Achmad Fauzan - Universitas Muhammadiyah Purwokerto

1. Sistem Klasterisasi Menggunakan Metode K-Means
dalam Menentukan Posisi Access Point
Berdasarkan Posisi Pengguna Hotspot
di Universitas Muhammadiyah Purwokerto
Clustering System Using K-Means Method in Determining Access Point
Position by Users Hotspot Position
at Muhammadiyah University of Purwokerto
Achmad Fauzan1)
, Abid Yanuar Badharudin2)
, Feri Wibowo3)
1)2)3)
Teknik Informatika-F.Teknik-Universitas Muhammadiyah Purwokerto
Jl. Raya Dukuhwaluh Purwokerto 53182
1)
achmadfauzan@hotmail.com
Abstrak – Penelitian ini bertujuan untuk
melakukan klasterisasi terhadap data berupa
koordinat (longitude dan lattitude) posisi
pengguna hotspot dalam kelompok (cluster)
tertentu sebanyak access point yang
diinginkan. Metode clustering yang
digunakan yaitu metode K-Means yang
memiliki algoritma sederhana sehingga cepat
dalam melakukan klasterisasi tetapi juga
menghasilkan data yang cukup baik. Sistem
dibangun menggunakan bahasa Java dan
IDE NetBeans 6.9.1. Keluaran yang
dihasilkan berupa titik koordinat posisi
perangkat access point yang akan dipasang di
Universitas Muhammadiyah Purwokerto.
Kata kunci: sistem klasterisasi, metode k-means
Abstract – This study aims to perform
clustering of the data in the form of
coordinates (longitude and lattitude) position
hotspot users in a group (cluster) specified as
the desired access point. Clustering method
used is the K-Means method that has a simple
algorithm so fast in doing clustering but also
generate data quite well. The system is built
using the Java language and NetBeans IDE
6.9.1. Output is generated in the form of point
coordinates of the position of the access point
to be installed at the Muhammadiyah
University of Purwokerto.
Keywords: clustering system, k-means method
I. Pendahuluan
Klasterisasi (clustering) merupakan
proses mengelompokkan objek berdasarkan
informasi yang diperoleh dari data yang
menjelaskan hubungan antar objek dengan
prinsip untuk memaksimalkan kesamaan antar
anggota satu kelas dan meminimumkan
kesamaan antar kelas/cluster. Tujuannya
menemukan cluster yang berkualitas dalam
waktu yang layak. Pengelompokkan ini dapat
diterapkan pada penentuan posisi access point
berdasarkan posisi pengguna.
Universitas Muhammadiyah Purwokerto
telah menyediakan fasilitas internet untuk
keperluan pembelajaran maupun kegiatan yang
lain bagi mahasiswa, dosen, dan karyawannya.
Dalam memberikan kemudahan untuk
mengakses internet, dikembangkan teknologi
WLAN yang terpasang di berbagai tempat di
lingkungan kampus. Tujuannya agar
mahasiswa, dosen, dan karyawan sebagai
pengguna internet dapat lebih leluasa
mengakses internet dengan perangkat mobile
seperti komputer jinjing (laptop), handphone,
pc tablet, dan perangkat lain yang sejenis.
Namun dalam menentukan letak pemasangan
perangkat pemancar berupa access point masih
berdasarkan perkiraan untuk menjangkau
seluruh wilayah kampus dengan jumlah
ketersediaan perangkat access point yang ada.
Hal ini dapat menyebabkan ketidaknyamanan
pengguna dalam mengakses internet melalui
1

2. hotspot karena pengguna harus memposisikan
diri berada dalam jangkauan sinyal wifi.
Teknik klasterisasi yang paling baik
adalah algoritma K-Means yang melakukan
optimalisasi jarak dengan meminimalisasi
penyebaran cluster atau dengan memaksimalkan
pemisahan antara cluster dan juga karena
memiliki skema yang sederhana (Arifin, 2013).
Algoritma K-Means memberikan solusi dengan
cara menghitung titik pusat inisialisasi cluster.
Penggunaan teknik klasterisasi dalam
menentukan posisi access point diharapkan
dapat memberikan solusi terhadap permasalahan
yang ada, dan juga dapat memberikan saran
jumlah penggunaan perangkat access point yang
paling optimal.
