TUGAS AKHIR
Universitas Hasanuddin
Makassar
Disusun Oleh :
Dalam penelitian ini, telah dirancang suatu aplikasi modul praktikum data
mining untuk algoritma K-Means dan Fuzzy C-Means dari metode clustering serta
algoritma Apriori dari metode association rule yang menampilkan secara rinci dan
bertahap setiap proses yang terjadi selama algoritma tersebut bekerja. Aplikasi ini
mampu menyelesaikan permasalahan data mining dalam skala kasus sederhana dan
mampu memberikan pemahaman kepada penggunanya. Hal ini terbukti dari hasil
pengisian kuisioner oleh 10 orang responden di mana terdapat 58.75% yang sangat
paham dan 40% yang cukup paham dengan algoritma K-Means dan Apriori setelah
menggunakan aplikasi tersebut.
Kata kunci: algoritma data mining, K-Means, FCM, Apriori, aplikasi modul
praktikum
iii
KATA PENGANTAR
Puji dan syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa karena
atas berkat rahmat dan karunia-Nya, tugas akhir yang berjudul “PERANCANGAN
salah satu syarat dalam menyelesaikan jenjang Strata-1 pada Departemen Teknik
yang telah diangkat dan telah melalui proses pencarian dari berbagai sumber baik
Penulis menyadari bahwa tanpa bantuan dan bimbingan dari berbagai pihak,
mulai dari masa perkuliahan sampai dengan masa penyusunan tugas akhir,
sangatlah sulit untuk menyelesaikan tugas akhir ini. Oleh karena itu, penulis dengan
1) Kedua orang tua penulis, Bapak Andreas Gosal dan Ibu Lenny Lengkong
dan semangat;
2) Bapak Dr. Indrabayu, S.T., M.T., M.Bus.Sys., selaku pembimbing 1 dan Ibu
iv
memberikan waktu, tenaga, pikiran, perhatian, doa serta wejangan yang luar
3) Bapak Amil Ahmad Ilham, S.T., M.IT., Ph.D., selaku Ketua Departemen
6) Para sahabat penulis terutama Erlangga, Anisah Mayang Sari, Tiwi Nur
Safitri, Gian Aron Angelo, Syahdan Edy Murad yang telah memberikan
doa, bantuan dan dukungan sejak masa awal perkuliahan, serta kakak
Santoso, dan Fellicia Lionard yang telah memberikan doa, nasihat dan
penulis;
10) Orang-orang berpengaruh lainnya yang tanpa sadar telah menjadi inspirasi
bagi penulis.
Akhir kata, penulis berharap semoga Tuhan Yang Maha Esa berkenan
membalas segala kebaikan dari semua pihak yang telah banyak membantu. Semoga
tugas akhir ini dapat memberikan manfaat bagi pengembangan ilmu selanjutnya.
Amin.
Wassalam
Penulis
DAFTAR ISI
LAMPIRAN
DAFTAR GAMBAR
Gambar 2.1. Tahapan data mining sebagai proses penemuan pengetahuan (Kamber
Gambar 3.8. Activity diagram proses menghapus data pada halaman algoritma K-
Means .............................................................................................................50
x
Gambar 3.13. Rancangan antarmuka algoritma Apriori.........................................57
Gambar 4.2. Tampilan ketika tombol “KELUAR” dari menu utama ditekan .......61
Gambar 4.4. Tampilan ketika parameter masukan pada kasus 1 algoritma K-Means
dimuat .............................................................................................................63
Gambar 4.5. Inisialisasi titik centroid pada kasus 1 algoritma K-Means ...............64
Gambar 4.8. Nilai perubahan fungsi objektif pada iterasi kelima kasus 1 algoritma
Gambar 4.10. Tampilan ketika iterasi pada kasus 1 algoritma K-Means selesai ...70
Gambar 4.11. Tampilan ketika parameter masukan pada kasus 2 algoritma K-Means
dimuat .............................................................................................................70
Gambar 4.12. Tampilan inisialisasi titik centroid pada kasus 2 algoritma K-Means
........................................................................................................................71
Gambar 4.15. Nilai perubahan fungsi objektif pada iterasi kelima kasus 2 algoritma
Gambar 4.17. Tampilan ketika iterasi pada kasus 2 algoritma K-Means selesai ...76
xi
Gambar 4.18. Tampilan ketika parameter masukan kasus 3 algoritma K-Means
dimuat .............................................................................................................76
Gambar 4.19. Tampilan inisialisasi titik centroid pada kasus 3 algoritma K-Means
........................................................................................................................77
Gambar 4.22. Nilai perubahan fungsi objektif pada iterasi kelima kasus 2 algoritma
Gambar 4.24. Tampilan ketika iterasi pada kasus 3 algoritma K-Means selesai ...83
Gambar 4.28. Tampilan ketika parameter masukan pada kasus 1 algoritma FCM
dimuat .............................................................................................................86
Gambar 4.30. Perhitungan jarak dan derajat keanggotaan baru pada iterasi pertama
Gambar 4.32. Perubahan fungsi objektif pada iterasi kedua algoritma FCM masih
Gambar 4.33. Tampilan ketika iterasi pada kasus 3 algoritma FCM selesai .........90
xii
Gambar 4.35. Tampilan ketika parameter masukan kasus 1 algoritma Apriori
dimuat .............................................................................................................93
Gambar 4.36. Pemeriksaan item 1 dalam dataset ID_1 pada kasus 1 algoritma
Apriori ............................................................................................................94
Gambar 4.37. Pemeriksaan item 1 dalam dataset ID_2 pada kasus 1 algoritma
Apriori ............................................................................................................94
Gambar 4.38. Item 1 pada kasus 1 algoritma Apriori memenuhi batas MST ........95
Gambar 4.39. Item 2 pada kasus 1 algoritma Apriori memenuhi batas MST ........96
Gambar 4.40. Item 3 pada kasus 1 algoritma Apriori memenuhi batas MST ........96
Gambar 4.41. Item 4 pada kasus 1 algoritma Apriori memenuhi batas MST ........97
Gambar 4.43. Pembentukan kombinasi item 1 dengan item 1 pada kasus 1 algoritma
Apriori ............................................................................................................99
Gambar 4.44. Pembentukan kombinasi item 1 dengan item 2 pada kasus 1 algoritma
Apriori ............................................................................................................99
Gambar 4.46. Pemeriksaan itemset [1,2] dalam dataset ID_1 pada kasus 1 algoritma
Apriori ..........................................................................................................101
Gambar 4.47. Itemset [1,2] pada kasus 1 algoritma Apriori memenuhi batas MST
......................................................................................................................101
Gambar 4.49. Pembentukan kombinasi item [1,2] dengan item 1 pada kasus 1
xiii
Gambar 4.50. Kombinasi 3 item pada kasus 1 algoritma Apriori ........................103
Gambar 4.51. Pemeriksaan itemset [1,2,3] dalam dataset ID_1 pada kasus 1
Gambar 4.52. Itemset [1,2,3] pada kasus 1 algoritma Apriori memenuhi batas MST
......................................................................................................................105
Gambar 4.55. Itemset [1,2,3,5] pada kasus 1 algoritma Apriori tidak memenuhi
batas MST.....................................................................................................107
Gambar 4.56. Aturan [1,2] pada kasus 1 algoritma Apriori tidak memenuhi batas
nilai lift..........................................................................................................108
Gambar 4.57. Aturan [2,1] pada kasus 1 algoritma Apriori tidak memenuhi batas
Gambar 4.58. Aturan asosiasi akhir pada kasus 1 algoritma Apriori ...................109
Gambar 4.59. Tampilan ketika algoritma Apriori selesai pada kasus 1 ...............110
dimuat ...........................................................................................................110
Gambar 4.61. Pemeriksaan item 1 dalam dataset ID_1 pada kasus 2 algoritma
Apriori ..........................................................................................................111
Gambar 4.62. Item 1 pada kasus 2 algoritma Apriori memenuhi batas MST ......112
Gambar 4.64. Pembentukan kombinasi item 1 dengan item 1 pada kasus 2 algoritma
Apriori ..........................................................................................................113
xiv
Gambar 4.65. Pembentukan kombinasi item 1 dengan item 5 pada kasus 2 algoritma
Apriori ..........................................................................................................114
Gambar 4.67. Pemeriksaan itemset [1,5] dalam dataset ID_1 pada kasus 2 algoritma
Apriori ..........................................................................................................115
Gambar 4.68. Itemset [1,5] pada kasus 2 algoritma Apriori tidak memenuhi batas
MST ..............................................................................................................116
Gambar 4.70. Pembentukan kombinasi item [1,23] dengan item 1 pada kasus 2
Gambar 4.71. Pembentukan kombinasi item [1,23,5] pada kasus 2 algoritma Apriori
......................................................................................................................118
Gambar 4.73. Pemeriksaan itemset [1,23,5] dalam dataset ID_1 pada kasus 2
Gambar 4.74. Itemset [1,23,5] pada kasus 2 algoritma Apriori tidak memenuhi batas
MST ..............................................................................................................120
Gambar 4.77. Pemeriksaan itemset [5,12,16,20] dalam dataset ID_1 pada kasus 2
Gambar 4.78. Itemset [5,12,16,20] pada kasus 2 algoritma Apriori memenuhi batas
MST ..............................................................................................................123
xv
Gambar 4.79. Level 4-itemset pada kasus 2 algoritma Apriori ............................123
Gambar 4.81. Pemeriksaan itemset [5,12,16,20,23] dalam dataset ID_1 pada kasus
Gambar 4.83. Aturan [1,23] memenuhi batas MST, MCT, dan lift .....................127
Gambar 4.84. Aturan [2,1] tidak memenuhi batas nilai MCT ..............................127
Gambar 4.85. Aturan asosiasi akhir pada kasus 2 algoritma Apriori ...................128
Gambar 4.86. Tampilan ketika algoritma Apriori selesai pada kasus 2 ...............129
dimuat ...........................................................................................................129
Gambar 4.88. Pemeriksaan item 1 dalam dataset ID_1 pada kasus 3 algoritma
Apriori ..........................................................................................................130
Gambar 4.89. Item 1 pada kasus 3 algoritma Apriori memenuhi batas MST ......131
Gambar 4.91. Pembentukan kombinasi item 1 dengan item 2 pada kasus 3 algoritma
Apriori ..........................................................................................................132
Gambar 4.93. Pemeriksaan itemset [1,2] dalam dataset ID_1 pada kasus 3 algoritma
Apriori ..........................................................................................................134
Gambar 4.94. Itemset [1,2] pada kasus 3 algoritma Apriori tidak memenuhi batas
MST ..............................................................................................................134
xvi
Gambar 4.96. Pembentukan kombinasi item [1,4] dengan item 1 pada kasus 3
Gambar 4.97. Pembentukan kombinasi item [1,4,2] pada kasus 3 algoritma Apriori
......................................................................................................................137
Gambar 4.99. Pemeriksaan itemset [1,4,2] dalam dataset ID_1 pada kasus 3
Gambar 4.100. Itemset [1,4,2] pada kasus 3 algoritma Apriori tidak memenuhi batas
MST ..............................................................................................................139
Gambar 4.102. Aturan [1,4] pada kasus 3 algoritma Apriori memenuhi batas MST,
Gambar 4.104. Aturan asosiasi akhir pada kasus 3 algoritma Apriori .................142
Gambar 4.105. Tampilan ketika algoritma Apriori selesai pada kasus 3 .............142
xvii
DAFTAR TABEL
Tabel 2.1. Contoh market basket transaction (Tan dkk., 2005a) ...........................23
Tabel 4.1. Hasil pengelompokan iterasi pertama pada kasus 1 algoritma K-Means
........................................................................................................................65
Tabel 4.2. Hasil pengelompokan iterasi kedua pada kasus 1 algoritma K-Means .67
Tabel 4.3. Hasil pengelompokan iterasi pertama pada kasus 2 algoritma K-Means
........................................................................................................................72
Tabel 4.4. Hasil pengelompokan iterasi kedua pada kasus 2 algoritma K-Means .74
Tabel 4.5. Hasil pengelompokan iterasi pertama pada kasus 3 algoritma K-Means
........................................................................................................................78
Tabel 4.6. Hasil pengelompokan iterasi kedua pada kasus 3 algoritma K-Means .80
Tabel 4.9. Hasil pengujian antarmuka halaman K-Means dan FCM ...................146
xviii
BAB I
PENDAHULUAN
Data merupakan suatu nilai berupa gambar, angka, atau sifat yang sudah
diketahui dan terbukti kebenarannya atau disebut dengan fakta. Dalam dunia
pendidikan sekarang ini, data beredar dengan pesat dan semakin bertambah banyak.
Namun jika data tidak diolah dan ditransformasi menjadi informasi yang
maka dibutuhkan proses pengolahan data yang biasa disebut dengan data mining.
