Analisa Pengelompokan Konsentrasi Program Studi menggunakan K-Means Clustering

Ni Ketut Dewi Ari Jayanti, M.KomSTMIK STIKOM Bali

Jl. Raya Puputan No. 86 Renon Denpasar, telp. 0361 244445e-mail: daj@stikom-bali.ac.id

AbstrakDalam mewujudkan visi STMIK STIKOM Bali, salah satu Program Studi yang ada di STIKOM

Bali yaitu Program Studi Sistem Informasi memiliki misi menyelenggarakan program pendidikan secara professional dan berkualitas untuk menghasilkan sumber daya manusia yang berkualitas. Untuk mewujudkan misi tersebut Program Studi Sistem Informasi dalam menyusun kurikulum, menerapkan Kurikulum Berbasis Kompetensi (KBK) dan didalamnya terdapat tiga konsentrasi yaitu Konsentrasi Database, Konsentrasi Desain Visual dan Multimedia serta Konsentrasi Business Intelligence. Masing-masing konsentrasi memiliki Mata Kuliah prasyarat yang harus dipenuhi oleh mahasiswa yang memilih konsentrasi tersebut. Mahasiswa Program Studi Sistem Informasi menjelang semester ke enam, memilih satu dari tiga konsentrasi yang diminati. Peminatan atau konsentrasi yang dipilih Mahasiswa, dianalisa oleh Program Studi, apakah Mahasiswa tersebut memenuhi persyaratan atau layak untuk masuk ke kelompok konsentrasi tersebut.

Saat ini, analisa pengelompokan Mahasiswa ke dalam konsentrasi yang diminati masih dilakukan secara manual, sehingga perlu dibuatkan suatu analisa pengelompokan konsentrasi Program Studi menggunakan K-Means Clustering guna membantu Program Studi dalam menentukan kelayakan peminatan Mahasiswa berdasar pada feature / atribut nilai mata kuliah prasyarat. Dengan peminatan atau konsentrasi, diharapkan Mahasiswa Program Studi Sistem Informasi dapat memiliki kompetensi dan siap terjun ke dunia kerja.

Hasil penelitian analisa pengelompokan konsentrasi Program Studi menggunakan K-Means Clustering ini, akan membantu sistem analis dan pengembang sistem dalam melakukan perancangan sistem dan mengembangkannya kedalam sistem informasi 

Kata kunci: Konsentrasi, Program Studi, K-Means Clustering

Abstract In realizing the vision STMIK STIKOM Bali, one of the Bachelor degree in STIKOM Bali is

Information Systems department, that has a mission to conduct educational programs in a professional and qualified to produce quality human resources. To realize this mission Information System department in developing curriculum, implementing Competency Based Curriculum (CBC) and in which there are three, namely majors Database, Design Visual and Multimedia and Business Intelligence. Each majors Course prerequisites have to be met by students who choose this majors. Students of Information Systems to six semesters ahead, choose one of three majors of interest. Specialization or majors of selected students, analyzed by the department, the student is eligible to enter the majors group.

Currently, analysis of grouping students into the majors of interest is still done manually, so it needs to be made an analysis of the majors grouping system uses the K-Means Clustering to assist in determining the feasibility department based on the student specialization feature / attribute value of prerequisite subjects. With a specialization or majors, is expected the Students of Information System department are competent and ready to plunge into the world of work. The results of analysis grouping Studies majors using the K-Means Clustering, will help the system analysts and system developers in performing system design and develop them into information systems. 

Keywords: Majors, Departement, K-Means Clustering

1. Latar Belakang STMIK STIKOM Bali sebagai sebuah Sekolah Tinggi ICT yang pertama di Pulau Dewata, merupakan Sekolah Tinggi swasta

1

yang terus menerus melakukan peningkatan kualitas pendidikan, penelitian dan pengabdian pada masyarakat sesuai dengan tuntutan dan kebutuhan masyarakat serta industri yang ada di Bali. Saat ini STIKOM Bali telah memiliki Mahasiswa dengan total keseluruhan 6000 orang. Setiap tahun jumlah Mahasiswa baru meningkat dan tiga Program Studi di bawah naungan STIKOM Bali telah menetapkan kompetensi lulusannya, dan ini merupakan kekuatan (Strength) bagi lembaga. Program Studi S1 – Sistem Informasi merupakan Program Studi yang bertujuan mewujudkan visi STMIK STIKOM Bali yaitu menjadi Perguruan Tinggi Unggulan bidang teknologi informasi dan komunikasi baik ditingkat Nasional maupun Internasional.

