ANALISI ALGORTIMA K-MEANS UNTUK SISTEM PENDUKUNG

KEPUTUSAN PENJURUSAN SISWA DI MAN BINONG SUBANG

Arim Wijaya

Universitas Komputer Indonesia

Jl. Dipati Ukur No.112 Bandung 40132

Email : arim.wijaya@yahoo.co.id

ABSTRAK

MAN Binong, merupakan salah satu sekolah madrasah aliyah negeri di kabupaten

Subang yang mengadakan penjurusan siswa kelas X (sepuluh) yang akan melanjutkan study ke

kelas XI (sebelas). Kendala yang sering ditemukan dalam proses penjurusan di MAN Binong yaitu

sulitnya menentukan siswa mana yang memenuhi kriteria untuk menempati jurusan tertentu. Hal

ini dikarenakan proses penjurusan masih dilakukan dengan manual, sehingga membutuhkan

waktu yang cukup lama dan dinilai kurang efisien.

Pada penelitian ini akan diangkat suatu kasus yaitu menganalisis algoritma K-Means

untuk sistem pendukung keputusan penjurusan siswa di MAN Binong Subang. Algoritma K-Means

dapat mengelompokkan (segmentasi) data yang mempunyai atribut dan mempunyai jumlah data

yang banyak, sehingga dapat dimanfaatkan dalam sistem penentuan penjurusan siswa yang sesuai

dengan kemampuan akademik siswa.

Berdasarkan hasil analisis terhadap algoritma K-Means untuk sistem pendukung

keputusan penjurusan, maka kesimpulan yang dapat diambil adalah algoritma K-Means kurang

tepat untuk sistem pendukung keputusan penjurusan tetapi algoritma K-Means lebih tepat untuk

mengelompokan data siswa berdasarkan data nilai yang bisa memberikan gambaran untuk

penjurusan siswa.

Kata kunci : Analisis, Sistem Pendukung Keputusan, K-Means, Penjurusan, Nilai

1. PENDAHULUAN

1.1 Identifikasi Masalah Sulitnya menentukan siswa mana yang

memenuhi kriteria untuk menempati jurusan

tertentu.

1.2 Maksud dan Tujuan Adapun maksud dari penulisan tugas

akhir ini adalah menganalisis algoritma K-

Means untuk sistem pendukung keputusan

penjurusan siswa di MAN Binong Suban

Adapun tujuan yang ingin dicapai adalah

untuk menguji tepat atau tidaknya algoritma

k-means dalam sistem pendukung keputusan

penjurusan siswa.

1.3 Manfaat Manfaat yang didapat dalam anlisis

algortima k-means dalam sistem pendukung

keputusan penjurusan siswa ini adalah

mampu memberikan gambaran untuk

penjurusan siswa.

2. MODEL, ANALISA, DESAIN,

DAN IMPLEMENTASI

2.1 Model 1. Tahap pengumpulan data

a. Studi pustaka

b. Studi lapangan

b.1 Wawancara

b.2 Observasi

2. Tahap pengembangan perangkat lunak.

a. System engineering

b. Requirement analysis

c. System Design (perancangan)

d. System Coding (pengkodean)

e. System Testing (pengujian)

f. System Maintenance (pemeliharaan)

2.2 Analisis Masalah Berdasakan pada analisis dan hasil

wawancara terhadap apa yang dibutuhkan

dalam mengalisis algoritma k-means ini

maka dapat dievaluasi hal berikut :

Proses pengambilan keputusan penjurusan

siswa pada MAN Binong masih dilakukan

secara manual, yaitu dengan mengumpulkan

nilai semester dari masing-masing wali kelas

X kepada guru bimbingan konseling (bagian

penjurusan) lalu mereka menganalisis dan

menghitung hasilnya serta mencocokkannya

dengan kriteria jurusan tertentu. Hal ini

menyulitkan guru bimbingan konseling

(bagian penjurusan) MAN Binong dalam

penjurusan siswa serta membutuhkan waktu

yang cukup lama untuk menganalisisnya.

