PRISMA WAHYU WULAN DARA

JURNAL

Klasterisasi Daerah Pemasok Sampah Terbesar Ke TPA Klotok Di Kota Kediri Dengan Metode K-means Clustering Regional Clustering Largest Suppliers of Waste Landfill Klotok In the Town of Kediri With the K-means Method Clustering

Oleh: PRISMA WAHYU WULAN DARA 11.1.03.03.0206

Dibimbing oleh : 1. M. Rizal Arief, S.T., M.Kom 2. Sucipto, M.Kom

FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA UN PGRI TAHUN 2017

Artikel Skripsi Universitas Nusantara PGRI Kediri

Prisma Wahyu Wulan Dara| 11.1.03.03.0206 Teknik – Sistem Informasi

simki.unpkediri.ac.id || 1||





Klasterisasi Daerah Pemasok Sampah Terbesar Ke TPA Klotok Di Kota Kediri Dengan Metode K-means Clustering Prisma Wahyu Wulan Dars 11.1.03.03.0206 Teknik – Sistem Informasi [email protected] M. Rizal Arief, S.T., M.Kom dan Sucipto, M.Kom UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK Prisma Wahyu Wulan Dara. 2017. Klasterisasi Daerah Pemasok Sampah Terbesar Ke TPA Klotok Di Kota Kediri Dengan Metode K-means Clustering. Jurusan Sistem Informasi, Fakultas Teknik, Universitas Nusantara Persatuan Guru Republik Indonesia. Kata kunci : Clustering, K-Means, Sistem Informasi, TPA, Kediri. Di wilayah kota Kediri mempunyai TPA pusat di daerah Klotok. Tempat pembuangan Akhir (TPA) merupakan tempat dimana sampah mencapai tahap terakhir dalam pengelolaanya. Pada TPA Kediri proses pengolahan data sampah masuk masih menggunakan proses manual atau paper base system, yaitu dengan menggunakan sistem pengarsipan ke dalam buku laporan sampah harian. Sehingga membutuhkan waktu yang cukup lama. Oleh sebab itu di butuhkan aplikasi K-mean Clustering untuk menentukan daerah pemasok sampah terbesar setiap harinya sehingga admin lebih mudah mengetahui daerah mana yang pemasok paling banyak. .




I. LATAR BELAKANG A. LATAR BELAKANG Di wilayah Kota Kediri mempunyai

penyajian data dan informasi. Adapun

TPA pusat di daerah Klotok. Tempat

kekurangan dari penggunaan sistem manual

pembuangan Akhir (TPA) merupakan

yaitu kegiatan operasional TPA sering

tempat dimana sampah mencapai tahap

terhambat atau terkendala dengan waktu

terakhir dalam pengelolaanya sejak mulai

dan

di

maupun

timbun

di

sumber,

kesalahan

teknik

penyajian

baik

penulisan

informasi

yang

pengumpulan,pemindahan/pengangkutan,

diinginkan. Dengan data dan informasi

pengolahan dan pembuangan dilakukan di

yang tersaji dengan baik dalam kegiatan

TPA. Sampah yang masuk ke TPA Klotok

operasional di TPA Kediri dapat dengan

adalah sampah-sampah yang berasal dari

mudah di ketahui besarnya volume sampah

sampah warga dan industri di wilayah

masuk ke TPA dari wilayah Kota Kediri.

sekitar kota Kediri misalnya dari daerah

Hal

Mojoroto, Bandar, Wilis, Balowerti, dll.

mengadakan

ini

mendorong studi

peneliti

untuk

penelitian

untuk

Pada TPA Kediri proses pengolahan

mengetahui daerah - daerah mana saja yang

data sampah masuk masih menggunakan

memasok sampah terbesar di wilayah Kota

proses manual atau paper base system,

Kediri Pencatatan sampah yang masuk ke

yaitu

sistem

TPA dilakukan dengan mendata berat

pengarsipan ke dalam buku laporan

sampah, volume sampah, nomor polisi

sampah harian. Sehingga membutuhkan

kendaraan, pengangkut sampah, dan daerah

waktu

sampah berasal.

dengan

menggunakan

yang

pengelolaan

cukup data

diantaranya

lama

dalam

sampah

proses

harian,

perhitungan,

B. RUMUSAN MASALAH

pengecekan, pembuatan laporan sampah

Sesuai dengan latar belakang tentang

harian

kesulitan

beberapa hal yang menjadi masalah di TPA

pengerjaaannya.

