Kemungkinan Error ................................................ 86
x
BAB I
PENDAHULUAN
1.1 Latar Belakang

Retribusi Daerah adalah pungutan daerah sebagai pembayaran atas jasa
atau pemberian izin tertentu yang khusus disediakan dan atau diberikan oleh
Pemerintah Daerah untuk kepentingan orang pribadi atau badan menurut UU No.
28 tahun 2009. PAD Retribusi Daerah merupakan pemasukan dari suatu
kabupaten atau kota, dimana dalam jenis objek pajak tersebut tidak hanya
meliputi 1 bidang saja, melainkan berbagai perijinan yang memerlukan fasilitas
umum, dan sebagainya.
Kota/kabupaten yang memiliki pemasukan objek pajak dalam jumlah
besar, tentu akan sangat menguntungkan kota/kabupaten tersebut. Pemasukan
Pajak Daerah dan Retribusi Daerah yang tinggi membuat kestabilan ekonomi di
daerah tersebut menjadi sangat baik. Bila melihat dari seberapa besar
pembangunan, perijinan, dan juga proyek – proyek yang berjalan di wilayah
kabupaten yang dikehendaki, maka dalam hal ini tentunya besaran pajak yang
dikeluarkan calon objek pajak juga berbeda tergantung dengan jenis objek
apakah yang akan atau telah mereka dirikan di kawasan milik daerah tersebut.
Karena dalam melakukan pembayaran pajak, tiap jenis pajak memiliki besaran
biaya yang berbeda beda.
Pemasukan Pajak Daerah dan Retribusi Daerah tersebut lalu dikumpulkan
oleh para Pejabat Pajak untuk digolongkan serta dianalisis. Dalam proses
tersebut, data pemasukan pajak dan retribusi daerah yang masuk akan diinputkan
ke dalam Microsoft Excel, sehingga saat dilakukan penganalisisan serta
pengelompokan secara manual menggunakan Microsoft excel, menjadi tidak
efektif karena data yang diolah sangat banyak sehingga menyebabkan tampilan
sedikit membingungkan dan rawan terhadap kesalahan input pada proses
perhitungan. Selain memakan waktu untuk melakukan perhitungan, terjadinya
1
kesalahan perhitungan dapat mengakibatkan terjadinya kesalahan analisis oleh
para Pegawai Pajak.
Pada skripsi ini, akan dibuat sebuah sistem berbasis web dengan
menggunakan metode K-Means, yang dapat membantu Pegawai Pajak dalam
menganalisis dan juga pengelompokan hasil pemasukan seluruh retribusi pajak
dengan mudah karena pegawai pajak nantinya hanya perlu memasukkan data ke
dalam sistem dan pehitungan akan dilakukan oleh otomatis oleh aplikasi secara
cepat dan efektif. Sehingga sebanyak apapun data yang diinputkan, hasil
perhituungan diharapkan akan konsisten sesuai dengan metode K-Means dan
kesalahan perhitungan dapat diminimalisir karena perhitungan dan penggolongan
telah dilakukan secara otomatis.
Dalam proses analisis dan penggolongan data retribusi pendapatan asli

daerah, perhitungan dilakukan berdasarkan kriteria yang telah ditentukan oleh
instansi terkait, yaitu Luas Lahan, Okupansi / Daya Tampung Pengunjung,
Jumlah Pembangkit, Kapasitas Pemakaian (VA), Sumber Daya Kelistrikan
Selain PLN, Jumlah Kamar, Jumlah Meja dan Tempat Duduk / Lesehan, Jumlah /
Banyak Sarana / Layanan, Tinggi / Jumlah Lantai, Kebutuhan Keamanan
Tambahan, Potensi Terjadi Kerugian / Korban Jiwa, dan Kebutuhan Tenaga dan
Peralatan Medis Darurat. Kriteria - kriteria tersebut nantinya akan diproses
dengan perhitungan metode K-Means berbasis web yang menggunakan
framework Laravel dan bahasa pemograman PHP (Hypertext Preprocessor)
dengan Database MySQL.
1.2 Rumusan Masalah

1. Bagaimana cara membuat alur perancangan sistem yang dapat melakukan
pengelompokan pemasukan dari objek pajak dan juga jenisnya dengan metode
k-means clustering?
2. Bagaimana membuat sistem yang dapat melakukan pengelompokan serta
analisis data realisasi pendapatan asli daerah dengan menerapkan metode
clustering menggunakan algoritma k-means?
2
1.3 Tujuan Penelitian
1. Membuat rancangan sistem berbasis web yang dapat menangani penginputan
data dengan multikriteria dan dapat melakukan pengelompokan serta analisis
data realisasi pendapatan asli daerah secara langsung
2. Dapat melakukan pengelompokan objek pajak dengan menerapkan metode K-
Means oleh Pegawai BAPPEDA maupun BPPKAD, dimana setiap objek
pajak memiliki kategori - kategori tertentu, sehingga dapat menghasilkan
golongan pajak dengan kriteria dan kategori yang sesuai
1.4 Batasan Masalah

1. Aplikasi ini dibuat menggunakan pemrograman Javascript, PHP, framework
“Laravel” dan MYSQL sebagai databese-nya.
2. Kriteria yang akan akan digunakan telah ditentukan pihak instansi terkait
selaku pemilik data, yaitu Luas Lahan, Okupansi / Daya Tampung
Pengunjung, Jumlah Pembangkit, Kapasistas Pemakaian, Sumber Daya
Kelistrikan Selain PLN, Jumlah Kamar, Jumlah Meja & Tempat Duduk /
Lesehan, Jumlah / Banyak Sarana / Layanan, Tinggi / JumlahS Lantai
Bangunan, Kebutuhan Keamanan Tambahan, Potensi Terjadi Kerugian /
Korban Jiwa, dan Kebutuhan Tenaga dan Perlatan Medis Darurat.
3. Dalam penelitian ini dibatasi hanya untuk melakukan analisis dan
pengelompkan terhadap data-data pemasukan realisasi pajak yang telah
diberikan dan disepakati oleh BAPPEDA dan BPPKAD kabupaten / kota
yang dikehendaki untuk dijadikan bahan penelitian.
4. Penelitian ini dilakukan sampai tahap pengujian dan penerapan sistem yang
meliputi pengelompokan dan analisis menggunakan metode K-Means, dan
tidak sampai ke tahap pemeliharaan sistem
5. Batasan pengambilan data, perhitungan data, dan publikasi data menyesuikan
kesepakatan dengan yang ada pada pihak BAPPEDA dan BPPKAD.
3
1.5 Manfaat Penelitian Masalah
1. Dapat dijadikan sebagai bahan pertimbangan dalam menentukan potensi
pemasukan pajak dari golongan manakah yang paling menguntungkan
berdasarkan cluster atau kelompok yang sudah ditentukan sesuai objek pajak
yang telah dihimpun di data Pemasukan PAD oleh BPPKAD dan BAPPEDA
2. Data yang telah dianalisis dan digolongkan dapat dijadikan Pejabat setempat
untuk menentukan rencana kedepan agar wilayah kabupaten / kota yang
memiliki okupansi golongan pajak paling sedikit bisa menjadi prioritas dalam
pembahasan RAPBD dan juga pengembangan untuk meningkatkan potensi
industri dan pemasukan pajak di daerah tersebut
3. Manfaat bagi penulis adalah dapat mengembangkan ilmu yang sudah didapat
dari perkuliahan serta bisa mengimplementasikannya. Dalam penelitian yang
dilakukan oleh penulis output atau hasil penelitiannya adalah hasil dari
pembelajaran yang didapat selama mengikuti perkuliahan.
4
BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terkait

Penelitian tentang PAD telah dilakukan oleh beberapa peneliti dan
menuliskan hasilnya dalam bentuk jurnal, antara lain Rudi Prasetyo, 2017, yang
membahas tentang pengaruh pendapatan pajak daerah dan retribusi daerah
terhadap peningkatan PAD. Dalam penelitiannya, Rudi Prasetyo menganilisis
data pajak daerah dan retribusi daerah dengan metode Kolmogorov-Smirnov
yang digunakan untuk uji normalitas data, selanjutnya dengan Uji Asumsi
Klasik, Uji Multikolinearitas, Uji Autokorelasi, dan Uji Heteroskedastisitas.
Selanjutnya, Rahayu Mayang Sari, 2015, dalam artikelnya yang berjudul
“Prediksi Data Anggaran Pendapatan Belanja Daerah Menggunakan Algoritma
K-Means”, membahas tentang pengelompokan Anggaran Pendapatan Belanja
Daerah di tahun yang akan datang, dengan mengumpulkan setiap jenis
pemasukan pajak daerah dan juga jenis anggaran belanja daerah, lalu melakukan
analisis pemasukan pajak daerah dengan metode K-Means Clustering. Penelitian
ini dilakukan dengan menggunakan sofware Tanagra.
Lalu, Reynaldo Ferdian Saputra, 2020, yang membahas tentang
penggunaan metode clustering k-means untuk menentukan hasil dari tes gaya
belajar siswa. Dalam penelitiannya, penempatan gaya belajar dibagi menjadi 3
cluster yaitu audiotori, visual, dan kinestetik. Penggunaan metode K-Means
Clustering digunakan pada saat user test memilih jawaban, maka akan ditentukan
mengarah ke kategori apakah setiap jawaban yang diinputkan oleh user pada saat
menginputkan jawaban.
5
Sedangkan, Hijrah Aziz, 2016, dengan judul ANALISIS DAN
PERANCANGAN SISTEM INFORMASI PENGELOLAAN PAJAK DAERAH
BERBASIS WEB yang menjelaskan tentang rancangan pembuatan website
pengelolaan pajak daerah. Dalam penelitiannya, Aziz membuat sistem untuk
melakukan entry data pendaftaran bagi calon pembayar wajib pajak daerah dan
juga hanya untuk menganilisi
data pemasukan objek pajak oleh Pegawai Pajak. Penelitian tersebut
diharapkan dapat membantu tiap calon wajib pajak dalam melakukukan
pendaftaran formular pembayaran PAD secara online dan juga membantu
pegawai pajak dalam mengelola basis data objek pajak.
2.2 Dasar Teori

2.2.1 Data Clustering
(Irwansyah, 2015) Clustering adalah sebuah proses untuk
mengelompokan data ke dalam beberapa cluster atau kelompok sehingga
data dalam satu cluster memiliki tingkat kemiripan yang maksimum dan
data antar cluster memiliki kemiripan yang minimum.
Clustering merupakan proses partisi satu set objek data ke dalam
himpunan bagian yang disebut dengan cluster. Objek yang di dalam cluster
memiliki kemiripan karakteristik antar satu sama Iainnya dan berbeda
dengan cluster yang lain. Partisi tidak dilakukan secara manual melainkan
dengan suatu algoritma clustering. Oleh karena itu, clustering sangat
berguna dan bisa menemukan group atau kelompok yang tidak dikenal
dalam data. Clustering banyak digunakan dalam berbagai aplikasi seperti
misalnya pada business inteligence, pengenalan pola Citra, web search,
bidang ilmu biologi, dan untuk keamanan (security). Di dalam business
inteligence, Contohnya mengelompokan customer ke dalam beberapa
cluster dengan kesamaan karakteristik yang kuat. Clustering juga dikenal
sebagai data segmentasi karena clustering mempartisi banyak data set ke
6
dalam banyak group berdasarkan kesamaannya. Selain itu clustering juga
bisa sebagai outlier detection.
2.2.2 Algoritma K-Means - Clustering

(MNM Ediyanto, 2013) K-Means Cluster Analysis merupakan salah
satu metode cluster analysis non hirarki yang berusaha untuk mempartisi
objek yang ada kedalam satu atau lebih cluster atau kelompok objek
berdasarkan karakteristiknya, sehingga objek yang mempunyai
karakteristik yang sama dikelompokan dalam satu cluster yang sama dan
objek yang mempunyai karakteristik yang berbeda dikelompokan kedalam
cluster yang lain. Tujuan pengelompokan adalah untuk meminimalkan
objective function yang di set dalam proses clustering, yang pada dasarnya
berusaha untuk meminimalkan variasi dalam satu cluster dan
memaksimalkan variasi antar cluster.
(Agusta, 2007) Jika diberikan sekumpulan objek, maka algoritma K-
Means Cluster Analysis akan mempartisi X dalam k buah cluster, setiap
cluster memiliki centroid dari objek-objek dalam cluster tersebut. Pada
tahap awal algoritma K-Means Cluster Analysis dipilih secara acak k buah
objek sebagai centroid, kemudian jarak antara objek dengan centroid
dihitung dengan menggunakan jarak euclidian, objek ditempatkan dalam
cluster yang terdekat dihitung dari titik tengah cluster. Centroid baru
ditetapkan jika semua objek sudah ditempatkan dalam cluster terdekat.
Proses penentuan centroid dan penempatan objek dalam cluster
diulangi sampai nilai centroid konvergen (centroid dari semua cluster
tidak berubah lagi). Secara umum metode K-Means Cluster Analysis
menggunakan algoritma sebagai berikut :
7
1. Tentukan k sebagai jumlah cluster yang di bentuk.
Untuk menentukan banyaknya cluster k dilakukan dengan beberapa
pertimbangan seperti pertimbangan teoritis dan konseptual yang
mungkin diusulkan untuk menentukan berapa banyak cluster.
2. Bangkitkan k Centroid (titik pusat cluster) awal secara random.

Penentuan centroid awal dilakukan secara random/acak dari objek-
objek yang tersedia sebanyak k cluster, kemudian untuk menghitung
centroid cluster ke-i berikutnya, digunakan rumus sebagai berikut :
∑𝑛
𝑖=1 𝑥
2
𝑣= ; i =1,2,3, . . . n (1)
𝑛
Dimana
v : centroid pada cluster
𝑛 : jumlah data setelah perhitungan jarak sementar (atribut)
𝑥 2 : jumlah data kriteria
objek ke-i : banyak objek/jumlah objek yang menjadi anggota cluster
3. Hitung jarak setiap objek ke masing-masing centroid dari masing-

masing cluster. Untuk menghitung jarak antara objek dengan centroid
penulis menggunakan Euclidian Distance.
𝐷(𝑎𝑘 , 𝑏𝑘 ) = √∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2 ; i =1,2,3, . . . n (2)
Dimana :
𝐷 : jarak
𝑎𝑘 data kriteria dan 𝑏𝑘 adalah data centroid
𝑛 adalah jumlah data (atribut)
i adalah literasi
8
4. Alokasikan masing-masing objek ke dalam centroid yang paling
terdekat. Untuk melakukan pengalokasian objek kedalam masing-
masing cluster pada saat iterasi secara umum dapat dilakukan dengan
dua cara yaitu dengan hard k-means, dimana secara tegas setiap objek
dinyatakan sebagai anggota cluster dengan mengukur jarak kedekatan
sifatnya terhadap titik pusat cluster tersebut, cara lain dapat dilakukan
dengan fuzzy C-Means
5. Lakukan iterasi, kemudian tentukan posisi centroid baru dengan

menggunakan persamaan (1)
6. Ulangi langkah 3 jika posisi centroid baru tidak sama. Pengecekan

konvergensi dilakukan dengan membandingkan matriks group
assignment pada iterasi sebelumnya dengan matrik group assignment
pada iterasi yang sedang berjalan. Jika hasilnya sama maka algoritma
k-means cluster analysis sudah konvergen, tetapi jika berbeda maka
belum konvergen sehingga perlu dilakukan iterasi berikutnya.
2.2.3 Data Mining

(Turban, dkk.2005). Data Mining adalah suatu istilah yang
digunakan untuk menguraikan penemuan pengetahuan di dalam database.
Data Mining adalah proses yang menggunakan teknik statistic,
matematika, kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi yang bermanfaat
pengetahuan yang terkait dari berbagai database besar (Turban,
dkk.2005).
(Larose, 2005), Data Mining adalah suatu proses menemukan
hubungan yang berarti, pola, dan kecenderungan dengan memeriksa
dengan sekumpulan besar data yang tersimpan dalam penyimpanan
9
dengan menggunakan teknik pengenalan pola seperti teknik stastik dan
matematika.
Gambar 2.1 Bidang Ilmu Data Mining
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas

yang dapat dilakukan, yaitu (Larose, 2005) :
1. Deskripsi
Terkadang peneliti dan analis secara sederhana ingin mencoba mencari
cara untuk menggambarkan pola dan kecenderungan yang terdapat
dalam data. Sebagai contoh, petugas pengumpulan suara mungkin
tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak
cukup professional akan sedikit didukung dalam pemilihan presiden.
Deskripsi dari pola dan kecendrungan sering memberikan
kemungkinan penjelasan untuk suatu pola dan kecenderungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali varibel target
estimasi lebih kearah numerik daripada kearah kategori. Model
10
dibangun dengan menggunakn record lengkap yang menyediakan nilai
dari varibel prediksi.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa
dalam prediksi nila dari hasil akan ada dimasa mendatang.
Contoh prediksi dalam bisnis:
a. Prediksi harga beras dalam tiga butan yang akan dating.
b. Prediksi presentase kenaikan kecelakaan lalulintas tahun depan
jika batas bawah kecepatan dinaikkan.
Beberapa metode dari teknik yang digunakan dalam klasifikasi dan

estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.
1. Klasifikasi
Dalam klasifikasi, terdapat target variable kategori. Sebagai contoh,
penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu
pendapatan tinggi, pendapatan sedang, pendapatan rendah.
2. Pengklusteran
Pengklusteran merupakan pengelompokan record, pengamatan atau
memperhatikan dan membentuk kelas objek-objek yang memilki
kemiripan satu dengan yang lainnya dan memiliki ketidak miripan
dengan record-record dalm kluster lain.
3. Asosiasi
Tugas asosiasi dalam Data Mining adalah menemukan atribut yang
muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut
analisi keranjang belanja. (Kusrini, Emha Taufiq Luthfi, Algoritma
Data Mining, 2009).
11
BAB III
METODE PELAKSANAAN
3.1 Analisa Masalah

Analisis masalah merupakan usaha untuk memperjelas pokok-pokok
permasalahan sehingga lebih spesifik lagi dari masalah yang diteliti, pada bagian
ini penulis menyimpulkan permasalahan yang justru jarang dipikirkan, namun
sangat riskan sekali bila luput dari penglihatan para pejabat daerah. Hal tersebut
membuat Para pejabat Daerah setempat maupaun ASN pajak kadang kala tidak
mengetahui tidak mengetahui dari sector manakah pemasukan paling besar dalam
pembayaran pajak asli daerah kategori retribusi.
BPPKAD dan BAPPEDA tingkat kabupaten saat ini tentunya memiliki
beraneka ragam asset daerah dan juga berbagai perjinan penggunaan aset milik
daerah itu sendiri, yang telah banyak dikelola, terutama oleh pihak swasta,
dengan membayar pajak yang telah ditetapkan oleh pemerintah daerah tersebut.
Banyaknya objek pajak yang masuk ke database tim BPPKAD pun membuat
data pemasukan pajak asli daerah menjadi cukup sulit dianalisis, terutama
menyangkut prospek masa depan sebagai pemasukan terbanyak dalam segi
bidang apakah daerah tersebut yang dapat menghasilkan nilai realisasi pajak
tertinggi. Dalam hal ini data mining clustering mempunyai peranan dalam
mengolah dan mengelompokkan data pada objek pajak tersebut.
Data Objek Pajak yang digunakan untuk mencari potensi terbaik di masa
depan, manakah sector pajak yang paling banyak masuk ke dalam keungan
daerah, nantinya juga dapat dijadikan pertimbangan oleh pejabat daerah tersebut
sebagai rencana kedepan bagaimana memaksimalkan lagi pemasukan pajak asli
daerah. Hal tersebut juga diperlukan algoritma K-Means agar hasil akhirnya lebih
akurat dalam memprediksi pendapatan di masa depan.
12
3.2 Analisis Kebutuhan
Dalam pembuatan sistem ini, terdapat beberapa hal kebutuhan sebagai
analisis data, meliputi seluruh data objek Pajak Asli Daerah tahun 2020 yang
meliputi semua jenisnya, meliputi pajak perhotelan, rumah makan, parkir,
perijinan dan lain – lain. Apabila data tersebut sudah terpenuhi maka analisis
kebutuhan data sudah terpenuhi dan proses pengelompokan data bisa dilakukan
berdasarkan cluster.
Adapun kebutuhan fungsional yang dibutuhkan dalam system inventaris objek
pajak adalah sebagai berikut:
1. Sistem dapat melakukan input data objek pajak.
2. Sistem dapat melakukan input data admin.
3. Sistem dapat melakukan pengelompokan dan mengidentifikasi data objek
pajak.
Sedangkan kebutuhan non fungsional yang diperlukan adalah sebagai berikut:
1. Sistem dapat dijalankan dengan baik pada desktop menggunakan web
browser seperti Microsoft Edge, Google Chrome dan Mozilla Firefox.
2. Sistem harus dapat memastikan bahwa data yang digunakan dalam sistem
harus terlindung dari akses yang tidak berwenang dan hanya dapat diakses
oleh internal Pejabat Pajak
3. Sistem memiliki tampilan (antar mukan) yang mudah dipahami oleh Pejabat
Pajak.
3.3 Gambaran Umum Sistem

Analisis sistem didefinisikan sebagai penguraian dari sistem utama
kedalam sub- sub sistem dengan tujuan untuk mendefinisikan permasalahan yang
ada dan kebutuhan- kebutuhan yang diperlukan agar dapat diusulkan dan
diciptakan sistem yang lebih baik. Implementasi metode k-means pada
peringkasan teks yang akan dibangun bisa dilihat pada penjelasan dibawah ini
berikut.
13
3.3.1 Flowchart Sistem
Gambar 3.1 Tampilan Flowchart Alur Sistem

Untuk menggunakan system ini pertama admin harus login terlebih dahulu
kemudian sistem mendeteksi apakah pengguna terdaftar sebagai admin atau
bukan, jika pengguna adalah orang lain maka akan diminta login lagi
dengan benar, sedangkan apabila pengguna adalah admin (Pejabat Pajak)
maka admin dapat menginputkan data objek pajak, dan data akan
diotomatis di simpan di database, kemudian dalam proses pengolahan data
objek pajak akan di ambil dari database dan akan di teruskan kedalam
proses perhitungan menggunakan metode Clustering K-Means untuk
mendapatkan hasil akhir yang diinginkan oleh Pejabat Pajak
14
3.3.2 Flowchart Metode Clustering K-Means
Adapun Metode yang akan digunakan pada pengerjaan program ini
adalah sebagai berikut :
Gambar 3.2 Tampilan Flowchart Alur Sistem

Pada gambar diatas, saat data telah masuk ke database, system akan
menentukan jumlah cluster yang akan digunakan untuk clustering, lalu
menentukan pusat clusternya. Selanjutnya, menghitung tiap jarak antar
data. Hasil dari proses perhitungan data awal hingga akhir, akan
membentuk sebuah keluaran hasil cluster, yang mana data yang telah
dihitung tadi dikelompokkan berdasarkan jarak terkecil. Untuk mengecek
apakah proses clustering telah selesai, perlu melihat kesamaan hasil cluster
yang baru dengan hasil literasi cluster sebelumnya, jika iya maka proses
berakhir dan menghasilkan pengelompokan data yang diinginkan
15
3.3.3 Diagaram DFD
a. Level 0
Gambar 3.3 Tampilan DFD Level 0 Alur Sistem

Menjelaskan alur diagram level 0, dimana admin dapat menginputkan
data objek pajak yang kemudian di proses oleh sistem menggunakan
perhitungan metode. Setelah proses selesai hasil perhitungan berupa
data objek pajak beserta golongan akan ditampilkan di data objek
pajak
b. Level 1
Gambar 3.4 Tampilan DFD Level 1 Alur Sistem
16
Gambar diatas menjelaskan alur diagram level 1, untuk memudahkan
dalam membaca alur dari sistem yang akan dibuat. Pada sistem, admin
sebagai hak akses dapat login ke halaman admin. Admin juga dapat
menginputkan, mengubah, dan menghapus data pajak lalu akan masuk ke
tabel pajak. Setelah admin menginputkan data objek pajak, data akan di
proses menggunakan perhitungan metode, lalu akan menghasilkan output
data pajak beserta jenisnya. Lalu data pajak yang telah diproses dengan
metode akan di cetak ke laporan.
3.3.4 Struktur Menu

