E1E1 16 034
FAKULTAS TEKNIK
UNIVERSITAS HALUOLEO
KENDARI
2020
i
ii
HALAMAN PENGESAHAN
Skripsi Sarjana
PENERAPAN ALGORITMA K-MEDOIDS DALAM PENENTUAN FAKTOR
TERBESAR SUMBER INFORMASI PEMILIHAN JURUSAN DI FAKULTAS
TEKNIK UNIVERSITAS HALU OLEO
Adalah benar dibuat oleh saya sendiri dan belum pernah dibuat dan
diserahkan sebelumnya baik sebagian ataupun seluruhnya, baik oleh saya ataupun
orang lain, baik di Universitas Halu Oleo ataupun institusi pendidikan lainnya.
foto
Sutardi,S.KOM.,MT STATISWATY,ST.,MMSI
NIP. 19760222 2010112 1 001 NIP.19811107 200812 2 003
Mengetahui,
KetuaJurusan Teknik Informatika
Fakultas Teknik Universitas Halu Oleo
HALAMAN PENGESAHAN
Skripsi Sarjana
IMPLEMENTASI METODE BLUM BLUM SHUB (BBS) UNTUK
PENGACAKAN SOAL KUIS PADA APLIKASI MEDIA
PEMBELAJARAN IPA TINGKAT SEKOLAH DASAR KELAS 6
BERBASIS MOBILE
Telah diuji dan dipertahankan di hadapan siding penguji skripsi Jurusan Teknik
Informatika Fakultas Teknik Universitas Halu Oleo dan dinyatakan memenuhi
syarat guna memperoleh gelar Sarjana Teknik pada Jurusan Teknik Informatika.
Kendari, Desember 2020
Tim Penguji : Tanda Tangan :
1. Sutardi, S.Kom.,MT 1. ……………………………
Pembimbing I
2. Statiswaty,ST.,MMSI 2. ……………………………
Pembimbing II
3. Dr. Laode M. Golok Jaya,ST.MT 3.…………………………….
Penguji I (Ketua Sidang)
4. Natalis Ransi,S.Si., M.Cs 4. ……………………………
Penguji II (Sekretaris Sidang)
5. Jumadil Nangi,S.KOM.,MT 5. …………………………....
Penguji III
Mengesahkan:
DekanFakultas Teknik KetuaJurusan Teknik Informatika
Universitas Halu Oleo, Fakultas Teknik UniversitasHalu
Oleo,
PERNYATAAN
Dengan ini saya menyatakan bahwa di dalam skripsi ini tidak terdapat karya
yang pernah dijadikan untuk memperoleh gelar kesarjanaan disuatu Perguruan
Tinggi dan sejauh yang sayaketahui bahwa tidak terdapat karya atau pendapat
yang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis
diacu di dalam naskah ini dan disebutkan didalam daftar pustaka.
INTISARI
ABSTRACT
Selecting the right college and department is not an easy matter. Lack of
information about faculty or department facilities, faculty environment, job
guarantees from the faculty, tuition fees, and promotions can cause prospective
students to choose the wrong department so that students cannot attend lectures
properly because they are not interested in their chosen field, and cannot
complete lectures properly. even lead to dropping out (DO). The above problems
can be anticipated by the faculty or study program by knowing the factors that
determine new students choosing their major. The researcher implemented the
data mining method with the K-Medoids Clustering algorithm to determine the
biggest factor in the source of information for the selection of majors at the
Faculty of Engineering, University of Halu Oleo. Based on the test results by
applying the K-Medoids method, it produces the largest factor clustering of
information sources for department selection at the Faculty of Engineering, Halu
Oleo University. The test results show that the best number of clusters is cluster 4
with a silhouette coefficient value of 0.23045321036704783 and the worst cluster
is cluster 3 with a silhouette coefficient value of 0.11000736495160417.
vii
HALAMAN PERSEMBAHAN
Terima kasih tulus dari hati saya persembahkan kepada kedua orang tua
saya, papah Amir Suharto Randawula Silondae, SE yang telah menjadi ayah
yang kuat dan inspiratif, dan ibu Yusnita, SE yang telah menjadi ibu yang kuat
hati, jiwa dan raganya. Karena kalian berdua, hidup terasa begitu mudah dan
penuh kebahagiaan. Terima kasih karena selalu menjaga saya dalam doa-doa
papah dan ibu serta selalu membiarkan saya mengejar impian saya apa pun itu.
