APLIKASI PEMBENTUKAN KELAS DENGAN K-MEANS CLUSTERING SEBAGAI ALAT BANTU PEMILIHAN SISWA KELAS UNGGULAN DI MAN 3 KEDIRI SKRIPSI

Transkripsi

1 APLIKASI PEMBENTUKAN KELAS DENGAN K-MEANS CLUSTERING SEBAGAI ALAT BANTU PEMILIHAN SISWA KELAS UNGGULAN DI MAN 3 KEDIRI SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Syarat guna Memperleh Gelar Sarjana Kmputer (S.Km.) Pada Prgrsm Studi Teknik Infrmatika OLEH: AMRI MUHAMMAD NPM: FAKULTAS TEKNIK UNIVRSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA UNP PGRI KEDIRI 2016 Teknik - Infrmatika 1

2 Teknik - Infrmatika 2

3 Teknik - Infrmatika 3

4 APLIKASI PEMBENTUKAN KELAS DENGAN K-MEANS CLUSTERING SEBAGAI ALAT BANTU PEMILIHAN SISWA KELAS UNGGULAN DI MAN 3 KEDIRI Amri Muhammad Teknik Infrmatika Hastaamri2@gmail.cm Dr. Sury Widd, M.Pd. dan Patmi Kasih, M.Km. UNIVERSITAS NUSANTARA PGRI KEDIRI ABSTRAK MAN 3 Kediri merupakan seklah yang berbasis agama islam yang berada di kta kediri. MAN 3 Kediri miliki sistem pembelajaran yang baik dan salah satunya adalah memiliki prgram kelas unggulan. Dalam setiap tahunnya MAN 3 Kediri menerima pendaftaran baru dan kelas unggulan menjadi favrit bagi baru. Banyaknya yang memilih kelas unggulan mengakibatkan kesulitan dalam menentukan yang masuk kelas unggulan dan mengelmpkkan sesuai dengan kemampuan. Oleh sebab itu diperlukan sebuah aplikasi sistem pendukung keputusan yang dapat membantu menyeleksi dan mengelmpkkan. aplikasi sistem pendukung keputusan ini bertujuan untuk menyeleksi dan mengelmpkkan yang sesuai dengan kemampuan dengan menggunakan metde K-Means Clustering. Siswa yang mendaftar akan mengikuti tes tulis yang mana tes tulis tersebut terdiri dari 5 mata pelajaran yaitu matematika, IPA, bhs Indnesia, Bhs inggris dan Agama. Siswa akan diseleksi berdasarkan nilai yang sudah ditentukan leh seklahan dan yang lls seleksi akan dikelmpkkan menggunkan K-Means Clustering menjadi 3 kelas. Dari 3 kelas tersebut akan dientukan nilai centrid secara acak dan dicari nilai yang rendah yang nantinya akan ditempati. Kesimpulan hasil peneitian ini adalah (1) dari data tesebut didapatkan yang memiliki bakat akan dikelmpkkan menjadi satu sesuai dengan kriteria sehingga para guru dapat menyesuaikan pembelajaran didalam kelas berdasarkan tersebut. (2) dari metde tersebut didapatkan pla pengelmpkan yang lebih cepat dan akurat sesuai dengan yang dibutuhkan seklahan. Kata Kunci : K-Means Clustering, seleksi, pembagian kelas. Teknik - Infrmatika 4

