Anda di halaman 1dari 3

1

Pengembangan Sistem Penjurusan SMA


Menggunakan Metode Clustering Algoritma K-
Means
Bimo Setyo Yuusufa1, Lutfi Maratus Sholekah2, M. Yusriansyah3
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Negeri Malang
Jl. Semarang, No. 5 Malang 65145
1
bimo.imok@gmail.com, 2lutfymaratus@gmail.com, 3yusriansyah23@gmail.com

dapat menentukan keberhasilan belajar siswa tersebut.


AbstrakPenjurusan di SMA merupakan salah satu langkah Sebaliknya, kesempatan tersebut akan hilang apabila
untuk meningkatkan kemajuan belajar siswa. Penjurusan siswa keputusan atau penjurusan yang ditentukan tidak tepat.
akan membantu siswa dalam memfokuskan konsentrasi dalam Menurut Fahroni, terdapat 5 faktor yang harus diperhatikan
penguasaan materi pembelajaran. Masalah yang seringkali
dalam penjurusan SMA, yaitu prestasi belajar, minat siswa,
muncul ketika penjurusan adalah sulitnya menentukan siswa
mana yang memenuhi kriteria untuk menempati jurusan harapan orang tua, hasil psikotes, dan daya tampung [1]. Oleh
tertentu. Hal ini dikarenakan proses penjurusan masih karena itu, perlu dibuat sebuah sistem yang dapat membantu
dilakukan dengan cara manual, sehingga kurang efektif dan menentukan jurusan bagi siswa SMA dengan memanfaatkan
kurang efisien. Oleh karena itu, diperlukan sebuah sistem yang teknologi informasi yang berkembang saat ini. Salah satu
mampu memberikan dukungan terhadap proses penjurusan contoh sistem pendukung keputusan untuk menentukan
untuk siswa SMA. Algoritma yang digunakan untuk
jurusan pada siswa SMA oleh Yeni Kustiyahningsih dan
mengelompokkan siswa yang masuk jurusan IPA, IPS dan
bahasa adalah K-Means. Algoritma K-Means dimulai dengan Nikmatus Syafaah Mahasiswa Jurusan Teknik Informatika
memilih secara acak banyaknya cluster yang ingin dibentuk dari Universitas Trunojoyo [2]. Sistem tersebut menggunakan
data yang akan di-cluster, yaitu nilai IPA, nilai IPS dan nilai Metode KNN dan SMART untuk menentukan jurusan. Namun
Bahasa siswa. Sistem yang dibuat akan menampilkan hasil dengan menggunakan metode tersebut tingkat keakuratan data
clustering dari siswa yang masuk jurusan IPA, IPS, ataupun yang diperoleh belum memenuhi standar yaitu sebesar 62%
bahasa.
saja.
Kata KunciClustering, K-means, jurusan
Algoritma yang digunakan dalam pengelompokan data
dalam penelitian ini adalah algoritma K-Means. Algoritma ini
mempunyai kelebihan yang dapat diterapkan dan dijalankan
I. PENDAHULUAN untuk sistem penentuan jurusan yang akan dirancang, relatif
cepat untuk diadaptasi, dan paling banyak dipraktekkan dalam
Perkembangan komputer yang begitu pesat dapat langsung
data mining. Algoritma ini banyak digunakan untuk
dirasakan manfaatnya oleh masyarakat. Namun ada beberapa
mengelompokkan atau menentukkan sebuah keputusan,
masalah yang dapat kita lihat masih dilakukan secara manual.
misalnya aplikasi pengelompokkan surat dalam Al-Quran
Salah satunya adalah masalah penjurusan di SMA. Masalah
yang dilakukan oleh Tutik Khotimah, Dosen Fakultas Teknik
penentuan jurusan untuk SMA sering sekali menjadi
Universitas Muria Kudus [3]. Metode K-Means merupakan
permasalahan di sekolah, karena sulitnya menentukan siswa
metode untuk mengelompokkan objek atau data yang
mana yang memenuhi kriteria untuk menempati jurusan
mempunyai atribut dan mempunyai jumlah data yang banyak
tertentu. Seorang guru sering mengalami kesulitan dalam
ke dalam bentuk satu atau lebih kelompok, sehingga data yang
menentukan siswa mana yang memenuhi kriteria untuk
memiliki karakteristik yang sama dikelompokkan ke dalam
menempati jurusan tertentu. Hal ini dikarenakan proses
satu cluster/kelompok yang sama [4].
penjurusan masih dilakukan dengan manual.
Aturan dan metode algoritma K-Means dapat diterapkan
Penjurusan adalah salah satu proses penyaluran dalam
pada sebuah program bantu untuk mengelompokkan data nilai
pemilihan pengajaran bagi siswa SMA. Penjurusan ini
siswa. Langkah-langkah algoritma K-Means diterjemahkan ke
dimaksudkan agar siswa lebih mudah dalam memilih jurusan
dalam bahasa pemrograman untuk melakukan tugas klastering
untuk pendidikan dikemudian hari dan mengarah ke profesi
data. Sekelompok data tentang nilai IPA, IPS, dan Bahasa dari
yang diingikan. Dengan adanya penjurusan, siswa akan
masing-masing siswa dimasukkan ke dalam input program,
dikenalkan dengan bobot dan minat serta kemampuan
kemudian program melakukan pengolahan data yang
akademik yang dimilikinya. Ketepatan dalam memilih jurusan
digunakan sebagai kriteria yang telah ditetapkan sesuai
langkah algoritma K-Means, dan hasilnya berupa klaster data
.
2

yang menjadi bahan pertimbangan untuk kriteria siswa yang lainnya. Hal ini dapat dihitung dengan menggunakan
akan menempati jurusan tertentu. persamaan (2) Selanjutnya, kelompokkan data-data yang
Berdasarkan permasalahan yang telah diuraikan, maka menjadi anggota pada setiap kluster.
dalam penelitian ini dirancang sebuah sistem dengan judul
Pengembangan Sistem Penjurusan SMA Menggunakan
Metode Clustering Algoritma K-Means.