Serta tak lupa pula untuk kakak saya terkasih, kak Destya Randawula Silondae,
S.Ak yang kerap menjengkelkan tapi tetap mengayomi, dan memberi contoh yang
baik dari segala kesederhanaanya. Dan juga adik saya yang paling kecil
Marsanda Randawula Silondae yang sering ajak saya bertengkar dan sangat
menjengkelkan tapi hal itu selalu menjadi warna yang tak akan bisa tergantikan,
terima kasih atas doa dan bantuan kalian selaman ini. Maaf belum bisa menjadi
panutan seutuhnya, tapi saya akan selalu menjadi yang terbaik untuk kalian
semua. Tak lupa pula saya ucapkan terima kasih untuk diri saya, yang selalu mau
berusaha.
Terima kasih saya ucapkan kepada dosen pembimbing saya Bapak
Sutardi, S.Kom.,MT dan Ibu Statiswaty,ST.,MMSI atas segala bantuan, arahan
dan nasihat selama saya menyusun skripsi ini dan terima kasih pulah untuk
kesabaran ibu dan bapak.
Kepada dosen penguji saya Bapak Dr. Laode M. Golok Jaya,ST.MT,
Bapak Natalis Ransi,S.Si., M.Cs, dan Bapak Jumadil Nangi,S.KOM.,MT
terima kasih atas saran-saran yang telah diberikan selama dalam ruang ujian,
sehingga saya dapat menyelesaikan skripsi saya.
Terima kasih untuk sahabatku, Pratiwi Nur Aisyah, Dian Nirmala, Reza
Parahita Apsari yang selalu ada suka maupun duka dan juga selalu
menyempatkan waktunya untuk mendengarkan, memberikan saran dan
menyediakan waktunya dalam segala keadaan selama proses penyusunan skripsi
ini.
Terima kasih pula untuk teman SOBATAMBYAR, Satria Lasandi,
Fiskar Yulian, Rafli Rabiullah dan Salma Indra Bayu yang telah menjadi
viii
kawan selama saya menjalani perkuliahan, Terima Kasih banyak atas kebaikan
dan ketulusan hati yang telah kalian berikan selama berteman dengan saya.
Terima kasih untuk Ayu Windiarti dan Erick Herdiawan atas segala
keikhlasanya membantu dan menasihati saya, selama proses penyusunan skripsi
ini. Semoga menjadi pahala untuk kalian berdua, aamiin.
Terima kasih untuk ACIPLE dan FORBES atas segala kehumble-an, dan
kebaikan hati kalian, sekaligus menjadi salah satu alasan saya untuk bergerak
menyelesaikan skripsi ini. Semoga kalian sehat selalu, sukses, dan terus kompak.
Terima kasih untuk TEKNIK INFORMATIKA 2016 (BLACKODE),
atas dukunganya. Terkhusus untuk Reza, Asiz, Triman, Madin, dan Ichsan
terima kasih sudah mau dengar segala kerempongan, keluh kesah kia, dan segala
bantuanya. Juga untuk teman-teman blackode yang tidak bisa disebutkan satu
persatu namanya, terima kasih banyak atas bantuan kalian apapun itu bentuknya..
Serta terima kasih banyak untuk orang-orang yang sekiranya lupa saya
sebutkan namanya di atas namun sudah membantu, terima kasih banyak, maaf
bukan bermaksud melupakan kebaikan kalian, saya hanya manusia biasa yang
tidak luput dari lupa dan salah. Dengan segala kerendahan hati saya minta maaf
untuk segala perilaku, sikap, tutur kata saya yang pernah menyakiti dan
menyinggung kalian. Terima kasih pula atas kerendahan hati kalian yang telah
memaafkan saya.
