1

LAPORAN
PENELITIAN


SISTEM CLUSTERI NG KECERDASAN MAJEMUK MAHASISWA
MENGGUNAKAN ALGORITMA SELF ORGANI ZI NG MAPS (SOM)


Disusun Oleh:
Wiji Lestari, S.Si, M.Kom





PROGRAM STUDI: SISTEM INFORMASI
SEKOLAH TINGGI MANAGEMEN INFORMATIKA DAN KOMPUTER
(STMIK) DUTA BANGSA SURAKARTA
2013



2


ABSTRAK
SISTEM CLUSTERI NG KECERDASAN MAJEMUK MAHASISWA
MENGGUNAKAN ALGORITMA SELF ORGANI ZI NG MAPS (SOM)

Kecerdasan majemuk adalah hal penting dalam pembelajaran. Kecerdasan
majemuk adalah sebuah penilaian yang melihat secara deskriptif bagaimana individu
menggunakan kecerdasannya untuk memecahkan masalah dan menghasilkan
sesuatu. Menurut Gardner ada 8 kecerdasan majemuk yaitu linguistics, logical-
mathematics, visual-spasial, bodily-kinesthetics, musical, interpersonal, intrapersonal
dan naturalist.
Clustering adalah suatu metode untuk mengelompokkan sejumlah data menjadi
beberapa cluster. Data-data yang mempunyai kedekatan akan dikelompokkan dalam
satu cluster. Algoritma Self Organizing Maps (SOM) merupakan algorima pada
jaringan syaraf tiruan dengan pembelajaran tidak terawasi. Algoritma SOM dapat
digunakan untuk analisis pada clustering.
Pada penelitian ini bertujuan menghasilkan sistem clustering untuk pemetaan
kecerdasan majemuk mahasiswa dengan algoritma SOM. Data input digunakan
sekelompok mahasiswa yang akan dikelompokkan dengan cluatering. Proses
clustering menggunakan algoritma SOM dengan parameter-parameter clustering
tertentu. clustering kecerdasan majemuk digunakan jumlah cluster 8, epochs 500 dan
parameter Kohonen 0,01. Dari hasil clustering dapat dipetakan kecerdasan majemuk
dari sekelompok mahasiswa.

Kata kunci : kecerdasan majemuk; clustering; jaringan syaraf turuan; Algoritma self
organizing maps.





3

BAB I
PENDAHULUAN


1.1 Latar Belakang

Keberagaman adalah sesuatu yang pasti dan bukti kebesaran Tuhan dalam
mencipkan makluknya. Begitupun dengan mahasiswa mempunyai kebergaman
dalam kecerdasannya. Hampir setiap pembelajar dan pengajar pernah mendengar
kata kecerdasan majemuk. Namun banyak yang belum memahami arti dan
pentingnya kecerdasan majemuk [1]. Kecerdasan majemuk dikemukakan oleh
Gardner, yang membagi kecerdasan majemuk ke dalam kecerdasan visual/spasial,
kinesthetics, intrapersonal, interpersonal, linguistic, musical/rhythmic,
logical/mathematical dan naturalistic [2].
Banyak manfaat yang diperoleh dengan memahami kecerdasan majemuk
mahasiswa. Manfaat tersebut adalah untuk pribadi mahasiswa, kampus dan orang
tua. mahasiswa dapat belajar lebih optimal dan bisa memahami karakteristik dirinya.
Kampus dapat merencanakan pembelajaran yang memperhatikan keberagaman
kecerdasan majemuk mahasiswanya. Pembelajaran yang dilaksanakan saat ini
kebanyakan belum memperhatikan kecerdasan majemuk mahasiswa. Mahaiswa
dalam suatu kelas dianggap sama dalam memahami materi perkuliahan. Sehingga
tidak jarang ditemui mahasiswa kurang antusias dalam mengikuti pembelajaran.
Pembelajaran yang mengabaikan keunikan kecerdasan majemuk mahasiswa
tampaknya masih merupakan gaya utama pengajaran sehingga memberikan
lingkungan yang tidak sejahtera bagi sebagian besar mahasiswa [3].
Pemetaan kecerdasan majemuk mahasiswa ke dalam kelompok-kelompok
yang mempunyai kesamaan atau kedekatan kecerdasan majemuk mereka sangat
diperlukan. Dengan memahami pemetaan kecerdasan majemuk mahasiswa dalam
suatu kelas akan membantu dosen pada pemilihan startegi pembelajaran. Adanya
pemetaan juga akan memudahkan pembuatan kelompok belajar mahasiswa dan
pembentukkan kelompok-kelompok mahasiswa untuk keperluan tertentu yang
berkaitan dengan bimbingan studi dan karier. Jika seseorang atau siswa memahami


4

kecerdasan majemuknya maka dapat digunakan sebagai acuan dalam mengikuti
pembelajaran maupun pemilihan karier di masa depan. Dalam penugasan ataupun
projek dosen dan mahasiswa memperoleh acuan bentuk penugasan dan projek
disesuaikan dengan kecerdasan majemuk mahasiswa. Identifikasi kecenderungan
kecerdasan majemuk mahasiswa biasanya dilakukan dengan pengisian kuisioner
kemudian datanya diolah dengan manual maupun komputasi.
Identifikasi maupun pengelompokkan kecerdasan majemuk mahasiswa dapat
dilaksanakan dengan clustering. Proses clustering ini bertujuan untuk
mengelompokkan objek-objek berdasarkan karakteristik diantara objek-objek
tersebut. Dari analisis cluster kita dapat mengetahui kelompok-kelompok yang
terbentuk dengan ciri khas dari tiap kelompok. Dalam penelitian ini clustering
digunakan untuk mengelompokkan mahasiswa-mahasiswa yang mempunyai
kedekatan karakteristik dalam kecerdasan majemuknya. Dengan adanya clustering
kecerdasan majemuk mahasiswa dalam suatu kelas akan diketahui keberagaman
kecerdasan majemuk mahasiswa. Keberagaman kecerdasan majemuk tersebut dilihat
dari banyaknya cluster. Dengan clustering juga dapat ditentukan kedekatan dalam
hal kecerdasan majemuk antara mahasiswa yang satu dengan yang lainnya.

1.2 Rumusan Masalah

Berdasarkan uraian latar belakang di atas maka rumusan masalah yang diajukan
dalam penelitian ini adalah Bagaimana mengembangkan sistem clustering
kecerdasan majemuk mahasiswa dengan algoritma Self Organizing Maps (SOM)?

1.3 Tujuan

Berdasarkan latar belakang dan rumusan masalah di atas, maka penelitian ini
bertujuan:
1. Terbentuknya system clustering kecerdasan majemuk mahasiswa dengan
algoritma Self Organizing Maps (SOM).
2. Adanya cluster-cluster mahasiswa berdasarkan kedekatan kecerdasan
majemuknya .



