Jurnal Media Infotama Vol. 11 No.
2, September 2015 1
ANALISIS CLUSTERING MENGGUNAKAN METODE K-MEANS
DALAM PENGELOMPOKKAN PENJUALAN PRODUK
PADA SWALAYAN FADHILA
Benri Melpa Metisen, Herlina Latipa Sari
Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Dehasen Bengkulu
Jl. Meranti Raya No. 32 Kota Bengkulu 38228 Telp. (0736) 22027, 26957 Fax. (0736) 341139
ABSTRACT
This report describes the software application Tanagra in data mining. Tanagra is a data mining software that can be
used to access some of the existing methods of data mining. This application uses the input dataset. In implementing
this algorithm testing data used is the data item in the supermarket Fadhilla Bengkulu. In this application, use the
application clustering using K -means algorithm. Of data processed by the data sample taken in Supermarkets Fadhilla
Bengkulu, it produces two types of data sets. Ie low sales data and high sales data. So with the grouping of data is the
self- Fadhilla can determine the type of goods sold and selling. So that goods in the warehouse does not accumulate.
Keyword : K-Means, Clustering, Data Mining.
INTISARI
Laporan ini menjelaskan tentang aplikasi perangkat lunak Tanagra pada data mining. Tanagra adalah software data
mining yang dapat digunakan untuk mengakses beberapa metode data mining yang ada. Aplikasi ini menggunakan
dataset input. Dalam melaksanakan pengujian algoritma ini data yang dipakai adalah data barang di swalayan Fadhilla
Bengkulu. Dalam penerapan ini, digunakan penerapan clustering dengan menggunakan algoritma K-means. Dari data
yang diolah dengan sampel data yang diambil di Swalayan Fadhilla Bengkulu, maka menghasilkan dua jenis kelompok
data. Yaitu data penjualan rendah dan data penjualan tinggi. Sehingga dengan adanya pengelompokkan data ini pihak
swalayan Fadhilla dapat mengetahui jenis barang yang laris terjual dan tidak. Sehingga barang yang ada di gudang tidak
menumpuk.
Kata kunci: K-Means, Clustering, Data Mining.
I. PENDAHULUAN produk yang tidak laku di gudang karena penjualnnya
rendah.
Dalam era globalisasi, perkembangan kecang-
gihan teknologi yang semakin pesat merupakan
aspek yang dapat dimanfaatkan untuk mencapai
kemudahan-kemudahan, tidak terkecuali dalam arus
informasi. Kecanggihan teknologi tersebut terlihat
semakin marak dengan penggunaan komputer yang
memang sudah sangat luas diberbagai bidang
kehidupan misalnya di bidang pendidikan,
kesehatan, hiburan, terlebih pada bidang bisnis yang
semuanya itu menuntut penggunaan dari komputer.
Dalam toko, mini market dan swalayan masih
ada proses-proses yang dilakukan secara manual
sehingga sering terjadi kesalahan dalam pecatatan
data-data yang ada dan juga kurangnya efesiensi
waktu yang diperlukan. Seperti halnya pada
Swalayan Fadhilla Bengkulu. Pada saat ini swalayan
Fadhilla masih memproses data penjulannya secara
manual. Disamping itu swalayan Fadhilla tidak
dapat mengelompokkan produk yang laris dan yang
tidak laris terjual. Sehingga kesulitan yang dialami
yaitu seringnya kekurangan stok produk yang laku
karena penjualannya tinggi. Dan menumpuknya
Analisis Clustering Menggunakan… ISSN 1858 – 2680
2 Jurnal Media Infotama Vol. 11 No. 2, September 2015
Oleh karena itu dibutuhkan sistem informasi
terkomputerisasi yang menunjang arus data dan
informasi sesuai dengan kebutuhan dari proses-
proses tersebut.
