perpustakaan.uns.ac.

id

digilib.uns.ac.id

PEMANFAATAN METODE K-MEANS CLUSTERING DALAM

PENENTUAN PENERIMA BEASISWA

SKRIPSI
Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu
Jurusan Informatika

Disusun Oleh:

NOOR FITRIANA HASTUTI

NIM. M0508059

JURUSAN INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
SURAKARTA
JANUARI, 2013

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id

PEMANFAATAN METODE K-MEANS CLUSTERING DALAM

PENENTUAN PENERIMA BEASISWA

SKRIPSI
Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu
Jurusan Informatika

Disusun Oleh:

NOOR FITRIANA HASTUTI

NIM. M0508059

JURUSAN INFORMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SEBELAS MARET
SURAKARTA
JANUARI, 2013

commit to user
i

perpustakaan.uns.ac.id

digilib.uns.ac.id

SKRIPSI

PEMANFAATAN METODE K-MEANS CLUSTERING DALAM

PENENTUAN PENERIMA BEASISWA

Disusun Oleh:

Noor Fitriana Hastuti

NIM. M0508059

Skripsi ini telah disetujui untuk dipertahankan di hadapan Dewan Penguji

pada tanggal: 22 Januari 2013

ii

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id

SKRIPSI

PEMANFAATAN METODE K-MEANS CLUSTERING

DALAM PENENTUAN PENERIMA BEASISWA
Disusun Oleh:
NOOR FITRIANA HASTUTI
NIM. M0508059

telah dipertahankan di hadapan Dewan Penguji

pada tanggal: 28 Januari 2013
Susunan Dewan Penguji

Disahkan Oleh

commit to user
iii

perpustakaan.uns.ac.id

digilib.uns.ac.id

MOTTO

.
(Noor Fitriana Hastuti).

commit to user
iv

perpustakaan.uns.ac.id

digilib.uns.ac.id

PERSEMBAHAN

Dipersembahkan untuk:
Ayah dan Ibu tercinta yang tanpa henti
memberikan doa, nasehat, dukungan, dan
kasih sayang kepada penulis.

commit to user
v

perpustakaan.uns.ac.id

digilib.uns.ac.id

PEMANFAATAN METODE K-MEANS CLUSTERING DALAM

PENENTUAN PENERIMA BEASISWA
NOOR FITRIANA HASTUTI
Jurusan Informatika. Fakultas MIPA. Universitas Sebelas Maret.
ABSTRAK
Pengelompokkan data mahasiswa berdasarkan kriteria Indeks Prestasi
Kumulatif (IPK), penghasilan total orang tua, dan jumlah tanggungan keluarga
dapat membantu dalam proses penerimaan beasiswa. Metode yang bisa digunakan
untuk pengelompokkan data mahasiswa ini adalah K-Means Clustering. Metode
K-Means Clustering berusaha mengelompokkan data yang ada ke dalam beberapa
kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang
sama. Data mahasiswa dikelompokkan menjadi tiga cluster yaitu menerima,
dipertimbangkan, dan tidak berhak menerima beasiswa. Kemudian setiap cluster
diklasifikasikan berdasarkan kriteria mana yang lebih diprioritaskan. Cluster
dengan nilai terbesar pada centroid akhir merupakan cluster yang
direkomendasikan menerima beasiswa, sedangkan cluster dengan nilai terkecil
pada centroid akhir merupakan cluster yang tidak berhak menerima beasiswa.
Pengujian sistem dilakukan sebanyak 40 kali percobaan terhadap 48 data
mahasiswa untuk mendapatkan presisi hasil implementasi metode K-Means
Clustering. Nilai presisi dihitung dengan Error Presisi, dengan membandingkan
data hasil clustering dari 40 percobaan. Hasil perhitungan Error Presisi pada hasil
klasifikasi berdasarkan IPK adalah 0,118 dan berdasarkan penghasilan orang tua
adalah 0,076. Nilai Error Presisi yang rendah menunjukkan bahwa nilai
presisinya tinggi. Nilai presisi tinggi menunjukkan ketetapan data pada setiap
percobaan dengan menggunakan tiga cluster juga tinggi.
Kata kunci: Beasiswa, Centroid, Clustering, Indeks Prestasi Kumulatif, K-Means,
Penghasilan Total Orang Tua

commit to user
vi

perpustakaan.uns.ac.id

digilib.uns.ac.id

USE OF K-MEANS CLUSTERING METHOD FOR DETERMINATION

OF SCHOLARSHIP RECIPIENTS
NOOR FITRIANA HASTUTI
Department of Informatics. Mathematic and Natural Science Faculty.
Sebelas Maret University
ABSTRACT
Student data clustering based on the criteria of grade point average (GPA),
parent s total income, and the number of family dependents can assist in the
process of receiving a scholarship. Method that can be used for data classification
of these students are K-Means Clustering. K-Means Clustering Method attempt to
group the data into several groups, where data in one group have the same
characteristics. The student data are grouped into three clusters, which received,
considered, and is not eligible to receive the scholarship. Then each cluster is
classified based on which criteria is prioritized. Cluster with the greatest value on
the last centroid, is the recommended cluster receive scholarships, while the
cluster with the smallest value on the last centroid is a cluster that is not eligible to
receive the scholarship. Testing the system carried 40 times experimental with 48
students data to obtain the precision of the implementation of K-Means clustering
results of method. Precision values computed by Precision Error, by comparing
the clustering result data from 40 experiment. Precision Error calculation results
on the classification results based on GPA is 0.118 and based on parent
is 0.076. Low Error Precision value indicates that the precision value of it is high.
High precision value indicates determination of data on each experiment using
three clusters are also high.
Keywords: Centroid, Clustering, Grade Point Average, K-Mean
Income, Scholarship

commit to user
vii

perpustakaan.uns.ac.id

digilib.uns.ac.id

KATA PENGANTAR

Puji syukur kehadirat Allah SWT karena dengan ridho dan rahmat-Nya,
penulis dapat menyelesaikan Tugas

Pemanfaatan Metode K-

Means Clustering dalam Penentuan Penerima Beasiswa

Banyak kesulitan dan

hambatan yang Penulis temui dalam penyusunan laporan ini. Namun berkat
bantuan dan bimbingan dari berbagai pihak, Penulis dapat menyelesaikannya.
Penulis mengucapkan terima kasih kepada berbagai pihak yang telah
memberikan bimbingan, dukungan dan saran dalam pembuatan laporan ini,
terutama kepada:
1.

Ibu Umi Salamah, S.Si., M.Kom. selaku Ketua Jurusan Informatika FMIPA
UNS.

2.

Bapak Wisnu Widiarto, S.Si., M.T. selaku Pembimbing Akademik Jurusan

Informatika FMIPA UNS.

3.

Bapak Ristu Saptono, S.Si., M.T. selaku Dosen Pembimbing I yang penuh
kesabaran memberikan bimbingan dan pengarahan selama proses penyusunan
skripsi ini.

4.

Ibu Esti Suryani, S.Si., M.Kom. selaku Dosen Pembimbing II yang penuh
kesabaran memberikan bimbingan dan pengarahan selama proses penyusunan
skripsi ini.

5.

Ayah dan Ibu tercinta untuk setiap kasih sayang, nasehat, dan dukungan
moral maupun material yang tak mungkin terbalas.

6.

Teman-teman semua terutama mahasiswa Informatika FMIPA UNS dan Eska

Sebayu Rian Putra yang selalu memberikan bantuan, dukungan, dan motivasi
kepada Penulis.
Semoga skripsi ini dapat bermanfaat bagi pihak yang berkepentingan.

Surakarta, 15 Januari 2013

Penulis

commit to user
viii

perpustakaan.uns.ac.id

digilib.uns.ac.id

DAFTAR ISI

Halaman
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 .................................................................................................. xi
DAFTAR GAMBAR ............................................................................................ xii
DAFTAR LAMPIRAN ........................................................................................ xiii
BAB 1 PENDAHULUAN ...................................................................................... 1
1.1

Latar Belakang .......................................................................................... 1

1.2

Rumusan Masalah ..................................................................................... 2

1.3

Batasan Masalah........................................................................................ 3

1.4

Tujuan Penelitian ...................................................................................... 3

1.5

Manfaat Penelitian .................................................................................... 3

1.6

Sistematika Penulisan ............................................................................... 4

BAB 2 TINJAUAN PUSTAKA ............................................................................. 5

2.1

Dasar Teori ................................................................................................ 5

2.1.1

Sistem Pendukung Keputusan (SPK) .................................................. 5

2.1.2

Clustering ............................................................................................ 7

2.1.3

K-Means Clustering ............................................................................ 8

2.1.3.1
2.1.4

Jumlah Cluster Optimal .............................................................. 14

Beasiswa............................................................................................ 16

2.2

Penelitian Terkait .................................................................................... 17