“menambang” informasi (knowledge) dari data yang sangat banyak. Data mining
Databases) (Kamber, dkk., 2000). Sehingga dapat disimpulkan bahwa data mining
adalah proses menemukan informasi yang penting dari data yang sangat banyak
melalui proses ekstraksi pola atau fitur, yang tersimpan dalam database, gudang
1
Permasalahan data mining dapat berupa proses pengelompokan data, pembentukan
pola, serta pencarian hubungan sebab-akibat antarobjek untuk data dengan skala
yang besar. Data dengan skala besar biasanya diimplementasikan pada kasus
secara lebih efektif dengan menggunakan aplikasi data mining. Salah satu aplikasi
Aplikasi Weka merupakan salah satu aplikasi data mining yang dibuat oleh
pembelajaran (Frank dkk., 2009). Selain itu, aplikasi Weka juga memiliki algoritma
dan dataset yang lengkap sehingga dapat digunakan untuk menyelesaikan berbagai
permasalahan data mining. Namun, salah satu kekurangan aplikasi Weka adalah
tahapan proses yang terjadi secara jelas dan rinci. Akibatnya, pengguna aplikasi
algoritma data mining yang terjadi, maka dibutuhkan adanya suatu modul tools atau
2
aplikasi data mining. Modul ini diharapkan dapat mengatasi kekurangan dari
aplikasi Weka yakni dengan memberikan gambaran yang jelas dan rinci mengenai
tahapan proses yang terjadi selama algoritma data mining bekerja. Selain itu, modul
ini juga dapat digunakan sebagai panduan selama pembelajaran atau praktikum
data mining dalam bidang perkuliahan. Oleh karena itu, penulis mengambil judul
tugas akhir “Perancangan Aplikasi Modul Praktikum Data Mining untuk Clustering
3
2. Mengetahui efisiensi aplikasi modul praktikum yang telah dirancang
versi R2016a.
berikut:
• terbagi menjadi dua fitur data dengan judul fitur ditulis pada
baris pertama dan judul setiap data ditulis pada kolom pertama
4
b. Untuk algoritma Apriori, perlu disediakan dua file yakni:
o judul setiap item ditulis pada baris pertama dan judul setiap
• File .mat yang akan dibaca oleh program Apriori yang harus:
1. Bagi institusi, aplikasi ini diharapkan dapat menjadi media dan bahan
Apriori.
5
1.6. Sistematika Penulisan
sistematis, yaitu:
BAB I PENDAHULUAN
Bab ini menguraikan secara umum mengenai hal yang menyangkut latar belakang,
Bab ini berisi teori-teori tentang hal-hal yang berhubungan dengan data mining,
Bab ini berisi tentang perencanaan dan penerapan algoritma serta teknik
pengolahan data.
Bab ini berisi tentang hasil pengolahan data serta pembahasan yang disertai tabel
hasil penelitian.
BAB V PENUTUP
Bab ini berisi tentang kesimpulan yang didapatkan berdasarkan hasil penelitian
6
BAB II
TINJAUAN PUSTAKA
belajar-mengajar yang dapat dipelajari oleh murid dengan bantuan yang minimal
dari guru pembimbing, meliputi perencanaan tujuan yang akan dicapai secara jelas,
penyediaan materi pelajaran, alat yang dibutuhkan, serta alat untuk menilai dan
praktikum merupakan alat atau sarana pembelajaran berisi materi praktikum yang
bertujuan agar peserta didik mampu memahami tujuan praktikum yang diinginkan
dengan cara belajar yang mandiri atau dengan bimbingan yang minim dari pengajar
lain.
7
pembelajaran secara tuntas, karena materi dikemas dalam satu kesatuan
yang utuh. Jika harus dilakukan pembagian atau pemisahan materi dari
8
dan mengakses sesuai dengan keinginan. Penggunaan bahasa yang
Alasan utama mengapa data mining telah banyak menarik perhatian dan
adanya ketersediaan data dalam jumlah yang sangat besar dan kebutuhan mendesak
untuk mengubah data tersebut menjadi suatu informasi dan pengetahuan yang
pengaplikasian mulai dari manajemen bisnis, kontrol produksi, dan analisis pasar,
seringkali dijelaskan sebagai situasi “kaya data tetapi miskin informasi”. Jumlah
data yang berkembang pesat, yang dikumpulkan dan disimpan dalam database
yang besar, telah jauh melampaui kemampuan pemahaman manusia tanpa adanya
bantuan alat (tools) yang hebat. Sehingga akhirnya, data yang terkumpul dalam
database akan menjadi “kuburan data” yakni arsip data yang jarang dikunjungi.
didapat dari kekayaan data yang tersimpan dalam database tetapi lebih kepada
memiliki tools untuk mengekstrak informasi penting yang tertanam dalam data
9
tersebut. Prosedur ini rentan terhadap kegagalan, sangat memakan waktu dan
memerlukan biaya yang besar. Dengan adanya tools data mining dapat dilakukan
analisis data berupa penemuan pola data yang penting, memberikan kontribusi
besar terhadap strategi bisnis, dasar pengetahuan, serta penelitian ilmiah dan medis.
Setelah proses analisis data dilakukan, data bertransformasi menjadi informasi yang
berguna dan bermanfaat. Jarak besar antara data dan informasi memerlukan
pengembangan tools data mining secara sistematis yang akan mengubah “data
mengekstrak pengetahuan dari data dengan jumlah yang sangat besar. Terdapat
pula berbagai istilah yang memiliki makna yang sama dengan data mining, seperti
10
Gambar 2.1 merupakan tahapan proses data mining yang terbagi menjadi beberapa
3. data selection atau seleksi data di mana data yang relevan dengan tugas
5. data mining atau penambangan data yang merupakan proses inti di mana
Dengan adanya rincian proses pada Gambar 2.1, proses data mining dapat
dipahami dengan jelas. Suatu pola penting ditampilkan dan disimpan sebagai
informasi baru dalam basis informasi. Perlu diingat bahwa berdasarkan Gambar
2.1, data mining hanya merupakan satu langkah dari keseluruhan proses namun
11
merupakan langkah yang paling penting karena bertugas untuk mengungkap pola
Setelah beberapa konsep dasar dan proses data mining telah ditinjau, maka
langkah selanjutnya adalah menyiapkan data yang akan digunakan. Data masukan
harus disediakan dalam jumlah, struktur, dan format yang sesuai dengan setiap
algoritma data mining yang akan dijalankan. Namun, database dunia nyata sangat
dipengaruhi oleh faktor-faktor negatif seperti adanya kebisingan data, data yang
hilang, data yang tidak konsisten, berlebihan dan berukuran besar baik dalam
dimensi, contoh dan fitur. Dengan demikian, data berkualitas rendah akan
mengarah pada kinerja data mining berkualitas rendah. Oleh karena itu, diperlukan
tersebut (García dkk., 2015). Proses preprocessing data tersebut terbagi menjadi
yang salah, memperbaiki kekacauan data dan memeriksa data yang tidak
karena tidak adanya nilai mewakili yang tersedia. Outlier atau adanya
nilai yang tidak biasa (lain dari umumnya) muncul karena banyak hal,
antara lain kesalahan pada masukan data dan adanya data yang tidak
12
ini, tiap faktor memiliki skala yang tidak sama, ada yang besar dan ada
yang kecil.
13
• Untuk mengubahnya supaya mempunyai range 0-1,
menggunakan cara geometri sederhana pada garis lurus.
Keterangan:
14
yang mirip dengan reduksi data tetapi lebih digunakan untuk data yang
bersifat numerik.
tersebut dan hubungan antarobjeknya. Tujuan yang ingin dicapai adalah bahwa
objek dalam satu kelompok bersifat mirip atau berelasi antara yang satu terhadap
yang lainnya dan berbeda atau tidak berelasi dengan objek dalam kelompok
lainnya. Kemiripan objek tersebut dapat ditentukan dari besar kecilnya jarak
jarak. Semakin besar jarak antarobjek dalam kelompok dan semakin kecil jarak
objek antarkelompok, maka semakin baik dan semakin jelas kelompok data yang
15
Metode clustering seringkali disebut sebagai metode klasifikasi yang tidak
terawasi (unsupervised). Namun, kedua metode ini memiliki perbedaan yang cukup
dikelompokkan, lalu dilakukan proses latih pada sistem terhadap objek yang sudah
ditempatkan, dan akhirnya sistem akan mengklasifikasikan objek yang baru dalam
kelompok yang sudah ada, sehingga tidak ada penambahan kelompok. Sedangkan
dan informasi terlebih dahulu mengenai data yang akan dikelompokkan, sehingga
sebagai contoh. Dalam perpustakaan, tersedia berbagai jenis buku dengan berbagai
tersebut secara teratur agar para pembaca dapat mengambil beberapa buku
clustering, buku-buku yang memiliki kemiripan topik dapat disimpan dalam satu
kelompok atau satu rak buku dan diberi nama label yang sesuai. Sehingga, jika
pembaca ingin mengambil buku dengan topik tertentu, mereka dapat langsung
menuju rak buku tersebut tanpa perlu mencari di seluruh perpustakaan (Tan dkk.,
2005b).
(Wakhidah, 2014) :
16
1. Bidang pemasaran untuk mencari kelompok pelanggan yang mirip
lalu dari database yang besar yang berisi data seluruh pelanggan
topiknya
meminimalisir total jarak antara data dan titik pusat (centroid) dari cluster yang
Jika jumlah data lebih kecil daripada jumlah cluster yang diinginkan maka
setiap data dapat dijadikan centroid untuk setiap cluster, sehingga setiap centroid
lebih besar daripada jumlah cluster yang diinginkan maka untuk setiap data akan
didapatkan jarak data yang paling kecil. Data tersebut akan dimasukkan dalam
17
cluster yang memiliki jarak centroid paling kecil di antara seluruh cluster
(Teknomo, 2007).
terlebih dahulu menentukan titik pusat (centroid) dari masing-masing cluster secara
acak, seperti yang terlihat dalam Gambar 2.3 (b). Setelah mendapatkan centroid
data yang ada terhadap setiap centroid dan memperhatikan jarak terkecilnya
terlihat dalam Gambar 2.3 (c). Setelah itu dilakukan lagi penentuan centroid yang
baru dengan menghitung nilai rata-rata pada setiap cluster kemudian dilanjutkan
18
dengan perhitungan jarak dari centroid yang baru terhadap masing-masing data.
Hal ini dilakukan untuk memastikan apakah terjadi perubahan keanggotaan cluster
atau tidak. Jika terjadi perubahan anggota data seperti yang terlihat dalam Gambar
2.3(d) dan 2.3(e), maka perhitungan centroid baru akan dilanjutkan dengan
menghitung nilai rata-rata dari setiap cluster. Jika sudah tidak terjadi perubahan
anggota data seperti yang terlihat dalam Gambar 2.3(e) dan 2.3(f), maka proses
pengelompokan data sudah selesai dan anggota dari masing-masing cluster sudah
didapatkan.
2. Menentukan titik centroid dari setiap cluster yang akan dibentuk. Pada
cluster.
2
𝐷(𝑥𝑖 , 𝑐𝑗 ) = √∑(𝑥𝑖 − 𝑐𝑗 ) ................................................................. (1)
di mana:
19
• xi adalah data ke-i di mana i adalah jumlah data
dari langkah ke-2 hingga akhir dan berhenti saat seluruh data anggota
pada teori logika fuzzy. Teori ini pertama kali diperkenalkan oleh Lotfi Zadeh pada
tahun 1965 dengan nama himpunan fuzzy (fuzzy set). Dalam teori fuzzy,
keanggotaan sebuah data tidak diberikan nilai secara tegas dengan nilai 1 (menjadi
anggota) dan 0 (tidak menjadi anggota), melainkan dengan suatu nilai derajat
dalam sebuah himpunan menjadi 0 ketika sama sekali tidak menjadi anggota, dan
menjadi 1 ketika menjadi anggota secara penuh dalam suatu himpunan. Umumnya,
semakin tinggi derajat keanggotaannya, dan semakin kecil nilainya maka semakin
20
FCM sebenarnya merupakan versi fuzzy dari algoritma K-Means. Contoh
sederhananya adalah berupa suhu, yang umumnya terbagi menjadi dua yakni panas
atau dingin. Suhu 100 disebut dingin sedangkan suhu 400 disebut panas. Bagaimana
dengan suhu 200? Jika pada himpunan tegas menyatakan batas suhu dingin adalah
200 maka suhu 210 dinyatakan panas. Dalam teori fuzzy, untuk menentukan suhu
panas atau dingin tersebut ditentukan dengan derajat keanggotaan, misalnya suhu
200 disebut 70% dingin dan 30% panas, dan sebagainya. Dengan demikian,
penentuan status sebuah data pada setiap himpunan didasarkan pada nilai derajat
Asumsikan terdapat sejumlah data dalam set data X yang berisi n data dan
terhadap setiap centroid (c = c1, c2, …, ck) yang terbentuk, di mana k adalah jumlah
cluster. Setiap data memiliki nilai derajat keanggotaan pada setiap cluster, yang
dinyatakan dengan uij yang bernilai antara 0 sampai 1, i menyatakan data xi dan j
menyatakan cluster cj. Algoritma FCM terbagi menjadi beberapa tahap sebagai
partisi fuzzy (U) dengan syarat jumlah setiap data selalu sama dengan 1.
