Kata Pengantar

KATA PENGANTAR
Puji dan syukur kepada Tuhan Yang Maha Esa karena atas berkat dan
anugerah-Nyalah penulis dapat menyelesaikan penelitian ini guna memenuhi
salah satu syarat dalam menyelesaikan studi di Program Studi Strata Satu
(S1) Teknik Informatika Fakultas Ilmu Komputer Institut Bisnis dan Teknologi
Pelita Indonesia.
Pada kesempatan yang berbahagia ini pula, peneliti ingin
mengucapkan terimakasih yang sebesar-besarnya kepada semua pihak yang
telah memberikan bantuan dan dorongan dalam penyelesaian skripsi ini.
Khususnya kepada :
1. Bapak Drs. Harry Choandra, selaku Ketua Yayasan Pendidikan Pelita
Indonesia.
2. Bapak Prof. Dr. Amries Rusli Tanjung, M.M., Ak. selaku Rektor Institut
Bisnis dan Teknologi Pelita Indonesia.
3. Bapak Irwan, M.Kom. selaku Dekan Fakultas Ilmu Komputer Institut Bisnis
dan Teknologi Pelita Indonesia.
4. Ibu Gusrianty, M.Kom. selaku Ketua Program Studi Teknik Informatika
Fakultas Ilmu Komputer Institut Bisnis dan Teknologi Pelita Indonesia.
5. Ibu Deny Jollyta, M.Kom. selaku pembimbing yang telah banyak
memberikan bimbingan yang sangat berarti dalam menyelesaikan
penulisan skripsi ini.
6. Seluruh Dosen beserta staf Fakultas Ilmu Komputer yang telah
memberikan ilmu dan pengetahuan selama menjadi mahasiswa di Institut
Bisnis dan Teknologi Pelita Indonesia.
7. Rekan-rekan Mahasiswa/I Program Studi Teknik Informatika Fakultas Ilmu
Komputer Institut Bisnis dan Teknologi Pelita Indonesia dan semua pihak
yang tidak dapat kami sebutkan satu persatu baik secara langsung
maupun tidak langsung yang telah membantu hingga selesainya skripsi
ini.
i
Akhir kata, semoga skripsi ini dapat bermanfat bagi semua pihak yang
membutuhkan terkait dengan penelitian ini.
Pekanbaru, 8 Oktober 2021
Ryan Christian
ii
DAFTAR ISI
KULIT LUAR
KULIT DALAM
LEMBAR PERSETUJUAN SKRIPSI
LEMBAR PENGESAHAN SKRIPSI
LEMBAR PERNYATAAN
ABSTRAK
ABSTRACT
KATA PENGANTAR................................................................................i
DAFTAR ISI........................................................................................iii
DAFTAR TABEL.....................................................................................v
DAFTAR GAMBAR................................................................................vi
BAB I PENDAHULUAN..........................................................................1
1.1 Latar Belakang...............................................................1
1.2 Perumusan Masalah........................................................3
1.3 Tujuan Penelitian............................................................3
1.4 Manfaat Penelitian...........................................................3
BAB II LANDASAN TEORI....................................................................4
2.1 Data Mining....................................................................4
2.1.1 Definisi Data Mining............................................4
2.1.2 Metode dalam Data Mining...................................4
2.2 Algoritma K Medoids.......................................................5
2.3 Manhattan Distance........................................................7
2.4 Davies Bouldin Index.......................................................7
2.5 PHP: Hypertext Preprocessor............................................9
2.6 MySQL...........................................................................9
2.7 Visual Studio Code..........................................................9
2.8 Unified Modelling Language (UML)....................................9
2.8.1 Definisi Unified Modelling Language (UML).............9
2.8.2 Model Unified Modelling Language (UML)..............10
BAB III METODOLOGI PENELITIAN...................................................14
3.1 Kerangka Kerja Penelitian..............................................14
3.2 Data Uji.......................................................................15
BAB IV ANALISIS DAN HASIL............................................................16
iii
4.1 Rancangan Algoritma K Medoids.....................................16
4.1.1 Use Case Diagram.............................................16
4.1.2 Activity Diagram...............................................17
4.1.3 Object Diagram.................................................18
4.1.4 Class Diagram...................................................18
4.1.5 Sequence Diagram............................................19
4.1.6 Deployment Diagram.........................................21
4.2 Rancangan Aplikasi Pengujian Algoritma K-Medoids...........21
4.2.1 Rancangan Input...............................................21
4.2.2 File Data..........................................................23
4.2.3 Rancangan Output.............................................23
4.3 Penerapan Algoritma K Medoids dan Manhattan................25
4.3.1 Persiapan Data..................................................25
4.3.2 Perhitungan K Medoids.......................................35
4.4 Perhitungan Davies Bouldin Index...................................54
4.5 Pembacaan Hasil...........................................................60
4.6 Modul Program.............................................................65
4.6.1 Tampilan Dashboard..........................................65
4.6.2 Tampilan Data Field...........................................66
4.6.3 Tampilan Data Value..........................................69
4.6.4 Tampilan Perhitungan........................................72
4.6.5 Tampilan Grafik DBI..........................................78
4.7 Implementasi dan Pemeliharaan.....................................80
BAB V KESIMPULAN DAN SARAN.......................................................81
5.1 Kesimpulan..................................................................81
5.2 Saran..........................................................................81
DAFTAR PUSTAKA
LAMPIRAN
DAFTAR RIWAYAT HIDUP
iv
DAFTAR TABEL
Tabel 4.1 Table data_field......................................................................23

Tabel 4.2 Table data_value....................................................................23
Tabel 4.3 Hasil Seleksi dan Pemilihan data uji..........................................25
Tabel 4.4 Hasil Transformasi Data...........................................................29
Tabel 4.5 Nilai Terendah dan Tertinggi setiap Attribut...............................32
Tabel 4.6 Hasil Normalisasi Data.............................................................32
Tabel 4.7 Medoids Awal.........................................................................36
Tabel 4.8 Hasil Perhitungan Jarak antara Objek ke Medoid Awal.................36
Tabel 4.9 Hasil Nilai Kedekatan Jarak......................................................40
Tabel 4.10 Medoid Baru untuk iterasi ke 2...............................................43
Tabel 4.11 Hasil Iterasi ke 2...................................................................43
Tabel 4.12 Hasil Perhitungan K Medoids dan Manhattan untuk K=2.............47
Tabel 4.13 Hasil Perhitungan K Medoid dan Manhattan untuk K=11............50
Tabel 4.14 Centroid K=2........................................................................54
Tabel 4.15 Hasil Perhitungan Jarak antara Objek dan Centroid...................55
Tabel 4.16 Nilai SSW K=2......................................................................59
Tabel 4.17 Nilai DBI K=2 hingga K=11....................................................60
Tabel 4.18 Hasil Cluster K=9..................................................................60
Tabel 4.19 Informasi Hasil Cluster Optimal K=9........................................64
v
DAFTAR GAMBAR
Gambar 2.1 Use Case Diagram

Gambar 2.2 Class Diagram
Gambar 2.3 Activity Diagram
Gambar 2.4 Object Diagram
Gambar 2.5 Sequence Diagram
Gambar 2.6 Deployment Diagram
Gambar 3.1 Kerangka Kerja Penelitian
Gambar 4.1 Use Case Diagram Aplikasi Pengujian Algoritma K Medoids dan
DBI
Gambar 4.2 Activity Diagram Aplikasi Pengujian Algoritma K Medoids dan
DBI
Gambar 4.3 Object Diagram Aplikasi Pengujian Algoritma K Medoids dan
DBI
Gambar 4.4 Class Diagram Aplikasi Pengujian Algoritma K Medoids dan DBI
Gambar 4.5 Sequence Diagram Aplikasi Pengujian Algoritma K Medoids dan
DBI
Gambar 4. 6 Tampilan Form Input data field
Gambar 4.7 Tampilan Form Input data value
Gambar 4.8 Tampilan Form Input K Uji
Gambar 4.9 Tampilan Halaman Data Field
Gambar 4.10 Tampilan Halaman Data Value
Gambar 4.11 Tampilan Halaman Hasil Perhitungan DBI
Gambar 4.12 Tampilan Dashboard
Gambar 4.13 Tampilan Data Field
Gambar 4.14 Tampilan Data Value
Gambar 4.15 Tampilan Perhitungan Awal
Gambar 4.16 Tampilan Grafik DBI
vi
BAB I
PENDAHULUAN
I.1 Latar Belakang

Narkoba merupakan jenis obat-obatan yang sangat berbahaya bagi
manusia jika disalahgunakan penggunanya secara sembarangan.
Zat/obat/bahan yang terkandung di dalam narkoba dapat memberikan reaksi
negatif yang mempengaruhi tubuh terutama otak atau susunan saraf pusat
sehingga mengakibatkan gangguan pada Kesehatan. (Sahambangung et al.,
2018). Walaupun telah kita ketahui bahwa narkoba memiliki dampak negatif
bagi manusia, tetap saja ada yang menggunakan bahkan menyalahgunakan
narkoba.
Penyalahgunaan narkoba masih menjadi masalah kronis yang
menimpa Indonesia, kasus peredaran sabu dan banyak tertangkapnya
bandar-bandar narkoba internasional dalam beberapa tahun terakhir menjadi
bukti bahwa Indonesia sedang dalam kondisi darurat narkoba. Pemerintah
Indonesia mengedepankan peran Kepolisian dan Badan Narkotika Nasionnal
(BNN) dalam rangka mencefah dan memberantas peredaran Narkoba di
Indonesia (Hariyanto, 2018).
Data Badan Narkotika Nasional (BNN) terkait pengguna narkotika dan
obat-obatan terlarang (Narkoba) di 2014 menyebutkan, 22 persen pengguna
narkoba di Indonesia merupakan pelajar dan mahasiswa. Sementara, jumlah
penyalahgunaan narkotika pada anak yang mendapatkan layanan rehabilitasi
pada 2015, tercatat anak usia dibawah 19 tahun, berjumlah 348 orang dari
total 5.127 orang yang direhabitilasi di tahun itu. Sedangkan jumlah
tersangka kasus narkotika berdasarkan umur pada 2015 yakni anak usia
sekolah dan remaja di bawah 19 tahun berjumlah 2.186 atau 4,4 persen dari
total tersangka (Fauzi, 2019).
Hal ini memerlukan penanganan serius dari pemerintah karena sangat
berdampak bagi negara dan generasi penerus bangsa kedepannya. Pidana
mati atau pidana penjara bukan merupakan solusi yang dapat menyelesaikan
masalah. Pidana mati atau pidana penjara ditekankan oleh Matius Arif
Miradjaja tidak juga memberikan sebuah efek jera, malah data pengguna
1
2
narkoba makin meningkat pasca eksekusi pidana mati (Silalahi, 2019). Data
pengguna narkoba tiap tahun nya, dapat kita proses agar bisa menghasilkan
informasi atau knowledge dengan menggunakan data mining.
Data mining adalah proses mencari pola atau informasi dalam data
terpilih dengan menggunakan Teknik atau metode tertentu (Hikmah et al.,
2019). Hasil dari pengolahan data dengan metode data mining ini dapat
digunakan untuk mengambil keputusan dimasa depan (Rofiqo et al., 2018).
Adapun salah satu Teknik data mining adalah Clustering. Clustering
merupakan Teknik data mining yang membagi data dalam suatu himpunan ke
dalam beberapa kelompok yang mana kesamaan data dalam suatu kelompok
lebih besar dibandingkan kesamaan date tersebut dengan data dalam
kelompok lain (Beta Estri Adiana et al., 2018).
Terdapat banyak algoritma dalam clustering, salah satu nya adalah K-
Medoids. Algoritma K-Medoids clustering adalah untuk menemukan K Klaster
dalam n objek dengan pertama kali secara sembarangan menemukan objek
representative untuk tiap tiap klister. Objek yang mewakili setiap klister
disebut dengan medoid. Klaster dibangun dengan menghitung kemiripan yang
dimiliuki8 antara medoid dengan objek non-medoid menggunakan ukuran
kesamaan. Ukuran kesamaan yang digunakan adalah jarak Manhattan
(Sihombing et al., 2019). Manhattan Distance adalah pengukuran
similariry/kemiripan yang paling cocok angka yang natural atau dengan data
yang bersifat kuantitatif (Khoiriya Latifah, Abdul Rochim, 2019).
Selain algoritma, juga terdapat banyak metode clustering yang dalam
penggunaannya tergantung pada tipe data yang akan dikelompokkan dan apa
tujuan dari pembuatan aplikasi nya (Silitonga & Sri, 2017). Untuk
menentukan cluster yang optimal, akan digunakan Teknik Davies Bouldin
Index (DBI). Davies Bouldin Index (DBI) merupakan salah satu metode
evaluasi internal yang digunakan untuk mengukur evaluasi cluster yang
didasarkan pada nilai separasi dan kohesi. Kohesi adalah jumlah kedekatan
data terhadap pusat cluster dari cluster yang diikuti. Separasi berupa jarak
antara pusat cluster dari cluster-nya (Dewi & Pramita, 2019).
Oleh sebab itu dirasa perlu untuk membuat suatu penelitian tentang
penentuan cluster optimal menggunakan Davies Bouldin Index terhadap data
narkoba dengan penerapan algoritma K-Medoids dan perhitungan jarak
Manhattan. Penelitian ini menggunakan data uji Narkoba yang berasal dari
3
Machine Learning UCI sebagai data pengujian algoritma. Diharapkan hasil

penelitian ini dapat digunakan untuk membantu pemerintah atau pihak yang
membutuhkan dalam upaya pemberantasan penyalahgunaan narkoba.
I.2 Perumusan Masalah

Berdasarkan latar belakang di atas, rumusan masalah dalam penelitian
ini adalah:
1. Bagaimana bentuk penerapan algoritma K-Medoids dalam
pengelompokkan data pengguna narkoba?
2. Bagaimana penerapan Teknik evaluasi cluster Davies Bouldin Index
terhadap hasil pengelompokkan dalam menghasilkan cluster optimal?
3. Bagaimana hasil analisis dari cluster optimal?
I.3 Tujuan Penelitian

Tujuan penelitian ini adalah:
1. Untuk mendapatkan cluster/pengelompokkan data pengguna narkoba
melalui perhitungan algoritma k-medoids dan perhitungan jarak
Manhattan.
2. Untuk menentukan cluster optimal melalui perhitungan Davies Bouldin
Index.
3. Untuk mendapatkan analisis hasil cluster optimal sebagai informasi
yang dapat diusulkan sebagai bahan pengambilan kebijakan oleh pihak
yang membutuhkan.
I.4 Manfaat Penelitian

Diharapkan dengan adanya penelitian ini dapat menambah referensi
penyelesaian kasus menggunakan algoritma K Medoids dengan perhitungan
jarak Manhattan serta evaluasi cluster menggunakan Davies Bouldin Index.
BAB II
LANDASAN TEORI
Pada BAB II akan dijabarkan referensi apa saja yang akan digunakan
untuk mendukung penelitian ini sehingga dapat menjadi suatu kerangka kerja
yang baik.
II.1 Data Mining

II.1.1 Definisi Data Mining
Secara umum, Data mining adalah suatu kegiatan/aktivitas
pengumpulan data untuk menentukan per kelompok dengan karakteristik
yang sama pada jumlah data yang besar.
Selain itu, data mining diartikan sebagai proses pencarian pola berupa
pengetahuan yang tersembunyi dengan menggunakan teknik statistic,
kecerdasasan buatan, dan machine learning untuk menemukan pengetahuan
langsung pada database (knowledge discovery in database) (Kholisho &
Marfuatun, 2019).
II.1.2 Metode dalam Data Mining

Ada beberapa metode dalam data mining, Berikut ini definisi dari
masing masing metode tersebut sebagai berikut:
1. Classification
Klasifikasi merupakan proses untuk menemukan sekumpulan model
yang dijelaskan kelas-kelas data, sehingga model tersebut dapat
digunakan untuk memprediksi nilai suatu kelas yang belum diketahui
pada sebuah objek.
2. Clustering
Clustering sering disebut sebagai segmentasi. Metode ini
mengelompokkan data yang tidak diketahui label kelasnya kedalam
sejumlah kelompok tertentu sesuai dengan kemiripannya. Metode ini
akan digunakan sebagai salah satu metode untuk mendukung
penelitian ini. Clustering ini sudah digunakan oleh beberapa penelitian
antara lain (Nabila, 2021) yang menggunakan clustering untuk
mengelompokkan data Covid 19. Pada Penelitian (Herlinda et al.,
4
5
2021), Hasil klasterisasi menghasilkan nilai PCI 0.50002 dan PEI

0.99998 yang berarti tingkat akurasi dari nilai keanggotaan dari
klaster cukup baik.
3. Association
Assosiasi dikenal juga sebagai Market Basket Analysis (Analisis
Keranjang Pasar) dimana fungsi ini mengidentifikasi item-item produk
yang kemungkinan dibeli konsumen bersamaan dengan produk lain.
Tujuan metode ini yaitu untuk menghasilkan sejumlah rule (aturan)
yang menjelaskan sejumlah data yang terhubung kuat dengan data
lainnya.
4. Regression
Refression ini mirip seperti klasifikasi. Perbedaan utamanya adalah
metode ini tidak bisa mencari pola yang dijabarkan sebagai kelas.
Metode ini bertujuan untuk mencari pola dan menentukan sebuah nilai
numerik.
5. Forecasting
Forecasting dikenal juga dengan prediksi atau peramalan. Metode ini
bertujuan untuk memprediksi kejadian yang akan datang berdasarkan
data sejarah yang ada.
6. Sequence Analysis
Squence Analysis adalah metode untuk mencari pola pada serangkaian
kejadian yang disebut Sequence.
7. Deviation Analysis
Tujuan dari metode ini adalah untuk menemukan penyebab perbedaan
antara data yang satu dengan data yang lain atau yang biasa disebut
sebagai Outlier Detection.
II.2 Algoritma K Medoids