5 I. LATAR BELAKANG A. LATAR BELAKANG Perkembangan pendidikan di indnesia sekarang sangatlah pesat dan kualitas pendidikan pada merupakan salah satu tujuan dari pemerintah maupun dari seklahan itu sendiri. Seklah akan meningkatkan kualitas dari tahun ke tahun sebagai tlak ukur dalam menentukan keberhasilan sistem pendidikannya. Salah satu aspek sebagai indikatr kualitas diseklah adalah tingkat kelulusan dan banyaknya lulusan SMP atau MTs yang diterima di seklah menengah atas yang unggulan, yang mana sebagai acuan untuk memtivasi seklah agar meningkatkan kualitas belajar mengajar. MAN 3 Kediri sendiri memiliki persyaratan untuk masuk kelas unggulanharus memenuhi beberapa kriteria. Adapun kriteria yang dilakukan adalah berupa penyaringan pertama kelas IX berada diperingkat 1 sampai 15 untuk SMP atau MTs nya unggulan, sedangkan peringkat 1 sampai 10 untuk yang reguler. Untuk prses penyaringan kedua dilakukan ujian tulis dengan materi Bahasa Indnesia, Bahasa Inggris, Matematika, IPA dan Pendidikan Agama Islam. Banyaknya yang berminat untuk mendaftar di kelas unggulan ini terjadi beberapa kendala yang nantinya akan menjadi lamanya prses klasifikasi yang lls kelas unggulan, terjadi banyak kesalahan dalam prses penilaian serta lambatnya prses pembagian kelas yang nantinya akan ditempati leh yang lls seleksi. Dalam penelitian ini, penulis akan menggunakan algritma K- MEANS CLUSTERING, yang mana penulis akan mengelmpkkan yang lls seleksi dan yang tidak lls dan yang lls seleksi akan dibagi sesuai dengan ruang yang ditelah ditentukan sedangkan yang tidak lls seleksi akan masuk ke kelas reguler. Data yang digunakan peneliti ini berupa kumpulan nilai yang mengikuti seleksi kelas unggulan yang diambil dari MAN 3 Kta Kediri. Kumpulan data ini terdiri dari 5 mata pelajaran yang telah ditentukan leh pihak seklah dan memiliki 3 cluster yang digunakan menentukan kelas yang lls seleksi ujian. Teknik - Infrmatika 2

6 B. RUMUSAN MASALAH Berdasarkan latar belakang yang telah dijelaskan diatas, maka dapat dirumuskan masalah sebagai berikut: 1. Bagaimana merancang sistem infrmasi pengelmpkan unggulan menggunakan metde K- Means Clastering di MAN 3 Kediri. 2. Bagaimana membuat prgram aplikasi sistem infrmasi pengelmpkan unggulan menggunakan metde K-Means Clustering di MAN 3 Kediri. C. TUJUAN PENELITIAN Tujuan dari penulis membuat penelitian ini adalah sebagai berikut : 1. Menghasilkan rancangan sistem infrmasi pengelmpkan unggulan dengan menggunakan metde K-Means Clustering di MAN 3 Kediri 2. Menghasilkan prgram aplikasi pengelmpkan unggulan menggunakan metde K-Means Clustering di MAN 3 Kediri. II. METODE A. SIMULASI MODEL PENGAMBILAN KEPUTUSAN Algritma K-Means adalah salah satu metde nn herarki yang mempartisi atau membagi data yang ada kedalam bentuk satu atau lebih cluster kelmpk sehingga data yang memiliki karkteristik yang sama dikelmpkkan kedalam satu cluster yang sama begitu juga sebaliknya, data yang mempunyai karakteristik yang berbeda akan dikelmpkkan kedalam kelmpk yang lain. Menurut Agusta (2007). Data clustering menggunakan metde K- Meansini secara umum dilakukan dengan algritma dasar sebagai berikut: a. Tentukan jumlah cluster. b. Alkasikan data ke dalam cluster secara randm. c. Hitung centrid/rata-rata dari data yang ada di masing-masing cluster. d. Alkasikan masing-masing data ke centrid/rata-rata terdekat. e. Kembali ke Step 3, apabila masih ada data yang berpindah cluster atau apabilaperubahan nilai centrid, ada yang di atas nilai threshld yang ditentukan atau apabila perubahan nilai pada bjective functinyang digunakan di atas nilai threshld yang ditentukan. Dalam hal ini, pengelmpkan unggulan dengan menggunakan metde K-Means Clustering memiliki knsep untuk menyelesaikan, yaitu: a. Tentukan jumlah cluster. Teknik - Infrmatika 3

