E-Jurnal Matematika - repositori.unud.ac.id · 1 Mahasiswa Jurusan Matematika FMIPA Universitas...
Transcript of E-Jurnal Matematika - repositori.unud.ac.id · 1 Mahasiswa Jurusan Matematika FMIPA Universitas...
OPEN JOURNAL SYSTEMS
Journal Help
USER
Username
Password
Remember me
Log In
NOTIFICATIONS
View
Subscribe / Unsubscribe
JOURNAL CONTENT
Search
All
E - J u r n a l
M a t e m a t i k a
E-Jurnal Matematika http://ojs.unud.ac.id/index.php/mtk
1 of 2 8/4/2014 12:13 PM
Search
Browse
By Issue
By Author
By Title
Other Journals
FONT SIZE
INFORMATION
For Readers
For Authors
For Librarians
HOME ABOUT LOG IN REGISTER SEARCH CURRENT ARCHIVES
Home > E-Jurnal Matematika
E-Jurnal Matematika
E-Jurnal Matematika merupakan salah satu jurnal elektronik yang ada di Universitas Udayana, sebagai media komunikasi antar
peminat di bidang ilmu matematika dan terapannya, seperti statistika, matematika finansial, pengajaran matematika dan terapan
matematika dibidang ilmu lainnya. Jurnal ini lahir sebagai salah satu bentuk nyata peran serta jurusan Matematika FMIPA UNUD
guna mendukung percepatan tercapainya target mutu UNUD, selain itu jurnal ini terbit didorong oleh surat edaran Dirjen DIKTI
tentang syarat publikasi karya ilmiah bagi program Sarjana di Jurnal Ilmiah. E-jurnal Matematika juga menerima hasil-hasil
penelitian yang tidak secara langsung berkaitan dengan tugas akhir mahasiswa meliputi penelitian atau artikel yang merupakan
kajian keilmuan.
Editorial Team
Ketua : Desak Putu Eka Nilakusumawati, S.Si., M.Si
Sekretaris : I Made Eka Dwipayana S.Si. M.Si.
Penyunting :
Tjokorda Bagus Oka Ph.D.1.
Komang Dharmawan Ph.D.2.
Drs. GK Gandhiadi MT.3.
Ir. I Komang Gde Sukarsa M.Si.4.
Ir. I Putu Eka Nila Kencana MT5.
ISSN: 2303-1751
E-Jurnal Matematika http://ojs.unud.ac.id/index.php/mtk
2 of 2 8/4/2014 12:13 PM
OPEN JOURNAL SYSTEMS
Journal Help
USER
Username
Password
Remember me
Log In
NOTIFICATIONS
View
Subscribe / Unsubscribe
JOURNAL CONTENT
Search
All
Search
Browse
By Issue
By Author
By Title
Other Journals
FONT SIZE
E - J u r n a l M a t e m a t i k a
Vol 2, No 4 (2013) http://ojs.unud.ac.id/index.php/mtk/issue/view/1048
1 of 3 7/19/2014 2:26 PM
INFORMATION
For Readers
For Authors
For Librarians
HOME ABOUT LOG IN REGISTER SEARCH CURRENT ARCHIVES
Home > Archives > Vol 2, No 4 (2013)
Vol 2, No 4 (2013)
Table of Contents
ArticlesPERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI
MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA
NI WAYAN YULIANI, I KOMANG GDE SUKARSA, I GUSTI AYU MADE SRINADI 1-5
PENERAPAN METODE LEAST MEDIAN SQUARE-MINIMUM COVARIANCE DETERMINANT
(LMS-MCD) DALAM REGRESI KOMPONEN UTAMA
I PUTU EKA IRAWAN, I KOMANG GDE SUKARSA, NI MADE ASIH 6-10
PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN
KEMATIAN ANAK BALITA
NI MADE SEKARMINI, I KOMANG GDE SUKARSA, I GUSTI AYU MADE SRINADI 11-16
KOMPARASI ANALISIS GEROMBOL (CLUSTER) DAN BIPLOT DALAM PENGELOMPOKAN PDF
I MADE ANOM ARIAWAN, I PUTU EKA NILA KENCANA, NI LUH PUTU SUCIPTAWATI 17-22
KARAKTERISTIK SEKTOR PERTANIAN DI PROVINSI BALI MENURUT SUBSEKTOR PENYUSUN PDF
PUTU OKA SURYA ARSANA, MADE SUSILAWATI, KETUT JAYANEGARA 23-28
HUBUNGAN PENGARUH PENOLONG KELAHIRAN TERHADAP STATUS KELAHIRAN BAYI
DENGAN KONTROL VARIABEL CONFOUNDING DI KABUPATEN BULELENG (STUDI KASUS:
PUSKESMAS SUKASADA II)
Vol 2, No 4 (2013) http://ojs.unud.ac.id/index.php/mtk/issue/view/1048
2 of 3 7/19/2014 2:26 PM
KADEK NOVIA DWIJAYANTHI, I GUSTI AYU MADE SRINADI, NI LUH PUTU SUCIPTAWATI 29-32
VARIABEL LATEN SEBAGAI MODERATOR DAN MEDIATOR DALAM HUBUNGAN KAUSAL PDF
I KOMANG GEDE ANTARA, I PUTU EKA NILA KENCANA, KETUT JAYANEGARA 33-39
PERUMUSAN PREMI BULANAN ASURANSI KESEHATAN INDIVIDU PERAWATAN RUMAH SAKIT
(ANUITAS HIDUP PEMBAYARAN BULANAN)
AGUSTINA PAULA THERESIA PUTRI LAHALLO, I NYOMAN WIDANA, DESAK PUTU EKA
NILAKUSMAWATI
40-45
PENGKLASIFIKASIAN DEBITUR DENGAN MENGGUNAKAN ALGORITMA GRAHAM SCAN
DALAM PENGAPLIKASIAN CONVEX HULL
AGUS EKA ARIESTA, G.K. GANDHIADI, NI KETUT TARI TASTRAWATI, I PUTU EKA NILA
KENCANA
46-52
ISSN: 2303-1751
Vol 2, No 4 (2013) http://ojs.unud.ac.id/index.php/mtk/issue/view/1048
3 of 3 7/19/2014 2:26 PM
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 46-52 ISSN: 2303-1751
1 Mahasiswa Jurusan Matematika FMIPA Universitas Udayana
2,3,4 Staf Pengajar Jurusan Matematika FMIPA Universitas Udayana 46
PENGKLASIFIKASIAN DEBITUR DENGAN MENGGUNAKAN
ALGORITMA GRAHAM SCAN DALAM PENGAPLIKASIAN
CONVEX HULL
AGUS EKA ARIESTA1, G.K. GANDHIADI
2, NI KETUT TARI TASTRAWATI
3,
I PUTU EKA NILA KENCANA4
1,2,3,4Jurusan Matematika FMIPA Universitas Udayana, Bukit Jimbaran-Bali
e-mail: [email protected],
Abstract
Computational geometry is the mathematical science of computation by
using the algorithm analysis to solve the problems of geometry. The problems of
computational include polygon triangulations, convex hulls, Voronoi diagrams,
and motion planning. Convex hull is the set of points that form a convex polygon
that covers the entire set of points. The algorithms for determining the convex
hull, among others, Graham Scan, Jarvis March, and Divide and Conquer. In the
two-dimensional case, Graham Scan algorithm is highly efficient in the use of
time complexity. This article discusses the quest convex hull of the data bank
debtors, some of the data used to look at the classification accuracy of the convex
hull formed. The coordinates of all the data found by using principal component
analysis.After the data are analyzed, we get the accuracy of classification by 74%.
