SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN JURUSAN PADA SISWA SMA MENGGUNAKAN METODE KNN DAN SMART

Transkripsi

1 IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN JURUSAN PADA SISWA SMA MENGGUNAKAN METODE KNN DAN SMART Yen Kustyahnngsh, Nkmatus Syafa ah Jurusan Teknk Informatka, Fakutas Teknk, Unverstas Trunojoyo Jl. Raya Telang PO. BOX 2 Kamal, Bangkalan, Madura, ykustyahnngsh@yahoo.com Abstract The development of technology has great nfluences n a scence one of the example s a process decson support stpulaton of degree for Senor Hgh School student. Ths stpulaton of degree s mportant problem because t can be nfluenced n choosng of academy. Hence, ths process decson support s workng outstandngly manually by the regent s class or BP s teacher that s less accurate because of subjectvty. Because of that to stpulate the degree to senor hgh school student, t s used KNN and SMART method. KNN (K-Nearest Neghbor) s classfcaton method wth to look for the nearest data to data whch wll be evaluated wth K nearest neghbor n tranng of data. Meanwhle SMART (Smple Mult Attrbute Ratng Technque) s a decson support that s mult attrbute. Data or nput that s used n calculaton KNN method s offcal school report whch t wll be produce a degree caused by offcal report. The result of degree caused by the offcal report wll be proceed by usng SMART method wth the result of psychology test, student s proclvty and parent s suggeston. By usng KNN and SMART method, that can be resulted a degree more optmal from the ndcator or crtera that s enterng by objectve wth the result that has more nearng the accurately for the data of 62.5 %. Keywords: DSS (Decson Support System), KNN (K-Nearest Neghbor), SMART (Smple Mult Attrbute Ratng Technque) 1. PENDAHULUAN Saat n mash banyak sswa SMA yang bngung dan ragu untuk menentukan jurusan apa yang sesua dengan kemampuan mereka masng-masng. Padahal penentuan jurusan adalah masalah yang sangat pentng karena berpengaruh pada pemlhan perguruan tngg. Basanya untuk mengatas masalah tersebut sswa hanya berkonsultas secara langsung kepada guru wal kelas, BP atau dengan orangtua masng-masng yang dlakukan secara manual sehngga memakan waktu yang cukup lama. Selan tu pengamblan keputusan yang dlakukan secara manual oleh wal kelas atau guru BP danggap kurang akurat karena bersfat subyektf. Tetap serng dengan perkembangan teknolog hal tu bukan menjad masalah lag karena sudah banyak aplkas yang dbuat untuk menyelesakan masalah tersebut. Pada peneltan n dbuat suatu aplkas sstem pengamblan keputusan untuk menentukan jurusan pada sswa SMA. Penjurusan yang ada pada sswa SMA terbag menjad 3 jurusan yatu IPA, IPS, dan BAHASA. Dalam menentukan jurusan pada sswa SMA dbutuhkan nla ratarata raport sswa kelas X semester 1 dan 2, hasl tes pskolog, mnat sswa, dan saran orang tua. Untuk menghtung nla raport sswa dgunakan metode KNN (K-Nearest Neghbor). KNN adalah metode klasfkas dengan mencar jarak terdekat antara data yang akan devaluas dengan K tetangga (neghbor) terdekatnya dalam data pelathan. Setelah tu semua krtera termasuk nla raport sswa yang telah dhtung menggunakan metode KNN akan dproses menggunakan metode pembobotan SMART. Pemlhan metode SMART dkarenakan metode n dapat melakukan pengamblan keputusan yang multatrbut. Sehngga dharapkan akan Receved June 1 st,2012; Revsed June 25 th, 2012; Accepted July 10 th, 2012