2.3

Rencana Penelitian .................................................................................. 19

commit to user
ix

perpustakaan.uns.ac.id

digilib.uns.ac.id

BAB 3 METODOLOGI PENELITIAN................................................................ 20

3.1

Pengumpulan Data .................................................................................. 20

3.1.1

Tempat dan Waktu Penelitian ........................................................... 20

3.1.2

Metode Pengumpulan Data ............................................................... 20

3.2

Pemodelan Data ...................................................................................... 21

3.3

Proses Clustering .................................................................................... 22

3.4

Klasifikasi Hasil Clustering .................................................................... 23

3.5

Implementasi Sistem ............................................................................... 23

3.6

Pengujian Clustering ............................................................................... 24

BAB 4 PEMBAHASAN ....................................................................................... 25

4.1

Pemodelan Data ...................................................................................... 25

4.2

Proses Clustering .................................................................................... 25

4.3

Klasifikasi Hasil Clustering .................................................................... 30

4.4

Implementasi Sistem ............................................................................... 31

4.4.1

Gambaran Umum Sistem .................................................................. 32

4.4.2

Perancangan Basis Data .................................................................... 33

4.5

Pengujian Clustering ............................................................................... 34

BAB 5 PENUTUP ................................................................................................ 35

5.1

Kesimpulan ............................................................................................. 35

5.2

Saran ........................................................................................................ 35

DAFTAR PUSTAKA ........................................................................................... 36

commit to user
x

perpustakaan.uns.ac.id

digilib.uns.ac.id

DAFTAR TABEL

Halaman
Tabel 2.1 Daftar objek yang akan diolah dalam clustering .................................. 12
Tabel 2.2 Hasil clustering ..................................................................................... 14
Tabel 3.1 Pengategorian PO.................................................................................. 22
Tabel 4.1 Hasil perhitungan jarak awal pada iterasi-1 .......................................... 27
Tabel 4.2 Hasil cluster iterasi-1 ............................................................................ 28
Tabel 4.3 Hasil dua centroid akhir ........................................................................ 29
Tabel 4.4 Hasil klasifikasi ..................................................................................... 30
Tabel 4.5 Hasil klasifikasi mahasiswa .................................................................. 31
Tabel 4.6 Tb_mahasiswa ....................................................................................... 33
Tabel 4.7 Tb_cmsd ................................................................................................ 33
Tabel 4.8 Tb_dokumentasi .................................................................................... 33
Tabel 4.9 Tb_login ................................................................................................ 34

commit to user
xi

perpustakaan.uns.ac.id

digilib.uns.ac.id

DAFTAR GAMBAR

Halaman
Gambar 2.1 Diagram alir algoritma k-means ........................................................ 11
Gambar 2.2 Ilustrasi algoritma k-means ............................................................... 11
Gambar 2.3 Partitional coeficient (PC) ................................................................ 14
Gambar 2.4 Classification entropy (CE)............................................................... 14
Gambar 2.5 Partition index (SC) .......................................................................... 15
Gambar 2.6 Separation index (S) .......................................................................... 15
Gambar 2.7 Xie and beni index (XB) .................................................................... 15
Gambar 2.8 Dunn index (DI) ................................................................................ 15
Gambar 3.1 Alur rancangan penelitian ................................................................. 20
Gambar 4.1 Gambaran umum sistem.................................................................... 32

commit to user
xii

perpustakaan.uns.ac.id

digilib.uns.ac.id

DAFTAR LAMPIRAN

Halaman
Lampiran A .......................................................................................................... 38
Lampiran B ........................................................................................................... 39
Lampiran C ........................................................................................................... 40
Lampiran D .......................................................................................................... 41
Lampiran E ........................................................................................................... 42
Lampiran F ........................................................................................................... 48

commit to user
xiii

perpustakaan.uns.ac.id

digilib.uns.ac.id

BAB 1
PENDAHULUAN

1.1 Latar Belakang

Beasiswa adalah pemberian berupa bantuan keuangan yang diberikan
kepada

perorangan yang bertujuan untuk digunakan demi keberlangsungan

pendidikan yang ditempuh (Putranto, 2011). Pemberian beasiswa merupakan

program kerja yang ada di setiap universitas atau perguruan tinggi. Program
beasiswa diadakan untuk meringankan beban mahasiswa dalam menempuh masa
studi kuliah khususnya dalam masalah biaya. Pemberian beasiswa kepada
mahasiswa dilakukan secara selektif sesuai dengan jenis beasiswa yang diadakan.
Universitas Sebelas Maret menyediakan beberapa program beasiswa, sebagai
contoh yaitu beasiswa Peningkatan Prestasi Akademik (PPA), Beasiswa Bantuan
Belajar Mahasiswa (BBM), beasiswa astra, dan lain sebagainya. Indeks Prestasi
Kumulatif (IPK), jumlah tanggungan keluarga, dan penghasilan total orang tua
(penghasilan ayah ditambah penghasilan ibu) menjadi kriteria dalam proses
rekruitmen beasiswa.
Proses seleksi penerimaan beasiswa secara manual yaitu dengan
menginputkan satu persatu data mahasiswa ke dalam file spreadsheet kemudian
melakukan

sorting

data

mahasiswa

seringkali

menimbulkan

beberapa

permasalahan, antara lain membutuhkan waktu yang lama dan ketelitian yang
tinggi. Selain itu, transparansi serta ketidakjelasan metodologi yang digunakan
dalam proses komputasi penerimaan beasiswa juga menjadi salah satu
permasalahan, sehingga dibutuhkan suatu sistem yang dapat membantu dalam
proses pengambilan keputusan siapa saja mahasiswa yang direkomendasikan
menerima beasiswa berdasarkan kriteria-kriteria yang telah ditentukan secara
cepat dan tepat sasaran.
Salah satu metode yang dapat digunakan untuk menyelesaikan
permasalahan tersebut adalah metode K-Means Clustering. K-Means Clustering
merupakan salah satu metode data clustering non hirarki yang berusaha
mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok.

commit to user
1

perpustakaan.uns.ac.id

digilib.uns.ac.id
2

Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang

memiliki karakteristik sama dikelompokkan ke dalam satu cluster yang sama
(Agusta, 2007).
Pada penelitian sebelumnya, Nanjaya (2005) melakukan pembahasan
mengenai penggunaan metode K-Means pada suatu clustering data non-numerik
(categorical) untuk studi kasus biro jodoh. Dari penelitian tersebut didapatkan
bahwa clustering dapat dilakukan pada atribut-atribut kategorikal yang
ditransformasikan terlebih dahulu ke dalam bentuk numerik.
Penelitian lainnya mengenai perbandingan performa antara algoritma KMeans Clustering dengan algoritma Fuzzy C-Means Clustering oleh Santhanam
dan Velmurugan (2010). Dalam penelitian ini, kedua algoritma tersebut
diimplementasikan dan dianalisis kinerjanya berdasarkan pada kualitas hasil
clustering dan waktu eksekusi. Kedua algoritma menghasilkan hasil clustering
yang hampir sama, namun algoritma K-Means Clustering memiliki waktu
komputasi yang lebih unggul, dengan kata lain kinerja dari algoritma K-Means
lebih baik dibandingkan dengan Fuzzy C-Means.
Berdasarkan
penerimaan

beasiswa

penelitian
yang

tersebut,

akan

sistem

pendukung

diimplementasikan

keputusan

dibangun

dengan

menggunakan metode K-Means Clustering. Dengan penerapan sistem pendukung

keputusan dengan metode K-Means Clustering ini diharapkan dapat membantu
dalam

proses

pengambilan

keputusan

siapa

saja

mahasiswa

yang

direkomendasikan menerima beasiswa berdasarkan kriteria-kriteria yang telah

ditentukan secara cepat dan tepat sasaran.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan sebelumnya, rumusan
masalah yang akan diselesaikan adalah bagaimana mengelompokkan data
mahasiswa untuk mendukung keputusan penentuan penerima beasiswa dengan
metode K-Means Clustering.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
3

1.3 Batasan Masalah

Batasan masalah dalam tugas akhir ini adalah:
1. Kriteria yang digunakan dalam clustering antara lain Indeks Prestasi
Kumulatif (IPK), jumlah tanggungan keluarga, dan penghasilan total orang
tua (penghasilan ayah ditambah dengan penghasilan ibu).
2. Sistem bersifat general (tidak mengacu pada satu jenis beasiswa) dan hanya
melakukan clustering data mahasiswa berdasarkan kriteria-kriteria yang
telah disebutkan pada poin pertama, sedangkan keputusan penerima
beasiswa tergantung pada salah satu kriteria yang lebih diprioritaskan pada
beasiswa tersebut, yaitu salah satu dari prioritas kriteria IPK dan prioritas
kriteria penghasilan total orang tua dibagi dengan jumlah tanggungan
keluarga.
3. Jumlah cluster yang akan digunakan pada kasus ini adalah tiga (3)
berdasarkan perhitungan validasi cluster optimal, yaitu mahasiswa yang
direkomendasikan

menerima

beasiswa,

dipertimbangkan

menerima

beasiswa, dan tidak menerima beasiswa.

