PEMANFAATAN METODE K-MEANS CLUSTERING DALAM … · 2.1.4 Kriterian Penjurusan Sekolah Menengah Atas...

perpustakaan.uns.ac.id digilib.uns.ac.id

commit to user

i

PEMANFAATAN METODE K-MEANS CLUSTERING DALAM

PENENTUAN PENJURUSAN SISWA SMA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu

Jurusan Informatika

Disusun oleh :

CHANDRA PURNAMANINGSIH

NIM. M0509018

JURUSAN INFORMATIKA

FAKULTAS MATEMATIKA & ILMU PENGETAHUAN ALAM

UNIVERSITAS SEBELAS MARET

SURAKARTA

2013


commit to user

ii

SKRIPSI



Disusun oleh :


NIM. M0509018

Skripsi ini telah disetujui untuk dipertahankan di hadapan Dewan Penguji

pada tanggal 17 Desember 2013:

Pembimbing I

Ristu Saptono, S.Si., M.T.

NIP. 19790210 200212 1 001

Pembimbing II

Abdul Aziz, S.Kom, M.Cs

NIP. 19810413 200501 1 001


commit to user

iii

SKRIPSI



HALAMAN PENGESAHAN

Disusun oleh :


NIM. M0509018

Telah dipertahankan di hadapan Dewan Penguji

Pada tanggal 17 Desember 2013 :

Susunan Dewan Penguji

1. Ristu Saptono, S.Si., M.T.

NIP. 19790210 200212 1 001 ( )

2. Abdul Aziz, S. Kom, M.Cs

NIP. 19810413 200501 1 001 ( )

3. Umi Salamah S.Si, M.Kom

NIP. 19700217 199702 2 001 ( )

4. Rini Anggrainingsih, S.T.,M.T.

NIP.19780909 200812 2 002 ( )

Disahkan oleh

Dekan FMIPA UNS

Prof.Ir.Ari Handono Ramelan,M.Sc.(Hons),Ph.D

NIP. 19610223 198601 1 001

Ketua Jurusan Informatika

Umi Salamah, S.Si., M.Kom

NIP. 19700217 199702 2 001


commit to user

iv

MOTTO

“Sesungguhnya Shalatku, Ibadahku, Hidupku dan Matiku hanya untuk Allah

semata” (Q.S. Al-An’aam: 162)

“Karena sesungguhnya sesudah kesulitan itu ada kemudahan, sesungguhnya

sesudah kesulitan itu ada kemudahan, Maka apabila kamu telah selesai (dari

sesuatu urusan), kerjakanlah dengan sungguh-sungguh (urusan) yang lain”

(Q.S. Al-Insyirah : 5-7)

“Don’t wish it were easier, wish you were better.” (Jim Rohn)

“Your time is limited, so don't waste it living someone else's life.” (Steve Jobs)


commit to user

v

PERSEMBAHAN

Karya ini penulis persembahkan kepada :

“Mama dan Bapak tercinta atas segala pengorbanan, do’a, dukungan dan

semangat yang tak pernah putus.”


commit to user

vi



CHANDRA PURNAMANINGSIH Jurusan Informatika. Fakultas MIPA. Universitas Sebelas Maret.

ABSTRAK

Penentuan penjurusan siswa SMA dilakukan berdasarkan kriteria nilai

akademik yang menjadi ciri dari masing-masing jurusan IPA/IPS, hal ini

memungkinkan bagi seorang siswa untuk memenuhi kriteria diterima di kedua

jurusan atau ditolak di keduanya. Usaha untuk mengurangi kemungkinan tersebut

adalah dengan cara memperhatikan pertimbangan kriteria lainnya seperti ditinjau

dari nilai IQ dan minat siswa.