Keywords: Computational geometry, convex hull, graham scan, principal
component analysis
1. Pendahuluan
Pada decade terakhir suatu disiplin ilmu yang dikenal dengan geometri
komputasi telah muncul. Geometri komputasi merupakan suatu ilmu pada bidang
matematika komputasi yang berhubungan dengan rancangan dan analisis
algoritma untuk menyelesaikan masalah–masalah geometri [1]. Bidang yang
mendasari geometri komputasi adalah matematika diskret dan algoritma
geometrik.
Permasalahan geometri komputasi mencakup beberapa hal, yakni
trigonometri poligon (polygon triangulations), convex hulls, Voronoi diagrams,
geometry searching, dan motion planning. Salah satu permasalahan yang
berkaitan dengan penentuan bentuk geometri komputasi dapat diselesaikan
dengan menggunakan algoritma pencarian convex hull. Tujuan utama dari
pencarian convex hull adalah menggambarkan perbedaan antarkelompok pada
variabel-variabel kontinu [3]. Adapun algoritma untuk menentukan convex hull
dari himpunan titik berhingga antara lain Brute Force, Graham Scan, Jarvis
March,dan Divide and Conquer. Tiap algoritma memiliki kelebihan dan
e-Jurnal Matematika Vol. 2, No. 4, Nopember 2013, 46-52
47
kekurangan masing-masing, namun dalam kasus berdimensi dua,algoritma
Graham Scan merupakan algortima yang cukup efisien dalam kompleksitas waktu
yang digunakan [2].
Dalam tulisan ini akan dibahas pencarian convex hull dari data debitur bank
dengan menggunakan algoritma Graham Scan. Debitur ini dikelompokkan
berdasarkan kemampuannya dalam melunasi kredit yakni kelompok lancar, diberi
perhatian khusus, kurang lancar, diragukan, dan macet. Dari data yang tersedia,
beberapa data akan digunakan untuk melihat seberapa besar ketepatan convex hull
dalam mengklasifikasikan debitur berdasarkan kemampuan dalam melunasi
kreditnya.
2. Metode Penelitian
Data yang digunakan dalam penelitian ini adalah data sekunder berupa data
besarnya pinjaman debitur, jangka waktu pinjaman, penghasilan per bulan debitur,
pendidikan terakhir debitur, dan kemampuan debitur dalam melunasi kreditnya yang
berjumlah 200 data.
Adapun teknik analisis data pada penelitian ini dilakukan dengan langkah-
langkah berikut:
1. Melakukan transformasi data
Transformasi dilakukan pada peubah bebas yang berskala ordinal, dengan
tujuan untuk mengubah data yang berskala ordinal tersebut menjadi berskala
interval dengan Method of Successive Interval (MSI). Pada penelitianini,
transformasi data dilakukan hanya pada variable pendidikan terakhir. Adapun
langkah-langkahnya sebagai berikut:
a. Dihitung frekuensi untuk setiap kategori.
b. Berdasarkan frekuensi setiap kategori dihitung proporsinya.
c. Dari proporsi yang diperoleh, dihitung proporsi kumulatif untuk setiap
kategori.
d. Ditentukan nilai batas Z untuk setiap kategori.
e. Dihitung scale value untuk setiap kategori melalui persamaan:
𝑠𝑐𝑎𝑙𝑒𝑣𝑎𝑙𝑢𝑒 =
𝑑𝑒𝑛𝑠𝑖𝑡𝑦 𝑎𝑡 𝑙𝑜𝑤𝑒𝑟 𝑙𝑖𝑚𝑖𝑡 − 𝑑𝑒𝑛𝑠𝑖𝑡𝑦 𝑎𝑡 𝑢𝑝𝑝𝑒𝑟 𝑙𝑖𝑚𝑖𝑡
𝑎𝑟𝑒𝑎 𝑢𝑛𝑑𝑒𝑟 𝑢𝑝𝑝𝑒𝑟 𝑙𝑖𝑚𝑖𝑡 − 𝑎𝑟𝑒𝑎 𝑢𝑛𝑑𝑒𝑟 𝑙𝑜𝑤𝑒𝑟 𝑙𝑖𝑚𝑖𝑡
f. Dihitung score untuk setiap kategori melalui persamaan:
𝑠𝑐𝑜𝑟𝑒 = 𝑠𝑐𝑎𝑙𝑒𝑣𝑎𝑙𝑢𝑒 + 𝑠𝑐𝑎𝑙𝑒𝑣𝑎𝑙𝑢 𝑒𝑚𝑖𝑛 + 1
2. Mencari titik koordinat (𝑥, 𝑦) masing-masing data dengan menggunakan
analisis komponen utama dengan mereduksikan variabel 𝑋1, 𝑋2, 𝑋3, 𝑋5.
