Matrik: Jurnal Manajemen.
Teknik Informatika, dan Rekayasa Komputer Vol.
No.
Juli 2022, pp.
541O554
ISSN: 2476-9843, accredited by Kemenristekdikti.
Decree No: 200/M/KPT/2020 DOI: 10.
30812/matrik.
Aplikasi Dynamic Cluster pada K-Means Berbasis Web untuk Klasifikasi Data Industri Rumahan Web-based Application of Dynamic Cluster on K-Means for Classification of Home Industry Data Hadi Santoso1 .
Hilyah Magdalena2 .
Helna Wardhana3 Institut Sains dan Bisnis Atma Luhur.
Indonesia Universitas Bumigora.
Indonesia
Informasi Artikel
ABSTRAK
Genesis Artikel:
Masalah utama yang dihadapi Pemerintah Daerah Provinsi Kepulauan Bangka Belitung saat ini adalah sulitnya mengklasifikasikan data industri rumahan berdasarkan Peraturan Menteri pA No 2 Tahun 2016 yaitu pemula, berkembang dan maju.
Berdasarkan permasalahan tersebut diusulkan pengembangan algoritma Kmeans yaitu algoritma Dynamic cluster pada K-means dengan tujuan agar dapat menghasilkan klaster yang optimal dalam pengelompokan data industri rumahan dengan membangun aplikasi cerdas berbasis web.
Penelitian ini menggunakan metode analisis data mining SEMMA, yang meliputi tahapan-tahapan seperti data sampel, deskripsi data, transformasi data, pemodelan data, dan evaluasi data.
466 industri rumah tangga digunakan sebagai sampel data.
Kinerja algoritma dievaluasi menggunakan pengukuran validitas klaster Davies Bouldin Index (DBI).
Hasil eksperimen menunjukkan bahwa algoritma Dynamic cluster pada K-means memberikan nilai yang optimal pada iterasi ke lima, dengan perolehan sebagai berikut: klaster pemula (C.
diperoleh sebanyak 3214, kemudian klaster berkembang (C.
diperoleh sebanyak 167 dan klaster maju (C.
diperoleh sebanyak 85.
Hasil evaluasi validitas klaster menunjukan bahwa algoritma Dynamic cluster pada Kmeans memperoleh nilai DBI lebih kecil dibandingkan dengan algoritma K-means dengan nilai DBI sebesar Implementasi algoritma dynamic cluster pada K-means untuk pengelompokan data industri rumahan pada Dinas P3ACSKB di Provinsi Kepulauan Bangka Belitung terbukti menghasilkan kualitas cluster yang lebih optimal.
Diterima, 25 Januari 2022 Direvisi, 24 Februari 2022 Disetujui, 21 April 2022 Kata Kunci:
Data Mining Dynamic Cluster K-means Industri rumahan Klasifikasi
SEMMA
ABSTRACT
Keywords:
Data Mining Dynamic Cluster K-means Classification Home Industry SEMMA The main issue currently confronting the Regional Government of Bangka Belitung Islands Province is the difficulty in categorizing home industry data in accordance with Ministry Regulation pA No.
2 In 2016, namely beginners, develop, and advanced.
Based on these issues, it is proposed to develop a K-means algorithm, namely the Dynamic cluster algorithm on K-means, with the goal of producing optimal clusters in grouping home industry data through the development of intelligent web-based applications.
The SEMMA data mining analysis method is used in this study, which includes stages such as sample data, data description, data transformation, data modeling, and data evaluation.
As data samples, 3,466 home industries were The performance of the algorithm was evaluated using the Davies Bouldin Index (DBI) cluster validity The experimental results show that the dynamic cluster algorithm on K-means gives an optimal value in the fifth iteration, with the following gains: The beginner cluster (C.
obtained 3214, the developing cluster (C.
obtained 167, and the advanced cluster (C.
The results of the cluster validity evaluation show that the Dynamic cluster algorithm on K-means has a lower DBI value than the K-means algorithm, which has a DBI value of 0.
The implementation of the dynamic cluster algorithm on K-means for home industry data clustering at the P3ACSKB Office in the Province of the Bangka Belitung Islands has proven to produce a more optimal cluster quality.
This is an open access article under the CC BY-SA license.
Penulis Korespondensi:
Hadi Santoso.
Fakultas Teknologi Informasi.
Institut Sains dan Bisnis Atma Luhur.
Email: hadisantoso@atmaluhur.
Journal homepage: https://journal.
id/index.
php/matrik PENDAHULUAN ISSN: 2476-9843 Pada konsep Usaha Mikro.
Kecil, dan Menengah (UMKM), industri rumahan termasuk kedalam kategori Usaha Mikro .
Industri rumahan di beberapa negara di dunia dikelompokkan kedalam sektor informal.
Industri rumahan sebagian besar tidak memiliki legalitas yang resmi sebagai badan usaha, bahkan seringkali tidak terdaftar dalam mekanisme perpajakan usaha.
Industri rumahan termasuk dalam Usaha Mikro yang memiliki potensi besar dalam menyerap tenaga kerja dengan berbagai keterbatasan dan kebanyakan belum dapat diatasi secara optimal.
Pendampingan pemerintah daerah sangat dibutuhkan untuk mendorong pertumbuhan usaha mikro melalui akses produksi, teknologi, dan pemasaran yang didukung dengan penguatan sumber daya manusia (SDM).
Selama ini pemerintah daerah masih kesulitan dalam melakukan pengelompokan data industri rumahan di Provinsi Kepulauan Bangka Belitung yang prosesnya dikerjakan secara manual, sehingga pekerjaan mengelompokkan data industri rumahan menjadi kurang efektif dan efisien terutama dalam menentukan klaster pemula, berkembang dan maju sesuai Permen pA No 2 Tahun 2016 dengan berbagai macam kriteria tertentu yang harus dipenuhi.