Proses penentuan penjurusan siswa SMA dengan teknik clustering

menggunakan metode K-Means clustering. Pada penelitian ini dilakukan

clustering sendiri-sendiri untuk IPA/IPS dan dipaparkan perbandingan hasil

clustering K-Means kriteria nilai akademik, nilai IQ, minat siswa dengan

clustering K-Means nilai akademik. Data siswa dikelompokkan sendiri-sendiri

sesuai jurusan masing-masing. Jurusan IPA dikelompokkan menjadi dua yaitu

diterima IPA dan ditolak IPA. Untuk jurusan IPS dikelompokkan menjadi dua

yaitu diterima IPS dan ditolak IPS. Kemudian setiap cluster diklasifikasikan

berdasarkan kriteria mana yang lebih diprioritaskan. Cluster dengan nilai terbesar

pada centroid akhir merupakan cluster yang diterima IPA/IPS, sedangkan

cluster dengan nilai terkecil pada centroid akhir merupakan cluster yang

ditolak IPA/IPS.

Hasil penelitian pengujian terbaik pada praprocessing clustering K-Means

IPA dengan hasil akurasi 0.905882, tingkat kesesuaian hasil prediksi dengan data

sebenarnya (recall) 1, ketepatan hasil pengujian dalam memprediksi clustering

(sensitivity) 0.876923, kesesuaian prediksi negatif terhadap aktual negatif

(specificity) 0.714285. Sedangkan pengujian terbaik juga pada praprocessing

clustering K-Means IPS didapatkan akurasi 0.905882, recall 0.714285, sensitivity

1, dan specificity 1. Hasil perbandingan clustering terbaik pada praprocessing

clustering K-Means IPA dengan praprocessing clustering K-Means IPS

menunjukkan bahwa tidak ada siswa yang diterima di dua jurusan IPA/IPS atau

siswa ditolak di keduanya.

Kata Kunci: Centroid, Clustering, IPA, IPS, K-Means ,Penjurusan


commit to user

vii

THE USE OF K-MEANS CLUSTERING METHOD TO DETERMINE

MAJOR OF SENIOR HIGH SCHOOL STUDENT


Department of Informatic. Mathematic and Science Faculty.

Sebelas Maret University

ABSTRACT

Major placement of senior high school student is conducted by the criteria

of academic result of each major; the IPA/IPS. It is possible for the students are

included into those two major or aren’t included into both.The effort to reduce

the possibility that would occur if the students had an error in the placement of

the majors is with due regard to other considerations like students’ IQ scores and

students’ interest.

The process of determining the major of senior high school student by

using K-Means clustering method. In this research, clustering are separately

implemented for IPA/IPS and presented the comparison results using clustering

criteria with modifications academic values between IQ criteria of students,

students’ interest and academic grades of students using the K-Means clustering

method. Data of the students are separately grouped according to their respective

major. The IPA major are grouped into two, they are accepted to IPA and

rejected to IPA. For the IPS major are grouped into two, that is accepted to IPS

and rejected to IPS. Then each cluster is classified based on criteria which are

more prioritized. Clusters with the greatest value at the end of centroid is the

cluster which is received to IPA/IPS, while the cluster with the smallest value at

the end of centroid is the cluster which is rejected to IPA/IPS.

The best research result of testing on K-Means clustering preprocessing

IPA with accuracy results 0.905882, level of compatibility the predicted result

with the actual data (recall) 1, accuracy in predicting test results clustering

(sensitivity) 0.876923, negative predictive suitability to the negative actual

(specificity) 0.714285. Meanwhile, the best testing result is also obtained on K-

Means clustering preprocessing IPS that showed the accuracy 0.905882, recall

0.714285, sensitivity 1, and specificity 1. The best comparison clustering result on

K-Means clustering preprocessing IPA with K-Means clustering preprocessing

IPS indicates that no student who received into two majors IPA / IPS or students

declined in both.

Key words: Centroid, Clustering, IPA, IPS, K-Means, Major


commit to user

viii

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah Subhanahu Wa Ta’ala

yang senantiasa memberikan nikmat dan karunia-Nya sehingga penulis dapat

menyelesaikan skripsi dengan judul Pemanfaatan Metode K-Means Clustering

dalam Penentuan Penjurusan Siswa SMA, yang menjadi salah satu syarat wajib

untuk memperoleh gelar Sarjana Informatika di Universitas Sebelas Maret (UNS)

Surakarta.

