Enigma Journal of Infotmatic (ENJOI 2016) ISSN :

Transkripsi

1 b 1

2 Kombinasi Fuzzy C-Means Clustering dan MADM Model Yager Untuk Menentukan Kelompok UKT (Studi Kasus Universitas Sembilanbelas November Kolaka) Muhammad Nurtanzis Sutoyo 1 dan Andi Tenri Sumpala 2 12 Prodi Sistem Informasi, FTI USN Kolaka, Sulawesi Tenggara 1 mr.iyes@yahoo.co.id, 2 foleta.21@gmail.com Abstrak Salah satu kebijakan pemerintah untuk membuktikan bahwa pendidikan itu sangat terbuka bagi setiap warga negara Indonesia adalah keringanan pembayaran biaya kuliah. Kebijakan tersebut bernama Uang Kuliah Tunggal yang sering disingkat UKT. Untuk menerapkan Uang Kuliah Tunggal hal tersebut, Universitas Sembilanbelas November Kolaka memerlukan gambaran latar belakang kondisi sosial ekonomi orangtua mahasiswa. Dalam menentukan kelompok UKT dibagi menjadi 5 (lima) kelompok dengan jumlah kelompok 1 dan kelompok 2 sebanyak 5% dari jumlah mahasiswa baru. Sehingga dibutuhkan suatu metode yang dapat membantu dalam menentukan kelompok UKT tersebut. Metode tersebut adalah Fuzzy C- Means dan MADM Model Yager. Berdasarkan hasil penelitian, sistem untuk menentukan kelompok UKT dengan kombinasi Fuzzy C-Means dan MADM Model Yager dapat menampilkan status tiap kelompok maupun secara keseluruhan. Selain itu, hasil perhitungan uji validitas clustering dengan Partition Coeffecient (PC) diperoleh nilai serta rata-rata tingkat ketepatan data hasil prediksi diperoleh 0.79 (79%). Sehingga hasil perhitungan dan pengujian sistem tergolong dalam kategori baik dan efektif. Kata kunci Fuzzy C-Means, MADM Model Yager, UKT 1. PENDAHULUAN Dunia pendidikan, khususnya Pendidikan Tinggi mendapat sorotan dari publik. Salah satu sorotan yang dimaksud yaitu: belum meratanya sistem pendidikan tinggi di Jawa dengan luar Jawa. Dimana Angka Partisipasi Kasar (APK) untuk jenjang pendidikan di Perguruan Tinggi masih minim jika dibandingkan jumlah penduduk Indonesia sekitar ± 250 juta. Untuk membuktikan bahwa pendidikan itu sangat terbuka bagi setiap warga negara Indonesia dan sebagai realisasi dari Pasal 31 UUD 1945 yang menyatakan bahwa setiap warga negara Indonesia berhak atas pendidikan. Pemerintah melalui Kementrian Pendidikan Nasional mengeluarkan suatu kebijakan yang diberi nama Uang Kuliah Tunggal (UKT). Hakekat dari UKT adalah guna meringankan beban mahasiswa terhadap pembiayaan pendidikan. Oleh karena itu pemerintah melalui Menteri Pendidikan dan Kebudayaan (Mendikbud) pada tanggal 23 Mei 2013 telah mengeluarkan ketetapan mengenai besarnya Biaya Kuliah Tunggal (BKT) dan Uang Kuliah Tunggal (UKT) pada PerguruanTinggi Negeri (PTN) di lingkungan Kementerian Pendidikan dan Kebudayaan[1]. Universitas Sembilanbelas November Kolaka merupakan salah satu Perguruan Tinggi Negeri dari 2 (dua) Perguruan Tinggi Negeri yang ada di Sulawesi Tenggara dan pada tahun ajaran baru 2014/2015 menerapkan Uang Kuliah Tunggal (UKT). Dalam menerapkan Uang Kuliah Tunggal, Universitas Sembilanbelas November Kolaka membagi kedalam 5 (lima) kategori kelompok UKT. Hal tersebut berdasarkan surat edaran DIKTI Nomor 272/E1.1/KU/2013 yang menjelaskan bahwa sebaiknya tarif Uang Kuliah Tunggal dibagi atas 5 kelompok, dari yang paling rendah (kelompok 1) sampai kelompok paling tinggi (kelompok 29