Adapun langkah-langkahnya sebagai berikut:
a. Menentukan matrik sragam Σ yaitu matriks 𝑋′𝑋.
b. Mencari nilai eigen 𝜆 dari matriks ragam Σ .
c. Mencari dua vector eigen yang bersesuaian dengan dua nilai eigen
terbesar.
A.E.Ariesta, G.K.Gandhiadi, N.K.Tari Tastrawati, I P.E.Nila Kencana Pengklasifikasian Debitur
Menggunakan Algoritma Graham
Scan dalam Pengaplikasian Convex Hull
48
d. Menentukan score komponen vector cirri pada langkah c. Score
komponen pertama sebagai absis (x) dan score komponen kedua
sebagai ordinat (y).
3. Data tersebut akan dikelompokkan menjadi dua kelompok dengan
menggunakan teknik pengelompokan stratified random sampling.
Kelompok data pertama sebanyak 150 digunakan untuk membangun
convex hull (data analisis) dan kelompok data kedua sebanyak 50
berikutnya (data validasi) digunakan untuk memvalidasi ketepatan
klasifikasi.
4. Dua kelompok yang telah terbentuk pada langkah 3 akan dikelompokkan
lagi masing-masing menjadi lima subkelompok yang baru berdasarkan
kemampuan debitur dalam melunasi kreditnya, yakni kelompok lancar,
diberi perhatian khusus, kurang lancar, diragukan, dan macet.
5. Setiap subkelompok akan dibentuk pemetaan berdimensi dua dengan
menggunakan titik koordinat (𝑥, 𝑦) yang diperoleh dari langkah 2.
6. Pembentukan convex hull.
Adapun algoritma pembentukan convex hull dengan algoritma
Graham Scan dijelaskan sebagai berikut:
a) Setiap data pada masing-masing kelompok diurutkan berdasar
kanordinat 𝑦 terkecil. Jika terdapat lebih dari satu ordinat 𝑦 terkecil
maka ordinat 𝑦 terkecil dengan absis 𝑥 terkecil dipilih menjadi titik
awal pengurutan (𝑝0).
b) Pada masing-masing kelompok dicari besar sudut berlawanan arah
jarum jam yang terbentuk dari titik awal pengurutan(𝑝0) dan sumbu
mendatar yang melalui titik awal pengurutan terhadap titik-titik
lainnya.
c) Data diurutkan berdasarkan sudut yang diperoleh pada masing-masing
kelompok dari terkecil sampai terbesar (ascending).
d) Pada masing-masing kelompok dengan data yang telah terurut
dilakukan proses scan. Dipilih tiga buah titik terkecil (terurut) untuk
diuji nilai hasil kali silangnya. Jika hasil kali silang tersebut bernilai
positif maka proses scan dilanjutkan ketitik berikutnya, sedangkan jika
nilai hasil kali silang tiga titik bernilai negative atau nol maka titik
terkecil kedua dari tiga titik yang dipilih dihapus. Proses scan
dilakukan sampai ketitik terakhir padamasing-masing kelompok.
Sehingga diperoleh titik-titik luar yang merupakan titik pembentuk
convex hull pada masing-masing kelompok.