Struktur menu yang akan dirancang di dalam sistem ini adalah sebagai
berikut
Gambar 3.5 Tampilan Struktur Menu
17
Pada gambar diatas, user akan login terlebih dahulu. Setelah Login, maka
akan dihadapkan beberapa menu seperti pada gambar diatas. Diawali dari
dashboard yang isinya merupakan ucapan selamat dating kepada admin.
Lalu ada menu data user yang isinya nanti merupakan user yang dapat
mengakses system ini. Nantinya yang bisa menambahkan user baru
hanyalah admin yang telah terdaftar di system ini. Selanjutnya ada menu
Data Pajak yang berisikan semua data Pendapatan Asli Daerah, yang
nantinya bisa dilakukan olah data di menu tersebut. Pada menu berikutnya
yaitu Grafik Pemasukan Pajak, yaitu untuk melihat seberapa besar
pemasukan dari tiap bulannya, dan juga tahun. Dan pada menu Proses
Kelola Data Pajak, yaitu proses clustering k-means terhadap data - data
yang telah masuk ke dalam database system. Lalu ada menu cetak laporan
yang nantinya dapat mencetak data pemasukan pajak, mulai dari data
mentah, hingga data setelah di proses clustering k-means.
3.3.5 Perancangan Layout

a. Halaman Login
Gambar 3.6 Tampilan Login Sistem
18
Pada gambar diatas, menjelaskan tentang halaman pertama yaitu login
dengan menggunakan email dan password, halamn ini digunakan untuk
otoritas pengguna system
b. Halaman Dasboard
Gambar 3.7 Tampilan Halaman Awal / Dasboard
Pada menu ini menampilkan beberapa menu utama antara lain menu
pengelola data user, data pajak, grafik pemasukan pajak, menu proses
kelola data pajak dan menu laporan.
c. Halaman Data User
Gambar 3.8 Tampilan Halaman Data User
19
Pada menu data user, admin mendapatkan akses untuk menginputkan
data user lain yang dapat mengakses system ini. Di menu ini admin
dapat menghapus, mengupdate dan menmbah user.
d. Halaman Data Pajak
Gambar 3.9 Tampilan Halaman Data Pajak
Pada halaman ini, user dapat mengolah data pajak, mulai dari input,
update serta delete data. Data ini nantinya akan menjadi bahan untuk
melakukan proses kelola data dengan metode yang ada di menu proses
kelola data nantinya
e. Halaman Grafik Pemasukan Pajak
Gambar 3.10 Tampilan Halaman Grafik Pemasukan Pajak
20
Pada menu ini, user dapat melihar bagaimana progress pendapatan asli
daerah yang dapat ditentukan bulan dan tahunnya melalui grafik yang
akan disediakan
f. Halaman Proses Kelola Pajak
Gambar 3.11 Tampilan Halaman Proses Kelola Data Pajak
Pada halaman ini, akan disajikan proses perhitungan clustering k-means

untuk setiap data yang akan di kaji. Hasil perhitungan data yang
disajikan nantinya bisa disajikan dalam bulan dan tahun agar
mempermudah user dalam mengecek data.
g. Halaman Cetak Laporan
Gambar 3.12 Tampilan Halaman Cetak Laporan
21
Pada halaman ini, user nantinya dapat mencetak laporan dengan 2 opsi
yang dapat dipilih user, yaitu mencetak data mentah laporan, yaitu data
pajak yang masuk ke system, atau bisa juga memilih data pajak setelah
analisis dengan metode clustering k-means
22
BAB IV
IMPLEMENTASI DAN PENGUJIAN
4.1 IMPLEMENTASI SISTEM

Dari hasil analisis beserta perancangan sistem pada Bab 3, dapat diaplikasikan
penerapan metode clustering dengan k-means pada pengelompokan data
pendapatan asli daerah. Dengan penerapan system yang telah dirancang
sebelumnya, maka hasilnya dapat diaplikasikan sesuai kebutuhannya.
1. Halaman Login
Pada bagian ini, admin / pegawai bppkad harus harus login terlebih dahulu
agar dapat mengakses sistem seperti gambar dibawah ini.
Gambar 4.1 Tampilan Halaman Login
23
2. Halaman Dashboard
Pada halaman ini, admin / pegawai bppkad akan disambut pertama kali
setelah melalui proses login. Pada halaman ini, terdapat beberapa menu
lainnya seperti menu pada saat ini yaitu dashboard, menu data user, menu
data pajak, menu penggolongan pajak, menu grafik pemasukan pajak, dan
menu cetak laporan seperti pada gambar 4.2 dibawah ini.
Gambar 4.2 Tampilan Halaman Dashboard
3. Halaman Data User

a. Tabel Data User
Pada halaman ini, terdapat beberapa daftar user yang dapat mengakses
sistem ini, dikarenakan hanya admin lah yang dapat mendaftarkan user
lain bila ingin mengakses sistem seperti gambar 4.3 dibawah ini.
Gambar 4.3 Tampilan Halaman Data User
24
b. Add Data User
Pada halaman ini, terdapat beberapa field yang harus diisi untuk
mendaftarkan user baru. Dengan mengisi NIP, Nama Lengkap, Email,
Password, dan mengisi lagi Password sebagai konfirmasi seperti gambar
4.4 dibawah ini.
Gambar 4.4 Tampilan Halaman Add Data User
Lalu setelah melakukan input data user, maka akan tampil di halaman
data user seperti gambar 4.5 dibawah ini.
Gambar 4.5 Tampilan Tambah Data User berhasil pada sistem
25
Sedangkan Tampilan data berhasil disimpan ke dalam database
ditunjukkan pada Gambar 4.6
Gambar 4.6 Tampilan Tambah Data User pada database
c. Halaman Edit Data User

Jika Ingin mengedit Data User, maka user memilih tombol edit berwarna
biru dikolom option, lalu akan diarahkan ke halaman edit data user seperti
pada gambar 4.7 dibawah ini
Gambar 4.7 Tampilan Edit Data User
Lalu setelah melakukan edit data user, maka akan tampil seperti pada
gambar 4.8 dibawah ini
Gambar 4.8 Tampilan Edit Data User berhasil pada sistem
26
Sedangkan Tampilan data berhasil diedit ke dalam database ditunjukkan
pada Gambar 4.9
Gambar 4.9 Tampilan Edit Data User berhasil pada database
d. delete Data User

Jika ingin menghapus data user, tinggal memilih ikon hapus berwarna
merah di kolom option, maka hasilnya seperti pada gambar 4.10 dibawah
ini
Gambar 4.10 Tampilan Hapus Data User Pada sistem
4. Data Pajak
Pada halaman ini, akan disuguhkan tabel daftar pajak yang telah terdaftar
dengan menampilkan beberapa identitas beserta 12 kriteria yang akan
dijadikan patokan sebagai perhitungan k-means. Di menu ini juga dapat
melakukan input, edit beserta delete data pemasukan pajak seperti pada
gambar 4.11 dibawah ini .
27
Gambar 4.11 Tampilan Halaman Data Pajak
a. Tampilan Input Data Pajak

Halaman Input Data Pajak berfungsi untuk menambahkan data pajak.
Terdapat 18 kolom yang harus diisi, kemudian setelah semua kolom input
sudah diisi selanjutnya pilih Submit untuk menyimpan, maka data akan
ditambahkan ke tabel halaman data pajak dan ke database. Tampilan
halaman input data dapat dilihat pada Gambar 4.12 dibawah ini.
Gambar 4.12 Tampilan Halaman Tambah Data Pajak
Setelah menginputkan data, maka data akan langsung tampil pada tabel di
halaman data user seperti pada gambar 4.13 dibawah ini.
28
Gambar 4.13 Tampilan Halaman Tambah Data Pajak Berhasil di
system

pada Gambar 4.14 berikut
Gambar 4.14 Tampilan Halaman Tambah Data Pajak Berhasil di

database
b. Edit Data Pajak

Jika Ingin mengedit Data Pajak, maka user memilih tombol edit berwarna
biru dikolom option, lalu akan diarahkan ke halaman edit data user seperti
pada gambar 4.15 dibawah ini
Gambar 4.15 Tampilan Halaman Edit Data Pajak
29
Maka data tersebut otomatis akan berubah dan muncul di tabel pada
halaman data pajak seperti gambar 4.16 dibawah ini
Gambar 4.16 Tampilan Halaman Edit Data Pajak Berhasil di sistem

pada Gambar 4.17 berikut
Gambar 4.17 Tampilan Halaman Edit Data Pajak Berhasil di

database
c. Delete Data Pajak

Jika ingin menghapus data pajak, tinggal memilih ikon hapus berwarna
merah di kolom option, maka hasilnya seperti pada gambar 4.18 dibawah
ini
Gambar 4.18 Tampilan Halaman Hapus Data Pajak Di Sistem
30
5. Halaman Penggolongan Pajak
Pada halaman ini, akan ditampilkan golongan data pajak yang di proses k-
means. Bila ingin melakukukan proses k-means ulang, user dapat menekan
tombol proses Kmeans berwarna biru seperti pada gambar 4.19 dibawah ini
Gambar 4.19 Tampilan Halaman Penggolongan Pajak
Tampilan Proses K-Means dengan perhitungan lengkapnya dapat dilihat

pada gambar 4.20 dibawah ini.
Gambar 4.20 Tampilan Halaman Perhitungan K-Means
31
6. Halaman Grafik Pemasukan Pajak
Pada halaman ini, akan ditunjukkan grafik hasil penggolongan data pajak
yang telah dihitung dengan metode K-Means.
Gambar 4.21 Tampilan Halaman Grafik
7. Halaman Cetak Laporan

Halaman ini akan menampilkan 2 pilihan bagi user untuk mencetak laporan,
yaitu Data Pajak utuh secara keseluruhan atau data yang telah di proses K-
Means secara lengkap. Tampilan halaman seperti pada Gambar 4.22.
Gambar 4.22 Tampilan Halaman Cetak Laporan
32
4.2 PENGUJIAN SISTEM
Pada pengujian sistem kali ini, tahap uji coba dan sistem untuk menguji setiap
fungsi vital agar nantinya dapat diambil kesimpulan apakah sistem berjalan
dengan baik sesuai tujuan awal pembuatan sistem. Pengujian sistem terdiri dari :
4.2.1 Pengujian User Admin

Pada Pengujian ini, diperlukan untuk mengetahui tingkat kepuasan
pengguna terhadap pengalaman pengguna dan tampilan antarmuka aplikasi.
Penggunaan Sistem ini hanya akan digunakan oleh Pihak BAPPEDA dan
BPPKAD serta Pemda Setempat. Pengujian dilakukan terhadap 2 Pimpinan
Resmi dalam bidang Pajak Daerah, yakni kepala BAPPEDA Kab. Gresik
yakni Bapak HAFIE CHRISDIANTO, SE lalu Plt. Kepala BPPKAD Kab.
Gresik yakni Ibu Dra. NURI MARDIANA, MM, serta 4 pegawai BPPKAD
yang bertugas dalam merekap Data Pajak. Masing-masing kuesioner berisi
tujuh pertanyaan mengenai pengalaman pengguna ketika mengoperasikan
aplikasi.
Dalam menentukan hasil persentase kuesioner menggunakan rumus
mencari persentase hasil kuesioner seperti pada persamaan yang dikutip dari
Sugiyono, 2008 berikut ini :
𝑓
𝜌= 𝑥 100
𝑛
Dimana :
𝜌 : Presentase
𝑓 : Jumlah jawaban
𝑛 : Jumlah responden
Berdasarkan hasil dari pengisihan kuesioner yang didapatkan penulis
dari responden dan dihitung jumlah keseluruhannya mendapatkan persentase
hasil seperti berikut, dapat dilihat pada Tabel 4.1.
33
Tabel 4.1 Pengujian User Admin
Penilaian
No Pertanyaan Baik Cukup(C) Kurang
(B) / Perlu
Dirubah
(K)
1 Apakah ukuran dan warna font tulisan (6) (0) (0)
sudah terlihat jelas? 100% 0% 0%
2 Apakah warna tombol, background, dan (4) (2) (0)
juga grafik pada sistem sudah sesuai 66.7% 33.3% 0%
dengan yang diharapkan oleh pihak
BPPKAD?
3 Apakah alur menu pada sistem mudah (5) (1) (0)
dipahami? 83.3% 16.7% 0%
4 Apakah form-form yang ada pada sistem (2) (4) (0)
sudah sesuai dan mudah digunakan? 33.3% 66.7% 0%
5 Apakah kriteria data yang digunakan (6) (0) (0)
sesuai dengan kriteria – kriteria data 100% 0% 0%
pajak PAD yang telah ditentukan dari
BPPKAD?
6 Apakah sistem ini lebih mempermudah (4) (2) (0)
dalam penggolongan Data Pendapatan 66.7% 33.3% 0%
Asli Daerah untuk dianalisis?
7 Apakah sistem ini dapat lebih (6) (0) (0)
mempermudah Pegawai BPPKAD dalam 100% 0% 0%
menyiapkan bahan RAPBD untuk
periode berikutnya?
Dari hasil pengujian diatas, dapat disimpulkan jika pengujian pada

user dari 6 Responden menghasilkan jumlah jawaban dari pertanyaan
mengenai ukuran dan jenis font dengan hasil B:6, C:0, K:0. Pertanyaan
tentang tombol, background dan tampilan grafik dengan hasil B:4, C:2, K:0.
Pertanyaan tentang alur menu dengan hasil B:5, C:1, K:0. Pertanyaan tentang
form dengan hasil B:2, C:4, K:0. Pertanyaan mengenai kriteria dengan hasil
B:6, CS:0, K:0. Pertanyaan mengenai sistem mempermudah dalam dalam
penggolongan Data Pendapatan Asli Daerah untuk dianalisis dengan hasil B:4,
C:2, K:0. Pertanyaan mengenai sistem mempermudah Pegawai BPPKAD
34
dalam menyiapkan bahan RAPBD untuk periode berikutnya dengan hasil B:6,
CS:0, K:0. Dijumlahkan pemilihan B:33, C:9, K:0. Dibagi dengan jumlah
seluruh pilihan : 6 x 7 = 42. Pemilih B: 33 / 42 x 100 = 78.57%. Pemilihan
KS: 9/42 x 100 = 21,42%. Pemilihan TS: 0/42 x 100 = 0%.
4.2.2 Pengujian Fungsional

Pada Pengujian ini, dilakukan pengujian fitur-fitur yang ada pada system,
serta penerapan metode clustering dengan algoritma k-means pada
pengelompokan data pemasukan pajak asli daerah. Hasil pengujian fungsional
sistem ditunjukan dalam Tabel 4.2.
Tabel 4.2 Pengujian Fungsional

No Fungsi Yang Diuji B G
1 Login  -
2 Halaman Dasboard  -
3 Halaman Data User  -
a. Tambah Data User  -
b. Ubah Data User  -
c. Hapus Data User  -
4 Halaman Data Pajak  -
a. Tambah Data Pajak  -
b. Ubah Data Pajak  -
c. Hapus Data Pajak  -
5 Halaman Penggolongan Pajak  -
a. Proses K-Means  -
b. Hasil  -
6 Halaman Grafik Pemasukan  -
Pajak
7 Cetak Laporan  -
a. Laporan Data Pajak  -
b. Laporan Data Pajak  -
yang sudah di proses K-
Means
8 Logout  -
35
Keterangan :
B : Berhasil
G : Gagal
Dengan hasil pungujian fungsional diatas, didapatkan hasil bahwa semua
halaman, button dan laporan pada aplikasi penerapan metode clustering
dengan algoritma k-means pada pengelompokan data pemasukan pajak asli
daerah yang dibuat telah berhasil dan berjalan dengan baik.
4.2.3 Pengujian Browser

Pada pengujian ini, dilakukan dengan menggunakan tiga browser. Dimana
pengujian ini dilakukan untuk mengetahui tingkat keberhasilan penggunaan
browser. Pengujian ini juga dilakukan setelah sistem yang dibuat sudah di
hosting. Domain yang akan digunakan adalah
http://penggolonganbppkadgresik.herokuapp.com
Hasil pengujian sistem dilakukan dengan menggunakan 3 browser yang
berbeda, semua tampilan dan fungsi aplikasi dapat berjalan 100% pada 2
browser yaitu Mozilla Firefox versi 88.0.1 (64-bit), lalu Microsoft Edge versi
91.0.864.48 (Official build) (64-bit) dan Chrome versi 91.0.4472.106 (Official
Build) (64-bit). Berikut adalah tabel hasil pengujian dari pembuatan aplikasi
menggunakan dua browser yang ditunjukkan pada Tabel 4.3.
36
Tabel 4.3 Pengujian Browser
No Fungsi Yang Diuji Mozilla Microsoft Google
Firfox Edge Chrome
1 Login   
2 Halaman Dasboard   
3 Halaman Data User   
d. Tambah Data User   
e. Ubah Data User   
f. Hapus Data User   
4 Halaman Data Pajak   
d. Tambah Data Pajak   
e. Ubah Data Pajak   
f. Hapus Data Pajak   
5 Halaman Penggolongan Pajak   
c. Proses K-Means   
d. Hasil   
6 Halaman Grafik Pemasukan   
Pajak
7 Cetak Laporan   
c. Laporan Data Pajak   
d. Laporan Data Pajak   
yang sudah di proses K-
Means
8 Logout   
Keterangan :
 : Berhasil
X : Gagal
37
4.2.4 Pengujian Metode
Pada pengujian ini, perhitungan metode K-Means dilakukan pada studi kasus
Kantor BAPPEDA selaku pemilik data penelitian dan BPPKAD sebagai
tempat penyimpanan data dalam menentukan data pajak yang akan dijadikan
referensi sebagai pembahasan APBD oleh pemda setempat dengan penerapan
metode clustering dengan algoritma k-means pada pengelompokan data
pemasukan pajak asli daerah:
a. Penentuan Data Proses

Dalam menentukan data yang akan dianalisis dengan metode K-Means
maka langkah pertama yang dilakukan adalah menentukan data yang akan
di proses clustering. Pada kasus ini akan digunakan sampel data sejumlah
115 data pajak proses. Adapun data pajak yang digunakan dapat dilihat
pada Tabel 4.4 dibawah ini
Tabel 4.4 Data Pajak

No. NPWPD Tanggal Alamat Pajak Kecamatan Nama Pengelola Tarif
Transaksi
1 35250200128600 2019-01- DS. BALANDONO - SUUDI / TAMAN 100000
11 LAMONGAN RIA
PROMOSINDO
2 35250200354200 2019-04- KEDIRI - PUTRA CAHAYA 126000
20
3 35250200076601 2019-02- JL.RY.LOWAYU Dukun MALINDO 1744000
04
4 35250200087702 2019-02- DS KEDUNG Balongpanggang SSC 100000
11 PRING
5 35250200060303 2019-02- DS.DELEGAN Panceng WISATA 1000000
12 DELEGAN
6 35250200481109 2019-02- DS NGAWEN Sidayu DANI SPORT 300000
28 CENTER (DSC)
7 35250200070310 2019-02- JL.BROTONEGORO Manyar HIBURAN CILUK 977000

07 BARAT 132 BAA
8 35250200083310 2019-02- JL. Manyar HIDAYAT 1365000
19 BROTONEGORO
9 35250200137210 2019-10- JL. RAYA Manyar SEMBAYAT 300000
20 SEMBAYAT SERBAGUNA
SELATAN SPORT
10 35250200196510 2019-02- JL.KALIMANTAN Manyar ALYA 1000000
12 NO.35
11 35250200307710 2019-01- JL. RANTAU I GKB Manyar DYNASTY 13000000
14 SUKOMULYO WATER WORLD
38
12 35250200351510 2019-04- JL KALIMATAN Manyar DOREMI LAND 300000
27
13 35250200055011 2019-02- DS.TAMBAK Cerme PENGELOLA 120000
14 BERAS KOLAM
PANCING
14 35250200432912 2019-02- DESA MASANGAN Bungah WISATA BAJAK 1542000
24 RT.10 RW.05 LAUT
15 35250200481012 2019-01- DS BUNGAH Bungah TIGA PUTRA 1400000

20
16 35250200556712 2019-01- DS.BUNGAH Bungah TAMAN RIA 1400000
20 (SUGENG)
17 35250200082213 2019-06- Paragon Plaza A-15 Menganti MAMAMIA 150000
02 RESTO DAN
FAMILY
18 35250200084613 2019-04- DS. HULA'AN Menganti DWI UTOMO 126000
20
19 35250200164613 2019-03- DS.HULAAN Menganti PT.DUA DAYA 500000
19 SAKTI / LADIVA
20 35250200204513 2019-02- JL.RAYA BOBOH Menganti VIRGO 1536000
04
21 35250200394713 2019-03- JL.PUTAT LOR Menganti SURYA WATER 500000
19 BOOM
22 35250200026114 2019-02- Jl. RA. Kartini Kebomas Hiburan Sarikat 30000
17 Jaya
23 35250200196814 2019-02- JL. RA. KARTINI Kebomas HALIM 900000
17 NO.150
24 35250200201814 2019-03- JL.KARTINI Kebomas TIARA 500000
16 NO.142-144
25 35250200542514 2019-02- JL.DR.WAHIDIN Kebomas PT.GRAHA 50696136
07 SH. ICON MALL LAYAR PRIMA
(cgv)
26 35250200545714 2019-02- JL. DR. WAHIDIN Kebomas PT. TRANS 12570833
07 SUDIROHUSODO REKRESINDO
27 35250200554114 2019-02- JL.DR.WAHIDIN Kebomas HAPPY TIME 18120000

07 SH (ICOL MALL) GRESIK
28 35250200562914 2019-02- JL.SUMATRA GKB Manyar PT.NUSANTARA 19192800
10 SEJAHTERA
RAYA
29 35250200544910 2019-02- JL. KALIMANTAN Manyar PT. BUMI 73061800
12 12A, GKB METRO WISATA
30 35250200016814 2019-06- Jl. Arief Rahman Kebomas SAPTANAWA 26043065
08 Hakim no 79
31 35250200019214 2019-02- Jl. Dr Wahidin SH Kebomas Bhineka 2872100
25
32 35250200066614 2019-02- JL. DR WAHIDIN Kebomas PT. RAYA BUMI 127887951
13 SH NUSANTARA
33 35250200381914 2019-02- JL. DR WAHIDIN Kebomas GRAB 2501170
11 SH, KOMPLK
RUKO
34 35250200410714 2019-02- JL. DR. WAHIDIN Kebomas LESTARI 17000
12 SHD 788 RUKO
35 35250200732214 2019-08- JL. SUMATRA NO Kebomas ASTON INN 43901864
31 1-5, GKB GRESIK
36 35250200003716 2019-02- Jl. Hos Cokroaminoto Gresik Bahagia 172350
24
37 35250200052616 2019-02- JL. RADEN SANTRI Gresik PUTRA JAYA 4011500
27
38 35250200345516 2019-02- JL. PANGLIMA Gresik PESONA GRESIK 55508035
10 SUDIRMAN NO 01
39
39 35250200030517 2019-03- Sungai Teluk Sangkapura RP Intan 25000
13
40 35250200030617 2019-02- Dsn. Laut Sungai, Panceng Bahagia 20000
24 Sawah Mulyo
41 35250200053517 2019-03- DS.SUNGAI TELUK Sangkapura H.ABDUL 125000
26 CHALIK
42 35250200153717 2019-02- DS.SUNGAI TELUK Sangkapura H.TAYYIB 100000
24
43 35250200342017 2019-02- DS.SAWAHMULYA Panceng H.GUFRAN 15000
24
44 35250200405517 2019-03- DS.SAWAHMULYA Panceng MIRANDA 250000
26
45 35250200656917 2019-02- DS.SUNGAI TELUK Sangkapura HALIMAH (senja) 50000
24
46 35250200705617 2019-02- DESA Sangkapura BUANG SARI 50000
24 SUNGAIRUJING
47 35250200714117 2019-02- SAWAHMULYA Panceng H. EFENDI / 50000
23 MOTEL
PUJASERA
48 35250200643200 2019-02- JL TEBET TIMUR Tebet, Jakarta PT JCO DONUT & 16250618
10 III NO 15 JAKARTA Selatan COFFE
49 35250200662500 2019-02- JL. KENJERAN NO. Tambaksari, PT. SAYYIDATI 4061907

14 209 Surabaya SEJAHTERAH
50 35250200797600 2019-03- DS. Benjeng PRAMBANAN 1500000

03 KEDUNGRUKEM
BENJENG
51 35250200816900 2019-04- JL AMBENG Duduk PT. INDOMARCO 14461046
14 AMBENG Sampeyan PRISMATAMA
52 35250200952000 2019-02- JL. JAWA, GKB Manyar BEBEK GORENG 22052003

10 H SLAMET
53 35250200990600 2019-02- DS. DADAP Cerme TRANS CAFE 4457920

06 KUNING KEC.
CERME
54 35250201009900 2019-02- JL. SULAWESI NO Gresik DEPOT KOBER 46630550
27 2, GKB MIE SETAN
55 35250201029200 2019-03- JL. JAWA 108 GKB Manyar AYAM PENYET 23068200
11 SURABAYA
56 35250201048500 2019-02- JL. KALIMANTAN Manyar GIANT FRIED 5575302
10 193 GKB CHICKEN (GFC)
57 35250201067800 2019-07- JL. KALIMANTAN Manyar ICHI SUSHI 17033548

15 187 B
58 35250201106400 2019-02- JL.JAWA NO.105 Manyar IGA KARTO & 12610982
10 GKB
59 35250201125700 2019-02- Jl. Jawa No. 49 GKB Manyar CV. KULINER 11801000
06 PRIMA
NUSANTARA
60 35250201145000 2019-02- JL JAWA GKB Manyar ANGKRINGAN 13972000
07 JOGJA
61 35250201241500 2019-02- JL.JAWA NO.110 Manyar PIZZA COMBI 3067100
04 GKB
62 35250201338000 2019-03- DESA CERME LOR Cerme ROCKET 1000000
03 CHICKEN
CERME
63 35250201357300 2019-02- JL. RAYA PELEM Menganti MONA BEBEK 1500000
11 WATU
40
64 35250201473100 2019-02- JL. RAYA Menganti KEDAI GUBUG 2784500
25 WONOKOYO NO 9 KOPI
65 35250201492400 2019-02- Jl. Veteran Kebomas RM.PAK ELAN I 4095400