Terakhir, untuk yang sedang menyusun tugas akhir, semangat! Kamu
pasti bisa! Setiap orang punya waktu, tetap berdoa, dan berusaha.. untuk yang
masih kuliah, semangat kuliahnya! Semoga kita semua bisa sukses mengejar
impian kita.
ix
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Allah Subhanahu Wa Ta’ala. Karena
atas rahmat dan ridho-Nya lah penulis dapat menyelesaikan skripsi ini sebagai
persyaratan dalam menyelesaikan studi S-1 pada Jurusan Teknik Informatika
Fakultas Teknik Universitas Halu Oleo dengan judul “PENERAPAN
ALGORITMA K-MEDOIDS DALAM PENENTUAN FAKTOR
TERBESAR SUMBER INFORMASI PEMILIHAN JURUSAN DI
FAKULTAS TEKNIK UNIVERSITAS HALU OLEO ”.
Dalam penelitian dan penyusunan skripsi, penulis mendapatkan bantuan
baik secara teknis maupun non teknis berupa bimbingan, arahan maupun bantuan
lainnya dari berbagai pihak. Untuk itu, penulis ingin mengucapkan terima kasih
kepada :
1. Bapak Prof. Dr. Muhammad Zamrun Firihu., S,Si., M.Sc selaku Rektor
Universitas Halu Oleo.
2. Bapak Dr. Edward Ngii, ST., MT selaku Dekan Fakultas Teknik
Universitas Halu Oleo.
3. Bapak Sutardi, S.Kom., MT selaku Ketua Jurusan S-1 Teknik Informatika
Fakultas Teknik Universitas Halu Oleo dan sekaligus Sebagai
Pembimbing I yang telah banyak memberikan saran, petunjuk, ilmu
pengetahuan, dukungan dan motivasi sehingga skripsi ini dapat
terselesaikan.
4. Ibu Statiswaty,ST.,MMSI Sebagai Pembimbing II yang telah banyak
memberikan saran, petunjuk, ilmu pengetahuan, dukungan dan motivasi
sehingga skripsi ini dapat terselesaikan.
5. Bapak Dr. Laode M. Golok Jaya,ST.MT, Bapak Natalis Ransi,S.Si., M.Cs,
dan Bapak Jumadil Nangi,S.KOM.,MT Selaku Dosen Penguji atas koreksi
dan sarannya mulai dari ujian proposal, ujian seminar hasil dan ujian akhir
(skripsi).
6. Dosen serta para staf Fakultas Teknik Universitas Halu Oleo, khususnya
pada Jurusan Teknik Informatika atas bimbingan dan bantuannya.
7. Kedua orang tuaku tercinta atas dukungan, doa dan kasih sayang yang
tiada tara.
8. Teman- teman Teknik Informatika angkatan 2016 yang telah memberikan
semangat, motivasi, bantuan dan doanya.
x
Penulis memohon maaf atas segala kekurangan yang terdapat di dalam skripsi ini.
Semoga penulisan skripsi ini bermanfaat untuk pengembangan ilmu pengetahuan
dan untuk semua pihak yang bersangkutan.
Penulis,
Saskia Randawula Silondae
xi
DAFTAR ISI
DAFTAR GAMBAR
DAFTAR TABEL
BAB I
PENDAHULUAN
1
2
BAB I PENDAHULUAN
Merupakan bab pendahuluan yang menguraikan latar belakang masalah,
rumusan nmasalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan
sistematika penulisan.
BAB VI PENUTUP
Bab ini berisi kesimpulan dari program yang telah dibuat serta saran yang
diperlukan untuk pengembangan program berikutnya.
Penelitian lain yang dilakukan oleh (Sri, Suharyati & Tati, 2013), dengan
judul Faktor-faktor Yang Berpengaruh Terhadap Keputusan Memilih Program
Studi, penelitian ini menggunakan metode Component Matrix bertujuan untuk
mengetahui faktor-faktor yang mempengaruhi siswa dalam memilih program studi
yang berguna bagi universitas dan program studi untuk mengambil keputusan
pengembangan institusi dalam menghadapi persaingan yang semakin ketat serta
untuk menarik penelitian siswa baru dengan menggunakan analisis faktor.
