PENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING

Transkripsi

1 PENERAPAN DATA MINING DALAM PEMILIHAN PENERIMA BEASISWA BERPRESTASI DI POLITEKNIK DAN STMIK LPKIA DENGAN MENERAPKAN METODE K-MEANS CLUSTERING 1 Wahyu Nurjaya W.K, 2 Nurjaman 1 Program Studi Sistem Informasi STMIK LPKIA 2 Program Studi Teknik Informatika STMIK LPKIA Jl. Soekarno Hatta No. 456 Bandung 40266, Telp , Fax wahyunwk@lpkia.ac.id, 2 nurjaman202728@fellow.lpkia.ac.id Abstrak Beasiswa merupakan salah satu program kebijakan pemberian bantuan dalam bentuk materi bagi mereka mahasiswa yang Tujuan dari pemberian beasiswa tersebut selain untuk memberikan keringanan biaya demi keberlangsungan pendidikan yang ditempuh, juga mendukung kemajuan dunia pendidikan dan mengasah diri menjadi mahasiswa yang bermutu. Clustering secara garis besar merupakan pengelompokan data record kedalam kelompok atau cluster-cluster tertentu, sedangkan algoritma K-Means adalah algoritma yang mempartisi data kedalam cluster-cluster sehingga data yang memiliki kemiripan berada pada satu cluster yang sama dan data yang memiliki ketidaksamaan berada pada cluster yang lain. Pada penelitian ini hasil dari pengelompokan data cluster kemudian akan dirankingkan berdasarkan nilai jarak terkecil pada suatu cluster yang direkomendasikan sehingga didapatkan informasi yang berguna sebagai keputusan dalam memilih penerima beasiswa. Diterapkannya sistem data mining menggunakan metode clustering ini diharapkan dapat memudahkan pihak instansi dalam melakukan proses pemilihan penerima beasiswa dan pengambilan keputusan berdasarkan hasil perhitungan mahasiswa erta bisa melakukan evaluasi untuk dapat mengambil keputusan memberikan beasiswa terhadap mahasiswa yang tepat. Kata kunci : Beasiswa, Data Mining, Clustering, K-Means 1. Pendahuluan Setiap manusia berhak mendapatkan pendidikan yang layak, seperti yang tercantum dalam Undang Undang Dasar 1945 alinea ke-4 yang berbunyi Mencerdaskan Kehidupan Bangsa. Menyadari pendidikan sangat penting, negara mendukung setiap warga negaranya untuk dapat meraih pendidikan setinggi-tingginya. Beberapa diantaranya melakukan progam pendidikan gratis dan program beasiswa. Beasiswa merupakan pemberian berupa keuangan yang diberikan kepada seseorang atas dasar prestasi maupun karena kemampuan ekonomis yang kurang memadai, pemberian beasiswa ini bertujuan untuk digunakan demi keberlangsungan pendidikan yang ditempuh. Beasiswa dapat diberikan oleh lembaga pemerintah ataupun perusahaan. Proses pemilihan penerima beasiswa agar tepat sasaran dan transparan dalam proses penyeleksiannya diperlukan sebuah sistem yang mampu mengetahui siapa saja mahasiswa yang pantas mendapatkan beasiswa, dalam sistem tersebut diperlukan sebuah proses data mining yang digunakan untuk melakukan perhitungan nilai-nilai kriteria yang dimiliki oleh mahasiswa. Jumlah mahasiswa aktif yang tercatat sekitar 1736 mahasiswa pada tahun , sistem pemilihan penerimaan beasiswa menggunakan konsep data mining membantu dalam pemilihan mahasiswa penerima beasiswa. Selain itu hal tersebut juga mampu memberikan kemudahan kepada pihak pemberi beasiswa dalam menentukan penerima beasiswa yang sesuai dengan ketentuannya dan memberikan rasa transparansi kepada mahasiswa terhadap proses pemilihan penerimaan beasiswa dengan menuangkan sistem tersebut dalam bentuk perangkat lunak. Sehingga teridentifikasi permasalahan yang timbul dikarenakan pemberian beasiswa yang tidak tepat sasaran disebabkan oleh belum adanya sistem verifikasi beasiswa yang optimal sehingga mengakibatkan mahasiswa dengan prestasi terbaik belum tentu terpilih sebagai penerima beasiswa. Berdasarkan permasalahan yang ada diatas maka perlu membatasi ruang lingkup dari permasalahan tersebut. Adapun permasalahan yang akan dibahas meliputi : 1. Proses pemilihan penerima beasiswa dilakukan menggunakan metode clustering dengan algoritma K-Means. 2. Data yang diolah adalah beasiswa untuk mahasiswa aktif LPKIA maksimal tingkat 3 atau sekurang-kurangnya telah memiliki transkrip nilai. Tujuan dari perancangan yang dilakukan adalah menerapkan hasil implementasi program pemilihan penerima beasiswa berprestasi ini kedalam perangkat lunak untuk memudahkan dalam pemilihan dan verifikasi penyaluran beasiswa yang tepat sasaran sesuai dengan ketentuan dan prestasi yang dimiliki mahasiswa.