7 b. Alkasikan data ke dalam cluster secara randm. c. Hitung centrid/rata-rata dari data yang ada di masing-masing cluster. d. Alkasikan masing-masing data ke centrid/rata-rata terdekat. Cnth penerapan K-Means Custering pada penelitian ini, sebagai berikut: a. Menentukan kriteria. Kriteria yang digunakan untuk menyeleksi adalah 1. Nilai matematika 2. Nilai IPA 3. Nilai BHS Indnesia 4. Nilai BHS Inggris 5. Nilai agama b. Menentukan nilai yang digunakan untuk menyeleksi. Nilai ini digunakan untuk menyeleksi nilai ujian kelas unggulan. Table 2.1 Tabel nilai MataPelajaran Matematika 75 IPA 80 Bhs Indnesia 80 Bhs inggris 81 Agama 85 c. Menyeleksi. Standarnilai N Nilai yang mengikuti tes kelas unggulan akan diprses dengan menggunkan nilai yang sudah ditetapkan leh seklah, sebagai patkan nilai standart yang digunakan. Berikut adalah hasil seleksi: Tabel 2.2 Hasil Seleksi MT K IP A B IND B ING AGA MA Status lls Tidak Lls Lls Tidak Tidak Lls Tidak Lls Tidak Tidak Tidak Tidak d. Menentukan jumlah kelas dan pusat cluster. Kelas yang akandigunakan berjumlah 3 kelas dan pusat cluster akan ditentukan secara acak.disini ditentukan nilainya: 1. c1=(83,80,84,84,93) 2. c2=(81,85,87,92,92) 3. c3=(75,97,95,94,93) e. Menghitung jarak data yang ada terhadap setiap pusat cluster. Adapun rumus K-Mean Clustering sebagai berikut: Teknik - Infrmatika 4

8 ( ) ( ) ( ) ( ) 1. C1,1= ( ) ( ) ( ) ( ) ( ) = 0 2. C1,2= ( ) ( ) ( ) ( ) ( ) = C1,3= ( ) ( ) ( ) ( ) ( ) =6,24 Dari hasil perhitungan cluster tersebut, sebagai berikut: Tabel 2.3 Hasil perhitungan jarak NO c1 c2 c f. Menentukan cluster dengan jarak terdekat pada masing-masing data. Adapun hasilnya ditampilkan pada tabel dibawah ini: Tabel 2.4 Hasil perhitungan jarak terdekat NO c1 c2 c3 c1 c2 c * * * * * * * * * * * * * g. Menghitung pusat cluster baru. Untuk menghitung pusat cluster selajutnya, ditentukan dari nilai dari setiap mata pelajaran dibagi dengan jumlah anggta yang ada di C1 untuk pusat cluster 1, C2 untuk pusat cluster 2 dan C3 untuk pusat cluster 3. Adapun cara menghitungnya sebagai berikut: C1,1= ( )/19 Teknik - Infrmatika 5