Algoritma K-Medoids juga dikenal sebagai partitioning around method
(PAM) merupakan salah satu algoritma yang digunakan untuk proses
Clustering. K-Medoids menggunakan metode pengelompokkan partisi untuk
mengelompokkan sekumpulan n objek menjadi sejumlah k cluster.
Medoids adalah obyek yang dianggap mewakili cluster sekaligus
sebagai pusat cluster. Algoritma k-medoids membentuk suatu cluster dengan
cara menghitung jarak kemiripan yang dimiliki antara medoid dengan obyek
non medoids. (Dewi & Pramita, 2019).
6
K-Medoids dianggap memiliki karakteristik penting dibanding K-Means

karena dapat menghitung medoids menggunakan frekuensi kemunculannya.
K-Medoids cukup efisien untuk mengolah data dalam jumlah kecil serta
mampu mengatasi kelemahan K-Means yang sensitif terhadap outlier.
(Kholisho & Marfuatun, 2019). Algoritma ini pernah digunakan pada penelitian
(Ayu et al., 2021) untuk segmentasi data pelanggan dan didapatkan jumlah
cluster optimal sebanyak 3 cluster. Selain digunakan untuk bisnis, algoritma
ini juga pernah digunakan dibidang medis. Seperti penelitian (Iswavigra et al.,
2021) yang menggunakan K-Medoids untuk mengelompokkan data penyakit
Puskesmas Kuok dan didapatkan hasil sebanyak 3 cluster dengan Diabetes
Melitus tidak bergantung pada insulin (II) merupakan penyakit yang paling
banyak diderita.
Algoritma K-Medoids ini mengelompokkan data secara berulang-ulang
(iterasi) sehingga nantinya akan terdapat beberapa iterasi. Algoritma ini
dimulai dengan memilih jumlah K yang akan digunakan, K berarti Jumlah
Cluster (Kelas) yang diinginkan. Setelah menentukan Jumlah K yang
diinginkan, maka selanjutnya kita perlu memilih secara acak Medoid awal
sebanyak K dari n data.
Langkah selanjutnya adalah menghitung jarak obyek ke masing
masing Medoid yang telah dipilih dengan menggunakan Distance Measure.
Distance measure merupakan sebuah metode pengukuran jarak antar objek.
Semakin besar nilai jarak yang diperoleh, maka semakin jauh letak objek
dengan pusat klaster yang terbentuk. Beberapa distance measure yang dapat
digunakan antara lain: Euclidean Distance, Chebyshev Distance, Manhattan
Distance, dan Minkowski Distance.(Kholisho & Marfuatun, 2019). Pada
penelitian ini, distance measure yang akan digunakan adalah Manhattan
Distance.
Kemudian dari jarak tesebut, tentukan jarak terdekat obyek ke medoid
dan hitung jumlah nya. Lakukan iterasi medoid berikutnya dengan cara
memilih medoid sementara sebanyak K secara acak. Proses iterasi berhenti
Ketika simpangan medoids lama dengan medoids baru > 0.
Secara singkat, berikut dijabarkan tahap perhitungan menggunakan
Algoritma K-Medoids (Dewi & Pramita, 2019):
1. Memilih k obyek menjadi Oc, dengan Oc adalah obyek yang menjadi
medoid di cluster ke-c dan c = 1, 2, 3, . . ., k
7
2. Menghitung kemiripan antara obyek medoid dengan obyek non-medoid

menggunakan Manhattan Distance.
3. Menempatkan obyek non-medoids ke dalam kelompok yang paling
dekat dengan medoids. Secara acak memilih Orandom, dengan
Orandom adalah sebuah obyek non-medoids untuk menggantikan Oc
awal.
4. Menghitung kemiripan antara obyek non-Orandom dengan obyek
Orandom menggunakan Manhattan Distance.
5. Menempatkan obyek non-Orandom ke dalam kelompok yang paling
mirip dengan Orandom.
6. Menghitung nilai absolut error sebelum dan sesudah pertukaran Oc
dengan Orandom Jika Erandom< Ec maka tukar Oj dengan Orandom
tetapi jika Erandom> Ec maka Oc tetap.
7. Mengulangi langkah 3 sampai 7 hingga semua obyek non-medoids
terpilih menjadi Orandom dan tidak terjadi perubahan pada Oc.
II.3 Manhattan Distance

Manhattan distance digunakan untuk menghitung perbedaan absolut
(mutlak) antara koordinat sepasang objek (Widodo & Brawijaya, 2021).
n
ⅆ ( x , y )=∑ |x i− y i|
i=1
(1)
Keterangan:
d = jarak dari x ke y
x = nilai yang ada pada data cluster i
y = nilai medoid pada cluster i
II.4 Davies Bouldin Index

Davies Bouldin Index dipopulerkan oleh David L. Davies dan Donald W.
Bouldin pada tahun 1979. Indeks Davies-Bouldin IDB adalah salah satu
metode validasi cluster yang digunakan dalam melakukan evaluasi kuantitatif
dari hasil clustering. Pengukuran ini berguna untuk memaksimalkan jarak
intercluster antara satu cluster dengan cluster yang lain (Ibnu, 2019).
Metode ini pernah digunakan dalam penelitian (Harahap, 2021) untuk
membandingkan Algoritma K-Means dan K-Medoids. Pada penelitian
(Gusrianty & Siddik, 2021) DBI digunakan untuk membandingkan teknik
8
pengukuran dalam menghasilkan cluster optimal dan didapatkan hasil bahwa

Teknik Manhattan dengan hasil Distance menunjukkan performa lebih baik
pada variabel ketegori, jenis dan satuan obat, karena memiliki nilai DBI
terendah, yakni 0,752.
Parameter yang ada pada DBI diantaranya adalah Sum-of Square
Within cluster (SSW) yang nantinya akan dibandingkan Sum of square
between cluster (SSB) dengan asumsi ada cluster i dan j serta menghitung
jarak antara centroid ci dan cj. Parameter ini akan didefinisikan sebagai Ri,j.
ss w i+ ss w j
Ri , j =
SS B i , j
(2)
Dimana SSBi,j didapatkan dengan mencari jarak antar centorid dengan
rumus sebagai berikut :
SS B i , j =Σ | y i − y j|
(3)
Keterangan:
yi = centroid yang ada pada cluster i
yj = centroid yang ada pada cluster j
Sedangkan SSW, yang bisa dikatakan juga sebagai nilai sebaran yang
ada pada suatu cluster didapatkan dengan menggunakan rumus:
ni
1
ss w i= ∑ ⅆ ( x , y )
ni j=1
(4)
Keterangan :
n = jumlah data pada cluster i
d(x,y) = Manhattan distance yang telah di jabarkan pada sub bab 2.3
Untuk nilai DBI didapatkan dengan menggunakan rumus sebagai

berikut:
k
1
DBI = ∑ max ( R )
k i=1 i ≠ j i , j
(5)
Dari penjelasan persamaan diatas, k adalah jumlah cluster, nilai davies
bouldin yang diperoleh semakin kecil (non-negatif>=0) maka pengujian
9
cluster hasil yang diperoleh dari pengelompokan semakin baik berdasarkan

algoritma clustering yang dilakukan (Ghufron and Surarso, Bayu and
Gernowo, 2020).
II.5 PHP: Hypertext Preprocessor

PHP merupakan salah satu bahasa pemogramman web yang cukup
populer bersifat open source product, sehingga source code PHP dapat diubah
dan didistribusikan secara bebas. Bahasa pemogramman PHP ini sering
digunakan para peneliti yang tertarik pada data mining. Karena penerapan
Algoritma data mining cukup mudah dilakukan dengan bahasa pemogramman
ini. Penelitian ini menggunakan bahasa pemogramman PHP versi 7.1. Versi ini
merupakan versi yang cukup stabil dan banyak digunakan sekarang.
PHP adalah bahasa pemogramman yang dapat mengolah berbagai tipe
data dengan sistem yang dinamis (Teguh, 2019).
II.6 MySQL
MySQL adalah salah satu jenis database yang cukup banyak
digunakan. Kepopulerannya disebabkan karena MySQL menggunakan SQL
sebagai bahasa dasar untuk mengakses databasenya. Selain karena itu,
MySQL cukup banyak digunakan karena MySQL bersifat gratis dengan lisensi
GNU General Public License (GPL). Dengan adanya keadaan ini maka anda
dapat meggunakan software ini dengan bebas tanpa perlu harus takut dengan
lisensi yang ada. MySQL termasuk jenis RDBMS (Relational Database
Management System) yang membuat istilah table, baris, kolom digunakan
pada MySQL (Teguh, 2019).
II.7 Visual Studio Code

Visual Studio Code merupakan salah satu kode editor gratis yang
memiliki banyak dukungan bahasa pemogramman melalui ekosistem ekstensi
yang kaya terutama bahasa JavaScript dan TypeScript. Visual Studio Code
menggunakan sistem folder atau ruang kerja yang memudahkan untuk
berinterasi dengan dokumen dan file source code suatu proyek. (Fitzgerald et
al., 2021).
10
II.8 Unified Modelling Language (UML)

II.8.1 Definisi Unified Modelling Language (UML)
United Modelling Language (UML) merupakan salah satu metode dalam
pemodelan secara visual yang digunakan sebagai sarana perancangan sistem
berorientasi objek. UML adalah bahasa standar untuk menentukan,
visualisasi, membangun dan mendokumentasikan artefak sistem perangkat
lunak, serta untuk pemodelan bisnis maupun sistem non perangkat lunak
lainnya (Patil et al., 2020).
II.8.2 Model Unified Modelling Language (UML)

Berikut ini jenis-jenis diagram UML, sebagai berikut:
1. Use Case Diagram
Use Case Diagram adalah salah satu jenis dari diagram UML yang
menggambarkan hubungan interaksi antara sistem dan user. Use Case
dapat mendeskripsikan tipe interaksi antara si pengguna sistem
dengan sistemnya.
Gambar 2.1 Use Case Diagram

(Sumber: www.socs.binus.ac.id)
2. Class Diagram
Class Diagram merupakan salah satu jenis diagram UML yang
digunakan untuk menggambarkan struktur sistem dengan
menunjukkan sistem class, atributnya, metode dan hubungan antar
11
objek. Class Diagram termasuk kedalam jenis diagram struktur karena

menggambarkan apa yang harus ada dalam sistem yang dimodelkan
dengan berbagai komponen.
Gambar 2.2 Class Diagram

(Sumber: www.glints.com)
3. Activity Diagram
Activity Diagram adalah jenis diagram UML yang menggambarkan
rancangan aliran aktivitas atau aliran kerja dalam sebuah sistem yang
akan dijalankan. Activity Diagram juga digunakan untuk
mendefinisikan atau mengelompokkan aluran tampilan dari sistem
tersebut. Komponen Acitivty Diagram dihubungkan dengan tanda
panah yang bertujuan mengarah ke urutan aktivitas yang terjadi
berikut nya. Dari awal hinggal akhir sistem.
12
Gambar 2.3 Activity Diagram

(Sumber: www.dicoding.com)
4. Object Diagram
Object Diagram adalah salah satu jenis Diagram UML yang berfungsi
untuk menunjukkan gambaran lengkap atau sebagian dari struktur
sistem yang dimodelkan pada waktu tertentu. Object Diagram
berfokus pada beberapa set tertentu dari objek dan atribut. Diagram
objek dan diagram kelas berkaitan erat dan menggunakan notasi yang
hampir sama. Kedua diagram dimaksudkan untuk memvisualisasikan
struktur statis dari suatu sistem.
Gambar 2.4 Object Diagram

(Sumber www.upload.wikimedia.org)
5. Sequence Diagram
13
Sequence Diagram adalah sebuah diagram yang digunakan untuk

menjelaskan dan menampilkan interaksi antar objek-objek dalam
sebuah sistem secara terperinci. Selain itu, sequence diagram juga
akan menampilkan pesan atau perintah yang dikirim, beserta waktu
pelaksanaannya. Objek-objek yang berhubungan dengan berjalannya
proses operasi biasanya diurutkan dari kiri ke kanan.
Gambar 2.5 Sequence Diagram

(Sumber www.en.wikipedia.com)
6. Deployment Diagram
Deployment diagram adalah salah satu jenis diagram UML yang
dipakai untuk mengambarkan, menspesifikasikan, dan
mendokumentasikan metode yang terjadi pada suatu sistem software
berorientasi objek yang akan dibangun.
Gambar 2.6 Deployment Diagram

(Sumber www.dictio.id)
14
BAB III
MEDOTOLOGI PENELITIAN
Pada BAB III, akan diuraikan kerangka kerja penelitian berdasarkan

landasan teori yang sudah ditetapkan.
III.1 Kerangka Kerja Penelitian

Untuk melakukan penerapan Algoritma K-Medois dan Teknik DBI pada
data pengguna narkoba, diperlukan tahapan sebagai berikut:
Mempersiapkan data menggunakan

Knowledge Discovery in Database (KDD)
Mengelompokkan data menggunakan

algoritma K-Medoids dengan pengukuran
Manhattan Distance
Menetapkan dan mengganti jumlah K
Mengevaluasi Cluster dengan teknik

pengujian Davies Bouldin Index
Jumlah Cluster yang optimal
Menganalisis Cluster yang optimal
Gambar 3.1 Kerangka Kerja Penelitian
15
16
Berdasarkan Gambar 3.1, penelitian diawali dengan mempersiapkan

data, dalam hal ini adalah data sample pengguna narkoba. Data tersebut
akan melalui proses Knowledge Discovery in Database dengan tahapan seleksi
data, pemilihan data, transformasi data dan normalisasi data, sehingga data
tersebut dapat diuji.
Seleksi data berupa memilih attribut-attribut untuk menghasilkan
informasi sesuai dengan cluster yang terbentuk dengan acuan setelah
penggujian menggunakan DBI sudah dilakukan. Sebelum dilakukan
pengujian, akan dilakukan transformasi dan normalisasi data agar data yang
akan diuji memiliki format yang sama serta memiiki keseimbangan antara
nilai yang rendah dengan nilai yang tinggi.
Data yang akan diuji menggunakan Algortma K-Medoids berupa 502
data dengan memasukkan sejumlah K, mulai dari k=2 hingga k=8. Hasil
pengujian akan dievaluasi dengan Teknik Davies Bouldin Index (DBI). Hasil
evaluasi tersebut merupakan jumlah cluster yang sudah optimal, yang
nantinya akan menghasilkan informasi yang berguna.
III.2 Data Uji

Data uji yang digunakan pada penelitian ini, diambil dari Machine
Learning UCI yaitu data narkoba sebanyak 510 data. Data tersebut akan
dikelompokkan berdasarkan 3 kriteria, yakni Rating, Effectiveness, dan Side
Effect.
Rating merupakan peringkat dari jenis narkoba tersebut. Banyak faktor
yang mempengaruhi rating dari suatu narkoba. Effectiveness merupakan
keefektifan dari narkoba tersebut. Mulai dari Ineffective hingga Highly
Effective. Dan Side Effect adalah efek samping yang muncul dari penggunaan
jenis narkoba tersebut. Side Effect ini terdiri dari No Side Effect (tidak
memiliki efek samping) hingga Severe Side Effect (efek samping parah).
Semua ini tergantung dari kondisi kesehatan pemakai.
BAB IV
ANALISIS DAN HASIL
IV.1 Rancangan Algoritma K Medoids

IV.1.1 Use Case Diagram
Gambar 4.1 Use Case Diagram Aplikasi Pengujian Algoritma K Medoids dan
DBI
Berdasarkan gambar 4.1, use case diagram baru dimulai dengan peran
aktor user yaitu menginput data pengguna narkoba secara manual atau
otomatis dengan file excel. Setelah proses penginputan data selesai,
dilanjutkan dengan pengguna menentukan dan menginputkan nilai K uji ke
halaman perhitungan untuk memulai proses pengelompokkan data dengan K
Medoids dan perhitungan jarak Manhattan secara otomatis oleh sistem hingga
iterasi terakhir dari K Uji yang diinputkan. Ketika hasil pengelompokkan
keluar, akan dilanjutkan pengevaluasian dengan Davies Bouldin index yang
17
18
juga akan dilakukan secara otomatis oleh sistem. Hasil akan digambarkan
dalam bentuk grafik oleh sistem Ketika proses evaluasi selesai dilakukan.
IV.1.2 Activity Diagram
Gambar 4.2 Activity Diagram Aplikasi Pengujian Algoritma K Medoids dan DBI
Gambar 4.2 memperlihatkan aktivitas yang dilakukan pengguna

pertama kali adalah menginputkan data narkoba yang akan di uji. Setelah itu,
pengguna dapat memulai proses perhitungan dengan menginputkan jumlah K
Uji pada halaman perhitungan. Setelah K Uji diinputkan, maka sistem akan
memulai proses pengelompokkan data dengan K Medoids dan perhitungan
jarak Manhattan secara otomatis hingga iterasi terakhir dari K Uji yang
diinputkan. Ketika hasil pengelompokkan keluar, akan dilanjutkan
19
pengevaluasian dengan Davies Bouldin index yang juga akan dilakukan secara
otomatis oleh sistem. Hasil evaluasi akan digambarkan dalam bentuk grafik
oleh sistem saat proses evaluasi selesai dilakukan.
IV.1.3 Object Diagram

Berikut ini ditampilkan Objek diagram untuk menggambarkan situasi
data yang akan dikelompokkan.
Gambar 4.3 Object Diagram Aplikasi Pengujian Algoritma K Medoids dan DBI
Pada gambar 4.4 table data_field berelasi dengan data_value. table

data_field menyimpan attribute data yang akan menjadi acuan untuk data
yang ada pada table data_value, dimana data pada table data_value
merupakan data yang akan di uji. Oleh karena itu dfieldId yang merupakan
primary key pada table data_field, menjadi secondary key di table
data_value.
IV.1.4 Class Diagram
Gambar 4.4 Class Diagram Aplikasi Pengujian Algoritma K Medoids dan DBI
20
Class diagram pada gambar 4.3 merupakan rancangan sistem

informasi baru, table data_field menyimpan attribute data yang akan menjadi
acuan untuk data yang ada pada table data_value, dimana data pada table
data_value merupakan data yang akan di uji.
IV.1.5 Sequence Diagram

Berikut ini ditampilkan sequence diagram untuk menggambarkan aliran
interaksi antar objek.
Gambar 4.5 Sequence Diagram Aplikasi Pengujian Algoritma K Medoids dan

DBI
21
Pada Gambar 4.5, terdapat 3 interaksi yang dilakukan oleh user.