2.3 Analisis Algoritma K-Means

K-Means termasuk dalam partitioning

clustering yaitu setiap data harus masuk

dalam cluster tertentu dan memungkinkan

bagi setiap data yang termasuk dalam cluster

tertentu pada suatu tahapan proses, pada

tahapan berikutnya berpindah ke cluster

yang lain. K-Means memisahkan data ke k

daerah bagian yang terpisah, dimana k

adalah bilangan integer positif. Algoritma

K-Means sangat terkenal karena kemudahan

dan kemampuannya untuk mengklasifikasi

data besar dan outlier dengan sangat cepat

Berikut adalah langkah-langkah algoritma

K-Means :

1. Penentuan pusat cluster awal Dalam menentukan n buah pusat

cluster awal dilakukan pembangkitan

bilangan random yang merepresentasikan

urutan data input. Pusat awal cluster

didapatkan dari data sendiri bukan dengan

menentukan titik baru, yaitu dengan

menrandom pusat awal dari data.

2. Perhitungan jarak dengan pusat

cluster Untuk mengukur jarak antara data

dengan pusat cluster digunakan Euclidian

distance.

Algoritma perhitungan jarak data dengan

pusat cluster

1) Ambil nilai data dan nilai pusat

cluster

2) Hitung Euclidian distance data

dengan tiap pusat cluster

3. Pengelompokkan data Jarak hasil perhitungan akan

dilakukan perbandingan dan dipilih jarak

terdekat antara data dengan pusat cluster,

jarak ini menunjukkan bahwa data tersebut

berada dalam satu kelompok dengan pusat

cluster terdekat.

Algoritma pengelompokkan data

1. Ambil nilai jarak tiap pusat cluster

dengan data

2. Cari nilai jarak terkecil

3. Kelompokkan data dengan pusat

cluster yang memiliki jarak

terkecil.

4. Penentuan pusat cluster baru Untuk mendapatkan pusat cluster

baru bisa dihitung dari rata-rata nilai

anggota cluster dan pusat cluster. Pusat

cluster yang baru digunakan untuk

melakukan iterasi selanjutnya, jika hasil

yang didapatkan belum konvergen. Proses

iterasi akan berhenti jika telah memenuhi

maksimum iterasi yang dimasukkan oleh

User atau hasil yang dicapai sudah

konvergen (pusat cluster baru sama dengan

pusat cluster lama).

Algoritma penentuan pusat cluster baru

1. Cari jumlah anggota tiap cluster

2. Hitung pusat baru dengan rumus

Pusat cluster baru =

x1+x2+x3+…+xn+xp

Juml + 1

Dimana :

x1, x2, x3,…xn =

anggota cluster

xp = pusat lama

wawancara, dan psikotest serta 1 crisp

output yaitu departemen.

1. Komposisi Aturan

Dalam menentukan inferensi fuzzynya secara

umum dapat dituliskan sebagai berikut :

µf (xi) = max (µf (xi) , µk (xi))

Keterangan :

µf (xi) : nilai keanggotaan fuzzy sampai

aturan ke – i

µk (xi) : nilai keanggotaan konsekuen fuzzy

aturan ke – i

2. Penegasan (Defuzzifikasi)

Proses defuzzifikasi dapat dituliskan

sebagai berikut :

Keterangan :

Z = nilai rata – rata terbobot

µf = nilai keanggotaan fuzzy sebagai

hasil dari komposisi aturan

Xi = nilai domain

2.3.1 Proses Clustering Algoritma K-

Means

Pada tahap ini akan dilakukan proses

utama yaitu segmentasi data nilai yang

diakses dari database yaitu sebuah metode

clustering algoritma K-Means. Berikut ini

merupakan diagram flowchart dari algoritma

K-Means dengan asumsi bahwa parameter

input adalah jumlah data set sebanyak n data

dan jumlah inisialisasi centroid K=2 sesuai

dengan jumlah jurusan yang ada di MAN

Binong yaitu IPA dan IPS.