2 1.1. Landasan Teori Beasiswa Beasiswa dapat didefinisikan sebagai sebuah pemberian dalam bentuk keuangan dengan tujuan menunjang keberlangsungan pendidikan penerimanya yang diberikan oleh donatur baik itu berupa lembaga pemerintah, perusahaan atau yayasan[3]. Beasiswa juga merupakan penghasilan karena dapat diartikan sebagai penambah kemampuan ekonomis bagi penerimanya[5]. Pemberian beasiswa ini memang menjadi hak bagi setiap warga negara untuk mendapatkan pengajaran sebagaimana hak setiap warga negara tersebut telah dicantumkan dalam Pasal 31 (1) Undang Undang Dasar Berdasarkan pasal tersebut, maka pemerintah wajib memberikan pelayanan terbaik demi terselenggaranya pendidikan yang bermutu bagi setiap warga negara tanda diskriminasi[8]. Berdasarkan penjelasan dari beberapa penelitian yang telah dilakukan sebelumnya, maka dapat disimpulkan bahwa beasiswa merupakan bentuk apresiasi yang diberikan terhadap perorangan dalam hal ini adalah mahasiswa dalam bentuk materi baik secara langsung maupun tidak langsung sebagai penghasilan tambahan dan bertujuan untuk meringankan beban biaya perkuliahan bagi mahasiswa yang berprestasi dan sesuai dengan ketentuan yang berlaku, serta memberikan motivasi agar menjadi mahasiswa yang berguna bagi bangsa dan negara Data Mining Definisi sederhana dari data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di database yang besar[2]. Data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar[4]. Hasil dari pengolahan data dengan menggunakan metode data mining ini dapat digunakan untuk mengambil keputusan di masa depan[7]. Berdasarkan penjelasan dari beberapa penelitian yang telah dilakukan sebelumnya, maka dapat disimpulkan bahwa hasil dari proses data mining haruslah informasi yang baru dan bermanfaat untuk keperluan kedepannya serta mudah dimengerti Clustering Clustering atau klasterisasi adalah salah satu alat bantu atau salah satu metode dalam penerapan data mining yang bertujuan mengelompokan objek-objek kedalam cluster-cluster. Cluster adalah sekelompok atau sekumpulan objek-objek data yang similar atau mempunyai kesamaan satu sama lain dalam cluster yang sama dan disimilar dengan terhadap objek objek yang berada pada cluster[6] K-Means K-Means adalah algoritma yang mempartisi data kedalam cluster-cluster sehingga data yang memiliki kemiripan berada pada satu cluster yang sama dan data yang memiliki ketidaksamaan kerada pada cluster yang lain[6]. Algoritma K-Means merupakan algoritma yang membutuhkan parameter input sebanyak k dan membagi sekumpulan n objek kedalam k cluster sehingga tingkat kemiripan antar anggota dalam satu cluster tinggi, sedangkan tingkat kemirripan dengan anggota pada cluster lain sangat rendah. Kemiripan anggota terhadap cluster diukur dengan kedekatan objek terhadap nilai mean pada cluster atau disebut sebagai centroid cluster[1]. Berikut adalah tahapan dan perumusan perhitungan dalam penerapan algoritma k-means, yaitu: 1. Menentukan k sebagai jumlah cluster yang akan dibentuk. 2. Menentukan nilai sebagai centoid awal secara acak. 3. Menghitung jarak setiap data input terhadap masing-masing centroid. (1) Dimana xi : data kriteria, μj : centroid pada cluster ke-j 4. Mengklasifikasikan setiap data berdasarkan kedekatannya dengan centroid (jarak terkecil). 