4. Quota

penerima

beasiswa

dan

pendanaan

tidak

termasuk

dalam

pengklasteran.

1.4 Tujuan Penelitian

Tujuan penelitian yang ingin dicapai dalam tugas akhir ini adalah
mengelompokkan data mahasiswa untuk mendukung keputusan penetuan
penerima beasiswa dengan metode K-Means Clustering.

1.5 Manfaat Penelitian

Manfaat penelitian dalam tugas akhir ini adalah pendukung keputusan
yang dihasilkan diharapkan mampu membantu untuk membuat keputusan dalam
menentukan mahasiswa penerima beasiswa.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
4

1.6 Sistematika Penulisan

Agar mudah dipahami, laporan ini dibuat dalam suatu sistematika
penulisan yang dapat dijadikan acuan mengenai keterkaitan antar bab yang ada
dalam laporan, dengan uraian sebagai berikut :
BAB 1 : PENDAHULUAN
Bab Pendahuluan memuat tentang latar belakang masalah, perumusan
masalah, tujuan dan manfaat penelitian, metodologi penelitian dan sistematika
penyusunan laporan.
BAB 2 : LANDASAN TEORI
Bab Landasan Teori memuat penjelasan tentang dasar teori yang
digunakan untuk dasar pembahasan dari penelitian.
BAB 3 : METODE PENELITIAN
Bab Metodologi Penelitian berisi tentang metode atau langkah

langkah

dalam pemecahan masalah.

BAB 4 : PEMBAHASAN
Bab Pembahasan

memuat pembahasan permasalahan

yang telah

dirumuskan dengan menggunakan landasan teori yang mendukung. Teori tersebut

harus mengacu pada pustaka yang digunakan. Pembahasan dilakukan pada
metode penyelesaian permasalahan.
BAB 5 : PENUTUP
Bab Penutup berisi kesimpulan dan saran. Kesimpulan berisi rumusan
jawaban terhadap pertanyaan (perumusan masalah) dan hasil pembahasan dari
penelitian yang telah dilakukan. Saran merupakan sesuatu yang belum ditempuh
dan layak untuk dilaksanakan pada penelitian selanjutnya.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id

BAB 2
TINJAUAN PUSTAKA

2.1 Dasar Teori

2.1.1

Sistem Pendukung Keputusan (SPK)

Sistem Pendukung Keputusan (SPK) pertama kali didefinisikan oleh Scott-

Morton pada tahun 1970 sebagai sistem berbasis komputer yang interaktif, yang
membantu pengambil keputusan memanfaatkan data dan model untuk
menyelesaikan masalah tidak terstruktur. Sistem pendukung keputusan diharapkan
dapat mendukung para pengambil keputusan manajerial dalam situasi semi
terstruktur dan tidak terstruktur. Sistem pendukung keputusan dimaksudkan untuk
menjadi alat bantu bagi para pengambil keputusan untuk memperluas kapabilitas
mereka, namun tidak untuk menggantikan penilaian mereka (Turban et al, 2011).
Menurut Turban et al (2011), sistem pendukung keputusan terdiri dari
empat subsistem, yaitu:
1.

Subsistem Manajemen Data

Subsistem manajemen data mencakup suatu database yang berisi data yang

relevan untuk situasi dan dikelola oleh perangkat lunak yang disebut Database
Management System (DBMS). Manajemen data dapat diinterkoneksikan dengan
data warehouse perusahaan, suatu repositori untuk data perusahaan yang relevan
untuk pengambilan keputusan. Biasanya data dimasukkan dan diakses melalui
database Web Server.
2.

Subsistem Manajemen Model

Subsistem manajemen model merupakan suatu paket perangkat lunak yang

mencakup model keuangan, statistik, ilmu manajemen, atau model kuantitatif

lainnya yang memberikan kemampuan analitik dan manajemen perangkat lunak
yang sesuai. Perangkat lunak ini sering disebut Model Base Management System
(MBMS).
3.

Subsistem Antarmuka Pengguna

Pengguna berkomunikasi dan memerintahkan SPK melalui subsistem

antarmuka pengguna. Pengguna dianggap sebagai bagian dari sistem. Peneliti

commit to user
5

perpustakaan.uns.ac.id

digilib.uns.ac.id
6

menegaskan bahwa beberapa kontribusi yang unik dari SPK berasal dari interaksi
yang intensif antara komputer dan pengambil keputusan. Web Browser
menyediakan struktur antarmuka Graphical User Interface (GUI) yang familier
dan konsisten. Istilah antarmuka pengguna mencakup semua aspek komunikasi
antara pengguna dengan sistem.
4.

Subsistem Manajemen Berbasis Pengetahuan

Subsistem manajemen berbasis pengetahuan dapat mendukung subsistem lain

atau berlaku sebagai komponen yang berdiri sendiri. Subsistem manajemen

berbasis pengetahuan dapat saling berhubungan dengan repositori pengetahuan
organisasi yang disebut organization knowledge base.
Proses pengambilan keputusan dilakukan dengan menggunakan beberapa
tahapan. Menurut Turban et al (2011), tahapan dalam pengambilan keputusan
antara lain:
1.

Intelligence
Tahap ini merupakan proses penelusuran dan pendeteksian dari lingkup

problematika serta proses pengenalan masalah. Data masukkan diperoleh,

diproses, dan diuji dalam rangka mengindentifikasikan masalah.
2.

Design
Tahap ini merupakan proses menemukan, mengembangkan, dan menganalisis

alternatif tindakan yang bisa dilakukan. Tahap ini meliputi proses untuk mengerti
masalah, menurunkan solusi, menguji kelayakan solusi.
3.

Choice
Tahap ini merupakan proses pemilihan di antara berbagai alternatif tindakan

yang mungkin dijalankan. Tahap ini dimulai dengan mencari solusi dengan
menggunakan model, melakukan analisis sensitivitas, menyeleksi alternatif yang
terbaik, melakukan aksi atau rencana untuk mengimplementasikan, dan
merancang sistem pengendalian.
4.

Implementation
Fase implementasi meliputi pembuatan suatu solusi yang direkomendasikan.

Pembuat keputusan harus mempertimbangkan beberapa tujuan dan sensitivitas-

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
7

analisis masalah. Fase ini mengadaptasikan materi yang dipilih untuk diterapkan
pada situasi pemilihan (penyelesaian masalah).
2.1.2 Clustering
Clustering adalah mengelompokkan item data ke dalam sejumlah kecil
grup sedemikian sehingga masing-masing grup mempunyai sesuatu persamaan
yang esensial (Andayani, 2007).
Ada beberapa pendekatan yang digunakan dalam mengembangkan metode
clustering. Dua pendekatan utama adalah clustering dengan pendekatan partisi
dan clustering dengan pendekatan hirarki. Clustering dengan pendekatan partisi
atau sering disebut dengan partition-based clustering mengelompokkan data
dengan memilah-milah data yang dianalisa ke dalam cluster-cluster yang ada.
Clustering dengan pendekatan hirarki atau sering disebut dengan hierarchical
clustering mengelompokkan data dengan membuat suatu hirarki berupa kurva
yang menggambarkan pengelompokan cluster dimana data yang mirip akan
ditempatkan pada hirarki yang berdekatan dan yang tidak pada hirarki yang
berjauhan.
Menurut Andayani (2007), Algoritma

clustering

dibagi ke dalam

beberapa kelompok besar, antara lain:

1.

Partitioning

algorithms: algoritma dalam kelompok ini membentuk

bermacam partisi dan kemudian mengevaluasinya dengan berdasarkan

beberapa kriteria.
2.

Hierarchy algorithms: pembentukan dekomposisi hirarki dari sekumpulan

data menggunakan beberapa kriteria.

3.

Density based: pembentukan cluster berdasarkan pada koneksi dan fungsi

densitas.

4.

Grid based: pembentukan cluster berdasarkan pada struktur multiple level

granularity.

5.

