PENGELOMPOKAN HASIL EVALUASI PEMBELAJARAN …repository.usd.ac.id/32553/2/065314080_Full.pdf ·...

i

PENGELOMPOKAN HASIL EVALUASI PEMBELAJARAN

MENGGUNAKAN METODE KLASTERING K-MEANS

STUDI KASUS DI FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Informatika

Oleh:

Hertartik Clarasita Devy

NIM : 065314080

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2010

ii

CLUSTERING THE RESULTS OF LEARNING EVALUATION

USING K-MEANS CLUSTERING METHOD

A CASE STUDY IN THE FACULTY OF SCIENCE AND TECHNOLOGY

OF SANATA DHARMA UNIVERSITY

THESIS

Presented as Partial Fulfillment Of The Requirements

To Obtain The Sarjana Teknik Degree

In Informatics Engineering Study Program

Hertartik Clarasita Devy

Student ID : 065314080

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERCITY

YOGYAKARTA

2010

v

HALAMAN PERSEMBAHAN

“Usaha dan kerja keras adalah modal untuk maju”

Skripsi ini kupersembahkan untuk :

Kedua orangtuaku

Terimakasih atas semua doa, dukungan, dan kasih sayangnya

vii

ABSTRAK

PENGELOMPOKAN HASIL EVALUASI PEMBELAJARAN MENGGUNAKAN METODE KLASTERING K-MEANS

STUDI KASUS DI FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA

Pusat Pengembangan dan Penjaminan Mutu Pembelajaran Universitas

Sanata Dharma (P3MP) setiap akhir semester melaksanakan evaluasi pembelajaran matakuliah-matakuliah. Evaluasi dilakukan dengan kuesioner yang diisi mahasiswa. Kuesioner memuat 18 pertanyaan dengan skala penilaian antara1 sampai 7.

Dalam tugas akhir ini, penulis mengelompokkan data hasil evaluasi pembelajaran matakuliah-matakuliah di prodi-prodi Fakultas Sains dan Teknologi pada semester gasal 2008/2009 dan semester genap 2008/2009 kedalam kelompok-kelompok dengan hasil evaluasi yang mirip. Pengelompokan dilakukan dengan metode K-Means clustering. Metode K-Means clustering mengelompokkan data-data berdasarkan jarak tiap data dengan centroid.

Hasil pengelompokan selanjutnya dapat dimanfaatkan untuk penentuan langkah tindak lanjut bagi prodi maupun P3MP guna meningkatkan kualitas pembelajaran di USD secara berkelanjutan.

viii

ABSTRACT

CLUSTERING THE RESULTS OF LEARNING EVALUATION USING K-MEANS CLUSTERING METHOD

A CASE STUDY IN THE FACULTY OF SCIENCE AND TECHNOLOGY OF SANATA DHARMA UNIVERSITY

At the end of each semester, The Center of Development and Learning

Quality Assurance of Sanata Dharma University evaluates each course learning. Evaluation was performed using questionnaires filled in by students. The questionnaire consist of 18 questions with a rating scale between 1 up to 7.

In this thesis, the author cluster the results of learning evaluation of all departments in the Faculty of Science and Technology of Sanata Dharma University into groups with similar evaluation results. The data was taken from odd and even semester 2008/2009. The clustering was done by using K-Means clustering method. K-Means clustering method groups data based on the distance of each data with the centroid.

The clustering results can be used to determine the following steps for each departments as well as for The Center of Development and Learning Quality Assurance of Sanata Dharma University to continously improve the quality of teaching in Sanata Dharma University.

x

KATA PENGANTAR

Puji syukur penulis panjatkan atas Kehadirat Tuhan YME, yang telah

melimpahkan rahmat dan berkatNya sehingga penulis dapat menyelesaikan tugas

akhir yang berjudul PENGELOMPOKAN HASIL EVALUASI

PEMBELAJARAN MENGGUNAKAN METODE KLASTERING K-MEANS

STUDI KASUS DI FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS

SANATA DHARMA. Tugas akhir ini ditulis sebagai salah satu syarat

memperoleh gelar sarjana program studi Teknik Informatika, Fakultas Sains dan

Teknologi Universitas Sanata Dharma.

Dalam kesempatan ini, penulis mengucapkan terimakasih yang sebesar-

besarnya kepada :

1. Ibu P.H. Prima Rosa, S.Si., M.Sc., selaku dosen pembimbing, terimakasih

atas segala bimbingan, kritik, saran dan kesabarannya dalam mengarahkan

dan membimbing penulis dalam menyelesaikan tugas akhir ini.

2. Bapak Puspaningtyas Sanjoyo Adi, S.T., M.T., selaku kaprodi Teknik

Informatika.

3. Ibu Ridowati Gunawan, S.Kom., M.T. dan Ibu Sri Hartati Wijono, S.Si,

M.Kom., selaku dosen penguji.

4. Seluruh staff pengajar Prodi Teknik Informatika Fakultas Sains dan

Teknologi Universitas Sanata Dharma.

5. Bapak, Ibu dan semua keluarga yang telah memberikan semangat serta

doa yang tulus, kalian adalah sumber semangat.

xi

6. Agung Arie Pratama, Asteria Indharlina, Cresensia Devi, Alim Untung

Widodo dan Agnes Retnaningsih, terimakasih atas segala bantuan dan

dukungannya.

7. Teman-teman prodi Teknik Informatika angkatan 2006, atas

kebersamaanya selama penulis menjalani masa studi.

8. Serta semua pihak yang tidak dapat disebutkan satu-persatu yang telah

membantu penulis dalam menyelesaikan tugas akhir ini.

Penulis menyadari bahwa tugas akhir ini jauh dari sempurna, oleh karena

itu kritik dan saran yang sifatnya membangun sangat penulis harapkan.

Yogyakarta, 19 Juli 2010

Penulis

xii

Daftar Isi

Halaman

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

HALAMAN JUDUL (bahasa Inggris)……….…………………………. ii

HALAMAN PERSETUJUAN ……………………………………………… iii

HALAMAN PENGESAHAN ……………………………………………… iv

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

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

ABSTRAK…………………………………………………………………… vii

ABSTRACT ………………………………………………………………… viii

PERNYATAAN PERSETUJUAN PUBLIKASI …………………………. ix

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

Daftar Isi ……………………………………………………………………. xii

Daftar Gambar …………………………………………………….………… xvi

Daftar Tabel ………………………………………………………………… xx

Bab I. Pendahuluan …………………………………………….………… 1

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

1.2. Rumusan Masalah ………………………………………….... 2

1.3. Tujuan dan Manfaat ……………………………………….…. 2

1.4. Batasan Masalah …………………………………………..…. 2

1.5. Metodologi Penelitian …………………………………….…. 3

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

Bab II. Landasan Teori ………………………………………………..…. 5

2.1. Penambangan Data…………………………………………… 5

xiii

2.2. Analisis Pengelompokan (Clustering Analysis) …………..…. 6

2.3. Klastering K-Means (K-Means Clustering) ………………….. 7

2.4. Kemiripan dan Ketidakmiripan ……………………………… 9

2.4.1. Euclidean (L2-norm)………………………….…….. 10

2.5. Sum Of Squared-error (SSE) …………………………………….. 11

2.6. Contoh kasus K-Means ………………………………….…… 11

2.6.1. Contoh kasus K-Means Tanpa SSE …………..…… 12

2.6.2. Contoh kasus K-Means Menggunakan SSE ….……. 17

Bab III. Analisis dan Perancangan Sistem ………………….……………… 22

3.1. Identifikasi dan Analisis Sistem……………………………… 22

3.2. Perancangan Sistem …………………………..……………… 23

3.2.1. Input ……………………………….………………. 23

3.2.2. Pemrosesan Awal Data……………………….…….. 27

3.2.3. Proses ………………………………………………. 28

3.2.4. Output………………………………………………. 29

3.3. Perancangan ……………………………….………………… 31

3.3.1 Diagram Konteks …………………………………... 31

3.3.2 Diagram Use Case ……………….…….…………... 32

3.3.3 Diagram Aktivitas ………………..………………... 46

3.3.4 Diagram Kelas ………………………………..….... 53

3.3.5 Algoritma Method Dalam Setiap Kelas…………...... 56

3.3.6 Diagram Sequence ………………………..………... 66

3.4. Desain Antar Muka Pengguna …………………………….…. 72

3.4.1 Desain Tampilan Utama……………………………. 72

xiv

3.4.2 Desain Pengelompokan Data ………………………. 73

3.4.3 Desain Hasil Pengelompokan Data …………..……. 74

3.4.4 Desain Antar Muka Pie Chart Persentase Klaster …. 75

3.4.5 Desain Detail Anggota Setiap Klaster……………… 76

3.4.6 Desain Antar Muka Pie Chart Persentase Prodi

Setiap Klaster …………………………..………….. 77

3.4.7 Desain Antar Muka Detail Data Hasil Evaluasi Seiap

Data ………………………………….………….…. 78

3.4.8 Desain Petunjuk Penggunaan ……………..……..… 78

Bab IV. Implementasi ……………………………………………………… 80

4.1. Implementasi Antar Muka Pengguna………………………… 80

4.1.1 Antar Muka Menu Utama Program ……………..…. 80

4.1.2 Antar Muka Pemilihan File Data ………………..…. 81

4.1.3 Antar Muka Pengelompokan…………………….…. 82

4.1.4 Antar Muka Detail Data Setiap Klaster …………… 84

4.1.5 Antar Muka Detail Hasil Evaluasi Setiap Data ……. 86

4.1.6 Antar Muka Bantuan ………………………..….…. 88

4.2. Program Sistem Pengelompokan Data Hasil Evaluasi

Pembelajaran ……………………………………..…….…… 88

4.2.1 Membaca Data dari File xls …………….……….… 88

4.2.2 Membuat Klaster ………………………….…….… 92

4.2.3 Mendeklarasikan Centroid Awal ……….…………. 93

4.2.4 Menghitung Jarak Euclidean Setiap Data dengan

Setiap Centroid …………………….………….…… 94

xv

4.2.5 Mengelompokkan Data ………………………….…. 95

4.2.6 Menghitung Centroid ……………………..……….. 96

4.2.6.1 Menghitung Centroid Tanpa SSE …….…. 96

4.2.6.2 Menghitung Centroid beserta SSE …….… 97

4.2.7 Pemberian Label Klaster ………………………..…. 99

4.2.8 Validasi Hasil Pengelompokan …………….……… 101

4.2.9 Pengurutan Data di Setiap Klaster …………………. 102

4.2.10 Menampilkan Grafik ……………….……………… 103

4.2.11 Menghitung Rata-Rata Kategori Setiap Data ……… 105

4.2.12 Menyimpan Hasil Pengelompokan ………………… 106

4.3. Uji Percobaan ………………………………………………… 108

Bab V. Kesimpulan dan Saran ………………………………………… 115

Daftar Pustaka

Lampiran

xvi

Daftar Gambar

Gambar 2.1. Tahap-tahap Data Mining ........................................................ 5

Gambar 2.2. Pengelompokan Obyek Menggunakan K-Means Clustering ... 9

Gambar 2.3. Koordinat Data Obat ................................................................ 12

Gambar 2.4. Koordinat obat iterasi ke-0 ....................................................... 13



Gambar 3.1. Diagram Konteks ..................................................................... 31

Gambar 3.2. Diagram Use Case .................................................................... 32

Gambar 3.3. Diagram Aktivitas Memilih File Data ..................................... 46

Gambar 3.4. Diagram Aktivitas Mengelompokkan Data ............................. 47

Gambar 3.5. Diagram Aktivitas Melihat Detail Anggota Setiap Klaster ..... 48

Gambar 3.6. Diagram Aktivitas Melihat Detail Data Hasil Evaluasi

Setiap Data ............................................................................... 48

Gambar 3.7. Diagram Aktivitas Melihat Rata-Rata Data Setiap Kategori ... 49

Gambar 3.8. Diagram Aktivitas Melihat Grafik Presentase Anggota

Setiap Klaster ........................................................................... 49

xvii

Gambar 3.9. Diagram Aktivitas Melihat Grafik Presentase Prodi ............... 50

Gambar 3.10. Diagram Aktivitas Menyimpan Hasil Pengelompokan ........... 50

Gambar 3.11. Diagram Aktivitas Mengurutkan Klaster

Berdasarkan Centroid ............................................................... 51

Gambar 3.12. Diagram Aktivitas Mengurutkan Data Dalam Klaster ............. 52

Gambar 3.13. Diagram Kelas Keseluruhan .................................................... 53

Gambar 3.14. Diagram Kelas ......................................................................... 54

Gambar 3.15. Diagram Kelas Lanjutan .......................................................... 55

Gambar 3.16. Diagram Sequence Memilih File Data ..................................... 66

Gambar 3.17. Diagram Sequence Mengelompokkan Data ............................. 67

Gambar 3.18. Diagram Sequence Melihat Detail Anggota Setiap Klaster ..... 68

Gambar 3.19. Diagram Sequence Melihat Detail Data Hasil Evaluasi

Setiap Data ............................................................................... 68

Gambar 3.20. Diagram Sequence Melihat Rata-Rata Data Setiap Kategori .. 69

Gambar 3.21. Diagram Sequence Melihat Grafik Presentase Anggota

Setiap Klaster ........................................................................... 70

Gambar 3.22. Diagram Sequence Melihat Grafik Presentase Prodi ............... 70

Gambar 3.23. Diagram Sequence Menyimpan Hasil Pengelompokan ........... 71

xviii

Gambar 3.24. Diagram Sequence Mengurutkan Klaster

Berdasarkan Centroid ............................................................... 71

Gambar 3.25. Diagram Sequence Mengurutkan Klaster Dalam Klaster ........ 72

Gambar 3.26. Desain Antar Muka Menu utama ............................................. 73

Gambar 3.27. Desain Antar Muka Submenu .................................................. 73

Gambar 3.28. Desain Antar Muka Pengelompokan Data ............................... 74

Gambar 3.29. Desain Antar Muka Hasil Pengelompokan Data ..................... 75

Gambar 3.30. Desain Antar Muka Pie Chart Persentase Klaster .................... 76

Gambar 3.31. Desain Antar Muka Hasil Pengelompokan Data

Setiap Klaster ........................................................................... 77

Gambar 3.32. Desain Antar Muka Pie Chart Persentase Prodi Setiap

Klaster .................................................................................... .. 77

Gambar 3.33. Desain Antar Muka Detail Data Hasil Evaluasi Setiap Data ... 78

Gambar 3.34. Desain Antar Muka Bantuan Petunjuk Penggunaan ................ 79

Gambar 4.1. Antar Muka Menu Utama ........................................................ 80

Gambar 4.2. Antar Muka Input Data ............................................................ 81

Gambar 4.3. Antar Muka Pemilihan Pertanyaan Pengelompokan ............... 81

xix

Gambar 4.4. Antar Muka Hasil Pengelompokan .......................................... 82

Gambar 4.5. Antar Muka Pie Chart Persentase Anggota Klaster ................. 83

Gambar 4.6. Antar Muka Detail Anggota Setiap Klaster ............................. 84

Gambar 4.7. Antar Muka Pie Chart Persentase Prodi Setiap Klaster ........... 84

Gambar 4.8. Antar Muka Lihat Detail Hasil Evaluasi Setiap Data .............. 86

Gambar 4.9. Antar Muka Input Dialog Jumlah Kategori ............................. 86

Gambar 4.10. Antar Muka Lihat Rata Data setiap Kategori .......................... 87

xx

Daftar Tabel

Tabel 2.1. Data Obat ................................................................................. 12

Tabel 2.2. Hasil Pengelompokkan Obat dengan K-Means ....................... 17

Tabel 3.1. Pedoman Label Output P3MP ................................................. 22

Tabel 3.2. Atribut Tabel Hasil Evaluasi .................................................... 23

Tabel 3.3. Urutan Kolom Data Hasil Evaluasi .......................................... 26

Tabel 3.4. Detail Algoritma Method Kelas InputData .............................. 56

Tabel 3.5. Detail Algoritma Method Kelas Pengelompokan .................... 56

Tabel 3.6. Detail Algoritma Method Kelas DetailDataSetiapKlaster ....... 62

Tabel 3.7. Detail Algoritma Method Kelas

DetailHasilEvaluasiSetiapData ................................................ 64

Tabel 3.8. Detail Algoritma Method Kelas PieChart ................................ 65

Tabel 4.1. Hasil Percobaan ....................................................................... 108

Tabel 4.2. Analisis Predikat Data NIP 87 ................................................. 111

Tabel 4.3. Analisis Predikat Data NIP 64 ................................................. 113

Tabel 4.4. Analisis Hasil Evaluasi Data NIP 64 ....................................... 114

1

Bab I

PENDAHULUAN

1.1. Latar Belakang

Universitas Sanata Dharma (USD) merupakan suatu perguruan tinggi

swasta di Yogyakarta yang memiliki sebuah lembaga bernama Pusat

Pengembangan dan Penjaminan Mutu Pembelajaran (P3MP). P3MP memiliki

tugas untuk menjaga kestabilan kualitas pembelajaran, mengelola komponen

pengembangan dan penjaminan mutu pembelajaran, serta mengelola kegiatan

peningkatan mutu pembelajaran di USD. Salah satu program yang dilaksanakan

P3MP adalah melaksanakan evaluasi kegiatan belajar mengajar di akhir semester.

Evaluasi mencakup tiga kategori, yaitu kinerja dosen, konstribusi mahasiswa dan

kepuasan mahasiswa terhadap suatu matakuliah. Evaluasi dilakukan dengan

kuesioner yang diisi mahasiswa, berjumlah 18 pertanyaan dengan skor penilaian

berupa bilangan bulat antara 1 sampai dengan 7.

Dengan adanya evaluasi tersebut, maka saat ini P3MP memiliki data hasil

evaluasi yang banyak dalam bentuk digital. Data-data tersebut dapat

dikelompokkan menggunakan teknik data mining diantaranya metode klastering

K-Means. Algoritma K-Means akan menghitung jarak tiap data dengan pusat

klaster (centroid) kemudian mengelompokkan data-data tersebut berdasarkan

jarak. Centroid merupakan rata-rata semua data di setiap klaster. Dari

pengelompokan tersebut dapat diketahui kelompok-kelompok matakuliah dengan

hasil evaluasi yang mirip. Hasil pengelompokan selanjutnya dapat dimanfaatkan

untuk penentuan langkah tindak lanjut bagi prodi maupun P3MP guna

2

meningkatkan kualitas pembelajaran di USD secara berkelanjutan.

Dalam tugas akhir ini penulis bermaksud memanfaatkan data-data hasil

evaluasi pembelajaran matakuliah-matakuliah yang diselenggarakan oleh prodi-

prodi di lingkungan Fakultas Sains dan Teknologi (FST). Pengelompokan

menggunakan metode klastering K-Means.

