Data sumber yang digunakan pada penelitian ini adalah data pelanggan UPJ Bogor Timur pada bulan Desember 2009 dengan jumlah record sebanyak 104.773 baris dan 5 atribut. Atribut-atribut tersebut adalah nomor pelanggan, golongan, daya, lingkungan, dan KWH. Contoh sebagian data penelitian yang digunakan dapat dilihat pada Lampiran 1.
Berikut penjelasan masing-masing atribut pada data sumber. Atribut nomor pelanggan adalah nomor unik yang dimiliki oleh setiap pelanggan. Setiap nomor pelanggan terdiri dari dua belas digit. Lima digit pertama merupakan inisialisasi daerah pelanggan. Dua digit pertama dari lima digit tersebut menunjukkan provinsi dan tiga digit selanjutnya menunjukkan pembagian daerah dari provinsi. Sebagai contoh, terdapat pelanggan yang memiliki lima digit pertama 53821. Dua digit pertama, yaitu 53 menunjukkan bahwa pelanggan berada di daerah Jawa Barat, sedangkan tiga digit selanjutnya 821 menunjukkan bahwa pelanggan berada di daerah Bogor Timur.
Atribut golongan merupakan representasi dari penggolongan pelanggan berdasarkan jenis pelanggan dan tarif penggunaan per KWH. Setiap golongan memiliki tarif yang berbeda-beda untuk pembayaran listrik. Sebagai contoh, tarif penggunaan listrik per KWH golongan rumah tangga lebih murah
dibandingkan dengan golongan bisnis. Golongan-golongan yang terdapat pada data pelanggan UPJ Bogor Timur adalah bisnis (B), industri (I), pemerintah (P), rumah tangga (R), dan sosial (S). Golongan pelanggan juga dibagi menjadi beberapa bagian tergantung dari daya yang digunakan. Sebagai contoh, daya pelangggan golongan bisnis ada dua, yaitu B1 dan B2, sedangkan untuk rumah tangga dibagi menjadi tiga golongan pengguna daya, yaitu R1, R2, dan R3. Penggunaan daya setiap golongan dapat dilihat pada Tabel 4.
Atribut daya adalah nilai daya tetap yang dipilih oleh pelanggan. Sebagai contoh, jika dalam suatu rumah memiliki barang elektronik yang membutuhkan daya 450 Watt, rumah tersebut harus memiliki daya sekitar 450 Watt atau lebih untuk menyalakan alat tersebut. Pada data sumber didapatkan sebanyak 49 jenis daya. Kisaran daya yang digunakan dimulai dari 160 – 197.000 Watt. Pada histrogram yang disajikan pada Lampiran 2 terlihat bahwa pengguna daya 450 Watt merupakan yang paling banyak jumlahnya, disusul dengan pengguna daya 770, 1.300, dan 2.200 Watt. Jumlah pengguna pada empat jenis daya tersebut memiliki lebih dari 2.000 pelanggan, sedangkan pengguna daya lainnya memiliki pelanggan di bawah 2.000 pelanggan.
Tabel 4 Tabel penggunaan daya Daya (Watt) Golongan Terendah Tertinggi
B1 450 2.200 B2 2.560 197.000 I1 1.300 13.200 I2 16.500 197.000 P1 450 197.000 P3 160 131.000 R1 450 2.200 R2 3.500 6.600 R3 7.700 41.500 S2 450 197.000
Atribut lingkungan adalah atribut yang berisi nama-nama daerah tempat pelanggan berada. Daerah-daerah yang terdapat pada atribut ini biasanya berupa nama kelurahan, walaupun terdapat beberapa nama daerah yang bukan merupakan nama kelurahan.
Atribut KWH (Kilo Watt per Hour) adalah banyaknya daya yang digunakan oleh pelanggan dalam satu jam. Pada data penelitian, atribut ini berisi nilai penggunaan listrik dalam satuan KWH selama satu bulan.