Atas dasar permasalahan tersebut, maka penelitian ini mengusulkan membangun sebuah sistem cerdas dalam mengelompokkan data industri rumahan menggunakan beberapa kriteria yaitu tenaga kerja, teknologi produksi, sumber modal usaha, jumlah modal, lama usaha dan pola produksi yang akan menjadi atribut pada aplikasi cerdas berbasis web ini.
Pengelompokan data industri rumahan dapat dibangun tentunya diperlukan sebuah algoritma pada sistem yang mampu menghasilkan pengelompokan data industri rumahan kedalam klasifikasi pemula, berkembang dan maju.
Algoritma K-means dipilih oleh kebanyakan peneliti untuk menyelesaikan masalah dalam pengelompokan data .
Ae.
Namun, algoritma Kmeans ternyata belum memberikan solusi untuk menghasilkan kualitas klaster yang optimal .
Berdasarkan permasalahan tersebut penelitian ini pada intinya merealisasikan pengelompokan data industri rumahan dengan membangun aplikasi berbasis web menggunakan pengembangan algoritma K-means yaitu algoritma Dynamic cluster pada K-means agar dapat menghasilkan klaster yang optimal pada kasus dataset industri rumahan di Provinsi Kepulauan Bangka Belitung sesuai Permen pA No.
2 Tahun 2016 tentang yaitu pemula (C.
, berkembang (C.
dan maju (C.
Pekerjaan terdahulu yang telah dilakukan oleh peneliti lainnya berdasarkan dengan topik yang serupa dengan penelitian ini adalah sebagai berikut: Widiarina dan Romi Satria Wahono .
melakukan penelitian pemetaan nasabah potensial menggunakan algoritma klaster dinamik pada K-means.
Hasil segmentasi yang terbentuk dievaluasi menggunakan Davies-Bouldin Index (DBI) dan purity.
Hasil penelitian menunjukan bahwa pengukuran validasi klaster dengan menggunakan Davies-Bouldin Index dan purity, membuktikan bahwa K-means dengan algoritma klaster dinamik menghasilkan kualitas klaster yang lebih optimal .
Artikel penelitian terdahulu ini sama-sama menggunakan metode algoritma klaster dinamik pada K-means, namun obyek penelitian yang dikelompokkan berbeda dengan penelitian pada artikel ini.
Selain itu, perbedaan yang lain pada penelitian terdahulu ini ada pada tidak membangun aplikasi cerdas sebagaimana artikel pada penelitian Hossain.
Akhtar.
Ahmad, dan M.
Rahman .
melakukan penelitian pengelompokan data iris secara dinamis menggunakan algoritma klaster dinamis pada K-means.
Algoritma yang diusulkan menghitung nilai ambang sebagai centroid dari K-Means .
Artikel terdahulu sama-sama menggunakan metode algoritma klaster dinamis pada K-means, namun obyek penelitian yang dikelompokkan berbeda dengan penelitian pada artikel ini.
Selain itu, penelitian terdahulu tidak membangun aplikasi cerdas seperti yang dilakukan pada penelitian ini.
Marisa.
Ahmad.
Yusof.
Fachrudin, dan T.
Aziz .
telah mengusulkan model segmentasi pelanggan untuk usaha kecil dan menengah (UKM) menggunakan algoritma K-means dan Model LRFM (Length.
Recency.
Frequency.
Monetar.
Obyek penelitian yang digunakan pada artikel terdahulu ini hampir serupa dengan penelitian di artikel ini yaitu usaha mikro atau industri rumahan, namun berbeda pada metode yang digunakan.
Selain itu, penelitian terdahulu tersebut juga tidak membangun aplikasi cerdas sebagaimana artikel pada penelitian ini.
Komang Ariasa.
I Gede Aris Gunadi dan I Made Candiasa .
melakukan penelitian pengelompokan kinerja akademik kemahasiswaan menggunakan algoritma klaster dinamis pada K-means .
Artikel terdahulu sama-sama menggunakan algoritma klaster dinamis pada K-means, namun obyek penelitian yang di kelompokkan berbeda.
Perbedaan lainnya, penelitian terdahulu ini tidak membangun aplikasi cerdas sebagaimana yang dilakukan pada penelitian di artikel ini.
Romadansyah Siagian.
Pahala Sirait, dan Arwin Halima .
melakukan penelitian mengenai segmentasi pelanggan berdasarkan data riwayat transaksi perusahaan menggunakan algoritma K-means dan Model LRFM (Length.
Recency.
Frequency.
Monetar.
Metode Elbow.
Silhouette dan Davis-Bouldin Index digunakan untuk mengevaluasi dalam menentukan klaster k optimal pada K-means .
Obyek penelitian yang dilakukan pada artikel terdahulu ini berbeda dengan penelitian di artikel ini.
Algoritma yang digunakan juga berbeda, namun ada metode evaluasi yang sama yaitu Davis-Bouldin Index yang digunakan dalam artikel penelitian ini.
Perbedaan lainnya, penelitian terdahulu ini tidak membangun aplikasi cerdas seperti yang dilakukan pada penelitian di artikel ini.
Yudhistira Arie Wijaya.
Dedy Achmad Kurniady.
Eddy Setyanto.
Wahdan Sanur Tarihoran.
Dadan Rusmana, dan Robbi Rahim .
melakukan penelitian mengenai pemetaan fasilitas sekolah.
Metode Davis-Bouldin Index digunakan untuk mengoptimalkan pemetaan .
Artikel terdahulu ini menggunakan algoritma yang berbeda dengan penelitian pada artikel ini yaitu algoritma K-means.
