ZM M2 OGY0 OTFi NJHJ Njli MJKX MTcy ODM3 NDQ5 NM ZJ YTg 0 MTU2 ZWU2 NG

PERANCANGAN APLIKASI MODUL PRAKTIKUM
DATA MINING UNTUK CLUSTERING DAN

ASSOCIATION RULE
TUGAS AKHIR
Disusun dalam rangka memenuhi salah satu persyaratan
Untuk menyelesaikan program Strata-1 Departemen Teknik Informatika
Universitas Hasanuddin
Makassar
Disusun Oleh :
D42114302 ANGELA HERVINA GOSAL
DEPARTEMEN TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS HASANUDDIN
MAKASSAR
2018
ABSTRAK
Saat ini, algoritma-algoritma data mining dapat diimplementasikan secara

lebih efektif dengan menggunakan aplikasi data mining. Namun, aplikasi data
mining yang sudah ada tidak menjelaskan proses yang dilakukan oleh algoritma
tersebut secara rinci melainkan langsung menampilkan hasil dari algoritma
tersebut. Pemahaman mengenai konsep algoritma data mining seringkali
didapatkan melalui proses pembelajaran atau praktikum dalam perkuliahan dengan
menggunakan kasus data sederhana. Oleh karena itu, dibutuhkan adanya suatu
modul berupa tools atau aplikasi data mining, khususnya dalam ruang lingkup
praktikum data mining yang dapat menjelaskan proses algoritma secara rinci dan
akan digunakan selama pembelajaran mata kuliah Data Mining.
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
Assalamu Alaikum Wr. Wb.
Puji dan syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa karena
atas berkat rahmat dan karunia-Nya, tugas akhir yang berjudul “PERANCANGAN
APLIKASI MODUL PRAKTIKUM DATA MINING UNTUK
CLUSTERING DAN ASSOCIATION RULE” ini dapat diselesaikan sebagai
salah satu syarat dalam menyelesaikan jenjang Strata-1 pada Departemen Teknik
Informatika Fakultas Teknik Universitas Hasanuddin.
Dalam penyusunan penelitian ini disajikan hasil penelitian terkait judul
yang telah diangkat dan telah melalui proses pencarian dari berbagai sumber baik
jurnal penelitian, prosiding pada seminar-seminar nasional/internasional, buku
maupun dari situs-situs di internet.
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
senang hati menyampaikan banyak terima kasih kepada:
1) Kedua orang tua penulis, Bapak Andreas Gosal dan Ibu Lenny Lengkong
serta saudari-saudara penulis, yang senantiasa memberikan dukungan, doa,
dan semangat;
2) Bapak Dr. Indrabayu, S.T., M.T., M.Bus.Sys., selaku pembimbing 1 dan Ibu
Anugrayani Bustamin, S.T., M.T., selaku pembimbing II yang senantiasa
iv
memberikan waktu, tenaga, pikiran, perhatian, doa serta wejangan yang luar
biasa untuk mengarahkan penulis dalam penyusunan tugas akhir;
3) Bapak Amil Ahmad Ilham, S.T., M.IT., Ph.D., selaku Ketua Departemen
Teknik Informatika Fakultas Teknik Universitas Hasanuddin atas bantuan
dan bimbingannya selama masa perkuliahan penulis;
4) Ibu Intan Sari Areni selaku dosen Departemen Teknik Informatika
Universitas Hasanuddin atas bantuan, doa, wejangan serta bimbingannya
dalam penyusunan tugas akhir ini;
5) Segenap keluarga AIMP Research Group Universitas Hasanuddin yang
telah memberikan begitu banyak bantuan selama penelitian, pengambilan
data dan diskusi progress penyusunan tugas akhir serta memberikan
semangat di masa-masa sulit;
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
Himawan Sandhi, kakak Sofyan Tandungan, kakak Nurhajar Anugraha
yang telah memberikan doa, nasihat, bantuan, dukungan dan semangat
selama proses penyelesaian tugas akhir ini;
7) Seluruh teman-teman angkatan 2014 Departemen Teknik Informatika FT-
UH atas semua bantuan dan semangat yang diberikan selama ini;
8) Para sahabat dekat penulis terutama Angelina Kounang, Clara Alverina
Santoso, dan Fellicia Lionard yang telah memberikan doa, nasihat dan
semangat dalam menjalani masa-masa sulit selama penyusunan tugas akhir;

9) Segenap staf Departemen Teknik Informatika Fakultas Teknik Universitas
Hasanuddin yang telah membantu kelancaran penyelesaian tugas akhir
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
Gowa, Agustus 2018
Penulis
DAFTAR ISI
HALAMAN JUDUL ............................................. Error! Bookmark not defined.
HALAMAN PENGESAHAN ............................... Error! Bookmark not defined.
ABSTRAK ............................................................................................................. iii
KATA PENGANTAR ........................................................................................... iv
DAFTAR ISI ......................................................................................................... vii
DAFTAR GAMBAR .............................................................................................. x
DAFTAR TABEL .............................................................................................. xviii
BAB I PENDAHULUAN ....................................................................................... 1
1.1. Latar Belakang .............................................................................................1
1.2. Rumusan Masalah ........................................................................................3
1.3. Tujuan Penelitian .........................................................................................3
1.4. Batasan Penelitian ........................................................................................4
1.5. Manfaat Penelitian .......................................................................................5
1.6. Sistematika Penulisan ..................................................................................6
BAB II TINJAUAN PUSTAKA ............................................................................ 7
2.1. Modul Praktikum .........................................................................................7
2.2. Data Mining .................................................................................................9
2.3. Metode Clustering .....................................................................................15
2.3.1 Algoritma K-Means ......................................................................17
2.3.2 Algoritma Fuzzy C-Means ...........................................................20

2.4. Metode Association Rule ...........................................................................22
2.4.1. Algoritma Apriori .........................................................................25
2.5. GUIDE MATLAB .....................................................................................27
2.6. Unified Modeling Language (UML) ..........................................................30
BAB III METODOLOGI PENELITIAN ............................................................. 32
3.1. Tempat dan Waktu Penelitian ....................................................................32
3.2. Instrumen Penelitian ..................................................................................32
3.3. Metode Penelitian ......................................................................................33
3.4. Perancangan Program Algoritma ...............................................................35
3.4.1. Program Algoritma K-Means .......................................................35
3.4.2. Program Algoritma Fuzzy C-Means (FCM).................................39
3.4.3. Program Algoritma Apriori ..........................................................42
3.5. Perancangan Graphical User Interface (GUI) ............................................47
3.5.1. Rancangan Sistem ........................................................................47
3.5.2. Rancangan Antarmuka Aplikasi ...................................................51
3.6. Pengujian Perangkat Lunak .......................................................................59
BAB IV HASIL DAN PEMBAHASAN .............................................................. 60
4.1. Hasil Penelitian ..........................................................................................60
4.1.1. Hasil Implementasi GUI Aplikasi ................................................60
4.1.2. Hasil Pengujian Aplikasi ............................................................144

