PENGELOMPOKAN SEKOLAH MENENGAH ATAS DI PROVINSI … · yang merupakan data Ujian Nasional SMA...

i

PENGELOMPOKAN SEKOLAH MENENGAH ATAS DI PROVINSI

DAERAH ISTIMEWA YOGYAKARTA BERDASARKAN NILAI UJIAN

NASIONAL MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Kresentia Nita Kurniadewi

125314031

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

THE CLUSTERING OF SENIOR HIGH SCHOOLS IN DAERAH

ISTIMEWA YOGYAKARTA PROVINCE BASED ON THE SCORE OF

NATIONAL EXAM USING K-MEANS CLUSTERING ALGORITHM

FINAL PROJECT

Present as Partiaal Fullfillment of the Requirements

to Obtain the Sarjana Komputer Degree

in Informatics Engineering Study Program

By:

Kresentia Nita Kurniadewi

125314031

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATIC ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2016


v

MOTO

Mintalah, maka akan diberikan kepadamu; carilah, maka kamu akan

mendapat; ketoklah, maka pintu akan dibukakan bagimu.

(Matius 7:7)


vi

HALAMAN PERSEMBAHAN

Karya ini kupersembahkan kepada:

Tuhan Yesus Kristus

Bunda Maria

Keluarga

Sahabat


ix

ABSTRAK

Ujian Nasional (UN) sebagai tolok ukur atau parameter akhir dari suatu

proses pendidikan. Hasil Ujian Nasional digunakan sebagai dasar untuk pemetaan

mutu program dan/atau satuan pendidikan di Indonesia. Setiap tahun UN

diselenggarakan untuk mendapatkan sebuah informasi yang dapat bermanfat

untuk peningkatan mutu pendidikan. Data mining merupakan salah satu bidang

ilmu yang dapat digunakan untuk mendapatkan informasi dari kumpulan data.

Pada tugas akhir ini digunakan algoritma K-means Clustering yang akan

menghasilkan sebuah sistem perangkat lunak yang dapat digunakan untuk

mengelompokkan Sekolah Menengah Atas di DIY berdasarkan nilai Ujian

Nasional. Sistem ini diuji dengan perbandingan pengujian manual dengan hasil

sistem, pengujian black box, pengujian hasil pengelompokan menggunakan

Silhouette Coeficient.

Dalam melakukan proses mengubah data mentah menjadi sebuah

informasi yang bermanfaat, penulis menggunakan proses Knowledge Discovery in

Database (KDD) yang terdiri dari pembersihan data, integrasi data, seleksi data,

transformasi data, penambangan data, evaluasi data, dan presentasi pengetahuan.

Pada tahap pembersihan data dilakukan secara manual, untuk itegrasi data dan

transformasi data tidak dilakukan, sedangkan untuk seleksi data dan penambangan

data penulis merancang perangkat lunak sebagai alat untuk melakukan tahap-

tahap tersebut. Sedangkan untuk evaluasi pola dan presentasi pengetahuan,

penulis melakukan evaluasi dari hasil penambangan data yang diperoleh dari hasil

perangkat lunak dan menjelaskannya agar informasi tersebut dapat diterima oleh

pihak-pihak yang membutuhkan. Perangkat lunak diujikan terhadap 8 dataset

yang merupakan data Ujian Nasional SMA jurusan IPA dan IPS tahun 2014/2015.

Berdasarkan penelitian yang telah dilakukan, dapat diketahui bahwa

algoritma K-means dapat digunakan untuk mengelompokkan data tersebut dengan

nilai k yang diberikan. Pengujian hasil pengelompokan dengan menggunakan

Silhouette Coeficient(SC) terhadap kedua set data yang digunakan yaitu IPA dan

IPS tahun ajaran 2014/2015 dihasilkan nilai SC untuk data IPA sebesar 0.49 pada

k = 2 yang dikategorikan sebagai weak Classification dan untuk data IPS sebesar

0.57 pada k = 2 dan 0.51 pada k=3 yang dikategorikan sebagai good

Classification. Dengan demikian jumlah cluster yang disarankan untuk data nilai

ujian jurusan IPA adalah 2 dan untuk IPS adalah 2 atau 3.

Kata Kunci : Clustering, K-Means, data mining, nilai ujian nasional, Silhouette

Coeficient


x

ABSTRACT

As The National Exam is used as the final parameter of am educational

proccess, the score resulted from National Exam is used as the basis to set the

mapping of program quality and/or education unit in Indonesia. National Exam is

conducted every year to get sufficient information in the purpose of upgrading the

education quality. Data mining is one of disciplines aiming in gaining information

among the data collection. In this undergraduate thesis, K-means Clustering

alogarithm is used to develop a software that can be used to clasify Senior High

School in Jogjakarta based on the the Final Score of National Exam. This system

can be tested by compare the manual testing with result of system, black box

testing, and result of clustering tested using Silhouette Coeficient.

In conducting the proccess of converting raw data into a useful

information, the writer used the proccess of Knowledge Discovery in Database

(KDD) consisting the data cleaning, data integration, data selection, data mining,

data evaluation, and knowledge presentation. Data cleaning was done manually,

data integration and data transformation were not conducted, while at the stage of

data selection and data mining, the writer designed a software as the tool to

succeed the whole stages. Meanwhile, for the pattern evaluation and knowledge

presentation, the writer conducted an evaluation from the result of data mining

that was obtained from the software result and the writer explained in order

tohave the information accepted by the people who required it. The software will

be observed toward 8 datasets that were National Exam of Senior High School,

both from Social and Exact Discipline –Year 2014/2015.

According to the research conducted, it is known that the K-means

Alogarithm can be used to clasify the data by the given value of k. Result of

clustering, tested using Silhouette Coeficient, toward both data set, that is Social

and Exact Discipline year 2014/2015, resulting the value of SC for Exact

Discipline 0.49 at k = 2, categorized as weak Classification and for Social

Discipline 0.57 at k = 2 and 0.51 at k=3 which was categorized as good

Classification. Therefore, the number of clusters recommended for the scoring of

Exact Discipline is 2, and 2 or 3 for Social Discipline.

Keywords : Clustering, K-Means, data mining, National Exam Score, Silhouette

Coeficient


xi

KATA PENGANTAR

Puji dan Syukur kepada Tuhan Yang Maha Esa, karena pada akhirnya

penulis dapat menyelesaikan penelitian tugas akhir ini yang ber judul

“PENGELOMPOKAN SEKOLAH MENENGAH ATAS DI DIY

BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN

ALGORITMA K-MEANS CLUSTERING”

Dalam menyelesaikan seluruh penyusun tugas akhir ini, penulis tak lepas

dari dosa, bantuan, dukungan, dan motivasi dari banyak pihak. Oleh karena itu,

penulis ingin mengucapkan banyak terima kasih kepada:

1. Tuhan Yesus Kristus dan Bunda Maria yang selalu memberikan anugrah,

rahmat, kekuatan, dan keberuntungan sehingga penulis dapat

menyelesaikan tugas akhir ini.

2. Kedua orang tua penulis, Johanes Bosco Heru Nuryono dan Maria

Imaculata Respita Murti atas doa, kasih sayang, perhatian, kepercayaan,

dukungan baik moral maupun financial yang diberikan kepada penulis.

3. Kakak penulis, Ambrosius Hans Gigih Kurniadi dan Ignasius Hans Veda

Kurnia yang selalu memberikan semangat, dukungan, dan doa kepada

penulis.

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

Sains dan Teknoologi.

5. Ibu Dr. Anastasia Rita Widiarti selaku ketua Program Studi Teknik

Informatika.

6. Ibu Paulina Heruningsih Prima Rosa, M.Sc. selaku Dosen Pembimbing

Skripsi yang telah memberikan waktu, bimbingan, nasihat, dan motivasi

kepada penulis.

7. Bapak Iwan Binanto M.Cs. selaku Dosen Pembimbing Akademik penulis.

8. Seluruh Dosen yang telah mendidik dan memberikan pengetahuan dan

pengalaman berharga selama penulis belajar di Universitas Sanata Dharna.

9. Seluruh dosen, sekretariat, laboran, staff, dan perpustakaan yang telah

membimbing dan membantu selama proses perkuliahan di Universitas

Sanata Dharma.


xiii

DAFTAR ISI

HALAMAN PERSETUJUAN..............................................................................iii

HALAMAN PENGESAHAN...............................................................................vi

MOTTO..................................................................................................................v

HALAMAN PERSEMBAHAN............................................................................vi

PERNYATAAN KEASLIAN KARYA...............................................................vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI..............................viii

ABSTRAK.............................................................................................................ix

ABCTRACT...........................................................................................................x

KATA PENGANTAR...........................................................................................xi

DATAR ISI..........................................................................................................xiii

DATAR GAMBAR..............................................................................................xvi

DATAR TABEL..................................................................................................xvii

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

1.1. LATAR BELAKANG ........................................................................ 1

1.2. RUMUSAN MASALAH ................................................................... 2

1.3. TUJUAN PENELITIAN .................................................................... 2

1.4. BATASAN MASALAH .................................................................... 2

1.5. MANFAAT PENELITIAN ................................................................ 3

1.6. SISTEMATIKA PENULISAN ........................................................... 3

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

2.1. PENAMBANGAN DATA ................................................................. 6

2.1.1. Pengertian Penambangan Data ........................................................... 6

2.1.2. Fungsi Penambangan Data ................................................................. 6

2.1.3. Knowledge Discovery in Database (KDD) ......................................... 8

2.2. Ujian Nasional ................................................................................. 10

2.2.1. Definisi Ujian Nasional .................................................................... 10

2.2.2. Tujuan dan Fungsi Ujian Nasional .................................................... 10

2.2.3. Peserta Ujian Nasional ..................................................................... 11

2.2.4. Penyelenggaran Ujian Nasional ........................................................ 12

2.2.5. Strandar Kelulusan ........................................................................... 12

2.3. Konsep Data Mining ........................................................................ 13

2.3.1. Clustering ........................................................................................ 13

2.3.2. K-Means........................................................................................... 13

2.3.3. Distance Space ................................................................................. 16


xiv

2.4. Validitas Cluster ............................................................................... 16

2.4.1. Analisis Cluster ................................................................................ 16

2.4.2. Validitas Internal .............................................................................. 17

2.4.3. Silhouette ......................................................................................... 17

BAB III METODOLOGI PENELITIAN............................................................ 23

3.1. Sumber Data .................................................................................... 23

3.1.1. Data yang digunakan ........................................................................ 23

3.2. Spesifikasi Alat ................................................................................ 23

3.2.1. Spesifikasi Hardware ....................................................................... 23

3.2.2. Spesifikasi Software ......................................................................... 23

3.3. Tahap-Tahap Penelitian .................................................................... 23

3.3.1. Studi Kasus ...................................................................................... 23

3.3.2. Penelitian Pustaka ............................................................................ 24

3.3.3. Knowledge Discovery in Database (KDD) ....................................... 24

3.3.4. Pengembangan Perangkat Lunak ...................................................... 24

3.3.5. Analisis dan Pembuatan Laporan ...................................................... 26

BAB IV PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT

LUNAK PENAMBANGAN DATA .................................................................. 26

4.1. PEMROSESAN AWAL ................................................................... 26

4.1.1. Pembersihan Data (Data Cleaning) .................................................. 26

4.1.2. Itegrasi Data (Data Integration) ....................................................... 26

4.1.3. Seleksi Data (Data Selection) ........................................................... 26

4.1.4. Tranformasi Data (Data Transformation) ......................................... 29

4.2. PERANCANGAN PERANGKAT LUNAK PENAMBANGAN

DATA ............................................................................................. 29

4.2.1. Diagram Use Case............................................................................ 29

4.2.1. 1. Gambaran Umum Use Case .............................................................. 30

4.2.1. 2. Narasi Use Case ................................................................................ 30

4.2.2. Perancangan Umum ......................................................................... 30

4.2.2.1. Input Sistem ..................................................................................... 30

4.2.2.2. Proses Sistem ................................................................................... 31

4.2.2.3. Output Sistem................................................................................... 33

4.2.3. Diagram Aktivitas (Activity diagram). .............................................. 33

4.2.4. Diagram Kelas Desain ...................................................................... 33

4.2.5. Diagram Sekuen (Sequence Diagram). ............................................. 34

4.2.6. Algoritma per Method ...................................................................... 34


xv

4.2.7. Perancangan Struktur Data ............................................................... 34

4.2.7.1. Array ................................................................................................ 35

4.2.7.2. ArrayList .......................................................................................... 35

4.2.7.3 HashMap ............................................................................................ 36

4.2.8. Perancangan Antarmuka .................................................................. 37

4.2.8.1. Halaman Halaman Awal ................................................................... 37

4.2.8.2. Halaman Bantuan ............................................................................. 38

4.2.8.3. Halaman Tentang ............................................................................. 39

4.2.8.4. Halaman Clustering K-Means .......................................................... 40

BAB V IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL

.......................................................................................................................... 41

5.1 IMPLEMENTASI RANCANGAN PERANGKAT LUNAK .................... 41

5.1.1. Implementasi Kelas .......................................................................... 41

5.2. EVALUASI HASIL ......................................................................... 51

5.2.1. Pengujian Perangkat Lunak (Black Box) .......................................... 51

5.2.1.1. Rencana Pengujian Black Box .......................................................... 51

5.2.1.2. Prosedur Pengujian Black Box dan Kasus Uji ................................... 52

5.2.1.3. Evaluasi Pengujian Black Box .......................................................... 52

5.2.2. Pengujian Perbandingan Hasil Hitung Manual dengan Hasil Perangkat

Lunak .............................................................................................. 52