Kota Kediri, maka rumusan masalah yang

dan

tersendiri

menimbulkan

dalam

hal

Dalam melakukan kegiatan pengelolaan sampah

harian,

komputerisasi

1. Bagaimana merancang dan membuat

sangat bermanfaat dalam hal ketepatan

suatu aplikasi pencatatan sampah

dan kecepatan prosesnya.

masuk ke TPA Klotok.

Dengan memudahkan

sistem

sistem

akan dikaji dalam penelitian ini adalah:

komputerisasi

penggunanya

dalam

akan hal


2. Bagaimana cara menerapkan metode K-Means

Clustering

ke

dalam



pembangunan pengelompokan

aplikasi daerah

pemasok

sampah di TPA Kediri.

unsupervised

learning.

Masukan

yang

diterima adalah data atau objek dan k buah kelompok (cluster) yang di inginkan. Algoritma ini akan mengelompokkan data

C. TUJUAN PENILITIAN

atau objek ke dalam k buah kelompok

Tujuan dari penelitian Pengelompokan

tersebut. Pada setiap cluster terdapat titik

Daerah Pemasok Sampah di Kota Kediri

pusat (centroid) yang merepresentasikan

adalah sebagai berikut :

cluster tersebut.

1.

Merancang dan membuat aplikasi

K-means ditemukan oleh beberapa orang

komputerisasi pencatatan sampah masuk ke

yaitu Lloyd (1957, 1982), Forgey (1965) ,

TPA Klotok.

Friedman and Rubin (1967) , and McQueen

2.

Menerapkan metode K-Means ke

(1967) . Ide dari clustering pertama kali

dalam pembangunan aplikasi penentuan

ditemukan oleh Lloyd pada tahun 1957,

klasterisasi daerah pemasok sampah di TPA

namun hal tersebut baru dipublikasi pada

Kota Kediri.

tahun 1982. Pada tahun 1965, Forgey juga mempublikasi teknik yang sama sehingga

II. a.

METODE

terkadang dikenal sebagai Lloyd-Forgy

K-MEANS

pada beberapa sumber.

K-means merupakan salah satu algoritma

Algoritma untuk melakukan K-Means

clustering. Tujuan algoritma ini yaitu untuk

clustering adalah sebagai berikut :

membagi data menjadi beberapa kelompok.

1. Pilih K buah titik centroid secara acak

Algoritma ini menerima masukan berupa

2. Kelompokkan data sehingga terbentuk K

data tanpa label kelas. Hal ini berbeda

buah cluster dengan titik centroid dari

dengan supervised learning yang menerima

setiap cluster merupakan titik centroid yang

masukan berupa vektor (¬x¬1 , y1) , (¬x¬2

telah dipilih sebelumnya

, y2) , …, (¬x¬i , yi), di mana xi merupakan

3. Perbaharui nilai titik centroid

data dari suatu data pelatihan dan yi

4. Ulangi langkah 2 dan 3 sampai nilai dari

merupakan label kelas untuk xi .

titik centroid tidak lagi berubah.

Pada

algoritma

ini,

Proses pengelompokkan data ke dalam

komputer mengelompokkan sendiri data-

suatu cluster dapat dilakukan dengan cara

data yang menjadi masukannya tanpa

menghitung jarak terdekat dari suatu data

mengetahui terlebih dulu target kelasnya.

ke sebuah titik centroid. Perhitungan jarak

Pembelajaran

Minkowski

ini

pembelajaran

termasuk

dalam


dapat

digunakan

untuk



menghitung jarak antar 2 buah data. Rumus

Learning karena tidak membutuhkan proses

untuk menghitung jarak tersebut adalah :

pelatihan untuk klasifikasi awal data dalam masing-masing kelompok atau cluster. Tujuan utama clustering adalah untuk

Di mana: g = 1, untuk menghitung jarak Manhattan g = 2, untuk menghitung jarak Euclidean g = ∞, untuk menghitung jarak Chebychev xi , xj adalah dua buah data yang akan

menemukan bermanfaat

atau

mencari

atau

berguna

pola

yang

pada

suatu

database, kemudian merangkumnya dan membuat lebih mudah untuk dipahami. Dalam

dihitung jaraknya

melakukan

proses

analisa

terhadap cluster - cluster yang telah

p = dimensi dari sebuah data

terbentuk Pembaharuan suatu titik centroid dapat

dan

pencarian

pengetahuan

dengan metode tertentu disebut cluster analyse (Kamber, 2007).

dilakukan dengan rumus berikut:

c.