7. Menentukan kelompok masing-masing individu data validasi
berdasarkan convex hull yang terbentuk. Jika terdapat data yang berada
pada wilayah overlapping (tumpang tindih) dan di luar convex hull yang
terbentuk, maka data-data tersebut akan diklasifikasikan kembali
berdasarkan criteria berikut:
e-Jurnal Matematika Vol. 2, No. 4, Nopember 2013, 46-52
49
a) Pengklasifikasian data yang berada pada wilayah overlapping akan
ditentukan dengan mencari jarak Euclid terpendek antara data
terhadap centroid-centroid (titik tengah) wilayah yang bersangkutan.
b) Pengklasifikasian data yang berada di luar convex hull yang terbentuk
akan ditentukan denganjarak Euclid terpendek antara data terhadap
centroid kelima convex hull yang terbentuk
8. Mengukur ketepatan pengklasifikasian dengan menggunakan data
validasi.
9. Lakukan pengulangan langkah ke-3 sampai ke-9 sebanyak sembilan kali,
untuk mencari pengelompokan mana yang mempunyai ketepatan
klasifikasi terbesar.
3. Hasil dan Pembahasan
Langkah awal yang dilakukan adalah transformasi variabel yang berskala
ordinal menjadi skala interval dengan menggunakan Method of Successive
Interval (MSI). Variabel yang ditransformasi adalah variable pendidikan terakhir.
Setelah diubah menjadi skala interval, langkah selanjutnya adalah mencari titik
koordinat(𝑥, 𝑦) yang ditentukan oleh dua score component terbesar pada Analisis
Komponen Utama, score komponen terbesar pertama sebagai absis(𝑥) dan score
komponen kedua sebagai ordinat (𝑦).
Setelah didapatkan titik koordinat (𝑥, 𝑦), selanjutnya 200 data tersebut
dibagi menjadi dua yakni 150 sebagai pembentuk convex hull dan 50 sebagai data
validasi. Pembagian kelompok ini menggunakan teknik stratified random
sampling. Data yang berjumlah 200 akan dibagi menjadi lima kelompok yaitu, 90
data kelompok lancar, 46 data kelompok diberiperhatian khusus, 51 data
kelompok kurang lancar, 4 data kelompok diragukan, dan 9 data kelompok macet.
Selanjutnya pada masing-masing kelompok dilakukan pengacakan secara random,
lalu dipilih data yang akan dijadikan data analisis sampel dan data validasi
sampel.
Selanjutnya dibentuk pemetaan berdimensi dua dari data analisis yang telah
diolah. Kemudian membentuk convex hull masing-masing kelompok dengan
algoritma Graham Scan. Setelah convex hull terbentuk, data validasi dimasukkan
kedalam convex hull untuk menentukan ketepatan klasifikasi data tersebut.
A.E.Ariesta, G.K.Gandhiadi, N.K.Tari Tastrawati, I P.E.Nila Kencana Pengklasifikasian Debitur
Menggunakan Algoritma Graham
Scan dalam Pengaplikasian Convex Hull
50
Keterangan :
= data validasi
= wilayah yang membentuk kelompok lancar
= wilayah yang membentuk kelompok diberi perhatian
khusus
= wilayah yang membentuk kelompok kurang lancar
= wilayah yang membentuk kelompok diragukan
= wilayah yang membentuk kelompok macet
Perhatikan Gambar 1, terdapat beberapa data yang berada pada wilayah
overlapping (tumpang tindih) dan diluar convex hull yang terbentuk. Data yang
berada pada wilayah yang overlapping maupun diluar convex hull akan
diklasifikasikan kembali. Adapun pengklasifikasian untuk data-data tersebut
ditentukan berdasarkan kriteria berikut:
1. Pengklasifikasian data yang berada pada wilayah overlapping akan ditentukan
dengan mencari jarak Euclid terpendek antara data terhadap centroid-centroid
(titik tengah) wilayah yang bersangkutan.
2. Pengklasifikasian data yang berada di luar convex hull yang terbentuk akan
ditentukan dengan mencari jarak Euclid terpendek antara data terhadap
centroid dari kelima convex hull yang terbentuk.