5.2.2.1. Penghitungan Manual ....................................................................... 52

5.2.2.2. Penghitungan Perangkat Lunak ........................................................ 53

5.2.2.3. Evaluasi Pengujian Perbandingan Hitung Manual dengan Hasil

Perangkat Lunak .............................................................................. 54

5.2.2.4. Hasil Pengujian Dataset dengan Silhouette Coeficient Nilai Ujian

Nasional Jurusan IPA Tahun Ajaran 2014/2015 ............................... 55


Nasional Jurusan IPS Tahun Ajaran 2014/2015................................ 58

5.3. KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK .............. 62

5.3.1. Kelebihan Perangkat Lunak .................................................................. 62

5.3.2. Kekurangan Perangkat Lunak .............................................................. 62

BAB VI ............................................................................................................. 64

PENUTUP ......................................................................................................... 64

6.1. SIMPULAN ..................................................................................... 64

6.2. SARAN ............................................................................................ 65

DAFTAR PUSTAKA............................................................................................67

LAMPIRAN...........................................................................................................69


xvi

DAFTAR TABEL

Tabel 2. 1 Kriteria Subjektif Kualitas Pengelompokkan Berdasarkan Silhouette

Coeficient (SC) .................................................................................. 21

Tabel 3. 1Table Atribut Data Mentah Nilai Hasil Ujian Nasional Program IPA

2014/2015 .......................................................................................... 23

Tabel 3. 2 Table Atribut Data Mentah Nilai Hasil Ujian Nasional Program IPS

2014/2015 .......................................................................................... 23

Tabel 4. 1 Atribut yang tidak digunakan pada data Ujian Nasional 2015 ............ 28

Tabel 4. 2 Tabel Atribut Terseleksi Data Nilai Ujian Nasional Program Strudi IPA

di Daerah Istimewa Yogyakarta Tahun ajaran 2014/2015 ................... 28

Tabel 4. 3 Tabel Atribut Terseleksi Data Nilai Ujian Nasional Program Strudi IPS

di Daerah Istimewa Yogyakarta Tahun ajaran 2014/2015 ................... 29

Tabel 5. 1 Implementasi Kelas Home ................................................................. 41

Tabel 5. 2 Implementasi Kelas Clustering_KMeans ........................................... 43

Tabel 5. 3 Implementasi Kelas Tentang .............................................................. 47

Tabel 5. 4 Implementasi Kelas Bantuan ............................................................. 49

Tabel 5. 5 Implementasi Kelas KMeans ............................................................. 51

Tabel 5. 6 Implementasi Kelas KMeans ............................................................. 51

Tabel 5. 7 Rencana pengujian dengan menggunakan metode black box. ............. 52

Tabel 5. 8 Hasil uji perbandingan member percluster secara manual dan sistem . 54

Tabel 5. 9 Hasil Pengujian Dataset dengan rata-rata Silhouette data set Nilai

Ujian Nasional Jurusan IPA 2014/2015 .............................................. 55


Ujian Nasional Jurusan IPS 2014/2015 .............................................. 58


xvii

DAFTAR GAMBAR

Gambar 2. 1 Tahap-tahap proses Knowledge Discovery in Databese

(Han&Kamber, 2006). ....................................................................... 8

Gambar 4. 1 Use Case Diagram ......................................................................... 30

Gambar 4. 2 Diagram flowchart ......................................................................... 32

Gambar 4. 3 Diagram Kelas Desain ................................................................... 34

Gambar 4. 4 Ilustrasi Konsep Array ................................................................... 35

Gambar 4. 5 Ilustrasi Konsep ArrayList ............................................................. 35

Gambar 4. 6 Perancangan ArrayList ................................................................... 36

Gambar 4. 7 Antarmuka Halaman Beranda ........................................................ 37

Gambar 4. 8 Antarmuka Halaman Bantuan ........................................................ 38

Gambar 4. 9 Antarmuka Halaman Tentang ........................................................ 39

Gambar 4. 10 Antarmuka Halaman Proses ......................................................... 40

Gambar 5. 1 Implementasi Antarmuka kelas Home ............................................ 43

Gambar 5. 2 Implementasi Antaramuka Kelas Clustering_Kmeans .................... 46

Gambar 5. 3 Implementasi Antaramuka Kelas Tentang ...................................... 48

Gambar 5. 4 Implementasi Antaramuka Kelas Bantuan ...................................... 50

Gambar 5. 5 Hasil Penambangan Data Menggunakan Perangkat Lunak ............. 53

Gambar 5. 6 Rata-rata Silhouette data set Jurusan IPA ..................................... 587

Gambar 5. 7 Rata-rata Silhouette data set Jurusan IPS ....................................... 61


1

BAB I

PENDAHULUAN

1.1. LATAR BELAKANG

Data mining adalah proses yang menggunakan teknik statistik, matematika,

kecerdasan buatan, dan machine learning untuk mengekstrasi dan

mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dengan

database besar (Kusrini, 2009). Data mining bisa digunakan oleh perusahan atau

instansi besar untuk menggali data untuk mendapatkan informasi yang dapat

menunjang dan meningkatkan kualitas perusahaan/instansi tersebut. Terdapat

banyak metode yang digunakan dalam data mining salah satunya adalah metode

clustering. Clustering untuk menemukan kumpulan objek hingga objek-objek

dalam kelompok sama (atau punya hubungan) dengan yang lain dan berbeda (atau

tidak berhubungan) dengan objek-objek dalam kelompok lain. Tujuan dari analisis

cluster adalah meminimalkan jarak di dalam cluster dan memaksimalkan jarak

antara cluster (Hermawati, 2013). Salah satu algoritma clustering adalah K-

Means. Algoritma K-Means merupakan algoritma pengelompokan interaktif yang

melakukan partisi set data ke dalam sejumlah K cluster yang sudah ditetapkan di

awal (Prasetyo, 2014). Salah satu data yang dapat digunakan dalam penambangan

data adalah data Ujian Akhir Nasional.

Pendidikan sangat diperlukan untuk mempersiapkan generasi muda agar

menjadi sumber daya manusia (SDM) yang mampu bersaing. Badan Standar

Pendidikan Nasional Tahun 2010 menyebutkan pendidikan adalah usaha sadar

dan terencana untuk mewujudkan suasana belajar dan proses pembelajaran ajar

peserta didik secara aktif menyumbangkan potensi dirinya untuk memiliki

kekuatan spiritual keagamaan, pengendalian diri, kepribadian, kecerdasan, akhlak

mulia, serta keterampilan yang diperlukan dirinya, masyarakat, bangsa dan negara

yang tertuang dalam UU No 20 Tahun 2003. Sejak tahun 2002/2003 pemerintah

mengganti Evaluasi Belajar Tahap Akhir Nasional (EBTANAS) menjadi Ujian

Akhir Nasional (UAN) sebagai tolok ukur atau parameter akhir dari suatu proses

pendidikan (Sulistyo, 2007). Menurut Peraturan Pemerintah Republik Indonesia


2

No. 13 Tahun 2015 Pasal 68 menyebutkan bahwa Hasil Ujian Nasional

digunakan sebagai dasar untuk pemetaan mutu program dan/atau satuan

pendidikan, pertimbangan seleksi masuk jenjang pendidikan berikutnya, dan

pembinaan dan pemberian bantuan kepada satuan pendidikan dalam upaya

meningkatkan mutu pendidikan. Sesuai dengan konsep clustering yang membagi

data menjadi kelompok-kelompok maka dapat dilakukan pengelompokan Sekolah

Menengah Atas yang ada di DIY menggunakan data Nilai Ujian Nasional untuk

melihat peta mutu pendidikan.

Berdasarkan hal di atas, maka penulis mengangkat judul skripsi yaitu

“Pengelompokan Sekolah Menengah Atas Di DIY Berdasarkan Nilai Ujian

Nasional Menggunakan Algoritma K-Means Clustering”.

1.2. RUMUSAN MASALAH

Dari latar belakang diatas, maka rumusan masalah dalam penelitian ini

adalah:

1. Apakah algoritma K-Means dapat dipergunakan untuk

mengelompokkan Sekolah Menengah Atas di DIY berdasarkan nilai

Ujian Nasional ?

2. Bagaimana evaluasi hasil clustering menggunakan Silhouette

Coeficient?

1.3. TUJUAN PENELITIAN

Tujuan penelitian ini adalah mengimplementasi algoritma K-Means untuk

mempermudah pengelompokkan Sekolah Menengah Atas berdasarkan nilai Ujian

Nasional.

1.4. BATASAN MASALAH

Masalah dibatasi sebagai berikut:

1. Metode yang digunakan dalam penelitian ini adalah metode clustering

algoritma K-Means

2. Data yang digunakan adalah data nilai Ujian Nasional SMA di DIY pada

2014/2015 jurusan IPA dan IPS.

3. Aplikasi akan dibuat menggunakan pemrograman Java Desktop Standard

Edition.


3

1.5. MANFAAT PENELITIAN

Manfaat penulisan tugas akhir ini adalah sebagai berikut:

1. Penelitian ini diharapkan dapat memberikan manfaat untuk pihak-pihak

dalam dunia pendidikan, terutama dinas pendidikan. Dinas pendidikan dapat

menggunakan penelitian ini sebagai salah satu bahan masukan pengambilan

kebijakan pembinaan dan pemberian bantuan kepada satuan pendidikan

dalam upaya meningkatkan mutu pendidikan.

2. Sebagai referensi bagi peneliti yang berkaitan dengan clustering pemetaan

atau pengelompokan sekolah.

1.6. SISTEMATIKA PENULISAN

Sistematika penulisan Tugas Akhir ini adalah sebgai berikut:

1. BAB I. PENDAHULUAN

Pada Bab ini memberikan gambaran singkat dan menyeluruh mengenai

sistem pengelompokan nilai ujian nasional SMA pada tiap kompetensi. Bab I

ini meliput latar belakang masalah, batasan masalah, tujuan dan manfaat

penelitian, rumusan masalah, metodologi penelitian, dan sistematika

penulisan.

2. BAB II. LANDASAN TEORI

Pada Bab ini mengemukakan teori-teori yang digunakan sebagai acuan

dalam perancangan dan pengimplementasikan sistem pengelompokan nilai

ujian nasional SMA pada tiap kompetensi.

3. BAB III. METODOLOGI PENELITIAN

Bab ketiga ini akan menjelaskan gambaran umum penelitian, data,

spesifikasi alat, dan tahap-tahap penelitian.

4. BAB IV : PEMROSESAN AWAL DAN PERANCANGAN

PERANGKAT LUNAK PENAMBANGAN DATA


4

Pada bab keempat ini berisi pemrosesan awal dalam proses Knowledge

Discovery in Database (KDD) yaitu pembersihan data, integrasi data, seleksi

data, dan transformasi data. Selain itu bab ini juga akan berisi perancangan

perangkat lunak yang akan digunakan dalam tahap penambangan data.

Perancangan perangkat lunak tersebut terdiri dari perancangan umum,

diagram use case, diagram aktivitas, diagram sekuen, algoritma per method,

struktur data, dan perancangan antarmuka.

5. BAB V. IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI

HASIL

Pada bab kelima ini berisi implementasi rancangan perangkat lunak

penambangan data dan evaluasi hasil yang terdiri dari pengujian perangkat

lunak (black box), pengujian perbandingan hitung manual dengan hasil

sistem, Evaluasi hasil clustering menggunakan Silhouette Index, kelebihan

sistem, dan kekurangan sistem.

6. BAB VI. PENUTUP

Pada Bab ini berisi tentang kesimpulan dan saran dari skripsi yang telah

dibuat serta pengembangan penelitian ke depan.

.


5

BAB II

LANDASAN TEORI

2.1. PENAMBANGAN DATA

2.1.1. Pengertian Penambangan Data

Penambangan data (Data Mining) menghadirkan suatu proses yang

dikembangkan untuk menguji sejumlah data besar. Data-data yang dapat

digunakan dalam penambangan data adalah data pemasaraan, kesehatan,

pendidikan, dan lain-lain.

Data mining adalah proses yang menggunakan teknik statistik,

matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan

mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari

berbagai database besar (Turban,2005). Data mining mempunyai tujuan untuk

mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang

bermanfaat.

2.1.2. Fungsi Penambangan Data

Menurut Han dkk. (2006) fungsionalitas data mining yang digunakan

untuk menentukan pola dapat ditemukan pada tugas data mining. Secara umum

tugas data mining dapat di klasifikasikan ke dalam dua kategori: deskriptif dan

prediktif. Tugas penambangan deskriptif adalah melakukan karakterisasi sifat

umum dari data dalam basis data. Sedangkan Tugas penambangan prediksi adalah

untuk melakukan inferensi pada data saat ini untuk membuat prediksi.