5. Memperbarui nilai centroid. (2) Dimana μj(t+1) : centroid baru pada iterasi ke (t+1), NSj : banyak data pada cluster Sj 6. Melakukan perulangan dari langkah 3 sampai 5. Proses tersebut akan terus dilakukan sampai anggota tiap cluster tidak ada yang berubah. Jika tahap 6 telah terpenuhi, maka nilai pusat cluster pada iterasi terakhir akan digunakan sebagai parameter untuk melakukan klasifikasi data. 2. Pembahasan 2.1 Data Pengujian Data pengujian yang digunakan berupa data pelamar beasiswa berprestasi dengan komponen penyusun data sebagai berikut: 1. Memiliki 6 atribut, yaitu NRP, Nama, Kelas, IPK, Semester (S) dan Prestasi (P). 2. Jumlah Data sebanyak 100 data mahasiswa. 2.2 Perhitungan K-Means Clustering Selanjutnya digunakan metode clustering dengan menggunakan algoritma k-means untuk mengelompokan data yang ada. Berikut adalah langkah-langkah pengerjaannya:

3 1. Menetapkan jumlah cluster. Jumlah cluster ditetapkan berdasarkan rekomendasi hasil pemilihan penerima beasiswa, yaitu Dapat Direkomendasikan, Dapat Dipertimbangkan dan Tidak Direkomendasikan, sehingga jumlah cluster yang ditetapkan adalah 3 cluster. 2. Menentukan nilai centroid pada masing-masing cluster secara acak berdasarkan data skor hasil survei lapangan. Nilai pusat cluster dapat dilihat pada tabel berikut: Tabel 1. Nilai Awal Pusat Cluster Cluster IPK S P 1 3, , Menghitung jarak setiap data terhadap pusat cluster. Misalnya untuk menghitung jarak data pertama dengan nilai pusat cluster pertama: d = (3,22 3,5)² + (2-6)² + (1-5)² d = 5,664 Jarak data pertama dengan nilai pusat cluster kedua adalah: d = (3,22 2,5)² + (2-4)² + (1-5)² d = 4,53 Jarak data pertama dengan nilai pusat cluster ketiga adalah: d = (3,22 2)² + (2-7)² + (1-1)² d = 5,147 Berikut adalah perhitungan lengkap 10 data pertama dari 100 data: Tabel 2. Hasil Perhitungan Jarak 10 Data Pertama No IPK S P C1 C2 C3 1 3, ,664 4,53 5, , ,473 2,971 5, , ,487 2,9 5, , ,661 4,54 5, , ,477 4,079 3,27 6 3, ,437 5, , ,665 4,657 5, , ,829 2,206 3, , ,018 2,378 3, , ,272 1,166 4, Mengklasifikasikan setiap data berdasarkan kedekatannya dengan centroid. Berikut adalah hasil pengklasifikasian lengkap 10 data pertama pada iterasi pertama dari 100 data: Tabel 3. Hasil Pengklasifikasian Data Terhadap Cluster 10 Data Pertama Pada Iterasi Pertama No C1 C2 C3 Cluster 1 5,664 4,53 5,147 C2 2 4,473 2,971 5,567 C2 3 4,487 2,9 5,505 C2 4 5,661 4,54 5,161 C2 5 4,477 4,079 3,27 C ,437 5,307 C1 7 5,665 4,657 5,314 C2 8 2,829 2,206 3,879 C2 9 1,018 2,378 3,423 C1 10 2,272 1,166 4,383 C2 5. Memperbarui nilai centroid. Sebagai contoh untuk cluster kedua (C1) terdapat 2 data, yaitu data ke 6 dan 9. Berikut contoh perhitungan untuk memperbarui nilai centroid dari 10 data pertama pada iterasi pertama dari 100 data: 3,47 + 3,31 C IPK = = 3,39 2 C S = C P = = 6 = 5 Lakukan hal yang sama pada semua data (100) terhadap masing-masing cluster. Berikut adalah hasil perhitungan lengkap untuk 3 cluster dari 100 data: Tabel 4. Nilai Pembaruan Pusat Cluster Pada Iterasi Pertama Cluster IPK S P 1 3,238 5, ,25 2,776 2,02 3 3,128 5,25 1, Melakukan perulangan dari langkah 3 sampai 5, sampai anggota tiap cluster tidak ada yang berubah. Pada penelitian ini, proses iterasi berhenti pada iterasi ke Implementasi 3.1. Daftar Kegiatan Daftar perencanaan kegiatan pengimplementasian penerapan data mining pemilihan penerima beasiswa kedalam perangkat lunak yang akan dirancang sebagai berikut: 1. Pengumpulan Data Merupakan tahapan pengumpulan informasi, pencarian referensi sebagai acuan pemahaman algoritma, perancangan dan pembangunan perangkat lunak serta tahap mempelajari kebutuhan akan perangkat keras dan perangkat lunak yang akan digunakan untuk pembuatan perangkat lunak.