4.2. Pembahasan..............................................................................................152
BAB V PENUTUP ............................................................................................. 156
5.1. Kesimpulan ..............................................................................................156
5.2. Saran ........................................................................................................156
DAFTAR PUSTAKA ......................................................................................... 158
LAMPIRAN
DAFTAR GAMBAR
Gambar 2.1. Tahapan data mining sebagai proses penemuan pengetahuan (Kamber
dkk., 2000) ......................................................................................................10
Gambar 2.2. Identifikasi kelompok dengan clustering (Tan dkk., 2005b).............15
Gambar 2.3. Tahapan proses dalam K-Means clustering .......................................18
Gambar 2.4. Tampilan awal GUIDE MATLAB ....................................................29
Gambar 2.5. Contoh use case diagram ..................................................................31
Gambar 2.6. Contoh activity diagram ....................................................................31
Gambar 3.1. Diagram tahapan penelitian ...............................................................33
Gambar 3.2. Proses algoritma K-Means .................................................................35
Gambar 3.3. Proses algoritma FCM .......................................................................39
Gambar 3.4. Proses algoritma Apriori ....................................................................42
Gambar 3.5. Use case diagram aplikasi .................................................................48
Gambar 3.6. Activity diagram proses memilih algoritma.......................................48
Gambar 3.7a. Activity diagram proses menjalankan algoritma K-Means ..............49
Gambar 3.7b. Activity diagram proses menjalankan algoritma Apriori ............... 48
Gambar 3.8. Activity diagram proses menghapus data pada halaman algoritma K-
Means .............................................................................................................50
Gambar 3.9. Activity diagram proses menutup aplikasi .........................................51
Gambar 3.10. Rancangan antarmuka halaman utama aplikasi ...............................52
Gambar 3.11. Rancangan antarmuka halaman algoritma K-Means .......................53
Gambar 3.12. Rancangan antarmuka halaman algoritma FCM .............................55
x
Gambar 3.13. Rancangan antarmuka algoritma Apriori.........................................57
Gambar 4.1. Tampilan GUI halaman utama aplikasi .............................................61
Gambar 4.2. Tampilan ketika tombol “KELUAR” dari menu utama ditekan .......61
Gambar 4.3. Tampilan awal halaman algoritma K-Means .....................................62
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 4.6. Iterasi pertama kasus 1 algoritma K-Means ......................................65
Gambar 4.7. Iterasi kedua kasus 1 algoritma K-Means ..........................................67
Gambar 4.8. Nilai perubahan fungsi objektif pada iterasi kelima kasus 1 algoritma
K-Means lebih kecil dari T .............................................................................69
Gambar 4.9. Iterasi kelima kasus 1 algoritma K-Means.........................................69
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 4.13. Iterasi pertama kasus 2 algoritma K-Means ....................................72
Gambar 4.14. Iterasi kedua kasus 2 algoritma K-Means ........................................73
Gambar 4.16. Iterasi kelima kasus 2 algoritma K-Means ......................................75
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 4.20. Iterasi pertama kasus 3 algoritma K-Means ....................................78
Gambar 4.23. Iterasi kelima kasus 3 algoritma K-Means ......................................82
Gambar 4. 25. Tampilan ketika tombol “HAPUS” K-Means ditekan ....................83
Gambar 4.26. Tampilan ketika tombol “KELUAR” K-Means ditekan..................84
Gambar 4.27. Tampilan awal halaman algoritma FCM .........................................85
Gambar 4.28. Tampilan ketika parameter masukan pada kasus 1 algoritma FCM
dimuat .............................................................................................................86
Gambar 4.29. Iterasi pertama kasus 1 algoritma FCM ...........................................87
Gambar 4.30. Perhitungan jarak dan derajat keanggotaan baru pada iterasi pertama
kasus 1 algoritma FCM ..................................................................................88
Gambar 4.32. Perubahan fungsi objektif pada iterasi kedua algoritma FCM masih
di atas nilai T ..................................................................................................89
Gambar 4.33. Tampilan ketika iterasi pada kasus 3 algoritma FCM selesai .........90
Gambar 4.34. Tampilan awal halaman algoritma Apriori ......................................92
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
Apriori ............................................................................................................94
Gambar 4.38. Item 1 pada kasus 1 algoritma Apriori memenuhi batas MST ........95
Gambar 4.42. Level 1-itemset pada kasus 1 algoritma Apriori ..............................98
Gambar 4.43. Pembentukan kombinasi item 1 dengan item 1 pada kasus 1 algoritma
Apriori ............................................................................................................99
Apriori ............................................................................................................99
Gambar 4.45. Kombinasi 2 item pada kasus 1 algoritma Apriori ........................100
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 4.48. Level 2-itemset pada kasus 1 algoritma Apriori ............................102
Gambar 4.49. Pembentukan kombinasi item [1,2] dengan item 1 pada kasus 1
algoritma Apriori ..........................................................................................103
xiii
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
nilai MCT dan lift .........................................................................................108
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
Apriori ..........................................................................................................111
Gambar 4.62. Item 1 pada kasus 2 algoritma Apriori memenuhi batas MST ......112
Apriori ..........................................................................................................113
xiv
Apriori ..........................................................................................................114
Apriori ..........................................................................................................115
Gambar 4.68. Itemset [1,5] pada kasus 2 algoritma Apriori tidak memenuhi batas
MST ..............................................................................................................116
Gambar 4.71. Pembentukan kombinasi item [1,23,5] pada kasus 2 algoritma Apriori
......................................................................................................................118
Gambar 4.74. Itemset [1,23,5] pada kasus 2 algoritma Apriori tidak memenuhi batas
MST ..............................................................................................................120
Gambar 4.75. Level 3-itemset ada kasus 2 algoritma Apriori ..............................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 4.81. Pemeriksaan itemset [5,12,16,20,23] dalam dataset ID_1 pada kasus
2 algoritma Apriori .......................................................................................125
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
Apriori ..........................................................................................................130
Gambar 4.89. Item 1 pada kasus 3 algoritma Apriori memenuhi batas MST ......131
Apriori ..........................................................................................................132
Apriori ..........................................................................................................134
Gambar 4.94. Itemset [1,2] pada kasus 3 algoritma Apriori tidak memenuhi batas
MST ..............................................................................................................134
xvi
Gambar 4.97. Pembentukan kombinasi item [1,4,2] pada kasus 3 algoritma Apriori
......................................................................................................................137
Gambar 4.100. Itemset [1,4,2] pada kasus 3 algoritma Apriori tidak memenuhi batas
MST ..............................................................................................................139
Gambar 4.101. Level 3-itemset pada kasus 3 algoritma Apriori ..........................139
Gambar 4.102. Aturan [1,4] pada kasus 3 algoritma Apriori memenuhi batas MST,
MCT, dan lift ................................................................................................140
Gambar 4.103. Aturan [4,1] pada kasus 3 algoritma Apriori ...............................141
Gambar 4.104. Aturan asosiasi akhir pada kasus 3 algoritma Apriori .................142
Gambar 4.105. Tampilan ketika algoritma Apriori selesai pada kasus 3 .............142
Gambar 4.106. Tampilan ketika tombol “HAPUS” Apriori ditekan....................143
Gambar 4.107. Tampilan ketika tombol “KELUAR” Apriori ditekan.................144
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
........................................................................................................................72
........................................................................................................................78
Tabel 4.7. Hasil pengelompokan kasus 1 algoritma FCM .....................................90
Tabel 4.8. Hasil pengujian antarmuka halaman utama.........................................145
Tabel 4.9. Hasil pengujian antarmuka halaman K-Means dan FCM ...................146
Tabel 4.10. Hasil pengujian antarmuka halaman Apriori .....................................147
Tabel 4.11. Hasil pengujian fungsi dasar sistem ..................................................149
Tabel 4.12. Hasil pengujian validasi ....................................................................151
Tabel 4.13. Hasil rekapitulasi jawaban responden ...............................................154
xviii
BAB I
PENDAHULUAN
1.1. Latar Belakang
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
bermanfaat maka akan mengakibatkan kondisi “kebanjiran” data tetapi “miskin”
informasi. Untuk menemukan informasi yang terkandung dalam data-data tersebut,
maka dibutuhkan proses pengolahan data yang biasa disebut dengan data mining.
Data mining pada dasarnya merujuk pada proses mengekstrak atau
“menambang” informasi (knowledge) dari data yang sangat banyak. Data mining
biasanya disebut juga dengan penambangan informasi, ekstraksi informasi, analisis
pola/data, atau penemuan informasi dalam database (Knowledge Discovery in
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
data (data warehouse), atau tempat penyimpanan data lainnya.
Proses data mining dapat dilakukan dengan menggunakan metode-metode
data mining, seperti classification, clustering, regression, dan association rule
(Gera, 2015). Masing-masing metode tersebut memiliki beberapa algoritma yang
dapat diterapkan untuk menyelesaikan berbagai permasalahan data mining.
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
perbankan, medis, pemerintahan, pemasaran dan sebagainya. Proses
pengimplementasian data mining diformulasikan dalam bentuk algoritma.
Pemahaman mengenai konsep algoritma seringkali didapatkan melalui proses
pembelajaran atau praktikum dalam perkuliahan dengan menggunakan kasus data
sederhana. Saat ini, algoritma-algoritma data mining dapat diimplementasikan
secara lebih efektif dengan menggunakan aplikasi data mining. Salah satu aplikasi
data mining yang sering digunakan adalah Weka.
Aplikasi Weka merupakan salah satu aplikasi data mining yang dibuat oleh
mahasiswa dari Universitas Waikato yang mampu mendukung keseluruhan proses
dari data mining, termasuk menyiapkan data masukan, mengevaluasi skema
pembelajaran secara statistik, dan memvisualisasikan data masukan dan hasil
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
hasil pemrosesan data langsung ditampilkan tanpa terlebih dahulu menampilkan
tahapan proses yang terjadi secara jelas dan rinci. Akibatnya, pengguna aplikasi
Weka cenderung kesulitan dalam memahami dan mempelajari tahapan kerja
algoritma sebelum hasil tersebut didapatkan.
Untuk memberikan pemahaman mengenai tahapan proses algoritma-
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
dan Association Rule”.
1.2. Rumusan Masalah
Berdasarkan latar belakang penelitian yang telah dijelaskan, maka rumusan
masalah pada penelitian ini adalah:
1. Bagaimana tahapan algoritma dari metode clustering dan association
rule dalam menyelesaikan suatu permasalahan data mining sederhana
untuk skala praktikum?
2. Bagaimana mengetahui efisiensi aplikasi modul praktikum yang telah
dirancang dalam meningkatkan pemahaman pengguna mengenai
algoritma dari metode clustering dan association rule?
1.3. Tujuan Penelitian
Tujuan akhir yang ingin dicapai dari penelitian ini adalah:
1. Mengetahui tahapan algoritma dari metode clustering dan association
rule dalam menyelesaikan suatu permasalahan data mining sederhana
untuk skala praktikum.
3
2. Mengetahui efisiensi aplikasi modul praktikum yang telah dirancang
dalam meningkatkan pemahaman pengguna mengenai algoritma dari
metode clustering dan association rule.
1.4. Batasan Penelitian
Yang menjadi batasan masalah dalam penelitian ini adalah:
1. Algoritma yang diterapkan berdasar pada algoritma dari metode
clustering dan association rule yang sering digunakan selama
pembelajaran data mining, yakni algoritma K-Means, algoritma Fuzzy
C-Means (FCM) dan algoritma Apriori.
2. Aplikasi dibangun dengan menggunakan perangkat lunak MATLAB
versi R2016a.
3. Data masukan yang tersedia dalam aplikasi modul praktikum berupa 3
contoh kasus untuk masing-masing algoritma dalam format file
Microsoft Excel. Selain data masukan yang tersedia, pengguna juga
dapat memasukkan data masukan lainnya dengan ketentuan sebagai
berikut:
a. Untuk algoritma K-Means dan FCM, data masukan tersebut harus:
• dalam format file Microsoft Excel
• berupa data yang telah melalui tahap preprocessing dan siap
dikelompokkan oleh algoritma K-Means dan FCM
• 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:
• File data transaksi yang akan diasosiasikan yang harus:
o dalam format file Microsoft Excel
o isi kasus data ditransformasikan menjadi angka biner agar
mudah dipahami dalam aplikasi
o judul setiap item ditulis pada baris pertama dan judul setiap
transaksi ditulis pada kolom pertama
• File .mat yang akan dibaca oleh program Apriori yang harus:
o Dibuat dalam MATLAB dengan menggunakan format
fungsi “save matfile1 m” di mana matfile1 merupakan
nama file .mat tersebut dan m merupakan variabel untuk
menyimpan data tersebut dalam matfile1.
1.5. Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah:
1. Bagi institusi, aplikasi ini diharapkan dapat menjadi media dan bahan
pembelajaran saat melakukan praktikum data mining.
2. Bagi mahasiswa, aplikasi ini diharapkan dapat menjadi referensi dan
bahan acuan untuk memahami proses yang terjadi selama algoritma K-
Means, Fuzzy C-Means, dan Apriori bekerja.
3. Bagi peneliti, aplikasi ini diharapkan dapat menambah pengetahuan
mengenai tahapan proses algoritma K-Means, Fuzzy C-Means, dan
Apriori.
5
1.6. Sistematika Penulisan
Untuk memberikan gambaran singkat mengenai isi tulisan secara
keseluruhan, maka akan diuraikan beberapa tahapan dari penulisan secara
sistematis, yaitu:
BAB I PENDAHULUAN
Bab ini menguraikan secara umum mengenai hal yang menyangkut latar belakang,
perumusan masalah, tujuan, batasan penelitian, manfaat, dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Bab ini berisi teori-teori tentang hal-hal yang berhubungan dengan data mining,
serta metode dan algoritma yang diterapkan dalam aplikasi.
BAB III METODOLOGI PENELITIAN
Bab ini berisi tentang perencanaan dan penerapan algoritma serta teknik
pengolahan data.
BAB IV HASIL DAN PEMBAHASAN
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
yang telah dilakukan serta saran-saran untuk pengembangan lebih lanjut.
6
BAB II
TINJAUAN PUSTAKA
2.1. Modul Praktikum
Menurut Kamus Besar Bahasa Indonesia (KBBI), modul adalah kegiatan
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
mengukur keberhasilan murid dalam penyelesaian pelajaran. Secara umum, modul
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
selama kegiatan belajar-mengajar berlangsung.
Menurut Departemen Pendidikan Nasional tahun 2008, sebuah modul
dikatakan baik apabila memenuhi beberapa karakteristik sebagai berikut:
1. Self Instructional, yaitu melalui modul tersebut seseorang atau peserta
didik mampu membelajarkan diri sendiri, tidak tergantung dengan pihak
lain.
2. Self Contained, yaitu seluruh materi pembelajaran dari satu unit
kompetensi atau subkompetensi yang dipelajari terdapat di dalam satu
modul secara utuh. Tujuan dari konsep ini adalah memberikan
kesempatan kepada peserta didik untuk mempelajari materi
7
pembelajaran secara tuntas, karena materi dikemas dalam satu kesatuan
yang utuh. Jika harus dilakukan pembagian atau pemisahan materi dari
satu unit kompetensi harus dilakukan dengan hati-hati dan
memperhatikan keluasan kompetensi yang harus dikuasai.
3. Stand Alone, yaitu modul yang dikembangkan tidak tergantung kepada
media lain atau tidak harus digunakan bersama-sama dengan media
pembelajaran lain. Dengan menggunakan modul, peserta didik tidak
tergantung dan harus menggunakan media yang lain untuk mempelajari
dan atau mengerjakan tugas pada modul tersebut. Jika masih
menggunakan dan bergantung pada media lain selain modul yang
digunakan, maka media tersebut tidak dikategorikan sebagai media
yang berdiri sendiri.
4. Adaptive, yaitu modul hendaknya memiliki daya adaptif yang tinggi
terhadap perkembangan ilmu dan teknologi. Dikatakan adaptif jika
modul dapat menyesuaikan perkembangan ilmu pengetahuan dan
teknologi, serta fleksibel digunakan. Dengan memperhatikan
percepatan perkembangan ilmu dan teknologi, pengembangan modul
multimedia hendaknya tetap bersifat kekinian (up to date). Modul yang
adaptif adalah jika isi materi pembelajaran dapat digunakan sampai
dengan kurun waktu tertentu.
5. User Friendly, yaitu setiap instruksi dan paparan informasi yang
ditampilkan dalam modul hendaknya bersifat membantu dan bersahabat
dengan penggunanya, termasuk kemudahan pengguna dalam merespon
8
dan mengakses sesuai dengan keinginan. Penggunaan bahasa yang
sederhana, mudah dimengerti serta menggunakan istilah yang umum
digunakan merupakan salah satu bentuk user friendly.
2.2. Data Mining
Alasan utama mengapa data mining telah banyak menarik perhatian dan
perindustrian informasi beberapa tahun belakangan ini adalah dikarenakan oleh
adanya ketersediaan data dalam jumlah yang sangat besar dan kebutuhan mendesak
untuk mengubah data tersebut menjadi suatu informasi dan pengetahuan yang
berguna. Informasi dan pengetahuan tersebut dapat digunakan untuk
pengaplikasian mulai dari manajemen bisnis, kontrol produksi, dan analisis pasar,
untuk desain teknik dan eksplorasi ilmu.
Data yang sangat melimpah, bersama dengan kebutuhan analisis data,
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.
Akibatnya, keputusan penting sering diambil bukan berdasarkan informasi yang
didapat dari kekayaan data yang tersimpan dalam database tetapi lebih kepada
insting seorang pengambil keputusan, karena pengambil keputusan tersebut tidak
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
kuburan” menjadi “bongkahan emas” dari pengetahuan (Kamber dkk., 2000).
Gambar 2.1. Tahapan data mining sebagai proses penemuan

pengetahuan (Kamber dkk., 2000)
Secara sederhana, data mining merujuk kepada proses menambang atau
mengekstrak pengetahuan dari data dengan jumlah yang sangat besar. Terdapat
pula berbagai istilah yang memiliki makna yang sama dengan data mining, seperti
ekstraksi informasi, analisis data/pola, pengerukan data, dan penemuan
pengetahuan dalam database (Knowledge Discovery in Databases atau KDD).
10
Gambar 2.1 merupakan tahapan proses data mining yang terbagi menjadi beberapa
langkah berurut sebagai berikut (Kamber dkk., 2000) :
1. data cleaning atau pembersihan data yang bertujuan untuk
menghilangkan bising (noise) dan data-data yang tidak relevant
2. data integration atau integrasi data yang bertujuan untuk
menggabungkan beberapa sumber data
3. data selection atau seleksi data di mana data yang relevan dengan tugas
analisis diambil kembali dari database
4. data transformation atau transformasi data di mana data diubah ke
bentuk yang sesuai untuk proses pengolahan data
5. data mining atau penambangan data yang merupakan proses inti di mana
metode cerdas diterapkan agar dapat mengekstrak pola data
6. pattern evaluation atau evaluasi pola untuk mengidentifikasi pola
penting yang sesungguhnya yang dapat menginterpretasikan suatu
pengetahuan berdasarkan tingkat kepentingannya
7. knowledge presentation atau presentasi informasi/pengetahuan di mana
teknik visualisasi dan representasi pengetahuan digunakan untuk
menunjukkan informasi yang didapatkan pada pengguna
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
yang tersembunyi untuk proses evaluasi (Kamber dkk., 2000).
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
adanya proses preprocessing data untuk menghilangkan faktor-faktor negatif
tersebut (García dkk., 2015). Proses preprocessing data tersebut terbagi menjadi
beberapa tahap sebagai berikut:
1. Pembersihan data, yang bertujuan untuk menghilangkan nilai-nilai data
yang salah, memperbaiki kekacauan data dan memeriksa data yang tidak
konsisten. Penyebab kurang baiknya kualitas data mentah adalah karena
adanya kesalahan dalam penyimpanan dan pengukuran, tapi bisa juga
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
tersimpan sehingga nilai default otomatis tersimpan.
2. Transformasi data, yang bertujuan untuk normalisasi dan pengumpulan

data sehingga menjadi suatu bentuk sama. Contoh: Pada tabel berikut
12
ini, tiap faktor memiliki skala yang tidak sama, ada yang besar dan ada
yang kecil.
Dari tabel di atas, dapat dilihat bahwa terdapat ketidakadilan karena

skala nilai yang dimiliki oleh masing-masing faktor berbeda. Untuk
mendapatkan hasil yang lebih adil mengunakan 2 cara:
a. Merangking Pilihan dari tiap faktor
Caranya:
• Memberi rangking per baris
• Menormalkan jumlah dengan cara
Tabel Evaluasi berdasarkan rangking
b. Mengubah nilai sehingga tiap faktor mempunyai nilai yang sama