Interaksi yang pertama adalah penginputan data field yang dilakukan oleh
user. User menginputkan data field ke system melalui modul data field. Data
yang diinputkan akan di validasi oleh modul. Data yang telah divalidasi benar
oleh system akan di inputkan ke database via function insert. Apabila data
field tersebut divalidasi salah, maka system akan menampilkan error kepada
user. Interaksi berikutnya adalah penginputan data value. Data value yang
diinputkan melalui modul Data Value akan melalui proses validasi sebelum
diteruskan ke database untuk disimpan dengan menggunakan function insert.
Apabila data gagal divalidasi, maka sistem akan memunculkan pesan error
kepada user.
Interaksi terakhir adalah proses perhitungan. Proses perhitungan ini
diawali oleh user dengan menginputkan nilai K Uji melalui modul perhitungan.
Data K Uji yang diinputkan akan melewati proses validasi. Setelah proses ini,
dilanjutkan dengan proses pengambilan data field dan data value dari
database untuk selanjutnya disimpan ke session agar mudah untuk dilakukan
perhitungan. Data yang telah tersimpan di session selanjutnya dilakukan
proses KDD (Knowledge Discovery in Database). Data yang telah melewati
proses ini kemudian disimpan ke session dan ditampilkan juga ke user.
Kemudian, dilakukan kembali perhitungan terhadap data tersebut dengan
algoritma K Medoids dan perhitungan jarak Manhattan sehingga menghasilkan
data yang sudah tercluster. Data yg sudah tercluster ini, kemudian
ditampilkan kepada user dan disimpan kembali ke session untuk dilanjutkan
ke perhitungan berikutnya. Perhitungan berikutnya adalah perhitungan nilai
index menggunakan Davies Bouldin Index. Hasil perhitungan ini juga
disimpan ke session dan diakhiri dengan pembuatan grafik berdasarkan nilai
index.
22
IV.1.6 Deployment Diagram
Gambar 4.5 Deployment Diagram Aplikasi Pengujian Algoritma K Medoids dan

DBI
Berikut ini berdasarkan gambar 4.5, ditampilkan gambaran dari proses

yang terjadi pada aplikasi ini.
IV.2 Rancangan Aplikasi Pengujian Algoritma K-Medoids

IV.2.1 Rancangan Input
Rancangan input yang akan pada program ini terdiri atas input data
field, input data value, dan input K Uji. Berikut ini tampilan input data field.
23
Gambar 4. 6 Tampilan Form Input data field
Pada gambar 4.6, Form input data field hanya sebuah form yang terdiri
atas 1 kolom inputan untuk nama Field.
Gambar 4.7 Tampilan Form Input data value

Berdasarkan gambar 4.7, terlihat 3 kolom field, kolom field pada form
input ini bersifat dinamis, sesuai dengan jumlah data field yang telah
diinputkan form Input data field pada gambar 4.6.
Gambar 4.8 Tampilan Form Input K Uji

24
Pada gambar 4.8, terlihat form input bertujuan untuk menginputkan

nilai K Uji yang akan dilakukan perhitungan.
IV.2.2 File Data

Dalam perancangan suatu program dibutuhkan juga rancangan dari
penyimpanan data atau databasenya. Dengan adanya rancangan database
akan membantu dalam proses pembuatan program. Berikut ini rancangan dari
database yang akan digunakan.
Nama Database : skrispi_kmedoids
Nama Table : data_field, data_value
Tabel 4.1 Table data_field

Keteranga
Field Type Size n
dfieldId Int 11 Id Field
dfieldName Varchar 255 Nama Field
Tabel 4.2 Table data_value

Field Type Size Keterangan
dvalueId Int 11 Id Value
dfieldId Int 11 Id Field
dvalueNo Int 11 Nomor Value
dvalueValue Varchar 255 Nama Value
IV.2.3 Rancangan Output

Rancangan output yang akan ada pada program ini terdiri atas
tampilan halaman data field, tampilan halaman data value dan tampilan hasil
perhitungan DBI. Berikut ini tampilan halaman data field.
25
Gambar 4.9 Tampilan Halaman Data Field
Pada gambar 4.9, terlihat tampilan halaman data field memunculkan

nama field dan action edit atau delete.
Gambar 4.10 Tampilan Halaman Data Value
Gambar 4.10 terlihat tampilan halaman data value yang menampilkan

data uji sesuai dengan kolom field yang telah diinputkan form Input data field
pada gambar 4.6 dan action edit atau delete data value.
26
Gambar 4.11 Tampilan Halaman Hasil Perhitungan DBI
Pada gambar 4.11, terlihat sebuah grafik hasil perhitungan nilai index
dengan DBI. Hasil Cluster dihitung nilai nya dan digambarkan kedalam
sebuah grafik agar mudah dibaca.
IV.3 Penerapan Algoritma K Medoids dan Manhattan

IV.3.1 Persiapan Data
Sebelum melakukan perhitungan dengan menggunakan algoritma K
Medoids dengan jarak Manhattan, dilakukan persiapan data menggunakan
Knowledge Discovery in Database dengan tahapan seleksi data, pemilihan
data, transformasi data dan normalisasi data. Proses Knowledge Discovery in
Database diawali dengan menyeleksi data dan melakukan pemilihan data,
tujuan dilakukan nya proses ini adalah untuk menghilangkan data yang
bersifat tidak lengkap dan tidak memenuhi syarat.
Tabel 4.3 Hasil Seleksi dan Pemilihan data uji

No DRUG NAME RATING EFFECTIVENESS SIDE EFFECTS
1 eulexin 10 Highly Effective No Side Effects
2 provigil 10 Highly Effective No Side Effects
Mild Side
neurontin 9 Highly Effective
3 Effects
Considerably
klaron 8 No Side Effects
4 Effective
5 prinivil 10 Highly Effective No Side Effects
Severe Side
retin-a-micro 1 Ineffective
6 Effects
Mild Side
viagra 10 Highly Effective
7 Effects
27
Severe Side
keflex 1 Highly Effective
8 Effects
Moderately Mild Side
minocycline 5
9 Effective Effects
Considerably Moderate Side
klonopin 7
10 Effective Effects
Considerably Mild Side
zoloft 7
retin-a-micro 9
Mild Side
requip 10 Highly Effective
13 Effects
wellbutrin 8
Moderately
motrin 8 No Side Effects
15 Effective
Considerably
accupril 9 No Side Effects
16 Effective
17 naproxen 10 Highly Effective No Side Effects
18 propecia 9 Highly Effective No Side Effects
Mild Side
prozac 9 Highly Effective
19 Effects
Considerably
remicade 9 No Side Effects
20 Effective
plavix 7
Severe Side
paxil 4 Highly Effective
22 Effects
Moderately
galzin 7 No Side Effects
23 Effective
Mild Side
tylenol 9 Highly Effective
24 Effects
Mild Side
seroquel 9 Highly Effective
25 Effects
Considerably
ritalin 8 No Side Effects
26 Effective
lexapro 6
ultram 8
29 oracea 10 Highly Effective No Side Effects
28
Marginally
lexapro 6 No Side Effects
30 Effective
Moderate Side
retin-a 9 Highly Effective
31 Effects
Mild Side
celebrex 3 Ineffective
32 Effects
33 minocycline 10 Highly Effective No Side Effects
Marginally Moderate Side
lunesta 3
Marginally Severe Side
soma 1
effexor 8
lithium- Considerably Mild Side
8
37 carbonate Effective Effects
Severe Side
metoclopramide 1 Ineffective
38 Effects
Marginally
fosamax 2 No Side Effects
39 Effective
Mild Side
spironolactone 10 Highly Effective
40 Effects
dvairrin-xl 6
lexapro 9
Considerably
enbrel 8 No Side Effects
43 Effective
44 avapro 10 Highly Effective No Side Effects
tirosint 4
Mild Side
metformin 9 Highly Effective
46 Effects
Marginally Mild Side
differin 5
Moderately
synthroid 7 No Side Effects
48 Effective
Mild Side
hyzaar 10 Highly Effective
49 Effects
Mild Side
lexapro 8 Highly Effective
50 Effects
Considerably
ketorolac 7 No Side Effects
51 Effective
29
52 propecia 10 Highly Effective No Side Effects

Moderate Side
metrogel 1 Ineffective
53 Effects
Extremely
tramadol 1 Ineffective Severe Side
54 Effects
55 augmentin 10 Highly Effective No Side Effects
paxil 4
Severe Side
elidel 1 Ineffective
57 Effects
Moderate Side
adderall 8 Highly Effective
58 Effects
59 meridia 10 Highly Effective No Side Effects
Marginally
norvasc 5 No Side Effects
60 Effective
Moderately Moderate Side
imitrex 7
Mild Side
dvairrin-xl 10 Highly Effective
62 Effects
63 lamisil 10 Highly Effective No Side Effects
Moderately
retin-a 5 No Side Effects
64 Effective
65 axert 10 Highly Effective No Side Effects
prozac 8
Considerably
ambien-cr 9 No Side Effects
67 Effective
Severe Side
vicodin 3 Highly Effective
68 Effects
69 celebrex 9 Highly Effective No Side Effects
Extremely
permapen 10 Highly Effective Severe Side
70 Effects
effexor 8
Mild Side
seroquel 8 Highly Effective
72 Effects
prinivil 5
differin 8
30

imitrex 8
Extremely
fosamax 1 Ineffective Severe Side
76 Effects
Mild Side
cialis 10 Highly Effective
77 Effects
Mild Side
mirtazapine 2 Ineffective
78 Effects
avage 5
Severe Side
betamethasone 2 Ineffective
80 Effects
. . . . .
. . . . .
. . . . .
50 Marginally Severe Side
tamiflu 1
2 Effective Effects
Pada tabel 4.3 data telah terseleksi. Selanjutnya dilakukan

transformasi data. Tujuan nya untuk menyamakan semua nilai data dan
mengubah nilai karakter menjadi nilai angka. Transformasi diawali dengan
mengelompokkan nilai setiap atribut, Nilai setiap atribut yang telah
dikelompokkan, dihitung jumlah data nya dan diurutkan berdasarkan banyak
data setiap nilai atribut tersebut. Nilai atribut yang berbentuk karakter diubah
menjadi angka berdasarkan urutan jumlah data. Nilai Atribut pada urutan
pertama, diubah nilai nya menjadi 1, begitu seterusnya hingga nilai atribut
terakhir.
Tabel 4.4 Hasil Transformasi Data

SIDE
No DRUG NAME RATING EFFECTIVENESS EFFECTS
1 EULEXIN 10 1 2
2 PROVIGIL 10 1 2
3 NEURONTIN 9 1 1
4 KLARON 8 2 2
5 PRINIVIL 10 1 2
6 RETIN-A-MICRO 1 4 4
7 VIAGRA 10 1 1
8 KEFLEX 1 1 4
9 MINOCYCLINE 5 3 1
31
10 KLONOPIN 7 2 3
11 ZOLOFT 7 2 1
12 RETIN-A-MICRO 9 2 1
13 REQUIP 10 1 1
14 WELLBUTRIN 8 2 1
15 MOTRIN 8 3 2
16 ACCUPRIL 9 2 2
17 NAPROXEN 10 1 2
18 PROPECIA 9 1 2
19 PROZAC 9 1 1
20 REMICADE 9 2 2
21 PLAVIX 7 2 1
22 PAXIL 4 1 4
23 GALZIN 7 3 2
24 TYLENOL 9 1 1
25 SEROQUEL 9 1 1
26 RITALIN 8 2 2
27 LEXAPRO 6 3 1
28 ULTRAM 8 2 1
29 ORACEA 10 1 2
30 LEXAPRO 6 5 2
31 RETIN-A 9 1 3
32 CELEBREX 3 4 1
33 MINOCYCLINE 10 1 2
34 LUNESTA 3 5 3
35 SOMA 1 5 4
36 EFFEXOR 8 2 1
LITHIUM-
37 CARBONATE 8 2 1
38 METOCLOPRAMIDE 1 4 4
39 FOSAMAX 2 5 2
40 SPIRONOLACTONE 10 1 1
41 WELLBUTRIN-XL 6 3 1
42 LEXAPRO 9 2 1
43 ENBREL 8 2 2
44 AVAPRO 10 1 2
45 TIROSINT 4 5 3
46 METFORMIN 9 1 1
47 DIFFERIN 5 5 1
48 SYNTHROID 7 3 2
49 HYZAAR 10 1 1
50 LEXAPRO 8 1 1
51 KETOROLAC 7 2 2
32
52 PROPECIA 10 1 2
53 METROGEL 1 4 3
54 TRAMADOL 1 4 5
55 AUGMENTIN 10 1 2
56 PAXIL 4 5 3
57 ELIDEL 1 4 4
58 ADDERALL 8 1 3
59 MERIDIA 10 1 2
60 NORVASC 5 5 2
61 IMITREX 7 3 3
63 LAMISIL 10 1 2
64 RETIN-A 5 3 2
65 AXERT 10 1 2
66 PROZAC 8 2 3
67 AMBIEN-CR 9 2 2
68 VICODIN 3 1 4
69 CELEBREX 9 1 2
70 PERMAPEN 10 1 5
71 EFFEXOR 8 2 1
72 SEROQUEL 8 1 1
73 PRINIVIL 5 3 1
74 DIFFERIN 8 2 1
75 IMITREX 8 2 1
76 FOSAMAX 1 4 5
77 CIALIS 10 1 1
78 MIRTAZAPINE 2 4 1
79 AVAGE 5 5 3
80 BETAMETHASONE 2 4 4
. . . . .
. . . . .
. . . . .
50
2 TAMIFLU 1 5 4
Tabel 4.4 merupakan hasil transformasi data dari tabel 4.3. Setelah
proses ini, dilanjutkan dengan proses normalisasi data yang bertujuan untuk
mengatasi jarak yang jauh dari suatu data dengan data lain. Proses
normalisasi diawali dengan menghitung nilai terendah dan teringgi dari setiap
Attribut. Berikut ini nilai terendah dan tertinggi yang dimaksud.
33
Tabel 4.5 Nilai Terendah dan Tertinggi setiap Attribut

RATING EFFECTIVENESS SIDE EFFECTS
Nilai
Terenda 1 1 1
h
Nilai
10 5 5
Tertinggi
Setelah nilai terendah dan tertinggi setiap attribut didapatkan,

dilanjutkan dengan melakukan normalisasi masing masing attribut dengan
rumus sebagai berikut.
( nilai atribut−nilai terendah atribut )

( nilai tertinggi−nilai terendah attribut )
(6)
Misalnya normalisasi attribute rating pada data ke-1 table 4.4, nilai
attribut data tersebut adalah 10. Sedangkan nilai terendah dan tertinggi
attribute tersebut seperti yang ada pada table 4.5 adalah 1 dan 10.
Selanjutnya angka angka ini akan dimasukkan ke persamaan (6) dan
didapatkan nilai 1 sebagai hasil normalisasi dengan perhitungan sebagai
berikut.
10−1
=1
10−1
Proses normalisasi terus berlanjut ke Attribut berikutnya hingga data

terakhir. Dan didapatkan hasil normalisasi untuk keseluruh data sebagai
berikut
Tabel 4.6 Hasil Normalisasi Data

EFFECTIVENES SIDE
No DRUG NAME RATING
S EFFECTS
1 EULEXIN 1 0 0.25
2 PROVIGIL 1 0 0.25
0.88888888
3 NEURONTIN 0 0
9
4 KLARON 0.77777777 0.25 0.25
34
8
5 PRINIVIL 1 0 0.25
6 RETIN-A-MICRO 0 0.75 0.75
7 VIAGRA 1 0 0
8 KEFLEX 0 0 0.75
0.44444444
9 MINOCYCLINE 0.5 0
4
0.66666666
10 KLONOPIN 0.25 0.5
7
0.66666666
11 ZOLOFT 0.25 0
7
0.88888888
12 RETIN-A-MICRO 0.25 0
9
13 REQUIP 1 0 0
0.77777777
14 WELLBUTRIN 0.25 0
8
0.77777777
15 MOTRIN 0.5 0.25
8
0.88888888
16 ACCUPRIL 0.25 0.25
9
17 NAPROXEN 1 0 0.25
0.88888888
18 PROPECIA 0 0.25
9
0.88888888
19 PROZAC 0 0
9
0.88888888
20 REMICADE 0.25 0.25
9
0.66666666
21 PLAVIX 0.25 0
7
0.33333333
22 PAXIL 0 0.75
3
0.66666666
23 GALZIN 0.5 0.25
7
0.88888888
24 TYLENOL 0 0
9
0.88888888
25 SEROQUEL 0 0
9
0.77777777
26 RITALIN 0.25 0.25
8
0.55555555
27 LEXAPRO 0.5 0
6
0.77777777
28 ULTRAM 0.25 0
8
29 ORACEA 1 0 0.25
0.55555555
30 LEXAPRO 1 0.25
6
0.88888888
31 RETIN-A 0 0.5
9
0.22222222
32 CELEBREX 0.75 0
2
35
33 MINOCYCLINE 1 0 0.25
0.22222222
34 LUNESTA 1 0.5
2
35 SOMA 0 1 0.75
0.77777777
36 EFFEXOR 0.25 0
8
LITHIUM- 0.77777777
37 0.25 0
CARBONATE 8
38 METOCLOPRAMIDE 0 0.75 0.75
0.11111111
39 FOSAMAX 1 0.25
1
40 SPIRONOLACTONE 1 0 0
0.55555555
41 WELLBUTRIN-XL 0.5 0
6
0.88888888
42 LEXAPRO 0.25 0
9
0.77777777
43 ENBREL 0.25 0.25
8
44 AVAPRO 1 0 0.25
0.33333333
45 TIROSINT 1 0.5
3
0.88888888
46 METFORMIN 0 0
9
0.44444444
47 DIFFERIN 1 0
4
0.66666666
48 SYNTHROID 0.5 0.25
7
49 HYZAAR 1 0 0
0.77777777
50 LEXAPRO 0 0
8
0.66666666
51 KETOROLAC 0.25 0.25
7
52 PROPECIA 1 0 0.25
53 METROGEL 0 0.75 0.5
54 TRAMADOL 0 0.75 1
55 AUGMENTIN 1 0 0.25
0.33333333
56 PAXIL 1 0.5
3
57 ELIDEL 0 0.75 0.75
0.77777777
58 ADDERALL 0 0.5
8
59 MERIDIA 1 0 0.25
0.44444444
60 NORVASC 1 0.25
4
0.66666666
61 IMITREX 0.5 0.5
7
63 LAMISIL 1 0 0.25
36
0.44444444
64 RETIN-A 0.5 0.25
4
65 AXERT 1 0 0.25
0.77777777
66 PROZAC 0.25 0.5
8
0.88888888
67 AMBIEN-CR 0.25 0.25
9
0.22222222
68 VICODIN 0 0.75
2
0.88888888
69 CELEBREX 0 0.25
9
70 PERMAPEN 1 0 1
0.77777777
71 EFFEXOR 0.25 0
8
0.77777777
72 SEROQUEL 0 0
8
0.44444444
73 PRINIVIL 0.5 0
4
0.77777777
74 DIFFERIN 0.25 0
8
0.77777777
75 IMITREX 0.25 0
8
76 FOSAMAX 0 0.75 1
77 CIALIS 1 0 0
0.11111111
78 MIRTAZAPINE 0.75 0
1
0.44444444
79 AVAGE 1 0.5
4
0.11111111
80 BETAMETHASONE 0.75 0.75
1
. . . . .
. . . . .
. . . . .
50
TAMIFLU 0 1 0.75
2
Hasil normalisasi ini merupakan hasil akhir dari proses Knowledge

Discovery in Database sehingga data sudah siap untuk di uji dengan
Algoritma K Medoids dan perhitungan jarak Manhattan.
IV.3.2 Perhitungan K Medoids