Definisi Sistem Informasi

Pengertian sistem informasi menurut Budi Sutedjo Dharma Oetomo (2002:11):”Sistem informasi adalah kumpulan elemen yang

Di mana: µk = titik centroid dari cluster ke-K

saling berhubungan satu sama lain yang

Nk = banyaknya data pada cluster ke-K

berbentuk

xq = data ke-q pada cluster ke-K

mengitegrasikan

b. Clustering

menyimpan

Clustering adalah suatu kumpulan dari

informasi

entitas yang hampir sama (Everit, 1993).

mendukung

Pengertian lain menurut Kamber (2007),

Informasi

Clustering adalah kumpulan dari objek

komponen yang saling berinteraksi satu

yang mirip dengan objek lainnya dan

dengan yang lainnya membentuk satu

berada

kesatuan

pada

kelompok

yang

sama.

satu

kesatuan data,

memproses

serta yang

untuk

dan

mendistribusikan

di

suatu terdiri

untuk

perlukan

untuk

organisasi“.

Sistem

dari

komponen

mencapai

-

sasarannya.

Sedangkan proses untuk mengelompokkan

Informasi yang dihasilkan oleh sistem yang

data baik itu bersifat fisik atau abstrak

berasal dari data yang diambil dari basis

kedalam suatu kelompok atau kelas yang

data yang diolah melalui suatu model -

memiliki kesamaan sifat disebut clustering.

model tertentu.

Clustering dikategorikan kedalam teknik Undirect Knowledge atau Unsupervised Prisma Wahyu Wulan Dara| 11.1.03.03.0206 Teknik – Sistem Informasi

Suatu sistem informasi dianggap efektif jika memenuhi

berbagai

kebutuhan

yang



menjadi tujuan pengembangan sistem itu

b. People

dan

sendiri. Terdapat empat atribut yang harus

merupakan

di

menggunakan mesin.

perhitungkan

untuk

menghasilkan

informasi yang baik, yaitu kecermatan,

procedures

manusia

c. Data

dan

yang

tata

merupakan

cara

jembatan

penyajian tepat waktu (relevan), lengkap,

penghubung antara manusia dan mesin agar

dan ringkas.

terjadi suatu proses pengolahan data

Dari definisi - definisi mengenai Sistem dan Informasi, maka dapat disimpulkan bahwa Sistem

Informasi

adalah

III.

HASIL DAN KESIMPULAN 1) Tampilan Menu Login

sekumpulan

komponen - komponen yang saling terkait satu dengan yang lainnya yang menjalankan proses-proses untuk mencapai suatu tujuan tertentu yaitu mengelola data-data untuk di jadikan suatu informasi yang di butuhkan. Gambar 5.9 Tampilan Login

Sistem informasi menurut Laudon yaitu komponen-komponen

yang

saling

berhubungan dan bekerja sama untuk mengumpulkan, memproses, menyimpan dan

menyebarkan

mendukung koordinasi,

informasi

pengambilan pengendalian

untuk

keputusan, dan

untuk

memberikan gambaran aktifitas di dalam

Tampilan di atas adalah tampilan dari menu login

dan

untuk

memulai

mengoperasikannya, program meminta agar user

login

memasukkan

terlebih

dahulu.

username

dan

Dengan password

sesuai database. 2) Tampilan Master Angkutan

perusahaan. Sedangkan menurut McKeown, Sistem Informasi adalah gabungan dari komputer dan user yang mengelola perubahan data menjadi informasi serta menyimpan data dan informasi tersebut. Gambar 5.12 Master Angkutan

Komponen Sistem Informasi a. Hardware

dan

software

yang

berfungsi sebagai mesin.