21
Nilai keanggotaan tersebut disimpan dalam matriks partisi fuzzy
sebagai berikut:
persamaan berikut:
∑𝑁 𝑤
𝑖=1 (𝑈𝑖𝑙 ) .𝑥𝑖𝑗
𝑐𝑖𝑗 = ∑𝑁 𝑤 ............................................................................... (3)
𝑖=1 (𝑈𝑖𝑙 )
beriku:
−2
𝐷(𝑥𝑖 ,𝑐𝑗 )𝑤−1
𝑢𝑖𝑗 = −2 ........................................................................... (4)
∑𝑘
𝑙=1 𝐷(𝑥𝑖 ,𝑐𝑙 )
𝑤−1
berikut:
𝐽 = ∑𝑁 𝑘 𝑤 2
𝑖=1 ∑𝑙=1(𝑢𝑖𝑗 ) 𝐷(𝑥𝑖 , 𝑐𝑙 ) ...................................................... (5)
yang didapatkan lebih rendah dari nilai ambang batas yang diterapkan.
Algoritma mesin pembelajaran yang digunakan dalam data mining dan data
22
matematikal. Namun, berbeda dengan metode aturan asosiasi. Metode aturan
asosiasi atau association rule merupakan salah satu metode data mining yang
consequent) dari seperangkat barang atau item di dalam database (Borne, 2014).
T_ID BARANG
1 {Roti, Susu}
2 {Roti, Popok, Bir, Telur}
3 {Susu, Popok, Bir, Cola}
4 {Roti, Susu, Popok, Bir}
5 {Roti, Susu, Popok, Cola}
pelanggan dikumpulkan setiap hari di kasir toko grosir. Tabel 2.1 mengilustrasikan
contoh dari data tersebut yang umumnya dikenal sebagai transaksi keranjang pasar
(Market Basket Transaction). Setiap baris dalam Tabel 2.1 sesuai dengan transaksi
yang terjadi disertai atribut tanda pengenal transaksi (T-ID) dan sekumpulan item
yang dibeli oleh pelanggan tertentu. Penjual menganalisis data transaksi yang
berharga seperti ini dapat digunakan untuk mendukung berbagai aplikasi terkait
23
Metodologi dasar aturan asosiasi dijelaskan sebagai berikut (Tampubolon
dkk., 2013) :
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari
nilai support dalam suatu database. Nilai support adalah nilai penunjang
24
dari nilai confidence dengan menggunakan kondisi “jika A maka B”
adalah:
dan confidence yang telah didapatkan sebelumnya. Jika nilai lift ratio
terjadi bersifat saling lepas satu sama lain. Sedangkan, jika nilai lift ratio
bukan kebetulan dan akan berulang. Nilai lift ratio diperoleh dari
persamaan:
𝑠𝑢𝑝𝑝𝑜𝑟𝑡 (A ∪ B)
Lift (A ⇒ B) = ................................................ (9)
𝑠𝑢𝑝𝑝𝑜𝑟𝑡(A)×𝑠𝑢𝑝𝑝𝑜𝑟𝑡(B)
Salah satu algoritma yang sering digunakan dalam metode aturan asosiasi
diusulkan oleh Agrawal dan Srikan di tahun 1994 (Listriani dkk., 2016). Algoritma
25
Apriori adalah algoritma yang melakukan pencarian itemset yang sering muncul
Terdapat dua proses utama yang dilakukan oleh algoritma Apriori untuk
Pada proses ini, setiap item dikombinasikan dengan item lainnya sampai
Pada proses ini, hasil dari item yang telah dikombinasikan kemudian
Cara kerja algoritma Apriori terbagi menjadi beberapa tahap sebagai berikut
nilai support dari setiap item yang terdapat dalam database. Kandidat k-
dari iterasi sebelumnya. Salah satu cara dari algoritma Apriori adalah
26
2. Perhitungan Support dari Setiap Kandidat K-Itemset
memuat seluruh item di dalam kandidat k-itemset tersebut. Hal ini juga
Pola frekuensi tinggi yang memuat k-item atau k-itemset ditetapkan dari
kandidat k-itemset yang memiliki nilai support lebih besar dari nilai
4. Bila tidak ada lagi pola frekuensi tinggi baru yang dapat dibentuk maka
disaring untuk mendapatkan aturan akhir yang lebih besar dari nilai
tampilan grafis dalam satu jendela atau lebih yang berisi komponen-komponen
Pengguna tidak harus membuat skrip atau mengetikkan perintah pada command
27
line untuk menjalankan tugas tersebut. Tidak seperti program pengkodean untuk
dan UI itu sendiri, memiliki satu atau lebih callback, disebut demikian karena fakta
tugas atau tindakan tertentu. Tindakan tertentu pengguna yang dapat dilakukan
adalah seperti menekan tombol layar, melewatkan kursor di atas komponen, atau
tindakan ini. Pengguna, sebagai pencipta UI, menulis callback yang mendefinisikan
apa yang dilakukan komponen untuk menangani tindakan yang disebut events
UI menggunakan GUIDE MATLAB terbagi menjadi dua bagian, yakni bagian tata
1. UI Layout
letak seperti yang tampak pada Gambar 2.4. Pengguna juga dapat
membuat menu dan menu konteks untuk UI. Dari Layout Editor,
28
pengguna dapat mengukur UI, memodifikasi tampilan dan nuansa
2. UI Programming
29
GUIDE MATLAB mempunyai kelebihan tersendiri dibandingkan dengan
3. Ukuran file, baik FIG-file maupun M-file, yang dihasilkan relatif kecil.
berorientasi objek yang dapat dipahami oleh manusia dan mesin. UML juga
menyediakan standar pada notasi dan diagram yang bisa digunakan untuk
objek”, yaitu Grady Booch, Jim Rumbaugh, dan Ivar Jacobson. UML menyediakan
tidak hanya digunakan dalam pemodelan perangkat lunak, namun hampir dalam
Salah satu bagian utama dari UML adalah diagram. Diagram merupakan
salah satu bentuk grafik yang menggunakan simbol elemen model untuk
30
mengilustrasikan bagian atau aspek tertentu dari suatu sistem. Adapun jenis
diagram dari UML antara lain use case diagram dan activity diagram.
Use case diagram yaitu salah satu jenis diagram pada UML yang
menggambarkan interaksi antara sistem dan penggunanya seperti pada Gambar 2.5.
2. Activity Diagram
Activity diagram yaitu salah satu jenis diagram dari UML yang dapat
31
BAB III
METODOLOGI PENELITIAN
dilakukan selama 4 bulan dimulai sejak disetujuinya proposal penelitian ini pada
akhir bulan Maret 2018 hingga pelaporan hasil penelitian pada Juli 2018.
1. Perangkat Keras
o Windows 10 Pro
2. Perangkat Lunak
32
3.3. Metode Penelitian
2. 4. 3.
1.
Penyusunan Perancangan Perancangan
Studi
Penuntun dan Program Graphical
Literatur
Format Jurnal Algoritma User Interface
Terkait
Praktikum (GUI)
6. 5.
Pembuatan Pengujian
Laporan Perangkat Lunak
Secara garis besar, tahapan yang dilakukan dalam penelitian ini dijelaskan sebagai
berikut:
33
data mining. Selain itu, dilakukan pula penyusunan format jurnal
praktikum yang akan diisi oleh mahasiswa yang mengambil mata kuliah
Data Mining sebagai hasil dari praktikum data mining yang telah
dilaksanakan.
antarmuka aplikasi.
5. Pengujian Sistem
6. Pembuatan Laporan
34
Setelah melakukan tahap-tahap penelitian di atas, maka keseluruhan
35
ambang batas (T) perubahan posisi centroid. Berikut ini merupakan
%% PARAMETER MASUKAN
disp(‘***Data masukan***’);
fprintf(‘\n’);
X = xlsread(‘data1.xlsx’);
y2 = table(X(:,1), X(:,2),…
‘VariableNames’,{‘Fitur_X’, ‘Fitur_Y’});
disp(y2);
K = input(‘K = ’);
T = input(‘T = ’);
fprintf(‘\n’);
2. Menentukan titik centroid awal dari setiap cluster yang akan dibentuk.
Penentuan titik centroid awal dapat dilakukan secara acak. Berikut ini
awal.
Distance. Setelah itu, membandingkan jarak data dari centroid yang satu
dalam cluster yang memiliki jarak centroid paling kecil dari seluruhnya.
36
% Menggunakan rumus Euclidean Distance
dist(b) = sqrt(sum((X(a,:)-Cmeans(b,:)).^2));
fprintf('Jarak data %d ke centroid %d \n', a,b);
fprintf(' = sqrt[(X(%d,1)-Cmeans(%d,1))^2 + (X(%d,2)-
Cmeans(%d,2))^2] \n',a,b,a,b);
fprintf(' = sqrt[(%1.3f - %1.3f)^2 + (%1.3f - %1.3f)^2]
\n', X(a,1),Cmeans(b,1),X(a,2),Cmeans(b,2));
fprintf(' = %1.3f \n',dist(b));
distAll(a,b) = abs(dist(b));
end
% Indeks dari data dengan jarak terkecil
index_min = find(~(dist-min(dist)));
% Jika ada lbh dari 1 indeks yg sama, maka dipilih secara acak
index_min = index_min(ceil(length(index_min)*rand));
37
iterasi telah selesai. Berikut ini merupakan potongan kode program
%% FUNGSI OBJEKTIF
fprintf('\n----- Perhitungan Fungsi Objektif -----\n');
cls = clusterAndDistance(:,1);
for i=1:K
s8 = clusterAndDistance(cls==i,2);
s9(i) = sum(s8);
fprintf('Jumlah jarak minimum data dalam cluster %d = %1.4f',
i,s9(i));
end
fobj_baru = sum(s9,2);
fprintf('Fungsi objektif lama = %1.3f \n',fobj_lama);
fprintf('Fungsi objektif baru = %1.3f \n',fobj_baru);
temp = abs(fobj_baru - fobj_lama);
fprintf('Perubahan fungsi objektif = |%1.4f - %1.4f| = %1.4f \n',
fobj_baru,fobj_lama,temp);
if temp > T
fprintf('Karena perubahan nilai fungsi objektif yang didapatkan
lebih besar dari T maka proses iterasi dilanjutkan.\n');
else
fprintf('Karena perubahan nilai fungsi objektif yang didapatkan
TIDAK lebih besar dari T maka proses iterasi selesai.\n');
end
fobj_lama = fobj_baru;
centroid baru.
38
3.4.2. Program Algoritma Fuzzy C-Means (FCM)
Flowchart pada Gambar 3.3 menjelaskan proses kerja algoritma FCM yang
masukan.
%% PARAMETER MASUKAN
disp('***Data masukan***');
fprintf('\n');
X = xlsread ('test.xlsx');
39
y2 = table(X(:,1), X(:,2),...
'VariableNames',{'Fitur_X','Fitur_Y'});
disp(y2);
K = input('K = ');
W = input('W = ');
T = input('T = ');
fprintf('\n');
[Ndata,dim]=size(X);
U = rand(length(X),K);
disp('U = ');
disp(U);
centroid.
untuk setiap elemen data sehingga membentuk matriks partisi yang baru
40
for i=1:Ndata
for j=1:K
d(i,j)=sqrt(sum((X(i,:)-centroid(j,:)).^2)); %#ok
d2=[];
for l=1:K
d2(l)=1/((sqrt(sum((X(i,:)-centroid(l,:)).^2))).^(2/(W-
1))); %jarak
end
%matriks partisi baru
U_baru(i,j)=(1./(d(i,j).^(2/(W-1))))./sum(d2);
end
end
5. Mengulangi langkah 2 sampai 4 jika nilai J > T dan berhenti jika nilai J
< T.
41
3.4.3. Program Algoritma Apriori
ditinjau, nilai MST, dan nilai MCT. Berikut ini merupakan potongan
%% PARAMETER MASUKAN
matfile = load('data1.mat');
data = matfile.T;
fprintf('\n');
disp('***Dataset masukan***');
42
fprintf('\n');
itemset level 1. Jika nilai support item lebih besar dari atau sama dengan
selanjutnya. Sebaliknya, jika nilai support item lebih kecil dari nilai
menghitung nilai support dari setiap item yang terdapat dalam database.
