Abstrak
Clustering mahasiswa program pascasarjana dilakukan untuk mengelompokkan mahassiwa ke
dalam cluster tertentu yang memiliki kemiripan data menggunakan algoritma Fuzzy C-means. Data
yang diambil yaitu data umur dan ips (index prestasi mahasiswa). Metode validitas cluster dari hasil
algoritma Fuzzy C-Means menggunakan DBI (Davies Bouldin Index) untuk mengukur seberapa
bagus cluster yang dihasilkan oleh algoritma Fuzzy C-Means. Dari penelitian yang telah dibuat
peneliti berikut hasil DBI cluster 2 adalah cluster yang menghasilkan nilai DBI terkecil yaitu 2,1541
dengan cluster 1 yang memiliki data mahasiswa dengan rentang umur 21 sampai 30 dan cluster 2
memiliki data mahassiwa dengan rentang umur 31 sampai 45.
Kata kunci: Fuzzy C-Means, DBI (Davies Bouldin Index)
Abstract
Clustering of postgraduate students is carried out to group students into certain clusters that
have similar data using the Fuzzy C-means algorithm. The data taken are age data and IPS (student
achievement index). The cluster validity method of the results of the Fuzzy C-Means algorithm uses
the DBI (Davies Bouldin Index) to measure how good the clusters produced by the Fuzzy C-Means
algorithm are. From the research that has been done by the researchers, the results of DBI cluster 2
are the clusters that produce the smallest DBI value, namely 2.1541, with cluster 1 having student
data ranging from 21 to 30 and cluster 2 having student data ranging from 31 to 45.
2|
Clustering adalah metode dalam mencakup semua jenis penelitian berdasarkan
pengolahan data mining yang menghasilkan persentase, rata-rata, atau kalkulasi statistik
output dari proses pengolahan data nya adalah lainnya. Alat yang digunakan misalnya tabel
sebuah kelompok atau kelas-kelas yang dan diagram.
berkarakteristik sama atau mirip.
3.2. Jenis Penelitian
2.3. Fuzzy C-Means Riset terapan menekankan pada
Output dari Fuzzy C-Means adalah manfaat praktis dari hasil riset dalam
deretan pusat cluster, dan setiap titik data memecahkan masalah spesifik dan menemukan
memiliki beberapa derajat keanggotaan. produk baru yang bermanfaat bagi kehidupan.
Informasi ini dapat digunakan untuk
membangun sistem inferensi fuzzy. Berikut 3.3 Langkah-langkah Penelitian
rumus perhitungan fuzzy c-means. Langkah-langkah penelitian peneliti
ditunjukkan pada Gambar 3.1.Metode
(1) Penelitian, serta penjelasan nya sebagai
berikut:
(2)
Perencanaan
Studi Literatur
(3)
Pengumpulan Data
(4)
Implementasi Program
Analisa Hasil
(5)
3|
perlu dilakukan tahapan penggabungan data
dari berbagai tabel yang berbeda. (10)
4. Normisasi parameter yang bertujuan Menghitung perubahan Matriks Partisi
untuk menyeimbangkan data nilai parameter
dan menyederhanakan data nilai parameter
dengan skala value 0 sampai 1 menggunakan (11)
persamaan sebagai berikut:
3.9 Validitas Cluster dengan Metode
(8) Davies Bouldin Index (DBI)
Pada tabel 3.1 adalah hasil nilai
3.7. Implementasi Program anggota cluster
Pada gambar diagram alur dibawah ini Tabel 3. 1. Hasil nilai anggota cluster
akan dijelaskan bagaimana langkah
perancangan sistem. Data cenderung masuk ke cluster
ke-
Mulai
1 2 3
0,6992 0,4984 0,9991
Data Parameter
0,9085 0,9991
Selesai
Setelah memperoleh nilai anggota
cluster dan nilai pusat cluser maka dapat
dihitung SSW, SSB, dan Ratio.