II. SISTEM PENENTUAN JURUSAN DENGAN METODE Nilai pusat kluster yang baru dapat dihitung dengan cara
CLUSTERING ALGORITMA K-MEANS mencari nilai rata-rata dari data-data yang menjadi anggota
2.1 Clustering pada kluster tersebut, dengan menggunakan rumus pada
Pengelompokan (clustering) merupakan bagian dari persamaan 3:
ilmu data mining yang bersifat tanpa arahan
(unsupervised) [5]. Clustering adalah proses pembagian
data ke dalam kelas atau cluster berdasarkan tingkat
kesamaannya [6]. Dalam clustering, data yang memiliki
kesamaan dimasukkan ke dalam cluster yang sama,
sedangkan data yang tidak memiliki kesamaan dimasukkan Dimana xij kluster ke k
dalamcluster yang berbeda [7]. p = banyaknya anggota kluster ke k
Pengklasteran merupakan satu dari sekian banyak
fungsi proses data mining untuk menemukan kelompok Algoritma dasar dalam k-means adalah
atau identifikasi kelompok obyek yang hampir sama. 1. Tentukan jumlah kluster (k), tetapkan pusat kluster
Analisis kluster (Clustering) merupakan usaha untuk sembarang.
mengidentifikasi kelompok obyek yang mirip-mirip dan 2. Hitung jarak setiap data ke pusat kluster menggunakan
membantu menemukan pola penyebaran dan pola persamaan (2.1).
hubungan dalam sekumpulan data yang besar. Hal penting 3. Kelompokkan data ke dalam kluster yang dengan jarak
dalam proses pengklasteran adalah menyatakan yang paling pendek menggunakan persamaan (2.2).
sekumpulan pola ke kelompok yang sesuai yang berguna 4. Hitung pusat kluster yang baru menggunakan
untuk menemukan kesamaan dan perbedaan sehingga persamaan (2.3)
dapat menghasilkan kesimpulan yang berharga. Ulangi langkah 2 sampai dengan 4 hingga sudah tidak ada
lagi data yang berpindah ke kluster yang lain.
2.2 K-Means
K-means merupakan salah satu metode data klustering III. METODE
non hirarki yang berusaha mempartisi data yang ada ke
dalam bentuk satu atau lebih cluster / kelompok. Metode
ini mempartisi ke dalam cluster / kelompok sehingga data IV. HASIL DAN PEMBAHASAN
yang memiliki karakteristik yang sama (High intra class
similarity) dikelompokkan ke dalam satu cluster yang
sama dan yang memiliki karakteristik yang berbeda (Law
inter class similarity) dikelompokkan pada kelompok yang
V. KESIMPULAN
lain [8]. Proses klustering dimulai dengan mengidentifikasi
data yang akan dikluster, Xij (i=1,...,n; j=1,...,m) dengan n
adalah jumlah data yang akan dikluster dan m adalah
jumlah variabel. Pada awal iterasi, pusat setiap kluster
ditetapkan secara bebas (sembarang), Ckj (k=1,...,k; REFERENSI
j=1,...,m). Kemudian dihitung jarak antara setiap data Basic format for books:
dengan setiap pusat kluster. Untuk melakukan [1] Fahroni, Dedy. (2013, Jan.). Penjurusan di SMA. Tim SMANSA MHS
2011-2012. [Online]. Available: http://dedyfahroni.blogspot.co.id/
penghitungan jarak data ke-i (xi) pada pusat kluster ke-k 2013/01/800x600-normal-0-false-false-false-in-x.html
(ck), diberi nama (dik), dapat digunakan formula [2] Kustiyahningsih, Yeni dan Syafaah, Nikmatus. 2015. Sistem
Euclidean seperti pada persamaan (1), yaitu: Pendukung Keputusan Untuk Menentukan Jurusan Pada Siswa SMA
Menggunakan Metode KNN dan SMART. Jurnal Sistem Informasi
Indonesia, 1(1): 19-28.
[3] Khotimah, Tutik. 2014. Pengelompokan Surat Dalam Al-Quran
Menggunakan Algoritma K-Means. Jurnal SIMETRIS, 5(1): 83-88.
[4] Manurung, H. (2014). Perancangan Aplikasi Penentuan Jurusan di SMA
Menggunakan Metode K-Means. Majalah Ilmiah Informasi dan
Suatu data akan menjadi anggota dari kluster ke-k apabila Teknologi Ilmiah (INTI), Vo. 2: 44-51.
jarak data tersebut ke pusat kluster ke-k bernilai paling [5] Agusta, Yudi. 2007. K-means Penerapan, Permasalahan dan Metode
Terkait. Jurnal Sistem dan Informatika, Vol 3: 47-60.
kecil jika dibandingkan dengan jarak ke pusat kluster
3

[6] Han, Jiawei, Micheline Kamber. (2006). Data Mining: Concepts and
Techniques, Second Edition. Elsevier.
[7] Bramer, Max. (2007). Principles of Data Mining. Springer.
[8] Giyanto, Heribertus. 2008. Penerapan algoritma Clustering K-Means,
K-Medoid, Gath Geva. Tesis Tidak Terpublikasi. Yogyakarta:
Universitas Gajah Mada.