C{1}=cell(1,numel(Items));
count{1}=zeros(size(C{1}));
fprintf('\n----------------------');
fprintf('\nLEVEL 1-ITEMSET');
fprintf('\n----------------------\n');
for r=1:numel(Items)
C{1}{r}=Items(r);
fprintf('\n>>>> Item %d \n', C{1}{r});
for i=1:numel(data)
fprintf('\nDataset %d ==> ', i);
disp(data{i});
if IsContainedIn(C{1}{r},data{i})
count{1}(r)=count{1}(r)+1;
fprintf('\tTerdapat item %d \n', C{1}{r});
else
fprintf('\tTidak terdapat item %d \n', C{1}{r});
end
43
end
fprintf('\n');
fprintf('\nSehingga total kemunculan item pada keseluruhan
database = %d \n', count{1}(r));
spr(r) = count{1}(r)/numel(data);
fprintf('\nNilai support untuk item');
disp(C{1}{r});
fprintf('\t= %d / %d = %1.3f\n', count{1}(r),numel(data),spr(r));
fprintf('\n');
end
% Itemset Level 1
L{1}=C{1}(count{1}/numel(data)>=MST);
fprintf('\nItemset Level 1 yang memenuhi batas MST adalah : \n');
disp(L{1}(:));
fprintf('\n');
dilakukan sampai seluruh item telah selesai digabungkan satu sama lain.
for i=1:numel(L{k})
Itemset=union(Itemset,L{k}{i});
end
Itemset=Itemset(:)';
44
if Same(New,C{k+1}{r})
Found=true;
break;
end
end
if ~Found
C{k+1}=[C{k+1} {New}];
end
end
end
end
fprintf('\nKombinasi item baru : \n');
disp(cell2mat(C{k+1}(:)));
for r=1:numel(C{k+1})
sprt(r) = count{k+1}(r)/numel(data);
fprintf('\nNilai support untuk item');
disp(C{k+1}{r});
fprintf('\t= %d / %d = %1.3f\n', count{k+1}(r), numel(data),
sprt(r));
fprintf('\n');
end
45
fprintf('\nItemset Level %d yang memenuhi batas MST adalah: 0
\n',k+1);
fprintf('\n');
end
L=L(1:end-1);
fprintf('\n----------------------');
fprintf('\nFREQUENT ITEMSET');
fprintf('\n----------------------\n');
fprintf('\nItemset yang memenuhi batas MST (%1.3f) pada setiap
levelnya :\n', MST);
for i=1:numel(L)
fprintf('\nLevel %d-itemset :\n',i);
disp(cell2mat(L{i}(:)));
end
4. Menghitung nilai support, confidence, dan lift dari setiap itemset yang
terbentuk. Itemset dengan nilai support yang lebih besar atau sama
dengan nilai MST, nilai confidence yang lebih besar atau sama dengan
nilai MCT, dan nilai lift yang lebih besar dari 1 masuk dalam daftar
%% PEMBENTUKAN ATURAN
Rules={};
Supp=[];
Conf=[];
Lift=[];
for k=2:numel(L)
for i=1:numel(L{k})
countL=0; %jumlah kemunculan
for j=1:numel(data)
if IsContainedIn(L{k}{i},data{j})
countL=countL+1;
end
end
S=GetNonTrivialSubsets(L{k}{i});
Q=S(end:-1:1);
for r=1:numel(S)
Rules=[Rules; {S{r} Q{r}}]; %#ok
46
countS=0;
countQ=0;
for j=1:numel(data)
if IsContainedIn(S{r},data{j})
countS=countS+1;
end
if IsContainedIn(Q{r},data{j})
countQ=countQ+1;
end
end
Supp=[Supp; countL/numel(data)];
Conf=[Conf; countL/countS];
Lift=[Lift; countL/(countS*countQ/numel(data))];
end
end
end
diagram. Use case diagram dari aplikasi modul praktikum data mining setelah
pengguna membuka aplikasi dapat dilihat pada Gambar 3.5. Dalam aplikasi ini,
hanya terdapat 1 aktor yakni pengguna aplikasi yang dapat menjalankan aplikasi
47
Gambar 3.5. Use case diagram aplikasi
Proses yang terjadi dalam aplikasi modul praktikum data mining mulai dari
awal sistem bekerja hingga selesai digambarkan dalam bentuk activity diagram.
48
Gambar 3.7 menunjukkan activity diagram yang menjelaskan proses
algoritma Apriori. Pada dasarnya, proses menjalankan kedua algoritma ini hampir
sama, namun yang membedakan adalah parameter data yang dimasukkan. Ketika
cluster (K) dan nilai ambang batas yang ingin diterapkan (T), sedangkan ketika
menjalankan algoritma Apriori, parameter yang dimasukkan adalah nilai MST dan
nilai MCT.
49
Gambar 3.7b. Activity diagram proses menjalankan
algoritma Apriori
50
Gambar 3.9 menunjukkan activity diagram yang menjelaskan proses keluar dan
menutup aplikasi.
pembuatan suatu aplikasi karena merupakan bagian dari perangkat lunak yang
menjadi sarana komunikasi antara pengguna dengan aplikasi yang akan digunakan.
Aplikasi modul praktikum ini akan terbagi menjadi 4 halaman, yakni halaman
utama aplikasi, halaman algoritma K-Means, halaman algoritma FCM, dan halaman
algoritma Apriori.
praktikum data mining yang mengarahkan pengguna untuk memilih algoritma data
51
Gambar 3.10. Rancangan antarmuka halaman utama aplikasi
Pada halaman ini terdapat 4 tombol yang dapat digunakan oleh pengguna aplikasi
yakni:
52
Gambar 3.11. Rancangan antarmuka halaman algoritma K-Means
2. Tombol “CARI DATA” yang berfungsi untuk mencari dan memuat data
53
5. Tombol “HAPUS” yang berfungsi untuk menghapus seluruh data yang
3. Edit text untuk memasukkan nilai ambang batas atau threshold (T).
5. Tabel untuk menampilkan isi dari data masukan, titik centroid sekarang,
titik centroid baru, jarak data ke masing-masing centroid, dan hasil akhir
tetap.
54
Halaman algoritma FCM berfungsi untuk menampilkan tahapan proses
2. Tombol “CARI DATA” yang berfungsi untuk mencari dan memuat data
55
4. Tombol “MULAI” yang berfungsi untuk memulai dan menjalankan
3. Edit text untuk memasukkan nilai ambang batas atau threshold (T) dan
5. Tabel untuk menampilkan isi dari data masukan, matriks partisi fuzzy,
56
6. Grafik untuk memperlihatkan posisi setiap data dan centroid serta
tetap.
yakni:
57
2. Tombol “CARI DATA” yang berfungsi untuk mencari dan memuat data
memuat file .mat yang bersesuaian dengan kasus data yang dimasukkan
algoritma Apriori dari awal. Proses algoritma akan tertampil dalam tabel
58
3. Textbox untuk menampilkan proses perhitungan nilai support,
yang memenuhi syarat nilai MST, seluruh aturan yang terbentuk, serta
aplikasi ini, digunakan metode pengujian black box. Pengujian ini dianalogikan
seperti melihat kotak hitam, di mana kita hanya dapat melihat penampilan luarnya
saja tanpa mengetahui apa yang ada di balik bungkus hitamnya. Oleh karena itu,
pengujian black box hanya mengamati hasil eksekusi sistem dan memeriksa kinerja
Pengujian black box hanya menguji masukan dan keluaran yang dihasilkan
saja. Teknik ini disebut juga dengan teknik pengujian equivalence partitioning,
yakni menerima masukan dan memeriksa apakah keluaran yang dihasilkan sesuai
dengan apa yang diharapkan atau masih terdapat kesalahan. Hal-hal yang diujikan
dalam aplikasi ini meliputi kinerja dari komponen UI yang terdapat dalam aplikasi
dan perhitungan algoritma K-Means, FCM dan Apriori yang dilakukan secara benar
dan tepat.
59
BAB IV
atau GUI). Tampilan antarmuka dari keseluruhan aplikasi modul praktikum ini
keseluruhan, aplikasi ini terbagi menjadi 4 halaman, yakni halaman utama aplikasi,
Apriori.
GUI utama aplikasi merupakan halaman yang pertama muncul saat aplikasi
algoritma mana yang ingin dijalankan. Terdapat 3 tombol yang merupakan pilihan
60
Gambar 4.1. Tampilan GUI halaman utama aplikasi
Pada halaman ini juga terdapat tombol “KELUAR” yang dapat digunakan untuk
menutup aplikasi. Ketika tombol ini ditekan, maka akan muncul pertanyaan
konfirmasi apakah pengguna ingin keluar dari aplikasi atau tidak sebagaimana
ditunjukkan oleh Gambar 4.2 berikut. Jika pengguna memilih ya maka aplikasi
akan tertutup, sedangkan jika tidak maka aplikasi modul praktikum akan tetap
terbuka.
61
4.1.1.2.GUI Algoritma K-Means
Gambar 4.3 merupakan halaman GUI yang tampil saat pengguna menekan
ini berfungsi untuk menjelaskan proses yang terjadi selama algoritma K-Means
bekerja secara bertahap dan terperinci. Proses algoritma K-Means yang terjadi
Ketika aplikasi pertama kali dibuka, yang perlu dilakukan oleh pengguna
adalah memilih dan memuat kasus data yang akan dikelompokkan oleh algoritma
K-Means dengan menekan tombol “MUAT DATA” atau “CARI DATA”. Terdapat
3 jenis kasus data masukan yang disediakan dalam halaman algoritma K-Means.
data masukan, terdapat pula parameter masukan lainnya yakni jumlah kelompok
62
yang ingin dibentuk (K) dan nilai ambang batas yang ingin diterapkan (T).
Misalkan, jumlah cluster sebanyak 3 dan nilai ambang batas sebesar 0.1.
kasus 1 telah dimuat serta jumlah cluster dan nilai ambang batas telah dimasukkan,
63
awal yang ditampilkan melalui textbox seperti pada Gambar 4.5. Titik centroid
pertama diambil dari dataset 1 (baris 1 pada data masukan) yakni titik (2, 6), titik
centroid kedua diambil dari dataset 2 yakni titik (4, 6), dan titik centroid ketiga
diambil dari rata-rata dataset lainnya yakni titik (2.8571, 4.7619). Posisi dari setiap
dataset dan setiap centroid ditampilkan melalui grafik yang tersedia, di mana setiap
dataset disimbolkan dengan tanda lingkaran berwarna hitam dan setiap centroid
tampil penjelasan tahapan algoritma yang terjadi. Terlihat pada Gambar 4.6 bahwa
posisi dari setiap titik centroid pada grafik sesuai dengan titik centroid awal yang
telah diinisialisasi. Kemudian dilakukan perhitungan jarak dari setiap titik dataset
terhadap setiap titik centroid yang ditampilkan melalui textbox dan dilanjutkan
didapatkan.
64
Gambar 4.6. Iterasi pertama kasus 1 algoritma K-Means
Dari iterasi pertama, didapatkan hasil pengelompokan seperti yang tertera dalam
65
Fitur 1 Fitur 2 Cluster
2 3 3
4 6 2
2 5 3
4 6 2
3 6 1
4 6 2
3 5 3
2 6 1
3 5 3
4 5 2
3 5 3
Karena iterasi ini merupakan iterasi yang pertama maka hasil pengelompokan yang
kedua, titik centroid berpindah posisi sesuai dengan titik centroid baru yang
didapatkan pada iterasi pertama. Posisi titik centroid pada iterasi kedua dapat dilihat
pada grafik seperti yang ditunjukkan dalam Gambar 4.7 berikut. Karena titik
centroid pada iterasi kedua telah berpindah, maka pengelompokan yang terbentuk
pun berubah mengikuti posisi titik centroid tersebut. Selanjutnya proses algoritma
66
Gambar 4.7. Iterasi kedua kasus 1 algoritma K-Means
Dari iterasi kedua, didapatkan hasil pengelompokan data seperti pada Tabel 4.2
berikut:
67
Fitur 1 Fitur 2 Cluster Keterangan
2 3 3
4 6 2
2 5 1 Berpindah
4 6 2
3 6 1
4 6 2
3 5 3
2 6 1
3 5 3
4 5 2
3 5 3
Dari hasil pengelompokan pada iterasi kedua, terjadi perpindahan cluster pada titik
data (2, 5) dari cluster 3 menjadi cluster 1. Oleh karena itu, proses algoritma
algoritma yang dilalui pada iterasi selanjutnya sama dengan proses algoritma pada
iterasi kedua.
pengelompokan yang didapatkan pada iterasi kelima sama dengan hasil pada iterasi
keempat seperti yang ditunjukkan pada Gambar 4.8. Selain itu, nilai perubahan
fungsi objektif yang didapatkan pada iterasi kelima sudah di bawah nilai ambang
batas (0.1) yakni 0 sebagaimana yang ditunjukkan pada Gambar 4.9. Oleh karena
itu, ketika tombol “LANJUT” ditekan lagi maka muncul kotak pesan seperti pada
68
Gambar 4.9. Iterasi kelima kasus 1 algoritma K-Means
Gambar 4.8. Nilai perubahan fungsi objektif pada iterasi kelima kasus
1 algoritma K-Means lebih kecil dari T
69
Gambar 4.10. Tampilan ketika iterasi pada kasus 1
algoritma K-Means selesai
beras yang berjumlah 15 dataset dan berdimensi 2. Ketika kasus 2 telah dimuat serta
jumlah cluster dan nilai ambang batas telah dimasukkan, maka muncul tampilan
70
Setelah parameter masukan dimuat, algoritma K-Means dimulai dengan menekan
awal yang ditampilkan melalui textbox seperti pada Gambar 4.12. Titik centroid
pertama diambil dari dataset 1 yakni titik (5.52, 2.04), titik centroid kedua diambil
dari dataset 2 yakni titik (6.51, 2.43), dan titik centroid ketiga diambil dari rata-rata
dataset lainnya yakni titik (6.5969, 2.7908). Posisi dari setiap titik dataset dan setiap
muncul penjelasan tahapan algoritma yang terjadi. Terlihat pada grafik dalam
Gambar 4.13 bahwa posisi dari setiap titik centroid sesuai dengan titik centroid
awal yang telah diinisialisasi. Kemudian dilakukan perhitungan jarak dari setiap
dataset terhadap setiap centroid yang ada seperti yang ditampikan dalam textbox
71
dan dilanjutkan dengan melakukan pengelompokan berdasarkan jarak centroid
Dari iterasi pertama, didapatkan hasil pengelompokan seperti pada Tabel 4.3
berikut.