1.2. Rumusan Masalah

Dari latar belakang masalah di atas dapat dirumuskan masalah :

Bagaimana mengelompokkan hasil evaluasi pembelajaran matakuliah-

matakuliah di FST USD kedalam kelompok-kelompok dengan hasil

evaluasi yang mirip dengan menggunakan metode klastering K-Means?

1.3. Tujuan dan Manfaat

Tujuan

Mengelompokkan hasil evaluasi pembelajaran matakuliah-matakuliah di

FST USD.

Manfaat

Hasil pengelompokan dapat digunakan sebagai bahan pertimbangan bagi

prodi maupun P3MP untuk melakukan pendampingan terhadap para dosen

dalam aspek proses belajar mengajar dan memfasilitasi terjadinya sharing

pengalaman antar kelompok.

1.4. Batasan Masalah

Dalam mengelompokkan matakuliah berdasarkan kinerja dosen, kontribusi

mahasiswa dan kepuasan mahasiswa, dilakukan beberapa batasan sebagai berikut

1. Metode yang digunakan adalah metode klastering K-Means.

2. Data yang digunakan adalah data hasil evaluasi pembelajaran

3

matakuliah-matakuliah untuk prodi-prodi di lingkungan FST USD

pada semester gasal 2008/2009 dan genap 2008/2009.

3. Pengelompokan berdasarkan rata-rata jawaban semua responden untuk

setiap pertanyaan yang termuat di kuesioner yaitu pertanyaan nomor 1

sampai 18.

4. Pelabelan klaster hasil klastering didasarkan pada ketentuan pelabelan

yang berlaku di P3MP yaitu sangat tinggi, tinggi, cukup, rendah dan

sangat rendah.

5. Sistem hanya dapat memproses data input yang berasal dari file xls.

6. Sistem tidak menyediakan fasilitas preprocessing data.

1.5. Metodologi Penelitian

Metode penelitian dilakukan dengan teknik data mining, yaitu :

1. Pembersihan data, yaitu menghilangkan noise dan data yang tidak

konsisten.

2. Integrasi data, yaitu menggabungkan bermacam-macam data storage.

3. Seleksi data, yaitu mengambil data yang relevan dari database.

4. Tranformasi data, yaitu mentransformasikan data ke dalam bentuk

yang tepat untuk diolah.

5. Penambangan data

Proses pokok mengimplemetasikan metode yang sesuai untuk

mengetahui pola. Metode yang digunakan adalah klastering K-Means.

6. Evaluasi pola, yaitu mengidentifikasi pola-pola didasarkan pada

pengukuran yang menarik.

7. Presentasi pengetahuan, yaitu menggunakan visualisasi dan presentasi

4

untuk menyajikan informasi hasil penambangan kepada pengguna.

1.6. Sistematika Penulisan

Adapun sistematika penulisan Tugas akhir adalah sebagai berikut :

1. Halaman Judul

2. Abstrak, berisi tentang rangkuman Tugas Akhir.

3. Daftar Isi

4. Bab I Pendahuluan

Pendahuluan berisi tentang latar belakang, rumusan masalah, tujuan

dan manfaat, batasan masalah, metodologi penelitian dan sistematika

penulisan.

5. Bab II Landasan Teori

Landasan teori berisi tentang teori yang akan digunakan dalam

penulisan Tugas Akhir.

6. Bab III Analisis dan Perancangan Sistem

Analisis dan perancangan sistem berisi tentang identifikasi dan analisis

sistem, perancangan sistem.

7. Bab IV Implementasi Program

Implementasi Program berisi implementasi program dan analisis hasil.

8. Bab V Kesimpulan dan Saran

Kesimpulan dan saran berisi tentang kesimpulan dan saran.

9. Daftar Pustaka

5

Bab II

LANDASAN TEORI

2.1 Penambangan Data

Penambangan data (data mining) menarik perhatian dalam bidang industri

dan kalangan masyararakat pada umumnya. Penambangan data berkenaan dengan

pengolahan data dalam skala besar supaya menjadi informasi maupun

pengetahuan yang berguna. Penambangan data yang sering juga disebut

knowledge discovery in database (KDD) merupakan kegiatan pengumpulan data,

pemakaian data historis untuk menemukan keteraturan, pola atau hubungan data

dalam ukuran data yang besar (Santosa, 2007). Penambangan data dapat

digambarkan dalam gambar 2.1 yang terdiri dari langkah-langkah berikut :

Gambar 2.1. Tahap-tahap Data Mining

(Sumber : J.Han and M. Kamber, (2006))

6

1. Pembersihan data

Dalam pembersihan data dilakukan pengapusan noise dan data yang tidak

konsisten.

2. Integrasi data

Dalam langkah ini dilakukan penggabungan beberapa data storage.

3. Seleksi data

Yaitu mengambil data yang relevan dari basis data.

4. Transformasi data

Mentransformasikan data ke dalam bentuk yang tepat untuk diolah,

dengan meringkas atau operasi agregasi.

5. Penambangan data

Sebuah proses esensial dimana metode yang tepat diaplikasikan untuk

mengekstrak pola data.

6. Evaluasi pola

Mengidentifikasi pola-pola didasarkan pada pengukuran yang menarik.

7. Presentasi pengetahuan

Menggunakan visualisasi dan presentasi untuk menyajikan informasi hasil

mining kepada user.

2.2 Analisis Pengelompokan (Clustering Analysis)

Clustering analysis merupakan metode penambangan data yang

menerapkan metode unsupervised learning, dimana tidak ada fase learning yaitu

tidak ada training data. Data yang ditambang menggunakan metode ini tidak

memiliki label. Label merupakan output yang dapat menandai kemana data

tersebut akan dikelompokkan.

7

Data dikelompokkan berdasarkan prinsip kemiripan (similarity) ataupun

ketidakmiripan (dissimilarity). Data yang berada dalam satu kelompok

(intraclass) memiliki kemiripan (similarity) yang tinggi. Sedangkan data yang

berbeda kelompok (interclass) memiliki kemiripan (similarity) yang rendah.

2.3 Klastering K-Means (K-Means Clustering)

K-Means mengambil input parameter, k, dan mempartisi himpunan n

objek ke dalam k klaster. Setiap klaster terdiri dari obyek-obyek yang memiliki

kemiripan yang tinggi dengan data-data dalam klaster tersebut dan memiliki

kemiripan yang rendah terhadap data di klaster lain. Kemiripan klaster diukur

berdasarkan jarak data dengan centroid yaitu nilai rata-rata dari obyek dalam

sebuah klaster.

Cara kerja k-means pertama memilih k obyek secara acak yang

diinisialisasikan sebagai rata-rata klaster atau pusat klaster. Obyek yang lain

ditetapkan menjadi anggota klaster tertentu yang paling mirip dengan obyek

tersebut berdasarkan jarak antara obyek dengan rata-rata klaster. Kemudian

dihitung rata-rata yang baru untuk setiap klaster. Proses ini berulang hingga fungsi

ukuran bertemu di satu titik, yaitu tidak ada perpindahan obyek disetiap klaster.

Tidak ada perpindahan obyek disetiap klaster dapat diartikan dengan tidak ada

perubahan nilai pusat klaster atau jika menggunakan nilai SSE, nilai SSE yang

dihasilkan lebih kecil dari nilai SSE maksimal yang dikehendaki.

Berikut adalah algoritma K-Means :

Input :

k = jumlah klaster

D = sebuah data set yang tersusun oleh n obyek

8

Output :

klaster sebanyak k

Algoritma :

(1) Secara acak memilih k obyek dari D yang di inisialisasikan sebagai

pusat klaster (centroid)

(2) Repeat

(3) Tempatkan setiap objek ke klaster yang memiliki kemiripan

yang tinggi, berdasarkan rata-rata obyek-obyek dalam

klaster

(4) Ubah rata-rata klaster, yaitu hasil perhitungan nilai rata-rata

obyek-obyek di setiap klaster.

(5) Sampai tidak ada perubahan anggota disetiap klaster atau tidak ada

perubahan centroid.

Metode klastering k-means relatif terukur dan efisien dalam mengolah

sekumpulan data yang besar karena kompleksitas komputasi dari algoritma ini

adalah O(nkt), di mana n adalah jumlah total obyek, k adalah jumlah klaster, dan t

adalah jumlah iterasi. Biasanya, k <<n dan t <<n.

Algoritma k-means hanya dapat diterapkan ketika centroid didefinisikan.

Jika pusat klaster belum di definisikan maka tidak ada pusat kemana data akan

dikelompokkan. Kekurangan dari k-means adalah pengguna harus menentukan

jumlah klaster terlebih dahulu. Algoritma K-means peka terhadap noise dan titik

data outlier yang secara substansial dapat mempengaruhi nilai rata-rata.

Berikut adalah contoh pengelompokan menggunakan k-means :

9

Gambar 2.2(A) merupakan gambar satu set o objek dengan jumlah klaster 3.

Berdasarkan teori klastering k-means, secara random dipilih tiga objek sebagai

pusat klaster awal yang ditandai dengan symbol ‘+’. Setiap objek didistribusikan

ke klaster berdasarkan pusat klaster terdekat. Setiap klaster dikelilingi oleh kurva

putus-putus.

Kemudian pusat klaster diperbaharui. Pusat klaster baru merupakan nilai

rata-rata semua obyek di setiap klaster. Setelah pusat klaster diperbaharui, setiap

obyek didistribusikan kembali ke klaster berdasarkan pusat klaster terdekat,

sehingga dihasilkan klaster-klaster baru seperti pada Gambar 2.2 (B).

Proses iterasi tersebut akan terus berulang selama masih ada obyek yang

berpindah klaster. Jika sudah tidak ada obyek yang berpindah klaster, maka proses

berakhir dan menghasilkan klaster-klaster seperti yang terlihat pada Gambar 2.2

(C).

Gambar 2.2 Pengelompokan Obyek Menggunakan K-Means

Clustering

2.4 Kemiripan dan Ketidakmiripan

Dalam klaster, untuk menggabungkan dua obyek atau lebih menjadi satu

klaster, biasanya digunakan ukuran kemiripan (similarity) dan ketidakmiripan

(dissimilarity). Kemiripan antara dua obyek adalah ukuran numerik tingkat

10

kesamaan dua buah obyek. Dalam ukuran kemiripan, semakin besar nilai

kemiripan berarti semakin mirip, semakin kecil nilai kemiripan semakin tidak

mirip. Sedangkan ketidakmiripan antara dua obyek adalah ukuran numerik

tingkat perbedaan dua obyek. Dalam ukuran ketidakmiripan, semakin besar nilai

ketidakmiripan berarti semakin tidak mirip, semakin kecil nilai ketidakmiripan

semakin mirip. Semakin mirip dua obyek semakin tinggi peluang untuk

dikelompokkan ke dalam satu klaster. Sebaliknya, semakin tidak mirip semakin

rendah peluang untuk dikelompokkan menjadi satu klaster.

Untuk mengukur kemiripan dan ketidakmiripan obyek-obyek/data-data

dapat digunakan beberapa ukuran. Kemiripan dapat diukur menggunakan cosinus,

kovarian dan korelasi. Ketidakmiripan dapat diukur menggunakan konsep jarak

Euclidean, Manhattan atau Cityblock, Minkowski, Chebyshev dan Mahalanobis.

2.4.1 Euclidean (L2-norm)

Setiap data hasil evaluasi memiliki jumlah atibut yang sama sehingga

pengukuran jarak dapat menggunakan konsep Euclidean. Jarak Euclidean antara

dua data didefinisikan sebagai :

d(a,b)=║ a-b║2= 21 )( ii

ni ba −∑ = ……………………….2.1

dimana :

a = obyek pertama

b = obyek kedua

n = banyaknya atribut obyek.

11

2.5 Sum Of Squared-error (SSE)

Untuk membuat klaster beranggotakan data-data yang memiliki kemiripan

tinggi, dapat menggunakan fungsi kriteria yang dapat mengukur kualitas

klastering. Salah satu persamaan yang sering dipakai dan cukup sederhana adalah

jumlah dari kesalahan kuadrat (sum of squared-error, SSE). SSE didefinisikan

sebagai berikut :

∑∑= ∈

−=k

i Dxie

i

mxJ1

2 ……………2.2

dimana :

Je = SSE

k = jumlah klaster

D = dataset

x = obyek

m = pusat klaster (centroid)

SSE juga dapat dijadikan ukuran untuk penghentian iterasi proses

pengelompokan. Jika nilai SSE hasil pengelompokan lebih kecil dari pada SSE

yang dimasukkan pengguna, maka proses pengelompokan selesai.

2.6 Contoh Kasus K-Means

Berikut adalah contoh penyelesaian kasus dengan algoritma k-means yang

di peroleh dari website dengan alamat :

http://people.revoledu.com/kardi/tutorial/kMean/NumericalExample.

Dalam tabel 2.1 terdapat 4 objek sebagai titik data yang akan

dikelompokkan. Setiap obyek memiliki 2 atribut. Setiap atribut mewakili

koordinat dari obyek seperti yang terlihat pada gambar 2.4.

12

Tabel 2.1 Tabel Data Obat

Object Attribute 1

(X):weight index Attribute 2

(Y): pH

Medicine A 1 1

Medicine B 2 1

Medicine C 4 3

Medicine D 5 4

2.6.1 Contoh kasus K-Means Tanpa SSE

Data-data dalam tabel 2.1 akan dikelompokkan ke dalam 2 kelompok obat

yang didasarkan pada dua fitur yaitu pH dan indeks berat. Iterasi dalam proses

pengelompokan akan dikendalikan oleh perubahan anggota di setiap klaster.

Gambar 2.3 Koordinat Data Obat

Obyek atribut 1 (X): indeks berat

Obyek atribut 2 (Y): pH

Iterasi 0 :

1. Menentukan nilai awal centroids

Nilai awal centroids pertama dimisalkan obat A dan obat B. c1= (1,1)

d

d

2

P

E

C

dan c2=(2,1)

dengan simb

2. Menguku

Pengukuran j

Euclidean. S

Contoh peng

• Jarak

d(x,y

menyatakan

ol bintang, s

Gambar 2

ur jarak obye

jarak antara

etiap kolom

ghitungan jar

obat C = (4

y) = 1ni∑ =

= 14( −

n koordinat

seperti yang

2.4 Koordin

ek ke centro

obyek ke ce

dalam matr

rak obyek ke

, 3) ke centr

2)( ii ba −

22 )13()1 −+

centroid. C

terlihat pada

nat obat iter

id

entroid meng

iks jarak me

e centroid :

roid pertama

= 3,61

Centroid dila

a gambar 2.1

rasi ke-0

ggunakan m

elambangkan

a c1(1,1) :

13

ambangkan

1.

etode jarak

n obyek :

S

B

c

k

3. M

O

d

k

E

m

k

m

y

m

y

• Jarak

d(x,y

Sehingga ma

Baris pertam

centroid pert

kedua.

Mengelompo

Obyek dikel

dikelompokk

kelompok 2 d

Element ma

menunjukan

klaster dan

memiliki nila

yang berarti

memiliki nila

yang berarti o

obat C = (4

y) = 1ni∑ =

= 24( −

atriks jarak p

ma dari matri

ama dan bar

okkan obyek

lompokkan

kan ke kelom

dan obat D k

atriks di ba

posisi obye

0 berarti b

ai 1 di kelo

obyek A

ai 0 di kelo

obyek B me

, 3) ke centr

2)( ii ba −

22 )13()2 −+

pada iterasi 0

iks jarak ses

ris kedua ada

k

berdasarkan

mpok 1, ob

ke kelompok

awah ini te

ek terhadap

bukan angg

mpok 1 dan

merupakan

mpok 1 dan

rupakan ang

roid kedua c

= 2.83

0 adalah :

suai dengan

alah jarak se

n jarak min

bat B ke ke

k 2.

erdiri dari

p suatu klas

gota klaster

n memiliki n

anggota ke

n memiliki n

ggota kelomp

c2=(2,1) :

jarak setiap

etiap obyek k

nimum. Jad

elompok 2,

nilai 1 da

ster. 1 berar

r. Misalnya

nilai 0 di ke

elompok 1.

nilai 1 di ke

pok 2 dan se

14

p obyek ke

ke centroid

di, obat A

obat C ke

an 0 yang

rti anggota

obyek A

elompok 2,

Obyek B

elompok 2,

eterusnya.

IIterasi 1 :

1. M

C

k

te

k

2. M

P

E

Menentukan

Centroid di

kelompok. K

etap di c1=(

klaster kelom

Mengukur ja

Pengukuran j

Euclidean, se

nilai centro

ihitung ber

Kelompok 1

(1,1). Kelom

mpok 2 :

Gambar 2

arak obyek k

jarak data t

ehingga diha

id

rdasarkan r

memiliki sa

mpok 2 mem

2.5 Koordin

e pusat klast

terhadap pus

asilkan matri

rata-rata se

atu anggota

miliki tiga an

nat obat iter

ter

sat klaster m

ik jarak :

mua data

sehingga pu

nggota, sehin

.

rasi ke-1

mengggunak

15

di setiap

usat klaster

ngga pusat

kan metode

I

3. M

O

d

Iterasi 2 :

1. M

P

k

2. M

P

E

Mengelompo

Obyek dike

dihasilkan m

Menentukan

Pusat klaste

kelompok. 1c

Mengukur ja

Pengukuran j

Euclidean, se

okkan obyek

elompokkan

matrik kelomp

nilai pusat k

r dihitung

⎜⎝⎛ ++

=2

1,2

211

Gambar 2

arak obyek k

jarak data t

ehingga diha

k

n berdasark

pok :

klaster

berdasarkan

⎠⎞

⎜⎝⎛=⎟

⎠⎞+ 1,

211

21

2.6 Koordin

e pusat klast

terhadap pus

asilkan matri

kan jarak

n rata-rata

⎟⎠⎞ ⎜

⎝⎛ +

=2

42c

nat obat iter

ter

sat klaster m

ik jarak :

minimum,

semua data

=⎟⎠⎞++

243,

25

rasi ke-2

mengggunak

16

sehingga

a di setiap

⎟⎠⎞

⎜⎝⎛=

213,

214

kan metode

D

y

m

H

2

d

k

p

m

D

3. M

O

d

Dari hasil it

yang berpin

means telah

Hasil akhir p

Tab

Obje

Medicin

Medicin

Medicin

Medicin

2.6.2 Cont

Dala

dikelompokk

koordinat da

pengelompo

maksimal ya

Data-data da

Mengelompo

Obyek dike

dihasilkan m

terasi 2 terl

ndah kelomp

mencapai st

pengelompo

bel 2.2 Tabe

ect

ne A

ne B

ne C

ne D

toh kasus K

am tabel 2

kan. Setiap

ari obyek se

okan akan d

ang diingink

alam tabel 2

okkan obyek

elompokkan

matrik kelomp

lihat bahwa

pok lagi. Den

tabilitas dan

kan obat terl

l Hasil Peng

Feature 1 (X

weight ind

1

2

4

5

K-Means Me

2.1 terdapat

p obyek m

eperti yang t

dikendalikan

kan adalah 3.