5

1.4 Manfaat

1. Manfaat bagi pengguna adalah adanya pemetaan mahasiswa dalam cluster-
cluster sesuai dengan kecerdasan majemuk siswa, sehingga dapat berguna bagi
proses pembelajaran di kelas, pemetaan mahasiswa dan perencanaan studi
ataupun karier mahasiswa selanjutnya.
2. Manfaat bagi IPTEK adalah adanya aplikasi algoritma Self Organizing Maps
(SOM) pada cluster analysis untuk pemetaan kecerdasan majemuk siswa



4

3 BAB II
4 LANDASAN TEORI


2.1 Penelitian-penelitian yang Terkait
Jaringan Kohonen sering pula digunakan untuk ekstraksi ciri (feature) pada
proses awal pengenalan pola. Ia mampu mereduksi dimensi input pola ke jumlah
yang lebih sedikit sehingga pemrosesan komputer menjadi lebih hemat. Da Silva
melakukan clustering learning objects (Bertambahnya ketersedian sumber
pembelajaran digital di internet) dengan Self Organizing Maps (SOM) [4]. Jaringan
syaraf tiruan Kohonen SOM juga digunakan untuk memetakan uncover automobile
bodily injury claims Fraud [5]. Mahonen menggunakan jaringan Kohonen untuk
mengklasifikasikan bintang dan galaksi [6]. Gopalakrishan menggunakan jaringan
Kohonen Self Organizing Maps untuk analisis cluster dan visualisasi dengan sampel
bahan-bahan kimia [7]. Budi menggunakan jaringan syaraf tiruan SOM untuk
cluster analysis dalam pemetaan talenta pemain basket [8]. Sementara Warsito
menggunakan jaringan Kohonen untuk clustering data pencemaran udara sektor
industri di Jawa tengah [9] .
2.2 Kecerdasan Majemuk

Teori kecerdasan majemuk atau multiple intelligences diperkenalkan pada
tahun 1983 oleh Dr. Howard Gardner. Gardner Howard mengemukan bahwa
intelegensia atau kecerdasan bukanlah suatu kesatuan tunggal yang bisa diukur
secara sederhana yang bisa diukur dengan tes IQ. Intelegensia dapat ditingkatkan dan
berkembang sepanjang sejarah hidup manusia. Gardner mendefinisikan kecerdasan
sebagai suatu kapasitas untuk memecahkan permasalahanm atau membentuk produk
yang bernilai dalam satu atau lebih latar budaya [2]. Ada delapan criteria untuk
meninjau pengertian kecerdasan, yaitu :
1. Berpotensi terisolasi oleh kerusakan otak.


5

1. Terdapat pada orang idiot, terpelajar dan individu dengan keadaan khusus
lainnya
2. Dapat diidentifikasi dengan serangkaian operasi tertentu
3. Merupakan sebuah sejarah perkembangan tersendiri, sejalan dengan
serangkaian prestasi yang dapat ditetapkan
4. Merupakan sejarah evolusioner dan sejarah yang dapat diterima akal
5. Mendapat dukungan dari psikologi eksperimen
6. Mendapat dukungan dari psikometri
7. Kerentanan saat melakukan pengkodean dalam system simbol
Kecerdasan majemuk (multiple intelligences) adalah sebuah penilaian yang melihat
secara deskriptif bagaimana individu menggunakan kecerdasannya untuk
memecahkan masalah dan menghasilkan sesuatu. Pendekatan ini merupakan alat
untuk melihat bagaimana pikiran manusia mengoperasikan dunia, baik itu benda-
benda yang kongkret dan abstrak [10].
Pada awalnya Gardner merumuskan tujuh kecerdasan majemuk. Dalam
perkembangan penelitiannya, beliau menambahkan satu lagi kecerdasan. Kecerdasan
majemuk menurut Gardner adalah [2] dan [10]:
a. Kecerdasan Liguistic
Kecerdasan yang berkaitan dengan kapasitas menggunakan bahasa untuk
menyampaikan pikiran dan memahami perkataan orang lain, baik secara lisan
maupun tertulis. Kecerdasan ini memiliki 4 ketrampilan yaitu menyimak,
membaca, menulis dan berbicara.
b. Kecerdasan Logical Mathematical
Kecerdasan yang berkaitan dengan kapasitas untuk menggunakan angka,
berpikir logis, untuk menganalisis kasus atau permasalahan, dan melakukan
perhitungan matematis. Kecerdasan ini terkait dengan kecerdasan para
ilmuan, akuntan, pemrogram komputer dan sebagainya. Ketrampilan yang
terkait dengan kecerdasan ini adalah menyelesaikan puzzle, mengenal bentuk
geometri, eksplorasi pemikiran, pengenalkan pola, memperkaya pengalaman
berinteraksi dengan konsep matematika, games dan lain-lain.
c. Kecerdasan Visual-Spatial


6

Kecerdasan yang berkaitan dengan kapasitas untuk mengenali dan melakukan
penggambaran objek atau pola yang diterima otak. Kecerdasan ini sangat
penting karena memberikan kebebasan anak untuk mengekspresikan diri.
Ketrampilan yang terkait dengan kecerdasan ini menggambar dan melukis,
mencoret-coret, mengenal dan membayangkan suatu konsep, membuat
prakarya dan lain-lain.
d. Kecerdasan Bodily-Kinesthetic
Kecerdasan yang berkaitan dengan kapasitas untuk melakukan koordinasi
pergerakan seluruh anggota tubuh. Anak yang mempunyai kecerdasan ini
menandakan sudah matangnya anak dalam mengambil suatu tindakan.
Kematangan motorik ini bergantung pada keterangan otot dan syaraf yang
dimiliki. Ketrampilan yang terkait dengan kecerdasan ini menari, bermain
peran, drama, latihan fisik, berbagai olah raga dan lain-lain.
e. Kecerdasan Musical
kecerdasan yang berkaitan dengan kapasitas untuk mengenal suara dan
menyusun komposisi irama dan nada. Anak dengan kecerdasan musical yang
menonjol mudah mengenali dan mengingat nada-nada. Ia juga dapat
mentransformasikan kata-kata menjadi lagu dan menciptakan berbagai
permainan musik. Ketrampilan yang terkait dengan kecerdasan ini bernyanyi,
bersiul, bersenandung, suka mengetuk-ngetukan tangan dan kaki, suka
mendengarkan music dan lain-lain.
f. Kecerdasan Interpersonal
Kecerdasan yang berkaitan dengan kapasitas untuk memahami maksud,
motivasi dan keinginan orang lain . Kecerdasan ini harus dikembangkan pada
anak dari usia dini karena menyangkut cara menghadapi dunia luar atau orang
lain selain keluarganya. Hal ini diperlukan agar anak tidak menjadi pemalu
ataupun minder dan tidak mau bermain dengan teman-temannya. Ketrampilan
yang terkait dengan kecerdasan ini adalah memimpin, berorganisasi, berbagi,
permainan kelompok, kerja sama dan sebagainya.
g. Kecerdasan Intrapersonal
Kecerdasan yang berkaitan dengan kapasitas untuk memahami dan menilai
motivasi dan perasaan diri sendiri. Dalam kehidupan pastilah banyak


