FAKULTAS TEKNIK

PRODI TEKNIK INFORMARTIKA

SEMINAR PROPOSAL

“PENGELOMPOKKAN TAKSIRAN MOBIL PADA

MPM LELANG
MENGGUNAKAN FUZZY C-MEANS”

Dipersentasikan oleh : M. Arif Nur Kusaeri

15 1065 1160
FAKULTAS TEKNIK
PRODI TEKNIK INFORMARTIKA

BAB 1
PENDAHULUAN
 LATAR BELAKANG
 MPM Lelang bergerak pada pelelangan motor maupun mobil. Lelang mobil
dan motor dilaksanakan secara rutin setiap bulannya oleh tenaga
profesional, secara transparan dan legalitas terjamin.

 MPM lelang melelang berbagai macam jenis dan merk mobil kepada
peserta lelang. Hingga saat ini belum ada metode untuk mengelompokkan
taksiran mobil pada MPM lelang.

 Data MPM Lelang berupa daftar lot mobil final meliputi berbagai macam
atribut antara lain Eksterior, Interior dan Mesin yang dapat diolah menjadi
sebuah informasi, sehingga menghasilkan kelompok taksiran mobil.

 Oleh karena itu dengan menerapkan Algoritma Fuzzy C-Means dapat

membantu mengalisa data untuk di proses sehingga menghasilkan
pengetahuan baru mengenai kelompok taksiran mobil.
RUMUSAN MASALAH
 Berapa klaster terbaik pada pengelompokan taksiran
mobil menggunakan metode Fuzzy C-Means dan
Davies Bouldin Index (DBI)?
 Berapaanggota masing-masing cluster pada hasil
pengelompokan yang diperoleh?
BATASAN MASALAH
 Data yang digunakan merupakan data daftar lot mobil final MPM
Lelang.
 Data yang digunakan grading mobil pada tahun 2018 dengan
jumlah record data sebanyak 256.
 Penentuan pengelompokan taksiran ditentukan oleh 3 parameter
yaitu eksterior, interior, mesin.
 Skema pengelompokan 2 sampai 5 cluster.
TUJUAN
 Mencari jumlah cluster terbaik dari jangka yang ada pada MPM
Lelang menggunakan metode Fuzzy C-Means dan Davies
Bouldin Index (DBI).
 Mencari jumlah masing-masing optimum anggota cluster yang
dihasilkan.
MANFAAT
Sebagai alternatif metode untuk pengelompokan
taksiran mobil di MPM Lelang.
Dapat digunakan sebagai acuan peteletakan mobil
pada balai lelang di MPM Lelang berdasarkan
clusternya.
FAKULTAS TEKNIK
PRODI TEKNIK INFORMARTIKA

BAB 2
TINJAUAN PUSTAKA
DATA MINING
Keseluruhan proses non-trivial untuk mencari dan
mengidentifikasi pola dalam data, dimana pola yang
ditemukan bersifat sah (valid), baru (novel), dapat
bermanfaat (potentially usefull), dapat dimengerti
(ultimately understandable).
Fuzzy C-Means
Metode clustering yang merupakan bagian dari metode Hard K-
Means. FCM menggunakan model pengelompokkan fuzzy
sehingga data dapat menjadi anggota dari semua kelas atau
cluster yang terbentuk dengan derajat atau tingkat keanggotaan
yang berbeda antara 0 hingga tingkat keberadaan data dalam
satu cluster ditentukan oleh derajat keanggotaanya.
Tahapan Fuzzy C-Means
1. Input data yang akan di cluster X, berupa matriks berukuran n
x m (n, jumlah sampel data; m, atribut setiap data). Xij, data
sampel ke-i (i=1,2...n), atribut ke-j (j=1,2...m).
2. Tentukan:
a. Jumlah Cluster : c;
b. Pangkat : w;
c. Maksimum Iterasi : MaxIter;
d. Error Rate : ɛ;
e. Fungsi Objektif Awal : 𝑃 𝑜= 0;
f. Iterasi Awal : t = 1;
3.   Bangkitkan bilangan random µik, i=1,2...n; k=1,2...c; sebagai
elemen-elemen matriks partisi awal U

Dengan j=1,2...n

4. Hitung pusat cluster ke-k: Vkj, dengan k=1,2...c; dan j=1,2...m

(Yan, 1994 dalam Sumanto dan Wahono, 2011).
4. Hitung fungsi objektif pada iterasi ke-t, Pt (Yan, 1994 dalam
Sumanto dan Wahono, 2011).