Berdasarkan penelitian-penelitian yang telah dipaparkan di atas, penulis
mecoba mengimplementasikan algoritma K-Medoids untuk penentuan faktor
terbesar sumber informasi pemilihan jurusan. Data mahasiswa yang didapatkan
dari kuisioner, dipilih atribut data sesuai dengan kebutuhan proses selanjutnya
dilakukan kodefikasi dan disimpan dengan format CSV, kemudian di cluster
menggunakan algoritma K-Medoids. Setelah pengelompokkan data mahasiswa,
data tersebut akan divisualisaskian ke dalam bentuk sistem penentuan faktor
terbesar sumber informasi pemilihan jurusan menggunakan bahasa pemrograman
Python. Untuk data mahasiswa, penulis menggunakan data mahasiswa Fakultas
Teknik Universitas Halu Oleo.
6
BAB II
LANDASAN TEORI
2.1 Minat
Kata minat dapat diartikan sebagai ketertarikan seseorang akan sesuatu hal.
Minat merupakan faktor psikologis yang dapat menentukan suatu pilihan yang
tepat, selain itu minat merupakan salah satu faktor penentu yang sangat penting
untuk suatu kemajuan dan keberhasilan seseorang. Minat seseorang dapat dilihat
melalui kegiatan-kegiatan yang sering dilakukan yang didasari pernyataan senang
dan tidak senang terhadap suatu obyek.
Berdasarkan pendapat diatas, maka minat memilih program studi atau jurusan
pada mahasiswa, dapat diartikan sebagai kecendrungan yang mengarahkan
mahasiswa untuk memilih program studi yang ditandai dengan adanya perasaan
senang terhadap program studi tersebut, perasaan tertarik dan perasaan bahwa
program studi tersebut bersangkut paut dengan kebutuhannya. Minat yang besar
terhadap program studi yang telah mahasiswa pilih akan mempermudah
terciptanya konsentrasi dalam studi. Jadi tanpa minat maka konsentrasi belajar
juga akan sulit berkembang bahkan dipertahankan.
6
7
Adapun proses data mining dapat dibagi menjadi beberapa tahap yang
diilustrasikan pada Gambar 2.1 :
Dimana :
Total cost baru = jumlah biaya/cost non-medoids.
Total cost baru = jumlah biaya/cost medoids.
2.5 Clustering
Clustering atau klasterisasi adalah metode pengelompokan data. Menurut
Tan, 2006 clustering adalah sebuah proses untuk mengelompokan data ke dalam
beberapa cluster atau kelompok sehingga data dalam satu cluster memiliki tingkat
kemiripan yang maksimum dan data antar cluster memiliki kemiripan yang
minimum. Clustering merupakan proses partisi satu set objek data ke dalam
himpunan bagian yang disebut dengan cluster. Objek yang di dalam cluster
memiliki kemiripan karakteristik antar satu sama lainnya dan berbeda dengan
cluster yang lain. Partisi tidak dilakukan secara manual melainkan dengan suatu
algoritma clustering. Oleh karena itu, clustering sangat berguna dan bisa
menemukan group atau kelompokyang tidak dikenal dalam data. Clustering
banyak digunakan dalam berbagai aplikasi seperti misalnya pada business
inteligence, pengenalan pola citra, web search, bidang ilmu biologi, dan untuk
keamanan (security). Di dalam business inteligence, clustering bisa mengatur
banyak customer ke dalam banyaknya kelompok. Contohnya mengelompokan
pelanggan ke dalam beberapa cluster dengan kesamaan karakteristik yang kuat.
Clustering juga dikenal sebagai data segmentasi karena clustering mempartisi
banyak data set ke dalam banyak group berdasarkan kesamaannya. Selain itu
clustering juga bisa sebagai outlier detection(Binus, 2017).