7

permasalahan dan problem, maka kita harus memahami konsep diri sendiri,
yaitu mengenal kelebihan dan kekurangan diri atau yang dikenal dengan citra
diri. Ketrampilan yang terkait dengan kecerdasan ini berpikir, merancang
tujuan, refleksi merenung, membuat jurnal, menilai diri, instropeksi, dan
sebagainya.
h. Kecerdasan Naturalist
Kecerdasanyang berkaitan dengan kapasitas untuk mengenali dan
mengelompokkan fitur tertentu di lingkungan fisik sekitarnya, seperti
binatang, tumbuhan, dan kondisi cuaca. Anak-anak yang menonjol dengan
kecerdasan ini memiliki ketertarikan terhadap alam sekitar. Mereka
menikmati benda-benda dan cerita yang yang berkaitan dengan fenomena
alam, misalnya terjadinya awan dan hujan, asal-usul binatang, pertumbuhan
tanaman, terjadinya tatasurya dan sebagainya.

Gardner menyebutkan bahwa gaya-gaya belajar tersebut tidak beroperasi secara
sendiri-sendiri. Kecerdasan tersebut dapat digunakan pada satu waktu yang
bersamaan dan cenderung saling melengkapi satu sama lain saat seseorang
mengembangkan kemampuannya atau memecahkan permasalahan. Manfaat gaya
belajar bisa maksimal tergantung dari cara seseorang mengelola dan memanfaatkan
gaya-gaya belajar yang ada pada dirinya.
2.3 Clustering
Clustering adalah teknik yang digunakan untuk mengidentifikasi objek atau
individu yang serupa dengan memperhatikan beberapa kriteria [11]. Clustering yaitu
analisis untuk mengelompokkan elemen yang mirip sebagai objek penelitian menjadi
kelompok (cluster) yang berbeda dan mutually exclusive [11]. Definisi lain adalah
upaya menemukan sekelompok objek yang mewakili suatu karakter yang sama atau
hampir sama (similar) antar satu objek dengan objek lainnya pada suatu kelompok
dan memiliki perbedaan (not similar) dengan objek-objek pada kelompok lainnya
[12]. Cluster analysis termasuk dalam analisis statistik multivariat metode
interdependen. Sebagai alat analisis interdependen maka tujuan cluster analysis tidak
untuk menghubungkan ataupun membedakan dengan sampel/variabel lain. Cluster


8

analysis merupakan salah satu alat analisis yang berguna sebagai peringkas data.
Dalam meringkas data ini dapat dilakukan dengan jalan mengelompokkan objek-
objek berdasarkan kesamaan karakteristik tertentu di antara objek-objek yang hendak
diteliti .
Tabel 2.1: Clustering.
Var 1 Var 2 . Var j . Var p
Objek 1
Objek 2
.

Objek n


Proses clustering yang baik akan menghasilkan cluster dengan kualitas tinggi ,
yaitu [12] :
Tingkat kesamaan yang tinggi dalam satu class (high intra-class similarity).
Tingkat kesamaan yang rendah antar class (low inter-class similarity).
Similarity yang dimaksud merupakan pengukuran secara numeric terhadap dua
objek. Nilai similarity ini akan ini akan semakin tinggi bila dua objek yang
dibandingkan tersebut memiliki kemiripan yang tinggi pula. Selain itu metode
clustering juga harus dapat diukur kemampuannya dalam usahanya untuk
menemukan suatu pola tersembunyi pada data yang tersedia. Dalam mengukur nilai
similarity ini ada beberapa metode dalam menentukan jarak dua point .

2.4 Algoritma Self Organizing Maps (SOM)

Algoritma Self Organizing Map (SOM) atau yang sering disebut dengan
Jaringan Syaraf Tiruan Kohonen merupakan suatu metode jaringan syaraf tiruan
yang diperkenalkan oleh Professor Teuvo Kohonen pada tahun 1981 [13]. Jaringan


9

Kohonen merupakan salah satu bentuk topologi dari Unsupervised Artificial Neural
Network (Unsupervised ANN) dimana dalam proses pelatihannya tidak memerlukan
pengawasan (target output) [13]. Jaringan Kohonen/SOM digunakan untuk
mengelompokkan (clustering) data berdasarkan karakteristik/fitur-fitur data.
Arsitektur dari Jaringan Kohonen/SOM dapat dilihat pada Gambar 2.1.

Gambar 2.1. Algoritma Self Organizing Maps (SOM)
Jaringan Kohonen termasuk dalam pembelajaran tak terawasi (unsupervised
learning). Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun
dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal
dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki vektor
bobot paling cocok dengan pola input (memiliki jarak paling dekat) akan terpilih
sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron
tetangganya akan memperbaiki bobot - bobotnya.
Terdapat m unit kelompok yang tersusun dalam arsitektur sinyal-sinyal
masukan (input) sejumlah n. Vektor bobot untuk suatu unit kelompok disediakan dari
pola-pola masukan yang tergabung dengan kelompok tersebut. Selama proses
pengorganisasian sendiri, unit kelompok yang memiliki vektor bobot paling cocok
dengan pola masukan (ditandai dengan jarak Euclidean paling minimum) dipilih
sebagai pemenang. Unit pemenang dan unit tetangganya diperbaharui bobotnya.
Setiap neuron terkoneksi dengan neuron lain yang dihubungkan dengan bobot atau
weight. Bobot tersebut berisi informasi yang akan digunakan untuk tujuan tertentu.
Algoritma pembelajaran tanpa supervise pada Jaringan Kohonen untuk
diterapkan dalam pengelompokan data (clustering data) adalah sebagai berikut [14]:
1. Menetapkan besaran-besaran berikut :
a. Jumlah variabel = m


10

b. Jumlah data = n
c. jumlah cluster maksimum = K
2. Inisialisasi Bobot
a. Bobot input (w
ij
):

dengan :
w
ij
= adalah bobot antara variable input ke-j dengan dengan neuron
pada kelas ke-i.
MinPi = nilai minimum pada variabel input ke-i.
MaxPi = nilai maksimum dari variabel input ke-i.
b. Bobos Bias(b
i
):


dengan :
b
i
= bobot bias neuron ke-i.
K = jumlah neuron target.
c. Set parameter learning rate ( ).
d. Set maksimum epoh (MaxEpoh).
1. Set Epoh = 0
2. Mengerjakan untuk Epoh < Max Epoh
a. Epoh = Epoh + 1
b. Memilih data secara acak, misalnya data ke -z.
c. Mencari jarak data ke-z dengan bobot input ke-i (D
i
):