3 5)[2]. Dalam menerapkan Uang Kuliah Tunggal, Universitas Sembilanbelas November Kolaka memerlukan gambaran latar belakang kondisi sosial ekonomi orangtua setiap mahasiswa dengan kelompok UKT dibagi menjadi 5 (lima) kelompok dengan jumlah kelompok 1 dan kelompok 2 sebanyak 5% dari jumlah mahasiswa baru. Sedangkan kriteria-kriteria yang digunakan untuk menentukan kelompok UKT ditetapkan oleh pemimpin Perguruan Tinggi (PT). Hal ini berdasarkan Peraturan Menteri Pendidikan dan Kebudayaan Nomor 73 Tahun 2014 tentang Perubahan Atas Aturan Menteri Pendidikan dan Kebudayaan Nomor 55 Tahun 2013 Pasal 4 Ayat 4[3]. Pihak Universitas Sembilanbelas November Kolaka akan kesulitan apabila menggunakan metode tradisional dalam melakukan identifikasi terhadap setiap mahasiswa. Apalagi dengan jumlah data yang besar, analisa data tidak mungkin dilakukan secara manual oleh manusia. Menyikapi hal tersebut, pada penelitian ini penyusun membantu pihak Universitas Sembilanbelas November Kolaka dalam menentukan kelompok Uang Kuliah Tunggal (UKT). Upaya tersebut melalui dengan pemanfaatan teknologi komputer. Pembuatan alat bantu aplikasi dengan menggunakan metode Fuzzy C-Means (FCM) Clustering dan Multi Attribute Decision Making (MADM) Model Yager. Metode Fuzzy C-Means digunakan untuk mengelompokan data. Fungsi clustering adalah untuk menentukan data yang sama menjadi dalam satu kelompok, dimana sebelumnya data tersebut belum diketahui akan berada di kelompok yang mana. Sedangkan Multi Attribute Decision Making (MADM) Model Yager digunakan untuk menyeleksi ciri-ciri terbaik yang memiliki nilai di atas rata-rata dari alternatif yang dibandingkan. Telah banyak penelitian mengenai Fuzzy C-Means dan penelitian yang berfokus pada MADM. Penelitian [4] dengan menerapkan Fuzzy C-Means yang digunakan untuk pengenalan pola sebagai informasi data saham dan kualitas perusahaan emiten pada bursa efek Jakarta. Penelitian [5], menerapkan Fuzzy C-Means dan TSK untuk penentuan cluster rawan pangan di Kabupaten Cirebon. Pengelompokkan tersebut dikelompokkan dalam 6 golongan, yaitu sangat tahan pangan, tahan pangan, cukup tahan pangan, cukup rawan pangan, rawan pangan, dan sangat rawan pangan. Penelitian [6] menerapkan metode Fuzzy Multi-Attribute Decision Making berbasis Web dalam pemilihan calon Kepala Daerah di Indonesia. Penelitian [7] menerapkan Fuzzy MADM untuk menangani resiko dalam berinvestasi. Dalam penelitian tersebut, pengambilan keputusan atribut masalah untuk menangani risiko investasi dengan informasi diketahui sepenuhnya pada bobot atribut yang nilai atribut yang diberikan dalam bentuk bilangan fuzzy. Sedangkan pada penelitian ini mengkombinasikan kedua metode tersebut, yaitu Fuzzy C-Means Clustering dan MADM Model Yager dalam menentukan kelompok Uang Kuliah Tunggal (UKT) di Universitas Sembilanbelas November Kolaka. 2. METODE PENELITIAN 2.1 Fuzzy C-Means Fuzzy C-Means digunakan untuk mengelompokan data yang sama menjadi dalam satu kelompok, dimana sebelumnya data tersebut belum diketahui akan berada di kelompok yang mana. Algoritma Fuzzy C-Means sebagai berikut[8]. 1. Input data yang akan dicluster X, berupa matriks berukuran n x m (n = jumlah sampel data, m = atribut setiap data). Xij = data sampel ke-i (i = 1,2,...,n), atribut ke-j (j = 1,2,...,m). 2. Tentukan: a. Jumlah cluster = c b. Pangkat = w c. Maksimum iterasi = MaxIter d. Error terkecil yang diharapkan = e. Fungsi obyektif = P0 = 0 30

