46578746

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
IMPLEMENTASI ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) UNTUK

PENGELOMPOKAN SEKOLAH MENENGAH ATAS DI DIY BERDASARKAN NILAI
DAYA SERAP UJIAN NASIONAL
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Disusun Oleh:
Astri Widiastuti Setiyawati
125314076
PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2017
IMPLEMENTATION OF PARTITIONING AROUND MEDOIDS (PAM) ALGORITHM FOR

CLUSTERING OF SENIOR HIGH SCHOOL IN DIY BASED ON VALUE ABSORPTION
DATA OF NATIONAL EXAM SCORE
FINAL PROJECT
Presented as Partial Fulfillment of the Requirements

To Obtain the Sarjana Komputer Degree
In Informatics Engineering Study Program
By:
125314076
INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATIC ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2017
HALAMAN PERSEMBAHAN
”Sesungguhnya bersama kesulitan pasti ada kemudahan.

Maka apabila engkau telah selesai (dari suatu urusan),
tetaplah bekerja keras (untuk urusan yang lain)”
(QS 94: 6-7)
Karya ini, penulis persembahkan untuk :
Allah SWT
Keluarga
Sahabat
v
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak
memuat karya atau bagian karya orang lain, kecuali yang telah saya sebutkan
dalam kutipan daftar pustaka, sebagaimana layaknya karya ilmiah.
Yogyakarta, 2 Februari 2017
Penulis,
vi
ABSTRAK
Penambangan data (data mining) merupakan proses penemuan informasi baru

dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar. Salah
satu metode dalam data mining adalah clustering. Clustering adalah proses
mengelompokan sejumlah sejumlah data/obyek ke dalam klaster (group) sehingga
dalam setiap klaster akan berisi data yang semirip mungkin. Salah satu algoritma
clustering adalah Partitioning Around Medoids (PAM). PAM adalah metode clustering
menggunakan metode partisi untuk mengelompokan sekumpulan n obyek menjadi
sejumlah k cluster. Algoritma PAM menggunakan obyek pada kumpulan obyek untuk
mewakili sebuah cluster. Obyek yang terpilih untuk mewakili sebuah cluster disebut
dengan medoids.
Pada tugas akhir ini akan diimplementasikan algoritma PAM untuk

mengelompokan data Sekolah Menengah Atas di DIY berdasarkan nilai daya serap
ujian nasional mata pelajaran matematika tahun ajaran 2014/2015 menjadi beberapa
kelompok sehingga diperoleh informasi mengenai kelompok-kelompok sekolah di
DIY. Proses penambangan data yang dilakukan adalah proses KDD (Knowledge
Discovery in Database) yaitu pembersihan data, integrasi data, seleksi data,
transformasi data, penambangan data, evaluasi pola, dan presentasi pengetahuan.
Penambangan data dan evaluasi dalam penelitian menggunakan dua jenis data
yaitu data nilai daya serap 29 kompetensi dan data rata-rata dari nilai daya serap 29
kompetensi. Berdasarkan evaluasi menggunakan nilai daya serap 29 kompetensi dapat
disimpulkan bahwa algoritma ini dapat digunakan untuk mengelompokan data sekolah
dengan nilai k yang diberikan. Berdasarkan evaluasi menggunakan rata-rata dari nilai
daya serap 29 kompetensi dapat disimpulkan bahwa algoritma ini dapat
mengelompokan nilai rata-rata daya serap ke dalam tiga kelompok yaitu kelompok
dengan standar deviasi tinggi, sedang, dan rendah.
Kata kunci : penambangan data, clustering, Partitioning Around Medoids (PAM),

medoids, KDD, nilai daya serap ujian nasional.
vii
ABSTRACT
Data mining is a mining process or extracting information by getting pattern or

specific rules from a large amount of data. One of the data mining method is clustering.
Clustering is a process of grouping data/objects into a cluster (group) so in that every
cluster contains data as closely as possible. One of clustering algorithm is Partitioning
Around Medoids (PAM). PAM is a clustering method that used partitioning method
for cluster some n object to k cluster. PAM algorithm used object on the set of objects
for representing a cluster. The choosen object for representing a cluster called as
medoids.
This thesis will implement of PAM algorithm for clustering high school data in
DIY based on the value of absorption data of national exam score mathematics subject
in 2014/2015 become some of group so that obtained the information about high school
groups in DIY. Process of data mining which is conducted is KDD (Knowledge
Discovery in Database) process that is data cleaning, data integration, selection data,
transformation data, data mining, pattern evaluation, and knowledge presentation.
Data mining and evaluation in research using two types of data that is value of
absorption data 29 comprehension, and data of the average of value of absorption data
29 comprehension. Based on the evaluation using value of absorption data 29
comprehension can be concluded that the algorithm can be used to classify the data of
high school by giving the value of k. Based on the evaluation using the average of value
of absorption data 29 comprehension can be concluded that this algorithm can be used
for grouping the value of the average of absorption data into three groups which is
group with high, medium, and low standard deviation.
Keyword : Data mining, Clustering, Partitioning Around Medoids (PAM), Medoids,

KDD, value of absorption data of national exam score.
viii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPERLUAN KEPENTINGAN AKADEMIS
Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma :
Nama : Astri Widiastuti Setiyawati
Nomor Mahasiswa : 125314076
Demi pengembagnan ilmu pengetahuan, saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul :
IMPLEMENTASI ALGORITMA PARTITIONING AROUND MEDOIDS

(PAM) UNTUK PENGELOMPOKAN SEKOLAH MENENGAH ATAS DI DIY
BERDASARKAN NILAI DAYA SERAP UJIAN NASIONAL
Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan
kepada Perpustakaan Universitas Sanata Dharma untuk menyimpan, mengalihkan
dalam bentuk media lain, mengelolanya di internet atau media lain untuk kepentingan
akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada saya
selama tetap mencantumkan nama saya sebagai penulis.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di Yogyakarta
Pada tanggal : 2 Februari 2017
Yang menyatakan,
(Astri Widiastuti Setiyawati)
ix
KATA PENGATAR
Puji dan syukur kepada Tuhan Yang Maha Esa, karena pada akhirnya penulis
dapat menyelesaikan peneitian tugas akhie ini yang berjudul ”IMPLEMENTASI
ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) UNTUK
PENGELOMPOKAN SEKOLAH MENENGAH ATAS DI DIY
BERDASARKAN NILAI DAYA SERAP UJIAN NASIONAL”.
Dalam menyelesaikan seluruh penyusunan tugas akhir ini, penulis tak lepas dari
doa, bantuan, dukungan, dan motivasi dari banyak pihak. Oleh karena itu, pada
kesempatan kali ini penulis menyampaikan rasa penghargaan dan terima kasih yang
terdalam kepada:
1. Allah SWT yang selalu memberikan anugrah, rahmat, kekuatan yang

berlimpah sehingga penulis dapat menyelesaikan tugas akhi ini.
2. Kedua orang tua penulis, Drs. Setiawan dan Sumarwi atas doa, kasih
sayang, perhatian, kepercayaan, dukungan baik moral maupun financial
yang telah diberikan kepada penulis.
3. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas
Sains dan Teknologi.
4. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik
Informatika Universitas Sanata Dharma Yogyakarta.
5. Romo Dr. C. Kuntoro Adi, S.J., M.A., M.Sc. selaku Dosen Pembimbing
Akademik penulis.
6. Ibu Paulina Heruningsih Prima Rosa, S.Si., M.Sc. selaku Dosen
Pembimbing skripsi yang telah memberikan waktu, bimbingan, nasihat, dan
motivasi kepada penulis.
7. Seluruh Dosen dan Karyawan jurusan Teknik Informatika Universitas
Sanata Dharma Yogyakarta, yang telah membimbing dan membantu selama
proses perkuliahan.
x
8. Para sepupu penulis Arin, Dwi, Ayu, dan Bagas serta keluarga besar
Marsoedi yang selalu memberikan semangat, doa, dan motivasi dalam
penyusunan tugas akhir ini.
9. Vinna Marcelia Tamaela, Yohanes Ragil Purnomo, Laurensius Praba
Atmaja, Yosep Dwi N. selaku teman dekat penulis.
10. Untuk sahabat-sahabat penulis Nita, Dhesty, Prilly, Imas, Itha terima kasih
untuk persahabata yang terjalin selama perkuliahan.
11. Seluruh teman-teman TI angkatan 2012 untuk bantuan, kebersamaan
selama pengerjaan tugas akhir ini dan menjalani masa perkuliahan.
12. Serta semua pihak yang telah membantu penyusunan tugas akhir ini yang
tidak dapat disebutkan satu persatu.
Penulis menyadari bahwa masih banyak kekurangan-kekurangan yang perlu

diperbaiki dalam skripsi ini, untuk itu penulis mengharapkan masukan dan kritik, serta
saran dari berbagai pihak untuk menyempurnakannya. Semoga skripsi ini dapat
bermanfaat, baik bagi penulis maupun pembaca. Terima kasih.
Yogyakarta, 2 Februari 2017
Penulis
xi
DAFTAR ISI
HALAMAN JUDUL...................................................................................................... i
TITLE PAGE ................................................................................................................. ii
HALAMAN PERSETUJUAN .................................... Error! Bookmark not defined.
HALAMAN PENGESAHAN ..................................... Error! Bookmark not defined.
HALAMAN PERSEMBAHAN ................................................................................... v
PERNYATAAN KEASLIAN KARYA ...................................................................... vi
ABSTRAK .................................................................................................................. vii
ABSTRACT ............................................................................................................... viii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPERLUAN KEPENTINGAN AKADEMIS ............................................ ix
KATA PENGATAR ..................................................................................................... x
DAFTAR ISI ............................................................................................................... xii
DAFTAR GAMBAR ................................................................................................. xvi
DAFTAR TABEL ..................................................................................................... xvii
BAB I PENDAHULUAN ............................................................................................. 1
1.1 Latar Belakang ............................................................................................... 1
1.2 Rumusan Masalah .......................................................................................... 4
1.3 Batasan Masalah ............................................................................................. 4
1.4 Tujuan dan Manfaat ........................................................................................ 5
1.5 Metodologi Penelitian .................................................................................... 6
1.6 Sistematika Penulisan ..................................................................................... 8
BAB II LANDASAN TEORI ..................................................................................... 10
2.1 Knowledge Discovery in Database (KDD) .................................................. 10
2.1.1 Definisi Knowledge Discovery in Database (KDD) ............................. 10
2.1.2 Tahapan Knowledge Discovery in Database (KDD) ............................ 10
2.2 Penambangan Data (Data Mining) ............................................................... 14
2.2.1 Definisi Penambangan Data (Data Mining) .......................................... 14
2.2.2 Teknik Penambangan Data (Data Mining) ........................................... 14
2.3 Clustering ..................................................................................................... 15
xii
2.3.1 Definisi Clustering ................................................................................ 15

2.3.2 Tipe Clustering ...................................................................................... 16
2.4 Partitioning Around Medoids (PAM) .......................................................... 17
2.4.1 Algoritma Partitioning Around Medoids (PAM).................................. 17
2.4.2 Contoh Penerapan Algoritma Partitioning Around Medoids (PAM) ... 18
2.5 Silhouette ...................................................................................................... 19
2.5.1 Silhouette Index (SI) .............................................................................. 19
2.5.2 Silhouette Coefficient (SC).................................................................... 22
BAB III METODOLOGI PENELITIAN.................................................................... 23
3.1 Data .............................................................................................................. 23
3.2 Data yang Digunakan ................................................................................... 28
3.3 Spesifikasi Alat............................................................................................. 32
3.3.1 Spesifikasi Software .............................................................................. 32
3.3.2 Spesifikasi Hardware ............................................................................ 32
BAB IV PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK
PENAMBANGAN DATA.......................................................................................... 33
4.1 Pemrosesan Awal Sumber Data ................................................................... 33
4.1.1 Pembersihan Data.................................................................................. 33
4.1.2 Integrasi Data ........................................................................................ 33
4.1.3 Seleksi Data ........................................................................................... 33
4.1.4 Transformasi Data ................................................................................. 34
4.2 Perancangan Perangkat Lunak Penambangan Data ..................................... 35
4.2.1 Perancangan Umum .............................................................................. 35
4.2.1.1 Input ................................................................................................... 35
4.2.1.2 Proses................................................................................................. 35
4.2.1.3 Output ................................................................................................ 36
4.2.2 Diagram Konteks (Context Diagram) ................................................... 37
4.2.3 Diagram Usecase .................................................................................. 37
4.2.4 Diagram Aktivitas (Activity Diagram) .................................................. 38
4.2.5 Diagram Kelas (Class Diagram)........................................................... 40
4.2.6 Rancangan Antarmuka .......................................................................... 40
xiii
4.2.6.1 Halaman Awal ................................................................................... 40

4.2.6.2 Halaman Bantuan .............................................................................. 41
4.2.6.3 Halaman Informasi ............................................................................ 42
4.2.6.4 Halaman Input Data ........................................................................... 42
4.2.6.5 Halaman K-Medoids ......................................................................... 43
BAB V IMPLEMENTASI DAN EVALUASI HASIL .............................................. 45
5.1 Implementasi Rancangan Perangkat Lunak Penambangan Data ................. 45
5.1.1 Implementasi Tampilan Antarmuka...................................................... 46
5.1.1.1 Halaman Utama ................................................................................. 46
5.1.1.2 Halaman Bantuan .............................................................................. 47
5.1.1.3 Halaman Informasi ............................................................................ 47
5.1.1.4 Halaman Input Data ........................................................................... 48
5.1.1.5 Halaman K-Medoids ......................................................................... 51
5.2 Evaluasi Hasil ............................................................................................... 52
5.2.1 Uji Coba Perangkat Lunak (Black Box) ................................................ 52
5.2.1.1 Rencana Pengujian Black Box ........................................................... 52
5.2.1.2 Prosedur Pengujian Black Box dan Kasus Uji ................................... 53
5.2.1.3 Evaluasi Pengujian Black Box ........................................................... 53
5.2.2 Pengujian Perbandingan Hasil Hitung Manual dengan Hasil
Perangkat Lunak.................................................................................................. 54
5.2.2.1 Perhitungan Manual .......................................................................... 54
5.2.2.2 Perhitungan Perangkat Lunak............................................................ 54
5.2.2.3 Evaluasi Pengujian Perbandingan Hitung Manual dengan Hasil
Perangkat Lunak.................................................................................................. 55
5.2.2.4 Pengujian Perangkat Lunak Dengan Menggunakan Dataset ............ 57
5.2.2.5 Evaluasi Hasil Clustering .................................................................. 57
BAB VI PENUTUP .................................................................................................... 63
6.1 Kesimpulan ................................................................................................... 63
6.2 Saran ............................................................................................................. 65
DAFTAR PUSTAKA ................................................................................................. 66
LAMPIRAN 1 : Contoh Perhitungan K-Medoids ...................................................... 68
LAMPIRAN 2 : Diagram Kelas .................................................................................. 72
xiv
LAMPIRAN 3 : Prosedur Pengujian dan Kasus Uji ................................................... 73

LAMPIRAN 4 : Data Uji Algoritma K-Medoids ....................................................... 77
LAMPIRAN 5 : Perhitungan Manual ......................................................................... 80
LAMPIRAN 6 : Hasil Pengujian Dataset ................................................................... 99
LAMPIRAN 7 : Perhitungan Standar Deviasi Tiap Cluster ..................................... 110
xv
DAFTAR GAMBAR
Gambar 2.1 Proses Knowledge Discovery in Database (Han&Kamber, 2006) ......... 11

Gambar 4.1 Data awal nilai daya serap ....................................................................... 34
Gambar 4.2 Data setelah proses transformasi ............................................................. 35
Gambar 4.3 Proses Umum Sistem .............................................................................. 36
Gambar 4.4 Diagram Konteks..................................................................................... 37
Gambar 4.5 Diagram Usecase..................................................................................... 37
Gambar 4.6 Diagram Aktivitas Input Berkas .............................................................. 38
Gambar 4.7 Diagram Aktivitas Seleksi Atribut .......................................................... 39
Gambar 4.8 Diagram Aktivitas Proses Clustering ...................................................... 39
Gambar 4.9 Diagram Aktivitas Simpan Hasil............................................................. 40
Gambar 4.10 Rancangan Antarmuka Halaman Awal ................................................. 41
Gambar 4.11 Rancangan Antarmuka Halaman Bantuan ............................................ 42
Gambar 4.12 Rancangan Antarmuka Halaman Tentang............................................. 42
Gambar 4.13 Rancangan Antarmuka Halaman Input Data ......................................... 43
Gambar 4.14 Rancangan Antarmuka Halaman K-Medoids ....................................... 44
Gambar 5.1 Halaman Awal ......................................................................................... 46
Gambar 5.2 Halaman Bantuan .................................................................................... 47
Gambar 5.3 Halaman Informasi .................................................................................. 48
Gambar 5.4 Halaman Input Data ................................................................................ 49
Gambar 5.5 Halaman Input Data (berkas .xls) ............................................................ 49
Gambar 5.6 Halaman Input Data (hapus atribut) ........................................................ 50
Gambar 5.7 Halaman Input Data (Hapus Atribut) ...................................................... 50
Gambar 5.8 Halaman K-Medoids ............................................................................... 51
Gambar 5.9 Halaman K-Medoids (Clustering) ........................................................... 52
Gambar 5.10 Hasil Penambangan Data Menggunakan Perangkat Lunak .................. 55
Gambar 5.11 Grafik Perhitungan Nilai Silhouette Index ............................................ 59
xvi
DAFTAR TABEL
Tabel 2.1 Data Contoh ................................................................................................ 19