Model based:

sebuah

model

dianggap

sebagai

hipotesa

untuk

masing masing cluster dan model yang baik dipilih diantara model
hipotesa tersebut.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
8

2.1.3 K-Means Clustering

Metode K-Means pertama kali diperkenalkan oleh MacQueen JB pada
tahun 1976. Metode ini adalah salah satu metode non hierarchi yang umum
digunakan. Metode ini termasuk dalam teknik penyekatan (partition) yang
membagi atau memisahkan objek ke k daerah bagian yang terpisah. Pada KMeans, setiap objek harus masuk dalam kelompok tertentu, tetapi dalam satu
tahapan proses tertentu, objek yang sudah masuk dalam satu kelompok, pada satu
tahapan berikutnya objek akan berpindah ke kelompok lain.
Hasil cluster dengan dengan metode K-Means sangat bergantung pada
nilai pusat kelompok awal yang diberikan. Pemberian nilai awal yang berbeda
bisa menghasilkan kelompok yang berbeda. Ada beberapa cara memberi nilai
awal misalnya dengan mengambil sampel awal dari objek, lalu mencari nilai
pusatnya, memberi nilai awal secara random, menentukan nilai awalnya atau
menggunakan hasil dari kelompok hierarki dengan jumlah kelompok yang sesuai
(Santosa 2007).
K-Means adalah suatu metode penganalisaan data atau metode Data
Mining yang melakukan proses pemodelan tanpa supervisi (unsupervised) dan
merupakan salah satu metode yang melakukan pengelompokan data dengan
sistem partisi. Metode K-Means berusaha mengelompokkan data yang ada ke
dalam beberapa kelompok, dimana data dalam satu kelompok mempunyai
karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang
berbeda dengan data yang ada di dalam kelompok yang lain. Dengan kata lain,
metode ini berusaha untuk meminimalkan variasi antar data yang ada di dalam
suatu cluster dan memaksimalkan variasi dengan data yang ada di cluster lainnya
(Agusta, 2011).
Menurut Nuningsih (2010), algoritma K-Means memerlukan 3 komponen,
yaitu:
1.

Jumlah Cluster K
K-Means merupakan bagian dari metode non-hirarki sehingga dalam

metode ini jumlah k harus ditentukan terlebih dahulu. Jumlah cluster k dapat
ditentukan melalui pendekatan metode hirarki. Namun perlu diperhatikan bahwa

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
9

tidak terdapat aturan khusus dalam menentukan jumlah cluster k, terkadang

jumlah cluster yang diiinginkan tergantung pada subyektif seseorang.
2.

Cluster Awal
Cluster awal yang dipilih berkaitan dengan penentuan pusat cluster awal

(centroid awal). Dalam hal ini, terdapat beberapa pendapat dalam memilih cluster
awal untuk metode K-Means sebagai berikut:
a.

Berdasarkan Hartigan (1975), pemilihan cluster awal dapat ditentukan

berdasarkan interval dari jumlah setiap observasi

b.

Berdasarkan Rencher (2002), pemilihan cluster awal dapat ditentukan

melalui pendekatan salah satu metode hirarki.

c.

Berdasarkan Teknomo (2007), pemilihan cluster awal dapat secara

acak dari semua observasi.

Oleh karena adanya pemilihan cluster awal yang berbeda ini maka
kemungkinan besar solusi cluster yang dihasilkan akan berbeda pula.
3.

Ukuran Jarak
Metode k-means dimulai dengan pembentukan prototipe cluster di awal

kemudian secara iteratif prototipe cluster ini diperbaiki hingga konvergen (tidak
terjadi perubahan yang signifikan pada prototipe cluster). Perubahan ini diukur
dengan ukuran jarak Euclidean. Ukuran jarak ini digunakan untuk menempatkan
observasi ke dalam cluster berdasarkan centroid terdekat.
Menurut Sarwono (2011), Algoritma K-Means adalah sebagai berikut:
1.

Menentukan k sebagai jumlah cluster yang ingin dibentuk.

2.

Membangkitkan nilai random untuk pusat cluster awal (centroid)

sebanyak k

3.

Menghitung jarak setiap data input terhadap masing-masing centroid

menggunakan rumus jarak Eucledian (Eucledian Distance) hingga
ditemukan jarak yang paling dekat dari setiap data dengan centroid.
Berikut adalah persamaan Eucledian Distance:
d(xi , j) =

commit to user

.......... (1)

perpustakaan.uns.ac.id

digilib.uns.ac.id
10

dimana:

4.

xi

: data kriteria

: centroid pada cluster ke-j

Mengklasifikasikan setiap data berdasarkan kedekatannya dengan centroid

(jarak terkecil).

5.

Memperbaharui nilai centroid. Nilai centroid baru diperoleh dari rata-rata

cluster yang bersangkutan dengan menggunakan rumus:
.......... (2)
dimana:
j (t+1)

: centroid baru pada iterasi ke (t+1),

Nsj

: banyak data pada cluster Sj

6. Melakukan perulangan dari langkah 2 hingga 5 hingga anggota tiap cluster

tidak ada yang berubah.
7. Jika langkah 6 telah terpenuhi, maka nilai pusat cluster (j) pada iterasi
terakhir akan digunakan sebagai parameter untuk menentukan klasifikasi
data. Ilustrasi dari perubahan cluster/kelompok data ditunjukkan pada
Gambar 2.2.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
11

Gambar 2.1 Diagram alir algoritma k-means (Andayani, 2007)

Gambar 2.2 Ilustrasi algoritma k-means (Noor dan Hariadi, 2009)

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
12

Berikut ini adalah ilustrasi penggunaan metode K means untuk

menentukan cluster dari 4 buah objek dengan 2 atribut, seperti ditunjukkan dalam
Tabel 2.1. Clustering akan dilakukan untuk membentuk 2 cluster jenis obat
berdasarkan atributnya (Andayani, 2007). Langkah langkah metode K means
adalah sebagai berikut :
a) Pengesetan nilai awal titik tengah. Misalkan obat A dan Obat B masing-masing
menjadi titik tengah (centroid) dari cluster yang akan dibentuk. Tentukan
koordinat kedua centroid tersebut, yaitu c1=(1,1) dan c2=(2,1).
Tabel 2.1 Daftar objek yang akan diolah dalam clustering
Objek
Obat A
Obat B
Obat C
Obat D

Atribut1(x): indeks berat

1
2
4
5

Atribut2(y): pH
1
1
3
4

b) Menghitung jarak objek ke centroid dengan menggunakan rumus jarak

Euclidean.
Misalnya jarak objek obat C=(4,3) ke centroid pertama c1=(1,1) adalah
= 3,61 dan jarak dengan centroid kedua c1=(2,1) adalah
= 2,83
Hasil perhitungan jarak ini disimpan dalam bentuk matriks k x n, dengan k
banyak cluster dan n banyak objek. Setiap kolom dalam matriks tersebut
menunjukkan objek sedangkan baris pertama menunjukkan jarak ke centroid
pertama, baris kedua menunjukkan jarak ke centroid kedua.
Iterasi-0
1) Matriks jarak setelah iterasi ke-0 adalah sebagai berikut:
D=
A

2) Clustering objek: Memasukkan setiap objek ke dalam cluster (grup)

berdasarkan jarak minimumnya. Jadi obat A dimasukkan ke grup 1, dan
obat B, C, dan D dimasukkan ke grup 2. Keanggotaan objek ke dalam grup
dinyatakan dengan matrik, elemen dari matriks bernilai 1 jika sebuah
objek menjadi anggota grup.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
13

G =
A

B C

Iterasi-1
1) Menentukan

centroid:

Berdasarkan

anggota

masing-masing

grup,

selanjutnya ditentukan centroid baru. Grup 1 hanya berisi 1 objek,

sehingga centroidnya tetap c1=(1,1). Grup 2 mempunyai 3 anggota,
sehingga centroidnya ditentukan berdasarkan rata-rata koordinat ketiga
anggota tersebut: c2=

2) Menghitung jarak objek ke centroid: selanjutnya, jarak antara centroid

baru dengan seluruh objek dalam grup dihitung kembali sehingga
diperoleh matriks jarak sebagai berikut:
D=
A

3) Clustering objek: menentukan keanggotaan grup berdasarkan jaraknya.

Berdasarkan matriks jarak baru, maka obat B harus dipindah ke grup 1.
G1 =
A

B C

Iterasi-2
1) Menetukan centroid: menentukan centroid baru berdasarkan keanggotaan
grup yang baru. Grup 1 dan 2 masing-masing mempunyai 2 anggota,
sehingga centroidnya menjadi
c1=

dan c2=

2) Menghitung jarak objek ke centroid: diperoleh matriks jarak sebagai

berikut:
D=
A

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
14

3) Clustering objek: mengelompokkan tiap-tiap objek berdasarkan jarak

minimumnya, diperoleh:
G2 =
A

B C

Hasil pengelompokkan pada iterasi terakhir dibandingkan dengan hasil

sebelumnya, diperoleh G2=G1. Hasil ini menunjukkan bahwa tidak ada lagi
objek yang berpindah grup, dan metode telah stabil. Hasil akhir clustering
ditunjukkan dalam Tabel 2.2.
Tabel 2.2 Hasil clustering
Objek
Obat A
Obat B
Obat C
Obat D

Atribut1(x): indeks berat

1
2
4
5

Atribut2(y): pH
1
1
3
4

Grup Hasil
1
1
2
2

2.1.3. 1 Jumlah Cluster Optimal

Jumlah cluster optimal ditentukan dengan validitas indeks cluster melalui
perbandingan nilai indeks pada berbagai validity measure. Perhitungan nilai
indeks dengan berbagai validity measure dilakukan dengan parameter yang telah
-3

Gambar 2.3 Partition coeficient (PC)

Gambar 2.4 Classification entropy (CE)

