Anda di halaman 1dari 7

.

PENGEMBANGAN SISTEM PENGELOMPOKAN BELAJAR MAHASISWA


PADA MATAKULIAH STRUKTUR DATA DENGAN METODE K-MEANS

Yogi Yunefri1, Eddisyah Putra Pane2, Sutejo3


1
Program Studi Teknik Informatika Universitas Lancang Kuning
2
Program Studi Sistem Informasi Universitas Lancang Kuning
3
Program Studi Teknik Informatika Universitas Lancang Kuning

Jl. Yos Sudarso KM. 8 Rumbai, Pekanbaru, Riau, telp. 0811 753 2015
Email : yogiyunefri@unilak.ac.id, jugulspane@gmail.com, sutejo@unilak.ac.id

Abstrak
Perkembangan ilmu pengetahuan dan teknologi menuntut perguruan tinggi sebagai lembaga
pendidikan yang formal, untuk dapat menghasilkan lulusan yang bermutu dan kompeten.
Pembelajaran pada perguruan tinggi seharusnya lebih inovatif dan kreatif dalam menghasilkan
lulusan serta responsif akan kebutuhan tenaga kerja. “Kendala yang dialami dosen dalam
mengajar matakuliah Struktur Data adalah belum adanya model pembelajaran yang
mendekatkan mahasiswa dengan teori abstrak yang sulit untuk dipahami mahasiswa, untuk
mengatasi permasalahan tersebut maka perlu adanya model pembelajaran yang dapat
meningkatkan kualitas belajar yang dimiliki mahasiswa dengan cara melakukan
pengelompokan belajar dengan penerapan Cooperative Oriented Problem. Akan tetapi dari sisi
pengelompokan belajar dengan penerapan metode tersebut masih membutuhkan waktu yang
relatif lama yang dilakukan setidaknya beberapa kali pengujian individu untuk menemukan
kelompok yang cocok, sehingga pengelompokan belajar tersebut kurang maksimal. Metode
yang digunakan dalam penelitian ini adalah K-Means Clustering, dari Perangkat lunak yang
dibangun dapat membantu pihak dosen pada mata kuliah struktur data dalam proses
pengelompokan mahasiswa bimbingan belajar. Metode clustering dapat diimplementasikan
untuk membangun perangkat lunak pengelompokan bimbingan belajar mahasiswa yang valid.

Kata Kunci : Pengelompakan Belajar, K-Means Clustering

Abstract
The development of science and technology requires tertiary institutions as formal education
institutions, to be able to produce qualified and competent graduates. Learning about higher
education needs to be more innovative and creative in producing learning and responsive to
labor needs. "Successful constraints of lecturers in teaching Data Structure subjects do not
have learning models that approach students with abstract theories that are difficult for
students to understand, to overcome these conflicts. learn with the Application of Cooperative
Oriented Problems. However, in terms of grouping learning with the application of this method,
it still takes a relatively long time to do individual testing several times to find a suitable group,
so that the learning grouping is less than optimal. The method used in this study is K-Means
Clustering, from the software that was built to help instructors in the subject of data structure in
the process of grouping tutoring students. Grouping methods can be implemented to build valid
student guidance grouping software.

Keywords: Learning Grouping, K-Means Clustering

Title of manuscript is short and clear, implies research results (First Author)
2  ISSN: 1978-1520