Tabel 2.2 Kriteria subjektif pengukuran pengelompokan berdasarkan Silhouette
Coefficient (SC)............................................................................................... 22
Tabel 3.1 Atribut nilai daya serap ujian nasional pelajaran matematika tahun
2014/2015........................................................................................................ 23
Tabel 3.2 Atribut nilai daya serap ujian nasional pelajaran matematika tahun
2014/2015 yang digunakan dalam penelitian .................................................. 28
Tabel 5.1 Nama kelas yang diimpelentasikan ............................................................. 45
Tabel 5.2 Rencana Pengujian Black Box .................................................................... 53
Tabel 5.3 Uji Perbandingan Algoritma K-Medoids Secara Manual dan Sistem ........ 56
Tabel 5.4 Hasil Uji Perbandingan Anggota Cluster Secara Manual dan Sistem ........ 56
Tabel 5.5 Hasil Perhitungan Silhouette Coefficient (SC) ............................................ 57
Tabel 5.6 Hasil Standar Deviasi Tiap Cluster ............................................................. 61
xvii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Penambangan data (data mining) adalah proses yang memperkerjakan satu atau
lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan
mengekstraksi pengetahuan (knowledge) secara otomatis. Data mining berisi pencarian
trend atau pola yang diinginkan dalam database besar untuk membantu pengambilan
keputusan di waktu yang akan datang. Pola-pola ini dikenali oleh perangkat tertentu
yang dapat memberikan suatu analisa data yang berguna dan berwawasan yang
kemudian dapat dipelajari dengan lebih teliti, yang mungkin saja menggunakan
perangkat pendukung keputusan yang lainnya (Hermawati, 2013).
Clustering merupakan salah satu teknik dalam penambangan data. Clustering
bertujuan untuk mengelompokkan sejumlah data/obyek ke dalam klaster (group)
sehingga dalam setiap klaster akan berisi data yang semirip mungkin. Salah satu
algoritma clustering adalah Partitioning Around Medoids (PAM). Algoritma
Partitioning Around Medoids (PAM) lebih dikenal dengan algoritma K-Medoids.
Algoritma ini merupakan teknik partisi klasik untuk clustering yang melakukan
klasterisasi data dari n obyek ke dalam k cluster yang dikenal dengan apriori.
Perbedaan antara K-Means dan K-Medoids terletak pada cara kedua metode tersebut
menghentikan perhitungan dan melakukan perulangan. Jika pada K-Means berpatokan
pada kondisi konvergen, pada K-Medoids tergantung pada kualitas kluster yang didapat
pada perulangan terakhir (Tiwari, 2012). Algoritma K-Medoids lebih kuat daripada
algoritma K-Means bila dihadapkan dengan noise dan outliers, karena medoid kurang
dipengaruhi oleh outliers atau nilai-nilai ekstrim yang lain daripada sebuah mean
(Yusupa, 2015).
Ujian Nasional merupakan penilaian pada akhir proses pembelajaran di
sekolah. Penilaian merupakan serangkaian kegiatan untuk memperoleh, menganalisis,
1
dan menafsirkan data tentang proses dan hasil belajar siswa yang dilakukan secara
sistematis dan berkesinambungan sehingga menjadi informasi yang bermaksa dalam
mengambil keputusan (Depdikbud, 1994). Ujian Nasional bertujuan untuk menilai
pencapaian kompetensi lulusan secara nasional pada mata pelajaran tertentu. Ujian
Nasional diadakan sekurang-kurangnya satu kali dan sebanyak-banyaknya dua kali
dalam satu tahun pelajaran (PP No. 19 tahun 2005, ps. 66).
Dalam Permendiknas No. 63 tahun 2009 tentang Sistem Penjaminan Mutu
Pendidikan (SPMP) pasal 20 menyatakan bahwa salah satu jenis kegiatan penjaminan
mutu pendidikan adalah evaluasi dan pemetaan mutu satuan atau program pendidikan
oleh Pemerintah, Pemerintah Provinsi, dan Pemerintah Kabupaten atau Kota.
Pemerintah telah menentukan kebijakan dalam meningkatkan standar mutu pendidikan
dengan melakukan Ujian Nasional (UN) dan Ujian Sekolah (US) setiap tahunnya.
Hasil Ujian Nasional tersedia di web kemdikbud dengan berbagai format. Salah
satu format yang disajikan adalah mengenai daya serap. Daya serap memuat informasi
mengenai proporsi atau presentase jawaban benar yang bisa dipilih berdasarkan
kelompok maupun SKL. Daya serap memberikan gambaran tentang kemampuan
peserta didik dalam penguasaan indikator dari kompetensi/pokok bahasan mata
pelajaran. Mengetahui nilai daya serap dapat menjadikan sebagai tolak ukur untuk
mengetahui sejauh mana pemahaman peserta didik terhadap mata pelajaran yang
diajarkan oleh gurunya.
Dalam Permendikbud No. 143 tahun 2014 tentang Petunjuk Tekniks
Pelaksanaan Jabatan Fungsional Pengawas Sekolah dan Angka Kreditnya, beserta
lampirannya yang merupakan satu kesatuan utuh. Menurut permendikbud ini bahwa
tugas pokok pengawas sekolah adalah melaksanakan tugas pengawasan akademik dan
manajerial pada satuan pendidikan yang meliputi penyusunan program pengawasan,
peniliaian, pembimbingan, dan pelatiahan profesional guru, evaluasi hasil pelaksanaan
program pengawasan, dan pelaksanaan tugas pegawasan didaerah khusus. Adapun
beban kerja pengawas sekolah dalam melaksanakan tugas pengawasan adalah 37.50
jam perminggu. Dengan sasaran untuk SMP/MTs, SMA/MA, dan SMK/MAK paling
sedikit 7 (tujuh) satuan pendidikan.
2
Clustering berpotensi sebagai alat untuk menganalisis nilai daya serap ujian
nasional, karena clustering memiliki konsep membagi data menjadi kelompok-
kelompok agar dapat membantu dalam proses pengelompokan SMA khususnya yang
berada di Provinsi DIY berdasarkan nilai daya serap ujian nasional.
Pada penelitian ini, penulis mengkhususkan melakukan pengelompokan
Sekolah Menengah Atas berdasarkan pada mata pelajaran matematika. Hal ini didasari
karena pentingnya peranan pelajaran matematika dalam kehidupan sehari-hari. Dengan
mempelajari matematika, manusia dapat memecahkan suatu permasalahan. Baik
memecahkan masalah dalam pengerjaan soal-soal maupun memecahkan permasalahan
yang lain dalam kehidupan nyata. Selain itu mempelajari matematika dapat membuat
manusia menjadi lebih teliti, cermat, dan tidak ceroboh dalam bertindak.
Penelitian serupa telah dilakukan oleh Megawati (2015) yang berjudul
“Implementasi Algoritma Fuzzy C-Means untuk Pengelompokan Sekolah Menengah
Atas di DIY Berdasarkan Nilai Ujian Nasional dan Ujian Sekolah” yang bertujuan
untuk mengelompokkan Sekolah Menengah Atas berdasarkan nilai ujian nasional dan
nilai sekolah dengan menggunakan algoritma Fuzzy C-Means. Sedangkan, pada
penelitian ini hanya menggunakan nilai daya serap Ujian Nasional dengan lokasi
penelitian yang sama yaitu pada Provinsi DIY. Jika pada penelitian sebelumnya
menggunakan algoritma Fuzzy C-Means sebagai algoritma untuk mengelompokan
Sekolah Menengah Atas pada penelitian penulis saat ini adalah menggunakan
algoritma Partitioning Around Medoids sebagai algoritma untuk mengelompokkan
Sekolah Menengah Atas. Hasil pengelompokan sekolah menengah atas selanjutnya
dapat dipergunakan untuk membantu Departemen Pendidikan Provinsi dan juga
penyelenggara pendidikan untuk melihat dan mengevaluasi sekolah-sekolah yang
termasuk ke dalam kelompok nilai daya serap tinggi, sedang, dan rendah. Dengan
demikian Departemen Pendidikan Provinsi dapat mengambil langkah perbaikan yang
tepat.
Berdasarkan hal diatas, maka penulis tertarik untuk mengimplementasikan
algoritma Partitioning Around Medoids (PAM) dan mengambil judul untuk tugas akhir
yaitu “Implementasi Algoritma Partitioning Around Medoids (PAM) untuk
3
Pengelompokkan Sekolah Menengah Atas di DIY berdasarkan Nilai Daya Serap Ujian
Nasional” untuk membantu dalam proses pengelompokan data Sekolah Menengah
Atas dengan algoritma Partitioning Around Medoids (PAM).
1.2 Rumusan Masalah
Berdasarkan permasalahan yang telah dikemukakan diatas, maka rumusan

masalah yang akan penulis bahas adalah :
1. Bagaimana menerapkan algoritma Partitioning Around Medoid (PAM)

untuk mengelompokkan sekolah menengah atas di Provinsi DIY
berdasarkan nilai daya serap ujian nasional matapelajaran matematika?
2. Bagaimana hasil evaluasi dari pengelompokan sekolah berdasarkan nilai

daya serap 29 kompetensi dalam mata pelajaran matematika dengan
menggunakan algoritma Partitioning Around Medoid (PAM) berdasarkan
Silhouette Index (SI)?
3. Bagaimana hasil evaluasi dari pengelompokan sekolah berdasarkan rata-rata

nilai daya serap 29 kompetensi dalam mata pelajaran matematika dengan
algoritma Partitioning Around Medoid (PAM) menggunakan 3 cluster
sesuai peringkat akreditasi?
1.3 Batasan Masalah
Adapun batasan masalah dalam tugas akhir ini adalah :
1. Algoritma yang digunakan adalah menggunakan algoritma Partitioning

Around Medoid (PAM) atau K-Medoids.
2. Data yang digunakan adalah data nilai daya serap ujian nasional mata
pelajaran matematika siswa SMA jurusan IPA di Provinsi DIY tahun ajaran
2014/2015.
4
3. Atribut clustering yang digunakan adalah data nilai daya serap ujian
nasional mata pelajaran matematika di Provinsi DIY yang meliputi atribut
nama sekolah dan jumlah kompetensi daya serap mata pelajaran
matematika.
1.4 Tujuan dan Manfaat
Tujuan dari penulisan tugas akhir ini adalah :
1. Mengetahui hasil pengelompokan Sekolah Menengah Atas berdasarkan nilai

daya serap mata pelajaran matematika dengan menggunakan 29 kompetensi
pada tahun ajaran 2014/2015 dengan menggunakan algoritma Partitioning
Around Medoid (PAM).
2. Mengevaluasi hasil pengelompokan Sekolah Menengah Atas berdasarkan

mata pelajaran matematika dengan menggunakan algoritma Partitioning
Around Medoid (PAM) berdasarkan nilai Silhouette Index (SI) untuk jumlah
cluster k=2 hingga k=(1/2)*n.
3. Mengetahui hasil pengelompokan Sekolah Menengah Atas berdasarkan nilai

daya serap mata pelajaran matematika dengan menggunakan rata-rata dari
29 kompetensi pada tahun ajaran 2014/2015.
4. Mengevaluasi hasil pengelompokan Sekolah Menengah Atas berdasarkan

rata-rata nilai daya serap mata pelajaran matematika dengan menggunakan
3 cluster sesuai peringkat akreditasi.
Manfaat dari penulisan tugas akhir ini adalah :
1. Diharapkan menjadi bahan evaluasi bagi Sekolah Menengah Atas khususnya

di DIY agar bisa meningkatkan kualitas pembelajaran mata pelajaran
matematika bagi siswanya.
5
2. Dapat memberikan gambaran mengenai implementasi dari algoritma

Partitioning Around Medoids dalam menghasilkan pengelompokan Sekolah
Menengah Atas berdasarkan nilai daya serap ujian nasional.
1.5 Metodologi Penelitian
Metode penelitian yang digunakan penulis dalam menyelesaikan tugas akhir

adalah sebagai berikut :
1. Studi Pustaka
Pada tahapan ini merupakan proses pengumpulan data dan pengumpulan

informasi algoritma yang akan digunakan dengan cara mempelajari
berbagai referensi (buku, laporan, hasil penelitian, jurnal, ataupun artikel)
yang berhubungan dengan masalah yang diteliti.
2. Pembersihan data (data cleaning)
Pada tahapan ini merupakan proses pembuangan data yang tidak relevan
atau tidak konsisten terhadap data lainnya.
3. Integrasi data (data integration)
Pada tahapan integrase data ini akan dilakukan penggabungan data dari
berbagai sumber/database yang ada.
4. Seleksi data (data selection)
Pada tahapan seleksi data ini merupakan tahapan menyeleksi data yang
akan digunakan dalam penelitian.
5. Transformasi data (data transformation)
Pada tahapan ini akan dilakukan format data asli ke dalam format data yang
sesuai dengan penelitian.
6
6. Penambangan data (data mining)
Pada tahapan ini akan dilakukan proses penambangan data menggunakan

algoritma Partitioning Around Medoids (PAM) dengan menggunakan
metode Waterfall dengan tahap-tahap sebagai berikut:
a. Analisa
Pada tahapan ini merupakan tahapan menganalisis hal-hal yang

diperlukan dalam pelaksanaan proses pembuatan perangkat lunak
penambangan data.
b. Desain
Tahapan desain ini merupakan tahapan penerjemahan dari data yang

dianalisis kedalam bentuk yang mudah dimengerti oleh user.
c. Coding
Tahapan coding merupakan tahapan pemecahan masalah yang telah

dirancang ke dalam bahasa pemrograman tertentu.
d. Testing atau pengujian
Pada tahapan ini merupakan tahap pengujian terhadap perangkat lunak

penambangan data yang telah dibangun.
7. Evaluasi pola (pattern evaluasi)
Pada tahapan ini akan dilakukan proses evaluasi terhadap hasil data mining
yang telah dilakukan pada proses sebelumnya.
8. Presentasi pengetahuan (knowledge presentation)
Pada tahapan ini akan dilakukan presentasi hasil data mining yang telah
dikerjakan sebelumnya.
7
1.6 Sistematika Penulisan
Sistematika penulisan dibagi menjadi beberapa bab, sebagai berikut :

BAB I : Pendahuluan
Bab ini berisi tentang latar belakang, rumusan masalah, batasan
masalah, tujuan dan manfaat, metodologi penelitian, dan sistematika penulisan
tugas akhir.
BAB II : Landasan Teori

Bab ini membahas tentang teori-teori yang digunakan guna menunjang
penelitian dan menjadi dasar atau sumber tertulis dari apa yang akan dilakukan
yaitu, Knowledge Discovery in Database (KDD), Penambangan Data (data
mining), Clustering, Partitioning Around Medoids (PAM), dan Silhouette Index
(SI).
BAB III : Metodologi Penelitian

Bab ini akan menjelaskan tentang penelitian pustaka yang berisikan
data, data yang digunakan, dan spesifikasi alat.
BAB IV : Pemrosesan Awal dan Perancangan Perangkat Lunak

Penambangan Data
Bab ini membahas tentang pemrosesan awal dari data yang akan
digunakan dan perancangan dari perangkat lunak penambangan data yang akan
dibangun.
BAB V : Implementasi Penambangan Data dan Evaluasi Hasil

Bab ini berisi mengenai implementasi sistem yang dibangun dan
analisis hasil dari sistem yang telah dibuat.
8
BAB VI : Penutup
Bab ini berisi mengenai kesimpulan dan saran mengenai sistem yang
dibuat.
LAMPIRAN
9
BAB II
LANDASAN TEORI
2.1 Knowledge Discovery in Database (KDD)
2.1.1 Definisi Knowledge Discovery in Database (KDD)

Knowledge Discovery in Database (KDD) adalah kegiatan yang meliputi
pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola, atau
hubungan dalam set data berukuran besar. Penambangan data (data mining) merupakan
bagian dari Knowledge Discovery in Database yang merupakan kegiatan yang meliputi
pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola, atau
hubungan dalam data yang berukuran besar (Santosa, 2007).
2.1.2 Tahapan Knowledge Discovery in Database (KDD)

Menurut Han and Kamber (2006), penambangan data tidak dapat dipisahkan
dari proses Knowledge Discovery in Database (KDD). KDD merupakan sebuah proses
mengubah data mentah menjadi suatu informasi yang berguna. Tahapan KDD
merupakan suatu rangkaian proses penambangan data (data mining) dan dapat dibagi
menjadi beberapa tahap. Tahap-tahap tersebut bersifat interaktif di mana pemakai
terlibat langsung atau melalui perantara knowledge base. Ilustrasi proses KDD dapat
dilihat pada gambar 2.1.
10
Gambar 2.1 Proses Knowledge Discovery in Database

(Han&Kamber, 2006)
Tahapan proses Knowledge Discovery in Database (KDD) adalah sebagai

berikut :
1. Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak
konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari
database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang
tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya
sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak relevan
dengan hipotesa data mining yang dimiliki. Data-data yang tidak relevan itu juga
lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi dari
teknik data mining karena data yang ditangani akan berkurang jumlah dan
kompleksitasnya.
11
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai database ke dalam

satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak
hanya berasal dari satu database tetapi juga berasal dari beberapa database atau
file teks. Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan
entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan
lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada
integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan
menyesatkan pengambilan aksi nantinya. Sebagai contoh bila integrasi data
berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang
berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.
3. Seleksi data (data selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena
itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database.
Sebagai contoh, sebuah kasus yang meneliti faktor kecenderungan orang
membeli dalam kasus market basket analysis, tidak perlu mengambil nama
pelanggan, cukup dengan id pelanggan saja.
4. Transformasi data (data transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam
data mining. Beberapa metode data mining membutuhkan format data yang
khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar
seperti analisis asosiasi dan clustering hanya bisa menerima input data
kategorikal. Karenanya data berupa angka numerik yang berlanjut perlu dibagi-
bagi menjadi beberapa interval. Proses ini sering disebut transformasi data.
12
5. Penambangan data (data mining)
Merupakan suatu proses utama saat metode diterapkan untuk menemukan

pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang

ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang
khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada
memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada
beberapa alternatif yang dapat diambil seperti menjadikannya umpan balik untuk
memperbaiki proses data mining, mencoba metode data mining lain yang lebih
sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang
mungkin bermanfaat.
7. Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang

digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap
terakhir dari proses data mining adalah bagaimana memformulasikan keputusan
atau aksi dari hasil analisis yang didapat. Ada kalanya hal ini harus melibatkan
orang-orang yang tidak memahami data mining. Karenanya presentasi hasil data
mining dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu
tahapan yang diperlukan dalam proses data mining. Dalam presentasi ini,
visualisasi juga bisa membantu mengkomunikasikan hasil data mining.
Tahap 1 sampai dengan tahap 4 merupakan berbagai bentuk dari data

preprocessing, dimana data disiapkan untuk dilakukan penambangan (mining).
Data mining hanya salah satu langkah dari keseluruhan proses dalam Knowledge
Discovery in Database (KDD).
13
2.2 Penambangan Data (Data Mining)
2.2.1 Definisi Penambangan Data (Data Mining)

Penambangan data (Data mining) adalah suatu istilah yang digunakan untuk
menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses
yang menggunakan teknik statistic, matematika, kecerdasan buatan, dan machine
learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait dari berbagai database besar (Turban, dkk, 2005).
Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu
kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual
(Pramudiono, 2006).
Data mining merupakan analisis dari peninjauan kumpulan data untuk
menemukan hubungan tidak diduga dan meringkas data dengan cara yang berbeda
dengan sebelumnya, yang dapat dipahami dengan bermanfaat bagi pemilik data
(Larose, 2005).
2.2.2 Teknik Penambangan Data (Data Mining)

Teknik dalam penambangan data adalah sebagai berikut (Hermawati, 2013):
1. Classification (klasifikasi)
Klasifikasi adalah menentukan sebuah record data baru ke salah satu dari
beberapa kategori (atau klas) yang telah didefinisikan sebelumnya. Disebut juga
dengan ‘supervised learning’.
2. Clustering (klasterisasi)
Klasterisasi adalah mempartisi data-set menjadi beberapa sub-set atau

kelompok sedemikian rupa sehingga elemen-elemen dari suatu kelompok
tertentu memiliki set property yang dishare bersama, dengan tingkat
similaritasyang tinggi dalam satu kelompok dan tingkat similaritas antar
kelompok yang rendah. Disebut juga dengan ‘unsupervised learning’.
14
3. Association Rule Discovery (kaidah asosiasi)
Mendeteksi kumpulan atribut-atribut yang muncul bersamaan (co-occur)

dalam frekuensi yang sering, dan membentuk sejumlah kaidah dari kumpulan-
kumpulan tersebut.
2.3 Clustering
2.3.1 Definisi Clustering

Clustering yaitu menemukan kumpulan obyek hingga obyek-obyek dalam satu
kelompok sama (atau punya hubungan) dengan yang lain dan berbeda (atau tidak
berhubungan) dengan obyek-obyek dalam kelompok lain. Tujuan dari clustering
adalah untuk meminimalkan jarak di dalam cluster dan memaksimalkan jarak antar
cluster.
Dalam mengukur jarak dalam clustering dapat dilakukan dengan menggunakan
Euclidean Distance. Euclidean distance merupakan pengukuran jarak obyek dan pusat
cluster yang banyak digunakan secara luas dalam berbagai kasus pattern matching,
termasuk clustering. Eucludean distance dinyatakan dengan persamaan :
𝑑𝑖𝑠𝑡 = √∑𝑛𝑘=1(𝑝𝑘 − 𝑞𝑘 )2 …………………………………….(2.1)
Dimana :
n = jumlah fitur dalam suatu data.
k = indeks data.
pk = nilai atribut (fitur) ke-k dari p.
qk = nilai atribut (fitur) ke-k dari q.
15
2.3.2 Tipe Clustering

Clustering merupakan suatu kumpulan dari keseluruhan cluster. Beberapa tipe
penting dari clustering adalah sebagai berikut (Hermawati, 2013):
1. Partitional vs Hierarchical
Partitional clustering adalah pembagian obyek data ke dalam

subhimpunan (cluster) yang tidak overlap sedemikian hingga tiap obyek data
berada dalam tepat satu sub-himpunan.
Hierarchical clustering merupakan sebuah himpunan cluster bersarang

yang diatur sebagai suatu pohon hirarki. Tiap simpul (cluster) dalam pohon
(kecuali simpul daun) merupakan gabungan dari anaknya (subcluster) dan
simpul akar berisi semua obyek.
2. Exclusive vs non-exclusive
Exclusive clustering adalah bila setiap obyek yang ada berada tepat di
dalam satu cluster.
Overlapping atau non-exclusive clustering adalah bila sebuah obyek

dapat berada di lebih dari satu cluster secara bersamaan.
3. Fuzzy vs non-fuzzy
Dalam fuzzy clustering, sebuah titik termasuk dalam setiap cluster dengan
suatu nilai bobot antara 0 dan 1. Jumlah dari bobot-bobot tersebut sama
dengan 1. Clustering probabilitas mempunyai karakteristik yang sama.
4. Partial vs complete
Dalam complete clustering, setiap obyek ditempatkan dalam sebuah

cluster. Tetapi dalam partial clustering, tidak semua obyek ditempatkan dalam
sebuah cluster. Kemungkinan ada obyek yang tidak tepat untuk ditempatkan
di salah satu cluster, misalkan berupa outlier atau noise.
16
2.4 Partitioning Around Medoids (PAM)
Algoritma Partitioning Around Medoids (PAM) atau dikenal juga dengan K-

Medoids adalah algoritma pengelompokan yang berkaitan dengan algoritma K-Means
dan algoritma medoidshift. Algoritma K-Medoids ini diusulkan pada tahun 1987.
Algoritma Partitioning Around Medoids (PAM) dikembangkan oleh Leonard

Kaufman dan Peter J. Rousseeuw. Algoritma ini sangat mirip dengan algoritma K-
Means, terutama karena kedua algoritma ini partitional. Dengan kata lain, kedua
algoritma ini memecah dataset menjadi kelompok-kelompok dan kedua algoritma ini
berusaha untuk meminimalkan kesalahan. Tetapi algoritma Partitioning Around
Medoids (PAM) bekerja dengan menggunakan Medoids, yang merupakan entitas dari
dataset yang mewakili kelompok dimana ia dimasukkan.
Algoritma Partitioning Around Medoids (PAM) menggunakan metode partisi

clustering untuk mengelompokkan sekumpulan n obyek menjadi sejumlah kcluster.
Algoritma ini menggunakan obyek pada kumpulan obyek untuk mewakili sebuah
cluster. Obyek yang terpilih untuk mewakili sebuah cluster disebut dengan medoid.
Cluster dibangun dengan menghitung kedekatan yang dimiliki antara medoid dengan
obyek non-medoid.
2.4.1 Algoritma Partitioning Around Medoids (PAM)