Penjumlahan negative jarak plus bobot bias (a
i
) :
a
i
=- D
i
+ b
i

Mencari ai terbesar :
Max A = max(ai) , dengan i = 1, 2, 3, , K.
Idx = 1, sedemikian hingga ai = MaxA
d. Set output neuron ke-I (y
i
)


11

y(i) = 1 ; jika i = dx
y(i) = 0 ; jika i dx
e. Update yang menuju neuron idx
w (idx,j) =w(idx,j) +(p(z,j) w(idx,j)
f. Update bobot bias
() ( )
((()))
()
()
((()))




12

Proses pembelajaran akan berlangsung terus hingga mencapai maksimum epoh.
Jaringan Kohonen dapat mengenali dan mengklasifikasikan pola-pola dengan
melakukan pelatihan (training) dari polapola vektor input (masukan) data dengan
vektor bobot sebagai penghubung antara layar masukan dan layar kompetisi dalam
proses pelatihan. Dari proses pelatihan jaringan tersebut akan terbentuk cluster-
cluster dari pola-pola yang dilatihkan. Klasifikasi pola-pola tersebut nantinya dapat
digunakan sebagai proses pengenalan pola-pola yang diujikan. Proses klasifikasi
mencakup cara pengelompokan pola berdasarkan keserupaan ciri yang dimilikinya
(clustering) dan pemberian label kelas atas masing-masing kelompok tersebut.




13

BAB III
METODE PENELITIAN


3.1 Analisis Kebutuhan
Pada tahap ini mengidentifikasi semua kebutuhan untuk pengembangan
aplikasi clustering untuk pemetaan kecerdasan majemuk mahasiswa dengan
algoritma Self Organizing Maps (SOM). Aplikasi yang akan dibuat adalah untuk
membuat clustering keberagaman kecerdasan Majemuk berdasarkan Gardners
multiple intelegence Scale dengan algoritma Self Organizing Maps (SOM).
3.1.1 Kebutuhan Perangkat Keras dan Lunak
Untuk mengembangkan dan menjalankan sistem ini perlu adanya dukungan
sistem perangkat komputer yang memadai baik hardware maupun software. Dalam
melakukan pemilihan hardware maupun software tersebut perlu dipertimbangkan
beberapa hal antara lain sebagai berikut:
Tabel 3.1: Tabel Kebutuhan Minimum Sistem.

Kebutuhan Keterangan
Sistem Opersai MS Windows XP atau sesudahnya
Prosesor Intel Pentium IV 1, 5 GHz atau selebihnya
Memori 512 MB
Ruang Harddisk 20 GB




14

3.1.2 Instrumen Indikator Kecerdasan Majemuk
Untuk mendapatkan data-data input skor indikator-indikator kecerdasan
majemuk digunakan instrument tes berupa Gardners Multiple Intelligences Scale.
Instrumen tes kecerdasan majemuk dipilih Gardners Multiple Intelegence Scale.
Instrument tes ini terdiri dari 56 item yang menunjukkan indicator-indikator
kecerdasan majemuk. Untuk pertanyaan nomor 1 sampai no 7 merupakan indikator
kecerdasan majemuk linguistics, pertanyaan nomor 8 sampai 14 kecerdasan
majemuk logical-mathematics, pertanyaan nomor 15 sampai 21 merupakan indikator
kecerdasan majemuk visual-spasial, pertanyaan nomor 22 sampai 28 merupakan
indikator kecerdasan majemuk bodily-kinesthetics, pertanyaan nomor 29 sampai 35
merupakan indicator kecerdasan majemuk musical, pertanyaan nomor 36 sampai 42
merupakan indicator kecerdasan majemuk interpersonal, pertanyaan nomor 43
sampai 49 merupakan indicator kecerdasan majemuk intrapersonal dan pertanyaan
nomor 50 sampai 56 merupakan indicator kecerdasan majemuk naturalist.

3.1.3 Algoritma SOM
Pada jaringan ini, suatu lapisan yang terdiri neuron-neuron akan menyusun
dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal
dengan istilah cluster. Algoritma jaringan Kohonen[13], [14] dan [15] :
1. Inisialisasi neuron input x
1
, x
2
, x
3
, x
i
.
2. Inisialisasi neuron output sebanyak y
1
, y
2
, y
3
, y
j
.
3. Menentukan bobot antara neuron input dan neuron output dengan nilai antara
x
min
dan x
max
.
4. Mengulangi langkah 5 sampai 8 hingga tidak ada perubahan bobot atau
iterasi/epochs telah maksimal sehingga output-nya telah konvergen.
5. Pemilihan salah satu input dari vektor input yang ada.
6. Penghitungan jarak antar input data terhadap bobot dengan masing-masing
neuron input dengan rumus :

7. Dari seluruh bobot ( D
i
) dicari yang paling kecil. Index dari bobot ( D
i
) yang
paling mirip disebut winning neuron.


15

8. Untuk setiap bobot w
ij
diperbaharui bobot koneksinya dengan menggunakan
rumus yang dapat dilihat pada persamaan:

( )

() ()[

()]
9. Meng-update bobot bias:
10. Simpan bobot yang telah konvergen.
Diagram alur algoritma Kohonen ditunjukkan seperti gambar berikut :


16

Mulai
Jumlah Cluster
Epoch Maksimum
Parameter Kohonen
Inisialisasi Bobot Vektor
Inisialisasi Bobot Bias
Memilih Data secara
Acak
ya
Tidak
Selesai
Epochs = Epochs + 1
Epochs = 0
Epochs <
Epochs Max
Mencari Jarak
Update Bobot dan Bias
Uji Kondisi Penghentian
Menetukan Jarak
Minimum

Gambar 3.1: Diagram Algoritma SOM


17

3.1.4 Matlab sebagai Tool

Pengaturan mandiri (Self Organizing Maps) merupakan perluasan dari jaringan
kompetitif. Jaringan ini sering disebut jaringan Kohonen. Jumlah neuron target sama
dengan maksimum jumlah cluster yang hendak dibuat. Dalam iterasinya, bobot
neuron yang diubah tidak hanya bobot garis yang terhubung ke neuron pemenang
saja tetapi juga bobot ke neuron-neuron di sekitarnya. Neuron sekitar neuron
pemenang ditentukan berdasarkan jaraknya dari neuron pemenang. Ada 4 macam
jark antara 2 neuron, yaitu jarak Euclid (dist), jarak persegi (boxdist), jarak link
(linkdist), dan jarak Manhattan (mandist)[31].
Neuron-neuron yang terdapat pada lapisan kompetitif akan mendistribusikan
dirinya sendiri ke vektor input yang sesuai secara terus menerus. Jaringan kompetitif
dapat dibangun dengan fungsi newc. Implementasi jaringan Kohonen dengan Matlab
adalah pendefisian jaringan dengan perintah newc yang formatnya adalah sebagai
berikut [31]:
net = newc (PR, S, KLR, CLR)
dengan :
PR : matrik ordo Rx2 yang berisi nilai minimum dan maksimum R buah elemen
masukan.
S : Jumlah neuron target
KLR : Laju pehaman Kohonen (default = 0.01)
CLR : Laju pemahaman Conscience(default=0.001)
Jaringan syaraf ini akan menginisialisasi bobot-bobot input pada titik tengah dari
minimum dan maksimum input. Sedangkan bobot bias untuk lapisan input akan
diinisialisasi dengan formula :
( (

)
. Sama dengan model-model
yang lain, bobot dan bias masing-masing disimpan dalam net.IW {1,1} dan net.b {1}.
Pelatihan jaringan juga akan dilakukan dengan perintah train.