Dalam realitanya STIKOM Bali belum cukup dikenal pada level Nasional maupun Internasional. Jumlah sumber daya yang memiliki kompetensi pada bidang keahlian tertentu juga masih kurang. Hal ini merupakan kelemahan (Weakness) yang masih menjadi kendala bagi STIKOM Bali. Namun demikian, saat ini beberapa Perguruan Tinggi swasta baik Nasional maupun Internasional telah bekerjasama dengan STIKOM Bali, diantaranya Universitas Bina Nusantara Jakarta (Nasional) dan Help University College Malaysia (Internasional). Sehingga kesempatan (Opportunity) STIKOM Bali menjalin kerjasama dengan Perguruan Tinggi lain sangatlah terbuka lebar, mengingat STIKOM Bali sendiri telah tersertifikasi ISO 9001-2008. Apabila dilihat 2 tahun terakhir ini, di Pulau Bali sendiri telah berdiri beberapa Perguruan Tinggi Swasta lain yang juga berbasiskan teknologi informasi. Hal ini merupakan tantangan (Threats) bagi STIKOM Bali untuk tetap terdepan, sebagai perguruan Tinggi “Always The First”.

Dalam mewujudkan visi STMIK STIKOM Bali, salah satu Program Studi yang ada di STIKOM Bali yaitu Program Studi Sistem Informasi memiliki misi menyelenggarakan program pendidikan secara professional dan berkualitas untuk menghasilkan sumber daya manusia yang berkualitas. Untuk mewujudkan misi tersebut Program Studi Sistem Informasi dalam menyusun kurikulum, menerapkan Kurikulum Berbasis Kompetensi (KBK) dan didalamnya terdapat tiga konsentrasi yaitu Konsentrasi Database, Konsentrasi Desain Visual dan Multimedia serta Konsentrasi Business Intelligence. Masing-masing konsentrasi memiliki Mata Kuliah prasyarat yang harus dipenuhi oleh mahasiswa yang memilih

konsentrasi tersebut. Mahasiswa Program Studi Sistem Informasi menjelang semester ke enam, memilih satu dari tiga konsentrasi yang diminati. Peminatan atau konsentrasi yang dipilih Mahasiswa, dianalisa oleh Program Studi, apakah Mahasiswa tersebut memenuhi persyaratan atau layak untuk masuk ke kelompok konsentrasi tersebut. Saat ini, analisa pengelompokan Mahasiswa ke dalam konsentrasi yang diminati masih dilakukan secara manual, sehingga perlu dibuatkan suatu analisa pengelompokan konsentrasi Program Studi menggunakan K-Means Clustering guna membantu Program Studi dalam menentukan kelayakan peminatan Mahasiswa. Dengan peminatan atau konsentrasi, diharapkan Mahasiswa Program Studi Sistem Informasi dapat memiliki kompetensi dan siap terjun ke dunia kerja.

Berdasarkan kondisi tersebut diatas, maka dapat dirumuskan permasalahan yaitu bagaimana menentukan pengelompokan peminatan atau konsentrasi Mahasiswa pada Program Studi Sistem Informasi serta bagaimana melakukan analisa pengelompokan konsentrasi Program Studi menggunakan K-Means Clustering. Studi kasus yang akan digunakan dalam penelitian ini adalah pada Program Studi Sistem Informasi STIKOM Bali, berdasarkan dokumen yang diperoleh didapat features atau atribut yang diperoleh yaitu : Mata Kuliah Prasyarat dan Nilai Mata Kuliah Prasyarat. Penelitian ini hanya memberikan alternatif dalam melakukan proses verifikasi oleh Program Studi terhadap pemilihan konsentrasi yang dilakukan oleh mahasiswa.

2. Metode Penelitian

Penelitian ini diawali dengan pengumpulan data dan dilanjutkan dengan menganalisa pengelompokan konsentrasi menggunakan K-Means Clustering, dapat dilihat pada Gambar 1.

PENGUMPULAN DATA

Analisa Konsentrasi

Prodi menggunakan

K-Means Clustering

Survei dan Analisa Data

Observasi

2

Gambar 1. Metode Penelitian

A. Pengumpulan Data dilakukan dengan : 1. Observasi , dengan melakukan

pengamatan secara langsung pada proses-proses yang sedang berjalan, yaitu :

a. mengkaji Kurikulumb. proses penentuan

konsentrasic. penentuan nilai mata

kuliah prasyarat.Sebelum pengkajian dilakukan akan didahului dengan kegiatan identifikasi dan inventarisasi kondisi lembaga, teknologi informasi, dan sumber daya manusia.