Obyek penelitian yang dilakukan pada artikel terdahulu ini berbeda dengan penelitian di dalam artikel ini, termasuk metode evaluasi yang digunakan dalam artikel penelitian ini.
Perbedaan lainnya yaitu penelitian terdahulu ini tidak membangun aplikasi cerdas sebagaimana yang dilakukan pada penelitian di artikel ini.
Merujuk pada tinjauan pekerjaan penelitian terkait pada artikel penelitian terdahulu, algoritma dynamic cluster pada K-means yang digunakan pada penelitian ini bertujuan untuk mengelompokkan data industri rumahan agar dapat menghasilkan klaster dan proses iterasi yang optimal sesuai Permen PPA No 2 Tahun 2016 yaitu pemula, berkembang dan maju.
Selain itu, penelitian ini juga memberikan kontribusi dalam membangun aplikasi cerdas berbasis web dengan menggunakan teknik data mining SEMMA (Sample.
Explore.
Modify.
Model.
Asses.
Adapun struktur organisasi penulisan dari artikel ini dibagi menjadi: pembahasan sub bagian ke 2 tentang metodologi penelitian.
Sub bagian ke 3 membahas tentang hasil dan analisis.
Sub bagian berikutnya membahas mengenai kesimpulan dari penelitian yang dilakukan yaitu tentang temuan dari penelitian ini, kebaharuan yang diberikan serta saran untuk penelitian lanjut.
Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer.
Vol.
No.
Juli 2022: 541 Ae 554 Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer METODE PENELITIAN Pengembangan sistem aplikasi cerdas pada penelitian ini menggunakan bahasa pemrograman PHP dan basis data Mysql.
Data penelitian yang digunakan dalam penelitian ini menggunakan data industri rumahan yang diperoleh dari Dinas DP3ACSKB Provinsi Kepulauan Bangka Belitung.
Indonesia bulan April tahun 2021.
Sebanyak 3466 data industri rumahan yang menjadi sampel dalam penelitian ini.
Faktor utama untuk menentukan klasifikasi industri rumahan berdasarkan tenaga kerja, teknologi produksi, sumber modal usaha, jumlah modal, lama usaha dan pola produksi.
Teknik data mining yang digunakan dalam penelitian ini adalah teknik klastering dan menggunakan algoritma Dynamic Cluster pada K-means.
Penelitian ini membangun sistem aplikasi cerdas data mining berbasis web menggunakan SEMMA (Sample.
Explore.
Modify Model.
Asses.
SEMMA mengacu pada standar proses data mining yang merupakan tahapan strategi dalam pemecahan masalah pada bisnis atau unit penelitian.
Teknik data mining pada metode SEMMA dalam pengolahan data terbagi menjadi lima tahapan sebagai berikut .
Tahap pengumpulan data (Sampl.
, .
Tahap deskripsi data (Explor.
, .
Tahap transformasi data (Modif.
, .
Tahap pemodelan data (Mode.
, .
Tahap evaluasi data (Asses.
yang ditunjukkan pada Gambar 1 .
Gambar 1.
Proses Data Mining SEMMA .
Tahap Pengumpulan Data Sampel Pada tahap ini dilakukan pengumpulan data awal sampel sebagaimana ditunjukkan pada Tabel 1.
Data yang dikumpulkan adalah data industri rumahan dari 7 Kabupaten/Kota Provinsi Kepulauan Bangka Belitung, data tersebut akan digunakan untuk proses penelitian.
Data yang terkumpul dari hasil pengumpulan data industri rumahan sebanyak 3.
466 data.
Data industri rumahan sebanyak 3.
466 tersebut kemudian dilakukan pemilahan data yang bertujuan untuk menentukan data mana yang digunakan .
tau data yang di perluka.
untuk proses penelitian.
Tabel 1.
Sampel Data Awal Industri Rumahan Sebelum di Normalisasi No.
NIK
No.
Kartu Keluarga Nama Industri Rumahan Alamat Nama Jl.
Pikas Rt.
01 Rw.
Toko Oleholeh Rizki Sahir Toko Kue Yeyen Umah Crafter Meilani Cake Tenun Cual Ibu Maslina Pewter Tin HandiCraft Asusi Rajutan Lukis Kaca Go-Ban-Art Toko hafira raju.
Sita Salon
Tahun Berdiri Perizinan Teknologi Produksi
Sumber
Modal Usaha
Jumlah Modal
Lama Usaha
P-IRT
Jumlah Tenaga Kerja 1-2 orang Makanan Manual Sendiri < 5 jt < 1 tahun Jl.
Pikas Rt.
Rw.
Makanan P-IRT 3-5 orang Kerajinan P-IRT 3-5 orang P-IRT 1-2 orang Sendiri pinjaman 5 jt - <25 jt dari LKM non Sendiri pinjaman 5 jt - <25 jt dari LKM non Sendiri < 5 jt 1 2 tahun Makanan Semi Manual/Teknologi Semi Manual/Teknologi Manual Jl.
Rustam Efendi Rt.
Rw.
Jl.
Terubuk 4 Rt.
05 Rw.
Kerajinan P-IRT 3-5 orang 1 2 tahun P-IRT 3-5 orang 5 jt - <25 jt 1 - 2 tahun Kerajinan P-IRT 3-5 orang 5 jt - <25 jt 1 2 tahun Kerajinan P-IRT 3-5 orang Sendiri pinjaman dari LKM non Sendiri pinjaman dari LKM non Sendiri pinjaman dari LKM non Sendiri pinjaman dari LKM non 5 jt - <25 jt Kerajinan Semi Manual/Teknologi Semi Manual/Teknologi Semi Manual/Teknologi Semi Manual/Teknologi 5 jt - <25 jt 1 2 tahun Kerajinan P-IRT 3-5 orang P-IRT 1-2 orang Sendiri pinjaman 5 jt - < dari LKM non Sendiri < 5 jt 1 2 tahun Kerajinan Semi Manual/Teknologi Manual Jl.
