PENGELOMPOKAN BIMBINGAN BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMA NEGERI 1 CILAKU KABUPATEN CIANJUR

Ukuran: px

Mulai penontonan dengan halaman:

Download "PENGELOMPOKAN BIMBINGAN BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMA NEGERI 1 CILAKU KABUPATEN CIANJUR"

Susanti Pranoto
6 tahun lalu
Tontonan:

Adry Rahadinata 10108069 Penguji 1 Andri Heryandi, S.T.

1 PENGELOMPOKAN BIMBINGAN BELAJAR MENGGUNAKAN METODE CLUSTERING DI SMA NEGERI 1 CILAKU KABUPATEN CIANJUR SIDANG SKRIPSI Oleh Adry Rahadinata Penguji 1 Andri Heryandi, S.T., M.T. Penguji 2 Adam Mukharil Bachtiar, S.Kom. Penguji 3 Eko Budi S., S.Kom.

2 SMA Negeri 1 Cilaku Kabupaten Cianjur

3 Bimbingan belajar (pemantapan)

4 Kemampuan siswa yang berbeda-beda.

5 Kurangnya minat siswa dalam mengikuti proses bimbingan belajar.

6 Bagaimana cara pengelompokan yang optimal?

7 Maksud Membangun perangkat lunak

8 Tujuan Membantu pihak sekolah Menghasilkan perangkat lunak

9 Batasan Masalah

10 Metode pengelompokan yang digunakan adalah metode clustering.

11 Algoritma yang digunakan adalah algoritma K-Means.

1 2 3 4 5 Data yang digunakan dalam perangkat lunak ini merupakan data nilai

12 Data yang digunakan dalam perangkat lunak ini merupakan data nilai rata-rata mata pelajaran yang akan dibimbingkan dari semester III sampai semester V.

1 2 3 4 5 Pembagian kelompok bimbingan belajar untuk siswa

13 Pembagian kelompok bimbingan belajar untuk siswa jurusan IPA dipisahkan dengan pembagian kelompok untuk siswa jurusan IPS.

1 2 3 4 5 Pendekatan analisis yang digunakan dalam

14 Pendekatan analisis yang digunakan dalam pembangunan sistem ini berdasarkan pendekatan analisis terstruktur.

15 Algoritma K-Means K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. (Yudi Agusta 2007 : 47)

16 Algoritma k-means klastering bisa diringkas sebagai berikut : 1. Pilih jumlah klaster k 2. Inisialisasi k pusat klaster ini bisa dilakukan dengan berbagai cara. Yang paling sering dilakukan adalah dengan cara random. Pusat-pusat klaster diberi nilai awal dengan angka-angka random. 3. Tempatkan setiap data/obyek ke klaster terdekat. Kedekatan dua obyek ditentukan berdasar jarak keedua obyek tersebut. Demikian juga kedekatan suatu data ke klaster tertentu ditentukan jarak antara data dengan pusat klaster. Dalam tahap ini perlu dihitung jarak tiap data ke tiap pusat klaster. Jarak paling dekat antara satu data dengan satu klaster tertentu akan menentukan suatu data masuk dalam klaster mana. 4. Hitung kembali pusat klaster dengan keanggotaan klaster yang sekarang. Pusat klaster adalah rata-rata dari semua data/ obyek dalam klaster tertentu. Jika dikehendaki bisa juga memakai median dari klaster tersebut. Jadi rata-rata (mean) bukan satu-satunya ukuran yang bisa dipakai. 5. Tugaskan lagi setiap obyek dengan memakai pusat klaster yang baru. Jika pusat klaster sudah tidak berubah lagi, maka proses pengklasteran selesai. Atau, kembali lagi ke langkah nomor 3 sampai pusat klaster tidak berubah lagi. (Budi Santosa 2007 : 42)

17 Flowchart Algoritma K-means Start Inisialisasi Data Jumlah klaster Pemilihan centroid secara random Perhitungan jarak objek ke centroid Ya Pengelompokan berdasarkan jarak terpendek Update nilai centroid baru Apakah anggota suatu cluster sudah tidak berpindah lagi? Tidak Apakah iterasi <= 50? Ya Tidak Stop

18 Contoh Kasus Nis Jurusan B. Indonesia - smt 3 B. Inggris - smt 3 Matematika - smt 3 Fisika - smt 3 Kimia- smt 3 Biologi - smt 3 B. Indonesia - smt 4 B. Inggris - smt 4 Matematika - smt 4 Fisika - smt 4 Kimia- smt 4 Biologi - smt 4 B. Indonesia - smt 5 B. Inggris - smt 5 Matematika - smt 5 Fisika - smt 5 Kimia - smt 5 Biologi - smt A A A A A A A A A A A A

19 Dari data tersebut akan dikelompokan menjadi tiga kelompok berdasarkan mata pelajaran yang akan dibimbingkan disetiap jurusan menggunkan algoritma K-Means, Dalam contoh ini pengelompokan akan dilakukan terhadap siswa berdasarkan nilai rata-rata mata pelajaran bahasa indonesia dengan perulangan maximum tiga kali perulangan

