Minggu, 22 April 2018

ITIL


ITIL

1.What is ITIL and what are its origins?

As the most widely adopted framework for IT service management in the world, it is hard to believe that ITIL® is more than 20 years old. Its practical, no-nonsense approach to the identification, planning, delivery and support of IT services to businesses has revolutionized IT service management, and thousands of practitioners now implement ITIL best practice in their working environments. The latest editions of ITIL from the Cabinet Office were published in July 2011, and these five publications (ITIL Service Strategy, ITIL Service Design, ITIL Service Transition, ITIL Service Operation and ITIL Continual Service Improvement) form the core guidance of best management practice.

In the early 1980s, the evolution of computing technology moved from mainframe-centric infrastructure and centralized IT organizations to distributed computing and geographically dispersed resources. While the ability to distribute technology afforded organizations more flexibility, the side-effect was inconsistent application of processes for technology delivery and support. The UK government recognized that utilizing consistent practices for all aspects of an IT service lifecycle could assist in driving organizational effectiveness and efficiency, as well as achieving predictable service levels. It was this recognition that gave rise to ITIL, which has become a successful mechanism to drive consistency, efficiency and excellence into the business of managing IT services.

Since ITIL is an approach to IT ‘service’ management, the concept of a service must be discussed. A service is something that provides value to customers. Services that customers can directly utilize or consume are known as business services. An example of a business service that has common applicability across many industries would be Payroll. Payroll is an IT service that is used to consolidate information, calculate compensation and generate pay cheques on a regular basis, and which relies on other business services such as ‘time tracking’ or ‘benefits administration’ to provide the extra information necessary for its calculations.

In order for Payroll to run, it is supported by a number of technology or ‘infrastructure’ services. An infrastructure service does its work in the background, so that the business does not directly interact with it, but nevertheless this service is necessary as part of the overall value chain to the business service. ‘Server administration’, ‘database administration’ and ‘storage administration’ are all examples of infrastructure services required for the successful delivery of the Payroll business service (see Figure 1).

IT organizations have traditionally focused on managing the infrastructure services and technology silos. ITIL suggests a more holistic approach to managing services from end to end. Managing the entire business service along with its underlying components in a cohesive manner ensures that every aspect of a service is considered (and not just the individual technology silos) so that the required functionality (or utility) and service levels (or warranty) are delivered to the business customer. With respect to Payroll, this means accurate pay cheques for all employees, and service levels delivered within a certain timeframe, properly secured, and available when necessary.

ITIL can be adapted and used in conjunction with other good practices such as:
? COBIT (a framework for IT Governance and Controls)
? Six Sigma ( a quality methodology)
? TOGAF (a framework for IT architecture)
? ISO 27000 (a standard for IT security)
? ISO/IEC 20000 (a standard for IT service management).


2.The service lifecycle
ITIL is organized around a service lifecycle which includes service strategy, service design, service transition, service operation and continual service improvement.
The lifecycle starts with service strategy – understanding who the IT customers are, the service offerings that are required to meet the customers’ needs, the IT capabilities and resources that are required to develop these offerings, and the requirements for executing them successfully. Driven by strategy



throughout the course of delivery and support for the service, the IT service provider must always try to ensure that the cost of delivery is consistent with the value delivered to the customer.

Service design ensures that new and changed services are designed effectively to meet customer expectations. The technology and architecture required to meet customer needs cost-effectively are an integral part of service design, as are the processes required to manage the services. Service management systems and tools to adequately monitor and support new or modified services must be considered, as well as mechanisms for measuring the service levels, the technology, and the efficiency and effectiveness of processes.

Through the service transition phase of the lifecycle the design is built, tested and moved into production to enable the business customer to achieve the desired value. This phase addresses managing changes: controlling the assets and configuration items (the underlying components such as hardware, software etc.) associated with the new and changed systems; service validation; and testing and transition planning to ensure that users, support personnel and the production environment have been prepared for the release to production.