Kalamaya RT.
003 RW.
001 Kel.
Jasa 1 -2 orang Semi Manual/Teknologi Sendiri < 5 jt < 1 tahun Semi Jl.
Raya selindung Rt.
Rw.
Jl.
Yos Sudarso 3 Rt.
Rw.
Jl.
R hundani Rt.
05 Rw.
Jl,Selanget RT 06/RW 02 baru Rt.
01/01
Jl.
Depati Hamzah RT.
08/02
Jl.
Air Mawar RT.
09 RW.
02 Kel.
Air
Mawar
Pro-
NIB
1 2 tahun < 1 tahun < 1 tahun Pola Produksi Tidak Semi Semi Tidak Semi Semi Semi Semi Semi Tidak Aplikasi Dynamic Cluster .
(Hadi Santos.
ISSN: 2476-9843 Tahap Deskripsi Data (Explor.
Pada tahap ini dilakukan explorasi dari data yang terkumpul dengan cara menjelaskan data secara lengkap sesuai dengan atribut-atribut yang akan digunakan seperti nama industri rumahan, nama produk, sektor industri, alamat industri rumahan, kota/kabupaten, kecamatan, kelurahan/desa, tahun berdiri, latitude dan longitude, perizinan, tenaga kerja, teknologi produksi, sumber modal usaha, jumlah modal, lama usaha, dan pola produksi.
Pada tahap ini juga dilakukan data selection dan data pre-processing/data cleaning.
Adapun Teknik yang digunakan untuk menyeleksi data penelitian ini yaitu feature selection yang terdiri dari tahap eliminate, engineer dan validate.
Eliminate Pada tahap ini dilakukan pemilihan atribut yang akan digunakan dalam penelitian seperti nama industri rumahan, tenaga kerja, teknologi produksi, sumber modal usaha, jumlah modal, lama usaha, dan pola produksi.
Engineer Setelah proses eliminate selanjutnya data sumber tersebut dibentuk kembali menjadi data yang siap divalidasi.
Hasil dari tahap engineer dapat dilihat pada Tabel 2.
Tabel 2.
Sampel Data Industri Rumahan Siap Divalidasi No.
Nama Industri Rumahan Tenaga Kerja Toko Oleh-oleh Rizki Sahir Toko Kue Yeyen 1-2 orang 3-5 orang Umah Crafter 3-5 orang Meilani Cake Tenun Cual Ibu Maslina 1-2 orang 3-5 orang Pewter Tin HandiCraft 3-5 orang Asusi Rajutan 3-5 orang Lukis Kaca 3-5 orang Go-Ban-Art 3-5 orang Toko dani .
hafira raju.
Sita Salon Toko Oleh-oleh Rizki Sahir Toko Kue Yeyen 1-2 orang 1-2 orang 1-2 orang 1-2 orang Teknologi Produksi Manual Semi Manual/Teknologi Semi Manual/Teknologi Manual Semi Manual/Teknologi Semi Manual/Teknologi Semi Manual/Teknologi Semi Manual/Teknologi Semi Manual/Teknologi Manual Manual Manual Manual Sumber Modal Usaha Sendiri Sendiri pinjaman dari LKM non Sendiri pinjaman dari LKM non Sendiri Sendiri pinjaman dari LKM non Sendiri pinjaman dari LKM non Sendiri pinjaman dari LKM non Sendiri pinjaman dari LKM non Sendiri pinjaman dari LKM non Sendiri Sendiri Sendiri Sendiri Jumlah Modal Lama Usaha Pola Produksi < 5 jt 5 jt-<25 jt < 1 tahun 1-2 tahun Tidak kontinyu Semi kontinyu 5 jt-<25 jt 1-2 tahun Semi kontinyu < 5 jt 5 jt-<25 jt < 1 tahun 1-2 tahun Tidak kontinyu Semi kontinyu 5 jt-<25 jt 1-2 tahun Semi kontinyu 5 jt-<25 jt 1-2 tahun Semi kontinyu 5 jt-<25 jt 1-2 tahun Semi kontinyu 5 jt-<25 jt 1-2 tahun Semi kontinyu < 5 jt < 5 jt < 5 jt < 5 jt < 1 tahun < 1 tahun < 1 tahun < 1 tahun Tidak kontinyu Tidak kontinyu Tidak kontinyu Tidak kontinyu Tahap Transformasi Data (Modif.
Pada tahap ini dilakukan proses transformasi data dengan tujuan untuk mengubah data menjadi format yang dapat diproses dengan Caranya yaitu dengan memodifikasi data hasil dari proses deskripsi data dengan memilih, dan mengubah variabel untuk fokus pada proses pemilihan model.
Atribut yang semula bertipe numeric disesuaikan menjadi tipe kategori dengan tujuan agar proses data mining menjadi lebih mudah.
Pada kasus penelitian ini atribut yang dikelompokkan dan diinisialisasi adalah atribut berdasarkan klasifikasi tenaga kerja, teknologi produksi, sumber modal usaha, jumlah modal, lama usaha, dan pola produksi.
Hasil pengelompokan atribut yang dilakukan dapat dilihat pada Tabel 3.
Tabel 3.
Transformasi Data Industri Rumahan No.
Tenaga Kerja Teknologi Produksi Sumber Modal Usaha Jumlah Modal 1-2 orang 3-5 orang Manual Sendiri Semi Manual/Teknologi sederhana Sendiri pinjaman dari LKM non formal <5 jt 5 jt - < 25 jt 25 jt - < 50 jt 6-10 orang Teknologi tinggi Sendiri pinjaman dari LKM Formal Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer.