18

3.1.5 Data Neuron I nput
Data input diambil dari sampel mahasiswa program studi Sistem Informasi
angkatan 2012. Data-data input dari indikator kecerdasan majemuk ini dijadika
neuron input pada algoritma Kohonen. Data-data input merupakan matrik dengan
jumlah kolom 56 yang merupakan pertanyaan indikator-indikator kecerdasan
majemuk dan jumlah baris sebanyak siswa sebagai sampel.

3.2 Sistem Clustering Kecerdasan Majemuk
Pembangunan sistem merupakan kelanjutan dari desain sistem. Pembangunan
sistem meliputi data input, interface sistem, coding dan proses clustering. Sistem ini
terdiri dari proses input data sebagai neuron-neuron input, proses clustering yang
berfungsi untuk mengelompokkan data-data input dalam cluster-cluster, proses
analisis hasil clustering dan Proses pemetaan yang berfungsi memetakan data-data
input pada kelompok-kelompok gaya belajar dan kecerdasan majemuknya.
Mulai
Membuat Data Input
Melakukan Proses
Clustering
Hasil
Clustering
Melakukan Analisis Hasil
Clustering
Analisis Hasil
Clustering
Pemetaan Mahaiswa
Selesai

Gambar 3.3 Diagram Sistem Clustering.


19

3.2.1 Data I nput
Data input berasal dari kuisioner indikatorindikator kecerdasan majemuk yang
berasal dari Gardners multiple intelegence inventory scales. Data input memuat
data mahasiswa dan kriteria-kriteria kecerdasan majemuk sebagi centroid-nya.
Kolom sebagai urutan mahasiswa dan baris adalah urutan skor indikator kecerdasan
majemuk . Dalam satu kolom terdiri dari skor indikator dari data dengan urutan
tertentu. Dalam satu baris memuat sekor indikator dari semua data input dalam
kriteria sama. Untuk memudahkan proses selanjutnya dalam Matlab, maka data input
dibuat ke dalam bentuk matrik data input dengan ekstensi.txt, data pada penelitian ini
adalah :


Gambar 3.4 Data Input Kecerdasan Majemuk



20


Untuk pengembangan penerapan lanjut datadata input dapat ditambah,
dirubah maupun dikurangi. Setelah data input di load maka data ini digunakan
sebagai neuron-neuron input dalam clustering dengan jaringan Kohonen. Pada data
input kecerdasan majemuk terdiri dari 56 baris yang memuat skor kecerdasan
majemuk (multiple intelligences) dan 30 kolom yang memuat jumlah data mahasiswa
yang akan di clustering.
3. 2 .2 User I nterfaceSistem
User interface system adalah sebagai berikut :


Gambar 3.5 GUI Clustering kecerdasan majemuk.

Seperti terlihat pada gambar 3.5 proses clustering kecerdasan terdiri dari 3 tombol
yaitu load data, digunakan untuk memanggil data input yang dipilih, tombol proses
clustering untuk memberikan perintah kepada software Matlab melakukan proses


21

clustering dengan jaringan Kohonen dan tombol keluar untuk keluar dari menu ini.
Selain itu juga ada input teks yang harus diisikan untuk keperluan clustering seperti
jumlah cluster maksimum, jumlah epochs, dan parameter Kohonen (default =0,01).
Hasil clustering waktu dan jarak total akan muncul di dynamic text . Hasil lain akan
mucul dalam bentuk grafik.
Untu k memilih data input klik tombol Load Data, maka akan muncul :

Gambar 3.6 Me-load Data Input Data
Setelah klik Load Data maka akan muncul kotak Load Data File, untuk
memilih input gaya belajar maka klik Data_MI 01.txt, Data_MI 02.txt dan Data_MI
03.txt. Data input selanjutnya akan dijadikan neuron-neuron input pada proses
clustering oleh Matlab.
Setelah memilih data input kemudian mengisi nilai parameter-parameter
clustering seperti jumlah cluster maksimum, jumlah epochs, dan parameter
Kohonen. Seperti terlihat pada gambar di bawah :


22


Gambar 3.7 Pengisian Nilai Parameter Clustering Kecerdasan.
Setelah itu tekan tombol clustering. Selanjutnya matlab akan melakukan
clustering dengan neuron input dari data input terpilih dan parameter clusteringnya
sesuai dengan data-data pada input teks. Clustering dilaksanakan sejumlah epochs
yang diisikan. Selanjutnya akan tampil :


23


Gambar 3.8 Hasil Clustering Kecerdasan dalam GUI.
Dari gambar 3.8 hasil clustering adalah terdiri dari 3 grafik dan 2 data input pada
dynamic text. Grafik yang ditampilkan adalah grafik kriteria dengan nilai kriteria
centroid tiap cluster, grafik cluster dengan distribusi bobot cluster dn grafik epochs
dengan jarak total. Sedangkan data output-nya adalah waktu dan jarak total proses
clustering.
3.2.3 Coding
Tahap coding adalah tahap yang akan membahas tentang listing program dan
penjelasannya. Coding ini digunakan untuk mengembangkan aplikasi Clustering
Analysis untuk pemetaan kecerdasan majemuk mahasiswa dengan algoritma
SOM.Pengembangan aplikasi cluster analysis ini menggunakan software Matlab 7.0.
Untuk pengembangan user interface-nya menggunakan Matlab GUI dan coding pada
M.file (Coding lengkap di lampiran). Flow char procram clustering sebagai berikut :


24


Mulai
Load Data
Jumlah Cluster
Epoch Maksimum
Parameter Kohonen
Epochs = 0
Inisialisasi Vektor Bobot
Menghitung Jarak
Jarak
Minimum
Modifikasi Vektor Bobot
Vektor Bobot Akhir
Epochs < Epochs Max
ya
ya
Tidak
Selesai
Epochs = Epochs + 1
Tidak
Hasil Clustering

Gambar 3.9 Diagram Proses Clustering.




