ARTIKEL SISTEM PEMBAGIAN KELOMPOK BELAJAR SISWA MENGGUNAKAN METODE K-MEANS CLUSTERING DI SD NEGERI 1 NGEBONG KABUPATEN TULUNGAGUNG

Transkripsi

1 ARTIKEL SISTEM PEMBAGIAN KELOMPOK BELAJAR SISWA MENGGUNAKAN METODE K-MEANS CLUSTERING DI SD NEGERI 1 NGEBONG KABUPATEN TULUNGAGUNG Oleh: BAGUS YAYANG FATKHURRAHMAN Dibimbing oleh : 1. Ahmad Bagus Setiawan, ST, M.Kom., MM. 2. Intan Nur Farida, M.Kom. PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PGRI KEDIRI TAHUN 2017

2 Bagus Yayang Fatkhurrahman

3 SISTEM PEMBAGIAN KELOMPOK BELAJAR SISWA MENGGUNAKAN METODE K-MEANS CLUSTERING DI SD NEGERI 1 NGEBONG KABUPATEN TULUNGAGUNG Bagus Yayang Fatkhurrahman bagusyfr57@gmail.com Ahmad Bagus Setiawan, S.T., M.M., M.Kom dan Intan Nur Farida, M.Kom. UNIVERSITAS NUSANTARA PGRI KEDIRI ABSTRAK Penelitian ini dilatar belakangi dari pengamatan dan pengalaman peneliti, bahwa agenda SD Negeri 1 Ngebong dalan menghadapi Ujian Nasional (UN) dan Ujian Akhir Sekolah (UAS) yaitu akan mengadakan suatu bimbingan belajar untuk tambahan pelajaran. Oleh sebab itu, penulis membuat sistem pembagian kelompok belajar siswa berdasarkan tingkat kemampuan siswa. Pembagian kelompok dibantu oleh perangkat lunak hasil implementasi dari metode clustering yang dapat mengelompokkan siswa belajar dengan valid. Permasalahan penelitian ini adalah (1) Bagaimana mengelompokkan bimbingan belajar menggunakan metode K-Means clustering di SD Negeri 1 Ngebong Kabupaten Tulungagung?. (2) Bagaimana merancang sebuah aplikasi untuk memudahkan pembagian kelompok bimbingan belajar di SD Negeri 1 Ngebong Kabupaten Tulungagung?. Penelitian ini menggunakan metode K-Means sebagai perhitungan jarak antara data training dengan data uji. Metode K-Means dipilih karena mudah dalam hal perhitungan serta juga mudah dilakukan implementasi pada bahasa pemrograman PHP. Dari hasil pengujian yang dilakukan, dapat disimpulkan bahwa Metode K-Means dapat digunakan untuk menghasilkan rekomendasi pembentukkan kelompok belajar siswa berdasarkan kemampuan masing-masing siswa KATA KUNCI : Pembagian Kelompok Siswa, Clustering, K-Means Bagus Yayang Fatkhurrahman