72
Fitur 1 Fitur 2 Cluster
6.9600 2.8900 3
7.1000 3.0700 3
6.9800 3.0600 3
7.0100 2.9400 3
6.2200 2.7000 3
Karena iterasi ini merupakan iterasi yang pertama maka hasil pengelompokan yang
kedua, titik centroid berpindah posisi sesuai dengan titik centroid baru yang
didapatkan pada iterasi pertama. Posisi titik centroid pada iterasi kedua dapat dilihat
melalui grafik yang ditunjukkan pada Gambar 4.14 berikut. Selanjutnya proses
73
Dari iterasi kedua, didapatkan hasil pengelompokan data seperti pada Tabel 4.4
berikut:
Dari hasil pengelompokan data pada iterasi kedua, terjadi perpindahan cluster pada
titik data (6.22, 2.7) dari cluster 3 menjadi cluster 2. Oleh karena itu, proses
ditunjukkan pada Gambar 4.15. Selain itu, nilai perubahan fungsi objektif yang
didapatkan pada iterasi kelima sudah di bawah nilai ambang batas (0.1) yakni 0
sebagaimana ditampilkan pada Gambar 4.16. Oleh karena itu, ketika tombol
74
“LANJUT” ditekan lagi maka muncul kotak pesan seperti pada Gambar 4.17 yang
75
Gambar 4.17. Tampilan ketika iterasi pada kasus 2
algoritma K-Means selesai
potensial yang berjumlah 20 dataset dan berdimensi 2. Ketika kasus 3 telah dimuat
76
serta jumlah cluster dan nilai ambang batas telah dimasukkan, maka muncul
menekan tombol “MULAI” dan dimulai dengan inisialisasi 3 titik centroid awal
yang ditampilkan melalui textbox seperti yang ditunjukkan pada Gambar 4.19. Titik
centroid pertama diambil dari dataset 1 yakni titik (1, 2.43), titik centroid kedua
diambil dari dataset 2 yakni titik (2, 30.67), dan titik centroid ketiga diambil dari
rata-rata dataset lainnya yakni titik (6.5, 64.1494). Posisi dari setiap titik dataset
muncul penjelasan tahapan algoritma yang terjadi. Terlihat pada Gambar 4.20
bahwa posisi dari setiap titik centroid sesuai dengan titik centroid awal yang telah
77
terhadap setiap titik centroid yang ditampilkan melalui textbox dan dilanjutkan
didapatkan.
Dari iterasi pertama, didapatkan hasil pengelompokan seperti pada Tabel 4.5
berikut.
78
Fitur 1 Fitur 2 Cluster
10 91.0700 3
5 63.0500 3
24 291.1500 3
2 10.4000 1
12 87.1600 3
2 16.8000 2
1 3.0100 1
5 50.1200 3
20 186.3700 3
5 62.1100 3
2 16.4000 1
2 25.7300 2
Karena iterasi ini merupakan iterasi yang pertama maka hasil pengelompokan yang
kedua, titik centroid berpindah posisi sesuai dengan titik centroid baru yang
didapatkan pada iterasi pertama. Posisi titik centroid pada iterasi kedua ditampilkan
melalui grafik seperti yang ditunjukkan pada Gambar 4.21 berikut. Selanjutnya
proses algoritma dilakukan dengan tahapan yang sama seperti iterasi pertama.
79
Gambar 4.21. Iterasi kedua kasus 3 algoritma K-Means
Dari iterasi kedua, didapatkan hasil pengelompokan data seperti pada Tabel 4.6
berikut:
80
Fitur 1 Fitur 2 Cluster Keterangan
12 87.1600 3
2 16.8000 2
1 3.0100 1
5 50.1200 2 Berpindah
20 186.3700 3
5 62.1100 2 Berpindah
2 16.4000 2 Berpindah
2 25.7300 2
Dari hasil pengelompokan data pada iterasi kedua, terjadi perpindahan cluster pada
titik data (5, 56.12), titik data (5, 63.05), titik data (5, 50.12), dan titik data (5, 62.11)
dari cluster 3 menjadi cluster 2, serta titik data (2, 16.4) dari cluster 1 menjadi
ditunjukkan pada Gambar 4.22. Selain itu, nilai perubahan fungsi objektif yang
didapatkan pada iterasi kelima sudah di bawah nilai ambang batas (0.1) yakni
0.0575 sebagaimana yang tampil pada Gambar 4.23. Oleh karena itu, ketika tombol
“LANJUT” ditekan lagi maka akan tampil kotak pesan seperti pada Gambar 4.24
81
Gambar 4.23. Iterasi kelima kasus 3 algoritma K-Means
Gambar 4.22. Nilai perubahan fungsi objektif pada iterasi kelima kasus 2
algoritma K-Means lebih kecil dari T
82
Gambar 4.24. Tampilan ketika iterasi pada kasus 3 algoritma K-Means selesai
Terdapat pula tombol “HAPUS” yang berfungsi untuk menghapus isi dari
seluruh komponen yang ada dalam aplikasi seperti yang ditunjukkan pada Gambar
4.25 berikut.
83
Selain itu, terdapat tombol “KELUAR” ditekan maka muncul kotak pesan
berisi pertanyaan konfirmasi apakah pengguna ingin keluar dari aplikasi atau tidak
pilihan yang disediakan bagi pengguna, yakni “Ya” untuk keluar dari aplikasi,
Menu Utama” untuk menutup halaman algoritma K-Means dan kembali ke menu
merupakan halaman yang tampil saat pengguna menekan tombol “Algoritma FCM”
yang terdapat di halaman utama aplikasi. Halaman ini berfungsi untuk menjelaskan
proses yang terjadi selama algoritma Apriori bekerja secara bertahap dan terperinci.
yang terdapat pada GUI aplikasi seperti tombol, tabel, textbox, dan grafik.
84
Gambar 4.27. Tampilan awal halaman algoritma FCM
Ketika aplikasi pertama kali dibuka, yang perlu dilakukan oleh pengguna
adalah memilih dan memuat kasus data yang akan dikelompokkan oleh algoritma
FCM dengan menekan tombol “MUAT DATA”. Terdapat 3 jenis kasus data
merupakan kasus yang sama dengan algoritma K-Means. Selain data masukan,
terdapat pula parameter masukan lainnya yakni jumlah kelompok yang ingin
dibentuk (K), nilai ambang batas yang ingin diterapkan (T), bobot nilai yang
diterapkan (W), dan nilai derajat keanggotaan awal (U). Misalkan, jumlah cluster
sebanyak 3, nilai ambang batas sebesar 0.1, bobot sebesar 2, dan nilai U dimuat
secara random.
85
4.1.1.3.1.Kasus 1 Algoritma FCM
Kasus 1 dari algoritma FCM sama dengan kasus 1 pada algoritma K-Means.
Ketika kasus 1 telah dimuat serta jumlah cluster dan nilai ambang batas telah
awal sebagai iterasi pertama. Titik centroid tersebut didapatkan dari perhitungan
melalui textbox pada Gambar 4.29. Posisi dari setiap dataset dan setiap centroid
dengan tanda lingkaran berwarna hitam dan setiap centroid disimbolkan dengan
86
Gambar 4.29. Iterasi pertama kasus 1 algoritma FCM
Setelah titik centroid dari setiap cluster didapatkan maka langkah selanjutnya
adalah menghitung jarak setiap data terhadap setiap titik centroid dengan
pada tabel jarak data ke centroid. Bersamaan dengan itu, dilakukan pula
perhitungan nilai derajat keanggotaan yang baru (U_baru) seperti yang ditampilkan
dalam textbox pada Gambar 4.30. Derajat keanggotaan yang baru dapat dilihat pada
tabel U _baru.
87
Gambar 4.30. Perhitungan jarak dan derajat keanggotaan baru pada
iterasi pertama kasus 1 algoritma FCM
Karena iterasi ini merupakan iterasi yang pertama maka hasil pengelompokan yang
kedua, titik centroid berpindah posisi sesuai dengan titik centroid baru yang
didapatkan pada iterasi pertama. Posisi titik centroid pada iterasi kedua dapat dilihat
pada grafik seperti yang ditunjukkan dalam Gambar 4.31 berikut. Karena titik
centroid pada iterasi kedua telah berpindah, maka pengelompokan yang terbentuk
pun berubah mengikuti posisi titik centroid tersebut. Selanjutnya proses algoritma
88
Gambar 4.31. Iterasi kedua kasus 1 algoritma K-Means
Pada iterasi kedua didapatkan nilai perubahan fungsi objektif sebesar 1.2464
sepertinya yang ditampilkan pada Gambar 4.32 berikut. Nilai tersebut masih di atas
nilai ambang batas yang ditentukan sehingga proses algoritma dilanjutkan ke iterasi
89
Proses iterasi selesai pada iterasi kelima dengan nilai perubahan fungsi
objektif sebesar 0.0783 seperti yang ditampilkan pada Gambar 4.33 berikut. Karena
nilai tersebut lebih kecil dari nilai ambang batas maka proses iterasi selesai.
Gambar 4.33. Tampilan ketika iterasi pada kasus 3 algoritma FCM selesai
90
Fitur 1 Fitur 2 Cluster
4 5 1
2 5 2
3 3 2
3 3 2
2 3 3
4 6 1
2 5 2
4 6 1
3 6 1
4 6 1
3 5 1
2 6 1
3 5 1
4 5 1
3 5 1
Apriori” yang terdapat di halaman utama aplikasi. Halaman ini berfungsi untuk
menjelaskan proses yang terjadi selama algoritma Apriori bekerja secara bertahap
dan terperinci. Proses algoritma Apriori yang terjadi dijelaskan melalui komponen-
komponen yang terdapat pada GUI aplikasi seperti tombol, tabel, dan textbox.
91
Gambar 4.34. Tampilan awal halaman algoritma Apriori
Ketika aplikasi pertama kali dibuka, yang perlu dilakukan oleh pengguna
adalah memilih dan memuat kasus data masukan yang akan diproses oleh algoritma
Apriori dengan menekan tombol “MUAT DATA”. Terdapat 3 jenis kasus data
masing-masing kasus tersebut dapat dilihat pada Lampiran 2. Selain data masukan,
terdapat pula parameter masukan lainnya yakni nilai minimum support threshold
(MST) dan nilai minimum confidence threshold (MCT). Misalkan, nilai MST
berjumlah 9 dataset dan 5 item. Ketika kasus 1 dimuat dengan menekan tombol
92
“MUAT DATA” serta nilai MST dan nilai MCT dimasukkan, maka muncul
setiap dataset yang ditinjau terdapat itemset yang ditinjau. Bersamaan dengan itu,
dilakukan perhitungan nilai support dari masing-masing item tersebut, dimulai dari
item 1. Gambar 4.36 menunjukkan bahwa di dalam dataset ID_1 terdapat item 1
sehingga total kemunculan item 1 bertambah menjadi 1 dan nilai support yang
93
Gambar 4.36. Pemeriksaan item 1 dalam dataset ID_1
pada kasus 1 algoritma Apriori
Namun, di dalam dataset ID_2 tidak terdapat item 1 sehingga total kemunculan item
dan nilai support yang didapatkan bernilai tetap seperti pada Gambar 4.37.
94
Pemeriksaan item 1 dilanjutkan dengan menekan tombol “LANJUT” sampai
seluruh dataset selesai ditinjau. Setelah dataset terakhir telah ditinjau yakni dataset
ID_9, maka muncul tampilan seperti pada Gambar 4.38 yang berisi informasi
bahwa nilai support dari item 1 adalah sebesar 0.667 dan nilai tersebut telah
melebihi batas MST sehingga item 1 dimasukkan dalam tabel level 1-itemset.