II. Tinjauan Pustaka
A. Klasterisasi
Klasterisasi (clustering) adalah proses
membuat pengelompokan sehingga semua
anggota dari setiap partisi mempunyai
persamaan berdasarkan matrik tertentu. Sebuah
klaster adalah sekumpulan obyek yang digabung
bersama karena persamaan atau pendekatannya.
Clustering berdasarkan persamaannya
merupakan sebuah teknik yang sangat berguna
karena akan mentranslasi ukuran persamaan
yang intuitif menjadi ukuran yang kuantitatif.
Ada banyak pendekatan untuk membuat cluster,
diantaranya adalah membuat aturan yang
mendekati keanggotaan dalam group yang sama
berdasarkan tingkat persamaan diantara
anggota-anggotanya. Pendekatan lainya adalah
dengan membuat sekumpulan fungsi yang
mengukur beberapa properti dari
pengelompokan tersebut sebagai fungsi dari
beberapa parameter dari sebuah clustering.
B. K-Means
K-Means adalah suatu metode
penganalisaan data atau metode Data Mining
yang melakukan proses pemodelan tanpa
supervisi (unsupervised) dan merupakan salah
satu metode yang melakukan pengelompokan
data dengan sistem partisi. Metode k-means
berusaha mengelompokkan data yang ada ke
dalam beberapa kelompok, dimana data dalam
satu kelompok mempunyai karakteristik yang
sama satu sama lainnya dan mempunyai
karakteristik yang berbeda dengan data yang ada
di dalam kelompok yang lain. Dengan kata lain,
metode ini berusaha untuk meminimalkan
variasi antar data yang ada di dalam suatu
cluster dan memaksimalkan variasi dengan data
yang ada di cluster lainnya (Agusta, 2007).
C. Algoritma K-Means
Metode K-Means melakukan proses
clustering dengan mengikuti algoritma sebagai
berikut:
1. Tentukan jumlah cluster.
2. Alokasikan data sesuai dengan jumlah
cluster yang ditentukan.
3. Hitung nilai centroid masing-masing
cluster.
4. Alokasikan masing-masing data ke
centroid terdekat.
5. Kembali ke langkah 3 apabila masih
terdapat perpindahan data dari satu
cluster ke cluster yang lain, atau
apabila perubahan pada nilai centroid
masih di atas nilai threshold yang
ditentukan, atau apabila perubahan
pada nilai objective function masih di
atas nilai threshold yang ditentukan.
Untuk menghitung centroid suatu cluster
digunakan rumus sebagai berikut:
Dimana:
Ni : Jumlah data yang menjadi anggota cluster
ke- i
III. Metode Penelitian
Penelitian ini merupakan penelitian
pengembangan perangkat lunak komputer
dengan masukan data berupa koordinat
pengguna hotspot dan jumlah perangkat access
point yang akan dipasang di Universitas
Muhammadiyah Purwokerto, dengan
2

3. menghasilkan keluaran posisi access point
berupa koordinat pemasangan perangkat yang
disarankan. Bahasa pemrograman yang
digunakan adalah Java.
Adapun langkah operasional yang
dilakukan dalam penelitian ini adalah sebagai
berikut:
1. Menentukan masukan
Masukan berupa data pengguna hotspot dan
jumlah perangkat access point yang akan
dipasang.
2. Melakukan proses klasterisasi menggunakan
metode K-Means
Data clustering menggunakan metode K-
Means ini secara umum dilakukan dengan
algoritma dasar sebagai berikut (Agusta,
2007):
a. Tentukan jumlah cluster
b. Alokasikan data ke dalam cluster secara
random
c. Hitung centroid/rata-rata dari data yang
ada di masing-masing cluster
d. Alokasikan masing-masing data ke
centroid/rata-rata terdekat
e. Kembali ke Step c, apabila masih ada
data yang berpindah cluster atau apabila
perubahan nilai centroid, ada yang di
atas nilai threshold yang ditentukan atau
apabila perubahan nilai pada objective
function yang digunakan di atas nilai
threshold yangditentukan.
3. Menentukan output
Output yang dihasilkan berupa koordinat
tiap access point (pusat cluster).