Caranya:
13
• Untuk mengubahnya supaya mempunyai range 0-1,
menggunakan cara geometri sederhana pada garis lurus.
Keterangan:
Nab : batas atas nilai baru
Nbb : batas bawah nilai baru
Naa : batas atas nilai asli
Nba : batas bawah nilai asli
Tabel Evaluasi berdasarkan range 0-1
3. Integrasi data, yang bertujuan untuk menggabungkan data dari beberapa
sumber (database, data cube, atau file) ke dalam suatu penyimpanan
data yang sesuai.
4. Reduksi data, yang bertujuan untuk menguraikan data ke dalam ukuran
yang lebih kecil sehingga data mudah diproses tetapi tetap
menghasilkan hasil analisis yang sama. Adapun tahap diskretisasi data
14
yang mirip dengan reduksi data tetapi lebih digunakan untuk data yang
bersifat numerik.
2.3. Metode Clustering
Clustering merupakan salah satu metode data mining yang
mengelompokkan data berdasarkan informasi yang menjelaskan mengenai objek
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
antarobjek pengelompokannya seperti yang diilustrasikan dalam Gambar 2.2. Hal
ini disebut dengan distance-based clustering atau pengelompokan data berdasarkan
jarak. Semakin besar jarak antarobjek dalam kelompok dan semakin kecil jarak
objek antarkelompok, maka semakin baik dan semakin jelas kelompok data yang
terbentuk (Tan dkk., 2005b).
Gambar 2.2. Identifikasi kelompok dengan clustering

(Tan dkk., 2005b)
15
Metode clustering seringkali disebut sebagai metode klasifikasi yang tidak
terawasi (unsupervised). Namun, kedua metode ini memiliki perbedaan yang cukup
signifikan. Dalam klasifikasi terdapat informasi mengenai bagaimana objek-objek
dikelompokkan, lalu dilakukan proses latih pada sistem terhadap objek yang sudah
diberi label untuk mengetahui ke dalam kelompok mana objek tersebut
ditempatkan, dan akhirnya sistem akan mengklasifikasikan objek yang baru dalam
kelompok yang sudah ada, sehingga tidak ada penambahan kelompok. Sedangkan
dalam clustering, jumlah kelompok diasumsikan sendiri tanpa adanya ketentuan
dan informasi terlebih dahulu mengenai data yang akan dikelompokkan, sehingga
didapatkan pengelompokan alami berdasarkan sifat yang dimiliki oleh objek-objek
yang tak berlabel sebelumnya (Tan dkk., 2005b).
Agar lebih jelas, pengaturan buku dalam perpustakaan dapat dijadikan
sebagai contoh. Dalam perpustakaan, tersedia berbagai jenis buku dengan berbagai
topik yang sangat luas. Tantangannya adalah bagaimana menyimpan buku-buku
tersebut secara teratur agar para pembaca dapat mengambil beberapa buku
sekaligus dengan topik tertentu tanpa kewalahan. Dengan menggunakan teknik
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).
Metode clustering dapat diterapkan dalam berbagai bidang antara lain
(Wakhidah, 2014) :
16
1. Bidang pemasaran untuk mencari kelompok pelanggan yang mirip
dengan perilakunya dengan cara memperoleh properti dan catatan masa
lalu dari database yang besar yang berisi data seluruh pelanggan
2. Bidang biologi untuk klasifikasi tanaman dan binatang
3. Bidang perpustakaan untuk mengelompokkan buku-buku berdasarkan
topiknya
4. Bidang perencanaan kota untuk mengidentifikasi kelompok rumah
sesuai dengan tipe rumah, nilai, dan lokasi geografisnya
2.3.1 Algoritma K-Means
Salah satu algoritma yang digunakan dari metode clustering adalah
algoritma K-Means. Algoritma K-Means merupakan algoritma clustering yang
melakukan pengelompokan data sejumlah n sebanyak k cluster, di mana n dan k
merupakan bilangan bulat positif. Pengelompokan ini dilakukan dengan
meminimalisir total jarak antara data dan titik pusat (centroid) dari cluster yang
bersesuaian (Teknomo, 2007).
Jika jumlah data lebih kecil daripada jumlah cluster yang diinginkan maka
setiap data dapat dijadikan centroid untuk setiap cluster, sehingga setiap centroid
akan memiliki nomor cluster-nya masing-masing. Sedangkan, jika jumlah data
lebih besar daripada jumlah cluster yang diinginkan maka untuk setiap data akan
dikalkulasikan jaraknya terhadap masing-masing centroid yang terbentuk agar
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).
Gambar 2.3. Tahapan proses dalam K-Means clustering
Gambar 2.3 menunjukkan tahapan proses yang terjadi saat melakukan
pengelompokan data menggunakan algoritma K-Means. Dalam Gambar 2.3(a)
terlihat sekumpulan data yang akan dikelompokkan menjadi 2 cluster dengan
terlebih dahulu menentukan titik pusat (centroid) dari masing-masing cluster secara
acak, seperti yang terlihat dalam Gambar 2.3 (b). Setelah mendapatkan centroid
dari masing-masing cluster, selanjutnya dilakukan perhitungan jarak dari setiap
data yang ada terhadap setiap centroid dan memperhatikan jarak terkecilnya
sehingga didapatkan anggota dari masing-masing cluster tersebut seperti yang
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.
Secara sederhana, langkah-langkah dalam menyelesaikan algoritma K-
Means sebagai berikut (Tan dkk., 2005b):
1. Menentukan jumlah cluster (K) yang ingin dibentuk. Jika perlu,
tetapkan ambang batas (T) perubahan posisi centroid.
2. Menentukan titik centroid dari setiap cluster yang akan dibentuk. Pada
awal iterasi, penentuan centroid dapat dilakukan secara acak.
Sedangkan untu iterasi selanjutnya, penentuan centroid dilakukan
dengan menghitung rata-rata nilai dari setiap data dari masing-masing
cluster.
3. Menghitung jarak antara setiap data terhadap setiap titik centroid.
Perhitungan jarak ini biasanya dilakukan dengan menggunakan
persamaan Euclidean Distance yakni:
2
𝐷(𝑥𝑖 , 𝑐𝑗 ) = √∑(𝑥𝑖 − 𝑐𝑗 ) ................................................................. (1)
di mana:
• D(xi , cj) adalah jarak antara data xi terhadap cj
19
• xi adalah data ke-i di mana i adalah jumlah data
• cj adalah centroid cluster j di mana j adalah jumlah cluster
4. Mengelompokkan objek. Penentuan anggota cluster dilakukan dengan
membandingkan jarak centroid dari masing-masing cluster. Data
tersebut akan dikelompokkan dalam cluster yang memiliki jarak
centroid paling kecil dari seluruh cluster.
5. Jika anggota setiap cluster masih berpindah, maka dilakukan perulangan
dari langkah ke-2 hingga akhir dan berhenti saat seluruh data anggota
cluster tidak berpindah lagi ke cluster lain.
2.3.2 Algoritma Fuzzy C-Means
Metode clustering dengan algoritma Fuzzy C-Means (FCM) didasarkan
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
keanggotaan yang jangkauan nilainya 0 sampai 1. Nilai keanggotaan suatu data
dalam sebuah himpunan menjadi 0 ketika sama sekali tidak menjadi anggota, dan
menjadi 1 ketika menjadi anggota secara penuh dalam suatu himpunan. Umumnya,
nilai keanggotaannya antara 0 dan 1. Semakin tinggi nilai keanggotaannya maka
semakin tinggi derajat keanggotaannya, dan semakin kecil nilainya maka semakin
rendah derajat keanggotaannya (Zadeh, 1965).
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
keanggotaan pada setiap himpunan.
Asumsikan terdapat sejumlah data dalam set data X yang berisi n data dan
berdimensi m. Data tersebut akan dikelompokkan dengan menghitung jaraknya
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
berikut (Bezdek dkk, 1984):
1. Melakukan inisialisasi dengan menentukan jumlah cluster yang akan
dibentuk (k ≥ 2), menentukan bobot pangkat (w > 1), menentukan
ambang batas perubahan nilai fungsi objektif (T). Parameter 𝑐𝑗 adalah
cluster ke-j sedangkan w adalah bobot pangkat (weighting exponent)
yang bernilai w > 1 dan umumnya diberi nilai 2.
2. Menetapkan nilai derajat keanggotaan awal secara acak pada matriks
partisi fuzzy (U) dengan syarat jumlah setiap data selalu sama dengan 1.
21
Nilai keanggotaan tersebut disimpan dalam matriks partisi fuzzy
berukuran Nxk, di mana baris merupakan data sedangkan kolom
merupakan nilai keanggotaan pada setiap cluster. Bentuknya adalah
sebagai berikut:
𝑢11 (𝑥1 ) 𝑢12 (𝑥1 ) ⋯ 𝑢1𝑘 (𝑥1 )

𝑈=[ ⋮ ⋱ ⋮ ] ......................................... (2)
𝑢𝑛1 (𝑥𝑛 ) ⋯ 𝑢𝑛𝑘 (𝑥𝑛 )
3. Menghitung titik centroid dari masing-masing cluster menggunakan
persamaan berikut:
∑𝑁 𝑤
𝑖=1 (𝑈𝑖𝑙 ) .𝑥𝑖𝑗
𝑐𝑖𝑗 = ∑𝑁 𝑤 ............................................................................... (3)
𝑖=1 (𝑈𝑖𝑙 )
4. Membentuk matriks partisi yang baru dengan menghitung derajat
keanggotaan setiap data pada setiap cluster menggunakan persamaan
beriku:
−2
𝐷(𝑥𝑖 ,𝑐𝑗 )𝑤−1
𝑢𝑖𝑗 = −2 ........................................................................... (4)
∑𝑘
𝑙=1 𝐷(𝑥𝑖 ,𝑐𝑙 )
𝑤−1
5. Menghitung nilai fungsi objektif dengan menggunakan persamaan
berikut:
𝐽 = ∑𝑁 𝑘 𝑤 2
𝑖=1 ∑𝑙=1(𝑢𝑖𝑗 ) 𝐷(𝑥𝑖 , 𝑐𝑙 ) ...................................................... (5)
6. Mengulangi langkah 3 sampai 5 sampai nilai perubahan fungsi objektif
yang didapatkan lebih rendah dari nilai ambang batas yang diterapkan.
2.4. Metode Association Rule
Algoritma mesin pembelajaran yang digunakan dalam data mining dan data
ilmiah biasanya berhubungan dengan data numerik serta cenderung sangat
22
matematikal. Namun, berbeda dengan metode aturan asosiasi. Metode aturan
asosiasi atau association rule merupakan salah satu metode data mining yang
mengolah data kategorikal menggunakan perhitungan sederhana dan bertujuan
untuk menemukan pola, asosiasi, korelasi atau hubungan sebab-akibat (antecedent-
consequent) dari seperangkat barang atau item di dalam database (Borne, 2014).
Tabel 2.1. Contoh market basket transaction (Tan dkk., 2005a)
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}
Kebanyakan perusahaan bisnis mengakumulasikan data dalam jumlah besar
dari operasi sehari-hari mereka. Misalnya, sejumlah besar data pembelian
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
terjadi untuk mempelajari perilaku pembelian pelanggan mereka. Informasi
berharga seperti ini dapat digunakan untuk mendukung berbagai aplikasi terkait
bisnis seperti promosi pemasaran, manajemen inventaris, dan manajemen
hubungan pelanggan (Tan dkk., 2005a).
23
Metodologi dasar aturan asosiasi dijelaskan sebagai berikut (Tampubolon
dkk., 2013) :
1. Pembentukan Pola Frekuensi Tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari
nilai support dalam suatu database. Nilai support adalah nilai penunjang
atau persentase kombinasi sebuah item muncul bersamaan dalam suatu
database. Semakin besar nilai support menandakan semakin banyak
data pendukung yang ditemukan dalam database. Nilai support sebuah
item diperoleh dari persamaan:
∑ Transaksi yang mengandung 𝐴

Support(𝐴) = 𝑥 100% ....................... (6)
Total transaksi
Nilai support dari 2 item diperoleh dari persamaan:
∑ Transaksi yang mengandung 𝐴 𝑑𝑎𝑛 𝐵

Support(𝐴 ⋃ 𝐵) = 𝑥 100% ...... (7)
Total transaksi
2. Pembentukan Aturan Asosiasi
Setelah seluruh pola frekuensi tinggi ditemukan, maka tahap selanjutnya
adalah membentuk aturan asosiasi dengan melihat kombinasi item yang
memenuhi syarat minimum dari nilai confidence. Nilai confidence
adalah nilai keyakinan berupa kuatnya hubungan antar-item yang
didapatkan. Semakin besar nilai confidence menandakan semakin besar
kemungkinan kombinasi item muncul secara bersamaan. Persamaan
24
dari nilai confidence dengan menggunakan kondisi “jika A maka B”
adalah:
∑ Transaksi yang mengandung 𝐴 & 𝐵

