id
digilib.uns.ac.id
SKRIPSI
Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu
Jurusan Informatika
Disusun Oleh:
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
SKRIPSI
Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu
Jurusan Informatika
Disusun Oleh:
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
Disusun Oleh:
ii
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
SKRIPSI
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
commit to user
vi
perpustakaan.uns.ac.id
digilib.uns.ac.id
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-
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.
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.
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
1.2
1.3
Batasan Masalah........................................................................................ 3
1.4
1.5
1.6
2.1.1
2.1.2
Clustering ............................................................................................ 7
2.1.3
2.1.3.1
2.1.4
Beasiswa............................................................................................ 16
2.2
2.3
commit to user
ix
perpustakaan.uns.ac.id
digilib.uns.ac.id
3.1.1
3.1.2
3.2
3.3
3.4
3.5
3.6
4.2
4.3
4.4
4.4.1
4.4.2
4.5
Kesimpulan ............................................................................................. 35
5.2
Saran ........................................................................................................ 35
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
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
beasiswa
penelitian
yang
tersebut,
akan
sistem
pendukung
diimplementasikan
keputusan
dibangun
dengan
proses
pengambilan
keputusan
siapa
saja
mahasiswa
yang
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
3
menerima
beasiswa,
dipertimbangkan
menerima
penerima
beasiswa
dan
pendanaan
tidak
termasuk
dalam
pengklasteran.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
4
langkah
yang telah
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB 2
TINJAUAN PUSTAKA
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.
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.
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.
Intelligence
Tahap ini merupakan proses penelusuran dan pendeteksian dari lingkup
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.
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
Partitioning
3.
4.
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
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
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.
b.
c.
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.
2.
3.
commit to user
.......... (1)
perpustakaan.uns.ac.id
digilib.uns.ac.id
10
dimana:
4.
xi
: data kriteria
5.
Nsj
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
11
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
12
Atribut2(y): pH
1
1
3
4
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,
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=
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
14
B C
Atribut2(y): pH
1
1
3
4
Grup Hasil
1
1
2
2
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
15
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
16
Beasiswa
Beasiswa adalah pemberian berupa bantuan keuangan yang diberikan
kepada
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
17
teknologi,
seni/budaya
tingkat
internasional/dunia,
teknologi,
seni/budaya
tingkat
internasional/dunia,
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
K-Means
Clustering
dengan
commit to user
algoritma
Fuzzy
C-Means
perpustakaan.uns.ac.id
digilib.uns.ac.id
19
bahwa
kinerja
dari
algoritma
K-Means
lebih
baik
2.3
Rencana Penelitian
Proses seleksi penerimaan beasiswa secara manual yaitu dengan
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB 3
METODOLOGI PENELITIAN
Pengumpulan Data
Pemodelan Data
Proses Clustering
Klasifikasi Hasil
Clustering
Implementasi Sistem
Pengujian Clustering
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
dokumen
adalah
pengumpulan
data
dengan
cara
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.
2.
.......... (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.
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
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
Nsj
3.4
sini akan ditentukan cluster mana yang lebih berhak untuk menerima beasiswa.
3.5
Implementasi Sistem
Tahap implementasi ini dimulai dengan analisis dan perancangan sistem
ditentukan
sebelumnya,
yaitu
penulisan
kode
program
(coding)
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
24
3.6
Pengujian Clustering
Pengujian dilakukan untuk mengetahui keakuratan yang dihasilkan dalam
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
4.2
Kategori 4
: PO
188314,971
Kategori 3
Kategori 2
: 672870,141
Kategori 1
: PO
PO < 1157425,311
1157425,311
Proses Clustering
Proses clustering dengan menggunakan metode K-Means akan dilakukan
commit to user
25
perpustakaan.uns.ac.id
digilib.uns.ac.id
26
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
= 1,169767
= 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
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
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
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
29
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
2.
3.
Prioritas IPK
Dipertimbangkan
Cluster 1
3,456
Prioritas PO
Dipertimbangkan
Cluster 2
2
Tidak Berhak
Cluster 3
3,376
Tidak Berhak
Cluster 1
1
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
31
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
Web-Based
User Interface
Gambar
4.1 Gambaran Umum Sistem
Input
Data Clustering
Output
Database
Hasil Clustering
K-Means
Clustering
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
33
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
: 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,
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