𝑏 −𝑎
𝑆𝐶 = max𝑖 (𝑎 𝑖,𝑏 ) ...................……………………………….…………. (2.3)
𝑖 𝑖
2.8 Python
Python adalah satu dari bahasa pemrograman tingkat tinggi yang bersifat
interpreter, interaktif, object-oriented dan dapat beroperasi di hampir semua
platform, seperti keluarga Linux, Windows, Mac, dan platform lainnya. Python
adalah salah satu bahasa pemrograman tingkat tinggi yang mudah dipelajari
karena sintaks yang jelas dan elegan, yang dikombinasikan dengan penggunaan
modul-modul yang mempunyai struktur data tingkat tinggi, efisien, dan siap
langsung digunakan (Rosmala & Gadya, 2012). Source code aplikasi dalam
bahasa pemrograman Python biasanya akan dikompilasi menjadi format perantara
yang dikenal sebagai bytecode yang selanjutnya akan dieksekusi. Kelemahan
12
dalam bahasa pemrograman ini terletak pada kecepatan eksekusi yang tidak
secepat bahasa pemrograman yang dikompilasi dan bersifat lebih low-level seperti
C dan C++.
2.10 SQLite
SQLite merupakan sebuah system manajemen basis data relasional yang
bersifat ACID - compliant dan memiliki ukuran pustaka kode yang relatif kecil,
ditulis dalam bahasa C (Dimas R.S.N, 2011). Sqlite di embbeded database dapat
13
Swimlane menunjukkan
4. aktor dari diagram aktivitas yang
dibuat
Aktivitas menunjukkan
5. aktivitas-aktivitas yang terdapat
pada diagram aktivitas
Pengecekan kondisi
6. menunjukkan pengecekan
terhadap suatu kondisi
RUP memiliki empat buah tahap atau fase yang dapat dilakukan pula secara
iteratif.Berikut adalah penjelasan untuk setiap fase pada RUP.
1. Inception
19
Tahap ini yaitu tahap penentuan ruang lingkup pengembangan sistem dari
hasil wawancara dan observasi yang dilakukan, meliputi hasil penelitian atau
skripsi-skripsi terdahulu.
2. Elaboration
Tahap ini yaitu tahap melakukan identifikasi masalah pada sistem yang
akan dibuat berdasarkan hasil observasi dan wawancara yang telah dilakukan.
Didalam elaboration terdapat dua tahapan yaitu:
a. Analisis
Terdapat tiga fase dalam tahapan analisis sistem pada alur
pengembangan sistem RUP, yaitu: analisis permasalahan, analisis
persyaratan, dan analisis keputusan.
b. Perancangan
Tahap ini terdiri dari: perancangan aplikasi denganmenggunakan
diagram UML meliputi use case diagram, activity diagram dan sequence
diagram, dan perancangan tampilan.
3. Construction
Tahap ini menjelaskan bagaimana mengimplementasi dan melakukan uji
coba terhadap aplikasi yang telah dibuat. Dalam tahapan implementasi
dijelaskan perangkat keras dan perangkat lunak apa saja yang dibutuhkan untuk
pengimplementasian sistem. Sedangkan pada tahapan uji coba dilakukan
testing. Testing diperlukan untuk menjamin kualitas aplikasi yang telah dibuat
apakah telah sesuai dengan yang diharapkan.
4. Transition
Pada tahap transition yaitu pembuatan panduan penggunaan dari sistem
yang telah dibuat.
20
BAB III
METODOLOGI PENELITIAN
1 2 3 4 1 2 3 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3
1. Incepti
on
2. Elabor
ation
3. Constr
uction
4. Transiti
on
20
21
3. Pengolahan Data
Setelah proses transformasi langkah selanjutnya adalah proses pengolahan
data menggunakan metode K-Medoids Clustering. Tahapan proses metode K-
Medoids Clustering adalah sebagai berikut :
1. Ditentukan k (jumlah cluster) dari n objek adalah 3
2. Menentukan cluster awal sebagai medoid
3. Menghitung jarak obyek ke masing-masing medoid yang telah dipilih.
Untuk menentukan jarak obyek ke masing-masing medoid digunakan rumus
Euclidian Distance :
𝑛
𝑑(𝑥, 𝑦) = √∑ (𝑥𝑘 − 𝑦𝑘 )2
𝑘=1
d. Hitung total simpangan (S) dengan menghitung total distance baru – total
distance lama. Jika S < 0 maka tukar objek dengan data cluster untuk
membentuk sekumpulan k objek baru sebagai medoid (Setyawati, 2017).
