CLUSTERING NILAI RAPORT MENGGUNAKAN ALGORITMA …repository.usd.ac.id/35437/2/145314098_full.pdf ·...

CLUSTERING NILAI RAPORT MENGGUNAKAN

ALGORITMA FUZZY C-MEANS

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana

Komputer Program Studi Teknik Informatika

Disusun oleh:

Agnes Hendriani Banggur

145314098

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

THE CLUSTERING OF REPORT GRADE USING

FUZZY C-MEANS ALGORITHM

THESIS

Presented as Partial Fulfillments of the Requirements To Obtain the Sarjana

Komputer Degree In Informatic Engineering Study Program

By:


145314098

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY YOGYAKARTA

2019


iii


iv


v

HALAMAN PERSEMBAHAN

Mintalah maka akan diberikan kepadamu, carilah maka kamu akan

mendapat, ketoklah maka pintu akan dibukakan bagimu.

Matius 7:7

Tugas akhir ini saya persembahkan kepada :

Tuhan Yang Maha Esa

Bapa dan mama tercinta

Keluarga terkasih

Teman-teman seperjuangan Teknik Informatika 2014


vi


vii

ABSTRAK

Pada tugas akhir ini akan diimplementasikan algoritma Fuzzy C-

Means (FCM) untuk mengelompokan siswa kelas 3 berdasarkan nilai

rapor dari masing masing mata pelajaran yaitu bahasa Indonesia, bahasa

Inggris, dan matematika. Hasil dari tugas akhir ini berupa sebuah

perangkat lunak yang dapat digunakan sebagai alat untuk membantu

sekolah dalam pengelompokan siswa kelas 3 berdasarkan nilai rapor

untuk membantu dalam persiapan menghadapi ujian nasional

menggunakan algoritma Fuzzy-C-Means. Pengujian terhadap sistem ini

terdiri dari pengujian blackbox, dan pengujian validitas menggunakan

hasil banding antara sistem dengan uji manual.

Berdasarkan hasil pengujian dari blackbox yang dilakukan dapat

disimpulkan bahwa pengelompokan ini dapat menghasilkan keluaran

yang sesuai dengan yang diharapkan pengguna. Untuk hasil pengujian

menggunakan hasil banding 10 data dengan nilai jumlah cluster (c)

sebanyak 2, pembobot atau pangkat (w) sebanyak 2, banyak iterasi (i)

sebanyak 10 serta toleransi error (e) sebanyak 0.01, maka dapat

disimpulkan bahwa sistem pengelompokan ini dapat menghasilkan

keluaran yang sesuai dengan yang diharapkan pengguna. Hasil dari

perhitungan silhouette index dengan jumlah cluster 11 memiliki nilai

silhuotte index 0.0652901854 yang berarti nilai silhouette index tersebut

memiliki struktur yang buruk, karena nilai dari silhouette index dari

setiap cluster dan nilai global silhouette index < 0.25.

Kata kunci : Algoritma, fuzzy c-means, silhouette index.


viii

ABSTRACT

In this final project Fuzzy C-Means (FCM) to was implemented

classify grade 3 students based on report cards from each subject, namely

Indonesian, English, and mathematics. The results of this final project is a

be in the form of software that can be used as a tool to assist schools in

classifying grade 3 students based on report cards to assist in preparing for

national examinations using the Fuzzy-C-Means algorithm. The system

was tested using blackbox testing, and validity testing by comparing the

result of the system with the manual result.

Based on the blackbox testing, it can be concluded that the

clustering system could produce output that is in accordance with what the

user expects. For the results using 10 data samples, cluster (c) 2, rang (w)

= 2, number of iterations (i) = 10, and the error tolerance (e) = 0.01, it can

be concluded the clustering system can produce output that corresponds to

the expected users. The result of the calculation of the silhoutte index the

numberof cluster 11 has a bad structure, wherethe value of the silhoutte

index of each cluster and the global silhoutte index value < 0.25.

Keywords : algorithm, fuzzy c-means algorithm, silhouette index.


ix


x

KATA PENGANTAR

Puji syukur kepada Tuhan Yang Maha Esa atas segala rahmat

sehingga penulis dapat menyelesaikan tugas akhir ini yang berjudul

“Clustering Nilai rapor Menggunakan algoritma Fuzzy C-Means”.

Dalam Proses penyelesaian tugas akhir ini penulis menyadari

bahwa penulisan tugas akhir ini tak lepas dari doa, dukungan bantuan dan

motivasi yang diberikan oleh banyak pihak kepada penulis. Oleh karena

itu penulis ingin mengucapkan banyak terima kasih kepada :

1. Tuhan Yang Maha Esa atas segala berkat, rahmat , serta kasih

yang berlimpah kepada penulis sehingga penulis dapat

menyelesaikan tugas akhir ini.

2. Kedua orang tua saya, bapak Yohanes Banggur dan ibu Regina

Nur atas segala doa , kasih sayang, kepercayaan, motivasi dan

dukungan finasial kepada penulis dalam proses menyelesaikan

tugas akhir ini.

3. Saudara dan saudari saya, ka Guido, ka Maksi, dan adik Iren

yang selalu memberikan dukungan, motivasi dan keceriaan

dalam proses penyelesaian tugas akhir ini.

4. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D selaku Dekan

Fakultas Sains dan Teknologi Universitas Sanata Dharma

Yogyakarta.

5. Ibu Dr. Anatasia Rita Widiarti selaku Ketua Program Studi

Teknik Informatika Universitas Sanata Dharma.

6. Ibu Paulina Heruningsih Prima Rosa S.Si., M.Sc selaku dosen

pembimbing yang dengan sabar membimbing dan memotivasi

saya dalam proses pengerjaan tugas akhir ini.

7. Bapak Henricus Agung Hernawan S.T., M.Kom. selaku Dosen

Pembimbing Akademik.


xi

8. Para sahabat Meysi, Bella, Wayan, Dea, atas segala dukungan,

doa, motivasi, semangat, yang sangat membantu penulis dalam

menyelesaikan tugas akhir ini, serta terima kasih atas canda tawa

yang sudah dilalui bersama penulis selama proses perkuliahan di

universitas ini.

9. Terima kasih kepada sepupu tercinta Arni, Alin, dan Sergi, Evan

atas segala dukungan, doa dan semangat yang diberikan kepada

penulis selama di jogja.

10. Terima kasih kepada josep, budi , aji, bayu, yang telah membantu

penulis selama mengerjakan tugas akhir ini.

11. Para keluarga KKN 74 Dista, Ika, Veni, Dina, Siwi, Galih dan

Deon atas segala dukungan , doa , dan motivasi selama penulis

mengerjakan tugas akhir ini.

12. Teman-teman Program Studi Teknik Informatika angkatan 2014

untuk dukungan semangat dan kebersamaan selama menjalani

perkuliahan di Prodi Ti.

13. Ruth, maria, giska, yerni, dama, asih, yohana, serta teman-teman

angkatan 2015 untuk dukungan semangat dan kebersamaan

selama penulis mengerjakan skripsi ini.

Penulis menyadari bahwa penulisan laporan tugas akhir ini masih

memiliki banyak kekurangan. Untuk itu penulis sangat

mengharapkan kritik dan saran yang sangat membantu penulis untuk

memperbaiki laporan tugas akhir ini di masa yang akan datang.

Penulis berharap semoga tugas akhir ini dapat bermanfaat bagi semua

pihak.

Yogyakarta, 25 Juli 2019

Penulis,



xii

DAFTAR ISI

HALAMAN PERSEMBAHAN ............................................................................................ v

PERNYATAAN KEASLIAN KARYA......................................................................vi

ABSTRAK ........................................................................................................................... vii

ABSTRACT ........................................................................................................................ viii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS.....................................................................ix

KATA PENGANTAR ........................................................................................................... x

DAFTAR ISI ........................................................................................................................ xii

DAFTAR GAMBAR .......................................................................................................... xvi

DAFTAR TABEL .............................................................................................................. xvii

BAB I PENDAHULUAN .................................................................................................. 1

1.1. Latar Belakang ........................................................................................................ 1

1.2. Rumusan Masalah ................................................................................................... 3

1.3. Tujuan Penelitian ..................................................................................................... 3

2.4. Manfaat Penelitian ................................................................................................... 3

2.5. Batasan Masalah ...................................................................................................... 4

2.6. Luaran ...................................................................................................................... 4

2.7. Sistematika Penulisan .............................................................................................. 4

BAB II LANDASAN TEORI .............................................................................................. 6

2.1 Data Mining ................................................................................................................ 6

2.1.1 Pengertian Data Mining ..................................................................................................... 6

2.1.2 Teknik-Teknik dalam Data Mining ................................................................................... 6

2.1.3. Tujuan dari data mining ................................................................................................... 7

2.1.4 Konsep Clustering............................................................................................................. 8

2.1.5 Tipe-Tipe Clustering .......................................................................................................... 8


xiii

2.2. Fuzzy Logic ............................................................................................................. 9

2.2.1. Fuzzy c-means ................................................................................................................. 12

2.2.2. Algoritma Fuzzy c-means ................................................................................................ 13

2.3. Silhoutte Coefficient .............................................................................................. 20

2.4. Nilai Rapor .............................................................................................................. 23

2.4.1. Pengertian nilai rapor ...................................................................................................... 23

2.4.2. KKM (Kriteria Ketuntasan Minimal).............................................................................. 23

2.4.2.1. Fungsi KKM ............................................................................................................ 24

BAB III METODOLOGI PENELITIAN ............................................................................ 25

3.1. Tahap-Tahap Penelitian ............................................................................................ 25

3.1.1. Gambaran umum Penelitian ............................................................................................ 25

3.1.2. Studi literatur .................................................................................................................. 25

3.1.3. Pengumpulan Data .......................................................................................................... 25

3.1.4. Knowledge Discovery in Database(KDD) ...................................................................... 26

3.2. Pengembangan dan Perancangan Perangkat Lunak ................................................. 26

3.3. Analisa Hasil ............................................................................................................ 28

3.5 .Kebutuhan Perangkat Lunak .................................................................................... 30

BAB IV PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK ...... 31

4.1. Pemrosesan Awal ..................................................................................................... 31

4.4.1. Pembersihan Data (Data Cleaning) ................................................................................ 31

4.4.2. Integrasi Data (Data Integration) ................................................................................... 31

4.1.4. Seleksi Data ( Data Selection) ........................................................................................ 33

4.1.4. Transformasi Data( Data Transformasion) ..................................................................... 34

4.2. Perancangan Perangkat Lunak ................................................................................. 35


xiv

4.2.1 Diagram Use Case ....................................................................................................... 35

4.2.1.1. Gambaran Umum Use Case .................................................................................... 36

4.2.1.2. Narasi Use Case ...................................................................................................... 36

4.2.2 Input Sistem ................................................................................................................ 37

4.2.3 Proses Sistem ............................................................................................................... 37

4.2.4 Output Sistem ............................................................................................................... 40

4.2.6. Diagram kelas desain ................................................................................................. 41

4.2.7. Perancangan Struktur Data ......................................................................................... 42

4.2.8. Algoritma setiap method ................................................................................................. 42

4.2.8.1 Algoritma method dalam kelas FCM ........................................................................ 42

4.3. Perancangan Antarmuka ........................................................................................... 47

4.3.1. Perancangan Halaman Beranda....................................................................................... 47

4.3.2. Perancangan Halaman Fuzzy C-Means .......................................................................... 47

4.3.3. Perancangan Halaman Hasil ........................................................................................... 48

4.3.4. Perancangan Halaman Bantuan....................................................................................... 49

BAB V IMPLEMENTASI DAN PENGUJIAN SISITEM ................................................ 51

5.1 Implementasi Antarmuka ...................................................................................... 52

5.1.1 Implementasi Halaman Awal ........................................................................................ 52

5.1.2 Implementasi Halaman Proses input data dan proses clustering .................................... 53

5.1.3 Implementasi Halaman Hasil Clustering ........................................................................ 54

5.1.4 Implementasi Halaman Bantuan ...................................................................................... 55