II. TINJAUAN PUSTAKA
A) Data Mining
Menurut Widodo (2013:1) Data mining adalah
analisa terhadap data untuk menemukan hubungan
yang jelas serta menyimpulkannya yang belum
diketahui sebelumnya dengan cara terkini dipahami
dan berguna bagi pemilik data tersebut.
Secara garis besar, data mining dapat
dikelompokkan menjadi 2 kategori utama, yaitu:
1) Descriptive mining, yaitu proses untuk
menemukan karakteristik penting dari data
dalam satu basis data. Teknik data mining yang
termasuk descriptive mining adalah clustering,
asosiation, dan sequential mining.
2) Predictive, yaitu proses untuk menemukan pola
dari data dengan menggunakan beberapa
variable
ISSN 1858 – 2680 Analisis Clustering Menggunakan…
Jurnal Media Infotama Vol. 11 No. 2, September 2015 3
lain di masa depan. Salah satu teknik yang mining. Merupakan proses yang sangat tergantung
terdapat dalam predictive mining adalah pada jenis atau pola informasi yang akan dicari
klasifikasi. dalam basis data.
Secara sederhana data mining biasa dikatakan 4) Data mining
sebagai proses penyaring atau “menambang” Pemilihan tugas data mining merupakan
pengtahuan dari sejumlah data yang besar. Istilah pemilihan goal dari proses KDD misalnya
lain untuk data miing adalah Knowlegde karakterisasi, klasifikasi, regresi, clustering, asosiasi,
Discoveryin Database (KDD). Walaupun data dan lain-lain. Pemilihan tugas data mining
mining sendiri adalah bagian dari tahapan proses merupakan pemilihan goal dari proses KDD
KDD seperti yang terlihat pada Gambar 1. misalnya karakterisasi, klasifikasi, regresi,
clustering, asosiasi, dan lain-lain. Pemilihan teknik,
1) Data Selection metode atau algoritma yang tepat sangat bergantung
Menciptakan himpunan data target, pemilihan pada tujuan dan proses KDD secara keseluruhan.
himpunan data, atau memfokuskan pada subset
variabel atau sampel data, dimana penemuan 5) Interpretation/ Evaluation
(discovery) akan dilakukan. Hasil seleksi disimpan Yaitu penerjemahan pola-pola yang dihasilkan
dalam suatu berkas, terpisah dari basis data dari data mining. Pola informasi yang dihasilkan
operasional. perlu ditampilkan dalam bentuk yang mudah
dimengerti. Tahap ini melakukan pemeriksaan
2) Pre-processing / Cleaning apakah pola atau informasi yang ditemukan
Pre-processing dan cleaning data merupakan bertentangan dengan fakta atau hipotesa yang ada
operasi dasar yang dilakukan seperti penghapusan sebelumnya.
noise. Proses cleaning mencakup antara lain
membuang duplikasi data, memeriksa data yang Tujuan dari data mining:
inkonsisten, dan memperbaiki kesalahan pada data, 1) Explonatory, yaitu untuk menjelaskan beberapa
seperti kesalahan cetak. Data bisa diperkaya dengan kegiatan opservasi atau kondisi.
data atau informasi ekternal yang relevan. 2) Confirmatory, yaitu untuk mengkonfirmasi suatu
hipotesis yang telah ada.
3) Transformation 3) Exploratory, yaitu untuk menganalisis data baru
Merupakan proses integrasi pada data yang telah suatu relasi yang jangggal.
dipilih, sehingga data sesuai untuk proses data
Gambar 1. KDD
Analisis Clustering Menggunakan… ISSN 1858 – 2680
4 Jurnal Media Infotama Vol. 11 No. 2, September 2015
B) Clustering k cluster. Metode ini merupakan metode
Menurut Widodo (2013:9) Clustering atau pengelompakan yang bertujuan mengelompokan
klasifikasi adalah metode yang digunakan untuk objek sehingga jarak antar tiap objek ke pusat
membagi rangkaian data menjadi beberapa group kelompok di dalam satu kelompok adalah minimum.