20
66 35250201531000 2019-03- Jl. Veteran Kebomas RM P Elan II 52102000
06
67 35250201550300 2019-02- Jl. Dr Wahidin SH Kebomas Depot Sumatra V 2250000
17
68 35250201569600 2019-02- Jl. Veteran Kebomas Mc DONALDS 208305977
18
69 35250201588900 2019-02- Jl. Dr Wahidin SH Kebomas Warung Nasi 8250000
10 Krawu Buk Timan
70 35250201608200 2019-02- JL DR WAHIDIN Kebomas RM APUNG 70513700
26 SUDIRO HUSODO RAHMAWATI
71 35250201627500 2019-02- JL. VETERAN 157 Kebomas IKAN BAKAR 81926554

06 CIANJUR
72 35250201646800 2019-02- JL.VETERAN Kebomas THE LEGEND 30324209
18 RESTO
73 35250201666100 2019-02- JL. VETERAN Kebomas LESEHAN 5100600
06 SEGOROMADU
74 35250201762600 2019-02- JL. RA KARTINI Kebomas PT SARIMELATI 115737338
07 KENCANA,PIZZA
75 35250201781900 2019-02- JL. ARIEF Kebomas M2M FASTFOOD 2500000
19 RAHMAN HAKIM INDONESIA
76 35250201820500 2019-02- JL Dr.WAHIDIN SH Kebomas KFC 49811488
13 No.138 GRESIK
77 35250201839800 2019-02- GREEN GARDEN Kebomas RESTORAN 20901151

17 KAV. A1 - 3 HANDAYANI
78 35250201859100 2019-03- JL.DR.WAHIDIN Kebomas DEPOT PAK D 1438600
09 SH 120
79 35250201878400 2019-02- JL.DR.WAHIDIN Kebomas DEPOT MADIUN 4700380
05 SH NO.138 NO.234 BU RUDY
80 35250201897700 2019-03- Jl. Dr. Wahidin Kebomas WARUNK 4713500

17 Sudirohusodo No. UPNORMAL
111 GRESIK
81 35250201936300 2019-02- JL.DR. WAHIDIN Kebomas PT.PRIMA 15885182
11 SUDIROHUSODO USAHA ERA
MANDIRI (A
82 35250201974900 2019-02- KOMPLEK ICON Kebomas BURGER KING 44240998
10 MALL
83 35250201994200 2019-02- ICON MALL Kebomas PT YOSINOYA 41638830
06 GRESIKLT GF 02
84 35250202013500 2019-02- JL. DR. WAHIDIN Kebomas MIE MAPAN 13691343
10 SH
85 35250202032800 2019-02- ICON MALL Kebomas RM NASI 9701400
04 GORENG 69
86 35250202052100 2019-02- JL. SUMATERA, Kebomas A & W 13901910
10 GKB (GRESS RESTAURAN'S
MALL)
87 35250202071400 2019-02- ICON MALL Kebomas MOKKO 9586000
12 GRESIK FACTORY
88 35250202090700 2019-02- JL. DR. WAHIDIN Kebomas TRANSMART 25459384
12 GRESIK
89 35250202110000 2019-02- JL.SUMATRA GKB Kebomas PT.NUSANTARA 31692273
10 SEJAHTERA
RAYA
90 35250202129300 2019-02- GRESS MALL , JL. Kebomas RESTORAN 22549073
10 SUMATERA, GKB KAMPOENG
TIMBEL /
41
91 35250202148600 2019-02- JL. Sumatera 6F No. Kebomas CV. KOPI MAS 17409398
25 B-02 KARTIKA (
EXCELSO
92 35250202167900 2019-02- GRESS MALL, Kebomas PT FOOD 47861161
13 GKB, RANDU BEVERAGES
INDONESIA
93 35250202187200 2019-02- ICON MALL, Kebomas PT RICHEESE 64148991
07 GRESIK KULINER
INDONESIA
94 35250202206500 2019-02- ICON MALL Kebomas RESTORAN 43871344
06 SOLARIA
95 35250202225800 2019-02- JL.SUMATRA / Kebomas PENYETAN COK 9959000
06 GRESS MALL
96 35250202245100 2019-02- JL. SUMATERA, Kebomas SOLARIA 36110062
06 GKB (GRESS
MALL)
97 35250202264400 2019-02- JL. PUTRI CEMPO Kebomas LUMINOS 3926859
12
98 35250202283700 2019-02- JL. SUMATERA NO Kebomas POSISI COFFE 4238039
10 46, GKB
99 35250202303000 2019-05- JL. DR WAHIDIN Kebomas STARBUCKS 1663200
15 SUDIRO HUSODO
100 35250202322300 2019-02- JL. DR. WAHIDIN Kebomas TEH BREAK ( 1000000
07 SH ICON MALL 2F OSMOND
101 35250202341600 2019-02- JL. KALIMANTAN Manyar KAMPOENG 33556074

10 192, GKB STEAK
102 35250202360900 2019-02- Jl. Raya Bunder No. Duduk RESTO JOYO 29182819
18 1A Gresik Sampeyan HARTONO
103 35250202380200 2019-01- ICON MALL Lt LG Kebomas PT. BUMI 10049637
13 678A, GRESIK BERKAH BOGA
(KOPI)
104 35250202592500 2019-02- JL. A. YANI Gresik KANTIN GRAHA 16927036
10 SARANA
105 35250202611800 2019-02- JL. PANGLIMA Gresik PIT STOP CAFÉ 3271582
11 SUDIRMAN
106 35250202650400 2019-02- JL.RAYA CERME Cerme WARUNG 12339200
28 LOR INTARUM
107 35250202669700 2019-02- ICON MALL, JL DR Gresik CALIFORNIA 16849337
10 WAHIDIN FRIED CHICKEN
( CFC)
108 35250202689000 2019-03- JL. JAWA NO 86-88 Manyar WARUNG KOPI 5508650
12 AGP
109 35250202708300 2019-02- DESA KRIKILAN Driyorejo GUN'S CAFÉ 1000000
25 RT.15 RW.06
110 35250202727600 2019-03- JL. USMAN SADAR Gresik MBLEDEQ CAFE 2350000
17 & RESTO
111 35250202746900 2019-02- JL. PANGLIMA Gresik ONE PLACE 1636070
24 SUDIRMAN No. 1
112 35250202766200 2019-02- JL DR SOETOMO Kebomas RESTO AYAM 15952000
12 130 GORENG
NELONGSO
113 35250202785500 2019-02- ICON MALL, Kebomas PT TORICO 1234250
24 GRESIK MAJU MAKMUR
114 35250202804800 2019-03- JL. Gub.Suryo Gresik ROTI BOY 5688016
05
115 35250202824100 2019-02- JL. PANGLIMA Gresik JOKO PRASETYO 22960300
20 SUDIRMAN No. 52
42
Kemudian ada 12 kriteria dari setiap 115 data yang akan dilakukan proses
perhitungan selanjutnya. Adapun data kriteria tersebut dapat dilihat pada
Tabel 4.5.
Tabel 4.5 Kriteria Tiap Data Pajak

Data
K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12
ke -
1 11000 1000 0 13200 Tidak 0 0 1 1 Rendah Rendah Rendah
Ada
2 10000 120 1 23000 Bantuan 0 0 6 1 Rendah Rendah Rendah

Swasta
3 47000 2500 2 82500 Gardu 0 0 12 1 Tinggi Tinggi Tinggi

Induk
PLN
4 8274 115 1 16500 Gardu 0 0 6 1 Rendah Rendah Rendah
Induk
PLN
5 32571 2000 2 82500 Gardu 0 0 11 1 Tinggi Sangat Tinggi
Induk Tinggi
PLN
6 13000 117 1 23000 Gardu 0 0 5 1 Rendah Rendah Rendah
Induk
PLN
7 560 50 0 7700 Tidak 0 0 11 1 Rendah Sangat Rendah
Ada Rendah
Swasta
Ada

Ada
11 41562 2200 2 41500 Gardu 0 0 15 1 Tinggi Sangat Tinggi
Induk Tinggi
PLN
Swasta
13 24000 130 0 13200 Tidak 0 0 5 1 Sedang Sedang Rendah
Ada
14 40000 1500 2 82500 Gardu 0 0 12 1 Tinggi Tinggi Tinggi
Induk
PLN
Ada
Ada
17 700 45 0 7700 Tidak 0 0 1 1 Rendah Sangat Rendah
Ada Rendah
Ada
Ada
Ada
43
21 50000 2500 3 82500 Gardu 0 0 17 1 TInggi TInggi TInggi
Induk
PLN
22 625 60 2 7700 Tidak 0 0 9 1 Sangat Tinggi Tinggi
Ada Tinggi
Swasta
24 13000 150 0 13200 Tidak 0 0 7 1 Sedang Rendah Rendah
Ada
25 32571 500 1 13200 Bantuan 0 0 5 1 Sedang Sedang Sedang
Swasta
26 13000 400 1 23000 Bantuan 0 0 8 1 Rendah Sangat Rendah

Swasta Rendah
27 47000 1000 3 41500 Gardu 0 0 16 1 Tinggi Sedang Sedang

Induk
PLN
28 47000 1000 3 41500 Gardu 0 0 14 1 Tinggi Tinggi Sedang
Induk
PLN
29 15000 350 2 66000 Gardu 70 0 20 10 Tinggi Rendah Rendah
Induk
PLN
Induk
PLN
31 726 25 1 16500 Bantuan 10 0 1 1 Rendah Sangat Sangat
Swasta Rendah Rendah
32 18332 250 2 41500 Gardu 55 0 20 11 TInggi Rendah Rendah
Induk
PLN
34 425 20 0 3600 Tidak 10 0 2 1 Sangat Sangat Sangat

Ada Rendah Rendah Rendah
Induk
PLN
Induk
PLN
44
48 6500 70 1 11000 Bantuan 0 21 25 2 Rendah Rendah Sangat
Swasta Rendah
49 550 25 0 2300 Tidak 0 7 13 1 Rendah Sangat Sangat

Ada Rendah Rendah

Ada Rendah Rendah

Swasta Rendah

Swasta Rendah

Ada Rendah Rendah

Swasta Rendah

Swasta Rendah
Ada Rendah Rendah

Swasta Rendah
Swasta Rendah
Swasta Rendah
Swasta Rendah
Ada Rendah Rendah
Ada Rendah Rendah
Ada Rendah Rendah
Ada Rendah Rendah

Ada Rendah Rendah
Swasta Rendah
Ada Rendah Rendah
Swasta Rendah
Ada Rendah Rendah
Swasta Rendah

Swasta Rendah
45
Swasta Rendah
Ada Rendah Rendah
Swasta Rendah
Ada Rendah Rendah
Swasta Rendah

Swasta Rendah
Ada Rendah Rendah
Ada Rendah Rendah

Ada Rendah Rendah

Swasta Rendah

Swasta Rendah
Swasta Rendah
Swasta Rendah
Ada Rendah Rendah
Swasta Rendah

Ada Rendah Rendah
Swasta Rendah
Swasta Rendah
Swasta Rendah

Swasta Rendah
Swasta Rendah
Swasta Rendah
Swasta Rendah
Ada Rendah Rendah
Swasta Rendah

Ada Rendah Rendah
Ada Rendah Rendah
46
Ada Rendah Rendah

Ada Rendah Rendah

Swasta Rendah
Swasta Rendah
Ada Rendah Rendah
Swasta Rendah
Ada Rendah Rendah
Swasta Rendah
Swasta Rendah
Ada Rendah Rendah
Ada Rendah Rendah
Ada Rendah Rendah
Ada Rendah Rendah
Swasta Rendah
Ada Rendah Rendah
Ada Rendah Rendah
Swasta Rendah
Keterangan
K1 : Luas Lahan
K2 : Okupansi / Daya Tampung Pengunjung
K3 : Jumlah Pembangkit
K4 : Kapasitas Pemakaian (VA)
K5 : Sumber Daya Kelistrikan Selain PLN
K6 : Jumlah Kamar
K7 : Jumlah Meja dan Tempat Duduk / Lesehan
K8 : Jumlah / Banyak Sarana / Layanan
K9 : Tinggi / Jumlah Lantai
K10 : Kebutuhan Keamanan Tambahan
47
K11 : Potensi Terjadi Kerugian / Korban Jiwa
K12 : Kebutuhan Tenaga dan Peralatan Medis Darurat
b. Memberikan bobot pada setiap kriteria

Dengan memberi bobot pada setiap kriteria, memiliki tujuan agar data
kriteria yang berbentuk non angka dapat dirubah menjadi angka sehingga
dapat dilakukan perhitungan dengan mudah. Berikut pemberian bobot
pada setiap kriteria dapat dilihat pada Tabel 4.6.
Tabel 4.6 Bobot Konversi Angka Pada Tiap Kriteria

Konversi SDL Konversi Tinggi Rendah Sedang
No SDL Nilai No Nilai Kata Nilai
Sangat
1 Gardu Induk PLN 3 1 5
Tinggi
2 Bantuan Swasta 2 2 Tinggi 4
3 Tidak Ada 1 3 Sedang 3
4 Rendah 2
Sangat
5 1
Rendah
Dari tabel 4.6 merupakan nilai konversi bobot setiap kriteria non angka.
Data training pada tabel 4.6 akan dilakukan pembobotan sesuai dengan
Tabel 4.6. Hasil pembobotan dapat dilihat pada Tabel 4.7
Tabel 4.7 Bobot Kriteria

Data
K1 K2 K3 K4 K5 K6 K7 K8 K9 K10 K11 K12
Ke-
1 11000 1000 0 13200 1 0 0 1 1 2 2 2
2 10000 120 1 23000 2 0 0 6 1 2 2 2
3 47000 2500 2 82500 3 0 0 12 1 4 4 4
4 8274 115 1 16500 3 0 0 6 1 2 2 2
5 32571 2000 2 82500 3 0 0 11 1 4 5 4
6 13000 117 1 23000 3 0 0 5 1 2 2 2
7 560 50 0 7700 1 0 0 11 1 2 1 2
8 11482 110 1 16500 2 0 0 6 1 2 2 2
9 9451 90 0 13200 1 0 0 6 1 2 2 2
10 600 50 0 7700 1 0 0 1 1 2 2 2
11 41562 2200 2 41500 3 0 0 15 1 4 5 4
48
12 21000 900 1 41500 2 0 0 10 1 2 2 2
13 24000 130 0 13200 1 0 0 5 1 3 3 2
14 40000 1500 2 82500 3 0 0 12 1 4 4 4
15 25000 400 0 13200 1 0 0 5 1 2 2 2
16 20000 500 0 13200 1 0 0 5 1 2 2 2
17 700 45 0 7700 1 0 0 1 1 2 1 2
18 14000 100 0 13200 1 0 0 5 1 2 2 2
19 9600 100 1 13200 1 0 0 5 1 2 2 2
20 560 60 0 7700 1 0 0 6 1 2 2 2
21 50000 2500 3 82500 3 0 0 17 1 4 4 4
22 625 60 2 7700 1 0 0 9 1 5 4 4
23 12307 70 0 16500 2 0 0 11 1 2 2 2
24 13000 150 0 13200 1 0 0 7 1 3 2 2
25 32571 500 1 13200 2 0 0 5 1 3 3 3
26 13000 400 1 23000 2 0 0 8 1 2 1 2
27 47000 1000 3 41500 3 0 0 16 1 4 3 3
28 47000 1000 3 41500 3 0 0 14 1 4 4 3
29 15000 350 2 66000 3 70 0 20 10 4 2 2
30 13000 135 2 66000 3 40 0 15 4 4 2 2
31 726 25 1 16500 2 10 0 1 1 2 1 1
32 18332 250 2 41500 3 55 0 20 11 4 2 2
33 500 25 1 16500 2 10 0 1 1 2 1 1
34 425 20 0 3600 1 10 0 2 1 1 1 1
35 13283 275 2 41500 3 55 0 20 11 4 2 2
36 565 30 0 3600 1 15 0 2 2 1 1 1
37 625 20 1 13200 2 10 0 1 1 2 1 1
38 16580 370 2 66000 3 85 0 25 15 4 2 2
39 450 16 0 3600 1 16 0 2 2 1 1 1
40 520 15 0 3600 1 15 0 2 2 1 1 1
41 365 10 0 3600 1 10 0 2 1 1 1 1
42 400 10 0 3600 1 10 0 2 1 1 1 1
43 473 18 0 3600 1 9 0 2 1 1 1 1
44 600 10 0 3600 1 10 0 2 2 1 1 1
45 525 15 0 3600 1 15 0 2 2 1 1 1
46 483 14 0 3600 1 14 0 2 2 1 1 1
47 517 20 0 3600 1 10 0 2 1 1 1 1
48 6500 70 1 11000 2 0 21 25 2 2 2 1
49 550 25 0 2300 1 0 7 13 1 2 1 1
50 579 20 0 3600 1 0 5 14 1 2 1 1
51 5000 65 1 7700 2 0 20 22 2 2 2 1
52 6675 60 1 11000 2 0 20 23 1 2 2 1
49
53 450 15 0 1300 1 0 8 10 1 2 1 1
54 9216 80 1 13200 2 0 25 19 2 2 2 1
55 5521 50 1 11000 2 0 20 21 1 2 2 1
56 580 20 0 2300 1 0 5 15 1 2 1 1
57 6168 55 1 7700 2 0 15 18 1 2 2 1
58 6954 70 1 7700 2 0 20 20 1 2 2 1
59 7871 75 1 11000 2 0 20 21 2 2 2 1
60 5471 50 1 7700 2 0 15 19 1 2 2 1
61 625 30 0 2300 1 0 6 12 1 2 1 1
62 613 25 0 2300 1 0 7 12 1 2 1 1
63 593 20 0 1300 1 0 7 14 1 2 1 1
64 576 15 0 2300 1 0 6 13 1 2 1 1
65 631 20 0 2300 1 0 7 11 1 2 1 1
66 8281 75 1 13200 2 0 20 17 1 2 2 1
67 702 25 0 2300 1 0 8 15 1 2 1 1
68 6743 60 1 11000 2 0 20 22 2 2 2 1
69 684 20 0 2300 1 0 7 12 1 2 1 1
70 6439 50 1 7700 2 0 20 19 1 2 2 1
71 7114 65 1 11000 2 0 23 16 2 2 2 1
72 6293 60 1 7700 2 0 27 20 2 2 2 1
73 720 30 0 3600 1 0 9 8 1 2 1 1
74 8720 70 1 13200 2 0 24 23 2 2 2 1
75 741 28 0 3600 1 0 9 10 1 2 1 1
76 6112 55 1 11000 2 0 17 24 1 2 2 1
77 5993 55 1 11000 2 0 19 21 2 2 2 1
78 678 22 0 2300 1 0 8 11 1 2 1 1
79 637 18 0 1300 1 0 9 12 1 2 1 1
80 700 18 0 2300 1 0 10 9 1 2 1 1
81 6168 55 1 7700 2 0 18 18 1 2 2 1
82 6954 60 1 11000 2 0 20 19 2 2 2 1
83 7871 62 1 7700 2 0 25 21 2 2 2 1
84 5471 60 0 11000 2 0 17 20 1 2 2 1
85 596 16 0 1300 1 0 8 12 1 2 1 1
86 5150 50 1 7700 2 0 20 19 2 2 2 1
87 684 20 0 2300 1 0 8 12 1 2 1 1
88 5000 50 1 13200 2 0 15 17 1 2 2 1
89 6675 50 1 11000 2 0 19 18 1 2 2 1
90 6439 50 1 11000 2 0 20 20 1 2 2 1
91 7114 70 1 13200 2 0 22 15 2 2 2 1
92 6293 60 1 7700 2 0 18 15 1 2 2 1
93 6112 55 1 7700 2 0 15 16 2 2 2 1
50
94 5993 55 1 7700 2 0 21 15 1 2 2 1
95 450 16 0 1300 1 0 7 12 1 2 1 1
96 7114 55 1 11000 2 0 24 19 2 2 2 1
97 624 20 0 2300 1 0 6 13 1 2 1 1
98 574 22 0 2300 1 0 8 10 1 2 1 1
99 672 20 0 2300 1 0 10 14 1 2 1 1
100 711 21 0 2300 1 0 11 10 1 2 1 1
101 5150 54 1 11000 2 0 17 17 1 2 2 1
102 6293 62 1 7700 2 0 20 19 1 2 2 1
103 752 24 0 3600 1 0 11 13 1 2 1 1
104 6954 58 1 7700 2 0 24 20 2 2 2 1
105 691 18 0 3600 1 0 9 10 1 2 1 1
106 6811 58 1 11000 2 0 24 19 2 2 2 1
107 7102 62 1 13200 2 0 26 21 2 2 2 1
108 450 18 0 2300 1 0 6 13 1 2 1 1
109 714 26 0 2300 1 0 8 13 1 2 1 1
110 620 20 0 1300 1 0 7 13 1 2 1 1
111 574 20 0 1300 1 0 8 11 1 2 1 1
112 5992 55 1 13200 2 0 20 21 1 2 2 1
113 615 19 0 1300 1 0 9 11 1 2 1 1
114 589 20 0 1300 1 0 8 12 1 2 1 1
115 7412 60 1 13200 2 0 22 19 1 2 2 1
c. Menentukan jumlah cluster dan nilai awal centroid

Pada proses ini, perhitungan penentuan golongan data pajak akan
digolongkan menjadi 8 golongan, sehingga memerlukan 8 cluster dan 8
centroid untuk proses perhitungan berikutnya. Didalam Tabel Centroid
awal ini juga nantinya setiap nilainya akan dapat ditentukan dengan
mencari nilai tertinggi, nilai tengah dan nilai terendah.
Data dengan konversi bobot kriteria yang akan digunakana dapat dilihat
pada sebelumnya yaitu Tabel 4.7. Adapun nilai titik awal atau centroid
dapat dilihat pada Tabel 4.8.
51
Tabel 4.8 Centroid Awal
𝐾𝑅𝐼𝑇𝐸𝑅𝐼𝐴⁄
C1 C2 C3 C4 C5 C6 C7 C8
𝐶𝐸𝑁𝑇𝑅𝑂𝐼𝐷
11 30 0.5 15 1 0.35 0.7 0.8

K1
1.1 15 0.7 0.5 0.3 0.2 0.4 0.9

K2
1 2 0 2 0 0 0 1
K3
13.2 82.5 7.7 66 23 3.6 2.3 7.7

k4
1 2 1 2 1 1 1 2
K5
0 0 0 100 5 20 0 0
K6
0 0 0 0 0 0 10 30
K7
5 20 10 25 1 2 15 30
K8
1 1 2 10 1 2 1 1
K9
2 4 1 5 2 2 2 2
K10
2 4 2 2 1 1 1 2
K11
2 5 1 2 1 1 1 1
K12
d. Menghitung jarak setiap data ke pusat cluster menggunakan

perhitungan jarak Euclidean.
Proses ini bertujuan untuk mencari jarak terpendek antara objek ke
centroid dengan rumus perhitungan jarak Euclidean yang ada di Bab 2
bagian 2.2.2 tentang Algoritma K-Means – Clustering
52
Iterasi ke-1 :
Perhitungan data pertama untuk centroid 1 hingga centroid 8
menggunakan data nilai tertinggi, nilai tengah dan nilai terkecil pada tabel
sebagai centroid awal dan dihitung menggunakan rumus jarak atau
Euclidean :
Jarak data dengan Centroid 1 :
∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2
= (11 − 11)2 + (10 − 1.1)2 + (0 − 1)2 + (13.2 − 13.2)2 + (1 − 1)2 + (0 − 0)2 + (0 − 0)2 +
(1 − 5)2 + (1 − 1)2 + (2 − 2)2 + (2 − 2)2 + (2 − 2)2 = 96,21
𝐷(𝑎, 𝑏) = √∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2 = √96,21 = 9.808669635

∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2
= (11 − 30)2 + (10 − 15)2 + (0 − 2)2 + (13.2 − 82.5)2 + (1 − 2)2 + (0 − 0)2 + (0 − 0)2 +
(1 − 20)2 + (1 − 1)2 + (2 − 4)2 + (2 − 4)2 + (2 − 5)2 = 5.571,49
𝐷(𝑎, 𝑏) = √∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2 = √5.571,49 = 74.64241422

∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2
= (11 − 0.5)2 + (10 − 0.7)2 + (0 − 0)2 + (13.2 − 7.7)2 + (1 − 1)2 + (0 − 0)2 + (0 − 0)2 +
(1 − 10)2 + (1 − 2)2 + (2 − 1)2 + (2 − 2)2 + (2 − 1)2 = 310,989
𝐷(𝑎, 𝑏) = √∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2 = √310,989 = 17.63490856

∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2
= (11 − 15)2 + (10 − 0.5)2 + (0 − 2)2 + (13.2 − 66)2 + (1 − 2)2 + (0 − 100)2 + (0 − 0)2 +
(1 − 25)2 + (1 − 10)2 + (2 − 5)2 + (2 − 2)2 + (2 − 2)2 = 13.565,089
53
𝐷(𝑎, 𝑏) = √∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2 = √13.565,089 = 116.4692663

∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2
= (11 − 1)2 + (10 − 0.3)2 + (0 − 0)2 + (13.2 − 23)2 + (1 − 1)2 + (0 − 5)2 + (0 − 0)2 +
(1 − 1)2 + (1 − 1)2 + (2 − 2)2 + (2 − 1)2 + (2 − 1)2 = 317,129

𝐷(𝑎, 𝑏) = √∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2 = √317,129 = 17.8081442

∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2
= (11 − 0.35)2 + (10 − 0.2)2 + (0 − 0)2 + (13.2 − 3.6)2 + (1 − 1)2 + (0 − 20)2 + (0 −
0)2 + (1 − 2)2 + (1 − 2)2 + (2 − 2)2 + (2 − 1)2 + (2 − 1)2 = 705,6225

𝐷(𝑎, 𝑏) = √∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2 = √705,6225 = 26.56355586

∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2
= (11 − 0.7)2 + (10 − 0.4)2 + (0 − 0)2 + (13.2 − 2.3)2 + (1 − 1)2 + (0 − 0)2 + (0 − 10)2 +
(1 − 15)2 + (1 − 1)2 + (2 − 2)2 + (2 − 1)2 + (2 − 1)2 = 615,059

𝐷(𝑎, 𝑏) = √∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2 = √615,059 = 24.80040322

∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2
= (11 − 0.8)2 + (10 − 0.9)2 + (0 − 1)2 + (13.2 − 7.7)2 + (1 − 2)2 + (0 − 0)2 + (0 − 30)2 +
(1 − 30)2 + (1 − 1)2 + (2 − 2)2 + (2 − 2)2 + (2 − 1)2 = 1.961,099

𝐷(𝑎, 𝑏) = √∑𝑛𝑘=1(𝑎𝑘 − 𝑏𝑘 )2 = √1.961,099 = 44.28430873
54
Hitung jarak pada setiap baris data seperti perhitungan contoh data Ke-1
diatas sebanyak data pada Tabel 4.4, hasil perhitungan dapat dilihat pada
Tabel 4.9 dibawah ini.
Tabel 4.9 Hasil Literasi 1 Perhitungan Jarak Data dengan Centroid

Data
Ke- C1 C2 C3 C4 C5 C6 C7 C8
1 9.81 74.642 17.63 116.469 17.81 26.564 24.8 44.284
2 9.95 65.914 18.59 111.025 11.65 29.858 26.47 42.377
3 82.1 21.331 91.56 110.257 80.26 97.711 96.54 97.741
4 4.83 72.352 12.73 113.793 12.36 25.575 21.16 40.142
5 75.4 10.752 83.86 106.081 71.32 90.413 89.36 90.853
6 10.2 65.303 20.58 111.11 13.88 30.892 28.06 43.704
7 13.3 82.341 2.246 117.896 18.98 22.359 12.09 35.57
8 3.62 71.457 14.81 113.644 14.38 26.686 22.44 40.848
9 2.11 75.11 11.38 115.216 14.83 24.382 19.46 39.801
10 12.5 83.98 9.168 119.487 16.16 20.517 18.09 41.764
11 47.9 43.493 57.82 109.38 52.12 64.939 61.72 66.319
12 31.5 43.772 40.45 104.998 30.46 49.084 46.39 54.01
13 13.1 72.575 24.8 115.588 25.94 32.691 29.47 45.811
14 76.8 12.884 85.99 106.618 73.85 92.452 91.26 92.593
15 14.3 72.08 25.87 115.737 26.99 33.559 30.4 46.406
16 9.86 72.453 21.38 115.447 22.85 30.221 26.73 44.087
17 12.4 83.984 9.225 119.48 16.13 20.494 18.06 41.776
18 3.16 74.172 15.51 115.257 17.57 26.289 22.32 41.623
19 1.4 75.224 11.92 115.366 14.65 24.318 20.03 40.431
20 11.9 82.989 4.36 118.589 16.92 20.881 14.57 38.46
21 84 22.627 93.39 110.696 82.87 99.832 98.01 98.425
22 13.1 82.397 5.918 118.117 18.82 22.317 14.01 36.948
23 7.12 70.537 14.89 112.905 17.27 28.189 21.34 38.378
24 3.19 73.904 14.22 114.921 17.48 26.132 20.94 40.155
25 22 71.701 33.38 116.64 34.16 39.679 36.97 50.867
26 10.9 64.166 20.28 110.663 15.32 31.477 27.29 42.173
27 48.1 44.922 58.78 109.002 53.17 65.808 62.44 66.856
28 47.7 45.133 58.64 109.199 52.69 65.45 62.48 67.325
29 89.6 74.997 93.27 30.5941 82.07 83.793 96.91 97.956
30 67.2 48.945 72.13 61.1778 58.64 68.133 77.03 79.303
31 15.4 76.951 16.24 106.879 8.326 16.449 24.49 43.816
32 64.9 71.501 68.47 51.6561 60.19 58.387 71.53 74.729
33 15.5 77.038 16.24 106.909 8.337 16.445 24.49 43.817
55
34 17.8 88.215 13.53 113.311 20.09 10.1 19.28 42.49
35 64.6 72.454 67.34 51.5874 58.94 57.045 70.46 73.714
36 21 88.863 17.52 109.285 21.9 5.1045 22.31 43.946
37 15.1 79.846 14.71 108.46 11.1 14.008 22.73 43.276
38 103 89.666 106.3 16.2707 96.38 95.428 109.3 109.58
39 21.8 89.099 18.39 108.525 22.38 4.1245 23 44.3
40 21 88.903 17.52 109.291 21.9 5.1021 22.31 43.948
41 17.9 88.252 13.53 113.319 20.09 10.1 19.28 42.493
42 17.8 88.24 13.53 113.314 20.09 10.1 19.28 42.492
43 17.3 88.095 12.81 114.1 19.87 11.091 18.78 42.266
44 17.8 88.179 13.5 113.213 20.11 10.053 19.31 42.503
45 21 88.902 17.52 109.29 21.9 5.1023 22.31 43.948
46 20.3 88.754 16.68 110.076 21.46 6.0845 21.65 43.618
47 17.8 88.184 13.53 113.299 20.09 10.101 19.28 42.49
48 29.5 79.756 26.76 116.676 34.93 38.286 18.29 12.265
49 18.6 87.458 9.506 120.651 25.43 23.932 3.612 29.166
50 17.6 86.051 7.814 119.77 24.4 23.876 5.267 30.022
51 27.5 82.801 23.82 118.249 33.47 35.237 14.17 13.517
52 27.4 79.358 24.94 116.578 32.99 36.605 16.69 13.946
53 18.6 88.798 10.41 121.589 25.32 23.115 5.489 30.474
54 28.8 78.026 28.55 116.436 33.79 38.576 20.89 15.751
55 26.3 79.673 23.69 116.717 31.5 35.307 15.43 14.64
56 18.9 87.182 9.078 120.365 25.97 24.428 5.005 29.71
57 21.2 81.399 18.03 117.656 28.33 30.591 9.802 19.948
58 26 82.193 23.36 118.24 32.54 34.477 14.01 15.424
59 26 78.943 24.27 116.477 31.94 35.716 16.35 15.586
60 22 81.596 18.3 117.655 28.83 31.002 9.795 19.183
61 17.8 87.436 8.505 120.691 24.71 23.212 5.002 30.538
62 18.1 87.523 9.24 120.747 24.97 23.49 4.246 29.759
63 19.6 88.296 10.45 121.082 26.72 24.482 3.324 28.801
64 18.2 87.392 8.802 120.594 25.17 23.659 4.481 29.963
65 17.8 87.622 9.079 120.856 24.55 23.082 5.004 30.376
66 23.5 76.885 23.32 115.711 28.87 34.415 16.83 18.848
67 19.8 87.355 11.02 120.512 26.71 25.215 2.006 27.232
68 26.7 79.313 24.43 116.521 32.36 36.039 16.29 14.536
69 18.1 87.507 9.244 120.738 24.97 23.49 4.247 29.76
70 25.5 82.38 22.81 118.322 31.87 33.867 13.46 15.905
71 25.9 80.081 24.95 117.355 31.06 35.053 17.06 17.228
72 31.8 84.377 29.42 119.598 37.16 38.837 19.45 11.843
73 17.1 86.935 10.25 120.684 23.05 22.763 7.19 30.744
74 30.1 77.915 29.08 116.113 35.28 39.78 21.15 13.38
56
75 17.5 86.677 10.05 120.416 23.74 23.37 5.264 29.346
76 26.1 78.878 23.05 116.129 31.88 35.568 15.43 15.628
77 25.5 79.28 22.94 116.439 30.97 34.81 14.99 15.524
78 18.1 87.688 9.87 120.913 24.85 23.405 4.476 29.625
79 19.6 88.624 11.37 121.406 26.42 24.236 3.325 28.452
80 18.6 88.12 11.55 121.307 24.85 23.491 6.004 29.558
81 23.4 82.005 20.59 118.076 30.03 32.168 11.62 17.803
82 24.9 79.232 23.16 116.622 30.54 34.504 15.32 16.458
83 30.4 83.328 28.34 119.02 36.54 38.243 18.59 12.533
84 23.5 78.983 20.68 116.296 29 33.123 13.21 17.401
85 19.2 88.545 10.6 121.341 26.1 23.882 3.751 29.198
86 25.8 82.764 22.49 118.351 31.69 33.644 13 15.527
87 18.5 87.593 10.02 120.8 25.27 23.808 3.611 28.994
88 20.2 76.79 18.13 115.19 24.92 31.111 13.01 21.025
89 23.6 79.098 21.86 116.603 29.23 33.404 14.3 17.623
90 25.6 79.389 23.46 116.685 31.03 34.927 15.38 15.584
91 24.5 77.883 24.21 116.229 29.03 34.557 17.55 18.978
92 21.9 82.088 19.66 118.282 28.46 30.811 11.29 19.982
93 20.1 81.495 17.19 117.724 27.19 29.566 9.406 21.221
94 24.5 82.893 22.37 118.798 30.4 32.6 13.46 18.251
95 18.8 88.509 9.862 121.297 25.81 23.565 4.373 29.96
96 28.2 80.298 26.73 117.364 33.32 36.995 18.24 14.453
97 18.2 87.367 8.799 120.588 25.17 23.659 4.477 29.961
98 17.9 87.832 9.818 121.045 24.47 23.038 5.39 30.277
99 20.3 87.643 12.18 120.752 26.88 25.432 1.02 26.242
100 19.4 88.111 12.39 121.264 25.6 24.245 5.103 28.172
101 21.8 79.132 19.35 116.478 27.1 31.558 12.31 19.182
102 25.5 82.401 22.77 118.333 31.85 33.842 13.4 15.851
103 19.6 86.617 12.25 120.245 25.82 25.361 2.592 25.889
104 29.2 83.283 26.85 118.91 35.15 36.927 17.13 13.228
105 17.6 86.711 10.06 120.423 23.74 23.369 5.267 29.349
106 28.2 80.38 26.66 117.384 33.27 36.941 18.14 14.322
107 30.8 78.972 29.56 116.693 35.19 39.723 21.35 12.963
108 18.3 87.429 8.8 120.609 25.18 23.658 4.485 29.963
109 18.9 87.487 10.27 120.693 25.72 24.245 2.832 28.383
110 19.1 88.361 10.11 121.173 26.25 24.008 3.748 29.368
111 18.8 88.642 10.45 121.455 25.69 23.481 4.589 29.825
112 26.1 77.548 24.2 115.659 30.81 35.904 16.91 15.438
113 19.2 88.726 11.24 121.52 26.02 23.84 4.249 29.095
114 19.2 88.541 10.59 121.342 26.1 23.882 3.749 29.198
115 26.4 77.654 25.44 116.006 31.2 36.321 18.08 16.095
57
Tabel 4.10 Hasil Pengelompokan cluster literasi 1
Data Ke- Jarak Terpendek Cluster Baru
1 9.808669635 C1
2 9.952386648 C1
3 21.33072901 C2
4 4.82944883 C1
5 10.75221098 C2
6 10.20024019 C1
7 2.245796073 C3
8 3.622474845 C1
9 2.106988609 C1
10 9.167878708 C3
11 43.49344599 C2
12 30.46210761 C5
13 13.11640195 C1
14 12.88409873 C2
15 14.33213173 C1
16 9.859513173 C1
17 9.225101625 C3
18 3.163858404 C1
19 1.403566885 C1
20 4.360458691 C3
21 22.627417 C2
22 5.918245095 C3
23 7.124482367 C1
24 3.18747549 C1
25 22.01177051 C1
26 10.92931837 C1
27 44.92215489 C2
28 45.13313639 C2
29 30.59411708 C4
30 48.94458601 C2
31 8.326318274 C5
32 51.65609571 C4
33 8.336815939 C5
34 10.09978341 C6
35 51.58740727 C4
36 5.104529851 C6
37 11.09912722 C5
38 16.27072217 C4
39 4.124512092 C6
58
40 5.102097608 C6
41 10.10001114 C6
42 10.10012376 C6
43 11.09123659 C6
44 10.05348198 C6
45 5.102266653 C6
46 6.084512224 C6
47 10.10088556 C6
48 12.26458316 C8
49 3.611786262 C7
50 5.267318198 C7
51 13.51674887 C8
52 13.94616883 C8
53 5.4886246 C7
54 15.75084303 C8
55 14.64028145 C8
56 5.005437044 C7
57 9.802118342 C7
58 14.01294102 C7
59 15.58561969 C8
60 9.794510759 C7
61 5.001562256 C7
62 4.246182874 C7
63 3.324371971 C7
64 4.480834297 C7
65 5.004474098 C7
66 16.83460902 C7
67 2.005618109 C7
68 14.53613597 C8
69 4.247382253 C7
70 13.45756743 C7
71 17.05555323 C7
72 11.8432702 C8
73 7.19029902 C7
74 13.37970104 C8
75 5.263656619 C7
76 15.42732135 C7
77 14.99094223 C7
78 4.475810988 C7
79 3.32451034 C7
80 6.004031979 C7
59
81 11.62245774 C7
82 15.32457229 C7
83 12.53305394 C8
84 13.2095587 C7
85 3.750788717 C7
86 12.99894226 C7
87 3.611129463 C7
88 13.01191761 C7
89 14.29687466 C7
90 15.38298154 C7
91 17.55105114 C7
92 11.29077717 C7
93 9.405968531 C7
94 13.46099361 C7
95 4.372653657 C7
96 14.45265014 C8
97 4.477250942 C7
98 5.389645257 C7
99 1.020188218 C7
100 5.102570039 C7
101 12.30902514 C7
102 13.39738963 C7
103 2.591969136 C7
104 13.2277782 C8
105 5.266733428 C7
106 14.32216887 C8
107 12.96316335 C8
108 4.484517811 C7
109 2.831924434 C7
110 3.747852719 C7
111 4.588668216 C7
112 15.43791968 C8
113 4.248685091 C7
114 3.748642554 C7
115 16.09529571 C8
60
e. Mencari nilai centroid baru
Setelah mendapatkan label cluster untuk masing-masing data, maka dicari
centroid baru untuk literasi berikutnya dengan menjumlahkan seluruh data
masing-masing cluster dibagi jumlah anggota cluster. Data masing-masing
cluster dapat dilihat pada Tabel 4.7 dan jumlah anggota cluster dapat
dilihat pada Tabel 4.9. Untuk menentukan nilai centroid baru dapat dilihat
pada Tabel 4.11.
Tabel 4.11 Centroid Baru Cluster 1

Jumlah Jumlah Rata – Rata
Data Cluster (C1)
K1 226.685 15 15.11233333
K2 39.02 15 2.601333333
K3 7 15 0.466666667
K4 237.3 15 15.82
K5 24 15 1.6
K6 0 15 0
K7 0 15 0
K8 86 15 5.733333333
K9 15 15 1
K10 33 15 2.2
K11 31 15 2.066666667
K12 31 15 2.066666667
Dari Tabel 4.11 diatas, hasil menghitung rata-rata pada pembagian cluster
1 untuk pembentukan centroid baru dapat diterapkan pula pada cluster
berikutnya, tegantung banyak data pada literasi sebelumnya. Selanjutnya
pada cluster 2 hingga 8 dilakukan perhitungan seperti pada cluster 1. Hasil
pembetukan centroid baru ada pada Tabel 4.12.
61
Tabel 4.12 Centroid Baru Literasi 1
𝐾⁄ C1 C2 C3 C4 C5 C6 C7 C8
𝐶
15.11233333 39.766625 0.609 15.79875 5.71275 0.483909091 2.898442308 6.9871875

K1
2.601333333 16.04375 0.53 3.1125 2.425 0.161818182 0.357115385 0.625

K2
0.466666667 2.375 0.4 1 0 0.384615385

K3 2 1
15.82 65.0625 7.7 21.925 3.6 5.257692308 10.8625

k4 53.75
1.6 3 3 2 1 1.403846154 2
K5 1
0 5 66.25 12.18182 0
K6 0 7.5 0
0 0 0 0 0 0 12.17307692 22.625
K7
5.733333333 14 5.6 3.25 2 14.46153846

K8 21.25 21
1 1.375 1 11.75 1 1.54545455 1.11538462

K9 1.75
2.2 4 2.6 4 2 1 2 2
K10
2.066666667 3.875 2 2 1.25 1 1.403846154

K11 2
2.066666667 3.5 2.4 2 1.25 1 1 1

K12
Pada pengulangan atau iterasi berikutnya perhitungan di ulangi dari

langkah pada point 3 seperti pada bab 2 sub bab 2.22 yaitu perhitungan
jarak terdekat antar data dengan centroid. Centroid yang digunakan yaitu
centroid baru seperti pada Tabel 4.12. Perulangan atau iterasi berhenti saat
hasil cluster baru dari iterasi terakhir sama dengan cluster dari iterasi
sebelumnya atau centroid baru sama dengan centroid lama.
62
Hasil Iterasi ke-2 :
Data
Ke- C1 C2 C3 C4 C5 C6 C7 C8
1 10.077 61.378 15.803 81.495 15.03 21.266 23.511 32.014
2 8.9564 54.566 18.021 75.671 9.272 25.252 24.245 29.92
3 77.582 21.59 91.662 82.93 77.7 96.382 93.262 89.104
4 7.19 60.603 11.9 78.678 10.18 20.019 19.493 27.806
5 71.424 20.181 83.934 77.561 69.6 88.995 86.162 82.452
6 7.8035 53.148 19.831 75.702 10.83 26.452 25.681 30.89
7 17.653 71.607 5.5537 83.56 18.75 15.768 13.157 25.841
8 4.0571 59.021 14.072 78.444 11.38 21.4 20.555 28.119
9 6.5198 62.822 10.46 80.241 12.62 18.461 18.104 27.424
10 17.435 72.661 4.6734 85.353 17.22 13.024 18.503 31.085
11 42.908 24.934 58.215 75.678 47.68 62.932 58.791 56.244
12 27.455 31.793 40.635 69.635 27.62 46.402 43.429 42.891
13 9.4963 57.232 24.079 80.582 21.86 28.516 27.419 32.693
14 72.62 18.296 86.094 78.433 71.81 91.053 87.957 83.91
15 10.38 56.377 25.264 80.687 22.65 29.472 28.359 33.358
16 6.1377 57.688 20.671 80.288 18.69 25.635 24.829 31.071
17 17.391 72.651 4.7807 85.343 17.18 12.986 18.485 31.081
18 3.4395 60.873 14.52 80.204 14.47 20.886 20.643 28.744
19 6.4067 62.832 10.609 80.404 12.44 18.376 18.655 27.98
20 16.805 71.935 0.9205 84.311 17.3 13.591 15.263 28.138
21 79.442 22.887 93.715 83.708 80.06 98.528 94.742 90.148
22 17.565 71.53 5.1425 83.814 18.63 15.897 14.722 27.036
23 6.3334 58.295 15.657 77.616 13.94 23.242 19.418 25.972
24 3.9205 60.895 13.681 79.821 14.3 20.744 19.312 27.474
25 17.911 54.539 32.788 81.871 29.51 36.288 34.801 38.126
26 8.0458 52.051 20.207 75.109 11.67 27.137 24.939 29.636
27 43.009 25.973 59.216 75.539 48.78 63.809 59.346 56.383
28 42.61 25.881 58.923 75.725 48.34 63.44 59.363 56.622
29 87.812 71.505 93.871 13.021 79.4 88.73 94.943 92.739
30 65.011 46.605 72.52 30.809 56.63 70.85 74.565 72.366
31 18.388 65.935 14.261 72.943 8.394 13.249 23.694 32.933
32 63.292 61.908 69.293 16.898 56.45 63.452 69.774 68.566
33 18.565 66.069 14.261 72.99 8.531 13.247 23.716 32.977
34 22.114 76.018 11.644 80.181 19.48 2.2501 20.343 32.763
35 63.237 63.78 68.184 16.888 55.54 62.231 68.841 67.921
36 24.708 76.419 16.171 76.591 20.71 2.8591 23.215 34.584
37 18.646 68.472 12.498 74.704 10.88 10.062 22.329 32.551
63
38 101.59 86.043 107.1 22.961 93.51 100.98 107.59 105.25
39 25.407 76.644 17.106 75.954 21.13 3.8453 23.885 35.052
40 24.749 76.473 16.174 76.606 20.73 2.8549 23.22 34.594
41 22.165 76.07 11.649 80.197 19.51 2.253 20.352 32.777
42 22.142 76.052 11.648 80.19 19.5 2.2514 20.347 32.77
43 21.65 75.938 10.798 80.878 19.37 3.2283 19.865 32.463
44 22.032 75.95 11.689 80.024 19.48 2.2325 20.343 32.723
45 24.746 76.47 16.174 76.605 20.73 2.8549 23.22 34.593
46 24.179 76.37 15.252 77.286 20.4 1.8743 22.591 34.179
47 22.053 75.97 11.643 80.164 19.46 2.2495 20.332 32.745
48 30.263 69.778 29.456 82.862 33.09 34.84 15.392 4.3549
49 22.474 76.353 11.683 86.738 24.88 17.928 6.6075 20.654
50 21.507 75.117 10.768 85.74 23.79 17.852 7.7657 21.382
51 28.97 72.403 26.324 84.469 31.87 31.465 11.421 4.6802
52 28.252 69.131 27.461 82.655 31.15 32.969 13.512 3.4015
53 22.736 77.443 11.312 87.776 25.02 16.822 7.7142 21.745
54 29.129 67.435 30.227 82.548 31.97 35.149 17.035 4.4906
55 27.465 69.483 25.997 82.775 29.92 31.527 12.041 3.1044
56 22.661 76.191 12.088 86.428 25.26 18.585 8.1473 21.558
57 22.962 70.301 20.331 83.469 26.56 26.134 6.1893 8.8533
58 27.226 71.277 25.521 84.367 30.73 30.588 10.75 4.2967
59 26.736 68.301 26.562 82.384 30 31.989 12.796 2.7873
60 23.789 70.711 20.782 83.521 27.13 26.617 6.5035 8.6613
61 21.82 76.239 10.472 86.749 24.22 16.954 7.6533 21.791
62 22.129 76.341 11.076 86.828 24.49 17.332 6.8768 21.043
63 23.402 77.159 12.811 87.24 26.07 18.655 6.9616 20.717
64 22.177 76.275 11.115 86.662 24.62 17.561 7.4105 21.415
65 21.861 76.374 10.531 86.939 24.15 16.775 7.29 21.485
66 24.198 66.074 24.956 81.462 27.05 30.512 12.689 5.5323
67 23.425 76.374 13.605 86.631 25.99 19.607 5.637 19.142
68 27.65 68.977 26.873 82.508 30.55 32.353 12.953 2.8341
69 22.088 76.315 11.078 86.817 24.48 17.333 6.8545 21.022
70 26.893 71.481 24.844 84.45 30.19 29.901 10.074 4.6659
71 26.982 69.289 26.364 83.407 29.56 31.25 13.126 5.0238
72 32.907 73.868 31.199 86.249 35.69 35.445 16.43 5.5396
73 21.232 75.634 10.35 86.75 22.96 16.333 7.7333 21.221
74 30.465 67.735 31.297 82.283 33.35 36.468 17.656 3.7981
75 21.526 75.495 10.988 86.464 23.45 17.169 6.1538 20.052
76 27.069 68.748 25.931 82.074 29.99 31.816 12.599 6.4802
77 26.595 68.96 25.352 82.356 29.27 30.982 11.568 3.7704
78 22.168 76.444 11.221 87.016 24.45 17.217 6.6016 20.754
64
79 23.439 77.374 12.904 87.605 25.93 18.331 6.1175 20.054
80 22.582 76.781 12.014 87.478 24.63 17.333 6.975 20.494
81 25.025 71.001 22.635 84.06 28.36 27.964 8.0168 6.4522
82 25.931 68.593 25.207 82.512 28.81 30.634 11.542 3.3127
83 31.353 72.538 30.325 85.474 34.76 34.788 15.489 4.0603
84 24.785 68.615 23.117 82.132 27.39 29.061 9.721 6.0433
85 23.101 77.289 12.229 87.516 25.61 17.86 6.7056 20.76
86 27.354 72.093 24.594 84.481 30.2 29.67 9.7358 4.9341
87 22.425 76.413 11.735 86.904 24.79 17.76 6.1349 20.29
88 21.613 66.452 20.203 80.762 23.48 26.746 9.1135 9.1723
89 24.737 68.397 23.793 82.467 27.56 29.375 10.368 4.7786
90 26.609 68.941 25.611 82.675 29.34 31.097 11.771 2.9645
91 25.435 67.219 25.488 82.096 27.59 30.692 13.405 6.476
92 23.648 70.825 21.174 84.214 26.92 26.39 7.2727 8.2727
93 22.004 70.244 19.187 83.455 25.52 24.945 5.3441 9.6941
94 26.111 71.798 23.707 84.941 29.02 28.461 9.7409 7.0851
95 22.868 77.266 11.6 87.456 25.34 17.435 7.4165 21.52
96 29.087 69.8 28.521 83.557 31.73 33.414 14.599 2.4482
97 22.14 76.24 11.113 86.652 24.61 17.561 7.3943 21.4
98 22.021 76.543 10.775 87.158 24.17 16.715 7.2095 21.285
99 23.839 76.628 14.259 86.923 26.26 19.885 4.3763 18.037
100 23.195 76.847 13.157 87.461 25.3 18.342 5.9433 19.302
101 23.33 68.565 21.311 82.257 25.65 27.265 8.302 7.1836
102 26.931 71.524 24.81 84.462 30.18 29.874 10.026 4.6836
103 23.191 75.663 14.006 86.356 25.29 19.793 3.3717 17.16
104 30.311 72.528 28.78 85.287 33.49 33.338 13.96 3.5997
105 21.57 75.541 10.99 86.476 23.47 17.168 6.1736 20.07
106 29.17 69.936 28.453 83.588 31.72 33.355 14.515 2.4505
107 31.411 69.005 31.468 83.026 33.62 36.411 17.794 4.1146
108 22.256 76.334 11.115 86.683 24.64 17.561 7.4501 21.452
109 22.7 76.365 12.308 86.796 25.14 18.342 5.7937 19.856
110 23.05 77.152 12.178 87.324 25.67 18.028 7.0897 21.068
111 22.86 77.324 11.735 87.63 25.28 17.32 7.1397 21.218
112 26.999 67.537 26.459 81.601 29.18 32.192 13.334 3.73
113 23.204 77.415 12.438 87.72 25.61 17.805 6.5912 20.529
114 23.102 77.284 12.227 87.516 25.6 17.86 6.7069 20.761
115 27.052 67.274 27.272 81.986 29.52 32.65 14.205 3.2555
65
1 10.0770564 C1
2 8.95636822 C1
3 21.5904935 C2
4 7.18999414 C1
5 20.181482 C2
6 7.8034722 C1
7 5.55367455 C3
8 4.05711305 C1
9 6.51977055 C1
10 4.67343353 C3
11 24.9336834 C2
12 27.4548308 C1
13 9.49629393 C1
14 18.2963701 C2
15 10.380321 C1
16 6.13773017 C1
17 4.78065696 C3
18 3.43953461 C1
19 6.40668388 C1
20 0.92048954 C3
21 22.8866699 C2
22 5.14248539 C3
23 6.33338835 C1
24 3.92050996 C1
25 17.9105413 C1
26 8.0458104 C1
27 25.972811 C2
28 25.8812076 C2
29 13.0206819 C4
30 30.8089177 C4
31 8.39442825 C5
32 16.8980032 C4
33 8.53062205 C5
34 2.25006208 C6
35 16.8881735 C4
36 2.85909606 C6
37 10.06177 C6
38 22.9609562 C4
39 3.84529285 C6
66
40 2.85485596 C6
41 2.2529563 C6
42 2.25138035 C6
43 3.22830252 C6
44 2.23254132 C6
45 2.85492355 C6
46 1.87426614 C6
47 2.2495342 C6
48 4.35488323 C8
49 6.60748396 C7
50 7.76568851 C7
51 4.68017846 C8
52 3.40148751 C8
53 7.71416991 C7
54 4.49057473 C8
55 3.10441009 C8
56 8.14728195 C7
57 6.18927246 C7
58 4.29665657 C8
59 2.78725327 C8
60 6.50348167 C7
61 7.65331446 C7
62 6.87677152 C7
63 6.96162672 C7
64 7.4104641 C7
65 7.2900153 C7
66 5.53232384 C8
67 5.63699514 C7
68 2.8341284 C8
69 6.85446615 C7
70 4.66590461 C8
71 5.02381704 C8
72 5.53958956 C8
73 7.73331361 C7
74 3.79806469 C8
75 6.15382942 C7
76 6.48024763 C8
77 3.77041974 C8
78 6.60161753 C7
79 6.1175023 C7
80 6.97499491 C7
67
81 6.45222631 C8
82 3.31266625 C8
83 4.06025625 C8
84 6.04330049 C8
85 6.70556426 C7
86 4.93410723 C8
87 6.13494518 C7
88 9.11346827 C7
89 4.77861039 C8
90 2.96448407 C8
91 6.47601248 C8
92 7.27273441 C7
93 5.34410178 C7
94 7.08509457 C8
95 7.41649345 C7
96 2.44821111 C8
97 7.39433001 C7
98 7.20951447 C7
99 4.37634339 C7
100 5.94334515 C7
101 7.1836282 C8
102 4.68363668 C8
103 3.3717213 C7
104 3.59967466 C8
105 6.1735957 C7
106 2.4505302 C8
107 4.11463706 C8
108 7.45013978 C7
109 5.79372549 C7
110 7.08967972 C7
111 7.13969826 C7
112 3.7300207 C8
113 6.59116503 C7
114 6.70691479 C7
115 3.25547568 C8
68
Tabel 4.15 Centroid baru Literasi 2
𝐾⁄ C1 C2 C3 C4 C5 C6 C7 C8
𝐶
K1 15.480 43.590 0.609 15.239 0.613 0.496 1.345 6.690
K2 3.001 18.143 2.428 0.4 2 1 0.083 0.139
0.5 2.428 0.4 2 1 0.083 0.139