5.2. Implementasi Kelas ............................................................................................... 56

5.2.1 Implementasi Kelas Halaman Utama ............................................................................. 56


xv

5.2.2 Implementasi Kelas Fuzzy C-Means ............................................................................ 56

5.2.3 Implementasi Kelas Input data dan Proses Clustering .................................................. 60

5.2.4 Implementasi kelas Bantuan .......................................................................................... 61

5.3 Pengujian Sistem ................................................................................................... 62

5.3.1 Pengujian Blackbox ....................................................................................................... 62

5.3.2 Pengujian Validitas Implementasi Algoritma FCM ....................................................... 63

5.3.3 Pengujian Sistem dengan seluruh Data ......................................................................... 65

5.3.4 Pengujian Kualitas cluster mengunakan Silhouette Index ............................................ 66

5.4 Kelebihan dan kekurangan system ........................................................................... 70

5.4.1 kelebihan sistem ........................................................................................................... 70

5.4.2 kekurangan Sistem ....................................................................................................... 70

BAB VI KESIMPULAN DAN SARAN ............................................................................. 71

6.1 Kesimpulan ........................................................................................................... 71

6.2 Saran ..................................................................................................................... 71

DAFTAR PUSTAKA .......................................................................................................... 72

LAMPIRAN ......................................................................................................................... 74


xvi

DAFTAR GAMBAR

Gambar 2. 1 Representasi linear naik ......................................................................... 10

Gambar 2. 2 Representasi linear turun ........................................................................ 11

Gambar 2. 3 Representasi Segitiga ............................................................................. 11

Gambar 2. 4 Representasi Trapesium ......................................................................... 12

Gambar 3. 1 Waterfall Model ..................................................................................... 27

Gambar 4. 1 Diagram Use case................................................................................... 35

Gambar 4. 2 Diagram Konteks.................................................................................... 37

Gambar 4. 3 Diagram Flowchart algoritma fuzzy c-means (Kusumadewi, 2010) ...... 39

Gambar 4. 4 Diagram kelas ......................................................................................... 41

Gambar 4. 5 Perancangan Struktur Data ..................................................................... 42

Gambar 4. 6 Halaman Beranda ................................................................................... 47

Gambar 4. 7 Halama Fuzzy c-means ........................................................................... 48

Gambar 4. 8 Halaman Hasil ........................................................................................ 49

Gambar 4. 9 Halaman Bantuan ................................................................................... 50

Gambar 5. 1 Halaman Awal ........................................................................................ 52

Gambar 5. 2 Halaman input data dan proses clustering .............................................. 53

Gambar 5. 3 Halaman Hasil Clustering ...................................................................... 54

Gambar 5. 4 Halaman Bantuan .................................................................................. 55

Gambar 5. 5 Hasil input data ...................................................................................... 65

Gambar 5. 6 Hasil Clustering ...................................................................................... 66


xvii

DAFTAR TABEL

Tabel 2. 1 Daftar nilai siswa ....................................................................................... 15

Tabel 2. 2 Daftar komponen perhitungan ................................................................... 15

Tabel 2. 3 Pembangkitan Matrik untuk setiap cluster ................................................. 16

Tabel 2. 4 Perhitungan Pusat Cluster .......................................................................... 16

Tabel 2. 5 Perhitungan Pusat Cluster 2 ....................................................................... 16

Tabel 2. 6 Perhitungan Pusat Cluster .......................................................................... 17

Tabel 2. 7 Perhitungan Fungsi Objektif Cluster 1 ...................................................... 17

Tabel 2. 8 perhitungan Fungsi Objektif Cluster 2 ....................................................... 17

Tabel 2. 9 perhitungan manual (hitung nilai P1 dan P2)............................................. 18

Tabel 2. 10 Update Derajat Keanggotaan ................................................................... 19

Tabel 2. 11 Hasil update derajat keanggotaan ............................................................ 20

Tabel 2. 12 Hasil Clustering Nilai .............................................................................. 20

Tabel 2. 13 Kriteria subjektif pengukuran pengelompokan berdasarkan silhoutte

coefficient .................................................................................................................... 23

Tabel 4. 1 Daftar Nilai Siswa ...................................................................................... 32

Tabel 4. 2 Atribut data asli dari data nilai rapor ......................................................... 33

Tabel 4. 3 Atribut data terseleksi dari data nilai rapor ................................................ 34

Tabel 4. 4 Gambaran umum use case ......................................................................... 36

Tabel 4. 5 Narasi use case input data .......................................................................... 74

Tabel 4. 6 Narasi use case proses clustering ............................................................... 76

Tabel 4. 7 Narasi use case simpan hasil clustering ..................................................... 78

Tabel 5. 1 Nama Kelas ................................................................................................ 51


xviii

Tabel 5. 2 Hasil pengujian blackbox ........................................................................... 62

Tabel 5. 3 Data uji Algoritma FCM ............................................................................ 63

Tabel 5. 4 Perbandingan Hasil Sistem dan Hasil Hitung Manual ............................... 64

Tabel 5. 5 Hasil uji kualitas Silhoutte index percluster ............................................... 67


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Undang-Undang No 20 tahun 2003 tentang Sistem Pendidikan

Nasional pasal 1 menyatakan bahwa “Pendidikan adalah usaha sadar dan

terencana untuk mewujudkan suasana belajar dan proses pembelajaran

agar peserta didik secara aktif mengembangkan potensi dirinya untuk

memiliki kekuatan spiritual keagamaan, pengendalian diri, kepribadian,

kecerdasan, akhlak mulia, serta keterampilan yang diperlukan dirinya,

masyarakat, bangsa dan Negara”.

Di Sekolah Menengah Kejuruan Negeri 2 Ende (SMK N 2 Ende)

terdapat 11 program studi antara lain Teknik Konstruksi Kayu, Teknik

Konstruksi Batu dan Beton, Teknik Gambar Bangunan, Teknik survey

Pemetaan, Teknik Audio Video, Teknik Instalasi Pemanfaatan Tenaga

Listrik, Teknik Pemesinan, Teknik Pengelasan, Teknik Kendaraan

Ringan, Teknik Komputer & Jaringan, Multimedia. Tercatat jumlah siswa

pada tahun 2017 berjumlah 2120 orang dengan Jumlah siswa kelas XII

adalah 669 orang dan jumlah kelasnya adalah 24 kelas.

Tahun 2018 siswa-siswi SMK Negeri 2 Ende akan mengikuti Ujian

Nasional. Ujian Nasional merupakan ujian terakhir yang dilakukan untuk

mengetahui kemampuan siswa-siswi tersebut dalam menempuh

pendidikan selama 3 tahun di sekolahnya. Nilai Ujian Nasional sangat

berguna bagi siswa-siswi yang ingin melanjutkan pendidikan ke jenjang

yang lebih tinggi. Dengan nilai Ujian Nasional yang bagus siswa-siswi

dapat masuk ke perguruan tinggi yang mereka inginkan.


2

Peserta ujian Nasional SMK N 2 Ende berjumlah 669 orang. Di SMK

Negeri 2 Ende persiapan yang dilakukan sekolah untuk mempersiapkan

siswa-siswinya dalam mengikuti ujian nasional adalah dengan adanya

bimbingan belajar. Bimbingan belajar ini dilaksanakan pada sore hari.

Proses bimbingan belajar dilakukan sama seperti proses belajar mengajar

di kelas. Hal ini menjadi tidak efisien dari sisi pendidik karena pendidik

harus menjelaskan lagi materi tersebut kepada siswa-siswi yang belum

mengerti dikelas tersebut.

Di SMK Negeri 2 Ende sendiri proses belajar mengajar pada

bimbingan sore hari kurang efektif, hal ini dikarenakan proses belajar

mengajar di sekolah belum maksimal. Proses belajar mengajar dikatakan

maksimal bila kedua belah pihak saling mengerti. Permasalahan yang

dihadapi oleh sekolah adalah kurang efektifnya proses pembelajaran

dimana guru mengajar tetapi di dalam kelas tersebut terdapat banyak

siswa dengan pengetahuan yang berbeda-beda. Bimbingan sore hari di

smk negeri 2 ende masih digabungkan perkelas, tidak adanya

pengelompokan siswa berdasarkan kemapuan sehingga menyulitkan guru

dalam memberikan materi belajar. Pengelompokan siswa sangatlah

penting bagi sekolah karena dengan adanya pengelompokan siswa dapat

membantu sekolah dan guru dalam memberikan materi pembelajaran

sesuai dengan kemampuan siswa tersebut.

Metode fuzzy c-means (FCM) didasarkan pada teori logika fuzzy. Teori

logika fuzzy pertama kali diperkenalkan oleh Lotfi Zadeh (1965) dengan

nama himpunan Fuzzy (Fuzzy set). Dalam teori Fuzzy, keanggotaan

sebuah data tidak diberikan nilai secara tegas dengan nilai 1 (menjadi

anggota) dan 0 (tidak menjadi anggota), melainkan dengan suatu nilai

derajat keanggotaan yang jangkauan nilainya 0 sampai 1. Nilai

keanggotaan suatu data dalam sebuah himpunan menjadi 0 ketika sama

sekali tidak menjadi anggota, dan menjadi 1 ketika menjadi anggota


3

secara penuh dalam suatu himpunan. Algoritma fuzzy c-means dapat kita

implementasikan pada sekumpulan data numerik. Data numerik yang

digunakan dalam proses pengelompokan siswa menggunakan data nilai

rapor semester 1 sampai 5.

Dari permasalahan yang ada penulis tertarik menggunakan metode

clustering dengan algoritma Fuzzy C- Means dengan menggunakan data

nilai rapor semester 1 sampai 5. Diharapkan dengan adanya sistem ini

dapat membantu pihak sekolah dalam pengelompokan sistem menurut

hasil clustering nilai rapor.

1.2. Rumusan Masalah

Adapun rumusan masalah dalam penelitian ini , antara lain :

1. Bagaimana menerapkan algoritma Fuzzy c-means untuk

mengelompokkan siswa berdasarkan nilai rapor?

2. Bagaimana menerapkan algoritma fuzzy c-means untuk menguji 11

cluster pada program?

3. Bagaimana kualitas cluster yang dihasilkan melalui algoritma fuzzy c-

means berdasarkan Silhouette Coeffisien Index.

1.3. Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah :

1. Membantu sekolah dalam pembagian kelompok siswa bimbingan

untuk persiapan menghadapi Ujian Nasional.

2. Mengetahui koefisien kekompakan hasil clustering Fuzzy c-means

menggunakan silhouette coefficient.

2.4. Manfaat Penelitian

Adapun manfaat dari dilakukan penelitian ini antara lain :

1. Dapat membantu sekolah dalam pembagian kelompok bimbingan

persiapan ujian nasional.


4

2. Membantu guru dalam menyampaikan materi agar lebih efektif dan

efisien.

2.5. Batasan Masalah

Agar penelitian ini bisa dilakukan adapun beberapa batasan masalah yang

ditulis penulis, antara lain:

1. Nilai yang digunakan adalah nilai rapor semester 1 sampai 5

2. Nilai mata pelajaran yang diambil adalah nilai mata pelajaran yang

diujikan pada pelaksanaan UN yaitu bahasa Indonesia, bahasa Inggris,

dan matematika.

3. Jumlah cluster yang digunakan adalah 11 cluster.

4. Bahasa pemrograman yang digunakan adalah java.

5. Program ini nantinya akan berupa aplikasi desktop.

2.6. Luaran

Luaran yang akan dihasilkan oleh sistem ini adalah hasil pengelompokan

siswa berdasarkan nilai rapor bahasa Indonesia, bahasa Inggris dan

matematika dari semester 1 sampai 5.

2.7. Sistematika Penulisan

Adapun sistematika dalam penulisan laporan ini antara lain :

Bab I : Pendahuluan

Pada bab ini berisi tentang latar belakang, rumusan masalah,

tujuan penelitian, manfaat, batasan masalah, luaran dan sistematika

penulisan.