4 Enigma Journal of Infotmatic (ENJOI 2016) ISSN : f. Iterasi awal = t = 1 3. Bangkitkan nilai secara random ik, i 1, 2,..., n; k 1, 2,..., c sebagai elemen-elemen matriks partisi awal U. Matriks partisi pada pengelompokkan fuzzy memenuhi kondisi uik [0;1] 1 i n; 1 k c (1) ik adalah derajat keanggotaan yang merujuk pada seberapa besar kemungkinan suatu data n ik w * X ij 4. Hitung pusat cluster bisa menjadi anggota kedalam suatu cluster. Pada awal posisi matriks partisi U masih belum akurat begitu juga pusat clusternya. ke-k: V kj, dengan k = 1,2,...,c; dan j = 1,2,...,m. V kj i 1 n ik w i 1 5. Hitung fungsi obyektif pada iterasi ke-t, Pt: nc m P 2 t X ij V kj ik w i 1 k 1 j 1 6. Hitung perubahan matriks partisi: (2) ik m X ij 1 V kj w 1 j 1 1 X ij Vkj c m w 1 (3) (4) k 1 j 1 dengan: i = 1,2,...,n; dan k = 1,2,...,c 7. Cek kondisi berhenti: a. Jika: ( Pt Pt-1 < ) atau (t > MaxIter) maka berhenti. b. Jika tidak: t = t+1, ulangi langkah ke-4. Sedangkan untuk menguji validitas hasil clustering dengan pendekatan Fuzzy Clustering, digunakan perhitungan koefesien partisi atau Partition Coeffecient (PC). Pengujian Partition Coeffecient (PC) sebagai evaluasi data pada setiap cluster, dimana nilai Partition Coeffecient (PC) hanya mengevaluasi nilai derajat keanggotaan dan tanpa memandang nilai data yang mengandung informasi[9]. Rumus yang digunakan untuk menghitung validitas Partition Coeffecient (PC) adalah nc PC (u ik ) 2 / n (5) k 1 i 1 dimana n merupakan jumlah data, c jumlah cluster, dan uik menyatakan nilai keanggotaan dari data ke-k pada cluster ke-i. Nilai hasil uji validitas dalam rentang [0, 1], nilai yang semakin besar (mendekati 1) mempunyai arti bahwa kualitas cluster yang didapat semakin baik. 2.2 MADM Model Yager MADM Model Yager digunakan untuk menyeleksi ciri-ciri terbaik yang memiliki nilai di atas rata-rata dari alternatif yang dibandingkan. MADM Model Yager adalah suatu bentuk model pendukung keputusan yang memperhatikan bahwa suatu alternatif terbaik adalah memiliki nilai diatas rata-rata dari alternatif yang dibandingkan[10]. Langkah-langkah penyelesaian untuk Model Yager ini adalah sebagai berikut[8]: a. Tetapkan matriks perbandingan berpasangan antar atribut (M) berdasarkan prosedur hirarki Saaty sebagai berikut: 31