Perhitungan dimulai dengan menentukan jumlah K Uji. Jumlah K Uji
yang akan digunakan adalah 10. Setelah jumlah K uji ditetapkan, proses
perhitungan akan dimulai dari iterasi 1 dengan K=2, Jika K=2, maka akan
diambil 2 data secara acak untuk dijadikan medoids awal.
37
Iterasi 1
Tabel 4.7 Medoids Awal
EFFECTIVENES SIDE
No DRUG NAME RATING
S EFFECTS
1 HYTRIN 1 0 0.25
2 STRATTERA 0.222222222 1 0.5
Pada table 4.7, ditampilkan 2 data yang dijadikan sebagai medoids

awal. Terlihat disana Cluster 1 memiliki medoids awal 1, 0, dan 0.25. Begitu
juga dengan Cluster 2 memiliki medoids awal 0.222222222, 1, dan 0.5.
Kemudian dilakukan perhitungan jarak antara objek dengan medoids
awal menggunakan persamaan (1). Keseluruhan data akan dihitung jaraknya.
Misalnya untuk objek 1, maka untuk jarak setiap data ke Cluster 1 yaitu: (|1-
1|)+(|0-0|)+(|0,25-0,25|) = 0. Begitu seterusnya hingga jarak setiap data ke
Cluster 2. Hasil selengkapnya dapat dilihat pada tabel 4.8.
Tabel 4.8 Hasil Perhitungan Jarak antara Objek ke Medoid Awal

SIDE
EFFECTIVE
No DRUG NAME RATING EFFEC Jarak 1 Jarak 2
NESS
TS
2.027777
1 EULEXIN 1 0 0.25 0
778
2.027777
2 PROVIGIL 1 0 0.25 0
778
0.888888 0.361111 2.166666
3 NEURONTIN 0 0
889 111 667
0.777777 0.472222 1.555555
4 KLARON 0.25 0.25
778 222 556
2.027777
5 PRINIVIL 1 0 0.25 0
778
RETIN-A- 0.722222
6 0 0.75 0.75 2.25
MICRO 222
2.277777
7 VIAGRA 1 0 0 0.25
778
1.472222
8 KEFLEX 0 0 0.75 1.5
222
MINOCYCLIN 0.444444 1.305555 1.222222
9 0.5 0
E 444 556 222
0.666666 0.833333 1.194444
10 KLONOPIN 0.25 0.5
667 333 444
0.666666 0.833333 1.694444
11 ZOLOFT 0.25 0
667 333 444
RETIN-A- 0.888888 0.611111 1.916666
12 0.25 0
MICRO 889 111 667
13 REQUIP 1 0 0 0.25 2.277777
38
778
0.777777 0.722222 1.805555
14 WELLBUTRIN 0.25 0
778 222 556
0.777777 0.722222 1.305555
15 MOTRIN 0.5 0.25
778 222 556
0.888888 0.361111 1.666666
16 ACCUPRIL 0.25 0.25
889 111 667
2.027777
17 NAPROXEN 1 0 0.25 0
778
0.888888 0.111111 1.916666
18 PROPECIA 0 0.25
889 111 667
0.888888 0.361111 2.166666
19 PROZAC 0 0
889 111 667
0.888888 0.361111 1.666666
20 REMICADE 0.25 0.25
889 111 667
0.666666 0.833333 1.694444
21 PLAVIX 0.25 0
667 333 444
0.333333 1.166666 1.361111
22 PAXIL 0 0.75
333 667 111
0.666666 0.833333 1.194444
23 GALZIN 0.5 0.25
667 333 444
0.888888 0.361111 2.166666
24 TYLENOL 0 0
889 111 667
0.888888 0.361111 2.166666
25 SEROQUEL 0 0
889 111 667
0.777777 0.472222 1.555555
26 RITALIN 0.25 0.25
778 222 556
0.555555 1.194444 1.333333
27 LEXAPRO 0.5 0
556 444 333
0.777777 0.722222 1.805555
28 ULTRAM 0.25 0
778 222 556
2.027777
29 ORACEA 1 0 0.25 0
778
0.555555 1.444444 0.583333
30 LEXAPRO 1 0.25
556 444 333
0.888888 0.361111 1.666666
31 RETIN-A 0 0.5
889 111 667
0.222222 1.777777
32 CELEBREX 0.75 0 0.75
222 778
MINOCYCLIN 2.027777
33 1 0 0.25 0
E 778
0.222222 2.027777
34 LUNESTA 1 0.5 0
222 778
0.472222
35 SOMA 0 1 0.75 2.5
222
0.777777 0.722222 1.805555
36 EFFEXOR 0.25 0
778 222 556
LITHIUM- 0.777777 0.722222 1.805555
37 0.25 0
CARBONATE 778 222 556
METOCLOPRA 0.722222
38 0 0.75 0.75 2.25
MIDE 222
39
0.111111 1.888888 0.361111

39 FOSAMAX 1 0.25
111 889 111
SPIRONOLAC 2.277777
40 1 0 0 0.25
TONE 778
WELLBUTRIN 0.555555 1.194444 1.333333
41 0.5 0
-XL 556 444 333
0.888888 0.611111 1.916666
42 LEXAPRO 0.25 0
889 111 667
0.777777 0.472222 1.555555
43 ENBREL 0.25 0.25
778 222 556
2.027777
44 AVAPRO 1 0 0.25 0
778
0.333333 1.916666 0.111111
45 TIROSINT 1 0.5
333 667 111
0.888888 0.361111 2.166666
46 METFORMIN 0 0
889 111 667
0.444444 1.805555 0.722222
47 DIFFERIN 1 0
444 556 222
0.666666 0.833333 1.194444
48 SYNTHROID 0.5 0.25
667 333 444
2.277777
49 HYZAAR 1 0 0 0.25
778
0.777777 0.472222 2.055555
50 LEXAPRO 0 0
778 222 556
0.666666 0.583333 1.444444
51 KETOROLAC 0.25 0.25
667 333 444
2.027777
52 PROPECIA 1 0 0.25 0
778
0.472222
53 METROGEL 0 0.75 0.5 2
222
0.972222
54 TRAMADOL 0 0.75 1 2.5
222
2.027777
55 AUGMENTIN 1 0 0.25 0
778
0.333333 1.916666 0.111111
56 PAXIL 1 0.5
333 667 111
0.722222
57 ELIDEL 0 0.75 0.75 2.25
222
0.777777 0.472222 1.555555
58 ADDERALL 0 0.5
778 222 556
2.027777
59 MERIDIA 1 0 0.25 0
778
0.444444 1.555555 0.472222
60 NORVASC 1 0.25
444 556 222
0.666666 1.083333 0.944444
61 IMITREX 0.5 0.5
667 333 444
WELLBUTRIN 2.277777
62 1 0 0 0.25
-XL 778
2.027777
63 LAMISIL 1 0 0.25 0
778
64 RETIN-A 0.444444 0.5 0.25 1.055555 0.972222
40
444 556 222

2.027777
65 AXERT 1 0 0.25 0
778
0.777777 0.722222 1.305555
66 PROZAC 0.25 0.5
778 222 556
0.888888 0.361111 1.666666
67 AMBIEN-CR 0.25 0.25
889 111 667
0.222222 1.277777
68 VICODIN 0 0.75 1.25
222 778
0.888888 0.111111 1.916666
69 CELEBREX 0 0.25
889 111 667
2.277777
70 PERMAPEN 1 0 1 0.75
778
0.777777 0.722222 1.805555
71 EFFEXOR 0.25 0
778 222 556
0.777777 0.472222 2.055555
72 SEROQUEL 0 0
778 222 556
0.444444 1.305555 1.222222
73 PRINIVIL 0.5 0
444 556 222
0.777777 0.722222 1.805555
74 DIFFERIN 0.25 0
778 222 556
0.777777 0.722222 1.805555
75 IMITREX 0.25 0
778 222 556
0.972222
76 FOSAMAX 0 0.75 1 2.5
222
2.277777
77 CIALIS 1 0 0 0.25
778
MIRTAZAPIN 0.111111 1.888888 0.861111
78 0.75 0
E 111 889 111
0.444444 1.805555 0.222222
79 AVAGE 1 0.5
444 556 222
BETAMETHAS 0.111111 2.138888 0.611111
80 0.75 0.75
ONE 111 889 111
.
. . . . . .
.
. . . . . .
.
. . . . . .
50 0.472222
TAMIFLU 0 1 0.75 2.5
2 222
Berdasarkan table 4.8, diambil nilai kedekatan yang merupakan nilai

terkecil antara jarak 1 dan jarak 2 yaitu 0, sehingga cluster jarak terkecil
yaitu cluster 1. Hasil selengkapnya terdapat pada tabel 4.9.
Tabel 4.9 Hasil Nilai Kedekatan Jarak

SIDE
EFFECTIVEN clust
No DRUG NAME RATING EFFEC kedekatan
ESS er
TS
41
1 EULEXIN 1 0 0.25 0 1
2 PROVIGIL 1 0 0.25 0 1
0.888888 0.361111
3 NEURONTIN 0 0 1
889 111
0.777777 0.472222
4 KLARON 0.25 0.25 1
778 222
5 PRINIVIL 1 0 0.25 0 1
RETIN-A- 0.722222
6 0 0.75 0.75 2
MICRO 222
7 VIAGRA 1 0 0 0.25 1
1.472222
8 KEFLEX 0 0 0.75 2
222
0.444444 1.222222
9 MINOCYCLINE 0.5 0 2
444 222
0.666666 0.833333
10 KLONOPIN 0.25 0.5 1
667 333
0.666666 0.833333
11 ZOLOFT 0.25 0 1
667 333
RETIN-A- 0.888888 0.611111
12 0.25 0 1
MICRO 889 111
13 REQUIP 1 0 0 0.25 1
0.777777 0.722222
14 WELLBUTRIN 0.25 0 1
778 222
0.777777 0.722222
15 MOTRIN 0.5 0.25 1
778 222
0.888888 0.361111
16 ACCUPRIL 0.25 0.25 1
889 111
17 NAPROXEN 1 0 0.25 0 1
0.888888 0.111111
18 PROPECIA 0 0.25 1
889 111
0.888888 0.361111
19 PROZAC 0 0 1
889 111
0.888888 0.361111
20 REMICADE 0.25 0.25 1
889 111
0.666666 0.833333
21 PLAVIX 0.25 0 1
667 333
0.333333 1.166666
22 PAXIL 0 0.75 1
333 667
0.666666 0.833333
23 GALZIN 0.5 0.25 1
667 333
0.888888 0.361111
24 TYLENOL 0 0 1
889 111
0.888888 0.361111
25 SEROQUEL 0 0 1
889 111
0.777777 0.472222
26 RITALIN 0.25 0.25 1
778 222
0.555555 1.194444
27 LEXAPRO 0.5 0 1
556 444
0.777777 0.722222
28 ULTRAM 0.25 0 1
778 222
42
29 ORACEA 1 0 0.25 0 1
0.555555 0.583333
30 LEXAPRO 1 0.25 2
556 333
0.888888 0.361111
31 RETIN-A 0 0.5 1
889 111
0.222222
32 CELEBREX 0.75 0 0.75 2
222
33 MINOCYCLINE 1 0 0.25 0 1
0.222222
34 LUNESTA 1 0.5 0 2
222
0.472222
35 SOMA 0 1 0.75 2
222
0.777777 0.722222
36 EFFEXOR 0.25 0 1
778 222
LITHIUM- 0.777777 0.722222
37 0.25 0 1
CARBONATE 778 222
METOCLOPRA 0.722222
38 0 0.75 0.75 2
MIDE 222
0.111111 0.361111
39 FOSAMAX 1 0.25 2
111 111
SPIRONOLACT
40 1 0 0 0.25 1
ONE
WELLBUTRIN- 0.555555 1.194444
41 0.5 0 1
XL 556 444
0.888888 0.611111
42 LEXAPRO 0.25 0 1
889 111
0.777777 0.472222
43 ENBREL 0.25 0.25 1
778 222
44 AVAPRO 1 0 0.25 0 1
0.333333 0.111111
45 TIROSINT 1 0.5 2
333 111
0.888888 0.361111
46 METFORMIN 0 0 1
889 111
0.444444 0.722222
47 DIFFERIN 1 0 2
444 222
0.666666 0.833333
48 SYNTHROID 0.5 0.25 1
667 333
49 HYZAAR 1 0 0 0.25 1
0.777777 0.472222
50 LEXAPRO 0 0 1
778 222
0.666666 0.583333
51 KETOROLAC 0.25 0.25 1
667 333
52 PROPECIA 1 0 0.25 0 1
0.472222
53 METROGEL 0 0.75 0.5 2
222
0.972222
54 TRAMADOL 0 0.75 1 2
222
55 AUGMENTIN 1 0 0.25 0 1
0.333333 0.111111
56 PAXIL 1 0.5 2
333 111
43
0.722222
57 ELIDEL 0 0.75 0.75 2
222
0.777777 0.472222
58 ADDERALL 0 0.5 1
778 222
59 MERIDIA 1 0 0.25 0 1
0.444444 0.472222
60 NORVASC 1 0.25 2
444 222
0.666666 0.944444
61 IMITREX 0.5 0.5 2
667 444
WELLBUTRIN-
62 1 0 0 0.25 1
XL
63 LAMISIL 1 0 0.25 0 1
0.444444 0.972222
64 RETIN-A 0.5 0.25 2
444 222
65 AXERT 1 0 0.25 0 1
0.777777 0.722222
66 PROZAC 0.25 0.5 1
778 222
0.888888 0.361111
67 AMBIEN-CR 0.25 0.25 1
889 111
0.222222
68 VICODIN 0 0.75 1.25 2
222
0.888888 0.111111
69 CELEBREX 0 0.25 1
889 111
70 PERMAPEN 1 0 1 0.75 1
0.777777 0.722222
71 EFFEXOR 0.25 0 1
778 222
0.777777 0.472222
72 SEROQUEL 0 0 1
778 222
0.444444 1.222222
73 PRINIVIL 0.5 0 2
444 222
0.777777 0.722222
74 DIFFERIN 0.25 0 1
778 222
0.777777 0.722222
75 IMITREX 0.25 0 1
778 222
0.972222
76 FOSAMAX 0 0.75 1 2
222
77 CIALIS 1 0 0 0.25 1
0.111111 0.861111
78 MIRTAZAPINE 0.75 0 2
111 111
0.444444 0.222222
79 AVAGE 1 0.5 2
444 222
BETAMETHAS 0.111111 0.611111
80 0.75 0.75 2
ONE 111 111
. . . . . . .
. . . . . . .
. . . . . . .
50 0.472222
TAMIFLU 0 1 0.75 2
2 222
44
Pada table 4.9, hasil perhitungan kedekatan jarak menempatkan objek

pada cluster yang sesuai. Hal ini menandakan berakhirnya Iterasi 1.
Iterasi 2
Pada iterasi 2, dipilih kembali data sejumlah K untuk menggantikan
medoids awal.
Tabel 4.10 Medoid Baru untuk iterasi ke 2

EFFECTIVENES
No DRUG NAME RATING SIDE EFFECTS
S
1 MOBIC 0 1 1
2 FLEXERIL 0.777777778 0.25 0
Tabel 4.10 memperlihatkan medoids baru yang menggantikan medoids

awal. Kemudian dilakukan perhitungan jarak antara objek dengan medoids
yang baru serta hitung kedekatan antar jarak dan tentukan cluster dari setiap
objek seperti pada iterasi 1.
Tabel 4.11 Hasil Iterasi ke 2

SIDE
EFFECTIVEN clust
No DRUG NAME RATING EFFEC kedekatan
ESS er
TS
0.722222
1 EULEXIN 1 0 0.25 2
222
0.722222
2 PROVIGIL 1 0 0.25 2
222
0.888888 0.361111
3 NEURONTIN 0 0 2
889 111
0.777777
4 KLARON 0.25 0.25 0.25 2
778
0.722222
5 PRINIVIL 1 0 0.25 2
222
RETIN-A-
6 0 0.75 0.75 0.5 1
MICRO
0.472222
7 VIAGRA 1 0 0 2
222
8 KEFLEX 0 0 0.75 1.25 1
0.444444 0.583333
9 MINOCYCLINE 0.5 0 2
444 333
0.666666 0.611111
10 KLONOPIN 0.25 0.5 2
667 111
0.666666 0.111111
11 ZOLOFT 0.25 0 2
667 111
RETIN-A- 0.888888 0.111111
12 0.25 0 2
MICRO 889 111
45
0.472222
13 REQUIP 1 0 0 2
222
0.777777
14 WELLBUTRIN 0.25 0 0 2
778
0.777777
15 MOTRIN 0.5 0.25 0.5 2
778
0.888888 0.361111
16 ACCUPRIL 0.25 0.25 2
889 111
0.722222
17 NAPROXEN 1 0 0.25 2
222
0.888888 0.611111
18 PROPECIA 0 0.25 2
889 111
0.888888 0.361111
19 PROZAC 0 0 2
889 111
0.888888 0.361111
20 REMICADE 0.25 0.25 2
889 111
0.666666 0.111111
21 PLAVIX 0.25 0 2
667 111
0.333333 1.444444
22 PAXIL 0 0.75 2
333 444
0.666666 0.611111
23 GALZIN 0.5 0.25 2
667 111
0.888888 0.361111
24 TYLENOL 0 0 2
889 111
0.888888 0.361111
25 SEROQUEL 0 0 2
889 111
0.777777
26 RITALIN 0.25 0.25 0.25 2
778
0.555555 0.472222
27 LEXAPRO 0.5 0 2
556 222
0.777777
28 ULTRAM 0.25 0 0 2
778
0.722222
29 ORACEA 1 0 0.25 2
222
0.555555 1.222222
30 LEXAPRO 1 0.25 2
556 222
0.888888 0.861111
31 RETIN-A 0 0.5 2
889 111
0.222222 1.055555
32 CELEBREX 0.75 0 2
222 556
0.722222
33 MINOCYCLINE 1 0 0.25 2
222
0.222222 0.722222
34 LUNESTA 1 0.5 1
222 222
35 SOMA 0 1 0.75 0.25 1
0.777777
36 EFFEXOR 0.25 0 0 2
778
LITHIUM- 0.777777
37 0.25 0 0 2
CARBONATE 778
METOCLOPRA
38 0 0.75 0.75 0.5 1
MIDE
46
0.111111 0.861111
39 FOSAMAX 1 0.25 1
111 111
SPIRONOLACT 0.472222
40 1 0 0 2
ONE 222
WELLBUTRIN- 0.555555 0.472222
41 0.5 0 2
XL 556 222
0.888888 0.111111
42 LEXAPRO 0.25 0 2
889 111
0.777777
43 ENBREL 0.25 0.25 0.25 2
778
0.722222
44 AVAPRO 1 0 0.25 2
222
0.333333 0.833333
45 TIROSINT 1 0.5 1
333 333
0.888888 0.361111
46 METFORMIN 0 0 2
889 111
0.444444 1.083333
47 DIFFERIN 1 0 2
444 333
0.666666 0.611111
48 SYNTHROID 0.5 0.25 2
667 111
0.472222
49 HYZAAR 1 0 0 2
222
0.777777
50 LEXAPRO 0 0 0.25 2
778
0.666666 0.361111
51 KETOROLAC 0.25 0.25 2
667 111
0.722222
52 PROPECIA 1 0 0.25 2
222
53 METROGEL 0 0.75 0.5 0.75 1
54 TRAMADOL 0 0.75 1 0.25 1
0.722222
55 AUGMENTIN 1 0 0.25 2
222
0.333333 0.833333
56 PAXIL 1 0.5 1
333 333
57 ELIDEL 0 0.75 0.75 0.5 1
0.777777
58 ADDERALL 0 0.5 0.75 2
778
0.722222
59 MERIDIA 1 0 0.25 2
222
0.444444 1.194444
60 NORVASC 1 0.25 1
444 444
0.666666 0.861111
61 IMITREX 0.5 0.5 2
667 111
WELLBUTRIN- 0.472222
62 1 0 0 2
XL 222
0.722222
63 LAMISIL 1 0 0.25 2
222
0.444444 0.833333
64 RETIN-A 0.5 0.25 2
444 333
0.722222
65 AXERT 1 0 0.25 2
222
47
0.777777
66 PROZAC 0.25 0.5 0.5 2
778
0.888888 0.361111
67 AMBIEN-CR 0.25 0.25 2
889 111
0.222222 1.472222
68 VICODIN 0 0.75 1
222 222
0.888888 0.611111
69 CELEBREX 0 0.25 2
889 111
1.472222
70 PERMAPEN 1 0 1 2
222
0.777777
71 EFFEXOR 0.25 0 0 2
778
0.777777
72 SEROQUEL 0 0 0.25 2
778
0.444444 0.583333
73 PRINIVIL 0.5 0 2
444 333
0.777777
74 DIFFERIN 0.25 0 0 2
778
0.777777
75 IMITREX 0.25 0 0 2
778
76 FOSAMAX 0 0.75 1 0.25 1
0.472222
77 CIALIS 1 0 0 2
222
0.111111 1.166666
78 MIRTAZAPINE 0.75 0 2
111 667
0.444444 0.944444
79 AVAGE 1 0.5 1
444 444
BETAMETHAS 0.111111 0.611111
80 0.75 0.75 1
ONE 111 111
. . . . . . .
. . . . . . .
. . . . . . .
50
TAMIFLU 0 1 0.75 0.25 1
2
Hitung simpangan antara jumlah kedekatan iterasi 2 yang didapatkan

dari penjumlahan kedekatan pada tabel 4.11 dan iterasi 1 yang didapatkan
dari penjumlahan kedekatan pada tabel 4.9.
294,8056−275,8056=19
Apabila nilai simpangan yang didapatkan < 0, maka proses iterasi

akan terus berlanjut hingga nilai simpangan yang didapatkan > 0. Pada
perhitungan ini, didapatkan simpangan sebesar 19, dimana simpangan
tersebut > 0, maka proses iterasi berhenti disini, dan didapatkan cluster
untuk K=2 sebagai berikut.
48
Tabel 4.12 Hasil Perhitungan K Medoids dan Manhattan untuk K=2