Bab II : Landasan Teori

Pada bab ini berisi tentang penjelasan secara singkat mengenai

teori yang digunakan dalam penelitian serta teori pendukung dalam

penelitian.

Bab III: Metodologi Penelitian

Bab ini berisi detail teknis sistem yang akan dibangun.


5

Bab IV : Pemrosesan Awal dan Perancangan Perangkat Lunak

Pada bab ini akan dijelaskan tentang proses perancangan

sistem yang akan dibangun

Bab V : Implementasi dan Pengujian sistem

Bab ini berisi implemantasi dan pengujian rancangan

perangkat lunak yang terdiri dari pengujian perangkat lunak, pengujian

perbandingan perhitungan manual dan hasil sistem, pengujian hasil

silhoute koefisien, serta kelebihan dan kekurangan dari sistem.

Bab VI : Kesimpulan dan Saran

Bab ini berisi kesimpulan dari penulis tentang sistem yang

telah dibangun dan juga saran- saran yang bisa memperbaiki sistem ini

kedepannya.


6

BAB II

LANDASAN TEORI

2.1 Data Mining

2.1.1 Pengertian Data Mining

Data mining merupakan proses yang mempekerjakan satu atau lebih

teknik pembelajaran computer (machine learning) untuk menganalisa dan

mengekstrasi pengetahuan (knowledge) secara otomatis

(Hermawati,2013).

Data mining sering disebut juga knowledge discovery in database(KDD)

adalah kegiatan yang meliputi pengumpulan, pemakaian data histori

untuk menemukan keteraturan, pola atau hubungan dalam set data

berukuran besar (Santosa,2007).

Darly Pregibon menyatakan bahwa “data mining adalah campuran dari

statistic, kecerdasan buatan, dan riset basis data” yang masih

berkembang(Gonunescu,2011).

2.1.2 Teknik-Teknik dalam Data Mining

Teknik dalam data mining terbagi menjadi 2 kategori utama yaitu

prediktif dan deskriptif. Kategori prediktif digunakan untuk memprediksi

nilai atribut tertentu berdasarkan pada nilai atribut-atribut yang lainnya.

Sedangkan untuk kategori deskriptif digunakan untuk menurunkan pola-

pola(korelasi, tren, cluster, trayektori dan anomali) yang meringkas

hubungan yang pokok dalam data. Di bawah ini beberapa teknik dalam

data mining antara lain :

1. Klasifikasi

Klasifikasi adalah proses menentukan model (fungsi) yang menjelaskan

dan membedakan kelas-kelas atau konsep, dengan tujuan agar model

yang diperoleh dapat digunakan untuk memprediksi kelas atau objek yang

memiliki label kelas yang tidak diketahui.


7

2. Clustering

Clustering digunakan untuk menentukan atau menganalisis objek data

dimana label kelas tidak diketahui dengan cara mengelompokan data

untuk membentuk kelas baru.

3. Asosiasi

Asosiasi adalah pencarian aturan-aturan asosiasi yang menunjukan

kondisi-kondisi nilai atribut yang sering terjadi bersama-sama dalam

sekumpulan data. Teknik asosiasi biasa digunakan untuk menganalisa

market basket dan data transaksi.

4. Outlier

Outlier merupakan objek data yang tidak mengikuti perilaku umum dari

data, outlier dapat dianggap sebagai noise atau pengecualian. Analisis

data outlier dinamakan outlier mining. Teknik outlier ini berguna dalam

fraud detection dan rare events analysis.

2.1.3. Tujuan dari data mining

Data mining memiliki beberapa tujuan (Hoffer et.al, 2007),

adapun tujuan tersebut antara lain :

1. Explanatory

Untuk menjelaskan beberapa kondisi penelitian , seperti mengapa

penjualan truc pick-up meningkat di Colorado.

2. Confirmatory

Untuk mempertegas hipotesis, seperti halnya dua kali pendapatan

keluarga lebih suka dipakai untuk membeli peralatan keluarga

dibandingkan dengan satu kali pendapatan keluarga.

3. Exploratory

Untuk menganalisa data yang memiliki hubungan yang baru. Misalnya,

pola apa yang cocok untuk kasus pengelapan kartu kredit.


8

2.1.4 Konsep Clustering

Clustering adalah proses pengelompokan sekumpulan data/obyek

kedalam kelas-kelas obyek yang sama (Han & Kamber, 2001).

Tujuan dari melakukan clustering adalah

1. untuk mengelompokan sejumlah data/ obyek kedalam Cluster(group)

sehingga nantinya setiap klaster akan berisi data yang semirip

mungkin(Santoso, 2007).

2. Meminimalkan jarak didalam cluster dan memaksimalkan jarak antar

I(Astuti Hermawati, 2013).

2.1.5 Tipe-Tipe Clustering

Dalam clustering terdapat beberapa tipe penting antara lain :

1. Partitional vs hierarchical

Dalam Partitional clustering pembagian objek data kedalam

subhimpunan (cluster) yang tidak overlap sehingga tiap objek data

berada tepat dalam satu sub-himpunan. Sedangkan dalam Hierarchial

clustering sebuah himpunan cluster bersarang yang diatur sebagai

suatu pohon hirarki. Tiap simpul (cluster) dalam pohon (kecuali

simpul daun) merupakan gabungan dari anaknya (subcluster) dan

simpul akar berisi semua objek.

2. Exclusive vs non-exclusive

Dalam Exclusive clustering setiap objek berada tepat di satu cluster.

Sedangkan dalam non-exclusive clustering sebuah objek dapat berada

di lebih dari satu cluster secara bersamaan.

3. Fuzzy vs-non-Fuzzy

Dalam Fuzzy clustering sebuah titik termasuk dalam setiap cluster

dengan satu nilai bobot antara 0 dan 1. Jumlah dari bobot-bobot

tersebut sama dengan 1.


9

4. Partial vs complete

Dalam Complete clustering setiap objek ditempatkan dalam sebuah

cluster. Sedangan dalam Partial tidak semua objek ditempatkan dalam

sebuah cluster.

2.2. Fuzzy Logic

Pada himpunan tegas(crips) nilai keanggotaan suatu item x dalam suatu

himpunan A yang sering ditulis dengan (X), memiliki dua kemungkinan

yaitu satu(1) yang berarti suatu item menjadi anggota dalam suatu

himpunan atau Nol(0) yang berarti suatu item tidak menjadi anggota

dalam suatu item.

Adapun beberapa alasan digunakannya logika fuzzy (Kusumadewi, 2003),

adalah:

1. Konsep logika fuzzy mudah dimengerti. Karena

logika fuzzy menggunakan dasar teori himpunan, maka konsep

matematis yang mendasari penalaran fuzzy tersebut cukup mudah untuk

dimengerti.

2. Logika fuzzy sangat fleksisbel, artinya mampu beradaptasi dengan

perubahan-perubahan, dan ketidakpastian yang menyertai

permasalahan.

3. Logika fuzzy memiliki toleransi terhadap data yang cukup homogeny,

dan kemudian ada beberapa data “eksklusif”, maka

logika fuzzy memiliki kemampuan untuk menangani data eksklusif

tersebut.

4. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-

pengalaman para pakar secara langsung tanpa harus melalui proses

pelatihan. Dalam hal ini, sering dikenal dengan

istilah fuzzy expert sistem menjadi bagian terpenting.


10

5. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara

konvensional. Hal ini umumnya terjadi pada aplikasi di bidang teknik

mesin maupu teknik elektro.

6. Logika fuzzy didasari pada bahasa alami. Logika fuzzy menggunakan

bahasa sehari-hari sehingga mudah dimengerti.

Dibawah ini adalah beberapa fungsi keanggotaan yang biasa digunakan

antara lain :

1. Representasi linear

Terdapat dua representasi linear, yaitu representasi linear naik

dan representasi linear turun.

a. Representasi linear naik

Representasi linear naik dapat dilihat dari kenaikan

himpunan fuzzy yang dimulai dari daerah grafik yang memiliki

nilai keanggotaan nol[0,0], yang bergerak ke kanan menuju ke

derajat keanggotaan yang lebih tinggi.

Gambar 2. 1 Representasi linear naik

……………………(2.1)

b. Representasi linear turun

Representasi linear turun dimulai dari garis lurus dari nilai

pada daerah dengan derajat keanggotaan tertinggi pada sisi

kiri, yang bergerak turun ke nilai yang memiliki derajat

keanggotaan lebih rendah.


11

Gambar 2. 2 Representasi linear turun

………………………(2.2)

2. Representasi segitiga

Representasi segitiga merupakan gabungan dari representasi

linear naik dan turun.

Gambar 2. 3 Representasi Segitiga

…………………….(2.3)


12

3. Representasi Trapesium

Represntasi Trapesium sama seperti bentuk segitiga , hanya saja

ada beberapa titik yang memiliki nilai keanggotaan satu.

Gambar 2. 4 Representasi Trapesium

……………………(2.4)

2.2.1. Fuzzy c-means

Clustering dengan metode Fuzzy c-means (FCM) didasarkan

pada teori logika Fuzzy. Teori ini pertama kali diperkenalkan oleh Lotfi

Zadeh (1965) dengan nama himpunan Fuzzy (Fuzzy set). Dalam teori

Fuzzy, keanggotaan sebuah data tidak diberikan nilai secara tegas dengan

nilai 1 (menjadi anggota) dan 0 (tidak menjadi anggota), melainkan

dengan suatu nilai derajat keanggotaan yang jangkauan nilainya 0 sampai

1. Nilai keanggotaan suatu data dalam sebuah himpunan menjadi 0 ketika

sama sekali tidak menjadi anggota, dan menjadi 1 ketika menjadi anggota

secara penuh dalam suatu himpunan. Umumnya nilai keanggotaannya

antara 0 dan 1. Semakin tinggi nilai keanggotaanya maka semakin tinggi

derajat keanggotaannya, dan semakin kecil maka semakin rendah derajat

keanggotaannya. Kaitannya dengan K-Means, sebenarnya FCM


13

merupakan versi Fuzzy dari K-Means dengan beberapa modifikasi yang

membedakannya dengan K-Means (Prasetyo, 2013)

Metode Fuzzy C-means diperkenalkan oleh jim Bezdek pada tahun 1981.

Fuzzy c-means merupakan salah satu metode pengelompokan data

pengembangan dari k-means yang mana keberadaan tiap tiap kelompok

data dalam satu kelompok ditentukan oleh nilai keanggotaannya. Dalam

metode Fuzzy c-means terdapat banyak cara untuk mendapatkan nilai

keanggotaan yaitu dengan melalui pendekatan fungsi.

2.2.2. Algoritma Fuzzy c-means

Dibawah ini adalah algoritma dari Fuzzy C-Means (

Kusumadewi, 2004)

1. Input Data

Input data yang akan di cluster U, berupa matriks berukuran n x m ,

dimana

n=jumlah sampel data

m=atribut setiap data

Uij = data sampel ke-i(i=1,2,….,n), atribut ke-j(j-1,2,…,m).

2. Menentukan

nilai pangkat w (misal: w=2)

Eps/galat terkecil (missal:10-5)

MaxIterasi (misal : 10)

Jumlah cluster c >1

Iterasi awal t = 1

Fungsi objektif awal : Pt(0)=1000

3. Bangkitkan nilai Random

Nilai random ditentukan sendiri, dimana nilai random sebagai elemen-

elemen matriks U. hitung juga jumlah setiap kolom, menggunakan rumus:


14

………………………………….(2.5)

dengan j= 1,2,……m

hitung

……………………………….(2.6)

Dimana : = nilai random setiap cluster, dimana nilai random tersebut

meupakan nilai acak dari 0-1

4. Tahap 4 hitung pusat cluster ke-k

...................……………..(2.7)

Dimana : Vkj = pusat cluster

w

= nilai random setiap cluster dipangkatkan 2

Xij = data nilai siswa.( data pada atribut ke –I dan data ke –j)

w = pembobot

5. Tahap 5 Hitung Fungsi Objektif

…………………(2.8)

Dimana : Pt = perhitungan fungsi objektif

Xij = data nilai siswa.