5. Hitung perubahan matriks partisi (Yan, 1994 dalam Sumanto

dan Wahono, 2011)

6. Cek kondisi berhenti:

a. Jika: (|Pt-Pt-1|MaxIter) maka berhenti
b. Jika tidak : t = t + 1, ulangi langkah ke-4
Davies Bouldin Index (DBI)

Salah satu metode yang digunakan untuk mengukur validitas cluster

suatu metode pengelompokan, kohesi didefinisikan sebagai jumlah
dari kedekatan data terhadap titik pusat cluster dari cluster yang
diikuti. Sedangkan separasi didasarkan pada jarak antar titik pusat
cluster terhadap clusternya.
Pengukuran dengan Davies-Bouldin Index ini memaksimalkan jarak
inter-cluster antara cluster dan pada waktu yang sama mencoba untuk
meminimalkan jarak antar titik dalam sebuah cluster. Oleh karena itu,
nilai DBI yang lebih rendah berarti pengelompokan yang lebih baik.
Tahapan DaviesBouldin Index
1. Sum of Square Within-cluster (SSW) Untuk mengetahui kohesi dalam
sebuah cluster ke-i. Kohesi didefinisikan sebagai jumlah dari kedekatan
data terhadap titik pusat cluster dari sebuah cluster yang diikuti.

2. Sum of Square Between-cluster (SSB) Perhitungan Sum of Square

Between-cluster (SSB) bertujuan untuk mengetahui separasi antar cluster .

3. Ratio (Rasio) bertujuan untuk mengetahui nilai perbandingan antara

cluster ke-i dan cluster ke-j. Untuk menghitung nilai rasio yang dimiliki oleh
masing-masing cluster,
4. Davies Bouldin Index Nilai rasio yang diperoleh dari Ratio
digunakan untuk mencari nilai DaviesBouldin Index (DBI)
FAKULTAS TEKNIK
PRODI TEKNIK INFORMARTIKA

BAB 3
METODE PENELITIAN
Diagram Alur Penelitian

Mulai
  Data Awal
Pengumpulan

Praproses data
 
Perhitungan Algoritma Fuzzy C-Means

Davies Bouildin Index (DBI)

Pengujian
Kesimpulan dan Saran
Selesai
Perhitungan Fuzzy C-Means
1. Menetapkan data training berupa sampel data grading mobil
lelang tahun 2018. Data sampel diambil 20 data dari 256 data.
    SCORE
NO MERK & TYPE Eksterior Interior Mesin

1 TOYOTA NEW AVANZA VELOZ 1.5 AT 70 70 75

2 MITSUBISHI L300 PU STD-R 2.5 MT 60 70 75
3 NISSAN EVALIA 1.5 AT 70 75 75
4 ISUZU PANTHER TURBO DC 2.5 MT 60 70 80
5 NISSAN EVALIA 1.5 AT 70 75 75
6 ISUZU TBR 54 PU TURBO 55 60 60
7 SUZUKI APV BV 1.5 MT 50 70 75
8 MITSUBISHI L300 PU STD-R 2.5 MT 70 70 70
9 NISSAN SERENA 2.0HWS AT 70 75 60
10 TOYOTA VIOS 1.5G AT 70 85 75
11 DAIHATSU XENIA 1.0 MT 85 75 80
12 NISSAN EVALIA 1.5 AT 70 75 75
13 SUZUKI BLIND VAN 1.5 MT 50 60 75
14 TOYOTA NEW AVANZA 1.3E MT 60 70 50
15 TOYOTA VIOS 1.5G MT 70 75 50
16 NISSAN SERENA 2.0 HIGHWAY STAR AT 75 85 80
17 NISSAN EVALIA 1.5 AT 80 80 80
18 NISSAN SERENA HWS 2.0 AT 80 80 75
 2. Tentukan:
a. Jumlah cluster () = 2
b. Pangkat ()
c. Maksimum iterasi (MaxIter = 5)
d. Error terkecil yang diharapkan (ε = )
e. Fungsi objektif awal (0 = 0)
f. Iterasi awal (=1)
g. Membangkitkan bilangan random untuk menghitung drahat
keanggotaan awal untuk elemen martiks partisi awal (U)
bilangan random terdiri dari antara 0 dan 1
No C1 C2

1 0.71 0.03

2 0.45 0.04

3 0.49 0.38

20 0.69 0.20
3. Menentukan pusat cluster pada iterasi awal, pusat cluster
ditentukan dengan persamaan sebagai berukut :
(µi1) = Bilangan random C1
Xi1 = Score eksterior
Xi2 = Score interior
Xi3 = Score mesin