EFFECTIVENES SIDE CLUSTE
No DRUG NAME RATING
S EFFECTS R
No Side
1 eulexin 10 Highly Effective 2
Effects
No Side
2 provigil 10 Highly Effective 2
Effects
Mild Side
3 neurontin 9 Highly Effective 2
Effects
Considerably No Side
4 klaron 8 2
Effective Effects
No Side
5 prinivil 10 Highly Effective 2
Effects
Severe Side
6 retin-a-micro 1 Ineffective 1
Effects
Mild Side
7 viagra 10 Highly Effective 2
Effects
Severe Side
8 keflex 1 Highly Effective 1
Effects
9 minocycline 5 2
Effective Effects
Considerably Moderate
10 klonopin 7 2
Effective Side Effects
11 zoloft 7 2
Effective Effects
12 retin-a-micro 9 2
Effective Effects
Mild Side
13 requip 10 Highly Effective 2
Effects
14 wellbutrin 8 2
Effective Effects
Moderately No Side
15 motrin 8 2
Effective Effects
16 accupril 9 2
Effective Effects
No Side
17 naproxen 10 Highly Effective 2
Effects
No Side
18 propecia 9 Highly Effective 2
Effects
Mild Side
19 prozac 9 Highly Effective 2
Effects
20 remicade 9 2
Effective Effects
21 plavix 7 2
Effective Effects
Severe Side
22 paxil 4 Highly Effective 2
Effects
Moderately No Side
23 galzin 7 2
Effective Effects
49
Mild Side
24 tylenol 9 Highly Effective 2
Effects
Mild Side
25 seroquel 9 Highly Effective 2
Effects
26 ritalin 8 2
Effective Effects
27 lexapro 6 2
Effective Effects
28 ultram 8 2
Effective Effects
No Side
29 oracea 10 Highly Effective 2
Effects
Marginally No Side
30 lexapro 6 2
Effective Effects
Moderate
31 retin-a 9 Highly Effective 2
Side Effects
Mild Side
32 celebrex 3 Ineffective 2
Effects
No Side
33 minocycline 10 Highly Effective 2
Effects
Marginally Moderate
34 lunesta 3 1
35 soma 1 1
Effective Effects
36 effexor 8 2
Effective Effects
37 8 2
carbonate Effective Effects
metoclopramid Severe Side
38 1 Ineffective 1
e Effects
Marginally No Side
39 fosamax 2 1
Effective Effects
Mild Side
40 spironolactone 10 Highly Effective 2
Effects
41 wellbutrin-xl 6 2
Effective Effects
42 lexapro 9 2
Effective Effects
43 enbrel 8 2
Effective Effects
No Side
44 avapro 10 Highly Effective 2
Effects
Marginally Moderate
45 tirosint 4 1
Mild Side
46 metformin 9 Highly Effective 2
Effects
47 differin 5 2
Effective Effects
Moderately No Side
48 synthroid 7 2
Effective Effects
49 hyzaar 10 Highly Effective Mild Side 2
50
Effects
Mild Side
50 lexapro 8 Highly Effective 2
Effects
51 ketorolac 7 2
Effective Effects
No Side
Effects
Moderate
53 metrogel 1 Ineffective 1
Side Effects
Extremely
54 tramadol 1 Ineffective Severe Side 1
Effects
No Side
55 augmentin 10 Highly Effective 2
Effects
Marginally Moderate
56 paxil 4 1
Severe Side
57 elidel 1 Ineffective 1
Effects
Moderate
58 adderall 8 Highly Effective 2
Side Effects
No Side
59 meridia 10 Highly Effective 2
Effects
Marginally No Side
60 norvasc 5 1
Effective Effects
Moderately Moderate
61 imitrex 7 2
Mild Side
62 wellbutrin-xl 10 Highly Effective 2
Effects
No Side
63 lamisil 10 Highly Effective 2
Effects
Moderately No Side
64 retin-a 5 2
Effective Effects
No Side
65 axert 10 Highly Effective 2
Effects
66 prozac 8 2
67 ambien-cr 9 2
Effective Effects
Severe Side
68 vicodin 3 Highly Effective 1
Effects
No Side
69 celebrex 9 Highly Effective 2
Effects
Extremely
70 permapen 10 Highly Effective Severe Side 2
Effects
71 effexor 8 2
Effective Effects
Mild Side
Effects
73 prinivil 5 2
Effective Effects
51

74 differin 8 2
Effective Effects
75 imitrex 8 2
Effective Effects
Extremely
76 fosamax 1 Ineffective Severe Side 1
Effects
Mild Side
77 cialis 10 Highly Effective 2
Effects
Mild Side
78 mirtazapine 2 Ineffective 2
Effects
Marginally Moderate
79 avage 5 1
Severe Side
80 betamethasone 2 Ineffective 1
Effects
. . . . . .
. . . . . .
. . . . . .
502 tamiflu 1 1
Effective Effects
Setelah didapatkan hasil untuk K=2, maka dilanjutkan perhitungan

K=3 hingga K=11. Pada BAB ini, hanya ditampilkan hasil cluster untuk K Uji =
11. Untuk hasil cluster K=3 hingga K=10 dapat dilihat pada lampiran A.
Tabel 4.13 Hasil Perhitungan K Medoid dan Manhattan untuk K=11

RATIN SIDE
No DRUG NAME EFFECTIVENESS CLUSTER
G EFFECTS
No Side
1 eulexin 10 Highly Effective 3
Effects
No Side
2 provigil 10 Highly Effective 3
Effects
Mild Side
3 neurontin 9 Highly Effective 3
Effects
4 klaron 8 9
Effective Effects
No Side
5 prinivil 10 Highly Effective 3
Effects
Severe
6 retin-a-micro 1 Ineffective 10
Side Effects
Mild Side
7 viagra 10 Highly Effective 3
Effects
Severe
8 keflex 1 Highly Effective 11
Side Effects
9 minocycline 5 6
Effective Effects
10 klonopin 7 9
11 zoloft 7 Considerably Mild Side 9
52
Effective Effects
12 retin-a-micro 9 2
Effective Effects
Mild Side
13 requip 10 Highly Effective 3
Effects
14 wellbutrin 8 9
Effective Effects
Moderately No Side
15 motrin 8 6
Effective Effects
16 accupril 9 2
Effective Effects
No Side
17 naproxen 10 Highly Effective 3
Effects
No Side
Effects
Mild Side
19 prozac 9 Highly Effective 3
Effects
20 remicade 9 2
Effective Effects
21 plavix 7 9
Effective Effects
Severe
22 paxil 4 Highly Effective 11
Side Effects
Moderately No Side
23 galzin 7 6
Effective Effects
Mild Side
24 tylenol 9 Highly Effective 3
Effects
Mild Side
Effects
26 ritalin 8 9
Effective Effects
27 lexapro 6 6
Effective Effects
28 ultram 8 9
Effective Effects
No Side
29 oracea 10 Highly Effective 3
Effects
Marginally No Side
30 lexapro 6 6
Effective Effects
Moderate
31 retin-a 9 Highly Effective 5
Side Effects
Mild Side
32 celebrex 3 Ineffective 10
Effects
No Side
33 minocycline 10 Highly Effective 3
Effects
Marginally Moderate
34 lunesta 3 4
Marginally Severe
35 soma 1 4
36 effexor 8 9
Effective Effects
53

37 8 9
carbonate Effective Effects
metoclopramid Severe
38 1 Ineffective 10
e Side Effects
Marginally No Side
39 fosamax 2 4
Effective Effects
Mild Side
40 spironolactone 10 Highly Effective 3
Effects
41 wellbutrin-xl 6 6
Effective Effects
42 lexapro 9 2
Effective Effects
43 enbrel 8 9
Effective Effects
No Side
44 avapro 10 Highly Effective 3
Effects
Marginally Moderate
45 tirosint 4 4
Mild Side
46 metformin 9 Highly Effective 3
Effects
47 differin 5 4
Effective Effects
Moderately No Side
48 synthroid 7 6
Effective Effects
Mild Side
49 hyzaar 10 Highly Effective 3
Effects
Mild Side
50 lexapro 8 Highly Effective 3
Effects
51 ketorolac 7 9
Effective Effects
No Side
Effects
Moderate
53 metrogel 1 Ineffective 10
Side Effects
Extremely
54 tramadol 1 Ineffective Severe 7
Side Effects
No Side
55 augmentin 10 Highly Effective 3
Effects
Marginally Moderate
56 paxil 4 4
Severe
57 elidel 1 Ineffective 10
Side Effects
Moderate
58 adderall 8 Highly Effective 5
Side Effects
No Side
59 meridia 10 Highly Effective 3
Effects
Marginally No Side
60 norvasc 5 4
Effective Effects
Moderately Moderate
61 imitrex 7 6
54
Mild Side
62 wellbutrin-xl 10 Highly Effective 3
Effects
No Side
63 lamisil 10 Highly Effective 3
Effects
Moderately No Side
64 retin-a 5 6
Effective Effects
No Side
65 axert 10 Highly Effective 3
Effects
66 prozac 8 9
67 ambien-cr 9 2
Effective Effects
Severe
68 vicodin 3 Highly Effective 11
Side Effects
No Side
69 celebrex 9 Highly Effective 2
Effects
Extremely
70 permapen 10 Highly Effective Severe 1
Side Effects
71 effexor 8 9
Effective Effects
Mild Side
Effects
73 prinivil 5 6
Effective Effects
74 differin 8 9
Effective Effects
75 imitrex 8 9
Effective Effects
Extremely
76 fosamax 1 Ineffective Severe 7
Side Effects
Mild Side
77 cialis 10 Highly Effective 3
Effects
Mild Side
78 mirtazapine 2 Ineffective 10
Effects
Marginally Moderate
79 avage 5 4
Severe
80 betamethasone 2 Ineffective 10
Side Effects
. . . . . .
. . . . . .
. . . . . .
502 tamiflu 1 4
Effective Effects
IV.4 Perhitungan Davies Bouldin Index

Setelah melalui proses pengelompokkan data dengan algoritma K
Medoids dan perhitungan jarak Manhattan, maka didapatkan beberapa
kelompok data yang tersusun pada K=2 hingga K=11. Selanjutnya dilakukan
55
perhitungan nilai index menggunakan persamaan (2), (3), (4) dan (5) untuk
memperoleh cluster optimal. Berikut dijelaskan contoh perhitungan DBI untuk
K=2.
Perhitungan DBI dimulai dengan menghitung nilai centroid cluster
setiap atribut. Perhitungan ini menggunakan rumus sebagai berikut
( jumlah nilai attribut anggota cluster )

( jumlah anggota cluster )
(7)
Misalnya perhitungan centroid cluster 1 atrribut rating hasil
perhitungan algoritma K Medoids dan manhattan untuk K=2 pada tabel 4.11
yang merupakan hasil sebelum di konversi menjadi data seperti tabel 4.12.
Jumlah nilai attribut tersebut untuk anggota cluster 1 yaitu 12. Dengan
jumlah anggota cluster sebanyak 100 data. Selanjutnya angka-angka ini
akan dimasukkan ke persamaan (7) dan didapatkan nilai 0,12 sebagai nilai
centroid cluster 1 attribut rating dengan perhitungan sebagai berikut.
12
=0,12
100
Proses perhitungan nilai centroid terus berlanjut ke attribut serta

cluster berikut nya. dan didapatkan hasil centroid untuk K=2 sebagai berikut.
Tabel 4.14 Centroid K=2

EFFECTIVENES SIDE
Cluster RATING
S EFFECTS
1 0.12 0.6475 0.7225
2 0.80265 0.157960199 0.212064677
Nilai centroid pada tabel 4.14 merupakan nilai centroid yang

digunakan untuk melakukan perhitungan berikut nya. Perhitungan dilanjutkan
dengan menghitung jarak antara objek anggota cluster dengan centroid
anggota cluster menggunakan persamaan (1), Keseluruhan data akan
dihitung jarak nya. Misalnya untuk objek 1 pada tabel 4.11. Objek 1 ini
merupakan anggota cluster 2, maka dilakukan perhitungan jarak objek
dengan centroid cluster 2 yaitu (|1-0,80265|+|0-0,15796|+|0,25-0,21206|)
56
= 0,393242123. Berikut seterusnya untuk seluruh objek. Hasil perhitungan

selengkapnya dapat dilihat pada tabel 4.15.
Tabel 4.15 Hasil Perhitungan Jarak antara Objek dan Centroid

SIDE
EFFECTIVENES CLUSTE
No DRUG NAME RATING EFFECT Jarak
S R
S
0.39324212
1 eulexin 1 0 0.25 2
3
0.39324212
2 provigil 1 0 0.25 2
3
0.8888 0.45626036
3 neurontin 0 0 2
9 5
0.7777 0.15485074
4 klaron 0.25 0.25 2
8 6
0.39324212
5 prinivil 1 0 0.25 2
3
6 retin-a-micro 0 0.75 0.75 1 0.25
0.56737147
7 viagra 1 0 0 2
6
8 keflex 0 0 0.75 1 0.795
0.4444 0.91231343
9 minocycline 0.5 0 2
4 3
0.6666 0.51596185
10 klonopin 0.25 0.5 2
7 7
0.6666 0.44009121
11 zoloft 0.25 0 2
7 1
0.8888 0.39033996
12 retin-a-micro 0.25 0 2
9 7
0.56737147
13 requip 1 0 0 2
6
0.7777
14 wellbutrin 0.25 0 2 0.3289801
8
0.7777 0.40485074
15 motrin 0.5 0.25 2
8 6
0.8888 0.21621061
16 accupril 0.25 0.25 2
9 4
0.39324212
17 naproxen 1 0 0.25 2
3
0.8888 0.28213101
18 propecia 0 0.25 2
9 2
0.8888 0.45626036
19 prozac 0 0 2
9 5
0.8888 0.21621061
20 remicade 0.25 0.25 2
9 4
57
0.6666 0.44009121
21 plavix 0.25 0 2
7 1
0.3333 1.16521558
22 paxil 0 0.75 2
3 9
0.6666 0.51596185
23 galzin 0.5 0.25 2
7 7
0.8888 0.45626036
24 tylenol 0 0 2
9 5
0.8888 0.45626036
25 seroquel 0 0 2
9 5
0.7777 0.15485074
26 ritalin 0.25 0.25 2
8 6
0.5555 0.80120232
27 lexapro 0.5 0 2
6 2
0.7777
28 ultram 0.25 0 2 0.3289801
8
0.39324212
29 oracea 1 0 0.25 2
3
0.5555 1.12707296
30 lexapro 1 0.25 2
6 8
0.8888 0.53213101
31 retin-a 0 0.5 2
9 2
0.2222 1.38453565
32 celebrex 0.75 0 2
2 5
0.39324212
33 minocycline 1 0 0.25 2
3
0.2222 0.67722222
34 lunesta 1 0.5 1
2 2
35 soma 0 1 0.75 1 0.5
0.7777
36 effexor 0.25 0 2 0.3289801
8
lithium- 0.7777
37 0.25 0 2 0.3289801
carbonate 8
metoclopramid
38 0 0.75 0.75 1 0.25
e
0.1111 0.83388888
39 fosamax 1 0.25 1
1 9
0.56737147
40 spironolactone 1 0 0 2
6
0.5555 0.80120232
41 wellbutrin-xl 0.5 0 2
6 2
0.8888 0.39033996
42 lexapro 0.25 0 2
9 7
0.7777 0.15485074
43 enbrel 0.25 0.25 2
8 6
44 avapro 1 0 0.25 2 0.39324212
58
3
0.3333 0.78833333
45 tirosint 1 0.5 1
3 3
0.8888 0.45626036
46 metformin 0 0 2
9 5
0.4444 1.41231343
47 differin 1 0 2
4 3
0.6666 0.51596185
48 synthroid 0.5 0.25 2
7 7
0.56737147
49 hyzaar 1 0 0 2
6
0.7777 0.39490049
50 lexapro 0 0 2
8 8
0.6666 0.26596185
51 ketorolac 0.25 0.25 2
7 7
0.39324212
52 propecia 1 0 0.25 2
3
53 metrogel 0 0.75 0.5 1 0.445
54 tramadol 0 0.75 1 1 0.5
0.39324212
55 augmentin 1 0 0.25 2
3
0.3333 0.78833333
56 paxil 1 0.5 1
3 3
57 elidel 0 0.75 0.75 1 0.25
0.7777 0.47077114
58 adderall 0 0.5 2
8 4
0.39324212
59 meridia 1 0 0.25 2
3
0.4444 1.14944444
60 norvasc 1 0.25 1
4 4
0.6666 0.76596185
61 imitrex 0.5 0.5 2
7 7
0.56737147
62 wellbutrin-xl 1 0 0 2
6
0.39324212
63 lamisil 1 0 0.25 2
3
0.4444
64 retin-a 0.5 0.25 2 0.73818408
4
0.39324212
65 axert 1 0 0.25 2
3
0.7777 0.40485074
66 prozac 0.25 0.5 2
8 6
0.8888 0.21621061
67 ambien-cr 0.25 0.25 2
9 4
0.2222 0.77722222
68 vicodin 0 0.75 1
2 2
59
0.8888 0.28213101
69 celebrex 0 0.25 2
9 2
1.14324212
70 permapen 1 0 1 2
3
0.7777
71 effexor 0.25 0 2 0.3289801
8
0.7777 0.39490049
72 seroquel 0 0 2
8 8
0.4444 0.91231343
73 prinivil 0.5 0 2
4 3
0.7777
74 differin 0.25 0 2 0.3289801
8
0.7777
75 imitrex 0.25 0 2 0.3289801
8
76 fosamax 0 0.75 1 1 0.5
0.56737147
77 cialis 1 0 0 2
6
0.1111 1.49564676
78 mirtazapine 0.75 0 2
1 6
0.4444 0.89944444
79 avage 1 0.5 1
4 4
0.1111 0.13888888
80 betamethasone 0.75 0.75 1
1 9
. . . . . . .
. . . . . . .
. . . . . . .
50
tamiflu 0 1 0.75 1 0.5
2
Proses perhitungan selanjutnya adalah menghitung nilai SSW setiap

cluster dengan menggunakan persamaan (4). Misalnya untuk perhitungan
nilai SSW1, jumlah jarak objek dengan centroid anggota cluster 1 yang
didapatkan dari penjumlahan jumlah jarak pada tabel 4.15 yaitu 58,77444,
dan jumlah anggota cluster 1 pada tabel 4.15 yaitu 100. Maka perhitungan
nilai SSW1 sebagai berikut.
1
x 58,77444=0,5877444
100
Proses perhitungan terus berlanjut untuk cluster berikut nya. Hasil

selengkapnya dapat dilihat pada tabel 4.16 sebagai berikut.
60
Tabel 4.16 Nilai SSW K=2