Once transitioned, service operation then delivers the service on an ongoing basis, overseeing the daily overall health of the service. This includes managing disruptions to service through rapid restoration after incidents; determining the root cause of problems and detecting trends associated with recurring issues; handling daily routine end-user requests; and managing service access.

Enveloping the service lifecycle is continual service improvement (CSI). CSI offers a mechanism for the IT organization to measure and improve the service levels, the technology and the efficiency and effectiveness of processes used in the overall management of services.

3.Why would an organization be interested in ITIL?
Although today’s technologies allow us to provide robust capabilities and afford significant flexibility, they are very complex. The global reach available to companies via the internet provides tremendous business opportunities while presenting further challenges regarding the confidentiality, integrity and availability of services and data. Additionally, IT organizations need to be able to meet or exceed service expectations while working as efficiently as possible. Consistent, repeatable processes are the key to efficiency, effectiveness and the ability to improve services. These consistent, repeatable processes are outlined in the ITIL framework.

THE BENEFITS OF ITIL

The main benefits of ITIL include:
? Alignment with business needs ITIL becomes an asset to the business when an IT organization can proactively recommend solutions as a response to one or more business needs. The IT steering group recommended in ITIL Service Strategy and the implementation of service portfolio management gives the service provider the opportunity to understand the business’s current and future needs and develop service offerings that can address them.
? Negotiated achievable service levels Business and the IT service provider become true partners when they can agree upon realistic service levels that deliver the necessary value at an acceptable cost.
? Predictable, consistent processes Customer expectations can be set and are easier to meet through the use of predictable processes that are consistently applied. In addition, good-practice processes provide a solid foundation on which to lay the groundwork necessary to meet regulatory
compliance requirements.
? Efficiency in service delivery Well-defined processes with clearly documented accountability for each activity as recommended through the use of a RACI matrix can significantly increase efficiency. In conjunction with the evaluation of efficiency metrics which indicate the time required to perform each activity, service delivery tasks can be optimized.
? Measurable, improvable services and processes The adage that you can’t manage what you cannot measure rings true here. Consistent, repeatable processes can be measured and therefore can be better tuned for accurate delivery and overall effectiveness. For example, a critical success factor for incident management is to reduce the time to restore service. When predictable, consistent processes are used, key performance indicators such as mean time to restore service can be captured to determine whether this KPI is trending in a positive or negative direction. Additionally, under ITIL guidelines, services are designed to be measurable. With proper metrics and monitoring in place, IT organizations can monitor service level agreements (SLAs) and make improvements as necessary.
?? A common language Terms are defined in a common glossary.

4.Which companies use ITIL?
Literally, thousands of companies worldwide and industries of all shapes and sizes have adopted ITIL. These include:
? Large technology companies such as Microsoft, HP, Fujitsu, IBM
? Retailers such as Target, Walmart and Staples
? Financial services organizations such as Citi, Bank of America, Barclays Bank
? Entertainment entities such as Sony, Disney
? Manufacturers such as Boeing, Toyota, Bombardier
? Life sciences companies such as Eli Lilly, Pfizer, Takeda Pharmaceuticals.
Because ITIL is a ‘framework’, it is meant to be adapted to suit the company’s industry, size, organizational structure and requirements. It can be adopted broadly across the lifecycle or within particular process areas to enable any IT organization to be a true strategic asset to the business it supports.
Kelas 4KA44

anggota Kelompok : 1. Dhinda Afsaryna Awanys
2. Zhykrah Latief
3. Rahmah Yuliana
4. Bianca Ayu S.
5. Fransiska Ciany Djaro

Jumat, 20 April 2018

Nama : Dhinda Afsaryna Awanys
Kelas : 4KA44
NPM : 1B117093
Mata Kuliah : Ilmu Budaya Dasar

Microsoft
Microsoft adalah perangkat lunak paket aplikasi perkantoran buatan Microsoft dan dirancang untuk dijalankan di bawah sistem operasi Microsoft Windows dan Mac OS X. Beberapa aplikasi di dalam Microsoft Office yang terkenal adalah Excel, Word, dan PowerPoint.