Algoritma dari Partitioning Around Medoids (PAM) atau K-Medoids adalah
sebagai berikut (Han & Kamber, 2006):
1. Secara acak pilih k obyek pada sekumpulan n obyek sebagai medoid.
2. Ulangi langkah 3 hingga langkah 6.
3. Tempatkan obyek non-medoid ke dalam cluster yang paling dekat dengan

medoid.
4. Secara acak pilih orandom: sebuah obyek non-medoid.
17
5. Hitung total biaya, S, dari pertukaran medoid oj dengan orandom.
6. Jika S < 0 maka tukar ojdengan orandom untuk membentuk sekumpulan k obyek
baru sebagai medoid.
7. Hingga tidak ada perubahan.
Nilai total biaya/cost dinyatakan dengan persamaan:
Total 𝑐𝑜𝑠𝑡 = ∑ 𝑑𝑖𝑠𝑡 …………………………………….(2.2)
Dimana :
dist = merujuk pada rumus 2.1
Nilai S dinyatakan dengan persamaan:
S = Total 𝑐𝑜𝑠𝑡 baru − Total 𝑐𝑜𝑠𝑡 lama ………………………….(2.3)
Dimana :
Total cost baru = jumlah biaya/cost non-medoids.
Total cost baru = jumlah biaya/cost medoids.
K-medoids sangat mirip dengan K-means, perbedaan utama diantara dua

algoritma tersebut adalah jika pada K-Means cluster diwakili dengan pusat dari
cluster, sedangkan pada K-Medoids cluster diwakili oleh obyek terdekat dari
pusat cluster.
2.4.2 Contoh Penerapan Algoritma Partitioning Around Medoids (PAM)

Berikut adalah contoh penerapan algoritma PAM atau K-Medoids pada kasus
nilai daya serap ujian nasional di provinsi DIY, dengan data sampel yang digunakan
adalah mata pelajaran matematika pada tahun ajaran 2013/2014.
18
Tabel 2.1 Data Contoh

Nama Sekolah MAT1 MAT2 MAT3 MAT4 MAT5 MAT6 MAT7
SMA NEGERI 3 YOGYAKARTA 54.55 74.33 76.87 92.51 74.87 66.84 88.23
SMA STELLA DUCE 1
YOGYAKARTA 36.59 73.98 64.63 83.74 69.92 47.97 84.55
SMA BOPKRI 1 YOGYAKARTA 37.21 81.40 60.75 89.53 37.21 39.53 77.13
Contoh perhitungan penerapan algoritma Partitioning Around Medoids (PAM)

atau K-Medoids terlampir pada lampiran 1.
2.5 Silhouette
2.5.1 Silhouette Index (SI)

Jika DBI digunakan untuk mengukur validasi seluruh cluster dalam set data,
maka Silhouette Index (SI) dapat digunakan untuk menvalidasi baik sebuah data,
cluster tunggal (satu cluster dari sejumlah cluster), atau bahkan keseluruhan cluster.
Metode ini yang paling banyak digunakan untuk memvalidasi cluster yang
menggabungkan nilai kohesi dan separasi. Untuk menghitung nilai SI dari sebuah data
ke-i, ada 2 komponen yaitu ai dan bi. ai adalah rata-rata jarak ke-i terhadap semua data
lainnya dalam satu cluster, sedangkan bi didapatkan dengan menghitung rata-rata jarak
data ke-i terhadap semua data dari cluster yang lain tidak dalam satu cluster dengan
data ke-i, kemudian diambil yang terkecil (Tan et al, 2006 & Petrovic, 2003).
𝑗
Berikut formula untuk menghitung 𝑎𝑖 :
𝑗 1 𝑚 𝑗 𝑗 𝑗
𝑎𝑖 = ∑ 𝑟=1 𝑑(𝑥𝑖 , 𝑥𝑟 ), 𝑖 = 1, 2, … , 𝑚𝑗 ………………… (2.4)
𝑚𝑗 −1
𝑟 ≠1
19
Dimana :
j = cluster
i = index data
𝑗
𝑎𝑖 = rata-rata jarak data ke–i terhadap semua data lainnya dalam satu cluster.
mj = jumlah data dalam cluster ke-j.
𝑗 𝑗
𝑑(𝑥𝑖 , 𝑥𝑟 ) adalah jarak data ke-i dengan data ke-r dalam satu cluster j.
𝑗
Berikut formula untuk menghitung 𝑏𝑖 :
𝑗 𝑚𝑖𝑛 1 𝑚𝑛 𝑗
𝑏𝑖 = 𝑛=1,…,𝑘 {𝑚 ∑ 𝑟=1 𝑑(𝑥𝑖 , 𝑥𝑟𝑛 )}, 𝑖 = 1, 2, … , 𝑚𝑗 ……………….. (2.5)
𝑛 ≠𝑗 𝑛 𝑟 ≠1
Dimana :
j = cluster
n = cluster
i = index data
mn = banyak data dalam satu cluster
𝑗
𝑏𝑖 = nilai terkecil dari rata-rata jarak data ke-i terhadap semua data dari cluster
yang lain tidak dalam satu cluster dengan data ke-i
𝑗
𝑑(𝑥𝑖 , 𝑥𝑟𝑛 ) adalah jarak data ke-i dalam satu cluster j dengan data ke-r dalam suatu
cluster n.
Untuk mendapatkan Silhouette Index (SI) data ke-i menggunakan persamaan berikut:
𝑗 𝑗
𝑗 𝑏𝑖 − 𝑎𝑖
𝑆𝐼𝑖 = 𝑗 𝑗 ……….………………………(2.6)
max{𝑎𝑖 ,𝑏𝑖 }
Dimana :
𝑗
𝑆𝐼𝑖 = Silhouette Index data ke-i dalam satu cluster
𝑗
𝑏𝑖 = nilai terkecil dari rata-rata jarak data ke-i terhadap semua data dari cluster
yang lain tidak dalam satu cluster dengan data ke-i
𝑗
𝑎𝑖 = rata-rata jarak data ke–i terhadap semua data lainnya dalam satu cluster.
20
Nilai ai mengukur seberapa tidak mirip sebuah data dengan cluster yang
diikutinya, nilai yang semakin kecil menandakan semakin tepatnya data tersebut berada
dalam cluster tersebut. Nilai bi yang besar menandakan seberapa jeleknya data terhadap
cluster yang lain. Nilai SI yang didapat dalam rentang [-1, +1]. Nilai SI yang mendekati
1 menandakan bahwa data tersebut semakin tepat berada dalam cluster tersebut. Nilai
SI negatif (ai > bi) menandakan bahwa data tersebut tidak tepat berada di dalam cluster
tersebut (karena lebih dekat ke cluster yang lain). SI bernilai 0 (atau mendekati 0)
berarti data tersebut posisinya berada di perbatasan di antara dua cluster.
Untuk nilai SI dari sebuah cluster didapatkan dengan menghitung rata-rata nilai
SI semua data yang bergabung dalam cluster tersebut, seperti pada persamaan berikut
:
1 𝑗𝑚 𝑗
𝑆𝐼𝑗 = ∑𝑖=1 𝑆𝐼𝑖 ……………….……………………… (2.7)
𝑚𝑗
Dimana :
𝑆𝐼𝑗 = Rata-rata Silhouette Index cluster j
mj = jumlah data dalam cluster ke-j
𝑗
𝑆𝐼𝑖 = Silhouette Index data ke-i dalam satu cluster
i = index
Sementara nilai SI global didapatkan dengan menghitung rata-rata nilai SI dari semua
cluster seperti pada persamaan berikut:
1
𝑆𝐼 = ∑𝑘𝑗=1 𝑆𝐼𝑗 ………………………………………(2.8)
𝑘
Dimana :
SI = Rata-rata Silhouette Index dari dataset
k = jumlah cluster
𝑆𝐼𝑗 = Rata-rata Silhouette Index cluster j
21
2.5.2 Silhouette Coefficient (SC)

Silhouette Coefficient adalah suatu metode yang digunakan untuk mengetahui
apakah cluster yang terbentuk adalah cluster yang memiliki struktur kuat, struktur baik,
struktur lemah, maupun struktur yang buruk. Untuk menghitung nilai Silhouette
Coefficient, terlebih dahulu mengghitung nilai Silhouette Index dari sebuah data ke-i.
Nilai Silhouette Coefficient didapatkan dengan mencari nilai maksimal dari nilai
Silhouette Index Global dari jumlah cluster 2 sampai jumlah cluster n-1, seperti pada
persamaan berikut:
𝑆𝐶 = 𝑀𝑎𝑘𝑠𝑘 𝑆𝐼(𝑘) ………………………………………(2.9)
Dimana :
SC = Silhouette Coefficient
SI = Silhouette Index Global
k = jumlah cluster
Kriteria subjektif pengukuran baik atau tidaknya pengelompokan berdasarkan

Silhouette Coefficient (SC) menurut Kauffman dan Roesseeuw (1990) dapat dilihat
pada tabel 2.2.
Tabel 2.2 Kriteria subjektif pengukuran pengelompokan berdasarkan Silhouette

Coefficient (SC)
Nilai SC Intepretasi oleh Kauffman dan Roesseeuw
0.71 – 1.00 Struktur kuat
0.51 – 0.70 Struktur baik
0.26 – 0.50 Struktur lemah
≤ 0.25 Struktur buruk
22
BAB III
METODOLOGI PENELITIAN
3.1 Data
Data yang digunakan diperoleh dari situs http://litbang.kemdikbud.go.id/. Data

yang digunakan pada penelitian ini adalah data nilai daya serap ujian nasional siswa
SMA jurusan IPA tahun ajaran 2014/2015. Data nilai daya serap yang digunakan
adalah mata pelajaran matematika. Pada setiap mata pelajaran terdapat beberapa nilai
kompetensi daya serap Ujian Nasional. Berikut ini adalah nilai kompetensi nilai daya
serap Ujian Nasional pada mata pelajaran matematika
Tabel 3.1 Atribut nilai daya serap ujian nasional pelajaran

matematika tahun 2014/2015.
No Nama Atribut Keterangan
1 KODE SEKOLAH Kode Sekolah
2 NAMA SEKOLAH Nama Sekolah
3 JNS SEKOLAH Jenis Sekolah (SMA)
4 STS SE Status Sekolah (Negeri/Swasta)
5 MAT1 Kompetensi 1 daya serap
matematika: Menentukan penarikan
kesimpulan dari beberapa premis.
matematika:
Menentukan ingkaran atau
kesetaraan dari pernyataan
majemiuk atau pernyataan
berkuator.
matematika:
23
Menggunakan aturan pangkat, akar,

dan logaritma.
matematika:
Menggunakan rumus jumlah dan
hasil kali akar-akar persamaan
kuadrat.
matematika:
Menyelesaikan masalah persamaan
atau fungsi kuadrat dengan
menggunakan diskriminan.
matematika:
Menyelesaikan masalah sehari-hari
yang berkaitan dengan sistem
persamaan linier.
matematika:
Menentukan persamaan lingkaran
atau garis singgung lingkaran.
matematika:
Menyelesaikan masalah yang
berkaian dengan teorema sisa atau
teorema faktor.
matematika:
24
Menyelesaikan masalah program

linier.
matematika:
Menyelesaikan operasi matriks.
matematika:
Menyelesaikan operasi aljabar
beberapa vektor dengan syarat
tertentu.
matematika:
berkaitan dengan besar sudut/nilai
perbandingan trigonometri sudut
antara 2 vektor.
matematika:
berkaitan dengan panjang proyeksi
atau vektor proyeksi.
matematika:
Menentukan bayangan titik atau
kurva karena dua transformasi atau
lebih.
matematika:
25
Menentukan penyelesaian
pertidaksamaan eksponen atau
logaritma.
matematika:
berkaitan dengan fungsi eksponen
atau fungsi logaritma.
matematika:
Menyelesaikan masalah deret
aritmetika.
matematika:
Menyelesaikan masalah deret
geometri.
matematika:
Menghitung jarak dan sudut antara
dua obyek (titik, garis, dan bidang)
di ruang dimensi tiga.
matematika:
Menyelesaikan masalah geometri
dengan menggunakan aturan sinus
atau kosinus.
matematika:
26
Menyelesaikan persamaan
trigonometri.
matematika:
berkaitan dengan nilai perbandingan
trigonometri yang menggunakan
rumus jumlah dan selisih sinus,
kosinus, dan tangen serta jumlah
dan selisih dua sudut.
matematika:
Menghitung nilai limit fungsi
aljabar dan fungsi trigonometri.
matematika:
Menyelesaikan soal aplikasi turunan
fungsi.
matematika:
Menentukan integral tak tentu dan
integral tentu fungsi aljabar dan
fungsi trigonometri.
matematika:
Menghitung luas daerah dan volume
benda putar dengan menggunakan
integral.
27

matematika:
Menghitung ukuran pemusatan atau
ukuran letak dari data dalam bentuk
tabel, diagram, atau grafik.
matematika:
dengan menggunakan kaidah
pencacahan, permutasi, atau
kombinasi.
matematika:
berkaitan dengan peluang suatu
kejadian.
3.2 Data yang Digunakan
Data yang akan digunakan dalam penelitian ini adalah 31 atribut, yaitu kode
sekolah, nama sekolah, jns sek, sts sek, mat1, mat2, mat3, mat4, mat5, mat6, mat7,
mat8, mat9, mat10, mat11, mat12, mat13, mat14, mat15, mat16, mat17, mat18, mat19,
mat20, mat21, mat22, mat23, mat24, mat25, mat26, mat27, mat28, mat29, mat30.
Atribut jns sek, dan sts sek tidak digunakan pada penelitian ini. Sehingga atribut yang
digunakan menjadi 31 atribut yaitu :
Tabel 3.2 Atribut nilai daya serap ujian nasional pelajaran matematika
tahun 2014/2015 yang digunakan dalam penelitian.
No Nama Atribut Keterangan
1 KODE SEKOLAH Kode Sekolah
2 NAMA SEKOLAH Nama Sekolah
28
3 MAT1 Kompetensi 1 daya serap matematika:

Menentukan penarikan kesimpulan dari
beberapa premis.
Menentukan ingkaran atau kesetaraan dari
pernyataan majemiuk atau pernyataan
berkuator.
Menggunakan aturan pangkat, akar, dan
logaritma.
Menggunakan rumus jumlah dan hasil
kali akar-akar persamaan kuadrat.
Menyelesaikan masalah persamaan atau
fungsi kuadrat dengan menggunakan
diskriminan.
Menyelesaikan masalah sehari-hari yang
berkaitan dengan sistem persamaan linier.
Menentukan persamaan lingkaran atau
garis singgung lingkaran.
Menyelesaikan masalah yang berkaian
dengan teorema sisa atau teorema faktor.
Menyelesaikan masalah program linier.
29
Menyelesaikan operasi matriks.

Menyelesaikan operasi aljabar beberapa
vektor dengan syarat tertentu.
Menyelesaikan masalah yang berkaitan
dengan besar sudut/nilai perbandingan
trigonometri sudut antara 2 vektor.
dengan panjang proyeksi atau vektor
proyeksi.
Menentukan bayangan titik atau kurva
karena dua transformasi atau lebih.
Menentukan penyelesaian pertidaksamaan
eksponen atau logaritma.
dengan fungsi eksponen atau fungsi
logaritma.
Menyelesaikan masalah deret aritmetika.
Menyelesaikan masalah deret geometri.
30
Menghitung jarak dan sudut antara dua

obyek (titik, garis, dan bidang) di ruang
dimensi tiga.
Menyelesaikan masalah geometri dengan
menggunakan aturan sinus atau kosinus.
Menyelesaikan persamaan trigonometri.
dengan nilai perbandingan trigonometri
yang menggunakan rumus jumlah dan
selisih sinus, kosinus, dan tangen serta
jumlah dan selisih dua sudut.
Menghitung nilai limit fungsi aljabar dan
fungsi trigonometri.
Menyelesaikan soal aplikasi turunan
fungsi.
Menentukan integral tak tentu dan
integral tentu fungsi aljabar dan fungsi
trigonometri.
Menghitung luas daerah dan volume
benda putar dengan menggunakan
integral.
31
Menghitung ukuran pemusatan atau

ukuran letak dari data dalam bentuk tabel,
diagram, atau grafik.
dengan menggunakan kaidah pencacahan,
permutasi, atau kombinasi.
dengan peluang suatu kejadian.
3.3 Spesifikasi Alat
Sistem dibuat dengan menggunakan hardware dan software sebagai berikut :
3.3.1 Spesifikasi Software

Spesifikasi software yang dibutuhkan dalam pembuatan sistem ini adalah:
1. Sistem Operasi Windows 7

2. Compiler IDE Netbeans 7.2.
3.3.2 Spesifikasi Hardware

Spesifikasi hardware yang dibutuhkan dalam pembuatan sistem ini adalah:
1. Processor Intel Core i5.

2. RAM 4 GB.
3. HDD 500 GB.
32
BAB IV
PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT

LUNAK PENAMBANGAN DATA
4.1 Pemrosesan Awal Sumber Data
4.1.1 Pembersihan Data

Sebelum melakukan proses data mining perlu melakukan proses cleaning data
terlebih dahulu. Proses cleaning meliputi membuang duplikasi data, memeriksa data
yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak
(tipografi). Kemudian dilakukan proses enrichment, yaitu proses “memperkaya” data
yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk
KDD, seperti data atau informasi eksternal. Pada penelitian ini terdapat 2 data sekolah
yang dihapus karena kedua sekolah ini tidak memiliki nilai untuk tiap atribut. Kedua
sekolah tersebut adalah SMA Piri 2 Yogyakarta dan SMA Proklamasi’45 Yogyakarta.
4.1.2 Integrasi Data

Tahap integrasi ini merupakan tahap penggabungan data dari berbagai sumber.
Pada penelitian ini penulis menggunakan data yang diambil dari situs kemendikbud.
Data yang diambil dari situs kemendikbud yaitu data nilai daya serap Ujian Nasional
mata pelajaran matematika tahun ajaran 2014/2015, data tersebut memiliki 29
kompetensi. Data dari kemendikbud kemudian digabungkan menjadi 1 file excel
berekstensi .xls.
4.1.3 Seleksi Data

Tahap seleksi ini merupakan tahap pemilihan (seleksi) data dari sekumpulan
data, tahap ini perlu dilakukan sebelum tahap data mining dalam KDD. Data hasil
seleksi yang akan digunakan untuk proses penambangan data akan disimpan dalam
33
suatu berkas. Pada data nilai daya serap terdapat 2 atribut tetap yaitu KODE
SEKOLAH dan NAMA SEKOLAH. Sisanya merupakan atribut nama kompetensi
yang jumlahnya berbeda untuk tiap tahun ajaran. Daftar atribut yang digunakan dapat
dilihat pada tabel 3.2.
4.1.4 Transformasi Data

Pada tahap transformasi data adalah mengubah format data asli ke dalam format
data yang sesuai untuk penelitian, yaitu mengubah data dari kolom nilai daya serap per
sekolah menjadi baris per sekolah untuk mempermudah proses penambangan data.
Kemudian, mengubah format data yang sesuai untuk penelitian ini yaitu pada baris
pertama dalam excel adalah nama kolom dari data yang digunakan dan baris berikutnya
adalah data tersebut seperti pada gambar 4.2.
Gambar 4.1 Data awal nilai daya serap
34
Gambar 4.2 Data setelah proses transformasi
4.2 Perancangan Perangkat Lunak Penambangan Data
4.2.1 Perancangan Umum

4.2.1.1 Input
Data input dari sistem yang akan dibangun berasal dari file dengan ekstensi
.xls atau .csv yang dipilih langsung oleh user (pengguna) dari direktori komputer.
Sebelum melakukan proses clustering, pengguna diharuskan mengisi jumlah cluster
yang dikehendaki pada textfield yang telah disediakan.
4.2.1.2 Proses
Sistem ini akan mengimplementasikan algoritma Partitioning Around
Medoids untuk mengelompokan data sekolah berdasarkan nilai daya serap ujian
nasional mata pelajaran matematika pada tahun ajaran 2014/2015. Pada gambar 4.1
diperlihatkan proses dari sistem membuka berkas atau data dengan tipe .xls atau .csv
kemudian sistem akan menyeleksi atribut yang tidak akan digunakan untuk proses
clustering. Kemudian jika telah selesai menyeleksi atribut yang tidak akan digunakan,
maka akan dilanjutkan dengan menginputkan nila untuk jumlah cluster. Kemudian
akan di lakukan proses clustering dengan menggunakan algoritma k-medoids atau
Partitioning Around Medoids. Kemudian sistem akan menampilkan hasil proses
clustering. Setelah itu, hasil clustering dapat disimpan ke dalam direktori computer
dengan tipe data berupa .doc atau .txt.
35
Mulai File data bertipe .xls atau .csv
Ya
Seleksi atribut Proses seleksi atribut
Tidak
Memasukkan
jumlah cluster
Proses clustering
k-medoids
Tampilkan hasil
clustering
Simpan hasil
clustering
File data bertipe .doc atau .txt
Selesai
Gambar 4.3 Proses Umum Sistem
4.2.1.3 Output
Hasil keluaran yang diperoleh dari sistem yang dibangun adalah data-data
sekolah yang sudah dikelompokkan.
36
4.2.2 Diagram Konteks (Context Diagram)