5 1 1 2 M 1... n dengan i j n n (6) 2 n n... 2 n adalah kepentingan relatif atribut ai terhadap atribut aj. b. Tentukan bobot wj yang konsisten untuk setiap atribut berdasarkan metode eigenvector dari Saaty. c. Hitung nilai yang dihasilkan dengan cara mempangkatkan bobot wj yang konsisten G j ( xi) wj (7) Gj = nilai kualitas kriteria ke-j dari objek wj = nilai bobot vektor masing-masing kriteria xi = nilai objek wj sebagai wi d. Tentukan interseksi dari semua G j ( xi) ( xi ) (8) j Cj D xi, min i 1,..., n; j 1,..., m D = objek = elemen matriks D ~ e. Pilih xi dengan derajat keanggotaan terbesar dalam D dan tetapkan sebagai alternatif optimal. 2.3 Normalisasi Perbedaan rentang data yang ada pada data sampel untuk menentukan kelompok UKT, bisa menyebabkan proses identifikasi memiliki akurasi yang lebih rendah. Karena bisa menyebabkan satu dimensi data tidak mempengaruhi nilai distance atau similarity pada suatu identifikasi. Sedangkan dalam menentukan inputan nilai pada MADM Model Yager, nilai input yang diterima berupa bilangan dengan range antara 0 sampai dengan 1. Karena itu, diperlukan sebuah proses terlebih dahulu untuk menyesuaikan data yang sesungguhnya dengan range tersebut. Rumus yang digunakan untuk menormalisasi Min-max Normalization[11], dengan persamaan seperti berikut. v ' vi min A (new_max A new_min A ) new_min i max min A A A (9) dimana v = nilai baru data hasil Min-Max Normalization; v = nilai data yang akan dinormalisasi; mina = nilai minimum dari field data yang sama; maxa = nilai maksimum dari field data yang sama; new_mina = nilai minimum data yang diinginkan; dan new_maxa = nilai maksimum data yang diinginkan. 2.4 Pengujian Evaluasi Dalam membuat sebuah sistem, pengukuran yang digunakan untuk informasi retreival adalah Precision dan Recall. Precision adalah tingkat ketepatan antara data hasil prediksi Title of manuscript is short and clear, implies research results (First Author) 32

6 dengan data yang diberikan sistem. Sedangkan Recall adalah tingkat keberhasilan sistem dalam menemukan kembali antara data hasil prediksi dengan data yang diberikan sistem. Proses evaluasi ini bekerja dengan membandingkan hasil temuan sistem dan data asli sehingga diperoleh tingkat kesamaan. Apabila sebuah sistem memiliki tingkat kesamaan yang sangat mirip, maka nilai Precision dan Recall adalah 1. Data yang diperoleh terbagi menjadi dua kelompok, yaitu data yang ditemukan sama dan data yang ditemukan tidak sama. Pengukuran Precision dan Recall menurut Han dan Kamber [11] TP Precision TP FP (10) Recall TP TP (11) TP FN P 2.5 Deskripsi Sistem Penelitian ini berfokus pada penentuan kelompok Uang Kuliah Tunggal (UKT). Dimana Bagian akademik akan bertanggung jawab dan membantu Rektor dalam merencanakan, merumuskan dan mengkoordinasikan kebijakan teknik Uang Kuliah Tunggal. Dengan sistem ini diharapkan akan memudahkan Bagian Akademik untuk menentukan kelompok Uang Kuliah Tunggal (UKT). Mula-mula mahasiswa Universitas Sembilanbelas November Kolaka didata oleh Bagian Akademik berdasarkan kriteria yang tertera pada Tabel 1. Kriteria Jenis Kelamin Umur Jumlah Tanggungan Pendapatan Aset Pendidikan Pekerjaan Tabel 1. Kriteria Uang Kuliah Tunggal Keterangan Jenis kelamin dimaksud adalah jenis kelamin Kepala Keluarga atau Wali mahasiswa Umur dimaksud adalah umur Kepala Keluarga atau Wali mahasiswa dengan kategori muda, parobaya, atau tua Jumlah tanggungan adalah jumlah anggota keluarga yang menjadi tanggungan kepala keluarga, apakah sedikit atau banyak Pendapatan adalah jumlah uang yang diterima orang tua atau wali mahasiswa dengan kategori rendah, sedang atau tinggi Aset adalah barang atau benda baik tidak bergerak dan bergerak yang dinilaikan dalam bentuk rupiah (Rp) dengan kategori sedikit atau banyak Pendidikan yang dimaksud adalah tingkat pendidikan kepala keluarga, yaitu SD, SMP, SMP, Diploma/Sarjana, atau Pascasarjana Pekerjaan yang dimaksud adalah kegiatan atau aktivitas kepala keluarga, yaitu: Buruh, Petani, Wiraswasta, Pegawai Swasta, Pegawai Negeri atau Profesional Nilai untuk kriteria pendapatan dan jumlah tanggungan dihitung dengan menggunakan metode Fuzzy C-Means Clustering. Keluaran dari hasil perhitungan Fuzzy C-Means Clustering ini adalah mahasiswa yang masuk dalam kelompok Uang Kuliah Tunggal, dimana pengelompokan tersebut di kelompokkan dalam 5 (lima) kelompok. Apabila hasil dari pengelompokkan, khususnya pada kelompok 1 dan kelompok 2 lebih besar 5% dari jumlah mahasiswa baru, maka dilakukan perhitungan dengan menggunakan MADM model Yager untuk menyeleksi ciri-ciri terbaik yang memiliki nilai di atas rata-rata (kurang mampu) 33