Visi, Misi dan Tujuan Perusahaan Microsoft Corporation
Hai para Blogger...Siapa yang tidak mengenal "Microsoft" ? Perusahaan raksasa yang bergerak di bidang teknologi khususnya dalam Perangkat Lunak yang bernama "Windows" untuk Komputer, yang sekarang telah merambah juga di dunia elektronik untuk komunikasi, yaitu Smartphone dengan nama Lumia. Bill Gates adalah pendiri dari perusahaan "Microsoft" ini, lalu apa yang membuat beliau bisa sukses dalam membangun perusahaan raksasa miliknya? Ya, beliau sukses karena tekad dan keberaniannya yang kuat serta didukung dengan Visi, Misi dan Tujuan yang jelas. Mau tahu apa Visi, Misi dan tujuan dari Perusahaan yang beliau bangun? Berikut akan saya jelaskan mengenai Visi, Misi dan Tujuannya.


Visi Microsoft :

Menjadi pemimpin pasar global dengan membuat terobosan baru untuk menciptakan revolusi besar di bidang teknologi mikroprosesor.


Misi Microsoft:

· Memberikan layanan terbaik dengan memenuhi keinginan pelanggan guna menjaga hubungan baik.
· Menciptakan suatu layanan dengan memberikan kemudahaan dan kenyamanan bagi para penggunanya atau menciptakan lingkungan antarmuka.
· Merekrut karyawan pekerja keras yang memiliki pengetahuan dan keterampilan pemrograman.
· Menetapkan standar industri untuk menjadi pemimpin industri.
· Membuat produk yang berkualitas dengan harga yang murah.



Tujuan Microsoft :

· Dapat menguasai pangsa pasar di Seluruh Negara.
· Meningkatkan kepuasan pelanggan dengan menciptakan inovasi baru untuk memudahkan para penggunanya. Microsoft mengukur kepuasan pelanggan dengan menggunakan user interface atau disebut jaringan tatapmuka pengguna.
· Menciptakan efektifitas kerja.



Budaya Kerja Microsoft


1. Manusia & Kesadaran
Di microsoft, bekerja adalah mengenai sesuatu yang kita lakukan. Yang kita hasilkan. Bukan hanya mengenai tempat ke mana kita pergi (untuk melakukan pekerjaan itu). Artinya, di microsoft Anda boleh bekerja kapan pun di mana pun. Yang terpenting adalah hasil dari pekerjaan Anda.


2. Manusian & Kebijakan
Di microsoft, anak magang punya suara yang sama dengan karyawan. Asalkan mereka memang berkompeten.


3. Manusia & Penampilan
Di microsoft semua karyawan dibebaskan untuk menjadi dirinya sendiri. Asal mampu menempatkan diri. Silakan, berangkat ke kantor pakai kaos! Tetapi tentu saja yang sepertinitu tidak berlaku saat para microsofties bertemu dengan konsumen/patner dari kantor lain.


4. Manusia & Masa depan
Di Microsoft, memberikan kesempatan emas kepada para talenta hebat adalah budaya. Kesempatan terbuka ke Microsoft di seluruh dunia.

5. Manusia & Kesempatan bekerja
Program kerja di microsoft adalah kegiatan yang menarik bagi para generasi Y. Generasi Y adalah generasi yang lahir antara tahun 1980 hingga 1990 an. Generasi yang mulai melek komputer. Microsoft memastikan bahwa apa yang mereka rancang akan menarik dan menantang untuk dilakukan oleh generasi Y.


6. Manusia & Pengahrgaan
Kami menghargai achievement setiap individu. Di sana selalu ada orang Indonesia yang naik ke atas panggung karena mereka berprestasi.


7. Manusia & Fleksibelitas
Kita bekerja dengan Microsoft office link sehingga kita bisa bekerja flexible kapan saja dan dari mana saja. Microsoft office Link adalah sebuah perangkat lunak edisi enterprise yang bisa digunakan untuk kolaborasi pekerjaan di perkantoran.


