PEMANFAATAN METODE K-MEANS CLUSTERING DALAM PENENTUAN PENJURUSAN SISWA SMA SKRIPSI

Transkripsi

1 PEMANFAATAN METODE K-MEANS CLUSTERING DALAM PENENTUAN PENJURUSAN SISWA SMA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun oleh : CHANDRA PURNAMANINGSIH NIM. M JURUSAN INFORMATIKA FAKULTAS MATEMATIKA & ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2013 i

2 PEMANFAATAN METODE K-MEANS CLUSTERING DALAM PENENTUAN PENJURUSAN SISWA SMA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun oleh : CHANDRA PURNAMANINGSIH NIM. M JURUSAN INFORMATIKA FAKULTAS MATEMATIKA & ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2013 i

3 SKRIPSI PEMANFAATAN METODE K-MEANS CLUSTERING DALAM PENENTUAN PENJURUSAN SISWA SMA Disusun oleh : CHANDRA PURNAMANINGSIH NIM. M Skripsi ini telah disetujui untuk dipertahankan di hadapan Dewan Penguji pada tanggal 17 Desember 2013: Pembimbing I Pembimbing II Ristu Saptono, S.Si., M.T. NIP Abdul Aziz, S.Kom, M.Cs NIP ii

4 SKRIPSI PEMANFAATAN METODE K-MEANS CLUSTERING DALAM PENENTUAN PENJURUSAN SISWA SMA HALAMAN PENGESAHAN Disusun oleh : CHANDRA PURNAMANINGSIH NIM. M Telah dipertahankan di hadapan Dewan Penguji Pada tanggal 17 Desember 2013 : Susunan Dewan Penguji 1. Ristu Saptono, S.Si., M.T. NIP Abdul Aziz, S. Kom, M.Cs NIP Umi Salamah S.Si, M.Kom NIP Rini Anggrainingsih, S.T.,M.T. NIP Dekan FMIPA UNS Disahkan oleh ( ) ( ) ( ) ( ) Ketua Jurusan Informatika Prof.Ir.Ari Handono Ramelan,M.Sc.(Hons),Ph.D NIP Umi Salamah, S.Si., M.Kom NIP iii

5 MOTTO Sesungguhnya Shalatku, Ibadahku, Hidupku dan Matiku hanya untuk Allah semata (Q.S. Al-An aam: 162) Karena sesungguhnya sesudah kesulitan itu ada kemudahan, sesungguhnya sesudah kesulitan itu ada kemudahan, Maka apabila kamu telah selesai (dari sesuatu urusan), kerjakanlah dengan sungguh-sungguh (urusan) yang lain (Q.S. Al-Insyirah : 5-7) Don t wish it were easier, wish you were better. (Jim Rohn) Your time is limited, so don't waste it living someone else's life. (Steve Jobs) iv

6 PERSEMBAHAN Karya ini penulis persembahkan kepada : Mama dan Bapak tercinta atas segala pengorbanan, do a, dukungan dan semangat yang tak pernah putus. v