9 Implementasi Sistem
Clustering FCM diimplementasikan pada program yang dikembangkan dengan perangkat lunak Matlab v.7.7. Tahap implementasi sistem mengikuti langkah- langkah melakukan clustering dengan FCM, yaitu:
1. Memilih data yang akan di-cluster 2. Menetapkan parameter-parameter untuk:
Jumlah cluster (n > c ≥ 2) Pangkat pembobot (w > 1) Maksimum iterasi (i) Kriteria penghentian (ɛ)
3. Menghitung pusat cluster, fungsi objektif, dan perubahan derajat keanggotaan pada matriks U.
Tahap representasi pengetahuan dengan peta diimplementasikan menggunakan perangkat lunak Quantum GIS v.1.6.0.
HASIL DAN PEMBAHASAN
Data PenelitianData sumber yang digunakan pada penelitian ini adalah data pelanggan UPJ Bogor Timur pada bulan Desember 2009 dengan jumlah record sebanyak 104.773 baris dan 5 atribut. Atribut-atribut tersebut adalah nomor pelanggan, golongan, daya, lingkungan, dan KWH. Contoh sebagian data penelitian yang digunakan dapat dilihat pada Lampiran 1.
Berikut penjelasan masing-masing atribut pada data sumber. Atribut nomor pelanggan adalah nomor unik yang dimiliki oleh setiap pelanggan. Setiap nomor pelanggan terdiri dari dua belas digit. Lima digit pertama merupakan inisialisasi daerah pelanggan. Dua digit pertama dari lima digit tersebut menunjukkan provinsi dan tiga digit selanjutnya menunjukkan pembagian daerah dari provinsi. Sebagai contoh, terdapat pelanggan yang memiliki lima digit pertama 53821. Dua digit pertama, yaitu 53 menunjukkan bahwa pelanggan berada di daerah Jawa Barat, sedangkan tiga digit selanjutnya 821 menunjukkan bahwa pelanggan berada di daerah Bogor Timur.
Atribut golongan merupakan representasi dari penggolongan pelanggan berdasarkan jenis pelanggan dan tarif penggunaan per KWH. Setiap golongan memiliki tarif yang berbeda-beda untuk pembayaran listrik. Sebagai contoh, tarif penggunaan listrik per KWH golongan rumah tangga lebih murah
dibandingkan dengan golongan bisnis. Golongan-golongan yang terdapat pada data pelanggan UPJ Bogor Timur adalah bisnis (B), industri (I), pemerintah (P), rumah tangga (R), dan sosial (S). Golongan pelanggan juga dibagi menjadi beberapa bagian tergantung dari daya yang digunakan. Sebagai contoh, daya pelangggan golongan bisnis ada dua, yaitu B1 dan B2, sedangkan untuk rumah tangga dibagi menjadi tiga golongan pengguna daya, yaitu R1, R2, dan R3. Penggunaan daya setiap golongan dapat dilihat pada Tabel 4.
Atribut daya adalah nilai daya tetap yang dipilih oleh pelanggan. Sebagai contoh, jika dalam suatu rumah memiliki barang elektronik yang membutuhkan daya 450 Watt, rumah tersebut harus memiliki daya sekitar 450 Watt atau lebih untuk menyalakan alat tersebut. Pada data sumber didapatkan sebanyak 49 jenis daya. Kisaran daya yang digunakan dimulai dari 160 – 197.000 Watt. Pada histrogram yang disajikan pada Lampiran 2 terlihat bahwa pengguna daya 450 Watt merupakan yang paling banyak jumlahnya, disusul dengan pengguna daya 770, 1.300, dan 2.200 Watt. Jumlah pengguna pada empat jenis daya tersebut memiliki lebih dari 2.000 pelanggan, sedangkan pengguna daya lainnya memiliki pelanggan di bawah 2.000 pelanggan.