25

3.2.4 Proses Clustering
Proses clustering kecerdasan majemuk dimulai dengan load data input
kecerdasan majemuk. Data input untuk kecerdasan majemuk adalah
data_MI_STMIK.txt.Proses clustering dengan algoritma SOM menggunakan
parameter-parameter jumlah cluster, epochs maksimum dan parameter Kohonen.
Jumlah cluster digunakan sebagai acuan seberapa jumlah cluster hasil akhir proses.
Epochs maksimum merupakan jumlah iterasi proses clustering yang diinginkan.
Parameter Kohonen digunakan acuan dalam modifikasi bobot vector ketika jarak
minimum. Penentuan nilai parameter-parameter tersebut pada clustering kecerdasan
majemuk dilaksanakan dengan cara seperti di bawah ini :
Untuk memulai proses clustering klik tombol proses clustering. Proses
clustering dilakukan tiap epoch sampai pada jumlah epochs maksimum. Mula-mula
dilakukan inisialisasi bobot vektor yang diambil dari nilai tengah data maksimum
dan data minimum. Vektor bobot awal terdiri dari 8 baris (sesuai dengan jumlah
cluster yang akan terbentuk) dan kolom 56 (sesuai dengan jumlah indikator
kecerdasan majemuk). Inisialisasi bobot untuk clustering gaya belajar merupakan
matrik 8 x 56 dengan nilai 0.5000 yang merupakan nilai tengan dari skor data input.
Proses selanjutnya adalah menghitung jarak antara vektor input data dengan vektor
bobot memakai rumus :

D
j
= jarak data input dengan vektor bobot ke -j (j adalah urutan cluster)
w
ij
= vektor bobot
x
i
= neuron input ke i( i= urutan neuron input)
Jika jarak D(j) minimum maka vector bobot dimodifikasi dengan rumus :
w
ij
(t+1) = w
ji
+(x
i
w
ij
(t))
= parameter Kohonen (default = 0,01).
Proses clustering seperti di atas dilakukan untuk tiap iterasi atau epoch. Proses
clustering pada Matlab ditandai dengan :


26



Gambar 3.9 Proses Clustering per Epoch
Jika iterasi telah sampai pada epochs maksimal maka proses clustering berhenti
dan ditampilkan hasil seperti pada gambar di bawah :

Gambar 3.10 Hasil clustering kecerdasan Majemuk



27

Hasil clustering juga ditampilkan dalam common window seperti berikut :
time = 276.969
time adalah waktu yang diperlukan untuk proses clustering sesuai dengan parameter-
parameter yang diinputkan.
total_distance = 71.5639
total_distance merupakan jumlah seluruh jarak minimum antara data input dengan
vector bobot.
assignment =
Columns 1 through 13
3 1 8 8 8 5 6 2 7 4 3 2 1
Columns 14 through 26
6 5 6 3 2 5 4 3 7 1 1 4 8
Columns 27 through 30
6 4 2 7


28

BAB IV
HASIL DAN PEMBAHASAN

4.1 Pengujian
Aplikasi sistem yang telah dibuat, selanjutnya diuji melalui pengujian sistem
yang meliputi White Box dan Black Box dan pengujian proses clustering yang
berkaitan dengan konvergensi hasil clustering.
4.1.1 Pengujian Sistem Internal
Merupakan kegiatan untuk melakukan pengujian terhadap sampel data melalui
simulasi terhadap prototipe yang dibangun, kemudian membahas dan menganalisis
kinerja dari hasil pengujian tersebut. Pengujian meliputi white box dan black box.
a. Pengujian White Box
Metode White Box ini adalah metode desain test case yang menggunaan
struktur kontrol desain prosedural untuk memperoleh test case. Dalam hal ini,
pengujian tidak dilakukan terhadap keseluruhan program secara utuh, namun
dilakukan sampel pengujian terhadap aplikasi tertentu yang dijalankan. Sebagai
contoh, akan diuji proses clustering untuk data input tertentu. Secara garis besar
diagram alir dari proses clustering adalah sebagai berikut.


29



Gambar 4.1: Bagan Alir Proses Clustering.
Mulai
Membaca Input
Data
Jumlah Cluster
Epoch Maksimum
Parameter Kohonen
Melakukan proses Clustering
Melatih Jaringan
Menentukan Vektor Bobot
Menghitung Jarak
ya
Selesai
Tidak
Epochs < Epochs Max
Membuat Grafik Clustering
Menentukan Palette
Hasil Clustering


30

Grafik alir dari program tersebut adalah sebagai berikut.


















Gambar 4.2: Diagram alir program.
Kompleksitas Siklomatis (pengukuran kuantitatif terhadap kompleksitas logis suatu
program) dari grafik alir dapat diperoleh dengan perhitungan:
V(G) = E N + 2
Dimana:
E = Jumlah edge grafik alir yang ditandakan dengan gambar panah
1
2
3
4
5
6
7
8
9
10


31

N = Jumlah simpul grafik alir yang ditandakan dengan gambar lingkaran
Sehingga kompleksitas siklomatisnya,
V(G) = 10 10 + 2 = 2
Karena kompleksitas siklomatisnya, V(G) < 10, maka listing program tersebut tidak
rumit.
Basis set yang dihasilkan dari jalur independent secara linier adalah jalur sebagai
berikut:
1 2 3 4 5 6 7 8 9 10
1 2 3 4 5 8 9 10
Ketika aplikasi dijalankan, maka terlihat bahwa salah satu basis set yang dihasilkan
adalah 1 2 3 4 2 3 4 5 6 7 8 9 10 dan terlihat simpul telah
dieksekusi satu kali. Berdasarkan ketentuan tersebut dari segi kelayakan software,
sistem ini telah memenuhi syarat.
b. Pengujian Black Box
Pengujian selanjutnya dilakukan untuk memastikan bahwa suatu input atau
masukkan akan menjalankan proses yang tepat dan menghasilkan output sesuai
dengan rancangan. Untuk contoh pengujian terhadap aplikasi memberikan hasil
sebagai berikut.



32

Tabel 4.1: Hasil Pengujian Black Box.
No Input/Event Output/Next State Hasil Uji
1 Keluar Keluar dari program Sesuai
2 Loading Menampilkan logo Udinus Sesuai
3 Load Data Menampilkan pilihan data
input
Sesuai
4 Proses Clustering Melakukan Proses
Cluastering
Sesuai
5 Keluar Keluar dari proses
clustering
Sesuai

Dari hasil pengujian dapat disimpulkan untuk pengujian Black Box yang meliputi
pengujian input, proses dan outputnya dengan acuan rancangan perangkat lunak telah
terpenuhi dengan hasil sesuai dengan rancangan.