K3 0.969
17.425 64.928 7.7 16.5 4.4 3.133 10.45

k4 56.2
1.625 3 3 2 1.083 1.139 2

K5 1
0 0 61 12 0
K6 0 10 0
0 0 0 0 0 0 8.889 21.093
K7
6 13.857 5.6 1 1.917 12.639

K8 20 19.781
1 1 1 10.2 1 1.5 1.028

K9 1.531
2.187 2.6 4 2 1.083 2

K10 4 2
2.062 4.143 2 1 1 1.139

K11 2 1
2.062 3.714 2.4 2 1 1 1

K12 1
Hasil Iterasi 3 :

Data
Ke- C1 C2 C3 C4 C5 C6 C7 C8
1 10.611 63.175 15.803 78.09 17.828 20.795 22.489 30.254
2 8.0494 57.006 18.021 71.692 16.071 24.552 24.429 28.372
3 75.915 19.265 91.662 77.928 85.821 95.702 95.411 89.084
4 7.6418 62.902 11.9 75.059 13.693 19.395 18.882 26.011
5 69.718 21.043 83.934 72.034 77.449 88.258 88.207 82.362
6 6.6159 55.443 19.831 71.732 17.763 25.777 25.974 29.383
7 18.715 73.979 5.5537 80.452 16.748 15.48 10.212 23.905
8 4.5706 61.18 14.072 74.837 15.68 20.819 20.21 26.381
9 7.7008 64.976 10.46 76.809 14.779 17.943 17.098 25.561
10 18.653 74.975 4.6734 82.16 13.472 12.608 15.418 29.079
69
11 41.492 23.879 58.215 71.574 55.695 62.417 60.677 55.947
12 25.739 34.238 40.635 64.806 36.058 45.706 44.989 42.205
13 9.8241 58.625 24.079 77.256 26.133 28.171 27.542 31.246
14 70.929 18.31 86.094 73.022 79.812 90.333 90.101 83.862
15 10.543 57.631 25.264 77.385 27.197 29.141 28.532 31.953
16 6.63 59.203 20.671 76.937 23.007 25.256 24.718 29.507
17 18.611 74.965 4.7807 82.15 13.435 12.568 15.39 29.075
18 5.0725 62.811 14.52 76.787 17.626 20.423 20.03 26.978
19 7.6235 64.97 10.609 76.965 14.533 17.846 17.604 26.113
20 17.99 74.281 0.9205 81.154 14.372 13.224 12.102 26.139
21 77.783 20.178 93.715 78.856 88.265 97.865 97.003 90.206
22 18.657 73.877 5.1425 80.685 16.449 15.574 11.976 25.097
23 6.4541 60.455 15.657 74.058 18.438 22.73 19.576 24.34
24 5.3446 62.881 13.681 76.415 17.518 20.282 18.77 25.704
25 17.825 55.266 32.788 78.677 34.348 36.01 35.302 36.965
26 6.6173 54.295 20.207 71.172 18.967 26.492 25.448 28.193
27 41.656 25.171 59.216 71.428 56.691 63.301 61.358 56.133
28 41.257 25.054 58.923 71.588 56.239 62.926 61.319 56.329
29 86.859 77.842 93.871 13.33 81.962 88.302 96.31 92.666
30 63.764 53.263 72.52 24.647 60.975 70.225 76.127 72.16
31 18.81 69.227 14.261 69.625 0.113 12.413 22.249 31.165
32 62.581 67.838 69.293 16.198 58.635 63.12 70.964 68.337
33 18.987 69.368 14.261 69.673 0.113 12.411 22.257 31.209
34 23.366 78.887 11.644 77.598 13.056 2.219 17.156 30.849
35 62.553 69.82 68.184 16.017 57.322 61.893 69.936 67.667
36 25.83 79.583 16.171 74.259 14.015 3.1529 20.495 32.784
37 19.341 71.648 12.498 71.58 3.3004 9.2233 20.441 30.716
38 100.75 92.153 107.1 26.884 95.51 100.64 108.91 105.26
39 26.503 79.871 17.106 73.671 14.403 4.1134 21.242 33.277
40 25.872 79.641 16.174 74.273 14.015 3.1494 20.497 32.795
41 23.416 78.942 11.649 77.613 13.057 2.2224 17.16 30.863
42 23.394 78.923 11.648 77.606 13.057 2.2206 17.158 30.856
43 22.926 78.745 10.798 78.25 13.093 3.1494 16.59 30.53
44 23.287 78.82 11.689 77.456 13.093 2.221 17.176 30.815
45 25.869 79.639 16.174 74.272 14.015 3.1494 20.496 32.794
46 25.329 79.481 15.252 74.904 13.691 2.2178 19.778 32.357
47 23.306 78.837 11.643 77.58 13.055 2.218 17.151 30.831
48 30.525 71.926 29.456 79.906 34.411 34.663 19.781 5.2738
49 23.668 78.587 11.683 83.934 22.286 17.927 2.2546 18.764
50 22.649 77.39 10.768 82.879 21.504 17.798 4.224 19.496
51 29.47 74.543 26.324 81.614 32.247 31.345 15.768 4.0941
70
52 28.551 71.284 27.461 79.641 32.436 32.775 17.985 3.4846
53 24.021 79.646 11.312 84.989 21.865 16.854 3.462 19.83
54 29.3 69.496 30.227 79.438 33.708 34.907 21.605 5.4835
55 27.808 71.686 25.997 79.726 30.91 31.319 16.582 2.1555
56 23.824 78.432 12.088 83.644 22.905 18.593 4.6946 19.723
57 23.619 72.431 20.331 80.505 26.896 25.974 10.607 6.959
58 27.751 73.337 25.521 81.473 31.303 30.458 15.244 3.0279
59 27.052 70.411 26.562 79.357 31.388 31.784 17.357 2.1493
60 24.425 72.869 20.782 80.569 27.406 26.464 10.862 6.8621
61 23.058 78.469 10.472 83.931 21.463 16.948 3.1666 19.872
62 23.352 78.569 11.076 84.012 21.763 17.327 2.2946 19.128
63 24.605 79.369 12.811 84.497 23.474 18.701 3.0674 18.877
64 23.387 78.512 11.115 83.855 21.992 17.56 3.1356 19.52
65 23.109 78.601 10.531 84.112 21.275 16.764 2.7422 19.552
66 24.44 68.22 24.956 78.25 28.757 30.227 17.158 4.3964
67 24.549 78.603 13.605 83.854 23.741 19.615 2.7444 17.319
68 27.963 71.134 26.873 79.493 31.795 32.154 17.476 2.5778
69 23.313 78.542 11.078 84.001 21.763 17.327 2.2736 19.107
70 27.443 73.567 24.844 81.538 30.601 29.765 14.595 3.1188
71 27.356 71.403 26.364 80.335 30.474 31.028 17.576 4.317
72 33.351 75.899 31.199 83.434 36.081 35.334 20.756 6.5477
73 22.455 77.871 10.35 83.835 19.961 16.243 4.7118 19.26
74 30.601 69.826 31.297 79.221 35.197 36.244 22.244 5.5424
75 22.709 77.739 10.988 83.569 20.747 17.093 2.76 18.099
76 27.379 70.946 25.931 79.05 31.298 31.618 16.786 5.9565
77 26.942 71.157 25.352 79.314 30.369 30.771 16.09 2.6233
78 23.4 78.666 11.221 84.192 21.625 17.206 2.1622 18.828
79 24.662 79.573 12.904 84.844 23.131 18.369 2.085 18.182
80 23.814 78.989 12.014 84.64 21.625 17.313 3.9561 18.575
81 25.629 73.111 22.635 81.118 28.677 27.815 12.577 4.5679
82 26.293 70.744 25.207 79.452 29.943 30.415 16.142 1.549
83 31.792 74.526 30.325 82.658 35.458 34.676 19.905 5.0913
84 25.175 70.843 23.117 79.043 28.39 28.835 14.16 4.4516
85 24.343 79.493 12.229 84.752 22.761 17.9 2.2778 18.875
86 27.912 74.233 24.594 81.581 30.399 29.534 14.23 3.4603
87 23.632 78.637 11.735 84.091 22.105 17.755 1.5464 18.381
88 21.943 68.777 20.203 77.496 24.743 26.422 13.166 7.4554
89 25.132 70.565 23.793 79.367 28.602 29.143 14.952 2.8555
90 26.96 71.109 25.611 79.613 30.434 30.883 16.363 1.3799
91 25.704 69.397 25.488 78.889 28.903 30.405 17.761 5.6261
92 24.317 72.926 21.174 81.232 27.034 26.223 11.673 6.3589
71
93 22.714 72.38 19.187 80.478 25.686 24.773 9.7713 7.717
94 26.724 73.888 23.707 81.983 29.06 28.306 14.037 5.5861
95 24.123 79.477 11.6 84.688 22.429 17.475 2.8646 19.628
96 29.408 71.908 28.521 80.537 32.781 33.213 19.163 3.1245
97 23.351 78.475 11.113 83.845 21.992 17.561 3.1228 19.504
98 23.273 78.765 10.775 84.323 21.181 16.699 3.0171 19.347
99 24.957 78.851 14.259 84.14 23.93 19.889 2.0727 16.203
100 24.385 79.054 13.157 84.637 22.487 18.328 3.5465 17.41
101 23.783 70.807 21.311 79.123 26.399 27.012 12.786 5.24
102 27.481 73.612 24.81 81.551 30.575 29.737 14.547 3.1322
103 24.261 77.908 14.006 83.502 23.096 19.74 2.2837 15.278
104 30.785 74.562 28.78 82.443 34.011 33.22 18.388 4.0432
105 22.754 77.79 10.99 83.581 20.747 17.092 2.7724 18.118
106 29.493 72.055 28.453 80.567 32.723 33.155 19.075 3.0976
107 31.58 71.143 31.468 79.95 35.088 36.183 22.371 5.7887
108 23.464 78.575 11.115 83.876 21.993 17.56 3.1679 19.559
109 23.88 78.59 12.308 83.994 22.62 18.342 1.4394 17.97
110 24.282 79.359 12.178 84.569 22.936 18.071 2.7653 19.198
111 24.125 79.525 11.735 84.854 22.294 17.356 2.7374 19.315
112 27.211 69.778 26.459 78.441 30.674 31.933 17.85 3.3194
113 24.451 79.612 12.438 84.948 22.673 17.839 2.5798 18.639
114 24.342 79.487 12.227 84.752 22.761 17.9 2.2787 18.877
115 27.263 69.44 27.272 78.82 31.084 32.389 18.784 3.1302

1 10.6108398 C1
2 8.04938168 C1
3 19.2648743 C2
4 7.64181164 C1
5 21.0426983 C2
6 6.61586316 C1
7 5.55367455 C3
8 4.57060971 C1
9 7.70078435 C1
10 4.67343353 C3
11 23.8787804 C2
12 25.7389038 C1
13 9.82413077 C1
14 18.3100662 C2
72
15 10.5430627 C1
16 6.62999211 C1
17 4.78065696 C3
18 5.0725285 C1
19 7.62347004 C1
20 0.92048954 C3
21 20.1783111 C2
22 5.14248539 C3
23 6.45405938 C1
24 5.34461602 C1
25 17.8254262 C1
26 6.61730084 C1
27 25.1706963 C2
28 25.0540777 C2
29 13.3298432 C4
30 24.6471341 C4
31 0.113 C5
32 16.1976618 C4
33 0.113 C5
34 2.21900801 C6
35 16.0173667 C4
36 3.15290499 C6
37 3.30040058 C5
38 26.8842311 C4
39 4.11337917 C6
40 3.14938008 C6
41 2.22240333 C6
42 2.22062038 C6
43 3.14936764 C6
44 2.22101063 C6
45 3.14942268 C6
46 2.2177834 C6
47 2.2179851 C6
48 5.27376972 C8
49 2.25464049 C7
50 4.22401832 C7
51 4.09414867 C8
52 3.48462452 C8
53 3.46204955 C7
54 5.4834913 C8
55 2.1554642 C8
73
56 4.69464469 C7
57 6.95904752 C8
58 3.02792296 C8
59 2.14930751 C8
60 6.86206768 C8
61 3.16658414 C7
62 2.2945553 C7
63 3.06738608 C7
64 3.13555189 C7
65 2.74222868 C7
66 4.39638015 C8
67 2.74435837 C7
68 2.57781463 C8
69 2.2735805 C7
70 3.1187506 C8
71 4.31697203 C8
72 6.54773626 C8
73 4.7117509 C7
74 5.54237006 C8
75 2.76004827 C7
76 5.95650861 C8
77 2.6233245 C8
78 2.16224481 C7
79 2.08500675 C7
80 3.95612266 C7
81 4.56791444 C8
82 1.54897304 C8
83 5.09128891 C8
84 4.45162586 C8
85 2.27776183 C7
86 3.46033419 C8
87 1.54641215 C7
88 7.45543784 C8
89 2.85545233 C8
90 1.37989321 C8
91 5.62612189 C8
92 6.35887963 C8
93 7.7170263 C8
94 5.58608373 C8
95 2.86461038 C7
96 3.12445955 C8
74
97 3.12283284 C7
98 3.01705596 C7
99 2.0727486 C7
100 3.54649582 C7
101 5.2399535 C8
102 3.13217978 C8
103 2.28374207 C7
104 4.04319397 C8
105 2.77235105 C7
106 3.09757914 C8
107 5.78873274 C8
108 3.1679477 C7
109 1.43935903 C7
110 2.76527714 C7
111 2.73739819 C7
112 3.31937153 C8
113 2.57977693 C7
114 2.2787424 C7
115 3.1301719 C8
Tabel 4.18 Centroid baru Literasi 3
𝐾⁄ C1 C2 C3 C4 C5 C6 C7 C8
𝐶
K1 15.480 43.590 0.609 15.239 0.617 0.484 0.625 6.571
K2 3.001 18.143 0.53 2.76 0.233 0.162 0.21 0.596
0.5 2.428 0.4 2 1 0.083 0.139

K3 0.969
17.425 64.928 7.7 15.4 3.6 2.219 10.227

k4 56.2
1.625 3 3 2 1 1 2
K5 1
0 0 61 12.182 0
K6 0 10 0
0 0 0 0 0 0 7.806 20.351
K7
6 13.857 5.6 1 2 11.935

K8 20 19.405
1 1 1 10.2 1 1.545 1
K9 1.486
75
2.1875 2.6 4 2 1 2
K10 4 2
4.1428 1 1
K11 2.0625 2 2 1 2
57143
3.7142 1 1 1
K12 2.0625 2.4 2 1
85714