Tabel 4 Tabel penggunaan daya Daya (Watt) Golongan Terendah Tertinggi
B1 450 2.200 B2 2.560 197.000 I1 1.300 13.200 I2 16.500 197.000 P1 450 197.000 P3 160 131.000 R1 450 2.200 R2 3.500 6.600 R3 7.700 41.500 S2 450 197.000
Atribut lingkungan adalah atribut yang berisi nama-nama daerah tempat pelanggan berada. Daerah-daerah yang terdapat pada atribut ini biasanya berupa nama kelurahan, walaupun terdapat beberapa nama daerah yang bukan merupakan nama kelurahan.
Atribut KWH (Kilo Watt per Hour) adalah banyaknya daya yang digunakan oleh pelanggan dalam satu jam. Pada data penelitian, atribut ini berisi nilai penggunaan listrik dalam satuan KWH selama satu bulan.
10 Praproses Data
Hasil dari penelitian akan ditampilkan dalam bentuk peta, untuk itu dibutuhkan titik koordinat (X & Y). Namun data yang digunakan pada penelitian ini tidak memiliki data koordinat (X & Y) dari setiap pelanggan. Oleh karena itu, dilakukan integrasi data dengan menambahkan data koordinat (X dan Y) yang dibuat secara random dengan bantuan perangkat lunak Quantum GIS v.1.6.0.
Jumlah daerah (lingkungan) yang terdapat pada data sebanyak 45 daerah. Kemudian daerah-daerah tersebut dikelompokkan ke dalam kelurahan-kelurahan dengan total kelurahan yang didapat adalah sebanyak 39 kelurahan (dalam hal ini, daerah yang berada pada daerah Citeureup dijadikan satu kelurahan karena tidak dianggap sebagai daerah kota Bogor). Setelah data dikelompokkan ke dalam kelurahan, data disaring dengan memilih data pelanggan PLN UPJ Bogor Timur dengan memilih data pelanggan yang memiliki awalan 53821xxxxxxx pada kode pelanggan. Selain itu, penyaringan juga dilakukan berdasarkan kelurahan yang dimasukkan ke dalam kategori daerah kota Bogor. Sebanyak 23 kelurahan terpilih dari 39 kelurahan. Tahap penyaringan data selanjutnya adalah dengan memilih data pelanggan yang menggunakan KWH ≥ 150 jam.
Setelah melalui proses integrasi dan penyaringan data, data yang digunakan pada penelitian menjadi sebanyak 39.822 record dan delapan field. Field-field yang terdapat pada data penelitian adalah: Koordinat_X, Koordinat_Y, No_Pelanggan, Golongan, Daya, Lingkungan, KWH, dan Jam.
Pemilihan Atribut
Untuk melakukan segmentasi, dilakukan pemilihan atribut yang sesuai untuk digunakan pada proses clustering. Pemilihan atribut yang digunakan adalah atribut-atribut yang relevan dalam hal penggunaan listrik. Atribut yang terpilih dalam penelitian ini adalah sebanyak dua atribut dari delapan atribut yang ada, yaitu daya dan KWH. Kedua atribut ini dianggap sebagai atribut yang paling merepresentasikan penggunaan listrik pelanggan.
Normalisasi Data
Proses normalisasi terhadap data dilakukan terlebih dahulu sebelum masuk ke tahap proses clustering, karena data yang digunakan memiliki rentang nilai yang sangat besar.
Rentang nilai yang sangat besar cukup mempengaruhi pada metode clustering yang berbasis jarak seperti FCM. Normalisasi pada umumnya digunakan untuk menyetarakan atribut agar atribut satu dengan lainnya memiliki ukuran yang sama. Normalisasi juga membuat rentang nilai menjadi jauh lebih kecil sehingga membantu perhitungan jarak menjadi lebih cepat dan efisien.