Cluster SSW
1 0.587744
2 0.513353
Setelah nilai SSW setiap cluster didapatkan, maka perhitungan

dilanjutkan untuk menghitung nilai SSB menggunakan persamaan (3). Karena
pada K=2 ini hanya terdapat 2 cluster, maka perhitungan SSB akan
menghitung jarak dari centroid cluster 1 dan centroid cluster 2 dengan
perhitungan sebagai berikut.
Setelah nilai SSW didapatkan, maka selanjutnya akan dilakukan

perhitungan nilai rasio dengan menggunakan persamaan (2). Dengan
perhitungan sebagai berikut.
0,58774444+0,513352599
=0,654391048
1,68262824
Berdasarkan hasil perhitungan dengan persamaan (2), didapatkan nilai

rasio R1,2 adalah 0,654391048. Proses perhitungan rasio terus berjalan untuk
setiap cluster berikut nya. Karena K=2 hanya memiliki 2 cluster, maka hanya
terdapat 1 rasio. Perhitungan dilanjutkan dengan menghitung nilai DBI
dengan menggunakan persamaan (5) sebagai berikut.
1
x 0,654391048=0,327195524
2
Berdasarkan perhitungan tersebut, didapatkan nilai DBI untuk K=2
sebesar 0,327195524. Perhitungan Nilai DBI terus berlanjut untuk K=3
hingga K=11 yang dapat dilihat pada tabel 4.17 berikut.
Tabel 4.17 Nilai DBI K=2 hingga K=11

K Nilai DBI
61
2 0.327196
3 0.372136
4 0.321875
5 0.284278
6 0.218056
7 0.257786
8 0.143115
9 0.1337
10 0.214803
11 0.163348
Berdasarkan tabel 4.17, didapatkan hasil bahwa cluster yang optimal

berada pada K=9, karena pada cluster ini memiliki nilai DBI paling rendah.
Cluster yang optimal adalah cluster yang memiliki nilai DBI terendah.
IV.5 Pembacaan Hasil

Hasil perhitungan DBI pada tabel 4.17 menunjukkan bahwa cluster
yang optimal berada pada K=9. Hasil cluster K=9 dapat dilihat selengkapnya
sebagai berikut.
Tabel 4.18 Hasil Cluster K=9
RATIN EFFECTIVENES Cluste
No DRUG NAME G S SIDE EFFECTS r
Highly
1 EULEXIN 10 Effective No Side Effects 7
Highly
2 PROVIGIL 10 Effective No Side Effects 7
Highly
3 NEURONTIN 9 Effective Mild Side Effects 2
Considerably
4 KLARON 8 Effective No Side Effects 4
Highly
5 PRINIVIL 10 Effective No Side Effects 7
6 RETIN-A-MICRO 1 Ineffective Severe Side Effects 6
Highly
7 VIAGRA 10 Effective Mild Side Effects 2
Highly
8 KEFLEX 1 Effective Severe Side Effects 5
Moderately
9 MINOCYCLINE 5 Effective Mild Side Effects 6
10 KLONOPIN 7 Effective Effects 5
Considerably
11 ZOLOFT 7 Effective Mild Side Effects 4
62
Considerably
12 RETIN-A-MICRO 9 Effective Mild Side Effects 4
Highly
13 REQUIP 10 Effective Mild Side Effects 2
Considerably
14 WELLBUTRIN 8 Effective Mild Side Effects 4
Moderately
15 MOTRIN 8 Effective No Side Effects 1
Considerably
16 ACCUPRIL 9 Effective No Side Effects 4
Highly
17 NAPROXEN 10 Effective No Side Effects 7
Highly
18 PROPECIA 9 Effective No Side Effects 7
Highly
19 PROZAC 9 Effective Mild Side Effects 2
Considerably
20 REMICADE 9 Effective No Side Effects 4
Considerably
21 PLAVIX 7 Effective Mild Side Effects 4
Highly
22 PAXIL 4 Effective Severe Side Effects 5
Moderately
23 GALZIN 7 Effective No Side Effects 6
Highly
24 TYLENOL 9 Effective Mild Side Effects 2
Highly
25 SEROQUEL 9 Effective Mild Side Effects 2
Considerably
26 RITALIN 8 Effective No Side Effects 4
Moderately
27 LEXAPRO 6 Effective Mild Side Effects 6
Considerably
28 ULTRAM 8 Effective Mild Side Effects 4
Highly
29 ORACEA 10 Effective No Side Effects 7
Marginally
30 LEXAPRO 6 Effective No Side Effects 6
Highly Moderate Side
31 RETIN-A 9 Effective Effects 5
32 CELEBREX 3 Ineffective Mild Side Effects 6
Highly
33 MINOCYCLINE 10 Effective No Side Effects 7
34 LUNESTA 3 Effective Effects 6
35 SOMA 1 Marginally Severe Side Effects 6
63
Effective
Considerably
36 EFFEXOR 8 Effective Mild Side Effects 4
LITHIUM- Considerably
37 CARBONATE 8 Effective Mild Side Effects 4
METOCLOPRAMID
38 E 1 Ineffective Severe Side Effects 6
Marginally
39 FOSAMAX 2 Effective No Side Effects 6
Highly
40 SPIRONOLACTONE 10 Effective Mild Side Effects 2
Moderately
41 WELLBUTRIN-XL 6 Effective Mild Side Effects 6
Considerably
Considerably
43 ENBREL 8 Effective No Side Effects 4
Highly
44 AVAPRO 10 Effective No Side Effects 7
45 TIROSINT 4 Effective Effects 6
Highly
46 METFORMIN 9 Effective Mild Side Effects 2
Marginally
47 DIFFERIN 5 Effective Mild Side Effects 6
Moderately
48 SYNTHROID 7 Effective No Side Effects 6
Highly
49 HYZAAR 10 Effective Mild Side Effects 2
Highly
Considerably
51 KETOROLAC 7 Effective No Side Effects 4
Highly
52 PROPECIA 10 Effective No Side Effects 7
Moderate Side
53 METROGEL 1 Ineffective Effects 6
Extremely Severe
54 TRAMADOL 1 Ineffective Side Effects 6
Highly
55 AUGMENTIN 10 Effective No Side Effects 7
56 PAXIL 4 Effective Effects 6
57 ELIDEL 1 Ineffective Severe Side Effects 6
Highly Moderate Side
58 ADDERALL 8 Effective Effects 5
64
Highly
59 MERIDIA 10 Effective No Side Effects 7
Marginally
60 NORVASC 5 Effective No Side Effects 6
Moderately Moderate Side
61 IMITREX 7 Effective Effects 6
Highly
62 WELLBUTRIN-XL 10 Effective Mild Side Effects 2
Highly
63 LAMISIL 10 Effective No Side Effects 7
Moderately
64 RETIN-A 5 Effective No Side Effects 6
Highly
65 AXERT 10 Effective No Side Effects 7
66 PROZAC 8 Effective Effects 5
Considerably
67 AMBIEN-CR 9 Effective No Side Effects 4
Highly
68 VICODIN 3 Effective Severe Side Effects 5
Highly
69 CELEBREX 9 Effective No Side Effects 7
Highly Extremely Severe
70 PERMAPEN 10 Effective Side Effects 5
Considerably
71 EFFEXOR 8 Effective Mild Side Effects 4
Highly
72 SEROQUEL 8 Effective Mild Side Effects 2
Moderately
73 PRINIVIL 5 Effective Mild Side Effects 6
Considerably
74 DIFFERIN 8 Effective Mild Side Effects 4
Considerably
75 IMITREX 8 Effective Mild Side Effects 4
Extremely Severe
76 FOSAMAX 1 Ineffective Side Effects 6
Highly
77 CIALIS 10 Effective Mild Side Effects 2
78 MIRTAZAPINE 2 Ineffective Mild Side Effects 6
79 AVAGE 5 Effective Effects 6
80 BETAMETHASONE 2 Ineffective Severe Side Effects 6
. . . . . .
. . . . . .
. . . . .
502 TAMIFLU 1 Marginally Severe Side Effects 6
65
Effective
Berdasarkan tabel 4.18, didapatkan kesimpulan bahwa cluster 1

memiliki 7 data, cluster 2 memiliki 93 data, cluster 3 memiliki 0 data, cluster
4 memiliki 90 data, cluster 5 memiliki 97 data, cluster 6 memiliki 130 data,
cluster 7 memiliki 85 data, cluster 8 memiliki 0 data dan cluster 9 memiliki 0
data. Cluster yang memiliki jumlah data terbanyak adalah cluster 6, dan
cluster yang tidak memiliki anggota cluster adalah cluster 3, cluster 8 dan
cluster 9. Hal ini kemungkinan disebabkan oleh penentuan medoids dan
kelemahan dari perhitungan jarak atau algoritman yang digunakan.
Setiap cluster yang dihasilkan berisi informasi yang berbeda. Pada bab
ini hanya ditampilkan informasi umum dari setiap cluster. Data lengkap setiap
anggota cluster dapat dilihat pada lampiran B.
Tabel 4.19 Informasi Hasil Cluster Optimal K=9

Cluster Informasi
1 Cluster ini berisikan data narkoba dengan efek yang tidak terlalu
berat dengan efek samping yang cenderung ringan.
2 Cluster ini berisikan data narkoba dengan efek yang sangat
berat dengan efek samping yang cenderung ringan dengan
rating didominasi 8 hingga 10
3 -
4 Cluster ini memiliki efek yang cukup berat dengan rating yang
didominasi oleh 8 dan memiliki efek samping yang cenderung
ringan
5 Data narkoba pada cluster ini memiliki efek yang sangat berat
dengan efek samping yang sangat berat juga
6 Cluster ini memiliki data narkoba dengan efek yang cukup ringan
dan efek samping yang sangat ringan juga
7 Data narkoba pada cluster ini memiliki efek yang sangat berat
dan tidak memiliki efek samping dengan rating yang didominasi
10
8 -
9 -
IV.6 Modul Program

Setelah selesai merancang input, file data dan output dilanjutkan
dengan membuat modul program. Modul program berisi uraian dari program
dan potongan code dari program. Dari modul ini bisa dilihat tampilan akhir
dari program.
66
IV.6.1 Tampilan Dashboard

Tampilan dashboard merupakan tampilan awal pada saat program
dijalankan.
Gambar 4.12 Tampilan Dashboard
Pada gambar 4.12 merupakan tampilan dari Dashboard. Halaman ini

berisi informasi singkat terkait K Medoids. Berikut ini potongan code dari
tampilan dashboard:
.
.
.
<div id="wrapper">

<?php
include "include/siedbar.php";
?>


<div id="content-wrapper" class="d-flex flex-column">
<div id="content">
<nav class="navbar navbar-expand navbar-light bg-white topbar
mb-4 static-top shadow">
</nav>
<div class="container-fluid">
<div class="d-sm-flex align-items-center justify-content-
between mb-4">
<h1 class="h3 mb-0 text-gray-800"><?php print
ucwords(str_replace("_"," ",$page)); ?></h1>
</div>
<div class="row">
<div class="col-sm-12">
<div class="card">
<div class="card-header">
K Medoids
67
</div>
<div class="card-body">
<?php
print
file_get_contents("https://en.wikipedia.org/wiki/K-medoids");
?>
</div>
</div>
</div>
</div>
</div>
</div>

<?php include "include/footer.php"; ?>
</div>
</div>
.
.
.
Pada potongan code diatas menjelaskan untuk menampilkan informasi
singkat terkait k medoids yang berasal dari website en.wikipedia.org
menggunakan function file_get_content.
IV.6.2 Tampilan Data Field

Tampilan Data Field merupakan tampilan untuk modul data field.
Gambar 4.13 Tampilan Data Field

Gambar 4.14 merupakan Tampilan Data Field. Halaman ini
menampilkan data field beserta action edit atau hapus. Berikut ini potongan
code dari tampilan data field.
.
.
<?php
## Page Name
$page = "data-field";
## Include All Requirement File
include "main/main.php";
68
include "main/function.php";
include "main/excel/PHPExcel.php";
.
.
if($form == "submit"){
if($action == "add"){
if(empty($fieldname)){
$error = "Anda harus mengisi semua kolom yang di perlukan!";
}
if(!$error){
$fieldname = strtoupper($fieldname);
$query = $db->query("INSERT INTO data_field (dfieldName)
VALUES ('$fieldname')");
}
}elseif($action == "truncate"){
$query = $db->query("TRUNCATE TABLE data_field");
$query = $db->query("TRUNCATE TABLE data_value");
header("location: data_field.php");
exit;
}elseif($action == "delete"){
$query = $db->query("DELETE FROM data_field WHERE dfieldId =
'$id'");
$query = $db->query("DELETE FROM data_value WHERE dfieldId =
'$id'");
header("location: data_field.php");
exit;
}elseif($action == "edit"){
if(empty($fieldname)){
}
if(!$error){
$fieldname = strtoupper($fieldname);
$query = $db->query("UPDATE data_field SET dfieldName =
'$fieldname' WHERE dfieldId = '$id'");
}
}
.
.
.
<div class="table-responsive">
<table class="table table-bordered"
id="dataTable" width="100%" cellspacing="0">
<thead>
<tr>
<th class="text-center">No</th>
<th class="text-center">Nama</th>
<th>Action</th>
</tr>
</thead>
69
<tbody>
<?php
$no=1;
$query = $db->query("SELECT * FROM
data_field ORDER BY dfieldId ASC");
if($query->rowCount() > 0){
while($data = $query-
>fetch(PDO::FETCH_ASSOC)){
?>
<tr>
<td class="text-center"><?php print
$no; ?></td>
<td class="text-center"><?php print
$data['dfieldName']; ?></td>
<td class="text-center">
<a href="data_field.php?
action=edit&id=<?php print $data['dfieldId']; ?>"><i class="fas fa-pencil-
alt"></i></a>
|
<a href="data_field.php?
form=submit&action=delete&id=<?php print $data['dfieldId']; ?>"
onclick="return confirm('Apakah anda yakin?')"><i class="fas
fa-trash"></i></a>
</td>
</tr>
<?php $no++;
}
}
?>
</tbody>
</table>
</div>
</div>
.
.
.
Pada potongan code diatas menjelaskan bagaimana menampilkan,
menambahkan, mengubah serta menghapus data field dari database.
IV.6.3 Tampilan Data Value

Tampilan data value merupakan tampilan untuk modul data value.
70
Gambar 4.14 Tampilan Data Value
Gambar 4.14 merupakan tampilan data value. Halaman ini

menampilkan data value beserta action edit dan hapus. Berikut ini potongan
code tampilan halaman data value.
.
.
.
if($action == "add"){
$errortrue = "n";
foreach($dvalue as $vl){
if(empty($vl)){
$errortrue = "y";
}
}
if($errortrue == "y"){
}
if(!$error){
$nextno = maxdata("dvalueNo", "data_value")+1;
unset($_SESSION['transform']);
foreach($dvalue as $kyy => $vl){
$vl = strtoupper($vl);
$query = $db->query("INSERT INTO data_value (dfieldId,
dvalueNo, dvalueValue) VALUES ('$kyy', '$nextno', '$vl')");
## Regenrate Tranform Source

$trf = transformdata($kyy);
}
}
}elseif($action == "truncate"){
header("location: data_value.php");
exit;
71
}elseif($action == "delete"){
$query = $db->query("DELETE FROM data_value WHERE dvalueNo =
'$id'");
header("location: data_value.php");
exit;
}elseif($action == "edit"){
$errortrue = "n";
foreach($dvalue as $vl){
if(empty($vl)){
$errortrue = "y";
}
}
if($errortrue == "y"){
}
if(!$error){
$clear = $db->query("DELETE FROM data_value WHERE dvalueNo
= '$id'");
unset($_SESSION['transform']);
foreach($dvalue as $kyy => $vl){
$vl = strtoupper($vl);
$query = $db->query("INSERT INTO data_value (dfieldId,
dvalueNo, dvalueValue) VALUES ('$kyy', '$id', '$vl')");
## Regenrate Tranform Source
$trf = transformdata($kyy);
}
}
}elseif($action == "import"){
## Proses Upload
$destination_path = getcwd().DIRECTORY_SEPARATOR;
$namafile = "temp-data.xlsx";
if(is_file($destination_path.'/temp/'.$namafile)){
@unlink($destination_path.'/temp/'.$namafile);
}
$filetype = $_FILES['excelfile']['type'];
$filetmp = $_FILES['excelfile']['tmp_name'];
if($filetype == "application/vnd.openxmlformats-
officedocument.spreadsheetml.sheet"){
require_once 'main/PHPExcel/PHPExcel.php';
@move_uploaded_file($filetmp, $destination_path.'/temp/'.
$namafile);
$excelreader = new PHPExcel_Reader_Excel2007();