Penulis menyadari akan keterbatasan yang dimiliki, begitu banyak

bimbingan, bantuan, serta motivasi yang diberikan dalam proses penyusunan

skripsi ini. Oleh karena itu, ucapan terima kasih penulis sampaikan kepada :

1. Bapak Ristu Saptono, S.Si., M.T selaku Dosen Pembimbing I yang penuh

kesabaran, ketelitian, koreksi, masukan, motivasi, semangat dan

memberikan waktunya untuk mengarahkan, dan membimbing penulis

selama proses penyelesaian skripsi ini,

2. Bapak Abdul Aziz, S.Kom, M.Cs selaku Dosen Pembimbing II terimakasih

atas setiap diskusi, semangat, motivasi, ketelitian, koreksi, masukan dan

kesabarannya selama proses penyelesaian skripsi ini.

3. Ibu Umi Salamah, S.Si.,M.Kom selaku Ketua Jurusan S1 Informatika

FMIPA UNS,

4. Bapak Didiek S. Wiyono, S.T., M.T. selaku Pembimbing Akademik.

5. Bapak dan Ibu dosen serta karyawan di Jurusan Informatika FMIPA UNS

yang telah mengajar penulis selama masa studi dan membantu dalam proses

penyusunan skripsi ini,

6. Mama dan bapak tercinta yang tak hentinya memberikan dukungan moral

dan material selama proses penyusunan Tugas Akhir ini,

7. Teman-teman semua terutama mahasiswa informatika FMIPA UNS dan

Yudi Chandri Setiawan selalu memberikan dukungan, motivasi dan bantuan

kepada penulis.

Penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak

yang berkepentingan.

Surakarta, 17 November 2013

Penulis


commit to user

ix

DAFTAR ISI

HALAMAN JUDUL ..................................................................................................... i

HALAMAN PERSETUJUAN ..................................................................................... ii

HALAMAN PENGESAHAN ..................................................................................... iii

HALAMAN MOTTO ................................................................................................. iv

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

ABSTRAK ................................................................................................................ vi

ABSTRACT ............................................................................................................... vii

KATA PENGANTAR .............................................................................................. viii

DAFTAR ISI ............................................................................................................... ix

DAFTAR TABEL ...................................................................................................... xii

DAFTAR GAMBAR ................................................................................................ xiv

DAFTAR LAMPIRAN .............................................................................................. xv

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

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

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

1.3 Batasan Masalah ............................................................................................... 3

1.4 Tujuan Penelitian .............................................................................................. 3

1.5 Manfaat Penelitian ............................................................................................ 4

1.6 Sistematika Penulisan ....................................................................................... 4

BAB II TINJAUAN PUSTAKA .................................................................................. 5

2.1 Landasan Teori ................................................................................................. 5

2.1.1 Clustering ............................................................................................... 5

2.1.2 K-Means ................................................................................................. 5


commit to user

x

2.1.3 Confusion Matrik ................................................................................. 11

2.1.4 Kriterian Penjurusan Sekolah Menengah Atas (SMA) ........................ 13

2.2 Penelitian Terkait ........................................................................................... 14

2.2.1 Aplikasi K-Means untuk Pengelompokkan Mahasiswa Berdasarkan

Nilai Body Mass Index (BMI) dan Ukuran Kerangka (Tedy

Rismawan dan Kusumadewi,2008)...................................................... 14

2.2.2 Sistem Pendukung Keputusan Penjurusan Siswa Kelas X SMA

Negeri 2 Surakarta Dengan Metode Fuzzy C-Means Dengan

Penggunaan Daya Dukung Minat Siswa (Erfan Agil Putranto,

2012)..................................................................................................... 14

2.2.3 Performance Evaluation of K-Means and Fuzzy C-Means Clustering

Algorithms for Statistical Distributions of Input Data Points

(Santhanam dan Velmurugan, 2010).................................................... 15