2. Survei, untuk mendapat gambaran kondisi kesiapan Program Studi dalam pengelompokan konsentrasi dan juga kesiapan SDM. Sedangkan analisa data, yaitu melakukan dengan mempelajari material yang menggambarkan sistem manual yang sedang berjalan. Dokumen yang diamati meliputi :

a. Kurikulumb. Konsentrasic. Mata Kuliah Prasyaratd. Nilai Mata Kuliah

PrasyaratB. Analisa Konsentrasi Program Studi,

dilakukan berdasarkan hasil yang diperoleh dari tahap pengumpulan data. Berdasarkan tujuh (7) profil lulusan Program Studi Sistem Informasi, maka terbentuklah 3 konsentrasi yaitu konsentrasi Database, Desain Visual dan Multimedia, serta Business Intelligence. Pembentukan konsentrasi dapat dilihat seperti pada Gambar 2

Gambar 2. Pembentukan Konsentrasi Prodi SI

Masing-masing konsentrasi memiliki mata kuliah prasyarat yang menjadi dasar bagi mahasiswa dalam peminatan atau konsentrasi yang dipilih. Adapun mata kuliah prasyarat masing-masing konsentrasi serta nilai minimal dari masing-masing mata kuliah tersebut adalah :

Tabel 1. Mata Kuliah Prasyarat dan Nilai Minimal

Pengelompokan Mahasiswa ke dalam konsentrasi berdasarkan pada perolehan nilai masing-masing mahasiswa terhadap mata kuliah prasyarat.

3. Hasil dan AnalisaHasil dan analisa membahas tentang

penerapan K-Means Clustering dalam pengelompokan konsentrasi program studi, serta hasil yang diperoleh.

1.1 Tahapan K-Means Clustering Prosedur awal K-Means Clustering adalah

menentukan jumlah cluster, kemudian sembarang obyek atau element pertama dalam cluster dapat dipilih untuk dijadikan titik tengah (centroid point) cluster, menentukan koordinat titik tengah terhadap cluster, menentukan jarak setiap obyek terhadap koordinat titik tengah dan mengelompokkan obyek - obyek tersebut berdasarkan pada jarak minimumnya. Algoritma K-Means Clustering selanjutnya akan melakukan pengulangan langkah – langkah tersebut hingga terjadi kestabilan atau terminated. Dikatakan stabil apabila tidak ada obyek yang dapat dipindahkan lagi. Flowchart algoritma K-Means Clustering dapat dilihat pada Gambar 3. Berdasarkan flowchart tersebut, tahapan K-Means Clustering adalah sebagai berikut :

3

1. Menentukan berapa banyak cluster yang ingin yang ingin dibentuk, dimana nilai K adalah banyaknya cluster/ jumlah cluster. Jumlah cluster yang ingin dibentuk adalah 3 maka, K = 3. Jumlah cluster di peroleh dari jumlah konsentrasi yang ada pada Program Studi Sistem Informasi, yaitu Database, Business Intelligence serta Desain Visual dan Multimedia.

2. Menentukan pusat cluster (centroid) awal. Centroid awal ditentukan secara acak dari data yang ada dan jumlah centroid awal sama dengan jumlah cluster.

3. Setelah menentukan centroid awal, maka setiap data akan menemukan centroid terdekatnya yaitu dengan menghitung jarak setiap data ke masing-masing centroid menggunakan rumus korelasi antar dua obyek yaitu Euclidean Distance : p1(x1, y1) ; p2(x2, y2) D=√(x1 –x2)2+(y1 –y2)2

[5.1]4. Setelah menghitung jarak data ke

centroidnya, maka langkah berikutnya adalah mengelompokkan data berdasarkan jarak minimumnya. Suatu data akan menjadi anggota dari suatu cluster yang memiliki jarak terdekat (terkecil) dari pusat cluster-nya.

5. Berdasarkan pengelompokan tersebut, selanjutnya adalah mencari centroid baru berdasarkan membership dari masing-masing cluster yaitu dengan menghitung rata-rata dari data masing-masing cluster.

6. Kembali ke tahap 3.7. Perulangan berhenti apabila tidak ada data

yang berpindah.

Gambar 3. Flowchart algoritma K-Means Clustering

1.2 Implementasi K-Means ClusteringSetiap mata kuliah prasayarat, seperti pada

tabel 1 di representasikan kedalam abjad. Hal ini dilakukan untuk mempermudah dalam penyusunan data. Representasi mata kuliah dapat dilihat pada tabel 2 berikut :

Tabel 2. Representasi Mata Kuliah

Begitu pula dengan nilai direpresentasikan kedalam angka seperti pada tabel 3 berikut :

Tabel 3. Representasi Nilai

4

Berdasarkan data yang telah diperoleh sebelumnya, pengelompokan konsentrasi berdasar pada mata kuliah dan nilai prasyarat dapat dilihat pada grafik berikut :

Gambar 4. Pengelompokan Konsentrasi

Diasumsikan sejumlah data Mahasiswa sebanyak 15 data (D1 sampai D15) dengan nilai mata kuliah prasyarat yang telah di peroleh masing-masing mahasiswa, serta centroid awal yang telah ditentukan, seperti pada tabel 5.3 dan 5.4 berikut :