Tampilan halaman ini berada dalam menu master kemudian pilih menu master angkutan kemudian admin memasukkan data sampah. Menu tersebut berupa edit data, delete dan save. Input data meliputi:




Id angkutan, No plat, Sopir, Jenis

Aplikasi ini memudahkan dalam

Kendaraan, Jenis Sampah, Daerah Angkut,

pengelompokan sampah di TPA

Id Lokasi, Volume , Berat

Kediri

3)

Tampilan Laporan Lokasi

IV.

DAFTAR PUSTAKA

A. Widodo and Purhadi, Perbandingan Metode Fuzzy C-Means Clustering Dan Fuzzy C-Shell Clustering (Studi Kasus: Kabupaten/Kota Di Pulau Jawa

Berdasarkan

Pembentuk

Gambar 5.11 Laporan Lokasi

Indeks

Variabel Pembangunan

Tampilan halaman ini berada dalam menu

Manusia). Institut Teknologi Sepuluh

laporan lokasi yang menunjukan daerah

Nopember, Surabaya

mana yang saja pemasok sampah di kota kediri dari yang terbesar, sedang, maupun

G. W. Fajarianto and H. Tjandrasa,

yang sedikit.

Segmentasi

A.

Penghapusan Tekstur Dan K-Means

Kesimpulan

Berdasarkan penelitian saya lakukan

di

Dengan

Batasan

TPA KLOTOK KEDIRI dapat disimpulkan

Teknologi

bahwa

Surabaya.

dibutuhkan

Clustering

untuk

aplikasi menentukan

K-means

Data

daerah mana yang pemasok paling banyak.

Techniques.

klasterisasi

untuk

hasilkan mengetahui

Ruang.

Sepuluh

Institut

Nopember,

Han, Jiawei, Micheline Kamber. 2001.

sehingga admin lebih mudah mengetahui

di

Menggunakan

daerah

pemasok sampah terbesar setiap harinya

1. Telah

Citra

aplikasi

Mining

Concepts

Morgan

and

Kaufmann:

California

daerah

pemasok sampah. 2. Dari penelitian tersebut telah di

I. Hardiyanto., Implementasi Segmentasi Citra dengan Menggunakan Metode

hasilkan pencatatan sampah yang masuk ke

Generalized

Fuzzy

C-Means

TPA Klotok.

Clustering Algorithm with Improved Fuzzy Partitions. Institut Teknologi




Sepuluh Nopember (ITS). Surabaya,

Means

dalam

Analisis

2012.

Universitas Negeri Semarang.

Cluster.

K. Muthukannan and M. M. Moses, "Color

S. L. S. Abdullah, H. A. Hambali, and N.

Image Segmentation Using Kmeans

Jamil, "Adaptive K-Means Method

Clustering And Optimal Fuzzy C-

For

Means Clustering," in International

Natural

Conference on Communication and

Proceedings of the 4th International

Computational Intelligence, Kongu

Conference

Engineering

Perundurai,

Informatics, ICOCI 2013, Sarawak,

Erode, T.N.,India., 2010, pp. 229-234

Malaysia. Universiti Utara Malaysia,

College,

Segmenting

Images

Under

Environment,"

in

on

Computing

and

2013, pp. 115-120. Kusrini and Emha Taufiq Luthfi, Algoritma Data Mining, 1st ed. Yogyakarta, Indonesia: Andi, 2010.

Paulanda, Z. 2012. Model Profil Mahasiswa Yang

Potensisal

Menggunakan

Drop

Teknik

Out

Kernel-K-

Mean Clustering Dan Decision Tree. Tesis. Universitas Sumatera Utara. 2013.

Panda,

Sandeep.,

Pradeep.,

Sahu, &

Sanat.,

Jena,

Chattopadhyay,

Subhagata. 2013 Comparing Fuzzy C-Means and K-Means Clustering Techniques: A Comprehensive Study. India

Soraya, Y. 2011. Perbandingan Kinerja Metode

Single

Linkage,

Metode

Complete Linkage dan Metode KPrisma Wahyu Wulan Dara| 11.1.03.03.0206 Teknik – Sistem Informasi


PRISMA WAHYU WULAN DARA

Recommend Documents