7 2.6 Tahapan Proses Dalam penerapannya, sistem ini menggunakan 2 metode yaitu: Fuzzy C-Means Clustering untuk mengelompokkan status ekonomi orangtua mahasiswa dan MADM Model Yager untuk menyeleksi ciri-ciri terbaik yang memiliki nilai di atas rata-rata dari alternatif yang dibandingkan. Adapun langkah-langkah yang dilakukan adalah sebagai berikut. 1. Bagian Akademik akan menginputkan data mahasiswa. 2. Langkah selanjutnya adalah kelompokan data yang telah diinput dengan menggunakan metode Fuzzy C-Means. 3. Output dari hasil pengelompokkan adalah daftar nama-nama mahasiswa dengan status kelompok UKT (UKT 1, UKT 2, UKT 3, UKT 4, dan UKT 5). 4. Jika hasil pengelompokkan jumlah mahasiswa UKT 1 dan UKT 2 lebih besar 5% langkah selanjutnya yaitu menentukan mahasiswa yang akan direkomendasikan untuk tetap berada di UKT1 dan UKT 2 dengan menggunakan MADM Model Yager. 5. Output dari hasil perhitungan dengan menggunakan MADM Model Yager adalah daftar nama-nama mahasiswa yang tetap berada di UKT1 dan UKT 2. Tahapan penerapan metode Fuzzy C-Means Clustering dan MADM Model Yager disajikan seperti Gambar 1. Gambar 1. Tahapan Penerapan Fuzzy C-Means dan MADM Model Yager 34

8 2.7 Perancangan Sistem Gambar 2 menunjukkan gambaran umum dari sistem yang memiliki 6 proses, yaitu proses pengolahan data Program Studi, data mahasiswa, prose Clustering, penentuan bobot, proses perhitungan, dan cetak laporan. User yang terlibat dari sistem ini adalah bagian adakademik yang bertugas melakukan pendataan kondisi mahasiswa berdasarkan masing-masing indikatornya Title of manuscript is short and clear, implies research results (First Author). Gambar 2. DFD Level 1 35

9 2.8 Implementasi Sistem Proses perhitungan FCM Clustering dan MADM Model Yager mengacu pada proses 3 dan 5 Gambar 2. Pada awal proses FCM, sistem akan membangkitkan bilangan random, menghitung pusat cluster, menghitung nilai fungsi objektif, menghitung nilai derajat keanggotaan baru, dan menghitung nilai validitas hasil clustering. Gambar 3. Hasil Perhitungan FCM Clustering Informasi yang dapat diperoleh dari hasi proses clustering kelima pusat cluster adalah: (1) Kelompok pertama (cluster ke-1), berisi pendapatan rata-rata sekitar Rp. 442, dan memiliki rata-rata jumlah tanggungan 4 orang. (2) Kelompok kedua (cluster ke-2), berisi pendapatan rata-rata sekitar Rp. 985, dan memiliki rata-rata jumlah tanggungan 4 orang. (3) Kelompok ketiga (cluster ke-3), berisi pendapatan rata-rata sekitar Rp. 1,649, dan memiliki rata-rata jumlah tanggungan 3 orang. (4) Kelompok keempat (cluster ke-4), berisi pendapatan rata-rata sekitar Rp. 3,315, dan memiliki rata-rata jumlah tanggungan 3 orang. (5) Kelompok kelima (cluster ke-5), berisi pendapatan rata-rata sekitar Rp. 3,871, dan memiliki rata-rata jumlah tanggungan 3 orang. Karena jumlah masing-masing kelompok 1 dan kelompok 2 lebih besar 5%, maka langkah selanjutnya dilakukan proses penyeleksian dengan menggunakan MADM Model Yager. Sebelum proses perhitungan MADM Model Yager, tentukan dahulu nilai bobot konsisten. Setelah nilai bobot diperoleh, langkah selanjutnya sistem akan menormalisasi data untuk menyetarakan rentang nilai antar dimensi pada data yang akan identifikasi. Hasil dari normalisasi kemudian dipangkatkan dengan nilai bobot yang telah diperoleh. 3. HASIL DAN PEMBAHASAN Sistem kombinasi Fuzzy C-Means Clustering dan MADM Model Yager diuji melalui dua tahap. Pengujian Fuzzy C-Means Clustering dengan tujuan untuk mengetahui performa dari Fuzzy C-Means dalam mengkluster. Jumlah data yang di gunakan untuk pengujian Fuzzy C- Means sebanyak 1414 mahasiswa. Untuk proses Fuzzy C-Means Clustering nilai paramater sebagai berikut. Jumlah cluster = 5 Maksimum iterasi =