Tabel 4. Data Mahasiswa dan Nilai Prasyarat

Tabel 5. Centroid Awal

Setiap data dihitung jarak terdekatnya dengan masing-masing centroid menggunakan rumus korelasi antara 2 objek data eucludian distance. Pada iterasi ke – 0 , menghasilkan jarak masing-masing data terhadap setiap centroid, sebagai berikut :

Tabel 6. Jarak Data terhadap masing-masing Centroid (Iterasi 1)

Setiap data akan dikelompokkan berdasarkan jarak terdekatnya, seperti terlihat pada tabel 5.5. Dimana Cluster 1 memiliki 7 anggota yaitu D1, D4, D7, D9, D11, D14, D15. Cluster 2 memiliki 2 anggota yaitu D2, D3. Cluster 3 memiliki 6 anggota yaitu D5, D6, D8, D10, D12, D13.

Berdasarkan jumlah anggota pada masing-masing cluster maka diperoleh centroid baru, dengan menghitung rata-rata dari tiap-tiap cluster. Masing-masing data kembali menghitung jarak dirinya terhadap setiap centroid (centroid baru). Perulangan terus terjadi sampai tidak ada lagi data yang berpindah. Pada proses perulangan, iterasi dilakukan hingga iterasi ke 2.

Hasil akhir yang diperoleh pada iterasi ke 2 ini adalah Cluster 1 memiliki 6 anggota yaitu D1, D7, D9, D11, D14, D15. Cluster 2 memiliki 2 anggota yaitu D2, D3. Cluster 3 memiliki 6 anggota yaitu D4, D5, D6, D8, D10, D12, D13. Berikut merupakan centroid baru dan pengelompokan data pada iterasi ke 2.

Pengelompokan data mahasiswa kedalam konsentrasi berdasarkan kedekatan nilai mata kuliah prasyarat mahasiswa tersebut terhadap masing-masing konsentrasi. C1 merupakan kelompok konsentrasi Business Intelligence, C2

5

merupakan kelompok konsentrasi Database, dan C3 merupakan kelompok konsentrasi Desain Visual dan Multimedia.

Tabel 7. Centroid Baru (Iterasi 2)

Tabel 8. Jarak Data terhadap masing-masing Centroid (Iterasi 2)

1.3 Uji CobaDiilustrasikan data baru sebanyak 5 buah

data mahasiswa dengan nilai mata kuliah prasyaratnya, seperti pada tabel 5.10. Menggunakan K-Means clustering, dicari kedekatan nilai mahasiswa tersebut terhadap konsentrasi yang ada.

Tabel 9. Uji Coba Data Mahasiswa dan Nilai Prasyarat

Tabel 10. Jarak Data terhadap masing-masing Centroid

Dari perhitungan kedekatan data terhadap masing-masing centroid, hasil yang diperoleh adalah data X1, X2, X3 tergabung dalam kelompok C1 konsentrasi Business Intelligence. Data X4 tergabung dalam kelompok C3 konsentrasi Desain Visual dan Multimedia. Data X5 tergabung dalam kelompok konsentrasi Database.

4. KesimpulanBerdasarkan hasil penelitian yang telah

dilakukan dapat diambil kesimpulan bahwa penentuan pengelompokan konsentrasi ditentukan dari perolehan nilai mata kuliah prasyarat dari masing-masing mahasiswa. Sehingga nilai mata kuliah prasyarat ini dapat dijadikan dasar dalam pengelompokan konsentrasi. Nilai mata kuliah prasyarat tersebut sebagai feature / atribut dalam pernerapan K-Means Clustering. Pengelompokan kosentrasi diperoleh dengan menghitung nilai kedekatan data terhadap masing-masing centroid.

6

References

[1.] Budi Santosa, “Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis”, Graha Ilmu, Yogyakarta, 2007.

[2.] David Hand, Heikki Mannila dan Padhraic Smyth, “Principles of data mining”, A Bradford book The MIT Press, Cambridge, Massachusetts London England, 2001.

[3.] Han, J., Kamber M., Data Mining : Concept and Techniques. Morgan Kaufman Publishers, 2000

[4.] Ian H.Witten dan Eibe Frank, “Data Mining : Practical Machine Learning Tools And Techniques”, Morgan Kaufmann publishers, San Francisco, 2005.

[5.] Jogiyanto. Analisa dan Desain Sistem. Yogyakarta: ANDI, 2005.

[6.] Pressman, Ph.D, dan Roger S, Rekayasa Perangkat Lunak, Yogyakarta: ANDI, 2002.

[7.] Program Studi Sistem Informasi, Profil Program Studi, STIKOM Bali, 2011

7