PENERAPAN DATA MINING DALAM MENENTUKAN TINGKAT KECERDASAN

PADA ANAK USIA DINI MENGGUNAKAN ALGORITMA K-MEANS

Selvi Ratna Sari1, Sayuti Rahman2 , Arief Budiman3

1,2,3
Jurusan Teknik Informatika Universitas harapan Medan
Jl. HM Joni No 70 Medan, Indonesia
1
slvratnasari@gmail.com, 2masay.ram@gmail.com, 3ariefdiman13@gmail.com

Abstrak

Setiap anak dilahirkan dengan kecerdasan nya masing-masing, pengelompokan ini sendiri untuk
memberikan titik fokus pada metode pembelajarannya, dikarenakan banyaknya lembaga-lembaga
pendidikan belum melakukan antisipasi terhadapat kategori tingkat kecerdasan pada anak yang
rendah. Kategori tingkat kecerdasan pada anak ini merupakan salah satu indikator untuk tolak ukur
tingkat keberhasilan pada suatu lembaga pendidikan anak dalam melaksanakan proses kegiatan belajar
dan mengajar. Seperti yang kita ketahui bahwa proses belajar dan mengajar dalam dunia lembaga
pendidikan adalah menjadi penentu utama dalam keberhasilan pendidikan anak disekolah. Metode
yang dapat digunakan adalah metode K-Means pada data mining dengan lima kategori yaitu jenis
kelamin, usia, pendidikan terakhir ibu, jarak dan nilai raport, dengan hasil untuk anak yang termasuk
pada pengelompokan tingkat kecerdasan tinggi. Penerapan data mining dalam pengelompokan tingkat
keceradasan pada anak usia dini ini dapat mengetahui pengelompokan tingkat kecerdasan pada anak
tersebut digunakan sebagai pemisah dalam pembagian kelas.

Kata Kunci: Data mining, Algoritma k-means, Clustering, TK sabila amanda, Kecerdasan

Abstract
Each child is born with his or her own intelligence, grouping itself to provide a focal point on the
method of learning, because the number of educational institutions have not anticipated the low level
of intelligence category in children. This level of intelligence category in children is one of the
indicators for benchmarking success rate in a child education institution in carrying out the process
of learning and teaching activities. As we know that the process of learning and teaching in the world
of educational institutions is a major determinant in the success of children's education in school. The
method that can be used is K-Means method in data mining with five categories: gender, age,
mother's last education, distance and value of report cards, with results for children belonging to high
intelligence grouping. Implementation of data mining in clustering of clarity levels in early childhood
can know the intelligence leveling of the child is used as a separator in class division.

Keywords: data mining, K-means algorithm, Clustering, TK sabila amanda, Intelligence