Data
Ke- C1 C2 C3 C4 C5 C6 C7 C8
1 10.611 63.175 15.803 78.09 17.664 21.266 22.507 29.547
2 8.0494 57.006 18.021 71.692 16.545 25.252 24.917 27.756
3 75.915 19.265 91.662 77.928 86.673 96.382 96.442 89.116
4 7.6418 62.902 11.9 75.059 13.736 20.019 19.144 25.272
5 69.718 21.043 83.934 72.034 78.391 88.995 89.196 82.371
6 6.6159 55.443 19.831 71.732 18.193 26.452 26.494 28.788
7 18.715 73.979 5.5537 80.452 16.198 15.768 9.6406 23.055
8 4.5706 61.18 14.072 74.837 15.717 21.4 20.561 25.668
9 7.7008 64.976 10.46 76.809 14.571 18.461 17.237 24.785
10 18.653 74.975 4.6734 82.16 12.781 13.024 14.582 28.252
11 41.492 23.879 58.215 71.574 56.2 62.932 61.652 55.842
12 25.739 34.238 40.635 64.806 36.831 46.402 45.87 41.961
13 9.8241 58.625 24.079 77.256 26.014 28.516 27.986 30.659
14 70.929 18.31 86.094 73.022 80.725 91.053 91.132 83.885
15 10.543 57.631 25.264 77.385 27.084 29.472 28.985 31.383
16 6.63 59.203 20.671 76.937 22.875 25.635 25.099 28.869
17 18.611 74.965 4.7807 82.15 12.741 12.986 14.547 28.249
18 5.0725 62.811 14.52 76.787 17.451 20.886 20.276 26.25
19 7.6235 64.97 10.609 76.965 14.322 18.376 17.714 25.34
20 17.99 74.281 0.9205 81.154 13.727 13.591 11.33 25.29
21 77.783 20.178 93.715 78.856 89.093 98.528 98.077 90.262
22 18.657 73.877 5.1425 80.685 15.888 15.897 11.434 24.259
23 6.4541 60.455 15.657 74.058 18.468 23.242 20.136 23.649
24 5.3446 62.881 13.681 76.415 17.343 20.744 19.07 24.965
25 17.825 55.266 32.788 78.677 34.258 36.288 35.834 36.499
26 6.6173 54.295 20.207 71.172 19.372 27.137 26.053 27.615
27 41.656 25.171 59.216 71.428 57.184 63.809 62.385 56.045
28 41.257 25.054 58.923 71.588 56.736 63.44 62.327 56.229
29 86.859 77.842 93.871 13.33 82.631 88.73 96.987 92.651
30 63.764 53.263 72.52 24.647 61.87 70.85 76.914 72.107
31 18.81 69.227 14.261 69.625 1.1055 13.249 22.056 30.46
76
32 62.581 67.838 69.293 16.198 59.111 63.452 71.601 68.242
33 18.987 69.368 14.261 69.673 1.1063 13.247 22.056 30.504
34 23.366 78.887 11.644 77.598 11.97 2.2501 16.205 30.053
35 62.553 69.82 68.184 16.017 57.81 62.231 70.531 67.563
36 25.83 79.583 16.171 74.259 13.01 2.8591 19.712 32.038
37 19.341 71.648 12.498 71.58 2.2003 10.062 20.077 29.975
38 100.75 92.153 107.1 26.884 96.084 100.98 109.55 105.26
39 26.503 79.871 17.106 73.671 13.427 3.8453 20.484 32.541
40 25.872 79.641 16.174 74.273 13.01 2.8549 19.712 32.048
41 23.416 78.942 11.649 77.613 11.972 2.253 16.206 30.066
42 23.394 78.923 11.648 77.606 11.971 2.2514 16.206 30.059
43 22.926 78.745 10.798 78.25 12.011 3.2283 15.607 29.725
44 23.287 78.82 11.689 77.456 12.011 2.2325 16.235 30.019
45 25.869 79.639 16.174 74.272 13.01 2.8549 19.712 32.047
46 25.329 79.481 15.252 74.904 12.66 1.8743 18.963 31.6
47 23.306 78.837 11.643 77.58 11.969 2.2495 16.204 30.034
48 30.525 71.926 29.456 79.906 34.252 34.84 21.462 5.7095
49 23.668 78.587 11.683 83.934 21.601 17.928 1.3406 17.936
50 22.649 77.39 10.768 82.879 20.862 17.852 3.7479 18.656
51 29.47 74.543 26.324 81.614 31.964 31.465 17.417 3.9972
52 28.551 71.284 27.461 79.641 32.268 32.969 19.697 3.727
53 24.021 79.646 11.312 84.989 21.115 16.822 2.1594 19.015
54 29.3 69.496 30.227 79.438 33.617 35.149 23.329 6.1574
55 27.808 71.686 25.997 79.726 30.732 31.527 18.303 2.1479
56 23.824 78.432 12.088 83.644 22.24 18.585 4.1564 18.898
57 23.619 72.431 20.331 80.505 26.556 26.134 12.345 6.1156
58 27.751 73.337 25.521 81.473 31.011 30.588 16.943 2.694
59 27.052 70.411 26.562 79.357 31.213 31.989 19.098 2.2893
60 24.425 72.869 20.782 80.569 27.073 26.617 12.58 6.0535
61 23.058 78.469 10.472 83.931 20.751 16.954 1.8116 19.033
62 23.352 78.569 11.076 84.012 21.062 17.332 0.8141 18.296
63 24.605 79.369 12.811 84.497 22.777 18.655 2.3998 18.062
64 23.387 78.512 11.115 83.855 21.298 17.561 2.0998 18.686
65 23.109 78.601 10.531 84.112 20.558 16.775 1.2378 18.718
66 24.44 68.22 24.956 78.25 28.65 30.512 18.889 4.2346
67 24.549 78.603 13.605 83.854 23.1 19.607 3.0729 16.509
68 27.963 71.134 26.873 79.493 31.623 32.353 19.2 2.7833
69 23.313 78.542 11.078 84.001 21.062 17.333 0.8152 18.274
70 27.443 73.567 24.844 81.538 30.303 29.901 16.295 2.634
71 27.356 71.403 26.364 80.335 30.294 31.25 19.255 4.4465
72 33.351 75.899 31.199 83.434 35.828 35.445 22.355 7.1614
77
73 22.455 77.871 10.35 83.835 19.268 16.333 4.34 18.449
74 30.601 69.826 31.297 79.221 35.11 36.468 23.979 6.3217
75 22.709 77.739 10.988 83.569 20.081 17.169 2.6637 17.277
76 27.379 70.946 25.931 79.05 31.123 31.816 18.45 5.7784
77 26.942 71.157 25.352 79.314 30.189 30.982 17.818 2.3595
78 23.4 78.666 11.221 84.192 20.919 17.217 0.9602 18.003
79 24.662 79.573 12.904 84.844 22.423 18.331 1.5083 17.377
80 23.814 78.989 12.014 84.64 20.919 17.333 3.6663 17.779
81 25.629 73.111 22.635 81.118 28.358 27.964 14.303 3.7805
82 26.293 70.744 25.207 79.452 29.76 30.634 17.886 1.1385
83 31.792 74.526 30.325 82.658 35.2 34.788 21.552 5.7002
84 25.175 70.843 23.117 79.043 28.197 29.061 15.884 3.8179
85 24.343 79.493 12.229 84.752 22.041 17.86 0.9435 18.06
86 27.912 74.233 24.594 81.581 30.098 29.67 15.912 2.9946
87 23.632 78.637 11.735 84.091 21.415 17.76 0.2274 17.557
88 21.943 68.777 20.203 77.496 24.62 26.746 14.839 6.7807
89 25.132 70.565 23.793 79.367 28.41 29.375 16.699 2.1578
90 26.96 71.109 25.611 79.613 30.254 31.097 18.103 1.157
91 25.704 69.397 25.488 78.889 28.797 30.692 19.436 5.6155
92 24.317 72.926 21.174 81.232 26.695 26.39 13.365 5.6247
93 22.714 72.38 19.187 80.478 25.33 24.945 11.512 6.8627
94 26.724 73.888 23.707 81.983 28.745 28.461 15.666 5.1757
95 24.123 79.477 11.6 84.688 21.699 17.435 1.2381 18.805
96 29.408 71.908 28.521 80.537 32.614 33.414 20.868 3.8256
97 23.351 78.475 11.113 83.845 21.298 17.561 2.0983 18.669
98 23.273 78.765 10.775 84.323 20.46 16.715 1.9475 18.524
99 24.957 78.851 14.259 84.14 23.294 19.885 3.0138 15.406
100 24.385 79.054 13.157 84.637 21.809 18.342 3.7361 16.626
101 23.783 70.807 21.311 79.123 26.192 27.265 14.521 4.4582
102 27.481 73.612 24.81 81.551 30.276 29.874 16.246 2.6437
103 24.261 77.908 14.006 83.502 22.5 19.793 3.6408 14.477
104 30.785 74.562 28.78 82.443 33.743 33.338 20.037 4.5236
105 22.754 77.79 10.99 83.581 20.081 17.168 2.6612 17.296
106 29.493 72.055 28.453 80.567 32.555 33.355 20.776 3.7943
107 31.58 71.143 31.468 79.95 35.001 36.411 24.08 6.6208
108 23.464 78.575 11.115 83.876 21.299 17.561 2.1058 18.726
109 23.88 78.59 12.308 83.994 21.946 18.342 1.0898 17.147
110 24.282 79.359 12.178 84.569 22.222 18.028 1.6214 18.378
111 24.125 79.525 11.735 84.854 21.56 17.32 1.3268 18.499
112 27.211 69.778 26.459 78.441 30.575 32.192 19.579 3.4756
113 24.451 79.612 12.438 84.948 21.95 17.805 1.7735 17.833
78
114 24.342 79.487 12.227 84.752 22.041 17.86 0.9425 18.061
115 27.263 69.44 27.272 78.82 30.986 32.65 20.522 3.5588

1 10.6108398 C1
2 8.04938168 C1
3 19.2648743 C2
4 7.64181164 C1
5 21.0426983 C2
6 6.61586316 C1
7 5.55367455 C3
8 4.57060971 C1
9 7.70078435 C1
10 4.67343353 C3
11 23.8787804 C2
12 25.7389038 C1
13 9.82413077 C1
14 18.3100662 C2
15 10.5430627 C1
16 6.62999211 C1
17 4.78065696 C3
18 5.0725285 C1
19 7.62347004 C1
20 0.92048954 C3
21 20.1783111 C2
22 5.14248539 C3
23 6.45405938 C1
24 5.34461602 C1
25 17.8254262 C1
26 6.61730084 C1
27 25.1706963 C2
28 25.0540777 C2
29 13.3298432 C4
30 24.6471341 C4
31 1.1055129 C5
32 16.1976618 C4
33 1.10633032 C5
34 2.25006208 C6
35 16.0173667 C4
79
36 2.85909606 C6
37 2.20026705 C5
38 26.8842311 C4
39 3.84529285 C6
40 2.85485596 C6
41 2.2529563 C6
42 2.25138035 C6
43 3.22830252 C6
44 2.23254132 C6
45 2.85492355 C6
46 1.87426614 C6
47 2.2495342 C6
48 5.70946633 C8
49 1.34062949 C7
50 3.74790536 C7
51 3.99720076 C8
52 3.72695691 C8
53 2.1593974 C7
54 6.15736307 C8
55 2.14790717 C8
56 4.15644781 C7
57 6.11557007 C8
58 2.69396871 C8
59 2.28930116 C8
60 6.05347431 C8
61 1.81163832 C7
62 0.81410944 C7
63 2.39977673 C7
64 2.09975395 C7
65 1.23779397 C7
66 4.23462291 C8
67 3.07290623 C7
68 2.78330191 C8
69 0.81523688 C7
70 2.6339768 C8
71 4.44650751 C8
72 7.16141344 C8
73 4.34003423 C7
74 6.32173397 C8
75 2.66368028 C7
76 5.7783957 C8
80
77 2.35953198 C8
78 0.96021023 C7
79 1.50830282 C7
80 3.66629905 C7
81 3.78048795 C8
82 1.13849467 C8
83 5.70023516 C8
84 3.81793914 C8
85 0.94349225 C7
86 2.99458075 C8
87 0.22739382 C7
88 6.78065056 C8
89 2.15782479 C8
90 1.15699809 C8
91 5.6155055 C8
92 5.624695 C8
93 6.86273664 C8
94 5.17573202 C8
95 1.23808919 C7
96 3.82564206 C8
97 2.09834856 C7
98 1.94750184 C7
99 3.01375082 C7
100 3.73614089 C7
101 4.45822172 C8
102 2.64368995 C8
103 3.6407631 C7
104 4.52362416 C8
105 2.66122014 C7
106 3.79428672 C8
107 6.62081118 C8
108 2.10582304 C7
109 1.08976154 C7
110 1.6213874 C7
111 1.32684037 C7
112 3.47561508 C8
113 1.77352788 C7
114 0.94246094 C7
115 3.5588079 C8
81
Tabel 4.21 centroid baru Literasi 4
𝐾⁄ C1 C2 C3 C4 C5 C6 C7 C8
𝐶
K1 15.480 43.590 0.609 15.239 0.617 0.484 0.625 6.571
K2 3.001 18.143 0.53 2.76 0.233 0.162 0.21 0.596
0.5 2.428 0.4 2 1 0.083 0.139

K3 0.969
17.425 64.928 7.7 15.4 3.6 2.219 10.227

k4 56.2
1.625 3 3 2 1 1 2
K5 1
0 0 61 12.182 0
K6 0 10 0
0 0 0 0 0 0 7.806 20.351
K7
6 13.857 5.6 1 2 11.935

K8 20 19.405
1 1 1 10.2 1 1.545 1
K9 1.486
2.187 2.6 4 2 1 2
K10 4 2
2.062 4.143 2 1 1 1
K11 2 2
2.062 3.714 2.4 2 1 1 1

K12 1
Setelah 4 proses perhitungan literasi diatas, maka perhitungan terhenti

karena nilai centroid baru pada iterasi ke-4 sama dengan nilai centroid
pada iterasi ke-3. Jadi perhitungan selesai pada iterasi ke-4. Hasil
clustering dapat dilihat pada Tabel 4.21
Tabel 4.22 Hasil clustering

Data Ke- C1 C2 C3 C4 C5 C6 C7 C8
1 
2 
3 
4 
5 
6 
7 
82
8 
9 
10 
11 
12 
13 
14 
15 
16 
17 
18 
19 
20 
21 
22 
23 
24 
25 
26 
27 
28 
29 
30 
31 
32 
33 
34 
35 
36 
37 
38 
39 
40 
41 
42 
43 
44 
45 
46 
47 
48 
83
49 
50 
51 
52 
53 
54 
55 
56 
57 
58 
59 
60 
61 
62 
63 
64 
65 
66 
67 
68 
69 
70 
71 
72 
73 
74 
75 
76 
77 
78 
79 
80 
81 
82 
83 
84 
85 
86 
87 
88 
89 
84
90 
91 
92 
93 
94 
95 
96 
97 
98 
99 
100 
101 
102 
103 
104 
105 
106 
107 
108 
109 
110 
111 
112 
113 
114 
115 
Keterangan :
Cluster 1 : Hiburan Olahraga Cluster 5 : Home Stay / Losmen
Cluster 2 : Hiburan Wisata Cluster 6 : Rumah Kos / Villa
Cluster 3 : H. Lain – Lain Cluster 7 : Kafe
Cluster 4 : Perhotelan / Apartemen Cluster 8 : Restoran
Dengan hasil Clustering tersebut didapatkan bahwa dari data pajak yang
telah diuji, sebanyak 37 data pajak masuk kedalam cluster paling dominan
dalam perhitungan sebelumnya yaitu masuk dalam cluster C8 sebagai
Pajak Restoran dimana sebagian besar penguasaha berkecimpung di dunia
85
kuliner, dan juga Golongan C7 yaitu kafe dengan menghasilkan 31 data.
Sedangkan untuk golongan C1 dan C6 masing – masing memiliki 16 data
dan 11 data setelah dilakukan proses clustering, diikuti oleh golongan C2
dengan menghasilkan 7 data, golongan C3 dan C4 yang sama – sama
menghasilkan 5 data, lalu jumlah data terkecil ada pada golongan C5
dengan menghasilkan 3 data.
4.2.5 Pengujian Presentase Kemungkinan Error

Tahap berikutnya yaitu pengujian hasil pengelompokan menggunakan Metode
K-Means menggunakan system yang telah dibuat, dengan perhitungan manual
pada Microsoft Excel.
Adapun Hasil perhitungan pengujian data dengan metode K-Means dapat
dilihat pada Tabel 4.23 dibawah ini.
Tabel 4.23 Pengujian Persentase Kemungkinan Error

Ms. Excel Sistem Presentase
Data Ke-
Jarak Terpendek Jarak Terpendek Error
1 10.61083976 10.62849568 0.16%
2 8.049381679 8.118962089 0.85%
3 19.26487429 19.28234557 0.09%
4 7.641811641 7.725094144 1.07%
5 21.04269833 21.07903616 0.17%
6 6.615863164 6.701766216 1.2%
7 5.553674549 5.142485391 7.9%
8 4.570609714 4.692064914 2.5%
9 7.700784345 7.725094144 0.31%
10 4.673433534 4.673433534 5.1%
11 23.87878044 23.91080859 0.13%
12 25.73890383 25.76074864 0.08%
13 9.824130771 9.843197926 0.19%
14 18.3100662 18.32844766 0.1%
15 10.54306267 10.5608319 0.16%
16 6.629992112 6.658212629 0.42%
17 4.780656963 4.780656963 2.97%
18 5.072528503 5.10935861 0.72%
86
19 7.623470037 7.648025589 0.32%
20 0.920489544 0.920489544 3.25%
21 20.17831109 20.64621707 2.26%
22 5.142485391 5.553674549 7.4%
23 6.454059384 6.540633191 1.32%
24 5.344616021 5.379583665 0.65%
25 17.82542621 17.85695437 0.17%
26 6.61730084 6.701766216 1.26%
27 25.17069631 25.15001265 0.08%
28 25.05407771 25.0504119 0.01%
29 13.32984325 13.34333995 0.1%
30 24.64713413 24.65443613 0.02%
31 1.105512903 1.105512903 2.71%
32 16.19766184 16.37449996 1.07%
33 1.10633032 1.105512903 0.07%
34 2.250062082 2.251380346 0.05%
35 16.0173667 16.02860056 0.07%
36 2.85909606 2.854923548 0.14%
37 2.200267054 2.200267054 5.04%
38 26.88423108 26.89092563 0.02%
39 3.84529285 3.84529285 6.81%
40 2.85485596 2.85485596 9.33%
41 2.252956302 2.250062082 0.12%
42 2.251380346 2.232541318 0.84%
43 3.228302525 3.228302525 1.14%
44 2.232541318 2.251380346 0.83%
45 2.854923548 2.854923548 3.88%
46 1.874266137 1.874266137 2.27%
47 2.249534196 2.252956302 0.15%
48 5.709466331 5.709466331 5.75%
49 1.340629492 1.44505264 7.22%
50 3.747905357 3.820462783 1.82%
51 3.997200757 3.997200757 9.66%
52 3.726956911 3.475615077 7.22%
53 2.159397396 2.044272022 5.63%
54 6.157363068 6.157363068 1.15%
55 2.147907172 2.147907172 2.15%
56 4.156447811 4.252442908 2.25%
57 6.115570067 6.115570067 2.9%
58 2.693968709 2.633976795 2.27%
59 2.289301163 2.289301163 1.35%
87
60 6.053474305 6.053474305 1.17%
61 1.81163832 1.820808188 0.50%
62 0.814109438 0.834269627 2.41%
63 2.399776733 2.511605065 4.45%
64 2.099753952 2.167953897 3.14%
65 1.237793973 1.143423441 8.25%
66 4.234622907 4.234622907 1.67%
67 3.072906234 3.201679575 4.02%
68 2.783301914 2.783301914 8.29%
69 0.815236884 0.835218633 2.39%
70 2.633976795 2.633976795 1.02%
71 4.446507509 4.446507509 7.19%
72 7.161413444 7.161413444 3.72%
73 4.340034229 4.223453682 2.76%
74 6.321733969 6.157363068 2.66%
75 2.663680279 2.568987827 3.68%
76 5.778395705 5.778395705 2.92%
77 2.35953198 2.35953198 9.03%
78 0.960210234 0.959848646 0.03%
79 1.508302822 1.519330074 0.72%
80 3.66629905 3.563895074 2.87%
81 3.78048795 3.78048795 4.46%
82 1.138494669 1.138494669 9.16%
83 5.700235161 5.700235161 6.23%
84 3.817939139 3.817939139 2.9%
85 0.943492251 0.959848646 1.7%
86 2.994580754 2.994580754 7.41%
87 0.227393824 0.292228762 22.18%
88 6.780650559 6.780650559 1.96%
89 2.157824787 2.157824787 2.05%
90 1.156998085 1.156998085 2.99%
91 5.615505498 5.615505498 4.42%
92 5.624695002 5.624695002 4.73%
93 6.862736642 6.862736642 1.16%
94 5.175732023 5.175732023 3.43%
95 1.238089195 1.251017536 1.03%
96 3.825642056 3.825642056 6.94%
97 2.098348556 2.167953897 3.21%
98 1.947501845 1.819234571 7.05%
99 3.013750822 3.103616492 2.89%
100 3.736140891 3.671033045 1.77%
88
101 4.458221722 4.458221722 5.57%
102 2.643689953 2.643689953 5.71%
103 3.6407631 3.68067234 1.08%
104 4.523624157 4.523624157 3.33%
105 2.661220139 2.568987827 3.59%
106 3.794286719 3.794286719 8.19%
107 6.620811182 6.620811182 2.41%
108 2.105823036 2.173645601 3.12%
109 1.089761538 1.216358488 10.4%
110 1.621387404 1.708870511 5.11%
111 1.326840371 1.239121009 7.07%
112 3.475615077 3.475615077 1.37%
113 1.773527881 1.708970791 3.77%
114 0.942460943 0.959848646 1.81%
115 3.558807901 3.558807901 9.98%
RATA – RATA ERROR 0.32%
Dari hasil perbandingan diatas, dapat diketahui bahwa hasil perhitungan

antara manual menggunakan Ms. Excel dibandingkan perhitungan di sistem
yang telah dibuat memiliki rata – rata error sebesar 0.32% dengan tingkat
keakuratan sebesar 99.68%.
89
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil pembuatan sistem dan juga penggolongan data pajak yang telah
dilakukan, dapat disimpulkan bahwa :
1. Hasil dari pengujian metode pada 115 data yang telah diuji dengan sistem ini,
sebanyak 37 data masuk kedalam cluster C8 sebagai golongan restoran dan
juga 31 data masuk kedalam cluster C7 sebagai golongan cafe, yang artinya
pemasukan pajak restoran dan café memiliki pengaruh yang cukup besar
dalam retribusi pendapatan asli daerah di Kabupaten Gresik.
2. Hasil penggolongan data pemasukan pajak yang telah diuji dapat dijadikan
bahan pertimbangan evaluasi oleh PEMDA setempat untuk dibahas dalam
rapat RAPBD serta pengembangan usaha baik micro maupun macro untuk
periode berikutnya.
3. Berdasarkan hasil pengujian fungsional menunjukkan jika sistem yang telah
dibuat dapat berjalan dengan baik dan sesuai dengan fungsi yang tersedia.
Sistem yang telah dibuat diuji coba dengan menggunakan 3 aplikasi browser
yaitu Microsft Edge 91.0.864.54 (Official build) (64-bit), Google Chrome
91.0.4472.114 (Official Build) (64-bit) dan Mozilla Firefox 89.0.1 (64-bit).
90
5.2 Saran
Agar pengembangan sistem yang telah dibuat menjadi lebih baik kedepannya,
maka ada beberapa saran yang bisa diberikan, yaitu :
1. Sistem yang telah dibuat dapat menggolongan data retribusi pendapatan asli
daerah, diharapkan kedepannya agar dapat menggolongkan jenis pendapatan
asli daerah lainnya yang ada di BPPKAD KAB. Gresik, seperti PBB, Pajak
Daerah, Hasil pengelolaan kekayaan daerah yang dipisahkan, yang ditetapkan
dengan Perda dengan berpedoman pada ketentuan peraturan perundang-
undangan, Lain-lain PAD yang sah, yang terdiri dari :
a. hasil penjualan kekayaan daerah yang tidak dipisahkan.
b. hasil pemanfaatan atau pendayagunaan kekayaan daerah yang tidak
dipisahkan
c. jasa giro
d. pendapatan bunga
e. tuntutan ganti rugi
f. keuntungan selisih nilai tukar rupiah terhadap mata uang asing
g. komisi, potongan, ataupun bentuk lain sebagai akibat dari penjualan
dan/atau pengadaan barang dan/atau jasa oleh daerah.
2. Sistem yang telah dibuat dapat dikembangkan lagi dengan metode selain k-
means seperti K-NN, GUSTAFSON-KESSEL , Fuzzy C-Means, Double
Exponential Smothing Brown dan metode lainnya
91
DAFTAR PUSTAKA
Agusta, Y. “K-Means-Penerapan, Permasalahan dan Metode Terkait”. Denpasar,

Bali: Jurnal Sistem dan Informatika (Februari 2007) Vol. 3: 47-60; 2007.
Aziz, Hijrah; Akib, Faisal. “ANALISIS DAN PERANCANGAN SISTEM

INFORMASI PENGELOLAAN PAJAK DAERAH BERBASIS WEB (Studi Kasus :
Kantor DPPKAD Kota Palopo)” Jurusan Sistem Informasi, Fakultas Sains dan
Teknologi, UIN Alauddin http://journal.uin-
alauddin.ac.id/index.php/insypro/article/download/2294/2225 (2016)
Irwansyah, Edi. Faisal, Muhammad. “Advanced Clustering: Teori dan Aplikasi”. 1

Jan 2015; Deepublish - books.google.com
Kusrini, Emha Taufiq Luthfi. "Algoritma data mining." Yogyakarta: Andi Offset
(2009).
Larose, Daniel T. "An introduction to data mining." Traduction et adaptation de

Thierry Vallaud (2005).
MNM Ediyanto, N Satyahadewi. “PENGKLASIFIKASIAN KARAKTERISTIK

DENGAN METODE K-MEANS CLUSTER ANALYSIS” jurnal.untan.ac.id Vol 2.
No.2, hal 133-136 (2013).
Mayang Sari, Rahayu. "Prediksi Data Anggaran Pendapatan Belanja Daerah

Menggunakan Algoritma K-Means" Jurnal Stmik Smik Riau Vol.1 No.2 (2015).
Nofriansyah, Dicky, S Kom, M Kom. “Konsep Data Mining Vs Sistem Pendukung

Keputusan”. 2015; Deepublish - books.google.com
92
Prasetyo, Rudi. “ANALISIS PENGARUH PENERIMAAN PAJAK DAERAH DAN
RETRIBUSI DAERAH TERHADAP PENINGKATAN PENDAPATAN ASLI
DAERAH” Jurnal Ilmu dan Riset Akuntansi Vol.6 No.3 (Maret 2017)
Saputra, Reynaldo Ferdian. “IMPLEMENTASI METODE K-MEANS

CLUSTERING PADA TES PSIKOLOGI UNTUK MENENTUKAN KELOMPOK
BELAJAR SISWA BERBASIS MOBILE”. JATI (Jurnal Mahasiswa Teknik
Informatika) ITN Malang Vol.5 No.1 (2020)
Turban, Aronson, & Liang, 2005, Decision Support Systems and Intelligent Systems,
7th Edition, Prentice Hall, New Jersey.
Yuli Firmansah, Ridho. “ANALISIS RFM (RECENCY, FREQUENCY AND

MONETARY) PRODUK MENGGUNAKAN METODE K-MEANS”. JATI (Jurnal
Mahasiswa Teknik Informatika) Vol. 5 No. 1, Maret (2021)
93
LAMPIRAN – LAMPIRAN
94
Lampiran 1 Berita Acara Skripsi
95
96
97
Lampiran 2 Form Perbaikan Skripsi
98
99
100
101
Lampiran 3 Form Bimbingan Skripsi Dosen Pembimbing 1 dan Pembimbing 2
FORMULIR BIMBINGAN SKRIPSI
Nama : Farell Apuilino Iman Seno Aji

Nim : 1718110
Masa Bimbingan : 10 Maret – 10 September 2021
Judul Skripsi : PENERAPAN METODE CLUSTERING PADA ANALISIS
REALISASI PENDAPATAN ASLI DAERAH DENGAN
ALGORITMA K-MEANS
No. Paraf
Tanggal Uraian
Pembimbing
1. 30 - 4 - 2021 Mengirim revisi hasil seminar proposal
Konsultasi Perubahann & Penerapan Metode
2. 7 - 5 - 2021 Perbaikan kata yang kurang tepat pada seluruh
bab
3. 17 - 5 - 2021 Melanjutkan progres program
4. 10 - 6 - 2021 Mengirim revisi hasil seminar progress

Perhitungan dan Penerapan Metode
5. 12 - 6 - 2021 Perbaikan kata yang kurang tepat pada seluruh
bab
6. 18 - 6 - 2021 Meneyelesaikan progres program
7. 22 - 6 - 2021 Perbaikan Jurnal
8. 21 - 7 – 2021 Perbaikan Flowchart Sistem
9. 21 - 7 – 2021 Merapikan Laporan
10. 21 - 7 – 2021 Perbaikan Jurnal
Malang,……….Juli 2021
Dosen Pembimbing 1
(Dr. Ir. Sentot Achmadi, M.Si)

