Anda di halaman 1dari 3

PENERAPAN METODE FUZZY C-MEANS DALAM PENGELOMPOKAN KELAS MAHASISWA

BERDASARKAN NILAI INDEKS PRESTASI


NIM : 1410651007
Nama : Ayu Anggraini

1.1. Latar Belakang


Untuk meningkatkan kualitas pendidikan selalu 6
dikembangkan proses belajar mengajar yang efektif untuk 151065100 Mohamad Hisyam
meningkatkan kualitas para pelajar, mahasiswa, guru, dan 7 Ashari 2,7 2,7
dosen. Berbagai cara telah dilakukan untuk meningkatkan 151065100 Muhammad
mutu pendidikan yaitu penyediaan fasilitas, penambahan 8 Muammar 2,46 2,88
tenaga pengajar, pembagian kelas yang terjadwal dan 151065100
peningkatan kualitas tenaga pengajar. Karena dengan 9 Afan Fanani 1,22 0,75
semua itu proses belajar mengajar dapat berjalan dengan 151065101
lancar. 0 Qoharudin A.R 3,42 3,56
Pembagian kelas untuk mahasiswa yang terjadwal Dicky Fawaizul
telah dilakukan oleh semua universitas. Biasanya 1510651011 Umam 3,5 3,48
pembagian kelas dilakukan berdasarkan nomor induk 151065101 Defri Firman
mahasiswa. Dengan pendekatan yang baru pembagian suatu 2 Maulana 2,96 2,88
kelas dapat berdasarkan nilai indeks prestasi mahasiswa. 151065101 Diast Permana
Pendekatan ini dilakukan dengan pengklasteran fuzzy. 3 Septian Bagaskara 2,31 2,33
151065101 Ramadhan
1.2. Perumusan Masalah 4 Hermansyah 3,26 3,2
Berdasarkan latar belakang diatas maka 151065101 Moh. Mahdi
permasalahan yang dapat diambil adalah bagaimana cara 5 Syabani 3,59 3,65
menggunakan konsep data mining dengan menggunakan 151065101 Berliandika Firsta
metode clustering dalam pembagian kelas mahasiswa. 6 Arim Putra 1,98 1,21

1.3. Batasan Masalah Langkah-langkah dalam proses mengelompokan data


Adapun ruang lingkup batasan masalah yang mahasiswa untuk pengelompokan kelas berdasarkan indeks
dibahas adalah : prestasi dan indeks prestasi semester, dengan metode Fuzzy
a. Metode Clustering yang digunakan adalah metode C- C-Means adalah:
Mean
b. Dataset yang digunakan adalah data mahasiswa 1. Menetapkan matriks partisi awal (U), berupa sampel
angkatan 2008 sampai dengan angkatan 2016, dan data mahasiswa angkatan 2015. Parameter yang
diambil sebagai contoh pengerjaan tugas sebanyak 15 digunakan adalah indeks prestasi dan indeks prestasi
data yang diambil dari mahasiswa angkatan 2015. mahasiswa. Detail data yang digunakan untuk matriks
c. Data yang dianalisis adalah nilai indeks prestasi partisi awal adalah data pada tabel 3.1.
semester dan indeks prestasi mahasiswa. 2. Menentukan nilai parameter awal :
- Jumlah cluster ( c ) =2
1.4. Tujuan Penelitian - Pangkat (w) = 2 (Nilai Standar)
Tujuan dari penelitian ini adalah : - Maksimum interasi (MaxIter) = 8 (Nilai Standar)
a. Membantu mengelompokkan kelas perkuliahan - Error terkecil yang diharapkan ( ) = 10-1
b. Memberikan solusi dalam meningkatkan kualitas (Nilai Standar)
proses perkuliahan. - Fungsi objektif awal (P0) = 0 (Nilai Standar)
- Interasi awal (t) = 1 (Nilai Standar)
3. Membangkitkan bilangan random sebagai data derajat
1.5. Manfaat Penelitian
keanggotaan awal untuk elemen matriks partisi awal
Adapun manfaat penelitian ini adalah sebagai berikut :
(U). Hasilnya adalah sebagai berikut:
a. Membantu dalam menentukan pengajar, jam
perkuliahan serta metode pembelajaran dalam proses
perkuliahan. C1 C2
b. Dengan adanya metode data mining universitas akan 0,4410 0,4903
mampu meningkatkan kualitas perkuliahan serta 0,5558 0,3848
kualitas mahasiswa. 0,1562 0,3067
0,4610 0,0753
2.1. Penerapan Metode Fuzzy C-Means Untuk
0,4268 0,2164
Pengelompokan Kelas Mahasiswa
0,0959 0,2851
Tabel 2.1 Nilai IP dan IPS Mahasiswa Angkatan 2015 0,3291 0,3986
NIM Nama Mahasiswa IP IPS 0,0196 0,4669
151065100 0,3114 0,3476
1 Agung Luqman N. 3,2 3,3 0,3218 0,5378
151065100 Arif Syaiful
2 Rohman 3,63 3,65 0,6957 0,0314
151065100 0,0478 0,1005
3 Oktafia Riana A. 3,07 2,8 0,3541 0,1616
151065100 0,0403 0,5133
5 Lukman Hakim 3,24 3,18
0,4380 0,4550
151065100 Esa Dinar Wulansari 3,68 3,71
Tabel 2.2
1
2