2.1 akan dik

k

n berdasark

pok :

G1=G2, yan

ngan demiki

tidak memb

lihat pada ta

gelompokka

X):

dex Feat

enggunakan

t 4 objek

memiliki 2

terlihat pada

n oleh nilai

.

kelompokkan

kan jarak

ng berarti ba

ian, perhitun

butuhkan iter

abel 2.2.

an Obat den

ture 2 (Y): p

1

1

3

4

n SSE

sebagai ti

atribut. Set

a gambar 2.4

SSE, dalam

n ke dalam 2

minimum,

ahwa tidak

ngan dari kl

rasi lagi.

ngan K-Mea

pH Group

itik data y

tiap atribut

4. Iterasi da

m kasus ini

2 kelompok

17

sehingga

ada obyek

lastering k-

ans

p (result)

1

1

2

2

yang akan

mewakili

lam proses

nilai SSE

k obat yang

d

I

didasarkan p

Iterasi 0 :

1.

2.

P

ja

o

C

pada dua fitu

Menentukan

Nilai awal p

(1,1) dan c

dilambangk

gambar 2.1.

Mengukur ja

Pengukuran j

arak Euclid

obyek :

Contoh peng

• Jarak

d(x,y

• Jarak

d(x,y

ur yaitu pH d

n nilai awal p

pusat klaster

c2=(2,1) men

an dengan

arak obyek k

jarak antara

dean. Setiap

ghitungan jar

obat C = (4

y) = 1ni∑ =

= 14( −

obat C = (4

y) = 1ni∑ =

= 24( −

dan indeks b

pusat klaster

r pertama d

nyatakan koo

simbol bin

ke pusat klas

obyek ke p

kolom dal

rak obyek ke

, 3) ke pusat

2)( ii ba −

22 )13()1 −+

, 3) ke pusat

2)( ii ba −

22 )13()2 −+

erat.

r

dimisalkan o

ordinat pusa

ntang, seper

ster

pusat klaster

lam matriks

e pusat klaste

t klaster pert

= 3.61

t klaster kedu

= 2.83

obat A dan o

at klaster. pu

rti yang ter

menggunak

jarak mela

er:

tama c1(1,1)

ua c2=(2,1)

18

obat B. c1=

usat klaster

rlihat pada

kan metode

ambangkan

:

:

B

p

p

3. M

O

d

k

E

m

k

m

y

m

y

4. M

N

Baris pertam

pusat klaster

pusat klaster

Mengelompo

Obyek dikel

dikelompokk

kelompok 2 d

Element ma

menunjukan

klaster dan

memiliki nila

yang berarti

memiliki nila

yang berarti o

Menghitung

Pusat klaste

c1=(1,1)

Nilai SSE ak

ma dari matri

r pertama d

kedua.

okkan obyek

lompokkan

kan ke kelom

dan obat D k

atriks di ba

posisi obye

0 berarti b

ai 1 di kelo

obyek A

ai 0 di kelo

obyek B me

pusat klaster

r yang baru

kan dihitung

iks jarak ses

an baris ked

k

berdasarkan

mpok 1, ob

ke kelompok

awah ini te

ek terhadap

bukan angg

mpok 1 dan

merupakan

mpok 1 dan

rupakan ang

r yang baru

:

g menggunak

suai dengan

dua adalah

n jarak min

bat B ke ke

k 2.

erdiri dari

p suatu klas

gota klaster

n memiliki n

anggota ke

n memiliki n

ggota kelomp

dan nilai SS

kan persama

jarak setiap

jarak setiap

nimum. Jad

elompok 2,

nilai 1 da

ster. 1 berar

r. Misalnya

nilai 0 di ke

elompok 1.

nilai 1 di ke

pok 2 dan se

SE

aan 2.2. Seh

19

p obyek ke

p obyek ke

di, obat A

obat C ke

an 0 yang

rti anggota

obyek A

elompok 2,

Obyek B

elompok 2,

eterusnya.

hingga nilai

I

S

N

p

it

Iterasi 1 :

1. M

P

k

te

k

2. M

P

E

3. M

O

d

SSE di iteras

SSE = ||1

||4

= 0

Nilai SSE ya

pada iterasi

terasi akan b

Menentukan

Pusat klaste

kelompok. K

etap di c1=(

klaster kelom

Mengukur ja

Pengukuran

Euclidean, se

Mengelompo

Obyek dike

dihasilkan m

si 0 adalah :

1-1||2 + ||1-1|

4-3.67||2 + ||3

+ 0 + 2.79

ang dikehen

0 adalah 9.3

berlanjut.

nilai pusat k

r dihitung

Kelompok 1

(1,1). Kelom

mpok 2 :

arak obyek k

jarak data

ehingga diha

okkan obyek

elompokkan

matrik kelomp

|2 + ||2-3.67|

3-2.67||2 +||5-

+ 2.79 + 0.1

ndaki adalah

34, karena 9

klaster

berdasarkan

memiliki sa

mpok 2 mem

e centroid

a terhadap

asilkan matri

k

n berdasark

pok :

|2 + ||1-2.67||

-3.67||2 + ||4-

1+0.11 + 1.

h 3 dan nilai

9.34 tidak le

n rata-rata

atu anggota

miliki tiga an

centroid m

ik jarak :

kan jarak

2 +

-2.67||2

77+1.77 = 9

i SSE yang

ebih kecil da

semua data

sehingga pu

nggota, sehin

mengggunaka

minimum,

20

9.34

dihasilkan

ari 3 maka

a di setiap

usat klaster

ngga pusat

an metode

sehingga

4. M

c

c

S

N

p

s

Menghitung

⎜⎝⎛ +

=1,

221

1c

⎜⎝⎛ +

=3,

254

2c

SSE di iteras

SSE = ||1

||4

= 0.

Nilai SSE ya

pada iterasi

selesai.

pusat klaster

⎜⎝⎛=⎟

⎠⎞+ 1,

211

21

⎜⎝⎛=⎟

⎠⎞+

214

243

si 1 adalah :

1-1.5||2 + ||1-

4-4.5||2 + ||3-

.25 + 0 + 0.2

ang dikehen

1 adalah 1.7

r baru dan n

⎟⎠⎞1

⎟⎠⎞

213,

21

-1||2 + ||2-1.5

-3.5||2 +||5-4.

25 + 0.25+ 0

ndaki adalah

75, karena 1

ilai SSE

||2 + ||1-1.5||2

5||2 + ||4-3.5|

0.25 + 0.25 +

h 3 dan nilai

.75 lebih ke

2 +

||2

+ 0.25 +0.25

i SSE yang

ecil dari 3 m

21

= 1.75

dihasilkan

maka iterasi

22

Bab III

ANALISIS DAN PERANCANGAN SISTEM

3.1 Identifikasi dan Analisis Sistem

Pusat Pengembangan dan Penjaminan Mutu Pembelajaran (P3MP)

merupakan sebuah lembaga milik Universitas Sanata Dharma (USD). P3MP

memiliki tugas untuk menjaga kestabilan kualitas pembelajaran, mengelola

komponen pengembangan dan penjaminan mutu pembelajaran, serta mengelola

kegiatan peningkatan mutu pembelajaran di USD. P3MP setiap akhir semester

melakukan evaluasi terhadap pelaksanaan matakuliah. Evaluasi mencakup tiga

kategori, yaitu kinerja dosen, kontribusi mahasiswa dan kepuasan mahasiswa yang

tercakup dalam 18 pertanyaan.

Dalam tugas akhir ini akan dikelompokkan data hasil evaluasi ke dalam

kelompok-kelompok yang memiliki kemiripan yang tinggi. Data yang

dikelompokkan adalah data hasil evaluasi di Fakultas Sains dan Teknologi (FST)

USD pada semester gasal 2008/2009 dan semester genap 2008/2009.

Pengelompokan berdasarkan 18 pertanyaan yang termuat dalam kuesioner. Data

semester gasal 2008/2009 yang diperoleh berjumlah 62 record. Data semester

genap 2008/2009 yang diperoleh berjumlah 74 record. Hasil pengelompokan akan

diberi label menurut ketentuan yang berlaku di P3MP, yaitu :

Tabel 3.1 Tabel Pedoman Label Output P3MP

Skala Nilai Persentase Label

5,6 – 7 80% - 100% sangat tinggi

4,9 – 5,59 70% - 79% Tinggi

23

3,92 – 4,89 56% - 69% Cukup

3,22 – 3,91 46% - 55% Rendah

… – 3,22 … - 46% sangat rendah

3.2 Perancangan Sistem

3.2.1 Input

Sistem yang akan dibuat menerima inputan yang berupa data hasil evaluasi

pembelajaran. Dalam tugas akhir ini data yang digunakan adalah data di Fakultas

Sains dan Tekonologi (FST). FST mencakup prodi Teknik Informatika, Teknik

Elektro, Teknik Mesin, Mekatronika, Matematika dan Fisika. Data hasil evaluasi

diperoleh dari P3MP Universitas Sanata Dharma. Satu record data hasil evaluasi

merupakan data satu matakuliah. Data evaluasi mencakup prodi, NIP dosen,

namaDosen, nama matakuliah, fakultas dan nilai rata-rata jawaban semua

responden untuk setiap pertanyaan yang termuat dalam kesioner. Data evaluasi

mencakup 23 atribut, yaitu :

Tabel 3.2 Atribut Data Hasil Evaluasi

Nama Atribut Penjelasan Nilai

prodi Atribut ini menyimpan nama prodi.

Data berupa nama-nama program studi. Data prodi tidak termasuk dalam atribut yang akan dihitung jaraknya, tetapi hanya sebagai identitas prodi penyelenggara matakuliah.

NIP Atribut ini menyimpan nama dosen.

Data berupa NIP dosen yang mengampu mata kuliah yang dievaluasi. Data NIP yang dipakai bukan NIP yang sebenarnya, melainkan NIP samaran mengingat kerahasiaan data. Data NIP tidak termasuk dalam atribut yang akan dihitung jaraknya, tetapi hanya

24

sebagai identitas dosen pengampu matakuliah.

namaDosen Atribut ini menyimpan nama dosen.

Data berupa nama dosen yang mengampu mata kuliah yang dievaluasi. Data dosen yang dipakai dalam tugas akhir bukan nama yang sebenarnya, melainkan nama samaran mengingat kerahasiaan data.

Nama matakuliah

Atribut ini menyimpan nama matakuliah beserta kelasnya

Nama-nama kelas dan matakuliah di prodi FST, misalnya Kalkulus A, Kalkulus B, Ststistik A dll. Data matakuliah tidak termasuk dalam atribut yang akan dihitung jaraknya, tetapi hanya sebagai identitas matakuliah.

Fakultas Atribut ini menyimpan nama fakultas.

Data berupa nama-nama fakultas. Data fakultas tidak termasuk dalam atribut yang akan dihitung jaraknya, tetapi hanya sebagai identitas prodi matakuliah.

rt1

Atribut ini menyimpan nilai rata-rata jawaban semua responden pertanyaan nomor 1 dalam kuesioner.

Skala nilai 1 sampai 7

rt2

Atribut ini menyimpan nilai rata-rata jawaban responden pertanyaan nomor 2 dalam kuesioner.


rt3



rt4



rt5



rt6 Atribut ini menyimpan nilai rata-rata jawaban Skala nilai 1 sampai 7

25

responden pertanyaan nomor 6 dalam kuesioner.

rt7



rt8



rt9



rt10



rt11



rt12



rt13



rt14



rt15



26

rt16



rt17



rt18



Data pertanyaan untuk setiap nomor tercantum dalam lampiran.

3.2.2 Pemrosesan Awal Data

Sebelum data diolah menggunakan sistem yang akan dibuat, dilakukan

pemrosesan awal data terlebih dulu. Sistem tidak menyediakan fasilitas

preprocessing data sehingga pemrosesan awal data dilakukan secara manual.

1) Mengatur urutan kolom data

Pada proses ini dilakukan pengurutan atribut (kolom) data. Urutan

kolom data yang akan diolah sistem adalah sebagai berikut :

Tabel 3.3 Urutan Kolom Data Hasil Evaluasi

Urutan kolom Nama kolom

1 Prodi

2 NIP

3 Nama Dosen

4 Nama Matakuliah

5 Fakultas

27

6 Rata pertanyaan no 1


















2) Membersihkan data kosong

Pada langkah ini dilakukan pembersihan record atau baris yang

datanya tidak lengkap. K-means menggunakan rata-rata klaster

(centroid) dalam penghitungan jarak, sehingga jika terdapat kolom

28

yang tidak berisi data hasil evaluasi akan mempengaruhi rata-rata

klaster (centroid).

3) Menyeragamkan nilai varibel prodi

Pada langkah ini dilakukan penyamaan nama prodi. Sistem memiliki

fasilitas melihat persentase prodi di setiap klaster, sehingga nama prodi

harus disamakan. Misalnya dalam data mentah yaitu data yang belum

dilakukan pemrosesan awal data, untuk prodi D3 Mekatronika terdapat

dua nilai yaitu D3 Meka dan D3 Mekatornika. Jika kedua nilai tersebut

tidak diseragamkan, maka akan dianggap menjadi dua nilai yang

berbeda.

3.2.3 Proses

1) Membaca data

Pada proses ini sistem akan membaca data-data hasil evaluasi dalam

bentuk file excel (xls). Data evaluasi mencakup informasi prodi, kode

dosen, nama dosen, nama matakuliah, fakultas dan nilai rata-rata

jawaban semua responden untuk setiap pertanyaan yang termuat dalam

kesioner.

2) Menginisialisasikan jumlah klaster k

Jumlah klaster yang diinisialisasikan tergantung dari masukan

pengguna.

3) Menginisialisasikan centroid

Pada awal proses, pusat klaster dipilih oleh sistem secara acak

(random). Tetapi setelah terjadi iterasi, pusat klaster merupakan rata-

29

rata semua nilai di setiap klaster. Banyaknya pusat klaster sama dengan

jumlah klaster yang dimasukkan pengguna.

4) Menghitung jarak antara data dengan pusat klaster

Pada tahap ini dilakukan penghitungan jarak antara setiap obyek

dengan setiap pusat klaster. Untuk menghitung jarak obyek dengan

pusat klaster digunakan konsep jarak Euclidean dengan persamaan no

2.1.

5) Mengelompokkan data-data ke dalam kelompok-kelompok

Hasil penghitungan jarak pada proses nomor 5 digunakan untuk

mengelompokkan obyek-obyek ke centroid. Jarak setiap obyek dengan

pusat klaster- pusat klaster akan dibandingkan. Pengelompokan obyek-

obyek didasarkan pada jarak terdekat antara obyek dengan pusat

klaster.

6) Menghitung nilai SSE

Jika pengguna menghendaki penggunaan SSE, SSE dihitung setelah

data dikelompokkan.

7) Menghitung validasi hasil pengelompokan

Validasi hasil pengelompokan data hasil evaluasi dihitung dengan

membandingkan predikat evaluasi setiap data dengan label klaster

dimana data tersebut berkelompok.

8) Menampilkan hasil pengelompokan sebagai output

Hasil pengelompokan akan ditampilkan sebagai output.

3.2.4 Output

Sistem yang dibuat akan menghasilkan keluaran (output) sebagai berikut :

30

1) Jumlah data

Sistem akan menampilkan jumlah data yang dikelompokkan.

2) Jumlah klaster

Sistem akan menampilkan jumlah klaster yang di inputkan pengguna.

3) Jumlah iterasi

Sistem akan menampilkan jumlah iterasi yang terjadi dalam proses

pengelompokan data.

4) Centroid terakhir

Sistem akan menampilkan nilai rata-rata centroid terakhir untuk setiap

klaster.

5) Jumlah anggota tiap klaster

Sistem akan menampilkan jumlah anggota setiap klaster.

6) Anggota tiap klaster

Sistem akan menampilkan anggota tiap klaster.

7) Nilai SSE

Sistem akan menampilkan nilai SSE yang dapat dicapai sistem.

8) Validasi hasil pengelompokan

Sistem akan menampilkan tingkat validasi pengelompokan.

9) Nilai rata-rata data setiap pertanyaan

Sistem akan menampilkan detail rata-rata setiap data untuk setiap

pertanyaan.

10) Nilai rata-rata setiap kategori

Sistem akan menampilkan nilai rata-rata untuk setiap kategori

pertanyaan yang termuat di kuesioner.

31

11) Diagram Pie (Pie Chart)

Sistem akan menampilkan diagram pie persentase anggota semua

klaster dan diagram pie persentase prodi untuk setiap klaster.

3.3 Perancangan

3.3.1 Diagram Konteks

Gambar 3.1 Diagram Konteks

32

3.3.2 Diagram Use Case

Mengelompokkan data

Memilih file data

Melihat detail anggota tiap klaster

<<depends on>>

Pengguna

<<depends on>>

Melihat detail hasil evaluasi setiap data

<<depends on>>

Melihat rata data setiap kategori

<<depends on>>

Melihat grafik persentase prodi

Melihat grafik persentase klaster

Menyimpan hasil pengelompokan

<<depends on>>

<<depends on>>Mengurutkan klaster berdasarkan centroid

<<uses>>

<<uses>>

Mengurutkan data dalam klaster

<<depends on>>

Gambar 3.2 Diagram Use Case

Pengarang : Hertartik Clarasita Devy Tanggal : 18 November 2009

Versi :

Sistem Pengelompokan Data Hasil Evaluasi Pembelajaran Universitas Sanata Dharma

Nama Usecase Memilih File Data Jenis Use Case :

Kebutuhan Bisnis ID usecase 1

Prioritas Tinggi

Sumber -

33

Pelaku bisnis utama Pengguna

Pelaku partisipan -

Partisipan lain -

Deskripsi Use case ini menggambarkan pengguna memilih tabel data yang akan dikelompokkan.

Pra-kondisi Sistem belum memiliki data yang akan dikelompokkan

Pemicu Aktor ingin memasukkan tabel data

Langkah umum Aksi Aktor Respon Sistem

Langkah 1 : Aktor memilih halaman pengelompokan data

Langkah 3 : Aktor memilih data dalam bentuk file excel yang akan dikelompokkan.

Langkah 2 : memberikan halaman pengelompokan data

Langkah 4: menampilkan kotak dialog pemilihan nomor pertanyaan dalam kuesioner yang akan dikelompokkan.