1. PENDAHULUAN
Setiap anak dilahirkan memiliki kemampuan
ataupun kecerdasan intelektual, emosional, dan
spiritual yang diwariskan secara genetik dari kedua
orangtuanya. kecerdasan merupakan kecerdasan
untuk menerima, menyimpan, dan mengolah
informasi menjadi fakta.
Menurunnya mutu pendidikan merupakan
salah satu akibat dari rendahnya kualitas proses
pembelajaran yang dilakukan di sekolah.
Kategori tingkat kecerdasan pada anak ini
bertujuan untuk memberikan titik fokus pada
metode pembelajarannya. Dikarenakan banyaknya
lembaga-lembaga pendidikan belum melakukan
antisipasi terhadapat kategori tingkat kecerdasan
pada anak yang rendah.
Dengan adanya sistem untuk penentuan
tingkat kecerdasan pada anak ini, maka tim
pengajar dapat mengajar sesuai dengan metode
yang ada demi untuk terwujudnya pendidikan yang
berkualitas dan memenuhi syarat kecerdasan pada
lembaga pendidikan.
Data-data yang sebelumnya belum
termanfaatkan dengan baik sebagai bahan
pertimbangan dan perbandingan pada kategori
tingkat kecerdasan pada anak, oleh karena itu
dengan adanya jumlah data yang melimpah dari
lembaga pendidikan tersebut maka dapat
dimanfaatkan sebagai bahan untuk menentukan
tingkat kecerdasan pada anak usia dini dengan
proses penambangan data (Data mining)
menggunakan algoritma K-Means sehingga
tumpukan data-data tersebut menjadi nilai atau
informasi yang lebih berguna.
Dari beberapa parameter tersebut data diubah
menjadi tipe data yang memudahkan untuk
diproses kemudian dengan data tersebut maka akan
dilakukan proses pengelompokan pada tingkat
kecerdasan anak. Algoritma K-Means Clustering
berbasis jarak yang membagi data kedalam cluster
atau kelompok.
Berdasarkan uraian diatas, penulis tertarik
untuk mengambil tugas akhir ini dengan judul
“Penerapan Data Mining Dalam Menentukan
Tingkat Kecerdasan Pada Anak Usia Dini
Menggunakan Algoritma K-Means”
1.1 Perumusan Masalah
Berdasarkan uraian latar belakang di atas,
yang menjadi rumusan masalah dalam tugas akhir
ini sebagai berikut :
1. Bagaimana implementasi metode K-Means
dalam Data Mining untuk menganalisis
tingkat kecerdasan pada anak usia dini,
menggunakan data siswa atau siswi lama di
TK Sabila Amanda.
2. Apakah dengan aplikasi ini dapat
memberikan hasil analisis yang akurat
dalam mendukung keputusan untuk
mengelompokkan tingkat kecerdasan pada
anak usia dini bagi pihak TK Sabila
Amanda.
1.2 Tujuan Penelitian
Adapun tujuan dari penelitian Tugas Akhir ini
adalah membangun sebuah sistem aplikasi untuk
mengelompokkan kecerdasan pada anak usia dini
menggunakan data mining dengan metode
clustering pada Algoritma K-Means menggunakan
bahasa pemrograman visual basic.net yang
nantinya untuk pengelompokan tingkat kecerdasan
pada anak usia dini.
2. METODOLOGI PENELITIAN
2.1 Tahapan Metode Penelitian
Metode dalam pengumpulan data pada penelitian
ini yaitu :
1. Wawancara
Wawancaraan dilakukan terhadap Ketua
pada Tk.Sabila Amanda Selain itu data
diperoleh dengan cara observasi langsung
bersama dengan tim pengajar pada TK
Sabila Amanda.
2. Pengumpulan data
Data-data yang diperoleh dikumpulkan
dengan cara pengumpulan data-data lama
pada anak didik pada TK Sabila Amanda.
3. Survey penelitian dilakukan dengan data ini
diperoleh dengan cara memberikan surat
izin riset, kemudian surat disetujui oleh
pihak TK Sabila Amanda kemudian untuk
data-data dapat dilihat pada buku induk anak
didik TK Sabila Amanda namun data
tersebut sudah di input kedalam database
data siswa/siswi.
2.2 Proses Knowledge Discovery in Database
(KDD)
KDD merupakan suatu pola kegiatan non -
trivial ( tidak biasa ) guna untuk mencari serta
mengidentifikasi pola (pattern) yang terjadi pada
sekumpulan data, dimana pola yang ditemukan
bersifat sah (yang sebenarnya) baru dapat
bermanfaat dan dapat dimengerti. Adapun KDD
berhubungan dengan hal – hal yang bersifat teknik
integrasi dan penemuan ilmiah, interprestasi dan
visualisasi dari pola- pola sejumlah kumpulan data
[12]
Dalam aplikasinya, data mining sebenarnya
merupakan salah satu bagian proses Knowledge
Discovery in Database (KDD) yang bertugas untuk
mengekstrak pola atau model dari data dengan
menggunakan suatu algoritma yang spesifik [7]
2.3 Pengertian Data Mining
Data Mining adalah proses ekstraksi
informasi dari kumpulan data melalui penggunaan
algoritma dan teknik yang melibatkan bidang
teknik statistik, matematika, mesin pembelajaran,
dan sistem manajemen database. Data Mining
dapat digunakan untuk mengekstrak informasi dan
pengetahuan penting yang tersembunyi dari dataset
yang besar. Dengan adanya Data Mining, maka
akan dimungkinkan untuk mendapatkan harta
berharga berupa pengetahuan didalam kumpulan
data[20]
Data mining didefinisikan sebagai proses
menemukan pola-pola dalam data. Proses ini
otomatis atau seringnya semiotomatis. Pola yang
ditemukan harus penuh arti dan pola tersebut
memberikan keuntungan, biasanya keuntungan
secara ekonomi. Data yang dibutuhkan dalam
jumlah besar[1]
2.4 Clustering
Clustering merupakan salah satu metode data
mining yang bersifat tanpa arahan (unsupervised)
yang memiliki arti bahwa karakteristrik tiap klaster
tidak ditentukan sebelumnya melainkan
berdasarkan kemiripan atribut-atribut dari suatu
kelompok atau cluster.
Cluster membagi data menjadi kelompok-
kelompok atau cluster berdasarkan suatu kemiripan
atribut-atribut diantara sekumpulan data, atribut-
atribut yang mirip tersebut dipresentasikan sebagai
titik-titik dalam ruang multidimensi. Dalam data
mining ada dua jenis metode clustering yang
digunakan dalam pengelompokan data, yaitu
hierarchical Clustering dan non-hierarchical
Clustering [15]
b. Pindahkan data kedalam cluster paling
dekat.
4. Kalkulasi pusat data baru dan pindahkan
data yang mungkin bisa pindah.
5. Jika pusat data baru berbeda dengan yang
lama, lakukan langkah ke tiga hingga semua
selesai.
Langkah yang pertama dilakukan adalah
menentukan berapa cluster yang akan dibentuk
pada awal pengelompokan. Untuk menentukan
nilai dari pusat cluster dapat dilakukan secara
manual ataupun dengan melakukan random
terhadap nilai yang ada. Langkah selanjutnya
adalah meng-cluster-kan data dengan cara
menghitung jarak data dengan pusat cluster dan
menggabungkanya ke cluster terdekat. Langkah ini
masih belum berhenti yaitu dilanjutkan dengan
proses perhitungan cluster baru. Cluster baru
dihitung dari rata-rata data dalam satu cluster. Jika
pusat data baru berbeda dengan yang lama, lakukan
langkah ke tiga hingga semua selesai. Berikut
flowchart algoritma K-Means untuk
pengelompokan tingkat kecerdasan anak.
Mulai
Input Data Anak