Teknik normalisasi yang digunakan pada penelitian ini adalah z-score. Normalisasi z- score dipilih karena pada data penelitian outlier mendominasi pada daerah nilai minimum. Setelah data dinormalisasi dengan z-score, nilai rata-rata dari masing-masing atribut menjadi 0 dan standar deviasinya bernilai 1. Contoh sebagian data sebelum dan sesudah ditransformasi dengan normalisasi z- score dapat dilihat pada Lampiran 3.
Segmentasi menggunakan Fuzzy C-Means
Proses segmentasi yang dilakukan pada penelitian ini terdapat dua jenis, yaitu segmentasi berdasarkan pelanggan dan segmentasi berdasarkan daerah. Segmentasi berdasarkan pelanggan adalah segmentasi dengan menggunakan data pelanggan yang sebelumnya sudah mengalami tahap praproses, sedangkan untuk segmentasi berdasarkan daerah, menggunakan data yang sama namun data tersebut diperkecil dengan mengambil rata-rata daya, KWH per daerahnya. Nilai rata-rata yang diambil bukanlah nilai rata-rata data pelanggan yang sudah dinormalisasi. Karena itu data tersebut dinormalisasi setelah data rata-rata penggunaan listrik (daya dan KWH) dari setiap daerah didapatkan. Data yang digunakan untuk segmentasi berdasarkan daerah dapat dilihat pada Lampiran 4.
Untuk mendapatkan hasil segmentasi penggunaan listrik, dilakukan penerapan teknik clustering pada data menggunakan algoritme Fuzzy C-Means (FCM). Proses clustering dilakukan dengan menggunakan program yang dikembangkan dengan perangkat lunak Matlab v.7.7. Sebelum melakukan clustering dengan FCM, ditentukan terlebih dahulu parameter- parameter FCM yang dibutuhkan seperti yang telah dibahas pada implementasi sistem.
Segmentasi yang diinginkan pada penelitian ini adalah membagi penggunaan listrik menjadi empat kelas, yaitu kelas penggunaan listrik rendah, sedang, tinggi, dan sangat tinggi. Oleh karena itu, jumlah cluster
11 (c) yang digunakan pada penelitian ini adalah
sebanyak empat cluster.
Pembobot (w) merupakan parameter fuzzy (fuzzifier) yang digunakan dalam FCM. Nilai w tidak boleh 1, karena ketika w = 1 maka tidak akan terjadi proses fuzzy clustering, tetapi malah menjadi proses hard clustering. Hal ini dikarenakan algoritme FCM merupakan generalisasi dari algoritme pendahulunya, yaitu algoritme Hard C- Means. Nilai w = 1 akan menyebabkan pembagian dengan 0 pada persamaan nomor 8. Jadi, nilai pembobot (w) harus lebih besar dari 1 (Höppner et al. 1999). Jika w > 2, pembobot (w) akan mengurangi bobot yang ditetapkan untuk cluster yang dekat dengan titik. Terdapat beberapa pertimbangan untuk memlih w = 2, salah satunya adalah untuk menyederhanakan fungsi derajat keanggotaan (ik) pada persamaan nomor 6 (Tan et al.
2006). Jadi, nilai pembobot yang digunakan pada penelitian ini adalah 2.
Iterasi maksimum yang ditentukan pada penelitian ini adalah sebanyak 100 iterasi, agar proses perulangan tidak terlalu banyak. Walaupun demikian, iterasi akan dihentikan apabila nilai pada persamaan nomor 9 sudah lebih kecil dari nilai kriteria penghentian (ɛ) yang ditentukan.