  Deraj Data yang         (µi1)² = (0,71)² = 0.4997

Data at C1 diklaster (µi1) (µi1)² x Xi1 (µi1)² x Xi2 (µi1)² x Xi3 (µi1)² x Xi1 = 0.4997 x 70 = 34.981
(µi1) Xi Xi Xi (µi1)² x Xi2 = 0.4997 x 70 = 34.981
1 2 3 (µi1)² x Xi3 = 0.4997 x 75 = 37.480
Total (µi1)² = 8.960
1 0.71 70 70 75 0.4997 34.981 34.981 37.480
Total (µi1)² x Xi1 = 615.215
2 0.45 60 70 75 0.2023 12.138 14.161 15.173
Total (µi1)² x Xi2 = 661.442
3 0.49 70 75 75 0.2398 16.785 17.984 17.984 Total (µi1)² x Xi3 = 627.425
…                 (C-1.1) = 615.215 / 8.960 = 68.666
20 0.69 70 80 80 0.4822 33.755 38.577 38.577 = 661.442 / 8.960 = 73.826

Total 8.960 615.215 661.442 627.425 = 627.425 / 8.960 = 70. 029

Pusat Cluster 1.1 (C-1.1) 68.666 73.826 70.029

4. Menghitung fungsi objektif (𝑃𝑜), fungsi objektif dapat dihitung
menggunakan persamaan berikut:

P-1.1 = (70 - 68.666)² + (75 - 73.826)² + (75 - 70. 029)² × (8.960)²

Data P-1.1 P-1.2 P Total
= 1,850.52
1 1,850.52 12.84 1,863.36
P-1.2 = (75 – 65.810)² + (75 - 73.079)² + (75 – 74.117)² × (5.146)²
2 1,975.37 27.20 2,002.57
= 12,84
3 2,042.66 1,579.33 3,622.00
… … … … Fungsi Objektif (P1) = 48,194.83
20 1,663.89 564.32 2,228.21
Fungsi Objektif (P1) 48,194.83
5. Menghitung perubahan matriks partisi, perhitungan matriks
partisi dihitung menggunakan persamaan:
 
Keterangan :
𝜇𝑖𝑘 = Data matriks partisi pusat cluster
= Atribut data
Data µ1 µ2
= Pusat cluster
P-1.1/Ptot P-1.2/Ptot
1 0.9931 0.0069 w = Pembobot
2 0.9864 0.0136
3 0.5640 0.4360
… … …
20 0.7467 0.2533
6. Melakukan perulangan tahap 3 sampai 5 hingga memenuhi syarat
sebagai berikut:

Jika = (|𝑃𝑡 − 𝑃𝑡 − 1|< ε

Jika = 𝑡 > 𝑀𝑎𝑥I𝑡𝑒r

Jika salah satu syarat diatas sudah terpenuhi maka iterasi dihentikan
dan, iterasi terakhir akan digunakan sebagai lanjutan perhitungan dbi.
Davies Bouldin Index (DBI)
1. Untuk mengetahui kohesi dalam sebuah cluster ke-i adalah
dengan menghitung nilai dari Sum of Square Within-cluster (SSW)
dihitung dari persamaan :

point for C1 Eksterior Interior Mesin Dist

  1.7261 -2.6810 3.1752 4.499873
-8.2739 -2.6810 3.1752 9.258836
1.7261 2.3190 3.1752 4.294096
… … … …
1.7261 7.3190 8.1752 11.10772
AVERAGE 12.37482
2. Perhitungan Sum of Square Between-cluster (SSB) bertujuan
untuk mengetahui separasi antar cluster dihitung dari persamaan :

( 12.374824 + 14.306409 )
𝑆𝑆𝐵𝑖,𝑗 =
ඥ( 66.956−68.274)^2+(74.156−72.681)^2+(72.112−71.825)^2 )

26.681233
=
ξ 1.737124 + 2.175625 +0.082369

26.681233
=
ξ 3.995118

26.681233
=
1.998779127367504

= 13.3487651
3. Untuk mengetahui nilai perbandingan antara cluster ke-i dan
cluster ke-j dihitung dari persamaan :
𝑆𝑆𝑊𝑖 + 𝑆𝑆𝑊𝑗
𝑅𝑖,𝑗 =
𝑆𝑆𝐵𝑖,𝑗

12.374824 + 14.306409
=
13.3487651

= 1.99877912
4. Untuk mencari nilai Davies-Bouldin Index (DBI) dihitung
dari persamaan :
1 𝑚𝑖
𝐷𝐵𝐼 = ෍ 𝑚𝑎𝑥𝑖≠𝑗 (𝑅𝑖.𝑗 )
𝑘 𝑗 =𝑖

(12.374824 +14.306409 )
Dbi =
2
= 13.3487651

Hasil Davies Buildin Index (dbi) untuk 2 klaster 13.3487651

 TERIMA KASIH

UNIVERSITAS MUHAMMADIYAH
JEMBER