2.5 Pengertian Algoritma K-Means Jumlah Cluster =3

Algoritma K-Means merupakan algoritma
pengelompokan iteratif yang melakukan partisi set Random Pusat Cluster
data ke dalam sejumlah k cluster yang sudah
ditetapkan di awal [11] Hitung Jarak Data
Untuk Setiap Pusat Cluster
2.6 Pengertian Kecerdasan
Kecerdasan intelektual dulunya diyakini dapat Tentukan Jarak Terdekat
Pusat Cluster=
menentukan kesuksesan seseorang, di mana
Cluster Baru
semakin tinggi kecerdasan intelektual maka akan Hasil Cluster
semakin sukses orang tersebut, namun seiring
berjalannya waktu, kecerdasan intelektual bukanlah Kelompokkan
satu-satunya hal yang dapat menentukan anggotanya
kesuksesan[15]
Rata-ratakan
Anggotanya
2.7 Analisis Algoritma K-means
Analisis kecerdasan tingkat anak menggunakan Pusat Cluster Baru
metode k-means. Berikut adalah langkah- T
langkahnya:
1. Tentukan jumlah cluster Cluster
2. Tentukan atau random nilai pusat cluster. Baru=Cluster Lama
3. Untuk semua data:
a. Temukan jarak pusat cluster dengan data
yang ada. Y

