jurnal pengpol
TRANSCRIPT
K- Means Clustering Daily DietBrawijaya University, 2013
PENGELOMPOKAN MENU MAKAN HARIAN DENGAN METODE K-MEANSCLUSTERING
Nicky Prabowo, Dedi Arief Wibisono, dan Jihad Dzikri WaspadaLaboratorium Pemrograman Teknologi Informasi dan Ilmu Komputer,
Informatika, Universitas BrawijayaInformatika, PTIIK, Universitas Brawijaya
e-mail: [email protected], [email protected],[email protected]
AbstrakMenentukan pola makan sehari yang baik merupakan hal yangtidak mudah dilakukan apalagi ditinjau hingga kadar giziyang diperoleh. Pola makan harian ini sangat pentingkarena dapat menentukan kita dalam menjalankan aktivitassehari. Pola makan tersebut dapat dikelompokkanmengunakan metode Clustering K-Means dengan 2 fitur berupakarbohidrat dan protein, dan terdapat 3 kelas yangdihasilkan, yaitu sarapan, mkan siang dan makan malam.
Kata kunci: K-Means, Clustering, Pola Makan, Karbohidrat,Protein
Abstract
Choosing the right daily diet is not an easy thing to do especially in terms of nutrition levels obtained. It’s very necessery to determine our activity in a whole day. The daily diet can be clustered useing K-Means method with carbohydrates and protein as its two features, and breakfast, lunch and dinner as its three main classes.
Key words: K-Means, Clustering, Diet, Carbohydrate,Protein
1
K- Means Clustering Daily DietBrawijaya University, 2013
1 PENDAHULUAN
Seiring perkembangan zamandan padatnya jadwalaktivitas tentu kita harusmemikirkan betapa pentingnyapengaturan pola makan,Karena ini menentukan apakahkita bisa maksimal untukmenjalankan aktivitassehari-hari.
Masalah dalam penentuanpola makan yang seringterjadi umumnya karenabanyak orang jarang makankarena jam kerja yang mepetataupun mahasiswa yangsebagian besar yangmenggabungkan makan denganmakan siang[1]. Makan lebihbaik mengkonsumsi yangrendah karbohidrat dantinggi protein, makan siangdianjurkan dengankarbohidrat tinggi danprotein rendah dan makanmalam dengan kadar proteindan karbohidrat secaraseimbang.
K-Means merupakan salahsatu metode data clusteringnon hirarki yang berusahamempartisi data yang ada kedalam bentuk satu atau lebihcluster/kelompok. Metode inimempartisi data ke dalamcluster/kelompok sehinggadata yang memilikikarakteristik samadikelompokkan ke dalam satucluster yang sama.
Tujuan dari percobaan iniadalah mengelompokkan polamakan berdasarkan data ujidengan metode K-Means Clusternig
2 METODE PENELITIAN
Pada penelitian kali ini,metode penelitian yangdigunakan adalah K-Meansclustering dengan 2 fitur dan 3kelas.
Centroid. Tetapkan nilai-nilai k secara random, untuksementara nilai tersebutmenjadi pusat dari clusteratau biasa disebut dengancentroid, mean atau “means”.
Euclidian Distance. Dalam K-Means clustering, objek-objek dikelompokkan ke dalamk kelompok atau klaster danuntuk melakukan klasteringini, nilai k harusditentukan terlebih dahulu .Kluster-kluster tersebutmempunyai suatu nilai tengah/ nilai pusat yang disebutdengan centroid .Ketidakmiripan diterjemahkandalam konsep jarak (distance(d)) yang menggunakanEuclidian Distance [5]
(1)
x = x1, x2, . . . , xn, dany = y1, y2, . . . , ynmerupakan banyaknya natribut(kolom) antara 2record.
SSE (sum of squared-error)merupakan pengukur tingkatkesalahan yang terjadi diklaster tersebut [5].
2
K- Means Clustering Daily DietBrawijaya University, 2013
(2)
p Є Ci = tiap data poin pada cluster i mi = centroid daricluster i d = jarak/ distances/ variance terdekatpada masing-masing cluster i
Nilai SSE tergantung padajumlah klaster dan bagaimanadata dikelompokkan ke dalamklaster-klaster. Semakinkecil nilai SSE semakinbagus hasil klastering yangdibuat.