IV. Hasil Dan Pembahasan
Data sample berupa posisi pengguna
hotspot yang didapatkan dari 46 mahasiswa
Universitas Muhammadiyah Purwokerto. Setiap
mahasiswa dapat diambil posisi yang diinginkan
ketika mengakses hotspot sebanyak satu sampai
tiga posisi berupa koordinat longitude dan
lattitude. Berdasarkan data sample tersebut,
dilakukan proses klasterisasi menggunakan
metode K-Means untuk mengelompokkan data
ke dalam kelompok-kelompok tertentu
sebanyak jumlah kelompok yang ditetapkan
sebelumnya. Hasil klasterisasi berupa koordinat
pusat cluster sebagai berikut.
No Cluster Center Longitude Lattitude
1 Cluster Center 1
109,2721618765490
0 -7,41281431121751
2 Cluster Center 2
109,2723296782830
0 -7,41427044780489
3 Cluster Center 3
109,2733672508030
0 -7,41282700351439
Penyebaran data sample beserta alokasinya
terhadap tiap pusat cluster dapat dilihat pada
tabel berikut.
No Pengguna Longitude Lattitude CC1 No Pengguna Longitude Lattitude CC1
1
Pengguna
1a
10,927,253,896,370,50
0
-
741,436,097,770,92
9
2 65
Pengguna
24a
10,927,204,501,815,10
0
-
741,423,801,518,97
6
2
2
Pengguna
1b
10,927,261,297,591,00
0
-
741,311,601,363,12
2
1 66
Pengguna
24b
10,927,309,703,081,80
0
-
741,255,903,616,54
7
3
3
Pengguna
1c
10,927,220,603,451,10
0
-
741,349,596,530,19
9
1 67
Pengguna
24c
10,927,386,498,078,70
0
-
741,372,596,472,50
1
3
4
Pengguna
2a
10,927,182,700,484,90
0
-
741,227,103,397,25
0
1 68
Pengguna
25a
10,927,179,004,065,60
0
-
741,220,297,291,87
4
1
5
Pengguna
2b
10,927,238,398,231,50
0
-
741,444,999,352,09
7
2 69
Pengguna
25b
10,927,273,702,807,70
0
-
741,424,798,965,45
4
2
6
Pengguna
2c
10,927,246,604,114,70
0
-
741,297,997,534,27
5
1 70
Pengguna
25c
10,927,253,804,169,50
0
-
741,298,098,117,11
3
1
7
Pengguna
3a
10,927,247,802,726,90
0
-
741,372,101,940,21
4
2 71
Pengguna
26a
10,927,174,000,069,40
0
-
741,220,297,291,87
4
1
3

4. 8
Pengguna
3b
10,927,358,703,687,70
0
-
741,269,398,480,65
3
3 72
Pengguna
26b
10,927,346,399,053,90
0
-
741,267,001,256,34
6
3
9
Pengguna
3c
10,927,246,000,617,70
0
-
741,307,997,144,75
8
1 73
Pengguna
26c
10,927,309,099,584,80
0
-
741,255,995,817,48
2
3
10
Pengguna
4a
10,927,215,800,620,60
0
-
741,342,295,892,53
6
1 74
Pengguna
27a
10,927,208,600,565,70
0
-
741,426,701,657,47
4
2
11
Pengguna
4b
10,927,246,000,617,70
0
-
741,307,997,144,75
8
1 75
Pengguna
27b
10,927,394,896,745,60
0
-
741,410,298,272,96
7
3
12
Pengguna
4c
10,927,204,099,483,70
0
-
741,441,202,349,96
0
2 76
Pengguna
27c
10,927,308,697,253,40
0
-
741,255,995,817,48
2
3
13
Pengguna
5a
10,927,192,197,181,20
0
-
741,424,103,267,49
0
2 77
Pengguna
28a
10,927,384,100,854,30
0
-
741,277,998,313,30
7
3
14
Pengguna
5b
10,927,246,796,898,50
0
-
741,440,397,687,25
6
2 78
Pengguna
28b
10,927,306,501,194,80
0
-
741,301,601,752,63
8
3
15
Pengguna
5c
10,927,327,799,610,70
0
-
741,275,299,340,48
6
3 79
Pengguna
28c
10,927,307,398,058,40