Fungsi data mining dan jenis pola yang dapat ditemukan, yaitu:

a. Konsep/Deskripsi Kelas

Data dapat dikaitkan dengan kelas atau konsep. Deskripsi seperti

kelas atau konsep yang disebut deskripsi kelas/konsep. Deskripsi tersebut

dapat diturunkan melalui karakterisasi data, dengan merangkum data dari

kelas yang diteliti(sering disebut kelas target) secara umum, atau dengan

diskriminasi data, dengan perbandingan target kelas dengan satu atau satu


6

set kelas komparatif (sering disebut kelas kontras), atau baik

krakterisasi data dan diskriminasi.

b. Penambangan Kemunculan Pola, Asosiasi, Korelasi

Pola yang sering adalah pola yang sering terjadi di data. Jenis pola

yang dimaksud adalah itemset, subsequences, dan substructure. Sebuah

itemset biasanya mengacu pada satu set item yang sering muncul bersama-

sama. Sebuah subsequences sering terjadi misalnya pada pola pelanggan

cenderung membeli PC pertama, diikuti oleh kamera digital, dan kemudian

kartu memori. Sebuah substructure dapat merujuk untuk bentuk struktural

yang berbeda, seperti grafik, tree atau kisi yang dapat dikombinasikan

dengan itemset atau subsequences. Substructure yang sering terjadi, itu

disebut (Frequent) pola terstruktur. Penambangan pola yang sering

mengarah pada penemuan asosiasi yang menarik dan korelasi dalam data.

c. Klasifikasi dan Prediksi

Klasifikasi adalah proses menemukan model (fungsi) yang

menggambarkan dan yang membedakan kelas data atau konsep dengan

tujuan mampu menggunakan model untuk memprediksi kelas objek yang

label kelas tidak diketahui. Ada banyak metode untuk membangun

classificationmodels, seperti naive bayesian classification, support vector

machines, dan k-nearest neighbor classification.

Prediksi digunakan untuk memprediksi hilang atau tidak

tersedianya data nilai numerik pada label kelas. Analisis regresi adalah

metodologi statistik yang paling sering digunakan untuk prediksi numerik.

Prediksi juga meliputi identifikasi tren distribusi berdasarkan data yang

tersedia.

Klasifikasi dan prediksi mungkin perlu didahului dengan analisis

relevansi, yang mencoba untuk mengidentifikasi atribut yang tidak

memberikan kontribusi terhadap klasifikasi atau prediksi proses.


7

d. Analisis Cluster

Analisis klaster objek data tanpa berkonsultasi dengan label kelas

yang diketahui. Data dikelompokkan berdasarkan prinsip memaksimalkan

kesamaan intraclass dan meminimalkan kesamaan antar kelas. Dengan

kata lain, kelompok benda terbentuk sehingga objek dalam cluster

memiliki kesamaan yang tinggi dibandingkan satu sama lain , tetapi sangat

berbeda untuk objek dalam cluster lainnya . Setiap cluster yang terbentuk

dapat dilihat sebagai kelas objek.

e. Analisi Outlier

Sebuah basis data dapat berisi objek data yang tidak sesuai dengan

perilaku umum atau model data. Peristiwa langka bisa lebih menarik

daripada yang terjadi lebih teratur . Sebagian besar metode data mining

membuang outlier sebagai noise atau pengecualian. Namun, dalam

beberapa aplikasi seperti deteksi penipuan, peristiwa langka bisa lebih

menarik daripada peristiwa yang sering terjadi. Analisis data outlier

disebut sebagai outlier mining.

Outlier dapat dideteksi menggunakan uji statistik yang

mengasumsikan distribusi atau model probabilitas data, atau menggunakan

pendekatan jarak di mana objek yang berbeda dari setiap lainnya dianggap

outlier .

f. Analisi Evolution

Analisis evolusi menggambarkan data dan model keteraturan atau

tren untuk objek yang perilakunya berubah dari waktu ke waktu. Meskipun

termasuk dalam karakterisasi, diskriminasi, asosiasi dan analisis korelasi,

klasifikasi, prediksi, atau pengelompokan data, fitur yang berbeda dari

analisis tersebut meliputi analisis data time-series, urutan atau periodisitas

pencocokan pola, dan analisis data berbasis kesamaan.

(Han dkk,2006)


8

2.1.3. Knowledge Discovery in Database (KDD)

Menurut Han dkk. (2006), penambangan data tidak dapat dipisahkan dari

proses Knowledge Discovery in Databese (KDD). KDD merupakan sebuah proses

mengubah data mentah menjadi suatu informasi yang berguna. Illustrasi proses

KDD dapat dilihat pada gambar 2.1.

Gambar 2. 1 Tahap-tahap proses Knowledge Discovery in Databese

(Han&Kamber, 2006).


9

Knowledge Discovery merupakan suatu proses digambarkan dalam Gambar

2.1 dan terdiri dari langkah-langkah sebagai berikut:

1. Pembersihan Data ( Data Cleaning)

Pembersihan Data dilakukan untuk menghilangkan noise dan data yang

tidak konsisten. Sebelum proses data mining dapat dilaksanakan, perlu

dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses

cleaning mencakup antara lain membuang duplikasi data, memeriksa data

yang inkonsisten dan memperbaiki kesalahan pada data, seperti kesalahan

cetak (tipografi). Lalu dilakukan juga proses enrichment, yaitu proses

“memperkaya” data yang sudah ada dengan data atau informasi lain yang

relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal.

2. Integrasi Data (Data Integration)

Tahap ini berisikan penggabungann dari beberapa sumber data.

3. Seleksi Data (Data Selection)

Pemilihan (seleksi) data dari sekumpulan data operasional perlu

dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Seleksi

data merupakan proses menganalisi data yang relevan dari dalam database.

4. Transformasi Data (Data Transformation)

Tahap ini mengubah atau mengkonsolidasi data ke dalam bentuk yang

sesuai untuk dilakukan penambangan data.

5. Penambangan Data (Data Mining)

Data mining adalah proses proses penting di mana metode cerdas yang

diterapkan untuk mengekstrak pola data.

6. Evaluasi Pola (Pattern Evaluation)

Evaluasi pola digunakan untuk mengidentifikasi pola-pola yang benar-

benar menarik yang mewakili pengetahuan berdasarkan pada beberapa

langkah penting.

7. Presentasi Pengetahuan (Knowledge Presentation)

Tahap ini merupakan proses teknik visualisasi dan representasi

pengetahuan digunakan untuk menyajikan pengetahuan hasil penambangan

kepada pengguna.


10

2.2. Ujian Nasional

2.2.1. Definisi Ujian Nasional

Ujian adalah kegiatan yang dilakukan untuk mengukur pencapaian

Kompetensi Peserta Didik debagai pengakuan prestasi belajar dan penyelesaian

dari salah satu pendidikan. Ujian Nasional adalah evaluasi tahap Akhir yang

merupakan salah satu proses pengukuran hasil belajar dan mutu pendidikan yang

telah dilaksanakan secara nasional di Indonesia sejak tahun 1985. Ujian Nasional

diadakan untuk peningkatan mutu pendidikan dan daya saing sumber daya

manusia Indonesia. Pemerintah telah menetapkan standar kelulusan minimal yang

harus dicapai peserta didik.

Hasil Ujian Nasional bertujuan untuk pemetakan mutu program dan satuan

pendidikan yaitu; (1) pemetaan mutu pendidikan yaitu memperoleh gambaran

perbandingan mutu pendidikan antar sekolah/madrasah, dan antar wilayah dari

tahun ke tahun, (3) pertimbangan seleksi masuk jenjang pendidikan berikutnya,

(5) pembinaan dan memberian bantuan kepada satuan pendidikan dalam upaya

meningkatkkan mutu pendidikan di Indonesia.

Dalam pelaksanaan UN tahun 2015 mengenai standar nasional pendidikam

pemerintah telah mengatur dalam Peratuaran Pemerinrah Republik Indonesia

Nomor 13 Tahun 2015 tentang Perubahan Kedua Atas Peraturan Pemerintah

Nomor 19 Tahun 2005 Tentang Standar Nasional Pendidikan. Disebut dalam

pasal 1 ayat 29 Badan Standar Nasional Pendidikan (BSNP) adalah badan mandiri

dan Independen yang bertugas mengembangkan, memantau, dan mengendalikan

Standar Nasional Pendidikan.

Pembinaan sekolah misalnya oleh pengawas sekolah, pelaksanaan

pembinaan oleh pengawas untuk SMP/MTs, SMA/MA, dan SMK/MAK paling

sedikit 7 (tujuh) satuan pendidikan menurut Peraturan Menteri Pendidikan dan

Kebudayaan No 143 Tahun 2014.

2.2.2. Tujuan dan Fungsi Ujian Nasional

Berdasarkan Peraturan Menteri Pendidikan dan Kebudayaan Republik

Indonesia Nomor 5 Tahun 2015 BSNP (Badan Standar Nasional Pendidikan)

menyelengarakan Ujian Nasional bekerja sama dengan instansi terkait di


11

lingkungan Pemerintah, Pemerintah provinsi, pemerintah kabupaten/kota dan

satuan pendidikan sesuai dengan kurikulum yang berlaku.

Penilaian hasil belajar bertujuan untuk menilai pencapaian kompetensi

lulusan secara nasional paada mata pelajaran tertentu dan di lakukan dalam bentuk

ujian nasional. (ps. 66, peraturan pemerintah republik indonesia nomor 13 tahun

2015). Hasil ujian nasional digunakan sebagai dasar untuk :

a. pemetaan mutu program dan/atau satuan pendidikan.

b. pertimbangan seleksi jenjang pendidikan berikutnya.

c. pembinaan dan pemberian bantuan kepada satuan pendidikan dalam upaya

untuk meningkatkkan mutu pendidikan.

2.2.3. Peserta Ujian Nasional

Setiap peserta didik jalur pendidikan formal pendidikan dasar dan

menengah dan jalur pendidikan nonformal kesetaraan berhak mengikuti Ujian

nasioal dan berhak mengulainya sepanjang belum dinyatakan memenuhi kriteria

pencapaian kompetensi lulusan. Peserta didik wajib mengikuti satu kali Ujian

nasional tanpa dipungut biaya. Peserta Didik jalur pendidikan formal pendidikan

dikecualikan untuk Peserta Didik SD/MI/SDLB atau bentuk lain yang sederajat.

Peserta Didik pendidikan informal dapat mengikuti Ujian nasional setelah

memenuhi syarat yang ditetapkan oleh BSNP. Peserta Ujian nasional memperoleh

surat keterangan hasil Ujian nasional yang diterbitkan oleh satuan pendidikan

penyelenggara Ujian nasional. (ps.69, Peraturan Pemerintah Republik Indonesia

Nomor 13 Tahun 2015). Dalam Peraturan Menteri Pendidikan dan Kebuyaan

Republiik Indonesia No. 15 tahun 2015 Persyaratan peserta didik pada jalur

formal yang mengikuti ujian nasional adalah telah atau pernah berada pada tahun

terakhir pada suatu jenjang pendidikan di satuan pendidikan, dan memiliki

laporan lengkap penilaian hasil belajar pada suatu jenjang pendidikan di satuan

pendidikan tertentu mulai semester I sampai dengan semester V. Persyaratan

peserta pendidikan kesetaraan yang mengikuti ujian nasional adalah berasal dari

PKBM, kelompok belajar pada SKB, Pondok Pesantren penyelenggara Program

Wustha, atau kelompok belajar sejenis dan memiliki laporan lengkap penilaian

hasil belajar pada Pendidikan Kesetaraan.


12

2.2.4. Penyelenggaran Ujian Nasional

Dalam Peraturan Mentri Pendidikan dan Kebudayaan Republik Indonesia

No 5 tahun 2015 pasal 14 menyebutkan bahwa BSNP (Badan Standar Nasional

Pendidikan) menyelenggarakan UN bekerja sama dengan instansi terkait di

lingkungan Pemerintah, pemerintah provinsi, pemerintah kabupaten/kota, dan

satuan pendidikan. BSNP sebagai penyelengara UN bertugas untuk menelaah dan

menetapkan kisi-kisi UN, menyusun dan menetapkan POS pelaksanaan UN,

menelaah dan menetapkan naskah soal UN, memberikan rekomendasi kepada

Menteri tentang pembentukan Panitia UN Tingkat Pusat, melakukan koordinasi

persiapan dan pengawasan pelaksanaan UN secara nasional, dan melakukan

evaluasi dan menyusun rekomendasi perbaikan pelaksanaan UN.

2.2.5. Strandar Kelulusan

Peserta didik dinyatakan lulus dari suatu pendidikan setelah menyelesaikan

seluruh program belajar, memperoleh nilai sikap.perilaku minimal baik, dan lulus

ujian S/M/PK. Kelulusan peserta didik dari ujian S/M ditetapkan oleh satuan

pendidikan. Kelulusan peserta didik dari ujian PK ditetapkan oleh Dinas

Pendidikan Provinsi. Dan Kelulusan peserta didik ditetapkan setelah satua

pendidikan menerima hasil ujian nasional peserta didik yang bersangkutan. (ps.2

Peraturan menteri Pendidikan dan Kebudayaan Republik Indonesia No. 5 tahun

2015).