2 20 ISSN: tercpta suatu sstem pengamblan keputusan yang akurat dan dapat menyelesakan permasalahan dalam menentukan jurusan pada sswa SMA. Tujuan peneltan n adalah membuat suatu aplkas sstem pendukung keputusan untuk membantu Guru maupun Sswa SMA dalam menentukan jurusan menggunakan metode KNN (K-Nearest Neghbor) dan SMART (Smple Mult Attrbute Ratng Technque). Metode KNN Prnsp kerja K-Nearest Neghbor (KNN) adalah mencar jarak terdekat antara data yang akan devaluas dengan K tetangga (neghbor) terdekatnya dalam data pelathan [1]. Teknk n termasuk dalam kelompok klasfkas nonparametrc. D sn kta tdak memperhatkan dstrbus dar data yang ngn kta kelompokkan. Teknk n sangat sederhana dan mudah dmplementaskan. Mrp dengan teknk klasterng, kta mengelompokkan suatu data baru berdasarkan jarak data baru tu ke beberapa data/tetangga (neghbor) terdekat [4]. Tujuan algortma KNN adalah mengklasfkaskan obyek baru berdasarkan atrbut dan tranng sample. Clasfer tdak menggunakan model apapun untuk dcocokkan dan hanya berdasarkan pada memor. Dberkan ttk query, akan dtemukan sejumlah k obyek atau (ttk tranng) yang palng dekat dengan ttk query. Klasfkas menggunakan votng terbanyak dantara klasfkas dar k obyek. Algortma KNN menggunakan klasfkas ketetanggaan sebaga nla predks dar query nstance yang baru. Algortma metode KNN sangatlah sederhana, bekerja berdasarkan jarak terpendek dar query nstance ke tranng sample untuk menentukan KNN-nya. Nla k yang terbak untuk algortma n tergantung pada data. Secara umum, nla k yang tngg akan mengurang efek nose pada klsfkas, tetap membuat batasan antara setap klasfkas menjad semakn kabur. Nla k yang bagus dapat dplh dengan optmas parameter, msalnya dengan menggunakan cross-valdaton. Kasus khusus dmana klasfkas dprekdskan berdasarkan tranng data yang palng dekat (dengan kata lan, k=1) dsebut algortma Nearest Neghbor [5]. Kelebhan KNN (K-Nearest Neghbor) [5]: 1. Tangguh terhadap tranng data yang memlk banyak nose. 2. Efektf apabla tranng datanya besar. Kelemahan KNN (K-Nearest Neghbor) [5]: 1. KNN perlu menentukan nla dar parameter k (jumlah dar tetangga terdekat). 2. Tranng berdasarkan jarak tdak jelas mengena jens jarak apa yang harus dgunakan. 3. Atrbut mana yang harus dgunakan untuk mendapatkan hasl terbak. 4. Baya komputas cukup tngg karena dperlukan perhtungan jarak dar tap query nstance pada keseluruhan tranng sample. Metode SMART (Smple Mult Attrbute Ratng Technque) SMART merupakan metode pengamblan keputusan yang multatrbut. Teknk pembuatan keputusan multatrbut n dgunakan untuk membantu stakeholder dalam memlh antara beberapa alternatf. Setap alternatf terdr dar sekumpulan atrbut dan setap atrbut mempunya nla-nla, nla n drata-rata dengan skala tertentu. Setap atrbut mempunya bobot yang menggambarkan seberapa pentng a dbandngkan dengan atrbut lan [5]. Dengan SMART pembobotan atrbut dlakukan dengan dua langkah yatu: 1. Mengurutkan kepentngan suatu atrbut dar level terburuk ke level terbak. 2. Membuat perbandngan raso kepentngan setap atrbut dengan atrbut lan dbawahnya. SMART lebh banyak dgunakan karena kesederhanaanya dalam merespon kebutuhan pembuat keputusan dan caranya menganalsa respon. Analsa yang terlbat adalah transparan sehngga metode n memberkan pemahaman masalah yang tngg dan dapat dterma oleh pembuat keputusan. Pembobotan pada SMART menggunakan skala antara 0 sampa 1, sehngga mempermudah perhtungan dan perbandngan nla pada masng-masng alternatf. Model yang dgunakan dalam SMART: IJCCS Vol. x, No. x, July 201x : frst_page end_page

3 IJCCS ISSN: m u ( a ) w ju( a ), 1,2,... m J 1 (2) Keterangan: w j = nla pembobotan krtera ke-j dan k krtera u(a ) = nla utlty krtera ke- untuk krtera ke- Pemlhan keputusan adalah mengdentfkas mana dar n alternatf yang mempunya nla fungs terbesar. 2. METODE PENELITIAN Untuk memperoleh gambaran yang jelas mengena peneltan n, maka penuls membuat metodolog peneltan sebaga berkut : 1. Pengumpulan Data (Data Collectng) Data yang dkumpulkan yatu data mater pembelajaran dan data pelathan. Data mater pembelajaran dperoleh dengan cara pencaran artkel lewat nternet dan pembelajaran buku referens. Sedangkan data pelathan melput nla-nla sswa SMA, hasl tes pskolog, angket mnat sswa dan saran orang tua serta data denttas pemlk nla tersebut. 2. Stud Lteratur Stud lteratur dlaksanakan dengan cara mengumpulkan dan mempelajar segala macam nformas yang berhubungan dengan Penjurusan Sswa SMA, Sstem Pengamblan Keputusan, Metode KNN (K-Nearest Neghbor), metode SMART (Smple Mult Attrbute Ratng Technque) dan segala hal yang berhubungan dengan model pemrogramannya. D bawah n merupakan flowchart dar metode KNN: Start KNN Input data testng Tetapkan nla K = 5 Data Sampel Htung Jarak Eucldan d p 2 x2 x1 1 Urutkan hasl perhtungan jarak Plh alternatf terbanyak Hasl keputusan penentuan jurusan berdasarkan nla raport End Gambar 1 Flowchart algortma KNN Algortma KNN 1. Tentukan parameter K 2. Htung jarak antara data yang akan devaluas dengan semua pelathan Ttle of manuscrpt s short and clear, mples research results (Frst Author)