Pendahuluan kuliah dibidang pemograman yang banyak


Perkembangan ilmu pengetahuan dan membahas teori-teori abstrak. Dalam
teknologi menuntut perguruan tinggi sebuah program pasti terdapat alur logika
sebagai lembaga pendidikan yang formal, yang menyebabkan program tersebut dapat
untuk dapat menghasilkan lulusan yang bekerja dengan benar, dan sebagian besar
bermutu dan kompeten. Pembelajaran pada pasti menggunakan pengelolaan data yang
perguruan tinggi seharusnya lebih inovatif terstruktur. Berdasarkan hasil survey
dan kreatif dalam menghasilkan lulusan menunjukkan bahwa mahasiswa
serta responsif akan kebutuhan tenaga membutuhkan bimbingan yang intensif dan
kerja. Pembangunan dan pengembangan terstruktur dalam proses perkuliahan.
bidang pendidikan diarahkan agar tercapai Kendala yang dialami dosen dalam
pertumbuhan ekonomi yang didukung mengajar matakuliah Struktur Data adalah
keselarasan antara ketersediaan tenaga belum adanya model pembelajaran yang
terdidik dengan kemampuan menciptakan mendekatkan mahasiswa dengan teori
lapangan kerja, kewirausahaan, dan abstrak yang sulit untuk dipahami
menjawab tantangan kebutuhan tenaga mahasiswa, mahasiswa masih cendrung
kerja. belajar atas petunjuk dari dosen dan bukan
Pembangunan dan pengembangan inisiatif atas kesadaran sendiri untuk
bidang pendidikan dilakukan melalui mencari sumber belajar yang tersedia di
peningkatan kualitas pendidikan. pustaka maupun internet. Mahasiswa
Pendidikan yang berkualitas akan kurang motivasi dan tidak optimal dalam
menghasilkan sumber daya manusia yang menyelesaikan tugas-tugasnya.
berkualitas. Usaha meningkatkan kualitas Berdasarkan hasil wawancara dengan
pendidikan adalah proses yang perlu dosen yang mengajar Struktur Data pada
dilaksanakan secara berkesinambungan dan Fakultas Ilmu Komputer Universitas
berkelaanjutan agar tujuan pendidikan Lancang Kuning, untuk mengatasi
nasional dapat tercapai dengan baik. permasalahan tersebut maka perlu adanya
Melalui undang-undang Nomor 20 tahun model pembelajaran yang dapat
2003. Pemerintah memberikan kebijakan meningkatkan kualitas belajar yang dimiliki
dalam meningkatkan kualitas pendidikan mahasiswa dengan cara melakukan
nasional melalui pengembangan dan pengelompokan belajar dengan penerapan
penyempurnaan kurikulum, perbaikan Cooperative Oriented Problem. Akan tetapi
sarana prasana pendidikan, perbaikan dari sisi pengelompokan belajar dengan
sistem evaluasi, pengembangan material penerapan metode tersebut masih
dan model pembelajaran.” membutuhkan waktu yang relatif lama yang
“Berdasarkan hasil survey yang dilakukan setidaknya beberapa kali
dilakukan pada Program Studi Teknik pengujian individu untuk menemukan
Informatika di Universitas Lancang Kuning kelompok yang cocok, sehingga
Pekanbaru masih belum memenuhi prinsip- pengelompokan belajar tersebut kurang
prinsip implementasi pada matakuliah maksimal. Untuk itu perlu adanya
Struktur Data, mata kuliah Struktur Data di pengembangan terhadap sistem
Program Studi Teknik Informatika pengelompokan belajar mahasiswa pada
Universitas Lancang Kuning merupakan materi kuliah Struktur Data salah satunya
mata kuliah pendukung keahlian. Namun dengan pengelompokan data mining K-
berdasarkan data pada sistem informasi Means Clustering.
akademik Universitas Lancang Kuning, ada Pengelompokan K-Means Clustering
kecendrungan penurunan nilai hasl belajar merupakan metode analisis kelompok yang
mahasiswa yang mengambil mata kuliah mengarah pada pemartisian N objek
Struktur Data. Hasil pengamatan dikelas pengamatan ke dalam K kelompok (cluster)
ternyata pembelajaran Struktur Data lebih dimana setiap objek pengamatan dimiliki
banyak menggunakan model ceramah dan oleh sebuah kelompok dengan mean (rata-
praktek disertai pemberian tugas, padahal rata) terdekat. Adapun tujuan
mata kuliah Struktur Data termasuk mata pengelompokan data ini adalah untuk

IJCCS Vol. x, No. x, July 201x : first_page – end_page


.