Sumber :
https://studentstelkomuniversity.com/begini-budaya-kerja-yang-ada-di-microsoft-indonesia/
http://septandi.blogspot.co.id/2015/03/visi-misi-dan-tujuan-perusahaan.html

Selasa, 03 April 2018

Konsep Data MIning contoh kasus KDD






Prediksi Data Anggaran Pendapatan Belanja Daerah Menggunakan Algoritma K-Means






 Abstrak

Penelitian ini dilakukan untuk mempelajari dan mengimplementasikan metode algoritma K-Means. Permasalahan yang terjadi pada Dinas Pengelola Keuangan dan Aset (DPKA) yaitu sulitnya pengelompokkan data Anggaran Pendapatan Belanja Daerah (APBD) pertahun, sehingga sulit untuk memprediksi Anggaran Pendapatan Belanja Daerah pada tahun yang akan datang. Oleh karena itu digunakan algoritma K-Means untuk mengelompokkan data-data Anggaran Pendapatan Belanja Daerah (APBD). Algoritma K-Means adalah salah satu algoritma yang paling sederhana untuk menyelesaikan permasalahan clustering dengan baik. Algoritma K-Means sangat populer untuk menemukan cluster dalam dataset dalam perhitungan perulangan. Metode algoritma K-Means dapat menggunakan software Tanagra. Agar hasil yang diharapkan pada sistem ini

dapat memberikan prediksi untuk Anggaran Pendapatan Belanja Daerah (APBD) pada tahun mendatang

Kata Kunci : Data Mining, Clustering, K-Means, APBD

1.        Pendahuluan

Pada setiap instansi atau lembaga yang mengelola keuangan daerah terdapat begitu banyak data, sehingga menimbulkan kesulitan dalam hal pengelompokan data. Penatausahaan anggaran pendapatan belanja daerah pada Pemerintah Kota Payakumbuh belum efektif dilaksanakan disebabkan banyaknya kendala dalam penatausahaan tersebut, di antaranya keterbatasan sumber daya manusia.

Data mining adalah teknik untuk menggali nilai tambah dari suatu kumpulan data dari suatu pengetahuan yang belum diketahui secara manual. Data mining sering melibatkan analisis dari data yang tersimpan dalam data warehouse. Data mining merupakan proses pencarian pola dan relasi-relasi yang tersembunyi dalam sejumlah data yang besar dengan tujuan untuk melakukan klasifikasi, estimasi,



forecasting, asosiasi rule, sequential pattern, clustering, regression, deskripsi dan visualisasi [1].

Data Anggaran Pendapatan Belanja Daerah (APBD) merupakan suatu rencana keuangan tahunan pemerintah daerah yang disetujui oleh Dewan Perwakilan Rakyat Daerah, yang dikelola oleh Dinas Pengelola Keuangan dan Aset (DPKA) pada suatu kota tertentu.

Kendala yang dihadapi oleh lembaga keuangan pemerintah di daerah Kota Payakumbuh adalah bagaimana mengelola dan mengidentifikasi data APBD yang begitu banyak. Namun seiring dengan perkembangan Teknologi Informasi (TI) muncul berbagai cara dan solusi untuk mengatasi dan meminimalisir kesulitan dalam mengidentifikasi masalah tersebut. Berdasarkan permasalahan diatas

algoritma K-Means akan diterapkan untuk memprediksi data anggaran pendapatan belanja daerah sehingga dari hasil penelitian ini akan terbangun clusterisasi data APBK kota Payakumbuh sebagai tempat objek penelitian. Selanjutnya dari hasil penelitian ini juga dapat ditentukan jumlah cluster yang paling tepat dan akurat terhadap data APBD, dapat mengelompokkan dan menentukan jumlah cluster yang paling tepat dan akurat terhadap data APBD serta mampu menganalisa hasilnya untuk menentukan parameter-parameter batasan berdasarkan karakteristik masing-masing.