7 PEMANFAATAN METODE K-MEANS CLUSTERING DALAM PENENTUAN PENJURUSAN SISWA SMA CHANDRA PURNAMANINGSIH Jurusan Informatika. Fakultas MIPA. Universitas Sebelas Maret. ABSTRAK Penentuan penjurusan siswa SMA dilakukan berdasarkan kriteria nilai akademik yang menjadi ciri dari masing-masing jurusan IPA/IPS, hal ini memungkinkan bagi seorang siswa untuk memenuhi kriteria diterima di kedua jurusan atau ditolak di keduanya. Usaha untuk mengurangi kemungkinan tersebut adalah dengan cara memperhatikan pertimbangan kriteria lainnya seperti ditinjau dari nilai IQ dan minat siswa. Proses penentuan penjurusan siswa SMA dengan teknik clustering menggunakan metode K-Means clustering. Pada penelitian ini dilakukan clustering sendiri-sendiri untuk IPA/IPS dan dipaparkan perbandingan hasil clustering K-Means kriteria nilai akademik, nilai IQ, minat siswa dengan clustering K-Means nilai akademik. Data siswa dikelompokkan sendiri-sendiri sesuai jurusan masing-masing. Jurusan IPA dikelompokkan menjadi dua yaitu diterima IPA dan ditolak IPA. Untuk jurusan IPS dikelompokkan menjadi dua yaitu diterima IPS dan ditolak IPS. Kemudian setiap cluster diklasifikasikan berdasarkan kriteria mana yang lebih diprioritaskan. Cluster dengan nilai terbesar pada centroid akhir merupakan cluster yang diterima IPA/IPS, sedangkan cluster dengan nilai terkecil pada centroid akhir merupakan cluster yang ditolak IPA/IPS. Hasil penelitian pengujian terbaik pada praprocessing clustering K-Means IPA dengan hasil akurasi , tingkat kesesuaian hasil prediksi dengan data sebenarnya (recall) 1, ketepatan hasil pengujian dalam memprediksi clustering (sensitivity) , kesesuaian prediksi negatif terhadap aktual negatif (specificity) Sedangkan pengujian terbaik juga pada praprocessing clustering K-Means IPS didapatkan akurasi , recall , sensitivity 1, dan specificity 1. Hasil perbandingan clustering terbaik pada praprocessing clustering K-Means IPA dengan praprocessing clustering K-Means IPS menunjukkan bahwa tidak ada siswa yang diterima di dua jurusan IPA/IPS atau siswa ditolak di keduanya. Kata Kunci: Centroid, Clustering, IPA, IPS, K-Means,Penjurusan vi

8 THE USE OF K-MEANS CLUSTERING METHOD TO DETERMINE MAJOR OF SENIOR HIGH SCHOOL STUDENT CHANDRA PURNAMANINGSIH Department of Informatic. Mathematic and Science Faculty. Sebelas Maret University ABSTRACT Major placement of senior high school student is conducted by the criteria of academic result of each major; the IPA/IPS. It is possible for the students are included into those two major or aren t included into both.the effort to reduce the possibility that would occur if the students had an error in the placement of the majors is with due regard to other considerations like students IQ scores and students interest. The process of determining the major of senior high school student by using K-Means clustering method. In this research, clustering are separately implemented for IPA/IPS and presented the comparison results using clustering criteria with modifications academic values between IQ criteria of students, students interest and academic grades of students using the K-Means clustering method. Data of the students are separately grouped according to their respective major. The IPA major are grouped into two, they are accepted to IPA and rejected to IPA. For the IPS major are grouped into two, that is accepted to IPS and rejected to IPS. Then each cluster is classified based on criteria which are more prioritized. Clusters with the greatest value at the end of centroid is the cluster which is received to IPA/IPS, while the cluster with the smallest value at the end of centroid is the cluster which is rejected to IPA/IPS. The best research result of testing on K-Means clustering preprocessing IPA with accuracy results , level of compatibility the predicted result with the actual data (recall) 1, accuracy in predicting test results clustering (sensitivity) , negative predictive suitability to the negative actual (specificity) Meanwhile, the best testing result is also obtained on K- Means clustering preprocessing IPS that showed the accuracy , recall , sensitivity 1, and specificity 1. The best comparison clustering result on K-Means clustering preprocessing IPA with K-Means clustering preprocessing IPS indicates that no student who received into two majors IPA / IPS or students declined in both. Key words: Centroid, Clustering, IPA, IPS, K-Means, Major vii