Gambar 4.38. Item 1 pada kasus 1 algoritma Apriori memenuhi batas MST
Setelah item 1 selesai, maka itemset yang ditinjau dilanjutkan ke item 2 dengan
menekan tombol “LANJUT”. Proses pemeriksaan item 2 sama dengan item 1 yakni
dengan memeriksa apakah dalam setiap dataset yang ditinjau terdapat item 2 atau
tidak. Setelah dataset terakhir selesai ditinjau, yakni dataset ID_9, maka muncul
tampilan seperti pada Gambar 4.39 yang memperlihatkan bahwa nilai support dari
item 2 adalah sebesar 0.778 dan nilai tersebut telah melebihi batas MST sehingga
95
Gambar 4.39. Item 2 pada kasus 1 algoritma Apriori memenuhi batas MST
“LANJUT”. Setelah dataset terakhir selesai ditinjau, maka muncul tampilan seperti
pada Gambar 4.40 dengan nilai support dari item 3 sebesar 0.667 yang melebihi
batas nilai MST sehingga item 3 masuk dalam tabel level 1-itemset.
Gambar 4.40. Item 3 pada kasus 1 algoritma Apriori memenuhi batas MST
96
Setelah item 3 selesai, maka itemset yang ditinjau dilanjutkan ke item 4 dengan
menekan tombol “LANJUT”. Setelah dataset terakhir selesai ditinjau, maka muncul
tampilan seperti pada Gambar 4.41 berikut yang memperlihatkan bahwa nilai
support dari item 4 adalah sebesar 0.222 dan nilai tersebut telah melebihi batas MST
Gambar 4.41. Item 4 pada kasus 1 algoritma Apriori memenuhi batas MST
Setelah item 4 selesai, maka itemset yang ditinjau dilanjutkan ke item 5 dengan
didapatkan bahwa nilai support dari item 5 adalah sebesar 0.222 dan nilai tersebut
telah melebihi batas MST sehingga item 5 dimasukkan dalam tabel level 1-itemset.
Karena item 5 merupakan item terakhir yang ditinjau dalam kasus 1, maka proses
pembentukan level 1-itemset telah selesai. Level 1-itemset ditampilkan dalam tabel
97
Gambar 4.42. Level 1-itemset pada kasus 1 algoritma Apriori
pembentukan kombinasi antara item yang ditinjau yakni item 1 dengan setiap item
dalam level 1-itemset, mulai dari item 1. Namun karena kedua item ini adalah item
98
Gambar 4.43. Pembentukan kombinasi item 1 dengan item 1
pada kasus 1 algoritma Apriori
tombol “LANJUT”. Karena item yang ditinjau berbeda dengan item yang akan
dikombinasikan, maka terbentuk kombinasi item baru yakni itemset [1,2] seperti
99
Pembentukan kombinasi 2 item dilanjutkan sampai seluruh itemset telah ditinjau
dan telah dikombinasikan dengan seluruh item terakhir yaitu item 1, 2, 3, 4, dan 5.
Setelah itu, dilakukan pemeriksaan kombinasi item tersebut terhadap setiap dataset
yang ditinjau sekaligus perhitungan nilai support dari setiap kombinasi 2 item yang
untuk mengetahui itemset mana saja yang masuk dalam level 2-itemset. Dimulai
dari kombinasi 2 item yang pertama yakni itemset [1,2] seperti yang ditunjukkan
pada Gambar 4.46 berikut. Dalam dataset ID_1 terdapat itemset [1,2] sehingga total
kemunculan itemset bertambah menjadi 1 dan nilai support yang didapatkan pun
100
Gambar 4.46. Pemeriksaan itemset [1,2] dalam dataset ID_1
pada kasus 1 algoritma Apriori
telah ditinjau, maka didapatkan nilai support dari itemset [1,2] sebesar 0.444. Oleh
karena nilai tersebut memenuhi batas nilai MST, maka itemset [1,2] masuk dalam
101
Setelah itu, pemeriksaan dan perhitungan nilai support dilanjutkan ke seluruh
kombinasi item yang terdapat dalam tabel kombinasi 2 item. Setelah seluruh
kombinasi item telah diperiksa, maka didapatkan kombinasi item dengan nilai
support yang memenuhi batas nilai MST. Kombinasi item tersebut masuk dalam
tabel level 2-itemset seperti yang ditunjukkan pada Gambar 4.48 berikut.
kombinasi 3 item dari item-item yang terdapat pada level 2-itemset. Dimulai dengan
mengkombinasikan item [1,2] dengan item 1. Namun karena di dalam itemset [1,2]
telah terdapat item 1 maka tidak terbentuk kombinasi item baru seperti yang
102
Gambar 4.49. Pembentukan kombinasi item [1,2] dengan item 1
pada kasus 1 algoritma Apriori
dalam level 2 telah dikombinasikan satu sama lain. Ketika itemset terakhir yang
ditinjau yakni itemset [2,5] selesai dikombinasikan dengan item terakhir yakni item
5, maka tidak terdapat lagi kombinasi item yang dapat terbentuk. Oleh karena itu,
didapatkan seluruh kombinasi 3 item seperti yang ditunjukkan pada Gambar 4.50.
103
Setelah kombinasi 3 item didapatkan, maka tahap selanjutnya adalah membentuk
level 3-itemset. Proses ini dilakukan dengan memeriksa apakah setiap kombinasi 3
item tersebut terdapat dalam setiap dataset yang ditinjau dan sekaligus melakukan
perhitungan nilai support dari setiap kombinasi item untuk mengetahui itemset
mana saja yang memenuhi batas nilai MST dan masuk dalam tabel level 3-itemset.
Dimulai dengan memeriksa kombinasi 3 item yang pertama yakni itemset [1,2,3] di
Gambar 4.51 menunjukkan bahwa dalam dataset ID_1 tidak terdapat itemset [1,2,3]
sehingga total kemunculan itemset dan nilai support yang didapatkan masih bernilai
menekan tombol “LANJUT”. Karena nilai support yang didapatkan dari itemset
[1,2,3] adalah sebesar 0.222, maka itemset tersebut masuk dalam tabel level 3-
104
Gambar 4.52. Itemset [1,2,3] pada kasus 1 algoritma Apriori
memenuhi batas MST
yang terdapat dalam tabel kombinasi 3-item. Setelah seluruh kombinasi item telah
diperiksa, maka didapatkan itemset dengan nilai support yang memenuhi batas nilai
MST dan masuk dalam tabel level 3-itemset seperti yang ditunjukkan pada Gambar
4.53 berikut.
105
Setelah pembentukan level 3-itemset selesai, maka proses algoritma
berikut.
level 4-itemset. Hal ini dilakukan dengan cara memeriksa apakah kombinasi 4 item
yang terbentuk yakni itemset [1,2,3,5] terdapat dalam setiap dataset yang ditinjau
dan sekaligus melakukan perhitungan nilai support dari kombinasi item tersebut
untuk mengetahui apakah itemset tersebut memenuhi batas nilai MST atau tidak.
Hasil pemeriksaan tersebut dapat dilihat pada Gambar 4.55 berikut, di mana nilai
106
support dari itemset [1,2,3,5] tidak memenuhi batas nilai MST. Dengan demikian,
Karena tidak terdapat level 4-itemset, maka level tertinggi pada kasus 1
adalah level 3-itemset. Setelah level tertinggi itemset telah didapatkan, maka proses
itemset yang telah terbentuk di setiap levelnya. Dimulai dari itemset pertama yang
terdapat dalam level 2-itemset yakni itemset [1,2]. Seperti yang tampak pada
Gambar 4.56 berikut, aturan [1,2] memiliki nilai support sebesar 0.444, nilai
confidence sebesar 0.667, dan nilai lift sebesar 0.857. Namun, karena nilai lift yang
didapatkan tidak lebih besar dari 1 maka itemset ini bukan merupakan aturan
107
Gambar 4.56. Aturan [1,2] pada kasus 1 algoritma Apriori
tidak memenuhi batas nilai lift
didapatkan aturan baru yakni aturan [2,1]. Nilai confidence dan nilai lift dari aturan
[2,1] tidak memenuhi batas nilai yang ditentukan, sebagaimana ditunjukkan dalam
Gambar 4.57, sehingga aturan [2,1] bukan merupakan aturan asosiasi yang tepat.
108
Setelah itu, pembentukan aturan asosiasi dilanjutkan ke itemset selanjutnya dengan
Aturan-aturan yang masuk dalam tabel aturan asosiasi akhir merupakan aturan
dengan nilai support yang memenuhi batas MST, nilai confidence yang memenuhi
batas MCT, dan nilai lift yang lebih besar dari 1. Pada kasus 1, terdapat 6 aturan
asosiasi akhir, sebagaimana yang tampak pada Gambar 4.58, yang dapat diterapkan
Ketika seluruh aturan asosiasi akhir telah didapatkan, maka muncul kotak pesan
yang berisi informasi bahwa algoritma Apriori telah selesai seperti pada Gambar
4.59 berikut.
109
Gambar 4.59. Tampilan ketika algoritma Apriori selesai pada kasus 1
Kasus 2 adalah kasus persediaan obat di sebuah rumah sakit yang berjumlah
22 dataset dan 30 item. Ketika kasus 1 dimuat dengan menekan tombol “MUAT
DATA” serta nilai MST dan nilai MCT dimasukkan, maka akan muncul tampilan
110
Setelah parameter masukan dimuat, algoritma Apriori dimulai dengan
level 1-itemset. Caranya adalah dengan memeriksa apakah dalam setiap dataset
yang ditinjau terdapat itemset yang ditinjau, mulai dari dataset ID_1. Bersamaan
dengan itu, dilakukan perhitungan nilai support dari masing-masing item tersebut
seluruh dataset selesai ditinjau. Setelah dataset terakhir telah ditinjau yakni dataset
ID_22, maka muncul tampilan seperti pada Gambar 4.62 yang menampilkan bahwa
nilai support dari item 1 adalah sebesar 0.227 dan nilai tersebut telah melebihi batas
111
Gambar 4.62. Item 1 pada kasus 2 algoritma Apriori memenuhi batas MST
Setelah item 1 selesai, maka itemset yang ditinjau dilanjutkan ke item selanjutnya
dengan menekan tombol “LANJUT” sampai ke item 30. Oleh karena itu, proses
pembentukan level 1-itemset telah selesai dan item-item yang memenuhi batas MST
dapat dilihat dalam tabel level 1-itemset seperti yang tampak pada Gambar 4.63.
112
Setelah pembentukan level 1-itemset selesai, maka proses algoritma
itemset dilakukan dengan membentuk kombinasi dari item-item yang terdapat pada
yang ditinjau dengan item 1. Namun karena kedua item ini sama maka tidak
baru yakni itemset [1,5] seperti yang ditampilkan dalam tabel level 2-itemset pada
halaman aplikasi.
113
Gambar 4.65. Pembentukan kombinasi item 1 dengan item 5
pada kasus 2 algoritma Apriori
Pembentukan kombinasi item dilanjutkan sampai seluruh itemset telah ditinjau dan
telah dikombinasikan dengan seluruh item yang terdapat dalam level 1-itemset.
Dengan demikian didapatkan kombinasi 2 item seperti yang tampak pada Gambar
4.66 berikut.
114
Setelah itu, dilakukan pemeriksaan kombinasi 2 item yang telah terbentuk dalam
dataset yang ditinjau sekaligus menghitung nilai support dari setiap itemset tersebut
itemset mana saja yang masuk dalam level 2-itemset. Dimulai dari kombinasi item
[1,5] seperti yang ditunjukkan pada Gambar 4.67 berikut. Dalam dataset ID_1 tidak
terdapat itemset [1,5] sehingga total kemunculan itemset dan nilai support yang
telah ditinjau, maka didapatkan nilai support dari itemset [1,5] sebesar 0.091.
Karena nilai tersebut tidak memenuhi batas nilai MST, maka itemset [1,5] tidak
masuk dalam tabel level 2-itemset seperti yang ditampilkan pada Gambar 4.68.
115
Gambar 4.68. Itemset [1,5] pada kasus 2 algoritma Apriori
tidak memenuhi batas MST
itemset dari tabel kombinasi 2 item. Setelah seluruh kombinasi 2 item telah
diperiksa, maka didapatkan itemset dengan nilai support yang memenuhi batas nilai
MST. Kombinasi item tersebut masuk dalam tabel level 2-itemset seperti yang
116
Setelah pembentukan level 2-itemset selesai, maka proses algoritma
dengan membentuk kombinasi dari item-item yang terdapat pada level 2-itemset.
Dimulai dengan melakukan kombinasi itemset [1,23] dengan item 1. Namun karena
dalam itemset [1,23] telah terdapat item 1 maka tidak terbentuk kombinasi item baru
Ketika kombinasi item dilanjutkan ke item 5, terbentuk kombinasi item baru yakni
didapatkan seluruh kombinasi 3 item seperti yang ditunjukkan pada Gambar 4.72
berikut.
117
Gambar 4.71. Pembentukan kombinasi item [1,23,5] pada
kasus 2 algoritma Apriori
pembentukan level 3-itemset. Hal ini dilakukan dengan cara memeriksa apakah
setiap kombinasi 3 item tersebut terdapat dalam setiap dataset yang ditinjau dan
sekaligus melakukan perhitungan nilai support dari setiap kombinasi item yang ada
untuk mengetahui itemset mana saja yang memenuhi batas nilai MST dan masuk
118
dalam tabel level 3-itemset. Dimulai dari kombinasi 3 item yang pertama yakni
itemset [1,23,5].