2.        Landasan Teori

2.1   Knowledge Discovery in Databases (KDD)

Knowledge Discovery in Databases merupakan sekumpulan proses untuk menemukan pengetahuan yang bermanfaat dari data. KDD terdiri dari serangkaian langkah perubahan, termasuk data preprocessing dan juga post processing. Data propecessing merupakan langkah untuk mengubah data mentah menjadi format yang sesuai untuk tahap analisis berikutnya. Selain itu data preprocessing juga digunakan untuk membantu dalam pengenalan atribut dan data segmen yang relevan dengan task Data Mining.






Istilah Data Mining dan Knowledge Discovery in Databases (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan proses KDD adalah Data Mining. Proses Knowledge Discovery in Databases (KDD) secara garis besar dapat dijelaskan sebagai berikut [5] :

  

Gambar 1. Tahapan Knowledge Discovery in

Databases (KDD)

1.    Data Selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam knowledge data discovery dimulai. Data hasil seleksi yang akan digunakan untuk proses Data Mining, disimpan dalam suatu berkas, terpisah dari basis data operasional.

2.    Pre-processing atau cleaning

Sebelum proses Data Mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus knowledge data discovery. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkosisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses memperkaya data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan KDD, seperti data atau informasi eksternal.

3.    Transformation

Coding adalah proses tranformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses Data Mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data.

4.  Data Mining




Data Mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam Data Mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan.

5.     Interpretation atau Evaluation

Pola informasi yang dihasilkan dari proses Data Mining perlu ditampilkan dalam bentuk yang

mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

2.2 Data mining

Data Mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan dalam database. Data Mining adalah proses yang menggunakan teknik variabel, matematika, kecerdasan buatan dan machine learning untuk mengektraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar [8].

Menurut Gartner Group Data Mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik 74 variabel dan matematika [6].

2.2.1       Pengelompokan Data Mining

Data Mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu [7] :
1.     Deskripsi

Deskripsi adalah menggambarkan pola dan kecenderungan yang terdapat dalam data yang memungkinkan memberikan penjelasan dari suatu pola atau kecenderungan tersebut.

2.     Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih 74kearah

numerik daripada kearah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai variabel target sebagai nilai prediksi.
3.     Prediksi

Prediksi hamper sama dengan klasifikasi dan estimasi, akan tetapi dalam prediksi nilai dari hasil akan datang ada di masa mendatang.

4.     Klasifikasi





Klasifikasi adalah proses untuk menemukan model atau fungsi yang menggambarkan dan membedakan kelas data atau konsep dengan tujuan memprediksikan kelas untuk data yang tidak diketahui kelasnya.

5.    Pengklusteran

Pengklusteran merupakan pengelompokkan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan. Cluster adalah kumpulan record yang memilki kemiripan satu dengan yang lainnya dan memiliki kemiripan dengan record-record dalam cluster lain.

6.    Asosiasi

Asosiasi dalam Data Mining adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja.

2.2.2       Proses Data Mining

Tahapan proses dalam Data Mining adalah sebagai berikut :

1.    Pembersihan data yang merupakan fase semua data yang tidak relevan akan dihapus.

2.    Integrasi data yaitu tahapan mengkombinasi data yang bersifat heterogen dari sumber data yang sama.

3.    Seleksi data yaitu data yang relevan dengan analisis diambil dari proses pengumpulan data.

4.    Trasformasi data yaitu fase di mana data yang akan dipilih berubah bentuk sesuai kebutuhan dalam proses Data Mining.

5.    Evaluasi pola yang merupakan kegiatan menarik pola yang mewakili pengidentifikasian pengetahuan berdasarkan langkah-langkah yang diberikan.

6.    Persentasi pengetahuan merupakan tahap akhir di mana pengetahuan ditemukan secara visual yang ditampilkan pada pengguna atau tahap ini merupakan tahap teknik visualisasi untuk

membantu pengguna memahami dan menginterpretasikan hasil Data Mining.