Vol.
No.
Juli 2022: 541 Ae 554 <1 tahun Tidak kontinyu Inisialisasi Bobot 1 2 tahun Semi kontinyu >2 tahun Kontinyu Lama Usaha Pola Produksi Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer Tahap Pemodelan Data (Mode.
Tahap selanjutnya yaitu mengerjakan desain rancangan antar muka .
yang dibutuhkan pada aplikasi cerdas yang dibangun menggunakan UML (Unified Modeling Languag.
serta membuat rancangan alur proses sistemnya, sebagaimana ditunjukkan pada Gambar 2.
Gambar 2.
Diagram Use Case Rancangan Alur Sistem Industri Rumahan Pada Gambar 3 menunjukkan bahwa seorang admin harus melakukan login terlebih dahulu untuk dapat mengakses sistem, setelah melakukan login admin dapat melihat tampilan home/beranda/dashboard .
alaman admi.
Setelah itu admin dapat menginputkan data industri rumahan di sistem, selain itu admin juga dapat mencari data industri yang telah diinputkan tadi di menu dan halaman cari industri.
Selanjutnya, admin harus menginputkan dahulu kriteria untuk menentukan kelas industri rumahan berdasarkan tenaga kerja, teknologi produksi, sumber modal usaha, jumlah modal, lama usaha, dan pola produksi.
Data kriteria yang sudah diinputkan tadi dilakukan transformasi terlebih dahulu.
Setelah itu data kriteria yang sudah ditransformasi diproses menggunakan algoritma Dynamic cluster pada K-means.
Setelah perhitungan dilakukan admin dapat melihat hasil pengelompokan industri rumahan menjadi 3 kelas usaha yaitu pemula, berkembang dan maju.
Tahap Evaluasi Data (Asses.
Pada tahap ini dilakukan proses pengukuran kualitas hasil klaster pada algoritma Dynamic cluster pada K-means dan algoritma K-means menggunakan metode evaluasi Davies-Bouldin Index (DBI).
Persamaan yang digunakan Davies-Bouldin Index akan menghasilkan nilai paling optimum yakni nilai terkecil yang dihasilkan oleh persamaan .
DBI =
max j6=i {Di,j } k i=1 .
dAi dAj Di,j = Berdasarkan persamaan .
DBI merupakan nilai Davies-Bouldin Index, k merupakan jumlah klaster.
Di,j merupakan nilai dari jarak antara klaster i dan j.
dAi dan dAj merupakan jarak rata-rata antara data yang ada di klaster i dan klaster j sementara.
Semakin kecil nilai Davies Bouldin Index (DBI) yang diperoleh .
on-negatif >= .
, maka semakin baik klaster yang diperoleh dari pengelompokan menggunakan algoritma clustering Algoritma Dynamic Cluster pada K-means Pada bagian ini dijelaskan mengenai langkah-langkah melakukan klastering menggunakan algoritma Dynamic Cluster pada K-means dalam bentuk pseudocode yang digunakan dalam penelitian ini.
Adapun langkah-langkah melakukan klastering data industri rumahan ditunjukkan pada Tabel 4.
Aplikasi Dynamic Cluster .
(Hadi Santos.
ISSN: 2476-9843 Tabel 4.
Pseudocode Algoritma Dynamic Cluster pada K-Means Algoritma Dynamic Cluster pada K-Means Input: Data set D = .
1 , x2 , .
, xn }.
Jumlah cluster K.
Output: Cluster K dibagi ke dalam cluster c = .
1 , c2 , .
, cn } Mulai Masukkan dataset industri rumahan Preprocessing data Masukan jumlah klaster K, nilai K=3.
Inisialisasi titik k dengan memilih secara acak titik k untuk dijadikan pusat claster atau centroid Kelompokkan semua data atau objek yang memiliki kemiripan dengan cara menghitung jarak ke titik centroid terdekat dengan jarak euclidean distance menggunakan persamaan .
Hitung kembali titik centroid baru berdasarkan keanggotaan yang terbentuk.
Titik centroid baru adalah rata-rata dari semua data atau objek dalam klaster tertentu Jika anggota claster sudah mencapai konvergensi maka lakukan pada proses hitung intra claster dan juga inter klaster Jika intra baru <intra lama dan inter baru >inter lama, maka jumlah claster akan ditambahkan dengan k = k 1 dan kembali pada proses kedua menentukan titik centroid data dan mengalokasikan data.
Jika tidak maka proses klaster akan berhenti pada k=k Hasil klaster C1.
C2 dan C3 Selesai Pengelompokan data atau objek yang memiliki kemiripan agar dapat ditentukan suatu data atau objek tersebut masuk ke dalam suatu klaster tertentu dihitung menggunakan jarak Euclidean menggunakan persamaan (.
2 ) (X .
X 2 ) .
(X .
X )2
di,j = (X1i .
X1j Persamaan .
menjelaskan bahwa di,.
adalah jarak data ke i ke pusat klaster j, kemudian xni merupakan data ke i pada atribut data ke n dan xnj adalah Titik pusat atau centroid ke j pada atribut ke n.
Didalam algoritma Dynamic cluster pada K-means terdapat istilah inter cluster yang merupakan jarak minimum antar titik centroid atau pusat klaster dengan pusat klaster lainnya.
Inter ini biasanya digunakan untuk mengukur tingkat kemiripan minimum pada klaster lain atau pemisahan antar klaster yang ditunjukkan pada persamaan .
Oe1 inter = min(N i=0,j=0 ) dist (Xk .
Xj ))OAk = 1, 2, .
, k Oe 1 and k = k 1, .
, kn Persamaan .
menjelaskan bahwa xk adalah jarak ke pusat klaster sebelumnya, sedangkan xj adalah jarak ke pusat klaster berikutnya, dan k adalah jarak pusat klaster.