Data daya serap, jumlah cluster
Pengguna Clustering dengan K-

Medoids
Pengelompokan data sekolah
Gambar 4.4 Diagram Konteks
4.2.3 Diagram Usecase

Diagram usecase merupakan sebuah gambaran kebutuhan sistem dari sudut
pandang di luar sistem. Pengguna sistem dalam diagram usecase disebut dengan actor.
Pada sistem ini actor yang digunakan hanya satu actor. Fungsi yang dapat dilakukan
oleh actor pada sistem ini adalah memilih data, seleksi atribut, proses clustering
dengan memasukkan nilai jumlah cluster ,dan menyimpan hasil. Gambar dari usecase
ditunjukkan pada gambar 4.3 berikut.
Seleksi atribut
>
d s>
ten
Input berkas ex
<<
<<include>>
Proses clustering
dengan algoritma PAM
actor
<<include>>
Simpan hasil
clustering
Gambar 4.5 Diagram Usecase
37
4.2.4 Diagram Aktivitas (Activity Diagram)

Diagram aktivitas digunakan untuk menunjukkan aktivitas yang dikerjakan
oleh pengguna dan sistem dalam setiap usecase yang disebutkan dalam gambar 4.3.
Berikut adalah diagram aktivitas dari setiap usecase :
USER SISTEM
Menampilkan kotak dialog file

Menekan tombol “Pilih File” chooser
Memilih file yang akan digunakan
Menampilkan kotak dialog “File

Apakah file bertipe .xls ? yang dipilih harus berformat .xls”
Menampilkan data pada tabel
Gambar 4.6 Diagram Aktivitas Input Berkas
38
USER SISTEM
Memilih atribut yang akan dihapus

yang tidak akan digunakan untuk
clustering
Menampilkan data setelah atribut

Menekan tombol “Hapus Atribut” yang terpilih dihapus
Gambar 4.7 Diagram Aktivitas Seleksi Atribut
USER
SISTEM
Menekan tombol “Process” Menampilkan hasil Clustering
Gambar 4.8 Diagram Aktivitas Proses Clustering
39
USER SISTEM
Menekan tombol “Simpan Hasil” Menampilkan kotak save dialog
Memilih lokasi dan tipe file untuk

menyimpan hasil
File berhasil disimpan pada direktori

komputer yang telah ditentukan
Gambar 4.9 Diagram Aktivitas Simpan Hasil
4.2.5 Diagram Kelas (Class Diagram)

Diagram kelas berguna untuk memperlihatkan hubungan antar kelas. Diagram
kelas dapat membantu menvisualisasikan struktur kelas-kelas dari suatu sistem.
Diagram kelas dapat dilihat pada lampiran 2.
4.2.6 Rancangan Antarmuka

4.2.6.1 Halaman Awal
Halaman awal adalah halaman yang digunakan sebagai halaman yang akan
muncul pertama kali ketika sistem dijalankan. Halaman ini berisi empat tombol yaitu
BERANDA, BANTUAN, TENTANG, dan MASUK SISTEM. Tombol BERANDA
akan menghubunkan pada halaman awal sistem, tombol BANTUAN akan
menghubungkan dengan halaman bantuan, tombol TENTANG akan menghubungkan
40
dengan halaman tentang, dan tombol MASUK SISTEM akan menghubungkan dengan
halaman prepocessing.
Gambar 4.10 Rancangan Antarmuka Halaman Awal
4.2.6.2 Halaman Bantuan

Halaman bantuan adalah halaman yang akan ditampilkan ketika pengguna
menekan tombol BANTUAN. Pada halaman ini berisi mengenai pentujuk
penggunaan sistem.
41
Gambar 4.11 Rancangan Antarmuka Halaman Bantuan
4.2.6.3 Halaman Informasi

Halaman tentang adalah halaman yang akan ditampilkan ketika pengguna
menekan tombol TENTANG. Pada halaman ini berisi mengenai informasi dari
sistem.
Gambar 4.12 Rancangan Antarmuka Halaman Tentang
4.2.6.4 Halaman Input Data

Halaman input berkas adalah halaman yang akan ditampilkan ketika pengguna
menekan tombol MASUK SISTEM pada halaman awal. Halaman ini berfungsi sebagai
sarana pengguna memilih data atau memasukkan data. Pada halaman ini pengguna bisa
memilih atribut yang akan digunakan dalam men-cluster dan pengguna juga bisa
menghapus atribut yang tidak dibutuhkan ketika akan men-cluster.
42
Gambar 4.13 Rancangan Antarmuka Halaman Input Data
4.2.6.5 Halaman K-Medoids

Halaman clustering adalah halaman yang akan ditampilkan ketika pengguna
menekan tombol CLUSTERING pada halaman preprocessing. Pada halaman ini
pengguna diminta untuk menginputkan jumlah cluster. Kemudian pengguna menekan
tombol PROCESS untuk melakukan clustering. Setelah proses clustering selesai,
pengguna bisa menyimpan hasil clustering.
43
Gambar 4.14 Rancangan Antarmuka Halaman K-Medoids
44
BAB V
IMPLEMENTASI DAN EVALUASI HASIL
5.1 Implementasi Rancangan Perangkat Lunak Penambangan Data
Implementasi rancangan perangkat lunak merupakan prosedur yang harus

dilakukan untuk menyelesaikan pemrograman sistem berdasarkan pada analisis dan
perancangan sistem pada bab sebelumnya. Implementasi rancangan perangkat lunak
pada sistem ini dilakukan dengan menggunakan tools Netbeans Integrated
Development Environment (IDE) 7.2 pada komputer dengan spesifikasi prosessor Intel
Core i5, RAM 4.00 GB, HDD 500 GB. Implementasi rancangan perangkat lunak pada
bab ini terdiri dari implementasi antarmuka. Sedangkan pada evaluasi hasil terdiri dari
pengujuan penggunaan sistem dengan data yang sudah siap untuk di proses clustering
dan hasil pengujian. Daftar nama kelas yang diimplementasikan dalam sistem ini dapat
dilihat pada tabel 5.1 berikut.
Tabel 5.1 Nama kelas yang diimpelentasikan

No Nama Kelas Nama Berkas
1 Halaman Awal halaman_awal.java
2 Halaman Input Data halaman_preprocessing.java
3 Halaman K-Medoids halaman_clustering.java
4 Halaman Bantuan halaman_bantuan.java
5 Halaman Informasi halaman_tentang.java
6 Model Tabel Tabel.java
7 Model Data Data.java
8 Model Check Box CheckBoxTabelModel.java
9 Write Text Area CustomOutoutStream.java
10 Write Excel WriteExcel.java
11 Model K-Medoids KMedoids.java
45
Sistem pengelompokan menggunakan algoritma Partitioning Around Medoids

(PAM) untuk mengelompokkan Sekolah Menengah Atas di Provinsi DIY berdasarkan
nilai daya serap Ujian Nasional pada mata pelajaran matematika, maka pada sub bab
ini akan ditampilkan antarmuka dari sistem tersebut.
5.1.1 Implementasi Tampilan Antarmuka

5.1.1.1 Halaman Utama
Pada saat sistem pertama kali dijalankan akan ditampilkan form awal seperti
pada gambar 5.1 berikut.
Gambar 5.1 Halaman Awal
Pada halaman awal tersebut terdapat tombol beranda, bantuan, tentang dan
masuk sistem. Tombol beranda berfungsi untuk mengarahkan pada halaman awal.
Tombol bantuan berfungsi untuk mengarahkan pada halaman bantuan. Tombol tentang
berfungsi untuk mengarahkan pada halaman informasi. Tombol masuk sistem
berfungsi untuk mengarahkan ke halaman input data.
46
5.1.1.2 Halaman Bantuan

Halaman bantuan adalah halaman yang akan ditampilkan ketika user memilih
tombol bantuan pada setiap halaman, yaitu halaman awal, halaman input data, halaman
k-medoids, dan halaman informasi. Halaman ini berisi petunjuk penggunaan sistem.
Tampilan halaman bantuan ditunjukkan pada gambar 5.2 berikut.
Gambar 5.2 Halaman Bantuan
5.1.1.3 Halaman Informasi

Halaman informasi adalah halaman yang akan ditampilkan ketika user
memilih tombol tentang pada setiap halaman, yaitu halaman awal, halaman input data,
halaman k-medoids, dan halaman informasi. Halaman ini berisi informasi mengenai
sistem. Tampilan halaman informasi ditunjukkan pada gambar 5.3 berikut.
47
Gambar 5.3 Halaman Informasi
5.1.1.4 Halaman Input Data

Halaman ini merupakan halaman yang digunakan unuk mempersiapkan data
yang akan diproses yang berasal dari berkas .xls. Pengolahan awal data dimaksudkan
agar format data sesuai dengan proses clustering yang akan dilakukan. Agar dapat
diproses, data yang dimasukkan harus dengan format numeric atau angka. Tampilan
halaman input data ditunjukkan pada gambar 5.4 berikut.
48
Gambar 5.4 Halaman Input Data
Pengguna dapat menekan tombol “Pilih Berkas” untuk memasukkan berkas

berekstensi .xls. Hasil setelah berkas data dimasukkan seperti pada gambar 5.5 berikut.
Gambar 5.5 Halaman Input Data (berkas .xls)
49
Kemudian pengguna dapat memilih atribut yang tidak akan digunakan dalam
clustering dengan memberikan tanda centang pada checkbox di kolom Seleksi
Atribut, seperti pada gambar 5.6 berikut.
Gambar 5.6 Halaman Input Data (hapus atribut)

Kemudian pengguna dapat menekan tombol “Hapus Atribut” dan atribut yang
dihapus akan hilang dari tabel data. Kemudian pengguna dapat menekan tombol
“Clustering” untuk melanjutkan ke halaman k-medoid. Tampilan penanda hapus
atribut ditunjukkan seperti gambar 5.7 berikut.
Gambar 5.7 Halaman Input Data (Hapus Atribut)
50
5.1.1.5 Halaman K-Medoids

Halaman ini merupakan halaman selanjutnya setelah menekan tombol
“Clustering” pada halaman input data. Halaman ini berisi implementasi dari algoritma
Partitioning Around Medoids (PAM)/K-Medoids untuk mengelompokan sekolah
menengah atas berdasarkan nilai daya serap ujian nasional.
Isi dari halaman ini adalah tampilan data yang telah melewati tahap
penghapusan atribut pada halaman input data, parameter masukan untuk proses
clustering yaitu Jumlah Cluster, dan kolom hasil untuk menampilkan hasil dari proses
clustering. Tampilan halaman K-Medoids ditunjukkan seperti gambar 5.8 berikut.
Gambar 5.8 Halaman K-Medoids
Pada halaman k-medoids, telah terisi secara default parameter untuk melakukan
proses clustering berupa Jumlah Cluster. Pengguna dapat merubah nilai parameter
dengan cara menghapus kemudian menginputkan kembali nilai untuk jumlah cluster
yang diinginkan. Pemberian nilai default pada halaman ini dimaksudkan agar jika
pengguna lupa memasukkan nilai jumlah cluster pada sistem maka nilai default yang
akan digunakan untuk proses clustering.
51
Pengguna dapat melakukan proses clustering dengan menekan tombol

“Process”, yang hasilnya akan ditampilkan pada kolom hasil. Tampilan hasil proses
clustering ditunjukkan pada Gambar 5.9 berikut.
Gambar 5.9 Halaman K-Medoids (Clustering)
Pengguna dapat menyimpan hasil proses clustering seperti yang ditampilkan

pada kolom Hasil ke dalam bentuk dokumen berekstensi .txt atau .doc.
5.2 Evaluasi Hasil
5.2.1 Uji Coba Perangkat Lunak (Black Box)

5.2.1.1 Rencana Pengujian Black Box
Pada tabel 5.2 akan dijelaskan rencana pengujian dengan menggunakan
metode black box.
52
Tabel 5.2 Rencana Pengujian Black Box

No Usecase Butir Uji Kasus Uji
Pengujian memasukkan UC-01
data file berekstensi .xls
1 Input berkas Pengujian memasukkan UC-02
data selain file berekstensi
.xls
Penguji menghapus atribut UC-03
2 Seleksi atribut
yang tidak diinginkan
Proses Clustering dengan Pengujian melakukan UC-04
3
algoritma PAM proses clustering
Pengujian menyimpan hasil UC-05
4 Simpan hasil clustering pengelompokkan ke dalam
file bertipe .doc
5.2.1.2 Prosedur Pengujian Black Box dan Kasus Uji

Setelah menyusun rencana pengujian pada tabel 5.2 maka, akan dilakukan
prosedur pengujian serta kasus uji yang terlampir pada lampiran 3.
5.2.1.3 Evaluasi Pengujian Black Box

Seluruh hasil pengujian black box pada lampiran 3 menunjukkan bahwa
perangkat lunak sudah dapat berjalan dengan baik dan sesuai dengan perancangan
yang sudah dibuat. Hal ini dapat dilihat dari semua fungsi yang sudah berjalan sesuai
dengan yang diharapkan.
53
5.2.2 Pengujian Perbandingan Hasil Hitung Manual dengan Hasil

Perangkat Lunak
Data uji yang dilakukan secara manual dan sistem yaitu dengan banyak data
sejumlah 29 atribut dan 20 data. Data uji yang digunakan dicuplik dari data nilai daya
serap Ujian Nasional Matematika SMA jurusan IPA di DIY tahun ajaran 2014/2015.
Contoh input data yang digunakan sebagai data uji ditunjukkan pada lampiran 4.
5.2.2.1 Perhitungan Manual

Pengujian perhitungan manual menggunakan dataset daya serap Ujian
Nasional SMA mata pelajaran Matematika jurusan IPA di DIY tahun 2014/2015
sejumlah 29 atribut dan 20 data. Proses perhitungan manual dilakukan dengan
menggunakan aplikasi Microsoft Excel dengan hasil pengelompokkan 3 kolompok.
Proses perhitungan manual beserta dengan hasilnya dapat dilihat pada lampiran 5.
5.2.2.2 Perhitungan Perangkat Lunak

Pengujian perhitungan perangkat lunak menggunakan data yang sama dengan
perhitungan manual yaitu menggunakan dataset daya serap Ujian Nasional SMA mata
pelajaran Matematika jurusan IPA di DIY tahun 2014/2015 sejumlah 29 atribut dan 20
data. Hasil perhitungan perangkat lunak dapat dilihat pada gambar 5.9 berikut.
54
Gambar 5.10 Hasil Penambangan Data Menggunakan Perangkat Lunak
5.2.2.3 Evaluasi Pengujian Perbandingan Hitung Manual dengan Hasil

Perangkat Lunak
Setelah dilakukan pengujian pada perhitungan secara manual dibandingkan
dengan sistem didapatkan hasil perbandingan implementasi algoritma k-medoids
seperti ditunjukkan pada tabel 5.3 dan tabel 5.4 sebagai berikut.
55
Tabel 5.3 Uji Perbandingan Algoritma K-Medoids Secara Manual dan Sistem
No Uji Ms. Excel Sistem
1 Jumlah data 20 20
2 Jumlah atribut 29 29
3 Jumlah anggota Cluster 1 9 9
Tabel 5.4 Hasil Uji Perbandingan Anggota Cluster Secara Manual dan Sistem
Manual Sistem
SMA NEGERI 4 YOGYAKARTA SMA NEGERI 4 YOGYAKARTA
Cluster 1 SMA STELLA DUCE 1 YOGYAKARTA SMA STELLA DUCE 1 YOGYAKARTA
SMA BOPKRI 1 YOGYAKARTA SMA BOPKRI 1 YOGYAKARTA
SMA MUHAMMADIYAH 1 YOGYAKARTA SMA MUHAMMADIYAH 1 YOGYAKARTA
Cluster 2 SMA NEGERI 1 YOGYAKARTA SMA NEGERI 1 YOGYAKARTA
SMA BOPKRI 2 YOGYAKARTA SMA BOPKRI 2 YOGYAKARTA
SMA BUDYA WACANA YOGYAKARTA SMA BUDYA WACANA YOGYAKARTA
SMA BHINNEKA TUNGGAL IKA SMA BHINNEKA TUNGGAL IKA
YOGYAKARTA YOGYAKARTA
SMA TAMAN MADYA JETIS SMA TAMAN MADYA JETIS
Cluster 3
YOGYAKARTA YOGYAKARTA
SMA BUDI LUHUR YOGYAKARTA SMA BUDI LUHUR YOGYAKARTA
56
Kesimpulan hasil perbandingan algoritma k-medoids secara manual dan

dengan sistem yaitu bahwa sistem telah dapat mengimplementasikan algoritma k-
medoids dengan baik dengan menghasilkan jumlah dan data anggota cluster yang sama
dengan pehitungan secara manual.
5.2.2.4 Pengujian Perangkat Lunak Dengan Menggunakan Dataset

Perangkat lunak yang telah dibuat diuji menggunakan dataset. Dataset yang
digunakan pada pengujian perangkat lunak adalah daaset nilai daya serap ujian nasional
mata pelajaran matematika SMA jurusan IPA di Provinsi DIY tahun ajaran 2014/2015.
Atribut yang digunakan dalam pengujian perangkat lunak menggunakan semua atribut
(29 atribut), dan pengujian dilakukan dengan mengelompokkan sampai n/2 data.
Dalam dataset nilai daya serap ujian nasional mata pelajaran matematika SMA
jurusan IPA di Provinsi DIY tahun ajaran 2014/2015 terdapat 137 baris data dan 29
atribut kompetensi. Hasil pengelompokan dan hasil Silhouette Index Global tiap cluster
dapat dilihat pada lampiran 6.
5.2.2.5 Evaluasi Hasil Clustering

Dari hasil pengujian dataset yang telah dilakukan, selanjutnya adalah
mengevaluasi hasil pengelompokan. Evaluasi clustering yang digunakan oleh peneliti
adalah menggunakan Silhouette Coefficient (SC). Berdasarkan pengujian yang telah
dilakukan terhadap dataset nilai daya serap Ujian Nasional mata pelajaran matematika
di provinsi DIY tahun ajaran 2014/2015, didapatkan hasil SI Global dari tiap cluster
seperti pada Tabel 5.5 berikut.
Tabel 5.5 Hasil Perhitungan Silhouette Coefficient (SC)