Vkj = hasil perhitungan setiap pusat cluster

6. Tahap 6 Hitung Perubahan matriks

……………………...(2.9)


15

7. Tahap 7 dilakukan pengecekan kondisi berhenti

Jika (Pt – Pt-1) < Ԑ atau (t < MaxIter) maka interasi berhenti

Jika tidak : t = t + 1, ulangi langkah 4 sampai 7.

Contoh perhitungan menggunakan algoritma Fuzzy c-means :

Berikut adalah contoh perhitungan menggunakan algoritma fuzzy c-means

pada data nilai rapor, sebagai berikut:

Tabel 2. 1 Daftar nilai siswa

Dari ddata pada nilai rapor bahasa Indonesia dari data semester 1 sampai

4, sebelumnya kita perlu menentukan beberapa parameter seperti yang

terdapat pada table 2.2 dibawah ini :

Tabel 2. 2 Daftar komponen perhitungan

Komponen Perhitungan Keterangan

Banyaknya cluster c=3

Pangkat Pembobot w=2

Maksimum iterasi T=10

galat misal=0,01

fungsi objekif P0= 0

I Nilai Rapor Bahasa Indonesia

Data 1 Data 2 Data 3 Data 4

1 76.00 80.00 80.00 83.00

2 76.00 81.00 80.00 84.00

3 78.00 78.00 80.00 84.00

4 77.00 80.00 81.00 85.00


16

Setelah parameternya ditentukan kita bangkitkan nilai random untuk setiap cluster

dapat kita lihat pada tabel dibawah :

Tabel 2. 3 Pembangkitan Matrik untuk setiap cluster

i

C1 C2

1 0.8 0.2

2 0.9 0.1

3 0 1

4 0.2 0.8

Langkah selanjutnya adalah menghitung pusat cluster dari masing-masing cluster,

dimana rumusnya dapat kita lihat pada algoritma langkah 4, hasil dari perhitungan

dapat kita lihat seperti pada table 2.4, table 2.5, dan tabel 2.6 :

Tabel 2. 4 Perhitungan Pusat Cluster

I u1w

data 1 data 2

data 3 data 4

1 0.64 48.64 3891.2 311296 25837568

2 0.81 61.56 4986.36 398908.8 33508339

3 0 0 0 0 0

4 0.04 3.08 246.4 19958.4 1696464

Jumlah 1.49 113.28 9123.96 730163.2 61042371

Tabel 2. 5 Perhitungan Pusat Cluster 2

I K1 data 1 data 2 data 3 data 4

1 0.04 3.04 243.2 19456 1614848

2 0.01 0.76 61.56 4924.8 413683.2

3 0.64 49.92 3893.76 311500.8 26166067.2

4 0 0 0 0 0

Jumlah 0.69 53.72 4198.52 335881.6 28194598.4


17

Tabel 2. 6 Perhitungan Pusat Cluster

Vkj data 1 data 2 data 3 data 4

1 76.0268456 80.5434322 80.02700582 83.6009966

2 77.8550725 78.1556217 80 83.94207483

Setelah menghitung pusat cluster dari masing-masing cluster, langkah

selanjutnya adalah menghitung fungsi objektif dari masing-masing

cluster, dimana rumusnya dapat dilihat pada rumus algoritma langkah

ke 5, hasil perhitungan fungsi objektif dapat dilihat pada table 2.7,

table 2.8, dan table 2.9 sebagai berikut:

Tabel 2. 7 Perhitungan Fungsi Objektif Cluster 1

I L1 L2 L3 L4 Total P1

1 0.00072069 0.29531856 0.000729314 0.361196912 0.657965

2 0.00072069 0.20845415 0.000729314 0.159203714 0.369108

3 3.89333814 6.46904737 0.000729314 0.159203714 10.52232

4 0.94702941 0.29531856 0.946717679 1.957210516 4.146276

jumlah 15.69567

Tabel 2. 8 perhitungan Fungsi Objektif Cluster 2

I L1 L2 L3 L4 Total P1

1 3.441293846 3.401731157 0 0.887504978 7.730529982

2 3.441293846 8.090487672 0 0.003355326 11.53513684

3 0.021003991 0.024218127 0 0.003355326 0.048577443

4 0.731148918 3.401731157 1 1.119205673 6.252085749

Jumlah 25.56633002


18

Tabel 2. 9 perhitungan manual (hitung nilai P1 dan P2)

I Cluster 1 Cluster 2

P Total Total P1 Ui1w P1 Total P2 Ui1w P1

1 0.65796547 0.64 0.421097904 7.730529982 0.04 0.309221199 0.730319103

2 0.36910787 0.81 0.298977374 11.53513684 0.1 1.153513684 1.452491059

3 10.5223185 0 0 0.048577443 0.64 0.031089564 0.031089564

4 4.14627617 0.04 0.165851047 6.252085749 0 0 0.165851047

Jumlah 2.379750772

Setelah kita melakukan perhitungan manual, langkah selanjutnya adalah kita

memperbaharui nilai matrix dengan menggunakan algoritma pada langkah ke 6,

kita bisa melihat hasilnya seperti pada tabel 3.10


19

Tabel 2. 10 Update Derajat Keanggotaan

i L1 L2 L3 L4 L5 L6 L

7 L8

sum(

L1-

L4)

sum(

L5-

L8)

LT sum(L1-

L4)/LT

sum(

L1-

L4)/L

T

1

0.00

072

069

0.29

5318

56

0.0007

29314

0.3

61

19

69

12

3.4

412

94

3.401

73115

7

0

0.88

7504

978

0.657

96547

4

7.730

52998

2

8.388

49545

6

0.08 0.92

2

0.00

072

069

0.20

8454

15

0.0007

29314

0.1

59

20

37

14

3.4

412

94

8.090

48767

2

0

0.00

3355

326

0.369

10786

9

11.53

51368

4

11.90

42447

1

0.03 0.97

3

3.89

333

814

6.46

9047

37

0.0007

29314

0.1

59

20

37

14

0.0

210

04

0.024

21812

7

0

0.00

3355

326

10.52

23185

4

0.048

57744

3

10.57

08959

8

1.00 0.00

4

0.94

702

941

0.29

5318

56

0.9467

17679

1.9

57

21

05

16

0.7

311

49

3.401

73115

7

1

1.11

9205

673

4.146

27616

7

6.252

08574

9

10.39

83619

2

0.40 0.60


20

Setelah kita mengupdate matrix u maka didapatkan hasil seperti pada

gambar di tabel 2.11

Tabel 2. 11 Hasil update derajat keanggotaan

C1 C2

0.09 0.91

U = 0.06 0.94

0.86 0.14

0.72 0.28

Dari hasil update derajat keanggotaan kita bandingkan nilai kedua nilai dari C1 dan

C2. Pada setiap data kita bandingkan nilai derajat keanggotaannya, jika derajat

keanggotaan terbesar pada data pertama terdapat pada cluster 2, maka data tersebut

berada pada cluster 2, begitupun seterusnya sampai dengan data terakhir. Sehingga

didapatkan hasil clustering data seperti pada table 2.12 dibawah ini

Tabel 2. 12 Hasil Clustering Nilai

C1 C2

1

1

1

1

2.3. Silhoutte Coefficient

Jika DBI digunakan untuk mengukur validasi seluruh cluster dalam set

data, maka Silhouette Index(SI) dapat digunakan untuk memvalidasi baik

seluruh data, cluster tunggal (satu cluster dari sejumlah cluster), atau

bahkan keseluruhan cluster. Metode ini paling banyak digunakan untuk

memvalidasi cluster yang menggabungkan nilai kohesi dan separasi.

Untuk menghitung nilai SI dari sebuah data ke-i, ada 2 komponen yaitu ai

dan bi. ai adalah rata-rata jarak data ke-i terhadap semua data lainnya

dalam satu cluster, sedangkan bi didapatkan dengan menghitung rata-rata


21

jarak data ke-i terhadap semua data dari cluster yang lain tidak dalam satu

cluster dengan data ke-I, kemudian diambil yang terkecil.([Tan et al,

2006],[Petrovic, 2003]).

Berikut formula menghitung nilai aij :

……………(2.10)

Keterangan :

i : index data

j : cluster

x : data

ai : rata-rata jarak data ke- i terhadap semua data

lainnya dalam satu cluster

mj : jumlah data dalam dalam cluster ke- j.

d(xij , xr

j ) : jarak data ke- i dengan data ke- r dalam satu

cluster j

berikut formula menghitung niali bji :

………….(2.11)

Keterangan :

d(xij , xr

n ) : jarak data cluster ke-i dengan cluster ke-r

dengan cluster yang lainnya.

mn : jumlah data dalam cluster ke-n

untuk mendapatkan Silhoutte index dari data ke-i, menggunakan

persamaan berikut :

………………...……………………..(2.12)


22

Keterangan :

a : rata-rata jarak data ke- i terhadap semua data lainnya

dalam satu cluster.

b : nilai minimum dari rata-rata jarak data ke- i terhadap

semua data dari cluster yang lain tidak dalam satu

cluster dengan data ke- i

max(a,b) : nilai maksimum dari nilai a dan b dari satu data

Nilai ai mengukur seberapa tidak mirip sebuah data dengan cluster

yang diikutinya, nilai yang semakin kecil menandakan semakin tepatnya

data tersebut berada dalam cluster tersebut. Nilai bi yang besar

menandakan seberapa jeleknya data terhadap cluster yang lain. Nilai SI

yang didapat dalam rentang [-1,+1]. Nilai SI yang mendekati 1

menandakan bahwa data tersebut semakin tepat berada dalam cluster

tersebut. Nilai SI negatif (ai > bi ) menandakan bahwa data tersebut tidak

tepat berada dalam cluster tersebut ( karena lebih dekat ke cluster lain).

SI bernilai 0 (atau mendekati 0) berarti data tersebut posisinya berada

diperbatasaan diantara dua cluster.

Untuk nilai SI dari sebuah cluster didapatkan dengan menghitung rata-

rata nilai SI semua data yang bergabung dalam cluster tersebut, seperti

persamaan berikut:

…………………………………(2.13)

Keterangan :

mj : jumlah data dalam cluster j

SI : Silhoutte Index

Nilai SI global didapatkan dengan menghitung rata-rata nilai SI dari

semua cluster seperti pada persamaan berikut

….…………………………………(2.14)


23

Keterangan :

k : jumlah cluster


Kriteria subjektif pengukuran baik atau tidaknya pengelompokan

berdasarkan Silhoutte Coefficient(SC) menurut Kauffman dan Roesseeuw

(1990) disajikan dalam tabel 3.2

Tabel 2. 13 Kriteria subjektif pengukuran pengelompokan berdasarkan

silhoutte coefficient

Nilai SC Interpretasi SC

0,71 – 1,00 Struktur kuat

0,51 – 0,70 Struktur baik

0,26 – 0,50 Struktur Lemah

<= 0,25 Struktur buruk

2.4. Nilai Rapor

2.4.1. Pengertian nilai rapor

Nilai Rapor adalah nilai yang diperoleh oleh siswa selama 1 semester

untuk mengukur kemampuan siswa dalam menempuh semester tersebut.

Nilai rapor merupakan dokumen yang sangat penting bagi sekolah untuk

menjalin komunikasi yang baik dengan orang tua peserta didik untuk

mengetahui kemampuan belajar peserta didik dalam kurun waktu tertentu,

oleh karena itu rapor harus komunikatif, informatif, dan komprehensif

(menyeluruh) memberikan gambaran tentang hasil belajar peserta didik.

2.4.2. KKM (Kriteria Ketuntasan Minimal)

KKM(Kriteria Ketuntasan Minimal) adalah kriteria yang paling rendah

untuk menyatakan peserta didik mencapai ketuntasan. Penetapan KKM

dilakukan berdasarkan hasil musyawarah guru matapelajaran disatuan


24

pendidikan atau beberapa satuan pendidikan yang memiliki karakteristik

hampir sama, dimana penetapan KKM dilakukan pada awal tahun ajaran.