Berikutnya didalam algoritma Dynamic cluster pada K-means juga terdapat istilah intra yang merupakan jarak antara data dengan titik centroid dalam suatu klaster.
Intra digunakan untuk mengukur tingkat kemiripan maksimum suatu klaster yang ditunjukkan oleh persamaan .
n (Xi .
Xm )2 .
n Oe 1 i=1 Persamaan .
menjelaskan bahwa n merupakan jumlah data, xi merupakan data, dan xm merupakan centroid.
HASIL DAN ANALISIS
Sistem aplikasi cerdas yang dikembangkan ini menggunakan bahasa pemrograman PHP.
Proses rancang bangun pada sistem aplikasi cerdas menghasilkan sejumlah sub-window sebagai berikut:
Sub-Window dari Form Login Form pada Gambar 3 berfungsi untuk memberikan hak akses kepada seorang admin .
untuk menggunakan sistem.
Form login admin ini meliputi textbox email, textbox password, tombol login, tombol register dan kembali.
Tombol login berfungsi untuk memproses email dan password masuk ke dalam sistem apakah data yang diinputkan pada textbox sudah sesuai atau tidak.
Gambar 3.
Halaman Form Login Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer.
Vol.
No.
Juli 2022: 541 Ae 554 Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer Sub-Window Halaman Admin Halaman utama admin setelah dari form login akan menampilkan menu-menu untuk menggunakan sistem sebagaimana ditunjukan pada Gambar 4.
Pada halaman ini terdiri dari 7 menu, yaitu: Dashboard.
Data Industri.
Cari Industri.
Kriteria.
Assessment.
Dynamic K-Means dan Cluster Results.
Gambar 4.
Halaman Admin Sub-Window Data Industri Menu data industri yang ditunjukkan pada Gambar 5 menampilkan data yang sudah ditambahkan .
i input ka.
melalui tombol tambah sesuai dengan atribut yang disediakan dan terdapat tombol di sebelah kanan tabel yaitu tombol edit dan hapus.
Pada halaman ini juga terdapat beberapa tombol export data kedalam format csv dan excel.
Gambar 5.
Halaman Data Industri Sub-Window Cari Industri Gambar 6.
Halaman Cari Industri Aplikasi Dynamic Cluster .
(Hadi Santos.
ISSN: 2476-9843 Gambar 6 diatas adalah tampilan menu cari data industri.
Menu ini menampilkan data yang sudah ditambahkan .
i input ka.
melalui menu data industri, kemudian pada halaman ini dapat mencari data industri rumahan berdasarkan Kabupaten/Kota dan kelas usaha industri Dibagian kanan atas terdapat tombol cetak.
Pada halaman ini juga terdapat beberapa tombol export data kedalam format csv dan Sub-Window Kriteria Gambar 7 dibawah ini adalah tampilan menu kriteria.
Menu ini menampilkan data kriteria yang sudah ditambahkan .
i input ka.
melalui tombol tambah.
Pada halaman ini juga terdapat beberapa tombol export data kedalam format csv dan excel.
Gambar 7.
Halaman Data Kriteria Sub-Window Assessment Gambar 8 dibawah ini merupakan tampilan menu assessment.
Menu ini menampilkan data yang sudah ditambahkan .
i input ka.
melalui menu data industri dan kriteria.
Penilaian dapat diubah melalui tombol edit.
Gambar 8.
Halaman Assessment Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer.
Vol.
No.
Juli 2022: 541 Ae 554 Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer Sub-Window Dynamic K-means Halaman ini merupakan halaman yang digunakan untuk memulai atau membuka halaman penghitungan algoritma Dynamic cluster pada K-means .
ebagaimana disajikan pada Gambar .
Gambar 9.
Halaman Dynamic K-Means Sub-Window Cluster Results Gambar 10 dibawah ini merupakan tampilan menu cluster result atau hasil klaster.
Menu ini menampilkan data hasil klaster yang sudah ditambahkan .
i input ka.
melalui menu data industri dan kriteria kemudian dihitung oleh algoritma Dynamic cluster pada K-means di menu Dynamic k-means.
Gambar 10.
Halaman Cluster Results Penghitungan Dynamic Cluster pada K-means Penghitungan algoritma Dynamic cluster pada k-means dilakukan untuk mendapatkan hasil pengelompokan industri rumahan yang optimal sesuai permen PPA No.
2 tahun 2016, yaitu pemula (C.
, berkembang (C.
dan maju (C.
Aplikasi Dynamic Cluster .
(Hadi Santos.
ISSN: 2476-9843 Proses Pembobotan Pembobotan pada tahap ini diperlukan untuk memberikan kemudahan dalam mendapatkan hasil pengelompokan.
Tabel 5.
Tabel Hasil dari Proses Pembobotan No.
Nama Industri Rumahan Toko Oleh-oleh Rizki Sahir Toko Kue Yeyen Umah Crafter Meilani Cake Tenun Cual Ibu Maslina Pewter Tin HandiCraft Asusi Rajutan Lukis Kaca Go-Ban-Art Toko dani .
hafira raju.
Tenaga Kerja Teknologi Produksi Sumber Modal Usaha Jumlah Modal Lama Usaha Pola Produksi Sita Salon Usaha Penjualan Kue Basah Kerupuk Kemplang Proses Menentukan Pusat Klaster Tabel 6.
Hasil Pusat Klaster Centroid Tenaga Kerja Teknologi Produksi Sumber Modal Usaha Jumlah Modal Lama Usaha Pola Produksi Pencarian Jarak Terdekat Pada Iterasi Pertama Pencarian jarak terdekat dalam algoritma Dynamic cluster pada K-means diperlukan untuk mengetahui kelompok kelas data industri rumahan terdekat berdasarkan C1.