4 I. LATAR BELAKANG Agenda SD Negeri 1 Ngebong dalan menghadapi Ujian Nasional (UN) dan Ujian Akhir Sekolah (UAS) yaitu akan mengadakan suatu bimbingan belajar untuk tambahan pelajaran. Hal ini bertujuan untuk memantapkan materi materi mata pelajaran yang akan diujikan. Sistem pembagian kelompok bimbingan belajar yang ada saat ini masih berdasarkan daftar absen kelas yang sudah ada. Dalam perkembanganya sistem pembagian kelompok bimbingan belajar yang ada saat ini dirasa kurang efektif karena penekanan pembelajaran yang diberikan disamaratakan untuk semua siswa bimbingan belajar, sedangkan tingkat kemampuan siswa dalam mata pelajaran tidak sama. Sebagian siswa hanya tanggap dalam beberapa mata pelajaran saja, dan ada sebagian siswa yang tanggap terhadap semua mata pelajaran bimbingan yang diberikan. Masalah tersebut mengakibatkan kurangnya minat siswa dalam mengikuti proses bimbingan belajar. Belum adanya sistem pembagian kelompok bimbingan belajar, menyebabkan pembagian kelompok bimbingan belajar tidak sesuai harapan. Dengan adanya sistem ini diharapkan dapat digunakan sebagai nilai pembanding untuk mengelompokkan siswa. Permasalahan yang timbul adalah pihak sekolah mengalami kesulitan dalam menentukan kelompok bimbingan dalam menentukan tingkat kemampuan siswa. Ini dikarenakan tiap-tiap siswa mempunyai kemampuan memahami mata pelajaran yang berbeda-beda. Metode K-Means adalah metode pengelompokan data dengan mengambil parameter sejumlah k cluster, dan mempartisi data kedalam cluster tersebut, dengan berpatokan pada kemiripan antar data dalam satu cluster dan ketidakmiripan di antar cluster yang berbeda, pusat dari cluster adalah rata-rata dari nilai anggota cluster yang disebut centroid atau center of gravity. Selain itu K- Means melakukan pengelompokan dengan meminimalkan jumlah kuadrat dari jarak (distance) antara data dengan centroid cluster yang cocok. Pemilihan metode K-Means dikarenakan metode ini harus menggunakan data fisik tidak abstrak dan bersifat jelas, hal ini sesuai dengan data yang akan digunakan pada permasalahan pengelompokan bimbingan belajar di SD Negeri 1 Ngebong. Selain itu, metode ini 3

5 bersifat fleksibel sebab pengguna dapat menentukan jumlah cluster yang akan dibuat. Oleh sebab itu, penulis membuat sistem pembagian kelompok bimbingan belajar berdasarkan tingkat kemampuan siswa. Pembagian kelompok dibantu oleh perangkat lunak hasil implementasi dari metode clustering yang dapat mengelompokkan siswa belajar dengan valid. Dengan adanya pembagian kelompok ini diharapkan dapat membantu para siswa untuk lebih cepat memahami dan menguasai mata pelajaran yang dibimbingkan. II. METODE K-MEANS Algoritma K-Means merupakan salah satu algoritma dengan partitional, karena K-Means didasarkan pada penentuan jumlah awal kelompok dengan mendefinisikan nilai centroid awalnya (Madhulatha, 2012). Algoritma K-means menggunakan proses secara berulang-ulang untuk mendapatkan basis data cluster. Dibutuhkan jumlah cluster awal yang diinginkan sebagai masukan dan menghasilkan titik centroid akhir sebagai output. Metode K-means akan memilih pola k sebagai titik awal centroid secara acak atau random. Jumlah iterasi untuk mencapai cluster centroid akan dipengaruhi oleh calon cluster centroid awal secara random. Sehingga didapat cara dalam pengembangan algoritma dengan menentukan centroid cluster yang dilihat dari kepadatan data awal yang tinggi agar mendapatkan kinerja yang lebih tinggi (HUNG et al., 2005). Dalam penyelesaiannya, algoritma K-Means akan menghasilkan titik-titik centroid yang dijadikan tujuan dari algoritma K-Means. Setelah iterasi K-Means berhenti, setiap objek dalam dataset menjadi anggota dari suatu cluster. Nilai cluster ditentukan dengan mencari seluruh objek untuk menemukan cluster dengan jarak terdekat ke objek. Algoritma K - Means akan mengelompokan item data dalam suatu dataset ke suatu cluster berdasarkan jarak terdekat (Bangoria et al., 2013). Nilai centroid awal yang dipilih secara acak yang menjadi titik pusat awal, akan dihitung jarak dengan semua data menggunakan rumus Euclidean Distance. Data yang memiliki jarak pendek terhadap centroid akan membuat sebuah cluster. Proses ini berkelanjutan sampai tidak terjadi 4