Gambar 3.3 adalah gambar flow chart

proses K-Means pada aplikasi penentuan

penjurusan berdasarkan nilai semester.

Mulai

Jumlah Attribut = 8

Jumlah Centroid = 2

Random Centroid

awal

Hitung setiap data dengan

setiap centorid

Pengelompokan data

berdasarkan jarak terdekat

Update centroid cluster

baru

Optimal jarak?

Selesai

Interaksi = 50?

Hitung setiap data dengan

setiap centorid

Ya

Tidak

Tidak

Ya Gambar 1 Flow Chart Proses Algoritma K-

Means

2.4 Desain 1. Entity Relationship Diagram (ERD)

ERD Sistem pendukung keputusan

penjurusan ini digambarkan pada gambar 2.

Memiliki

Kelas Thn AjaranMemiliki

Siswa Nilai Mata_Pelajaran

memiliki Bobot_nilai

NIS

Kd_kelas

kdmp

Kd_thnajaran

kdmp

Id_nilaiNIS

Hasil_Penjurusan Menghasilkan

User

mengolah

1

1

Memiliki

id

N

N

Id_hasil_penjurusan

Id_user

Memiliki

N

1

Jurusan

memiliki

1

memiliki

memiliki

11

N

N

1 1

1

N

1

N

N

N

N

1

kodejurusan

N

Gambar 1. Entiry Relationship Diagram

2. Relasi Tabel

Skema relasi analisis algoritma k-measn

untuk sistem pendukung keputusan

penjurusan dapat dilihat pada gambar 3.

pelamar

PK kd_pelamar

nama_pelamar

ktp

tp_lahir

tgl_lahir

jns_kelamin

alamat

no_tlp

agama

pendididkan_akhir

FK1 kd_keahlian

FK2 kd_jurusan

penilaian

PK id_penilaian

nilai

FK2 username

FK1 kd_seleksi

FK3 kd_pelamar

total_nilai

status_kelulusan

kriteria_seleksi

PK kd_seleksi

jenis_seleksi

FK1 periode

departemen

PK kd_departemen

nama_departemen

range_nilai

kebutuhan

user

PK username

password

level

status

standarnilai_kriteriaseleksi

PK kd_standarnilai

tpe

bts_atas

bts_bawah

FK1 kd_seleksi

kriteria_penempatan_departemen

PK kd_kriteria_penempatan

jenis

bobot

FK1 periode

keahlian

PK kd_keahlian

keahlian

FK1 kd_departemen

tahun_periode

PK periode

nilai_minimum

jurusan

PK kd_jurusan

nama

penempatan

PK kd_penempatan

keahlian

wawancara

psikotest

FK1 kd_pelamar

FK2 kd_kriteria_penempatan

FK3 kd_departemen

Gambar 2. Skema Relasi

3. Diagram Konteks

Diagram konteks sistem pendukung

keputusan penerimaan karyawan pada

departemen tertentu di PT. Pindad (Persero)

dapat dilihat pada gambar 3.

Sistem pendukung

keputusan penerimaan

karyawanadminPegawai

bidminku

Data login

Data tahun periode

Data user

Data departemen

Data kriteria seleksi

Data standar nilai kriteria seleksi

Data kriteria penempatan departemen

Data jurusan

Data keahlian

Info login invalid

Info tahun periode

Info user

Info departemen

Info kriteria seleksi

Info standar nilai kriteria seleksi

Info kriteria penempatan departemen

Info jurusan

Info keahlian

Data login

Data tahun periode

Data pelamar

Data password yang diubah

Data penilaian

Info login invalid

Info tahun periode

Info pelamar

Info password yang diubah

Info penilaian Gambar 3. Diagram Konteks

4. Data Flow Diagram (DFD)

DFD sistem pendukung keputusan

penerimaan karyawan pada departemen

tertentu di PT. Pindad (Persero) dapat dilihat

pada gambar 4.