Nilai kriteria penghentian (ɛ) yang ditentukan pada penelitian ini adalah 10-5. Nilai tersebut sudah dianggap sebagai nilai positif yang sangat kecil pada penelitian ini. Jadi, nilai-nilai parameter yang digunakan untuk melakukan clustering dengan menggunakan FCM pada penelitian ini adalah sebagai berikut:
Jumlah cluster (c) = 4 Pangkat pembobot (w) = 2 Maksimum iterasi (i) = 100
Kriteria penghentian/treshold (ɛ) = 10-5
Gambar 7 Pengaturan parameter pada program FCM
Gambar 7 merupakan window dari program yang telah dibuat untuk memilih data yang akan digunakan untuk proses clustering dengan FCM. Window tersebut juga merupakan tempat memasukkan parameter- parameter FCM yang akan digunakan. Tombol Cluster merupakan tombol untuk melakukan proses clustering, tentunya setelah data dipilih dan parameter-parameternya telah dimasukkan.
Setelah program melakukan proses clustering dengan teknik FCM, program akan memunculkan ringkasan statistik dari hasil proses clustering seperti yang dapat dilihat pada Gambar 8. Pada window tersebut menampilkan karakteristik dari data yang digunakan, parameter-paramater yang digunakan, jumlah anggota dari masing- masing cluster, dan log nilai fungsi objektif. Pada window tersebut juga terdapat beberapa tombol yang dapat digunakan untuk mendapatkan keterangan lebih lanjut dari hasil clustering seperti tombol untuk melihat tabel hasil clustering, tombol untuk melihat grafik cluster, tombol untuk melihat plot cluster dalam bentuk 2 dimensi, dan tombol untuk menyimpan hasil clustering.
Gambar 8 Ringkasan hasil clustering pada program FCM
Pengguna program FCM dapat melihat grafik hasil clustering dalam bentuk bar. Sumbu x merepresentasikan cluster, dan sumbu y merepresentasikan jumlah anggota cluster. Setiap cluster juga dibedakan dari warna bar-nya. Pada setiap bar terdapat nilai yang menunjukkan jumlah anggota cluster.
12 Grafik hasil clustering dari segmentasi
berdasarkan pelanggan dapat dilihat pada Gambar 9 dan grafik hasil clustering dari segmentasi berdasarkan daerah dapat dilihat pada Gambar 10. Pada kedua grafik tersebut, cluster 1 merupakan pengguna listrik kelas rendah, cluster 2 merupakan pengguna listrik kelas sedang, cluster 3 merupakan penggunaan listrik kelas tinggi, dan cluster 4 merupakan pengguna listrik kelas sangat tinggi. Terlihat pada kedua grafik tersebut bahwa cluster 1 (kelas rendah) memiliki anggota paling banyak dibandingkan dengan cluster yang lain, dan yang paling sedikit adalah cluster 4 (kelas sangat tinggi).
Gambar 9 Grafik hasil clustering pada segmentasi berdasarkan pelanggan
Gambar 10 Grafik hasil clustering pada segmentasi berdasarkan daerah Pada clustering berdasarkan pelanggan, proses clustering dengan FCM berhenti pada iterasi maksimum (iterasi ke-100) dengan pusat vektor terakhir (matriks V) sebagai berikut:
Pada clustering berdasarkan daerah, iterasi berhenti pada iterasi ke-11 dengan pusat vektor terakhir (matriks V) sebagai berikut:
Grafik dari fungsi objektif yang dihasilkan dari clustering berdasarkan pelanggan dapat dilihat pada Gambar 11. Pada grafik tersebut terlihat nilai fungsi objektif sudah mulai stabil pada iterasi ke-56, artinya cluster yang terbentuk pada iterasi tersebut sudah mulai optimal walaupun belum mencapai nilai kriteria penghentian (treshold). Grafik nilai fungsi objektif dari clustering berdasarkan daerah, dapat dilihat pada Gambar 12. Pada grafik tersebut nilai fungsi objektif sudah mulai stabil pada iterasi ke-7 dan iterasi berhenti pada iterasi ke-11 karena nilai treshold sudah terpenuhi.