3,0 2,8 0,288 0,263


3 0,3067 0,0941
7 0 8 4
3,2 3,1 0,018 0,018
4 0,0753 0,0057
4 8 4 0
3,6 3,7 0,172 0,173
4. Menentukan Pusat Klaster Pada Iterasi Awal 5 0,2164 0,0468
8 1 3 7
Pusat Klaster ditentukan dengan persamaan 2.9 : 2,7 2,7 0,219 0,219
6 0,2851 0,0813
0 0 5 5
( ik ) 2,4 2,8 0,390 0,457
7 0,3986 0,1589
6 8 8 6

1,2 0,7 0,266 0,163
( 2 X ij ) 8 0,4669 0,2180
2 5 0 5
50
3,4 3,5 0,413 0,430
( ik )2 9 0,3476
2 6
0,1208
2 1
i=1
3,5 3,4 1,012 1,006
50 10 0,5378 0,2892
0 8 3 5
2,9 2,8 0,002 0,002
i=1 11 0,0314 0,0010
6 8 9 8
V kj=
2,3 2,3 0,023 0,023
12 0,1005 0,0101
1 3 3 5
3,2 3,2 0,085 0,083
Rincian Perhitungan disajikan pada tabel 3.8 berikut: 13 0,1616 0,0261
6 0 1 6
Tabel 2.3 Pusat Klaster 1 pada Iterasi 1 3,5 3,6 0,945 0,961
14 0,5133 0,2635
9 5 9 7
Klastering 1 1,9 1,2 0,409 0,250
15 0,4550 0,2070
Deraja Data yang 8 1 9 5
t C1 diklaster (i1) (i1) 5,555 5,388
Data (i1) Total 1,9109
x Xi1 x Xi2 2 2
(i1) Xi1 Xi2
2,907 2,819
0,194 Pusat Klaster 1.2 (C-1.2)
1 0,4410 3,20 3,30 0,6223 0,6418 0 7
5
0,308
2 0,5558 3,63 3,65 1,1214 1,1275 Dari tabel 2.4 dapat ditentukan pusat klaster 2 pada iterasi
9
0,024 1, yaitu:
3 0,1562 3,07 2,80 0,0749 0,0683 C2 = 2,9070 2,8197
4
0,212 Jadi pusat klaster pada iterasi 1 adalah:
4 0,4610 3,24 3,18 0,6886 0,6758
5 Jumlah Frek
0,182 C-1.1 2,8248 2,7093
5 0,4268 3,68 3,71 0,6703 0,6758
2
0,009 C-1.2 3,0983 3,0679
6 0,0959 2,70 2,70 0,0248 0,0248
2
7 0,3291 2,46 2,88
0,108
0,2664 0,3119
5. Menghitung Fungsi Objektif (P)
3 Fungsi objektif pada iterasi 1 (P1) dapat dihitung
0,000 dengan menggunakan persamaan 2.10:
8 0,0196 1,22 0,75 0,0005 0,0003
4 P
([ ( ] )
n c m
0,097 t=
2
Xij V kj ) ( ik )
w
9 0,3114 3,42 3,56 0,3316 0,3452
0 i=1 k=1 j=1

0,103
10 0,3218 3,50 3,48 0,3624 0,3604 P
6
([ ( ] )
15 2 2
2 2
1= X ij V kj ) ( ik )
0,484
11 0,6957 2,96 2,88 1,4326 1,3939 i=1 k=1 j=1

0
0,002 Misalkan :
12 0,0478 2,31 2,33 0,0053 0,0053
3

[ ( ]
2
0,125 P11= X ij V 1 j )2 ( i 1 )2
13 0,3541 3,26 3,20 0,4088 0,4012
4 j=1
0,001
14 0,0403 3,59 3,65 0,0058 0,0059
6
0,191

[ ( ]
15 0,4380 1,98 1,21 0,3799 0,2321 2
8 P12= X ij V 2 j )2 ( i 2 )2
Total 2,0460 6,3957 6,2704 j=1
Pusat Klaster 1.1 (C-1.1) 3,1259 3,0647

Dari tabel 2.3 dapat ditentukan pusat klaster 1 pada iterasi Data ke-1:
1, yaitu: P1-1 =((X1-V1-1)2 +(X2-V1-2)2*(i1)2
C1 = 3,1259 3,0647 P1-2 =((X1-V2-1)2 +(X2-V2-2)2*(i2)2
P1 tot = P1-1+P1-2
Tabel 2.4 Pusat Klaster 2 pada Iterasi 1
Detail hasil perhitungan untuk seluruh data dapat dilihat
Klastering 2 pada table 2.5 berikut:
Derajat Data yang
Dat C2 diklaster (i2) (i2)
(i2) Dat
a x Xi1 x Xi2 P-1.1 P-1.2 P Tot
(i2) Xi1 Xi2 a
3,2 3,3 0,769 0,793
1 0,4903 0,2404 1 0,01 0,08 0,09
0 0 3 3
3,6 3,6 0,537 0,540 2 0,18 0,18 0,36
2 0,3848 0,1481 3 0,00 0,00 0,00
3 5 5 5
3