NIP.P 1093500281
102
FORMULIR BIMBINGAN SKRIPSI
Nama : Farell Apuilino Iman Seno Aji

Nim : 1718110
Masa Bimbingan : 10 Maret – 10 September 2021
Judul Skripsi : PENERAPAN METODE CLUSTERING PADA ANALISIS
REALISASI PENDAPATAN ASLI DAERAH DENGAN
ALGORITMA K-MEANS
No. Paraf
Tanggal Uraian
Pembimbing
1. 11 - 05 - 2021 Pengiriman Awal Laporan Progres
18 - 05 - 2021 Perbaikan Pada Bab 1 Meliputi :
1. Latar Belakang. Penjelasan pada
Paragraf 3 Serta Penjabaran Kriteria
pada Paragraf 4
2. Tujuan Penelitian Poin 1 dan Poin 2
2. agar lebih diperjelas
3. Batasan Masalah Poin 2 kesalahan
penulisan, dan Poin 3 penambahan
perhitungan dan analisis data
4. Manfaat Penelitian Poin 1 perbaikan
kalimat, dan Poin 2 agar lebih
dijabarkan lagi
3. 19 - 05 - 2021 ACC Laporan Progress dan melanjutkan tahap
berikutnya
4. 10 - 6 - 2021 Perbaikan Bab 1 Tujuan Penelitian
5. 12 - 6 - 2021 Perbaikan Bab 5 Saran
6. 23 - 6 - 2021 Revisi Perbandingan Perhitungan Manual dan

Sistem
7. 24 - 6 - 2021 ACC Laporan Seminar Hasil dan Jurnal,
Melanjutkan Tahap Berikutnya
8. 22 - 7 – 2021 Demo Program Untuk User Guide
9. 22 - 7 – 2021 Penyiapan Materi Untuk Komprehensif
103
10. 22 - 7 – 2021 ACC Laporan dan Jurnal
Malang,…………Juli 2021
Dosen Pembimbing 2
(FX. Ariwibisono, ST, M.Kom)

NIP.P 1030300397
104
Lampiran 4 Pertanyaan Kuisioner
105
106
Lampiran 5 Hasil Kuisinoner
107
108
109
Lampiran 6 Hosting
110
Lampiran 7 Source Code
1. Source Metode
<?php
namespace App\Http\Controllers;
use Illuminate\Support\Facades\DB;
use Illuminate\Http\Request;
use Validator;
use App\Pajak;
use App\Clustering;
class HasilController extends Controller

{
public function index()
{
$cluster = Clustering::all();
return view('daftarclustering', compact('cluster'));
}
public function proses_kmeans()

{
// $cluster = Clustering::all();
$perhitungan = $this->kmeans();
return view('perhitunganclustering',
compact('perhitungan'));
}
public function kmeans()

{
$resultView = '';
$resultView .= '<div class="card mb-3">
<div class="card-body">
<div class="table-responsive mt-5">';
$dor = false;
// implementasikan array
$kriteria = array();
$kriteria_temp = array();
// error_reporting(0);
// $this->db->query("DELETE FROM tb_hasil");
Clustering::truncate();
//menghitung jumlah data

// $sql = $this->db->query("SELECT * FROM tb_siswa")-
>result_array();
111
$sql = Pajak::all()->toArray();
$jmldata = sizeof($sql);
//menentukan jumlah klaster

$k=3;
$resultView .= 'Klaster = '.$k;
$resultView .= "<br><br>";
$resultView .= 'Centroid awal :';
//implementasikan iterasi
$noiterasi =1;
$cluster_iterasi= array();
//mempersiapkan cluster
//Cluster 1 (Nilai tertinggi)
$data_cluster1 = array();
$query = DB::table('tb_objek_pajak')
->select(DB::raw(' max(luas_lahan) as
luas_lahan,
max(daya_tampung) as
daya_tampung,
max(jumlah_pembangkit) as
jumlah_pembangkit,
max(kapasitas_pemakaian) as
kapasitas_pemakaian,
max(sumber_daya) as
sumber_daya,
max(jumlah_kamar) as
jumlah_kamar,
max(jumlah_meja) as
jumlah_meja,
max(jumlah_sarana_layanan)
as jumlah_sarana_layanan,
max(jumlah_lantai) as
jumlah_lantai,
max(kebutuhan_keamanan_tambahan) as kebutuhan_keamanan_tambahan,
max(potensi_kecelakaan) as
potensi_kecelakaan,
max(kebutuhan_tenaga_medis_darurat) as
kebutuhan_tenaga_medis_darurat
'))
->first();
$res = $query;
$data_cluster1['luas_lahan'] = $res->luas_lahan;
$data_cluster1['daya_tampung'] = $res->daya_tampung;
$data_cluster1['jumlah_pembangkit'] = $res-
>jumlah_pembangkit;
$data_cluster1['kapasitas_pemakaian'] = $res-
>kapasitas_pemakaian;
112
$data_cluster1['sumber_daya'] = $res->sumber_daya;
$data_cluster1['jumlah_kamar'] = $res->jumlah_kamar;
$data_cluster1['jumlah_meja'] = $res->jumlah_meja;
$data_cluster1['jumlah_sarana_layanan'] = $res-
>jumlah_sarana_layanan;
$data_cluster1['jumlah_lantai'] = $res->jumlah_lantai;
$data_cluster1['kebutuhan_keamanan_tambahan'] = $res-
>kebutuhan_keamanan_tambahan;
$data_cluster1['potensi_kecelakaan'] = $res-
>potensi_kecelakaan;
$data_cluster1['kebutuhan_tenaga_medis_darurat'] = $res-
>kebutuhan_tenaga_medis_darurat;
//Cluster 2 (Nilai Tengah)

function getMedValue($res, $columnName) {

$dattt = array();
for($i=0; $i < sizeof($res); $i++) {
$dattt[$i] = $res[$i]->$columnName;
}
sort($dattt);
$count = sizeof($dattt);
$index = floor($count / 2);
if($count & 1) $index = $index;
else $index = $index - 1;
return $dattt[$index];
}
$data_cluster2['luas_lahan'] =
getMedValue(DB::table('tb_objek_pajak')->select('luas_lahan')-
>get(), 'luas_lahan');
$data_cluster2['daya_tampung'] =
getMedValue(DB::table('tb_objek_pajak')->select('daya_tampung')-
>get(), 'daya_tampung');
$data_cluster2['jumlah_pembangkit'] =
getMedValue(DB::table('tb_objek_pajak')-
>select('jumlah_pembangkit')->get(), 'jumlah_pembangkit');
$data_cluster2['kapasitas_pemakaian'] =
>select('kapasitas_pemakaian')->get(), 'kapasitas_pemakaian');
$data_cluster2['sumber_daya'] =
getMedValue(DB::table('tb_objek_pajak')->select('sumber_daya')-
>get(), 'sumber_daya');
$data_cluster2['jumlah_kamar'] =
getMedValue(DB::table('tb_objek_pajak')->select('jumlah_kamar')-
>get(), 'jumlah_kamar');
$data_cluster2['jumlah_meja'] =
getMedValue(DB::table('tb_objek_pajak')->select('jumlah_meja')-
>get(), 'jumlah_meja');
$data_cluster2['jumlah_sarana_layanan'] =
>select('jumlah_sarana_layanan')->get(), 'jumlah_sarana_layanan');
$data_cluster2['jumlah_lantai'] =
113
getMedValue(DB::table('tb_objek_pajak')->select('jumlah_lantai')-
>get(), 'jumlah_lantai');
$data_cluster2['kebutuhan_keamanan_tambahan'] =
>select('kebutuhan_keamanan_tambahan')->get(),
'kebutuhan_keamanan_tambahan');
$data_cluster2['potensi_kecelakaan'] =
>select('potensi_kecelakaan')->get(), 'potensi_kecelakaan');
$data_cluster2['kebutuhan_tenaga_medis_darurat'] =
>select('kebutuhan_tenaga_medis_darurat')->get(),
'kebutuhan_tenaga_medis_darurat');
//Cluster 3 (Nilai terendah)

$query = DB::table('tb_objek_pajak')
->select(DB::raw(' min(luas_lahan) as
luas_lahan,
min(daya_tampung) as
daya_tampung,
min(jumlah_pembangkit) as
jumlah_pembangkit,
min(kapasitas_pemakaian) as
kapasitas_pemakaian,
min(sumber_daya) as
sumber_daya,
min(jumlah_kamar) as
jumlah_kamar,
min(jumlah_meja) as
jumlah_meja,
min(jumlah_sarana_layanan)
as jumlah_sarana_layanan,
min(jumlah_lantai) as
jumlah_lantai,
min(kebutuhan_keamanan_tambahan) as kebutuhan_keamanan_tambahan,
min(potensi_kecelakaan) as
potensi_kecelakaan,
min(kebutuhan_tenaga_medis_darurat) as
kebutuhan_tenaga_medis_darurat
'))
->first();
$res = $query;
$data_cluster3['luas_lahan'] = $res->luas_lahan;
$data_cluster3['daya_tampung'] = $res->daya_tampung;
$data_cluster3['jumlah_pembangkit'] = $res-
>jumlah_pembangkit;
$data_cluster3['kapasitas_pemakaian'] = $res-
>kapasitas_pemakaian;
$data_cluster3['sumber_daya'] = $res->sumber_daya;
$data_cluster3['jumlah_kamar'] = $res->jumlah_kamar;
114
$data_cluster3['jumlah_meja'] = $res->jumlah_meja;
$data_cluster3['jumlah_sarana_layanan'] = $res-
>jumlah_sarana_layanan;
$data_cluster3['jumlah_lantai'] = $res->jumlah_lantai;
$data_cluster3['kebutuhan_keamanan_tambahan'] = $res-
>kebutuhan_keamanan_tambahan;
$data_cluster3['potensi_kecelakaan'] = $res-
>potensi_kecelakaan;
$data_cluster3['kebutuhan_tenaga_medis_darurat'] = $res-
>kebutuhan_tenaga_medis_darurat;
// menentukan centroid secara random yaitu 6, 33

$c1 = $data_cluster1;
// perulangan Centroid
$resultView .= "<table class='table table-striped'>
<tr>
<td>
</td>";
foreach ($c1 as $key => $value)
{
$resultView .= "<td>". $key."</td>";
}
$resultView .= "</tr>
<tr>
<td>
c1
</td>";
{
$resultView .= "<td>". $value."</td>";
}
<tr>
<td>
c2
</td>";
{
}
<tr>
<td>
c3
</td>";
{
115
}
$resultView .= "</tr> </table> <br><br>";
$nomor = 1;
// perulangan untuk iterasi
$iterasi_terakhir = false;
while($iterasi_terakhir == false) //selama iterasi terakhir
belum ditemukan
{
$resultView .= 'iterasi '.$noiterasi.' :';

//tampilan iterasi

<tr>
<td>
no
</td>
<td>
C1
</td>
<td>
C2
</td>
<td>
C3
</td>
<td>
Min
</td>
<td>
Cluster
</td></tr>";
//total pekerjaan c1
$totalluaslahan=0;
$totaldayatampung=0;
$totaljumlahpembangkit=0;
$totalkapasitaspemakaian=0;
$totalsumberdaya=0;
$totaljumlahkamar=0;
$totaljumlahmeja=0;
$totaljumlahsaranalayanan=0;
$totaljumlahlantai=0;
$totalkebutuhankeamanantambahan=0;
$totalpotensikecelakaan=0;
$totalkebutuhantenagamedisdarurat=0;
$totalluaslahan1=0;
$totaldayatampung1=0;
116
$totaljumlahpembangkit1=0;
$totalkapasitaspemakaian1=0;
$totalsumberdaya1=0;
$totaljumlahkamar1=0;
$totaljumlahmeja1=0;
$totaljumlahsaranalayanan1=0;
$totaljumlahlantai1=0;
$totalkebutuhankeamanantambahan1=0;
$totalpotensikecelakaan1=0;
$totalkebutuhantenagamedisdarurat1=0;
$totalluaslahan2=0;
$totaldayatampung2=0;
$totaljumlahpembangkit2=0;
$totalkapasitaspemakaian2=0;
$totalsumberdaya2=0;
$totaljumlahkamar2=0;
$totaljumlahmeja2=0;
$totaljumlahsaranalayanan2=0;
$totaljumlahlantai2=0;
$totalkebutuhankeamanantambahan2=0;
$totalpotensikecelakaan2=0;
$totalkebutuhantenagamedisdarurat2=0;
//total
//jumlah cluster pekerjaan c1
$jumlahclusterluaslahan=0;
$jumlahclusterdayatampung=0;
$jumlahclusterpembangkit=0;
$jumlahclusterkapasitaspemakaian=0;
$jumlahclustersumberdaya=0;
$jumlahclusterjumlahkamar=0;
$jumlahclusterjumlahmeja=0;
$jumlahclusterjumlahsaranalayanan=0;
$jumlahclusterjumlahlantai=0;
$jumlahclusterkebutuhankeamanantambahan=0;
$jumlahclusterpotensikecelakaan=0;
$jumlahclusterkebutuhantenagamedisdarurat=0;

$jumlahcluster2luaslahan=0;
$jumlahcluster2dayatampung=0;
$jumlahcluster2pembangkit=0;
$jumlahcluster2kapasitaspemakaian=0;
$jumlahcluster2sumberdaya=0;
$jumlahcluster2jumlahkamar=0;
$jumlahcluster2jumlahmeja=0;
$jumlahcluster2jumlahsaranalayanan=0;
$jumlahcluster2jumlahlantai=0;
$jumlahcluster2kebutuhankeamanantambahan=0;
$jumlahcluster2potensikecelakaan=0;
$jumlahcluster2kebutuhantenagamedisdarurat=0;
117
$jumlahcluster3luaslahan=0;
$jumlahcluster3dayatampung=0;
$jumlahcluster3pembangkit=0;
$jumlahcluster3kapasitaspemakaian=0;
$jumlahcluster3sumberdaya=0;
$jumlahcluster3jumlahkamar=0;
$jumlahcluster3jumlahmeja=0;
$jumlahcluster3jumlahsaranalayanan=0;
$jumlahcluster3jumlahlantai=0;
$jumlahcluster3kebutuhankeamanantambahan=0;
$jumlahcluster3potensikecelakaan=0;
$jumlahcluster3kebutuhantenagamedisdarurat=0;
//array untuk penyimpanan cluster baru

$temp_cluster = array();
//perulangan perhitungan jarak terdekat

for($i=0; $i<$jmldata; $i++)
{
// $sql = $this->db->query( "SELECT * FROM tb_kriteria
WHERE no=$i");
$sql = Pajak::all();
$no=0;
foreach ($sql->toArray() as $row) {
if($i==$no) {
// $row['no'];
//cluster1
$var1_c1 = $row['luas_lahan'] -
$c1['luas_lahan'];
$var2_c1 = $row['daya_tampung'] -
$c1['daya_tampung'];
$var3_c1 = $row['jumlah_pembangkit'] -
$c1['jumlah_pembangkit'];
$var4_c1 = $row['kapasitas_pemakaian'] -
$c1['kapasitas_pemakaian'];
$var5_c1 = $row['sumber_daya'] -
$c1['sumber_daya'];
$var6_c1 = $row['jumlah_kamar'] -
$c1['jumlah_kamar'];
$var7_c1 = $row['jumlah_meja'] -
$c1['jumlah_meja'];
$var8_c1 = $row['jumlah_sarana_layanan'] -
$c1['jumlah_sarana_layanan'];
$var9_c1 = $row['jumlah_lantai'] -
$c1['jumlah_lantai'];
$var10_c1 = $row['kebutuhan_keamanan_tambahan']
- $c1['kebutuhan_keamanan_tambahan'];
$var11_c1 = $row['potensi_kecelakaan'] -
$c1['potensi_kecelakaan'];
$var12_c1 =
$row['kebutuhan_tenaga_medis_darurat'] -
$c1['kebutuhan_tenaga_medis_darurat'];
118
//cluster2
$c2['luas_lahan'];
$c2['sumber_daya'];
$c2['jumlah_meja'];
$var12_c2 =
//cluster2
$c3['luas_lahan'];
$c3['sumber_daya'];
$c3['jumlah_meja'];
$var12_c3 =
break;
119
} else {
$no++;
}
}
//peng-kuadrat-an C1
$kuadratc1 =(pow($var1_c1,2)) +
(pow($var2_c1,2)) +
(pow($var3_c1,2)) +
(pow($var4_c1,2)) +
(pow($var5_c1,2)) +
(pow($var6_c1,2)) +
(pow($var7_c1,2)) +
(pow($var8_c1,2)) +
(pow($var9_c1,2)) +
(pow($var10_c1,2)) +
(pow($var11_c1,2)) +
(pow($var12_c1,2));
//peng-kuadrat-an C2
(pow($var2_c2,2)) +
(pow($var3_c2,2)) +
(pow($var4_c2,2)) +
(pow($var5_c2,2)) +
(pow($var6_c2,2)) +
(pow($var7_c2,2)) +
(pow($var8_c2,2)) +
(pow($var9_c2,2)) +
(pow($var10_c2,2)) +
(pow($var11_c2,2)) +
(pow($var12_c2,2));
//peng-kuadrat-an c3
(pow($var2_c3,2)) +
(pow($var3_c3,2)) +
(pow($var4_c3,2)) +
(pow($var5_c3,2)) +
(pow($var6_c3,2)) +
(pow($var7_c3,2)) +
(pow($var8_c3,2)) +
(pow($var9_c3,2)) +
(pow($var10_c3,2)) +
(pow($var11_c3,2)) +
(pow($var12_c3,2));
// $kuadratc3 = (pow($var1_c3,2)) + (pow($var2_c3,2)) +
(pow($var3_c3,2)) + (pow($var4_c3,2)) + (pow($var5_c3,2));
//peng-akar-an C1
$akar1 = sqrt($kuadratc1);
120
//peg-akar-an C2
//peg-akar-an C2
// tampilan c1 dan c2
$resultView .= "<tr>
<td>".
$nomor++
."</td>
<td>".
$akar1."
</td>
<td>".
$akar2."
</td>
</td>
<td>".
$akar3."
</td>";
//minimum dan klaster
if ($akar1 < $akar2 && $akar1 < $akar3)

{
$cluster='1';
//penampilan min dan cluster
$resultView .= "<td>".
$akar1."</td>
<td>".
$cluster."
</td><tr>";
//
$jumlahclusterluaslahan++;
$jumlahclusterdayatampung++;
$jumlahclusterpembangkit++;
$jumlahclusterkapasitaspemakaian++;
$jumlahclustersumberdaya++;
$jumlahclusterjumlahkamar++;
$jumlahclusterjumlahmeja++;
$jumlahclusterjumlahsaranalayanan++;
$jumlahclusterjumlahlantai++;
$jumlahclusterkebutuhankeamanantambahan++;
$jumlahclusterpotensikecelakaan++;
$jumlahclusterkebutuhantenagamedisdarurat++;
// $sql3 = $this->db->query( "SELECT * FROM

tb_kriteria WHERE no = $i");
$no=0;
foreach ($sql->toArray() as $row)
{
121
if($i==$no) {
$luaslahan= $row['luas_lahan'];
$dayatampung= $row['daya_tampung'];
$jumlahpembangkit=
$row['jumlah_pembangkit'];
$kapasitaspemakaian=
$row['kapasitas_pemakaian'];
$sumberdaya= $row['sumber_daya'];
$jumlahkamar= $row['jumlah_kamar'];
$jumlahmeja= $row['jumlah_meja'];
$jumlahsaranalayanan=
$row['jumlah_sarana_layanan'];
$jumlahlantai= $row['jumlah_lantai'];
$kebutuhankeamanantambahan=
$row['kebutuhan_keamanan_tambahan'];
$potensikecelakaan=
$row['potensi_kecelakaan'];
$kebutuhantenagamedisdarurat=
$row['kebutuhan_tenaga_medis_darurat'];
$totalluaslahan = $totalluaslahan +
$luaslahan;
$totaldayatampung = $totaldayatampung +
$dayatampung;
$totaljumlahpembangkit =
$totaljumlahpembangkit + $jumlahpembangkit;
$totalkapasitaspemakaian =
$totalkapasitaspemakaian + $kapasitaspemakaian;
$totalsumberdaya = $totalsumberdaya +
$sumberdaya;
$totaljumlahkamar = $totaljumlahkamar +
$jumlahkamar;
$totaljumlahmeja = $totaljumlahmeja +
$jumlahmeja;
$totaljumlahsaranalayanan =
$totaljumlahsaranalayanan + $jumlahsaranalayanan;
$totaljumlahlantai = $totaljumlahlantai +
$jumlahlantai;
$totalkebutuhankeamanantambahan =
$totalkebutuhankeamanantambahan + $kebutuhankeamanantambahan;
$totalpotensikecelakaan =
$totalpotensikecelakaan + $potensikecelakaan;
$totalkebutuhantenagamedisdarurat =
$totalkebutuhantenagamedisdarurat + $kebutuhantenagamedisdarurat;
break;
}
else {
$no++;
}
}
$c1baruluaslahan = $totalluaslahan /
$jumlahclusterluaslahan;
122
$c1barudayatampung = $totaldayatampung /
$jumlahclusterdayatampung;
$c1barujumlahpembangkit = $totaljumlahpembangkit /
$jumlahclusterpembangkit;
$c1barukapasitaspemakaian = $totalkapasitaspemakaian
/ $jumlahclusterkapasitaspemakaian;
$c1barusumberdaya = $totalsumberdaya /
$jumlahclustersumberdaya;
$c1barujumlahkamar = $totaljumlahkamar /
$jumlahclusterjumlahkamar;
$c1barujumlahmeja = $totaljumlahmeja /
$jumlahclusterjumlahmeja;
$c1barujumlahsaranalayanan =
$totaljumlahsaranalayanan / $jumlahclusterjumlahsaranalayanan;
$c1barujumlahlantai = $totaljumlahlantai /
$jumlahclusterjumlahlantai;
$c1barukebutuhankeamanantambahan =
$totalkebutuhankeamanantambahan /
$jumlahclusterkebutuhankeamanantambahan;
$c1barupotensikecelakaan = $totalpotensikecelakaan /
$jumlahclusterpotensikecelakaan;
$c1barukebutuhantenagamedisdarurat =
$totalkebutuhantenagamedisdarurat /
$jumlahclusterkebutuhantenagamedisdarurat;
}
elseif ($akar2 < $akar3 && $akar2 < $akar1)
{
$cluster='2';
$akar2."</td>
<td>".
$cluster."
</td></tr>";
$jumlahcluster2luaslahan++;
$jumlahcluster2dayatampung++;
$jumlahcluster2pembangkit++;
$jumlahcluster2kapasitaspemakaian++;
$jumlahcluster2sumberdaya++;
$jumlahcluster2jumlahkamar++;
$jumlahcluster2jumlahmeja++;
$jumlahcluster2jumlahsaranalayanan++;
$jumlahcluster2jumlahlantai++;
$jumlahcluster2kebutuhankeamanantambahan++;
$jumlahcluster2potensikecelakaan++;
$jumlahcluster2kebutuhantenagamedisdarurat++;

$no=0;
123
{
if($i==$no) {
$jumlahpembangkit=
$potensikecelakaan=
$totalluaslahan1 = $totalluaslahan1 +
$luaslahan;
$totaldayatampung1 = $totaldayatampung1 +
$dayatampung;
$totaljumlahpembangkit1 =
$totaljumlahpembangkit1 + $jumlahpembangkit;
$totalkapasitaspemakaian1 =
$totalkapasitaspemakaian1 + $kapasitaspemakaian;
$totalsumberdaya1 = $totalsumberdaya1 +
$sumberdaya;
$totaljumlahkamar1 = $totaljumlahkamar1 +
$jumlahkamar;
$totaljumlahmeja1 = $totaljumlahmeja1 +
$jumlahmeja;
$totaljumlahsaranalayanan1 =
$totaljumlahsaranalayanan1 + $jumlahsaranalayanan;
$totaljumlahlantai1 = $totaljumlahlantai1 +
$jumlahlantai;
$totalkebutuhankeamanantambahan1 =
$totalkebutuhankeamanantambahan1 + $kebutuhankeamanantambahan;
$totalpotensikecelakaan1 =
$totalpotensikecelakaan1 + $potensikecelakaan;
$totalkebutuhantenagamedisdarurat1 =
$totalkebutuhantenagamedisdarurat1 + $kebutuhantenagamedisdarurat;
break;
}
else {
$no++;
}
124
$c2baruluaslahan = $totalluaslahan1 /
$jumlahcluster2luaslahan;
$c2barudayatampung = $totaldayatampung1 /
$jumlahcluster2dayatampung;
$c2barujumlahpembangkit = $totaljumlahpembangkit1 /
$jumlahcluster2pembangkit;
$c2barukapasitaspemakaian =
$totalkapasitaspemakaian1 / $jumlahcluster2kapasitaspemakaian;
$c2barusumberdaya = $totalsumberdaya1 /
$jumlahcluster2sumberdaya;
$c2barujumlahkamar = $totaljumlahkamar1 /
$jumlahcluster2jumlahkamar;
$c2barujumlahmeja = $totaljumlahmeja1 /
$jumlahcluster2jumlahmeja;
$totaljumlahsaranalayanan1 / $jumlahcluster2jumlahsaranalayanan;
$c2barujumlahlantai = $totaljumlahlantai1 /
$jumlahcluster2jumlahlantai;
$totalkebutuhankeamanantambahan1 /
$jumlahcluster2kebutuhankeamanantambahan;
$c2barupotensikecelakaan = $totalpotensikecelakaan1
/ $jumlahcluster2potensikecelakaan;
$totalkebutuhantenagamedisdarurat1 /
$jumlahcluster2kebutuhantenagamedisdarurat;
else
{
$cluster='3';
$akar3."</td>
<td>".
$cluster."
</td></tr>";
$jumlahcluster3luaslahan++;
$jumlahcluster3dayatampung++;
$jumlahcluster3pembangkit++;
$jumlahcluster3kapasitaspemakaian++;
$jumlahcluster3sumberdaya++;
$jumlahcluster3jumlahkamar++;
$jumlahcluster3jumlahmeja++;
$jumlahcluster3jumlahsaranalayanan++;
$jumlahcluster3jumlahlantai++;
$jumlahcluster3kebutuhankeamanantambahan++;
$jumlahcluster3potensikecelakaan++;
$jumlahcluster3kebutuhantenagamedisdarurat++;