9 KATA PENGANTAR Puji syukur penulis panjatkan kehadirat Allah Subhanahu Wa Ta ala yang senantiasa memberikan nikmat dan karunia-nya sehingga penulis dapat menyelesaikan skripsi dengan judul Pemanfaatan Metode K-Means Clustering dalam Penentuan Penjurusan Siswa SMA, yang menjadi salah satu syarat wajib untuk memperoleh gelar Sarjana Informatika di Universitas Sebelas Maret (UNS) Surakarta. Penulis menyadari akan keterbatasan yang dimiliki, begitu banyak bimbingan, bantuan, serta motivasi yang diberikan dalam proses penyusunan skripsi ini. Oleh karena itu, ucapan terima kasih penulis sampaikan kepada : 1. Bapak Ristu Saptono, S.Si., M.T selaku Dosen Pembimbing I yang penuh kesabaran, ketelitian, koreksi, masukan, motivasi, semangat dan memberikan waktunya untuk mengarahkan, dan membimbing penulis selama proses penyelesaian skripsi ini, 2. Bapak Abdul Aziz, S.Kom, M.Cs selaku Dosen Pembimbing II terimakasih atas setiap diskusi, semangat, motivasi, ketelitian, koreksi, masukan dan kesabarannya selama proses penyelesaian skripsi ini. 3. Ibu Umi Salamah, S.Si.,M.Kom selaku Ketua Jurusan S1 Informatika FMIPA UNS, 4. Bapak Didiek S. Wiyono, S.T., M.T. selaku Pembimbing Akademik. 5. Bapak dan Ibu dosen serta karyawan di Jurusan Informatika FMIPA UNS yang telah mengajar penulis selama masa studi dan membantu dalam proses penyusunan skripsi ini, 6. Mama dan bapak tercinta yang tak hentinya memberikan dukungan moral dan material selama proses penyusunan Tugas Akhir ini, 7. Teman-teman semua terutama mahasiswa informatika FMIPA UNS dan Yudi Chandri Setiawan selalu memberikan dukungan, motivasi dan bantuan kepada penulis. Penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak yang berkepentingan. Surakarta, 17 November 2013 Penulis viii

10 DAFTAR ISI HALAMAN JUDUL... i HALAMAN PERSETUJUAN... ii HALAMAN PENGESAHAN... iii HALAMAN MOTTO... iv HALAMAN PERSEMBAHAN... v ABSTRAK... vi ABSTRACT... vii KATA PENGANTAR... viii DAFTAR ISI... ix DAFTAR TABEL... xii DAFTAR GAMBAR... xiv DAFTAR LAMPIRAN... xv BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian Sistematika Penulisan... 4 BAB II TINJAUAN PUSTAKA Landasan Teori Clustering K-Means... 5 ix

11 2.1.3 Confusion Matrik Kriterian Penjurusan Sekolah Menengah Atas (SMA) Penelitian Terkait Aplikasi K-Means untuk Pengelompokkan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) dan Ukuran Kerangka (Tedy Rismawan dan Kusumadewi,2008) Sistem Pendukung Keputusan Penjurusan Siswa Kelas X SMA Negeri 2 Surakarta Dengan Metode Fuzzy C-Means Dengan Penggunaan Daya Dukung Minat Siswa (Erfan Agil Putranto, 2012) Performance Evaluation of K-Means and Fuzzy C-Means Clustering Algorithms for Statistical Distributions of Input Data Points (Santhanam dan Velmurugan, 2010) Clustering Data Non-Numerik Dengan Pendekatan Algoritma K- Means Dan Hamming Distance Studi Kasus Biro Jodoh (Darlis Heru Murti, Nanik Suciati, dan Daru Jani Nanjaya,2005) Rencana Penelitian BAB III METODE PENELITIAN Pengumpulan Data Study Literature Telaah Dokumen Pemodelan Data Proses Clustering Praprocessing Clustering K-Means Clustering K-Means Klasifikasi Hasil Clustering Pengujian dan Validasi Hasil Tahap Pengujian Perbandingan berdasarkan Clustering Tahap Pengujian berdasarkan Confusion Matrik x

12 BAB IV PEMBAHASAN Pemodelan Data Proses Clustering Klasifikasi Hasil Clustering Hasil Pengujian Clustering Hasil Pengujian Perbandingan berdasarkan Confusion Matrik Hasil Pengujian berdasarkan Clustering BAB V PENUTUP Kesimpulan Saran DAFTAR PUSTAKA xi