0
-
741,413,801,908,49
3
2
16
Pengguna
6a
10,927,192,398,346,90
0
-
741,418,403,573,33
4
2 80
Pengguna
29a
10,927,216,798,067,00
0
-
741,352,496,668,69
6
1
17
Pengguna
6b
10,927,318,504,080,10
0
-
741,273,203,864,69
3
3 81
Pengguna
29b
10,927,311,396,226,20
0
-
741,257,697,343,82
6
3
18
Pengguna
7a
10,927,222,296,595,50
0
-
741,372,202,523,05
2
2 82
Pengguna
30a
10,927,192,297,764,10
0
-
741,247,496,567,66
6
1
19
Pengguna
7b
10,927,192,197,181,20
0
-
741,415,101,103,48
4
2 83
Pengguna
30b
10,927,229,999,564,50
0
-
741,447,497,159,24
2
2
20
Pengguna
7c
10,927,226,303,145,20
0
-
741,443,800,739,94
3
2 84
Pengguna
30c
10,927,295,101,806,50
0
-
741,431,496,106,08
8
2
21
Pengguna
8a
10,927,256,997,674,70
0
-
741,439,199,075,10
2
2 85
Pengguna
31a
10,927,258,003,503,00
0
-
741,289,598,867,29
7
1
22
Pengguna
8b
10,927,309,602,499,00
0
-
741,267,596,371,47
1
3 86
Pengguna
31b
10,927,308,102,138,30
0
-
741,255,400,702,35
7
3
23
Pengguna
8c
10,927,391,803,823,40
0
-
741,358,900,442,71
9
3 87
Pengguna
31c
10,927,226,101,979,60
0
-
741,335,297,003,38
8
1
24
Pengguna
9a
10,927,211,903,035,60
0
-
741,357,601,247,72
7
2 88
Pengguna
32a
10,927,203,998,900,90
0
-
741,233,297,623,69
3
1
25
Pengguna
9b
10,927,257,701,754,50
0
-
741,438,503,377,13
9
2 89
Pengguna
32b
10,927,242,295,816,50
0
-
741,342,698,223,88
8
1
26
Pengguna
9c
10,927,389,699,965,70
0
-
741,338,700,056,07
6
3 90
Pengguna
32c
10,927,253,100,089,70
0
-
741,292,800,754,30
8
1
27
Pengguna
10a
10,927,410,797,215,90
0
-
741,311,299,614,60
8
3 91
Pengguna
33a
10,927,254,701,033,20
0
-
741,301,199,421,28
6
1
28
Pengguna
10b
10,927,194,602,787,40
0
-
741,451,797,075,56
9
2 92
Pengguna
33b
10,927,218,901,924,70
0
-
741,358,900,442,71
9
2
29
Pengguna
10c
10,927,271,699,532,80
0
-
741,425,000,131,13
0
2 93
Pengguna
34a
10,927,203,495,986,70
0
-
741,420,499,049,12
7
2
4

5. 30
Pengguna
11a
10,927,237,400,785,00
0
-
741,443,901,322,78
2
2 94
Pengguna
34b
10,927,286,895,923,30
0
-
741,327,702,999,11
4
3
31
Pengguna
11b
10,927,286,895,923,30
0
-
741,327,702,999,11
4
3 95
Pengguna
34c
10,927,305,000,834,10
0
-
741,250,203,922,39
0
3
32
Pengguna
11c
10,927,201,601,676,60
0
-
741,333,000,361,91
9
1 96
Pengguna
35a
10,927,177,595,905,90
0
-
741,209,995,932,87
7
1
33
Pengguna
12a
10,927,188,500,761,90
0
-
741,220,599,040,38
9
1 97
Pengguna
35b
10,927,200,998,179,60
0
-
741,409,703,157,84
2
2
34
Pengguna
12b
10,927,410,596,050,30
0
-
741,315,197,199,58
3
3 98
Pengguna
35c
10,927,202,699,705,90
0
-
741,321,299,225,09
1
1
35
Pengguna
13a
10,927,193,001,843,90
0
-
741,221,797,652,54
2
1 99
Pengguna
36a
10,927,242,597,565,00
0
-
741,346,696,391,70
1
1
36
Pengguna
13b
10,927,330,398,000,70
0
-
741,276,699,118,31
6
3 100
Pengguna
36b
10,927,203,102,037,30
0
-
741,415,897,384,28
5
2
37
Pengguna
13c
10,927,303,701,639,10
0
-
741,264,503,449,20
1
3 101
Pengguna
36c
10,927,238,197,065,80