2.3 Clustering

Clustering adalah salah satu teknik Data Mining untuk menemukan kumpulan objek hingga objek-objek dalam satu kelompok yang sama (punya hubungan) dengan yang lain dan berbeda (tidak berhubungan) dengan objek-objek dalam kelompok lain. Tujuan dari analisa cluster adalah meminimalkan jarak di dalam cluster dan memaksimalkan jarak antar cluster.

2.3.1. K-Means

Algoritma K-Means merupakan algoritma pengelompokan iterative yang melakukan partisi set




data ke dalam sejumlah K cluster yang telah ditetapkan di awal. Algoritma K-Means sederhana untuk

diimplementasikan dan dijalankan, relatif cepat, mudah beradaptasi, umum penggunaannya dalam praktek. Secara historis, K-Means menjadi salah satu algoritma yang paling penting dalam bidang Data Mining [7].

Secara historis, bentuk esensial K-Means ditemukan oleh sejumlah peneliti dari lintas disiplin ilmu. Yang paling berpengaruh adalah Lloyd (1982), Forgey (1965), Friedman dan Rubin (1967), dan McQueen (1967). Algoritma K-Means berkembang hingga menjadi konteks yang lebih besar sebagai algoritma hill-climbing, seperti yang disampaikan oleh Gray dan Nuhoff (1998).

Dasar algoritma K-Means sebagai berikut [7] :

1.     Inisialisasi : tentukan nilai K sebagai jumlah cluster yang diinginkan dan metrik ketidakmiripan (jarak) yang diinginkan. Jika perlu, tetapkan ambang batas perubahan fungsi objektif dan ambang batas perubahan posisi centroid.

2.     Pilih K data dari set data X sebagai centroid.

3.     Alokasikan semua data ke centroid terdekat dengan jarak metrik jarak yang sudah ditetapkan .

=1  1   2 +   1  1   2

4.     Hitung kembali centoid C berdasarkan data yang mengikuti cluster masing-masing.
=
1







5.     Ulangi langkah 3 dan 4 hingga kondisi konvergen tercapai, yaitu :

a.     Perubahan fungsi objektif sudah di bawah ambang batas yang diinginkan.

b.     Tidak ada data yang berpindah cluster.

c.     Perubahan posisi centroid sudah di bawah ambang batas yang ditetapkan.

1.             Metodologi Penelitian

Metodologi penelitian ini dimulai dari mempelajari beberapa literatur yang berhubungan dengan topik penelitian yang sedang dilakukan, dilanjutkan dengan mengumpulkan data-data yang berhubungan dan merumuskan masalah penelitian sebagai langkah awal terhadap proses yang dilakukan. Tahapan selanjutnya menganalisa proses data mining dengan metode K-Means dan mengimplementasikan metode K-Means tersebut dengan menggunakan tools Tanagra. Tahapan terakhir adalah pengujian terhadap sistem untuk mengetahui tingkat validitas dari sistem yang dibangun. Tahapan lengkap penelitian sebagaimana






yang dijabarkan diatas terdapat dalam gambar 1 dibawah.



Gambar 2. Metodologi Penelitian


4.          Analisis Sistem

4.1 Analisis Clustering dengan Algoritma K-Means

K-Means termasuk dalam metode Data Mining partitioning clustering yaitu setiap data harus masuk dalam cluster tertentu memungkinkan bagi setiap data yang termasuk dalam cluster terntuntu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster lain. K-Means memisahkan data ke K daerah bagian yang terpisah, di mana K adalah bilangan integer positif. Algoritma K-Means sangat terkenal karena kemudahan dan kemampuannya untuk mengklasifikasi data besar dan outlier dengan sangat cepat.