Jumlah Jumlah
Cluster SI Global Cluster SI Global
(k) (k)
2 0.4361 5 0.2994
3 0.2134 6 0.2629
4 0.1893 7 0.2246
57
8 0.3294 40 0.4460
9 0.2187 41 0.3289
10 0.279 42 0.3617
11 0.2483 43 0.3616
12 0.3007 44 0.37
13 0.2178 45 0.456
14 0.1796 46 0.4585
15 0.1827 47 0.4657
16 0.1762 48 0.4364
17 0.3210 49 0.3811
18 0.2459 50 0.4638
19 0.2829 51 0.5148
20 0.3004 52 0.4317
21 0.2743 53 0.4234
22 0.2884 54 0.3427
23 0.2063 55 0.4616
24 0.1806 56 0.4169
25 0.3359 57 0.4615
26 0.4593 58 0.4701
27 0.3076 59 0.5019
28 0.2570 60 0.4235
29 0.1836 61 0.5056
30 0.3546 62 0.51
31 0.2933 63 0.5454
32 0.2752 64 0.4772
33 0.3142 65 0.5167
34 0.2671 66 0.5031
35 0.2459 67 0.5118
36 0.4505 68 0.5379
37 0.3813 SC 0.5454
38 0.3839
39 0.3148
58
SI Global
0.6
0.5
SI Global 0.4
0.3
0.2
0.1
0
0 10 20 30 40 50 60 70 80
Jumlah Cluster
Gambar 5.11 Grafik Perhitungan Nilai Silhouette Index
Berdasarkan hasil pengujian dataset nilai daya serap Ujian Nasional SMA mata
pelajaran matematika tahun ajaran 2014/2015 yang terlihat pada Tabel 5.5 didapatkan
hasil sebagai berikut :
1. Nilai untuk Silhouette Coefficient (nilai maksimum dari Silhouette Index)

dari pengujian jumlah cluster (k)=2 hingga jumlah cluster (k)=68 sebesar
0.5454. Nilai Silhouette Coefficient (SC) sebesar 0.5454 berada pada
interval 0.51 – 0.70 yang menurut interpretasi Kauffman dan Rousseeuw
(1990) nilai SC tersebut dikatakan memiliki struktur yang baik. Pada Tabel
5.5 dapat dilihat bahwa SI Global bernilai 0.5454 terdapat pada jumlah
cluster (k) = 63. Menurut peraturan Menteri Pendidikan dan Kebudayaan
no.143 tahun 2014 tentang petunjuk teknik pelaksanaan jabatan fungsional
pengawas sekolah dan angka kreditnya, setiap pengawas pendidikan tingkat
SMA mengawasi minimal 7 sekolah berarti jumlah cluster yang relevan
untuk 138 sekolah berkisar antara 2 hingga 19 cluster.
2. Berdasarkan Tabel 5.5 dan Gambar 5.11 dapat dilihat hasil Silhouette Index
Global ketika diberi jumlah cluster (k)=2 hasil Silhouette Index Global yang
didapatkan sebesar 0.4361 dan ketika diberikan jumlah cluster (k) yang
59
semakin besar maka hasil Silhouette Index Global yang didapatkan beragam
namun cenderung lebih kecil dibandingkan jumlah cluster (k) yang
diberikan sebelumnya. Nilai Silhouette Index Global terlihat besar kembali
ketika jumlah cluster (k) yang diberikan 26 sebesar 0.4593, namun ketika
nilai dari jumlah cluster (k) ditambah kembali hasil Silhouette Index Global
yang didapatkan beragam kembali. Ketika jumlah cluster (k) yang
diberikan k=57 nilai Silhouette Index Global cenderung lebih besar
dibandingkan jumlah cluster (k) yang diberikan sebelumnya. Nilai
Silhouette Index Global terkecil terdapat pada jumlah cluster (k)=16 yaitu
sebesar 0.1762. Berdasarkan hal tersebut nilai Silhouette Index Global
tertinggi dan yang paling relevan adalah ketika jumlah cluster (k)=2 dengan
nilai 0.4361 yang menurut interpretasi Kauffman dan Rousseeuw (1990)
nilai tersebut dikatagorikan dalam struktur lemah.
Selain pengelompokan dengan menggunakan dataset dengan 29 kompetensi,

juga dilakukan pengelompokan menggunakan nilai rata-rata dari 29 kompetensi tiap
sekolah. Proses pengelompokan ulang dibagi menjadi 3 cluster untuk mendapatkan
kelompok sekolah sesuai dengan kriteria dalam akreditasi SMA. Tabel 5.6 merupakan
tabel hasil proses perhitungan standar deviasi. Standar deviasi digunakan untuk melihat
keberagaman anggota dari tiap cluster. Jika nilai standar deviasi yang didapatkan tinggi
maka anggota dari cluster tersebut memiliki tingkat keberagaman nilai yang tinggi.
Tetapi, jika nilai standar deviasi yang didapatkan rendah maka anggota dari cluster
tersebut memiliki tingkat keberagaman nilai yang rendah. Dari perhitungan standar
deviasi tersebut di dapatkan pula nilai tertinggi dan nilai terendah dari setiap cluster.
Hasil pengelompokan ulang beserta anggota tiap cluster dan hasil perhitungan standar
deviasi tiap cluster dapat dilihat pada lampiran 7.
Nilai Silhouette Index Global dari pengelompokan menggunakan nilai rata-rata
dari 29 kompetensi tiap sekolah yang dikelompokan menjadi 3 cluster adalah 0.2724.
Nilai tersebut lebih tinggi dibandingkan dengan nilai Silhouette Index Global dari
60
pengelompokan menggunakan nilai dari 29 kompetensi yang dikelompokan menjadi 3

cluster, yaitu sebesar 0.2134.
Tabel 5.6 Hasil Standar Deviasi Tiap Cluster

No Nilai Cluster 1 Cluster 2 Cluster 3
1 Jumlah anggota cluster 66 40 31
2 Nilai maksimal cluster 35.72 88.87 46.15
3 Nilai minimal cluster 18.10 46.98 36.13
4 Nilai rata-rata cluster 29.03 59.93 40.44
5 Standar deviasi cluster 4.5684 9.5281 3.3144
Dari tabel 5.6 dapat dilihat bahwa cluster 2 memiliki standar deviasi yang
tertinggi diantara cluster yang lainnya. Hal ini dapat dikatakan bahwa cluster 2
memiliki variasi nilai yang beragam. Cluster 3 memiliki standar deviasi yang terendah
diantara cluster yang lainnya. Hal ini dapat dikatakan bahwa cluster 3 merupakan
memiliki variasi nilai yang cenderung sama/tidak beragam. Cluster 1 memiliki standar
deviasi yang sedang diantara cluster yang lainnya.
Sekolah yang memiliki rata-rata tertinggi pada cluster 2 adalah SMA

MUHAMMADIYAH 1 PRAMBANAN dengan nilai rata-rata 88.87. Pada cluster 3
sekolah yang memiliki rata-rata tertinggi adalah SMA 1 SEMIN dengan nilai rata-rata
46.15. Pada cluster 1 sekolah yang memiliki rata-rata tertinggi SMA NEGERI 1
MINGGIR adalah dengan nilai rata-rata 35.72.
Sekolah yang memiliki rata-rata terendah pada cluster 2 adalah SMA

MUHAMMADIYAH BANTUL dengan nilai rata-rata 46.98. Pada cluster 3 sekolah
yang memiliki rata-rata terendah adalah SMA 1 TURI dengan nilai rata-rata 36.16.
Pada cluster 1 sekolah yang memiliki rata-rata terendah SMA MANDALA BHAKTI
adalah dengan nilai rata-rata 18.10.
Ketiga sekolah yang memiliki nilai rata-rata tertinggi dapat menjadi contoh
untuk sekolah lainnya dalam tiap kelompoknya. Ketiga sekolah yang memiliki nilai
61
rata-rata terendah dapat menjadikan sekolah yang memiliki nilai rata-rata tertinggi
menjadi contoh agar dapat meningkat nilai rata-rata sekolanya.
62
BAB VI
PENUTUP
6.1 Kesimpulan
Hasil penelitian Impementasi Algoritma Partitioning Around Medoids (PAM)

untuk pengelompokan Sekolah Menengah Atas di Daerah Istimewa Yogyakarta
berdasarkan nilai daya serap Ujian Nasional mata pelajaran matematika menghasilkan
kesimpulan sebagai berikut :
1. Implementasi algoritma Partitioning Around Medoids (PAM) untuk

mengelompokan Sekolah Menengah Atas di DIY berdasarkan nilai daya
serap Ujian Nasional mata pelajaran matematika telah berhasil dibangun dan
dapat digunakan untuk pengelompokan Sekolah Menengah Atas di DIY.
2. Metode Clustering dengan algoritma Partitioning Around Medoids (PAM)
terbukti dapat digunakan untuk mengelompokan data sekolah berdasarkan
Nilai Daya Serap Ujian Nasional Jurusan IPA Mata Pelajaran Matematika
tahun ajaran 2014/2015 di DIY.
3. Berdasarkan hasil evaluasi dari pengelompokkan nilai daya serap Ujian
Nasional mata pelajaran matematika tahun ajaran 2014/2015 dengan nilai
jumlah cluster (k)=2 sampai dengan jumlah cluster (k)=(1/2)*n, dapat
disimpulkan bahwa :
 Tidak terdapat nilai Silhouette Index Global yang bernilai negatif,
berarti data yang terdapat dalam cluster telah tepat berada didalam
cluster masing-masing.
 Nilai Silhouette Index Global yang didapatkan bernilai antara 0.1762
yang terdapat pada jumlah cluster (k)=16 hingga 0.5454 yang
terdapat pada jumlah cluster (k)=63.
 Nilai Silhouette Index Global ketika diberi jumlah cluster (k)=2 hasil
Silhouette Index Global yang didapatkan sebesar 0.4361 dan ketika
63
diberikan jumlah cluster (k) yang semakin besar maka hasil

Silhouette Index Global yang didapatkan beragam namun cenderung
lebih kecil dibandingkan jumlah cluster (k) yang diberikan
sebelumnya. Nilai Silhouette Index Global terlihat besar kembali
ketika jumlah cluster (k) yang diberikan 26 sebesar 0.4593, namun
ketika nilai dari jumlah cluster (k) ditambah kembali hasil Silhouette
Index Global yang didapatkan beragam kembali. Ketika jumlah
cluster (k) yang diberikan k=57 nilai Silhouette Index Global
cenderung lebih besar dibandingkan jumlah cluster (k) yang
diberikan sebelumnya. Nilai Silhouette Index Global terkecil terdapat
pada jumlah cluster (k)=16 yaitu sebesar 0.1762.
 Nilai Silhouette Coefficient (SC) yang didapatkan adalah 0.5454.
Nilai tersebut berada pada interval 0.51 – 0.70 yang dapat dikatakan
memiliki struktur pengelompokan yang baik. Jumlah cluster yang
disarankan untuk pengelompokkan adalah 2.
4. Hasil pengelompokan nilai daya serap ujian nasional mata pelajaran
matematika dengan menggunakan nilai rata-rata dari 29 kompetensi yang
dikelompokan menjadi 3 cluster didapatkan hasil sebagai berikut :
 Nilai Silhouette Index Global yang didapatkan bernilai 0.2724. nilai
tersebut berada pada interval 0.26 – 0.50 yang dapat dikatakan
memiliki struktur pengelompokan yang lemah.
 Jumlah anggota tiap cluster yang didapatkan adalah cluster 1
sebanyak 66 anggota, cluster 2 sebanyak 40 anggota, dan cluster 3
sebanyak 31 anggota.
 Standar deviasi tiap cluster yang didapatkan adalah cluster 1 bernilai
4.5684, cluster 2 bernilai 9.5281, dan cluster 3 bernilai 3.3144.
5. Hasil anggota pengelompokan/clustering bisa berbeda-beda walaupun
menggunakan jumlah cluster yang sama. Hal ini disebabkan karena ketika
proses clustering terjadi menggunakan baris yang random/acak untuk tiap
medoids.
64
6.2 Saran
Penelitian Impementasi Algoritma Partitioning Around Medoids (PAM) untuk

pengelompokan Sekolah Menengah Atas di Daerah Istimewa Yogyakarta berdasarkan
nilai daya serap Ujian Nasional ini memberikan saran untuk pengembangan penelitian
di masa mendatang, yaitu :
1. Perangkat lunak perlu dikembangkan agar dapat menyimpan hasil

pengelompokkan data ke dalam file selain berekstensi .doc dan .txt.
2. Perangkat lunak dikembangkan agar dapat menampilkan hasil
pengelompokan ke dalam bentuk yang lebih menarik dan mudah dipahami
(misalnya tabel, diagram atau grafik).
3. Penelitian dikembangkan menggunakan dataset yang berbeda. Misalnya
dataset mata pelajaran yang berbeda untuk tahun ajaran yang sama atau
dataset mata pelajaran yang sama untuk tahun ajaran yang berbeda atau
dataset mata pelajaran yang sama dengan provinsi yang bebeda atau seluruh
indonesia.
65
DAFTAR PUSTAKA
Anonim. 2015. Pembahasan Mengenai Pengertian Data Mining.

http://infodanpengertian.blogspot.co.id/2015/11/pengertian-data-mining.html.
Diakses pada tanggal 12 April 2016.
Han, Jiawei, and Kamber, Micheline. 2006. Data Mining : Concepts and Techniques
Second Edition. San Francisco, CA: Morgan Kaufmann Publishers.
Hermawati, Fajar Astuti. 2013. Data Mining. Yogyakarta: ANDI.
Indriyati, Mardji, dan Abusamad, Abdol. Implementasi K-Medoids Menggunakan

Data Numerik Berukuran Besar.
Kaufman, Leonard, and Rousseeuw, Peter J. 1990. Finding Group in Data. John Willey
& Sons, Inc. Kanada.
Megawati, Maria Riana. 2015. Implementasi Algoritma Fuzzy C-Means untuk

Pengelompokan Sekolah Menengah Atas di DIY Berdasarkan Nilai Ujian
Nasional dan Nilai Sekolah. Yogyakarta: Universitas Sanata Dharma.
Prasetyo, Eko. 2014. Data Mining-Mengolah Data Menjadi Informasi Menggunakan

Matlab. Yogyakarta: Andi.
Santosa, Budi. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis.
Yogyakarta: Graha Ilmu.
Sudrajat, Akhmad. 2015. Permendikbud No. 143/2014: Petunjuk Teknis Pengawas

Sekolah. https://akhmadsudrajat.wordpress.com/2015/11/26/permendikbud-no-
143-tahun-2014/. Diakses pada tanggal 15 Januari 2017.
Vania, Leonie. Range, Deviasi, dan Variasi. https://leonievania20.wordpress.com/

tugas-statistik-ekonomi/range-deviasi-dan-variansi/. Diakses pada tanggal 26
Januari 2017.
66
Yusupa, Ade. 2015. Algoritma K-Medoids. http://dokumen.tips/documents/algoritma-

k-medoids.html. Diakses pada tanggal 12 April 2016.
67
LAMPIRAN 1 : Contoh Perhitungan K-Medoids
1. Menginisialisasi pusat cluster sebanyak k (jumlah cluster) dari data sampel. Diasumsikan bahwa sekolah SMA Negeri 4
Yogyakarta dan SMA Stella Duce 1 yogyakarta adalah medoids. Jadi C1 = (36.42, 70.37, 58.03, 79.63, 60.49, 50.62, 75.52)
dan C2 = (36.59, 73.98, 64.63, 83.74, 69.92, 47.97, 84.55).
2. Menghitung jarak menggunakan Euclidean distance dari data contoh tabel 2.1 yang digunakan.
C1
I (i-C1)^2 Jumlah Cost

SMA NEGERI 3 YOGYAKARTA 328.697 15.6816 354.946 165.894 206.784 263.088 161.544 1496.64 38.6864
SMA NEGERI 4 YOGYAKARTA 0 0 0 0 0 0 0 0 0
SMA STELLA DUCE 1
YOGYAKARTA 0.0289 13.0321 43.56 16.8921 88.9249 7.0225 81.5409 251.001 15.843
SMA BOPKRI 1 YOGYAKARTA 0.6241 121.661 7.3984 98.01 541.958 122.988 2.5921 895.232 29.9204
Total Cost C1 51.4877
68
C2
SMA STELLA DUCE 1
YOGYAKARTA 36.59 73.98 64.63 83.74 69.92 47.97 84.55
i (i-C1)^2 Jumlah Cost

SMA NEGERI 11 YOGYAKARTA 4.84 172.397 160.023 19.0969 473.933 97.4169 196 1123.71 33.5217
SMA STELLA DUCE 1
YOGYAKARTA 0 0 0 0 0 0 0 0 0
Total Cost C2 60.1376
Setelah menghitung cost/jarak. Kemudian, menentukan cost/jarak yang terdekat dengan medoids. Cost/jarak yang terdekat
dengan medoids terlihat dengan data yang diberi blok merah dalam tabel. Setelah selesai, menghitung total cost/jarak dari kedua
cluster.
3. Memilih obyek non-medoids. Asumsikan non-medoids 1 adalah SMA Negeri 6 Yogyakarta dan non-medoids 2 adalah SMA
11 Yogyakarta. Jadi non-medoids1 = (31.25, 61.08, 67.43, 81.62, 64.32, 50.81, 82.70) dan non-medoids2 = (34.39, 60.85,
51.98, 79.37, 48.15, 38.10, 70.55). Kemudian, ulangi langkah 2 hingga didapatkan hasil seperti dibawah ini.
69
non-medoids1
I (i-nonMed1)^2 Jumlah Cost

SMA STELLA DUCE 1
YOGYAKARTA 27.4576 166.41 7.84 4.4944 31.36 8.0656 3.4225 249.05 15.7813
Total Cost
nonMed1 86.9253
non-medoids2
I (i-nonMed1)^2 Jumlah Cost

SMA STELLA DUCE 1
YOGYAKARTA 4.84 172.397 160.023 19.0969 473.933 97.4169 196 1123.71 33.5217
Total Cost
nonMed2 27.8463
70
4. Menghitung nilai selisih antara total cost baru dengan total cost lama.
Total Cost C1, C2 111.625

Total Cost nonMed1, nonMed2 114.772
Selisih 3.14627
5. Jika selisih yang didapatkan kurang dari 0 maka, tukar nilai C1 dan C2 dengan non-medoids1 dan non-medoids2. Ulangi
langkah 3 dengan menggunakan non-medoids baru hingga pada langkah ke 4 di dapatkan nilai selisih lebih dari 0. Jika selisih
yang didapatkan lebih dari 0 maka, proses clustering berhenti.
6. Didapatkan cluster beserta anggota cluster dari masing-masung yaitu:
Cluster 1 SMA NEGERI 4 YOGYAKARTA

SMA NEGERI 11 YOGYAKARTA
SMA BOPKRI 1 YOGYAKARTA
Cluster 2 SMA NEGERI 3 YOGYAKARTA

SMA STELLA DUCE 1 YOGYAKARTA
71
LAMPIRAN 2 : Diagram Kelas
72
LAMPIRAN 3 : Prosedur Pengujian dan Kasus Uji
Identifikasi Deskripsi Prosedur Masukan Keluaran yang Hasil yang Catatan Proses
Usecase Pengujian Diharapkan Didapat Pengembangan
UC-01 Pengujian 1. Jalankan Contoh2.xls Data pada file Data pada file Tidak
memasukkan sistem. Contoh2.xls Contoh2.xls diperbaiki
data dari file 2. Pada ditampilkan ditampilkan
berekstensi halaman pada tabel pada tabel
.xls awal, tekan data pada data pada
tombol halaman Input halaman Input
“MASUK Data. Data.
UC-02 Pengujian SISTEM”. ContohDoc.doc Muncul Muncul Tidak
memasukkan 3. Pada pemberitahuan pemberitahuan diperbaiki
data selain file halaman bahwa tipe bahwa file
berekstensi input data, yang dipilih yang dipilih
.xls tekan tombol bukan harus
“PILIH merupakan berekstensi/
FILE”. file berformat .xls
73
4. Pilih file berekstensi

yang akan .xls
digunakan.
5. Tekan tombol
“OPEN”
UC-03 Penguji 1. Tabel pada Atribut yang Kolom Kode Kolom Kode Tidak
menghapus halaman tercentang : Sekolah pada Sekolah pada diperbaiki.
atribut yang input data KODE tabel data tabel data
tidak sudah berisi SEKOLAH. terhapus. terhapus.
diinginkan data.
2. Memilih
atribut yang
ingin di
hapus pada
kolom seleksi
atribut.
3. Tekan tombol
“Hapus
Atribut”
74
UC-04 Pengujian 1. Atribut yang Metode Proses Proses Tidak