1.0

Login admin

user

2.0

Pengolahan data master

Data login

Data tahun periode

Info login invalid

Info tahun periode Data login

Info login invalid

Data user

Data password yang diubah

Info user

Info password yang diubah

Da

ta k

ea

hlia

n

Da

ta k

rite

ria

pe

ne

mp

ata

n

de

pa

rte

me

n

Da

ta s

tan

da

r n

ila

i krite

ria

se

leksi

Da

ta k

rite

ria

se

leksi

Da

ta d

ep

arte

me

n

Da

ta u

se

r

Da

ta ju

ru

sa

n

info

ke

ah

lia

n

Info

krite

ria

pe

ne

mp

ata

n

de

pa

rte

me

n

Info

sta

nd

ar n

ila

i krite

ria

se

leksi

info

krite

ria

se

leksi

Info

de

pa

rte

me

n

Info

ju

ru

sa

n

departemen

Da

ta

de

pa

rte

me

n

Info

de

pa

rte

me

n

pelamar

Da

ta p

ela

ma

r

Info

pe

lam

ar

kriteria

seleksi

Da

ta k

rite

ria

se

leksi

Info

krite

ria

se

leksi

3.0

Pengolahan nilai

pegawai bidminku

Data login

Info login invalid

Data pelamar

Data password yang diubah

Info pelamar

Info password yang diubah

Request data departemen

Info departemen

Request data pelamar

Info pelamar

Request data kriteria seleksi

Info kriteria seleksi

Data penilaian

Data penempatan

Info penilaian

Info penempatan

penilaian

Da

ta p

en

ila

ian

Info

pe

nila

ian

Standar nilai

Kriteria seleksi

Da

ta s

tan

da

r n

ila

i

krite

ria

se

leksi

Info

sta

nd

ar n

ila

i

krite

ria

se

leksi

Request data standar

nilai kriteria seleksi

info data standar nilai

kriteria seleksi

penempatan

Da

ta p

en

em

pa

tan

info

pe

ne

mp

ata

nRequest data user

info user

Data login valid

Da

ta lo

gin

va

lid

Kriteria

penempatan

departemen

Da

ta k

rite

ria

pe

ne

mp

ata

n

de

pa

rte

me

n

info

krite

ria

pe

ne

mp

ata

n

de

pa

rte

me

n

Info kriteria penempatan departemen

Request kriteria penempatan departemen

keahlian

Da

ta k

ea

hlia

n

info

ke

ah

lia

n

request data keahlian

Info keahlian

Tahun_periode

Lo

gin

va

lid

se

ba

ga

i a

dm

in

da

n p

eg

aw

ai

bid

min

ku

Login valid sebagai

pegawai bidminku

jurusan

Da

ta ju

ru

sa

n

Da

ta ju

ru

sa

n

4.0

Laporan

Da

ta c

eta

k la

po

ra

n

info

ce

tak la

po

ra

n

Data login valid

5.0

Periode

Data tahun periodeinfo tahun periode

Da

ta ta

hu

n p

erio

de

info

ta

hu

n p

erio

de

Da

ta ta

hu

n p

erio

de

info

ta

hu

n p

erio

de

Da

ta ta

hu

n p

erio

de

Da

ta ta

hu

n

pe

rio

de

Data tahun periode

Gambar 4. DFD Level 1

5. Perancangan Antarmuka

Gambar gedung sekolah

.:Halaman Utama:.

File Pengolahan Data Penjurusan Siswa Laporan

MADRASAH ALIYAH NEGERI BINONG

_ U X

Gambar 5. Antarmuka Menu Utama

1.4 Implementasi Tahap implementasi dilakukan setelah

melakukan tahap analisis perancangan pada

sistem.