0
-
741,443,800,739,94
3
2
38
Pengguna
14a
10,927,307,498,641,30
0
-
741,259,901,784,36
0
3 102
Pengguna
37a
10,927,242,597,565,00
0
-
741,338,599,473,23
7
1
39
Pengguna
14b
10,927,201,501,093,80
0
-
741,329,899,057,74
5
1 103
Pengguna
37b
10,927,249,303,087,50
0
-
741,305,801,086,12
7
1
40
Pengguna
15a
10,927,245,900,034,90
0
-
741,443,096,660,07
7
2 104
Pengguna
37c
10,927,201,400,510,90
0
-
741,329,798,474,90
7
1
41
Pengguna
15b
10,927,268,397,063,00
0
-
741,432,200,185,95
4
2 105
Pengguna
38a
10,927,197,502,925,90
0
-
741,217,900,067,56
7
1
42
Pengguna
16a
10,927,253,401,838,20
0
-
741,437,698,714,43
5
2 106
Pengguna
38b
10,927,410,503,849,30
0
-
741,310,696,117,57
9
3
43
Pengguna
16b
10,927,311,899,140,40
0
-
741,256,800,480,18
6
3 107
Pengguna
38c
10,927,183,002,233,50
0
-
741,447,103,209,79
3
2
44
Pengguna
17a
10,927,256,695,926,10
0
-
741,439,199,075,10
2
2 108
Pengguna
39a
10,927,179,398,015,10
0
-
741,217,497,736,21
5
1
45
Pengguna
17b
10,927,314,598,113,20
0
-
741,288,601,420,81
9
3 109
Pengguna
39b
10,927,241,901,867,00
0
-
741,345,900,110,90
0
1
46
Pengguna
17c
10,927,175,399,847,30
0
-
741,219,903,342,42
5
1 110
Pengguna
39c
10,927,182,801,067,80
0
-
741,442,903,876,30
4
2
47
Pengguna
18a
10,927,410,998,381,60
0
-
741,310,997,866,09
4
3 111
Pengguna
40a
10,927,196,597,680,40
0
-
741,244,998,760,52
1
1
48
Pengguna
18b
10,927,257,601,171,70
0
-
741,438,696,160,91
2
2 112
Pengguna
40b
10,927,242,597,565,00
0
-
741,346,101,276,57
6
1
49
Pengguna
18c
10,927,200,998,179,60
0
-
741,224,798,373,87
8
1 113
Pengguna
40c
10,927,200,000,733,10
0
-
741,408,102,214,33
6
2
50
Pengguna
19a
10,927,365,601,994,00
0
-
741,268,702,782,69
0
3 114
Pengguna
41a
10,927,204,099,483,70
0
-
741,448,000,073,43
2
2
51
Pengguna
19b
10,927,222,497,761,20
0
-
741,443,599,574,26
7
2 115
Pengguna
41b
10,927,222,497,761,20
0
-
741,443,599,574,26
7
2
5

6. 52
Pengguna
19c
10,927,309,703,081,80
0
-
741,255,803,033,70
9
3 116
Pengguna
41c
10,927,268,698,811,50
0
-
741,431,898,437,44
0
2
53
Pengguna
20a
10,927,200,998,179,60
0
-
741,226,298,734,54
5
1 117
Pengguna
42a
10,927,186,002,954,80
0
-
741,221,898,235,38
0
1
54
Pengguna
20b
10,927,219,597,622,70
0
-
741,369,402,967,39
3
2 118
Pengguna
42b
10,927,393,203,601,20
0
-
741,286,003,030,83
6
3
55
Pengguna
20c
10,927,246,101,200,50
0
-
741,442,501,544,95
2
2 119
Pengguna
42c
10,927,252,203,226,00
0
-
741,442,300,379,27
6
2
56
Pengguna
21a
10,927,342,400,886,10
0
-
741,267,403,587,69
8
3 120
Pengguna
43a
10,927,247,199,229,80
0
-
741,298,500,448,46
5
1
57
Pengguna
21b
10,927,198,902,703,80
0
-
741,451,897,658,40
7
2 121
Pengguna
43b
10,927,303,802,222,00
0
-
741,247,203,201,05
5
3
58
Pengguna
21c
10,927,279,695,868,40
0
-
741,425,997,577,60
7
2 122
Pengguna
44a
10,927,259,897,813,20
0
-
741,430,599,242,44
8
2
59
Pengguna
22a
10,927,310,097,031,20
0
-
741,289,699,450,13