Tabel 1. List jenis pendapatan
Data
Jenis
M
Jumlah
Jumlah
ke-
Pendapatan
ke-
Pendapatan
Instansi
1
Pajak Daerah
1
49
18
2
Retribusi
2
7
18

daerah




3
Hasil

3
3
10

Pengelolaan




kekayaan




daerah
yang




Dipisahkan



4
Lain-lain
4
12
12

PAD
yang




sah




5
Dana
Bagi
5
74
18

hasil
Pajak/




Bagi
hasil




bukan pajak



6
Dana Alokasi
6
191
15

Umum




7
Dana Alokasi
7
21
5






Khusus



8
Hibah
8
2
18
9
Dana Darurat
9
638
18
10
Dana
Bagi
10
11
18

Hasil
Pajak




dari
Provinsi




dan
Pemda




Lainnya



11
Dana

11
20
18

Penyesuaian




dan
Otonomi




Khusus



12
Bantuan
12
3
10

Keuangan




dari
Provinsi




atau
Pemda




Lainnya



13
Lain-lain
13
3
5

Tabel 2. Pengelompokan cluster 1
Data
Jenis
M
Jumlah
Jumlah
ke-
Pendapatan
ke-
Pendapatan
Instansi
1
Dana Darurat
9
638
18

Tabel 3. Pengelompokan cluster 2
Data
Jenis
M
Jumlah
Jumlah
ke-
Pendapatan
ke-
Pendapatan
Instansi
1
Pajak Daerah
1
49
18
2
Retribusi
2
7
18

daerah



3
Hasil

3
3
10

Pengelolaan




kekayaan




daerah   yang




Dipisahkan



4
Lain-lain
4
12
12

PAD
yang




sah




5
Dana
Bagi
5
74
18

hasil
Pajak/




Bagi
hasil




bukan pajak



6
Dana Alokasi
6
191
15

Umum



7
Dana Alokasi
7
21
5

Khusus



8
Hibah
8
2
18
9
Dana
Bagi
10
11
18

Hasil
Pajak




dari
Provinsi




dan
Pemda




Lainnya



10
Dana

11
20
18

Penyesuaian




dan
Otonomi




Khusus



11
Bantuan
12
3
10

Keuangan




dari
Provinsi




atau
Pemda




Lainnya



12
Lain-lain
13
3
5





Setelah cluster terbentuk, tahap selanjutnya yaitu memberi nama spesifik untuk menggambarkan isi cluster tersebut. Dari kedua cluster yang terbentuk kita dapat mengklasifikasikan sebagai berikut :

1.    Cluster pertama : dari 13 data pendapatan didapat 1 pendapatan yang besar.

2.    Cluster kedua : dari 13 data pendapatan didapat 12 pendapatan tidak besar.

Tabel 4. List jenis belanja
Data
Jenis Belanja
M
Jumlah
Jumlah
ke-


ke-
Belanja
Instansi
1
Belanja Pegawai
1
200
18
2
Belanja Bunga
2
200
18
3
Belanja Subsidi
3
250
18
4
Belanja Hibah
4
20
8
5
Belanja
Bantuan
5
25
10

Sosial




6
Belanja Bagi Hasil
6
20
18

kepada





Prop/Kab/Kota




dan Pemdas



7
Belanja
Bantuan
7
20
8

Keuangan
kepada




Prop/Kab/Kota




dan Pemdas



8
Belanja
Tidak
8
10
18

terduga




9
Belanja
Barang
9
80
18

dan Jasa




10
Belanja Modal
10
120
18


Tabel 5. Pengelompokan cluster 1
Data
Jenis Belanja
M
Jumlah
Jumlah
ke-


ke-
Belanja
Instansi
1
Belanja Hibah
4
20
8
2
Belanja
Bantuan
5
25
10

Sosial




3
Belanja
Bagi
6
20
18

Hasil
kepada




Prop/Kab/Kota




dan Pemdas



4
Belanja
Bantuan
7
20
8

Keuangan




kepada





Prop/Kab/Kota




dan Pemdas



5
Belanja
Tidak
8
10
18

terduga




6
Belanja
Barang
9
80
18

dan Jasa






Tabel 6. Pengelompokan cluster 2
Data
Jenis
M
Jumlah
Jumlah
ke-
Belanja
ke-
Belanja
Instansi
1
Belanja
1
200
18