$loadexcel = $excelreader->load($destination_path.'/temp/'.
$namafile);
ini_set('memory_limit', '20000M');
ini_set('max_execution_time', 1800);
72
$sheet = $loadexcel->getActiveSheet()->toArray(null, true,

true ,true);
foreach($sheet as $row => $column){

if($row == 1){
## Header
foreach($column as $key => $value){
if($key != "A"){
$header[$key] =
getData("dfieldId","data_field","dfieldName = '$value'");
}
}
}else{
foreach($column as $key => $value){
if($key != "A"){
$nextno = $row-1;
$vl = strtoupper($value);
$query = $db->query("INSERT INTO data_value
(dfieldId, dvalueNo, dvalueValue) VALUES ('{$header[$key]}', '$nextno',
'$vl')");
}
}
}
}
}
}
.
.
.
}elseif($action == "import"){
?>
<form method="post" action="data_value.php?
form=submit&action=import">
<div class="form-group row">
<label for="excelfile" class="col-sm-3 col-
form-label">File Excel <span class="text-danger">*</span></label>
<input type="file" name="excelfile"
id="dexcelfile" class="form-control">
</div>
</div>
<div class="form-group row">
<div class="col-sm-3"></div>
<button type="submit" class="btn btn-
success btn-sm"><i class="fas fa-plus"></i> Tambah</button>
</div>
</div>
</form>
</div>
73
<?php
}
.
.
.
Potongan code diatas menjelaskan bagaimana menampikan,
menambah data secara manual atau otomatis menggunakan excel, mengubah
serta menghapus data value.
IV.6.4 Tampilan Perhitungan

Tampilan perhitungan adalah tampilan untuk modul semua
perhitungan.
Gambar 4.15 Tampilan Perhitungan Awal
Gambar 4.15 menampilkan tampilan perhitungan awal ketika proses

perhitungan baru dimulai saat K Uji diinputkan. Berikut ini potongan code
untuk menampilkan tampilan perhitungan awal.
.
.
.
<div class="container-fluid">
<div class="align-items-center mb-4">
<h1 class="h3 mb-0 text-gray-800"><?php print
ucwords(str_replace("_"," ",$page)); ?></h1>
<p>Halaman ini untuk melakukan Perhitungan K Medoids
dan Mencari Index dengan DBI</p>
</div>
<div class="row">
<div class="alert alert-danger" id="errormsg"
style="display: none;">
74
<i class="fas fa-exclamation-triangle"></i> <span

id="errormsgs"></span>
</div>
<div class="card shadow mb-4">
<div class="card-header py-3">
<span><strong>Input Jumlah K yang akan di
Uji</strong></span>
</div>
<form method="post" action="proses.php?
form=submit&action=validate" class="form-inline">
<label for="kuji" class="col-sm-2 col-form-label"
style="justify-content: normal;">Jumlah K Uji <span class="text-danger ml-
1">*</span></label>
<input type="number" name="kuji" id="kuji"
class="form-control" min="2">
<button type="submit" class="btn btn-success
ml-1"><i class="fas fa-cog" id="prosesbtn"></i> Proses</button>
</form>
<div class="progress mt-3" id="progressdiv">
<div class="progress-bar progress-bar-striped
progress-bar-animated" id="progress-bar" role="progressbar" aria-
valuenow="75" aria-valuemin="0" aria-valuemax="100" style="width:
0%"></div>
</div>
<p id="progressdesc"></p>
</div>
</div>
</div>
</div>
<div id="res">
</div>
</div>
.
.
.
type:'GET',
url:'result.php?form=submit&action=getdata',
success: function(responseres){
$('#progress-bar').css("width","15%");
$('#progressdesc').html("Tranform data..");
$('#res').append(responseres);
// Request Transform
$.ajax({
type:'GET',
url:'result.php?form=submit&action=transform',
$('#progressdesc').html("Normalisasi data..");
// Request Normalize
75
$.ajax({
type:'GET',
url:'result.php?
form=submit&action=normalize',
$('#progressdesc').html("Proses Iterasi
data..");
.
.
.
Potongan code diatas menjelaskan menampilkan tampilan perhitungan
awal saat K Uji diinputkan serta memulai proses transformasi dan normalisasi
data uji.
.
.
.
if(empty($kuji)){
$error = "Anda harus mengisi semua kolom yang diberikan!";
}
$alldata = countData("data_value","dvalueId > 0 GROUP BY

dfieldId");
if($kuji >= $alldata){
$error = "Jumlah K Uji tidak bisa melebihi jumlah data uji!";
}else{
## Get All data
$query = $db->query("SELECT * FROM data_value GROUP BY
dvalueNo ORDER BY dvalueNo ASC");
while($data = $query->fetch(PDO::FETCH_ASSOC)){
$no = $data['dvalueNo'];
$qfield = $db->query("SELECT * FROM data_field A, data_value
B WHERE A.dfieldId = B.dfieldId AND B.dvalueNo = '$no' ORDER BY A.dfieldId
ASC");
while($dfield = $qfield->fetch(PDO::FETCH_ASSOC)){
$fieldid = $dfield['dfieldId'];
if($dfield['dfieldId'] == 1){
$_SESSION['data']['transform'][$no][] =
$dfield['dvalueValue'];
$_SESSION['data']['rekap'][$fieldid][] =
$dfield['dvalueValue'];
}else{
$_SESSION['data']['transform'][$no][] =
transformdata($dfield['dfieldId'], $dfield['dvalueValue']);
$_SESSION['data']['rekap'][$fieldid][] =
transformdata($dfield['dfieldId'], $dfield['dvalueValue']);
}
}
}
## Count Min & Max

76
foreach($_SESSION['data']['rekap'] as $ky => $vl){

if($ky > 1){
$_SESSION['min'][$ky] = min($vl);
$_SESSION['max'][$ky] = max($vl);
}
}
## Normalize Data
$mins = $_SESSION['min'];
$maxs = $_SESSION['max'];
foreach($_SESSION['data']['transform'] as $ky => $vl){
foreach($vl as $nomor => $nilai){
$keynorma = $nomor+1;
if($nomor == 0){
$_SESSION['data']['normalize'][$ky][] = $nilai;
}else{
$_SESSION['data']['normalize'][$ky][] = (float) (($nilai-
$mins[$keynorma])/($maxs[$keynorma]-$mins[$keynorma]));
}
}
}
Potongan code diatas merupakan code yang berfungsi melakukan

proses transformasi dan normalisasi data menggunakan function
TransformData() dan menyimpan hasil pengolahan kedalam session agar
dapat digunakan kembali untuk proses berikut nya. Potongan code diatas juga
berfungsi memberikan response untuk menjalankan proses perhitungan k
Medoids dan Manhattan.
.
.
.
$totaldata = count($_SESSION['data']['normalize']);
## K Uji Looping
for($uji=1; $uji<=$kuji; $uji++){
## Prepare array for save obj Already
$arrayobj = array();
$jumlahiterasi = 1;
$jumlahiterasiakhir = 2;
## Prepare for iterasi
$exc = array();
$kedekatansebelum=0;
$kedekatansekarang=0;
while($jumlahiterasi <= $jumlahiterasiakhir){
$obj = getMedoids($k, $totaldata, $exc);
foreach($obj as $ky => $excv){
$_SESSION['perhitungan'][$uji][$jumlahiterasi]['medoids']
[$ky] = $_SESSION['data']['normalize'][$excv];
array_push($exc, $excv);
77
## Perhitugan
## Ambil Nilai Medoids
foreach($obj as $kobj => $vobj){
$dataobj[$kobj] = $_SESSION['data']['normalize'][$vobj];
}
// ## Hitung Jarak masing masing record

$no=1;
foreach($_SESSION['data']['normalize'] as $record){
## Masukkan data sementara ke variable
foreach($record as $colum => $value){
$perhitunganarr[$no][$colum] = $value;
$_SESSION['perhitungan'][$uji][$jumlahiterasi]['data']
[$no][$colum] = $value;
}
$arryjarak = array();
foreach($dataobj as $key => $vl){
$perhitunganarr[$no]['jarak'.$key] = hitungJarak($record,
$vl);
$_SESSION['perhitungan'][$uji][$jumlahiterasi]['data']
[$no]['Jarak '.$key] = hitungJarak($record,$vl);
$arryjarak[$key] = hitungJarak($record,$vl);
}
$_SESSION['perhitungan'][$uji][$jumlahiterasi]['data'][$no]
['kedekatan'] = cariKedekatan($arryjarak);
['cluster'] = cariCluster($arryjarak);
['index'] = $no;
$kedekatan[] = $_SESSION['perhitungan'][$uji]
[$jumlahiterasi]['data'][$no]['cluster'];
$no++;
}
## Hitung Kedekatan
$kedekatansebelum = $kedekatansekarang;
$kedekatansekarang = array_sum($kedekatan);
if($kedekatansekarang != 0 AND $kedekatansebelum != 0){

if($kedekatansebelum > $kedekatansekarang){
$jumlahiterasiakhir++;
}
}
78
## Tambah Jumlah Iterasi

$jumlahiterasi++;
}
## Jumlah K meningkat setiap peningkatan k Uji

$k++;
}
Potongan code diatas berfungsi untuk melakukan clusterisasi data

menggunakan algoritman k Medoids dan perhitungan jarak Manhattan serta
menyimpannya kedalam session agar dapat digunakan untuk proses
berikutnya.
.
.
.
## Hitung Jarak Cluster dengan Titik Pusat
foreach($perhitungan as $kuji => $datacluster){
foreach($datacluster as $cluster => $record){
foreach($record as $datarecord => $nilai){
unset($arrayobj);
foreach($nilai as $column => $value){
if(is_numeric($column) AND $column != 0){
$arrayobj[$column] = $value;
}
}
$perhitungan[$kuji][$cluster][$datarecord]['jarak'] =
hitungJarak($arrayobj,$arraytitikpusat[$kuji][$cluster]);
$totaljarak[$kuji][$cluster] = $totaljarak[$kuji][$cluster] +
hitungJarak($arrayobj,$arraytitikpusat[$kuji][$cluster]);
}
}
}
## Hitung SSW
foreach($datacluster as $cluster => $record){
$ssw[$kuji][$cluster] =
$totaljarak[$kuji][$cluster]/count($record);
}
}
## Hitung SSB
$jumlahcluster = count($datacluster);
for($i=1; $i<=$jumlahcluster; $i++){
for($x=1; $x<=$jumlahcluster; $x++){
$ssb[$kuji][$i][$x] = hitungJarak($arraytitikpusat[$kuji][$i],
$arraytitikpusat[$kuji][$x]);
}
}
79
} ## Hitung Rasio
$jumlahcluster = count($datacluster);
for($i=1; $i<=$jumlahcluster; $i++){
for($x=1; $x<=$jumlahcluster; $x++){
if($x!=$i){
$hitung = ($ssw[$kuji][$i]+$ssw[$kuji][$x])/$ssb[$kuji]
[$i][$x];
if(is_numeric($hitung) AND !is_nan($hitung) AND
$hitung != INF){
$rasio[$kuji][] = $hitung;
}
}
}
}
}
## Hitung DBI
foreach($rasio as $kuji => $nilai){
$rasiomax = max($nilai);
$_SESSION['DBI'][$kuji] = (1/($kuji+1))*$rasiomax;
}
Pada potongan code diatas, menampilkan bagaimana cara proses

perhitungan index hasil clusterisasi dengan menggunakan DBI.
IV.6.5 Tampilan Grafik DBI
Gambar 4.16 Tampilan Grafik DBI

Gambar 4.16 merupakan tampilan akhir program yang menunjukkan
grafik nilai DBI dari hasil clusterisasi data uji. Berikut ini potongan code
tampilan grafik DBI.
.
.
.
div class="row">
80
<div class="card shadow mb-4">
<div class="card-header py-3">
<span><strong>Grafik DBI tiap K Uji</strong></span>
</div>
<div id="chart-dbi"></div>
</div>
</div>
</div>
</div>
<script src="vendor/jquery/jquery.min.js"></script>
<script src="js/highcharts.js"></script>
<script>
Highcharts.chart('chart-dbi', {
title: {
text: 'Nilai Index K Uji'
},
yAxis: {
title: {
text: 'Nilai Index'
}
},
xAxis: {
categories: [
<?php
foreach($_SESSION['DBI'] as $kuji => $value){
$nilai = $kuji+1;
$cate[] = "'K = ".$nilai."'";
}
print implode(",",$cate)
?>
],
crosshair: true
},
legend: {
layout: 'vertical',
align: 'right',
verticalAlign: 'middle'
},
plotOptions: {
series: {
label: {
connectorAllowed: false
}
}
},
series: [{
name: 'Nilai DBI',
data: [
<?php
81
foreach($_SESSION['DBI'] as $kuji => $value){

$fx[] = $value;
}
print implode(",",$fx)
?>
]
}],
responsive: {
rules: [{
condition: {
maxWidth: 500
},
chartOptions: {
legend: {
layout: 'horizontal',
align: 'center',
verticalAlign: 'bottom'
}
}
}]
}
});
</script>
Potongan code diatas berfungsi untuk mengkonversi nilai DBI hasil

perhitungan yang ada didalam session kedalam bentuk grafik dengan bantuan
library highchart.js.
IV.7 Implementasi dan Pemeliharaan

Program ini dapat diakses oleh semua device yang dapat
menggunakan koneksi internet. Karena program ini berbasis web dan disetup
pada sebuah cloud server. Program ini dapat diakses di
https://kmedoids.ryanchristiann.com melalui browser desktop ataupun
browser hp.
BAB V
KESIMPULAN DAN SARAN
V.1 Kesimpulan
Berdasarkan penelitian dan pembahasan yang telah dilakukan
sebelumnya, maka diperoleh kesimpulan sebagai berikut:
1. Data pengguna narkoba dikelompokkan dalam beberapa cluster data
menggunakan K Medoids dan perhitugan jarak Manhattan
2. Data pengguna narkoba yang sudah dikelompokkan, dihitung nilai
index nya dengan Davies Bouldin Index
3. Cluster optimal merupakan cluster yang memiliki nilai DBI terendah,
pada penelitian ini yaitu berada pada K=9
V.2 Saran
Modul perhitungan program yang dirancang memiliki kemampuan
perhitungan dengan jumlah data yang terbatas sehingga memerlukan waktu
yang sangat lama untuk melakukan perhitungan dengan data dan K Uji yang
besar. Berdasarkan hasil penelitian serta dengan adanya keterbatasan
program yang telah diuraikan, penelitian masih dapat dikembangkan untuk
mengatasi waktu perhitungan yang lama dengan menggunakan data dan K
Uji yang besar.
82
DAFTAR PUSTAKA
Ayu, A., Sulistyawati, D., & Sadikin, M. (2021). Penerapan Algoritma K -

Medoids untuk Menentukan Segmentasi Pelanggan. 10, 516–526.
Beta Estri Adiana, Soesanti, I., & Permanasari, A. E. (2018). Analisis

Segmentasi Pelanggan Menggunakan Kombinasi RFM Model dan Teknik
Clustering. Jutei, 2(2), 23–32. https://doi.org/10.21460/jutei.2017.21.76
Dewi, D. A. I. C., & Pramita, D. A. K. (2019). Analisis Perbandingan Metode

Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam
Pengelompokan Produksi Kerajinan Bali. Matrix : Jurnal Manajemen
Teknologi Dan Informatika, 9(3), 102–109.
https://doi.org/10.31940/matrix.v9i3.1662
Fauzi, M. C. (2019). Aplikasi Belajar Interaktif ( E-Learning ) Tentang Bahaya

Penggunaan Narkoba Untuk Remaja Berbasis Mobile Android.
Fitzgerald, J., Oda, T., & Macedo, H. D. (2021). Proceedings of the 18th
International Overture Workshop. http://arxiv.org/abs/2101.07261
Ghufron and Surarso, Bayu and Gernowo, R. (2020). Sistem Informasi

Clustering Kualitas Program Studi Menggunakan OLAP (Online Analytical
Processing) dan K-Medoids. UNDIP, 4–22.
Gusrianty, & Siddik, M. (2021). Analisis Pengukuran Numerik Pada

Optimalisasi Cluster Obat. 5(1), 60–66.
Harahap, F. (2021). Perbandingan Algoritma K Means dan K Medoids Untuk

Clustering Kelas Siswa Tunagrahita. 2(4), 191–197.
Hariyanto, B. P. (2018). Pencegahan Dan Pemberantasan Peredaran Narkoba

Di Indonesia. Pencegahan Dan Pemberantasan Peredaran Narkoba Di
Indonesia, 1(1), 201–210.
Herlinda, V., Darwis, D., & Dartono, D. (2021). Analisis Clustering Untuk
Recredesialing Fasilitas Kesehatan Menggunakan Metode Fuzzy C-Means.
Jurnal Teknologi Dan Sistem Informasi, 2(2), 94–99.
Hikmah, N., Ariyanti, D., & Sugesti, M. (2019). Penerapan Teknik Data Mining
untuk Clustering Armada pada PT. Siaga Transport Indonesia
Menggunakan Metode k-Means. Explore, 9(1), 8.
https://doi.org/10.35200/explore.v9i1.116
83
84
Ibnu, M. (2019). Penerapan Algoritma K-Medoids Untuk Pengelompokan Judul

Jurnal Pada E-Journal Universitas Islam Negeri Se-Indonesia. In Jurnal
Ekonomi Volume 18, Nomor 1 Maret201 (Vol. 2, Issue 1).
Iswavigra, D. U., Defit, S., & Nurcahyo, G. W. (2021). Data Mining dalam
Pengelompokan Penyakit Pasien dengan Metode K-Medoids. Jurnal
Informasi Dan Teknologi, 3, 181–189.
https://doi.org/10.37034/jidt.v3i4.150
Khoiriya Latifah, Abdul Rochim, B. S. (2019). Identifikasi Serat Bambu

Menggunakan Ekstraksi Ciri Statistik Antar Serat Yaitu Lignin Dan
Diameter Serat Bambu Yang Makin Tinggi Menyebabkan Batang. 12(2),
8–13.
Kholisho, Y. N., & Marfuatun. (2019). EDUMATIC : Jurnal Pendidikan