5
3 123
Pengguna
44b
10,927,303,299,307,80
0
-
741,243,196,651,33
9
3
60
Pengguna
22b
10,927,309,703,081,80
0
-
741,255,903,616,54
7
3 124
Pengguna
45a
10,927,264,801,226,50
0
-
741,425,997,577,60
7
2
61
Pengguna
22c
10,927,203,898,318,10
0
-
741,232,995,875,17
9
1 125
Pengguna
45b
10,927,308,202,721,10
0
-
741,243,900,731,20
5
3
62
Pengguna
23a
10,927,201,098,762,40
0
-
741,224,798,373,87
8
1 126
Pengguna
46a
10,927,314,698,696,10
0
-
741,242,299,787,70
0
3
63
Pengguna
23b
10,927,331,898,361,40
0
-
741,270,102,560,52
0
3 127
Pengguna
46b
10,927,325,100,637,90
0
-
741,243,900,731,20
5
3
64
Pengguna
23c
10,927,232,002,839,40
0
-
741,444,999,352,09
7
2
Berdasarkan analisis dan rancangan
sistem yang telah dibuat maka dilakukan
implementasi sistem klasterisasi dengan tiga
cluster dan hasil sebagai berikut.
6

7. Diagram titik penyebaran data dan pusat
cluster dapat dilihat pada gambar berikut.
V. Simpulan Dan Saran
A. Simpulan
Berdasarkan hasil penelitian dan
pengujian yang telah dilakukan maka dapat
disimpulkan bahwa penelitian ini telah dapat
mengembangkan sistem klasterisasi
menggunakan metode K-Means untuk
menentukan posisi access point berdasarkan
posisi pengguna. Beberapa kesimpulan dari
penelitian ini antara lain:
1. Terdapat kemudahan dalam melakukan
pengelompokkan dengan sistem klasterisasi.
2. Berdasarkan pengujian sistem yang telah
dilakukan sistem klasterisasi ini telah dapat
menghasilkan keluaran berupa titik
koordinat posisi perangkat access point yang
akan dipasang di Universitas
Muhammadiyah Purwokerto.
B. Saran
Dari hasil pengujian dan
pengembangan sistem, beberapa hal yang
disarankan terhadap penelitian ini adalah:
1. Perlu dikembangkan lebih jauh dalam
menambahkan fasiltas yang lebih lengkap,
seperti penyimanan data.
2. Metode yang digunakan dapat
dikembangkan dengan menambahkan sistem
cerdas seperti fuzzyfication.
DAFTAR RUJUKAN
[1.] Arifin, Samsul. 2013. Aplikasi K-Mean
Untuk Menentukan Tata Letak Access Point
Studi Kasus Gedung Fakultas Teknologi
Industri Lantai Satu. Thesis S1:UII.
Yogyakarta.
[2.] Agusta, Y. 2007. K-Means – Penerapan,
Permasalahan dan Metode Terkait. Jurnal
Sistem dan Informatika Vol. 3 (Pebruari
2007), 47-60. Denpasar.
[3.] Indrajani, M. 2004. Pemrograman Objek
dengan Java. Elex Media Komputindo.
Jakarta.
[4.] Jhonsen, Edison, J. 2005. Membangun
Wireless LAN. Elex Media Komputindo.
Jakarta.
[5.] Oyelade, O. J., et al. 2010. Application of
K-Means Clustering Algorithm for
Prediction of Students’ Academic
Performance. (IJCSIS) International
Journal of Computer Science and
Information Security, Vol. 7, No. 1, 2010.
Nigeria.
[6.] Rismawan, T. dan Kusumadewi, S. 2008.
Aplikasi K-Means untuk Pengelompokkan
Mahasiswa Berdasarkan Nilai Body Mass
Index (BMI) & Ukuran Kerangka. Seminar
Nasional Aplikasi Teknologi Informasi
2008 (SNATI 2008) ISSN: 1907-5022.
Yogyakarta.
7