3.8. Clustering data menggunakan
1. Sum of Square Within-cluster
metode Fuzzy C-Means
(SSW)
Menentukan nilai parameter awal
Rumus yang digunakan untuk
berdasarkan data dari tabel 3.1 ditentukan
mendapatkan nilai SSW adalah sebagai
beberapa komponen perhitungan sebagai
berikut:
berikut:
a.Banyaknya cluster yang diinginkanc 3 (12)
b.Pangkat (pembobot) w 2
c.Maksimun Iterasi T 100 2. Sum of Square Between-cluster
(SSB)
d.Error Terkecil ξ 10 -5
Persamaan yang digunakan untuk
e.Fungsi Objetif awal P0 0 memperoleh nilai SSB sebagai berikut:
f. Iterasi awal t 1 (13)
4|
4. DBI Gambar 4.1 Grafik Nilai DBI
Langkah terakhir adalah menghitung
nilai DBI, yaitu dengan mencari nilai ratio Berdasarkan pada Grafik nilai DBI
terbesar yang diperoleh hasil masing masing menunjukkan bahwa pada di titik 2,1541
ratio kemudian dibagi jumlah banyak nya adalah nilai DBI terkecil dari 10 titik nilai DBI,
cluster. Berikut persamaan DBI : dimana titik 2,1541 adalah 2 cluster. Maka 2
cluster adalah cluster yang paling optimal dari
pengelompokkan cluster yang lain. Dimana,
(15) evaluasi hasil DBI yang bernilai paling kecil
menunjukkan bahwa nilai DBI yang paling
Tabel 3.14 Nilai Rmax dan DBI baik karena semua anggota cluster relatif dekat
Data Cluster ke-i
R Rmax DBI satu dengan yang lain. Dan hasil profil 2
1 2 3 Cluster dengan cluster 1 sebanyak 549
1 0 1,5998 1,5284 1,5998 mahasiswa dan cluster 2 sebanyak 178 dosen.
Data 1,599
2 0 1,7741 1,7741
Cluster 8 1,7160
ke- 1,528
3 1,7741 0 1,7741
4
6. REFERENSI
A. Buku
[1] Kusumadewi, S., dan Hari Purnomo. 2010.
Aplikasi Logika Fuzzy. Yogyakarta: Graha
Ilmu.
5|
B. Artikel Jurnal [14] Satriyanto, E. (2011). Clustering.
[2] Fenny, D. Analisis perbandingan cosine Surabaya: Institut Teknologi Surabaya.
normalization dan min-max normalization [15] Shofiani, N. (2017). Segmentasi Supplier
pada pengelompokan terjemahan ayat Al Menggunakan Metode K-Means Clustering
Quran menggunakan algoritma k-means (Studi Kasus: PTPN X PG Meritjan) (Doctoral
clustering (Bachelor's thesis, Fakultas Sains dissertation, Institut Teknologi Sepuluh
dan Teknologi Universitas Islam Negeri Syarif Nopember).
Hidayatullah Jakarta).
[3] Guney, Y. (2009). Exogenous and
endogenous factors influencing students'
performance in undergraduate accounting
modules. Accounting Education, 18(1), 51- 73
[4] Haryati, D. F., Abdillah, G., & Hadiana, A.
I. (2016, March). Klasifikasi Jenis Batubara
Menggunakan Jaringan Syaraf Tiruan Dengan
Algoritma Backpropagation. In Seminar
Nasional Teknologi Informasi dan Komunikasi
(SENTIKA) (pp. 18-19).
[5] Jaedun, A. (2011). Metodologi penelitian
eksperimen. Fakultas Teknik UNY, 12.
[6] Mardi, Y. (2017). Data Mining: Klasifikasi
Menggunakan Algoritma C4. 5. Edik
Informatika, 2(2), 213-219.
[7] Metisen, B. M., & Sari, H. L. (2015).
Analisis clustering menggunakan metode K-
Means dalam pengelompokkan penjualan
produk pada Swalayan Fadhila. Jurnal media
infotama, 11(2).
[8] Muhammad, A. F. (2018). Clusterisasi
Proses Seleksi Pemain Menggunakan
Algoritma K-Means (Study Kasus: Tim
Hockey Kabupaten Kendal). Jurnal Sistem
Komputer, 7(2).
[9] Nugroho, S. B. M. (2016). Pengaruh
Pendidikan Terhadap Pertumbuhan Ekonomi.
Media Ekonomi dan Manajemen, 29(2).
[10] Rianto, A. (2017). Implementasi Metode
K-Means Clustering Dalam Mengelompokkan
Emosi Senang, Marah, Dan Netral Berdasarkan
Vokal Manusia (Doctoral dissertation,
Universitas Multimedia Nusantara).
[11] Ridwan, M., Suyono, H., & Sarosa, M.
(2013). Penerapan Data Mining Untuk
Evaluasi Kinerja Akademik Mahasiswa
Menggunakan Algoritma Naive Bayes
Classifier. jurnal EECCIS, 7(1), 59-64.
[12] Rohmah, R. L. (2019). Zonasi daerah
terdampak bencana angin Puting Beliung
menggunakan K-Means Clustering dengan
analisis Silhouette Coefficient, Davies Bouldin
Index dan Purity (Doctoral dissertation, UIN
Sunan Ampel Surabaya).
[13] Santosa, P. (2015). Metode Penelitian
Sastra. Yogyakarta: azzagrafika.
6|