13 DAFTAR TABEL Tabel 2.1 Daftar Objek dalam Clustering... 9 Tabel 2.2 Hasil Clustering Tabel 2.3 Confusion Matrik (Fawcett,2006) Tabel 3.1 Pengkatagorian Minat Tabel 3.2 Pengkatagorian Nilai IQ Tabel 3.3 Pembobotan IPA IPS Tabel 3.4 Confusion Matrik Data Dua Kelas Tabel 4.1 Pemodelan Data Jurusan IPA Tabel 4.2 Pemodelan Data Jurusan IPS Tabel 4.3 Jarak Awal Iterasi-1 clustering K-Means IPA Tabel 4.4 Jarak Awal Iterasi-1 clustering K-Means IPS Tabel 4.5 Jarak Awal Iterasi-1 clustering praprocessing K-Means IPA Tabel 4.6 Jarak Awal Iterasi-1 clustering praprocessing K-Means IPS Tabel 4.7 Hasil cluster K-Means IPA iterasi Tabel 4.8 Hasil cluster K-Means IPS iterasi Tabel 4.9 Hasil cluster praprocessing K-Means IPA iterasi Tabel 4.10 Hasil cluster praprocessing K-Means IPS iterasi Tabel 4.11 Hasil centroid akhir K-Means IPA Tabel 4.12 Hasil centroid akhir K-Means IPS Tabel 4.13 Hasil centroid akhir praprocessing K-Means IPA Tabel 4.14 Hasil centroid akhir praprocessing K-Means IPS Tabel 4.15 Klasifikasi cluster K-Means commit IPA to user xii

14 Tabel 4.16 Klasifikasi cluster K-Means IPS Tabel 4.17 Klasifikasi cluster praprocessing K-Means IPA Tabel 4.18 Klasifikasi cluster praprocessing K-Means IPS Tabel 4.19 Confusion Matrik K-Means IPA Tabel 4.20 Confusion Matrik K-Means IPS Tabel 4.21 Confusion Matrik praprocessing K-Means IPA Tabel 4.22 Confusion Matrik praprocessing K-Means IPS Tabel 4.23 Rata-Rata Hasil Pengujian Tabel 4.24 Pengujian K-Means IPA dengan K-Means IPS Tabel 4.25 Pengujian praprocessing K-Means IPA dengan praprocessing K- Means IPS xiii

15 DAFTAR GAMBAR Gambar 2.1 Ilustrasi algoritma K-Means... 6 Gambar 2.1 Diagram alir algoritma K-Means... 8 Gambar 3.1 Alur Rancangan Penelitian Gambar 3.2 Flowchart praprocessing clustering K-Means IPA/IPS Gambar 3.3 Flowchart clustering K-Means IPA/IPS Gambar 3.5 Ilustrasi Hasil Pengelompokan Penjurusan Gambar 4.1 Grafik Perbandingan Hasil Pengujian Clustering xiv

16 DAFTAR LAMPIRAN Lampiran A. Data Asli Siswa Lampiran B. Hasil Pemodelan Data Jurusan IPA Lampiran C. Hasil Pemodelan Data Jurusan IPS Lampiran D. Hasil Perhitungan Jarak Awal Iterasi-1 Clustering K-Means IPA, K- Means IPS, praprocessing K-Means IPA, praprocessing K-Means IPS Lampiran E. Hasil Iterasi 1 Clustering K-Means IPA, K-Means IPS, praprocessing K-Means IPA, praprocessing K-Means IPS Lampiran F. Hasil Klasifikasi Siswa Clustering K-Means IPA / IPS Lampiran G. Hasil Klasifikasi Siswa Clustering praprocessing K-Means IPA dan praprocessing K-Means IPS Lampiran H. Hasil Pengujian K-Means IPA dengan Data Asli Sekolah Lampiran I. Hasil Pengujian K-Means IPS dengan Data Asli Sekolah Lampiran J. Hasil Pengujian Clustering praprocessing K-Means IPA dengan Data Asli Sekolah Lampiran K. Hasil Pengujian Clustering praprocessing K-Means IPS dengan Data Asli Sekolah Lampiran L. Hasil Pengujian Clustering K-Means IPA Lampiran M. Hasil Pengujian Clustering K-Means IPS Lampiran N. Hasil Pengujian Clustering praprocessing K-Means IPA Lampiran O. Hasil Pengujian Clustering praprocessing K-Means IPS xv