Implementasi Improve K-Means dengan Particle Swarm Optimization (PSO) dalam Klasterisasi Data Penjualan Obat
untuk Mendapatkan Pola Pembelian Obat (Studi Kasus : Apotek Aniya Farma)
Proposal Tugas Akhir
Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang
Vincia Tara Andyka Sinta (201610370311006)
Bidang Minat (Data Science)
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG 2021LEMBAR PERSETUJUAN
ii
LEMBAR PERSETUJUAN
iii
LEMBAR PENGESAHAN
iv
LEMBAR PERNYATAAN
v
ABSTRAK
Obat merupakah salah satu kebutuhan penting di dalam kehidupan sehari- sehari. Obat-obatan ini biasa nya dapat di temukan di Apotek, Toko Obat, Warung Kecil, Minimarket dll. Perencaan untuk mengolah kebutuhan obat yang tepat dapat membantu memakasimalkan kebutuhan obat dalam penjualan agar obat-obatan tersebut dapat tersedia sesuai dengan kebutuhan serta dapat di peroleh dengan mudah dan cepat. Pada penelitian ini dilakukannya analisa kebutuhan obat dengan mengelompokan data penjualan obat untuk dapat melihat pola pembelian obat dengan tujuan dapat meningkatkan kebutuhan obat dari para pelanggan. Salah satu metode yang usulkan ialah metode K- Means dan Particle Swarm Organization (PSO) namun dalam penelitian ini di lakukan improve pada kedua metode tersebut. Dataset ini memuat 161 data penjualan obat dalam kurun waktu 1 tahun. Metode yang di ajukan memberikan nilai SSE mean sebesar 2,501, nilai SSE stdev sebesar 0,001, nilai Quantization Error Mean 0,785 dan nilai Quantization Error Standar deviasi sebesar 0,00001. Dan nilai dari Silhoutte Mean ialah sebesar 0,554 semakin besar nilainya semakin baik centroid yang di hasilkans. Menghasilkan 4 cluster yang memiliki rata-rata penjualan tertinggi pada cluster 3 dengan rata-rata penjualan yaitu sebesar 134,48 kemudian disusul oleh cluster 1 sebesar 121,19 ,cluster 4 sebanyak 120,43 dan cluster 2 sebanyak 117,77. Berdasarkan hasil uji validasi cluster metode yang di usulkan efektif untuk melakukan clustering data penjualan obat.
Kata Kunci- Apotek,Obat, Clustering, K-Means,Particle Swarm Optimization (PSO), Sillhouette Coefficient , Sum Square Error, Quantization Error
vi
ABSTRACT
Medicine is one of the most important needs in everyday life. These drugs can usually be found in pharmacies, drugstores, small shops, mini-markets, etc.
Planning to process the right drug needs can help maximize the need for drugs in sales so that these drugs can be available according to needs and can be obtained easily and quickly. In this study, an analysis of drug needs was carried out by classifying drug sales data to be able to see drug purchase patterns in order to increase the drug needs of customers. One of the proposed methods is the K-Means method and the Particle Swarm Organization (PSO), but in this study it is improving both methods. This dataset contains 161 drug sales data for a period of 1 year. The proposed method provides a mean SSE value of 2.501, an SSE stdev value of 0.001, a Mean Quantization Error value of 0.785 and a Standard Deviation Quantization Error value of 0.00001. And the value of the Silhoutte Mean is 0.554, the greater the value, the better the centroid is produced. This resulted in 4 clusters that had the highest average sales in cluster 3 with an average sales of 134.48, followed by cluster 1 of 121.19, cluster 4 of 120.43 and cluster 2 of 117.77. Based on the results of the cluster validation test, the proposed method is effective for clustering drug sales data.
Keywords- Pharmacy, Medicine, Clustering, K-Means, Particle Swarm Optimization (PSO), Sillhouette Coefficient, Sum Square Error, Quantization Error
vii
LEMBAR PERSEMBAHAN
Alhamdulillahi rabbil ‘alamin, dengan memanjakatkan puji dan syukur kehadirat Allah SWT yang telah melimpahkan rahmat dan hidayah-Nya, dan tak lupa shalawat serta salam kepada junjungan Nabi Muhammad SAW, sehingga dengan ridha-Nya skripsi berjudul “Implementasi Improve K-Means dengan Particle Swarm Optimization (PSO) dalam Klasterisasi Data Penjualan Obat untuk Mendapatkan Pola Pembeliatan Obat (Studi Kasus : Apotek Aniya Farma)” dapat terselesaikan.