berdasarkan kesamaan-kesamaan yang telah Cluster adalah kumpulan data dimana jika objek
ditentukan sebelumnya. Cluster adalah sekelom-pok data yang terletak di dalam cluster harus memiliki
atau sekumpulan objek-objek data yang similar satu kemiripan, sedangkan yang tida berada dalam satu
sama lain dalam cluster yang sama dan disimilar cluster tidak memiliki kemiripan. Jika ada n objek
terhadap objek-objek yang berbeda cluster. Objek pengamatan dengan p variable, maka sebelum di
akan dikelomokkan ke dalam satu atau lebih cluster lakukan pengelompokan data atau objek, terlebih
sehingga objek-objek yang berada dalam satu cluster dahulu menentukan ukuran kedekatan sifat antar
akan mempunyai kesamaan yang tinggi antara satu data. Ukuran data yang bisa di gunakan adalah
dengan yang lainnya. jarak Euclidean distance, antar dua objek dari p
Dengan menggunakan clustering ini, kita dapat dimensi pengamatan. Jika objek pertama yang
mengkalsifikasikan daerah yang padat, menemu-kan diamati adalah:
pola-pola distribusi secara keseluruhan, dan
menemukan keterkaitan yang menarik antara atribut X = [x1,x2,……xp] dan Y =[ y1,y2,……yp]
data. Dalam data mining, usaha difokuskan pada
metode-metode penemuan untuk cluster pada basis adalah :
D(x,y) = √∑ (𝒙𝒋 − 𝒚𝒋)2
data berukuran besar secara efektif dan efisien.
Beberapa kebutuhan clustering dalam data mining 𝒑
𝒋=
𝟏
meliputi skalabilitas, kemampuan untuk menangani
tipe atribut yang berbeda, mampu menangani
dimensionalitas yang tinggi, mena-ngani data yang Dengan d alah jarak antara titik pada data x dan
mempunyai noise, dan dapat diterjemakan dengan titik data y, dimana x = x1, x2,……xi dan y = y1, y2,
mudah. Pengolompokkan cluster ini disajikan pada ……yi dan j mempresentasikan nilai atribut serta p
Gambar 2. merupakan dimensi atribut.
C) Partitioning Clustering D) Metode K-means
Partitioning Clustering merupakan salah satu K-Means merupakan saalah satu metode data
metode data mining yang bersifat tanpa arahan clustering non hierarki yang berusaha mempartisi
(unsupervised). Konsep dasar dari Partitioning data yang ada ke dalam bentuk satu atau lebih
Clustering adalah membagi n jumlah cluster ke cluster atau kelompok sehingga data yang memiliki
dalam karakteristik yang sama dikelompokkan ke dalam
satu cluster yang sama dan data yang mempunyai
Gambar 2. Pengelompokkan Cluster
ISSN 1858 – 2680 Analisis Clustering Menggunakan…
Jurnal Media Infotama Vol. 11 No. 2, September 2015 5
karakteristik yang berbeda dikelompokkan ke dalam
Persiapan Software dan Pengumpulan
kelompok yang lainnya. Data
K-Means adalah metode clustering berbasis jarak
yang membagi data ke dalam sejumlah cluster dan
algoritma ini hanya bekerja pada atribut numeric. Implementasi
Algoritma K-Means termasuk partitioning clustering Komputerisasi
yang memisahkan data ke k daerah bagian yang
terpisah. Algoritma K-Means sangat terkenal karena
Pengujian
kemudahan dan kemampuannya untuk mengcluster
data yang besar dan data outlier dengan sangat
[Link] algoritma K-Means, setiap data harus
termasuk ke cluster tertentu dan bisa dimungkinkan Hasil
bagi setiap data yang termasuk cluster tertentu pada
suatu tahapan proses, pada tahapan berikutnya
berpindah ke cluster lainnya. Analisa
Algoritma K-Means merupakan metode non
hierarki yang pada awalnya mengambil sebagian Gambar 3. Sketsa Tahap Analisa Pemrosesan
banyaknya komponen populasi untuk dijadikan Menggunakan Software Tanagra
pusat cluster awal. Pada tahap ini pusat cluster
dipilih secara acak dari sekumpulan populasi data. IV. PEMBAHASAN
Berikutnya K-Means menguji masing-masing A) Hasil
komponen di dalam populasi data dan menandai Dari sketsa pemrosesan data yang ada pada bab
komponen tersebut ke salah satu pusat cluster yang sebelumnya, maka didapatkan hasil dari pemrosesan
telah didefinisikan tergantung dari jarak minimum data menggunakan software Tanagra dan 2 buah
antar komponen dengan tiap-tiap cluster. Posisi software pembanding yaitu SPSS dan XLMiner.