BAB IV
ANALISIS DAN PERANCANGAN SISTEM
25
26
dibagi dalam dua tahap, yaitu analisis kebutuhan perangkat keras dan analisis
kebutuhan perangkat lunak.
2.17.1.4 Analisis Kebutuhan Perangkat Keras
Perangkat keras yang digunakan pada pembangunan sistem ini, sebagai
berikut:
Tabel 3.2 Spesifikasi perangkat keras
b. Activity Diagram
1. Activity Diagram Login
Pada Gambar 4.2 menunjukkan activity diagram login untuk admin.
Proses login dimulai dengan mengisi username dan password kemudian
sistem melakukan pengecekan username dan password, apabila sesuai maka
admin dapat menjalankan sistem, namun apabila data yang dimasukkan tidak
valid maka sistem akan menampilkan halaman login.
tampil form Input Data Mahasiswa, dan isi data siswa yang sesuai dengan
data-data yang telah diberikan. Jika pengisian sudah lengkap, dilakukan
penyimpanan terhadap data-data tersebut.Admin juga dapat mengubah serta
menghapus data siswa yang sudah tersimpan jika terjadi kesalahan dalam
memasukkan data-data sebelumnya. Jika telah selesai, data disimpan kembali.
Untuk lebih jelasnya, dapat dilihat pada Gambar 4.3.
d. Class Diagram
Pada Gambar 4.11 menunjukkan Class Diagram dari Aplikasi Faktor
Terbesar Sumber Informasi Pemilihan Jurusan.
2. Halaman Beranda
Pada Gambar 4.13 menampilkan halaman beranda atau halaman awal
bagian karyawan toko. Terdapat 3 menu pada halaman ini yaitu menu beranda
seperti terdapat pada gambar, menu imput data kuisioner, dan menu hasil
analisa.
BAB V
IMPLEMENTASI DAN PENGUJIAN SISTEM
class k_medoids:
def __init__(self, k=2, max_iter=300,
has_converged=False):
'''
Class constructor
Parameters
----------
- k: number of clusters.
- max_iter: number of times centroids will
move
- has_converged: to check if the algorithm
stop or not
'''
self.k = k
self.max_iter = max_iter
self.has_converged = has_converged
self.medoids_cost = []
for i in range(self.max_iter):
# Labels for this iteration
cur_labels = []
for medoid in range(0, self.k):
# Dissimilarity cost of the current
cluster
self.medoids_cost[medoid] = 0
for k in range(len(X)):
45
d_list.append(euclideanDistance(self.medoids[j],
X[k]))
# Data points' label is the
medoid which has minimal distance to it
cur_labels.append(d_list.index(min(d_list)))
self.medoids_cost[medoid] +=
min(d_list)
self.updateMedoids(X, cur_labels)
if self.has_converged:
break
return np.array(self.medoids)
Returns:
----------
pred: list cluster indexes of input data
'''
pred = []
for i in range(len(data)):
# Distances from a data point to each of
the medoids
d_list = []
for j in range(len(self.medoids)):
d_list.append(euclideanDistance(self.medoids[j],
data[i]))
pred.append(d_list.index(min(d_list)))
return np.array(pred)
46
Jika dilihat dari Tabel 5.1 akan sulit untuk melakukan cluster dengan
menggunakan metode clustering K–Medoids sehingga data terlebih dahulu
dinormalisasikan dengan cara memasukkan nilai dari setiap kriteria.