Penyelesaian skripsi ini tidak lepas dari dukungan dan bantuan dari berbagai pihak, baik secara langsung maupun tidak langsung. Oleh karena itu, pada kesempatan ini penulis dengan segala kerendahan hati mengucapkan terimakasih dan penghargaan yang sebesar-besarnya kepada:
1. Allah SWT yang selalu memberikan kemudahan dan kesabaran dalam mengerjakan tugas akhir ini.
2. Orang Tua saya, Bapak Katimun dan Ibu Nurul Alfiah, dan keluarga besar saya atas berkat segala dukungan, motivasi, dan nasehat yang diberikan selama mengerjakan tugas akhir ini.
3. Dosen Pembimbing saya, Bapak Yufis Azhar S.Kom, M.Kom dan Bapak Christian S.K.Aditya, S.Kom, M.Kom yang sudah bersedia meluangkan waktunya untuk membantu dan membimbing saya dalam mennyelesaikan tugas akhir.
4. Seluruh Bapak dan Ibu Dosen Pengajar yang telah memberikan ilmunya di bangku perkuliahan.
5. Terimakasih kepada seluruh teman-teman saya yang menemani saya semasa saya berkuliah.
Terimakasih banyak untuk dukungan dan motivasinya.
Malang, 10 Desember 2020
Penulis
viii
KATA PENGANTAR
Dengan memanjatkan puji syukur kehadirat Allah SWT. Atas limpahan rahmat dan hidayah-NYA sehingga peneliti dapat menyelesaikan tugas akhir yang berjudul
“Implementasi Improve K-Means dengan Particle Swarm Optimization (PSO) dalam Klasterisasi Data Penjualan Obat untuk
Mendapatkan Pola Pembeliatan Obat (Studi Kasus : Apotek Aniya Farma)”
Di dalam tulisan ini disajikan pokok – pokok bahasan yang meliputi latar belakang, metode penelitian, dan hasil dan pembahasan yang telah didapat dari penelitian ini dan telah disimpulkan berdasarkan hasil yang telah didapat oleh peneliti.
Peneliti menyadari sepenuhnya bahwa dalam penulisan tugas akhir ini masih banyak kekurangan dan keterbatasan. Oleh karena itu peneliti mengharapkan saran yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan.
Malang, 10 Desember 2020
Penulis
ix
DAFTAR ISI
LEMBAR PERSETUJUAN... ii
LEMBAR PENGESAHAN ... iii
LEMBAR PERNYATAAN ... iv
ABSTRAK ... v
ABSTRACT ... vi
LEMBAR PERSEMBAHAN ... vii
KATA PENGANTAR ... viii
DAFTAR ISI ... ix
DAFTAR GAMBAR ... xii
DAFTAR TABEL ... xiv
BAB I ... 1
1.1 Latar Belakang ... 1
1.2. Rumusan Masalah ... 3
1.3. Tujuan Penelitian ... 3
1.4. Batasan Masalah ... 3
BAB II ... 5
2.1. Penelitian Terdahulu ... 5
2.2. Data Mining ... 7
2.3. Prepocessing Data ... 7
2.3.1. Normalisasi Data ... 7
2.3.2. Principal Component Analysis (PCA) ... 8
2.4. Clustering dengan menggunakan K-means ... 9
2.5. Particle Swarm Optimization ... 10
2.6. Validasi ... 11
x
2.6.1. Sillhouette Coefficient ... 11
2.6.2. Sum Square Error (SSE) ... 12
2.6.1. Quantization Error (QE) ... 12
BAB III ... 13
3.1 Tahapan Penelitian ... 13
3.2 Pengumpulan Data ... 14
3.3 Prepocessing Data ... 15
3.3.1 Normalisasi Data ... 16
3.3.2 Reduksi fitur dengan PCA ... 16
3.4 Clustering menggunakan metode Improve K-Means dengan Particle Swarm Optimization (PSO) ... 16
3.4.1 Menentukan Nilai Centroid dengan PSO ... 17
3.5 Validasi Cluster ... 23
BAB IV ... 23
4.1 Kebutuhan Sistem ... 24
4.2 Dataset ... 24
4.3 Prepocessing Data ... 24
4.3.1 Memuat Dataset ... 25
4.3.2 Normalisasi Data ... 26