6 perubahan pada setiap kelompok (Agrawal & Gupta, 2013). Berikut ini langkah-langkah yang terdapat pada algoritma K- Means (Ediyanto et al., 2013) : 1. Tentukan k sebagai jumlah cluster yang dibentuk Untuk menentukan banyaknya cluster k dilakukan dengan beberapa pertimbangan seperti pertimbangan teoritis dan konseptual yang mungkin diusulkan untuk menentukan berapa banyak cluster. Penelitian ini akan menggunakan metode elbow criterion dimana metode ini sangat praktis untuk memilih jumlah cluster k yang akan digunakan untuk pengelompokan data pada algoritma K-Means. (Madhulatha, 2012). Metode elbow ini, dapat dihasilkan dari perbandingan hasil SSE (Sum of Squared Error) dengan rumus SSE seperti dibawah ini (Irwanto, et.al, 2012): 2. Tentukan K centroid (titik pusat cluster) awal secara random Penentuan centroid awal dilakukan secara random/acak dari objek objek yang tersedia sebanyak K cluster, kemudian untuk menghitung centroid cluster ke-i berikutnya, digunakan rumus sebagai berikut: Dimana; : : : 3. Hitung jarak setiap objek ke masing-masing centroid dari masing masing cluster. Untuk menghitung jarak antara objek dengan centroid dapat menggunakan rumus Euclidian Distance. ( ) Dimana menyatakan norma euclid (L2) dan adalah pusat kluster yang dihitung berdasarkan rata-rata jarak titiktitik kluster ke pusat kluster. Dimana ( ) 5

7 4. Alokasikan masing-masing objek ke dalam centroid yang paling dekat. Untuk melakukan pengalokasian objek kedalam masing-masing cluster pada saat iterasi secara umum dapat dilakukan dengan cara hard kmeans dimana secara tegas setiap objek dinyatakan sebagai anggota cluster dengan mengukur jarak kedekatan sifatnya terhadap titik pusat cluster tersebut. 5. Lakukan iterasi, kemudian tentukan posisi centroid baru dengan menggunakan persamaan di atas. 6. Ulangi langkah 3 jika posisi centroid baru tidak sama III. HASIL DAN KESIMPULAN A. Analisa dan Logika Metode Pada pembuatan aplikasi pengelompokkan belajar siswa berdasarkan nilai mata pelajaran menggunakan metode K-Means ini, berikut logika metode yang digunakan. Data akan di kelompokan menjadi 3 kelompok, dalam pengelompokan ini akan dilakukan terhadap siswa berdasarkan nilai kelas 6 semester 1. Seperti pada gambar 1 dibawah ini. Gambar 1 Data siswa 1. Menentukan Cluster Acak Mentukan pusat awal cluster untuk clustering, yaitu nilai dari Dimas Kurniawan, Irvan dwi Marsuq, dan Seli Rahayuning Tyas dengan menggunakan fungsi random. Seperti gambar 2 dibawah ini. Gambar 2 Titik Pusat 2. Perhitungan Dalam perhitungan ini menggunakan rumus Euclidian Distance. Rumus : ( ) ( ) Proses akan terus di lakukan (sampai iterasi ke-n) dimana 6

8 iterasi akan berhenti jika tidak ada lagi perubahan nilai pada iterasi ke n-1dan iterasi ke n. 3. Hasil Pembagian Kelompok Hasil dari pembagian kelompok belajar siswa di SD Negeri 1 Ngebong di bagi menjadi 3 kelompok, yaitu kelompok 1 ada 9 siswa, kelompok 2 ada 4 siswa, kelompok 3 ada 7 siswa. Gambar 4 Tampilan data training 2. Halaman Clustering K- Means Halaman clustering K- Means adalah halaman yang menampilkan pemilihan centroid sebagai pusat awal serta mengolah data menggunakan mertode K- Means clustering. Seperti yang di tunjukan pada gambar 3.5 di bawah ini. Gambar 3 Hasil Kelompok B. Implementasi 1. Tampilan Data Training Halaman data training adalah halaman yang menampilkan daftar data training berupa data nilai siswa. Seperti gambar 4 di bawah ini. Gambar 5 Clustering K-Means 7