meminimalkan fungsi objektif yang diset dosen yang mengajar matakuliah


dalam proses pengelompokan, yang pada Struktur Data.
umumnya berusaha meminimalkan variasi Analisa sistem ini merupakan
di dalam suatu kelompok dan penguraian dari suatu implementasi
memaksimalkan variasi antar kelompok. pengelompokkan belajar mahasiswa
Dari hasil pengelompokan menggunakan menggunakan Algoritma K-Means
K-Means Clustering ini didapatlah hasil Clustering serta penilaian kompetensi
berupa kelompok mahasiswa yang mahasiswa dengan Cooperative Tipe
kompeten, cukup kompeten dan kurang STAD. Dengan menerapkan sistem
kompeten pada proses pembelajaran mata pengelompokkan belajar ini membantu
kuliah Struktur Data. menentukan kelompok belajar secara
merata dengan sistem perhitungan
Metode Penelitian matematis. Perhitungan matematis
Adapun metode penelitian dalam yang dimaksudkan berupa perhitungan
penelitian ini adalah sebagai berikut : Algoritma K-Means Clustering antara
Nilai IPK mahasiswa, Nilai
Matakuliah Algoritma dan
Pemrograman, serta penilaian
Cooperative Tipe STAD pada setiap
pertemuan.
Pengembangan sistem
pengelompokkan belajar mahasiswa
pada matakuliah struktur data ini
dirancang dengan menggunakan
perhitungan Algoritma K-Means
Clustering. Pada aplikaksi ini
dibutuhkan data akademis mahasiswa
yang mengambil matakuliah struktur
data di semester genap 2019. Pada
setiap pertemuan pada perkuliahan
tersebut juga dibutuhkan pula
Kerangka Kerja perhitungan nilai Cooperative Tipe
STAD.

B. Analisis Kebutuhan Sistem


Hasil Dan Pembahasan
Pembagian kelompok belajar
A. Analisa Sistem
dilakukan dengan menggabungkan
Tahap analisa sistem bertujuan
nilai variabel dari IPK masing-masing
sebagai dasar perancangan atau
mahasiswa dengan nilai matakuliah
perbaikan sistem yang lama. Dari hasil
Algoritma dan Pemrograman yang
analisis tersebut dapat dirancang atau
sudah didapatkan sebelumnya serta
diperbaiki menjadi sebuah sistem
penilaian Cooperative Tipe STAD pada
yang lebih efektif dan efisien. Untuk
setiap pertemuan. Setelah
meningkatkan kecepatan dan
pengelompokkan didapatkan dari
keakuratan baik dalam penginputan
perhitungan Algoritma K-Means
data, pemrosesan data, serta hasil
Clustering berupa mahasiswa yang
output nya maka perusahaan
sangat berkompeten, mahasiswa yang
memerlukan aplikasi yang lebih efisien
berkompeten, cukup kompeten dan
mengingat kemajuan teknologi yang
kurang kompeten, maka tahap
semakin pesat maka, perlu adanya
selanjutnya adalah pemerataan
sistem pengelompokkan belajar yang
kelompok dengan melakukan
nantinya dapat membantu pihak
pembagian dalam beberapa kelompok
Fakultas Ilmu Komputer khususnya
dimana masin-masing kelompok

Title of manuscript is short and clear, implies research results (First Author)
4  ISSN: 1978-1520