20 1 Menghitung nilai rata-rata dari tiap mata pelajaran yang hasilnya terdapat dalam tabel di bawah ini No Nis B.Indonesia B.Ingris Matematika Fisika Kimia Biologi

21 2 Dari tabel tersebut kita tentukan pusat awal cluster untuk clustering B.Indonesia secara acak. Pusat awal kita ambil dari data yang ada pada kolom B.Indonesia dengan menggunakan fungsi random, misalnya nilai yang didapat adalah sebagai berikut : c1 = 7.60 yang diambil dari data ke-4 c2 = 7.77 yang diambil dari data ke-11 c3 = 8.07 yang diambil dari data ke-7

22 3 Menghitung jarak dari semua data ke tiap titik pusat cluster pertama menggunakan Euclidean Distace dengan rumus sebagai berikut:

23 1. Menghitung jarak data ke-1 dengan centroid pertama (c1) 2. Menghitung jarak data ke-1 dengan centroid kedua (c1) 3. Menghitung jarak data ke-1 dengan centroid ketiga(c1)

24 4 Perhitungan jarak setiap data dan posisi cluster pada iterasi pertama. No Nis D i1 D i2 D i3 C1 C2 C * * * * * * * * * * * *

25 Menentukan pusat cluster baru dengan cara menghitung ratarata dari data yang ada di masing-masing cluster. 5 Perhitungan pusat cluster baru pertama Karena cluster pertama (C1) memiliki dua anggota maka : Perhitungan pusat cluster baru kedua Karena cluster kedua (C2) memiliki tujuh anggota maka : Perhitungan pusat cluster baru ketiga Karena cluster ketiga (C3) memiliki tiga anggota maka :

26 Mengulangi langkah tiga, empat dan lima sampai pusat cluster tidak berubah lagi atau perubahan nilai pada jumlah iterasi melebihi nilai perulangan maksimun yang ditentukan. 6

27 Perhitungan jarak setiap data dan posisi cluster pada iterasi kedua. No Nis D i1 D i2 D i3 C1 C2 C * * * * * * * * * * * * * * *

28 Perhitungan jarak setiap data dan posisi cluster pada iterasi ketiga. No Nis D i1 D i2 D i3 C1 C2 C * * * * * * * * * * * * Perulangan dihentikan karena dalam perulangan yang ketiga sudah tidak ada lagi anggota suatu cluster dari perulangan sebelumnya yang berpindah cluster

29 ERD

30 Diagram Konteks Data alamat file excel Data dalam file Data Penentuan Klastering 0 Pengguna Sistem Pengelompokan Bimbingan Belajar file excel + Report Pengelompokan Log Pengelompokan Info dalam file excel

31 DFD Level 1 Info dalam file excel [Data alamat file excel] 1 Import file excel + [Data dalam file] Data Siswa file excel Data Nilai Detail Penilaian Data Nilai Data Penentuan Kelastering Data Siswa Pengguna Log Pengelompokan 2 Pengelompoka n Siswa + Data Siswa Log Pengelompokan Data Log Pengelompokan [Report Pengelompokan] Data Log Pengelompokan 3 Report Log Pengelompoka n

32 DFD Level 2 Import File Excel [Data alamat file excel] [Data alamat file excel] [Data Siswa] 1.1 Import Data Siswa [Data dalam file] [Info dalam file excel] [Data dalam file] Pengguna Data Siswa [Data alamat file excel] [Data Nilai] 1.2 Import Data Nilai [Data dalam file] file excel [Info dalam file excel] Detail Penilaian [Info dalam file excel]

33 DFD Level 2 Pegelompokan Siswa [Data Penentuan Kelastering] 2.1 Hitung nilai rata_rata per mata pelajaran [Data Nilai] Detail Penilaian Nilai rata_rata Data Siswa [Data Siswa] Pengguna 2.2 Klastering Log Pengelompokan [Log Pengelompokan] [Data Log Pengelompokan]

34 Diagram Relasi

35 Struktur Menu

36 Perancangan Antarmuka

40 Perancangan Pesan

41 Jaringan Semantik

42 Perancangan Prosedural

43 Prosedur Import Data

44 Prosedur Pengelompokan

45 White Box Algoritma K-means Black Box Equivalence Partitioning Testing Beta Wawancara

46 Kesimpulan Membantu sekolah Hasil pengelompokan Saran Kasus sistem pembagian kelas

47 Terima Kasih

dokumen-dokumen yang mirip

Pengenalan Pola. K-Means Clustering

Pengenalan Pola. K-Means Clustering Pengenalan Pola K-Means Clustering PTIIK - 2014 Course Contents 1 Definisi k-means 2 Algoritma k-means 3 Studi Kasus 4 Latihan dan Diskusi K-Means Clustering K-Means merupakan salah satu metode pengelompokan