Informatika. Jurnal Pendidikan Informatika, 3(2), 99–108.
https://doi.org/10.29408/edumatic.v5i1.3359
Nabila, Z., Rahman Isnain, A., & Abidin, Z. (2021). Analisis Data Mining Untuk
Clustering Kasus Covid-19 Di Provinsi Lampung Dengan Algoritma K-
Means. Jurnal Teknologi Dan Sistem Informasi (JTSI), 2(2), 100.
http://jim.teknokrat.ac.id/index.php/JTSI
Patil, A., Mangalekar, R., Kupawdekar, N., Chavan, V., Patil, S., & Yadav, A.
(2020). Stress Detection in IT Professionals by Image Processing and
Machine Learning. International Journal of Research in Engineering,
Science and Management, 3(1), 121–123.
https://www.kaggle.com/qiriro/stress
Rofiqo, N., Windarto, A. P., & Hartama, D. (2018). Penerapan Clustering Pada
Penduduk Yang Mempunyai Keluhan Kesehatan Dengan Datamining K-
Means. KOMIK (Konferensi Nasional Teknologi Informasi Dan Komputer),
2(1), 216–223. https://doi.org/10.30865/komik.v2i1.929
Sahambangung, J. R., Munir, R., Sanger, J. B., Katolik, U., & Salle, D. La.
(2018). Menggunakan Metode K-Nearest Neighbor. Jurnal REALTECH,
14(2), 169–179.
Sihombing, R. E., Rachmatin, D., & Dahlan, J. A. (2019). Program Aplikasi

Bahasa R Untuk Pengelompokan Objek Menggunakan Metode K-Medoids
Clustering. Program Aplikasi Bahasa R Untuk Pengelompokan Objek
Menggunakan Metode K-Medoids Clustering, 7(1), 58–79.
Silalahi, D. H. (2019). Penanggulangan Tindak Pidana Penyalahgunaan

Narkotika di SATRES Narkoba Polres Tebing Tinggi. Jurnal Ilmiah
Penegakan Hukum, 5(2), 60. https://doi.org/10.31289/jiph.v5i2.2182
85
Silitonga, P. D. P., & Sri, I. (2017). Klusterisasi Pola Penyebaran Penyakit

Pasien Berdasarkan Usia Pasien Dengan Menggunakan K-Means
Clustering. TIMES (Technology Informatics & Computer System), VI(2),
22–25.
Teguh, R. (2019). Sistem Informasi Manajemen Proyek Berbasis Website

Pada PT AKM. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi),
6(1), 62–71. https://doi.org/10.35957/jatisi.v6i1.160
LAMPIRAN A
1. Hasil Cluster K=3
No DRUG NAME RATING EFFECTIVENESS SIDE EFFECTS CLUSTER

1 eulexin 10 Highly Effective No Side Effects 3
2 provigil 10 Highly Effective No Side Effects 3
3 neurontin 9 Highly Effective Mild Side Effects 3
4 klaron 8 Considerably Effective No Side Effects 3
5 prinivil 10 Highly Effective No Side Effects 3
6 retin-a-micro 1 Ineffective Severe Side Effects 2
7 viagra 10 Highly Effective Mild Side Effects 3
8 keflex 1 Highly Effective Severe Side Effects 1
9 minocycline 5 Moderately Effective Mild Side Effects 3
10 klonopin 7 Considerably Effective Moderate Side Effects 1
11 zoloft 7 Considerably Effective Mild Side Effects 3
12 retin-a-micro 9 Considerably Effective Mild Side Effects 3
13 requip 10 Highly Effective Mild Side Effects 3
14 wellbutrin 8 Considerably Effective Mild Side Effects 3
15 motrin 8 Moderately Effective No Side Effects 3
16 accupril 9 Considerably Effective No Side Effects 3
17 naproxen 10 Highly Effective No Side Effects 3
18 propecia 9 Highly Effective No Side Effects 3
19 prozac 9 Highly Effective Mild Side Effects 3
20 remicade 9 Considerably Effective No Side Effects 3
21 plavix 7 Considerably Effective Mild Side Effects 3
22 paxil 4 Highly Effective Severe Side Effects 1
23 galzin 7 Moderately Effective No Side Effects 3
24 tylenol 9 Highly Effective Mild Side Effects 3
25 seroquel 9 Highly Effective Mild Side Effects 3
26 ritalin 8 Considerably Effective No Side Effects 3
27 lexapro 6 Moderately Effective Mild Side Effects 3
28 ultram 8 Considerably Effective Mild Side Effects 3
29 oracea 10 Highly Effective No Side Effects 3
30 lexapro 6 Marginally Effective No Side Effects 2
31 retin-a 9 Highly Effective Moderate Side Effects 1
32 celebrex 3 Ineffective Mild Side Effects 2
33 minocycline 10 Highly Effective No Side Effects 3
34 lunesta 3 Marginally Effective Moderate Side Effects 2
35 soma 1 Marginally Effective Severe Side Effects 2
36 effexor 8 Considerably Effective Mild Side Effects 3
37 lithium-carbonate 8 Considerably Effective Mild Side Effects 3
38 metoclopramide 1 Ineffective Severe Side Effects 2
39 fosamax 2 Marginally Effective No Side Effects 2
40 spironolactone 10 Highly Effective Mild Side Effects 3
41 wellbutrin-xl 6 Moderately Effective Mild Side Effects 3
42 lexapro 9 Considerably Effective Mild Side Effects 3
43 enbrel 8 Considerably Effective No Side Effects 3
44 avapro 10 Highly Effective No Side Effects 3
45 tirosint 4 Marginally Effective Moderate Side Effects 2
46 metformin 9 Highly Effective Mild Side Effects 3
47 differin 5 Marginally Effective Mild Side Effects 2
48 synthroid 7 Moderately Effective No Side Effects 3
49 hyzaar 10 Highly Effective Mild Side Effects 3
50 lexapro 8 Highly Effective Mild Side Effects 3
51 ketorolac 7 Considerably Effective No Side Effects 3
53 metrogel 1 Ineffective Moderate Side Effects 2
54 tramadol 1 Ineffective Extremely Severe Side Effects 2
86
87
55 augmentin 10 Highly Effective No Side Effects 3

56 paxil 4 Marginally Effective Moderate Side Effects 2
57 elidel 1 Ineffective Severe Side Effects 2
58 adderall 8 Highly Effective Moderate Side Effects 1
59 meridia 10 Highly Effective No Side Effects 3
60 norvasc 5 Marginally Effective No Side Effects 2
61 imitrex 7 Moderately Effective Moderate Side Effects 1
62 wellbutrin-xl 10 Highly Effective Mild Side Effects 3
63 lamisil 10 Highly Effective No Side Effects 3
64 retin-a 5 Moderately Effective No Side Effects 3
65 axert 10 Highly Effective No Side Effects 3
66 prozac 8 Considerably Effective Moderate Side Effects 1
67 ambien-cr 9 Considerably Effective No Side Effects 3
68 vicodin 3 Highly Effective Severe Side Effects 1
69 celebrex 9 Highly Effective No Side Effects 3
70 permapen 10 Highly Effective Extremely Severe Side Effects 1
73 prinivil 5 Moderately Effective Mild Side Effects 3
74 differin 8 Considerably Effective Mild Side Effects 3
75 imitrex 8 Considerably Effective Mild Side Effects 3
76 fosamax 1 Ineffective Extremely Severe Side Effects 2
77 cialis 10 Highly Effective Mild Side Effects 3
78 mirtazapine 2 Ineffective Mild Side Effects 2
79 avage 5 Marginally Effective Moderate Side Effects 2
80 betamethasone 2 Ineffective Severe Side Effects 2
. . . . . .
. . . . . .
. . . . . .
502 tamiflu 1 Marginally Effective Severe Side Effects 2

88

. . . . . .
. . . . . .
. . . . . .

89

Considerably
3
4 klaron 8 Effective No Side Effects
Considerably
1
10 klonopin 7 Effective Moderate Side Effects
Considerably
4
11 zoloft 7 Effective Mild Side Effects
Considerably
4
12 retin-a-micro 9 Effective Mild Side Effects
Considerably
4
14 wellbutrin 8 Effective Mild Side Effects
Considerably
3
16 accupril 9 Effective No Side Effects
Considerably
3
20 remicade 9 Effective No Side Effects
Considerably
4
21 plavix 7 Effective Mild Side Effects
Considerably
3
26 ritalin 8 Effective No Side Effects
Considerably
4
28 ultram 8 Effective Mild Side Effects
Considerably
4
36 effexor 8 Effective Mild Side Effects
Considerably
4
37 lithium-carbonate 8 Effective Mild Side Effects
Considerably
4
42 lexapro 9 Effective Mild Side Effects
Considerably
3
43 enbrel 8 Effective No Side Effects
51 ketorolac 7 Considerably No Side Effects 3
90
Effective
Extremely Severe Side
1
54 tramadol 1 Ineffective Effects
Considerably
1
66 prozac 8 Effective Moderate Side Effects
Considerably
3
67 ambien-cr 9 Effective No Side Effects
3
70 permapen 10 Highly Effective Effects
Considerably
4
Considerably
4
74 differin 8 Effective Mild Side Effects
Considerably
4
75 imitrex 8 Effective Mild Side Effects
1
76 fosamax 1 Ineffective Effects
. . . . . .
. . . . . .
. . . . .
82 renova 10 Highly Effective Mild Side Effects 5

Considerably
2
Considerably
2
Considerably
3
12 retin-a-micro 9 Considerably Mild Side Effects 3
91
Effective
Considerably
3
Considerably
2
Considerably
2
Considerably
3
Considerably
2
Considerably
3
Considerably
3
Considerably
3
Considerably
3
Considerably
2
Considerably
2
51 ketorolac 7 Effective No Side Effects
4
92

Considerably
2
Considerably
2
1
Considerably
3
Considerably
3
Considerably
3
4

Considerably
5
Considerably
1
Considerably
5
Considerably
4
Considerably
4
93

Considerably
5
Considerably
5
Considerably
5
Considerably
5
Considerably
4
Considerably
4
Considerably
4
Considerably
4
Considerably
5
Considerably
5
94

Considerably
1
Considerably
5
Considerably
4
Considerably
4
Considerably
4
. . . . . .
. . . . . .
. . . . . .

Considerably
5
Considerably
5
Considerably
7
Considerably
7
Considerably
7
Considerably
5
95

Considerably
5
Considerably
7
Considerably
5
Considerably
7
Considerably
7
Considerably
7
Considerably
7
Considerably
5
Considerably
5
4
96

Considerably
8
Considerably
5
8
Considerably
7
Considerably
7
Considerably
7
4
. . . . . .
. . . . . .
. . . . . .

97

. . . . . .
. . . . . .
. . . . . .

98

99

. . . . . .
. . . . . .
. . . . . .

100

. . . . . .
. . . . . .
. . . . . .
101
LAMPIRAN B
Data Anggota Cluster K=9

15 MOTRIN 8 Moderately Effective No Side Effects 1
191 SYNTHROID 8 Moderately Effective Mild Side Effects 1
240 HYDROCHLOROTHIAZIDE 9 Moderately Effective No Side Effects 1
242 ARMOUR-THYROID 8 Moderately Effective No Side Effects 1
327 LAMICTAL 8 Moderately Effective Mild Side Effects 1
474 TENORMIN 8 Marginally Effective Mild Side Effects 1
483 PANIXINE-DISPERDOSE 9 Moderately Effective Moderate Side Effects 1
3 NEURONTIN 9 Highly Effective Mild Side Effects 2
7 VIAGRA 10 Highly Effective Mild Side Effects 2
13 REQUIP 10 Highly Effective Mild Side Effects 2
19 PROZAC 9 Highly Effective Mild Side Effects 2
24 TYLENOL 9 Highly Effective Mild Side Effects 2
25 SEROQUEL 9 Highly Effective Mild Side Effects 2
40 SPIRONOLACTONE 10 Highly Effective Mild Side Effects 2
46 METFORMIN 9 Highly Effective Mild Side Effects 2
49 HYZAAR 10 Highly Effective Mild Side Effects 2
50 LEXAPRO 8 Highly Effective Mild Side Effects 2
62 WELLBUTRIN-XL 10 Highly Effective Mild Side Effects 2
77 CIALIS 10 Highly Effective Mild Side Effects 2
82 RENOVA 10 Highly Effective Mild Side Effects 2
85 PERCOCET 8 Highly Effective Mild Side Effects 2
89 ULTRAM 10 Highly Effective Mild Side Effects 2
96 NEXIUM 10 Highly Effective Mild Side Effects 2
97 ADVAIR-DISKUS 10 Highly Effective Mild Side Effects 2
102 CELEXA 10 Highly Effective Mild Side Effects 2
104 LEVOXYL 9 Highly Effective Mild Side Effects 2
105 TRAMADOL 9 Highly Effective Mild Side Effects 2
106 NUVARING 9 Highly Effective Mild Side Effects 2
108 NEXIUM 9 Highly Effective Mild Side Effects 2
110 LEXAPRO 10 Highly Effective Mild Side Effects 2
112 SOMA 9 Highly Effective Mild Side Effects 2
157 METFORMIN 8 Highly Effective Mild Side Effects 2
168 EFFEXOR 6 Highly Effective Mild Side Effects 2
171 AMOXIL 9 Highly Effective Mild Side Effects 2
174 GEODON 10 Highly Effective Mild Side Effects 2
175 DIAZEPAM 8 Highly Effective Mild Side Effects 2
180 NIACOR 10 Highly Effective Mild Side Effects 2
186 MERIDIA 10 Highly Effective Mild Side Effects 2
192 LAMOTRIGINE 10 Highly Effective Mild Side Effects 2
197 FLONASE 8 Highly Effective Mild Side Effects 2
202 BOTOX 10 Highly Effective Mild Side Effects 2
205 SARAFEM 10 Highly Effective Mild Side Effects 2
212 SARAFEM 8 Highly Effective Mild Side Effects 2
218 MINOCYCLINE 8 Highly Effective Mild Side Effects 2
224 YASMIN 10 Highly Effective Mild Side Effects 2
228 ELAVIL 9 Highly Effective Mild Side Effects 2
230 NASONEX 10 Highly Effective Mild Side Effects 2
232 COUMADIN 9 Highly Effective Mild Side Effects 2
. . . . . .
. . . . . .
. . . . . .
496 LEVOXYL 10 Highly Effective No Side Effects 7
102
DAFTAR RIWAYAT HIDUP
1. Peneliti
a. Nama Lengkap : RYAN CHRISTIAN
b. Tempat / Tanggal Lahir : Pekanbaru, 15 Desember 1999
c. Jenis Kelamin : Laki-laki
d. Institusi : Institut Bisnis dan Teknologi Pelita
Indonesia
e. Bidang Ilmu : Ilmu Komputer
f. Program Studi : Teknik Informatika
2. Alamat Peneliti
a. Alamat Rumah : Jl. Sialang Bungkuk Perumahan Puri
Harmoni block B-1
3. Riwayat Pendidikan :
No. Jenjang Nama Sekolah Lulus
Pendidikan Tahun
1. SMK SMK MULTI MEKANIK MASMUR 2017
PEKANBARU
2. SMP SMPN 5 PEKANBARU 2014
3. SD SDN 026 Tenayan Raya 2011
4. Lokasi Penelitian
a. Alamat : Jl. Jend. Ahmad Yani No. 78-88, Kota
Pekanbaru, Riau
5. Orang Tua
a. Laki-laki
Nama : Soenarjo
Pendidikan Terakhir : SMA
b. Alamat : Jl. Sialang Bungkuk Perumahan Puri
Harmoni block B-1
Pekerjaan : Wiraswasta
c. Perempuan
Nama : Asyuri
Pendidikan Terakhir : SD
d. Alamat : Jl. Sialang Bungkuk Perumahan Puri
Harmoni block B-1
e. Pekerjaan : Ibu Rumah Tangga
103
104

Kata Pengantar

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

Kata Pengantar

Diunggah oleh

Hak Cipta:

Format Tersedia

KATA PENGANTAR

Pekanbaru, 8 Oktober 2021

Tabel 4.1 Table data_field......................................................................23

Gambar 2.1 Use Case Diagram

I.1 Latar Belakang

Machine Learning UCI sebagai data pengujian algoritma. Diharapkan hasil

I.2 Perumusan Masalah

I.3 Tujuan Penelitian

I.4 Manfaat Penelitian

II.1 Data Mining

II.1.2 Metode dalam Data Mining

2021), Hasil klasterisasi menghasilkan nilai PCI 0.50002 dan PEI

II.2 Algoritma K Medoids

K-Medoids dianggap memiliki karakteristik penting dibanding K-Means

2. Menghitung kemiripan antara obyek medoid dengan obyek non-medoid

II.3 Manhattan Distance

II.4 Davies Bouldin Index

pengukuran dalam menghasilkan cluster optimal dan didapatkan hasil bahwa

Untuk nilai DBI didapatkan dengan menggunakan rumus sebagai

cluster hasil yang diperoleh dari pengelompokan semakin baik berdasarkan

II.5 PHP: Hypertext Preprocessor

II.7 Visual Studio Code

II.8 Unified Modelling Language (UML)

II.8.2 Model Unified Modelling Language (UML)

Gambar 2.1 Use Case Diagram

objek. Class Diagram termasuk kedalam jenis diagram struktur karena

Gambar 2.2 Class Diagram

Gambar 2.3 Activity Diagram

Gambar 2.4 Object Diagram

Sequence Diagram adalah sebuah diagram yang digunakan untuk

Gambar 2.5 Sequence Diagram

Gambar 2.6 Deployment Diagram

Pada BAB III, akan diuraikan kerangka kerja penelitian berdasarkan

III.1 Kerangka Kerja Penelitian

Mempersiapkan data menggunakan

Mengelompokkan data menggunakan

Menetapkan dan mengganti jumlah K

Mengevaluasi Cluster dengan teknik

Jumlah Cluster yang optimal

Menganalisis Cluster yang optimal

Gambar 3.1 Kerangka Kerja Penelitian

Berdasarkan Gambar 3.1, penelitian diawali dengan mempersiapkan

III.2 Data Uji

ANALISIS DAN HASIL

IV.1 Rancangan Algoritma K Medoids

IV.1.2 Activity Diagram

Gambar 4.2 memperlihatkan aktivitas yang dilakukan pengguna

IV.1.3 Object Diagram

Pada gambar 4.4 table data_field berelasi dengan data_value. table

IV.1.4 Class Diagram

Class diagram pada gambar 4.3 merupakan rancangan sistem

IV.1.5 Sequence Diagram

Gambar 4.5 Sequence Diagram Aplikasi Pengujian Algoritma K Medoids dan

Pada Gambar 4.5, terdapat 3 interaksi yang dilakukan oleh user.

IV.1.6 Deployment Diagram

Gambar 4.5 Deployment Diagram Aplikasi Pengujian Algoritma K Medoids dan

Berikut ini berdasarkan gambar 4.5, ditampilkan gambaran dari proses

IV.2 Rancangan Aplikasi Pengujian Algoritma K-Medoids

Gambar 4. 6 Tampilan Form Input data field

Gambar 4.7 Tampilan Form Input data value

Gambar 4.8 Tampilan Form Input K Uji

Pada gambar 4.8, terlihat form input bertujuan untuk menginputkan

IV.2.2 File Data