melakukan akan clustering : K- clustering clustering diperbaiki.
proses digunakan Medoids/PAM berjalan. Hasil berjalan. Hasil
clustering untuk proses clustering clustering
telah dipilih Jumlah cluster muncul pada muncul pada
dari halaman :2 textArea. text area.
input data.
2. Menekan
tombol
proses pada
halaman
input data.
3. Menampilkan
data yang
dipilih pada
tabel di
halaman
kmedoids.
75
4. Menekan
tombol
“PROCESS”
pada halaman
kmedoids.
UC-05 Pengujian 1. Proses Tipe file : .doc File tersimpan File tersimpan Tidak
menyimpan clustering pada direktori pada direktori diperbaiki
hasil sudah D: D:
clustering ke berhasil
dalam file dilakukan.
bertipe .doc 2. Memilih
direktori
penyimpanan.
3. Memberi
nama pada
file yang
akan
disimpan.
76
LAMPIRAN 4 : Data Uji Algoritma K-Medoids
KODE NAMA SEKOLAH MAT1 MAT2 MAT3 MAT4 MAT5 MAT6 MAT7
01-001 SMA NEGERI 3 YOGYAKARTA 66.51 91.39 82.42 89.00 64.11 71.29 90.43
01-006 SMA STELLA DUCE 1 YOGYAKARTA 52.99 69.40 52.24 68.66 41.79 48.51 76.61
01-007 SMA BOPKRI 1 YOGYAKARTA 42.22 81.11 56.95 77.78 26.67 38.89 64.44
01-008 SMA BOPKRI 2 YOGYAKARTA 28.00 32.00 30.00 58.00 26.00 28.00 54.67
01-009 SMA BUDYA WACANA YOGYAKARTA 30.00 30.00 23.75 50.00 20.00 30.00 55.00
SMA BHINNEKA TUNGGAL IKA
01-010 YOGYAKARTA 75.00 25.00 6.25 50.00 50.00 0.00 50.00
01-011 SMA TAMAN MADYA JETIS YOGYAKARTA 54.55 31.82 61.37 63.64 54.55 54.55 48.48
01-012 SMA MUHAMMADIYAH 1 YOGYAKARTA 35.78 64.22 51.30 73.71 39.22 54.74 68.68
01-019 SMA BUDI LUHUR YOGYAKARTA 60.00 20.00 42.50 60.00 20.00 50.00 40.00
77
KODE MAT8 MAT9 MAT10 MAT11 MAT12 MAT13 MAT14 MAT15 MAT16 MAT17 MAT18 MAT19
01-001 84.21 47.37 63.16 90.44 89.95 93.78 75.60 89.47 48.80 83.73 89.00 78.95
01-002 54.29 27.86 32.50 54.29 67.86 72.14 55.71 56.43 45.00 57.86 62.86 60.71
01-003 67.22 34.72 34.72 65.84 83.33 82.22 68.89 68.33 42.22 67.22 68.89 67.22
01-004 61.90 28.23 45.92 75.51 86.39 87.76 65.31 68.03 44.22 71.43 70.75 72.11
01-005 41.71 26.74 32.62 64.71 86.63 83.42 49.73 66.31 44.92 60.96 68.45 65.78
01-006 55.22 25.75 34.70 69.41 79.85 85.82 61.94 61.94 47.76 64.93 72.39 66.42
01-007 35.56 21.67 37.78 48.89 60.00 67.78 50.00 61.11 30.00 58.89 81.11 54.44
01-008 40.00 21.00 30.00 41.00 32.00 46.00 32.00 44.00 26.00 48.00 56.00 46.00
01-009 35.00 10.00 25.00 35.00 45.00 45.00 40.00 25.00 15.00 50.00 70.00 20.00
01-010 25.00 0.00 25.00 25.00 25.00 25.00 0.00 25.00 25.00 100.00 25.00 75.00
01-011 36.36 50.00 47.73 50.00 50.00 68.18 54.55 45.45 36.36 50.00 63.64 50.00
01-012 54.31 23.92 37.07 58.62 67.67 67.24 60.78 50.00 34.91 49.57 65.95 59.48
01-015 77.05 41.81 55.94 84.43 90.16 91.80 66.80 87.30 49.59 70.90 88.11 80.33
01-017 78.15 36.14 52.31 71.64 88.24 90.76 73.95 83.19 46.64 73.11 85.29 79.41
01-018 53.90 36.88 36.53 73.41 81.56 89.36 79.43 85.11 41.13 73.05 66.67 68.79
01-019 50.00 35.00 20.00 35.00 40.00 50.00 30.00 40.00 30.00 30.00 40.00 60.00
01-021 50.00 35.91 40.46 70.46 87.27 83.64 48.18 60.91 45.45 74.55 75.45 67.27
01-022 29.08 11.70 21.63 38.66 49.65 40.43 23.40 22.70 14.89 43.26 48.94 38.30
01-025 26.51 27.11 21.09 24.70 34.94 45.78 21.69 26.51 26.51 39.76 39.76 46.99
01-026 35.00 27.50 17.50 35.00 50.00 50.00 40.00 30.00 40.00 35.00 55.00 50.00
78
KODE MAT20 MAT21 MAT22 MAT23 MAT24 MAT25 MAT26 MAT27 MAT28 MAT29
01-001 94.26 90.36 7.18 82.66 77.51 76.08 97.01 98.56 79.43 39.71
01-002 80.00 63.39 12.14 62.32 37.14 42.86 75.89 94.29 57.14 29.29
01-003 84.44 79.72 7.22 68.20 41.67 48.89 83.45 92.22 61.67 25.56
01-004 87.07 82.20 14.29 72.11 41.50 50.34 89.74 98.64 61.22 26.53
01-005 75.40 75.33 10.70 61.36 32.09 47.59 79.05 95.19 59.89 37.43
01-006 83.58 82.24 8.21 63.25 42.54 52.99 85.05 98.51 51.49 36.57
01-007 51.11 52.11 14.44 51.67 31.11 36.67 73.97 84.44 44.44 23.33
01-008 42.00 43.59 30.00 41.50 32.00 28.00 48.78 68.00 34.00 52.00
01-009 60.00 31.25 15.00 48.75 25.00 30.00 81.25 85.00 25.00 25.00
01-010 25.00 0.00 0.00 37.50 0.00 50.00 66.67 50.00 50.00 50.00
01-011 63.64 52.94 13.64 54.55 54.55 50.00 47.06 68.18 45.45 68.18
01-012 67.67 57.84 13.36 54.85 31.90 39.66 66.85 89.66 53.45 28.45
01-015 93.44 91.28 9.84 79.61 70.08 73.36 94.39 98.77 79.10 26.64
01-017 94.96 85.71 9.66 75.00 60.50 64.71 91.49 96.64 77.73 28.15
01-018 93.62 81.25 18.44 72.16 43.26 71.63 91.15 97.87 70.92 26.24
01-019 30.00 25.00 0.00 35.00 40.00 50.00 50.00 60.00 50.00 50.00
01-021 83.64 72.73 6.36 65.91 45.45 56.36 89.77 96.36 50.00 41.82
01-022 32.62 31.86 14.18 32.98 12.06 15.60 48.21 60.28 21.28 29.79
01-025 31.33 28.79 14.46 31.33 26.51 20.48 46.97 60.24 25.30 28.92
01-026 30.00 37.50 5.00 40.00 25.00 15.00 56.25 65.00 40.00 40.00
79
LAMPIRAN 5 : Perhitungan Manual
1. Menginisiai pusat cluster sebanyak 3 cluster dari data uji (Lampiran 4 menggunakan 29 atribut MAT1, MAT2, MAT3, …,
MAT29). C1 adalah SMA MUHAMMADIYAH 6 YOGYAKARTA, C2 adalah SMA MUHAMMADIYAH 3
YOGYAKARTA, dan C3 adalah SMA NEGERI 10 YOGYAKARTA.
2. Menghitung jarak menggunakan Euclidean Disance dari data uji yang digunakan. Hasilnya seperti dibawah ini.
C1 :
i (i-C1)^2
SMA STELLA DUCE 1 YOGYAKARTA 528.5 1552.4 297.2 559.8 3.2 2.2 1340.3
SMA BUDYA WACANA YOGYAKARTA 0.0 0.0 126.6 25.0 400.0 400.0 225.0
SMA BHINNEKA TUNGGAL IKA YOGYAKARTA 2025.0 25.0 826.6 25.0 100.0 2500.0 100.0
SMA TAMAN MADYA JETIS YOGYAKARTA 602.7 3.3 695.4 347.4 211.7 20.7 71.9
SMA MUHAMMADIYAH 1 YOGYAKARTA 33.4 1171.0 265.7 824.3 0.6 22.5 822.5
80
SMA BUDI LUHUR YOGYAKARTA 900.0 100.0 56.3 225.0 400.0 0.0 0.0
(i-C1)^2
2421.6 394.8 2084.8 3073.6 1596.0 1916.7 1267.4 3536.7 77.4 2374.6 1156.0 838.1 4129.3
372.1 0.1 225.0 372.1 319.0 490.2 246.8 698.5 25.0 522.6 61.8 114.7 2500.0
1038.1 52.1 296.5 951.1 1110.9 1038.1 834.6 1469.2 4.9 1038.1 192.9 296.5 2963.7
723.6 0.5 807.7 1641.1 1324.2 1425.8 640.6 1446.3 17.8 1327.1 248.1 488.9 3257.0
45.0 0.6 228.6 882.7 1341.8 1116.9 94.7 1318.4 24.2 673.9 180.9 249.0 2061.2
408.8 3.1 295.8 1184.0 891.0 1283.1 481.4 1020.2 60.2 895.8 302.4 269.6 2870.8
0.3 34.0 411.3 192.9 100.0 316.1 100.0 967.8 100.0 570.7 681.7 19.7 445.6
25.0 42.3 156.3 36.0 324.0 16.0 64.0 196.0 196.0 169.0 1.0 16.0 144.0
0.0 306.3 56.3 0.0 25.0 25.0 0.0 25.0 625.0 225.0 225.0 900.0 900.0
100.0 756.3 56.3 100.0 625.0 625.0 1600.0 25.0 225.0 4225.0 900.0 625.0 25.0
1.8 506.3 913.9 225.0 0.0 330.5 211.7 238.7 13.2 225.0 74.6 0.0 1131.6
372.9 12.8 383.0 557.9 312.2 297.2 431.8 400.0 25.9 212.3 119.9 89.9 1419.0
1768.2 204.8 1477.6 2443.3 1612.8 1747.2 718.2 3283.3 92.0 1288.8 1096.3 919.9 4024.6
1861.9 74.6 1211.7 1342.5 1462.3 1661.4 1152.6 2829.2 44.1 1452.4 917.5 864.9 4219.8
357.2 88.0 362.1 1475.3 996.0 1549.2 1554.7 3037.1 1.3 1447.8 136.2 353.1 4047.5
225.0 56.3 6.3 0.0 100.0 0.0 100.0 100.0 100.0 25.0 225.0 100.0 0.0
225.0 70.7 527.2 1257.4 1389.1 1131.6 66.9 955.4 29.7 1564.2 418.2 298.3 2877.2
35.0 249.6 17.1 13.4 0.1 91.6 275.6 53.3 630.5 68.2 36.7 136.9 6.9
81
72.1 0.2 12.9 106.1 226.8 17.8 335.3 12.2 182.0 22.7 232.3 9.1 1.8
0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
(i-C1)^2 Jumlah cost

2794.2 4.8 1819.9 2757.3 3730.8 1661.4 1126.3 1554.7 0.1 53180.55 230.6091
670.3 51.0 498.2 147.4 776.2 385.7 857.9 293.8 114.7 12226.68 110.5743
1782.5 4.9 795.2 277.9 1148.5 739.8 740.9 469.6 208.5 24078.74 155.1733
1998.1 86.3 1031.1 272.3 1248.9 1121.6 1131.6 450.3 181.4 27363.08 165.4179
1431.1 32.5 456.2 50.3 1062.1 519.8 911.4 395.6 6.6 17514.49 132.3423
2001.7 10.3 540.6 307.7 1443.2 829.4 1122.9 132.0 11.8 20649.49 143.6993
213.5 89.1 136.2 37.3 469.6 314.0 377.9 19.7 277.9 11091.8 105.3176
37.1 625.0 2.3 49.0 169.0 55.8 9.0 36.0 144.0 3609.848 60.08201
39.1 100.0 76.6 0.0 225.0 625.0 400.0 225.0 225.0 6404.688 80.02929
1406.3 25.0 6.3 625.0 1225.0 108.6 225.0 100.0 100.0 19310.14 138.9609
238.4 74.6 211.7 873.2 1225.0 84.5 10.1 29.7 794.1 9366.907 96.78278
413.7 69.9 220.5 47.6 608.1 112.4 608.1 180.9 133.4 10169.45 100.8437
2892.3 23.4 1569.0 2032.2 3405.9 1454.7 1140.4 1528.8 178.5 46823.7 216.3879
2324.2 21.7 1225.0 1260.3 2471.1 1241.9 1001.1 1423.6 140.4 38793.54 196.9608
1914.1 180.6 1034.3 333.4 3207.0 1218.0 1080.4 956.0 189.3 32090.42 179.138
156.3 25.0 25.0 225.0 1225.0 39.1 25.0 100.0 100.0 4639.063 68.11066
1241.2 1.8 671.3 418.2 1710.6 1123.6 983.4 100.0 3.3 22473.07 149.9102
31.8 84.3 49.3 167.4 0.4 64.6 22.3 350.4 104.2 3452.458 58.75762
75.9 89.5 75.2 2.3 30.0 86.1 22.7 216.1 122.8 2496.487 49.96486
0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0 0
Total C1 224.9755
82
C2 :
i (i-C2)^2
83
(i-C2)^2
3039.32 1272.35 1724.74 2681.17 1624.09 2846.22 2724.84 4458.23 1149.89 1637.82 1604.80 1652.42 3799.49
635.54 261.15 118.16 244.30 331.60 1005.52 1043.94 1137.71 906.61 213.16 193.77 502.21 2244.86
1454.66 529.92 171.35 738.75 1134.34 1746.40 2069.34 2082.10 746.93 574.08 398.00 836.37 2685.31
1077.15 273.24 590.00 1357.92 1349.83 2240.13 1756.45 2054.81 860.25 793.55 475.68 1143.12 2964.80
159.52 226.20 120.78 678.60 1367.52 1848.14 693.27 1901.83 901.80 313.29 380.64 755.15 1830.13
683.30 197.40 170.82 945.56 912.04 2060.25 1485.33 1539.78 1080.44 469.59 549.90 790.73 2596.92
41.99 99.40 260.82 104.65 107.12 748.02 707.56 1475.33 228.31 244.30 1034.91 260.50 341.88
119.25 86.49 70.06 5.48 311.52 31.02 73.96 453.69 123.43 22.47 49.84 59.29 87.98
35.05 2.89 11.36 13.40 21.62 20.88 275.56 5.29 0.01 45.43 443.52 334.89 749.66
16.65 136.89 11.36 186.60 607.62 238.08 547.56 5.29 102.21 3219.43 573.12 1346.89 58.06
53.00 1466.89 681.21 128.60 0.12 770.06 970.32 517.56 460.96 45.43 216.09 136.89 962.24
636.55 149.33 238.39 398.40 324.72 718.78 1397.26 745.29 400.80 39.82 289.34 448.59 1228.50
2301.12 906.61 1177.18 2094.89 1641.06 2638.88 1883.56 4173.16 1204.09 763.97 1534.29 1766.52 3699.07
2407.86 597.31 941.26 1087.68 1489.19 2533.11 2555.30 3659.04 1008.06 891.02 1321.32 1690.03 3886.28
616.03 634.03 222.01 1207.56 1018.25 2394.14 3139.36 3895.01 688.54 887.44 314.35 929.64 3721.00
437.65 542.89 2.66 13.40 93.12 91.58 43.56 299.29 228.31 175.83 79.92 470.89 6.86
437.65 586.12 354.57 1011.24 1415.26 1867.10 614.05 1460.00 933.91 979.06 702.78 839.26 2603.04
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
6.60 237.47 0.29 194.88 216.38 28.62 2.92 14.52 135.02 12.25 84.27 75.52 1.66
35.0464 249.64 17.0569 13.3956 0.1225 91.5849 275.56 53.29 630.5121 68.2276 36.7236 136.89 6.8644

3422.25 49.00 2468.10 4283.70 3657.83 2381.44 1465.36 3381.42 98.41 67829.25 260.4405
994.14 4.16 860.84 629.01 743.11 766.18 1156.68 1285.94 0.25 18749.22 136.9278
2290.58 48.44 1240.45 876.75 1108.22 1241.86 1020.16 1631.35 17.89 33027.87 181.7357
84
2534.12 0.01 1531.16 866.71 1206.87 1724.74 1471.49 1595.20 10.63 36095.6 189.9884
1889.64 12.11 805.42 401.20 1023.36 951.11 1218.71 1490.73 58.37 25002.06 158.1204
2538.14 35.64 916.27 929.03 1398.01 1357.19 1461.53 912.64 45.97 28527.51 168.9009
410.06 0.07 349.32 362.90 443.94 663.58 583.71 536.39 41.73 15004.14 122.4914
137.59 250.27 72.59 397.60 153.76 0.32 59.60 161.80 493.28 3639.711 60.33002
0.37 0.67 248.69 167.44 207.36 1091.64 611.08 13.84 22.94 4504.996 67.11926
1015.06 201.07 20.43 145.44 1183.36 340.77 105.68 824.84 408.44 14787.15 121.6024
444.37 0.29 465.26 1805.40 1183.36 1.32 62.41 584.19 1473.79 16321.66 127.7563
674.96 0.67 478.30 393.63 578.88 347.45 863.18 1034.91 1.80 16037.3 126.6385
3530.74 18.84 2174.36 3366.32 3336.22 2132.59 1481.48 3343.15 9.92 60351.74 245.6659
2899.82 20.43 1765.68 2346.43 2411.79 1873.16 1322.05 3186.60 2.69 50521.14 224.7691
2439.37 18.15 1535.07 973.44 3139.36 1843.84 1413.01 2464.13 12.60 41640.96 204.0612
47.06 201.07 4.08 780.64 1183.36 3.20 0.08 824.84 408.44 7602.271 87.191
1670.36 61.15 1084.38 1114.89 1661.38 1727.23 1301.77 824.84 144.72 31051.88 176.2154
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0 0
9.42 0.08 2.72 208.80 23.81 1.54 0.00 16.16 0.76 1753.847 41.87895
31.8096 84.2724 49.2804 167.4436 0.36 64.6416 22.2784 350.4384 104.2441 3452.458 58.75762
Total C2 230.6006
C3 :
i (i-C3)^2
85
86
(i-C3)^2
1170.32 131.33 515.29 399.20 7.18 102.82 751.86 815.67 11.22 84.27 183.60 136.42 112.78
18.40 64.80 63.36 261.47 376.75 132.25 56.70 20.07 0.20 278.56 158.51 43.03 13.25
296.53 1.42 32.95 21.34 15.52 2.02 428.90 55.06 10.43 53.73 43.03 0.00 0.64
141.61 58.98 29.81 25.50 0.77 16.97 293.44 50.69 1.51 9.73 22.09 23.43 11.76
68.72 84.09 61.47 33.06 0.41 0.05 2.40 29.16 0.28 184.69 49.00 2.22 67.90
27.25 103.23 33.18 1.10 55.06 4.75 189.34 1.06 5.34 92.54 9.36 0.72 0.00
208.51 202.78 7.18 465.26 743.65 251.54 3.31 0.04 238.70 245.24 32.04 164.61 1058.20
100.00 222.31 109.41 867.89 3054.77 1416.77 261.79 285.95 378.30 704.90 378.30 452.41 1733.89
225.00 671.33 239.01 1257.41 1786.75 1493.05 66.91 1289.53 927.20 602.70 29.70 2234.45 558.85
625.00 1289.53 239.01 2066.61 3877.55 3438.65 2321.31 1289.53 418.20 647.70 2545.20 59.75 3438.65
186.05 198.53 52.85 418.61 1389.05 239.01 40.58 239.01 82.63 602.70 139.48 298.25 400.00
18.58 143.76 11.49 140.19 384.16 268.96 158.76 119.03 111.09 624.00 90.25 60.68 255.04
731.70 34.81 239.63 195.16 8.35 66.59 346.70 696.43 17.14 13.32 160.28 170.56 96.04
792.42 0.05 140.42 1.39 0.94 50.69 664.09 496.40 1.42 2.07 96.83 147.38 128.14
15.21 0.94 15.44 8.70 32.60 32.72 976.56 585.64 18.66 2.25 77.09 2.31 99.60
0.00 0.83 418.61 1257.41 2234.45 1131.65 330.51 437.23 238.70 1984.70 1256.70 52.85 2877.25
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
437.65 586.12 354.57 1011.24 1415.26 1867.10 614.05 1460.00 933.91 979.06 702.78 839.26 2603.04
551.78 77.44 375.20 2093.98 2738.43 1433.38 701.72 1183.36 358.72 1210.34 1273.78 411.28 2736.34
225.00 70.73 527.16 1257.41 1389.05 1131.65 66.91 955.43 29.70 1564.20 418.20 298.25 2877.25

310.82 0.67 280.56 1027.84 388.88 52.42 4.84 866.12 4.45 9269.56 96.27855
87.24 33.41 12.89 69.06 182.25 192.65 4.28 50.98 157.00 3473.711 58.9382
48.86 0.74 5.24 14.29 55.80 39.94 17.14 136.19 264.39 2274.874 47.69564
89.68 62.88 38.44 15.60 36.24 0.00 5.20 125.89 233.78 1739.023 41.7016
87
6.76 18.84 20.70 178.49 76.91 114.92 1.37 97.81 19.27 1534.285 39.16994
90.44 3.42 7.08 8.47 11.36 22.28 4.62 2.22 27.56 1310.561 36.20168
425.18 65.29 202.78 205.64 387.70 249.64 142.09 30.91 341.88 7604.787 87.20543
849.14 558.85 595.85 180.90 804.29 1680.18 804.29 256.00 103.63 21272.65 145.8515
1720.59 74.65 294.47 418.20 694.85 72.59 129.05 625.00 282.91 22362.91 149.5423
5289.65 40.45 807.13 2065.70 40.45 533.61 2149.25 0.00 66.91 43643.36 208.9099
391.64 53.00 129.05 82.81 40.45 1824.14 794.11 20.70 694.85 10583.74 102.8773
221.71 49.00 122.32 183.60 278.89 525.33 44.89 11.90 178.76 4869.28 69.78022
344.10 12.11 187.69 606.64 289.00 21.34 5.81 846.81 230.43 6753.734 82.1811
168.48 10.89 82.63 226.50 69.72 2.96 0.08 768.95 186.87 4812.458 69.37188
72.59 145.93 39.06 4.80 233.17 1.90 2.28 437.65 242.74 3503.296 59.18865
2278.15 40.45 955.43 29.70 40.45 1581.65 1322.05 0.00 66.91 24465.34 156.414
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0 0
1670.36 61.15 1084.38 1114.89 1661.38 1727.23 1301.77 824.84 144.72 31051.88 176.2154
1930.72 65.61 1195.78 358.72 1287.37 1831.84 1304.65 610.09 166.41 31267.94 176.8274
1241.15 1.85 671.33 418.20 1710.65 1123.59 983.45 100.00 3.31 22473.07 149.9102
Total C3 687.7129
Setelah menghitung cost/jarak. Menentukan cost/jarak yang terdekat dengan medoids. Cost/jarak yang terdekat dengan
medoids telihat dengan data yang memiliki blok merah pada tabel.
3. Menghitung total cost dari ketiga C (C1, C2, C3)