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
15

Gambar 2.5 Partition index (SC)

Gambar 2.6 Separation index (S)

Gambar 2.7 Xie and beni index (XB)

Gambar 2.8 Dunn index (DI)

Hasil perhitungan validitas indeks menggunakan PC menunjukkan bahwa
indeks semakin menurun seiring pertambahan jumlah cluster. Indeks mengalami
penurunan signifikan pada c (jumlah cluster opimal) = 3 (Gambar 2.3). Hasil
perhitungan validitas indeks menggunakan CE menunjukkan bahwa indeks
semakin meningkat seiring pertambahan jumlah cluster dan mengalami perubahan
signifikan pada c = 3 (Gambar 2.4). Hasil perhitungan validitas indeks
menggunakan SC dan S menunjukkan bahwa indeks relatif semakin menurun
seiring pertambahan jumlah cluster (Gambar 2.5 dan Gambar 2.6). Sedangkan
hasil perhitungan validitas indeks menggunakan XB menunjukkan bahwa indeks

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
16

mencapai nilai minimum pada c = 3 (Gambar 2.7). Sedangkan nilai

mengalami perubahan signifikan dan mencapai nilai minimum pada lembah
pertama pada c = 3 (Gambar 2.8). Berdasarkan hasil perbandingan index dengan
berbagai validity measure yang telah dilakukan, jumlah cluster optimal berada
pada c = 3.
2.1.4

Beasiswa
Beasiswa adalah pemberian berupa bantuan keuangan yang diberikan

kepada

perorangan yang bertujuan untuk digunakan demi keberlangsungan

pendidikan yang ditempuh (Putranto, 2011).

Pemberian beasiswa merupakan program kerja yang ada di setiap
universitas atau perguruan tinggi. Program beasiswa diadakan untuk meringankan
beban mahasiswa dalam menempuh masa studi kuliah khususnya dalam masalah
biaya. Pemberian beasiswa kepada mahasiswa dilakukan secara selektif sesuai
dengan jenis beasiswa yang diadakan.
Adapun jenis beasiswa yang diselenggarakan antara lain Beasiswa
Peningkatan Prestasi Akademik (PPA), Beasiswa Bantuan Belajar Mahasiswa
(BBM), Beasiswa yang diberikan pihak swasta, seperti beasiswa djarum, astra,
dan sebagainya.
Tujuan diselenggarakan beasiswa antara lain (Dikti, 2011):
1. Meningkatkan akses dan pemerataan kesempatan belajar di perguruan
tinggi bagi rakyat Indonesia.
2. Mengurangi jumlah mahasiswa yang putus kuliah, karena tidak mampu
membiayai pendidikan.
3. Meningkatkan prestasi dan motivasi mahasiswa, baik pada bidang
akademik/kurikuler, ko-kurikuler, maupun ekstrakurikuler.
Sasaran mahasiswa penerima beasiswa antara lain (Dikti, 2011):
1. Mahasiswa berprestasi (baik pada bidang akademik/kurikuler, ko-kurikuler
maupun ekstra kurikuler).
2. Mahasiswa dengan prestasi minimal yang orang tua/wali-nya tidak mampu
membiayai pendidikannya.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
17

Adapun urutan prioritas kriteria yang digunakan untuk penetapan

mahasiswa penerima beasiswa adalah tidak sama untuk setiap jenis beasiswa.
Sebagai contoh urutan prioritas kriteria penerima beasiswa PPA dan BBM adalah
berbeda .
Penentukan mahasiswa penerima beasiswa PPA sesuai dengan urutan
prioritas sebagai berikut (Dikti, 2011):
1. Mahasiswa yang mempunyai IPK paling tinggi.
2. Mahasiswa yang mempunyai SKS paling banyak (jumlah semester paling
sedikit)
3. Mahasiswa yang memiliki prestasi di kegiatan ko/ekstra kurikuler
(olahraga,

teknologi,

seni/budaya

tingkat

internasional/dunia,

regional/Asia/Asean dan nasional).

4. Mahasiswa yang (orang tuanya) paling tidak mampu.
Sedangkan penentukan mahasiswa penerima beasiswa BBM sesuai dengan
urutan prioritas sebagai berikut (Dikti, 2011):
1. Mahasiswa yang (orang tuanya) paling tidak mampu.
2. Mahasiswa yang memiliki prestasi di kegiatan ko/ekstra kurikuler
(olahraga,

teknologi,

seni/budaya

tingkat

internasional/dunia,

regional/Asia/Asean dan nasional).

3. Mahasiswa yang mempunyai IPK paling tinggi.
4. Mahasiswa yang mempunyai SKS paling banyak (jumlah semester paling
sedikit).

2.2
1.

Penelitian Terkait
Aplikasi K-Means untuk Pengelompokkan Mahasiswa Berdasarkan
Nilai Body Mass Index (BMI) dan Ukuran Kerangka (Kusumadewi,
2008)
Penelitian tersebut membahas tentang penerapan metode K-Means
Clustering untuk mengelompokkan mahasiswa berdasarkan kriteria Body
Mass Index (BMI) dan ukuran kerangka. Kriteria tersebut didasarkan pada
data kondisi fisik dari mahasiswa yang bersangkutan yang telah diambil

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
18

terlebih dahulu. Data kondisi fisik yang digunakan adalah tinggi badan,
berat badan dan lingkar lengan bawah. Diasumsikan data yang diambil
adalah data mahasiswa putra. Setelah data tersebut diperoleh kemudian
dilakukan perhitungan untuk mencari status gizi dan ukuran rangka dari
masing-masing data yang ada.
Setelah mendapatkan status gizi dan nilai rangka dari masing-masing
data maka langkah selanjutnya adalah melakukan proses klasifikasi data
menggunakan metode klasifikasi K-Means.
Kesimpulan dari hasil penelitian adalah bahwa algoritma klasifikasi
K-Means dapat digunakan untuk mengelompokkan mahasiswa berdasarkan
status gizi dan ukuran kerangka. Diperoleh 3 kelompok berdasarkan BMI
dan ukuran kerangka, yaitu BMI normal dan kerangka besar, BMI obesitas
sedang dan kerangka sedang, BMI obesitas berat dan kerangka kecil.
2. Clustering Data Non-numerik dengan Pendekatan Algoritma KMeans dan Hamming Distance Studi Kasus Biro Jodoh (Nanjaya,
2005)
Penelitian tersebut membahas tentang penerapan algoritma k-means
pada suatu clustering data non-numerik (categorical), dengan dibantu
Hamming Distance sebagai alat untuk mengukur jarak dari masing-masing
atribut kategorikalnya. Metodologi yang digunakan dalam penelitian ini
meliputi beberapa tahapan. Modifikasi yang dilakukan adalah proses
modifikasi data dari non-numerik menjadi numerik. Dari penelitian tersebut
didapatkan

bahwa

clustering

dapat

dilakukan

pada

atribut-atribut

kategorikal yang ditransformasikan terlebih dahulu ke dalam bentuk

numerik. Selain itu, kesamaan (similarity) dan karakterisktik dari masingmasing keanggotaan bisa diketahui.
3. Performance Evaluation of K-Means and Fuzzy C-Means Clustering
Algorithms for Statistical Distributions of Input Data Points (Santhanam,
2010)
Penelitian tersebut membahas tentang perbandingan performa antara
algoritma

K-Means

Clustering

dengan

commit to user

algoritma

Fuzzy

C-Means

perpustakaan.uns.ac.id

digilib.uns.ac.id
19

Clustering. Kedua algoritma tersebut diimplementasikan dan dianalisis

kinerjanya berdasarkan pada kualitas hasil clustering. Perilaku kedua
algoritma tergantung pada jumlah titik data serta pada jumlah cluster. Input
data poin dihasilkan oleh dua cara, yaitu dengan menggunakan distribusi
normal dan lain dengan menerapkan distribusi seragam dengan Box-Muller
formula. Kinerja algoritma dianalisis selama eksekusi yang berbeda dari
program pada titik input data. Waktu eksekusi untuk masing-masing
algoritma juga dianalisis dan hasilnya dibandingkan. Hasil penelitian
menunjukkan

bahwa

kinerja

dari

algoritma

K-Means

lebih

baik

dibandingkan dengan Fuzzy C-Means untuk distribusi normal dan seragam.

FCM menghasilkan hasil yang dekat dengan K-Means clustering, namun
membutuhkan waktu komputasi lebih lama dari K-means. Jadi untuk data
poin yang dihasilkan dengan menggunakan distribusi statistik, algoritma KMeans tampaknya lebih unggul daripada Fuzzy C-Means.