2.4.2.1. Fungsi KKM

Dibawah ini adalah beberapa fungsi dari penetapan KKM, antara lain :

1. Sebagai acuan bagi seorang guru untuk menilai kompetensi peserta

didik sesuai dengan Kompetensi Dasar (KD).

2. Sebagai acuan bagi peserta didik untuk mempersiapkan diri mengikuti

pembelajaran.

3. Sebagai target pencapaian penguasaan materi sesuai dengan SK/KD-

nya.

4. Sebagai salah satu instrument dalam melakukan evaluasi

pembelajaran.

5. Sebagai “kontrak” pedagogik antara pendidik , peserta didik dan orang

tua.


25

BAB III

METODOLOGI PENELITIAN

Metodologi penelitian adalah cara-cara yang dilakukan dalam

mempersiapkan penelitian. Dimana metodologi penelitian ini adalah

langkah-langkah yang dilakukan penulis dalam menyelesaikan

permasalahan yang ada secara bertahap. Adapun metodologi penelitian

yang akan dilakukan penulis antara lain:

3.1. Tahap-Tahap Penelitian

3.1.1. Gambaran umum Penelitian

Penelitian ini mempunyai tujuan untuk membangun sistem yang akan

membantu SMK N 2 Ende dalam melakukan pengelompokan bimbingan

belajar siswa kelas 3 dalam menghadapi ujian nasional menggunakan

metode Clustering dengan algoritma Fuzzy C-Means. Data siswa kelas 3

didapatkan penulis dari SMK N 2 Ende, Datanya berupa data nilai rapor

semester 1 sampai 5 untuk mata pelajaran Matematika, Bahasa Inggris,

Bahasa Indonesia. Hasil yang didapatkan diharapkan dapat membantu

sekolah dalam menghasilkan kelompok-kelompok bimbingan belajar

dengan menggunakan algoritma Fuzzy c-means.

3.1.2. Studi literatur

Dalam penelitian ini penulis mencari referensi-referensi yang berkaitan

dengan penelitian ini dari berbagai paper, jurnal, maupun buku yang

masih relevan dengan judul yang ditulis penulis.

3.1.3. Pengumpulan Data

Dalam penelitian ini penulis menggunakan data sekunder dimana penulis

mendapatkan data dari Sekolah Menengah Kejuran Negeri 2 Ende (SMK

N 2 Ende). Data yang diambil penulis adalah data nilai rapor semester 1


26

sampai 5 untuk nilai mata pelajaran Matematika, Bahasa Inggris, Bahasa

Indonesia siswa kelas 3 SMK Negeri 2 Ende semua jurusan.

3.1.4. Knowledge Discovery in Database(KDD)

Dalam penelitian ini penulis menggunakan proses Knowledge

Discovery in Database yang bertujuan untuk mengubah data mentah

menjadi suatu informasi yang bermanfaat dan dapat digunakan dalam

penelitian ini. Proses KDD sendiri terdiri dari pembersihan data,

integrasi data, seleksi data, transformasi data, penambangan data,

evaluasi pola, dan presentasi pengetahuan (Han dkk, 2006).

Proses pembersihan data dan integrasi data sendiri dilakukan secara

manual dengan menggunkaan aplikasi spreadsheet. Untuk proses seleksi

data, transformasi data, dan penambangan data dapat dilakukan pada

perangkat lunak yang telah dibangun oleh penulis. Untuk proses evaluasi

pola dan presentasi pengetahuan, penulis akan mengevaluasi hasil dari

proses penambangan data yang telah dilakukan pada perangkat lunak

yang telah dibuat, sehingga nantinya dapat memberikan informasi yang

nantinya akan bermanfaat bagi siapa saja yang membutuhkan.

3.2. Pengembangan dan Perancangan Perangkat Lunak

Metode perancangan yang digunakan penulis dalam mengembangkan

sistem ini adalah waterfall model. Tujuan dari menggunakan waterfall

model adalah membantu kita dalam melakukan rencana–rencana

pengembangan program dimulai dari tahap analisis sampai pada tahap

evaluasi.


27

Gambar 3. 1 Waterfall Model

Terdapat lima tahap dalam metode waterfall, yaitu analisis kebutuhan,

desain dan software, penulisan kode program, pengujian program, dan

penerapan program.

1. Requirement Definition

Pada tahap ini kita melakukan analisis kebutuhan dimana kita melihat

permasalahan yang tejadi sehingga kita bisa menemukan permasalahan

yang ada. Pada tahap ini dilakukan analisis kebutuhan dengan melakukan

pencarian data nilai rapor. Data nilai rapor yang digunakan adalah data

nilai rapor bahasa Indonesia, bahasa Inggris, matematika dari semester 1

sampai 5.

2. System and Software Design

Pada tahap ini melakukan perancangan sistem yang akan dibangun.

Tahap ini penulis mulai merancang diagram usecase, diagram konteks,

flowchart, dan design GUI.

3. Implementasi dan unit testing

Pada tahap ini kita melakukan tahap implementasi hasil dari analisis data

nilai siswa dan melakukan pengujian terhadap sistem untuk mencari


28

kesalahan selama pembuatan sistem ini. Pada tahap ini kita mulai

mengimplementasikan algoritma Fuzzy c-means pada program.

4. Integration dan sistem testing

Pada tahap ini kita melakukan penyatuan program dan melakukan

pengujian sistem. Pada pengujian program kita akan melihat apakah

sistem ini benar-benar memberikan manfaat dalam segi efisiensi dan

efektifitas dari hasil clustering yang kita dapatkan.

5. Operational dan maintenance

Pada tahap ini kita harus melakukan evaluasi terhadap sistem yang telah

kita bangun untuk mengetahui kelemahan-kelemahan yang ada dalam

sistem ini.

3.3. Analisa Hasil

Dalam tahap analisa hasil, penulis akan menganalisa hasil pengujian

algoritma FCM pada sistem, pengujian validasi perhitungan manual di

excel dan perhitungan pada system serta akan mengukur seberapa baik

suatu data di tempatkan pada cluster tersebut dengan mneggunakan

silhouette index. Untuk perhitungan silhouette index dapat dilihat pada

formula dibawah ini

Berikut formula menghitung nilai aij :

……………..(3.1)

Keterangan:

ai = rata-rata jarak data ke- i terhadap semua data lainnya dalam

satu cluster

mj = jumlah data dalam dalam cluster ke- j.

d(xij , xr

j ) = jarak data ke- i dengan data ke- r dalam satu cluster j


29

berikut formula menghitung niali bji :

……………………...(3.2)

Keterangan :

d(xij , xr

n ) = jarak data cluster ke-i dengan cluster ke-r

dengan cluster yang lainnya.

mn = jumlah data dalam cluster ke-n

untuk mendapatkan Silhoutte index dari data ke-i, menggunakan

persamaan berikut :

…………...………………………..(3.3)

Keterangan :

a : rata-rata jarak data ke- i terhadap semua data lainnya

dalam satu cluster.

b : nilai minimum dari rata-rata jarak dat ke- i terhadap

semua data dari cluster yang lain tidak dalam satu

cluster dengan data ke- i

max(a,b) : nilai maksimum dari nilai a dan b dari satu

data

Untuk nilai SI dari sebuah cluster didapatkan dengan menghitung rata-

rata nilai SI semua data yang bergabung dalam cluster tersebut, seperti

persamaan berikut :

……………………………(3.4)

Keterangan :

mj : jumlah data dalam cluster j


Nilai SI global didapatkan dengan menghitung rata-rata nilai SI dari

semua cluster seperti pada persamaan berikut


30

..………………………………(3.5)

Keterangan:

K : jumlah cluster


3.5 .Kebutuhan Perangkat Lunak

Hardware yang digunakan antara lain :

Processor Intel(R) Core™ i3-3217U CPU @ 1.80GHz 1.80GHz

RAM 2 GB

Hardisk 500MB

Software yang digunakan antara lain

Sistem Operasi Windows 8 & 10

NetBeans 8.0


31

BAB IV

PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK

4.1. Pemrosesan Awal

4.4.1. Pembersihan Data (Data Cleaning)

Pembersihan data adalah proses yang dilakukan untuk

membersihkan data dari data yang tidak diperlukan dan data

yang tidak konsisten. Data-data nilai rapor yang tidak diperlukan

atau tidak konsisten akan dikosongkan dan akan dihapus dari

tabel data. Proses pembersihan data dilakuan secara manual

dengan aplikasi spreadsheet.

4.4.2. Integrasi Data (Data Integration)

Integrasi adalah proses penggabungan data-data dari berbagai

macam sumber. Dalam penelitian ini peneliti menggunakan 16

data yaitu data nilai rapor sementer 1 sampai 5 mata ujian

Bahasa Indonesia, nilai rapor semester 1 sampai 5 mata ujian

Bahasa Inggris , dan nilai rapor semester 1 sampai 5 mata ujian

Matematika. Dalam penelitian ini penulis memperoleh data data

tersebut dari Sekolah Menengah Kejuruan 2 Ende, sehingga

penulis tidak perlu lagi melakukan integritas data.


32

Tabel 4. 1 Daftar Nilai Siswa

Data Bindo1 Bindo2 Bindo3 Bindo4 Bindo5 Bing1 Bing2 Bing3 Bing4 Bing5 Mat1 Mat2 Mat3 Mat4 Mat5

1 82,00 82,00 94,00 94,00 88,00 76,00 76,00 89,30 86,00 90,00 78,00 78,00 80,00 78,00 80,00

2 89,00 89,00 82,00 82,00 92,00 81,00 81,00 89,00 90,00 96,00 85,00 85,00 81,00 80,00 81,00

3 85,00 86,00 86,00 86,00 86,00 80,00 81,00 85,44 86,00 93,00 85,00 85,00 81,00 79,00 81,00

4 85,00 88,00 90,00 90,00 86,00 80,00 82,00 87,22 86,00 93,00 80,00 75,00 80,00 78,00 81,00

5 85,00 88,00 86,00 86,00 89,00 80,00 77,00 85,33 79,00 90,00 80,00 77,00 80,00 79,00 78,00

6 86,00 90,00 97,00 97,00 87,00 80,00 82,00 84,98 86,00 96,00 85,00 78,00 79,00 79,00 81,00

7 86,00 90,00 86,00 86,00 86,00 80,00 83,00 87,00 86,00 93,00 80,00 79,00 81,00 80,00 81,00

8 86,00 90,00 87,00 87,00 90,00 80,00 77,00 86,56 75,00 92,00 80,00 84,00 81,00 80,00 82,00

9 86,00 88,00 86,00 86,00 87,00 80,00 82,00 84,87 77,00 90,00 80,00 75,00 81,00 79,00 80,00

10 85,00 88,00 81,00 81,00 84,00 80,00 77,00 86,63 75,00 89,00 80,00 77,00 80,00 79,00 78,00

11 85,00 88,00 86,00 86,00 87,00 80,00 82,00 84,89 79,00 94,00 85,00 81,00 81,00 80,00 82,00

12 83,00 83,00 98,00 98,00 85,00 81,00 81,00 89,37 86,00 92,00 81,00 81,00 80,00 79,00 81,00

13 80,00 81,00 87,00 87,00 86,00 80,00 77,00 84,94 85,00 92,00 80,00 76,00 79,00 79,00 80,00

14 86,00 89,00 86,00 86,00 88,00 75,00 82,00 89,37 86,00 93,00 85,00 79,00 82,00 79,00 81,00

15 86,00 90,00 87,00 87,00 86,00 80,00 77,00 86,04 86,00 92,00 80,00 76,00 80,00 79,00 78,00

16 88,00 88,00 86,00 86,00 88,00 81,00 81,00 80,00 76,00 92,00 79,00 79,00 80,00 78,00 80,00

17 89,00 89,00 86,00 86,00 88,00 81,00 81,00 89,37 87,00 96,00 89,00 89,00 82,00 81,00 85,00

18 85,00 86,00 86,00 86,00 85,00 80,00 75,00 82,28 76,00 81,00 80,00 76,00 77,00 76,00 78,00

19 88,00 88,00 86,00 85,00 85,00 82,00 82,00 89,37 86,00 92,00 79,00 79,00 80,00 80,00 82,00


33

4.1.4. Seleksi Data ( Data Selection)

Seleksi atribut merupakan tahap yang perlu dilakukan sebelum

proses penembangan data. Pada data asli nilai rapor kelas 3

terdapat 17 atribut yang terdiri dari NIS, Nama Siswa dan 15

nilai rapor dari semester 1 sampai 5 yaitu bahasa Indonesia,

bahasa inggris dan matematika. Pada table 4.2 yang berisi data

asli nilai rapor siswa kelas 3. Atribut yang digunakan untuk

proses clustering terdapat pada table nomor 4.3

Tabel 4. 2 Atribut data asli dari data nilai rapor

No. Atribut Keterangan

1 NIS Nomor Induk Siswa

2 Nama Siswa Nama Siswa

3 Bindo1 Rata-rata nilai rapor bahasa indonesia semester 1





8 Bing1 Rata-rata nilai rapor bahasa inggris semester 1





13 Mat1 Rata-rata nilai rapor matematika semester 1






34

Tabel 4. 3 Atribut data terseleksi dari data nilai rapor

No. Atribut Keterangan

1 Nama Siswa Nama Siswa
















4.1.4. Transformasi Data( Data Transformasion)

Dalam penelitian ini proses transformasi data dapat dilakukan

pada data yang telah di pilih sehingga data tersebut dapat

diproses pada sistem.