2.2.4 Clustering Data Non-Numerik Dengan Pendekatan Algoritma K-

Means Dan Hamming Distance Studi Kasus Biro Jodoh (Darlis Heru

Murti, Nanik Suciati, dan Daru Jani Nanjaya,2005)............................. 16

2.3 Rencana Penelitian ......................................................................................... 16

BAB III METODE PENELITIAN............................................................................. 18

3.1 Pengumpulan Data ......................................................................................... 18

3.1.1 Study Literature .................................................................................... 18

3.1.2 Telaah Dokumen .................................................................................. 18

3.2 Pemodelan Data .............................................................................................. 19

3.3 Proses Clustering ............................................................................................ 20

3.3.1 Praprocessing Clustering K-Means ..................................................... 20

3.3.2 Clustering K-Means ............................................................................. 21

3.4 Klasifikasi Hasil Clustering ........................................................................... 24

3.5 Pengujian dan Validasi Hasil ......................................................................... 25

3.5.1 Tahap Pengujian Perbandingan berdasarkan Clustering...................... 25

3.3.2 Tahap Pengujian berdasarkan Confusion Matrik ................................. 26


commit to user

xi

BAB IV PEMBAHASAN .......................................................................................... 27

4.1 Pemodelan Data .............................................................................................. 27

4.2 Proses Clustering ............................................................................................ 28

4.3 Klasifikasi Hasil Clustering ........................................................................... 38

4.4 Hasil Pengujian Clustering ............................................................................. 40

4.4.1 Hasil Pengujian Perbandingan berdasarkan Confusion Matrik ............ 40

4.4.2 Hasil Pengujian berdasarkan Clustering .............................................. 43

BAB V PENUTUP ..................................................................................................... 40

5.1 Kesimpulan ..................................................................................................... 46

5.2 Saran ............................................................................................................... 46

DAFTAR PUSTAKA ................................................................................................ 47


commit to user

xii

DAFTAR TABEL

Tabel 2.1 Daftar Objek dalam Clustering .................................................................... 9

Tabel 2.2 Hasil Clustering ......................................................................................... 11

Tabel 2.3 Confusion Matrik (Fawcett,2006) .............................................................. 12

Tabel 3.1 Pengkatagorian Minat ................................................................................ 19

Tabel 3.2 Pengkatagorian Nilai IQ ............................................................................ 19

Tabel 3.3 Pembobotan IPA IPS ................................................................................. 20

Tabel 3.4 Confusion Matrik Data Dua Kelas ............................................................. 26

Tabel 4.1 Pemodelan Data Jurusan IPA ..................................................................... 27

Tabel 4.2 Pemodelan Data Jurusan IPS ..................................................................... 27

Tabel 4.3 Jarak Awal Iterasi-1 clustering K-Means IPA ........................................... 30

Tabel 4.4 Jarak Awal Iterasi-1 clustering K-Means IPS ............................................ 31

Tabel 4.5 Jarak Awal Iterasi-1 clustering praprocessing K-Means IPA ................... 31

Tabel 4.6 Jarak Awal Iterasi-1 clustering praprocessing K-Means IPS .................... 32

Tabel 4.7 Hasil cluster K-Means IPA iterasi-1 .......................................................... 32

Tabel 4.8 Hasil cluster K-Means IPS iterasi-1 ........................................................... 33

Tabel 4.9 Hasil cluster praprocessing K-Means IPA iterasi-1 .................................. 33

Tabel 4.10 Hasil cluster praprocessing K-Means IPS iterasi-1 ................................ 34

Tabel 4.11 Hasil centroid akhir K-Means IPA.......................................................... 36

Tabel 4.12 Hasil centroid akhir K-Means IPS .......................................................... 37

Tabel 4.13 Hasil centroid akhir praprocessing K-Means IPA .................................. 37

Tabel 4.14 Hasil centroid akhir praprocessing K-Means IPS .................................. 37