9 C2,1=( )/62 C3,1=( )/9 Hasilnya sebagai berikut: Tabel 2.5 Hasil perhitungan pusat cluster baru c c c3 h. Ulangi langkah e (Menghitung jarak data yang ada terhadap setiap pusat cluster) f (Menentukan cluster dengan jarak terdekat pada masing-masing data) g (Menghitung pusat cluster baru) sampai psisi data pada setiap cluster sudah tidak mengalami perubahan. B. PERANCANGAN SISTEM Dalam pembuatan aplikasi pengelmpkan mengunakan metde K-Means Clustering ini melewati beberapa tahapan perancangan sistem antara lain: 1. Pengumpulan data Pada tahapan dilakukan pengumpulan data dengan cara survey pada seklah MAN 3 Kediri. 2. Penyeleksian data Pada tahapan ini dilakukan penyeleksian data data yang telah diperleh dengan menggunakan kriteria-kriteria yang sudah ada untuk mendapatkan yang lls dan tidak lls seleksi. 3. Perancangan database Pada tahapan ini dibuatlah database sebagai tempat penyimpanan data. 4. Desain menu Dalam tahapan ini dibuatlah desain menu, yang mana nantinya digunakan untuk menu yang lainnya. 5. Pembuatan Prgram. Tahapan ini adalah implementasi dari rancangan yang telah dibuat mengunakan pemrgraman bahasa delphi07, sehingga dapat dihasilkan sistem pengelmpkan mengunakan Clustering. C. PERANCANGAN PROSES 1. Diagram knteks K-Means Diagram knteks atau flw diagram (DFD) level 0, dimana sistem pertama kali dibuat. a. DFD level 0 Teknik - Infrmatika 6

10 user utput input data lgin user Berikut merupakan gambaran DFD level 0 dari sistem yang akan dibuat : data 1 data user aplikasi pengelmpkan knfirmasi lgin lgin admin input data seleksi input data user Gambar 5.1 DFD level 0 sistem pengelmpkan admin pengelmpk an Pada DFD level 0 ini terdapat entitas yaitu user dan admin serta memiliki prses yaitu aplikasi seleksi unggula. Dimana tiap-tiap entitas memiliki flw (aliran) yang terhubung dalam satu prses. b. DFD level 1 DFD level 1 ini merupakan perkembangan dari DFD level 0. Pada DFD level 1 ini akan dijabarkan antar entitas, yaitu entitas admin dan entitas user. Berikut gambaran DFD level 1 : Gambar 5.2 DFD level 1 menyeleksi data user id_user nama alamat passwrd daftar user Text Text Text Pada entitas admin, terdapat beberapa prses, yaitu prses lgin admin, prses penglahan data user, penglahan data seleksi dan prses penglahan data menggunakan K-Means Clustering. Pada entitas user hanya dapat lgin dan menginputkan data. D. PERANCANGAN DATABASE a. ENTITY RELANTIONSHIP DIAGRAM Menurut pendapat (Krnke, 2006) Entity-Relatinship input data data n_pendaftaran nama nilai_matematika nilai_ipa nilai_bhs_indnesia nilai_bhs_inggris nilai_agama data Text pengelmpkan Diagram (ERD) adalah suatu pemdelan knseptual yang didesain secara khusus untuk mengidentifikasikan entitas yang menjelaskan data dan hubungan antar data, yaitu dengan menuliskan dalam cardinality. hasil pengelmpkan nama cluster1 cluster2 cluster3 Text user 1 data seleksi lgin knfirmasi lgin input data hasil seleksi hasil data data seleksi 1.1 lgin admin 1.2 lah data user 1.3 seleksi input data lgin knfirmasi lgin input,delet,e dit data user data user data seleksi hasil seleksi admin hasil seleksi admin nama Text id_admin nilai_matematika nama Text nilai_ipa alamat Text nilai_bhs_indnesia passwrd Text nilai_bhs_inggris nilai_agama Gambar 5.3 Entity Relashinship Diagram 2 data kelmpk hasil pengempkan 1.4 lah k-means lah data seleksi data pengelmpkan Teknik - Infrmatika 7

11 III. HASIL a. Tampilan awal Halaman yang kedua yaitu tampilan utama, dimana admin disini dapat melakukan tambah user, seleksi, dan membagi kelas. d. Tampilan lgin user Gambar 5.12 Tampilan halaman awal. Halaman pertama yaitu halaman lgin, yang mana lgin ini digunakan untuk pintu masuk untuk admin dan user. b. Tampilan lgin admin Gambar 5.15 Tampilan lgin user. Tampilan lgin user, dimana user dapat masuk ke system ini jika user mendaftar dulu ke admin. e. Tampilan utama user Gambar 5.13 Tampilan lgin admin. Halaman lgin admin, yang mana lgin ini digunakan untuk pintu masuk untuk admin. c. Tampilan utama admin Gambar 5.14 Tampilan prses admin. Teknik - Infrmatika Gambar 5.16 Tampilan utama user. Tampilan utama untuk user. User hanya dapat melakukan prses input dan data. Input digunakan untuk memasukkan data yang telah melakukan seleksi sedangkan, data hanya digunakan untuk mencari nama 8