35

4.2. Perancangan Perangkat Lunak

4.2.1 Diagram Use Case

Diagram use case adalah diagram yang digunakan untuk

menggambarkan interaksi antara sistem dan pengguna. Sistem

yang akan dibangun ini menggunakan satu pengguna. Ada

beberapa fungsi yang dapat digunakan oleh pengguna yaitu

pertama pengguna dapat menginputkan data dalam bentuk file

.xls. kedua pengguna dapat melakukan proses clustering dengan

terlebih dahulu menginputkan jumlah cluster, bobot, maksimal

iterasi dan error/galat. Fungsi yang terakhir pengguna dapat

menyimpan hasil clustering ke file berformat .xls..

Gambar 4. 1 Diagram Use case


36

4.2.1.1. Gambaran Umum Use Case

Pada tabel dibawah ini akan dijelaskan gambaran umum dari

masing-masing diagram use case

Tabel 4. 4 Gambaran umum use case

Nama use Case Deskripsi Aktor

Input data .xls Use case ini berfungsi

untuk memasukan

data file bertipe .xls

User

Proses clustering Use case ini berfungsi

untuk melakukan

proses clustering

terhadap data data

yang telah di pilih

User

Simpan hasil

clustering

Use case ini berfungsi

untuk menyimpan

hasil clustering

User

4.2.1.2. Narasi Use Case

Narasi dari setiap usecase dapat dilihat pada lampiran


37

4.2.2 Input Sistem

Sistem pengelompokan dengan menggunkan algoritma fuzzy c-

means hanya dapat menerima masukan/inputan berupa file yang

bertipe.xls yang dipilih langsung oleh pengguna dari direktori

penyimpan di komputer. Sebelum melakukan proses

pengelompokan pengguna terlebih dahulu harus memasukan

pangkat, jumlah kelompok yang ingin didapat, maksimal iterasi

dari pengelompokan tersebut serta toleransi kesalahan/galat(e)

pada textfield yang telah disediakan . Perancangan input sistem

dapat dilihat pada gambar 4.1.

Gambar 4. 2 Diagram Konteks

4.2.3 Proses Sistem

Sistem pengelompokan siswa berdasarkan nilai rapor

menggunakan algoritma fuzzy c-means ini memiliki beberapa

tahapan. Pertama, pengguna memasukan data file yang bertipe .xls

kedua pengguna memilih atribut yang ingin dikelompokan, ketiga

pengguna harus memasukan pembobot (w), jumlah cluster (k),

maksimum iterasi (i), toleren kesalahan/Galat (e). Setelah ketiga

tahapan tersebut sudah dilakukan selanjutnya sistem akan memproses

clustering sesuai dengan algoritma fuzzy c-means sebagai berikut :

1. Membentuk matrik partisi awal keanggotaan (Uik)

2. Menghitung pusat cluster dari tiap tiap kluster.

3. Menghitung fungsi objektif.

4. Menghitung perubahan matriks


38

5. Memeriksa kondisi berhenti (Pt(c)- Pt-1(c) < Eps ) Atau (t >

MaxIter), jika ya berhenti, jika tidak ulangi langkah ke 2

6. Menampilkan hasil dari clustering algoritma fuzzy c-means

berupa fungsi objektif Pt, matrik keanggotan µik dan pusat

cluster Vkj.

Implentasi algoritma fuzzy c-means dalam flowchart dapat dilihat pada

gambar 4.3 dibawah ini


39

Gambar 4. 3 Diagram Flowchart algoritma fuzzy c-means

(Kusumadewi, 2010)


40

4.2.4 Output Sistem

Sistem akan menghasilkan pengelompokan siswa yang telah di

lakukan clustering menggunakan fuzzy c-means. Hasilnya nanti

akan sangat membantu sekolah dalam pengelompokan siswa..


41

4.2.6. Diagram kelas desain

Gambar 4. 4 Diagram kelas


42

4.2.7. Perancangan Struktur Data

Pada perancangan struktur data, saya menggunakan struktur

data array list dan struktur data array 2 dimensi untuk

membantu dalam proses pengerjaan program

Gambar 4. 5 Perancangan Struktur Data

4.2.8. Algoritma setiap method

4.2.8.1 Algoritma method dalam kelas FCM

4.2.8.1.1 Algoritma method Input matrix

Dibawah ini adalah desain algoritma dari

method input matrix:

1. Buat variabel baru berbentuk matrix array 2

dimensi bertipe double yang berisi variabel

kolom dan cluster.

2. Tentukan decimal format untuk matrix.

3. Buat perulangan for untuk baris.

4. Deklarasi variabel jumlah bertipe float yang

berisi 0.

5. Deklarasi variabel hasil yang bertipe double yang

beris0.

6. Buat perulangan for untuk cluster

7. Buatlah nilai random yang dikali 100, yang

tersimpan pada matrix array 2 dimensi.

8. Simpan sementara variabel matrix array 2

dimensi kedalam variabel jumlah.

9. Buat perulangan for untuk cluster.

Data 1 Data 2 Data 3 Data ke-n


43

10. Bagi nilai matrix array 2 dimensi dengan jumlah

hasil pembagiannya disimpan ke matrix array 2

dimensi

11. Lakukan langkah 3 sampai 10 sampai matrixnya

terpenuhi.

12. Tampilkan hasil matrix.

4.2.8.1.2 Algoritma Hitung Pusat Cluster


method hitung pusat cluster:

1. Buat variabel pusat cluster array 2 dimensi

bertipe double yang berisi variabel kolom dan

cluster.

2. Buat variabel nilaipangkat dan nilaikali bertipe

double.

3. Buat variabel sumX array 2 dimensi bertipe

double yang berisi variabel baris dan kolom.

4. Buat perulangan for untuk cluster.

5. Buat perulangan for untuk kolom.

6. Dekalarasi nilai dari variabel nilaikali dan

nilaipangkat sama dengan 0.


8. Buat kondisi if dimana jika nilai kolom sama

dengan 0

9. Buat kondisi if jika data bindo.

10. Hitung nilai matrix dikali dengan pangkat dan

setelahnya dikali dengan data yang ada di

kolom bindo. Hasil perhitungan disimpan pada

variabel nilai kali.

11. Buat kondisi if jika data bing.


44


setelahnya dikali dengan data yang ada di

kolom bing. Hasil perhitungan disimpan pada

variabel nilai kali.

13. Buat kondisi if jika data mat.


setelahnya dikali dengan data yang ada di kolom

mat Hasil perhitungan disimpan pada variabel

nilai kali.

15. Lakukan langkah 8 sampai 14.

16. Buat perkalian nilai matrix dan pangkat yang

disimpan pada variabel nilaipangkat.

17. Buat pembagian antara nilaikali dibagi nilai

pangkat yang disimpan pada array 2 dimensi

sumX.

18. Simpan variabel sumX kedalam variabel pusat

cluster.

19. Tampilkan hasil pusat cluster.

4.2.8.1.3 Algoritma Hitung Fungsi Objektif


method fungsi objektif:

1. Buat variabel baru total Fo array 2 dimensi

bertipe double yang berisi variabel baris dan

cluster.

2. Buat variabel baru hitung FO array 2 dimensi

bertipe double yang berisi variabel baris dan

cluster.

3. Buat variabel baru FBaru bertipe double yang

berisi 0.


45




7. Buat kondisi if dimana jika nilai kolom sama

dengan0

8. Buat kondisi if jika data bindo.

9. Hitung nilai data yang ada dikolom Bindo –

hasil dari matrix dikali pangkat Hasil

perhitungan disimpan pada variabel totalFO.

10. Buat kondisi if jika data bing.

11. Hitung nilai data yang ada dikolom bing – hasil

dari matrix dikali pangkat Hasil perhitungan

disimpan pada variabel totalFO.

12. Buat kondisi if jika data mat.

13. Hitung nilai data yang ada dikolom mat – hasil

dari matrix dikali pangkat Hasil perhitungan

disimpan pada variabel totalFO.

14. Lakukan langkah 7 sampai 13

15. Hitung nilai totalFo dikali hasil dari perkalian

matrix dan pangkat. Hasil perkalian disimpan

pada variabel hitungFO.

16. Simpan variabel totalFO pada variabel

fungsiobjektif

17. Simpan variabel fungsiobjektif pada variabel

Fbaru

18. Tampilkan hasil fungsi objektif.


46

4.2.8.1.4 Algoritma Matrix Partisi Baru


method input matrix:

1. Buat variabel pangkat yang bertipe double berisi

hasil dari pembagian -1 dibagi pangkat

dikurangi 1.

2. Buat variabel jumlah berbentuk array 1 dimensi

bertipe double yang berisi variabel baris.

3. Buat variabel matrix baru berbentuk array 2

dimensi bertipe double yang berisi variabel

baris dan cluster.

4. Tentukan decimal format untuk matrix.



7. Hitung nilai totalFO dikali pangkat yang

hasilnya disimpan pada variabel jumlah.


9. Hitung nilai totalFO dikali pangkat dibagi

dengan variabel jumlah. hasilnya disimpan pada

variabel matriks baru

10. Simpan nilai matrixbaru kedalam variabel

matrix.

11. Tampilkan hasil


47

4.3. Perancangan Antarmuka

Sistem pengelompokan siswa berdasarkan nilai rapor menggunakan fuzzy

c-means memiliki desain antar muka yang digunakan untuk berinteraksi

dengan pengguna sistem ini. Sistem ini terdiri dari 4 tampilan

yaitu,halaman beranda, halaman fuzzy c-means, halaman hasil dan

halaman bantuan.

4.3.1. Perancangan Halaman Beranda

Halaman awal adalah halaman yang pertama kali akan muncul

ketika aplikasi ini dijalakan. Pada halaman ini berisi judul apilkasi,

kata-kata mutiara serta tombol masuk dan keluar. Untuk rancangan

halaman awal dapat dilihat pada gambar 4.6 dibawah ini :

Gambar 4. 6 Halaman Beranda

4.3.2. Perancangan Halaman Fuzzy C-Means

Halaman input data akan muncul setalah kita menekan tombol

masuk pada halam awal tadi. Di halaman ini digunakan penguna untuk

memasukan data, memilih atribut dan memasukan data-data yang

diperlukan untuk perhitungan, terdapat juga tombol proses clustering


48

yang berfungsi untuk mengolah data yang ada sehingga bisa

menghasilkan proses clustering nilai. Untuk rancangan halaman input

data dapat dilihat pada gambar 4.7 dibawah ini :

Gambar 4. 7 Halama Fuzzy c-means

4.3.3. Perancangan Halaman Hasil

Halaman hasil clustering akan tampil ketika pengguna telah mengklik

tombol proses clustering pada halaman input data. Pada halaman hasil

clustering terdapat tabel yang nantinya akan berisi data hasil clustering.