Selesai
 Dari flowchart diatas dapat dilihat proses
pengelompokan kecerdasan anak menggunakan
metode K-Means
1. dimulai dengan menginputkan data anak.
Lalu ditetapkan jumlah cluster = 3
selanjutnya random pusat cluster. Kemudian
dihitung jarak data dengan ketiga pusat
cluster. Selanjutnya data dikelompokkan
berdasarkan jarak paling dekat. Setelah itu
hitung rata-rata nilai dari data anggotanya.
Nilai tersebut adalah nilai pusat cluster yang
baru. Apabila nilai pusat cluster yang baru
tersebut tidak sama dengan nilai pusat
cluster yang dirandom tadi, maka nilai
tersebut dijadikan pusat cluster dan proses
diulang dari penghitungan jarak data dengan
pusat cluster hingga selesai. Proses berhenti
jika pusat cluster yang baru sama dengan
pusat cluster yang lama.
2. Tahap transformasi yaitu mengubah nilai
setiap kriteria menjadi berbentuk angka.
Sehingga untuk laki-laki dinyatakan dengan
angka 1 dan perempuan dinyatakan dengan
angka 2, untuk satuan jarak awalnya satuan
Kilo meter kemudian dinyatakan dalam
satuan meter, untuk pendidikan terakhir ibu
SD dinyatakan dengan angka 1, SMP
dinyatakan dengan angka 2, SMK atau SMA
dinyatakan dengan angka 3, D3 dinyatakan
dengan angka 4 dan kemudian S1
dinyatakan dengan angka 5, dan begitu
seterusnya. Kemudian untuk nilai raport
anak, angka yang digunakan sesuai dengan
Nilai Raport pada anak selama proses
belajarnya. Begitu pula umur pada anak,
angka yang digunakan sesuai angka
sebenarnya. Berikut adalah tabel hasil
preprocesing dan transformasi data.
3. Setelah data tertentu ditransformasi data
akan dikelompokan dengan menggunakan
metode K-Means. Setelah data diinputkan
selanjutnya adalah menentukan pusat
cluster. Pusat cluster ditentukan dengan cara
merandom nilainya sendiri
4. Langkah Selanjutnya adalah menghitung
jarak data terhadap pusat cluster sehingga
dihasilkan nilai sebagai berikut. Adapun
rumus untuk penentuan pusat cluster adalah
sebagai berikut:
( )
( ) ( )
√
( ) ( ) ( )
5. Langkah selanjutnya adalah menentukan
jarak terdekat atau nilai terkecil dimana data
akan menjadi anggota dari pusat cluster
tersebut.
6. Dari anggota setiap cluster dihitung rata-
ratanya. Karena pusat cluster baru tidak
sama dengan pusat cluster lama maka iterasi
dilanjutkan, jika pusat cluster baru sama
dengan pusat cluster lama maka iterasi
dihentikan
3.1 Pengujian Sistem
Tahap pengujian sistem ini akan dijelaskan
bagaimana proses pengujian aplikasi yang telah
dibangun, dimana tahap pengujian akan dilakukan
yaitu pengujian hasil berupa pengujian melalui
tampilan hasil aplikasi
3.2 Implementasi Form Login
Menu login user merupakan tampilan utama
yang digunakan user pertama kali untuk masuk
kedalam menu utama aplikasi pengelompokan
tingkat keceradasan pada anak usia dini pada TK
Sabila Amanda dengan memasukkan username dan
password yang dimiliki. Berikut ini tampilan menu
login user pada gambar dibawah ini:
Gambar1. Tampilan Menu Login
3.3 Implementasi Menu utama user
Pada tampilan menu utama user ini dapat
dilihat bahwa ia terdiri dari tiga menu yaitu menu
file, menu proses dan menu tentang. Menu utama
pada user ini dapat kita lakukan jika tampilan menu
login berhasil masuk sebagai user.