Gambar 11 Grafik nilai fungsi objektif untuk clustering berdasarkan pelanggan
Gambar 12 Grafik nilai fungsi objektif untuk clustering berdasarkan daerah Tabel hasil clustering berdasarkan pelanggan yang berisi data yang digunakan, nilai derajat keanggotaan dari setiap data, dan cluster yang ditentukan pada setiap data tidak ditampilkan seluruhnya karena ukuran dari tabel tersebut terlalu besar. Sebagian tabel
0 5000 10000 15000 20000 25000 30000 1 9 17 25 33 41 49 57 65 73 81 89 97 N il ai Fun g si O bje k ti f Iterasi ke- Grafik Nilai Fungsi Objektif
ClusteringPelanggan 0 5 10 15 1 2 3 4 5 6 7 8 9 10 11 N il ai Ff un g si O bje k ti f Iterasi ke- Grafik Nilai Fungsi Objektif
13 hasil clustering berdasarkan pelanggan dapat
dilihat pada Lampiran 5.
Hasil clustering berdasarkan pelanggan disajikan pada Lampiran 6. Persentase dan jumlah anggota masing-masing cluster disajikan pada Tabel 5.
Tabel 5 Persentase dan jumlah anggota cluster pada clustering berdasarkan pelanggan
Cluster Persentase (%) Jumlah C1 (rendah) 99,16 39.489 C2 (sedang) 0,69 275 C3 (tinggi) 0,11 43 C4 (sangat tinggi) 0,04 15 Hasil clustering berdasarkan daerah secara lengkap disajikan pada Lampiran 7. Persentase dan jumlah anggota masing- masing cluster disajikan pada Tabel 6. Tabel 6 Persentase dan jumlah anggota cluster pada clustering berdasarkan daerah
Cluster Persentase (%) Jumlah C1 (rendah) 73,91 17 C2 (sedang) 17,39 4 C3 (tinggi) 4,35 1 C4 (sangat tinggi) 4,35 1
Evaluasi Cluster Berdasarkan Pelanggan
Hasil clustering terhadap pelanggan, menghasilkan karakteristik penggunaan listrik dari setiap segmen sebagai berikut:
1. Pengguna listrik kelas rendah
Pengguna listrik kelas rendah diwakili oleh cluster 1 dengan karakteristik pengguna yang disajikan pada Tabel 7. Tabel 7 Karakteristik pengguna listrik kelas rendah (cluster 1)
Terendah Tertinggi Rata-rata Daya 160 10.600 932,86
KWH 60 3.532 243,39
Jam 150 2.252 277,88
Golongan pelanggan yang terdapat pada pengguna listrik kelas rendah adalah bisnis (B1 dan B2), industri (I1), pemerintah (P1 dan P3), rumah tangga (R1, R2, dan R3), dan sosial (S2) dengan persebaran di seluruh daerah. Daerah yang memiliki persebaran tertinggi pada cluster ini adalah Kedung Halang dengan jumlah pelanggan sebanyak 11.440 pelanggan. Pesebaran spasial pengguna listrik kelas rendah dapat dilihat pada Gambar 13.
Gambar 13 Pesebaran spasial pengguna listrik kelas rendah
Gambar 14 Pesebaran spasial pengguna listrik kelas sedang
2. Pengguna listrik kelas sedang
Pengguna listrik kelas sedang diwakili oleh cluster 2 dengan karakteristik pengguna yang disajikan pada Tabel 8. Tabel 8 Karakteristik pengguna listrik kelas sedang (cluster 2)
Terendah Tertinggi Rata-rata Daya 2.200 53.000 19.197,65 KWH 1.702 13.568 4.308,88
Jam 150 2.012 253,11
Golongan pelanggan yang terdapat pada pengguna listrik kelas sedang adalah bisnis (B1 dan B2), industri (I2), pemerintah (P1 dan P3), rumah tangga (R2 dan R3), dan sosial (S2) dengan persebaran di daerah Babakan, Babakan Pasar, Bantarjati, Baranang Siang, Cibuluh, Cimahpar, Ciparigi, Katulampa, Kedung Badak, Kedung Halang, Sukaraja, Sukasari, Tanah
14 Baru, dan Tegal Lega. Daerah yang
memiliki persebaran tertinggi pada cluster ini adalah Bantarjati dengan jumlah pelanggan sebanyak 59 pelanggan. Pesebaran spasial pengguna listrik kelas sedang dapat dilihat pada Gambar 14. 3. Pengguna listrik kelas tinggi
Pengguna listrik kelas tinggi diwakili oleh cluster 3 dengan karakteristik pengguna yang disajikan pada Tabel 9.