Terdapat pula tombol simpan yang berfungsi untuk menyiman data hasil

clustering kedalam direktori laptop atau komputer pengguna.


49

Untuk rancangan halaman hasil clustering dapat dilihat pada gambar 4.8

dibawah ini :

Gambar 4. 8 Halaman Hasil

4.3.4. Perancangan Halaman Bantuan

Halaman bantuan adalah halaman yang akan tampil ketika

pengguna menekan menu bantuan pada halaman awal. Halaman

bantuan dapat digunakan oleh pengguna aplikasi jika kesulitan dalam

meggunakan aplikasi karena pada halaman ini akan berisi informasi

tentang apilkasi ini. Jika pengguna ingin keluar dari halaman bantuan

pengguna tinggal mengkilk tombol input data maka pengguna akan

masuk kehalaman input data atau mengklik menu halaman awal maka

pengguna akan dialihkan kehalaman awal.


50

Untuk rancangan halaman bantuan dapat dilihat pada gambar

4.9 dibawah ini :

Gambar 4. 9 Halaman Bantuan


51

BAB V

IMPLEMENTASI DAN PENGUJIAN SISITEM

Implementasi sistem merupakan prosedur yang harus dilakukan untuk

menyelesaikan pemrograman sistem berdasarkan pada nilai analisis dan perancangan

sistem pada bab sebelumnya. Implementasi sistem pada aplikasi ini dilakukan

menggunakan tools Netbeans Integrated Development Enviroment (IDE) 8.1 pada

computer dengan spesifikasi processor intel core i3, ram 2 GB, HDD 500GB.

Implementasi sistem pada bab ini terdiri dari implementasi antarmuka dan

implementasi kelas. Sedangkan pada pembahasan sistem terdiri dari pengujian

penggunaan sistem dengan data yang telah siap untuk di proses dan hasil pengujian

dari proses clustering. Daftar nama kelas yang diimplemntasikan pada sistem dapat

dilihat pada tabel dibawah ini :

Tabel 5. 1 Nama Kelas

No Nama Kelas Nama Berkas

1. Halaman Utama Halamanutama.java

2. Halaman input data Inputdata.java

3. Halaman Hasil Clustering HasilClustering.java

4. Halaman Bantuan Bantuan.java

5. Model Tabel DataModelrabel.java

6. Model Data Data.java

7. Model Baca data bacaExcel.java

8. Model Fuzzy C- Means FCM.java

9. Model Hasil Cluster HasilCluster.java


52

5.1 Implementasi Antarmuka

5.1.1 Implementasi Halaman Awal

Antarmuka halaman awal pada saat aplikasi dijalankan dapat dilihat

pada gambar 5.1 dibawah ini

Gambar 5. 1 Halaman Awal

Pada halaman awal terdapat tombol keluar dan masuk. Tombol

keluar berfungsi jika kita ingin keluar dari aplikasi dan tombol

masuk berfungsi jika kita ingin masuk ke halaman input data dan

proses clustering, terdapat pula menu bantuan yang berfungsi untuk

masuk halaman bantuan jika pengguna ingin mengetahui langkah-

langkah penggunaan sistem ini.


53

5.1.2 Implementasi Halaman Proses input data dan proses

clustering

Antarmuka halaman input data dan proses clustering akan

tampil ketika pengguna mengklik tombol masuk pada halaman

awal. Pada halaman input data dan proses clustering pengguna

dapat menginputkan data file bertipe .xls yang nantinya akan

diolah. Pada halaman ini juga pengguna harus memilih atribut

yang akan dihitung, serta memasukan data-data yang digunakan

untuk proses perhitungan. Antarmuka halaman input data dan

proses clustering dapat dilihat pada gambar 5.2 dibawah ini :

Gambar 5. 2 Halaman input data dan proses clustering

Pada halaman input data dan proses clustering ini terdapat

tombol proses clustering. Tombol proses clustering berguna

untuk mengarahkan ke halaman hasil clustering.


54

5.1.3 Implementasi Halaman Hasil Clustering

Antaramuka halaman hasil clustering akan muncul ketika

pengguna mengklik tombol proses clustering pada halaman

input data dan proses clustering. Dalam halaman clustering

terdapat tabel yang berisi data hasil clustering. Antarmuka

halaman hasil clustering dapat dilihat pada table 5.3 dibawah ini

:

Gambar 5. 3 Halaman Hasil Clustering

Pada halaman ini terdapat juga tombol simpan yang

berfungsi untuk menyimpan data ke direktori computer

pengguna dan tombol kembali jika pengguna ingin kembali

ke halaman sebelumnya dan tombol keluar jika pengguna

ingin keluar dari sistem.


55

5.1.4 Implementasi Halaman Bantuan

Antaramuka halaman bantuan akan muncul ketika pengguna

mengklik tombol bantuan pada halaman utama atau pada

halaman input data dan proses clustering. Antarmuka halaman

bantuan dapat dilihat pada table 5.4 dibawah ini :

Gambar 5. 4 Halaman Bantuan

Pada halaman ini terdapat juga tombol keluar dan input data ,

dimana tombol keluar berfungsi untuk keluar dari sistem

sedangkan tombol input data akan mengrahkan pengguna

kehalaman input data.


56

5.2. Implementasi Kelas

5.2.1 Implementasi Kelas Halaman Utama

Dalam kelas halaman utama terdapat method-method penting

antara lain : method MasukActionPerformed() dan method run,

penjelasannya adalah sebagai berikut :

private void MasukActionPerformed(java.awt.event.ActionEvent

evt) {

// TODO add your handling code here:

input data = new input();

data.setVisible(true);

this.setVisible(false);

} public void run() {

new home().setVisible(true); }

Method MasukActionPerformared() berisi perintah untuk

menjalankan halaman input data dan proses clustering jika

tombol masuk ditekan, sedangkan method run() berisi perintah

untuk menjalankan tampilan dialog halaman awal.

5.2.2 Implementasi Kelas Fuzzy C-Means

Kelas fuzzy c-means merupakan kelas utama dari sistem,

dimana kelas ini berisi mehod-method penting yang digunakan

dalam membantu pengelompokan siswa. Dalam kelas ini

terdapat method constractor FCM(), method inputmatrix(),

method hitungPusatCluster(), method fungsiObjekti(), dan

method martixPartisiBaru().


57

Method konstruktor adalah method yang dijalankan bersamaan

dengan dipanggilnya kelas FCM. Parameter yang tedapat pada

konstruktor digunakan oleh method lain sebagai variabel objek

dalam proses clustering. Untuk method-method lainnya dapat

dilihat dibawah ini :


58


59


60

5.2.3 Implementasi Kelas Input data dan Proses Clustering

Method browseActionPerformed() berfungsi untuk

mengarahkan pengguna ke dialog pilih berkas yang dijalankan

oleh kelas JFileChooser. Setelah pengguna memasukan berkas

data, maka nama berkas beserta lokasi penyimpanannya akan

disimpan pada variabel inputdata. Dalam method ini terdapat

perintah untuk mengecek apakah berkas itu berekstensi .xls

atau tidak, kalau tidak bertipe .xls maka akan muncul pesan

“file tidak bertipe .xls”. data yang tadi sudah diinputkan akan

secara otomatis tertampil pada tabel yang ada di halaman input

data dan proses clustering.


61

5.2.4 Implementasi kelas Bantuan

Dalam kelas halaman bantuan terdapat method method penting

antaralain: method keluarActionPerformed() , method

InputActionPerformade() dan method run, penjelasanya

adalah sebagai berikut :

private voidkeluarActionPerformed

(java.awt.event.ActionEvent evt) { System.exit(0); }

Privatevoid

InputActionPerformed(java.awt.event.ActionEvent evt) {

input in = new input();

in.setVisible(true);

this.setVisible(false);}

public void run() {

new Bantuan().setVisible(true); }


62

Method keluar() berisi perintah untuk keluar dari halaman

bantuan sedangkan method input() untuk menjalankan

halaman input data dan proses clustering jika tombol masuk

ditekan, sedangkan method run() berisi perintah untuk

menjalankan tampilan dialog halaman bantuan.

5.3 Pengujian Sistem

5.3.1 Pengujian Blackbox

Dibawah ini merupakan tabel yang menunjukan hasil

pengujian Blackbox pada sistem :

Tabel 5. 2 Hasil pengujian blackbox

No Interface Keterangan

1. Halama Awal Halaman ini sudah berjalan dengan

baik, tombol dan menu yang ada di

halaman ini sudah berjalan sesuai

dengan fungsinya.

2. Halaman Input Data dan Proses Halaman ini sudah berjalan dengan

baik. Tombol pilih data sudah

berfungsi dengan baik, pesan

kesalahan akan muncul jika salah

memasukan berkas selain yang betipe

xls. Menu ceklis pada pilihan sudah

berfungsi dengan baik sehingga dapat

menampilkan data yang kita inginkan

kedalam tabel yang telah tersedia.

Tombol-tombol yang ada di halaman

ini juga sudah berjalan sesuai dengan

fungsinya masing-masing.

3. Halaman Hasil Clustering Halaman ini sudah berjalan dengan

baik. Data dalam tabel menampilkan

hasil clustering

4. Halaman Bantuan Halaman ini sudah bekerja dengan

baik dan menampilkan informasi

petunjuk pemakaian aplikasi

5. Halaman sismpan Halaman ini sudah berjalan dengan

baik dan dapat menyimpan hasil

clustering ke direktori penyimpanan

pada computer dengan file berformat

.xls.


63

5.3.2 Pengujian Validitas Implementasi Algoritma FCM

Pengujian validitas implementasi algoritma fuzzy c-means

dimaksudkan untuk mengetahui apakah algoritma fuzzy c-

means sudah diimplementasikan secara benar pada sistem

sesuai dengan dasar teori algoritma fuzzy c-means. Pengujian

dilakukan dengan membandingakan hasil pengujian di sistem

dan perhitungan manual. Data yang digunakan untuk pengujian

merupakan data sampel dari nilai bahasa indonesia dari

semester 1 sampai 5. Pengujian menggunakan data uji ini

dilakukan untuk mengetahui apakah sistem dapat

mengelompokan siswa sesuai dengan data yang ada. Dibawah

ini adalah tabel data uji secara manual dan sistem yang di

tunjukan pada tabel berikut :

Tabel 5. 3 Data uji Algoritma FCM

Data Bindo1 Bindo2 Bindo3 Bindo4 Bindo5

1 75.00 81.00 82.00 83.00 87.00

2 75.00 80.00 81.00 88.00 88.00

3 77.00 89.00 84.00 84.00 86.00

4 79.00 90.00 93.00 83.00 87.00

5 79.00 80.00 83.00 88.00 84.00

6 78.00 89.00 91.00 88.00 95.00

7 83.00 90.00 89.00 90.00 83.00

8 79.00 80.00 84.00 81.00 91.00

9 85.00 87.00 83.00 79.00 91.00

10 77.00 89.00 89.00 86.00 84.00

Setelah dilakukan pengujian baik secara manual dan sistem

didapatkan hasil perbandingan dari implementasi algoritma

fuzzy c-means yang dapat dilihat pada tabel dibawah ini


64

Tabel 5. 4 Perbandingan Hasil Sistem dan Hasil Hitung Manual

D

a

r

i

h

a

s

Perbandingan uji algoritma FCM pada perhitungan manual dan sistem

dapat disimpulkan bahwa sistem telah mengimplementasikan

algoritma FCM dengan baik sehingga dapat menghasilkan jumlah data

dan member cluster yang sama baik secara perhitungan manual

maupun sistem.