Langkah 6 : Data yang dipilih di perlakukan sebagai obyek yang ditambahkan ke vector data dan ditampilkan ke tabel output.

Langkah 5 : Aktor memilih pertanyaan yang akan dikelompokkan

Langkah 7 : Aktor memasukkan jumlah klaster dan nilai SSE jika dikehendaki.

Langkah alternatif

Kesimpulan Use case ini selesai jika sistem telah menampilkan data yang dipilih aktor ke dalam tabel.

Pasca kondisi Sistem memiliki masukan data yang akan dikelompokkan

Aturan bisnis -

Batasan implementasi dan spesifikasi

-

Asumsi -

Masalah terbuka -

34


Versi :


Nama Usecase Mengelompokkan Data

Jenis Use Case :

Kebutuhan bisnis ID usecase 2

Prioritas Tinggi

Sumber -


Pelaku partisipan -

Partisipan lain -

Deskripsi Use case ini menggambarkan pengguna mengelompokkan data hasil evaluasi.

Pra-kondisi Aktor sudah memilih data yang akan dikelompokkan, memasukkan jumlah klaster dan nilai SSE.

Pemicu Aktor ingin mengelompokkan data

Langkah umum Aksi Aktor Respon Sistem

Langkah 1 : Aktor mengklik tombol proses.

Langkah 2 : Sistem menangkap jumlah klaster dan nilai SSE yang diinputkan pengguna. Sistem memilih centroid secara random. Sistem menghitung jarak tiap data dengan setiap centroid menggunakan persamaan euclidean. Sistem mengelompokkan data berdasarkan jarak terkecil antara setiap data dengan setiap centroid. Penghentian iterasi pengelompokan didasarkan pada nilai centroid atau nilai SSE masukan user tergantung dari keinginan

35

user.

Langkah 3 : Setelah pengelompokkan semua data selesai, sistem akan memberi label klaster berdasarkan ketentuan P3MP. Pemberian label berdasarkan rata-rata tiap klaster.

Langkah 4 : Sistem menghitung validitas hasil pengelompokan. Penghitungan validitas dilakukan dengan membandingkan label klaster hasil pengelompokan sistem dengan label setiap data. Sistem menampilkan data hasil pengelompokkan.

Langkah alternatif

Kesimpulan Use case ini selesai jika sistem sudah menampilkan data hasil pengelompokan.

Pasca kondisi Data-data yang dimasukkan telah dikelompokkan ke dalam klaster-klaster.

Aturan bisnis -


-

Asumsi -

Masalah terbuka -

36


Versi :


Nama Usecase Melihat Detail Anggota Setiap Klaster

Jenis Use Case :


Prioritas Tinggi

Sumber -


Pelaku partisipan -

Partisipan lain -

Deskripsi Use case ini menggambarkan pengguna melihat data setiap klaster.

Pra-kondisi Data telah dikelompokkan ke dalam klaster-klaster.

Pemicu Aktor ingin mengetahui data-data setiap klaster.

Langkah umum Aksi aktor Respon sistem

Langkah 1 : Aktor mengklik klaster yang datanya akan dilihat secara detail.

Langkah 2 : Sistem menangkap klaster yang dipilih aktor. Sistem menampilkan semua data yang menjadi anggota klaster yang dipilih.

Langkah alternatif

Kesimpulan Use case ini selesai jika sistem telah menampilkan semua angota dari klaster yang dilihat.

Pasca kondisi Hasil pengelompokan data hasil evaluasi ditampilkan berdasarkan klaster-klaster.

Aturan bisnis -


-

37


Versi :

Asumsi -

Masalah terbuka -


Nama Usecase Melihat Detail Hasil Evaluasi Setiap Data

Jenis Use Case :


Prioritas Sedang

Sumber -


Pelaku partisipan -

Partisipan lain -

Deskripsi Use case ini menggambarkan pengguna melihat detai data hasil evaluasi setiap data.

Pra-kondisi Data setiap pertanyaan dalam kuesioner ditampilkan.

Pemicu Aktor ingin mengetahui nilai data evaluasi untuk setiap pertanyaan.


Langkah 1 : Aktor mengklik data yang akan dilihat secara detail nilai hasil evaluasi setiap pertanyaan yang termuat dalam kuesioner.

Langkah 2 : Sistem menangkap urutan data yang dipilih aktor. Sistem menampilkan nilai hasil evaluasi setiap pertanyaan yang termuat dalam kuesioner.

Langkah alternatif

Kesimpulan Use case ini selesai jika sistem telah menampilkan nilai hasil evaluasi untuk setiap pertanyaan yang termuat

38


Versi :

dalam kuesioner.

Pasca kondisi Nilai hasil evaluasi setiap pertanyaan yang termuat dalam kuesioner telah ditampilkan.

Aturan bisnis -


-

Asumsi -

Masalah terbuka -


Nama Usecase Melihat Rata Data Setiap Kategori

Jenis Use Case :


Prioritas Tinggi

Sumber -


Pelaku partisipan -

Partisipan lain -

Deskripsi Use case ini menggambarkan pengguna melihat rata-rata data hasil evaluasi untuk setiap kategori.

Pra-kondisi Data hasil evaluasi setiap data ditampilkan per pertanyaan.

Pemicu Aktor ingin mengetahui rata-rata data evaluasi untuk setiap kategori.


39


Versi :

Langkah 1 : Aktor mengklik tombol liat rata data tiap kategori.

Langkah 3 : Aktor memasukkan jumlah kategori yang dikehendaki

Langkah 5 : Aktor memasukkan nomor awal pertanyaan dan nomor akhir pertanyaan untuk setiap kategori

Langkah 2 : Sistem menampilkan kotak dialog untuk inputan jumlah kategori yang diinginkan pengguna.

Langkah 4 : Sistem menampilkan form inputan nomor pertanyaan untuk setiap kategori.

Langkah 6 : Sistem menghitung rata-rata data berdasarkan kategori.

Langkah alternatif

Kesimpulan Use case ini selesai jika sistem telah menampilkan nilai rata-rata hasil evaluasi untuk setiap kategori.

Pasca kondisi Nilai rata-rata tiap kategori telah ditampilkan.

Aturan bisnis -


-

Asumsi -

Masalah terbuka -


Nama Usecase Melihat Grafik Presentase Anggota Setiap Klaster

Jenis Use Case :

Kebutuhan Bisnis

ID usecase 6

Prioritas Sedang

40

Sumber -


Pelaku partisipan -

Partisipan lain -

Deskripsi Use case ini menggambarkan pengguna melihat persentase jumlah anggota setiap klaster.

Pra-kondisi Data hasil evaluasi telah dikelompokkan kedalam klaster-klaster.

Pemicu Aktor ingin melihat persentase jumlah anggota setiap klaster.


Langkah 1 : Aktor mengklik tombol grafik.

Langkah 2 : Sistem menampilkan grafik persentase anggota setiap klaster dalam bentuk pieChart.

Langkah alternatif

Kesimpulan Use case ini selesai jika sistem telah menampilkan grafik persentase anggota setiap klaster dalam bentuk pieChart .

Pasca kondisi Persentase jumlah anggota setiap klaster ditampilkan dalam bentuk pieChart.

Aturan bisnis -


-

Asumsi -

Masalah terbuka -

41


Versi :


Nama Usecase Melihat Grafik Presentase Prodi

Jenis Use Case :


Prioritas Sedang

Sumber -


Pelaku partisipan -

Partisipan lain -

Deskripsi Use case ini menggambarkan pengguna melihat persentase jumlah prodi setiap klaster.

Pra-kondisi Detail anggota setiap klaster telah ditampilkan.

Pemicu Aktor ingin melihat persentase jumlah prodi setiap klaster.


Langkah 1 : Aktor mengklik tombol grafik.

Langkah 2 : Sistem menampilkan grafik persentase jumlah prodi setiap klaster dalam bentuk pieChart.

Langkah alternatif

Kesimpulan Use case ini selesai jika sistem telah menampilkan grafik persentase jumlah prodi setiap klaster dalam bentuk pieChart .

Pasca kondisi Persentase jumlah prodi setiap klaster ditampilkan dalam bentuk pieChart.

Aturan bisnis -

Batasan implementasi dan

-

42


Versi :

spesifikasi

Asumsi -

Masalah terbuka -


Nama Usecase Menyimpan Hasil Klastering

Jenis Use Case :


Prioritas Sedang

Sumber -


Pelaku partisipan -

Partisipan lain -

Deskripsi Use case ini menggambarkan sistem menyimpan data hasil klastering ke dalam file excel.

Pra-kondisi Data sudah dikelompokan.

Pemicu Aktor ingin menyimpan data hasil pengelompokan.


Langkah 1 : Aktor melakukan pengelompokan data.

Langkah 2 : Sistem membuat nama file dan menuliskan data hasil pengelompokan ke file excel, kemudian file excel disimpan.

Langkah alternatif

Kesimpulan Use case ini selesai jika sistem telah menyimpan data hasil pengelompokan dalam bentuk file excel.

43


Versi :

Pasca kondisi Data hasil pengelompokan telah tersimpan dalam bentuk file excel.

Aturan bisnis -


-

Asumsi -

Masalah terbuka -


Nama Usecase Mengurutkan Klaster Berdasarkan Centroid Klaster

Jenis Use Case :

Kebutuhan Bisnis

ID usecase 9

Prioritas Sedang

Sumber -


Pelaku partisipan -

Partisipan lain -

Deskripsi Use case ini menggambarkan sistem mengurutkan klaster-klaster berdasarkan rata-rata centroid setiap klaster, mulai dari centroid terbesar sampai cenroid terkecil.

Pra-kondisi Data sudah dikelompokan.

Pemicu Aktor ingin melihat klaster-klaster hasil pengelompokan.


44


Versi :

Langkah 1 : Aktor mengklik tombol proses.

Langkah 2 : Sistem menghitung rata-rata centroid setiap klaster.

Langkah 3 : Sistem mengurutkan klaster-klaster berdasarkan rata-rata centroid, mulai dari centroid terbesar sampai terkecil.

Langkah 3 : Sistem menyimpan klaster-klaster yang sudah diurutkan.

Langkah alternatif

Kesimpulan Use case ini selesai jika sistem telah menyimpan klaster-klaster yang sudah diurutkan.

Pasca kondisi Klaster-klaster sudah terurut mulai dai centroid terbesar sampai terkecil.

Aturan bisnis -


-

Asumsi -

Masalah terbuka -


Nama Usecase Mengurutkan Data Dalam Klaster

Jenis Use Case :


Prioritas Sedang

Sumber -

45


Pelaku partisipan -

Partisipan lain -

Deskripsi Use case ini menggambarkan sistem mengurutkan data-data dalam klaster-klaster berdasarkan rata-rata centroid setiap data atau prodi yang dimiliki data, mulai dari centroid terbesar sampai cenroid terkecil atau mulai dari prodi dari abjad a sampai z.

Pra-kondisi Aktor melihat detail data dalam klaster.

Pemicu Aktor ingin melihat data-data dalam klaster secara terurut.


Langkah 1 : Aktor memilih urut data berdasarkan centroid data atau prodi data.

Langkah 2 : Jika aktor memilih urut data berdasarkan centroid maka sistem menghitung rata-rata centroid setiap data. Kemudian sistem mengurutkan data-data dalam klaster-klaster berdasarkan rata-rata centroid data, mulai dari centroid terbesar sampai terkecil.

Langkah 2 : Jika aktor memilih urut data berdasarkan prodi maka sistem membandingkan prodi setiap data dan mengurutkan data-data dalam klaster-klaster berdasarkan prodi data.

Langkah 3 : Sistem menyimpan klaster-klaster yang sudah diurutkan.

Langkah alternatif

Kesimpulan Use case ini selesai jika sistem telah menyimpan klaster-klaster yang sudah diurutkan.

46

3.3.3 Diagram Aktivitas

a) Diagram Aktivitas Memilih File Data

Gambar 3.3 Diagram Aktivitas Memilih Tabel Data

Pasca kondisi Klaster-klaster sudah terurut mulai dai centroid terbesar sampai terkecil.

Aturan bisnis -


-

Asumsi -

Masalah terbuka -

47

b) Diagram Aktivitas Mengelompokkan Data

Gambar 3.4 Diagram Aktivitas Mengelompokkan Data

48

c) Diagram Aktivitas Melihat Detail Anggota Setiap Klaster

Gambar 3.5 Diagram Aktivitas Melihat Detail Data Setiap Klaster

d) Diagram Aktivitas Melihat Detail Nilai Hasil Evaluasi Setiap Data

Gambar 3.6 Diagram Aktivitas Melihat Detail Data Hasil Evaluasi Setiap

Data

49

e) Diagram Aktivitas Melihat Rata-Rata Data Setiap Kategori

Gambar 3.7 Diagram Aktivitas Melihat Rata-rata Data Setiap Kategori

f) Diagram Aktivitas Melihat Grafik Presentase Anggota Setiap Klaster

Gambar 3.8 Diagram Aktivitas Melihat Grafik Presentase Anggota Setiap Klaster

50

g) Diagram Aktivitas Melihat Grafik Presentase Prodi

Gambar 3.9 Diagram Aktivitas Melihat Grafik Presentase Prodi

h) Diagram Aktivitas Menyimpan Hasil Pengelompokan

Gambar 3.10 Diagram Aktivitas Menyimpan Hasil Pengelompokan

51

i) Diagram Aktivitas Mengurutkan Klaster Berdasarkan Centroid

Gambar 3.11 Diagram Aktivitas Mengurutkan Klaster Berdasarkan Centroid

52

j) Diagram Aktivitas Mengurutkan Data Dalam Klaster

Gambar 3.12 Diagram Aktivitas Mengurutkan Data Dalam Klaster

53

3.3.4 Diagram Kelas

<<Controller>>Pengelompokan

<<Controller>>DetailDataSetiapKlaster

<<Controller>>DetailHasilEvaluasiSetiapData

<<boundary>> DetailDataSetiapKlaster

Menggunakan

Menggunakan

Menggunakan

Menggunakan

Men

girim

Mem

ilikiM

emiliki

1

1

1

1

1…*

1…*

1…*

1

1…*

Men

ggun

akan

Mem

iliki

Mem

iliki

<<boundary>> Input Data

<<boundary>> Pengelompokan Data

<<boundary>> DetailHasilEvaluasiSetiapData

<<Controller>>InputData

HasilEvaluasi

Cluster

11…*

1

1

1

1

1…*

Centroid

Mem

iliki

Mem

iliki

1

1…*

<<Controller>>Pie Chart

11

1

1

Menggunakan

Menggunakan

Mem

iliki

Menggunakan

<<boundary>> PilihAtribut

<<Controller>>PilihAtribut

1

1

Menggunakan

Gambar 3.13 Diagram Kelas Keseluruhan

54

Gambar 3.14 Diagram Kelas

55

Gambar 3.15 Diagram Kelas (Lanjutan)

56

3.3.5 Algoritma Method Dalam Setiap Kelas

a) Detail Algoritma Method Kelas InputData

Tabel 3.4 Detail Algoritma Method Kelas InputData

Nama Method Tugas Method Algoritma Method

bacaFile

Method bacaFile bertugas membaca data input dan menjadikan data tersebut sebagai obyek dari kelas HasilEvaluasi

1. Menangkap/ membaca file yang dipilih pengguna.

2. Membaca banyak kolom dan banyak baris data.

3. Membaca semua data yang ada dalam file yang telah dipilih.

4. Data yang telah dibaca dijadikan obyek yang bertipe HasilEvaluasi.

b) Detail Algoritma Method Kelas Pengelompokan

Tabel 3.5 Detail Algoritma Method Kelas Pengelompokan


pengelompokanData

Method pengelompokanData bertugas membuat klaster dan mendeklarasikan pusat awal klaster

1. Membuat klaster sebanyak klaster yang dimasukkan pengguna.

2. Mendeklarasikan centroid awal setiap klaster dengan cara memanggil method declareCentroid.

iterasi

Method iterasi bertugas melakukan serta menghentikan iterasi pengelompokan

1. Memanggil method Euclidean.

2. Memanggil method pindahData.

3. Memanggil method untuk menghitung centroid.

declareCentroid

Method declareCentroid bertugas mendeklarasikan

1. Untuk sebanyak jumlah klaster lakukan langkah 2.

2. Memilih data secara random.

57

centroid awal 3. Mengecek apakah data yang dipilih sudah menjadi centroid di klaster lain atau belum, jika sudah lakukan kembali ke langkah nomor 2. Jika belum menjadi centroid di klaster lain, lakukan langkah 4.

4. Mendeklarasikan data yang telah dipilih menjadi centroid klaster.

euclidean

Method euclidean bertugas menghitung jarak setiap data dengan centroid setiap klaster

1. Untuk i=0 sampai i < jumlah data lakukan langkah nomor 2.

2. Untuk j=0 sampai j < jumlah klaster lakukan langkah nomor 3.

3. Untuk k=0 sampai k < jumlah pertanyaan kuesioner, lakukan langkah nomor 4.

4. Hitung selisih nilai hasil evaluasi antara data i dengan centroid klaster j dengan persamaan euclidean. Jika k < jumlah pertanyaan ulangi langkah 4.

pindahData

Method pindahData bertugas menempatkan setiap data ke klaster yang memiliki jarak terdekat

1. Untuk setiap data dan setiap klaster, cari yang memiliki jarak terdekat. Jika pencarian jarak terdekat sudah selesai, lakukan langkah nomor 2.

2. Tempatkan data ke klaster yang memiliki jarak terdekat berdasarkan pencarian pada langkah nomor 1.

hitungCentroid

Method hitungCentroid bertugas mengitung centroid klaster tanpa menghitung nilai SSE

1. Untuk i=0 sampai i < jumlah klaster, lakukan langkah 2.

2. Untuk j=0 sampai j < jumlah atribut pertanyaan, lakukan langkah 3.

3. Untuk k=0 sampai k< jumlah anggota klaster i, lakukan langkah 4.

4. Menghitung jumlah data hasil evaluasi atribut ke-j semua anggota yang menjadi anggota klaster i. jika k ≥ jumlah anggota klaster i lakukan langkah 5.

5. Hitung rata-rata centroid atribut ke-j klaster i. Set j=j+1. Jika j < jumlah atribut pertanyaan , ulangi langkah nomor 3. Jika j ≥ jumlah atribut pertanyaan, lakukan langkah 6.

58

6. Menghitung klaster yang centroidnya tidak berubah dan klaster i diset dengan nilai centroid yang baru. Set i=i+1. Jika i<jumlah klaster, ulangi langkah 2. Jika i ≥jumlah klaster lakukan langkah nomor 7.