125
$no=0;
{
if($i==$no) {
$jumlahpembangkit=
$potensikecelakaan=
$totalluaslahan2 = $totalluaslahan2 +
$luaslahan;
$totaldayatampung2 = $totaldayatampung2 +
$dayatampung;
$totaljumlahpembangkit2 =
$totaljumlahpembangkit2 + $jumlahpembangkit;
$totalkapasitaspemakaian2 =
$totalkapasitaspemakaian2 + $kapasitaspemakaian;
$totalsumberdaya2 = $totalsumberdaya2 +
$sumberdaya;
$totaljumlahkamar2 = $totaljumlahkamar2 +
$jumlahkamar;
$totaljumlahmeja2 = $totaljumlahmeja2 +
$jumlahmeja;
$totaljumlahsaranalayanan2 =
$totaljumlahsaranalayanan2 + $jumlahsaranalayanan;
$totaljumlahlantai2 = $totaljumlahlantai2 +
$jumlahlantai;
$totalkebutuhankeamanantambahan2 =
$totalkebutuhankeamanantambahan2 + $kebutuhankeamanantambahan;
$totalpotensikecelakaan2 =
$totalpotensikecelakaan2 + $potensikecelakaan;
$totalkebutuhantenagamedisdarurat2 =
$totalkebutuhantenagamedisdarurat2 + $kebutuhantenagamedisdarurat;
break;
}
else {
$no++;
}
126
}
$c3baruluaslahan = $totalluaslahan2 /
$jumlahcluster3luaslahan;
$c3barudayatampung = $totaldayatampung2 /
$jumlahcluster3dayatampung;
$c3barujumlahpembangkit = $totaljumlahpembangkit2 /
$jumlahcluster3pembangkit;
$c3barukapasitaspemakaian =
$totalkapasitaspemakaian2 / $jumlahcluster3kapasitaspemakaian;
$c3barusumberdaya = $totalsumberdaya2 /
$jumlahcluster3sumberdaya;
$c3barujumlahkamar = $totaljumlahkamar2 /
$jumlahcluster3jumlahkamar;
$c3barujumlahmeja = $totaljumlahmeja2 /
$jumlahcluster3jumlahmeja;
$totaljumlahsaranalayanan2 / $jumlahcluster3jumlahsaranalayanan;
$c3barujumlahlantai = $totaljumlahlantai2 /
$jumlahcluster3jumlahlantai;
$totalkebutuhankeamanantambahan2 /
$jumlahcluster3kebutuhankeamanantambahan;
$c3barupotensikecelakaan = $totalpotensikecelakaan2
/ $jumlahcluster3potensikecelakaan;
$totalkebutuhantenagamedisdarurat2 /
$jumlahcluster3kebutuhantenagamedisdarurat;
// else(die('Error'));
// menampung hasil cluster dari 1 iterasi
$temp_cluster[] = $cluster;
// dd($temp_cluster);
}
$resultView .= "</table><br><br>" ;
// menyimpan cluster untuk seluruh iterasi
$cluster_iterasi[$noiterasi] = $temp_cluster;
//variabel baru untuk centroid 1 baru

$c1['luas_lahan'] = $c1baruluaslahan;
$c1['daya_tampung'] = $c1barudayatampung;
$c1['jumlah_pembangkit'] = $c1barujumlahpembangkit;
$c1['kapasitas_pemakaian'] = $c1barukapasitaspemakaian;
$c1['sumber_daya'] = $c1barusumberdaya;
$c1['jumlah_kamar'] = $c1barujumlahkamar;
$c1['jumlah_meja'] = $c1barujumlahmeja;
$c1['jumlah_sarana_layanan'] = $c1barujumlahsaranalayanan;
$c1['jumlah_lantai'] = $c1barujumlahlantai;
$c1['kebutuhan_keamanan_tambahan'] =
$c1barukebutuhankeamanantambahan;
$c1['potensi_kecelakaan'] = $c1barupotensikecelakaan;
127
$c1['kebutuhan_tenaga_medis_darurat'] =
$c1barukebutuhantenagamedisdarurat;
// variabel baru untuk centroid 2 baru

// variabel baru untuk centroid 3 baru

// tampilan centroid baru

$resultView .= 'Centroid baru :';
<tr>
<td>
</td>";
{
if ( $key != 'no')
$resultView .= "<td>". $key."</td>";
}
<tr>
<td>
c1 Baru
</td>";
128
{
if ( $key != 'no')
}
<tr>
<td>
c2 Baru
</td>";
{
if ( $key != 'no')
}
<tr>
<td>
c3 Baru
</td>";
{
if ( $key != 'no')
}
$resultView .= "</tr> </table> <br><br>";
// $iterasi_terakhir = true;
if ($noiterasi > 1)
{
if ($cluster_iterasi[$noiterasi] ==
$cluster_iterasi[$noiterasi -1]) // jika iterasi saat ini sama
dengan iterasi sebelumnya
{
$iterasi_terakhir = true; // tandai bahwa
iterasinya menjadi iterasi terakhir
}
}
// var_dump($cluster_iterasi[$noiterasi]);
$noiterasi++; // naikan no iterasi
$nomor=1;
}
// memasukan hasil ke database
$i = 0;
$sql=Pajak::all();
foreach($sql->toArray() as $row)
{
$Clustering = new Clustering;
$Clustering->no_pajak = $row['no_pajak'];
$Clustering->cluster = $cluster_iterasi[$noiterasi -
1][$i];
129
$Clustering->save();
//
$sqlhasil="INSERT INTO tb_hasil (no, nis, cluster)
VALUES (".$row['no'].", ".$row['nis'].",
".$cluster_iterasi[$noiterasi -1][$i].")";
// $this->db->query($sqlhasil);
$i++;
}
return $resultView;
}
2. Source Program
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<title>Halaman Dashboard Admin BPPKAD GRESIK</title>

<meta name="viewport" content="width=device-width, initial-
scale=1">

<link rel="stylesheet" href="{{ asset('assets/plugins/fontawesome-
free/css/all.min.css')}}">

<link rel="stylesheet"
href="https://code.ionicframework.com/ionicons/2.0.1/css/ionicons.min
.css">

<link rel="stylesheet" href="{{
asset('assets/plugins/tempusdominus-bootstrap-4/css/tempusdominus-
bootstrap-4.min.css')}}">

<link rel="stylesheet" href="{{ asset('assets/plugins/icheck-
bootstrap/icheck-bootstrap.min.css')}}">

130
asset('assets/plugins/jqvmap/jqvmap.min.css')}}">

asset('assets/dist/css/adminlte.min.css')}}">

asset('assets/plugins/overlayScrollbars/css/OverlayScrollbars.min.css
')}}">

asset('assets/plugins/daterangepicker/daterangepicker.css')}}">

asset('assets/plugins/summernote/summernote-bs4.css')}}">

<link
href="https://fonts.googleapis.com/css?family=Source+Sans+Pro:300,400
,400i,700" rel="stylesheet">
</head>
<body class="hold-transition sidebar-mini layout-fixed" >
<div class="wrapper">


<nav class="main-header navbar navbar-expand navbar-white navbar-
light">

<ul class="navbar-nav">
<li class="nav-item">
<a class="nav-link" data-widget="pushmenu" href="#"
role="button"><i class="fas fa-bars"></i></a>
</li>
</ul>


<form class="form-inline ml-3">
131
<div class="input-group input-group-sm">
<input class="form-control form-control-navbar" type="search"
placeholder="Search" aria-label="Search">
<div class="input-group-append">
<button class="btn btn-navbar" type="submit">
<i class="fas fa-search"></i>
</button>
</div>
</div>
</form>


<ul class="navbar-nav ml-auto">
<li class="nav-item dropdown">
<a class="nav-link" data-toggle="dropdown" href="#">
{{Auth::user()->name}}

</a>
<div class="dropdown-menu dropdown-menu-lg dropdown-menu-
right py-2 px-1">
<a href="{{ route('logout') }}" class="btn btn-sm btn-
outline-danger btn-block">Logout</a>
</div>
</li>
</ul>
</nav>



<aside class="main-sidebar sidebar-dark-primary elevation-4">

<a href="{{ route('home') }}" class="brand-link">
<span class="brand-text font-weight-light">BPPKAD GRESIK</span>
</a>
<div class="sidebar">
132

<nav class="mt-2">
<ul class="nav nav-pills nav-sidebar flex-column" data-
widget="treeview" role="menu" data-accordion="false">

<li class="nav-item has-treeview menu-open">
<a href="{{ route('home') }}" class="nav-link">
<i class="nav-icon fas fa-tachometer-alt"></i>
<p>
Dashboard
</p>
</a>
</li>
<a href="{{ route('daftaruser') }}" class="nav-link">
<p>
Data User

</p>
</a>
</li>
<li class="nav-item has-treeview">
<a href="{{ route('daftarpajak') }}" class="nav-link">
<i class="nav-icon fas fa-copy"></i>
<p>
Data Pajak

</p>
</a>
</li>
<a href="{{ route('hasil') }}" class="nav-link">
133
<i class="nav-icon fas fa-tree"></i>
<p>
Penggolongan Pajak
</p>
</a>
</li>
<a href="{{ route('grafik') }}" class="nav-link">
<i class="nav-icon fas fa-chart-pie"></i>
<p>
Grafik Pemasukan Pajak
</p>
</a>
</li>
<a href="{{ route('laporan') }}" class="nav-link">
<i class="nav-icon fas fa-table"></i>
<p>
Cetak Laporan
</p>
</a>
</li>
</ul>
</nav>

</div>

</aside>


<div class="content-wrapper">

<div class="content-header">
<div class="container-fluid">
<div class="row mb-2">
134
<div class="col-sm-6">
<h1 class="m-0 text-dark">Dashboard</h1>
</div>

</div>
</div>
</div> 
</div> 



<div class="row">
<div class="col-12">
<div class="callout callout-info">
<h5><i class="fas fa-info"></i> Note:</h5>
Selamat Datang di Halaman Admin BPPKAD Kabupaten GRESIK
</div>
</div>
</div>
<div class="row pl-2">
<div class="col-md-6 col-sm-12 callout callout-info">
<h5>Panduan Penggunaan Aplikasi</h5>
<p class="text-justify">
&emsp; Pada sistem ini, digunakan untuk menggolongkan
data pemasukan PAD. Sistem ini memiliki 6 Menu meliputi halaman saat
ini anda lihat yaitu Dasboard, Menu Data User sebagai tempat Data
User, Menu Data Pajak sebagai tempat Data Pajak, Menu Penggolongan
Pajak, Menu Grafik yang isinya presentase hasil pengolompokan Data
PAD, dan Cetak Laporan.
135
</p>
<p class="text-justify">
&emsp; Untuk lebih jelas tetang penggunaan Sistem ini,
silahkan menonton video yang telah disediakan disamping berikut ini.
</p>
</div>
<div class="col-md-6 col-sm-12">
<iframe
width="560"
height="315"
src="https://www.youtube.com/embed/B7jStT9KfuA"
title="Tutorial Penggunaan Sistem"
frameborder="0"
allow="accelerometer; autoplay; clipboard-write;
encrypted-media; gyroscope; picture-in-picture" allowfullscreen>
</iframe>
</div>
</div>
<div class="row">
<div class="col-12" id="pdfView" style="height: 768px">
</div>
</div>
</div>





<aside class="control-sidebar control-sidebar-dark">

</aside>

</div>



<script src="{{ asset('assets/plugins/jquery/jquery.min.js')
}}"></script>

<script src="{{ asset('assets/plugins/jquery-ui/jquery-ui.min.js')
}}"></script>

<script>
$.widget.bridge('uibutton', $.ui.button)
</script>

<script src="{{
asset('assets/plugins/bootstrap/js/bootstrap.bundle.min.js')
}}"></script>

<script src="{{ asset('assets/plugins/chart.js/Chart.min.js')
}}"></script>

<script src="{{ asset('assets/plugins/sparklines/sparkline.js')
}}"></script>

<script src="{{ asset('assets/plugins/jqvmap/jquery.vmap.min.js')
}}"></script>
<script src="{{
asset('assets/plugins/jqvmap/maps/jquery.vmap.usa.js') }}"></script>

137
<script src="{{ asset('assets/plugins/jquery-
knob/jquery.knob.min.js') }}"></script>

<script src="{{ asset('assets/plugins/moment/moment.min.js')
}}"></script>
<script src="{{
asset('assets/plugins/daterangepicker/daterangepicker.js')
}}"></script>

<script src="{{ asset('assets/plugins/tempusdominus-bootstrap-
4/js/tempusdominus-bootstrap-4.min.js') }}"></script>

<script src="{{ asset('assets/plugins/summernote/summernote-
bs4.min.js') }}"></script>
<script src="{{
asset('assets/plugins/overlayScrollbars/js/jquery.overlayScrollbars.m
in.js') }}"></script>

<script src="{{ asset('assets/dist/js/adminlte.js') }}"></script>

<script src="{{ asset('assets/dist/js/pages/dashboard.js')
}}"></script>

<script src="{{ asset('assets/dist/js/demo.js') }}"></script>
<script
src="https://cdnjs.cloudflare.com/ajax/libs/pdfobject/2.2.6/pdfobject
.min.js"></script>
<script>PDFObject.embed("https://drive.google.com/file/d/1ZYrhsMvJnsH
Y6KK5UJpRpMfONhwRca5P/preview?usp=sharing", "#pdfView");</script>
</body>
</html>
138
3. Source Hasil
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8">
<meta http-equiv="X-UA-Compatible" content="IE=edge">
<title>Halaman Dashboard Admin BPPKAD GRESIK</title>

<meta name="viewport" content="width=device-width, initial-
scale=1">

<link rel="stylesheet" href="{{ asset('assets/plugins/fontawesome-
free/css/all.min.css')}}">

<link rel="stylesheet"
href="https://code.ionicframework.com/ionicons/2.0.1/css/ionicons.min
.css">

asset('assets/plugins/tempusdominus-bootstrap-4/css/tempusdominus-
bootstrap-4.min.css')}}">

<link rel="stylesheet" href="{{ asset('assets/plugins/icheck-
bootstrap/icheck-bootstrap.min.css')}}">

asset('assets/plugins/jqvmap/jqvmap.min.css')}}">

asset('assets/dist/css/adminlte.min.css')}}">
asset('assets/plugins/overlayScrollbars/css/OverlayScrollbars.min.css
')}}">

139
asset('assets/plugins/daterangepicker/daterangepicker.css')}}">

asset('assets/plugins/summernote/summernote-bs4.css')}}">

<link
href="https://fonts.googleapis.com/css?family=Source+Sans+Pro:300,400
,400i,700" rel="stylesheet">
</head>
<body class="hold-transition sidebar-mini layout-fixed" >
<div class="wrapper">


<nav class="main-header navbar navbar-expand navbar-white navbar-
light">

<ul class="navbar-nav">
<a class="nav-link" data-widget="pushmenu" href="#"
role="button"><i class="fas fa-bars"></i></a>
</li>
</ul>


<form class="form-inline ml-3">
<div class="input-group input-group-sm">
<input class="form-control form-control-navbar" type="search"
placeholder="Search" aria-label="Search">
<div class="input-group-append">
<button class="btn btn-navbar" type="submit">
<i class="fas fa-search"></i>
</button>
</div>
</div>
</form>
140

<ul class="navbar-nav ml-auto">
<li class="nav-item dropdown">
<a class="nav-link" data-toggle="dropdown" href="#">
{{Auth::user()->name}}

</a>
<div class="dropdown-menu dropdown-menu-lg dropdown-menu-
right py-2 px-1">
<a href="{{ route('logout') }}" class="btn btn-sm btn-
outline-danger btn-block">Logout</a>
</div>
</li>
</ul>
</nav>



<aside class="main-sidebar sidebar-dark-primary elevation-4">

<a href="{{ route('home') }}" class="brand-link">
<span class="brand-text font-weight-light">BPPKAD GRESIK</span>
</a>
<div class="sidebar">

<nav class="mt-2">
<ul class="nav nav-pills nav-sidebar flex-column" data-
widget="treeview" role="menu" data-accordion="false">

<a href="{{ route('home') }}" class="nav-link">
<p>
141
Dashboard
</p>
</a>
</li>
<a href="{{ route('daftaruser') }}" class="nav-link">
<p>
Data User

</p>
</a>
</li>
<a href="{{ route('daftarpajak') }}" class="nav-link">
<i class="nav-icon fas fa-copy"></i>
<p>
Data Pajak

</p>
</a>
</li>
<li class="nav-item has-treeview menu-open">
<a href="{{ route('hasil') }}" class="nav-link">
<i class="nav-icon fas fa-tree"></i>
<p>
Penggolongan Pajak
</p>
</a>
</li>
<a href="{{ route('grafik') }}" class="nav-link">
<i class="nav-icon fas fa-chart-pie"></i>
<p>
142
Grafik Pemasukan Pajak
</p>
</a>
</li>
<a href="{{ route('laporan') }}" class="nav-link">
<i class="nav-icon fas fa-table"></i>
<p>
Cetak Laporan
</p>
</a>
</li>
</ul>
</nav>

</div>

</aside>


<div class="content-wrapper">

<div class="content-header">
<div class="row mb-2">
<h1 class="m-0 text-dark">Penggolongan Pajak</h1>
</div>

</div>
143
</div>
</div> 
</div> 


<section class="content">
<div class="row">
<div class="col-12">
<div class="card">
<div class="card-header">
<input type="date" class="form-control"
name="tgl_produksi" placeholder>
<a href="" class="btn btn-primary">Pilih WAKTU</a>
</div>

<div class="row mx-auto" style="width:95%">
<div class="col">
<div class="table-responsive">
<table id="example2" class="table table-
bordered table-hover">
<thead>
<tr>
<th>No</th>
<th>Tanggal Transaksi</th>
<th>NAMA OBJEK PAJAK</th>
<th>ALAMAT OBJEK PAJAK</th>
<th>KECAMATAN</th>
<th>No. Telfon</th>
<th>PERUNTUKAN</th>
<th>TARIF</th>
<th>GOLONGAN PAJAK</th>
144

</tr>
</thead>
<tbody>
</tbody>
<tfoot>
</tfoot>
</table>
</div>
</div>
</div>

</div>


</div>

</div>

</section>

</div>





<aside class="control-sidebar control-sidebar-dark">

</aside>

</div>



<script src="{{ asset('assets/plugins/jquery/jquery.min.js')
}}"></script>

<script src="{{ asset('assets/plugins/jquery-ui/jquery-ui.min.js')
}}"></script>

<script>
$.widget.bridge('uibutton', $.ui.button)
</script>

<script src="{{
asset('assets/plugins/bootstrap/js/bootstrap.bundle.min.js')
}}"></script>

<script src="{{ asset('assets/plugins/chart.js/Chart.min.js')
}}"></script>

<script src="{{ asset('assets/plugins/sparklines/sparkline.js')
}}"></script>
146

<script src="{{ asset('assets/plugins/jqvmap/jquery.vmap.min.js')
}}"></script>
<script src="{{
asset('assets/plugins/jqvmap/maps/jquery.vmap.usa.js') }}"></script>

<script src="{{ asset('assets/plugins/jquery-
knob/jquery.knob.min.js') }}"></script>

<script src="{{ asset('assets/plugins/moment/moment.min.js')
}}"></script>
<script src="{{
asset('assets/plugins/daterangepicker/daterangepicker.js')
}}"></script>

<script src="{{ asset('assets/plugins/tempusdominus-bootstrap-
4/js/tempusdominus-bootstrap-4.min.js') }}"></script>

<script src="{{ asset('assets/plugins/summernote/summernote-
bs4.min.js') }}"></script>
<script src="{{
asset('assets/plugins/overlayScrollbars/js/jquery.overlayScrollbars.m
in.js') }}"></script>

<script src="{{ asset('assets/dist/js/adminlte.js') }}"></script>

<script src="{{ asset('assets/dist/js/pages/dashboard.js')
}}"></script>

<script src="{{ asset('assets/dist/js/demo.js') }}"></script>
</body>
</html>
147

Kompre Farell A

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Kompre Farell A

Diunggah oleh

Hak Cipta:

Format Tersedia

PENERAPAN METODE CLUSTERING PADA ANALISIS

REALISASI PENDAPATAN ASLI DAERAH

PROGRAM STUDI TEKNIK INFORMATIKA S-1

Suryo Adi Wibowo. S.T.,M.T

PROGRAM STUDI TEKNIK INFORMATIKA S-1

(Dr. Ir. Sentot Achmadi, M. Si)

PROGRAM STUDI TEKNIK INFORMATIKA S-1

(FX. Ariwibisono, ST, M.Kom)

PROGRAM STUDI TEKNIK INFORMATIKA S-1

Malang, SEPTEMBER 2021

Farell Apuilino Iman S.A

Kata Kunci : K-Means, Pendapatan Alsi Daerah, Laravel, Php, MySQL

Dengan segala kerendahan hati, penulis menyadari masih banyak terdapat

Malang, September 2021

LEMBAR KEASLIAN ................................................................................................ i

Gambar 2.1 Bidang Ilmu Data Mining ....................................................................... 10

Tabel 4.1 Pengujian User Admin ................................................................................ 34

Tabel 4.2 Pengujian Fungsional .................................................................................. 35

Tabel 4.3 Pengujian Browser ...................................................................................... 37

Tabel 4.4 Data Pajak ................................................................................................... 38

Tabel 4.5 Kriteria Tiap Data Pajak ............................................................................. 43

Tabel 4.6 Bobot Konversi Angka Pada Tiap Kriteria ................................................. 48

Tabel 4.7 Bobot Kriteria ............................................................................................. 48

Tabel 4.8 Centroid Awal ............................................................................................. 52

Tabel 4.10 Hasil Pengelompokan cluster literasi 1 ..................................................... 58

Tabel 4.11 Centroid Baru Cluster 1 ............................................................................ 61

Tabel 4.12 Centroid Baru Literasi 1 ........................................................................... 62

Tabel 4.14 Hasil Pengelompokan cluster literasi 2 ..................................................... 66

Tabel 4.15 Centroid baru Literasi 2 ............................................................................ 69

Tabel 4.17 Hasil Pengelompokan cluster literasi 3 ..................................................... 72

Tabel 4.18 Centroid baru Literasi 3 ............................................................................ 75

Tabel 4.20 Hasil Pengelompokan cluster literasi 4 ..................................................... 79

Tabel 4.21 centroid baru Literasi 4 ............................................................................. 82

Tabel 4.22 Hasil clustering ......................................................................................... 82

1.1 Latar Belakang

Dalam proses analisis dan penggolongan data retribusi pendapatan asli

1.2 Rumusan Masalah

1.4 Batasan Masalah

2.1 Penelitian Terkait

2.2 Dasar Teori

2.2.2 Algoritma K-Means - Clustering

2. Bangkitkan k Centroid (titik pusat cluster) awal secara random.

3. Hitung jarak setiap objek ke masing-masing centroid dari masing-

5. Lakukan iterasi, kemudian tentukan posisi centroid baru dengan

6. Ulangi langkah 3 jika posisi centroid baru tidak sama. Pengecekan

2.2.3 Data Mining

Gambar 2.1 Bidang Ilmu Data Mining

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas

Beberapa metode dari teknik yang digunakan dalam klasifikasi dan

3.1 Analisa Masalah

3.3 Gambaran Umum Sistem

Gambar 3.1 Tampilan Flowchart Alur Sistem

Gambar 3.2 Tampilan Flowchart Alur Sistem

Gambar 3.3 Tampilan DFD Level 0 Alur Sistem

Gambar 3.4 Tampilan DFD Level 1 Alur Sistem

3.3.4 Struktur Menu

Gambar 3.5 Tampilan Struktur Menu

3.3.5 Perancangan Layout

Gambar 3.6 Tampilan Login Sistem

Gambar 3.7 Tampilan Halaman Awal / Dasboard

c. Halaman Data User

Gambar 3.8 Tampilan Halaman Data User

d. Halaman Data Pajak