Confidence P(𝐵|𝐴) = 𝑥 100% .... (8)
∑ Transaksi yang mengandung A
3. Rasio Peningkatan (Lift Ratio)
Lift Ratio merupakan nilai yang menunjukkan keabsahan aturan yang
terbentuk dalam proses transaksi dan memberikan informasi apakah
benar produk A dibeli bersamaan dengan produk B. Lift Ratio mengukur
seberapa penting aturan yang telah terbentuk berdasarkan nilai support
dan confidence yang telah didapatkan sebelumnya. Jika nilai lift ratio
kurang dari atau sama dengan 1, maka hubungan sebab-akibat yang
terjadi bersifat saling lepas satu sama lain. Sedangkan, jika nilai lift ratio
lebih dari 1, maka hubungan sebab-akibat yang terjadi bersifat saling
berhubungan satu sama lain dan dapat dikatakan kejadian tersebut
bukan kebetulan dan akan berulang. Nilai lift ratio diperoleh dari
persamaan:
𝑠𝑢𝑝𝑝𝑜𝑟𝑡 (A ∪ B)
Lift (A ⇒ B) = ................................................ (9)
𝑠𝑢𝑝𝑝𝑜𝑟𝑡(A)×𝑠𝑢𝑝𝑝𝑜𝑟𝑡(B)
2.4.1. Algoritma Apriori
Salah satu algoritma yang sering digunakan dalam metode aturan asosiasi
adalah algoritma Apriori. Algoritma Apriori merupakan algoritma dasar yang
diusulkan oleh Agrawal dan Srikan di tahun 1994 (Listriani dkk., 2016). Algoritma
25
Apriori adalah algoritma yang melakukan pencarian itemset yang sering muncul
secara bersamaan dalam satu kejadian (frequent itemset) dengan menggunakan
teknik association rule. Algoritma Apriori menggunakan pengetahuan frekuensi
atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya
(Pratama dkk., 2009).
Terdapat dua proses utama yang dilakukan oleh algoritma Apriori untuk
membentuk kandidat itemset, yakni (Listriani dkk., 2016) :
1. Join Step (Penggabungan)
Pada proses ini, setiap item dikombinasikan dengan item lainnya sampai
tidak terbentuk kombinasi lagi.
2. Prune Step (Pemangkasan)
Pada proses ini, hasil dari item yang telah dikombinasikan kemudian
dipangkas berdasarkan parameter yang telah ditetapkan sebelumnya.
Cara kerja algoritma Apriori terbagi menjadi beberapa tahap sebagai berikut
(Tan dkk., 2005a) :
1. Pembentukan Kandidat Itemset
Pembentukan itemset dimulai dari level 1-itemset dengan menghitung
nilai support dari setiap item yang terdapat dalam database. Kandidat k-
itemset selanjutnya dibentuk dari kombinasi (k-1)-itemset yang didapat
dari iterasi sebelumnya. Salah satu cara dari algoritma Apriori adalah
pemangkasan kandidat k-itemset yang subsetnya berisi k-1 item tidak
termasuk dalam pola frekuensi tinggi dengan panjang k-1.
26
2. Perhitungan Support dari Setiap Kandidat K-Itemset
Support dari setiap kandidat k-itemset didapat dengan melakukan
pemindaian (scan) database untuk menghitung jumlah transaksi yang
memuat seluruh item di dalam kandidat k-itemset tersebut. Hal ini juga
merupakan ciri dari algoritma Apriori untuk menemukan k-itemset
terpanjang dari seluruh database.
3. Penetapan Pola Frekuensi Tinggi
Pola frekuensi tinggi yang memuat k-item atau k-itemset ditetapkan dari
kandidat k-itemset yang memiliki nilai support lebih besar dari nilai
ambang batas support terkecil atau Minimum Support Threshold (MST).
Hal ini disebut juga dengan pembentukan frequent itemset.
4. Bila tidak ada lagi pola frekuensi tinggi baru yang dapat dibentuk maka
seluruh proses dihentikan dan didapatkan aturan-aturan asosiasi yang
memenuhi syarat MST. Aturan-aturan asosiasi tersebut kemudian
disaring untuk mendapatkan aturan akhir yang lebih besar dari nilai
ambang batas confidence terkecil atau Minimum Confidence Threshold
(MCT) dan memiliki nilai lift yang lebih besar dari 1.
2.5. GUIDE MATLAB
Tampilan antarmuka pengguna atau user interface (UI) merupakan sebuah
tampilan grafis dalam satu jendela atau lebih yang berisi komponen-komponen
yang memungkinkan pengguna untuk melaksanakan tugas-tugas interaktif.
Pengguna tidak harus membuat skrip atau mengetikkan perintah pada command
27
line untuk menjalankan tugas tersebut. Tidak seperti program pengkodean untuk
menjalankan suatu tugas, pengguna tidak perlu memahami detail tentang
bagaimana tugas dilakukan (MathWorks Inc., 2015).
Secara umum, UI menunggu pengguna untuk memanipulasi kontrol, dan
kemudian menanggapi setiap tindakan pengguna secara bergantian. Setiap kontrol,
dan UI itu sendiri, memiliki satu atau lebih callback, disebut demikian karena fakta
bahwa mereka "memanggil kembali" ke MATLAB untuk memintanya melakukan
tugas atau tindakan tertentu. Tindakan tertentu pengguna yang dapat dilakukan
adalah seperti menekan tombol layar, melewatkan kursor di atas komponen, atau
memicu eksekusi setiap panggilan balik. UI kemudian menanggapi tindakan-
tindakan ini. Pengguna, sebagai pencipta UI, menulis callback yang mendefinisikan
apa yang dilakukan komponen untuk menangani tindakan yang disebut events
(MathWorks Inc., 2015).
GUIDE (GUI Builder) adalah lingkungan pengembangan yang
menyediakan seperangkat alat untuk menciptakan berbagai UI dalam MATLAB.
Alat-alat ini menyederhanakan proses peletakan dan pemrograman UI. Pembuatan
UI menggunakan GUIDE MATLAB terbagi menjadi dua bagian, yakni bagian tata
letak UI (UI Layout) dan bagian pemrograman UI (UI Programming).
1. UI Layout
Dengan menggunakan GUIDE Layout Editor, pengguna dapat mengisi
UI dengan mengklik dan menyeret komponen UI ke dalam area tata
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
komponen, menyelaraskan komponen, mengatur urutan tab, melihat
Gambar 2.4. Tampilan awal GUIDE MATLAB
daftar hirarkis objek-objek komponen, dan mengatur pilihan-pilihan
yang tersedia dalam UI (MathWorks Inc., 2015).
2. UI Programming
GUIDE secara otomatis mengeluarkan file program berisi fungsi
MATLAB yang mengontrol bagaimana UI berperilaku. File program ini
menyediakan kode untuk menginisialisasi UI dan berisi kerangka kerja
(framework) bagi callback UI. Callback adalah fungsi yang dijalankan
ketika pengguna berinteraksi dengan komponen UI. Pengguna dapat
menggunakan MATLAB Editor untuk menambahkan kode ke dalam
callback ini (MathWorks Inc., 2015).
29
GUIDE MATLAB mempunyai kelebihan tersendiri dibandingkan dengan
bahasa pemrograman lainnya antara lain (Wijaya, 2009) :
1. GUIDE banyak digunakan dan cocok untuk aplikasi-aplikasi
berorientasi sains sehingga banyak penulis dan mahasiswa
menggunakan GUIDE untuk menyelesaikan riset atau tugas akhirnya.
2. GUIDE menyediakan fungsi built-in yang siap digunakan dan pengguna
tidak perlu repot membuatnya sendiri.
3. Ukuran file, baik FIG-file maupun M-file, yang dihasilkan relatif kecil.
4. Kemampuan grafisnya cukup handal dan tidak kalah dibandingkan
dengan bahasa pemrograman lainnya.
2.6. Unified Modeling Language (UML)
UML merupakan bahasa standar yang digunakan untuk menjelaskan dan
memvisualisasikan proses analisis dan desain yang menggunakan konsep
berorientasi objek yang dapat dipahami oleh manusia dan mesin. UML juga
menyediakan standar pada notasi dan diagram yang bisa digunakan untuk
memodelkan suatu sistem. UML dikembangkan oleh 3 pendekar “berorientasi
objek”, yaitu Grady Booch, Jim Rumbaugh, dan Ivar Jacobson. UML menyediakan
notasi-notasi yang membantu memodelkan sistem dari berbagai prespetktif. UML
tidak hanya digunakan dalam pemodelan perangkat lunak, namun hampir dalam
seluruh bidang yang membutuhkan pemodelan.
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.
1. Use Case Diagram
Use case diagram yaitu salah satu jenis diagram pada UML yang
menggambarkan interaksi antara sistem dan penggunanya seperti pada Gambar 2.5.
Gambar 2.5. Contoh use case diagram
2. Activity Diagram
Activity diagram yaitu salah satu jenis diagram dari UML yang dapat
memodelkan proses-proses yang terjadi pada keseluruhan sistem seperti pada
Gambar 2.6 berikut.
Gambar 2.6. Contoh activity diagram
31
BAB III
METODOLOGI PENELITIAN
3.1. Tempat dan Waktu Penelitian
Pelaksanaan penelitian bertempat di Laboratorium Kecerdasan Buatan
Departemen Teknik Informatika Universitas Hasanuddin. Waktu penelitian
dilakukan selama 4 bulan dimulai sejak disetujuinya proposal penelitian ini pada
akhir bulan Maret 2018 hingga pelaporan hasil penelitian pada Juli 2018.
3.2. Instrumen Penelitian
Instrumen yang digunakan dalam penelitian ini adalah:
1. Perangkat Keras
• Laptop Lenovo ideapad 310 dengan spesifikasi sebagai berikut:
o Intel® Core ™ i5-72000U
o RAM sebesar 4GB
o 64-bit operating system, x64-based processor
o Windows 10 Pro
2. Perangkat Lunak
• MATLAB versi R2016a
32
3.3. Metode Penelitian
Metode penelitian yang dilakukan terbagi menjadi beberapa tahap
sebagaimana ditunjukkan oleh Gambar 3.1 berikut.
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
Gambar 3.1. Diagram tahapan penelitian
Secara garis besar, tahapan yang dilakukan dalam penelitian ini dijelaskan sebagai
berikut:
1. Studi Literatur Terkait
Pada tahap ini dilakukan pencarian penelitian terkait algoritma K-
Means, Fuzzy C-Means dan Apriori, baik secara perhitungan manual
maupun pemrograman menggunakan MATLAB. Selain itu, dilakukan
pula pencarian dokumentasi hasil penelitian-penelitian sebelumnya
terkait algoritma data mining tersebut.
2. Penyusunan Penuntun dan Format Jurnal Praktikum
Pada tahap ini dilakukan penyusunan penuntun praktikum data mining
yang berfungsi sebagai pedoman mahasiswa dalam menjalankan
memahami tahapan proses yang terjadi pada aplikasi modul praktikum
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.
3. Perancangan Program Algoritma
Pada tahap ini dilakukan perancangan program algoritma data mining
yang diterapkan yakni algoritma K-Means, Fuzzy C-Means dan Apriori
dengan menggunakan perangkat lunak MATLAB versi R2016a.
4. Perancangan Graphical User Interface (GUI)
Dalam perancangan GUI, program algoritma K-Means, Fuzzy C-Means
dan Apriori diimplementasikan ke dalam GUI menggunakan GUIDE
yang terdapat pada MATLAB. Perancangan GUI aplikasi modul
praktikum ini terbagi menjadi 2 bagian, yakni rancangan sistem yang
menggunakan use case diagram dan activity diagram serta rancangan
antarmuka aplikasi.
5. Pengujian Sistem
Pada tahap ini dilakukan pengujian sistem untuk keseluruhan aplikasi
modul praktikum yang telah dirancang. Pengujian sistem dilakukan
dengan menggunakan metode pengujian blackbox dan melalui kuisioner
untuk menilai efisiensi aplikasi tersebut.
6. Pembuatan Laporan
34
Setelah melakukan tahap-tahap penelitian di atas, maka keseluruhan
tahapan yang dilakukan beserta hasil dan analisanya dirampungkan
dalam pembuatan laporan penelitian.
3.4. Perancangan Program Algoritma
3.4.1. Program Algoritma K-Means
Program algoritma K-Means dirancang berdasarkan alur proses kerja
algoritma sebagaimana yang ditunjukkan oleh Gambar 3.2 berikut:
Gambar 3.2. Proses algoritma K-Means
Flowchart pada Gambar 3.2 menjelaskan proses kerja algoritma K-Means
yang diuraikan sebagai berikut:
1. Memasukkan parameter yang digunakan yakni data yang ingin
dikelompokkan, jumlah cluster yang ingin dibentuk (K), dan nilai
35
ambang batas (T) perubahan posisi centroid. Berikut ini merupakan
potongan kode program dari proses memuat parameter masukan.
%% 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
merupakan potongan kode program untuk menentukan titik centroid
awal.
%% PENENTUAN CENTROID AWAL

disp('***Inisialisasi Titik Centroid Awal (Cmeans)***\n');
R = randperm(Ndata); %secara acak
for c=1:K
Cmeans(c,:) = X(R(1,c)',:);
fprintf('\nTitik Centroid %d : %1.4f %1.4f',c,Cmeans(c,:));
end
fprintf('\n');
3. Memulai iterasi dengan menghitung jarak setiap titik data terhadap
setiap titik centroid dengan menggunakan persamaan Euclidean
Distance. Setelah itu, membandingkan jarak data dari centroid yang satu
terhadap centroid yang lainnya. Data tersebut akan dikelompokkan ke
dalam cluster yang memiliki jarak centroid paling kecil dari seluruhnya.
Berikut ini merupakan potongan kode program untuk menghitung jarak.
%% MENGELOMPOKKAN SETIAP OBJEK DATA DALAM MASING-MASING CENTROID

for a=1:Ndata
for b=1:K
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));
Cmeans_temp(index_min,:) = Cmeans_temp(index_min,:) + X(a,:);

