SDN Lakarsantri I/472 Surabaya

BAB II TINJ AUAN PUSTAKA

2.1 SDN Lakarsantri I/472 Surabaya

2.1.1 Sejar ah Singkat SDN Lakar santri I/472 Surabaya

SDN Lakarsantri I/467 Surabaya ini terletak di jalan Lakarsantri no.112 Surabaya, Sekolah Dasar Negeri ini mempunyi tanggal pendirian 31 Desember 1969. Dengan prestasi yang telah dicapai sekolah tersebut maka Badan Akreditasi Sekolah kota Surabaya memberikan peringkat akreditasi Baik (B) untuk Sekolah Dasar Negeri Lakarsantri I/472 Surabaya.

2.1.2 Visi dan Misi SDN Lakarsantri I/472 Surabaya Visi :

“Menjadi sekolah terpercaya di masyarakat untuk mencerdaskan bangsa dalam rangka menyukseskan wajib belajar”

a. Unggul dalam kelulusan

b. Unggul dalam pengembangan kurikulum c. Unggul dalam proses pembelajaran d. Unggul dalam tenaga kependidikan e. Unggul dalam fasilitas pendidikan f. Unggul dalam mutu dan kelembagaan

g. Unggul dalam IMTAQ

h. Unggul dalam pengembangan penilaian

i. Meningkatnya penguasaan dan penggunaan IPTEK j. Meningkatnya budaya santun

Misi :

a. Bertaqwa kepada Tuhan Yang Maha Esa

b. Menumbuhkan sikap disiplin, sopan santun, tanggung jawab, kemandirian dan kecakapan emosional untuk merendahkan diri yang bersahaja

c. Memiliki sikap dan tingkah laku terhadap lingkungan hidup

2.1.3 Tujuan SDN Lakarsantri I/472 Surabaya

a. Terlaksananya peningkatan nilai akademis dan non akademis

b. Terlaksananya pengembangan kurikulum satuan pendidikan (SK, KD, Pemetaan, Silabus, Indikator, dan RPP) untuk kelas I sampai dengan VI. c. Terlaksananya pengembangan metode dan strategi pembelajaran.

d. Terlaksananya pengembangan tenaga pendidik dan kependidikan. e. Terlaksananya pengembangan MBS.

f. Terlaksananya pengembangan pembiayaan terlaksananya pengembangan fasilitas pendidikan

g. Melalui pengelolaan dan pendayagunaan sumber dana dan potensi sekolah h. Terlaksananya pengembangan penilaian berbasis kompetensi

i. Terlaksananya dan meningkatkan penguasaan dan pemanfaatan IPTEK j. Terlaksananya dan meningkatkan keimanan dan ketaqwaan

2.2 Tinjauan Umum

Menurut Hick (1993), Sistem pendukung keputusan sebagai sekumpulan tools komputer yang terintegrasi yang mengijinkan seorang decision maker untuk berinteraksi langsung dengan komputer untuk menciptakan informasi yang berguna dalam membuat keputusan semi terstruktur dan keputusan tak terstruktur yang tidak terantisipasi.

K-means adalah algoritma clustering untuk data mining yang diciptakan tahun 70an dan berguna untuk melakukan clustering secara unsupervised learning (pembelajaran yang tidak terawasi) dalam suatu kumpulan data berdasarkan parameter tertentu. Menurut Kardi (2007), K-means adalah sebuah algoritma untuk mengklasifikasikan atau mengelompokkan objek-objek (dalam hal ini data) berdasarkan parameter tertentu ke dalam sejumlah group, sehingga dapat berjalan lebih cepat daripada hierarchical clustering (jika k kecil) dengan jumlah variable yang besar dan menghasilkan cluster yang lebih rapat. (Susanto, 2010)

Sebuah sistem pendukung keputusan dibuat agar dapat membantu seseorang untuk menyelesaikan permasalahan tertentu tidak terkecuali juga masalah pengelompokan nilai akademik siswa. Meskipun pengelompokan nilai siswa ini bisa hanya dengan melihat daftar nilai para siswa tetapi hal tersebut kurang efektif digunakan, dikarenakan belum tentu sesuai dengan kenyataan. Dengan itu dibuatlah sistem pendukung keputusan pengelompokan nilai akademik siswa pada Sekolah Dasar Negeri dengan menggunakan metode K-Means. Metode K-Means merupakan metode yang bisa dikatakan cocok untuk membuat sebuah sistem pendukung keputusan pengelompokan nilai akademik siswa, yaitu

dikarenakan metode K-Means dapat menghasilkan kelompok/cluster yang tepat pengelompokan nilai-nilai akademik para siswa.