Total Cost C1, C2, C3 = 1143.29
88
4. Memilih non-medoids. nonMedoids 1 adalah SMA BUDYA WACANA YOGYAKARTA, nonMedoids 2 adalah SMA
NEGERI 1 YOGYAKARTA, dan nonMedoids 3 adalah SMA NEGERI 11 YOGYAKARTA.
5. Mengulangi langkah 2 – 3. Hasilnya seperti dibawah ini:

nonMedoids 1 :
i (i-non1)^2
89
(i-non1)^2
2421.62 1396.52 1456.19 3073.59 2020.50 2379.49 1267.36 4156.38 1142.44 1137.71 361.00 3475.10 1173.75
372.10 318.98 56.25 372.10 522.58 736.58 246.80 987.84 900.00 61.78 50.98 1657.30 400.00
1038.13 611.08 94.48 951.11 1469.19 1385.33 834.63 1877.49 740.93 296.53 1.23 2229.73 597.31
723.61 332.33 437.65 1641.06 1713.13 1828.42 640.60 1851.58 853.81 459.24 0.56 2715.45 732.78
45.02 280.23 58.06 882.68 1733.06 1476.10 94.67 1706.52 895.21 120.12 2.40 2095.81 237.16
408.85 248.06 94.09 1184.05 1214.52 1666.27 481.36 1364.56 1073.22 222.90 5.71 2154.82 556.02
0.31 136.19 163.33 192.93 225.00 518.93 100.00 1303.93 225.00 79.03 123.43 1186.11 79.03
25.00 121.00 25.00 36.00 169.00 1.00 64.00 361.00 121.00 4.00 196.00 676.00 324.00
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
100.00 100.00 0.00 100.00 400.00 400.00 1600.00 0.00 100.00 2500.00 2025.00 3025.00 1225.00
1.85 1600.00 516.65 225.00 25.00 537.31 211.70 418.20 456.25 0.00 40.45 900.00 13.25
372.88 193.77 145.68 557.90 513.93 494.62 431.81 625.00 396.41 0.18 16.40 1558.67 58.83
1768.20 1011.88 957.28 2443.32 2039.43 2190.24 718.24 3881.29 1196.47 436.81 327.97 3639.71 1118.23
1861.92 683.30 745.84 1342.49 1869.70 2093.98 1152.60 3386.08 1001.09 534.07 233.78 3529.55 1222.20
357.21 722.53 132.94 1475.33 1336.63 1967.81 1554.72 3613.21 682.78 531.30 11.09 2380.46 1130.30
225.00 625.00 25.00 0.00 25.00 25.00 100.00 225.00 225.00 400.00 900.00 1600.00 900.00
225.00 671.33 239.01 1257.41 1786.75 1493.05 66.91 1289.53 927.20 602.70 29.70 2234.45 558.85
35.05 2.89 11.36 13.40 21.62 20.88 275.56 5.29 0.01 45.43 443.52 334.89 749.66
72.08 292.75 15.29 106.09 101.20 0.61 335.26 2.28 132.48 104.86 914.46 728.46 821.97
0.00 306.25 56.25 0.00 25.00 25.00 0.00 25.00 625.00 225.00 225.00 900.00 900.00
(i-non1)^2 Jumlah cost

3493.99 61.15 1149.89 2757.30 2123.37 248.38 183.87 2962.62 216.38 53629.34 231.5801
1032.98 8.18 184.14 147.38 165.38 28.73 86.30 1032.98 18.40 12001.97 109.5535
2349.34 60.53 378.30 277.89 356.83 4.84 52.13 1344.69 0.31 24020.38 154.9851
90
2595.90 0.50 545.69 272.25 413.72 72.08 186.05 1311.89 2.34 26444.19 162.6167
1943.05 18.49 159.01 50.27 309.41 4.84 103.84 1217.31 154.50 18583.48 136.3212
2599.98 46.10 210.25 307.65 528.54 14.44 182.52 701.72 133.86 19924.7 141.1549
435.14 0.31 8.53 37.33 44.49 53.00 0.31 377.91 2.79 10141.21 100.7036
152.28 225.00 52.56 49.00 4.00 1054.30 289.00 81.00 729.00 4910.31 70.07361
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0 0
976.56 225.00 126.56 625.00 400.00 212.58 1225.00 625.00 625.00 20796.95 144.2115
470.46 1.85 33.64 873.20 400.00 1168.96 282.91 418.20 1864.51 14505.64 120.4394
707.03 2.69 37.21 47.61 93.32 207.36 21.72 809.40 11.90 10998.52 104.8738
3603.60 26.63 952.34 2032.21 1880.09 172.66 189.61 2926.81 2.69 47244.94 217.359
2965.89 28.52 689.06 1260.25 1204.78 104.86 135.49 2780.45 9.92 38106.88 195.2098
2500.00 11.83 548.03 333.43 1733.06 98.01 165.64 2108.65 1.54 30311.11 174.1009
39.06 225.00 189.06 225.00 400.00 976.56 625.00 625.00 625.00 11281.25 106.2132
1720.59 74.65 294.47 418.20 694.85 72.59 129.05 625.00 282.91 22362.91 149.5423
0.37 0.67 248.69 167.44 207.36 1091.64 611.08 13.84 22.94 4504.996 67.11926
6.05 0.29 303.46 2.28 90.63 1175.12 613.06 0.09 15.37 6864.5 82.85228
39.06 100.00 76.56 0.00 225.00 625.00 400.00 225.00 225.00 6404.688 80.02929
Total Non 1 550.4991
nonMedoids 2 :
i (i-non2)^2
91
(i-non2)^2
51.27 30.91 52.13 36.12 0.04 3.92 77.44 4.71 0.62 164.61 0.79 1.90 0.67
518.02 194.60 549.43 908.42 497.29 386.52 122.99 952.96 21.07 170.04 637.56 384.94 180.63
96.63 50.27 450.29 345.59 46.65 91.78 4.37 359.86 54.32 13.54 369.41 171.87 81.00
229.52 184.42 100.40 79.57 14.21 16.32 2.22 371.33 28.84 0.28 301.37 67.57 40.58
1248.92 227.10 543.82 388.88 12.46 70.22 291.38 440.58 21.81 98.80 386.52 211.70 325.44
476.55 257.92 451.14 225.60 106.30 35.76 23.62 643.13 3.35 35.64 247.12 193.49 97.22
1721.42 405.62 329.79 1263.09 909.63 576.96 282.24 685.92 383.77 144.24 49.00 670.29 1791.83
1372.70 433.06 672.88 1886.16 3382.59 2097.64 1211.04 1874.89 556.49 524.41 1031.05 1178.55 2646.07
92
1768.20 1011.88 957.28 2443.32 2039.43 2190.24 718.24 3881.29 1196.47 436.81 327.97 3639.71 1118.23
2709.20 1748.08 957.28 3531.92 4245.83 4462.24 4462.24 3881.29 604.67 846.81 3982.87 28.41 4684.03
1655.68 67.08 67.40 1185.42 1612.83 557.90 150.06 1751.42 175.03 436.81 598.78 919.91 888.04
517.11 320.05 356.08 666.16 505.80 603.19 36.24 1391.29 215.50 454.97 491.07 434.72 664.09
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
1.21 32.15 13.18 163.58 3.69 1.08 51.12 16.89 8.70 4.88 7.95 0.85 2.31
535.92 24.30 376.75 121.44 73.96 5.95 159.52 4.80 71.57 4.62 459.67 133.17 0.03
731.70 46.38 1291.68 2443.32 2516.03 1747.24 1354.24 2237.29 383.77 1672.81 2314.57 413.31 4024.63
731.70 34.81 239.63 195.16 8.35 66.59 346.70 696.43 17.14 13.32 160.28 170.56 96.04
2301.12 906.61 1177.18 2094.89 1641.06 2638.88 1883.56 4173.16 1204.09 763.97 1534.29 1766.52 3699.07
2554.29 216.09 1214.52 3567.67 3049.25 2117.84 2034.91 3695.42 532.69 969.70 2337.72 1111.56 3857.65
1768.20 204.78 1477.63 2443.32 1612.83 1747.24 718.24 3283.29 91.97 1288.81 1096.27 919.91 4024.63

0.85 7.08 9.30 55.20 7.40 6.86 0.04 0.11 170.82 929.6375 30.48996
777.85 5.29 298.94 1085.04 930.25 342.25 20.07 482.24 7.02 14143.81 118.9277
133.63 6.86 130.19 807.13 598.78 119.68 42.90 303.80 1.17 5820.384 76.29144
82.45 19.80 56.25 816.82 529.92 21.62 0.02 319.69 0.01 4590.819 67.75558
254.40 0.74 333.06 1443.24 664.09 235.32 12.82 369.02 116.42 9963.974 99.81971
81.72 2.66 267.65 758.45 414.94 87.24 0.07 762.31 98.60 8006.027 89.4764
1534.29 21.16 780.64 1518.66 1346.16 416.98 205.35 1201.32 10.96 20196.73 142.1152
2274.34 406.43 1452.37 1450.09 2057.53 2080.27 946.79 2034.01 643.13 44181.11 210.193
3603.60 26.63 952.34 2032.21 1880.09 172.66 189.61 2926.81 2.69 47244.94 217.359
8332.04 96.83 1773.25 4911.21 545.69 768.40 2378.51 846.81 545.69 73241.48 270.6316
1469.96 14.44 628.00 241.18 545.69 2240.13 935.75 1132.32 1725.57 25414.38 159.4189
1118.23 12.39 613.06 1457.71 1135.69 758.45 82.99 657.92 3.28 16193.25 127.2527
93
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0 0

31.02 0.03 21.25 91.78 74.82 8.41 4.54 1.88 2.28 1433.313 37.85912
100.60 73.96 55.50 719.31 2.99 10.50 0.81 66.91 0.16 4512.941 67.17843
4393.04 96.83 1990.05 904.81 545.69 1970.47 1503.11 846.81 545.69 46228.62 215.0084
344.10 12.11 187.69 606.64 289.00 21.34 5.81 846.81 230.43 6753.734 82.1811
3530.74 18.84 2174.36 3366.32 3336.22 2132.59 1481.48 3343.15 9.92 60351.74 245.6659
3905.00 21.34 2330.96 1898.34 2796.29 2248.66 1484.56 2894.44 5.20 59325.1 243.5674
2892.29 23.43 1568.95 2032.21 3405.89 1454.66 1140.41 1528.81 178.49 46823.7 216.3879
Total Non 2 68.34908
nonMedoids 3 :
I (i-non3)^2
94
(i-non3)^2
1806.25 425.60 932.69 662.03 11.02 107.33 669.26 536.39 15.05 518.47 422.30 173.45 355.70
158.26 1.25 0.01 108.58 352.31 127.24 35.76 97.61 0.01 9.61 31.25 25.70 21.16
650.76 63.68 4.41 1.28 10.89 1.44 367.11 4.08 7.29 39.19 0.19 2.07 81.72
407.64 2.22 176.89 116.64 0.06 18.84 242.74 2.96 0.49 109.62 5.29 40.07 136.19
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
182.52 0.98 4.33 22.09 45.97 5.76 149.08 19.10 8.07 15.76 15.52 0.41 66.91
37.82 25.70 26.63 250.27 709.16 244.61 0.07 27.04 222.61 4.28 160.28 128.60 590.00
2.92 32.95 6.86 562.16 2984.44 1400.26 314.35 497.74 357.97 167.96 155.00 391.25 1115.56
45.02 280.23 58.06 882.68 1733.06 1476.10 94.67 1706.52 895.21 120.12 2.40 2095.81 237.16
279.22 715.03 58.06 1576.88 3798.26 3412.90 2473.07 1706.52 396.81 1524.12 1887.90 85.01 2540.16
28.62 541.03 228.31 216.38 1341.76 232.26 23.23 435.14 73.27 120.12 23.14 249.01 138.30
158.76 7.95 19.80 37.09 359.48 261.79 122.10 266.02 100.20 129.73 6.25 39.69 59.75
1248.92 227.10 543.82 388.88 12.46 70.22 291.38 440.58 21.81 98.80 386.52 211.70 325.44
1327.87 88.36 387.70 48.02 2.59 53.88 586.61 284.93 2.96 147.62 283.59 185.78 382.59
148.60 102.82 15.29 75.69 25.70 35.28 882.09 353.44 14.36 146.17 3.17 9.06 331.97
68.72 68.23 159.26 882.68 2174.36 1116.90 389.27 692.22 222.61 958.52 809.40 33.41 2061.16
68.72 84.09 61.47 33.06 0.41 0.05 2.40 29.16 0.28 184.69 49.00 2.22 67.90
159.52 226.20 120.78 678.60 1367.52 1848.14 693.27 1901.83 901.80 313.29 380.64 755.15 1830.13
95
231.04 0.14 132.94 1600.80 2671.86 1416.77 786.24 1584.04 338.93 449.44 823.12 353.06 1942.16
45.02 0.58 228.61 882.68 1341.76 1116.90 94.67 1318.42 24.21 673.92 180.90 249.01 2061.16

225.90 12.39 453.69 2062.98 811.68 322.56 11.36 381.81 5.20 13750.34 117.2618
142.56 2.07 0.92 25.50 22.37 9.99 0.81 7.56 66.26 1867.292 43.21217
19.27 12.11 46.79 91.78 1.69 19.36 8.82 3.17 140.90 1862.353 43.15498
47.20 12.89 115.56 88.55 7.56 114.28 11.90 1.77 118.81 2176.42 46.65212
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0 0
47.75 6.20 3.57 109.20 29.16 36.00 11.02 70.56 0.74 934.0353 30.56199
539.17 13.99 93.90 0.96 119.25 25.81 115.56 238.70 198.81 4499.906 67.08134
1007.43 372.49 394.42 0.01 383.77 916.27 739.30 670.29 212.28 16768.5 129.4932
1943.05 18.49 159.01 50.27 309.41 4.84 103.84 1217.31 154.50 18583.48 136.3212
5674.61 114.49 569.30 1029.77 5.81 153.26 2042.14 97.81 158.00 39221.3 198.0437
501.31 8.64 46.38 504.45 5.81 1023.36 729.54 208.51 945.56 10148.71 100.7408
305.90 7.08 42.38 0.04 62.88 148.84 30.58 41.47 80.64 2644.938 51.42896
254.40 0.74 333.06 1443.24 664.09 235.32 12.82 369.02 116.42 9963.974 99.81971
107.74 1.08 186.05 807.13 293.09 154.75 2.10 318.27 86.12 6626.938 81.40601
35.05 59.91 116.64 124.77 577.92 146.41 7.18 121.66 125.22 3955.84 62.89547
2533.11 114.49 694.85 62.57 5.81 843.90 1238.34 97.81 158.00 20432.75 142.9432
6.76 18.84 20.70 178.49 76.91 114.92 1.37 97.81 19.27 1534.285 39.16994
1889.64 12.11 805.42 401.20 1023.36 951.11 1218.71 1490.73 58.37 25002.06 158.1204
2165.97 14.14 901.80 31.14 734.95 1029.13 1221.50 1196.47 72.42 25609.02 160.0282
1431.11 32.49 456.25 50.27 1062.11 519.84 911.44 395.61 6.60 17514.49 132.3423
Total Non 3 344.987
96
6. Menghitung total cost dari ketiga non-medoids.

Total cost nonMedoids1, nonMedoids2, nonMedoids3 = 963.84
7. Menghitung selisih dari total cost nonMedoids dengan total cost C.

Selisih = Total cost nonMedoids – Total cost C
= 963.84 – 1143.29
= -179.454
8. Karena nilai selisih yang didapatkan kurang dari 0 maka, tukar nonMedoids dengan C. Kemudian ulangi langkah 5 – 7
dengan menggunakan nonMedoids baru. Hingga didapatkan hasil seperti dibawah.
Total cost C = 963.84
Total cost nonMedoids = 1288.37
Selisih = 324.538
9. Karena nilai selisih yang didapatkan lebih dari 0. Kurang tepat apabila mengganti nilai C1, C2, dan C3 dengan
nonMedoids1, nonMedoids2, dan nonMedoids3. Karena nilai C1, C2, dan C3 sudah baik.
10. Didapatkan hasil anggota dari ketiga cluster, yaitu :

C1 = SMA BOPKRI 2 YOGYAKARTA
SMA BUDYA WACANA YOGYAKARTA
SMA BHINNEKA TUNGGAL IKA YOGYAKARTA
SMA BUDI LUHUR YOGYAKARTA
SMA MUHAMMADIYAH 3 YOGYAKARTA
97
C2 = SMA NEGERI 3 YOGYAKARTA

C3 = SMA NEGERI 4 YOGYAKARTA

SMA STELLA DUCE 1 YOGYAKARTA
SMA BOPKRI 1 YOGYAKARTA
SMA TAMAN MADYA JETIS YOGYAKARTA
98
LAMPIRAN 6 : Hasil Pengujian Dataset
Jumlah Jumlah Anggota Cluster ke -

SI
Cluster
Global
(k) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
2 0.4361 106 31
3 0.2134 32 60 45
4 0.1893 29 25 38 45
5 0.2994 23 39 53 21 1
6 0.2629 19 33 50 22 1 12
7 0.2246 2 38 33 13 1 42 8
8 0.3294 1 14 21 3 46 32 19 1
9 0.2187 10 18 1 2 18 23 3 42 20
10 0.279 27 1 11 4 13 34 34 5 1 7
11 0.2483 6 17 44 14 3 1 6 1 25 6 14
12 0.3007 6 1 18 1 1 16 2 19 27 2 24 20
13 0.2178 19 44 7 8 14 1 2 8 5 6 2 1 20
14 0.1796 13 2 1 15 1 3 3 11 18 5 32 13 4 16
15 0.1827 2 26 6 27 4 4 1 6 2 2 15 8 4 29 1
16 0.1762 3 14 13 2 7 8 6 1 3 38 23 3 9 1 4 2
17 0.321 11 10 10 30 1 8 1 8 13 20 1 1 6 5 5 1 6
18 0.2459 5 23 20 1 14 6 30 2 1 7 4 11 3 3 2 1 3
19 0.2829 3 8 18 42 6 10 1 3 5 1 1 1 3 3 4 1 18
20 0.3004 4 5 10 11 1 7 19 9 6 6 6 6 1 34 1 5 1
99

SI
Cluster
Global
(k) 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
2 0.4361
3 0.2134
4 0.1893
5 0.2994
6 0.2629
7 0.2246
8 0.3294
9 0.2187
10 0.279
11 0.2483
12 0.3007
13 0.2178
14 0.1796
15 0.1827
16 0.1762
17 0.321
18 0.2459 1
19 0.2829 5 4
20 0.3004 2 1 2
100

SI
Cluster
Global
(k) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
21 0.2743 9 10 1 11 1 3 3 11 14 23 2 4 2 20 7 3 4
22 0.2884 20 4 6 6 4 7 1 2 3 5 5 1 14 20 1 9 4
23 0.2063 7 10 14 1 9 8 6 6 4 2 11 7 4 19 6 1 4
24 0.1806 16 2 21 16 2 5 3 3 6 7 4 3 1 4 2 12 6
25 0.3359 5 2 1 1 11 6 1 4 1 13 1 13 13 1 1 4 10
26 0.4593 1 2 18 1 5 14 1 1 5 1 4 1 1 20 9 1 5
27 0.3076 1 1 3 11 4 18 1 1 6 2 7 8 2 1 2 3 1
28 0.257 3 2 6 1 6 9 1 17 1 3 2 7 4 5 4 7 1
29 0.1836 1 2 1 2 1 2 4 3 8 2 4 2 2 4 9 2 3
30 0.3546 1 14 13 21 3 3 6 2 7 4 19 1 2 1 2 1 3
31 0.2933 7 4 14 11 5 1 2 4 1 3 1 2 3 2 15 12 1
32 0.2752 3 1 10 1 2 4 2 2 7 2 5 1 10 4 4 3 2
33 0.3142 8 1 2 7 7 1 1 5 11 5 3 12 9 4 2 3 3
34 0.2671 15 3 4 1 4 5 3 1 4 3 1 1 6 4 6 1 6
35 0.2459 4 2 1 3 5 3 2 3 3 1 3 2 4 1 2 2 1
36 0.4505 1 4 1 5 3 1 9 2 2 1 3 2 7 1 15 1 2
37 0.3813 2 3 4 1 1 2 1 2 1 1 1 8 10 1 1 4 1
38 0.3839 3 3 12 1 1 9 10 2 3 1 5 1 8 8 5 2 7
39 0.3148 2 1 3 8 6 14 4 2 7 1 1 1 2 13 3 1 4
40 0.446 1 4 2 1 1 3 2 10 1 1 1 3 1 2 13 1 2
41 0.3289 1 3 1 2 2 1 4 3 2 1 7 7 1 8 1 6 2
42 0.3617 2 1 9 1 1 1 7 1 2 3 2 3 4 1 11 7 2
101

SI
Cluster
Global
(k) 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
21 0.2743 1 1 6 1
22 0.2884 10 12 1 1 1
23 0.2063 4 3 1 1 4 5
24 0.1806 3 4 8 1 1 6 1
25 0.3359 4 7 9 7 4 1 14 3
26 0.4593 2 1 1 6 5 7 9 15 1
27 0.3076 6 6 2 12 5 2 1 5 1 25
28 0.257 2 7 9 9 4 1 3 13 2 7 1
29 0.1836 4 1 5 8 2 16 4 7 1 3 14 20
30 0.3546 2 1 5 1 1 3 4 1 1 7 2 5 1
31 0.2933 6 1 4 3 1 3 5 7 1 1 9 1 2 5
32 0.2752 1 5 2 2 1 3 1 7 1 1 2 10 8 28 2
33 0.3142 2 2 1 6 2 1 1 4 1 1 4 3 9 1 14 1
34 0.2671 1 6 2 3 2 3 2 5 11 1 9 12 4 1 2 4 1
35 0.2459 1 1 14 11 2 6 2 7 17 3 2 1 13 5 2 5 1
36 0.4505 1 4 1 1 3 1 10 1 13 2 1 9 9 1 13 3 1
37 0.3813 3 4 2 1 22 1 3 2 1 7 3 3 4 2 15 1 3
38 0.3839 1 1 7 2 2 4 1 1 1 4 2 1 14 2 1 5 1
39 0.3148 1 1 2 1 5 5 9 1 2 5 1 3 2 3 3 1 2
40 0.446 2 12 1 1 9 3 1 8 1 9 3 9 2 1 7 1 1
41 0.3289 1 2 4 1 4 9 4 4 3 5 2 4 3 8 9 9 2
42 0.3617 4 3 3 4 1 2 3 1 1 14 1 2 1 1 7 2 1
102