Gambar2. Menu Utama User
3.4 Melakukan pengujian form menu file
Pada penjelasan sebelumnya dapat dijelaskan
bahwa menu file fungsinya adalah menginput data
anak pada TK Sabila Amanda dengan tujuan untuk
melakukan pengelompokan pada tingkat
kecerdasan pada anak usia dini, pengujian menu
file dapat dilihat pada gambar sebagai berikut:
Gambar3. Input Data Siswa
3.5 Melakukan pengujian form menu proses
Dalam tahap ini menu proses adalah proses
dimana terjadinya pengelompokan tingkat
kecerdasan pada anak usia dini, langkah awal yang
dilakukan adalah memilih jenis kelamin anak
kemudian penulis melakukan menu proses dimana
akan tertera proses dari pengelompokan tersebut
seperti gambar dibawah ini:
Gambar4. Clustering
3.6 Melakukan Pengujian form tentang
Dalam tahap ini, penulis melakukan menu
tentang dimana pada proses ini terdapat tentang
biografi penulis. Seperti gambar dibawah ini
Gambar5. Tentang
4. Penutup
4.1 Kesimpulan
Berdasarkan perancangan dan hasil yang
dilakukan pada pengelompokan tingkat kecerdasan
pada anak usia dini pada TK Sabila Amanda adalah
sebagai berikut:
Adapun kesimpulan dari penulisan tugas akhir
ini adalah:
1. Penerapan data mining dalam pengelompokan
tingkat keceradasan pada anak usia dini ini
dapat mengetahui pengelompokan tingkat
kecerdasan pada anak tersebut.
2. Hasil perhitungan K-Means dan pengujian
aplikasinya tepat.
3. Data mining dengan algoritma K-Means
menggunakan 5 kategori yaitu Usia anak, Jenis
kelamin anak, Jarak anak dari rumah kesekolah,
pendidikan terakhir ibu dan nilai raport anak.
4. Implementasi data mining pada pengelompokan
tingkat kecerdasan pada anak usia dini hanya
memberikan solusi yaitu jika anak tersebut
terkelompok pada grade A maka anak tersebut
dapat dikelompokkan pada kelas A, jika anak
tersebut terkelompok pada grade B maka anak
tersebut dapat dikelompokkan pada kelas B, dan
jika anak tersebut terkelompok pada grade C
maka anak tersebut dapat dikelompokkan pada
kelas C.
4.2 Saran
Adapun Kesimpulan dari penulisan Tugas
Akhir ini adalah:
1. Untuk melakukan pengelompokan tingkat
kecerdasan pada anak usia dini sudah cocok
hanya saja belum terlalu lengkap pada
pengclusterannya dkarenakan penulis hanya
mampu melakukannya hingga 3 clusteI atau 3
pengelompokan.
2. Bagi peneliti selanjutnya dapat menggunakan
kriteria-kriteria yang lebih kompleks contohnya
penghasilan orang tua, tingkatan anak pada
keluarga dan lain sebagainya sehingga hasil dari
knowledge yang diharapkan dari spesifikasi dan
terperinci.
3. Bagi peneliti selanjutnya dapat memberikan
solusi pada tingkat kecerdasan anak tersebut.
5. Daftar Pustaka
[1.] Abdillah Gunawan, dkk. 2016. Penerapan
Data Mining Pemakaian Air Pelanggan
Untuk Menentukan Klasifikasi Potensi
Pemakaian Air Pelanggan Baru Di Pdam
Tirta Raharja Menggunakan Algoritma K-
Means. Kudus. Seminar Nasional Teknologi
Informasi Dan Komunikasi 2016 (Sentika
2016) Issn: 2089-9815 Yogyakarta, 18-19
Maret 2016.
[2.] Afrisawati. 2013. Implementasi Data
Mining Pemilihan Pelanggan Potensial
Mengggunakan Algoritma K-Means. Jurnal
Pelita Informatika Budi Karma, Vol 5, No.3
ISSN:2301-9425.
[3.] Asriningtias Yuli, dkk. 2014. Aplikasi Data
Mining Untuk Menampilkan Informasi
Tingkat Kelulusan Mahasiswa. Program
Studi Teknik Informatika, Fakultas Bisnis &
Teknologi Informasi, Universitas Teknologi
Yogyakarta.
[4.] Dewi I Gusti Ayu Puspita, dkk. 2017.