4 2. Analisis Data Tahapan dimana proses menentukan kebutuhan apa saja yang diperlukan untuk mengimplementasikan penerapan data mining pemilihan penerima beasiswa kedalam perangkat lunak. 3. Perancangan Database Proses dimana pembuatan rancangan database dilakukan setelah data-data yang diperlukan telah diketahui sebagai penunjang pengimplementasian terhadap perangkat lunak. 4. Perancangan Interface/Desain Proses perancangan interface atau desain ini dilakukan untuk dapat memudahkan dalam tahap penulisan kode program dan untuk mempermudah pengguna dalam berinteraksi dengan perangkat lunak. 5. Pengkodean Program Proses penulisan kode program dilakukan secara bertahap sesuai rancangan desain yang telah dibuat dan setelah proses pengujian dilakukan. 6. Pengujian Proses melakukan pengujian terhadap penulisan kode program dan perbaikan kesalahan pada perangkat lunak ketika dieksekusi. 7. Evaluasi Melakukan evaluasi atau perbaikan terhadap perangkat lunak setelah dilakukannya proses pengujian terlebih dahulu. 8. Dokumentasi Proses pencatatan atau pembuatan laporan terhadap proses penerapan data mining pemilihan penerima beasiswa kedalam perangkat lunak. Berikut merupakan tabel gambaran dari kegiatankegiatan yang dilakukan selama pembuatan perancangan perangkat lunak: Tabel 5. Daftar Kegiatan Perancangan Kode Waktu Aktivitas Aktivitas Aktivitas (Minggu) Sebelumnya A Pengumpulan Data (Wawancara, dll) 3 - B Analisis Data 2 A C Perancangan Database 2 B D Perancangan Interface/Design 4 B E Pengkodean Program 5 B F Pengujian 1 C, D, E G Evaluasi 1 F H Dokumentasi 18 - Berdasarkan uraian data kegiatan pada tabel sebelumnya, maka dapat digambarkan Gantt Chart sebagai berikut: Kode Aktivitas A B C D E F G H Total Tabel 6. Gantt Chart Jadwal Mei Juni Juli Agustus ± 15 Minggu 3.2. Lingkup Dan Batasan Implementasi Berikut yang menjadi ruang lingkup dan batasan dalam mengimplementasikan perangkat lunak, yaitu: 1. Perangkat lunak ini digunakan untuk proses pemilihan penerima beasiswa apakah layak untuk direkomendasikan sebagai penerima beasiswa atau tidak. 2. Perangkat lunak ini di implementasikan melalui website atau berbasis website. 3. Bahasa pemrograman yang digunakan yaitu PHP, Framework Yii dan database menggunakan MySql.

5 3.3. Implementasi Antarmuka Gambar 1. Dialog Screen Import Data Mahasiswa Halaman tampilan tersebut digunakan untuk melakukan import atau penambahan data mahasiswa dalam jumlah banyak. Pilih tombol Choose File kemudian pilih file dalam bentuk format,xlsx lalu tekan tombol Import. Gambar 4. Dialog Screen Data Clustering(2) Gambar 5. Dialog Screen Data Clustering(3) Gambar 2. Dialog Screen Proses Iterasi Halaman tampilan tersebut digunakan untuk melakukan proses penilaian data mahasiswa kedalam bentuk iterasi. Tekan tombol Perhitungan Iterasi Selanjutnya untuk melakukan proses iterasi selanjutnya, proses tersebut harus terus dijalankan sampai muncul notifikasi yang menandakan bahwa proses iterasi telah selesai dilakuakan yang berarti bahwa data pada masing-masing cluster tidak berubah. 4. Pengujian Pengujian data mahasiswa berdasarkan hasil implementasi menggunakan perangkat lunak yang telah dirancang menghasilkan informasi berupa tabel data pengelompokan terhadap masing-masing cluster dan data perankingan rekomendasi mahasiswa penerima beasiswa, yang ditunjukan pada gambar berikut: Gambar 3. Dialog Screen Data Clustering(1) Halaman tampilan tersebut menunjukan data-data pengelompokan terhadap masing-masing cluster berdasarkan hasil proses iterasi. Gambar 6. Halaman Ranking Rekomendasi Penerima Beasiswa Dari jumlah data yang dimining, didapatkan 3 cluster dengan hasil sebagai berikut: 1. Mahasiswa calon penerima beasiswa berprestasi yang berada pada cluster 1 (Dapat Direkomendasikan) sebanyak 40 mahasiswa atau 40% dari 100 data mahasiswa dapat direkomendasikan untuk menerima beasiswa 2. Mahasiswa calon penerima beasiswa berprestasi yang berada pada cluster 2 (Dapat Dipertimbangkan) sebanyak 49 mahasiswa atau 49% dari 100 data mahasiswa dapat pertimbangkan untuk menerima beasiswa