pusat cluster akan dihitung kembali sampai semua Dalam pengujian masing-masing software mengha-
komponen data digolongkan kedalam tiap-tiap pusat silkan pengelompokkan 2 cluster produk.
cluster dan terakhir akan terbentuk posisi pusat
cluster yang baru.
III. METODOLOGI PENELITIAN
A) Metode Analisa Sistem
1) Analisa Sistem Aktual
Dari hasil pra penelitian yang dilakukan di
Swalayan Fadhilla, didapatkan sistem yang sudah
berjalan dan digunakan saat ini masih manual.
Disamping itu, pemilik Swalayan Fadilla Gambar 4. Input Data *.txt
mempunyai kesulitan dalam pengklasifikasian
penjualan produk yang laku dengan yang tidak laku. Kemudian klik kanan dan VIEW. Maka hasilnya
seperti Gambar 5.
2) Analisa Sistem Baru
Dari kekurang sistem yang sdang berjalan
tersebut maka dalam penelitian ini diterapkanlah
analisis data mining menggunakan Clustring
menggunakan algoritma K-Means dan dengan
pemrosesan menggunakan software data mining
yaitu Tanagra.
Sehingga dengan mudah menentukan dan
mengklasifikasikan penjualan produk yang laku dan
kurang laku. Sehingga pemesanan barang yang
kurang laku dapat dikurangi. Adapun sketsa tahap
analisa pemrosesan menggunakan software Tanagra
ditunjukkan pada Gambar 3.
Gambar 5. More Univariate
Analisis Clustering Menggunakan… ISSN 1858 – 2680
6 Jurnal Media Infotama Vol. 11 No. 2, September 2015
Kemudian klik komponen STANDARDIZE (tab Pada tahap ini data dikelompokkan dengan
FEATURE CONSTRUCTION). Tarik ke DEFINE menggunakan metode K-Means pada software
STATUS 1. Kemudian klik kanan dan VIEW. Tanagra. Yaitu dengan tahapan sebagai berikut:
Seperti pada Gambar 6.
1) Insert Komponen K-means pada tab
CLUSTERING.
2) Tarik ke DEFINE STATUS 2
3) Kemudian klik kanan dan klik PARAMETER.
Seperti pada Gambar 9.
Gambar 6 Standardize di Define Status 1
Setelah itu tambahkan DEFINE STATUS baru
ke dalam diagram, sehingga terbentuk DEFINE
STATUS 2. Dan Atribut baru ditetapkan sebagai
INPUT. Seperti pada Gambar 7.