Tabel 4.15 Klasifikasi cluster K-Means IPA ............................................................ 38


commit to user

xiii

Tabel 4.16 Klasifikasi cluster K-Means IPS ............................................................. 38

Tabel 4.17 Klasifikasi cluster praprocessing K-Means IPA .................................... 39

Tabel 4.18 Klasifikasi cluster praprocessing K-Means IPS ..................................... 39

Tabel 4.19 Confusion Matrik K-Means IPA ............................................................ 40

Tabel 4.20 Confusion Matrik K-Means IPS ............................................................. 40

Tabel 4.21 Confusion Matrik praprocessing K-Means IPA .................................... 41

Tabel 4.22 Confusion Matrik praprocessing K-Means IPS .................................... 41

Tabel 4.23 Rata-Rata Hasil Pengujian ..................................................................... 42

Tabel 4.24 Pengujian K-Means IPA dengan K-Means IPS ..................................... 43

Tabel 4.25 Pengujian praprocessing K-Means IPA dengan praprocessing K-

Means IPS ............................................................................................. 44


commit to user

xiv

DAFTAR GAMBAR

Gambar 2.1 Ilustrasi algoritma K-Means ..................................................................... 6

Gambar 2.1 Diagram alir algoritma K-Means ............................................................. 8

Gambar 3.1 Alur Rancangan Penelitian ..................................................................... 18

Gambar 3.2 Flowchart praprocessing clustering K-Means IPA/IPS ........................ 21

Gambar 3.3 Flowchart clustering K-Means IPA/IPS ................................................ 22

Gambar 3.5 Ilustrasi Hasil Pengelompokan Penjurusan ............................................ 25

Gambar 4.1 Grafik Perbandingan Hasil Pengujian Clustering .................................. 44


commit to user

xv

DAFTAR LAMPIRAN

Lampiran A. Data Asli Siswa..................................................................................... 51

Lampiran B. Hasil Pemodelan Data Jurusan IPA ...................................................... 57

Lampiran C. Hasil Pemodelan Data Jurusan IPS ....................................................... 63

Lampiran D. Hasil Perhitungan Jarak Awal Iterasi-1 Clustering K-Means IPA, K-

Means IPS, praprocessing K-Means IPA, praprocessing K-Means

IPS ......................................................................................................... 70

Lampiran E. Hasil Iterasi – 1 Clustering K-Means IPA, K-Means IPS,

praprocessing K-Means IPA, praprocessing K-Means IPS ................. 75

Lampiran F. Hasil Klasifikasi Siswa Clustering K-Means IPA / IPS ........................ 82

Lampiran G. Hasil Klasifikasi Siswa Clustering praprocessing K-Means IPA dan

praprocessing K-Means IPS ................................................................. 89

Lampiran H. Hasil Pengujian K-Means IPA dengan Data Asli Sekolah. ................. 96

Lampiran I. Hasil Pengujian K-Means IPS dengan Data Asli Sekolah.. ................... 97

Lampiran J. Hasil Pengujian Clustering praprocessing K-Means IPA dengan Data

Asli Sekolah .......................................................................................... 98

Lampiran K. Hasil Pengujian Clustering praprocessing K-Means IPS dengan Data

Asli Sekolah. ......................................................................................... 99

Lampiran L. Hasil Pengujian Clustering K-Means IPA .......................................... 100

Lampiran M. Hasil Pengujian Clustering K-Means IPS .......................................... 101

Lampiran N. Hasil Pengujian Clustering praprocessing K-Means IPA .................. 102

Lampiran O. Hasil Pengujian Clustering praprocessing K-Means IPS ................... 103

PEMANFAATAN METODE K-MEANS CLUSTERING DALAM … · 2.1.4 Kriterian Penjurusan Sekolah Menengah Atas...

Documents

Transcript of PEMANFAATAN METODE K-MEANS CLUSTERING DALAM … · 2.1.4 Kriterian Penjurusan Sekolah Menengah Atas...