2.3

Rencana Penelitian
Proses seleksi penerimaan beasiswa secara manual yaitu dengan

menginputkan satu persatu data mahasiswa ke dalam file excel kemudian

melakukan sorting data mahasiswa menimbulkan beberapa permasalahan, antara
lain membutuhkan waktu yang lama dan ketelitian yang tinggi.
Salah satu cara untuk membantu dalam proses seleksi penerimaan
beasiswa adalah dengan cara mengelompokkan mahasiswa berdasarkan kriteriakriteria yang telah ditentukan, antara lain IPK, jumlah tanggungan keluarga, dan
penghasilan total orang tua. Pengelompokan dilakukan dengan menerapkan
algoritma K-Means Clustering. Pengelompokan ini akan menunjukkan siapa saja
yang akan masuk ke dalam masing-masing kelompok.
Jumlah cluster yang digunakan pada kasus ini adalah tiga (3) berdasarkan
perhitungan validasi cluster optimal, yaitu mahasiswa yang direkomendasikan
menerima beasiswa, dipertimbangkan menerima beasiswa, dan tidak menerima
beasiswa.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id

BAB 3
METODOLOGI PENELITIAN

Penelitian ini akan dilaksanakan berdasarkan rancangan penelitian seperti

yang ditunjukkan pada Gambar 3.1

Pengumpulan Data

Pemodelan Data

Proses Clustering

Klasifikasi Hasil
Clustering

Implementasi Sistem

Pengujian Clustering

Gambar 3.1 Alur rancangan penelitian

3.1 Pengumpulan Data

3.1.1 Tempat dan Waktu Penelitian
Penelitian ini dilakukan di Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Sebelas Maret Surakarta (FMIPA UNS). Data yang digunakan
adalah data mahasiswa Informatika FMIPA UNS, pendaftar beasiswa PPA dan
BBM tahun 2012.
3.1.2 Metode Pengumpulan Data
Pengumpulan data digunakan untuk mengumpulkan data-data dan
informasi-informasi yang diperlukan dalam pembuatan sistem pendukung
keputusan. Pengumpulan data pada penelitian ini menggunakan metode
pengumpulan data study literature dan telaah dokumen.

commit to user
20

perpustakaan.uns.ac.id

digilib.uns.ac.id
21

a. Study Literature
Study literature dilakukan dengan cara mencari bahan materi yang
berhubungan dengan permasalahan, perancangan, metode K-Means
Clustering,

sistem

pendukung

keputusan

dan

beasiswa,

guna

mempermudah proses implementasi sistem. Pencarian materi dilakukan

melalui pencarian di buku panduan dan internet.
b. Telaah Dokumen
Telaah

dokumen

adalah

pengumpulan

data

dengan

cara

mengumpulkan dan mempelajari dokumen-dokumen yang didapatkan

dari pihak Jurusan Informatika FMIPA UNS. Dari metode pengumpulan
data ini diperoleh 48 data mahasiswa.

3.2

Pemodelan Data
Proses clustering menggunakan data kriteria IPK dan PO (penghasilan

total orang tua dibagi jumlah tanggungan keluarga). Oleh karena data IPK dan
data PO memiliki perbedaan nilai yang cukup jauh, maka kriteria PO di
kategorikan. Proses pengategorian adalah sebagai berikut:
1.

Hitung mean (nilai rata-rata) dari seluruh data PO dengan rumus:

.......... (3)
Dengan:
: mean
: hasil penjumlahan nilai PO
n : jumlah data mahasiswa

2.

Hitung standart deviasi dari seluruh data PO dengan rumus:

S=

.......... (4)

Dengan:
S : standart deviasi
x : nilai individu data PO mahasiswa
: nilai rata-rata/mean
n : jumlah data mahasiswa

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
22

3.

Membuat kategori PO:

Tabel 3.1 Pengategorian PO
Kategori

Kualifikasi
S

Kategori 4

S < PO <

Kategori 3
Kategori 2
Kategori 1

3.2

PO

Kodifikasi
4
3
2
1

Proses Clustering
Tahap ini akan diterapkan metode K-Means untuk mengelompokkan

data. Hasil pengelompokkan ini kemudian akan digunakan untuk pertimbangan

menentukan mahasiswa yang berhak menerima beasiswa. Adapun algorima KMeans Clustering pada penerimaan beasiswa adalah sebagai berikut:
1. Jumlah cluster yang dibentuk sebagai nilai k adalah tiga (k = 3).
2. Membangkitkan nilai random untuk pusat cluster awal (centroid)
sebanyak 3 dari data yang telah diinputkan. Centroid kriteria 1 adalah IPK
dan centroid kriteria 2 adalah PO.
3. Menghitung jarak setiap data mahasiswa yang telah diinputkan terhadap
masing-masing centroid menggunakan rumus jarak Eucledian Distance
hingga ditemukan jarak paling dekat dari setiap data dengan centroid.
Berikut adalah persamaan Eucledian Distance:

dimana:

d(xi , j) =

.......... (5)

xi : data mahasiswa
j : centroid pada cluster ke-j
xia : IPK mahasiswa
xib : penghasilan total orang tua dibagi jumlah tanggungan keluarga
ja : nilai kriteria 1 dari centroid cluster ke-j adalah nilai random data IPK
jb : nilai kriteria 2 dari centroid cluster ke-j adalah nilai random data PO

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
23

4. Mengklasifikasikan setiap data mahasiswa berdasarkan kedekatannya

dengan centroid (jarak terkecil).
5. Memperbaharui nilai centroid. Nilai centroid baru diperoleh dari rata-rata
cluster yang bersangkutan dengan menggunakan rumus:
.......... (6)
dimana:
j (t+1)

: centroid baru pada iterasi ke (t+1),

Nsj

: banyak data mahasiswa pada cluster Sj

6. Melakukan perulangan dari langkah 2 hingga 5 hingga anggota tiap cluster

tidak ada yang berubah.
7. Jika langkah 6 telah terpenuhi, maka nilai pusat cluster (j) pada iterasi
terakhir akan digunakan sebagai parameter untuk menentukan klasifikasi
data mahasiswa.

3.4

Klasifikasi Hasil Clustering

Setelah proses clustering, tahap selanjutnya adalah proses klasifikasi. Di

sini akan ditentukan cluster mana yang lebih berhak untuk menerima beasiswa.

3.5

Implementasi Sistem
Tahap implementasi ini dimulai dengan analisis dan perancangan sistem

yang akan dibuat. Selanjutnya tahap implementasi sistem dengan tujuan

menghasilkan prototype program yang sesuai dengan hasil perancangan yang
telah

ditentukan

sebelumnya,

yaitu

penulisan

kode

program

(coding)

menggunakan lingkungan bahasa pemrograman PHP. Data yang digunakan akan

disimpan dalam database. Debugging dilakukan untuk menguji aplikasi serta
mencari error yang masih terdapat pada program untuk diperbaiki.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
24

3.6

Pengujian Clustering
Pengujian dilakukan untuk mengetahui keakuratan yang dihasilkan dalam

penerapan metode K-Means Clustering sebagai model untuk menentukan

penerima beasiswa. Pengujian dilakukan terhadap presisi hasil cluster dengan data
testing yang digunakan.
Presisi adalah ukuran yang menunjukkan derajat kesesuaian antara hasil
uji individual yang diukur melalui penyebaran hasil individual dari rata-rata
secara berulang pada sampel-sampel yang diambil. Presisi dapat dihitung dengan:
.......... (7)
Dengan
ei : hasil data cluster yang berbeda
n : jumlah percobaan/testing
Percobaan/testing dilakukan sebanyak 40 kali. Nilai Error Presisi
tergantung pada ketetapan data pada cluster untuk setiap percobaan. Kemudian
dilakukan penentuan klasifikasi prioritas penerima beasiswa.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id

BAB 4
PEMBAHASAN

4.1

Pemodelan Data
Sejumlah 48 data mahasiswa kemudian dikategorikan dengan terlebih

dahulu menghitung mean dan standart deviasi PO (penghasilan total orang tua
dibagi jumlah tanggungan keluarga). Berikut adalah hasil perhitungannya:
Mean PO

: 672870,141

Standart Deviasi PO

: 484555,170

Pengategorian data PO berdasarkan Tabel 3.1 adalah sebagai berikut:

4.2

Kategori 4

: PO

188314,971

Kategori 3

: 188314,971 < PO < 672870,141

Kategori 2

: 672870,141

Kategori 1

: PO

PO < 1157425,311

1157425,311

Proses Clustering
Proses clustering dengan menggunakan metode K-Means akan dilakukan

terhadap 48 sampel data mahasiswa. Hasil clustering akan diperoleh kelompok

data mahasiswa yang akan digunakan untuk proses klasifikasi penentuan cluster
(kelompok data) yang direkomendasikan menerima beasiswa. Adapun langkahlangkah proses clustering adalah sebagai berikut:
1.

