Source Code Data Mining Clustering K-Means PHP

Istilah data mining memiliki beberapa pandangan, seperti knowledge discover ataupun pattern recognition. Kedua istilah tersebut sebenernya memiliki ketepatannya masing-masing, istilah knowledge discovery atau penemuan pengetahuan tepat karna digunakan tujuan utama dari data mining memang untuk mendapat pengetahuan yang masih tersembunyi di dalam bongkahan data. Istilah pattern recognition atau pengenalan pola pun tetap untuk digunakan karena pengetahuan yang hendak digali memang berbentuk pola-pola yang juga masih perlu digali dari dalam bongkahan data yang tengah dihadapi.

Pada dasarnya clustering merupakan suatu metode untuk mencari dan mengelompokkan data yang memiliki kemiripan karakteriktik (similarity) antara satu data dengan data yang lain. Clustering merupakan salah satu metode data mining yang bersifat tanpa arahan (unsupervised), maksudnya metode ini diterapkan tanpa adanya latihan (training)dan tanpa ada guru serta tidak memerlukan target output. Dalam data mining ada dua jenis metode clustering yang digunakan dalam pengelompokan data, yaitu hierarchical clustering dan non-hierarchical clustering.

Metode K-means clustering merupakan metode clustering yang dikenalkan oleh. Metode Kmeans adalah metode yang terkenal cepat dan simpel. K-means clustering merupakan salah satu metode data clustering non-hirarki yang mengelompokan data dalam bentuk satu atau lebih cluster/kelompok. Data-data yang memiliki karakteristik yang sama dikelompokan dalam satu cluster/kelompok dan data yang memiliki karakteristik yang berbeda dikelompokan dengan cluster/kelompok yang lain sehingga data yang berada dalam satu cluster/kelompok memiliki tingkat variasi yang kecil.

Langkah-langkah melakukan clustering dengan metode K-means adalah sebagai berikut:

1. Pilih jumlah cluster k
2. Inisialisasi ke pusat cluster ini bisa dilakukan dengan berbagai cara. Cara yang paling sering dilakukan adalah dengan random atau acak. Pusat-pusat cluster diberiduberi nilai awal dengan angka-angka random.
3. Alokasikan semua data/objek ke cluster terdekat. Kedekatan dua objek ditentukan berdasarkan jarak kedua objek tersebut. Demikian juga kedekatan suatu data ke cluster tertentu ditentukan jarak antara data dengan pusat cluster. Dalam tahap ini perlu dihitung jarak tiap data ke tiap pusat cluster. Jarak paling antara satu data dengan satu cluster tertentu akan menentukan suatu data masuk dalam cluster mana. Untuk menghiutng jarak semua data ke setiap titik pusat cluster dapat menggunakan teori jarak Euclidean.
4. Jarak pusat cluster dihitung kembali dengan keanggotaan cluster yang sekarang. Pusat cluster adalah rata-rata dari semua data/objek dalam cluster tertentu. Jika dikehendaki bisa juga menggunakan median dari cluster tersebut. Jadi rata-rata (mean) bukan satu-satunya ukuran yang bisa dipakai. Setiap objek kemudian ditugaskan kembali memakai pusat cluster yang baru. Jika pusat cluster tidak berubah lagi maka proses clustering selesai. Atau, kembali ke langkah nomor 3 sampai pusat cluster tidak berubah lagi. 

Komponen Source Code

Adapun komponen source code antara lain:

• Login, membatasi user yang bisa menggunakan aplikasi.
• Data Alternatif, mengolah data alternatif yang bisa ditambah, ubah dan hapus. Alternatif adalah orang/sesuatu yang akan dinilai atau dipilih.
• Data Kriteria, mengolah data kriteria yang bisa ditambah, ubah dan hapus.
• Nilai Alternatif, mengubah nilai alternatif untuk masing-masing kriteria. Sebelum menentukan nilai ini, tidak bisa melakukan proses perhitungan
• Perhitungan, melakukan proses perhitungan sesuai metode algoritma kemudian menampilkan hasilnya dalam bentuk grafik (chart).
• Ubah Password, mengubah password yang hanya bisa dilakukan oleh user dan login, dengan memasukkan password lama dan password baru.