Pengaruh Etika Profesi, Efikasi Diri,
Kecerdasan Spiritual, Kecerdasan
Intelektual, Dan Kecerdasan Emosional
Terhadap Kinerja Auditor. Issn: 2302-8556
E-Jurnal Akuntansi Universitas Udayana
Vol.19.1. April (2017): 654-682.
[5.] Ediyanto, dkk. 2013. Pengklasifikasian
Karakteristik Dengan Metode K-Means
Cluster Analysis. Buletin Ilmiah Mat. Stat.
Dan Terapannya (Bimaster) Volume 02,
No.2, Hal. 133-136.
[6.] Khotimah, T. 2014. Pengelompokan Surat
dalam Al Qur’an Menggunakan Algoritma
K-Means. Jurnal SIMETRIS, Vol. 5 No. 1
April 2014 Universitas Muria Kudus.
[7.] Mabrur Angga Ginanjar, dkk. 2012.
Penerapan Data Mining Untuk Memprediksi
Kriteria Nasabah Kredit. Jurnal Komputer
dan Informatika (KOMPUTA) 53 Edisi. I
Volume. 1, Maret 2012. Program Studi
Teknik Informatika Fakultas Teknik dan
Ilmu Komputer Universitas Komputer
Indonesia Jl. Dipati Ukur No. 112-116.
[8.] M.Thoha, dkk. 2015. Aplikasi Pengadaan
Kebutuhan Bahan Baku Di Premix Section
Pada Pt. Charoen Pokphand Indonesia.
Jurnal Prosisko Vol. 2 No. 1 Maret 2015
Issn : 2406-7733 78.
[9.] Nurmayyasari, 2015. Penerapan Data
Mining Untuk Menampilkan Tingkat
Kedisiplinan Guru. Medan : Teknik
Informatika STTH.
[10.] Patil TR, 2013. Performance analysis of
naive bayes and J48 classification algorithm
for data classification. International Journal
of Computer Science and Applications. 2013
Apr; 6(2):256–61.
[11.] Prasetyo, dkk. 2012. Data Mining Konsep
Dan Aplikasi Menggunakan Matlab.
Yogyakarta : Penerbit andi.
[12.] Putra Ade. 2017. Solusi Prediksi Mahasiswa
Drop Out Pada Program Studi Sistem
Informasi Fakultas Ilmu Komputer
Universitas Bina Darma. Jurnal SIMETRIS,
Vol 8 No 1 April 2017 ISSN: 2252-4983
177
[13.] Putri Yeni Sugana, 2016. Pengaruh
Kecerdasan Intelektual, Kecerdasan
Emosional, Dan Lingkungan Kerja
Terhadap Kinerja Karyawan Pt. Pln
Persero Area Klaten. Jurnal Studi
Manajemen & Organisasi 13 (2016) Juni 88-
97.
[14.] Santoso, dkk. 2016. Perencanaan dan
pembuatan aplikasi absensi dosen
menggunakan radio frequency identification
(RFID) (studi kasus politeknik tanah laut),
SENIATI, ITN Malang, pp E53-1 E53-7.
[15.] Setiawan, dkk. 2016. Pengaruh Kecerdasan
Emosional, Kecerdasan Spiritual,
Kecerdasan Intelektual, dan Independensi
pada Kinerja Auditor (Studi Empiris pada
Kantor Akuntan Publik di Provinsi Bali).
Jurnal Akuntansi Universitas Udayana, 16
(2), h: 1034-1062.
[16.] Tampubolon Kennedi, dkk. 2013.
Implementasi Data Mining Algoritma
 Apriori Pada Sistem Persediaan Alat-Alat
Kesehatan. Volume : I, Nomor : 1, Oktober
2013 Majalah Ilmiah Informasi dan
Teknologi Ilmiah (INTI) ISSN : 2339-210X.
[17.] Utami, dkk. 2016. Analisis Tingkat
Kepuasan Pelanggan Terhadap Penjualan
Air Minum Isi Ulang Dengan Menggunakan
Metode Rough Set. JURASIK (Jurnal Riset
Sistem Informasi & Teknik Informatika)
ISSN 2527-5771 Volume 1, Nomor 1, Juli
2016 69
[18.] Widodo. 2012. Cerdik Menyusun Proposal
Penelitian Skripsi, Tesis & Disertasi.
Jakarta. Penerbit : MAGNA Script
Publishing.
[19.] Witten. 2011. Data Mining Practical
Machine Learning Tools and
Techniques (3rd ed). USA: Elsevier
[20.] Zaman Khairul, 2016. Penerapan Data
Mining Menggunakan Algoritma C4.5
Untuk Menentukan Kelayakan Penerima
Bantuan Rehabilitas Sosial Rumah Tidak
Layak Huni ( Studi Kasus Di Pemerintahan
Kabupaten Solok Selatan ). UPI YPTK
Jurnal KomTekInfo Vol. 3, No. 2, Desember
2016, Hal. 12-24.