Gambar 9. K-Means
Gambar 7. Variabel Input di Define Status 2 Pada tahap Custer ini data dijadikan menjadi 2
[Link] telah menggunakan standar
Maka hasilnya dapat dilihat sebagai berikut: [Link] melihat hasilnya klik menu VIEW
seperti gambar dibawah ini:
Gambar 8. View
Gambar 10 View
ISSN 1858 – 2680 Analisis Clustering Menggunakan…
Jurnal Media Infotama Vol. 11 No. 2, September 2015 7
Pada tahap ini merupakan langkah awal pada
proses clustering. Yang mana kita akan Kemudian Tarik Komponen GROUP
menginterpretasikan kelompok dan menentukan CHARACTERIZATION (tab STATISTICS) ke
karakteristik setiap klaster dan membedakannya satu DEFINE STATUS 3. Klik kanan dan klik VIEW
sama lain dengan tahapan sebagai berikut:
1) Tambahakan VIEW DATASET (tab
DATVISUALIZATION)
2) Tarik ke K-means_1
3) Klik kanan dan klik VIEW. Maka didapatkan
hasil sebagai berikut:
Gambar 11 View Dataset Gambar 14 Group characterization
Kemudian Tambahkan DEFINE STATUS baru Setelah itu tambahkan lagi DEFINE STATUS
ke dalam diagram,sehingga terbentuk DEFINE baru ke dalam diagram,sehingga terbentuk DEFINE
STATUS 3. Klik PARAMETER. Dan Data awal STATUS 4. Data awal ditetapkan sebagai
ditetapkan sebagai INPUT. Cluster K-Means-1 [Link] K-Means-1 menjadi INPUT.
menjadi target. Seperti pada gambar berikut: Seperti gambar berikut:
Gambar 12 Variabel Target
Gambar 15. Variabel Input Define Status 4
Berikut Variabel input
Gambar 16 Variabel Target di Define Status 4
Gambar 13 Variabel Input
Analisis Clustering Menggunakan… ISSN 1858 – 2680
8 Jurnal Media Infotama Vol. 11 No. 2, September 2015
Setelah itu tambahkan component dilakukan seperti langkah-langkah yang diatas
CONTIGENCY CHI-SQUARE (tab nonparametric karena data yang sudah di Hierarhical Clustering
statistics) ke dalam diagram. Tarik ke DEFINE sama hasilnya.
STATUS 4. Kemudian klik kanan dan klik VIEW. Untuk menentukan clustering yang telah di
Seperti pada gambar berikut: Hierarhical Clustering maka memerlukan langkah-
langkah sebagai berikut :
Data input yang telah di transformasikan dan siap
untuk menentukan algoritma Hierarhical Clustering,
Langkah yang selanjutnya penulis menetukan
Hirarki Clustering, input variables dengan memilih
jumlah dari data transaksi penjualan, lalu klik next
seperti gambar dibawah ini.
Gambar 17 Contigency chi-squere
Kemudian Scatter plot atau scatter diagrams
disebut juga diagram pencar. Diagram ini
memberikan gambaran hubungan diantara 2 buah
kelompok data,atau diagram pencar adalah grafik Gambar 19. Hierarchical Clustering
yang menunjukkan hubungan antara dua kelompok
data yang jumlahnya sama, dimana untuk setiap nilai Tahapan ini merupakan langkah untuk
x terdapat nilai pasangannya y. Tahapan Scatter Plot menentukan algoritma hirarki algoritma :
adalah sebagai berikut: 1) Worksheet : data transaksi yang di proses
1) Tambahkan SCATTERPLOT (tab DATA menggunakan algoritma hirarki algoritma .
VISUALIZATION). 2) Data Range : jumlah cell Seleksi terhadap
2) Tarik ke K_means_1 cell/data yang digunakan.
3) Kemudian klik kanan dan klik VIEW. Seperti 3) Variables in data source : merupakan kelompok
pada gambar berikut: data yang terdapat di dalam data yang sudah di
transfaromasikan untuk menentuakan algoritma
hirarki algoritma .
4) Input Variables : menentukan proses
pemilihan dataset.