Kriteria kelulusan peserta didik mencakup minimal rata-rata nilai dan

minimal nilai setiap mata pelajaran yang ditetapkan oleh satuan pendidikan. Nilai

S/M/PK sebagaimana dimaksud pada ayat (1) dan ayat (2) diperoleh dari

gabungan:

a. Rata-rata nilai rapor dengan bobot 50% (lima puluh persen) sampai dengan

70% (tujuh puluh persen):

1. Semester I sampai dengan semester V atau yang setara pada SMP/MTs,

SMPLB, dan Paket B/Wustha;

2. Semester III sampai dengan semester V atau yang setara pada

SMA/MA/SMAK/SMTK, SMALB, SMK/MAK, dan Paket C;

3. Semester I sampai dengan semester V atau yang setara bagi SMP/MTs

dan SMA/MA/SMAK/SMTK yang menerapkan sistem SKS.


13

b. Nilai Ujian S/M/PK dengan bobot 30% sampai dengan 50% (lima puluh

persen).

(ps. 4. Peraturan menteri Pendidikan dan Kebudayaan Republik Indonesia No. 5

tahun 2015).

Kelulusan peserta didik SMP/MTs, SMPLB, SMA/MA/SMAK/SMTK,

SMALB, SMK/MAK ditetapkan oleh setiap satuan pendidikan yang

bersangkutan dalam rapat dewan guru. (ps. 5. Peraturan menteri Pendidikan dan

Kebudayaan Republik Indonesia No. 5 tahun 2015).

2.3. Konsep Data Mining

2.3.1. Clustering

Konsep cluster yaitu menemukan kumpulan objek hingga objek-objek

dalam satu kelompok sama (punya hubungan) dengan yang lain dan berbeda

(tidak berhunungan) dengan objek-objek dalam kelompok lain. Tujuan dari

analisa cluster adalah meminimalkan jarak didalam cluster dan memaksimalkan

jarak antar cluster. Tidak di perlukan label kelas untuk setiap data yang diproses

karena label baru dapat diberikan ketika cluster sudah terbentuk.

Ada beberapa pendekatan yang digunakan dalam metode clustering. Dua

pendekatan yang utama adalah clustering dengan pendekatan partisi yang biasa

disebut partition-bassed clustering mengelomokan data dengan memilah-milah

data yang dianalisa ke dalam cluster-cluster yang ada. Metode yang menggunakan

partisi salah satunya adalah K-Means. Selain itu juga terdapat pendekatan

hierarchical clustering yaitu mengelompokan data dengan membuat suatu hirarki

berupa dendogram dimana data yang mirip akan ditempatkan pada hirarki yang

berdekatan dan yang tidak pada hirarki berjauhan (Prasetyo,2014).

2.3.2. K-Means

K-Means merupakan algoritma pengelompokan iteratif yang melakukan

partisi set data ke dalam sejumlah K cluster yang sudah diteteepkan diawal.

Algoritma K-Means sederhana untuk diimplementasikan dan dijalankan, relatif

cepat dan mudah beradaptasi.


14

K-Means dapat diterapkan pada data yang direpresentasikan dalam r-

dimensi ruang tempat. K-Means mengelompokan set data r-dimensi, X = {x1|i=1,

...,N}, dimana xi ϵ Ɽd

yang mengatakan bahwa data ke-i sebagai “titik data”. Perlu

diperhatikan titik harus berada dalam cluster yang mana, dilakukan dengan cara

memberikan setiap titik sebuah ID cluster. Titik dengan ID yang sama berarti

berada dalam satu cluster yang sama, sedangkan titik dengan ID cluster yang

berbeda berada dalam cluster yang berbeda. Dapat dinyatakan dengan vektor

keanggotaan cluster m dengan panjang N dimana mi bernilai ID cluster titik xi.

Parameter yang dimasukan ketika menggunakan algoritma K-Means adalah nilai

K. Nilai K digunakan berdasarkan informasi yang diketahui sebelumnya tentang

sebenarnya berapa banyak cluster data yang muncul dalam X.

Dalaam K-Means, setiap cluster dari K cluster diwakili oleh titik tunggal

dalam Ɽd

. Set representatif cluster dinyatakan C= {cj|j=1, ..., K}. Pada saat data

sudah dihutung ketidakmiripan terhadap centroid, maka dipilih ketidakmiripan

yang paling kecil sebagai cluster yang akan diikuti sebagai relokasi data pada

cluster di sebuah iterasi. Relokasi sebuah data dalam cluster yang diikuti dapat

dinyatakan dengan nilai keanggotaan a yang bernilai 0 atau 1. Jika 0 maka tidak

menjadi anggota cluster 1, begitupun sebaliknya. K-Means mengelompokan

secara tegas data hanya pada satu cluster, maka dari nilai a sebuah data pada

semua cluster, hanya satu yang bernilai 1, sedangkan lainnya 0 seperti dinyatakan

oleh persamaan berkut:

{

..............................................(2.1)

Di mana:

= nilai keanggotaan

i = index data

j = cluster ke j

= data yang masuk ke cluster

= ketidakmiripan (jarak) dari data ke-i ke cluster .

Relokasi centroid untuk mendapatkan titik centroid C didapatkan dengan

menghitung rata-rata setiap fitur dari semua data yang tergantung dalam setiap


15

cluster. Rata-rata sebuah fitur dari semua data dalam sebuah cluster dinyatakan

oleh persamaan berikut:

∑

Di mana:

= cluster

= anggota cluster ke- k

= nilai pusat cluster baru

= banyaknya anggota cluster ke- k

Untuk meminimalkan fungsi objektif/fungsi biaya non-negatif dinyatakan

oleh persamaan berikut:

∑∑

= jumlah cluster

= jumlah data

= data ke i

= data yang masuk ke cluster

= ketidakmiripan (jarak) dari data ke-i ke cluster .

Algoritma K-Means untuk mengelompokan suatu data X sebagai berikut:

(Prasetyo, 2014)

1. Inisiasi: tentukaan nilai K sebagai jumlah cluster yang diinginkan

dan metrik ketidakmiripan (jarak) yang diinginkan. Jika perlu,

tetapkan ambang batas perubahan fungsi objektif dan ambang batas

perubahan posisi centroid.

2. Pilih K data dari set data X sebagai centroid.

3. Alokasikan semua data ke centroid terdekat dengan metrik jarak

yang sudah ditetapkan (memperbaharui cluster ID setiap data)

4. Hitung kembali centroid C berdasarkan data yang mengikuti cluster

masing-masing.


16

5. Ulangi langkah 3 dan 4 hingga kondisi konvergen tercapai, yaitu

(a) perubahan fungsi objektif sudah dibawah ambang batas yang

diinginkan; atau (b) tidak ada data yang berpindah cluster; atau (c)

perubahan posisi centroid sudah dibawah ambang batas yang

ditetapkan.

2.3.3. Distance Space

Distance space adalah proses penghitungan jarak antara suatu dokumen

dengan dokumen lainnya. Euclidean distance adalah salah satu cara untuk

menghitung Distance space. Rumus Euclidean distance dinyatakan pada

persamaan berikut:

√

........(2.4)

Di mana:

= data ke

= data ke j

jarak antara data ke i dan data ke j

= nilai atribut ke satu dari data ke i

= nilai atribut ke satu dari data ke j

= jumlah atribut yang digunakan

(Handoyo dkk, 2014).

2.4. Validitas Cluster

2.4.1. Analisis Cluster

Analisis cluster merupakan pemrosesan data secara alami dengan algoritma

yang berjalan sendiri sehingga didapatkan kelompok-kelompok yang terbentuk

secara alami pula. Selain parameter-parameter diawal algoritma yang berjalan,

tidak ada lagi yang diberikan kepada sistem setelah alggoritma selesai dilakukan.

Pada dasarnya analisis cluster adalah proses penggalian informasi yang

sebelumnya tidak ada sehingga seolah-olah menjadi pertanyaan mengapa harus

harus dilakukan evaluasi.

Dalam evaluasi cluster terdapat dua metode yaitu metode unsupervised dan

metode supervided. Metode unsupervised untuk mengukur kebagusan struktur

cluster tanpa membutuhkan eksternal. Metode unsupervised untuk mengukur


17

sejauh mana struktur cluster yang ditemukan olehh algoritma clustering cocok

dengan struktur eksternal. Metode relatif melakukan perbandingan cluster

menggunakan ukuran evaluasi unsupervised dan supervided. (Prasetyo, 2014).

2.4.2. Validitas Internal

Banyak matrik internal yang mengukur validitas cluster pada metode

pengelompokan berbasis partisi didasarkan pada nilai kohesi dan separasi. Kohesi

dalam pengelompokan berbasis partisi didefinisikan sebagai jumalh dari

kedekatan data terhadap centroid dari cluster yang diikutinya. Sedangkan separasi

di antara dua sluster dapat diukur dengan kedekatan dua prototipe (centroid)

cluster. (Prasetyo, 2014)..

2.4.3. Silhouette

Ketepatan sebuah pengelompokan menunjukan seberapa baik proses

pengelompokan dan kualitas kelompok yang terbentuk. Salah satu ukuran

ketepatan yang dapat digunakan dalam menentukan ketepatan pengelompkan

adalah Silhouette Coeficient (Muhammad).

Silhouette dapat digunakan untuk memvalidasi baik sebuah data, cluster

tunggal (satu cluster dari sejumlah cluster), atau keseluruhan cluster. Metode ini

paling banyak digunakan untuk memvalidasi cluster yang menggabungkan nilai

kohesi dan separasi. Untuk menghitung nilai SI dari sebuah data ke-i, ada 2

komponen yaitu dan . adalah rata-rata jarak data ke- terhadap semua data

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

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

dengan data ke- , kemudian diambil yang terkecil. (Prasetyo, 2014).

Berikut formula untuk menghitung

∑

Di mana:

= cluster

= index data


18

= rata-rata jarak data ke – terhadap semua data lainnya dalam satu

cluster.

= jumlah data dalam cluster ke- .

adalah jarak data ke- dengan data kedalam suatu cluster .

Berikut adalah formula untuk menghitung

{

∑

}

Di mana:

= cluster

n = cluster

= index data


= Nilai terkecil dari rata-rata jarak data ke- terhadap semua data

dari cluster yang lain tidak dalam satu cluster dengan data ke- .

= jarak data kedalam cluster j dengan data kedalam suatu

cluster .

(Prasetyo, 2014).

Untuk mendapatkan nilai jumlah Silhouette data ke- menggunakan

persamaan berikut:

{

}

Di mana:

= Silhouette data ke i dalam 1 cluster

= Nilai terkecil dari rata-rata jarak data ke- terhadap semua data dari

cluster yang lain tidak dalam satu cluster dengan data ke- .


19

= rata-rata jarak data ke – terhadap semua data lainnya dalam satu

cluster.

(Kaufman dan Rousseeuw, 2005)

Nilai S( rata-rata dari sebuah cluster didapatkan dengan menghitung rata-

rata nilai S( semua data yang bergabung dalam cluster tersebut, seperti pada

persamaan berikut:

∑

= Rata-rata Silhouette cluster j

= Silhouette data ke i dalam 1 cluster j

= index


Nilai rata-rata dari data set didapatkan dengan menghitung rata-rata

nilai dari semua cluster seperti pada persamaan berikut:

∑

= jumlah cluster.

= Rata-rata Silhouette dari data set

= Rata-rata Silhouette cluster j

(Prasetyo, 2014).

Nilai mengukur seberapa mirip sebuah data dengan cluster yang

diikutinya, nilai yang semakin kecil menandakan semakin tepatnya data tersebut

berada dalam cluster tersebut. Nilai yang besar menandakan seberapa jeleknya

data terhadap cluster yang lain. (Prasetyo, 2014)


20

Hasil perhitungan nilai Silhouette Coeficient dapat bervariasi antara -1

hingga 1. Jika = 1 maka objek berada dalam cluster yang tepat. Jika =

0 maka objek berada di antara dua cluster sehingga objek tersebut tidak jelas

harus dimasukan ke dalam cluster A atau B. Akan tetapi, jika = -1 artinya

cluster yang dihasilkan overlapping, sehingga objek lebih tepat dimasukan ke

dalam cluster lain.(Alfian dkk, 2012). Silhouette Coeficient adalah ukuran yang

berguna dari jumlah struktur clustering yang telah ditemukan oleh algoritma

klasifikasi. Silhouette Coeficient adalah berdimensi kuantitas yang paling sama

dengan 1.

Perhitungan nilai Silhouette Coeficient dapat dirumuskan sebagai berikut:

Di mana:

SC = Silhouette Coeficient

= Nilai Silhouette

= cluster

= Nilai maksimum dari semua k.

Rata-rata dari untuk semua objects pada sebuah cluster, yang

disebut rata-rata silhouette dalam sebuah cluster. Rata-rata dari untuk =

1,2,...n, yang disebut rata-rata silhouette pada data set. Nilai maksimum

didapatkan dari semua percobaan k pada silhouette, dimana = 2,3,... n-1.

Menurut interpretasi subjektif dari Kauffman dan Rousseeuw(2005) dapat

dilihat pada tabel 2.1. (Kauffman dan Rousseeuw,2005).


21

Tabel 2. 1 Kriteria Subjektif Kualitas Pengelompokkan Berdasarkan Silhouette

Coeficient (SC)

Nilai SC Interpretasi Oleh Kauffman

0,72 – 1,00 Strong Classification

0,51-0,70 Good Classification

0,26-0,50 Weak Classification

0-0,25 Bad Classification


22

BAB III

METODOLOGI PENELITIAN

3.1. Sumber Data

Data yang digunakan pada penelitian ini didapat dari situs

http://litbang.kemdikbud.go.id/index.php/un untuk data tahun ajaran 2014/2015.