7. Cek apakah centroid semua klaster mengalami perubahan atau tidak, jika semua klaster tidak mengalami perubahan centroid, set nilai status=1 yang berarti iterasi berhenti.

hitungCentroidSSE

Method hitungCentroidSSE bertugas menghitung centroid baru setiap klaster dan menghitung nilai SSE


2. Untuk j=0 sampai j < jumlah atribut pertanyaan, lakukan langkah 3.

3. Untuk k=0 sampai k< jumlah anggota klaster i, lakukan langkah 4.

4. Menghitung jumlah data hasil evaluasi atribut ke-j semua anggota yang menjadi anggota klaster i. Jika k ≥ jumlah anggota klaster i, lakukan langkah 5.

5. Hitung rata-rata centroid atribut ke-j klaster i. Set j=j+1. Jika j < jumlah atribut pertanyaan , ulangi langkah nomor 3. Jika j ≥ jumlah atribut pertanyaan, lakukan langkah 6.

6. Klaster i diset dengan nilai centroid yang baru. Set i=i+1. Jika i<jumlah klaster, ulangi langkah 2. Jika i ≥ jumlah klaster lakukan langkah nomor 7.


8. Untuk j=0 sampai j < jumlah anggota klaster i, lakukan langkah 9.

9. Untuk k=0 sampai k< jumlah atribut pertanyaan, lakukan langkah 10.

10. Hitung nilai SSE semua atribut pertanyaan untuk setiap data ke-j klaster i. Jika k≥ jumlah atribut pertanyaan dan j< jumlah anggota klaster i, set j = j+1 dan ulangi langkah nomor 9. Jika j≥jumlah anggota klaster i, set i=i+1 dan ulangi langkah nomor

59

8.

11. Cek apakah nilai hasil perhitungan SSE ≤SSE yang diinputkan pengguna dan cek apakah nilai hasil perhitungan SSE = nilai hasil perhitungan SSE pada iterasi sebelumnya . Jika nilai hasil perhitungan SSE ≤SSE yang diinputkan pengguna atau hasil perhitungan SSE = hasil perhitungan SSE pada iterasi sebelumnya, set status=1 yang berarti iterasi selesai.

label Method label bertugas memberi label setiap klaster



3. Untuk k=0 sampai k< jumlah atribut pertanyaan, lakukan langkah 4.

4. Hitung jumlah semua nilai hasil evaluasi untuk setiap pertanyaan data ke-j klaster i. Jika k≥ jumlah atribut pertanyaan, laukukan lanhkah 5.

5. Hitung rata-rata hasil evaluasi data ke-j klaster i dan hitung jumlah hasil evaluasi setiap klaster. set j=j+1. Jika j< jumlah anggota klaster i, ulangi langkah nomor 3. Jika j≥ jumlah anggota klaster i, lakukan langkah nomor 6.

6. Hitung rata-rata data klaster i, kemudian bandingkan dengan ketentuan labeling dalam bentuk if. Set label klaster i yang sesuai dengan ketentuan labeling. Set i=i+1. Jika i< jumlah klaster, ulangi langkah nomor 2.

validasi Menghitung validasi hasil pengelompokan



3. Untuk k=0 sampai k< banyak pertanyaan, lakukan langkah 4.

4. Hitung jumlah hasil evaluasi semua pertanyaan untuk setiap data ke-j dalam klaster i. Jika k ≥ banyak pertanyaan, lakukan langkah

60

nomor 5.

5. Hitung rata-rata hasil evaluasi data ke-j dalam klaster i. Beri label data ke-j sesuai dengan ketentuan labeling.

6. Jika label data ke-j sama dengan label klaster dimana data j bernaung, maka set valid++.

7. Set j=j+1. Jika j< jumlah anggota klaster i, ulangi langkah nomor 3. Jika j≥ jumlah anggota klaster i, lakukan langkah nomor 8.

8. Set i=i+1. Jika i< banyak klaster, ulangi langkah nomor 2. Jika i≥ banyak klaster, lakukan langkah nomor 9.

9. setValidasi = (valid/banyak data)*100

bubleSortCentroidKlaster

Method bubleSortCentroidKlaster bertugas mengurutkan klaster berdasarkan centroid setiap klaster

1. Untuk i=1 sampai i<banyak klaster, lakukan langkah nomor 2.

2. Untuk j=0 sampai j<banyak klaster-1, lakukan langkah nomor 3.

3. Hitung rata-rata centroid klaster j dengan rata-rata centroid klaster j+1.

4. Jika rata centroid klaster j< rata centroid klaster j+1, tukarkan kedua klaster tersebut.

5. Set j=j+1. Jika j < banyak klaster-1, ulangi langkah nomor 3. Jika j ≥ banyak klaster-1, lakukan langkah nomor 6.

6. Set i=i+1. Jika i < banyak klaster, ulangi langkah nomor 2.

tampilSemuaKlaster

Method tampilSemuaKlaster digunakan untuk menampilkan klaster-klaster hasil pengelompokan meliputi jumlah klaster, jumlah data, validasi, jumlah anggota klaster, centroid klaster, label

1. Deklarasikan nama kolom tabel yang akan ditampilkan sebagai output.

2. Hitung rata-rata centroid setiap klaster.

3. Simpan jumlah anggota setiap klaster, rata-rata centroid setiap klaster dan label klaster dalam array dua dimensi.

4. Isi array dua dimensi yang dibuat pada langkah nomor 3 ditampilkan sebagai output dalam bentuk tabel.

5. Menampilkan output lain seperti jumlah

61

klaster dan SSE jika pengguna menghendaki.

klaster, jumlah data, validasi, dan nilai SSE jika pengguna menghendaki.

tampilDetailData

Method tampilDetailData digunakan untuk mengirim atribut-atribut yang diperlukan untuk melihat detail anggota setiap klaster. Atribut-atribut yang diperlukan untuk melihat detail anggota setiap klaster dikirimkan ke method hasilSemuaKlaster yang ada dikelas DetailDataSetiapKlaster.

1. Menghitung rata-rata centroid klaster yang akan dilihat anggotanya secara mendetail.

2. Mengirimkan klaster hasil pengelompokan, urutan klaster yang akan dilihat, rata-rata centroid klaster yang akan dilihat, obyek pengelompokan yang menyimpan atribut-atribut yang dimiliki kelas Pengelompokan, serta obyek detailHasilEvaluasiSetiapData yang menyimpan atribut-atribut yang dimiliki oleh kelas DetailHasilEvaluasiSetiapData.

tampilGrafik

Method tampilGrafik digunakan untuk mengirimkan nama variabel, nilai variabel dan judul pieChart jika pengguna ingin melihat piechart persentase anggota klaster hasil pengelompokan.

1. Menyimpan nama variabel dan nilai variabel yang akan dibuat piechart.

2. Mengirimkan nama variabel, nilai variabel dan judul piechart ke method tampil yang ada dikelas pieChart.

simpanExcel

Method simpanExcel digunakan untuk menyimpan data hasil pengelompokan ke dalam bentuk file excel.

1. Memberi nama kolom file excel.

2. Untuk h=0 sampai h<banyak klaster, lakukan langkah nomor 2.

3. Untuk i=0 sampai i<banyak anggota klaster h, lakukan langkah nomor 4.

4. Baca atribut fakultas, prodi, NIP, nama dosen dan nama matakuliah data ke-i klaster h. kemudian lakukan langkah nomor 5.

5. Untuk j=0 sampai j<banyak pertanyaan yang

62

termuat dalam kuesioner, lakukan langkah nomor 6.

6. Baca data hasil evaluasi pertanyaan ke-j untuk data ke-i klaster h. Set j=j+1. Jika j< banyak pertanyaan yang termuat dalam kuesioner, ulangi langkah nomor 6. Jika j≥ banyak pertanyaan yang termuat dalam kuesioner, lakukan langkah nomor 7.

7. Baca label klaster h. Set i=i+1. Jika i< banyak anggota klaster h, ulangi dari langkah nomor 4. Jika i≥banyak anggota klaster h, lakukan langkah nomor 8.

8. Set h=h+1. Jika h<banyak klaster, ulangi langkah nomor 3.

c) Detail Algoritma Method Kelas DetailDataSetiapKlaster

Tabel 3.6 Detail Algoritma Method Kelas DetailDataSetiapKlaster


hasilSemuaKlaster

Method hasilSemuaKlaster digunakan untuk melihat anggota setiap klaster, yang meliputi informasi urutan klaster, jumlah anggota klaster, centroid klaster, label klaster, dan atribut-atribut yang dimiliki data seperti fakultas, prodi, NIP, dosen, matakuliah, rata-rata data dan label data.

1. Mengitung rata-rata setiap data.

2. Memberi label setiap data.

3. Menyimpan variabel fakultas, prodi, NIP, dosen, matakuliah, rata-rata data dan label data ke dalam array dua dimensi.

4. Menampilkan array dua dimensi yang dibuat pada langkah nomor 3 menjadi output dalam bentuk tabel.

5. Menampilkan output lain seperti urutan klaster, jumlah anggota klaster, centroid klaster dan label klaster.

bubleSortCentroidData

Method bubleSortCentroidData bertugas


2. Untuk i=1 sampai i<banyak anggota klaster h,

63

mengurutkan anggota setiap klaster berdasarkan centroid setiap data

lakukan langkah nomor 3.

3. Untuk j=0 sampai j<(banyak anggota klaster h)-1, lakukan langkah nomor 4.

4. Hitung rata-rata data ke-j klaster h dengan rata-rata data j+1 klaster h.

5. Jika rata data ke j klaster h< rata data j+1 klaster h, tukarkan kedua klaster tersebut.

6. Set j=j+1. Jika j < (banyak anggota klaster h)-1, ulangi langkah nomor 4. Jika j ≥ (banyak anggota klaster h)-1, lakukan langkah nomor 7.

7. Set i=i+1. Jika i < banyak anggota klaster h, ulangi langkah nomor 3. Jika i ≥banyak anggota klaster h, lakukan langkah nomor 8.

8. Set h=h+1. Jika h<banyak klaster, lakukan langkah nomor 2.

bubleSortProdi

Method bubleSortProdi bertugas mengurutkan anggota setiap klaster berdasarkan abjad nama prodi


2. Untuk i=1 sampai i<banyak anggota klaster h, lakukan langkah nomor 3.

3. Untuk j=0 sampai j<(banyak anggota klaster h)-1, lakukan langkah nomor 4.

4. Jika nama prodi data ke j klaster h< nama prodi data j+1 klaster h, tukarkan kedua klaster tersebut.

5. Set j=j+1. Jika j < (banyak anggota klaster h)-1, ulangi langkah nomor 4. Jika j ≥banyak anggota klaster h)-1, lakukan langkah nomor 6.

6. Set i=i+1. Jika i < banyak anggota klaster h, ulangi langkah nomor 3. Jika i ≥banyak anggota klaster h, lakukan langkah nomor 7.

7. Set h=h+1. Jika h<banyak klaster, lakukan langkah nomor 2.

tampilGrafik

Method tampilGrafik digunakan untuk mengirimkan nama variabel, nilai variabel dan

1. Mencari banyak prodi yang menjadi anggota klaster.

2. Menghitung jumlah setiap prodi yang menjadi anggota klaster dan menyimpan jumlah tersebut ke array nilai serta nama prodi tersebut

64

judul pieChart jika pengguna ingin melihat piechart persentase prodi setiap klaster.

ke array data.

3. Mengirimkan data nama variabel, nilai variabel dan judul piechart ke method tampil yang ada dikelas pieChart

d) Detail Algoritma Method Kelas DetailHasilEvaluasiSetiapData

Tabel 3.7 Detail Algoritma Method Kelas DetailHasilEvaluasiSetiapData


tampilDetailSetiapdata

Method tampilDetailSetiapdata digunakan untuk menampilkan hasil evaluasi 18 pertanyaan yang termuat dalam kuesioner untuk setiap data.

1. Menyimpan nomor pertanyaan dan nilai hasil evaluasi ke dalam array dua dimensi.

2. Array dua dimensi yang dibuat pada langkah nomor 1 ditampilkan sebagai output dalam bentuk tabel.

dataKategori

Method dataKategori digunakan untuk memasukkan nomor pertanyaan setiap kategori jika pengguna ingin melihat rata-rata data setiap kategori.

1. Menangkap nilai variabel inc.

2. Jika inc < jumlah kategori yang dimasukkan pengguna, lakukan langkah no 3. Jika inc ≥ jumlah kategori yang dimasukkan pengguna, lakukan langkah nomor 4.

3. Tampilkan field yang digunakan untuk memasukkan nomor awal dan nomor akhir setiap kategori dan method dataKategori selesai menjalankan tugasnya.

4. Memanggil tampilRataKategori untuk menghitung rata-rata setiap data untuk setiap kategori.

tampilRataKategori

Method tampilRataKategori bertugas untuk menghitung rata-rata setiap data untuk setiap

1. Untuk i =0 sampai i<jumlah kategori, lakukan langkah nomor 2.

2. Untuk j=nomor awal pertanyaan kategori i sampai j≤nomor akhir pertanyaan kategori i, lakukan langkah nomor 3.

65

kategori dan menampilkan hasil perhitungan menjadi output.

3. Set rataKategori = rataKategori+hasil evaluasi pertanyaan nomor j-1. Set j=j+1. Jika j≤ nomor akhir pertanyaan kategori i, ulangi langkah nomor 3. Jika j> nomor akhir pertanyaan kategori i, lakukan langkah nomor 4.

4. Hitung rata-rata data untuk setiap kategori dan tampilkan sebagai output. Set i=i+1. Jika i<jumlah kategori, ulangi langkah nomor 2. Jika i≥jumlah kategori, lakukan langkah nomor 5.

5. Buat obyek yang bertipe DetailHasilEvaluasiSetiapData yang menyimpan informasi semua atribut yang dimiliki oleh kelas DetailHasilEvaluasiSetiapData.

e) Detail Algoritma Method Kelas PieChart

Tabel 3.8 Detail Algoritma Method Kelas PieChart


tampil

Method tampil bertugas membuat pieChart dua dimensi.

1. Membuat obyek bertipe DefaultPieDataset.

2. Untuk i=0 sampai i<banyak variabel yang dikirim method pemanggil, setValue obyek data yang bertipe DefaultPieDataset dengan nama varibel dan nilai variabel yang dikirm oleh method pemanggil.

3. Tampilkan pie chart sebagai output.

66

3.3.6 Diagram Sequence

a) Diagram Sequence Pilih File Data

Gambar 3.16 Diagram Sequence Pilih File Data

67

b) Diagram Sequence Mengelompokkan Data

Gambar 3.17 Diagram Sequence Mengelompokkan Data

68

c) Diagram Sequence Melihat Detail Anggota Setiap Klaster

Gambar 3.18 Diagram Sequence Melihat Detail Anggota Setiap Klaster

d) Diagram Sequence Melihat Detail Hasil Evaluasi Setiap Data

Gambar 3.19 Diagram Sequence Melihat Detail Hasil Evaluasi Setiap Data

69

e) Diagram Sequence Melihat Rata-Rata Data Setiap Kategori

Pengguna

Klik tombol kategori

Request kategori

<<User Interface>>DetailHasilEvaluasi

SetiapData

<<Controller>>DetailHasilEvaluasi

SetiapData

Menampilkan dialog input banyak

kategori

Banyak kategori

Menampilkan dialog input nomor pertanyaan

Nomor awal dan akhir pertanyaan untuk setiap

kategori

dataKategori (kategori, 0)

Nomor awal dan akhir pertanyaan

untuk setiap kategori

tampilKategori()

HasilEvaluasi

getData()

Data hasil evaluasiRata data setiap kategori

Gambar 3.20 Diagram Sequence Melihat Detail Rata-Rata Data Setiap

Kategori

70

f) Diagram Sequence Melihat Grafik Presentase Anggota Setiap Klaster

Gambar 3.21 Diagram Sequence Melihat Grafik Presentase Anggota

Setiap Klaster

g) Diagram Sequence Melihat Grafik Presentase Prodi

Gambar 3.22 Diagram Sequence Melihat Grafik Presentase Prodi

71

h) Diagram Sequence Menyimpan Hasil Pengelompokan

Gambar 3.23 Diagram Sequence Menyimpan Hasil Pengelompokan

i) Diagram Sequence Mengurutkan Klaster Berdasarkan Centroid

Pengguna

Klik tombol proses

<<User Interface>>Pengelompokan

Centroid

getDataCluster ( )getCentroid()

Cluster

Centroid klasterData cluster

<<Controler>>Pengelompokan

bubleSortCentroidKlaster ( )

setCluster ( )

Klaster yang sudah siurutkan

Gambar 3.24 Diagram Sequence Mengurutkan Klaster Berdasarkan Centroid

72

j) Diagram Sequence Mengurutkan Data Dalam Klaster

Pengguna

Pilih urut berdasarkan

<<User Interface>>DetailDataSetiapKlaster

Cluster<<Controler>>Detail Data Setiap Klaster

bubleSortCentroidData( )

bubleSortCentroidData( )

else

Centroid is true?opt

setDataCluster()

Data klaster yang sudah terurut

getDataCluster()

Gambar 3.25 Diagram Sequence Mengurutkan Data Dalam Klaster

3.4 Desain Antar Muka Pengguna

3.4.1 Desain Tampilan Utama

Gambar 3.24 merupakan gambaran antar muka pengguna menu utama

sistem. Bagian Menu memiliki submenu seperti pada gambar 3.25. Submenu

pengelompokan merupakan link yang menuju ke jendela yang dipakai untuk

memulai pengelompokan data yaitu pada gambar 3.26. Submenu petunjuk

penggunaan sistem merupakan submenu untuk membuka jendela bantuan seperti

pada gambar 3.30.

73

Gambar 3.26 Desain Antar Muka Menu utama

Petunjuk Penggunaan Sistem

Menu

Pengelompokan

Gambar : 3.27 Desain Antar Muka Submenu

3.4.2 Desain Pengelompokan Data

Gambar 3.28 merupakan gambaran antar muka pengguna pengelompokan

data. Untuk mengelompokkan data, pengguna harus memilih file data dalam

bentuk excel(xls) yang akan dikelompokkan. Jika pengguna telah memilih file

data, maka data dalam file xls yang dipilih akan di tampilkan pada tabel di

bawahnya secara otomatis.

Untuk memulai pengelompokan, pengguna harus menginputkan jumlah klaster

yang dikehendaki. Jumlah klaster yang dikehendaki di inputkan pada field

dibawah tombol pemilihan file data. Jika pengguna ingin memakai nilai SSE,

74

penguna dapat melakukan klik pada checkbox yang ada disamping tombol

pemilihan file. Jika checkbox sudah diklik maka field nilai SSE yang sebelumnya

diset disable akan muncul, dan pengguna dapat memasukkan nilai SSE yang

dikehendaki. Untuk mengelompokkan data dilakukan dengan melakukan klik

pada tombol proses. Hasil pengelompokkan data di tunjukkan pada gambar 3.25.