4 22 ISSN: Urutkan jarak yang terbentuk (urut nak) 4. Tentukan jarak terdekat sampa urutan K 5. Pasangkan kelas yang bersesuaan 6. Car jumlah kelas dar tetangga yang terdekat dan tetapkan kelas tersebut sebaga kelas data yang akan devaluas Rumus KNN: d p x x1 1 Keterangan: x 1 = Sampel Data x 2 = Data Uj / Testng = Varabel Data d = Jarak p = Dmens Data D bawah n merupakan flowchart dar metode SMART 2 2 (1) Start SMART Input jumlah krtera dan bobotnya Normalsas bobot Input nla krtera untuk setap alternatf Htung nla utlty untuk setap krtera ( Cmax Cout ) u ( a ) 100 % ( C C ) max mn Htung nla akhr u( a ) m J 1 w u ( a ) j Hasl keputusan penentuan jurusan IJCCS Vol. x, No. x, July 201x : frst_page end_page End Gambar 3 Flowchart dar Metode SMART Teknk SMART 1. Langkah 1: menentukan jumlah krtera 2. Langkah 2: sstem secara default memberkan skala berdasarkan prortas yang telah dnputkan kemudan dlakukan normalsas. wj Normalsas = (3) w j Keterangan : w j : bobot suatu krtera

5 IJCCS ISSN: w j : total bobot semua krtera 3. Langkah 3: memberkan nla krtera untuk setap alternatf. 4. Langkah 4: htung nla utlty untuk setap krtera masng-masng. ( C u( a ) 100 ( C max max C C out mn ) % ) (4) Keterangan : u (a ) : nla utlty krtera ke-1 untuk krtera ke- C max : nla krtera maksmal C mn : nla krtera mnmal C out : nla krtera ke- 5. Langkah 5: htung nla akhr masng-masng. m u( a ) w u ( a ) j J 1 (5) 3. Perancangan Sstem Pada tahap n dlaksanakan perancangan Sstem Perangkat Lunak yang akan dbuat berdasarkan hasl stud lteratur yang ada. Perancangan Perangkat Lunak n melput desan database, desan struktur data, desan alran nformas, desan antar muka, desan algortma dan pemrograman. Perancangan n dengan membuat alur program, menentukan algortma yang sesua agar program dapat berjalan dengan bak dan efsen. 4. Pembuatan Sstem Pembuatan program dan mplementas dlakukan secara bertahap dengan acuan stud lteratur dan perancangan sstem yang telah dbuat. Perancangan sstem yang telah dbuat akan dmplementaskan pada bahasa pemrograman yang telah dsepakat. 5. Pengujan dan Evaluas Pada tahap n dlakukan uj coba program untuk mencar masalah yang mungkn tmbul, mengevaluas jalannya program, dan mengadakan perbakan jka ada kekurangan. 6. Penyusunan Laporan Peneltan Penyusunan laporan dlakukan pada tahap akhr sebaga dokumentas dar pelaksanaan Peneltan. Dokumentas n dbuat untuk menjelaskan aplkas agar memudahkan orang lan yang ngn mengembangkan aplkas lebh lanjut. 3. HASIL DAN PEMBAHASAN Analsa Input Dalam metode peneltan n ada bobot dan krtera yang dbutuhkan untuk menentukan jurusan apa yang cocok bag sswa tersebut. Adapun krteranya adalah: 1. Rata-rata nla raport semester 1 dan 2, sebanyak 12 mata pelajaran yatu: Matematka, Fska, Kma, Bolog, Ekonom, Geograf, Sejarah, Sosolog, Bahasa Indonesa, Bahasa Inggrs, Sen Budaya, dan Bahasa Jepang. 2. Hasl test pskolog 3. Mnat sswa, dan 4. Saran/anjuran orang tua Ttle of manuscrpt s short and clear, mples research results (Frst Author)