5) Rows in data : jumlah data cell yang ada di
XLMiner
6) Columns in data: jumlah kolom yang ada di
XLMiner
Untuk menetukan jumlah cluster yang di
inginkan, disini penulis menentukan 2 jumlah
cluster karena jumlah cluster menentukan hasil dari
nilai data transaksi penjualan barang, iterations nya
10, lalu klik finish lihat gambar dibawah ini:
Gambar 18. Scatter Plot
Hasil dari proses data mining menggunakan
XLMiner ditampilkan worksheet baru dengan nama
Hierarhical Clustering seperti Gambar 19 Informasi
yang dihasilkan di tampilkan dalam 1 tabel dimana
tabel tersebut memberikan infomasi mengenai data
yang digunakan. Untuk menentukan Hierarhical
Clustering selanjutnya sama seperti proses yang
telah
ISSN 1858 – 2680 Analisis Clustering Menggunakan…
Jurnal Media Infotama Vol. 11 No. 2, September 2015 9
Tabel 1 Hasil Pengujian SPSS
Gambar 20. Menentukan Jumlah Cluster
Euclidean distance : jarak kemiripan
Single linkage : jarak minimum yang diawali
dengan mencari dua obyek terdekat dan keduanya
membentuk cluster yang pertama
Average linkage : jarak rata-rata antar tiap
pasangan obyek yang mungkin.
Complete linkage : jarak yang digunakan adalah
jarak terjauh antar objek.
Apabila semua step clustering dilakukan maka
pilih finish untuk menampilkan Hirarki Clustering
input. Dari hasil pengujian di atas, dapat disimpulkan
bahwasanya Cluster 1, terdiri dari 4 produk tidak
laris dan 6 produk yang laris di Cluster 2. Jika
dibanding- kan dengan pengujian menggunakan
Tanagra dan XLMiner, pengujian menggunakan
SPSS menghasilkan jumlah produk dalam cluster 1
dan cluster 2 yang berbeda. Namun, data produk
yang di- clusterkan tetap sama. Yaitu 4 produk yang
tidak laris dan 6 produk yang laris.
V. PENUTUP
A) Kesimpulan
Berdasarkan pemrosesan data menggunakan be-
berapa software data mining di atas, maka penulis
dapat mengemukakan beberapa kesimpulan antara
lain :
Proses cluster secara hirarki dengan
menggunakan metode K-means menghasilkan
Gambar 21 XLMiner Hirarki Clustering sebuah informasi gambaran penjualan terkluster atau
terkelompok.
Hasil dari pemrosesan data menggunakan be-
berapa software data mining tersebut pada intinya
sama. Yaitu menghasilkan kelompok data menjadi
la- ris dan kurang laris
Hasil yang dicari secara manual eqiuvalen
dengan hasil yang diproses dengan nonmanual.
B) Saran
Adapun saran yang dikemukakan dalam
penelitian ini dalah sebagai berikut:
a. Setelah mengetahui tingkat pembelian produk,
Gambar 22. Hasil Pengujian SPSS diharapkan para pelaku mini market lebih
Dari hasil pengujian menggunakan software memperhatikan produk.
SPSS di atas dapat disimpulkan hasil cluster sebagai b. Untuk peneliti selanjutnya diharapkan dapat
beri- kut: menggunakan analisis statistik yang lain dalam
Analisis Clustering Menggunakan… ISSN 1858 – 2680
10 Jurnal Media Infotama Vol. 11 No. 2, September 2015
pengolahan data.
ISSN 1858 – 2680 Analisis Clustering Menggunakan…
Jurnal Media Infotama Vol. 11 No. 2, September 2015 11
DAFTAR PUSTAKA
Widodo. 2004. Psikologi Belajar. Jakarta:
RinekaCipta.
Feri Sulianta, Dominikus Juju, (2010), Data Mining
Meramalkan Bisnis. Perusahaan, Jakarta :
Elex Media Komputindo.
Ems, TIM. 2012. Web Programming for Beginners.
Jakarta: PT Elex Media Komputindo.
Kurniawan, Rulianto. 2010. PHP dan MySQL.
Palembang. Maxikom
Pahevi, Said Mirza. 2013. Pembangunan Basis Data.
Jakarta: PT. Elex Media Komputindo
Analisis Clustering Menggunakan… ISSN 1858 – 2680