Gambar 3.28 Desain Antar Muka Pengelompokan Data

3.4.3 Desain Hasil Pengelompokan Data

Gambar 3.29 merupakan gambaran antar muka pengguna hasil

pengelompokan data. Pada jendela ini, ditampilkan jumlah klaster, jumlah data,

nilai SSE yang dicapai, validasi hasil pengelompokan dan jumlah iterasi yang

dilakukan sistem. Hasil pengelompokan ditampilkan pada tabel. Untuk melihat

75

data setiap klaster secara detail, dapat dilakukan dengan cara mengklik baris pada

klaster yang dikehendaki sehingga akan muncul jendela seperti pada gambar 3.31.

Tombol grafik digunakan untuk melihat persentase anggota dalam klaster seperti

pada gambar 3.30.

Gambar 3.29 Desain Antar Muka Hasil Pengelompokan Data

3.4.4 Desain Antar Muka Pie Chart Persentase Klaster

Gambar 3.30 merupakan gambar pie chart persentase klaster. Antar muka

pie chart persentase klaster diambil dari website

http://bayusenoadji.com/en/programming-java/34-java/49-membuat-pie-chart-

dan-bar-chart-dengan-jfreechart.

76

Tinggi40 (50%)

Sangat Tinggi20 (25%)

Cukup20 (25%)

Grafik Klastering Keseluruhan

Gambar 3.30 Desain Antar Muka Pie Chart Persentase Klaster

3.4.5 Desain Detail Anggota Setiap Klaster

Gambar 3.31 merupakan gambaran antar muka pengguna hasil

pengelompokan data setiap klaster. Data yang ditampilkan merupakan identitas

data yang mencakup fakultas, nama prodi, kode dosen, nama dosen, nama

matakuliah, rata-rata data dan label setiap data. Tombol grafik untuk melihat

persentase tiap prodi yang termasuk dalam klaster tersebut, seperti pada gambar

3.32. Tombol Kembali untuk kembali jendela hasil pengelompokan semua data,

tombol sebelumnya untuk menuju ke klaster sebelumnya dan tombol seterusnya

untuk menuju ke klaster selanjutnya. Untuk melihat semua nilai jawaban

responden setiap pertanyaan yang termuat dalam kuesioner dapat dilakukan

dengan melakukan klik pada baris data, sehingga akan muncul jendela seperti

pada gambar 3.33.

77

Gambar 3.31 Desain Antar Muka Hasil Pengelompokan Data Setiap Klaster

3.4.6 Desain Antar Muka Pie Chart Persentase Prodi Setiap Klaster

Gambar 3.32 merupakan gambar pie chart persentase prodi dalam klaster.

Antar muka pie chart persentase prodi dalam klaster diambil dari website



Teknik Informatika40 (50%)

Fisika20 (25%)

Matematika20 (25%)

Grafik Klaster Tinggi

Gambar 3.32 Desain Antar Muka Pie Chart Persentase Prodi Setiap Klaster

78

3.4.7 Desain Antar Muka Detail Data Hasil Evaluasi Setiap Data

Gambar 3.33 merupakan desain antar muka untuk tampilan detail nilai

hasil evaluasi setiap pertanyaan yang termuat dalam kuesioner. Field input nomor

awal dan nomor akhir kategori merupakan field untuk memasukkan nomor

dimulai dan nomor teraakhir pertanyaan untuk setiap kategori. Setelah pengguna

memasukkan nomor awal dan akhir pertanyaan semua ktegori, maka nilai rata-rata

setiap kategori akan ditampilkan di area kiri bawah. Tombol kuesioner berfungsi

untuk melihat pertanyaan yang termuat dalam kuesioner. Tombol kembali untuk

kembali ke antar muka Detail Anggota Setiap Klaster seperti pada gambar 3.31.

Pengelompokan Data Evaluasi Pembelajaran FSTUniversitas Sanata Dharma

kuesioner Kembali

OK

No pertanyaan NilaiMasukkan nomor pertanyaan kategori :

No awal :

No akhir :

Rata-Rata Data Setiap Kategori :

Menu

Gambar 3.33 Desain Antar Muka Detail Data Hasil Evaluasi Setiap Data

3.4.8 Desain Petunjuk Penggunaan

Gambar 3.34 merupakan antar muka pengguna menu bantuan penggunaan

sistem.

79

Gambar 3.34 Desain Antar Muka Bantuan Petunjuk Penggunaan

80

Bab IV

IMPLEMENTASI

Bab IV mengurai tentang implementasi sistem pengelompokan data hasil

evaluasi P3MP. Uraian mencakup antar muka sistem dan algoritma

pengelompokan.

4.1 Implementasi Antar Muka pengguna

4.1.1 Antar Muka Menu Utama

Gambar 4.1 Antar Muka Menu Utama

Gambar 4.1 merupakan halaman utama sistem pengelompokan data hasil

evaluasi P3MP. Di bagian menu tedapat dua submenu. Submenu yang pertama

adalah pengelompokan yang berguna untuk membuka jendela input data seperti

pada gambar 4.2. Submenu yang kedua adalah petunjuk penggunaan yang berguna

81

untuk membuka jendela bantuan tata cara memakai sistem pengelompokan data

hasil evaluasi.

4.1.2 Antar Muka Pemilihan File Data

Gambar 4.2 Antar Muka Input Data

Gambar 4.3 Antar Pemilihan Pertanyaan Pengelompokan

82

Gambar 4.2 merupakan antar muka pemilihan file data. Antar muka pemilihan file

data berfungsi untuk memilih file data yang bertipe xls yang akan dikelompokkan.

Di bawah tombol pemilihan data terdapat field input nilai SSE yang dapat

digunakan pengguna untuk memasukkan nilai SSE yang dikehendaki. Sebelum

pengguna memilih file data, tombol proses diset enable. Tombol proses akan di

set disable jika pengguna telah memilih file data. Data yang dipilih pengguna

ditampilkan otomatis pada table output. Jika tombol proses diklik maka sistem

akan mulai melakukan pengelompokan data. Hasil pengelompokan data

ditampilkan dalam antar muka Pengelompokan. Gambar 4.3 merupakan gambar

antar muka pemilihan pertanyaan dalam kuesioner yang akan dikelompokkan.

4.1.3 Antar Muka Pengelompokan

Gambar 4.4 Antar Muka Hasil Pengelompokan

83

Gambar 4.5 Antar Muka Pie Chart Persentase Anggota Klaster

Antar muka hasil pengelompokan berfungsi untuk menampilkan hasil

pengelompokan data, yang mencakup jumlah anggota tiap klaster, centroid

klaster, label klaster, jumlah klaster, jumlah iterasi yang dilakukan sistem, jumlah

data, validasi program dan nilai SSE jika pengguna menghendaki pemakaian nilai

SSE. Tombol grafik digunakan untuk melihat grafik jumlah anggota tiap klaster.

Antar muka pie chart persentase anggota klaster diambil dari website


dan-bar-chart-dengan-jfreechart. Untuk melihat detail anggota setiap klaster dapat

dilakukan dengan mengklik klaster pada tabel, yang kemudian detail anggota

klaster ditampilkan dalam antar muka DetailDataSetiapKlaster.

84

4.1.4 Antar Muka Detail Data Setiap Klaster

Gambar 4.6 Antar Muka Detail Anggota Setiap Klaster

Gambar 4.7 Antar Muka Pie Chart Persentase Prodi Setiap Klaster

85

Antar muka detail data setiap klaster menampilkan detail anggota setiap klaster.

Informasi yang ditampilkan mencakup urutan klaster, jumlah anggota klaster yang

ditampilkan, centroid klaster, label klaster, fakultas, prodi, kode dosen, nama

dosen, nama matakuliah, rata setiap data dan label setiap data. Antar muka hasil

pengelompokan juga menyediakan fasilitas jika pengguna hendak mengurutkan

data berdasarkan prodi atau centroid, dimana default sistem data diurutkan

berdasarkan centroid. Tombol grafik berfungsi untuk melihat grafik persentase

setiap klaster berdasarkan prodi. Antar muka pie chart persentase jumlah prodi

setiap klaster diambil dari website http://bayusenoadji.com/en/programming-

java/34-java/49-membuat-pie-chart-dan-bar-chart-dengan-jfreechart.Tombol

kembali untuk kembali ke antar muka pengelompokan, tombol previous untuk

menampilkan klaster urutan sebelumnya dan tombol next berfungsi untuk

menampilkan klaster berikutnya. Untuk melihat nilai jawaban setiap pertanyaan

kuesiner dapat dilakukan dengan melakukan klik pada tabel data. Nilai rata-rata

jawaban untuk setiap pertanyaan yang termuat dalam kuesioner ditampilkan

dalam antar muka detail setiap data.

86

4.1.5 Antar Muka Detail Hasil Evaluasi Setiap Data

Gambar 4.8 Antar Muka Lihat Detail Hasil Evaluasi Setiap Data

Gambar 4.9 Antar Muka Input Dialog Jumlah Kategori

87

Gambar 4.10 Antar Muka Lihat Rata Data setiap Kategori

Antar muka detail hasil evaluasi setiap data berfungsi untuk menampilkan

nilai jawaban rata-rata responden untuk setiap pertanyaan yang termuat dalam

kuesioner. Di antar muka detail setiap data terdapat fasilitas melihat rata-rata

setiap kategori. Untuk melihat rata-rata setiap katergori dapat dilakukan dengan

cara mengklik tombol kategori. Jika tombol kategori diklik maka user diminta

untuk memasukan jumlah kategori yang dikehendaki. Kemudian memasukkan

nomor awal pertanyaan dan nomor berakhirnya pertanyaan untuk setiap kategori.

Di antar muka detail setiap data juga terdapat fasilitas untuk melihat pertanyaan

kuesioner dengan cara melakukan klik pada tombol pertanyaan.

88

4.1.6 Antar Muka Bantuan

Gambar 4.11 Antar Muka Petunjuk Pemakaian Program

Gambar 4.10 merupakan halaman petunjuk pemakaian sistem

pengelompokan data hasil evaluasi P3MP. Dalam halaman tersebut terdapat

langkah-langkah yang harus dilakukan untuk mengelompokkan data hasil

evaluasi.

4.2 Program Sistem Pengelompokan Data Hasil Evaluasi Pembelajaran

4.2.1 Membaca Data dari File xls

try {

int jumlahDataPakai = 0;

for (int i = 0; i < value.length; i++) {

if (value[i] == true) {

jumlahDataPakai++;

89

}

}

System.out.println("jumlahDataPakai " + jumlahDataPakai);

Workbook workbook = Workbook.getWorkbook(file);

Sheet sheet = workbook.getSheet(0);

int banyakKolom = sheet.getColumns();

int banyakBaris = sheet.getRows();

if (banyakKolom <= 23) {

String[][] dataTabel = new String[banyakBaris - 1][banyakKolom];

String[] kolom = new String[banyakKolom];

String fakultas = "";

String nip = "";

String namaDosen = "";

String namaProdi = "";

String mtk = "";

for (int i = 1; i < banyakBaris; i++) {

int indeks = 0;

setDataEvaluasi(new double[jumlahDataPakai]);

for (int j = 0; j < banyakKolom; j++) {

Cell cell = sheet.getCell(j, i);

dataTabel[i - 1][j] = cell.getContents();

if (j == 0) {

namaProdi = dataTabel[i - 1][0];

} else if (j == 1) {

nip = dataTabel[i - 1][1];

} else if (j == 2) {

namaDosen = dataTabel[i - 1][2];

} else if (j == 3) {

mtk = dataTabel[i - 1][3];

} else if (j == 4) {

fakultas = dataTabel[i - 1][4];

90

}

if (j >= 5) {

if ((value[j - 5] == true)) {

NumberCell numberCell = (NumberCell) cell;

double angka = Double.valueOf(numberCell.getValue()).doubleValue();

getDataEvaluasi()[indeks] = angka;

indeks++;

}

}

}

getDataPoints().add(new HasilEvaluasi(fakultas, namaProdi, nip,

}

}

if (banyakKolom > 23) {

String[][] dataTabel = new String[banyakBaris - 1][banyakKolom];

String[] kolom = new String[banyakKolom];

String fakultas = "";

String nip = "";

String namaDosen = "";

String namaProdi = "";

String mtk = "";

for (int i = 1; i < banyakBaris; i++) {

String[][] atributLain = new String[banyakKolom - 22][2];

int indeks = 0;

setDataEvaluasi(new double[jumlahDataPakai]);

for (int j = 0; j < banyakKolom; j++) {

Cell cell = sheet.getCell(j, i);

dataTabel[i - 1][j] = cell.getContents();

if (j == 0) {

namaProdi = dataTabel[i - 1][0];

91

} else if (j == 1) {

nip = dataTabel[i - 1][1];

} else if (j == 2) {

namaDosen = dataTabel[i - 1][2];

} else if (j == 3) {

mtk = dataTabel[i - 1][3];

} else if (j == 4) {

fakultas = dataTabel[i - 1][4];

}

if (j >= 5 && j <= 22) {

if ((value[j - 5] == true)) {

NumberCell numberCell = (NumberCell) cell;

double angka =Double.valueOf(numberCell.getValue()).doubleValue();

getDataEvaluasi()[indeks] = angka;

indeks++;

}

}

if (j >= 23) {

cell = sheet.getCell(j , 0);

atributLain[j - 23][0] = cell.getContents();

atributLain[j - 23][1] = dataTabel[i - 1][j];

}

}

getDataPoints().add(new HasilEvaluasi(fakultas, namaProdi, nip, namaDosen, mtk, dataEvaluasi, atributLain));

dataSetelahDibersihkan.setText("" + getDataPoints().size());

}

}

} catch (Exception e) {

JOptionPane.showMessageDialog(null, "Format Kolom Data Tidak Sesuai");

tombolProses.setEnabled(false);

92

tabelData.setEnabled(false);

}

Input sistem adalah file yang bertipe excel(xls) yang dipilih pengguna. Semua

data yang ada dalam file di jadikan obyek yang bertipe HasilEvaluasi dan

disimpan dalam tipe data vector. Data yang disimpan meliputi fakultas, NIP, nama

dosen, prodi, nama matakuliah dan data hasil evaluasi yang disimpan dalam array

dataEvaluasi.

pengelompokan.pengelompokanData(getDataPoints(),

getJumlahKlaster(), getSse(), getDataEvaluasi().length);

Data yang disimpan dalam data vector dikirim ke kelas pengelompokan untuk

dikelompokkan bersama dengan jumlah klaster masukan pengguna, nilai SSE dan

jumlah pertanyaan di kuesioner.

4.2.2 Membuat Klaster

setCluster(new Cluster[getJumlahKlaster()]);

for(int i = 0; i < getJumlahKlaster(); i++) {

getCluster()[i] = new Cluster("Cluster" + i);

}

Klaster dibuat sebanyak jumlah klaster yang di kehendaki pengguna. Nama

klaster menjadi parameter saat penciptaan klaster. Jumlah klaster yang

dikehendaki pengguna dapat lebih dari satu sehingga menggunakan tipe data

array[].

93

4.2.3 Mendeklarasikan Centroid Awal

public void declareCentroid() {

int arrayElemen[] = new int[getJumlahKlaster()];

for (int jKlaster = 0; jKlaster < getJumlahKlaster(); jKlaster++) {

double centroid[] = new double[getJumlahAtribut()];

int statusPakai = 0;

int elemen = (int) Math.floor(Math.random() * getDataEvaluasi().size());

arrayElemen[jKlaster] = elemen;

System.out.println("jumlah atribut " + getJumlahAtribut());

for (int i = 0; i < getJumlahAtribut(); i++) {

centroid[i] = ((HasilEvaluasi) getDataEvaluasi().

elementAt(elemen)).getDataEvaluasi(i);

}

if (jKlaster != 0) {

for (int i = 0; i < jKlaster; i++) {

if (elemen == arrayElemen[i]) {

statusPakai++;

}

}

}

if (statusPakai == 0) {

Centroid cRt = new Centroid(centroid);

getCluster()[jKlaster].setCentroid(cRt);

cRt.setCluster(getCluster()[jKlaster]);

} else {

jKlaster--;

}

}

94

}

Jumlah pusat klaster yang dibuat sama dengan banyak klaster. Pusat klaster awal

diambil dari data secara random. Data yang akan dijadikan pusat klaster terlebih

dulu dicek sudah menjadi pusat klaster dikelas lain atau belum. Jika sudah

menjadi pusat klaster di klaster lain, maka sistem akan memilih data lain untuk

menjadi pusat klaster. Sehingga jika sebuah data sudah menjadi pusat klaster

disalah satu klaster maka tidak akan menjadi pusat klaster diklaster lain.

4.2.4 Menghitung Jarak Euclidean Setiap Data dengan Setiap Centroid

public void euclidean() {

setEuclidean(new double[getDataEvaluasi().size()][getJumlahKlaster()]);

double jarak;

for (int i = 0; i < getDataEvaluasi().size(); i++) {

for (int j = 0; j < getJumlahKlaster(); j++) {

jarak = 0;

for (int k = 0; k < getBanyakPertanyaan(); k++) {

jarak = jarak + Math.pow((((HasilEvaluasi) getDataEvaluasi().elementAt(i)).getDataEvaluasi(k)) –

getCluster()[j].getCentroid().getCentroid(k), 2);

}

jarak = Math.sqrt(jarak);

getEuclidean()[i][j] = jarak;

}

}

}

95

Jarak Euclidean setiap data dengan setiap pusat klaster disimpan dalam array

Euclidean[][]. Banyak baris array euclidean merupakan banyak data dan banyak

kolom merupakan banyak klaster(centroid). Sebagai contoh baris pertama kolom

pertama merupakan jarak data pertama dengan centroid pertama. Baris pertama

kolom kedua merupakan jarak data pertama dengan pusat klaster kedua dan

seterusnya.

4.2.5 Mengelompokkan Data

public void pindahData() {

for (int k = 0; k < getJumlahKlaster(); k++) {

getCluster()[k].setDataCluster(new Vector());

}

double temp, bantu;

int kelompok = 0;

for (int i = 0; i < getDataEvaluasi().size(); i++) {

for (int j = 0; j < getJumlahKlaster(); j++) {

temp = getEuclidean()[i][kelompok];

bantu = getEuclidean()[i][j];

if (bantu < temp) {

kelompok = j;

}

}

getCluster()[kelompok].getDataCluster().addElement((HasilEvaluasi) getDataEvaluasi().elementAt(i));

}

}

96

Pengelompokan data didasarkan pada jarak terkecil antara data dengan setiap

pusat klaster. Untuk mengecek jarak setiap data dengan setiap pusat klaster

digunakan perulangan for. Jarak terkecil didapatkan dari pertukaran.