SI
Cluster
Global
(k) 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
21 0.2743
22 0.2884
23 0.2063
24 0.1806
25 0.3359
26 0.4593
27 0.3076
28 0.257
29 0.1836
30 0.3546
31 0.2933
32 0.2752
33 0.3142
34 0.2671
35 0.2459 2
36 0.4505 2 1
37 0.3813 6 4 6
38 0.3839 2 1 2 1
39 0.3148 5 2 5 1 4
40 0.446 1 1 3 9 1 2
41 0.3289 1 2 1 1 1 4 1
42 0.3617 4 2 4 4 3 1 3 7
103

SI
Cluster
Global
(k) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
43 0.3616 1 2 1 1 3 1 3 4 2 2 1 2 1 1 6 3 2
44 0.37 2 1 6 2 1 9 2 6 4 2 1 1 2 3 1 6 1
45 0.456 2 2 8 1 6 7 1 3 1 1 8 4 3 1 4 1 1
46 0.4585 2 1 1 1 1 9 1 2 1 4 5 2 1 1 1 1 2
47 0.4657 4 1 2 1 1 2 5 1 3 9 3 4 5 1 5 1 4
48 0.4364 2 3 5 1 6 1 1 4 1 1 5 2 1 1 1 2 1
49 0.3811 2 1 1 3 1 6 1 3 2 3 2 1 3 2 2 4 3
50 0.4638 3 1 1 3 7 1 5 1 3 6 1 1 1 1 1 4 2
51 0.5148 2 1 1 1 1 1 1 3 1 1 1 10 2 1 1 1 2
52 0.4317 2 5 6 9 2 1 3 2 1 1 1 8 1 2 3 3 1
53 0.4234 10 1 1 4 1 5 4 1 2 1 5 1 1 4 2 1 1
54 0.3427 1 1 3 2 2 3 2 2 8 1 1 1 1 2 5 3 5
55 0.4616 1 1 1 4 2 8 2 1 2 1 1 3 5 1 1 1 6
56 0.4169 2 3 3 1 1 1 1 1 3 2 2 1 1 1 2 2 1
57 0.4615 2 2 1 1 2 14 1 1 2 1 1 1 1 1 1 1 6
58 0.4701 6 1 1 1 1 2 1 2 1 4 2 1 4 4 2 3 2
59 0.5019 2 6 4 4 3 1 1 1 1 2 1 1 1 4 1 1 1
60 0.4235 1 1 2 2 2 1 11 1 2 1 2 3 3 1 5 1 2
61 0.5056 1 1 6 1 1 2 8 1 1 2 1 1 1 1 2 4 3
62 0.51 1 2 5 8 3 1 2 3 1 1 1 3 1 1 1 1 3
63 0.5454 5 1 1 3 6 1 2 1 2 5 11 2 1 3 1 3 2
104

SI
Cluster
Global
(k) 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
43 0.3616 1 12 3 3 2 7 1 2 1 5 16 4 3 4 3 1 7
44 0.37 3 1 3 1 6 5 1 4 5 1 2 1 3 1 5 5 2
45 0.456 2 2 4 2 1 4 4 1 1 8 7 1 3 4 8 2 2
46 0.4585 1 2 12 2 8 8 11 6 8 2 1 3 5 3 1 1 3
47 0.4657 1 4 1 1 8 2 1 6 4 2 2 1 1 1 3 9 6
48 0.4364 5 10 2 5 4 4 8 14 1 1 1 3 4 3 3 1 1
49 0.3811 2 1 5 1 1 10 7 6 2 1 4 1 1 1 1 5 2
50 0.4638 2 2 2 1 1 4 1 5 5 8 1 2 8 6 1 1 1
51 0.5148 1 2 1 1 4 1 5 2 3 1 18 1 2 7 6 2 5
52 0.4317 4 1 4 2 2 1 1 7 2 6 1 2 2 2 1 1 3
53 0.4234 1 3 2 1 9 6 2 1 1 1 6 1 1 2 2 2 2
54 0.3427 1 1 2 2 3 16 1 1 4 2 3 4 2 1 2 6 3
55 0.4616 1 4 2 1 4 2 4 11 4 2 4 1 5 2 2 1 1
56 0.4169 4 1 6 5 1 1 8 2 2 3 2 1 1 4 2 3 2
57 0.4615 2 5 3 5 4 4 2 2 3 3 1 1 1 7 1 1 1
58 0.4701 3 5 1 3 3 3 1 1 4 6 1 1 3 8 1 1 3
59 0.5019 1 1 1 2 2 2 11 1 2 1 3 1 4 1 1 4 1
60 0.4235 2 3 5 1 3 1 3 2 2 3 1 2 3 2 2 1 2
61 0.5056 2 1 1 3 1 3 1 4 1 1 6 1 6 2 1 2 1
62 0.51 1 2 5 2 1 2 1 2 1 1 1 2 1 2 1 2 1
63 0.5454 3 5 1 2 1 2 2 2 3 2 2 1 1 1 3 3 1
105

SI
Cluster
Global
(k) 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
43 0.3616 7 1 1 6 4 2 3 1 1
44 0.37 17 3 4 1 1 2 3 1 1 5
45 0.456 2 8 1 1 1 8 2 1 1 1 1
46 0.4585 1 1 1 1 1 1 3 3 2 1 5 4
47 0.4657 1 1 2 13 5 1 1 1 2 1 2 1 1
48 0.4364 1 2 6 3 1 1 2 2 1 3 3 2 1 1
49 0.3811 4 5 1 1 9 2 2 1 2 1 1 1 10 1 5
50 0.4638 1 2 1 3 1 4 10 1 1 1 1 3 3 3 3 6
51 0.5148 1 5 4 6 1 1 3 2 4 3 3 1 1 6 1 1 1
52 0.4317 4 1 2 1 1 2 1 1 1 2 1 1 2 1 18 2 2
53 0.4234 2 2 2 1 3 3 5 1 9 2 4 2 2 1 1 1 1
54 0.3427 5 2 1 2 3 2 1 2 3 1 2 3 1 2 2 1 2
55 0.4616 1 1 1 7 1 2 2 2 1 1 1 1 1 4 3 4 6
56 0.4169 1 2 6 1 1 1 1 1 13 1 5 1 2 1 2 5 2
57 0.4615 1 2 1 1 2 4 2 1 1 1 1 2 2 8 1 2 2
58 0.4701 1 1 1 1 13 3 2 3 2 2 1 1 3 1 2 1 1
59 0.5019 4 2 2 2 6 2 1 2 1 4 2 6 1 1 6 1 3
60 0.4235 3 1 1 1 5 3 3 11 2 1 1 3 1 2 1 1 1
61 0.5056 3 6 2 3 1 1 1 2 2 1 1 2 2 1 2 2 16
62 0.51 13 2 1 2 9 1 2 1 1 4 1 1 4 4 1 1 3
63 0.5454 1 3 1 1 1 1 1 1 1 1 1 1 1 3 3 1 1
106

SI
Cluster
Global
(k) 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
43 0.3616
44 0.37
45 0.456
46 0.4585
47 0.4657
48 0.4364
49 0.3811
50 0.4638
51 0.5148
52 0.4317 1
53 0.4234 1 6
54 0.3427 1 1 3
55 0.4616 1 1 1 3
56 0.4169 4 2 3 4 2
57 0.4615 4 2 2 7 1 2
58 0.4701 1 2 2 1 4 1 1
59 0.5019 1 1 2 1 1 4 1 6
60 0.4235 1 1 4 2 3 1 2 1 2
61 0.5056 2 1 1 2 3 1 1 2 1 1
62 0.51 2 3 1 2 1 3 3 1 2 1 1
63 0.5454 1 1 1 8 1 4 1 1 3 1 1 6
107

SI
Cluster
Global
(k) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
64 0.4772 1 1 2 1 1 1 5 1 1 1 1 3 2 3 2 3 3
65 0.5167 1 3 2 4 1 1 3 1 2 1 1 1 2 1 3 1 13
66 0.5031 1 1 1 2 2 1 2 1 1 2 1 1 2 2 3 1 2
67 0.5118 4 3 2 1 2 1 1 1 1 2 1 2 1 3 1 1 3
68 0.5379 1 1 1 3 1 2 6 1 2 1 3 7 3 1 1 5 1
SC 0.5454

SI
Cluster
Global
(k) 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
64 0.4772 4 2 1 1 1 1 1 1 1 1 5 4 1 1 1 2 4
65 0.5167 2 1 2 2 3 5 1 2 6 1 2 3 1 1 1 2 1
66 0.5031 4 1 3 1 1 6 2 3 1 1 2 2 3 2 5 2 5
67 0.5118 7 1 1 1 1 2 1 3 2 1 4 2 2 1 1 2 1
68 0.5379 1 1 2 1 2 2 2 4 2 2 1 1 1 8 1 2 1
SC 0.5454
108

SI
Cluster
Global
(k) 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51
64 0.4772 2 3 3 3 1 3 3 1 3 2 5 1 2 2 1 4 1
65 0.5167 2 2 2 3 1 1 1 2 2 5 1 1 4 1 8 1 4
66 0.5031 8 1 1 1 1 1 1 3 2 2 1 5 1 7 2 5 1
67 0.5118 1 1 3 1 5 2 3 1 1 1 1 12 3 1 4 1 4
68 0.5379 5 1 1 3 1 1 2 2 1 1 1 2 2 2 1 1 2
SC 0.5454

SI
Cluster
Global
(k) 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68
64 0.4772 1 3 1 2 3 2 1 2 1 8 5 1 3
65 0.5167 1 2 1 2 1 1 1 1 2 1 3 1 1 1
66 0.5031 1 3 3 1 1 1 4 2 1 1 1 1 2 1 1
67 0.5118 2 3 2 2 1 2 1 1 1 3 1 2 1 1 4 2
68 0.5379 1 1 1 8 2 1 1 3 3 1 4 1 1 1 1 2 2
SC 0.5454
109
LAMPIRAN 7 : Perhitungan Standar Deviasi Tiap Cluster
Rata-rata Nilai Nilai Rata-rata

Sekolah Maksimal Minimal Cluster
SMA BHINNEKA TUNGGAL IKA YOGYAKARTA 33.12
SMA MUHAMMADIYAH 3 YOGYAKARTA 31.29
SMA '17' YOGYAKARTA 19.88
SMA SANTO THOMAS YOGYAKARTA 31.90
SMA MARSUDI LUHUR YOGYAKARTA 34.27
SMA PIRI 1 YOGYAKARTA 28.46
Cluster SMA TAMAN MADYA IBU PAWIYATAN YOGYAKARTA 26.69
35.72 18.10 29.03
1 SMA BERBUDI YOGYAKARTA 26.76
SMA 17 BANTUL 24.71
SMA MUHAMMADIYAH KASIHAN 22.28
SMA NEGERI 1 SRANDAKAN 32.34
SMA DHARMA AMILUHUR 25.67
SMA MUHAMMADIYAH SEWON 28.24
SMA MUHAMMADIYAH IMOGIRI 26.14
SMA MUHAMMADIYAH PIYUNGAN 30.72
SMA BOPKRI BANGUNTAPAN 34.24
SMA PATRIA BANTUL 21.55
110
SMA UII BANGUNTAPAN 32.23

SMA NEGERI 1 KOKAP 35.05
SMA MUHAMMADIYAH WATES 33.57
SMA MA'ARIF WATES 23.30
SMA NEGERI 1 SAMIGALUH 34.48
SMA NEGERI 1 KALIBAWANG 32.80
SMA MUHAMMADIYAH GALUR 33.52
SMA MANDALA BHAKTI 18.10
SMA INSTITUT INDONESIA SLEMAN 27.11
SMA ISLAM 1 PRAMBANAN 27.49
SMA MUHAMMADIYAH KALASAN 26.44
SMA NEGERI 1 MINGGIR 35.72
SMA ISLAM 1 GAMPING 24.84
SMA MUHAMMADIYAH MLATI 27.13
SMA SANTO MIKAEL SLEMAN 31.96
SMA MUHAMMADIYAH PAKEM 25.66
SMA ISLAM 3 SLEMAN 35.54
SMA PEMBANGUNAN 1 WONOSARI 27.28
SMA DOMINIKUS WONOSARI 23.29
SMA PEMBANGUNAN 2 KARANGMOJO 30.47
SMA PEMBANGUNAN 3 PONJONG 30.78
SMA MUHAMMADIYAH PONJONG 29.41
Jumlah Anggota 42
Standar Deviasi 4.5684
111

SMA NEGERI 3 YOGYAKARTA 76.98
SMA STELLA DUCE 1 YOGYAKARTA 60.03
SMA BOPKRI 1 YOGYAKARTA 50.30
SMA TAMAN MADYA JETIS YOGYAKARTA 51.36
Cluster 2 SMA NEGERI 7 YOGYAKARTA 65.34 88.87 46.98 59.93
SMA GAJAH MADA YOGYAKARTA 74.47
SMA PANGUDI LUHUR YOGYAKARTA 51.15
SMA K SANG TIMUR YOGYAKARTA 53.80
SMA STELLA DUCE 2 YOGYAKARTA 50.13
SMA ISLAM TERPADU ABU BAKAR 48.34
SMA NEGERI 2 BANTUL 68.84
SMA NEGERI 1 KASIHAN 71.12
112

SMA NEGERI 1 SANDEN 60.18
SMA MUHAMMADIYAH BANTUL 46.98
SMA NEGERI 1 PAJANGAN 55.07
SMA STELLA DUCE BANTUL 50.95
SMA NEGERI 1 BAMBANGLIPURO 56.30
SMA NEGERI 1 SEWON 57.01
SMA NEGERI 1 JETIS 63.97
SMA NEGERI 1 BANGUNTAPAN 57.94
SMA NEGERI 1 PUNDONG 53.76
SMA NEGERI 2 BANGUNTAPAN 50.02
SMA NEGERI 1 KRETEK 52.42
SMA KESATUAN BANGSA 72.56
SMA NEGERI 1 WATES 61.53
SMA NEGERI 2 WATES 51.81
SMA NEGERI 1 PENGASIH 55.40
SMA NEGERI 1 SENTOLO 48.79
SMA NEGERI 1 GALUR 53.21
SMA NEGERI 1 PRAMBANAN 53.43
SMA NEGERI 1 DEPOK 65.15
SMA NEGERI 1 KALASAN 62.34
SMA KOLESE DE BRITTO 66.72
SMA KOLOMBO SLEMAN 57.22
SMA MUHAMMADIYAH 1 PRAMBANAN 88.87
SMA NEGERI 1 GODEAN 66.07
113
SMA NEGERI 1SEYEGAN 49.17

SMA NEGERI 1 SLEMAN 58.97
SMA NEGERI 1 MLATI 59.40
SMA NEGERI 1 PAKEM 62.86
SMA NEGERI 2 NGAGLIK 47.95
SMA NEGERI 1 TEMPEL 50.61
SMA NEGERI 1 NGEMPLAK 67.53
SMA NEGERI 1 CANGKRINGAN 47.88
SMA IT BINA UMAT 48.46
SMA 2 WONOSARI 61.09
SMA 1 WONOSARI 77.12
SMA 2 PLAYEN 51.34
Jumlah Anggota 60

SMA BOPKRI 2 YOGYAKARTA 39.26
SMA BUDYA WACANA YOGYAKARTA 37.24
SMA BUDI LUHUR YOGYAKARTA 39.40
Cluster 3 46.15 36.13 40.44
SMA SANTA MARIA YOGYAKARTA 45.83
SMA BINA ANAK SHOLEH 45.55
SMA NEGERI 1 SEDAYU 36.35
114
SMA PANGUDI LUHUR SEDAYU 41.63

SMA NEGERI 1 IMOGIRI 41.81
SMA NEGERI 1 PLERET 37.48
SMA NEGERI 1 PIYUNGAN 38.00
SMA NEGERI 1 DLINGO 36.58
SMA NEGERI 1 TEMON 36.76
SMA NEGERI 1 LENDAH 37.15
SMA NEGERI 1 GIRIMULYO 42.53
SMA ANGKASA 42.72
SMA GAMA YOGYAKARTA 36.90
SMA IMANUEL KALASAN 42.31
SMA NEGERI 1 GAMPING 45.67
SMA NEGERI 2 SLEMAN 41.15
SMA NEGERI 1 TURI 36.13
SMA MUHAMMADIYAH 1 SLEMAN 41.52
SMA NEGERI 1 NGAGLIK 40.66
SMA BUDI MULIA DUA 44.70
SMA 1 PLAYEN 45.73
SMA 1 PATUK 42.23
SMA 1 PANGGANG 38.45
SMA 1 TANJUNGSARI 38.49
SMA MUHAMMADIYAH WONOSARI 38.83
SMA 1 KARANGMOJO 36.14
SMA 1 SEMIN 46.15
SMA 1 RONGKOP 45.39
115
SMA IKIP VETERAN III TAMBAKROMO 41.88

SMA 1 SEMANU 40.48
Jumlah Anggota 35
116

46578746

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

46578746

Diunggah oleh

Hak Cipta:

Format Tersedia

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

IMPLEMENTASI ALGORITMA PARTITIONING AROUND MEDOIDS (PAM) UNTUK

PROGRAM STUDI TEKNIK INFORMATIKA

IMPLEMENTATION OF PARTITIONING AROUND MEDOIDS (PAM) ALGORITHM FOR

Presented as Partial Fulfillment of the Requirements

INFORMATICS ENGINEERING STUDY PROGRAM

”Sesungguhnya bersama kesulitan pasti ada kemudahan.

(QS 94: 6-7)

Karya ini, penulis persembahkan untuk :

PERNYATAAN KEASLIAN KARYA

Yogyakarta, 2 Februari 2017

Astri Widiastuti Setiyawati

Penambangan data (data mining) merupakan proses penemuan informasi baru

Pada tugas akhir ini akan diimplementasikan algoritma PAM untuk

Kata kunci : penambangan data, clustering, Partitioning Around Medoids (PAM),

Data mining is a mining process or extracting information by getting pattern or

Keyword : Data mining, Clustering, Partitioning Around Medoids (PAM), Medoids,

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

Nama : Astri Widiastuti Setiyawati

Nomor Mahasiswa : 125314076

Demi pengembagnan ilmu pengetahuan, saya memberikan kepada Perpustakaan

IMPLEMENTASI ALGORITMA PARTITIONING AROUND MEDOIDS

Demikian pernyataan ini saya buat dengan sebenarnya.

Pada tanggal : 2 Februari 2017

(Astri Widiastuti Setiyawati)

1. Allah SWT yang selalu memberikan anugrah, rahmat, kekuatan yang

Penulis menyadari bahwa masih banyak kekurangan-kekurangan yang perlu

Yogyakarta, 2 Februari 2017

2.3.1 Definisi Clustering ................................................................................ 15

4.2.6.1 Halaman Awal ................................................................................... 40

LAMPIRAN 3 : Prosedur Pengujian dan Kasus Uji ................................................... 73

Gambar 2.1 Proses Knowledge Discovery in Database (Han&Kamber, 2006) ......... 11

Tabel 2.1 Data Contoh ................................................................................................ 19

1.1 Latar Belakang

1.2 Rumusan Masalah

Berdasarkan permasalahan yang telah dikemukakan diatas, maka rumusan

1. Bagaimana menerapkan algoritma Partitioning Around Medoid (PAM)

2. Bagaimana hasil evaluasi dari pengelompokan sekolah berdasarkan nilai

3. Bagaimana hasil evaluasi dari pengelompokan sekolah berdasarkan rata-rata

1.3 Batasan Masalah

Adapun batasan masalah dalam tugas akhir ini adalah :

1. Algoritma yang digunakan adalah menggunakan algoritma Partitioning

1.4 Tujuan dan Manfaat

Tujuan dari penulisan tugas akhir ini adalah :

1. Mengetahui hasil pengelompokan Sekolah Menengah Atas berdasarkan nilai

2. Mengevaluasi hasil pengelompokan Sekolah Menengah Atas berdasarkan

3. Mengetahui hasil pengelompokan Sekolah Menengah Atas berdasarkan nilai

4. Mengevaluasi hasil pengelompokan Sekolah Menengah Atas berdasarkan

Manfaat dari penulisan tugas akhir ini adalah :

1. Diharapkan menjadi bahan evaluasi bagi Sekolah Menengah Atas khususnya

2. Dapat memberikan gambaran mengenai implementasi dari algoritma

1.5 Metodologi Penelitian

Metode penelitian yang digunakan penulis dalam menyelesaikan tugas akhir

Pada tahapan ini merupakan proses pengumpulan data dan pengumpulan

2. Pembersihan data (data cleaning)

3. Integrasi data (data integration)

4. Seleksi data (data selection)

5. Transformasi data (data transformation)

6. Penambangan data (data mining)

Pada tahapan ini akan dilakukan proses penambangan data menggunakan

Pada tahapan ini merupakan tahapan menganalisis hal-hal yang

Tahapan desain ini merupakan tahapan penerjemahan dari data yang

Tahapan coding merupakan tahapan pemecahan masalah yang telah

d. Testing atau pengujian