A2 5 3 5 3 5 5
A3 5 2 2 4 5 5
A4 4 2 4 4 5 5
A5 3 4 2 2 4 4
49
A6 2 4 5 1 3 4
A7 2 2 2 4 5 5
A8 2 5 2 4 4 4
A9 2 3 4 1 4 4
A10 2 2 2 4 4 4
Iterasi pertama:
Jarak medoid 1
DA1 = √(4 − 4)2 + (4 − 4)2 + (4 − 4)2 + (2 − 2)2 + (4 − 4)2 + (4 − 4)2
=√6
= 2,449
DA3 = √(5 − 4)2 + (2 − 4)2 + (2 − 4)2 + (4 − 2)2 + (5 − 4)2 + (5 − 4)2
Jarak medoid 2
DA1 = √(4 − 2)2 + (4 − 4)2 + (4 − 5)2 + (2 − 1)2 + (4 − 3)2 + (4 − 4)2
= √6 + 4 + 6 + 6 + 4 + 1
=√27
= 5,196
DA4 = √(4 − 2)2 + (2 − 4)2 + (4 − 5)2 + (4 − 1)2 + (5 − 3)2 + (5 − 4)2
Jarak Medoid 3
DA1 = √(4 − 2)2 + (4 − 2)2 + (4 − 2)2 + (2 − 4)2 + (4 − 4)2 + (4 − 4)2
= √4 + 0 + 4 + 0 + 1 + 1
=√10
= 3,162
DA5 = √(3 − 2)2 + (4 − 2)2 + (2 − 2)2 + (2 − 4)2 + (4 − 4)2 + (4 − 4)2
Hasil perhitungan jarak Euclidien Distance iterasi pertama dilihat pada Tabel 5.4
Tabel 5.4 Hasil Perhitungan Jarak ke Setiap Medoids Iterasi Pertama
ALTERNATIF C1 C2 C3 Cluster
A1 0 2,236 0 C1
A2 2,449 2,645 4 C1
A3 3,872 5,196 2,828 C3
A4 3,162 4,472 3,162 C1
A5 2,236 3 3 C1
A6 2,828 0 3 C2
A7 4,242 4,582 1,414 C3
A8 3,605 3,741 1,565 C3
A9 2,23 1,73 3,74 C1
A10 4,898 4,123 0 C3
JUMLAH 29,741 27,253 21,393
Total 78.387
Iterasi ke-2:
Menentukan medoid yang akan berhenti jika anggota cluster yang terbentuk dari
medoid tidak mengalami perubahan.
Medoid 1: A1
Medoid 2: A3
Medoid 3: A8
56
Jarak medoid 1
DA1 = √(4 − 4)2 + (4 − 4)2 + (4 − 4)2 + (2 − 2)2 + (4 − 4)2 + (4 − 4)2
Jarak medoid 2
DA1 = √(4 − 5)2 + (4 − 2)2 + (4 − 2)2 + (2 − 4)2 + (4 − 5)2 + (4 − 5)2
= √6 + 4 + 6 + 6 + 4 + 1
=√27
= 5,196
DA7 = √(2 − 5)2 + (2 − 2)2 + (2 − 2)2 + (4 − 4)2 + (5 − 5)2 + (5 − 5)2
Jarak medoid 3
DA1 = √(4 − 2)2 + (4 − 5)2 + (4 − 2)2 + (2 − 4)2 + (4 − 4)2 + (4 − 4)2
= 3,605
DA2 = √(5 − 2)2 + (3 − 5)2 + (5 − 2)2 + (3 − 4)2 + (5 − 4)2 + (5 − 4)2
= √0 + 6 + 0 + 0 + 1 + 1
=√8
= 2,828
DA8 = √(2 − 2)2 + (5 − 5)2 + (2 − 2)2 + (4 − 4)2 + (4 − 4)2 + (4 − 4)2
4. Hitung total simpangan (S) dengan menghitung total distance baru – total
distance lama. Jika S < 0 maka tukar objek dengan data cluster untuk
membentuk sekumpulan k objek baru sebagai medoid (Setyawati, 2017).
S = total distance baru – total distance lama
S = 87,77 - 78.387 = 9,383
5. Karena nilai S < 0 maka proses pengklasteran dihentikan. Sehingga objek non
medoids dijadikan sebagai medoid baru.