Tabel 9 Karakteristik pengguna listrik kelas tinggi (cluster 3)
Terendah Tertinggi Rata-rata Daya 53.000 147.000 84.930,23 KWH 10.020 32.320 18.462,65
Jam 150 448 222,07
Golongan pelanggan yang terdapat pada pengguna listrik kelas tinggi adalah bisnis (B2), industri (I2), pemerintah (P1), dan sosial (S2) dengan penyebaran di daerah Babakan, Bantarjati, Baranang Siang, Ciparigi, Kedung Halang, Sukaraja, Tanah Baru, dan Tanah Sareal. Daerah yang memiliki jumlah persebaran tertinggi pada cluster ini adalah Babakan dengan pelanggan sebanyak 13 pelanggan. Pesebaran spasial pengguna listrik kelas tinggi dapat dilihat pada Gambar 15. 4. Pengguna listrik kelas sangat tinggi
Pengguna listrik kelas sangat tinggi diwakili oleh cluster 4 dengan karakteristik pengguna yang disajikan pada Tabel 10.
Tabel 10 Karakteristik pengguna listrik kelas sangat tinggi (cluster 4)
Terendah Tertinggi Rata-rata Daya 105.000 197.000 175.466,67 KWH 36.004 67.373 49.990,63
Jam 194 446 291,34
Golongan pelanggan yang terdapat pada pengguna listrik kelas sangat tinggi adalah bisnis (B2), industri (I2), pemerintah (P3), dan sosial (S2) dengan persebaran di daerah Babakan, Bantarjati, Baranang Siang, Cibuluh, Katulampa, Kedung Halang, dan Tegal Lega. Daerah yang memiliki persebaran tertinggi pada cluster ini adalah daerah Kedung Halang dengan jumlah pelanggan sebanyak 7 pelanggan. Pesebaran spasial pengguna listrik kelas sangat tinggi dapat dilihat pada Gambar 16.
Gambar 15 Pesebaran spasial pengguna listrik kelas tinggi
Gambar 16 Pesebaran spasial pengguna listrik kelas sangat tinggi
Gambar 17 Pesebaran spasial pengguna listrik semua kelas
Pesebaran spasial dari keseluruhan kelas dapat dilihat pada Gambar 17. Pada gambar
15 tersebut terlihat pengguna listrik kelas rendah
mendominasi di seluruh wilayah, bahkan ada beberapa daerah yang hanya terdapat pengguna listrik kelas rendah saja.
Evaluasi Cluster Berdasarkan Daerah
Segmentasi berdasarkan daerah, dilakukan berdasarkan rata-rata penggunaan listrik dari masing-masing daerah. Karakteristik penggunaan listrik dari setiap segmen pada clustering berdasarkan daerah dapat dilihat pada Tabel 11.
Tabel 11 Karakteristik penggunaan listrik berdasarkan segmentasi daerah
Cluster Nilai Rata-rata Daya KWH Jam C1 (rendah) 227,2 920,6 258,7 C2 (sedang) 518,6 2084,8 268,3 C3 (tinggi) 6140,2 14240,0 263,2 C4 (sangat tinggi) 3503,5 16725,0 241,0 1. Daerah penggunan listrik kelas rendah
Daerah penggunaan listrik kelas rendah diwakili oleh cluster 1. Daerah-daerah yang termasuk pada kelas ini sebanyak 17 daerah, yaitu: Cibuluh, Cilebut, Ciluar, Cimahpar, Ciparigi, Katulampa, Kebon Pedes, Kedung Badak, Kedung Halang, Pakuan, Pasir Laja, Sempur, Sukaraja, Sukaresmi, Sukasari, Sukatani, dan Tanah Baru.