4.3.3 Principal Component Analysis (PCA) ... 26
4.4 Uji Nilai SSE ... 27
4.5 Initialisasi Metode ... 28
4.5.1 Initialisasi K-Means ... 28
4.5.2 Initialisasi Validasi Cluster ... 32
4.5.3 Initialisasi Particle ... 33
4.5.4 Initialisasi PSO ... 33
xi
4.6 Training Metode ... 34
4.6.1 K-Means ... 34
4.6.2 Particle Swarm Optimization (PSO) ... 37
4.6.3. Particle Swarm Optimization Hybrid ... 40
4.7 Hasil ... 44
4.8 Uji Skenario Perbandingan ... 47
BAB V ... 49
5.1 Kesimpulan ... 49
5.1 Saran ... 49
Daftar Pustaka ... 51
Lampiran ... 53
xii
DAFTAR GAMBAR
Gambar 2.1 Skema Konseptual PCA (Sumber : Kotu & Deshpande,
2015 ... 8
Gambar 3.1 Metodelogi Penelitian ... 13
Gambar 3.2 Insialisasi Sebuah Partikel ... 17
Gambar 3.3 Inisialisasi Kecepatan Sebuah Partikel ... 17
Gambar 3.4 Global Best Awal ... 21
Gambar 3.5 Hasil Centroid Terbaik ... 23
Gambar 4.1 Dataset Penjualan... 24
Gambar 4.2 Source code memuat dataset ... 25
Gambar 4.3 Dataset yang telah di muat ... 25
Gambar 4.4 Source code penghapusan fitur dan perubahan tipe data ... 25
Gambar 4.5 Source code normalisasi ... 26
Gambar 4.6 Source code PCA ... 26
Gambar 4.7 Source code visualisasi data ... 27
Gambar 4.8 Visualisasi persebaran data ... 27
Gambar 4.9 Source code uji nilai SSE ... 28
Gambar 4.10 Grafik Cluster ... 28
Gambar 4.11 Source code letak centroid... 29
Gambar 4.12 Source code titik centroid ... 30
Gambar 4.13 Source code jarak centroid dan data ... 31
Gambar 4.14 Source code assign data ke cluster ... 31
Gambar 4.15 Source code update centroid ... 31
Gambar 4.16 Source code validasi SSE ... 32
Gambar 4.17 Source code Quantization Error ... 32
xiii
Gambar 4.18 Source code initialisasi particle ... 33
Gambar 4.19 Source code initialisasi PSO ... 33
Gambar 4.20 Source code training K-Means ... 34
Gambar 4.21 Visualisasi data hasil metode K-Means ... 35
Gambar 4.22 Source code training PSO ... 37
Gambar 4.23 Visualisasi data hasil metode PSO ... 38
Gambar 4.24 Titik perbedaan K-Means ... 38
Gambar 4.25 Titik perbedaan PSO ... 38
Gambar 4.26 Source code training PSO hybrid ... 41
Gambar 4.27 Visualisasi data hasil metode PSO hybrid ... 42
xiv
DAFTAR TABEL
Tabel 2.1 Penelitian Terdahulu... 5
Tabel 3.1 Data Penjualan ... 15
Tabel 3.2 Jarak Antara Cluster dan Data... 18
Tabel 3.3 Cluster Pada Setiap Data ... 18
Tabel 3.4 Nilai Sillhoutte Coefficient ... 19
Tabel 3.5 Ilustrasi Pembentukan Populasi ... 20
Tabel 3.6 Update Kecepatan ... 21
Tabel 3.7 Perubahan Posisi Partikel ... 22
Tabel 3.8 Perubahan Partikel Best ... 22
Tabel 3.9 Update Global Best berdasarkan Cost ... 23
Tabel 4.1 Hasil cluster K-Means ... 35
Tabel 4.2 Hasil cluster PSO ... 39
Tabel 4.3 Hasil cluster PSO hybrid ... 42
Tabel 4.4 Hasil Validasi Cluster ... 44
Tabel 4.5 Hasil cluster ... 45
Tabel 4.6 Rank cluster ... 47
Tabel 4.7 Perbandingan uji skenario ... 48
xv
DAFTAR LAMPIRAN
Lampiran 1. Dataset ... 53
51
Daftar Pustaka
[1] E. Elmayati, “Data Mining Dengan Metode Clustering Untuk Pengolahan Informasi Persediaan Obat Pada Klinik Srikandi Medika Berbasis Web,”
Pelita Inform. Inf. dan Inform., vol. 16, no. 4, pp. 357–362, 2017.