Data yang didapatkan berekstensi .xls dan berisikan nilai SMA dari jurusan IPA

dan IPS.

3.1.1. Data yang digunakan

Data yang digunakan merupakan data nilai siswa program IPA dan IPS.

Untuk program studi IPA terdiri dari mata pelajaran Bahasa Indonesia, Bahasa

Inggris, Matematika, Biologi, Fisika dan Kimia. Sedangkan untuk program studi

IPS terdiri dari mata pelajaran Bahasa Indonesia, Bahasa Inggris, Matematika,

Ekonomi, Sosiologi, dan Geografi. Salah satu contoh data yang digunakan berisi

data seperti yang terdapat dalam tabel 3.1 sampai dengan tabel 3.4.

Tabel 3. 1Table Atribut Data Mentah Nilai Hasil Ujian Nasional Program IPA

2014/2015

Nama Atribut Keterangan

Kode Sek. Kode Sekolah

NAMA SEKOLAH Nama Sekolah

Sts Sek. Status Sekolah(Swasta/Negeri)

Jm. Pes Jumlah Peserta

BIN Ujian Nasional Bahasa Indonesia

ING Ujian Nasional Bahasa Ingris

MAT Ujian Nasional Matematika

FIS Ujian Nasional Fisika

KIM Ujian Nasional Kimia

BIO Ujian Nasional Biologi

TOT Total Nilai Ujian


http://litbang.kemdikbud.go.id/index.php/un

23

Tabel 3. 2 Table Atribut Data Mentah Nilai Hasil Ujian Nasional Program IPS

2014/2015


Kode Sek. Kode Sekolah


Sts Sek. Status Sekolah(Swasta/Negeri)

Jm. Pes Jumlah Peserta



MAT Ujian Nasional Matematika

EKO Ujian Nasional Ekonomi

SOS Ujian Nasional Sosiologi

GEO Ujian Nasional Geografi

TOT Total Nilai Ujian

3.2. Spesifikasi Alat

Sistem dibuat dengan menggunakan hardware dan software sebagai berikut:

3.2.1. Spesifikasi Hardware

a. Proses Intel Pentium Core i5 2.40GHz

b. RAM 2.00 GB

3.2.2. Spesifikasi Software

a. Sistem Operasi Microsoft Windows 7

b. Compiler IDE NetBeans 7.2

Software ini akan digunakan untuk membuat interface dan sekaligus untuk

membuat source code.

3.3. Tahap-Tahap Penelitian

3.3.1. Studi Kasus

Nilai Ujian Nasional merupakan tolak ukur atau parameter akhir dari

proses pembelajaran di suatu tingkat pendidikan di suatu daerah. Dari nilai Ujian

Nasional tersebut dapat digunakan untuk pemetaan kualitas pendidikan. Untuk


24

mengevaluasi nilai ujian nasional agar dapat terlihat pemetaannya dapat

menggunakan nilai dari mata pelajaran yang diujikan pada program IPA maupun

IPS. Dengan penelitian ini diharapkan dapat menemukan suatu pengelompokan

sekolah yang telah menjalankan Ujian Nasional untuk mengetahui keberhasilan

dari Ujian Nasional.

3.3.2. Penelitian Pustaka

Pada tahap ini, dilakukan penelitian pustaka untuk memperoleh informasi

dan menggali teori-teori tentang teknik data mining. Dalam penelitian ini penulis

mempelajari literatur yang berkaitan dengan teknik data mining asosiasi

khususnya algoritma K-Means dan literatur lainnya yang berguna bagi sistem

yang akan dibangun.

3.3.3. Knowledge Discovery in Database (KDD)

Dalam melakukan proses mengubah data mentah menjadi suatu informasi

yang bermanfaat, penulis menggunakan proses Knowledge Discovery in Database

(KDD) yang terdiri dari pembersihan data, integrasi data, seleksi data,

transformasi data, penambangan data, evaluasi pola, dan presentasi pengetahuan.

Pada tahap pembersihan data dan integrasi data, penulis melakukan secara

manual dengan menggunakan aplikasi microsoft excel. Tahap selanjutnya yaitu

seleksi data, transformasi data, dan penambangan data, penulis mengembangkan

perangkat lunak sebagai alat bantu untuk melakukan tahap-tahap tersebut.

Sedangkan untuk tahap evaluasi pola dan presentasi pengetahuan, penulis

melakukan evaluasi dari hasil penambangan data yang didapat dari perangkat

lunak yang telah dibangun dan menjelaskan hasil evaluasi tersebut agar informasi

yang didapat dapat diterima oleh pihak-pihak yang membutuhkan.

3.3.4. Pengembangan Perangkat Lunak

Pada tahap seleksi data, transformasi data, dan penambangan data di dalam

proses Knowledge Discovery in Database (KDD), penulis mengembangkan

perangkat lunak sebagai alat untuk mengolah Dataset yang penulis miliki untuk

mendapatkan informasi yang berguna.


25

Metode yang digunakan oleh penulis dan pengembang sistem adalah

metode waterfall. Metode ini merupakan metode yang paling sering digunakan

oleh para pengembang perangkat lunak. Metode ini menggunakan sistem linier

yaitu apa yang dilakukan pada tahap sebelumnya akan mempengaruhi tahap

selanjutnya.

Metode waterfall mempunyai langkah-langkah sebagai berikut:

1. Analisa

Pada langkah ini analisa terhadap kebutuhan sistem.

Pengumpulan data dalam tahap ini bisa dilakukan melalui sebuah

penelitian, wawancara atau studi literatur. Seorang sistem analis

bertugas dalam mencari informasi sebanyak mungkin dari user

sehingga sistem yang dibuat dapat sesuai dengan kebutuhan user.

Pada tahapan ini menghasilkan dokumen user requirement yang dapat

digunakan sistem analis untuk menerjemahkan ke dalam bahasa

pemrograman.

2. Desain

Pada proses desain akan menerjemahkan syarat kebutuhan ke

sebuah perancangan perangkat lunak yang dapat dapat diperkirakan

sebelum diubah ke dalam bahasa pemrograman. Fokus dari proses ini

pada struktur data, arsitektur perangkat lunak, representasi interface,

dan detail algoritma. Tahapan ini akan menghasilkan dokumen yang

disebut software requirement. Dokumen ini yang digunakan seorang

programmer untuk membangun sistemnya.

3. Pemrograman

Pemrograman merupakan penerjemahan design ke dalam bahasa

pemrograman. Pada tahap ini programmer akan mengubah proses

transaksi yang diinginkan user ke dalam sistem yang dibangun.

4. Pengujian Perangkat Lunak

Pada tahap pengujian perangkat lunak dilakukan setelah

pemrograman selesai. Pengujian yang digunakan adalah

membandingkan perhitungan manual dengan hasil yang diperoleh dari

perangkat lunak. Tujuan pengujian ini adalah untuk menemukan


26

kesalahan – kesalahan yang terdapat pada perangkat lunak tersebut

agar kemudian dapat diperbaiki.

3.3.5. Analisis dan Pembuatan Laporan

Analisis yang akan dilakukan adalah analisis kinerja dari alat uji yang

dibuat menggunakan algoritma K-Means, dan hasil analisis tersebut nantinya akan

diolah kedalam sebuah laporan tugas akhir.


27

BAB IV

PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK

PENAMBANGAN DATA

4.1. PEMROSESAN AWAL

4.1.1. Pembersihan Data (Data Cleaning)

Sebelum proses data mining dapat dilakukan, perlu proses cleaning pada

data yang menjadi fokus. Pemrosesan pendahuluan dan pembersihan data

merupakan operasi dasar seperti penghapusan noise dilakukan. Pada penelitian ini

ada beberapa sekolah yang tidak ada nilainya maka peneliti menghapus sekolah

yang tidak ada nilai hasil ujian.

4.1.2. Itegrasi Data (Data Integration)

Tahap ini berisikan penggabungan data dari bermacam-macam sumber.

Peneliti menggunakan 2 data terdiri dari data nilai ujian nasional 2014/2015

jurusan IPA dan IPS. Peneliti tidak menggunakan tahap ini dikarenakan data

berasal dari sumber yang sama sehingga tidak perlu melakukan proses integrasi

data karena range nilai yang digunakan juga sudah sama.

4.1.3. Seleksi Data (Data Selection)

Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan

sebelum tahap penggalian informasi dalam KDD dimulai. Seleksi data merupakan

proses menganalisis data yang relevan dari dalam database.

Atribut yang tidak digunakan pada data ujian nasional jurusan IPA dan IPS

di DIY tahun 2014/2015 dijelaskan tabel 4.1.


28

Tabel 4. 1 Atribut yang tidak digunakan pada data Ujian Nasional 2015

Tahun Atribut

2015 No.

Kode Sek.

Sts Sek.

Jumlah Peserta

TOT

RANK

Atribut pada tabel tabel 4.5 tidak digunakan sebab atribut dalam tabel-tabel

tersebut hanya atribut pendukung yang tidak digunakan dalam proses clustering.

Proses clustering membutuhkan atribut nama sekolah dan mata pelajaran.

Hasil dari seleksi atribut pada data nilai ujian nasional IPA dan IPS di

Daerah Istimewa Yogyakarta tahun ajaran 2014/2015 dijelaskan pada tabel 4.2

dan 4.3.

Tabel 4. 2 Tabel Atribut Terseleksi Data Nilai Ujian Nasional Program Strudi IPA

di Daerah Istimewa Yogyakarta Tahun ajaran 2014/2015





MTK Ujian Nasional Matematika

FSK Ujian Nasional Fisika

KMA Ujian Nasional Kimia

BIO Ujian Nasional Biologi


29

Tabel 4. 3 Tabel Atribut Terseleksi Data Nilai Ujian Nasional Program Strudi IPS

di Daerah Istimewa Yogyakarta Tahun ajaran 2014/2015

4.1.4. Tranformasi Data (Data Transformation)

Pada penelitian ini tidak dilakukan normalisasi karena data yang digunakan

memiliki interval yang sama, yaitu 0-100, sehingga tahap ini tidak dilakukan.

Tahap kedua dalam transformasi data yaitu mengubah data numerik menjadi

sebuah keputusan misal Tuntas atau Tidak Tuntas. Dalam penelitian ini pada

tahap ini tidak dilakukan.

4.2. PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA

4.2.1. Diagram Use Case

Suatu sistem selalu memiliki interaksi antara pengguna dengan sistem itu

sendiri, hal ini digambarkan dalam bentuk diagram use case. Diagram use case

dapat dilihat pada gambar 4.1.





MTK Ujian Nasional Matematika

EKO Ujian Nasional Ekonomi

SOS Ujian Nasional Sosiologi

GEO Ujian Nasional Geografi


30

Gambar 4. 1 Use Case Diagram

Pengguna dalam sistem yang akan dibangun ini hanya satu, diinisialkan

dengan nama pengguna. Interaksi yang dilakukan pengguna adalah: memilih

berkas atau memasukkan data yang akan di kelompokkan, seleksi atribut yang

digunakan, sistem melakukan proses clustering, dan simpan hasil clustering

menggunakan algoritma K-Means dan menyimpan hasil clustering.

4.2.1. 1. Gambaran Umum Use Case

Diagram use case pada lampiran 2 memiliki gambaran umum dari

masing-masing use case. Gambaran umum use case terlampir pada lampiran 3.

4.2.1. 2. Narasi Use Case

Diagram use case pada gambar 4.1 juga memiliki narasi yang merupakan

penjelasan lebih lengkap dari masing-masing use case. Narasi tersebut terdapat

pada lampiran 4.

4.2.2. Perancangan Umum

4.2.2.1. Input Sistem

Data input dari sistem yang akan dibangun berasal dari file dengan

ekstensi .xls yang dipilih langsung oleh pengguna (user) dari direktori Komputer.


31

User juga berperan untuk memasukan nilai k pada textfield yang diinginkan oleh

user. Data yang digunakan adalah data nilai hasil ujian nasional IPA dan IPS

untuk tahun ajaran 2011/2012 sampai 2014/2015.

4.2.2.2. Proses Sistem

Proses sitem yang akan dibangun terdiri dari beberaapa tahap untuk dapat

melakukan pengelompokan (clustering). Proses sistem yang terdiri dari beberapa

langkah berikut:

1. Pengambilan data yang sudah melalui preprosesing untuk digunakan

pada proses data mining.

2. Menentukan k sesuai dengan keinginan user

3. Proses pengelompokan menggunakan K-Means.

4. Menganalisa hasil pengelompokan K-Means terhadap proses data

mining yang telah dijalankan.


32

Proses sistem digambarkan pada gambar 4.2 dibawah ini:

Fi le XLS?

Data numerik ?

Jumlah cluster K

Tentukan Centroid

Hitung jarak obyek ke pusat

Kelompokan obyek berdasarkan jarak

terkecil Tidak

Ya

Cek Isi Data

Proses Clustering

Tampilkan Data

ya

ya

tidak

tidak

Ada selisih pusat cluster lama dengan

cluster baru ?

Tentukan centroid baru

Masukan file

Start

Simpan Data

End

Gambar 4. 2 Diagram flowchart


33

4.2.2.3. Output Sistem

Sistem yang dibangun akan memberikan keluaran (output) berupa data

hasil pengelompokan menggunakan K-Means sesuai dengan k yang telah di

berikan oleh user.