Ncluster_temp(index_min) = Ncluster_temp(index_min) + 1;
fprintf('Jarak terkecil adalah ke centroid %d dengan nilai %1.3f

sehingga data %d masuk dalam cluster %d. \n', ...
index_min,dist(index_min),a,index_min);
fprintf('\n');
indexAndCluster(a,:) = [a,index_min];
[aO,aS] = sort(indexAndCluster);
clusterAndDistance(a,:) = [index_min, dist(index_min)];

dataAndCluster = [X(aS(:,2),:), aO(:,2)];
end
4. Mengamati apakah terdapat data yang berpindah cluster dengan
menghitung nilai fungsi objektif. Nilai fungsi objektif didapatkan
dengan menjumlahkan jarak setiap data dalam cluster yang
ditempatinya. Setelah itu, membandingkan nilai fungsi objektif lama
dan baru untuk mendapatkan nilai perubahan fungsi objektif (temp).
Nilai perubahan fungsi objektif yang melebihi nilai ambang batas
(temp>T) menandakan bahwa perubahan posisi centroid belum
memenuhi nilai ambang batas yang ditetapkan sehingga proses iterasi
dilanjutkan. Sedangkan nilai perubahan fungsi objektif yang lebih kecil
daripada nilai ambang batas (temp<T) menandakan bahwa proses
37
iterasi telah selesai. Berikut ini merupakan potongan kode program
untuk menghitung nilai fungsi objektif.
%% 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;
5. Menghitung titik centroid yang baru dan melanjutkan proses iterasi.
Berikut ini merupakan potongan kode program untuk menghitung titik
centroid baru.
%% TITIK CENTROID BARU

fprintf('\nDengan merata-ratakan nilai jarak seluruh data pada setiap
clusternya, maka didapatkan: \n');
for c=1:K
Cmeans_temp(c,:) = Cmeans_temp(c,:) / Ncluster_temp(c);
fprintf('Titik centroid baru untuk cluster %d: %1.3f %1.3f \n', ...
c,Cmeans_temp(c,:));
end
38
3.4.2. Program Algoritma Fuzzy C-Means (FCM)
Program algoritma FCM dirancang berdasarkan alur proses kerja algoritma
sebagaimana yang ditunjukkan oleh Gambar 3.3 berikut.
Gambar 3.3. Proses algoritma FCM
Flowchart pada Gambar 3.3 menjelaskan proses kerja algoritma FCM yang
diuraikan sebagai berikut:
1. Memasukkan parameter yang digunakan yakni X, K, T, W, U. Berikut
ini merupakan potongan kode program untuk memuat 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);
2. Menentukan titik centroid dari setiap cluster yang akan dibentuk.
Berikut ini merupakan potongan kode program untuk menghitung titik
centroid.
%% Hitung titik centroid tiap cluster

for y=1:K
for y1=1:Ndata
m1(y1)=U(y1,y).^W;
end
m=sum(m1);
sum1=[];
for a=1:dim
for b=1:Ndata
c{y}(b,a)=(U(b,y)^W).*X(b,a);
end
sum1(:,a)=sum(c{y}(:,a)); %#ok
centroid(y,a)=sum1(:,a)/m; %#ok
end
end
3. Menghitung jarak dari setiap data terhadap masing-masing titik centroid
dengan menggunakan persamaan Euclidean Distance. Bersamaan
dengan itu, dilakukan pula perhitungan nilai derajat keanggotaan baru
untuk setiap elemen data sehingga membentuk matriks partisi yang baru
(U_baru). Berikut ini merupakan potongan kode program untuk
menghitung jarak dan matriks partisi baru.
%% Hitung jarak data dan derajat keanggotaan 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
4. Menghitung nilai fungsi objektif baru (J). Berikut ini merupakan
potongan program untuk menghitung nilai J.
%% Hitung fungsi objektif

for z=1:K
for r=1:Ndata
J(r,z)=(U_baru(r,z)^W).*(d(r,z)^2);
end
f1=sum(J);
end
fobj_baru=sum(f1);
delta=abs(fobj_lama-fobj_baru);
5. Mengulangi langkah 2 sampai 4 jika nilai J > T dan berhenti jika nilai J
< T.
41
3.4.3. Program Algoritma Apriori
Program algoritma Apriori dirancang berdasarkan alur proses kerja
algoritma sebagaimana yang ditunjukkan oleh Gambar 3.4 berikut:
Gambar 3.4. Proses algoritma Apriori
Flowchart pada Gambar 3.4 menjelaskan proses kerja algoritma Apriori
yang diuraikan sebagai berikut:
1. Memasukkan parameter yang digunakan yakni data transaksi yang
ditinjau, nilai MST, dan nilai MCT. Berikut ini merupakan potongan
kode program untuk memuat parameter masukan.
matfile = load('data1.mat');
data = matfile.T;
fprintf('\n');
disp('***Dataset masukan***');
42
fprintf('\n');
view = xlsread ('data_apriori_1.xlsx');

MST = input('MST = ');
MCT = input('MCT = ');
fprintf('\n');
2. Melakukan scanning terhadap keseluruhan database untuk
mendapatkan level-1 kandidat itemset. Kemudian menghitung nilai
support untuk masing-masing item sehingga didapatkan frequent
itemset level 1. Jika nilai support item lebih besar dari atau sama dengan
nilai MST, maka item tersebut masuk dalam pembentukan itemset
selanjutnya. Sebaliknya, jika nilai support item lebih kecil dari nilai
MST maka item tersebut tidak dimasukkan dalam proses algoritma
selanjutnya. Berikut ini merupakan potongan kode program untuk
menghitung nilai support dari setiap item yang terdapat dalam database.
%% KANDIDAT ITEM LEVEL 1

fprintf('Setelah itu, dilakukan scanning di setiap level itemset
terhadap keseluruhan database. \n');
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');
3. Melakukan pembentukan itemset level selanjutnya dengan
menggabungkan item-item pada level 1. Pembentukan itemset ini
dilakukan sampai seluruh item telah selesai digabungkan satu sama lain.
Berikut ini merupakan potongan kode program untuk membentuk
itemset level selanjutnya.
%% PEMBENTUKAN ITEMSET LEVEL SELANJUTNYA

while ~isempty(L{k})
Itemset=[];
for i=1:numel(L{k})
Itemset=union(Itemset,L{k}{i});
end
Itemset=Itemset(:)';
% Level Itemset Selanjutnya

fprintf('\n----------------------');
fprintf('\nLEVEL %d-ITEMSET',k+1);
fprintf('\n----------------------\n');
C{k+1}={};
for i=1:numel(L{k})
A=L{k}{i};
for j=1:numel(Itemset);
if ~ismember(A,Itemset(j))
New=[A Itemset(j)];
Found=false;
for r=1:numel(C{k+1})
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}(:)));
% Menghitung Kombinasi item dalam Database

count{k+1}=zeros(size(C{k+1})); %#ok
fprintf('\n>>>> Item');
disp(C{k+1}{r});
for i=1:numel(data)
fprintf('\nDataset %d ==> ', i);
disp(data{i});
if IsContainedIn(C{k+1}{r},data{i})
count{k+1}(r)=count{k+1}(r)+1;
fprintf('\tTerdapat item ');
disp(C{k+1}{r});
else
fprintf('\tTidak terdapat item ');
disp(C{k+1}{r});
end
end
fprintf('\n');
fprintf('\nSehingga total kemunculan item pada keseluruhan
database = %d \n', count{k+1}(r));
end
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
% Kandidat Itemset Level Selanjutnya

L{k+1}=C{k+1}(count{k+1}/numel(data)>=MST); %#ok
if ~isempty(L{k+1})
fprintf('\nItemset Level %d yang memenuhi batas MST adalah:
\n', k+1);
disp(cell2mat(L{k+1}(:)));
fprintf('\n');
else
45
fprintf('\nItemset Level %d yang memenuhi batas MST adalah: 0
\n',k+1);
fprintf('\n');
end
% Menambah Level Itemset

k=k+1;
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
aturan akhir yang terbentuk. Berikut ini merupakan potongan kode
program untuk pembentukan aturan asosiasi akhir.
%% 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
3.5. Perancangan Graphical User Interface (GUI)
Secara garis besar, perancangan GUI aplikasi modul praktikum terbagi
menjadi rancangan sistem dan rancangan antarmuka aplikasi.
3.5.1. Rancangan Sistem
3.5.1.1. Use Case Diagram
Kebutuhan fungsional sistem dapat digambarkan dalam bentuk use case
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
tersebut melalui tombol-tombol yang tersedia dalam aplikasi.
47
Gambar 3.5. Use case diagram aplikasi
3.5.1.2. Activity Diagram
Proses yang terjadi dalam aplikasi modul praktikum data mining mulai dari
awal sistem bekerja hingga selesai digambarkan dalam bentuk activity diagram.
Gambar 3.6 menunjukkan activity diagram yang menjelaskan proses memilih
algoritma yang diinginkan pada halaman awal aplikasi.
Gambar 3.6. Activity diagram proses memilih algoritma
48
Gambar 3.7 menunjukkan activity diagram yang menjelaskan proses
menjalankan algoritma dari awal hingga selesai, di mana Gambar 3.7(a)
menjelaskan proses algoritma K-Means dan Gambar 3.7(b) menjelaskan proses
algoritma Apriori. Pada dasarnya, proses menjalankan kedua algoritma ini hampir
sama, namun yang membedakan adalah parameter data yang dimasukkan. Ketika
menjalankan algoritma K-Means, parameter yang dimasukkan adalah jumlah
cluster (K) dan nilai ambang batas yang ingin diterapkan (T), sedangkan ketika
menjalankan algoritma Apriori, parameter yang dimasukkan adalah nilai MST dan
nilai MCT.
Gambar 3.7a. Activity diagram proses menjalankan

algoritma K-Means
49
Gambar 3.7b. Activity diagram proses menjalankan
algoritma Apriori
Gambar 3.8 menunjukkan activity diagram yang menjelaskan proses menghapus
data pada aplikasi.
Gambar 3.8. Activity diagram proses menghapus data pada

halaman algoritma K-Means
50
Gambar 3.9 menunjukkan activity diagram yang menjelaskan proses keluar dan
menutup aplikasi.
Gambar 3.9. Activity diagram proses menutup aplikasi
3.5.2. Rancangan Antarmuka Aplikasi
Tampilan antarmuka (User Interface atau UI) sangat penting dalam
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.
a. Halaman Utama Aplikasi
Halaman utama aplikasi merupakan tampilan awal dari aplikasi modul
praktikum data mining yang mengarahkan pengguna untuk memilih algoritma data
mining yang diinginkan. Gambar 3.10 menunjukkan rancangan antarmuka dari
halaman utama aplikasi.
51
Gambar 3.10. Rancangan antarmuka halaman utama aplikasi
Pada halaman ini terdapat 4 tombol yang dapat digunakan oleh pengguna aplikasi
yakni:
1. Tombol “Algoritma K-Means” yang berfungsi untuk mengarahkan
pengguna kepada halaman aplikasi algoritma K-Means.
2. Tombol “Algoritma FCM” yang berfungsi untuk mengarahkan pengguna
kepada halaman aplikasi algoritma FCM.
3. Tombol “Algoritma Apriori” yang berfungsi untuk mengarahkan pengguna
kepada halaman aplikasi algoritma Apriori.
4. Tombol “KELUAR” yang berfungsi untuk menutup aplikasi modul
praktikum data mining.
b. Halaman Algoritma K-Means
Halaman algoritma K-Means berfungsi untuk menampilkan tahapan proses
yang terjadi selama algoritma K-Means bekerja. Rancangan antarmuka halaman
algoritma K-Means ditunjukkan oleh Gambar 3.11 berikut.
52
Gambar 3.11. Rancangan antarmuka halaman algoritma K-Means
Pada halaman ini, terdapat 6 tombol yang dapat digunakan yakni:
1. Tombol “MUAT DATA” yang berfungsi untuk memuat data masukan
K-Means yang ingin diterapkan dalam aplikasi.
2. Tombol “CARI DATA” yang berfungsi untuk mencari dan memuat data
masukan K-Means lainnya yang tidak disediakan pada aplikasi dengan
mengikuti ketentuan jenis data yang diberikan.
3. Tombol “MULAI” yang berfungsi untuk memulai dan menjalankan
algoritma K-Means dari awal. Proses algoritma akan tertampil dalam
textbox yang disediakan secara bertahap.
4. Tombol “LANJUT” yang berfungsi untuk melanjutkan tahapan
algoritma sampai proses algoritma selesai.
53
5. Tombol “HAPUS” yang berfungsi untuk menghapus seluruh data yang
sudah tertampil pada aplikasi saat algoritma bekerja sehingga pengguna
dapat mengulang kembali proses algoritma dari awal.
praktikum algoritma K-Means.
Selain tombol, terdapat pula beberapa komponen lainnya yang berguna
untuk menampilkan informasi sehubungan dengan proses kerja algoritma yang
terjadi. Komponen-komponen tersebut adalah:
1. Listbox untuk memilih kasus data masukan yang dimuat.
2. Dropdown list untuk memilih jumlah cluster yang akan dibentuk.
3. Edit text untuk memasukkan nilai ambang batas atau threshold (T).
4. Textbox untuk menampilkan proses perhitungan jarak dan fungsi
objektif secara rinci.
5. Tabel untuk menampilkan isi dari data masukan, titik centroid sekarang,
titik centroid baru, jarak data ke masing-masing centroid, dan hasil akhir
clustering yang didapatkan.
6. Grafik untuk memperlihatkan posisi setiap data dan centroid serta
perpindahan titik centroid hingga terbentuk pengelompokan data yang
tetap.
c. Halaman Algoritma Fuzzy C-Means (FCM)
54
Halaman algoritma FCM berfungsi untuk menampilkan tahapan proses
yang terjadi selama algoritma FCM bekerja. Rancangan antarmuka halaman
algoritma K-Means ditunjukkan oleh Gambar 3.12 berikut.
Gambar 3.12. Rancangan antarmuka halaman algoritma FCM
Pada halaman ini, terdapat 7 tombol yang dapat digunakan yakni:
1. Tombol “MUAT DATA” yasng berfungsi untuk memuat data masukan
FCM yang ingin diterapkan dalam aplikasi.
masukan FCM lainnya yang tidak disediakan pada aplikasi dengan
3. Tombol “Derajat Keanggotaan Awal (U)” yang berfungsi untuk memuat
nilai derajat keanggotaan awal secara acak dan dimasukkan dalam
matriks partisi fuzzy.
55
algoritma FCM dari awal. Proses algoritma akan tertampil dalam
textbox yang disediakan secara bertahap.
praktikum algoritma FCM.
2. Dropdown list untuk memilih jumlah cluster yang akan dibentuk.
3. Edit text untuk memasukkan nilai ambang batas atau threshold (T) dan
nilai bobot (W).
4. Textbox untuk menampilkan proses perhitungan jarak dan fungsi
objektif secara rinci.
5. Tabel untuk menampilkan isi dari data masukan, matriks partisi fuzzy,
titik centroid, jarak data ke masing-masing centroid, dan hasil akhir
clustering yang didapatkan.
56
6. Grafik untuk memperlihatkan posisi setiap data dan centroid serta
perpindahan titik centroid hingga terbentuk pengelompokan data yang
tetap.
d. Halaman Algoritma Apriori
Halaman algoritma Apriori berfungsi untuk menampilkan tahapan proses
yang terjadi selama algoritma Apriori bekerja. Gambaran rancangan antarmuka
halaman algoritma Apriori ditunjukkan oleh Gambar 3.13 berikut.
Gambar 3.13. Rancangan antarmuka algoritma Apriori
Pada halaman algoritma Apriori terdapat 7 tombol yang dapat digunakan
yakni:
1. Tombol “MUAT DATA” yang berfungsi untuk memuat data masukan
yang ingin diterapkan dalam aplikasi.
57
masukan Apriori lainnya yang tidak disediakan pada aplikasi dengan
3. Tombol “CARI FILE .MAT” yang berfungsi untuk mencari dan
memuat file .mat yang bersesuaian dengan kasus data yang dimasukkan
sebelumnya. File ini berguna untuk mempermudah proses algoritma
dalam epmbentukan itemset.
algoritma Apriori dari awal. Proses algoritma akan tertampil dalam tabel
dan textbox yang disediakan secara bertahap.
praktikum algoritma Apriori.
2. Edit text untuk memasukkan nilai MST dan MCT.
58
3. Textbox untuk menampilkan proses perhitungan nilai support,
confidence, dan lift serta proses pembentukan itemset.
4. Tabel untuk menampilkan isi data masukan, dataset yang ditinjau,
itemset yang ditinjau, seluruh kombinasi item yang terbentuk, itemset
yang memenuhi syarat nilai MST, seluruh aturan yang terbentuk, serta
aturan akhir yang memenuhi nilai MCT dan Lift.
3.6. Pengujian Perangkat Lunak
Pengujian perangkat lunak dilakukan untuk memperoleh informasi serta
mengevaluasi kinerja perangkat lunak yang telah dirancang. Dalam pengujian
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
perangkat lunak secara fungsional seperti tampilan antarmuka aplikasi.
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
HASIL DAN PEMBAHASAN
4.1. Hasil Penelitian
4.1.1. Hasil Implementasi GUI Aplikasi
Rancangan antarmuka aplikasi yang telah dirancang sebelumnya
diimplementasikan ke dalam tampilan antarmuka grafis (Graphical User Interface
atau GUI). Tampilan antarmuka dari keseluruhan aplikasi modul praktikum ini
dirancang dengan menggunakan GUIDE (GUI Builder) MATLAB. Secara
keseluruhan, aplikasi ini terbagi menjadi 4 halaman, yakni halaman utama aplikasi,
halaman algoritma K-Means, halaman algoritma FCM, dan halaman algoritma
Apriori.
4.1.1.1.GUI Utama Aplikasi
GUI utama aplikasi merupakan halaman yang pertama muncul saat aplikasi
modul praktikum dibuka. Halaman ini mengarahkan pengguna untuk memilih
algoritma mana yang ingin dijalankan. Terdapat 3 tombol yang merupakan pilihan
algoritma yang disediakan, yakni algoritma K-Means, FCM dan Apriori
sebagaimana yang ditunjukkan oleh Gambar 4.1. Masing-masing tombol tersebut
mengarahkan pengguna ke halaman algoritma yang dipilih.
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.
Gambar 4.2. Tampilan ketika tombol “KELUAR” dari