4.2.6 Menghitung Centroid

4.2.6.1 Menghitung Centroid Tanpa SSE

public int hitungCentroid() {

setStatus(-1);

int centroidSama = 0;

int atributCentroidSama = 0;

for (int i = 0; i < getJumlahKlaster(); i++) {

double nilaiCentroid[] = new double[getBanyakPertanyaan()];

atributCentroidSama = 0;

for (int j = 0; j < getBanyakPertanyaan(); j++) {

double nilaiAtributCentroid = 0;

for (int k = 0; k <

getCluster()[i].getDataCluster().size(); k++) {

nilaiAtributCentroid = nilaiAtributCentroid + ((HasilEvaluasi) getCluster()[i].getDataCluster().elementAt(k)).getDataEvaluasi(j);

}

nilaiAtributCentroid = nilaiAtributCentroid /

(getCluster()[i].getDataCluster().size());

nilaiCentroid[j] = nilaiAtributCentroid;

}

for (int c = 0; c < getBanyakPertanyaan(); c++) {

if (nilaiCentroid[c] ==

getCluster()[i].getCentroid().getCentroid(c)) {

atributCentroidSama++;

}

}

97

if (atributCentroidSama == getBanyakPertanyaan()) {

centroidSama++;

}

Centroid c1 = new Centroid(nilaiCentroid);

getCluster()[i].setCentroid(c1);

c1.setCluster(getCluster()[i]);

}

if (centroidSama == getJumlahKlaster()) {

setStatus(1);

}

return getStatus();

}

Untuk menghitung pusat klaster setiap klaster digunakan perulangan for. Setiap

titik nilai yang dimiliki setiap data untuk setiap klaster ditambahkan kemudian

dibagi dengan banyak data diklaster tersebut. Proses perhitungan rata-rata klaster

untuk setiap titik nilai data akan terus dilakukan sampai semua titik yang dimiliki

setiap data disetiap klaster terhitung. Untuk mengetahui masih tidaknya terjadi

perubahan nilai centroid disetiap klaster, dilakukan pengecekan variabel status.

Jika tidak terjadi perubahan centroid disetiap klaster nilai status adalah 1 dan

iterasi pengelompokan selesai. Jika terjadi perubahan pusat klaster disetiap klaster

nilai status adalah -1 dan sistem akan melakukan iterasi pengelompokan lagi.

4.2.6.2 Menghitung Centroid Beserta SSE

public int hitungCentroidSSE(double sse) {

setStatus(-1);

setJumlahSse(0);


98

double nilaiCentroid[] = new double[getBanyakPertanyaan()];


double nilaiAtributCentroid = 0;

for (int k = 0; k < getCluster()[i].getDataCluster().size(); k++) {

nilaiAtributCentroid = nilaiAtributCentroid + ((HasilEvaluasi) getCluster()[i].getDataCluster().elementAt(k)).getDataEvaluasi(j);

}

nilaiAtributCentroid = nilaiAtributCentroid / (getCluster()[i].getDataCluster().size());

nilaiCentroid[j] = nilaiAtributCentroid;

}

Centroid c1 = new Centroid(nilaiCentroid);

getCluster()[i].setCentroid(c1);

c1.setCluster(getCluster()[i]);

}


for (int j = 0; j < getCluster()[i].getDataCluster().size(); j++) {


setJumlahSse( getJumlahSse() + Math.pow(((HasilEvaluasi) (getCluster()[i].getDataCluster().elementAt(j))).getDataEvaluasi(k) - cluster[i].getCentroid().getCentroid(k), 2));

}

}

}

if (getJumlahSse() <= sse || getJumlahSse() == getSseKontrol()) {

setStatus(1);

}

setSseKontrol(getJumlahSse());

return getStatus();

}

99

Untuk menghitung centroid setiap klaster digunakan perulangan for. Setiap titik

nilai yang dimiliki setiap data untuk setiap klaster ditambahkan kemudian dibagi

dengan banyak data diklaster tersebut. Proses perhitungan rata-rata klaster untuk

setiap titik nilai akan terus dilakukan sampai semua titik yang dimiliki setiap data

disetiap klaster terhitung. Nilai SSE merupakan jumlah kuadrat selisih setiap data

terhadap centroid klaster dalam semua klaster. Jika tidak terjadi perubahan nilai

SSE nilai status adalah 1 dan iterasi pengelompokan selesai. Jika terjadi

perubahan nilai SSE maka nilai status adalah -1 dan sistem akan melakukan iterasi

pengelompokan lagi. Variabel sseKontrol adalah variabel untuk mengontrol

iterasi, dimana sseKontrol adalah nilai SSE sebelumnya. Meskipun nilai SSE yang

dihasilkan tidak lebih kecil dari SSE yang dikehendaki pengguna, tetapi iterasi

akan berhenti jika sseKontrol sama dengan SSE yang dihasilkan. Jika sseKontrol

sama dengan SSE yang dihasilkan berarti bahwa nilai SSE yang dihasilkan sudah

minimum dan tidak akan menghasilkan nilai SSE yang lebih kecil.

4.2.7 Pemberian Label Klaster

public void label() {

double rataData = 0;

double jumlahDataKlaster = 0;

double rataKlaster = 0;


jumlahDataKlaster = 0;

rataKlaster = 0;


rataData = 0;


rataData = rataData + (((HasilEvaluasi)

100

(getCluster()[i].getDataCluster().elementAt(j))).getDataEvaluasi(k));

}

rataData = rataData / getBanyakPertanyaan();

jumlahDataKlaster = jumlahDataKlaster + rataData;

}

rataKlaster = jumlahDataKlaster / getCluster()[i].getDataCluster().size();

if (rataKlaster >= 5.6) {

getCluster()[i].setLabel("Sangat Tinggi");

} else if (rataKlaster >= 4.9 && rataKlaster < 5.6) {

getCluster()[i].setLabel("Tinggi");


getCluster()[i].setLabel("Cukup");


getCluster()[i].setLabel("Rendah");

} else if (rataKlaster < 3.22) {

getCluster()[i].setLabel("Sangat Rendah");

}

}

}

Pemberian label klaster didasarkan pada rata-rata data disetiap klaster. Rata setiap

data merupakan nilai setiap titik yang dimiliki setiap data ditambahkan kemudian

dibagi dengan banyaknya titik yang dimiliki data. Perhitungan rata-rata setiap data

diberlakukan untuk semua data disetiap klaster. Rata-rata klaster merupakan hasil

penjumlahan rata-rata setiap data diberlakukan untuk semua data disetiap klaster

dibagi dengan banyaknya data diklaster tersebut. Rata-rata klaster digunakan

untuk menentukan label klaster.

101

4.2.8 Validasi Hasil Pengelompokan

public void validasi() {

String labelData = "";

int valid = 0;

double rataData = 0;



rataData = 0;


rataData = rataData + (((HasilEvaluasi) (getCluster()[i].getDataCluster().elementAt(j))).getDataEvaluasi(k));

}

rataData = rataData / getBanyakPertanyaan();

System.out.println("Rata Data " + rataData);

if (rataData >= 5.6) {

labelData = "Sangat Tinggi";

} else if (rataData >= 4.9 && rataData < 5.6) {

labelData = "Tinggi";


labelData = "Cukup";


labelData = "Rendah";

} else if (rataData < 3.22) {

labelData = "Sangat Rendah";

}

if (labelData.compareTo(getCluster()[i].getLabel()) == 0) {

valid++;

}

}

}

102

setValidasi(valid * 100 / getDataEvaluasi().size());

}

Validasi hasil pengelompokan merupakan persentase kebenaran label antara label

setiap data dengan label klaster yang menjadi kelompoknya. Untuk mendapatkan

nilai validasi dicari label setiap data terlebih dahulu. Pemberian label data

didasarkan pada rata-rata setiap data. Jika label data sama dengan label klaster

yang menjadi kelompoknya maka valid. Jika label data tidak sama dengan label

klaster yang menjadi kelompoknya maka tidak valid. Validasi adalah hasil

perhitungan (nilai valid/banyak data)/100.

4.2.9 Pengurutan Data di Setiap Klaster

public void bubleSortCentroidKlaster() {

Cluster temp;

for (int i = 1; i < getCluster().length; i++) {

double rataCentroid1 = 0;

double rataCentroid2 = 0;

for (int j = 0; j < getCluster().length - i; j++) {

for (int k = 0; k < getCluster()[j].getCentroid().getCentroid().length; k++) {

rataCentroid1 = rataCentroid1 + getCluster()[j].getCentroid().getCentroid(k);

}

rataCentroid1 = rataCentroid1 / getCluster()[j].getCentroid().getCentroid().length;

for (int k = 0; k < getCluster()[j + 1].getCentroid().getCentroid().length; k++) {

rataCentroid2 = rataCentroid2 + getCluster()[j + 1].getCentroid().getCentroid(k);

}

rataCentroid2 = rataCentroid2 / getCluster()[j +

103

1].getCentroid().getCentroid().length;

if (rataCentroid1 < rataCentroid2) {

temp = getCluster()[j];

getCluster()[j] = getCluster()[j + 1];

getCluster()[j + 1] = temp;

}

}

}

}

Pengurutan data untuk setiap klaster dapat berdasarkan centroid atau prodi.

Pengurutan data dilakukan menggunakan metode buble sort. Data dalam klaster

dicek beberapa kali. Jika data tidak lebih kecil dari elemen berikutnya, maka

dilakukan pertukaran data. Perukaran antar data terus dilakukan sampai data

terurut atau sampai semua data sudah dilakukan pengecekan.

4.2.10 Menampilkan Grafik

public void tampilGrafik() {

String[] nama = new String[getCluster().length];

double[] nilai = new double[getCluster().length];

for (int i = 0; i < nama.length; i++) {

nilai[i] = getCluster()[i].getDataCluster().size();

double persen = (nilai[i] / pengelompokan.getJmlhData()) * 100;

Double angkaBulat = new Double(persen);

BigDecimal bigDecimal = new BigDecimal(angkaBulat.toString());

BigDecimal hasilBulat = bigDecimal.setScale(2, BigDecimal.ROUND_HALF_UP);

nama[i] = getCluster()[i].getLabel() + " \n" + getCluster()[i].getDataCluster().size() + " (" + hasilBulat + "%)";

104

}

pieChart a = new pieChart();

a.tampil(nilai, nama, "Grafik Klastering Keseluruhan");

}

Untuk membuat grafik yang diperlukan adalah nama variabel dan nilai variabel.

Sebagai contoh grafik yang akan dibuat adalah grafik persentase anggota klaster.

Nama variabel adalah nama klaster atau label klaster, dan nilai variabel adalah

banyak anggota setiap klaster. nama variabel, nilai variabel dan judul klaster

dikirim ke kelas pieChart untuk dibuat visualnya.

DefaultPieDataset data=new DefaultPieDataset();

for (int i = 0; i < n.length; i++) {

data.setValue(n[i], v[i]);

}

JFreeChart chart = ChartFactory.createPieChart(t,data,true,true,false);

ChartFrame frame=new ChartFrame("Grafik Klastering Data P3MP",chart);

frame.setSize(650,400);

frame.setVisible(true);

Untuk menampilkan pie chart sebagai output dimulai dengan membentuk obyek

bertipe DefaultPieDataset. Obyek yang bertipe DefaultPieDataset dilakukan

setValue nama variabel dan nilai variabel. Obyek yang telah dilakukan setValue

menjadi parameter pembentukan variabel chart yang bertipe JFreeChart. Variabel

chart menjadi paratameter saat pembentukan obyek frame yang bertipe

ChartFrame, kemudian ukuran frame diatur dan ditampilkan sebagai output.

Program untuk membuat diambil dari website

105



4.2.11 Menghitung Rata-Rata Kategori Setiap Data

int nilaiAwal = Integer.parseInt(noAwal.getText());

int nilaiAkhir = Integer.parseInt(noAkhir.getText());

getKategori()[inc][0] = nilaiAwal;

getKategori()[inc][1] = nilaiAkhir;

Untuk menghitung rata-rata data setiap kategori harus diketahui terlebih dulu

data-data pertanyaan yang termuat dalam setiap kategori. Untuk menyimpan

nomor-nomor pertanyaan setiap kategori digunakan array dua dimensi

kategori[][]. Jumlah baris adalah jumlah kategori dan jumlah kolom adalah 2.

Kolom pertama merupakan kolom untuk menyimpan nomor dimulai kategori

tertentu, dan kolom kedua merupakan kolom untuk menyimpan nomor

berakhirnya kategori.

public void tampilRataKategori() {

areaKategori.setText("");

for (int i = 0; i < getJumKategori(); i++) {

double rataKategori = 0;

for (int j = getKategori()[i][0]; j <= getKategori()[i][1]; j++) {

rataKategori = rataKategori + ((HasilEvaluasi) cluster[getNoKlaster()].getDataCluster().elementAt(getNoData())).getDataEvaluasi(j - 1);

}

rataKategori = rataKategori / (getKategori()[i][1] -getKategori()[i][0] + 1);

areaKategori.append("Kategori " + (i + 1) + " = " + rataKategori + "\n");

106

}

DetailHasilEvaluasiSetiapData obyek = new DetailHasilEvaluasiSetiapData(getJumKategori(),getKategori(),getNoData());

this.detailSetiapData = obyek;

tombolKategori.setEnabled(true);

}

Rata-rata setiap kategori didapatkan dengan perhitungan dalam perulangan for.

Semua data hasil evaluasi untuk setiap kategori dijumlahkan dan dibagi dengan

banyak pertanyaan termuat dalam kategori tersebut. Proses perhitungan tersebut

berlaku untuk semua kategori.

4.2.12 Menyimpan Data Hasil Pengelompokan

FileWriter out = new FileWriter("klaster" + (h + 1) + "_" + cluster[h].getLabel() + ".xls");

out.write("Fakultas\t");

out.write("Nama Prodi\t");

out.write("NIP\t");

out.write("Nama Dosen\t");

out.write("Nama MataKuliah\t");

for (int i = 0; i < getBanyakPertanyaan(); i++) {

out.write("Rata " + (i + 1) + " \t");

}

if(((HasilEvaluasi) cluster[0].getDataCluster().elementAt(0)).getAtributLain() != null) {

int indeks = 0;

String[][] banyakAtributLain = ((HasilEvaluasi) cluster[0].getDataCluster().elementAt(0)).getAtributLain();

while (banyakAtributLain[indeks][0] != null) {

out.write(banyakAtributLain[indeks][0]+"\t");

107

indeks++;

}

}

out.write("\n");

for (int i = 0; i < cluster[h].getDataCluster().size(); i++) {

out.write(((HasilEvaluasi) cluster[h].getDataCluster().elementAt(i)).getFakultas() + "\t");

out.write(((HasilEvaluasi) cluster[h].getDataCluster().elementAt(i)).getProdi() + "\t");

out.write(((HasilEvaluasi) cluster[h].getDataCluster().elementAt(i)).getNip() + "\t");

out.write(((HasilEvaluasi) cluster[h].getDataCluster().elementAt(i)).getDosen() + "\t");

out.write(((HasilEvaluasi) cluster[h].getDataCluster().elementAt(i)).getMataKuliah() + "\t");


out.write(String.valueOf((((HasilEvaluasi) (cluster[h].getDataCluster().elementAt(i))).getDataEvaluasi(j))) + "\t");

}

if (((HasilEvaluasi) cluster[h].getDataCluster().elementAt(i)).getAtributLain() != null) {

int indeks = 0;

String[][] banyakAtributLain = ((HasilEvaluasi) cluster[h].getDataCluster().elementAt(i)).getAtributLain();

while (banyakAtributLain[indeks][0] != null) {out.write(banyakAtributLain[indeks][1]+"\t");

indeks++;

}

}

out.write("\n");

}

out.close();

108

Data yang telah dikelompokkan disimpan dalam bentuk excel. Data yang

simpan meliputi informasi tentang fakultas, prodi, NIP, nama dosen pengampu,

nama matakuliah, label klaster dan data hasil evaluasi untuk semua pertanyaan

yang termuat dalam kuesioner. File excel disimpan dengan nama

hasilPengelompokan.xls.

4.3 Uji Percobaan

Uji percobaan dilakukan dengan 10 kali pengelompokan dengan data yang

sama yaitu data semester gasal 2008/2009 yang berjumlah 62 record dan data

semester genap 2008/2009 yang diperoleh berjumlah 74 record, sehingga jumlah

semua data adalah 136 record. Pengelompokan dilakukan dengan input klaster

sebanyak 3 dan menggunakan SSE. Pada uji percobaan menggunakan input

klaster sebanyak 3 dikarenakan data yang diuji berdasarkan ketentuan P3MP

terbagi menjadi 3 klaster, yaitu klaster sangat tinggi, tinggi dan cukup.

Tabel 4.1 Hasil Percobaan

Perc

obaa

n ke

-

SSE

Val

idas

i

Itera

si

Labe

l

Rin

ci A

nggo

ta

Cen

troid

kla

ster

Nila

i cen

troid

m

aksi

mal

Nila

i cen

troid

m

inim

al

1

378,

8591

84 5

Sangat Tinggi 31 6.00 6.53 5.71

Tinggi 66 5.42 5.73 5.04

Cukup 39 4.71 5.05 3.93

2

378,

8591

84 8 Sangat Tinggi 31 6.00 6.53 5.71

Tinggi 66 5.42 5.73 5.04

109

Cukup 39 4.70 5.05 3.93

3

379,

0176

86 5

Sangat

Tinggi 32 5.99 6.53 5.71

Tinggi 66 5.40 5.72 5.04

Cukup 38 4.70 5.02 3.93

4

378.

4309

88 7

Sangat

Tinggi 34 5.98 6.53 5.71

Tinggi 65 5.39 5.68 5.02

Cukup 37 4.69 5.01 3.93

5

378.

4309

88 22

Sangat

Tinggi 34 5.98 6.53 5.71

Tinggi 65 5.39 5.68 5.02

Cukup 37 4.69 5.01 3.93

6

378.

4309

88 22

Sangat

Tinggi 34 5.98 6.53 5.71

Tinggi 65 5.39 5.68 5.02

Cukup 37 4.69 5.01 3.93

7

378,

8591

84 9

Sangat

Tinggi 31 6.00 6.53 5.71

Tinggi 66 5.42 5.73 5.04

Cukup 39 4.71 5.05 3.93

8

.85 91 84 5 Sangat 31 6.00 6.53 5.71

110

Tinggi

Tinggi 66 5.42 5.73 5.04

Cukup 39 4.71 5.05 3.93

9

378.