12 IV. yang sudah ada. KESIMPULAN Pada penulisan skripsi ini, penulis membuat suatu aplikasi yang berfungsi sebagai sistem alternatif untuk pembagian kelas. Aplikasi ini digunakan sebagi pelengkap dari aplikasi yang sudah ada, yang mengikuti perkembangan teknlgi infrmasi. Dengan sistem yang telah diterapkan ini, diharapkan aplikasi ini dapat: Dias Rima Ramadhani, data mining menggunakan algritma k-means clustering untuk menetukan strategi prmsi universitas dian nuswantr. (nline),tersedia: l_13292.pdf. Diunduh 6 Agustus Hartantik Pengelpkan Maha Berdasarkan Nilai Ujian Nasinal dan IPK Menggunakan Metde K-Means Clustring (studi kasus: STIMIK AMIKOM YOGYAKARTA). (nline), tersedia: penerbitan_ jurnal /3118. Di unduh 6 Agustus Menghasilkan rancangan sistem pengelmpkan Teknik - Infrmatika unggulan menggunakan metde K-Means Clustering sesuai dengan kriteria pengelmpkan. 2. Menghasilkan aplikasi sistem pendukung keputusan pengelmpkan unggulan berdasarkan data yang diperleh. V. DAFTAR PUSTAKA AgustaYudi, PhD K-Means Penerapan, Permasalahan dan MetdeTerkait. STIMIK STIKOM BALI. Denpasar. Bali. Andini Kikie Riesky, M. Akbar, Yudistira Helda Penerapan Data Mining untuk Menglah Infmasi Knsentrasi Keahlian dengan Metde Clustering Pada Universitas Bina Darma. (nline),tersedia: /244/1/PENERAPAN %20DATA%20MINING%20UNTUK %20MENGOLAH%20INFORMASI %20KONSENTRASI.pdf. Di unduh 6 Agustus Han, Jiawei. Kamber, Micheline Data Mining: Cncept And Technique. San Fransisc: Mrgan Kaufmann Publishers. Indri Diah Lestari Analisis Data Siswa menggunakan klasifikasi naive bayes dalam data mining untuk memprediksikan diterima di perguruan tinggi. (Online),tersedia: 5 januari Kani, Firmansyah, dan Sufandi, U. U. (2010). Pemrgraman Database menggunakan Delphi (Delphi Win32 dan MySQL 5.0 dengan Optimalisasi kmpnen ZesDBO). Graha Ilmu: Jakarta. Kursina & Taufiq Emha Luthf Algritma Data Mining. (Online), tersedia: 7 maret Larse Discvering knwledge In Data: An Intrductin T Data Mining. Jhn Willy & Sns, inc. Mariscal, Marba n dan Ferna ndes A Survey Of Data Mining And Knwledge Discvery Mdels And 9

13 Methdlgies. The Knwledge Engineering Review, 25(2), Muzakir Ari Analisa Dan Pemanfaatan Algritma K-Means Clustering Pada Data Nilai Siswa Sebagai Penentu Penerimaan Bea. (nline),tersedia: /sites /files/a ari%20muzakir.pdf. Di unduh 6 Agustus Sansa Budi, 2007, data mining: teknik pemanfaatan data mining untuk keperluan bisnis, graha ilmu, ygyakarta. Turban, E. dkk, Decisin Supprt System and Intelligent System :Andi Offset, Teknik - Infrmatika 10