C2.
C3, sehingga data industri rumahan dapat dikategorikan termasuk kedalam klaster salah satu dari C1.
C2, dan C3.
Tabel 7.
Hasil Klaster Iterasi Pertama No.
Nama Industri Rumahan Toko Oleh-oleh Rizki Sahir Toko Kue Yeyen Umah Crafter Meilani Cake Tenun Cual Ibu Maslina Pewter Tin HandiCraft Asusi Rajutan Lukis Kaca Go-Ban-Art Toko dani .
hafira raju.
8,48528 13,4164 13,4164 8,48528 14,69693 8,48528 8,48528 8,48528 10,3923 8,48528
10,3923
8,48528
8,48528
8,48528
14,69693
8,48528
8,48528
Jarak
8,48528
8,48528
8,48528
8,48528
8,48528
8,48528
Kuadrat
Kelompok Data
Sita Salon
Usaha Penjualan Kue Basah
Kerupuk Kemplang
14,69693
13,4164
10,3923
8,48528
13,4164
Tabel 7 menunjukkan hasil dari proses iterasi pertama.
Hasil iterasi pertama didapatkan C1 .
C2 .
sebanyak 153 dan C3 .
Pencarian Jarak Terdekat Pada Iterasi Kedua Hasil perhitungan pada iterasi pertama ternyata masih menunjukkan perubahan pada centroid, sehingga proses masih berlanjut pada iterasi ke 2.
Tabel 8.
Hasil Pusat Klaster
Centroid
Tenaga Kerja 0,21774 5,45454 5,17647 Teknologi Produksi
0,05529
0,872727
Sumber Modal Usaha
0,29377
2,50909
Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer.
Vol.
No.
Juli 2022: 541 Ae 554
Jumlah Modal
0,28686
5,23636
Lama Usaha
0,18317
5,56363
4,47058
Pola Produksi
0,15552
4,03636
5,29411
Matrik: Jurnal Managemen,Teknik Informatika, dan Rekayasa Komputer Tabel 8 menunjukkan hasil pusat klaster pada iterasi kedua dengan nilai terbaru.
Proses pencarian nilai pusat klaster baru dilakukan dikarenakan masih ada perubahan pada centroid.
Setelah itu pada masing-masing klaster dilakukan pencarian jarak terdekat menggunakan jarak Euclidean seperti yang ditunjukkan pada Tabel 9.
Tabel 9.
Hasil Klaster Iterasi Kedua No.
Nama Industri Rumahan Toko Oleh-oleh Rizki Sahir Toko Kue Yeyen Umah Crafter Meilani Cake Tenun Cual Ibu Maslina Pewter Tin HandiCraft Asusi Rajutan Lukis Kaca Go-Ban-Art Toko dani .
hafira raju.
0,52612 8,17833 11,66646 12,95509 11,66646 13,01577 8,1834 14,21154 8,21375 8,13256
10,55817
10,24351
8,18327
7,47252
8,18327
8,38085
8,49719
6,58804
7,15938
9,3761
12,75968
9,96394
8,34465
5,91988
8,34465
4,41764
11,10316
2,74145
10,91077
10,03454
Jarak
0,52612
8,17833
8,18327
5,91988
8,18327
4,41764
8,1834
2,74145
7,15938
8,13256
Kuadrat
0,25
65,61
65,61
34,81
65,61
19,36
65,61
7,29
50,41
65,61
Kelompok Data
Sita Salon
Usaha Penjualan Kue Basah
Kerupuk Kemplang
5,73013
10,0136
8,25907
9,19992
8,68763
8,26287
12,28045
8,55351
10,84588
5,73013
8,55351
8,25907
32,49
72,25
67,24
Tabel 9 menunjukkan hasil dari proses pengelompokan dari masing-masing klaster pada iterasi ke 2 berdasarkan jarak terdekat, dimana diperoleh klaster C1 .
C2 .
sebanyak 152 dan C3 .
Tabel 10 merupakan hasil perhitungan inter dan intra klaster pada iterasi kedua yang menunjukkan nilai inter lama lebih kecil dari inter baru dan intra lama lebih besar intra baru, maka proses iterasi dilanjutkan ke proses iterasi selanjutnya.
Begitu pula untuk iterasi ketiga dan keempat dilakukan proses dan perhitungan dengan cara yang sama seperti yang dilakukan pada proses iterasi pertama dan kedua.
Tabel 10.
Hasil Perhitungan Inter dan Intra Klaster Iterasi Kedua Parameter Inter C1 dan C2 Inter C1 dan C3 Inter C2 dan C3 Intra C1 Intra C2 Intra C3 Lama 14,21154 11,95379 12,75968 Baru 5,48832 7,26706 1,778732 Hasil dari perhitungan proses iterasi berhenti pada iterasi ke lima, dimana pada iterasi ke lima ini pusat klaster dan kelompok data tidak ada yang berubah.
Hasil dari perhitungan proses iterasi kelima ditampilkan pada Tabel 11.
Tabel 11.
Hasil Klaster Iterasi Kelima No.
Nama Industri Rumahan Toko Oleh-oleh Rizki Sahir Toko Kue Yeyen Umah Crafter Meilani Cake Tenun Cual Ibu Maslina Pewter Tin HandiCraft Asusi Rajutan Lukis Kaca Go-Ban-Art Toko dani .
hafira raju.
