Seminar Nasional Sistem dan Informatika 2007; Bali, 16 November 2007

SNSI07-041

MENENTUKAN NILAI AKHIR KULIAH DENGAN FUZZY C-MEANS

Arwan Ahmad Khoiruddin, S.Kom.
Staf Pengajar Jurusan Teknik Informatika,
Fakultas Teknologi Industri, Universitas Islam Indonesia
arwan@fti.uii.ac.id
ABSTRACT
Students performance is evaluaded using their presences, task accomplishment, quiz, middle semester test and final test.
Each item is weighted and the final score of their performance is presented. The methods for calculating final score
include the use of scale and the calculation of means and standard deviation of all scoress. This research proposes an
alternative method for labeling students scores which considers the terdency of their scores. The method used is the fuzzy
c-means clustering. The number of clusters is defined in advance. It is hope the proposed method can provide easiness
and accurate calculation.
Keywords: Fuzzy Logic, Fuzzy c-Means, Clustering, Nilai

1.

Pendahuluan

Dalam proses pendidikan di jenjang universitas, mahasiswa dinilai dengan beberapa parameter. Parameter itu di
antaranya adalah tugas, kuis, kehadiran, ujian tengah semester dan ujian akhir semester. Masing-masing parameter itu
diberi bobot sendiri. Nilai akhir kuliah akan dihitung dari perhitungan parameter-parameter tersebut dikalikan dengan
bobotnya.
Untuk menentukan hasil akhir dalam bentuk huruf, selama ini paling tidak digunakan dua cara. Cara yang pertama adalah
dengan menetapkan nilai tersebut menurut skala-skala tertentu yang sudah pasti. Contoh perhitungan dengan cara ini
dapat dilihat pada Tabel 1.1 :
Tabel 1.1 Contoh Perhitungan Dengan Skala Pasti
Rentang nilai
Nilai akhir huruf
80-100
A
60-80
B
40-60
C
20-40
D
0-20
E
Cara yang kedua adalah dengan menggunakan perhitungan rerata dan standar deviasi. Contoh perhitungan dengan cara
ini dapat dilihat pada tabel berikut:
Tabel 1.2. Contoh Perhitungan Dengan Perhitungan Rerata dan Standar Deviasi
Rentang nilai
Nilai huruf
A
>(
)
B
C
D
E
<(
)
Dalam penelitian ini, akan diajukan alternatif yang bisa digunakan untuk mempermudah perhitungan nilai akhir kuliah.
Metode yang diajukan adalah dengan metode clustering, yaitu dengan menggunakan fuzzy c-means. Metode ini dipilih
karena dengan metode ini, data-data beserta parameter-parameternya dapat dikelompokkan dalam cluster-cluster sesuai
dengan kecenderungannya. Selain itu, metode FCM dipilih karena dengan metode ini, bisa ditentukan jumlah cluster
yang akan dibentuk. Dengan penentuan jumlah cluster di awal, bisa diatur keragaman nilai akhir sesuai dengan
clusternya. Dengan sistem berbasis FCM, bisa didapatkan nilai huruf yang labelnya A, B sampai E, atau juga bisa
didapatkan yang labelnya A, A-, A/B, dan seterusnya.

2.

Tinjauan Pustaka

Berikut ini akan dibahas tentang konsep himpunan fuzzy, dan konsep Fuzzy Clustering.
2.1. Himpunan Fuzzy
Fuzzy adalah salah satu konsep logika matematika yang pertama kali dikenalkan oleh Lotfi A Zadeh pada tahun 1965
(Zimmermann, 1991). Zadeh memberikan definisi tentang himpunan fuzzy sebagai berikut:
232

Seminar Nasional Sistem dan Informatika 2007; Bali, 16 November 2007

SNSI07-041

Jika X adalah koleksi objek yang dinotasikan oleh x, maka suatu himpunan fuzzy A dalam X adalah suatu himpunan
pasangan berurutan:

Dengan A(x) adalah derajat keanggotaan x di A yang memetakan X ke ruang keanggotaan M yang terletak pada rentang
[0,1].
2.2. Fuzzy Clustering
Salah satu penerapan logika fuzzy adalah dalam clustering atau pengelompokan. Fuzzy clustering adalah bagian dari
pattern recognition atau pengenalan pola. Fuzzy clustering memainkan peran yang paling penting dalam pencarian
struktur dalam data (Klir, 1995). Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu
ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak antar vektor (Kusumadewi, 2004)
Ada dua metode dasar dalam fuzzy clustering. Metode pertama disebut dengan fuzzy c-means. Metode ini dinamakan
demikian karena dengan clustering ini akan dibentuk sebanyak c-cluster yang sudah ditentukan sebelumnya. Metode
yang kedua adalah metode yang banyaknya cluster tidak ditentukan sebelumnya. Metode ini dinamakan dengan fuzzy
subtractive clustering (Kusumadewi, 2004) atau fuzzy Equivalence Relation (Klir, 1995).
Metode clustering yang akan digunakan dalam penelitian ini adalah fuzzy c-means. Metode ini pertama kali dikenalkan
oleh Jim Bezdek pada tahun 1981 (Kusumadewi, 2004). Fuzzy c-means adalah salah satu teknik pengklusteran data yang
mana keberadaan tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotan.
Algoritma dari fuzzy c-means adalah sebagai berikut:
- Input data yang akan dicluster X, berupa matrix berukuran n x m (n=jumlah sampel data, m=atribut setiap data).
Xij data sampel ke-I (i=1,2,n), atribut ke-j (j=1,2,..m)
- Tentukan jumlah cluster (c), pangkat (w), maksimum iterasi (MaxIter), error terkecil yang diharapkan (),
fungsi objektif awal (Po = 0), dan iterasi awal (t=1).
- Bangkitkan bilangan random ik, i=1,2,n; k=1,2,c sebagai elemen matriks partisi awal U.
Hitung jumlah setiap kolom (atribut)
Dengan j=1,2..n, hitung:
c

Qi = ik
k =1

ik =

ik
Qi

- Hitung pusat cluster ke-k: Vkj, dengan k=1,2,...,c; dan j=1,2,...,m.

((
n

Vkj =

i =1

ik

) w * X ij

(
i =1

ik

)w

- Hitung fungsi obyektif pada iterasi ke-t, Pt:

n
c m

w
2
Pt = (X ij Vkj ) (ik )

i =1 k =1 j =1

- Hitung perubahan matriks partisi:

1

w 1
m
2
(X ij Vkj )
j =1

ik =
1
c m
w 1

2
(X ij Vkj )

k =1 j =1
dengan: i = 1,2,...,n; dan k =1,2,...,c.

233

Seminar Nasional Sistem dan Informatika 2007; Bali, 16 November 2007

SNSI07-041

- Cek kondisi berhenti:

Jika: ( |Pt Pt-1| < ) atau (t > MaxIter) maka berhenti;
Jika tidak: t = t+1, ulangi langkah ke-4.
3. Analisis dan Perancangan
Dalam penelitian ini, fuzzy c-means akan digunakan untuk mengklusterkan data-data mahasiswa. Jumlah cluster bisa
ditentukan di awal, karena pada satu dosen mungkin menginginkan rentang dan keragaman nilai yang berbeda dengan
dosen yang lain, atau peraturan satu universitas menghendaki rentang dan keragaman nilai yang berbeda dengan
universitas lain. Misalnya, satu universitas hanya menghendaki nilai utuh: A,B,C,D,E saja. Sedangkan universitas lain
menghendaki nilai A, A-, A/B, B+,B dan lain sebagainya. Oleh karena itu, sistem ini dirancang untuk mengakomodir
perbedaan-perbedaan itu dengan mengijinkan input berupa jumlah cluster serta label dari masing-masing cluster dari
yang tertinggi sampai yang terendah.
Untuk itu, dibuatlah diagram alir seperti yang nampak pada Gambar 3.1. :

Gambar 3.1. Diagram Alir Penentuan Nilai Akhir Mahasiswa Dengan FCM.
Selanjutnya akan dibuat diagram data alir (Data Flow Diagram DFD). DFD level-0 atau diagram konteks untuk sistem
tersebut adalah sebagai berikut:

Gambar 3.2. DFD Level-0

DFD level-1 untuk sistem penentuan nilai disusun sebagai berikut:

234

Seminar Nasional Sistem dan Informatika 2007; Bali, 16 November 2007

SNSI07-041

Gambar 3.3. DFD Level-1 Sistem Penentuan Nilai

Selanjutnya, akan dibuat program berdasarkan flowchart dan DFD tersebut. Program dibuat dengan menggunakan bahasa
pemrograman Java. Bahasa ini dipilih karena sifatnya yang platform-independent, sehingga diharapkan penggunanya
tidak terbatas pada satu lingkungan sistem operasi tertentu.
4. Implementasi
Sistem dimulai dari proses login untuk memverivikasi pengguna. Setelah login, admin bisa mengolah data dosen atau
mengolah data mahasiswa. Selain itu, admin juga bisa mengolah data kuliah. Beberapa form yang dibuat adalah sebagai
berikut:
a.