33

4.1.2 Pengujian Proses Clustering
Pengujian proses clustering berguna untuk mengetahui apakah system dapat
digunakan untuk proses clustering berbagai data.
1. Pemilihan Jumlah Cluster
Jumlah maksimum cluster dibuat 8 disesuaikan dengan jumlah jenis kecerdasan
majemuk berdasarkan Gardners Multiple Intelligences Inventory yang
berjumlah 8.
2. Pemilihan Epochs
Jumlah epochs merupakan jumlah iterasi proses clustering oleh sistem. Pemilihan
jumlah epochs dipilih pada saat clustering data sudah konvergen atau tetap.
Ketika clustering sudah konvergen penambahan jumlah epochs tidak akan
mengubah hasil clustering.
3. Pemilihan Parameter Kohonen
Parameter Kohonen dipilih nilai default yaitu 0.01.

4.1.3 Pengujian User Acceptance Test
Pengujian user atau pengujian ke pengguna adalah pengujian untuk mengetahui
apakah sistem suadah baik untuk dijalankan dan memberikan manfaat bagi
pengguna.

a. Persiapan Kuesioner
Kuesioner yang diberikan berupa pertanyaan yang berkisar penilaian secara kualitatif
terhadap sistem yang dihasilkan. Pertanyaan berjumlah 8 (delapan) butir pertanyaan.
Point utama pertanyaan adalah sebagai berikut:
1. Kemudahan proses input data dalam proses clustering untuk kecerdasan
majemuk dengan jaringan syaraf tiruan Kohonen;
2. Kemudahan proses clustering kecerdasan majemuk dengan jaringan syaraf tiruan
Kohonen ;


34

3. Kejelasan dan kemudahan dalam mengamati hasil-hasil clustering sistem dan
analisisnya.
4. Kesesuaian penempatan tombol-tombol menu clustering untuk pemetaan
kecerdasan majemuk dengan algoritma SOM;
5. Manfaat sistem clustering untuk pemetaan kecerdasan majemuk dengan
algoritma SOM untuk memetakan mahasiswa;
6. Manfaat sistem clustering untuk pemetaan kecerdasan majemuk dengan
algoritma SOM untuk perencanaan strategi pembelajaran;
7. Manfaat sistem cluseingr untuk pemetaan kecerdasan majemuk dengan algoritma
SOM untuk pembimbingan dan pelayanan mahasiswa;
8. Manfaat sistem clustering untuk pemetaan kecerdasan majemuk dengan
algoritma SOM untuk melakukan evaluasi pembelajaran.
Pertanyaan tersebut di atas bila di kelompokan lagi dapat kelompokan menjadi dua
kelompok pertanyaan yang terdapat pada tabel berikut:
b. Pelaksanaan Pengujian
Tahapan-tahapan pengujian adalah sebagai berikut:
a. User diberikan panduan penggunaan program.
b. User melakukan langkah-langkah yang tertera pada panduan penggunaan.
c. User diminta untuk mengisi Kuesioner yang diberikan.
d. Kuesioner dikumpulkan kembali untuk dianalisis.

c. Analisis Hasil Pengujian dan Pembahasan Pengujian
Hasil dari ujicoba sistem yang dibuat memberikan data mentah berupa penilaian
responden sebagai berikut:





35

Tabel 4.2 Rekap Jawaban Kuesioner Responden.
No Responden
Soal Kuesioner
Total
Rata-
rata
1 2 3 4 5 6 7 8
A B C D E
1 Responden 1 4 4 4 5 5 4 5 4 35,00 4,38
2 Responden 2 5 5 4 4 5 5 4 4 36,00 4,50
3 Responden 3 4 5 4 4 5 5 4 5 36,00 4,50
4 Responden 4 5 4 4 5 4 5 4 4 35,00 4,38
5 Responden 5 4 5 4 5 4 5 4 5 36,00 4,50
6 Responden 6 4 4 5 4 4 5 4 4 34,00 4,25
7 Responden 7 4 4 4 4 4 5 4 4 33,00 4,13
8 Responden 8 5 4 4 4 5 4 4 5 35,00 4,38
9 Responden 9 4 4 4 4 4 5 5 4 34,00 4,25
10 Responden 10 5 4 4 5 5 5 4 4 36,00 4,50
Total 44 43 41 44 45 48 42 43 350 43,77
Rata-rata 4,40 4,30 4,10 4,40 4,50 4,80 4,20 4,30 35,00 4,38


Keterangan :
Kolom A : Responden-n
Kolom B : Jawaban penilaian Kuesioner user untuk pertanyaan yang berkaitan
dengan Penggunaan, navigasi dan tampilan sistem. Grid penilaian
yang diterapkan berupa skala 1 (satu) sampai 5 (lima) dengan
runtutan kriteria Sangat Tinggi diberi point 5 dan Sangat Rendah
diberi point 1.
Kolom C : Jawaban penilaian Kuesioner user untuk pertanyaan yang
berhubungan dengan manfaat sistem. Grid penilaian yang
diterapkan berupa skala 5 (lima) sampai 1 (satu) dengan runtutan
kriteria Sangat Tinggi diberi point 5 dan Sangat Rendah untuk point
1

d. Analisis Hasil Pengujian
Rekap rata rata untuk setiap kriteria penilaian dari data hasil pengujian bisa dilihat
pada tabel berikut:


36

Tabel 4.3 Rekap Rata-rata Jawaban Kuesioner Responden.
No Responden
1 2
Rata-
rata
R1 R2
1 Responden 1 4,25 4,50 4,38
2 Responden 2 4,50 4,50 4,50
3 Responden 3 4,25 4,75 4,50
4 Responden 4 4,50 4,25 4,38
5 Responden 5 4,50 4,50 4,50
6 Responden 6 4,25 4,25 4,25
7 Responden 7 4,00 4,25 4,13
8 Responden 8 4,25 4,50 4,38
9 Responden 9 4,00 4,50 4,25
10 Responden 10 4,50 4,50 4,50
Total 43,00 44,50 43,77
Rata-rata 4,30 4,45 4,38

Dari tabel tersebut dapat dideskripsikan bahwa rata-rata user yang memberikan
kriteria penilaian antara tinggi dan sangat tinggi untuk sistem yang diujikan. Untuk
Penggunaan, navigasi dan tampilan skor totalnya 43,00 dan rata-rata skornya 4,30
sedangkan untuk manfaat sistem skor totalnya 44,50 dan rata-ratanya 4,45. Maka
dapat disimpulkan sistem clustering untuk pemetaan kecerdasan majemuk siswa
dengan algoritma SOM sangat baik untuk dijalankan.

4.2 Hasil Clustering Kecerdasan Majemuk

Setelah sistem berhasil dibuat, maka langkah selanjutnya adalah penerapan
aplikasi sistem ini terhadap objek penelitian, yaitu sejumlah mahasiswa yang akan
dikelompompokkan berdasarkan gaya belajar dan kecerdasan majemuknya.
Implemantasi Clustering ini digunakan untuk pemetaan kecerdasan majemuk
mahasiswa.
Metode implementasi yang diterapkan kepada siswa yang akan dikelompokkan
berdasarkan gaya belajarnya adalah:
1. Siswa diberi panduan untuk mengisi instrumen tes kecerdasan majemuk.
2. Siswa mengisi instrumen tes kecerdasan majemuk.