Mula-mula sistem akan mengambil pusat cluster (centroid) awal. Pusat

cluster (centroid) awal yang digunakan untuk memulai proses clustering
dengan metode K-Means diperoleh dengan pembangkitan secara random dari
data yang telah diinputkan. Karena pusat cluster (centroid) awal dibangkitkan
secara random, maka hasil centroid awal berubah setiap kali melakukan
percobaan proses clustering. Hal ini akan menyebabkan setiap dilakukan
proses clustering anggota cluster yang dihasilkan juga akan berbeda. Selain
itu, ada kemungkinan centroid awal yang dihasilkan pusat jauh berbeda
dengan cluster yang terbaik, sehingga kemungkinan akan terjadi proses iterasi
yang banyak untuk mencapai konvergensinya. Pada pembahasan ini diambil

commit to user
25

perpustakaan.uns.ac.id

digilib.uns.ac.id
26

contoh satu percobaan. Dari hasil pengambilan secara random, diperoleh

centroid untuk masing-masing cluster. Centroid kriteria 1 adalah IPK dan
centroid kriteria 2 adalah PO:
C1 = (3.45, 1)
C2 = (3.39, 2)
C3 = (3.88, 3)

2.

Kemudian akan dihitung jarak dari setiap data yang ada terhadap setiap pusat
cluster awal. Jarak inilah yang akan menjadi penentu termasuk ke dalam
cluster mana data tersebut. Misalkan untuk menghitung jarak data mahasiswa
pertama (IPK 2,87; PO kategori 3) dan dengan pusat cluster pertama adalah :
d11 =

= 2,084001

Jarak data mahasiswa pertama dengan pusat cluster kedua:

d12 =

= 1,169767

Jarak data mahasiswa pertama dengan pusat cluster ketiga:

d13 =

= 0,599219

Hasil perhitungan jarak awal pada iterasi-1 untuk contoh 25 data dapat dilihat
pada Tabel 4.1. Data yang lain dapat dilihat pada Lampiran A.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
27

Tabel 4.1 Hasil perhitungan jarak awal pada iterasi-1

NIM
M0508041
M0509004
M0509007
M0509010
M0509019
M0509023
M0509025
M0509033
M0509040
M0509044
M0509048
M0509051
M0509069
M0509073
M0509081
M0510005
M0510011
M0510013
M0510014
M0510016
M0510017
M0510023
M0510024
M0510027
M0510030

Centroid 1
2,084001
2,034984
2,021744
3,023435
2,006854
2,002792
1,022702
3,010879
0,144286
3,000213
2,010552
2,044509
2,00758
1,000638
2,000737
2,004599
2,001379
3,001224
1,002157
1,000016
3,009134
0,065714
1,000638
3,011744
1,009167

Centroid 2
1,169767
1,075894
1,049019
2,039007
1,01732
1,008023
0,193077
2,019081
1,007545
2,00081
1,025424
1,078179
1,011648
0,056923
1,000547
1,012238
1,001408
2,002856
0,086923
0,026923
2,011318
1,003771
0,056923
2,020476
0,156923

Centroid 3
0,599219
0,436765
0,387103
0,740207
0,332661
0,322456
1,353801
0,700953
2,332238
0,680015
0,345138
0,598014
0,409851
1,32217
0,348352
0,326221
0,356539
0,678595
1,321506
1,323515
0,74782
2,321473
1,32217
0,703526
1,322603

3. Berdasarkan hasil perhitungan jarak pada Tabel 4.2, setiap data akan
menjadi anggota suatu cluster yang memiliki jarak terdekat (hasil nilai
terkecil) dari pusat clusternya. Misalkan untuk data mahasiswa pertama
diperoleh hasil jarak terdekat dengan pusat cluster ketiga, maka data
mahasiswa tersebut akan masuk menjadi anggota cluster ketiga. Perolehan
hasil cluster untuk contoh beberapa data dapat dilihat pada Tabel 4.2.
Hasil cluster seluruh data dapat dilihat pada Lampiran B.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
28

Tabel 4.2. Hasil cluster iterasi-1

NIM
M0508041
M0509004
M0509007
M0509010
M0509019
M0509023
M0509025
M0509033
M0509040
M0509044
M0509048
M0509051
M0509069
M0509073
M0509081
M0510005
M0510011
M0510013
M0510014
M0510016
M0510017
M0510023
M0510024
M0510027
M0510030

Cluster 1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0

Cluster 2
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
1
1
0
0
1
0
1

Cluster 3
1
1
1
1
1
1
0
1
0
1
1
1
1
0
1
1
1
1
0
0
1
0
0
1
0

Keterangan:
1

menunjukkan cluster dimana data tersebut berada,

contoh: data mahasiswa M0508041 masuk pada cluster 3.

4. Hitung pusat cluster baru. Perhitugan pusat cluster baru ini dilakukan
dengan menghitung nilai rata-rata masing-masing kriteria dari seluruh
anggota yang menjadi anggota masing-masing cluster (dapat dilihat pada
Tabel 4.4). Misalkan untuk cluster pertama, ada 7 data. Sehingga pusat
cluster baru:
C11 =
C12 =
Untuk cluster kedua ada 13 data, sehingga pusat cluster baru:
C21 =
C22 =

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
29

Untuk cluster ketiga ada 28 data, sehingga pusat cluster baru:

C31 =
C32 =

3,321

5. Proses 2 sampai 4 akan terus berulang hingga posisi data sudah tidak
mengalami perubahan dan nilai pusat cluster sama. Dalam percobaan kali
ini, proses berhenti pada iterasi ke-2. Perbandingan antara centroid di dua
iterasi terakhir dapat dilihat pada Tabel 4.3. Pusat cluster lain dapat dilihat
di Lampiran C.
Tabel 4.3. Hasil dua centroid akhir
Centroid
c11
c12
Centroid
c21
c22
Centroid
c31
c32

Cluster 1
Iterasi 1
3,456
1
Cluster 2
Iterasi 1
3,477
2
Cluster 3
Iterasi 1
3,376
3,321

Keterangan:
c11: centroid krtieria 1 cluster 1
c12: centroid krtieria 2 cluster 1
c21: centroid krtieria 1 cluster 2
c22: centroid krtieria 2 cluster 2
c31: centroid krtieria 1 cluster 3
c32: centroid krtieria 2 cluster 3

commit to user

Iterasi 2
3,456
1
Iterasi 2
3,477
2
Iterasi 2
3,376
3,321

perpustakaan.uns.ac.id

digilib.uns.ac.id
30

4.3

Klasifikasi Hasil Clustering

Proses klasifikasi memerlukan adanya suatu aturan untuk menentukan

kelompok (cluster) mana yang berhak untuk menerima beasiswa. Dalam

penelitian ini, sistem akan mengelompokkan mahasiswa menjadi tiga (3) cluster
yaitu:
1.

Cluster yang direkomendasikan menerima beasiswa

2.

Cluster yang dipertimbangkan menerima beasiswa

3.

Cluster yang tidak menerima beasiswa

Kemudian setiap cluster dibagi berdasarkan kriteria mana yang lebih

diprioritaskan (berdasarkan IPK atau PO(penghasilan orang tua dibagi jumlah

tanggungan keluarga)).
Iterasi pada percobaan ini berhenti pada iterasi ke-2. Hasil akhir clustering
yang diperoleh adalah:
1) Cluster pertama memiliki pusat cluster (3,456; 1)
2) Cluster kedua memiliki pusat cluster (3,477; 2)
3) Cluster ketiga memiliki pusat cluster (3,376; 3,321)
Hasil klasifikasi clustering dapat dilihat pada Tabel 4.4.
Tabel 4.4 Hasil klasifikasi
Menerima
Cluster 2
3,477
Menerima
Cluster 3
3,321

Prioritas IPK
Dipertimbangkan
Cluster 1
3,456
Prioritas PO
Dipertimbangkan
Cluster 2
2

Tidak Berhak
Cluster 3
3,376
Tidak Berhak
Cluster 1
1

Hasil klasifikasi mahasiswa berdasarkan Tabel 4.6 untuk 25 data dapat

dilihat pada Tabel 4.5. Data selengkapnya dapat dilihat pada Lampiran D.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
31

Tabel 4.5 Hasil klasifikasi mahasiswa

NIM
M0508041
M0509004
M0509007
M0509010
M0509019
M0509023
M0509025
M0509033
M0509040
M0509044
M0509048
M0509051
M0509069
M0509073
M0509081
M0510005
M0510011
M0510013
M0510014
M0510016
M0510017
M0510023
M0510024
M0510027
M0510030

IPK
2,87
3,08
3,16
3,08
3,29
3,35
3,67
3,2
3,6
3,42
3,25
3,88
3,63
3,42
3,51
3,32
3,53
3,37
3,39
3,45
3,69
3,39
3,42
3,19
3,32

PO

Cluster

250000
195.833.333
544100
187.500
200000
196250
1078589
166.666.666
1553350
160.000
225000
450000
400000
984050
218750
644280
463381.25
137.642.857
750000
1.000.000
163600
2021400
777880
187500
888975