6 24 ISSN: Adapun bobot kepentngan dar tap-tap krtera yang telah ada adalah: Tabel 1. Tabel Data Bobot Saran Nla Raport Test Pskolog Mnat Sswa Orang Tua 30 % 20 % 40 % 10 % Bobot n berdasarkan. Analsa Output Keluaran yang dhaslkan dar peneltan n adalah sebuah alternatf yang memlk nla tertngg dbandngkan dengan alternatf yang lan. Pada peneltan n hasl keluarannya dambl dar urutan alternatf tertngg ke alternatf terendah. Alternatf yang dmaksud adalah jurusan IPA, IPS, atau BAHASA. Hasl akhr yang dkeluarkan oleh program nant berasal dar jumlah keseluruhan dar nla setap krtera, karena dalam setap krtera memlk nla yang berbedabeda. Uj Aplkas dan User Interface 1. Form Utama Sebelum logn admn maupun user masuk ke menu utama terlebh dahulu, setelah tu baru melakukan logn. Form utama sepert pada Gambar 4. Gambar 4 Menu Utama 2. Form Logn Form logn berfungs untuk membatas hak akses pada user dalam mengakses ataupun menggunakan aplkas n. Dalam form n dmnta mengskan username serta password sebaga dentfkas sapa yang boleh mengakses ataupun untuk keamanan apkas. Bentuk tamplan dar form logn adalah sepert pada Gambar 5. Gambar 5 Form Logn 3. Form Penjurusan Pada form n admn dapat melakukan proses penjurusan dengan menggunakan metode KNN dan SMART dengan cara memlh sswa mana yang akan dproses dan dapat juga IJCCS Vol. x, No. x, July 201x : frst_page end_page

7 IJCCS ISSN: dlakukan dengan cara memproses sswa dalam 1 kelas sekalgus. Tamplan dar form penjurusan sepert pada Gambar 6, 7 dan 8. Analsa Uj Coba Pada proses uj coba n akan dlakukan 3 uj coba dengan menggunakan data atau krtera yang sama akan tetap memlk bobot yang berbeda. Gambar 6 Form Penjurusan Gambar 7 Form Proses KNN Gambar 8 Form Proses SMART Uj Coba I: Dengan menggunakan 4 krtera d atas dengan bobot: 1. Nla Raport = 30 % 2. Test Pskolog = 20 % 3. Mnat Sswa = 40 % 4. Saran Orang Tua = 10 % Maka dperoleh hasl perhtungan dengan menggunakan metode KNN dan SMART sepert pada Tabel 2. Dar hasl uj coba n dperoleh hasl penjurusan yang palng banyak kesamaanya dengan data yang asl (hasl dar penjurusan yang dlakukan oleh guru BP secara manual) yatu pada kelas X-7 sebanyak 20 sswa dar 32 sswa yang ada pada kelas tersebut. Sedangkan hasl penjurusan yang palng sedkt kesamaanya dengan data yang asl yatu pada kelas X-5 hanya 13 sswa saja dar 33 sswa yang ada pada kelas tersebut. Uj Coba II: Dengan menggunakan 4 krtera d atas dengan bobot: 1. Nla Raport = 35 % 2. Test Pskolog = 20 % 3. Mnat Sswa = 40 % 4. Saran Orang Tua = 5 % Ttle of manuscrpt s short and clear, mples research results (Frst Author)

8 26 ISSN: Maka dperoleh hasl perhtungan dengan menggunakan metode KNN dan SMART sepert pada Tabel 3. Dar hasl uj coba n dperoleh hasl penjurusan yang palng banyak kesamaanya dengan data yang asl (hasl dar penjurusan yang dlakukan oleh guru BP secara manual) yatu pada kelas X-4 sebanyak 19 sswa dar 33 sswa yang ada pada kelas tersebut. Sedangkan hasl penjurusan yang palng sedkt kesamaanya dengan data yang asl yatu pada kelas X-5 dan X-8 hanya 14 sswa saja dar 33 dan 34 sswa yang ada pada kelas tersebut. Uj Coba III: Dengan menggunakan 4 krtera d atas dengan bobot: 1. Nla Raport = 20 % 2. Test Pskolog = 15 % 3. Mnat Sswa = 60 % 4. Saran Orang Tua = 5 % Maka dperoleh hasl perhtungan dengan menggunakan metode KNN dan SMART sepert pada Tabel 4. Dar hasl uj coba n dperoleh hasl penjurusan yang palng banyak kesamaanya dengan data yang asl (hasl dar penjurusan yang dlakukan oleh guru BP secara manual) yatu pada kelas X-7 sebanyak 16 sswa dar 32 sswa yang ada pada kelas tersebut. Sedangkan hasl penjurusan yang palng sedkt kesamaanya dengan data yang asl yatu pada kelas X-5 hanya 5 sswa saja dar 33 sswa yang ada pada kelas tersebut. Tabel 2. Hasl uj coba skenaro I pada kelas X-7 Tabel 3. Hasl uj coba skenaro II pada kelas X-7 IJCCS Vol. x, No. x, July 201x : frst_page end_page