6. Sehingga cluster yang di dapatakan seperti pada table 5.5.
Tabel 5.6 Hasil pengclusteran mahasiswa baru dengan k-medoids
Sangat Cluster
No Nama Internet Alumni Media Tertarik Peluang tertarik
UHO Massa Dengan Kerja dan ingin
(Koran) Beasiswa yang belajar
Bagus lebih
banyak
1. Gita Setuju Setuju Setuju Tidak Setuju Setuju C1
Setuju
2. Faza Sangat Netral Sangat Netral Sangat Sangat C1
Setuju Setuju Setuju Setuju
3. Asfan Sangat Tidak Tidak Setuju Sangat Sangat C3
Setuju Setuju Setuju Setuju Setuju
4. Anggun Setuju Tidak Setuju Setuju Sangat Sangat C1
Setuju Setuju Setuju
5. Fauziah Sangat Sangat Tidak Tidak Setuju Setuju C1
Setuju Setuju Setuju Setuju
6. Arkam Tidak Setuju Sangat Sangat Netral Setuju C2
Setuju Setuju Tidak
Setuju
7. Helda Tidak Tidak Tidak Setuju Sangat Sangat C3
63
Dari 10 data yang telah diuji dengan 2 iterasi, pada iterasi ke-1 C1
memiliki jumlah mahasiswa sebanyak 5 (50%), lalu C2 memiliki jumlah
mahasiswa sebanyak 1 (10%), dan C3 memiliki jumlah mahasiswa sebanyak 4
(40%).
Pada iterasi ke-2 C1 memiliki jumlah mahasiswa sebanyak 6 (60%), lalu
C2 memiliki jumlah mahasiswa sebanyak 2 (20%), dan C3 memiliki jumlah
mahasiswa sebanyak 2 (20%).
Karena hasil iterasi ke-2 posisi cluster berubah atau berbeda dengan posisi
cluster pada iterasi pertama, disebekan oleh pergantian centroid utama yang mana
dipertemukan dari calon medoids ke data mahasiswa yang telah dihitung dan
ditentukan yang paling tepat jadi medoidsnya. Maka proses iterasi dihentikan
karena sudah dapat diketahui hasil cluster yang membentuk suatu kelompok data.
1. 2 0.14637431590665603
2. 3 0.11000736495160417
3. 4 0.23045321036704783
4. 5 0.22435958179742807
64
Dari hasil pengujian pada tabel 5.7 menunjukkan jumlah klaster yang
terbaik adalah klaster 4 dengan dengan nilai silhouette coefficien sebesar
0.23045321036704783 dan klaster yang paling buruk adalah klaster 3 dengan
dengana nilai silhouette coefficien adalah 0.11000736495160417.
Gambar 5.7 Grafik pengaruh perbedaan jumlah klaster dengan 264 data
terhadap silhouette coefficien.
5.4 PLOT
Dari plot yang terbentuk terdapat beberapa orang yang mempunyai nilai
yang sama. Hal ini terjadi karena mereka memiliki jawaban yang sama. Selain itu
terdapat cluster yang mumpunyai nilai yang berdekatan sehinga menyebabkan dua
cluster saling bercampur. Berikut diilustrasikan pada Gambar 5.4.
6.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan mengenai Penerapan
Algoritma K-Medoids dalam Penentuan Faktor Terbesar Sumber Informasi
Pemilihan Jurusan di Fakultas Teknik Universitas Halu Oleo memiliki beberapa
kesimpulan antara lain:
1. Penerapan Algoritma K-Medoids dalam Penentuan Faktor Terbesar Sumber
Informasi Pemilihan Jurusan di Fakultas Teknik Universitas Halu Oleo telah
berhasil dibagun untuk menghasilkan cluster terbesar sumber informasi
emilihan urusan di Fakultas Teknik Universitas Halu Oleo.
2. Berdasarkan hasil analisa dengan menerapkan metode K-Medoids
menghasilkan kesimpulan bahwa sangat setuju ditempati oleh kriteria
peluang kerja dan sangat tidak setuju ditempati oleh kriteria media.
Dari kesimpulan diatas memungkinkan dengan memasukkan informasi pada
kerja lebih cenderung untuk di baca oleh calon mahasiswa baru dan untuk
faktor media lebih ditingkatkan kembali.
6.2 Saran
Untuk pengembangan system selanjutnya diharapkan dapat dilakukan
pengembangan system dengan metode pengelompokkan lainnya dan dapat
menambahkan beberapa kriteria lainnya.
66
67
DAFTAR PUSTAKA
Boone Jr, Harry N, and Deborah A. Boone. 2012. Analyzing Likert Data.
Journal of Extension 50 (2)
Maulana, D. (2011). Tutorial Android Penggunaan SQLite Sebagai Database
Lokal.