4 0,01 0,00 0,01 -Jika: (|Pt Pt-1|< ) atau (t > MaxIter) maka berhenti
5 0,13 0,07 0,20 -Jika tidak: t=t+1, mengulang langkah ke empat.
1
6 0,00 0,00 0,01 Karena Pt - P0 = 10,61 0 = 10,61 >> ( 10 ), dan
7 0,05 0,03 0,08 interasi = 1 < MaxIter (=8), maka proses dilanjutkan ke
8 0,00 1,55 1,56 iterasi berikutnya dengan cara yang sama.
9 0,03 0,10 0,13 Setelah proses iterasi yang ke 9 didapatkan nilai PT P0 <
10 0,03 0,23 0,26 dari 10-1 Sehingga proses loping berhenti dan didapatkan
11 0,03 0,00 0,03 Pusat kelaster dan fungsi objektif adalah :
12 0,00 0,01 0,01 IP IPS
13 0,00 0,01 0,01 C-1.1 2,8640 2,7720
14 0,00 0,30 0,31 C-1.2 2,9900 2,9420
15 0,91 0,71 1,63
Fungsi Objektif (P1) 4,68 Fungsi Objek Awal = 17,41

Tabel 2.5 Hasil Perhitungan Fungsi Objektif pada Iterasi Dan Peta kecenderungan data untuk menjadi
Pertama (P1) anggota klaster tertentu pada iterasi terakhir diperlihatkan
Fungsi objektif pada iterasi 1 (P1) = 4,68 pada Tabel 2.7 :
hasil derajat keanggotaan tiap data adalah sebagai
6. Menghitung Perubahan Matriks Partisi
Tabel 2.7 Derajat keanggotaan tiap data
Perubahan matriks partisi dihitung menggunakan Dat
persamaan 2.12: 1 2 C1
a
C2
1 P- P-

[ ( ]
4
X ij V kj ) 2 21 1.1/Ptot 1.2/Ptot
j=1 1 0,0000 1,0000 OK
ik = 1
2 0,0000 1,0000 OK
[ ( ]
c 4
2 21
X ijV kj ) 3 0,0000 1,0000 OK
k=1 j=1
4 1,0000 0,0000 OK
atau 5 1,0000 0,0000 OK
ik 6 0,0000 1,0000 OK
= Pi/PTot
7 1,0000 0,0000 OK
1 = P1-1/PT
2 = P1-2/PT 8 0,0000 1,0000 OK
9 0,0000 1,0000 OK
Hasil perhitungan secara rinci dapat dilihat pada table 2.6 10 0,0000 1,0000 OK
berikut: 11 1,0000 0,0000 OK
Tabel 2.6 Perhitungan Matriks derajat keanggotaan baru 12 0,0000 1,0000 OK
13 0,0000 1,0000 OK
Dat
1 2 C1 14 0,0000 1,0000 OK
a
P- P- C2 15 1,0000 0,0000 OK
1.1/Pto 1.2/Pto Total 6 9
t t
1 0,1346 0,8654 OK Rangkuman dari tabel 2.7 adalah:
1. Klaster Pertama adalah kelompok mahasiswa dengan
2 0,5067 0,4933 OK
IP rata-rata 2,8640 dan IPS rata-rata 2,7720
3 0,4134 0,5866 OK beranggotakan nomor data 6,7,8,11,12,dan 15
4 0,8038 0,1962 OK 2. Klaster kedua adalah kelompok mahasiswa dengan IP
5 0,6693 0,3307 OK rata-rata 2,9900 dan IPS rata-rata 2,9420
6 0,3835 0,6165 OK beranggotakan nomor data 1,2,3,4,5,9,10,13,dan 14
7 0,6153 0,3847 OK 3.1 Kesimpulan
8 0,0022 0,9978 OK Pada proses iterasi ke 9 terbentuk 2 klaster yaitu:
9 0,2471 0,7529 OK IP IPS
10 0,1244 0,8756 OK C-1.1 2,8640 2,7720
11 0,9998 0,0002 OK C-1.2 2,9900 2,9420
12 0,3138 0,6862 OK
13 0,3929 0,6071 OK Selanjutnya dilakukan analisis terhadap klaster yang
14 0,0030 0,9970 OK terbentuk, yaitu dengan memberikan label pada tiap klaster
yang terbentuk agar dapat memberikan makna, yaitu
15 0,5607 0,4393 OK sebagai berikut:
Total 9 6 1. Kelompok mahasiswa dengan ip rata-rata 2,8640 dan
ips 2,7720 masuk dalam pengelompokan kelas B
7. Memeriksa Kondisi Berhenti 2. Kelompok mahasiswa dengan ip rata-rata 2,9900 dan
Iterasi akan dihentikan jika memenuhi syarat berikut ini: ips 2,9420 masuk dalam pengelompokan kelas A