10 Error terkecil = 10-5 Pangkat = 2 Iterasi awal = 1 Dengan nilai matriks awal U dibentuk secara random (acak). Kriteria yang digunakan untuk mengelompokkan dengan metode Fuzzy C-Means Clustering adalah jumlah pendapatan dan jumlah tanggungan. Dimana data diperoleh dari Bagian Akademik Universitas Sembilanbelas November Kolaka yang berjumlah 1414 orang mahasiswa. Dari hasil proses pengclusteran menggunakan metode Fuzzy C-Means Clustering dengan jumlah iterasi sebanyak 32 kali iterasi terbentuk kelompok 1 sebanyak 427 orang (30.19%), kelompok 2 sebanyak 329 orang (23.26%), kelompok 3 sebanyak 252 orang (17.82%), kelompok 4 sebanyak 237 orang (16.76%), dan kelompok 5 sebanyak 169 orang (11.95%). Sesuai ketetapan di Universitas Sembilanbelas November Kolaka bahwa jumlah mahasiswa yang tetap berada pada kelompok 1 dan kelompok 2 adalah 5% dari jumlah keseluruhan mahasiswa, yaitu 70 orang. Karena hasil clustering melebihi ketetapan, maka data pada kelompok 1 dan kelompok 2 dilakukan perhitungan untuk menentukan siapa sajakah mahasiswa yang akan tetap berada pada kelompok 1 dan kelompok 2. Sedangkan mahasiswa yang tidak masuk pada kelompok 1 dan kelompok 2 akan di pindahkan pada kelompok 3. Metode yang digunakan untuk menentukan siapa sajakah mahasiswa yang tetap berada pada kelompok 1 dan kelompok 2 dengan menggunakan MADM Model Yager. Contoh hasil perhitungan dengan MADM Model Yager pada kelompok 1 dan kelompok 2 disajikan seperti Gambar 4. Gambar 4 Contoh Hasil Perhitungan MADM Model Yager Evaluasi pengujian dilakukan dengan menggunakan precision dan recall. Nilai precision digunakan untuk menunjukkan ketepatan rekomendasi yang dihasilkan oleh recommendation system. Recall merupakan nilai yang digunakan sebagai ukuran jumlah item relevan yang dihasilkan recommendation system. Data untuk pengujian diperoleh dengan membandingkan data asli dengan data yang dihasilkan sistem. Hasil pengujian precision dan recall disajikan pada Tabel 2 37