0,14843 8,35816 11,90304 13,31318 11,90304 13,28995 8,392426 14,56493 8,423927 8,39505
8,67227
9,22488
9,11703
7,41838
9,11703
9,66468
7,73173
8,15506
6,97874
7,6546
11,43124
9,09249
7,43269
6,76877
7,43269
4,08331
9,99081
3,97697
9,68588
9,55221
Jarak
0,14843
8,35816
7,43269
6,76877
7,43269
4,08331
7,73173
3,97697
6,97874
7,6546
Kuadrat
0,01
68,89
54,76
44,89
54,76
16,64
59,29
15,21
47,61
57,76
Kelompok Data
Sita Salon
Usaha Penjualan Kue Basah
Kerupuk Kemplang
5,96124
14,56493
8,38716
6,95033
8,15506
8,67227
11,39369
3,97697
9,23281
5,96124
3,97697
8,38716
34,81
15,21
68,89
Tabel 11 menunjukkan hasil dari proses pengelompokan dari masing-masing klaster pada iterasi ke 5 berdasarkan jarak terdekat, dimana diperoleh klaster C1 .
C2 .
sebanyak 167 dan C3 .
Tabel 12.
Hasil Perhitungan Inter dan Intra Klaster Iterasi Kelima Parameter Inter C1 dan C2 Inter C1 dan C3 Inter C2 dan C3 Intra C1 Intra C2 Intra C3 Lama 2,76052 Baru 2,76052 Aplikasi Dynamic Cluster .
(Hadi Santos.
ISSN: 2476-9843 Tabel 12 merupakan hasil dari perhitungan inter dan intra klaster iterasi kelima yang menunjukkan nilai inter lama sama dengan inter baru dan intra lama sama dengan intra baru, maka proses berhenti pada iterasi kelima.
Perbandingan Hasil Dinas P3ACSKB.
Hasil Dynamic Cluster pada K-means dan Hasil K-means Tabel 13.
Perbandingan Hasil Pengelompokan Dinas P3ACSKB.
Hasil Dynamic Cluster pada K-means dan Hasil K-means.
Tabel 13.
Perbandingan Hasil Pengelompokan Dinas P3ACSKB.
Hasil Dynamic Cluster pada K-means dan Hasil K-means No.
Proses Pengelompokan oleh Dinas P3ACSKB Provinsi Kepulauan Bangka Belitung Pengelompokan menggunakan Dynamic Cluster pada K-Means Pengelompokkan menggunakan K-Means Jumlah Data Industri Rumahan Pemula (C.
Berkembang (C.
Maju (C.
Tabel 13 menunjukkan hasil perbandingan dari pengelompokan data industri rumahan berdasarkan pengelompokan oleh Dinas P3ACSKB Provinsi Kepulauan Bangka Belitung dengan pengelompokan Dynamic cluster pada K-means pada penelitian ini.
Hasil yang diperoleh dari proses pengelompokan dengan Dynamic cluster pada K-means tidak berbeda jauh dengan hasil proses pada pengelompokan manual yang dilakukan oleh Dinas P3ACSKB Provinsi Kepulauan Bangka Belitung.
Berdasarkan hasil tersebut dapat disimpulkan bahwa aplikasi berbasis web yang dibangun menggunakan algoritma klasterisasi Dynamic cluster pada K-means mampu membantu Dinas P3ACSKB Provinsi Kepulauan Bangka Belitung dalam proses pengelompokan data industri rumahan di Kabupaten/Kota Provinsi Kepulauan Bangka Belitung.
Hasil Evaluasi Klaster menggunakan Davies Bouldin Index (DBI) Hasil evaluasi klaster menggunakan Davies Bouldin Index pada Tabel 14 secara keseluruhan menunjukkan bahwa algoritma Dynamic cluster pada K-means memperoleh nilai lebih kecil dibandingkan dengan nilai algoritma K-means dengan nilai DBI sebesar 0,184.
Nilai DBI yang lebih kecil menunjukan bahwa skema klaster pada penelitian ini semakin baik keakuratan hasil klasternya dan lebih optimal.
Tabel 14.
Perbandingan Hasil Pengujian Menggunakan Evaluasi Davies Bouldin Index (DBI) Algoritma
K-means Dynamic Cluster pada K-means Cluster
DBI
0,525
0,184
KESIMPULAN
Implementasi algoritma Dynamic cluster pada K-means untuk pengelompokan data industri rumahan pada Dinas P3ACSKB di Provinsi Kepulauan Bangka Belitung memberikan kesimpulan bahwa algoritma mampu membantu kinerja administrasi Dinas P3ACSKB secara otomatis berdasarkan PERMEN pA No.
2 Tahun 2016.
Hasil akhir pengelompokkan industri rumahan menggunakan algoritma Dynamic cluster pada K-means memberikan nilai yang optimal pada iterasi ke lima dengan perolehan klaster pemula (C.
diperoleh sebanyak 3214, kemudian klaster berkembang (C.
diperoleh sebanyak 167 dan klaster maju (C.
diperoleh sebanyak 85.
Hasil evaluasi validitas klaster menunjukan bahwa algoritma Dynamic cluster pada K-means memperoleh nilai DBI lebih kecil dibandingkan dengan algoritma K-means dengan nilai DBI Penelitian ini memiliki keunggulan yaitu membangun sistem cerdas berbasis website dan dapat mengelompokkan industri rumahan berdasarkan PERMEN pA No.
2 Tahun 2016 tentang industri rumahan.
Penelitian ini juga masih perlu dikembangkan dengan melakukan penelitian dengan jumlah data besar lainnya.
UCAPAN TERIMA KASIH
Penelitian ini telah mendapatkan dukungan finansial dari Kemdikbudristek berdasarkan surat keputusan No.
1326/SP2H/LT/LL2/2021 hibah penelitian terapan tahun 2019 yang dilaksanakan pada tahun 2021 dan LPPM ISB Atma Luhur yang telah memberikan dukungan hingga terlaksananya penelitian ini.
Berdasarkan hal itu, kami mengucapkan banyak terima kasih atas dukungan tersebut.
REFERENSI