9 3. Tampilan Hasil Kelompok Halaman hasil pembagian kelompok adalah halaman yang menampilkan hasil pembagian kelompok menggunakan algoritma K- Means. Seperti yang di tunjukan pada gambar 6 dibawah ini. Means clustering di SD Negeri 1 Ngebong Tulungagung. Kabupaten 2. Pembagian kelompok belajar siswa di SD Negeri 1 Ngebong Kabupaten Tulungagung, dimudahkan dengan adanya sistem pembagian kelompok belajar siswa berdasarkan tingkat kemampuan siswa dengan menggunakan metode K-Means yang dibuat. IV. DAFTAR PUSTAKA Agrawal, A. & Gupta, H Global K- Means (GKM) Clustering Algorithm: A Survey. International Journal of Computer Applications, LIX(2), pp Gambar 6 Tampilan hasil KESIMPULAN Setelah menyelesaikan perancangan dan pembuatan Sistem Pembagian Kelompok Belajar Siswa Berdasarkan Tingkat Kemampuan Siswa dengan Menggunakan Metode K-Means, serta melakukan uji coba dan evaluasi, maka dapat ditarik kesimpulan sebagai berikut : 1. Sistem yang telah dibangun, dapat digunakan untuk memperoleh hasil pembagian kelompok belajar siswa menggunakan metode K- Ahmed, A.H. & Ashour, W An Initialization Method for the K- means Algorithm using RNN and Coupling Degree. International Journal of Computer Applications, XXV(1), pp.1-6. Arikunto, Pengelolaan Kelas dan Siswa : Sebuah Pendekatan Evaluatif. Jakarta : Rineka Cipta. Bangoria et al A Survey on Efficient Enhanced K-Means Clustering Algorithm. International Journal for Scientific Research & Development, I(9), pp Ediyanto, Mara, M.N. & Satyahadewi, N Pengklasifikasian Karakteristik Dengan Metode K- Means Cluster Analysis. Buletin Ilmiah Mat. Stat. dan Terapannya, II(2), pp

10 HUNG et al An Efficient k-means Clustering Algorithm Using Simple Partitioning. Journal Of Information Science And Engineering, XXI(1), pp Irwanto Optimasi Kinerja Algoritma Klasterisasi K-Means untuk kuantisasi Warna Citra. Jurnal Teknik ITS, I(1), pp International Journal of Computer Applications, LXXIV(6), pp Thahir, Andi Pengaruh Bimbingan Belajar Terhadap Prestasi Belajar Siswa Pondok Pesantren Madrasah Aliyah Al-Utrujiyyah Kota Karang Bandar lampung. Fakultas Bimbingan Konseling, Universitas Lampung. Joshi, K.D. & Nalwade, P.S Modified K-Means for Better Initial Cluster Centres. International Journal of Computer Science and Mobile Computing, II(7), pp Kodinariya, T.M. & Makwana, P.R Review on determining number of Cluster in KMeans Clustering. International Journal of Advance Research in Computer Science and Management Studies, I(6), pp Turban Decision Support and intelligent Systems,Yogyakarta: Andi. Zuliarso Rancang Bangun Sistem Perpustakaan Untuk Jurnal Elektronik. Fakultas Teknologi Informasi, Universitas Stikubank. Kusrini Algoritma Data Mining. Yogyakarta: Andi. Larose Discovering Knowledge in Data : An Introduction to Data Mining. John Willey & Sons, Inc. Madhulatha An Overview On Clustering Methods. IOSR Journal Of Engineering, II(4), pp Nango, Dwi Noviati Penerapan Algoritma K-Means Untuk Clustering Data Anggaran Pendapatan Belanja Daerah Di Kabupaten XYZ. Universitas Negeri Gorontalo. Santosa, Budi Data Mining: Teknik Pemanfaatan Data untuk keperluan bisnis. Jogjakarta : Graha Ilmu. Singh, H. & Kaur, K New Method for Finding Initial Cluster Centroids in K-means Algorithm. 9