menu utama ditekan
61
4.1.1.2.GUI Algoritma K-Means
Gambar 4.3 merupakan halaman GUI yang tampil saat pengguna menekan
tombol “Algoritma K-Means” yang terdapat di halaman utama aplikasi. Halaman
ini berfungsi untuk menjelaskan proses yang terjadi selama algoritma K-Means
bekerja secara bertahap dan terperinci. Proses algoritma K-Means yang terjadi
dijelaskan melalui komponen-komponen yang terdapat pada GUI aplikasi seperti
tombol, tabel, textbox, dan grafik.
Gambar 4.3. Tampilan awal halaman algoritma K-Means
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.
Keterangan mengenai masing-masing kasus dapat dilihat pada Lampiran 1. Selain
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.
4.1.1.2.1. Kasus 1 Algoritma K-Means
Kasus 1 dari algoritma K-Means adalah kasus pengelompokan penyebaran
diare di Kabupaten Langkat yang berjumlah 23 dataset dan berdimensi 2. Ketika
kasus 1 telah dimuat serta jumlah cluster dan nilai ambang batas telah dimasukkan,
maka muncul tampilan seperti pada Gambar 4.4 berikut.
Gambar 4.4. Tampilan ketika parameter masukan pada

kasus 1 algoritma K-Means dimuat
Setelah parameter masukan dimuat, algoritma K-Means dimulai dengan menekan
tombol “MULAI”. Algoritma K-Means diawali dengan inisialisasi 3 titik centroid
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
disimbolkan dengan tanda silang berwarna merah.
Gambar 4.5. Inisialisasi titik centroid pada kasus 1 algoritma K-Means
Kemudian iterasi pertama dimulai dengan menekan tombol “LANJUT” dan
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
dengan melakukan pengelompokan berdasarkan jarak centroid terkecil yang
didapatkan.
64
Gambar 4.6. Iterasi pertama kasus 1 algoritma K-Means
Dari iterasi pertama, didapatkan hasil pengelompokan seperti yang tertera dalam
Tabel 4.1 berikut.
Tabel 4.1. Hasil pengelompokan iterasi pertama

pada kasus 1 algoritma K-Means
Fitur 1 Fitur 2 Cluster
2 6 1
4 6 2
2 4 3
2 3 3
2 6 1
2 4 3
3 3 3
3 6 1
4 5 2
2 5 3
3 3 3
3 3 3
65
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
didapatkan masih belum tetap dan perlu dilanjutkan ke iterasi selanjutnya.
Iterasi kedua dimulai dengan menekan tombol “LANJUT”. Pada iterasi
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
dilakukan dengan tahapan yang sama dengan iterasi pertama.
66
Gambar 4.7. Iterasi kedua kasus 1 algoritma K-Means
Dari iterasi kedua, didapatkan hasil pengelompokan data seperti pada Tabel 4.2
berikut:
Tabel 4.2. Hasil pengelompokan iterasi kedua pada kasus

1 algoritma K-Means
Fitur 1 Fitur 2 Cluster Keterangan
2 6 1
4 6 2
2 4 3
2 3 3
2 6 1
2 4 3
3 3 3
3 6 1
4 5 2
2 5 1 Berpindah
3 3 3
3 3 3
67
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
dilanjutkan ke iterasi selanjutnya dengan menekan tombol “LANJUT”. Proses
algoritma yang dilalui pada iterasi selanjutnya sama dengan proses algoritma pada
iterasi kedua.
Pada kasus 1, proses iterasi berhenti pada iterasi kelima. Hasil
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
Gambar 4.10 yang memberitahu bahwa proses iterasi selesai.
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
Kasus 2 dari algoritma K-Means adalah kasus pengelompokan mutu fisik
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
seperti pada Gambar 4.11 berikut.

70
Setelah parameter masukan dimuat, algoritma K-Means dimulai dengan menekan
tombol “MULAI”. Algoritma K-Means diawali dengan inisialisasi 3 titik centroid
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
titik centroid ditampilkan melalui grafik pada aplikasi.
Gambar 4.12. Tampilan inisialisasi titik centroid pada

kasus 2 algoritma K-Means
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
terkecil yang didapatkan.
Dari iterasi pertama, didapatkan hasil pengelompokan seperti pada Tabel 4.3
berikut.
Tabel 4.3. Hasil pengelompokan iterasi pertama

5.5200 2.0400 1
6.5100 2.4300 2
6.2200 2.2400 2
7.2400 3.1500 3
6.4500 2.8200 3
6.0100 2.5400 2
5.7000 2.4200 1
7.1400 3.1100 3
5.9700 2.1000 1
6.7600 3.2400 3
72
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
melalui grafik yang ditunjukkan pada Gambar 4.14 berikut. Selanjutnya proses
algoritma dilakukan dengan tahapan yang sama seperti iterasi pertama.
73
berikut:
Tabel 4.4. Hasil pengelompokan iterasi kedua pada

5.5200 2.0400 1
6.5100 2.4300 2
6.2200 2.2400 2
7.2400 3.1500 3
6.4500 2.8200 3
6.0100 2.5400 2
5.7000 2.4200 1
7.1400 3.1100 3
5.9700 2.1000 1
6.7600 3.2400 3
6.9600 2.8900 3
7.1000 3.0700 3
6.9800 3.0600 3
7.0100 2.9400 3
6.2200 2.7000 2 Berpindah
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
algoritma dilanjutkan ke iterasi selanjutnya dengan proses yang sama.
Hasil pengelompokan akhir didapatkan pada iterasi seperti yang
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
memberitahu bahwa proses iterasi selesai.
Gambar 4.15. Nilai perubahan fungsi objektif pada iterasi kelima

kasus 2 algoritma K-Means lebih kecil dari T
75
Gambar 4.17. Tampilan ketika iterasi pada kasus 2
algoritma K-Means selesai
Kasus 3 dari algoritma K-Means adalah kasus pengelompokan pelanggan
potensial yang berjumlah 20 dataset dan berdimensi 2. Ketika kasus 3 telah dimuat
Gambar 4.18. Tampilan ketika parameter masukan

76
serta jumlah cluster dan nilai ambang batas telah dimasukkan, maka muncul
tampilan seperti pada Gambar 4.18.
Setelah parameter masukan dimuat, algoritma K-Means dimulai dengan
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
dan setiap titik centroid ditampilkan melalui grafik yang tersedia.
Gambar 4.19. Tampilan inisialisasi titik centroid pada

muncul penjelasan tahapan algoritma yang terjadi. Terlihat pada Gambar 4.20
bahwa posisi dari setiap titik centroid sesuai dengan titik centroid awal yang telah
diinisialisasi. Kemudian dilakukan perhitungan jarak dari setiap titik dataset
77
terhadap setiap titik centroid yang ditampilkan melalui textbox dan dilanjutkan
dengan melakukan pengelompokan berdasarkan jarak centroid terkecil yang
didapatkan.
Dari iterasi pertama, didapatkan hasil pengelompokan seperti pada Tabel 4.5
berikut.
Tabel 4.5. Hasil pengelompokan iterasi pertama pada

1 2.4300 1
2 30.6700 2
15 146.6800 3
2 15.8400 1
3 20.5400 2
1 5.3200 1
5 56.1200 3
1 6.8200 1
78
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
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
berikut:
Tabel 4.6. Hasil pengelompokan iterasi kedua

1 2.4300 1
2 30.6700 2
15 146.6800 3
2 15.8400 1
3 20.5400 2
1 5.3200 1
5 56.1200 2 Berpindah
1 6.8200 1
10 91.0700 3
24 291.1500 3
2 10.4000 1
80
12 87.1600 3
2 16.8000 2
1 3.0100 1
20 186.3700 3
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
cluster 2. Oleh karena itu, proses algoritma dilanjutkan ke iterasi selanjutnya
dengan menekan tombol “LANJUT”.
Hasil pengelompokan data didapatkan pada iterasi kelima seperti yang
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
yang memberitahu bahwa proses iterasi selesai.
81
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.
Gambar 4. 25. Tampilan ketika tombol “HAPUS” K-Means ditekan
83
Selain itu, terdapat tombol “KELUAR” ditekan maka muncul kotak pesan
berisi pertanyaan konfirmasi apakah pengguna ingin keluar dari aplikasi atau tidak
sebagaimana ditunjukkan oleh Gambar 4.26. Dalam pertanyaan tersebut terdapat 3
pilihan yang disediakan bagi pengguna, yakni “Ya” untuk keluar dari aplikasi,
“Tidak” untuk tetap berada di halaman algoritma K-Means, serta “Kembali ke
Menu Utama” untuk menutup halaman algoritma K-Means dan kembali ke menu
utama untuk memilih algoritma lainnya.
Gambar 4.26. Tampilan ketika tombol “KELUAR” K-Means ditekan
4.1.1.3.GUI Algoritma Fuzzy C-Means (FCM)
GUI algoritma FCM, sebagaimana yang ditunjukkan oleh Gambar 4.27,
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.
Proses algoritma Apriori yang terjadi dijelaskan melalui komponen-komponen
yang terdapat pada GUI aplikasi seperti tombol, tabel, textbox, dan grafik.
84
Gambar 4.27. Tampilan awal halaman algoritma FCM
adalah memilih dan memuat kasus data yang akan dikelompokkan oleh algoritma
FCM dengan menekan tombol “MUAT DATA”. Terdapat 3 jenis kasus data
masukan yang disediakan dalam halaman FCM di mana kasus-kasus tersebut
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
dimasukkan, maka muncul tampilan seperti pada Gambar 4.28 berikut.

kasus 1 algoritma FCM dimuat
Setelah parameter masukan dimuat, algoritma FCM dimulai dengan menekan
tombol “MULAI”. Algoritma FCM diawali dengan pembentukan 3 titik centroid
awal sebagai iterasi pertama. Titik centroid tersebut didapatkan dari perhitungan
derajat keanggotaan yang dipangkatkan dengan bobot W seperti yang ditampilkan
melalui textbox pada Gambar 4.29. 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 disimbolkan dengan
tanda silang berwarna merah.
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
menggunakan persamaan Euclidean distance. Hasil perhitungan jarak ditampilkan
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
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
dilakukan dengan tahapan yang sama dengan iterasi pertama.
88
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
selanjutnya dengan tahapan proses yang sama.
Gambar 4.32. Perubahan fungsi objektif pada iterasi kedua

algoritma FCM masih di atas nilai T
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
Dengan demikian, didapatkan hasil pengelompokan kasus 1 pada algoritma FCM
seperti pada Tabel 4.7 sebagai berikut.
Tabel 4.7. Hasil pengelompokan kasus 1 algoritma FCM

2 6 1
4 6 1
2 4 3
2 3 3
2 6 1
2 4 3
3 3 2
3 6 1
90
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
4.1.1.4.GUI Algoritma Apriori
GUI algoritma Apriori, sebagaimana yang ditunjukkan oleh Gambar 4.34,
merupakan halaman yang tampil saat pengguna menekan tombol “Algoritma
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
adalah memilih dan memuat kasus data masukan yang akan diproses oleh algoritma
Apriori dengan menekan tombol “MUAT DATA”. Terdapat 3 jenis kasus data
masukan yang disediakan dalam halaman algoritma Apriori. Keterangan mengenai
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
sebesar 0.2 dan nilai MCT sebesar 0.6.
4.1.1.4.1. Kasus 1 Algoritma Apriori
Kasus 1 adalah kasus penjualan produk dari sebuah minimarket yang
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
tampilan seperti pada Gambar 4.35 berikut.

kasus 1 algoritma Apriori dimuat
Setelah parameter masukan dimuat, algoritma Apriori dimulai dengan
menekan tombol “MULAI”. Proses algoritma Apriori diawali dengan melakukan
pembentukan level 1-itemset. Caranya adalah dengan memeriksa apakah di dalam
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
didapatkan adalah 0.111.
93
Gambar 4.36. Pemeriksaan item 1 dalam dataset ID_1
pada kasus 1 algoritma Apriori
Pemeriksaan dilanjutkan ke dataset ID_2 dengan menekan tombol “LANJUT”.
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
item 2 dimasukkan dalam tabel level 1-itemset.
95
Setelah item 2 selesai, maka dilanjutkan ke item 3 dengan menekan tombol
“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.
96
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
sehingga item 4 dimasukkan dalam tabel level 1-itemset.
menekan tombol “LANJUT”. Setelah dataset terakhir selesai ditinjau, maka
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
seperti yang ditunjukkan pada Gambar 4.42 berikut.
97
Gambar 4.42. Level 1-itemset pada kasus 1 algoritma Apriori
Setelah pembentukan level 1-itemset selesai, maka proses algoritma
dilanjutkan ke pembentukan level 2 dengan menekan tombol “LANJUT”.
Pembentukan level 2-itemset diawali dengan membentuk kombinasi 2 item dari
item-item yang terdapat dalam level 1-itemset. Gambar 4.43 menunjukkan
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
yang sama, maka tidak terbentuk kombinasi itemset yang baru.
98
Gambar 4.43. Pembentukan kombinasi item 1 dengan item 1
Kemudian item yang akan dikombinasikan dilanjutkan ke item 2 dengan menekan
tombol “LANJUT”. Karena item yang ditinjau berbeda dengan item yang akan
dikombinasikan, maka terbentuk kombinasi item baru yakni itemset [1,2] seperti
yang ditunjukkan melalui tabel pada Gambar 4.44 berikut.