Gambar 4.73 menunjukkan bahwa dalam dataset ID_1 tidak terdapat itemset
[1,23,5] sehingga total kemunculan itemset dan nilai support yang didapatkan
dengan menekan tombol “LANJUT”. Karena nilai support yang didapatkan dari
itemset [1,23,5] adalah sebesar 0.091, maka itemset tersebut tidak masuk dalam
tabel level 3-itemset seperti yang ditunjukkan pada Gambar 4.74 berikut.
119
Gambar 4.74. Itemset [1,23,5] pada kasus 2 algoritma Apriori
tidak memenuhi batas MST
yang terdapat dalam tabel kombinasi 3 item. Setelah seluruh kombinasi item telah
diperiksa, maka didapatkan kombinasi item dengan nilai support yang memenuhi
batas nilai MST dan masuk dalam tabel level 3-itemset seperti yang ditunjukkan
120
Setelah pembentukan level 3-itemset selesai, maka proses algoritma
itemset dimulai dengan membentuk kombinasi dari item-item yang terdapat pada
level 3-itemset. Dimulai dari melakukan kombinasi itemset [5,12,16] dengan item
yang terdapat dalam level 3-itemset yakni item 5, 12, 16, 20, dan 23. Kemudian
pembentukan level 4-itemset. Hal ini dilakukan dengan cara memeriksa apakah
kombinasi 4 item yang terbentuk terdapat dalam setiap dataset yang ditinjau dan
sekaligus melakukan perhitungan nilai support dari kombinasi item tersebut untuk
mengetahui apakah itemset tersebut memenuhi batas nilai MST atau tidak. Dimulai
121
[5,12,16,20] terdapat dalam dataset ID_1 seperti yang ditunjukkan pada Gambar
4.77 berikut.
Gambar 4.77 menunjukkan bahwa dalam dataset ID_1 tidak terdapat itemset
[5,12,16,20] sehingga total kemunculan itemset dan nilai support yang didapatkan
dengan menekan tombol “LANJUT”. Karena nilai support yang didapatkan dari
itemset [5,12,16,20] adalah sebesar 0.273, maka itemset tersebut masuk dalam tabel
122
Gambar 4.78. Itemset [5,12,16,20] pada kasus 2 algoritma Apriori
memenuhi batas MST
yang terdapat dalam tabel kombinasi 4 item dengan menekan tombol “LANJUT”.
Setelah seluruh kombinasi item telah diperiksa, maka didapatkan kombinasi item
dengan nilai support yang memenuhi batas nilai MST dan masuk dalam tabel level
123
Setelah pembentukan level 4-itemset selesai, maka proses algoritma
itemset dimulai dengan membentuk kombinasi dari item-item yang terdapat pada
item yang terdapat dalam level 3-itemset yakni item 5, 12, 16, 20, dan 23. Kemudian
pembentukan level 5-itemset. Hal ini dilakukan dengan cara memeriksa apakah
setiap dataset yang ditinjau dan sekaligus melakukan perhitungan nilai support dari
kombinasi item tersebut untuk mengetahui apakah itemset tersebut memenuhi batas
124
nilai MST atau tidak. Proses pemeriksaan ini ditunjukkan pada Gambar 4.81
berikut.
Gambar 4.81 menunjukkan bahwa dalam dataset ID_1 tidak terdapat itemset
dataset dengan menekan tombol “LANJUT”. Karena nilai support yang didapatkan
dari itemset [5,12,16,20,23] adalah sebesar 0.273, maka itemset tersebut masuk
dalam tabel level 5-itemset seperti yang ditunjukkan pada Gambar 4.82 berikut.
125
Gambar 4.82. Level 5-itemset pada kasus 2 algoritma Apriori
Karena hanya terdapat 1 itemset dalam level 5-itemset maka tidak terdapat
kombinasi item baru yang dapat dibentuk. Oleh karena itu, level itemset tertinggi
pada kasus 2 tersebut adalah level 5-itemset yakni itemset [5,12,16,20,23]. Setelah
level tertinggi itemset telah didapatkan, maka proses algoritma Apriori dilanjutkan
setiap levelnya. Dimulai dari itemset pertama yang terdapat dalam level 2-itemset
yakni itemset [1,23]. Seperti yang tampak pada Gambar 4.83 berikut, aturan [1,23]
memiliki nilai support sebesar 0.227, nilai confidence sebesar 1, dan nilai lift
sebesar 1.048, sehingga itemset tersebut masuk dalam aturan asosiasi akhir karena
126
Gambar 4.83. Aturan [1,23] memenuhi batas MST, MCT, dan lift
didapatkan aturan baru yakni aturan [23,1]. Nilai confidence dari aturan [23,1] tidak
4.84, sehingga aturan [23,1] bukan merupakan aturan asosiasi yang tepat.
127
Setelah itu, pembentukan aturan asosiasi dilanjutkan ke itemset selanjutnya
merupakan aturan dengan nilai support yang memenuhi batas MST, nilai
confidence yang memenuhi batas MCT, dan nilai lift yang lebih besar dari 1. Pada
kasus 2, terdapat 117 aturan asosiasi akhir, sebagaimana ditunjukkan pada Gambar
tersebut.
Ketika seluruh aturan asosiasi akhir telah didapatkan, maka muncul kotak pesan
yang berisi informasi bahwa algoritma Apriori telah selesai seperti pada Gambar
4.86 berikut.
128
Gambar 4.86. Tampilan ketika algoritma Apriori selesai pada kasus 2
4.1.1.4.3. Kasus 3
Kasus 3 adalah kasus penjualan produk dari perusahaan yang menjual alat
petualangan yang berjumlah 10 dataset dan 9 item. Ketika kasus 1 dimuat dengan
menekan tombol “MUAT DATA” serta nilai MST dan nilai MCT dimasukkan,
129
Setelah parameter masukan dimuat, algoritma Apriori dimulai dengan menekan
dataset yang ditinjau terdapat itemset yang ditinjau. Bersamaan dengan itu,
dilakukan perhitungan nilai support dari masing-masing item tersebut seperti pada
dataset terakhir telah ditinjau yakni ID_10, maka muncul tampilan seperti pada
Gambar 4.89 yang berisi informasi bahwa nilai support dari item 1 adalah 0.4 dan
nilai tersebut melebihi batas MST sehingga item 1 masuk dalam level 1-itemset.
130
Gambar 4.89. Item 1 pada kasus 3 algoritma Apriori memenuhi batas MST
Setelah item 1 selesai ditinjau, maka itemset yang ditinjau dilanjutkan ke item
item terakhir yang ditinjau dalam kasus 3. Oleh karena itu, proses pembentukan
level 1-itemset telah selesai dan item-item yang memenuhi batas MST dimasukkan
dalam tabel level 1-itemset seperti yang tampak pada Gambar 4.90.
131
Setelah pembentukan level 1-itemset selesai, maka proses algoritma
itemset dilakukan dengan membentuk kombinasi dari item-item yang terdapat pada
level 1-itemset. Mulai dari membentuk kombinasi antara item yang ditinjau dari
level 1-itemset yakni item 1 dengan item 1. Namun karena kedua item ini adalah
item yang sama maka tidak terbentuk kombinasi item baru. Kemudian itemset yang
itemset [1,2] seperti yang ditampilkan dalam tabel level 2-itemset pada halaman
aplikasi.
Pembentukan kombinasi item dilanjutkan sampai seluruh itemset telah ditinjau dan
telah dikombinasikan dengan seluruh item yang terdapat dalam level 1-itemset.
132
Dengan demikian didapatkan kombinasi 2 item seperti yang tampak pada Gambar
4.92 berikut.
Setelah itu, dilakukan pemeriksaan kombinasi item dalam dataset yang ditinjau
sekaligus perhitungan nilai support dari setiap kombinasi 2 item yang telah
mengetahui itemset mana saja yang masuk dalam level 2-itemset. Dimulai dari
kombinasi item [1,2] seperti yang ditunjukkan pada Gambar 4.93 berikut. Dalam
dataset ID_1 tidak terdapat itemset [1,2] sehingga total kemunculan itemset dan
133
Gambar 4.93. Pemeriksaan itemset [1,2] dalam dataset ID_1
pada kasus 3 algoritma Apriori
telah ditinjau, maka didapatkan nilai support dari itemset [1,2] yakni 0. Oleh karena
nilai tersebut tidak memenuhi batas nilai MST, maka itemset [1,2] tidak masuk
dalam tabel level 2-itemset seperti yang ditampilkan pada Gambar 4.94.
134
Setelah itu, pemeriksaan dan perhitungan nilai support dilanjutkan ke seluruh
kombinasi item yang terdapat dalam tabel kombinasi 2 item. Setelah seluruh
kombinasi item telah diperiksa, maka didapatkan kombinasi item dengan nilai
support yang memenuhi batas nilai MST. Kombinasi item tersebut masuk dalam
tabel level 2-itemset seperti yang ditunjukkan pada Gambar 4.95 berikut.
itemset dimulai dengan membentuk kombinasi dari item-item yang terdapat pada
level 2-itemset. Dimulai dari melakukan kombinasi itemset [1,4] dengan item 1.
Namun karena dalam itemset [1,4] telah terdapat item 1 maka tidak terbentuk
kombinasi item baru seperti yang ditampilkan pada Gambar 4.96 berikut.
135
Gambar 4.96. Pembentukan kombinasi item [1,4] dengan item 1
pada kasus 3 algoritma Apriori
Ketika kombinasi item dilanjutkan ke item 2, terbentuk kombinasi item baru yakni
didapatkan seluruh kombinasi 3 item seperti yang ditunjukkan pada Gambar 4.98
berikut.
136
Gambar 4.97. Pembentukan kombinasi item [1,4,2] pada
kasus 3 algoritma Apriori
pembentukan level 3-itemset. Hal ini dilakukan dengan cara memeriksa apakah
setiap kombinasi 3 item tersebut terdapat dalam setiap dataset yang ditinjau dan
sekaligus melakukan perhitungan nilai support dari setiap kombinasi item yang ada
untuk mengetahui itemset mana saja yang memenuhi batas nilai MST dan masuk
137
dalam tabel level 3-itemset. Dimulai dari kombinasi 3 item yang pertama yakni
itemset [1,4,2].
Gambar 4.99 menunjukkan bahwa dalam dataset ID_1 tidak terdapat itemset [1,4,2]
sehingga total kemunculan itemset dan nilai support yang didapatkan masih bernilai
tombol “LANJUT”. Karena nilai support yang didapatkan dari itemset [1,4,2]
adalah 0, maka itemset tersebut tidak masuk dalam tabel level 3-itemset seperti yang
138
Gambar 4.100. Itemset [1,4,2] pada kasus 3 algoritma Apriori
tidak memenuhi batas MST
yang terdapat dalam tabel kombinasi 3 item. Setelah seluruh kombinasi item telah
diperiksa, maka didapatkan kombinasi item dengan nilai support yang memenuhi
batas nilai MST dan masuk dalam tabel level 3-itemset seperti yang ditunjukkan
139
Karena hanya terdapat 1 itemset dalam level 3-itemset maka tidak terdapat
kombinasi item baru yang dapat dibentuk. Oleh karena itu, level itemset tertinggi
pada kasus 3 tersebut adalah level 3-itemset yakni itemset [1,4,6]. Setelah level
setiap levelnya. Dimulai dari itemset pertama yang terdapat dalam level 2-itemset
yakni itemset [1,4]. Seperti yang tampak pada Gambar 4.102 berikut, aturan [1,4]
memiliki nilai support sebesar 0.3, nilai confidence sebesar 0.75, dan nilai lift
sebesar 1.0714, sehingga itemset tersebut masuk dalam aturan asosiasi akhir karena
didapatkan aturan baru yakni aturan [4,1]. Nilai confidence dari aturan [4,1] tidak
4.103, sehingga aturan [4,1] bukan merupakan aturan asosiasi yang tepat.
140
Gambar 4.103. Aturan [4,1] pada kasus 3 algoritma Apriori
tidak memenuhi batas nilai MCT
merupakan aturan dengan nilai support yang memenuhi batas MST, nilai
confidence yang memenuhi batas MCT, dan nilai lift yang lebih besar dari 1. Pada
tersebut.
141
Gambar 4.104. Aturan asosiasi akhir pada kasus 3 algoritma Apriori
Ketika seluruh aturan asosiasi akhir telah didapatkan, maka muncul kotak pesan
yang berisi informasi bahwa algoritma Apriori telah selesai seperti pada Gambar
4.105 berikut.