nantinya memiliki mahasiswa yang atribut untuk nilai Cooperative Tipe


sangat berkompeten, mahasiswa yang STAD dengan total data sampel
berkompeten, cukup kompeten dan sebanyak 40 data atau 1 kelas
kurang kompeten. Aplikasi mampu mahasiswa matakuliah struktur data
memberikan hasil dari analisa berupa Fakultas Ilmu Komputer
pengelompokkan belajar mahasiswa Universitas Lancang Kuning pada
pada matakuliah struktur data sesuai semester genap 2019. Tabel berikut
dengan penilaian yang telah menjelaskan atribut-atribut yang
didapatkan pada setiap pertemuan. akan digunakan untuk klasterisasi
dan tampilan beberapa data hasil
C. Praproses Data praproses yang telah dilakukan.
1. Integrasi Data D. Analisis Pengelompokan Data
Integrasi/penggabungan data untuk Dalam penelitian ini, dilakukan
pengolahan ataupun perhitungan pengelompokan atau klaster tingkat
secara manual menggunakan kompetensi mahasiswa berdasarkan
aplikasi Ms.Excel 2007, yaitu data dari mahasiswa Fakultas Ilmu
menggabungkan data nilai IPK Komputer Universitas Lancang
mahasiswa, nilai matakuliah Kuning yang mengambil matakuliah
Algoritma dan Pemrograman Struktur Data pada semester genap
mahasiswa, dan penilaian 2019. Dilakukan pengklasteran data
Cooperative Tipe STAD pada setiap menjadi empat buah klaster, yaitu
mahasiswa yang mengambil klaster mahasiswa yang sangat
matakuliah struktur data pada berkompeten, mahasiswa yang
semester genap 2019. berkompeten, cukup kompeten dan
2. Pembersihan Data kurang kompeten. Jadi pada penelitian
Pembersihan data adalah tahap ini klaster yang akan dibentuk adalah
yang berfungsi untuk sebanyak empat kelompok atau nilai k
menghilangkan data duplikat, tidak = 4. Dimana atribut yang digunakan
konsisten, missing values, dan data adalah sebanyak 3 buah atribut yaitu
yang bersifat outlier dari data Nilai IPK, Nilai Algoritma dan
mentah yang akan diklasterkan. Pemrograman dan Nilai Cooperative
Beberapa langkah yang dilakukan Tipe STAD, jumlah data yang
untuk proses pembersihan data. diperoleh sebanyak 40 data. Data
3. Transformasi Data tersebut akan digunakan sebagai bahan
Tahapan ini merupakan tahapan untuk melakukan proses analisa
dimana data diubah menjadi clustering algoritma K-Means yang
format/ bentuk yang sesuai untuk dilakukan perhitungan secara manual
dilakukan penggalian data. Karena menggunakan aturan-aturan algoritma
data sudah sesuai dengan format K-means yang telah ditetapkan.
yang diinginkan yaitu disimpan E. Analisa Clustering dengan
dalam format data excel (.xls), Algoritma K-Means
maka tidak perlu K-Means termasuk dalam metode data
mentransformasikan data tersebut. mining partitioning clustering yaitu
Data ini berguna untuk melakukan
setiap data harus masuk dalam cluster
proses perhitungan manual dengan
menggunakan Ms.Excel 2007. tertentu dan memungkinkan bagi
4. Data Hasil Praproses setiap data yang termasuk dalam
Data hasil praproses terdiri dari 2 cluster tertentu pada suatu tahapan
atribut yang akan diklasterisasikan, proses, pada tahapan berikutnya
yaitu Nilai IPK dan nilai berpindah ke cluster yang lain. K-
matakuliah Algoritma dan Means memisahkan data ke k daerah
Pemrograman pada setiap
bagian yang terpisah, dimana k adalah
mahasiswa, serta penambahan 1

IJCCS Vol. x, No. x, July 201x : first_page – end_page


.

bilangan integer positif. Algoritma K-


Means sangat terkenal karena
kemudahan dan kemampuannya untuk
mengklasifikasi data besar dan outlier
dengan sangat cepat.
Berikut adalah langkah-langkah
Algoritma K-Means:
1. Menentukan jumlah cluster. Berikut ini adalah perhitungan jarak
2. Menentukan pusat cluster awal. dengan Euclidean Distance untuk iterasi
3. Menghitung jarak dengan pusat 1 dengan centroid 1:
cluste.
4. Pengelompokan data. D 01   2.89  2.73 2   4  3 2   30  20 2  10.05
5. Penentuan pusat cluster baru.
Algoritma penentuan pusat cluster : D 02   2.73  2.73 2   3  3 2   20  20 2  10.00
a. Cari jumlah anggota tiap cluster D 03  1.75  2.73 2  1  3 2  10  20 2  20.12
b. Hitung pusat baru dengan rumus D 04   3.27  2.73 2   4  3 2   30  20 2  1.14
D 05  1.45  2.73 2  1  3 2   30  20 2  25.11
.......... .......
D 40   3.16  2.73 2   3  3 2   20  20 2  20.00
Iterasi ke-2
Iterasi ke-1 1. Penentuan Pusat Cluster Baru
1. Menentukan Pusat Cluster Awal Tentukan posisi centroid baru dengan
Menentukan centroid awal dilakukan cara menghitung nilai rata-rata dari data-
secara acak dari data/objek yang tersedia data yang ada pada centroid yang sama.
sebanyak jumlah cluster k. Nilai
centroid awal pada penelitian ini
dilakukan pemilihan secara acak,
dimana jumlah centroid awal dilakukan
sebanyak empat centroid awal, nilai
untuk C1 diambil dari baris data D02,
nilai C2 diambil dari baris D08, nilai C3
diambil dari baris data D20, nilai C4
diambil dari baris data D21. Berikut ini
nilai centroid awal pada penelitian, C
adalah cluster:
C1 = (2.73 ; 3 ; 30)
C2 = (3.18 ; 2 ; 10)
C3 = (3.34 ; 3 ; 20)
C4 = (3.55 ; 3 ; 5)
2. Menghitung Jarak dengan Pusat Cluster
Untuk menghitung jarak setiap data
yang ada terhadap pusat cluster dalam
penelitian ini penulis menggunakan
rumus Euclidean Distance