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.
Dengan demikian didapatkan kombinasi 2 item seperti yang ditunjukkan pada
Gambar 4.45 berikut.
Gambar 4.45. Kombinasi 2 item pada kasus 1 algoritma Apriori
Setelah itu, dilakukan pemeriksaan kombinasi item tersebut terhadap setiap dataset
yang ditinjau sekaligus perhitungan nilai support dari setiap kombinasi 2 item yang
telah terbentuk dengan menekan tombol “LANJUT”. Pemeriksaan ini bertujuan
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
bertambah menjadi 0.111.
100
Gambar 4.46. Pemeriksaan itemset [1,2] dalam dataset ID_1
Pemeriksaan itemset [1,2] dilanjutkan ke seluruh dataset. Setelah seluruh dataset
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
tabel level 2-itemset seperti yang ditampilkan pada Gambar 4.47.
Gambar 4.47. Itemset [1,2] pada kasus 1 algoritma Apriori

memenuhi batas MST
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.
dilanjutkan ke pembentukan level selanjutnya yakni level 3 dengan menekan
tombol “LANJUT”. Pembentukan level 3-itemset dimulai dengan membentuk
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
ditampilkan pada Gambar 4.49 berikut.
102
Gambar 4.49. Pembentukan kombinasi item [1,2] dengan item 1
Kemudian pembentukan kombinasi 3 item dilanjutkan sampai seluruh itemset
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
dalam dataset ID_1 seperti pada Gambar 4.51 berikut.
Gambar 4.51. Pemeriksaan itemset [1,2,3] dalam dataset ID_1

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
0. Kemudian dataset yang ditinjau dilanjutkan ke dataset selanjutnya dengan
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-
itemset seperti yang ditunjukkan pada Gambar 4.52 berikut.
104
Gambar 4.52. Itemset [1,2,3] pada kasus 1 algoritma Apriori
memenuhi batas MST
Pemeriksaan dan perhitungan nilai support dilanjutkan ke seluruh kombinasi item
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
dilanjutkan ke pembentukan level selanjutnya yakni level 4 dengan menekan
tombol “LANJUT”. Pembentukan level 4-itemset dimulai dengan
mengkombinasikan item-item yang terdapat pada level 3-itemset sehingga
menghasilkan kombinasi 4 item seperti yang ditampilkan pada Gambar 4.54
berikut.
Setelah kombinasi 4 item didapatkan, maka tahap selanjutnya adalah membentuk
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,
tidak terdapat level 4-itemset.
Gambar 4.55. Itemset [1,2,3,5] pada kasus 1 algoritma Apriori

tidak memenuhi batas MST
Karena tidak terdapat level 4-itemset, maka level tertinggi pada kasus 1
adalah level 3-itemset. Setelah level tertinggi itemset telah didapatkan, maka proses
algoritma Apriori dilanjutkan dengan membentuk aturan asosiasi dari itemset-
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
asosiasi akhir yang tepat.
107
Gambar 4.56. Aturan [1,2] pada kasus 1 algoritma Apriori
tidak memenuhi batas nilai lift
Kemudian dilanjutkan dengan mengasosiasikan aturan sebelumnya sehingga
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.

tidak memenuhi batas nilai MCT dan lift
108
Setelah itu, pembentukan aturan asosiasi dilanjutkan ke itemset selanjutnya dengan
menekan tombol “LANJUT” sampai seluruh level 2-itemset selesai diasosiasikan.
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
untuk menyelesaikan permasalahan dalam kasus tersebut.
Gambar 4.58. Aturan asosiasi akhir pada kasus 1 algoritma Apriori
Ketika seluruh aturan asosiasi akhir telah didapatkan, maka muncul kotak pesan
yang berisi informasi bahwa algoritma Apriori telah selesai seperti pada Gambar
4.59 berikut.
109
Gambar 4.59. Tampilan ketika algoritma Apriori selesai pada kasus 1
4.1.1.4.2. Kasus 2 Algoritma Apriori
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
menekan tombol “MULAI”. Proses algoritma Apriori diawali dengan membentuk
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

Pemeriksaan item 1 dilanjutkan dengan menekan tombol “LANJUT” sampai
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
MST sehingga item 1 dimasukkan dalam tabel level 1-itemset.
111
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
dilanjutkan ke pembentukan level selanjutnya yakni level 2. Pembentukan level 2-
itemset dilakukan dengan membentuk kombinasi dari item-item yang terdapat pada
level 1-itemset. Gambar 4.64 menunjukkan pembentukan kombinasi antara item
yang ditinjau dengan item 1. Namun karena kedua item ini sama maka tidak
terbentuk kombinasi item baru.

Kemudian itemset yang akan dikombinasikan dilanjutkan ke item 5 dengan
menekan tombol “LANJUT”. Gambar 4.65 menunjukkan pembentukan itemset
baru yakni itemset [1,5] seperti yang ditampilkan dalam tabel level 2-itemset pada
halaman aplikasi.
113
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
dengan menekan tombol “LANJUT”. Pemeriksaan ini bertujuan untuk mengetahui
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
didapatkan masih bernilai 0.

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
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
ditunjukkan pada Gambar 4.69 berikut.
116
dilanjutkan ke pembentukan level selanjutnya yakni level 3. Level 3-itemset diawali
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
seperti yang ditampilkan pada Gambar 4.70 berikut.

Ketika kombinasi item dilanjutkan ke item 5, terbentuk kombinasi item baru yakni
[1,23,5] seperti yang ditunjukkan pada Gambar 4.71. Kemudian pembentukan
kombinasi 3 item dilanjutkan sampai itemset terakhir yang ditinjau telah
dikombinasikan dengan seluruh item dari level 2-itemset. Dengan demikian,
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
Setelah kombinasi 3 item didapatkan, maka tahap selanjutnya adalah melakukan
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
masih bernilai 0. Kemudian dataset yang ditinjau dilanjutkan ke seluruh dataset
dengan menekan tombol “LANJUT”. Karena nilai support yang didapatkan dari
itemset [1,23,5] adalah sebesar 0.091, maka itemset tersebut tidak masuk dalam
119
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
pada Gambar 4.75 berikut.
Gambar 4.75. Level 3-itemset ada kasus 2 algoritma Apriori
120
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
dilanjutkan dengan melakukan kombinasi terhadap seluruh itemset dalam level 3
dengan menekan tombol “LANJUT” sehingga didapatkan kombinasi 4 item seperti
yang ditampilkan pada Gambar 4.76 berikut.
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
dengan memeriksa apakah kombinasi 4 item yang pertama yakni itemset
121
[5,12,16,20] terdapat dalam dataset ID_1 seperti yang ditunjukkan pada Gambar
4.77 berikut.
Gambar 4.77. Pemeriksaan itemset [5,12,16,20] dalam dataset ID_1

[5,12,16,20] sehingga total kemunculan itemset dan nilai support yang didapatkan
masih bernilai 0. Kemudian dataset yang ditinjau dilanjutkan ke seluruh dataset
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
level 3-itemset seperti yang ditunjukkan pada Gambar 4.78 berikut.
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
4-itemset seperti yang ditunjukkan pada Gambar 4.79 berikut.
123
level 4-itemset. Dimulai dari melakukan kombinasi itemset [5,12,16,20] dengan
item yang terdapat dalam level 3-itemset yakni item 5, 12, 16, 20, dan 23. Kemudian
dilanjutkan dengan melakukan kombinasi terhadap seluruh itemset dalam level 4
dengan menekan tombol “LANJUT” sehingga didapatkan kombinasi 5 item seperti
yang ditampilkan pada Gambar 4.80 berikut.
kombinasi 5 item yang terbentuk, yakni itemset [5,12,16,20,13] terdapat dalam
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. Pemeriksaan itemset [5,12,16,20,23] dalam dataset ID_1

[5,12,16,20,23] sehingga total kemunculan itemset dan nilai support yang
didapatkan masih bernilai 0. Kemudian dataset yang ditinjau dilanjutkan ke seluruh
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
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
dengan membentuk aturan asosiasi dari itemset-itemset yang telah terbentuk di
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
telah memenuhi batas nilai MST, MCT, dan lift.
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
memenuhi batas nilai yang ditentukan, sebagaimana ditunjukkan dalam Gambar
4.84, sehingga aturan [23,1] bukan merupakan aturan asosiasi yang tepat.
Gambar 4.84. Aturan [2,1] tidak memenuhi batas nilai MCT
127
Setelah itu, pembentukan aturan asosiasi dilanjutkan ke itemset selanjutnya
dengan menekan tombol “LANJUT” sampai seluruh level itemset selesai
diasosiasikan. 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 2, terdapat 117 aturan asosiasi akhir, sebagaimana ditunjukkan pada Gambar
4.85, yang dapat diterapkan untuk menyelesaikan permasalahan dalam kasus
tersebut.
4.86 berikut.
128
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,
maka akan muncul tampilan seperti pada Gambar 4.87 berikut.

129
Setelah parameter masukan dimuat, algoritma Apriori dimulai dengan menekan
tombol “MULAI”. Proses algoritma Apriori dimulai dengan melakukan
pembentukan level 1-itemset. Caranya adalah dengan memeriksa apakah dalam
dataset yang ditinjau terdapat itemset yang ditinjau. Bersamaan dengan itu,
dilakukan perhitungan nilai support dari masing-masing item tersebut seperti pada
Gambar 4.88 berikut.

Pemeriksaan item 1 dilanjutkan sampai seluruh dataset selesai ditinjau. Setelah
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
Setelah item 1 selesai ditinjau, maka itemset yang ditinjau dilanjutkan ke item
selanjutnya dengan menekan tombol “LANJUT” sampai item 9. Item 9 merupakan
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
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
akan dikombinasikan dilanjutkan ke item selanjutnya yaitu item 2 dengan menekan
tombol “LANJUT”. Gambar 4.91 menunjukkan pembentukan itemset baru yakni
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
terbentuk dengan menekan tombol “LANJUT”. Pemeriksaan ini bertujuan untuk
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
nilai support yang didapatkan masih bernilai 0.
133
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
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
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
Ketika kombinasi item dilanjutkan ke item 2, terbentuk kombinasi item baru yakni
[1,4,2] seperti yang ditunjukkan pada Gambar 4.97. Kemudian pembentukan
kombinasi 3 item dilanjutkan sampai itemset terakhir yang ditinjau telah
dikombinasikan dengan seluruh item dari level 2-itemset. Dengan demikian,
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
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
0. Kemudian dataset yang ditinjau dilanjutkan ke seluruh dataset dengan menekan
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
ditunjukkan pada Gambar 4.100 berikut.
138
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
pada Gambar 4.101 berikut.
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
tertinggi itemset telah didapatkan, maka proses algoritma Apriori dilanjutkan
dengan membentuk aturan asosiasi dari itemset-itemset yang telah terbentuk di
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
telah memenuhi batas nilai MST, MCT, dan lift.
Gambar 4.102. Aturan [1,4] pada kasus 3 algoritma Apriori memenuhi

batas MST, MCT, dan lift
didapatkan aturan baru yakni aturan [4,1]. Nilai confidence dari aturan [4,1] tidak
memenuhi batas nilai yang ditentukan, sebagaimana ditunjukkan dalam Gambar
4.103, sehingga aturan [4,1] bukan merupakan aturan asosiasi yang tepat.
140
tidak memenuhi batas nilai MCT
Setelah itu, pembentukan aturan asosiasi dilanjutkan ke itemset selanjutnya
dengan menekan tombol “LANJUT” sampai seluruh level itemset selesai
diasosiasikan. 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 3, terdapat 12 aturan asosiasi akhir, sebagaimana ditunjukkan pada Gambar
4.104, yang dapat diterapkan untuk menyelesaikan permasalahan dalam kasus
tersebut.
141
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
ditunjukkan oleh Gambar 4.106.
Gambar 4.106. Tampilan ketika tombol “HAPUS” Apriori ditekan
Ketika tombol “KELUAR” ditekan maka muncul kotak pesan berisi
pertanyaan konfirmasi apakah pengguna ingin keluar dari aplikasi atau tidak
sebagaimana ditunjukkan oleh Gambar 4.107. Dalam pertanyaan tersebut terdapat
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
untuk memilih algoritma lainnya.
143
Gambar 4.107. Tampilan ketika tombol “KELUAR” Apriori ditekan
4.1.2. Hasil Pengujian Aplikasi
4.1.2.1.Hasil Pengujian Tampilan Antarmuka
Pengujian tampilan antarmuka bertujuan untuk mengetahui fungsionalitas
dari komponen-komponen yang terdapat dalam halaman aplikasi. Pengujian
tampilan antarmuka terbagi menjadi 3 bagian sesuai dengan jumlah halaman yang
terdapat dalam aplikasi, yakni halaman utama, halaman algoritma K-Means,
halaman algoritma FCM dan halaman algoritma Apriori.
a. Hasil Pengujian Antarmuka Halaman Utama
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
Tombol
FCM
FCM algoritma FCM
Tombol
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.
b. Hasil Pengujian Antarmuka Halaman Algoritma K-Means dan FCM
Hasil pengujian antarmuka halaman algoritma K-Means dan FCM dapat
dilihat pada Tabel 4.9 berikut:
145
Tabel 4.9. Hasil pengujian antarmuka halaman K-Means dan FCM
No. Keterangan
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
No. Keterangan
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
c. Hasil Pengujian Antarmuka Halaman Algoritma Apriori
Hasil pengujian antarmuka halaman algoritma Apriori dapat dilihat pada
Tabel 4.10 berikut:
Tabel 4.10. Hasil pengujian antarmuka halaman Apriori