142
Ketika tombol “HAPUS” pada halaman aplikasi algoritma Apriori ditekan
maka isi dari seluruh komponen yang ada dalam aplikasi terhapus seperti yang
pertanyaan konfirmasi apakah pengguna ingin keluar dari aplikasi atau tidak
3 pilihan yang disediakan bagi pengguna, yakni “Ya” untuk keluar dari aplikasi,
“Tidak” untuk tetap berada di halaman algoritma Apriori, serta “Kembali ke Menu
Utama” untuk menutup halaman algoritma Apriori dan kembali ke menu utama
143
Gambar 4.107. Tampilan ketika tombol “KELUAR” Apriori ditekan
tampilan antarmuka terbagi menjadi 3 bagian sesuai dengan jumlah halaman yang
Hasil pengujian antarmuka halaman utama dapat dilihat pada Tabel 4.8
berikut:
144
Tabel 4.8. Hasil pengujian antarmuka halaman utama
Komponen Hasil yang Hasil yang
No. Keterangan
yang Diuji Diharapkan Didapatkan
Sistem dapat Setelah tombol ditekan,
Tombol
menampilkan muncul jendela baru
1. Algoritma Berhasil
halaman algoritma yang berisi halaman
K-Means
K-Means algoritma K-Means
Sistem dapat Setelah tombol ditekan,
Tombol
menampilkan muncul jendela baru
2. Algoritma Berhasil
halaman algoritma yang berisi halaman
FCM
FCM algoritma FCM
Sistem dapat Setelah tombol ditekan,
Tombol
menampilkan muncul jendela baru
3. Algoritma Berhasil
halaman algoritma yang berisi halaman
Apriori
Apriori algoritma Apriori
Setelah tombol ditekan,
muncul pertanyaan
konfirmasi untuk
Sistem dapat keluar dari aplikasi
Tombol menutup aplikasi atau tidak. Jika tidak
4. Berhasil
Keluar sesuai pilihan maka sistem akan
pengguna kembali ke halaman
utama aplikasi. Jika ya
maka sistem akan
menutup aplikasi.
145
Tabel 4.9. Hasil pengujian antarmuka halaman K-Means dan FCM
Komponen Hasil yang Hasil yang
No. Keterangan
yang Diuji Diharapkan Didapatkan
Setelah data masukan
Sistem dapat dipilih dan tombol
Tombol menampilkan isi ditekan, isi data
1. Berhasil
Muat Data dari data masukan tersebut akan muncul
yang dipilih pada tabel yang
disediakan
Setelah tombol
ditekan, proses
Sistem dapat algoritma K-Means
Tombol memulai proses dan FCM mulai
2. Berhasil
Mulai algoritma K- bekerja. Terbukti dari
Means dan FCM dimulainya proses
pembentukan titik
centroid awal
Setiap kali tombol
ditekan, proses iterasi
dari algoritma K-
Sistem dapat
Means dan FCM
Tombol melanjutkan
3. berlanjut ke tahap Berhasil
Lanjut proses iterasi
selanjutnya sampai
secara bertahap
algoritma K-Means
dan FCM selesai
bekerja.
Sistem akan Setelah tombol
Tombol menghapus isi ditekan, isi dari
4. Berhasil
Hapus dari komponen textbox, tabel-tabel,
aplikasi dan grafik yang
146
Komponen Hasil yang Hasil yang
No. Keterangan
yang Diuji Diharapkan Didapatkan
tersedia pada aplikasi
menjadi kosong
Setelah tombol
ditekan, muncul
pertanyaan konfirmasi
untuk keluar dari
aplikasi yakni ya,
Sistem akan tidak, atau kembali ke
Tombol menutup aplikasi menu utama. Jika ya,
5. Berhasil
Keluar sesuai pilihan aplikasi tertutup. Jika
pengguna tidak, halaman ini tetap
ada. Jika kembali ke
menu utama, halaman
ini tertutup dan muncul
halaman utama
aplikasi
147
Komponen Hasil yang Hasil yang
No. Keterangan
yang Diuji Diharapkan Didapatkan
pada tabel yang
disediakan
Setelah tombol
ditekan, proses
algoritma Apriori
Sistem dapat
Tombol mulai bekerja. Terbukti
2. memulai proses Berhasil
Mulai/Ulang dari dimulainya proses
algoritma Apriori
pembentukan level 1-
itemset melalui tabel-
tabel yang tersedia
Setiap kali tombol
Sistem dapat ditekan, proses
melanjutkan algoritma Apriori
proses berlanjut ke tahap
Tombol
3. pembentukan selanjutnya sampai Berhasil
Lanjut
itemset dan aturan tidak ada lagi itemset
asosiasi secara yang dapat terbentuk
bertahap dan didapatkan aturan
asosiasi yang sesuai.
Setelah tombol
Sistem akan ditekan, isi dari
Tombol menghapus isi textbox dan tabel-tabel
4. Berhasil
Hapus dari komponen yang tersedia pada
aplikasi aplikasi menjadi
kosong
Setelah tombol
Tombol Sistem akan
5. ditekan, muncul Berhasil
Keluar menutup aplikasi
pertanyaan konfirmasi
148
Komponen Hasil yang Hasil yang
No. Keterangan
yang Diuji Diharapkan Didapatkan
sesuai pilihan untuk keluar dari
pengguna aplikasi yakni ya,
tidak, atau kembali ke
menu utama. Jika ya,
aplikasi tertutup. Jika
tidak, halaman ini tetap
ada. Jika kembali ke
menu utama, halaman
ini tertutup dan muncul
halaman utama
aplikasi
dasar yang digunakan dalam aplikasi. Hasil pengujian fungsi dasar sistem dapat
149
Komponen Hasil yang Hasil yang
No. Keterangan
yang Diuji Diharapkan Didapatkan
perubahan nilai kurang dari nilai
fungsi objektif ambang batas yang
ditetapkan
Masing-masing data
Sistem dapat
terkelompokkan dalam
menghitung
setiap cluster sesuai
nilai jarak
Fungsi dengan nilai jarak yang
antara setiap
pembentukan didapatkan dan
data terhadap
2. cluster pengelompokan Berhasil
setiap centroid
algoritma berhenti saat perubahan
dan juga dapat
FCM nilai fungsi objektif
menghitung
kurang dari nilai
perubahan nilai
ambang batas yang
fungsi objektif
ditetapkan
Setiap itemset
Sistem dapat
dikombinasikan satu
menghitung
sama lain sesuai
nilai support,
Fungsi dengan nilai support
confidence, dan
pembentukan yang telah dihitung
lift secara benar
itemset dan sampai tidak terdapat
3. untuk Berhasil
aturan asosiasi lagi kombinasi item
mendapatkan
algoritma yang dapat terbentuk
aturan asosiasi
Apriori dan didapatkan aturan
akhir yang
asosiasi yang
memenuhi
memenuhi syarat nilai
syarat
confidence, dan lift.
150
4.1.2.3.Hasil Pengujian Validasi
terdapat di dalam sistem sudah berjalan dengan baik. Hasil pengujian validasi dapat
151
Komponen Hasil yang Hasil yang
No. Keterangan
yang Diuji Diharapkan Didapatkan
Sistem dapat
Validasi ketika
menampilkan
level itemset
pesan Muncul kotak pesan
yang ingin
peringatan yang memberitahukan
dilihat pada
3. bahwa level bahwa level itemset Berhasil
halaman
itemset yang yang dimasukkan harus
algoritma
dimasukkan berupa angka.
Apriori bukan
harus berupa
berupa angka
angka.
Validasi ketika
level itemset Sistem dapat
Muncul kotak pesan
yang ingin menampilkan
yang memberitahukan
dilihat pada pesan
bahwa level itemset
halaman peringatan
4. yang dimasukkan harus Berhasil
algoritma bahwa level
berupa angka tidak
Apriori tidak itemset yang
sesuai dengan level
sesuai dengan dimasukkan
yang telah terbentuk.
level yang tidak sesuai.
telah terbentuk
4.2. Pembahasan
Aplikasi modul praktikum data mining ini dirancang sesuai dengan GBRP
dari mata kuliah Data Mining. Berdasarkan GBRP tersebut, terdapat beberapa
metode data mining yang menjadi sasaran pembelajaran bagi mahasiswa, termasuk
metode clustering dan association rule. Untuk skala modul praktikum, penulis
memilih algoritma K-Means dan Fuzzy C-Means (FCM) dari metode clustering dan
152
algoritma Apriori dari metode association rule yang menjadi fokus pembelajaran
algoritma FCM dan algoritma Apriori bekerja. Dalam hal ini, tahapan algoritma
ditampilkan secara rinci dan disertai proses perhitungan dari rumus-rumus yang
digunakan dalam algoritma. Hal ini dimaksudkan agar pengguna dapat memahami
dengan baik setiap proses yang dikerjakan oleh masing-masing algoritma tersebut.
aplikasi, maka pengguna dapat melihat isi dari data masukan tersebut. Keterangan
penuntun praktikum yang dapat dilihat pada Lampiran 1, Lampiran 2 dan Lampiran
3. Selain buku penuntun, terdapat pula jurnal praktikum yang akan dikerjakan oleh
praktikan untuk menuliskan hasil praktikum data mining yang telah dilakukan
Lampiran 4.
secara bertahap dan jelas. Perhitungan algoritma K-Means dan FCM ditampilkan
secara rinci pada textbox yang tersedia dan atribut-atribut dari algoritma K-Means
dan FCM seperti titik centroid, derajat keanggotaan, jarak data, dan hasil clustering
ditampilkan pada masing-masing tabel yang telah disediakan. Sama halnya dengan
153
bertahap hingga tidak terdapat lagi kombinasi item yang dapat terbentuk dan pada
akhirnya didapatkan aturan asosiasi yang memenuhi syarat. Setiap proses dalam
algoritma Apriori ditampilkan secara jelas melalui textbox dan tabel yang tersedia.
blackbox, seluruh fungsi dalam aplikasi modul praktikum data mining telah diuji
dan didapatkan hasil yang sesuai dengan yang diharapkan. Adapun hal-hal yang
diujikan dari aplikasi ini adalah pengujian antarmuka aplikasi, pengujian fungsi
oleh 10 orang responden yang merupakan mahasiswa yang telah mengambil mata
menggunakan aplikasi modul praktikum tersebut. Isi dan jawaban dari kuisioner
154
Jawaban
No. Pertanyaan Sangat Cukup Kurang Tidak
paham paham paham paham
Grafik pengelompokan K-
3. 6 4 0 0
Means
Pembentukan level itemset
4. 3 7 0 0
Apriori
Cara menghitung support,
5. confidence, dan lift pada 6 3 1 0
Apriori
Pemilihan aturan asosiasi
6. 9 1 0 0
akhir menggunakan Apriori
Kemudahan menggunakan
7. 4 6 0 0
aplikasi
Memahami tahapan kerja K-
8. Means dan Apriori setelah 5 5 0 0
menggunakan aplikasi
TOTAL 47 32 1 0
PERSENTASE (%) 58.75 40 1.25 0
aplikasi modul praktikum tersebut, terdapat 58.75% yang sangat paham, 40% yang
cukup paham, 1.25% yang kurang paham, dan 0% yang tidak paham. Oleh karena
itu, dapat dikatakan bahwa aplikasi ini dapat menjelaskan algoritma K-Means dan
155
BAB V
PENUTUP
5.1. Kesimpulan
Dari hasil analisis dan pengujian yang telah dilakukan dalam perancangan
kasus data masukan dari algoritma K-Means, FCM dan Apriori. Dalam
hal ini jenis data masukan yang digunakan berupa kasus data sederhana
kerja dari algoritma K-Means dan Apriori yang terbukti dari 10 orang
responden kuisioner, terdapat 58.75% yang sangat paham dan 40% yang
tesebut.
5.2. Saran
Clustering dan Association Rule ini tentu saja tidak terlepas dari kekurangan dan
kelemahan. Oleh karena itu, penulis berharap aplikasi ini dapat lebih dikembangkan
156
1. Sebaiknya aplikasi dikembangkan dengan menambahkan algoritma
preprocessing tersebut.
157
DAFTAR PUSTAKA
Bezdek, J. C., Ehrlich, R., & Full, W. (1984). FCM: The Fuzzy C-Means Clustering
https://mapr.com/blog/association-rule-mining-not-your-typical-data-
Frank, E., Hall, M., Holmes, G., Kirkby, R., Pfahringer, B., Witten, I. H., dan Trigg,
García, S., Luengo, J., dan Herrera, F. 2015. Data Preprocessing in Data Mining.
Kamber, M., Kaufmann, M., dan All, P. 2000. Data Mining: Concepts and
Kasus Toko Buku Gramedia Bintaro). Tugas Akhir. Jurnal Teknik Informatika
158
MathWorks Inc. 2015. Creating Graphical User Interfaces. MATLAB User Guide,
502.
Pratama, H. C., Bettiza, dan Matulatan. 2009. Data Awal Masuk Mahasiswa
Haji.
Tampubolon, K., Saragih, dan H., Reza, B. 2013. Implementasi Data Mining
Tan, P.-N., Steinbach, M., dan Kumar, V. 2005a. Association Analysis: Basic
Tan, P.-N., Steinbach, M., & Kumar, V. 2005b. Chap 8 : Cluster Analysis: Basic
2017, 1–12
159
LAMPIRAN
160