11 Tabel 2 Hasil Pengujian Precision dan Recall Kelompok Hasil Prediksi TP FN FP Precision Recall UKT ,54 0,54 UKT ,60 0,60 UKT ,92 0,95 UKT ,92 0,91 UKT ,95 0,81 Rata-rata 0,79 0,76 4. KESIMPULAN Berdasarkan hasil penelitian terhadap sistem untuk menentukan kelompok UKT dengan kombinasi Fuzzy C-Means dan MADM Model Yager, maka dapat disimpulkan: 1. Kombinasi Fuzzy C-Means dan MADM Model Yager dapat diimplementasikan untuk menentukan kelompok UKT yang sesuai. Dari hasil pengclusteran dengan Fuzzy C-Means dengan iterasi sebanyak 32 kali iterasi terbentuk kelompok 1 sebanyak 427 orang (30.19%), kelompok 2 sebanyak 329 orang (23.26%), kelompok 3 sebanyak 252 orang (17.82%), kelompok 4 sebanyak 237 orang (16.76%), dan kelompok 5 sebanyak 169 orang (11.95%). Dimana uji validitas clustering dengan Partition Coeffecient (PC) diperoleh nilai PC = 0,791 tergolong dalam kategori baik karena nilai uji validitas mendekati angka 1. Karena kelompok 1 dan kelompok 2 lebih dari 5%, maka dilanjutkan dengan perhitungan MADM Model Yager untuk menyeleksi mahasiswa yang akan tetap berada pada kelompok 1 dan kelompok Rata-rata hasil pengujian precision diperoleh sebesar 0.79 dan hasil pengujian diperoleh recall sebesar 0,76. Sehingga diketahui bahwa tingkat keefektifan dari sistem dalam menentukan kelompok UKT dapat dikatakan efektif. Dari hasil pengujian terlihat ada 46% (32) orang mahasiswa yang seharusnya tidak berada pada kelompok 1 dan 40% (28) orang mahasiswa yang seharusnya tidak berada pada kelompok 2. Secara umum berdasarkan hasil pengujian tersebut dapat dinyatakan bahwa kombinasi Fuzzy C-Means dan MADM Model Yager lebih baik diterapkan untuk menentukan kelompok UKT karena dapat menentukan sesuai dengan target aslinya. DAFTAR PUSTAKA [1] Peraturan Menteri Pendidikan dan Kebudayaan RI Nomor 55 Tahun 2013 tentang Biaya Kuliah Tunggal Dan Uang Kuliah Tunggal Pada Perguruan Tinggi Negeri Di Lingkungan Kementerian Pendidikan Dan Kebudayaan. [2] Surat Edaran Nomor 272/E1.1/KU/2013 Tanggal 3 April 2013 Hal Uang Kuliah Tunggal.Peraturan Menteri Pendidikan dan Kebudayaan RI Nomor 73 Tahun 2014 tentang 38

12 Perubahan Atas Peraturan Menteri Pendidikan dan Kebudayaan RI Nomor 55 Tahun 2013 tentang Biaya Kuliah Tunggal Dan Uang Kuliah Tunggal Pada Perguruan Tinggi Negeri Di Lingkungan Kementerian Pendidikan Dan Kebudayaan. [4] Sumarauw, SJA. dan Subanar., 2007, Fuzzy C-Means Clustering Model Data Mining for Recognizing Stock Data Sampling Pattern, Indonesian Journal of Computing and Cybernetics Systems, Vol.1, No.2, Juni 2007, pp [5] Harliana dan Azhari., 2012, Penerapan FCM dan TSK Untuk Penentuan Cluster Rawan Pangan di Kabupaten Cirebon. Indonesian Journal of Computing and Cybernetics Systems Vol. 6, No. 2, Juli 2012 ISSN: , pp [6] Yusro, MM. dan Wardoyo, R., 2013, Aplikasi Metode Fuzzy Multi-Attribute Decision Making Berbasis Web dalam Pemilihan Calon Kepala Daerah di Indonesia, Indonesian Journal of Computing and Cybernetics Systems, Vol.7, No.1, Januari 2013 ISSN: , pp [7] Gu, X. Wang, Y. dan Yang, B., A Method for Hesitant Fuzzy Multiple Attribute Decision Making and Its Application to Risk Investment, Journal of Convergence Information Technology, Volume 6, Number 6, June [8] Zimmermann., 2001, Fuzzy Set Theory and Its Applications, Fourth Edition. Kluwer Academic Publishers. [9] Bezdek, J., 1981, Pattern Recognition With Fuzzy Objective Function Algorithms, New York, Plenum Press. [10] Kusumadewi, S., Hartati, S., Harjoko, A. dan Wardoyo, R., 2006, Fuzzy Multi-Attribute Decision Making, Graha Ilmu Yogyakarta. {11} Han, J. dan Kamber, M., 2006, Data Mining: Concepts and Techniques. Second Edition, Morgan Kaufmann Publishers. ar, implies research results (First Author) 39