4.2.3. Diagram Aktivitas (Activity diagram).

Diagram aktivitas digunakan untuk menunjukan aktivitas yang

dikerjakan oleh pengguna dan sistem dalam setiap use case yang disebutkan

dalam gambar 4.1. Berikut adalah diagram aktivitas dari setiap use case.

1. Diagram Aktivitas Input Berkas File .xls

2. Diagram Aktivitas Seleksi Atribut

3. Diagram Aktivitas Proses Clustering input k

4. Diagram Aktivitas Simpan Hasil Clustering.

Detail diagram aktivitas dari setiap use case dapat dilihat pada bagian

lampiran 5.

4.2.4. Diagram Kelas Desain

Diagram kelas dapat memperlihatkan hubungan antar kelas. Diagram ini

dapat membantu memvisualisasikan struktur kelas-kelas dalam suatu sistem.


34

Detail kelas dapat dilihat pada gambar dibawah ini:

Home

-JMenuBeranda :JMenuBar-JMenuBantuan :JMenuBar-JMenuTentang :JMenuBar

-bt_MasukSistem :jButton

Bantuan


+ Bantuan () : Constractor- JMenuBerandaMouseClicked :void-JMenuBantuanMouseClicked :Void-JMenuTentangMouseClicked :Void

Tentang


+ Tentang () : Constractor- JMenuBerandaMouseClicked :void-JMenuBantuanMouseClicked :Void-JMenuTentangMouseClicked :Void

- JMenuBerandaMouseClicked :void-JMenuBantuanMouseClicked :Void-JMenuTentangMouseClicked :Void Clustering_KMeans


- initComponents()

- JMenuBerandaMouseClicked :void-JMenuBantuanMouseClicked :Void-JMenuTentangMouseClicked :Void

- jfile :JTextField-jpilihfi le :JButton-table : JTable-TableSeleksiAtribut :JTable-jtableatribut2 : JTable-jButtonPilihAtribut : JButton- jpreprosesing : JButton- jmlclustertext : JTextField- jproses :JButton- Output :JTextArea- runTime : JTextArea- jreset :JButton-jsimpan : JButton

+ Clustering_KMeans() : Constractor+ Preprosesing() : void+ openFile() : void+ read() : void+ KMeans(ArrayList) :void+ MenentukanCluster (List) :int[]- Pembersihan() : void+ Proses() :void+ Simpan() :void+Hitung Jarak() : void

KMeans

+ Centroid (ArrayList<String> ) : ArrayList<Integer>+ findCentroid(ArrayList<ArrayList<String>> arr, int[] indexCluster, int indexCentroid, int ClusterKei) :float+ KMeans getKmeans() : Constractor+ min() : static+sequentialsearch (Double[] number2, double value2) :int

Sillhouette

+ Sillhoutte getsillhoutte() : Constractor+ hitungjarakSilhoute(ArrayList<ArrayList<String>> DataSekolah) : ArrayList<ArrayList<Double>>+ Sillhoute (ArrayList<ArrayList<String>> TampungNamaSekolah, ArrayList<ArrayList<Integer>> TampungindeksSekolah, ArrayList<ArrayList<String>> arr): StringBuffer

Gambar 4. 3 Diagram Kelas Desain

4.2.5. Diagram Sekuen (Sequence Diagram).

Diagram Sekuen adalah diagram yang memperlihatkan atau menampilkan

interaksi-interaksi antar objek di dalam sistem. Diagram sekuen pada sistem ini

terdiri dari 3 diagram sesuai dengan usecase. Diagram dapat dilihat pada lampiran

7.

4.2.6. Algoritma per Method

Rincian algoritma per method terdapat pada lampiran 8.

4.2.7. Perancangan Struktur Data

Sistem pengelompokan K-Means ini membutuhkan suatu tempat

penyimpanan data yang tidak membutuhkan memori yang terlalu banyak dan

tidak menghabiskan waktu yang cukup banyak ketika sistem dijalankan karena

dapat mengolah data dengan efisien. Peneliti menggunakan konsep penyimpanan

data menggunakan struktur data. Struktur data yang digunakan pada sistem ini

adalah ArrayList. ArrayList pada sistem ini mampu menyimpan banyak nilai

dalam sebuah variabel dengan tipe data yang sama dan ukurannya bisa berubah

secara dinamis.


35

4.2.7.1. Array

Array adalah sebuah struktur data yang mampu menyimpan banyak nilai

dalam sebuah variabel dengan tipe data yang sama. Array bagaikan basis data

mini yang berada di memori.

Untuk dapat menggunakan Array dalam kode program, dapat dengan cara

mendeklarasikan sebuah variabel untuk direferensikan ke Array dan

menspesifikasikan tipe data dari Array. Deklarasi variable Array tidak

mengalokasi ruang di memori hanya mengalokasikan tempat untuk referensi ke

Array yang dibuat. Ukuran Array tidak dapat diubah setelah Array dibuat.

Perhatikan ilustrasi Array pada gambar 4.4 berikut ini:

Gambar 4. 4 Ilustrasi Konsep Array

4.2.7.2. ArrayList

ArrayList merupakan sebuah struktur data yang mampu menyimpan

banyak nilai dalam sebuah variabel dengan tipe data yang sama dan ukurannya

bisa berubah secara dinamis.

Perhatikan ilustrasi ArrayList pada gambar 4.5 berikut ini:

java.util.ArrayList size:5

0 1 2 3 4 ... ...

elementData

Value1 Value2 Value3 Value5Value4

Gambar 4. 5 Ilustrasi Konsep ArrayList


36

Pada Penelitian ini, penulis menggunakan arraylist dalam arraylist

ArrayList<ArrayList<String>> untuk membuat matriks. Daftar nilai ujian

nasional sebagai elementData. Daftar nilai ujian nasional memiliki nama

sekolah yang saling terhubung dengan nilai mata pelajaran akan berada

dalam index yang sama pada ArrayList. Objek arraylist baru akan selaku

dibuat untuk setiap kode sekolah yang berbeda. Setelah membuat objek

arraylist untuk setiap sekolah maka akan dibuat objek arraylist untuk

menjadikan satu semua objek arraylist sebelumnya. Sebagai contoh akan

dijelaskan pada gambar 4.6 berikut ini:

java.util.ArrayList size:5

0 1 2 3 4

elementData: Dafar nilai Ujian Nasional

Nama Sekolah

Nama Sekolah

Nama Sekolah

Nama Sekolah

Nama Sekolah

1 2 3 4 5

0 1 2 3 4

Nama Sekolah

1

Nilai Mapel 1

Nama Sekolah

2

Nilai Mapel 1

Nama Sekolah

3

Nilai Mapel 1

Nama Sekolah

4

Nilai Mapel 1

Nama Sekolah

5

Nilai Mapel 1

dst...

Gambar 4. 6 Perancangan ArrayList

4.2.7.3 HashMap

Secara prinsip ArrayList dibuat dengan memasukan data kedalam sebuah

indeks dengan cara terurut, sedangkan hashmap dengan cara pemetaan, dengan

kata lain tidak berurut. Map seperti array yang indeksnya adalah objek sembarang

bukan integer. Pada map, objek yang digunakan sebagai indeks disebut key dan

objek yang ditunjuk oleh indeks disebut value.


37

4.2.8. Perancangan Antarmuka

Sistem clustering yang akan dibangun, memiliki 4 antarmuka yang terdiri

dari antar muka halaman awal, antarmuka bantuan, antarmuka tentang, dan

antarmuka proses clustering.

4.2.8.1. Halaman Halaman Awal

Perancangan antarmuka halaman awal dapat dilihat pada gambar 4.7

berikut ini:

Table Nilai Ujian Nasional

Application Title

TentangBantuanBeranda

Logo

Masuk Sistem

KRESENTIA NITA KURNIADEWI – 125314031FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA

YOGYAKARTA2016

Pengelompokan Nilai Ujian Nasional Sekolah Menengah Atas Menggunakan Metode Clustering K-Means

Gambar 4. 7 Antarmuka Halaman Beranda

Halaman ini merupakan halaman utama yang akan tampil. Halaman ini

berisi 3 menu yaitu Beranda, Bantuan, dan Tentang serta tombol Masuk Sistem.


38

4.2.8.2. Halaman Bantuan


berikut ini:


Application Title



YOGYAKARTA2016


Panduan Penggunaan

Gambar 4. 8 Antarmuka Halaman Bantuan

Halaman ini berisi petunjuk penggunaan sistem yang akan membantu user

ketika user kesulitan atau bingung menggunakan sistem.


39

4.2.8.3. Halaman Tentang


berikut ini:


Application Title



YOGYAKARTA2016


Informasi Sistem

Gambar 4. 9 Antarmuka Halaman Tentang

Halaman ini berisi tentang mengenai tujuan sistem dibangun dan kegunaanya.


40

4.2.8.4. Halaman Clustering K-Means


berikut ini:


Application Title


Seleksi AtributAtribut Output

KRESENTIA NITA KURNIADEWI – 125314031FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA

2016

Data Browse

Pilih

Proses


Jumlah Cluster

Reset Simpan

Runing Time

Gambar 4. 10 Antarmuka Halaman Proses

Halaman ini merupakan halaman yang akan ditampilkan ketika pengguna

menekan tombol Masuk Sistem pada halaman Beranda. Halaman ini berfungsi

sebagai sarana untuk memasukan data, memilih atribut yang akan digunakan serta

memberikan k yang diinginkan.

Kemudian Halaman Clustering K-Means ini digunakan untuk

menampilkan hasil iterasi yang telah dilakukan menggunakan algoritma K-Means.

Halaman Clustering K-Means ini akan tampil ketika user menekan tombol Proses

pada halaman praprosesing. Pada halaman ini user juga bisa melihat Running

Time yang dihasilkan, pengguna juga dapat menyimpan hasil clustering.


41

BAB V

IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL

5.1 IMPLEMENTASI RANCANGAN PERANGKAT LUNAK

Perangkat lunak pengelompokan menggunakan meetode K-Means ini

memiliki 5 buah kelas.

5.1.1. Implementasi Kelas

Selanjutnya dijelaskan spesifikasi detail dari setiap antarmukka yang ada

pada perangkat lunak ini. Spesifikasi detail dari kelas home dapat dilhat pada

tabel 5.1 berikut:

Tabel 5. 1 Implementasi Kelas Home

ID_Objek Jenis Teks Keterangan

jMenuBeranda JMenu Beranda Jika di klik,

akanmenuju ke

halaman home.java

jMenuBantuan JMenu Bantuan Jika di klik,

akanmenuju ke

halaman Bantuan.java

jMenuTentang JMenu Tentang Jika di klik,

akanmenuju ke

halaman Tentang.java

jtitle1 JLabel Pengelompokan

Nilai Ujian

Nasional Sekolah

Menengah Atas

Judul perangkat lunak

yang dibangun

jtitle2 JLabel Menggunakan

Metode

Clustering K-

Means


yang dibangun

bt_MasukSistem jButton Masuk Sistem Jika di klik, akan

menuju halaman


42

Clustering_Kmeans.ja

va

jLabel1 JLabel KRESENTIA

NITA

KURNIADEWI-

125314031

Identitas pembuat

perangkat lunak

jLabel2 JLabel FAKULTAS

SAINS DAN

TEKNOLOGI

UNIVERSITAS

SANATA

DHARMA

Identitas fakultas dan

universitas pembuat

perangkat lunak

jLabel5 JLabel YOGYAKARTA Identitas fakultas dan

universitas pembuat

perangkat lunak

jLabel6 JLabel 2016 Identitas tahun

pembuatan perangkat

lunak


43

Implementasi antarmuka dari kelas home dapat dilihat pada gambar 5.1

berikut ini.

Gambar 5. 1 Implementasi Antarmuka kelas Home

Spesifikasi detail dari kelas Clustering_Kmeans dapat dilhat pada tabel 5.2

berikut:

Tabel 5. 2 Implementasi Kelas Clustering_KMeans


jMenuBeranda JMenu Beranda Jika di klik, akan

menuju ke halaman

home.java

jMenuBantuan JMenu Bantuan Jika di klik, akan

menuju ke halaman

Bantuan.java

jMenuTentang JMenu Tentang Jika di klik, akan

menuju ke halaman


44

Tentang.java


Nilai Ujian

Nasional

Sekolah

Menengah Atas


yang dibangun


Metode

Clustering K-

Means


yang dibangun

jData JLabel Data Keterangan label

Jpath JTextField Isi path directory dari

file yang dimasukkan

ke dalam tabel.

Jpilihfile JButton Browse Jika diklik, akan

membuka directory

file yang akan dipilih

Table JTable Menampilkan data file

yang dipilih

TableSeleksiAt

ribut

JTable Menampilkan nama

kolom (atribut) pada

tabel, yang akan di

seleksi.

jButtonPilihAt

ribut

JButton Pilih Jika diklik, akan

menampilkan nama

kolom (atribut) ke

jtableatribut2.

jtableatribut2 JTable Menampilkan nama

kolom (atribut) pada

tabel, yang telah di

seleksi.

jLabel2 JLabel Jumlah Cluster Keterangan label


45

Jmlclustertext JTextField Untuk memasukan

jumlah klaser

Jproses JButton Proses Jika di klik, sistem

akan melakukan

proses clustering.

jTextArea1 jTextArea Menampilkan hasil

clustering

jLabel9 JLabel Runing Time : Keterangan label

runTime JTextField Menampilkan running

time

Jreset JButton Reset Jika di klik akan

mereset sistem.