Title of manuscript is short and clear, implies research results (First Author)
6  ISSN: 1978-1520

 2.89  3.27  2.54  3.45  1.77  3.20  3.55  3.58  2.73 


 ;
 9 
 4  4  3  3  2  3  2  3 1 
C1   ;    2.8867;2.7778;25.5556
 9 
 30  30  20  30  10  30  30  30  10 
 ; 
 9 
Use Case Diagram

 1.75  3.18  3.57  3.11  3.25  2.77  3.38 


 ;
 7 
1  2  4  2  3  3  1 
C2   ;   Tampilan
3.0014;2.2857;10
 7  Halaman Login

 10  10  10  10  10  10  10 
 ; 
 7 
 2.73  1.45  3.28  3.50  3.23  3.61  1.68  3.45  3.34  3.48  3.18  3.32  3.50  3.32  3.41  3.

 18
Tampilan Halaman Pengelompokan

 3  1  2  4  4  3  1  2  3  4  4  2Kesimpulan
 4  2  3  2hasil
 1  yang
3 didapat dalam
C3  
Berdasarkan
penelitian ini serta ;disesuaikan dengan

 18 tujuan penelitian
kesimpulan sebagai berikut :
maka diperoleh

 20  30  20  20  20  20  30  30  201.  20Perangkat
 20  30lunak
 30 yang
 20 dibangun
20  20 dapat
membantu pihak sekolah dalam proses
20  20
 pengelompokan siswa calon peserta
 15 bimbingan belajar.
  3.0844;2.6667;22.7778
2. Metode clustering dapat di
implementasikan untuk membangun
perangkat lunak pengelompokan siswa
calon peserta bimbingan belajar yang
 3.18  3.58  3.55  3.27  3.48  3.39  valid.
 ;
 6 
2333 4 2 
C4   ;    3.4083;2.8333;5
 x, No. x,6 July 201x : first_page – end_page
IJCCS Vol. 
555555 
 
 6 
.

Daftar Pustaka

Andi Syafrianto, "Perancangan aplikasi K-


means untuk pengelompokan mahasiswa
STMIK EL-ERHAMA Yogyakarta
berdasarkan frekuensi kunjungan ke
perpustakaan dan IPK", Yogyakarta:
STMIK EL-ERHAMA, 2005.
Anindya Khrisna Wardhani. 2016. “( K-
MEANS ALGORITHM
IMPLEMENTATION FOR
CLUSTERING OF PATIENTS
DISEASE IN KAJEN CLINIC OF
PEKALONGAN ) Anindya Khrisna
Wardhani Magister Sistem Informasi
Universitas Diponegoro” 14: 30–37.
ASRONI, RONALD ADRIAN. 2015.
“Penerapan Metode K-Means Untuk
Clustering Mahasiswa Berdasarkan
Nilai Akademik Dengan Weka Interface
Studi Kasus Pada Jurusan Teknik
Informatika UMM Magelang” 18 (1):
76–82.
Darmi, Yulia, and Agus Setiawan. 2016.
“PENERAPAN METODE
CLUSTERING K-MEANS DALAM”
12 (2): 148–57.
Li, Li, Xiangfeng Luo and Haiyan Chen.
"Clustering Students for Group-Based
Learning in Foreign Language
Learning." IJCINI 9.2 (2015): 55-72.
Web. 9 Nov. 2018.
doi:10.4018/IJCINI.2015040104
Poerwanto, Bobby, Universitas
Cokroaminoto Palopo, and Riska Yanu.
2016. “ANALISIS CLUSTER K-
MEANS DALAM
PENGELOMPOKAN KEMAMPUAN
ANALISIS CLUSTER K-MEANS
DALAM PENGELOMPOKAN,” no.
December.
Suprawoto, Totok. 2016. “Klasifikasi Data
Mahasiswa Menggunakan Metode K-
Means Untuk Menunjang Pemilihan
Strategi Pemasaran” 1 (1): 12–18.
Pradnyana, Gede Aditra & Aan Jiwa
Permana, Agus. (2017). Perancangan
Sistem Pembagian Kelas Kuliah
Mahasiswa dengan Kombinasi Metode
K-Means dan K-Nearest Neighbors.

Title of manuscript is short and clear, implies research results (First Author)

Anda mungkin juga menyukai