9 IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: Tabel 4. Hasl uj coba skenaro III pada kelas X-7 Hasl Analsa Uj Coba Dar ketga hasl uj coba datas, dapat dketahu bahwa dalam penentuan bobot untuk masng-masng krtera sangatlah berpengaruh pada hasl yang akan dperoleh dalam perhtungan dengan menggunakan metode KNN dan SMART. Jad dar ketga uj coba d atas yang memlk hasl penjurusan palng banyak kesamaanya dengan data yang asl yatu dtunjukkan pada uj coba I, pada sswa kelas X-7 sebanyak 32 sswa dalam 1 kelas. Untuk sswa yang masuk dalam jurusan IPA sebanyak 8 sswa, IPS sebanyak 23 sswa, dan Bahasa hanya 1 sswa. Dengan menggunakan metode KNN dan SMART dalam kelas yang sama dan jumlah sswa yang sama dperoleh hasl penjurusan bag sswa untuk jurusan IPA sebanyak 15 sswa, IPS sebanyak 15 sswa, dan Bahasa sebanyak 2 sswa. 4. KESIMPULAN Setelah menyelesakan Rancang Bangun Perangkat Lunak Sstem Pendukung Keputusan untuk Menentukan Jurusan Pada Sswa SMA Menggunakan Metode KNN (K-Nearest Neghbor) dan SMART dapat dambl beberapa kesmpulan sebaga berkut : 1. Dengan menggunakan metode KNN dan SMART dapat dperoleh hasl yang cukup mendekat keakuratan dar data yang telah ada sebesar 62,5 %, dhtung dar total hasl jumlah jurusan dengan menggunakan metode KNN dan SMART sebanyak 20 sswa dbag dengan jumlah banyaknya sswa dalam 1 kelas tersebut sebanyak 32 sswa. 2. Sstem pendukung keputusan menggunakan metode KNN dan SMART n dgunakan untuk menentukan jurusan bag sswa SMA berdasarkan bobot dan krtera yang sudah dtentukan. Receved June 1 st,2012; Revsed June 25 th, 2012; Accepted July 10 th, 2012

10 28 ISSN: DAFTAR PUSTAKA [1]. Rsmawan, T. I., Prabowo, A.W., Kusumadew, S., Sstem Pendukung Keputusan Berbass Pocket PC sebaga Penentu Status Gz Menggunakan Metode KNN (K-Nearest Neghbor). Jurnal Teknon I, No.2, Vol.12. [2]. Wdodo, Y.R., Aplkas Sstem Pendukung Keputusan untuk Menentukan Jurusan pada SMU menggunakan metode KNN (K-Nearest Neghbor), youngyon/progres-penjurusan-smu-presentaton.ppt, dakses pada 28 Maret [3]. Latef, M., 2006, Perancangan dan Pembuatan Perangkat Lunak SPK Seleks Pemohon Beasswa dengan Pendekatan metode AHP. Unverstas Trunojoyo, Bangkalan. [4]. Santosa, B., Data Mnng Teknk Pemanfaatan Data untuk Keperluan Bsns, Ed.1, Graha Ilmu, Yogyakarta. [5]. Yofyanto, E., K-Nearest Neghbor, /2010/02/13/buku-ta-k-nearest-neghbor-knn/.htm, dakses 22 Maret [6]. Bdara, Z. E., 2008, Rancang Bangun Aplkas Penentu Bdang Stud Perguruan Tngg Berdasarkan Mnat dan Bakat dengan Menggunakan Metode SMART. Tugas Akhr, Unverstas Trunojoyo Madura, Bangkalan. [7]. Indryawan, E., Pemrograman Database menngkatkan kemampuan database Menggunakan Delph dan MSSQL Server, Ed.1, And,Yogyakarta. [8]. Sudarsono.,2009, Analss dan Perancangan Sstem, /Pedomanpedoman-Dalam-Membuat-Flowchart,dakses pada 17 Aprl [9]. Nugroho, A., 2005, Ratonal Rose untuk Pemodelan Berorentas Objek, Informatka, Bandung. [10]. Sulstyan, S., Step by Step Delph 2010 Programmng, Ed.1, And dan Wahana Komputer, Yogyakarta. IJCCS Vol. x, No. x, July 201x : frst_page end_page