Pegawai



2
Belanja
2
200
18

Bunga



3
Belanja
3
250
18

Subsidi



4
Belanja
10
120
18

Modal




Setelah cluster terbentuk, tahap selanjutnya yaitu memberi nama spesifik untuk menggambarkan isi cluster tersebut. Dari kedua cluster yang terbentuk kita dapat mengklasifikasikan sebagai berikut :

1.     Cluster pertama : dari 10 jenis belanja didapat 6 belanja yang besar.

2.     Cluster kedua : dari 10 jenis belanja didapat 4 belanja yang tidak besar.

5. Implementasi Dan Hasil

Hasil yang didapat seteleh melakukan pengujian dengan software Tanagra adalah sebagai berikut :



Gambar 3. Cluster yang terbentuk melalui software tanagra

Dari    kedua   cluster    yang    terbentuk    dengan

menggunakan software tanagra kita dapat mengklasifikasikan sebagai berikut :

1.     Cluster pertama : dari 13 data pendapatan didapat 1 pendapatan yang besar.

2.     Cluster kedua : dari 13 data pendapatan didapat 12 pendapatan tidak besar.


6.         Kesimpulan dan Saran

6.1  Kesimpulan

Berdasarkan uraian pada bab-bab yang sudah dibahas sebelumnya maka dapat diambil kesimpulan:

1.     Penelitian  ini   menganalisis  data  Anggaran
PendapatanBelanjaDaerah(APBD)

menggunakan clustering dengan algoritma K-Means.

2.    Sistem  clustering  data  Anggaran  Pendapatan

Belanja Daerah (APBD) menggunakan algoritma K-Means dapat mengelompokan dan memprediksi data pada tahun berikutnya.

6.2 Saran

Berdasarkan hasil penelitian yang telah dilakukan maka diharapkan penelitian selanjutnya :

1.    Menggunakan data historis yang lebih banyak untuk menemukan pola yang lebih baik.

2.    Diuji kembali dengan menggunakan algoritma clustering lainnya.

3.    Proses penyimpanan data diharapkan menggunakan sistem komputerisasi sehingga data bisa tersimpan lebih baik, sehingga ketika dibutuhkan dapat diolah lebih cepat, apabila nanti adanya pengembangan sistem.

4.    Pengembangan sistem sebaiknya dilakukan untuk menutupi kekurangan dari sistem yang telah ada saat ini.


Referensi

[1]   Narendra Sharma, Aman Bajpai, Mr. Ratnesh Litoriya

(2012). “Comparison the various clustering algorithms of weka tools”, India.

[2]       Hemlata  Sahu,  Shalini  Shrma,  Seema  Gondhalakar
(2012). “A Brief Overview on Data Mining Survey”,

India.

[3]       Minky Jindal, Nisha Kharb (2013). “K-means Clustering Technique on Search Engine

Dataset using Data Mining Tool”, India.

[4]       Athanasia O. P. Dewi, Wiranto H. Utomo, Sri Yulianto

J.P (2013). “Identification of Potential Student Academic Ability Using Comparison Algorithm K-Means and Farthest First”, Indonesia.

[5]     Kusrini, Emha Taufiq Luthfi (2009). “Algoritma Data Mining”, STMIK AMIKOM Yogyakarta.
[6]     Larose, Daniel T (2005). “Discovering Knowledge in
Data : An Introduction to Data Mining”.

[7]       Eko Prasetyo (2014). “Data Mining Mengolah Data Menjadi Informasi menggunakan matlab”, Yogyakarta.

[8]       Turban, E, dkk (2005), “Decesion Support System and Intelligent Systems”, Yogyakarta.
[9]       http://jurnal.stmik-amik-riau.ac.id/index.php/satin/article/view/109/pdf




Nama : Dhinda Afsaryna Awanys
NPM  : 1B117093
Kelas  : 4KA44