Mean. This formula is usedto calculate the averagevalues of a dataset andinthis research, we use thisto calculate the value ofcentroid in 2nd iteration to n- iteration.
x = value of elementi
n = sum of element (3)
HASIL DAN PEMBAHASAN
Percobaan Pertama
1. Langkah awal menentukanstandar karbohidrat danprotein terhadap polamakan harian [2]
Makan pagi : o Karbohidrat :
20gr – 30gro Protein :
45gr – 65gr
Makan Siang :
3
K- Means Clustering Daily DietBrawijaya University, 2013
o Karbohidrat : 50gr – 80gr
o Protein : 15gr – 20gr
Makan Malam :o Karbohidrat :
30gr – 40gro Protein :
20gr – 30gr
2. Berikut ini adalah samplebeberapa data darikarbohidrat dan proteinmengenai bahan makananyang sering dikonsumsi[6].
3. Data dibawah ini merupakankombinasi pertama dari dataset diatas [3]
4. Data yang ada akandikelompokkan menjadi 3kelompok. Adapun langkahdari pengelompokkan dataadalah sebagai berikut:
Data pada iterasi pertama
Tentukan pusat clustersecara acak, misal kitatentukan m1 = (25,50);m2 = (65,18); dan c3 =(35,25)
Hitung jarak setiap datayang ada terhadap setiappusat cluster. Untukmenghitung jarak data menu
pertama dengan pusatcluster pertamamenggunakan persamaan (1)adalah :
Menu pertama ke clusterkedua:
Menu pertama ke clusterketiga
Suatu data akan menjadianggota dari suatu clusteryang memiliki jarakterkecil dari pusatclusternya. Misalkan untuk
4
K- Means Clustering Daily DietBrawijaya University, 2013
data pertama, jarakterkecil diperoleh padacluster pertama, sehinggadata pertama akan menjadianggota dari clusterpertama.
Demikian juga untuk datakedua, jarak terkecil adapada cluster kedua, makadata tersebut akan masukpada cluster kedua.
Hitung pusat cluster baruberdasarkan persamaan (3).Untuk cluster pertama, ada3 data yaitu data ke 1, 8dan 10:
SSE = 6419.94
Data pada iterasi kedua
Nilai SSE = 3340.05
Data pada iterasi ketiga
Karena pada iterasi ketigaposisi centroid tidakberubah sehingga prosespengklasteran telah selesai.
Percobaan Kedua
Data kombinasi kedua berdasarkan
Pada kombinasi kedua ini, diketahui berdasarkan persamaan(3)
dengan SSE = 851.2234
5
K- Means Clustering Daily DietBrawijaya University, 2013
Percobaan Ketiga
Data kombinasi ketiga berdasarkan
Iterasi pertamaPada kombinasi pertama, diperoleh hasil
Dengan SSE = 8282,05
Iterasi keduaPada kombinasi kedua ini, diperoleh hasil
Dengan SSE = 2662,96
SIMPULAN
Dari percobaan diatas dapatdisimpulkan bahwa metode K-Means Clustering terhadap polamakan dapat bekerja dengan
baik, karena hasil darinilai nilai centroid akhirpada setiap percobaan tidakjauh berbeda dengan nilaikandungan karbohidrat danprotein yang optimal
DAFTAR ACUAN
1. Agusta, Yudi. Pebruari2007. “K-Means- Penerapan,Permasalahan dan MetodeTerkait”. Jurnal Sistem danInformatika Vol.3 : 47-60.
2. Witten, Ian H. dan Frank,Eibe. 2005. Data MiningPractical Machine Learning Toolsand Techniques, SecondEdition.
3. Morgan Kaufmann, SanFransisco.Hartono, Andry. 2006.Terapi Gizi & Diet Rumah Sakit.ECG, Jakarta.
4. Kusumadewi, Sri. 2007.Diktat Kuliah InformatikaKedokteran, JurusanTeknik Informatika,Fakultas TeknologiIndustri, UniversitasIslam Indonesia.
5. Menggunakan AlgoritmaClustering K-Means. FakultasIlmu Kelautan.
6. Anonymous. Calorie count.2012. URL:http://www.caloriecount.co m , diakses pada 3Desember 2012
6
K- Means Clustering Daily DietBrawijaya University, 2013
PenulisJurnal ini disusun oleh Jihad
Dzikri Waspada, Nicky Prabowo, dan Dedi Arief Wibisono yang saatini masih kuliah di Universitas Brawijaya, Malang. Kami mendesainsebuah metode K-Means Clustering dalam menentukan pola makan sehari-hari. Pengelompokkan (Clustering) ini berdasarkan pola makan yangsering diterapkan oleh warga Indonesia. Dengan adanya metodolgiClustering ini diharapkan dapat membantu dalam penentuan pola makansehari-hari
7