Jsimpan JButton Simpan Jika di klik akan

menyimpan hasil

clustering kedalam

file.


46

Implementasi antarmuka dari kelas home dapat dilihat pada gambar 5.2

berikut ini.

Gambar 5. 2 Implementasi Antaramuka Kelas Clustering_Kmeans


47

Spesifikasi detail dari kelas Tentang dapat dilhat pada tabel 5.3 berikut:

Tabel 5. 3 Implementasi Kelas Tentang



menuju ke halaman

home.java


akanmenuju ke

halaman

Bantuan.java

jMenuTentang JMenu Tentang Jika di klik,

akanmenuju ke

halaman Tentang.java


Nilai Ujian

Nasional Sekolah

Menengah Atas


yang dibangun


Metode

Clustering K-

Means


yang dibangun

jLabel7 JLabel Informasi Sistem Keterangan Label

Jinformasi jTextField Berisi Informasi

Sistem


NITA

KURNIADEWI-

125314031

Identitas pembuat

perangkat lunak


SAINS DAN

TEKNOLOGI


universitas pembuat

perangkat lunak


48

UNIVERSITAS

SANATA

DHARMA


universitas pembuat

perangkat lunak


pembuatan perangkat

lunak

Implementasi antarmuka dari kelas Tentang dapat dilihat pada gambar 5.3

berikut ini.

Gambar 5. 3 Implementasi Antaramuka Kelas Tentang


49

Spesifikasi detail dari kelas Tentang dapat dilhat pada tabel 5.4 berikut:

Tabel 5. 4 Implementasi Kelas Bantuan



menuju ke halaman

home.java


akanmenuju ke

halaman

Bantuan.java

jMenuTentang JMenu Tentang Jika di klik, akan

menuju ke halaman

Tentang.java


Nilai Ujian

Nasional Sekolah

Menengah Atas


yang dibangun


Metode

Clustering K-

Means


yang dibangun

jLabel7 JLabel Panduan

Penggunaan

Keterangan Label

Jinformasi jTextField Berisi Panduan

Penggunaan


NITA

KURNIADEWI-

125314031

Identitas pembuat

perangkat lunak


SAINS DAN


universitas pembuat


50

TEKNOLOGI

UNIVERSITAS

SANATA

DHARMA

perangkat lunak


universitas pembuat

perangkat lunak


pembuatan perangkat

lunak

Implementasi antarmuka dari kelas Tentang dapat dilihat pada gambar 5.4

berikut ini.

Gambar 5. 4 Implementasi Antaramuka Kelas Bantuan


51

Spesifikasi detail dari kelas KMeans dapat dilhat pada tabel 5.5 berikut:

Tabel 5. 5 Implementasi Kelas KMeans

Method Tipe Keterangan

findCentroidBaru() float Method untuk menemukan

centroid baru

sequentialsearch() int Mencari index nilai yang

kecil

Min () static Menemukan nilai yang

lebih kecil

Centroid() ArrayList<Integer> Menentukan centroid awal

Spesifikasi detail dari kelas KMeans dapat dilhat pada tabel 5.6 berikut:

Tabel 5. 6 Implementasi Kelas KMeans

Method Tipe Keterangan

hitungjarakSilhoute() ArrayList<ArrayList

<Double>>

Menghitung jarak anatar

data

Sillhoute() StringBuffer Menghitung Sillhouette

Index

5.2. EVALUASI HASIL

5.2.1. Pengujian Perangkat Lunak (Black Box)

5.2.1.1. Rencana Pengujian Black Box

Pada tabel 5.7 dibawah ini akan dijelaskan rencana pengujian dengan

menggunakan metode black box.


52

Tabel 5. 7 Rencana pengujian dengan menggunakan metode black box.

No. Use Case Butir Uji Kasus Uji

1. Input Berkas

Pengujian input berkas data dari file

bertipe .xls UC1-01

Pengujian input berkas data dari file

selain bertipe .xls UC1-02

2.

Seleksi

Atribut

Pengujian memilih atribut yang

digunakan untuk clustering UC2-01

Pengujian tidak memilih atribut

yang akan digunakan UC2-02

4. Proses

Clustering

Pengujian melakukan proses

clustering K-Means UC4-01

5. Simpan Hasil

Clustering

Pengujian menyimpan hasil

clustering K-Means ke dalam file. UC5-01

5.2.1.2. Prosedur Pengujian Black Box dan Kasus Uji

Setelah menyusun rencana pengujian pada tabel 5.7, maka dilakukan

prosedur pengujian serta kasus uji yang terlampir pada lampiran 9.

5.2.1.3. Evaluasi Pengujian Black Box

Seluruh hasil pengujian black box pada lampiran 15 menunjukan bahwa

perangkat lunak sudah dapat berjalan dengan baik dan sesuai dengan

perancaangan yang sudah dibuat. Hal ini dapat dilihat dari semua fungsi yang

sudah berjalan sesuai dengan yang diharapkan. Perangkat lunak ini juga mampu

menampilkan pesan kesalahan atau error saat perangkat lunak sedang dijalankan

kesalahan user. Hal ini sangat baik karena dapat memudahkan user dalam

menggunakan perangkat lunak ini.

5.2.2. Pengujian Perbandingan Hasil Hitung Manual dengan Hasil

Perangkat Lunak

5.2.2.1. Penghitungan Manual

Pengujian manual menggunakan data ujian nasional IPA di Daerah

Istimewa Yogyakarta tahun ajaran 2014/2015.


53

Proses penghitungan manual dilakukan dengan menggunakan aplikasi

Microsoft Excel. Dalam proses clustering ini menggunakan k=2. Proses

penghitungan manual beserta dengan hasilnya dapat dilihat pada Lampiran 10.

5.2.2.2. Penghitungan Perangkat Lunak

Pengujian perhitungan perangkat lunak menggunakan data yang sama

dengan perhitungan manual yaitu data nilai ujian nasional IPA di Daerah

Istimewa Yogyakarta tahun ajaran 2014/2015.

Proses penghitungan menggunakan perangkat lunak. Dalam proses

clustering ini menggunakan k=2.

Proses penghitungan manual beserta dengan hasilnya dapat dilihat pada

gambar 5.5 berikut ini.

Gambar 5. 5 Hasil Penambangan Data Menggunakan Perangkat Lunak


54

5.2.2.3. Evaluasi Pengujian Perbandingan Hitung Manual dengan Hasil

Perangkat Lunak

Hasil clustering K-Means secara manual dengan dihasilkan oleh perangkat

lunak tidak memiliki perbedaan. Hasil yang diperoleh perangkat lunak sama

dengan hasil yang diperoleh dengan menghitung manual. Disimpulkan perangkat

lunak sudah berjalan dengan baik dan sesuai dengan yang diharapkan.

Tabel 5. 8 Hasil uji perbandingan member percluster secara manual dan sistem

Cluster Manual Sistem

1

SMA NEGERI 1

YOGYAKARTA

SMA NEGERI 1

YOGYAKARTA

SMA NEGERI 3

YOGYAKARTA

SMA NEGERI 3

YOGYAKARTA

SMA NEGERI 8

YOGYAKARTA

SMA NEGERI 8

YOGYAKARTA

2

SMA NEGERI 2

YOGYAKARTA

SMA NEGERI 2

YOGYAKARTA

SMA NEGERI 9

YOGYAKARTA

SMA NEGERI 9

YOGYAKARTA

SMA NEGERI 5

YOGYAKARTA

SMA NEGERI 5

YOGYAKARTA

SMA NEGERI 6

YOGYAKARTA

SMA NEGERI 6

YOGYAKARTA

SMA NEGERI 7

YOGYAKARTA

SMA NEGERI 7

YOGYAKARTA


55


Nasional Jurusan IPA Tahun Ajaran 2014/2015

Pada pengujian perangkat lunak dengan menggunakan Dataset nilai

ujian nasional SMA jurusan IPA 2014/2015 dengan memberikan nilai k =

2,3,4...139 didapatkan hasil seperti pada tabel 5.9.

Tabel 5. 9 Hasil Pengujian Dataset dengan rata-rata Silhouette data set Nilai Ujian

Nasional Jurusan IPA 2014/2015

k

Rata-rata

Silhouette

data set

2 0,49

3 0,41

4 0,38

5 0,33

6 0,45

7 0,26

8 0,25

9 0,22

10 0,19

11 0,23

12 0,20

13 0,19

14 0,18

15 0,23

16 0,15

17 0,15

18 0,17

19 0,17

20 0,15

21 0,29

22 0,28

23 0,29

24 0,15

25 0,19

26 0,19

27 0,19

28 0,18

29 0,12

30 0,13

31 0,12

32 0,11

33 0,13

34 0,16

35 0,17

36 0,25

37 0,32

38 0,34

39 0,32

40 0,34

41 0,32

42 0,30

43 0,31

44 0,31

45 0,31

46 0,33

47 0,29

48 0,28

49 0,28

50 0,25

51 0,30

52 0,31

53 0,32

54 0,29

55 0,30

56 0,35

57 0,32

58 0,39

59 0,37

60 0,36


56

61 0,39

62 0,38

63 0,37

64 0,38

65 0,39

66 0,38

67 0,40

68 0,41

69 0,44

70 0,44

71 0,50

72 0,54

73 0,55

74 0,55

75 0,54

76 0,57

77 0,57

78 0,58

79 0,54

80 0,59

81 0,58

82 0,55

83 0,58

84 0,56

85 0,59

86 0,62

87 0,61

88 0,61

89 0,58

90 0,59

91 0,61

92 0,63

93 0,64

94 0,67

95 0,68

96 0,67

97 0,68

98 0,70

99 0,69

100 0,70

101 0,70

102 0,70

103 0,73

104 0,72

105 0,73

106 0,74

107 0,76

108 0,77

109 0,77

110 0,80

111 0,79

112 0,78

113 0,79

114 0,81

115 0,81

116 0,82

117 0,83

118 0,83

119 0,84

120 0,85

121 0,86

122 0,87

123 0,88

124 0,89

125 0,89

126 0,90

127 0,91

128 0,92

129 0,92

130 0,93

131 0,93

132 0,94

133 0,95

134 0,96

135 0,97

136 0,97

137 0,98

138 0,99

139 0,99


57

Gambar 5. 6 Rata-rata Silhouette data set Jurusan IPA

Berdasarkan hasil pengujian seperti yang terlihat pada tabel 5. 9 data

set Nilai Ujian Nasional SMA Jurusan IPA tahun 2014/2015 dengan memberikan

k = 2,3,4 ... 139 didapatkan hasil sebagai berikut :

1. Nilai rata-rata silhouette data set tertinggi adalah 0.99 yang

terdapat pada k = 139. Hal ini menurut interpretasi Kauffman dan

Rousseeuw (1990) SC dengan nilai 0.99 dikatakan Strong Classification.

Namun pada kasus data set pengelompokan sekolah SMA berdasarkan

nilai ujian nasional jika dikelompokan menjadi 139 cluster dirasa tidak

rasional dan tidak bermanfaat karena tujuan pengelompokan sekolah salah

satunya adalah untuk pembinaan (misal oleh pengawas sekolah). Menurut

peraturan mentri pendidikan dan kebudayaan pengawas sekolah minimal

mengawasi 7 sekolah berarti untuk n=140 k yang rasional berkisar antara 2

sampai 20.

2. Berdasarkan tabel 5.9 dan gambar 5.6 dapat dilihat hasil rata-rata

Silhouette data set Jurusan IPA ketika diberi k = 2 hasil silhouette = 0.49

dan ketika diberikan k yang semakin besar hasil silhouette semakin kecil,

Silhouette dataset terkecil pada k = 32 yaitu sebesar 0.11 selanjutnya pada

k = 33 nilai Silhouette dataset beranjak semakin membesar hingga k =138

dengan nilai 0.99. Berdasarkan hal tersebut nilai rata-rata Silhouette data

set tertinggi dan yang paling rasional ketika k = 2 dengan nilai 0.49 yang

0

0,2

0,4

0,6

0,8

1

1,2

0 20 40 60 80 100 120 140 160

Silh

ou

ette

Jumlah k

Rata-rata Silhouette data set Jurusan IPA


58

dapat dikategorikan sebagai weak Classification. (Kauffman dan

Rousseeuw .1990).


Nasional Jurusan IPS Tahun Ajaran 2014/2015

Pada pengujian perangkat lunak dengan menggunakan Dataset nilai

ujian nasional SMA jurusan IPS 2014/2015 dengan memberikan nilai k =

2,3,4...158 didapatkan hasil seperti pada tabel 5.11.