3
3
3
3
3
3
2
3
1
3
3
3
3
2
3
3
3
3
2
2
3
1
2
3
2

Prioritas IPK
TM
TM
TM
TM
TM
TM
M
TM
DP
TM
TM
TM
TM
M
TM
TM
TM
TM
M
M
TM
DP
M
TM
M

Prioritas PO
M
M
M
M
M
M
DP
M
TM
M
M
M
M
DP
M
M
M
M
DP
DP
M
TM
DP
M
DP

Keterangan:
M

: menerima

DP

: dipertimbangkan

TM

: tidak menerima

4.4

Implementasi Sistem
Sistem penentuan penerima beasiswa ini akan mengelompokkan data

dengan kecenderungan cluster yang sama ke dalam satu cluster. Cluster center
yang dihasilkan oleh proses clustering digunakan sebagai variabel penentu
klasifikasi. Sistem ini tidak memberi keleluasaan bagi pengguna untuk
menentukan jumlah cluster dan penambahan kriteria yang digunakan dalam
proses clustering. Dalam kasus ini, jumlah cluster yang digunakan adalah tiga (3),
yaitu cluster yang direkomendasikan menerima beaiswa, dipertimbangkan
menerima beasiswa, dan tidak menerima beasiswa. Jumlah cluster tiga (3)

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
32

didasarkan pada perhitungan validasi cluster optimal. Sedangkan kriteria pokok

yang digunakan dalam proses clustering adalah dua (2) kriteria yaitu IPK dan PO.
Penentuan cluster mana yang direkomendasikan menerima beasiswa didasarkan
pada kriteria mana yang lebih diprioritaskan, dan keputusan mahasiswa penerima
beasiswa sepenuhnya berada ditangan pengambil keputusan. Implementasi sistem
menggunakan metode metode K-Means Clustering menghasilkan prototype
sistem yang dapat dilihat pada Lampiran E.
4.4.1

Gambaran Umum Sistem

Sistem penentuan penerima beasiswa merupakan sistem berbasis web yang

diharapkan dapat membantu mendukung keputusan untuk menetukan siapa saja

mahasiswa yang berhak untuk menerima beasiswa. Dalam sistem ini data
mahasiswa akan diolah menjadi beberapa kelompok data dengan metode K-means
Clustering. Dari kelompok-kelompok tersebut kemudian diklasifikan menjadi
kelompok yang direkomendasikan menerima, dipertimbangkan menerima, dan
tidak menerima beasiswa. Selama ini, penentuan penerima beasiswa dilakukan
dengan cara manual dan seringkali menimbulkan beberapa permasalahan, antara
lain membutuhkan waktu yang lama dan ketelitian yang tinggi karena data
mahasiswa akan dibandingkan dengan kriteria beasiswa satu persatu.
Sistem penentuan penerima beasiswa ini dibangun dengan basis data
MySql. Sebelum diolah dengan metode K-means Clustering, data input disimpan
ke sebuah database. Kemudian data akan diolah oleh sistem dan hasilnya akan
disimpan ke dalam database dan ditampilkan pada user interface. Gambaran
umum sistem dapat dilihat pada Gambar 4.1.
User

Web-Based

User Interface

Gambar
4.1 Gambaran Umum Sistem
Input
Data Clustering

Output

Database
Hasil Clustering

K-Means
Clustering

Gambar 4.1 Gambaran umum sistem

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id
33

4.4.2 Perancangan Basis Data

Basis data yang digunakan dalam sistem ini dimodelkan dalam relational
database model. Database Management Sistem yang digunakan adalah MySQL
5.5.20. Data

data yang digunakan dalam proses clustering penentuan penerima

beasiswa disimpan dalam database, yang terdiri dari tabel tb_mahasiswa,

tb_cmsd, tb_dokumentasi, dan tb_login.
Adapun penjelasan mengenai tabel-tabel pada database adalah sebagai
berikut:
1. Tabel tb_mahasiswa
Tabel 4.6 Tb_mahasiswa
Field
Nim
Ipk
Jml_tk
Gaji_total
Po
Por

Type
Varchar(10)
Float
Int(1)
Int(10)
Varchar(10)
Int(1)

Keterangan
Not Null, Primary Key
Not Null
Not Null
Not Null
Not Null
Not Null

2. Tabel tb_cmsd
Tabel 4.7 Tb_cmsd
Field
Id
C1ipk
C2ipk
C3ipk
C1po
C2po
C3po
Mean
sd

Type
Int(1)
Double
Double
Double
Double
Double
Double
Float
Float

Keterangan
Not Null
Not Null
Not Null
Not Null
Not Null
Not Null
Not Null
Not Null
Not Null

3. Tabel tb_dokumentasi
Tabel 4.8 Tb_dokumentasi
Field
Nim
Ipk
Gaji
Cluster
Stat_ipk
Stat_gaji

Type
Varchar(9)
Float
Int(1)
Int(1)
Varchar(10)
Varchar(10)

commit to user

Keterangan
Not Null, Primary Key
Not Null
Not Null
Not Null
Not Null
Not Null

perpustakaan.uns.ac.id

digilib.uns.ac.id
34

4. Tabel tb_login
Tabel 4.9 Tb_login
Field

Type

Username
Password

4.5

Varchar(10)
Varchar(10)

Keterangan
Not Null
Not Null

Pengujian Clustering
Pengujian dilakukan untuk mengetahui keakuratan yang dihasilkan dalam

penerapan metode K-Means Clustering sebagai model untuk menentukan

penerima beasiswa. Pengujian dilakukan pada 48 data mahasiswa dengan
pengukuran presisi pada 40 kali percobaan. Data mahasiswa yang digunakan sama
tetapi dengan centroid awal berbeda akibat pembangkitan secara random. Dari 40
percobaan tersebut, diperoleh nilai minimum, maksimum, rata-rata, standart
deviasi, dan Error Presisi. Perhitungan Errror Presisi dihitung dari hasil
klasifikasi berdasarkan IPK dan berdasarkan PO.
Hasil perhitungan Errror Presisi berdasarkan klasifikasi IPK adalah
sebagai berikut:
Min Error
Max Error
Standart Deviasi
Error Presisi
Hasil perhitungan

: 0
: 0,667
: 0,236
: 0,118
Errror Presisi berdasarkan klasifikasi PO adalah sebagai

berikut:
Min Error
: 0
Max Error
: 0,667
Standart Deviasi : 0,170
Error Presisi
: 0,076
Nilai Error Presisi pada hasil klasifikasi berdasarkan ipk adalah 0,118 dan
nilai Error Presisi pada hasil klasifikasi berdasarkan penghasilan orang tua adalah
0,076. Nilai Error Presisi rendah, sehingga menunjukkan bahwa nilai presisinya
tinggi. Nilai presisi yang tinggi menunjukkan ketetapan data pada setiap
percobaan dengan menggunakan 3 cluster juga tinggi. Untuk detail hasil
perhitungan Error Presisi dapat dilihat pada Lampiran F.

commit to user

perpustakaan.uns.ac.id

digilib.uns.ac.id

BAB V
PENUTUP

5.1 Kesimpulan
Kesimpulan yang dapat diambil berdasarkan hasil pembahasan adalah:
1. Algortima K-Means Clustering dapat digunakan untuk mengelompokkan data
mahasiswa sebagai pendukung keputusan penentuan penerimaan beasiswa.
2. Data

mahasiswa

dikelompokkan

menjadi

tiga

cluster

(menerima,

dipertimbangkan, dan tidak berhak menerima beasiswa). Kemudian setiap

cluster diklasifikasikan berdasarkan kriteria mana yang lebih diprioritaskan
yaitu salah satu dari kriteria IPK dan penghasilan orang tua. Cluster dengan
nilai terbesar pada centroid akhir merupakan cluster yang direkomendasikan
menerima beasiswa, sedangkan cluster dengan nilai terkecil merupakan
cluster yang tidak berhak menerima beasiswa.
3. Pengujian clustering dilakukan sebanyak 40 kali percobaan untuk
mendapatkan nilai presisi hasil implementasi metode K-Means. Nilai Error
Presisi pada hasil klasifikasi berdasarkan ipk adalah 0,118 dan nilai Error
Presisi pada hasil klasifikasi berdasarkan penghasilan orang tua adalah 0,076.
Nilai Error Presisi yang rendah menunjukkan bahwa nilai presisinya tinggi.
Nilai presisi yang tinggi menunjukkan ketetapan data pada setiap percobaan
dengan menggunakan 3 cluster juga tinggi. Namun demikian, clustering data
mahasiswa berdasarkan klasifikasi IPK memiliki hasil yang tidak bagus
(dapat dilihat pada Lampiran D, IPK tinggi seharusnya lebih berpeluang
untuk menerima beasiswa), sehingga tidak dapat dipakai untuk mendukung
keputusan penerimaan beasiswa dengan prioritas kriteria IPK.

5.2 Saran
Saran yang dapat digunakan untuk pengembangan penelitian selanjutnya
yaitu melakukan clustering dengan menambahkan kriteria lain dari Dikti yang
tidak digunakan pada penelitian ini seperti jumlah sks dan prestasi ko/ekstra
kurikuler.

commit to user
35