[2] R. Malani and B. Suprapty, “Perbandingan Metode K-Means dan Fuzzy C- Means Untuk Pengelompokan Pegawai Berdasarkan Nilai Kinerja dan Tingkat Kedisiplinan Pegawai,” vol. 3, no. 1, pp. 45–52, 2018.
[3] N. Butarbutar, A. Perdana Windarto, D. Hartama, M. STIKOM Tunas Bangsa Pematangsiantar, and D. STIKOM Tunas Bangsa Pematangsiantar,
“Komparasi Kinerja Algoritma Fuzzy C-Means dan K-Means dalam Pengelompokan Data Siswa berdasarkan Prestasi Nilai Akademik Siswa ( Studi Kasus : SMP Negeri 2 Pematangsiantar ),” vol. 1, no. 1, 2016.
[4] A. ULFAH and S. ‘UYUN, “Analisis Kinerja Algoritma Fuzzy C-Means Dan K-Means Pada Data Kemiskinan,” Jatisi, vol. Vol. 1, no. No. 2, pp. 139–
148, 2015.
[5] Y. P. Anggodo, W. Cahyaningrum, A. N. Fauziyah, I. L. Khoiriyah, O.
Kartikasari, and I. Cholissodin, “Hybrid K-means Dan Particle Swarm Optimization Untuk Clustering Nasabah Kredit,” J. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 2, p. 104, 2017.
[6] L. Tan, “A clustering K-means algorithm based on improved PSO algorithm,” Proc. - 2015 5th Int. Conf. Commun. Syst. Netw. Technol. CSNT 2015, pp. 940–944, 2015.
[7] A. J. M. Rani and L. Parthiban, “Improved particle swarm optimization and K-means clustering algorithm for news article,” IET Semin. Dig., vol. 2013, no. 8, pp. 412–420, 2013.
[8] J. Karimov and M. Ozbayoglu, “Clustering Quality Improvement of k-means Using a Hybrid Evolutionary Model,” Procedia Comput. Sci., vol. 61, pp.
38–45, 2015.
[9] A. A. S. Farhanna Mar’i1, “Clustering Credit Card Holder berdasarkan Pembayaran Tagihan menggunakan Improved K-Means dengan Particle Swarm Optimization.” .
52
[10] P. D. P. Silitonga, M. Ginting, and T. Informatika, “Klasterisasi Keranjang Belanja Transaksi Penjualan Dengan Menggunakan K-Means Clustering,”
Terakreditasi DIKTI, vol. 2, no. 2, pp. 164–168, 2018.
[11] Sri Tria Siska, “Analisa dan Penerapan Data Mining untuk Menentukan Air Terjual berdasarkan Pengelompokan Pelanggan Menggunakan Algoritma K- Means Clustering,” J. Teknol. Inf. Pendidik., vol. 9, no. 1, pp. 153–162, 2016.
[12] I. N. Syahfitri, “Penerapan Data Mining untuk Menentukan Besar Pinjaman pada Koperasi Simpan Pinjam,” J. Inform. dan Sist. Inf. Univ. Ciputra, vol.
03, no. 02, pp. 18–27, 2017.
[13] A. S. Eesa and W. K. Arabo, “Normalization Methods for Backpropagation : A Comparative Study,” Sci. J. Univ. Zakho, vol. 5, no. 4, pp. 314–318, 2017.
[14] B. D. VijayKotu, Predictive Analytics and Data Mining Concepts and Practice with RapidMiner. 2015.
[15] M. Z. Nasution, “PENERAPAN PRINCIPAL COMPONENT ANALYSIS
(PCA) DALAM PENENTUAN FAKTOR DOMINAN YANG
MEMPENGARUHI PRESTASI BELAJAR SISWA (Studi Kasus : SMK Raksana 2 Medan),” J. Teknol. Inf., vol. 3, no. 1, p. 41, 2019.
[16] Yudi Agusta, “K-Means – Penerapan, Permasalahan dan Metode Terkait,” J.
Sist. dan Inform., vol. 3, no. Februari, pp. 47–60, 2007.
[17] I. Wahyuni, Y. A. Auliya, A. Rahmi, and W. F. Mahmudy, “Clustering Nasabah Bank Berdasarkan Tingkat Likuiditas Menggunakan Hybrid Particle Swarm Optimization dengan K-Means,” J. Ilm. Teknol. Inf. Asia, vol. 10, no. 2, pp. 24–33, 2016.
[18] N. Putu, E. Merliana, and A. J. Santoso, “Analisa Penentuan Jumlah Cluster Terbaik pada Metode K-Means,” pp. 978–979.
53