Ujian Nasional Jurusan IPS 2014/2015

k

Rata-rata

Silhouette

data set

2 0,57

3 0,51

4 0,43

5 0,37

6 0,38

7 0,32

8 0,29

9 0,24

10 0,28

11 0,25

12 0,27

13 0,22

14 0,20

15 0,26

16 0,20

17 0,19

18 0,22

19 0,18

20 0,24

21 0,23

22 0,22

23 0,22

24 0,22

25 0,23

26 0,21

27 0,23

28 0,21

29 0,20

30 0,21

31 0,21

32 0,19

33 0,19

34 0,25

35 0,24

36 0,28

37 0,31

38 0,30

39 0,29

40 0,31

41 0,30

42 0,30

43 0,29

44 0,29

45 0,29

46 0,29

47 0,29

48 0,29

49 0,30

50 0,29

51 0,29

52 0,28

53 0,31

54 0,38


59

55 0,38

56 0,41

57 0,42

58 0,40

59 0,47

60 0,46

61 0,45

62 0,45

63 0,46

64 0,45

65 0,45

66 0,45

67 0,44

68 0,43

69 0,41

70 0,42

71 0,46

72 0,47

73 0,49

74 0,49

75 0,50

76 0,51

77 0,51

78 0,50

79 0,50

80 0,51

81 0,51

82 0,52

83 0,54

84 0,55

85 0,54

86 0,58

87 0,56

88 0,60

89 0,61

90 0,61

91 0,61

92 0,62

93 0,63

94 0,65

95 0,65

96 0,66

97 0,68

98 0,69

99 0,69

100 0,71

101 0,71

102 0,73

103 0,73

104 0,74

105 0,74

106 0,76

107 0,77

108 0,77

109 0,78

110 0,77

111 0,77

112 0,78

113 0,79

114 0,81

115 0,81

116 0,82

117 0,81

118 0,81

119 0,81

120 0,81

121 0,81

122 0,82

123 0,82

124 0,82

125 0,82

126 0,83

127 0,84

128 0,84

129 0,84

130 0,85

131 0,86

132 0,86

133 0,86

134 0,87

135 0,87

136 0,87


60

137 0,88

138 0,89

139 0,90

140 0,90

141 0,91

142 0,91

143 0,92

144 0,92

145 0,93

146 0,94

147 0,94

148 0,94

149 0,95

150 0,95

151 0,96

152 0,97

153 0,97

154 0,98

155 0,98

156 0,98

157 0,99

158 0,99


61

Gambar 5. 7 Rata-rata Silhouette data set Jurusan IPS

Berdasarkan hasil pengujian seperti yang terlihat pada tabel 5. 11 data

set Nilai Ujian Nasional SMA Jurusan IPS tahun 2014/2015 dengan memberikan

k = 2,3,4 ... 158 didapatkan hasil sebgai berikut :

1. Nilai rata-rata Silhouette data set tertinggi adalah 0.99 yang terdapat pada k

= 158. Hal ini menurut interpretasi Kauffman dan Rousseeuw (1990) SC

dengan nilai 0.99 dikatakan Strong Classification. Namun pada kasus data

set pengelompokan sekolah SMA berdasarkan nilai ujian nasional jika

dikelompokan menjadi 158 cluster dirasa tidak rasional dan tidak

bermanfaat karena tujuan pengelompokan sekolah sekolah salah satunya

untuk pembinaan (misaln oleh pengawas sekolah). Menurut peraturan

mentri pendidikan dan kebudayaan pengawas sekolah minimal mengawasi 7

sekolah berarti untuk n = 159 nilai k yang rasional berkisar antara 2 sampai

22.

2. Berdasarkan tabel 5.10 dan gambar 5.7 dapat dilihat hasil rata-rata

Silhouette data set Jurusan IPS ketika diberi k = 2 hasil silhouette = 0.57

dan ketika diberikan k yang semakin besar hasil silhouette semakin kecil,

Silhouette dataset terkecil pada k = 19 yaitu sebesar 0.19 selanjutnya pada k

= 20 nilai Silhouette dataset beranjak semakin membesar hingga k = 31

namun pada k = 32 dan k = 33 Silhouette dataset kembali mengecil yaitu

0

0,2

0,4

0,6

0,8

1

1,2

0 50 100 150 200

Silh

ou

ette

Jumlah k

Rata-rata Silhouette data set Jurusan IPS


62

dengan nilai 0.19. Pada k = 34 nilai Silhouette dataset semakin membesar

hingga k = 158 dengan nilai 0.99. Berdasarkan hal tersebut nilai rata-rata

Silhouette data set tertinggi dan yang paling rasional ketika k = 2 dengan

nilai 0.57 dan k = 3 dengan nilai 0.51 yang dapat dikategorikan sebagai

good Classification. (Kauffman dan Rousseeuw.1990).

5.3. KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK

5.3.1. Kelebihan Perangkat Lunak

Kelebihan yang dimiliki oleh perangkat lunak pengelompokan

menggunakan algoritma K-Means ini adalah :

1. Sistem dapat menerima masukan file bertipe .xls

2. Sistem dapat menyeleksi atribut sehingga user tidak perlu menghapus

kolom atau atribut yang tidak ingin digunakan secara manual.

3. Sistem menyediakan isian nilai k sesuai yang diinginkan user.

4. Sistem dapat menampilkan hasil pengelompokan yang mudah dipahami

oleh user.

5. Sistem dapat menampilkan waktu lama proses clustering

6. Sistem dapat menyimpan hasil pengelompokan menggunakan algoritma

K-Means dengan hasil penyimpanan bertipe .xls.

7. Data yang disimpan setelah dilakukan pengelompokan tidak hanya nama

sekolah saja melainkan nilai sekolah juga ikut menyertainya.

5.3.2. Kekurangan Perangkat Lunak

Kekurangan yang dimiliki oleh perangkat lunak pengelompokan

menggunakan algoritma K-Means ini adalah:

1. Data masuk yang diterima oleh sistem masih terbatas yaitu hanya dari

file bertipe .xls.

2. Sistem hanya dapat melakukan seleksi kolom, tidak dapat melakukan

seleksi baris.

3. Sistem tidak dapat mengubah nilai data secara langsung dari tabel data

pada sistem

4. Ketentuan seleksi atribut diharuskan baris pertama nama sekolah.


63

5. Sistem hanya dapat menyimpan hasil pengelompokan menggunakan

algoritma K-Means berupa file bertipe .csv.


64

BAB VI

PENUTUP

6.1. SIMPULAN

Dari pengujian-pengujian yang dilakukan pada sistem Pengelompokan

Sekolah Menengah Atas Di Daerah Istimewa Yogyakarta tahun ajaran 2014/2015

jurusan IPA dan IPS berdasarkan Nilai Ujian Nasional Menggunakan Algoritma

K-Means Clustering ditarik kesimpulan sebagai berikut:

1. Aplikasi pengelompokan Sekolah Menengah Atas Di Daerah Istimewa

Yogyakarta Berdasarkan Nilai Ujian Nasional Menggunakan Metode

Clustering Algoritma K-Means telah berhasil dibangun dan dapat

digunakan untuk mengelompokkan Sekolah Menengah Atas di DIY.

2. Algoritma K-Means dapat digunakan untuk mengelompokkan Nilai Hasil

Ujian Nasional SMA jurusan IPA dan IPS tahun ajaran 2014/2015 di

Daerah Istimewa Yogyakarta dengan cara melakukan proses awal

pembersihan data, integrasi data dan seleksi data. Proses selanjutnya

adalah melakukan proses data mining dengan menerapkan algoritma K-

Means yang diawali dengan memasukan nilai k. Selanjutnya menghitung

jarak antara data dengan centroid cluster yang dilakukan berulang hingga

kondisi centroid lama dengan centroid baru bernilai sama, maka akan

didapatkan hasil pengelompokan. Dalam satu kelompok terdapat anggota

sekolah dengan nilai-nilai yang berdekatan.

3. Telah dilakukan evaluasi pengelompokan Data Ujian Nasional Jurusan

IPA dan IPS tahun ajaran 2014/2015 menggunakan Silhouette Coeficient

(SC) dengan nilai k=2 samapi dengan k = n-1. Berdasarkan hasil

Silhouette Coeficient (SC) pengelompokan tersebut dapat disimpulkan

bahwa:

- Tidak ada nilai Silhouette yang negatif, maka berarti data-data yang

dikelompokan tepat berada pada cluster masing-masing.


65

- Silhouette dataset yang didapatkan untuk data nilai ujian jurusan IPA

berkisar antara 0.12 yang berada di k = 29 sampai 0.99 ketika k=138.

Sedangkan Silhouette dataset yang didapatkan untuk data nilai ujian

jurusan IPS berkisar antara 0.18 yang berada di k = 19 sampai 0.99

ketika k=158.

- Untuk data nilai ujian jurusan IPA ketika k = 2 diperoleh Silhouette

dataset 0.49 dan ketika diberikan k yang semakin besar maka diperoleh

Silhouette dataset yang didapatkan semakin kecil, Silhouette dataset

terkecil pada k = 32 yaitu sebesar 0.11 selanjutnya pada k = 33 hasil

nilai Silhouette dataset semakin membesar hingga k =138 dengan nilai

0.99.

- Untuk data nilai ujian jurusan IPS ketika k = 2 diperoleh Silhouette

dataset 0.57 dan ketika diberikan k yang semakin besar maka diperoleh

Silhouette dataset yang didapatkan semakin kecil, Silhouette dataset

terkecil pada k = 19 yaitu sebesar 0.19 selanjutnya pada k = 20 hasil

nilai Silhouette dataset semakin membesar hingga k = 31 namun pada k

= 32 dan k = 33 Silhouette dataset kembali mengecil yaitu dengan nilai

0.19. Pada k = 34 nilai Silhouette dataset semakin membesar hingga k =

158 dengan nilai 0.99.

- Dari kedua data yang digunakan yaitu IPA dan IPS tahun ajaran

2014/2015 dihasilkan nilai SC untuk data IPA sebesar 0.49 pada k = 2

yang dikategorikan sebagai weak Classification dan untuk data IPS

sebesar 0.57 pada k = 2 dan 0.51 pada k=3 yang dikategorikan sebagai

good Classification. Dengan demikian jumlah cluster yang disarankan

untuk data nilai ujian jurusan IPA adalah 2 dan untuk IPS adalah 2 atau

3.

6.2. SARAN

Berdasarkan hasil pada tugas akhir ini, penulis memberikan saran untuk

perbaikan dan pengembangan program lebih lanjut antara lain:

1. Sistem ini bisa dilengkapi dengan tambahan pembaca data dari format

selain .xls misal .csv, .doc, dan .txt.


66

2. Perangkat Lunak dapat menyimpan hasil clustering kedalam file

selain.csv.

3. Perangkat lunak dapat menampilkan hasil clustering ke dalam

tampilan yang lebih menarik misalnya plot diagram.

4. Pada bagian seleksi atribut, perangkat lunak dapat dilakukan seleksi

baris.


67

DAFTAR PUSTAKA

Anonim.2014.Lampiran Peraturan Menteri Pendidikan dan Kebudayaan Nomor

143 Tahun 2014.Jakarta

Anonim.2014.Peraturan Menteri Pendidikan dan Kebudayaan Nomor 143 Tahun

2014.Jakarta

Anonim.2015.Peraturan Pemerintah Republik Indonesia.Jakarta

Han, Jiawei dan Kamber, Micheline.2006. Data Mining Consepts and Techniques

2Edition .San Fransisco:Morgan Kaudmann

Han, Jiawei dan Kamber, Micheline.2012. Data Mining Consepts and Techniques

3Edition .San Fransisco:Morgan Kaudmann

Handoyo, Rendy dkk.2014. Perbandingan Metode Clustering Menggunakan

Metode Single Linkage Dan K - Means Pada Pengelompokan Dokumen.

VOL 15, NO 2, Oktober 2014.

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

Kadir, Abdul.2014.Teori dan Aplikasi Struktur Data Menggunakan

Java.Yogyaakarta:Andi

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

Introduction to Cluster Analysis. New York:Wiley

Kemendikbud, 2015. Kemendikbud Umumkan Tujuh Provinsi Dengan Indeks

Integritas Tertinggi Dalam UN 2015.

http://litbang.kemdikbud.go.id/index.php/un diakses tanggal 7 Februari

2015.

Kusrini dan Luthfi, Emha Taufiq.2009.Algoritma Data Mining.Yogyakarta:Andi


http://litbang.kemdikbud.go.id/index.php/un

68

Muhammad, Ardiansyah. Penggunaan Jarak Dynamic Time Warping (Dtw) Pada

Analisis Cluster Data Deret Waktu (Studi Kasus Pada Dana Pihak Ketiga

Provinsi Seindonesia), hal. 2.

Nugroho, Adi.2009.Algoritma dan Struktur Data dengan C#. Yogyakarta:Andi

Prasetyo, Eko.2014. Data Mining-Mengolah Data Menjadi Informasi

Menggunakan Matlab. Yogyakarta: Andi

Sismoro,Heri dan Iskandar, Kusrini.2004.Struktur Data dan Pemrograman

dengan Pascal .Yogyakarta:Andi

Sulistyo,Gunadi H.Ujian Nasional(UN):Harapan, Tantangan, dan Peluang. Jurnal

Ujian Nasional. Vol.9 No.1, April 2007

Turban, E, Ramesh Sharda, Dursun Delen 2015. Decision Support System and

Intelligent System (System Pendukung Keputusan dan Sistem Cerdas).

Andi: Yogyakarta


PENGELOMPOKAN SEKOLAH MENENGAH ATAS DI PROVINSI … · yang merupakan data Ujian Nasional SMA...

Documents

Transcript of PENGELOMPOKAN SEKOLAH MENENGAH ATAS DI PROVINSI … · yang merupakan data Ujian Nasional SMA...