Jarak Euclid dari data terhadap titik centroid yang bersesuaian(𝐽𝐸𝐶) dapat dicari
dengan rumus 𝐽𝐸𝐶𝑗 = 𝑥𝑖 − 𝑥𝑐𝑗 2
+ 𝑦𝑖 − 𝑦𝑐𝑗 2dengan,
𝑥𝑖 = komponen 𝑥d ata ke-𝑖 𝑖 = 1, … ,150
𝑦𝑖 = komponen 𝑦 data ke-𝑖 𝑥𝑐𝑗 = jarak centroid komponen 𝑥 pada kelompok data ke-𝑗 𝑖 = 1, … ,5
𝑦𝑐𝑗 = jarak centroid komponen 𝑦 pada kelompok data ke-𝑗
5 6 7 8 9 10 11-5.5
-5
-4.5
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
X
Y
data validasi
CH kel. 1
CH kel. 2
CH kel. 3
CH kel. 4
CH kel. 5
Gambar 1. Plot Data Validasi kedalam Convex Hull
e-Jurnal Matematika Vol. 2, No. 4, Nopember 2013, 46-52
51
Hasil dari data yang telah diklasifikasikan kembali disajikan pada Gambar 2.
Berdasarkan Gambar 2 diperoleh hasil ketepatan pengklasifikasian sebesar
74%. Hasil ketepatan ini adalah hasil yang terbesar setelah melakukan proses
mencari ketepatan pengklasifikasian sebanyak sepuluh kali.Adapun ringkasan dari
sepuluh pengulangan disajikan pada Tabel 1.
Tabel 1. Hasil Sepuluh Pengulangan Proses Mencari Ketepatan Pengklasifikasian
Pengulangan
Data Berada pada
Ketepatan Klasifikasi Wilayah yang
overlapping
Di Luar Convex
Hull
1 40 5 60%
2 31 16 58%
3 36 1 74%
4 39 9 54%
5 37 4 68%
6 37 9 60%
7 38 9 58%
8 34 6 68%
9 35 9 66%
10 34 5 70%
Dari Tabel 1 dapat dilihat bahwa ketepatan klasifikasi dipengaruhi oleh
banyaknya data yang berada pada wilayah yang overlapping dan di luar convex
hull yang terbentuk.
5 6 7 8 9 10 11-5.5
-5
-4.5
-4
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
X
Y
data kel. 1
data kel. 2
data kel. 3
data kel. 4
data kel. 5
CH kel. 1
CH kel. 2
CH kel. 3
CH kel. 4
CH kel. 5
Gambar 2. Hasil Akhir Pengklasifikasian kedalam Convex Hull
A.E.Ariesta, G.K.Gandhiadi, N.K.Tari Tastrawati, I P.E.Nila Kencana Pengklasifikasian Debitur
Menggunakan Algoritma Graham
Scan dalam Pengaplikasian Convex Hull
52
4. Kesimpulan
Berdasarkan hasil yang diperoleh, dapat diambil kesimpulan bahwa dari
setiap pengulangan diperoleh hasil ketepatan pengklasifikasian yang berbeda-
beda, dan ketepatan terbesar adalah 74%. Hasil ketepatan pengklasifikasian ini
dipengaruhi oleh banyaknya data validasi yang berada pada wilayah overlapping
dan data yang berada diluar convex hull yang terbentuk. Semakin banyak data
yang berada pada wilayah overlapping dan yang berada diluar convex hull, maka
ketepatan pengklasifikasiannya cenderung lebih kecil.
Daftar Pustaka
[1] Johnsonbaugh, Richard. 2002. Discrete Mathematics. Fourth edition.
Penerjemah: Didiek Djunaedi. Jakarta :PT Prehallindo.
[2] O’Rourke, Joseph. 1997. Computational Geometry in C. Second edition.
Cambrige University Press.
[3] Vidmar,G. M. P. 2004. Augmented Convex Hull Plots: Rationale,
Implementation in R and Beomedical Applications. Slovenia: Institute of
Biomedical Informatics Faculty of Medicine University of Ljubljana.