No. Keterangan
Sistem dapat Setelah data masukan
Tombol menampilkan isi dipilih dan tombol
1. Berhasil
Muat Data dari data masukan ditekan, isi data
yang dipilih tersebut akan muncul
147
No. Keterangan
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
No. Keterangan
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
4.1.2.2.Hasil Pengujian Fungsi Dasar
Pengujian fungsi dasar sistem bertujuan untuk mengetahui fungsi-fungsi
dasar yang digunakan dalam aplikasi. Hasil pengujian fungsi dasar sistem dapat
dilihat pada Tabel 4.11 berikut.
Tabel 4.11. Hasil pengujian fungsi dasar sistem

No. Keterangan
Sistem dapat Masing-masing data
menghitung terkelompokkan dalam
Fungsi
nilai jarak setiap cluster sesuai
pembentukan
antara setiap dengan nilai jarak yang
1. cluster Berhasil
data terhadap didapatkan dan
algoritma K-
setiap centroid pengelompokan
Means
dan juga dapat berhenti saat perubahan
menghitung nilai fungsi objektif
149
No. Keterangan
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
Pengujian validasi bertujuan untuk memastikan validasi-validasi yang
terdapat di dalam sistem sudah berjalan dengan baik. Hasil pengujian validasi dapat
dilihat pada Tabel 4.12 berikut.
Tabel 4.12. Hasil pengujian validasi

No. Keterangan
Validasi ketika Sistem dapat
masukan nilai menampilkan
Muncul kotak pesan
T pada pesan
yang memberitahukan
1. halaman peringatan Berhasil
bahwa masukan nilai T
algoritma K- bahwa nilai T
harus berupa angka.
Means bukan harus berupa
berupa angka angka.
Validasi ketika Sistem dapat

masukan nilai menampilkan
Muncul kotak pesan
MST dan pesan
yang memberitahukan
MCT pada peringatan
2. bahwa masukan nilai Berhasil
halaman bahwa nilai
MST dan MCT harus
algoritma MST dan MCT
berupa angka.
Apriori bukan harus berupa
berupa angka angka.
151
No. Keterangan
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
dalam aplikasi modul praktikum data mining ini.
Aplikasi modul praktikum data mining yang dirancang telah dapat
memperlihatkan proses yang terjadi secara bertahap selama algoritma K-Means,
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.
Setiap tahapan proses yang terjadi ditampilkan secara transparan dalam
aplikasi. Saat data masukan dari masing-masing algoritma dimuat ke dalam
aplikasi, maka pengguna dapat melihat isi dari data masukan tersebut. Keterangan
mengenai kasus dari masing-masing algoritma dijelaskan secara lengkap pada
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
menggunakan aplikasi tersebut. Format jurnal praktikum dapat dilihat pada
Lampiran 4.
Tahapan kerja yang dilakukan oleh masing-masing algoritma ditampilkan
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
halaman algoritma Apriori, proses pembentukan level itemset dilakukan secara
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.
Pengujian aplikasi modul praktikum secara fungsionalitas dilakukan dengan
menggunakan metode pengujian blackbox. Pada pengujian sistem menggunakan
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
dasar algoritma, dan pengujian validasi sistem.
Selain itu, pengujian aplikasi juga dilakukan melalui pengisian kuisioner
oleh 10 orang responden yang merupakan mahasiswa yang telah mengambil mata
kuliah Data Mining. Kuisioner ini berisi pertanyaan-pertanyaan mengenai
pemahaman responden terkait algoritma K-Means dan Apriori setelah
menggunakan aplikasi modul praktikum tersebut. Isi dan jawaban dari kuisioner
tersebut dapat dilihat pada Lampiran 5. Tabel 4.13 menunjukkan rekapitulasi
jawaban responden terhadap kuisioner tersebut.
Tabel 4.13. Hasil rekapitulasi jawaban responden

Jawaban
No. Pertanyaan Sangat Cukup Kurang Tidak
paham paham paham paham
Perhitungan jarak dan fungsi
1. 8 2 0 0
objektif K-Means
Hasil pengelompokan K-
2. 6 4 0 0
Means
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
Berdasarkan Tabel 4.13, dari 10 orang responden yang menggunakan
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
Apriori dengan baik sehingga pengguna memahami algoritma tersebut.
155
BAB V
PENUTUP
5.1. Kesimpulan
Dari hasil analisis dan pengujian yang telah dilakukan dalam perancangan
aplikasi modul praktikum untuk algoritma K-Means, FCM dan Apriori
menggunakan GUIDE MATLAB, maka didapatkan kesimpulan sebagai berikut:
1. Aplikasi dapat menyelesaikan permasalahan yang terdapat pada setiap
kasus data masukan dari algoritma K-Means, FCM dan Apriori. Dalam
hal ini jenis data masukan yang digunakan berupa kasus data sederhana
untuk skala praktikum.
2. Aplikasi dapat meningkatkan pemahaman pengguna mengenai tahapan
kerja dari algoritma K-Means dan Apriori yang terbukti dari 10 orang
responden kuisioner, terdapat 58.75% yang sangat paham dan 40% yang
cukup paham dengan algoritma tersebut setelah menggunakan aplikasi
tesebut.
5.2. Saran
Selama proses perancangan Aplikasi Modul Praktikum Data Mining untuk
Clustering dan Association Rule ini tentu saja tidak terlepas dari kekurangan dan
kelemahan. Oleh karena itu, penulis berharap aplikasi ini dapat lebih dikembangkan
dan disempurnakan, khususnya dalam hal-hal berikut:
156
1. Sebaiknya aplikasi dikembangkan dengan menambahkan algoritma
data mining lainnya, baik algoritma dari metode clustering dan
association rule maupun algoritma dari metode lainnya sehingga dapat
memperluas pengetahuan mahasiswa mengenai tahapan dari setiap
algoritma data mining yang ada.
2. Sebelum memulai proses algoritma, sebaiknya aplikasi modul
praktikum tersebut dapat melakukan tahapan preprocessing terhadap
data masukan yang akan diproses oleh masing-masing algoritma data
mining dan memperlihatkan tahapan-tahapan yang terjadi selama proses
preprocessing tersebut.
157
DAFTAR PUSTAKA
Bezdek, J. C., Ehrlich, R., & Full, W. (1984). FCM: The Fuzzy C-Means Clustering
Algorithm. Computers & Geosciences, 10(2–3), 191–203.
Borne, K. 2014. Association Rule Mining. (online).
https://mapr.com/blog/association-rule-mining-not-your-typical-data-
science-algorithm/, diakses pada 25 Januari 2018.
Frank, E., Hall, M., Holmes, G., Kirkby, R., Pfahringer, B., Witten, I. H., dan Trigg,
L. 2009. Chapter 1 Weka: A Machine Learning Workbench for Data Mining.
In Data Mining and Knowledge Discovery Handbook. Boston, MA: Springer
US. pp. 1269–1277.
García, S., Luengo, J., dan Herrera, F. 2015. Data Preprocessing in Data Mining.
Intelligent Systems Reference Library (Vol. 72).
Gera, M. 2015. Data Mining - Techniques , Methods and Algorithms : A Review on
Tools and their Validity.
Kamber, M., Kaufmann, M., dan All, P. 2000. Data Mining: Concepts and
Techniques. Universitas Simon Fraser
Listriani, Setyaningrum. 2016. Penerapan Metode Asosiasi Menggunakan
Algoritma Apriori Pada Aplikasi Analisa Pola Belanja Konsumen (Studi
Kasus Toko Buku Gramedia Bintaro). Tugas Akhir. Jurnal Teknik Informatika
Vol 9 No. 2, Universitas Islam Negeri Jakarta.
158
MathWorks Inc. 2015. Creating Graphical User Interfaces. MATLAB User Guide,
502.
Pratama, H. C., Bettiza, dan Matulatan. 2009. Data Awal Masuk Mahasiswa
Dengan Prestasi Akademik (Studi Kasus : STAI Miftahul Ulum
Tanjungpinang). Tugas Akhir. Tanjungpinang: Universitas Maritim Raja Ali
Haji.
Tampubolon, K., Saragih, dan H., Reza, B. 2013. Implementasi Data Mining
Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan. Informasi
Dan Teknologi Ilmiah, 93–106.
Tan, P.-N., Steinbach, M., dan Kumar, V. 2005a. Association Analysis: Basic
Concepts and Algorithms. Introduction to Data Mining, 327–414.
Tan, P.-N., Steinbach, M., & Kumar, V. 2005b. Chap 8 : Cluster Analysis: Basic
Concepts and Algorithms. Introduction to Data Mining.
Teknomo, B. K. (2007). K-Means Clustering Tutorial. (online)
http://people.revoledu.com/kardi/tutorial/kMean/, diakses pada 17 Desember
2017, 1–12
Wijaya, R. C. 2009. Modul GUI Matlab. Universitas Negeri Jakarta.
Zadeh, L. a. (1965). Fuzzy sets. Information and Control, 8(3), 338–353.
159
LAMPIRAN
160

ZM M2 OGY0 OTFi NJHJ Njli MJKX MTcy ODM3 NDQ5 NM ZJ YTg 0 MTU2 ZWU2 NG

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

ZM M2 OGY0 OTFi NJHJ Njli MJKX MTcy ODM3 NDQ5 NM ZJ YTg 0 MTU2 ZWU2 NG

Diunggah oleh

Hak Cipta:

Format Tersedia

PERANCANGAN APLIKASI MODUL PRAKTIKUM

DATA MINING UNTUK CLUSTERING DAN

Disusun dalam rangka memenuhi salah satu persyaratan

Untuk menyelesaikan program Strata-1 Departemen Teknik Informatika

D42114302 ANGELA HERVINA GOSAL

DEPARTEMEN TEKNIK INFORMATIKA

Saat ini, algoritma-algoritma data mining dapat diimplementasikan secara

Assalamu Alaikum Wr. Wb.

APLIKASI MODUL PRAKTIKUM DATA MINING UNTUK

CLUSTERING DAN ASSOCIATION RULE” ini dapat diselesaikan sebagai

Informatika Fakultas Teknik Universitas Hasanuddin.

Dalam penyusunan penelitian ini disajikan hasil penelitian terkait judul

jurnal penelitian, prosiding pada seminar-seminar nasional/internasional, buku

maupun dari situs-situs di internet.

senang hati menyampaikan banyak terima kasih kepada:

serta saudari-saudara penulis, yang senantiasa memberikan dukungan, doa,

Anugrayani Bustamin, S.T., M.T., selaku pembimbing II yang senantiasa

biasa untuk mengarahkan penulis dalam penyusunan tugas akhir;

Teknik Informatika Fakultas Teknik Universitas Hasanuddin atas bantuan

dan bimbingannya selama masa perkuliahan penulis;

4) Ibu Intan Sari Areni selaku dosen Departemen Teknik Informatika

Universitas Hasanuddin atas bantuan, doa, wejangan serta bimbingannya

dalam penyusunan tugas akhir ini;

5) Segenap keluarga AIMP Research Group Universitas Hasanuddin yang

telah memberikan begitu banyak bantuan selama penelitian, pengambilan

data dan diskusi progress penyusunan tugas akhir serta memberikan

semangat di masa-masa sulit;

Himawan Sandhi, kakak Sofyan Tandungan, kakak Nurhajar Anugraha

yang telah memberikan doa, nasihat, bantuan, dukungan dan semangat

selama proses penyelesaian tugas akhir ini;

7) Seluruh teman-teman angkatan 2014 Departemen Teknik Informatika FT-

UH atas semua bantuan dan semangat yang diberikan selama ini;

8) Para sahabat dekat penulis terutama Angelina Kounang, Clara Alverina

semangat dalam menjalani masa-masa sulit selama penyusunan tugas akhir;

Hasanuddin yang telah membantu kelancaran penyelesaian tugas akhir

Gowa, Agustus 2018

HALAMAN JUDUL ............................................. Error! Bookmark not defined.

HALAMAN PENGESAHAN ............................... Error! Bookmark not defined.

ABSTRAK ............................................................................................................. iii

KATA PENGANTAR ........................................................................................... iv

DAFTAR ISI ......................................................................................................... vii

DAFTAR GAMBAR .............................................................................................. x

DAFTAR TABEL .............................................................................................. xviii

BAB I PENDAHULUAN ....................................................................................... 1

1.1. Latar Belakang .............................................................................................1

1.2. Rumusan Masalah ........................................................................................3

1.3. Tujuan Penelitian .........................................................................................3

1.4. Batasan Penelitian ........................................................................................4

1.5. Manfaat Penelitian .......................................................................................5

1.6. Sistematika Penulisan ..................................................................................6

BAB II TINJAUAN PUSTAKA ............................................................................ 7

2.1. Modul Praktikum .........................................................................................7

2.2. Data Mining .................................................................................................9

2.3. Metode Clustering .....................................................................................15

2.3.1 Algoritma K-Means ......................................................................17

2.3.2 Algoritma Fuzzy C-Means ...........................................................20

2.4.1. Algoritma Apriori .........................................................................25

2.5. GUIDE MATLAB .....................................................................................27

2.6. Unified Modeling Language (UML) ..........................................................30

BAB III METODOLOGI PENELITIAN ............................................................. 32

3.1. Tempat dan Waktu Penelitian ....................................................................32

3.2. Instrumen Penelitian ..................................................................................32

3.3. Metode Penelitian ......................................................................................33