37

3. Hasil instrumen tes kecerdasan majemuk siswa dikumpulkan untuk
dijadikan data input.
4. Data input selanjutnya diolah menjadi neuron-neuron input untuk proses
clustering.
5. Hasil proses clustering yang berupa cluster-cluster dianalisis.
6. Mahasiswa-mahasiswa dapat dikelompokkan ke cluster-cluster berdasarkan
kecerdasan majemuknya
Hasil proses clustering yang dilakukan dengan system kemudian dianalisis
untuk mendapatkan data-data output yang berupa cluster-cluster mahasiswa sesuai
dengan kecerdasan majemuknya.
Hasil clustering untuk data input dipilih pada epochs yang memberikan hasil
output tetap dan mantap sesuai dengan pengujian proses clustering. Hasil clustering
dipilih pada epochs 500 untuk gaya belajar maupun kecerdasan majemuk. Hasil
clustering adalah sebagai berikut :

Tabel 4.4 Hasil Clustering Kecerdasan Majemuk.

Cluster
Anggota
Data_MI_02
Cluster 1 D.02, D.13, D.23, D.24
Cluster 2 D.08, D.12, D.18, D.29
Cluster 3 D.03, D.11, D.17, D.21
Cluster 4 D.06, D.20, D.25, D.28
Cluster 5 D.10, D.15, D.19
Cluster 6 D.01, D.05, D.14, D.16
Cluster 7 D.07, D.22, D.27, D.30
Cluster 8 D.04, D.09, D.26


38




38

BAB V
PENUTUP


4.1 Kesimpulan
Dari hasil penelitian yang dilakukan mulai dari tahap awal hingga pengujian,
penerapan sistem clusteingr untuk pemetaan kecerdasan majemuk mahasiswa dengan
algoritma SOM, didapatkan kesimpulan sebagai berikut:
1. Sistem clustering dengan algoritma Self Organizing Maps (SOM) dapat
digunakan untuk memetakan kecerdasan majemuk mahasiswa. Mahasiwa-
mahasiswa dikelompokkan dalam cluster-cluster tertentu yang mempunyai
kemiripan kecerdasan majemuknya.
2. Sistem clustering menggunakan parameter-parameter jumlah epoch 8 dan
tetapan Kohonen 0.01.
4.2 Saran
Berdasarkan hasil penelitian, penerapan sistem ini dapat memberikan efek
positif dalam hal efisiensi waktu dan akurasi hasil clustering. Ada beberapa hal yang
diperlukan sebagai saran pengembangan sistem ini antara lain:
1. Ada baiknya jika aplikasi ini didistribusikan dalam bentuk website. Dari
proses input data sampai visualisasi hasil sudah terintegrasi.
2. Untuk penelitian lanjut perlu dibandingkan antara clustering Kohonen
dengan clustering Neurofuzzy atau yang lainnya.



39

DAFTAR PUSTAKA


[1] Denig, Stephen J. (2004). Multiple Intelligences and Learning Styles : Two
Complimentary Dimensions. Teachers College Record Vol. 106, No. 1, January
2004, Colombia University.
http://www.iactp.org/pdf/Online%20Training%20-
%20Supported%20by%20Learning%20Models%20Based%20on%20Multiple%
20Intelligencesand%20Learning%20Styles.pdf, diakses tanggal 14 Februari
2010.
[2]. Prasetyo, J.J.R. dan Yeni Andriani. (2009). Multiply Your Multiple Intelegences.
Jogjakarta : Penerbit Andi.
[4]. da Silva, Patric F. and Notargiacomo Mustaro (2009). Clustering of Learning
Object with Self Organizing Maps. 39
th
ASEE/IEEE Frontier in Educational
Conference, October 18 21 2009 San Antonio.
http://fie-conference.org/fie2009/papers/1250.pdf, diakses pada tanggal 5 Maret
2010.

[5]. Brockett, Patrick L. et al (1998). Using Kohonens Self Organizing Feature Map
to Uncover Automobily Bodily Injury Claim Fraud. The Journal of Risk and
Insurance, 1998, Vol. 65, No. 2.
http://www.derrig.com/research/UsingKohonen%27sSelf-
OrganizingFeatureMap.pdf, diakses pada tanggal 5 Maret 2010.
[6]. Mahonen, P.H dan P.J Hakala (1995). Automated Source Classification Using
Kohonen Network. The Astrophysical Journal Letters Vol.452, No. 1.
http://iopscience.iop.org/1538-4357/452/1/L77/pdf/, diakses pada tanggal 5
Maret 2010.
[7]. Gopalakrihnan, K. et al (2008). Enhanced Cluster Analysis and Visualization
using Kohonens Self - Organizing Feature Map Network. International Journal
of Computational Intelligence 4;1 2008.
http://www.waset.org/journals/ijci/v4/v4-1-8.pdf, diakses pada tanggal 5 Maret
2010.
[8]. Budi, G.S. dkk (2008). Cluster Analisis untuk Memprediksi Talenta Pemain
Basket Menggunakan Jaringan Syaraf Tiruan Self organizing Maps (SOM).
Jurnal Informatika Vol. 9, No.1, Mei 2008.


40

http://jurnal.pdii.lipi.go.id/admin/jurnal/91082332.pdf, diakses pada tanggal 14
februari 2010.

[9]. Warsito, B. dkk (2008). Clustering Data Pencemaran Udara Sektor Industri di
Jawa Tengah dengan Kohonen neural Network. Jurnal PRESIPITASI Vol. 4,
No 1 Maret 2000.
http://eprints.undip.ac.id/3514/1/P_Budi_3.pdf; diakses pada tanggal 8 Februari
2010.
[10]. Soefandi, Indra, dan S. Ahmad Pramudya (2009). Strategi Mengembangkan
Potensi Kecerdasan Anak. Bee Media Indonesia Jakarta.
[11]. Kuncoro, M . (2003). Metode Riset Untuk Bisnis dan Ekonomi. Jakarta:
Erlangga.
[12]. Everitt, B.S. (1993). Cluster Analysis. Third Edition. Halsted Press an Imprint
of John Wiley and Sons Inc. New York.
[13]. Kohonen, Teuvo. (1990). The Self-Organizing Map. Proceeding of IEEE, Vol
78, No 9, September 1990.
http://www.eicstes.org/EICSTES_PDF/PAPERS/The%20Self-
Organizing%20Map%20%28Kohonen%29.pdf, diakses pada tanggal 4 februari
2010.
[14]. Kumar, Satish. (2005). Neural network : A Classroom Approach. McGraw-Hill
Education (Asia).
[15]. Jong, J. S. (2005). Jaringan Syaraf Tiruan Menggunakan Pemrograman
Matlab. Yogyakarta: Penerbit Andi.


41