1. Implementasi perangkat keras

Perangkat keras yang diperlukan untuk

mengimplementasikan perangkat lunak dari

dapat dilihat pada tabel 3.

Tabel 1 Perangkat keras yang digunakan

Perangkat Server Client

Processor Kecepatan

800 MHz

Kecepatan

500 MHz

RAM 1 GHz 512 MHz

Harddisk 80 Gb 80 Gb

Monitor Resolusi

1024 x 768

Resolusi

1024 x 768

VGA 128 Mb 128 Mb

Lan Card 10/100

Mbps 10/100 Mbps

2. Implementasi perangkat lunak

Perangkat lunak yang digunakan untuk

mengimplementasikan dapat dilihat pada

tabel 4.

Tabel 2 Perangkat Lunak yang digunakan

Perangkat Lunak Keterangan

Sistem Operasi Windows XP

Profesional SP III

Bahasa Pemograman Delphi 7

Database Server MySQL 5.0.51b

3. Implementasi antarmuka

Implementasi antarmuka sistem pendukung

keputusan penerimaan karyawan adalah

sebagai berikut.

a. Tampilan antarmuka Login

b. Tampilan halaman utama

3. HASIL DAN DISKUSI

Berdasarkan hasil wawancara dengan

pegawai bagian penjurusan dapat

disimpulkan bahwa sistem yang dibangun

dapat membantu bagian penjurusan

4. KESIMPULAN DAN SARAN

2.1 Kesimpulan Bahwa proses penjurusan siswa di MAN

Binong Subang dengan menggunakan

algoritma K-Means kurang optimal,

dikarenakan akan banyak waktu yang tersita.

2.2 Saran Berdasarkan kesimpulan di atas, hal yang

diharapakan kedepan adalah dalam proses

penjurusan siswa di MAN Binong Subang

dapat dipilih algoritma/metode yang lebih

cocok dengan konsep proses penjurusan

siswa di MAN Binong Subang, sehingga

proses penjurusan di MAN Binong Subang

lebih optimal dan bisa membantu guru BK

dalam menentukan penjurusan siswa.

5. DAFTAR PUSTAKA

[1] Agus, M, (2002), Belajar Sendiri

Borland Delphi 7, Jakarta : Exex

Media Komputido.

[2] Agusta, Yudi. Pebruari 2007. “K-

Means Penerapan, Permasalahan dan

Metode Terkait”. Jurnal Sistem dan

Informatika Vol.3 : 47-60.

[3] Barakhbah, Ali Ridho. 2006. Workshop

Data Mining - Cluster Analysis.:

PENS-ITS Surabaya.

[4] Forta, Ben, (2000), Belajar Sendiri

SQL, Yogyakarta :Andi

[5] Fathansyah (2007), Basis Data,

Informatika, Bandung.

[6] http://www-

2.cs.cmu.edu/~awm/tutorials/kmeans.h

tml pada tanggal 21 Maret 2010 Pukul

21.15WIB

[7] Jogiyanto, HM. (2005), Analisis dan

Desain Sistem Informasi: Pendekatan

Terstruktur Teori dan Praktek Aplikasi

Bisnis, Andi, Yogyakarta.

[8] Rismawan, Tedy. Juni 2008 . “Aplikasi

K-Means untuk Pengelompokan

Mahasiswa Berdasarkan Nilai Body

Mass Index (BMI) & Ukuran

Kerangka”. Jurnal Seminar Nasional

Aplikasi Teknologi Informasi ISSN:

1907-5022

[9] Prayitno (2009), Penentuan Bidang

Konsentrasi Studi Tugas Akhir

Berdasarkan Nilai Matakuliah Dengan

Klasterisasi Kmeans, Proyek Akhir,

PENS-ITS Surabaya

[10] Pressman, Roger S. (2002), Rekayasa

Perangkat Lunak: Pendekatan

Praktisi Buku 1, Andi Offset,

Yogyakarta.