8591

84 10

Sangat

Tinggi 31 6.00 6.53 5.71

Tinggi 66 5.42 5.73 5.04

Cukup 39 4.71 5.05 3.93

10

378.

4309

88 9

Sangat

Tinggi 34 5.98 6.53 5.71

Tinggi 65 5.39 5.68 5.02

Cukup 37 4.69 5.01 3.93

Dari tabel hasil percobaan terlihat ada beberapa percobaan yang

menghasilkan hasil yang sama. Dari 10 kali percobaan menghasilkan 3

kemungkinan hasil pengelompokan. Hasil percobaan 1 sama dengan percobaan 2,

percobaan 7, percobaan 8 dan percobaan 9. Hasil Percobaan 4 sama dengan

percobaan, 5, percobaan 6 dan percobaan 10. Percobaan 3 tidak sama dengan 10

percobaan diatas. Dari 10 percobaan terdapat 5 data dari 136 record yang tidak

konsisten karena berpindah-pindah klaster.

Berdasarkan 10 percobaan yang telah dilakukan, validasi yang dihasilkan

berkisar antara 84% sampai 88%. Dari 10 percobaan yang telah dilakukan diambil

1 hasil yang diamati yaitu percobaan dengan kemungkinan terbesar adalah

percobaan nomor 1. Ada beberapa data yang memiliki label predikat tidak sama

111

dengan label klasternya, misalnya data yang memiliki label predikat sangat tinggi

berada di klaster berlabel tinggi dan data yang memiliki label predikat tinggi

berada di klaster berlabel cukup. Sebagian besar ketidaksesuaian predikat evaluasi

setiap data dengan label klasternya dapat disebabkan karena beberapa faktor,

antara lain :

1. Jumlah predikat data yang memiliki kesamaan dengan predikat centroid

yang menjadi klasternya lebih banyak jika dibandingkan dengan jumlah

predikat data yang memiliki kesamaan dengan centroid klaster yang lain.

Sebagai contoh data dengan NIP 87 memiliki label data tinggi berada di

klaster cukup dikarenakan data NIP 87 memiliki jumlah kesamaan

predikat dengan centroid klaster cukup lebih banyak jika dibandingkan

dengan jumlah kesamaan predikat data terhadap centroid klaster tinggi.

Data dengan NIP 87 terhadap centroid klaster tinggi memiliki kesamaan 7

predikat, sedangkan terhadap centroid klaster cukup memiliki jumlah

kesamaan predikat sebanyak 12 predikat.

Tabel 4.2 Analisis Predikat Data NIP 87

No Centroid

Cukup Tanda NIP 87 Tanda

Centroid

Tinggi

1 Tinggi x Sangat Tinggi √ Sangat Tinggi

2 Cukup x Tinggi x Sangat Tinggi

3 Tinggi √ Tinggi x Sangat Tinggi


5 Cukup x Tinggi √ Tinggi


7 Tinggi x Cukup x Sangat Tinggi

8 Cukup √ Cukup x Tinggi

112

9 Tinggi √ Tinggi √ Tinggi






15 Cukup √ Cukup √ Cukup

16 Cukup √ Cukup √ Cukup



2. Ada beberapa data yang tidak sesuai dengan hasil analisa pada nomor 1.

Terdapat data yang bernaung pada klaster yang memiliki jumlah kesamaan

predikat yang lebih kecil dikarenakan data memiliki beberapa nilai hasil

evaluasi yang memiliki jarak yang jauh terhadap centroid klaster yang

memiliki jumlah kesamaan predikat yang lebih banyak.

Misalnya data dengan NIP 64 memiliki predikat sangat tinggi berada

diklaster tinggi. Data dengan NIP 64 memiliki jumlah kesamaan predikat

yang lebih banyak dengan centroid klaster sangat tinggi, jika dibandingkan

dengan jumlah kesamaan predikat data terhadap centroid klaster tinggi.

Data dengan NIP 64 memiliki kesamaan predikat sebanyak 8 predikat

terhadap centroid klaster tinggi. Sedangkan dengan centroid klaster sangat

tinggi, data dengan NIP 64 memiliki kesamaan predikat sebanyak 10

predikat.

113

Tabel 4.3 Analisis Predikat Data NIP 64

No Centroid Tinggi Tanda Data NIP 64 Tanda Centroid Sangat

Tinggi

1 Sangat Tinggi √ Sangat Tinggi √ Sangat Tinggi













14 Tinggi √ Tinggi √ Tinggi





Meskipun data dengan NIP 64 memiliki jumlah kesamaan predikat terhadap

centroid klaster tinggi yang lebih kecil jika dibandingkan dengan jumlah

kesamaan predikat data terhadap centroid klaster sangat tinggi, tetapi data dengan

NIP 64 termasuk kedalam klaster tinggi. Data dengan NIP 64 memiliki beberapa

nilai hasil evaluasi yang memiliki jarak yang jauh terhadap centroid klaster

sangat tinggi yaitu pada nomor 8, 11 dan 12. Sehingga data dengan NIP 64

114

termasuk dalam klaster tinggi dikarenakan jarak data dengan NIP 64 lebih dekat

ke centroid klaster tinggi dibandingkan dengan centroid klaster sangat tinggi.

Tabel 4.4 Analisis Hasil Evaluasi Data NIP 64

No Centroid Tinggi Jarak Data NIP

64 Jarak

Centroid

Sangat

Tinggi

1 6.053534997 0.37593 6.67 0.002237 6.619373705

2 5.702079293 0.194285 6.14 0.058195 6.384092878

3 5.849146603 0.335733 6.43 0.001393 6.465889603

4 5.914548968 0.431491 6.57 0.042056 6.366352376

5 5.593080851 0.698045 6.43 0.069634 6.16468804

6 5.473736175 0.447723 6.14 0.021567 6.289714422

7 5.734899002 0.070279 6.00 0.011543 6.107439374

8 5.131849343 0.174359 4.71 1.459052 5.922198045

9 5.582866272 0.017271 5.71 0.187139 6.146880909

10 5.691290243 0.203913 6.14 0.025927 6.303875127

11 5.193502587 0.113138 4.86 1.397117 6.039139964

12 5.031068416 0.211269 4.57 1.29257 5.708341049

13 5.25985411 0.206508 5.71 0.0001 5.72142004

14 5.098342045 0.109051 5.43 0.021367 5.574746716

15 4.558511974 0.172769 4.14 0.770409 5.02058659

16 4.674544502 0.373529 5.29 0.020677 5.141918213

17 5.749186557 0.001218 5.71 0.123487 6.065692602

18 5.208142276 0.043323 5.00 0.974426 5.98713017

Jarak 4.179833 6.478847

115

Bab V

KESIMPULAN DAN SARAN

Kesimpulan

Kesimpulan yang diperoleh dari pembahasan yang dilakukan pada bab sebelumnya

adalah sebagai berikut :

1. Algoritma klastering K-Means dapat digunakan untuk mengelompokkan data-data hasil

evaluasi pembelajaran yang dilakukan oleh P3MP Universitas Sanata Dharma.

2. Hasil pengelompokan yang dilakukan P3MP berbeda dengan hasil pengelompokan

menggunakan algoritma klastering K-Means. Pengelompokan yang dilakukan P3MP

berdasarkan label predikat data, sehingga semua anggota dalam suatu klaster memiliki

label predikat yang sama. Sedangkan pengelompokan menggunakan algoritma klastering

K-Means berdasarkan jarak data dengan centroid klaster sehingga dalam suatu klaster

memungkinkan adanya anggota yang memiliki label predikat yang berbeda.

3. Dalam hasil pengelompokan menggunakan algoritma klastering K-Means, terdapat

beberapa data yang memiliki label predikat yang tidak sama dengan label klasternya. Hal

ini disebabkan karena jumlah predikat data yang memiliki kesamaan dengan predikat

centroid yang menjadi klasternya lebih banyak jika dibandingkan dengan kesamaan

predikat data terhadap centroid klaster yang lain. Jika data bernaung pada klaster yang

memiliki jumlah kesamaan predikat yang lebih kecil dikarenakan data memiliki beberapa

nilai hasil evaluasi yang memiliki jarak yang jauh terhadap centroid klaster yang

memiliki jumlah kesamaan predikat yang lebih banyak.

116

Saran

1. Sistem yang dibuat dalam Tugas Akhir ini dapat dikembangkan dengan menambah fungsi

yang dapat memproses input dari berbagai tipe file data seperti database My SQL atau txt.

2. Sistem pengelompokan data hasil evaluasi dapat dikembangkan supaya sistem dapat

menerima input dengan berbagai macam susunan atau urutan kolom data.

3. Hasil pengelompokan dapat digunakan untuk mencari hubungan asosiasi antar setiap

atribut.

DAFTAR PUSTAKA

Faisol, Umar , Membaca File Excel,

http://www.umarfaisol.co.cc/2010/01/membaca-file-excel.html di akses

tanggal : 15 Februari 2010

Faisol. Umar , Pembulatan Bilangan Pecahan Round,

http://www.umarfaisol.co.cc/2009/10/pembulatan-bilangan-pecahan-

round.html di akses tanggal : 13 Februari 2010

J.Han and M. Kamber, (2006), Data Mining Concept and Techniquies, Second

Edition, Morgan Kaufman Publishers, San Francisco, USA.

Kardi, Tutorial K-Means,

http://people.revoledu.com/kardi/tutorial/kMean/NumericalExample.htm

diakses tanggal : 5 Oktober 2009P.Tan and M.Steinbach and V.Kumar,

Introduction To Data Mining, Halminton Printing, USA, 66.

Santosa, Budi. (2007), Data Mining Teknik Pemanfaatan Data Untuk Keperluan

Bisnis, Graha Ilmu, 1, 42.

Senoadji, Bayu, Membuat Pie Chart dan Bar Chart dengan jFreeChart.

http://bayusenoadji.com/en/programming-java/34-java/49-membuat-pie-

chart-dan-bar-chart-dengan-jfreechart di akses tanggal : 15 Februari 2010

Lampiran A

Petunjuk Penggunaan Sistem

La1 |

PETUNJUK PENGGUNAAN SISTEM

1. Simpan data hasil evaluasi dalam bentuk file excel(xls) dengan format

kolom

• Program studi

• Kode dosen

• Nama dosen

• Nama matakuliah

• Fakultas

• 18 nilai hasil evaluasi pembelajaran

• Data lain jika ada

2. Halaman depan sistem

Untuk memulai pengelompokan data klik pada menu Pengelompokan.

Untuk Melihat petunjuk penggunaan sistem, klik menu Petunjuk

Penggunaan Sistem.

La2 |

3. Memilih file data

Berikut adalah halaman pemilihan file data yang akan dikelompokkan.

Klik tombol Browse File untuk memilih file data.

Pilih file yang akan dikelompokkan kemudian klik tombol BROWSE

FILE.

La3 |

Setelah memilih file yang akan dikelompokkan, maka sistem akan

menampilkan halaman pemilihan atribut data hasil evaluasi yang akan

dikelompokkan. Tombol pilih semua untuk mencentang semua

pertanyaan. Jika atribut yang akan dkelompokkan sudah dipilih atau

dicentang, kemudian klik tombol OK.

Jika telah memilih file data yang akan dikelompokkan, maka akan muncul

halaman seperti dibawah ini :

La4 |

Sebelum memulai pengelompokkan isikan jumlah klaster yang

dikehendaki kemudian klik tombol proses.

4. Hasil Pengelompokan

Berikut adalah halaman hasil pengelompokan data. Halaman hasil

pengelompokan menyimpan informasi jumlah anggota setiap klaster, rata-

rata centroid setiap klaster, label klaster, banyak iterasi pengelompokan

dan persentase kecocokan hasil klastering sistem dengan hasil klastering

P3MP.

Untuk melihat anggota setiap klaster dapat dilakukan dengan mengklik

baris klaster yang ingin dilihat. Untuk melihat diagram pie persentase

klaster dapat dilakukan dengan melakukan klik pada tombol Lihat Grafik.

La5 |

5. Halaman Detail Anggota Setiap Klaster

Halaman Detail Anggota Setiap Klaster memuat informasi atribut-atribut

yang dimiliki setiap data, kecuali atribut hasil evaluasi.

Untuk melihat hasil evaluasi setiap data dalat dilakukan dengan

melakukan klik pada data yang akan dilihat. Tombol kembali untuk

La6 |

kembali ke halaman hasil pengelompokan. Tombol previous untuk melihat

klaster sebelumnya dan tombol next untuk melihat klaster berikutnya.

Tombol grafik untuk melihat diagram pie persentase prodi disetiap klaster,

seperti dibawah ini :

6. Halaman Detail Hasil Evaluasi Setiap Data

Halaman Detail Hasil Evaluasi Setiap Data untuk menampilkan nilai

jawaban rata-rata responden untuk setiap pertanyaan yang termuat dalam

kuesioner. Di antar muka detail setiap data terdapat fasilitas melihat rata-

rata setiap kategori.

Untuk melihat rata-rata setiap katergori dapat dilakukan dengan cara

mengklik tombol kategori. Jika tombol kategori diklik maka user diminta

untuk memasukan jumlah kategori yang dikehendaki.

Kemudian memasukkan nomor awal pertanyaan dan nomor berakhirnya

pertanyaan untuk setiap kategori.

Memasukkan nomor awal pertanyaan dan nomor berakhirnya pertanyaan

untuk kategori pertama.

La7 |


untuk kategori kedua.

La8 |


untuk kategori ketiga.

La9 |

Jika nomor pertanyaan untuk setiap kategori sudah diinputkan, maka rata-

rata setiap kategori akan ditampilkan dalam teks area.

Di antar muka detail setiap data juga terdapat fasilitas untuk melihat

pertanyaan kuesioner dengan cara melakukan klik pada tombol

pertanyaan.

Lampiran B

Kuesioner Hasil Evaluasi Pembelajaran

P3MP

N a m a

No

1 P

2 Kbe

3 Tate

4 Ksi

5 Pun

6 Km

7 Kpe

8 Km

9 Dfrepe

10 P

11

Sun(mbu

12 T

13 P

14 K

15 Ksu

16 Sbeku

17 K(m

18 Km

PETUNJpembeladisediakDosen dmahasis

PK

D o s e n : _ _

enguasaan d

esempatan mertanya dan b

anggapan doentang materiesesuaian anlabus enggunaan mntuk mencapa

epedulian domahasiswa pa

edisiplinan doengembalian emampuan d

mahasiswa osen telah mekuensi yangemahaman m

enilaian dose

aya dapat mentuk mengemmisal: kejujurauruk, dll.)

ingkat pemah

artisipasi say

onsentrasi sa

emauan sayaumber belajar

aya telah meelajar mandiruliah ini

edisiplinan samisal: kehad

epuasan sayamengajar mata

JUK PENGISIAajaran di Univekan dengan cdalam pembelawa atas keselu

PUSAT PEK u e s i o n e

_ __ _ __ __ _

Pernyaosen atas ma

mahasiswa beberdiskusi

osen atas pert perkuliahan

ntara materi y

metode dan mai tujuan pem

sen atas tingda materi per

osen secara uberkas ujian,

dosen memba

emberikan Pg cukup untukmateri perkulia

en atas hasil b

enarik manfaambangkan nilaan, bela rasa,

haman saya a

ya dalam perk

aya dalam me

a dalam memr lain yang re

ngalokasikani dalam rangk

aya dalam meiran, pengum

a dalam mena kuliah ini

AN : Mohon keersitas Sanata ara menghita

ajaran. Pernyauruhan proses

ENGEMBAe r E v a l u a

__ __ _ _ __ _

ataan ateri perkuliah

erpartisipasi a

tanyaan maha

yang disampa

media dalam pmbelajaran

kat pemahamrkuliahan

umum (misal, dll) angkitkan min

R/tugas/kuis k meningkatkahan

belajar mahas

at dari mata kai-nilai keman, membedaka

atas materi pe

kuliahan

engikuti perku

baca buku relevan

n waktu yang ka memaham

engikuti perkumpulan tugas

gikuti proses

esediaan anda Dharma. Pilihmkan lingkaraataan no. 11-1belajar mengaj

ANGAN DAs i P r o s e

_ __ __ __ _ _

han

aktif melalui

asiswa

aikan dengan

perkuliahan

man

l: kehadiran,

nat belajar

dengan kan

siswa

kuliah ini nusiaan an baik dan

erkuliahan

uliahan

eferensi atau

cukup untuk mi materi mata

uliahan s)

belajar

untuk mengisihlah bilanganan di bawahn7 menyangkutjar.

AN PENJAs P e m b e

_ N a m a

T

mengu

Se

Kuperha

n Tidak se

Tidak se

Tidak p

Tidak dis

Tidak ma

Tidak se

Tidak oby

Tidak se

Tmema

Tidak

Ren

Ren

a Tidak se

Tidak dis

Sangat tp

kuesioner ini dn yang sesuanya. Pernyatat partisipasi ma

AMINAN Me l a j a r a n

M a t a ku l i a

1 2Tidak uasai ○ ○edikit ○ ○urang atian ○ ○esuai ○ ○esuai ○ ○eduli ○ ○siplin ○ ○ampu ○ ○etuju ○ ○yektif ○ ○etuju ○ ○

Tidak hami ○ ○aktif ○ ○

ndah ○ ○ndah ○ ○etuju ○ ○siplin ○ ○tidak puas ○ ○

dengan baik gui dengan penan no. 1-10 diahasiswa, dan

MUTU PE

a h : __ _ _ _ _

3 4

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

○ ○ ○

una pengembanilaian anda teipakai untuk mpertanyaan no

EMBELAJA

_ __ _ _ __ __

5 6 7

○ ○ ○○ ○ ○○ ○ ○○ ○ ○○ ○ ○○ ○ ○○ ○ ○○ ○ ○○ ○ ○○ ○ ○

○ ○ ○

○ ○ ○○ ○ ○○ ○ ○○ ○ ○

○ ○ ○

○ ○ ○○ ○ ○

angan dan perberhadap perny

menentukan Indo.18 menyangk

ARAN

_ __ __ __ __ _

○ Menguasa

○ Banyak

○ Penuh perhatian

○ Sesuai

○ Sesuai

○ Peduli

○ Disiplin

○ Mampu

○ Setuju

○ Obyektif

○ Setuju

○ Memaham

○ Aktif

○ Tinggi

○ Tinggi

○ Setuju

○ Disiplin

○ Sangat puas

baikan proses yataan yang deks Kinerja kut kepuasan

_

ai

mi

PENGELOMPOKAN HASIL EVALUASI PEMBELAJARAN …repository.usd.ac.id/32553/2/065314080_Full.pdf ·...

Documents

Transcript of PENGELOMPOKAN HASIL EVALUASI PEMBELAJARAN …repository.usd.ac.id/32553/2/065314080_Full.pdf ·...