No Aspek Hasil Sistem Hasil Hitung Manual

1. Jumlah data 10 10

2. Jumlah iterasi 10 10

3

Fungsi Objektif

0.0028077228234906215

0.002812834

4. Member cluster

0

5 5

5. Member cluster

1

5 5

6. Anggota

cluster 0

Albertus Nai

Alfan

Cintia Faradila

Dhea Nathalia Timo

Fikri Ahmad

Hidayatullah

Albertus Nai

Alfan

Cintia Faradila

Dhea Nathalia Timo

Fikri Ahmad

Hidayatullah

7. Anggota

cluster 1

Adrianus Pogar

Agnes Yovita Parma

Andilaus Riwu

Don Bosko Teuku Raja

Dorce Elisaveth

Kupeilang

Albertus Nai

Alfan

Cintia Faradila

Dhea Nathalia Timo

Fikri Ahmad

Hidayatullah


65

5.3.3 Pengujian Sistem dengan seluruh Data

Pada sistem ini setelah pengguna menginputkan data,

pengguna diharapkan memilih atribut data apa yang ingin

dihitung, setelah pengguna memilih data atribut, pengguna

diharuskan mengisi parameter yang telah tersedia pada system

ini antara lain : Jumlah klaster = 11 , Pemangkat = 2,

Maksimum iterasi = 100, Dan toleransi error = 0.01

Gambar 5. 5 Hasil input data


66

Gambar 5. 6 Hasil Clustering

5.3.4 Pengujian Kualitas cluster mengunakan Silhouette Index

Pengujian terhadap sistem implementasi algoritma fuzzy c-means

dapat dilakukan dengan menguji validitas menggunakan

silhouette Index dengan menghitung jarak menggunakan

parameter jarak Eunclidean. Perhitungan silhouette dari data nilai

siswa yang sudah di cluster dengan jumlah 669 data, dan atribut

data berjumlah 5 terdiri dari Bindo1, Bindo2, Bindo3, Bindo4,

Bindo5, yang ditunjukan pada tabel dibawah ini :


67

Berdasarkan hasil perhitungan untuk semua cluster diperoleh

ringkasan dari hasil SI setiap cluster. Hasil perhitungan SI setiap

cluster dapat dilihat pada table 5.7 dibawah ini :

Tabel 5. 5 Hasil uji kualitas Silhoutte index percluster

Cluster Jumlah Data SI

0 48 0.0549660127572493

1 63 0.118162540816765

2 101 0.115719115477351

3 63 0.02594508767786

4 75 -0.185020067053781

5 54 0.0268373510007915

6 64 0.144261920410458

7 24 0.0485977527759083

8 49 0.0739804716900299

9 66 0.17953571815947

10 48 0.115206135443218

SI Global 0.0652901854

Dari hasil pengujian validitas yang dilakukan secara manual, dapat

dikatakan bahwa ada beberapa data yang tidak masuk dalam

cluster tersebut atau dengan kata lain tidak tepat berada dalam

cluster tersebut. Nilai keseluruhan dari SI cluster 0 adalah

0.0549660127572493, dimana jika dilihat dari hasil perhitungan

nilai SI dalam cluster 0 terdapat nilai negatif yang berarti bahwa

uji kualitas clustering menggunakan silhouette index pada data

dalam cluster tersebut tidak tepat (bisa jadi data tersebut lebih tepat

berada pada cluster yang lainnya). Pada cluster ke 1 nilai


68

keseluruhan SInya adalah 0.118162540816765 dimana jika dilihat

dari hasil perhitungan nilai SI dalam cluster 1 terdapat nilai negatif

yang berarti bahwa uji kualitas clustering menggunakan silhouette

index pada data dalam cluster tersebut tidak tepat (bisa jadi data

tersebut lebih tepat berada pada cluster yang lainnya). Pada cluster

ke 2 nilai keseluruhan SInya adalah 0.115719115477351 dimana

jika dilihat dari hasil perhitungan nilai SI dalam cluster 2 terdapat

nilai negatif yang berarti bahwa uji kualitas clustering

menggunakan silhouette index pada data dalam cluster tersebut

tidak tepat (bisa jadi data tersebut lebih tepat berada pada cluster

yang lainnya). Pada cluster ke 3 nilai keseluruhan SInya adalah

0.02594508767786 dimana jika dilihat dari hasil perhitungan nilai

SI dalam cluster 3 terdapat nilai negatif yang berarti bahwa uji

kualitas clustering menggunakan silhouette index pada data dalam

cluster tersebut tidak tepat (bisa jadi data tersebut lebih tepat


keseluruhan SInya adalah -0.185020067053781 dimana jika

dilihat dari hasil perhitungan nilai SI dalam cluster 4 terdapat nilai

negatif yang berarti bahwa uji kualitas clustering menggunakan

silhouette index pada data dalam cluster tersebut tidak tepat (bisa

jadi data tersebut lebih tepat berada pada cluster yang lainnya).

Pada cluster ke 5 nilai keseluruhan SInya adalah

0.0268373510007915 dimana jika dilihat dari hasil perhitungan









69








yang lainnya). Pada cluster ke 8 nilai keseluruhan SInya adalah

0.0739804716900299 dimana jika dilihat dari hasil perhitungan















yang lainnya). Setelah dihitung rata-rata global dari nilai SI dari

semua cluster didapatkan nilai SI globalnya adalah 0.0652901854

dari hasil SI globalnya dapat disimpulkan bahwa nilai dari SI

global tersebut memiliki struktur buruk.


70

5.4 Kelebihan dan kekurangan system

System yang digunakan memiliki kelebihan dan kekurangan. berikut

kelebihan dan kekurangan dari system ini :

5.4.1 kelebihan sistem

1. sistem dapat menerima dan membaca inputan data yang

berformat .xls.

2. sistem dapat menampilkan hasil clustering yang mudah untuk

dipahami.

5.4.2 kekurangan Sistem

1. Sistem tidak dapat menerima dan membaca input data selain

yang berformat .xls.

2. Sistem tidak dapat melakukan perhitungan lebih dari 5 atribut

sistem hanya akan menghitung data yang sesuai dengan atribut

yang telah ditelah dipilih.

3. Sistem tidak dapat melakukan perhitungan silhouette index.


71

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Kesimpulan yang diperoleh sebagai hasil penyelesaian tugas akhir ini

adalah:

1. Implementasi algoritma Fuzzy c-means untuk pengelompokan siswa

kelas 3 SMK Negeri 2 Ende berdasarkan nilai rapor mata pelajaran

bahasa Indoensia, bahasa Inggris, dan matematika telah berhasil

dibangun.

2. Data set yang digunakan untuk perhitungan ini dengan jumlah cluster

11 memiliki silhouette index dengan struktur yang buruk, karena nilai

dari silhouette index dari setiap cluster dan nilai global Silhouette

index < 0.25.

6.2 Saran

Berdasarkan hasil analisis pada tugas akhir ini penulis memberikan

saran untuk perbaikan dan pengembangan program lebih lanjut antara

lain :

1. Program ini dapat dikembangan untuk menampilkan hasil dari

perhitungan silhouette index.

2. Program ini dapat dikembangkan dengan menggunakan data set

yang berbeda.


72

DAFTAR PUSTAKA

Hermawati , Fajar Astuti. 2013. Data Mining .Yogyakarta: Andi Offset.

Han, Jiawei; & Kamber, Micheline. 2001. Data Mining Concepts and

Techniques Second Edition. San Francisco: Morgan Kauffman.

Kaufman, Leonard, Rousseeuw, Peter J. 1990. Finding Groups in Data

Jhon Willey &Sons,Inc.Kanada

Kusumadewi, S. dan Purnomo, H. 2010. Aplikasi Logika Fuzzy untuk

Pendukung Keputusan edisi 2. Yogyakarta: Graha Ilmu.

Megawati, Maria Riana. 2015. Implementasi Fuzzy C-Means Untuk

Pengelompokan Sekolah Menengah Atas Di DIY Berdasarkan Nilai

Ujian Nasional dan Nilai Sekolah. Universitas Sanata Dharma.

Yogyakarta.

Millah Azkiyah.2017.Pengelompokan kabupaten/kota di Nusa Tenggara

Timur berdasarkan pelayanan kesehatan ibu dan anak menggunkana

k-means dan Fuzzy c-means cluster.

Prasetyo, Eko . 2014. Data Mining Mengelolah Data Menjadi Informasi

Menggunakan Matlab. Yogyakarta : Andi Offset.

Santoso, Budi .2007. Data Mining Teknik Pemanfaatan Data untuk

keperluan Bisnis. Yogyakarta : Graha Ilmu.


73

Tanjung, Pryscilia Angelina. 2016. Penerapan Fuzzy C-Means

Clustering Pada Data Nasabah Bank. Universitas Sanata

Dharma. Yogyakarta.

www.smkn2ende.sch.id diakses pada tanggal 11 april 2018 pada pukul

19.36 WIB.


http://www.smkn2ende.sch.id/

74

LAMPIRAN

Tabel 4. 5 Narasi use case input data

Nama Use Case Input data Use case type :

Use Case ID SIlog1IDA

Prioritas High

Source SRS & Project Charter Tahap 1

Aktor Utama User

Aktor Lain

yang berperan

-

Interested

stakehoders P

-

Diskripsi Use case ini dideskripsikan sebagai kerja dari User untuk menginputkan

data nilai bertipe xls.

Pre kondisi User sudah masuk ke menu halaman input data

Post Kondisi Data nilai siswa sudah tertampil pada tabel

Typical Course

of Events

Aksi Aktor Reaksi System

- Step 1

User mengklik menu lihat pilih

file

- Step 3

User mengklik data yang

ingin di tampilkan

- Step 2

System akan menampilkan

direktori penyimpanan

- Step 2

Sistem merespon dengan

menampilkan data yang di pilih

kedalam tabel


75

Alternate

Course

-

Conclusion Use case ini membantu User untuk menginputkan data nilai siswa

Implementation

Constrains and

Specifications

Assumptions

Open Issues


76

Tabel 4. 6 Narasi use case proses clustering

Nama Use Case Proses Clustering Use case type :


Prioritas High


Aktor Utama User

Aktor Lain

yang berperan

-

Interested

stakehoders P

-

Diskripsi Use case ini dideskripsikan sebagai proses untuk melakukan clustering

data nilai

Pre kondisi Data nilai siswa sudah tampil di tabel

Post Kondisi Hasil clustering nilai rapor siswa

Typical Course

of Events


- Step 1

User mengklik data yang ingin

di hitung

- Step 2

User menginputkan nilai

pangkat, jumlah cluster,

maxiterasi, fungsi objektif

- Step 3

User mengklik tombol

proses clustering


77

- Step 4

Sistem akan menampilkan hasil

clustering dari nilai rapor

Alternate

Course

-

Conclusion Use case ini membantu User untuk melakukan proses clustering nilai

Implementation

Constrains and

Specifications

Assumptions

Open Issues


78

Tabel 4. 7 Narasi use case simpan hasil clustering

Nama Use Case Simpan data Use case type :


Prioritas High


Aktor Utama User

Aktor Lain

yang berperan

-

Interested

stakehoders P

-

Diskripsi Use case ini dideskripsikan sebagai kerja dari User untuk menyimpan

data hasil clustering

Pre kondisi User sudah di halaman hasil clustering

Post Kondisi Data hasil clustering berhasil tersimpan

Typical Course

of Events


- Step 1

User mengklik button simpan

- Step 3

User memilih tempat untuk

menyimpan file

- Step 4

User mengklik tombol

simpan

- Step 2

System akan menampilkan

direktori penyimpanan


79

- Step 5

Sistem merespon dengan

menampilkan dialog data

berhasil tersimpan

Alternate

Course

-

Conclusion Use case ini membantu User untuk menyimpan data hasil clustering

Implementation

Constrains and

Specifications

Assumptions

Open Issues


CLUSTERING NILAI RAPORT MENGGUNAKAN ALGORITMA …repository.usd.ac.id/35437/2/145314098_full.pdf ·...

Documents

Transcript of CLUSTERING NILAI RAPORT MENGGUNAKAN ALGORITMA …repository.usd.ac.id/35437/2/145314098_full.pdf ·...