6 3. Mahasiswa calon penerima beasiswa berprestasi yang berada pada cluster 3 (Tidak Direkomendasikan) sebanyak 11 mahasiswa atau 11% dari 100 data mahasiswa tidak dapat direkomendasikan untuk menerima beasiswa 4. Diperoleh data mahasiswa dengan nilai ranking tertinggi berdasarkan hasil dari proses pemilihan penerima beasiswa berprestasi menggunakan perangkat lunak tersebut atas nama Fauzi Rizqi Ramadhana dengan uraian nilai, IPK : 3,56, Semester : 6, Prestasi : 4 yang berarti mahasiswa tersebut berhak untuk menerima beasiswa 5. Kesimpulan Dan Saran Berdasarkan penelitian yang telah dilakukan, penggunaan metode clustering dengan menggunakan algoritma k-means mampu mengelompokan calon penerima beasiswa kedalam 3 kelompok, yang mana kelompok pertama berarti memberikan rekomendasi data yang dapat direkomendasikan mendapatkan beasiswa, kelompok kedua memberikan rekomendasi data yang dapat dipertimbangkan mendapatkan beasiswa dan kelompok ketiga memberikan rekomendasi data yang tidak datap dipertimbangkan mendapatkan beasiswa. Dari hasil pengujian dihasilkan sebanyak 40 mahasiswa direkomendasikan dapat menerima beasiswa, 49 mahasiswa dapat dipertimbangkan mendapatkan beasiswa, 11 mahasiswa yang tidak direkomendasikan mendapatkan beasiswa dan ranking teratas berdasarkan rekomendasi penerima beasiswa adalah Fauzi Rizqi Ramadhana. Hasil clustering hanya merupakan rekomendasi bagi pengambil keputusan dan keputusan akhir sepenuhnya berada pada pihak pemberi beasiswa. [3]. Heru Supriono et all. 2015, Sistem Pakar Berbasis Logika Kabur Untuk Penentuan Penerima Beasiswa, Jurnal Emitor, Volume 15, Nomor 01. [4]. Kennedi Tampubolon et all. Oktober 2013, Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan, Majalah Ilmiah Informasi dan Teknologi Ilmiah (INTI), Volume 1, Nomor 1. [5]. Nuri Guntur Perdana dan Tri Widodo. November 2013, Sistem Pendukung Keputusan Pemberian Beasiswa Kepada Peserta Didik Baru Menggunakan Metode TOPSIS, Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2013 (SEMANTIK 2013), Semarang. [6]. Nurul Rohmawati et all. 2015, Implementasi Algoritma K-Means Dalam Pengklasteran Mahasiswa Pelamar Beasiswa, Jurnal Ilmiah Teknologi Informasi Terapan, Volume I, Nomor 2. [7]. Sri Tria Siska. April 2016, Analisa Dan Penerapan Data Mining Untuk Menentukan Kubikasi Air Terjual Berdasarkan Pengelompokan Pelanggan Menggunakan Algoritma K-Means Clustering, Jurnal Teknologi Informasi & Pendidikan, Volume 9, Nomor 1. [8]. Sumarlin. April 2015, Imlementasi Algoritma K-Nearest Neighbor Sebagai Pendukung Keputusan Klasifikasi Penerima Beasiswa PPA dan BBM, Jurnal Sistem Informasi Bisnis, Volume 5, Nomor 1. Saran dan masukan yang dapat diberikan untuk menunjang atau sebagai proses pengembangan sistem selanjutnya adalah dalam proses pemilihan penerima beasiswa dapat dilakukan untuk berbagai jenis beasiswa, agar proses pemilihan penerima beasiswa dapat memberikan informasi yang lebih kompleks. DAFTAR PUSTAKA [1]. Ari Muzakir. November 2014, Analisa Dan Pemanfaatan Algoritma KMeans Clustering Pada Data Nilai Siswa Sebagai Penentuan Penerima Beasiswa, Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST), Yogyakarta. [2]. Cipta Riang Sari. 2016, Teknik Data Mining Menggunakan Classification Dalam Sistem Penunjang Keputusan Peminatan SMA Negeri 1 Polewali, Indonesian Journal on Networking and Security (IJSN), Volume 5, Nomor 1.

7