Form Login
Form ini digunakan untuk login.

Gambar 3.4. Form Login

b. Data Dosen
Form ini digunakan untuk mengedit atau menambahkan data dosen

Gambar 3.5. Form Data Dosen

c.

Input Kuliah
Form ini digunakan untuk menginputkan kuliah yang ada.

235

Seminar Nasional Sistem dan Informatika 2007; Bali, 16 November 2007

SNSI07-041

Gambar 3.6. Form Input Kuliah

d. Form Edit Kuliah Diampu
Form ini digunakan untuk memplot dosen ke kuliah dan kelas yang diampunya.

Gambar 3.7. Form Edit Kuliah Diampu

e.

Form Input Kuliah Mahasiswa

Form ini digunakan untuk menginputkan mahasiswa yang mengikuti kuliah dan kelasnya.

Gambar 3.8. Form Input Kuliah Mahasiswa

f.

Form Komponen Penilaian

Form ini digunakan untuk menentukan komponen-komponen penilaian kuliah bersangkutan. Komponenkomponen penilaian meliputi tugas, mid, quiz, ujian akhir, dan komponen lain. Pada form ini, dosen dapat
menentukan bobot untuk masing-masing komponen.

236

Seminar Nasional Sistem dan Informatika 2007; Bali, 16 November 2007

SNSI07-041

Gambar 3.9. Form Komponen Penilaian

g.

Form Input Nilai

Form ini digunakan untuk menginputkan nilai mahasiswa

Gambar 3.10. Form Input Nilai

Setelah semua data, yaitu dosen, mahasiswa, kuliah, dan nilai dimasukkan, maka proses selanjutnya adalah pengolahan
nilai-nilai yang dimasukkan menjadi nilai akhir. Nilai akhir diperoleh dengan melakukan clustering terhadap data nilai
mahasiswa yang telah diboboti dengan nilai bobot yang telah ditentukan pada proses sebelumnya.
Sebelum dilakukan penentuan nilai akhir otomatis, terlebih dahulu dosen diminta untuk memasukkan berapa cluster yang
diinginkan serta label untuk masing-masing cluster dari titik pusat cluster tertinggi sampai terrendah. Contoh untuk
pelabelan misalnya A untuk titik pusat cluster tertinggi dan E untuk titik pusat cluster terendah.
Input jumlah cluster dan pelabelan diminta pada form hasil plotting nilai seperti yang ditunjukkan pada Gambar 3.11. :

237

Seminar Nasional Sistem dan Informatika 2007; Bali, 16 November 2007

SNSI07-041

Gambar 3.11. Form Input Jumlah Cluster dan Pelabelan

Jumlah cluster menentukan keragaman nilai-nilai yang diberikan. Semakin besar jumlah clusternya, semakin beragam
nilainya. Dalam contoh di atas, cluster yang diberikan hanya 5 cluster. Hal ini berarti nilai yang diinginkan hanya lima
nilai, yang kemudian diberi label A sampai E. Apabila diinginkan cluster yang lebih banyak, disediakan pilihan sampai
sebanyak 14 cluster.

Gambar 3.12. Form Hasil Plotting Nilai dengan FCM

Dari hasil implementasi

5.

Kesimpulan dan Saran

Metode fuzzy c-means bisa digunakan untuk membantu menentukan nilai akhir kuliah dalam bentuk huruf. Dengan
menggunakan metode ini, nilai akhir ditentukan secara lebih alami, karena berdasarkan pada kecenderungan masingmasing data pada cluster-clusternya.
Sistem ini belum diujicobakan untuk pengolahan data yang banyak seperti yang ada pada universitas, di mana ada
banyak mata kuliah dan banyak mahasiswa. Untuk penelitian lebih lanjut, perlu untuk diteliti waktu yang diperlukan
untuk proses FCM untuk data yang besar.

Daftar Pustaka
[1] Klir, George J; Yuan, Bo. 1995. Fuzzy Sets and Fuzzy Logic, Theory and Application. Prentice Hall International, Inc.
[2] Kusumadewi, Sri; Purnomo, Hari. 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Penerbit Graha Ilmu
[3] Tudor, Ian. 1996. Learner-centredness as Language Education. Cambridge University Press

238