2. Daerah penggunaan listrik kelas sedang Daerah penggunaan listrik kelas sedang diwakili oleh cluster 2. Daerah-daerah yang termasuk pada kelas ini sebanyak 4 daerah, yaitu: Babakan, Bantarjati, Baranang Siang, dan Tegal Lega.
3. Daerah penggunaan listrik kelas tinggi Daerah penggunaan listrik kelas tinggi diwakili oleh cluster 3. Daerah yang termasuk pada kelas ini hanya satu daerah, yaitu Babakan Pasar.
4. Daerah penggunaan listrik sangat tinggi Daerah penggunaan listrik kelas sangat tinggi diwakili oleh cluster 4. Daerah yang termasuk pada kelas ini hanya satu daerah, yaitu Tanah Sareal.
Visualisasi Clustering
Visualisasi hasil clustering disajikan dalam bentuk plot 2 dimensi dan juga penyebaran titik pada peta untuk mempermudah analisis. Pada program clustering FCM yang telah dibuat terdapat fasilitas untuk visualisasi dalam bentuk plot 2
dimensi dengan mengombinasikan dua variabel (x dan y) dari data yang digunakan. Setiap cluster dibedakan dengan warna yang berbeda dan pusat cluster ditampilkan berbentuk kotak dengan ukuran yang lebih besar dari anggota cluster.
Visualisasi hasil clustering berdasarkan pelanggan dengan plot 2 dimensi dapat dilihat pada Gambar 18. Inisalisasi warna yang digunakan sebagai pembeda cluster pada Gambar 18 adalah:
Cluster 1 (kelas rendah) warna biru Cluster 2 (kelas sedang) warna ungu Cluster 3 (kelas tinggi) warna magenta Cluster 4 (kelas sangat tinggi) warna cyan
Pada Gambar 18 cluster 1 terlihat sedikit, padahal sebenarnya terjadi penumpukan titik anggota cluster yang mengumpul pada cluster tersebut. Begitu pula untuk cluster 2, terjadi penumpukan titik anggota cluster pada cluster tersebut.
Gambar 18 Plotclustering berdasarkan pelanggan
Visualisasi hasil clustering berdasarkan daerah dengan plot 2 dimensi dapat dilihat pada Gambar 19. Inisalisasi warna yang digunakan sebagai pembeda cluster pada Gambar 19 adalah:
Cluster 1 (kelas rendah) warna biru Cluster 2 (kelas sedang) warna ungu Cluster 3 (kelas tinggi) warna magenta Cluster 4 (kelas sangat tinggi) warna cyan
Sama halnya dengan hasil plot pada clustering beradasarkan pelanggan, pada Gambar 19 terjadi pengumpulan titik anggota cluster pada cluster 1 walaupun pada gambar tersebut anggota cluster terlihat sedikit. Pada
16 gambar tersebut juga terlihat dua titik yang
berbentuk kotak dengan warna yang berbeda. Kedua titik tersebut merupakan cluster 3 dan cluster 4 dimana masing-masing anggota cluster tersebut berjumlah satu, sehingga anggota dari cluster tersebut juga merupakan pusat cluster-nya.
Gambar 19 Plotclustering berdasarkan daerah
KESIMPULAN DAN SARAN
KesimpulanProses segmentasi penggunaan listrik dapat dilakukan dengan menggunakan algoritme clustering Fuzzy C-Means. Setelah clustering dilakukan, didapatkan karakteristik dari setiap segmen penggunaan listrik.
Pada segmentasi berdasarkan pelanggan,