2.3 Landasan Teori

Di dalam landasan teori ini akan dibahas beberapa teori yang mendukung serta menunjang terselesaikannya proses aplikasi ini. Berikut ini adalah teori-teori yang membahas tentang aplikasi tersebut.

2.3.1 Sistem Pendukung Keputusan (SPK)

Konsep Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision Sistem.

Sistem Pendukung Keputusan tersebut adalah suatu sistem yang berbasis komputer yang ditujukan untuk membantu pengambil keputusan dengan memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur. Istilah SPK mengacu pada suatu sistem yang memanfaatkan dukungan komputer dalam proses pengambilan keputusan.

Untuk memberikan pengertian yang lebih mendalam, akan diuraikan 10 definisi mengenai Sistem Pendukung Keputusan / Decision Support system yang dikembangkan oleh beberapa ahli, yaitu (anoname, 2013):

a. Little (1970)

Sistem pendukung keputusan adalah sebuah himpunan / kumpulan prosedur berbasis model untuk memproses data dan pertimbangan untuk membantu manajemen dalam pembuatan keputusannya.

b. Alter (1990)

Membuat definisi sistem pendukung keputusan dengan membandingkannya dengan sebuah sistem pemrosesan data elektronik (PDE) / Electronic Data Processing tradisional dalam 5 hal :

SPK PDE

Penggunaan : Pasif Penggunaan : Aktif Pengguna : Operator/Pegawai Pengguna : Manajemen

Tujuan : Efisiensi Mekanis Tujuan : Efektifitas Time horizon : Masa Lalu Time horizon : Sekarang dan

masa depan Kelebihan : Konsistensi Kelebihan : Fleksibilitas

c. Keen (1980)

Sistem pendukung keputusan adalah sistem berbasis komputer yang dibangun lewat sebuah proses adaptif dari pembelajaran, pola-pola penggunan dan evolusi system.

d. Bonczek (1980)

Sistem pendukung keputusan sebagai sebuah sistem berbasis komputer yang terdiri atas komponen-komponen antara lain komponen sistem bahasa (language), komponen sistem pengetahuan (knowledge) dan komponen sistem pemrosesan masalah (problem processing) yang saling berinteraksi satu dengan yang lainnya.

e. Hick (1993)

Sistem pendukung keputusan sebagai sekumpulan tools komputer yang terintegrasi yang mengijinkan seorang decision maker untuk berinteraksi langsung dengan komputer untuk menciptakan informasi yang berguna dalam membuat keputusan semi terstruktur dan keputusan tak terstruktur yang tidak terantisipasi.

f. Man dan Watson

Sistem pendukung keputusan merupakan suatu sistem yang interaktif, yang membantu pengambil keputusan melalui penggunaan data dan model-model keputusan untuk memecahkan masalah yang sifatnya semi terstruktur maupun yang tidak terstruktur.

g. Moore and Chang

Sistem pendukung keputusan dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis ad hoc data, dan pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan digunakan pada saat-saat yang tidak biasa.

h. Bonczek (1980)

i. Turban & Aronson (1998)

Sistem penunjang keputusan sebagai sistem yang digunakan untuk mendukung dan membantu pihak manajemen melakukan pengambilan

keputusan pada kondisi semi terstruktur dan tidak terstruktur. Pada dasarnya konsep DSS hanyalah sebatas pada kegiatan membantu para manajer melakukan penilaian serta menggantikan posisi dan peran manajer.

j. Raymond McLeod, Jr. (1998)

Sistem pendukung keputusan merupakan sebuah sistem yang menyediakan kemampuan untuk penyelesaian masalah dan komunikasi untuk permasalahan yang bersifat semi-terstruktur.

2.3.2 Komponen SPK

Menurut Aji Supriyanto (2005) Sistem Pendukung Keputusan dibangun oleh tiga komponen, yaitu :

a. Database

Sistem database adalah kumpulan semua data yang dimiliki oleh perusahaan baik data dasar maupun transaksi sehari-hari.

b. Model base

Model base adalah suatu model yang perepresentasikan

permasalahan dalam format kuantitatif. c. Software System

Software System adalah paduan antara database dan model base, setelah sebelumnya direpresentasikan kedalam bentuk model yang dimengerti oleh sistem komputer.

Sedangkan Sistem Pendukung Keputusan menurut Tata Sutabri (2005) SPK terdiri dari 4 komponen, yaitu :

a. Dialog

Alat untuk berinteraksi antara komputer dengan pemakainya. Pemakai harus bisa mengerti apa arti informasi yang dihasilkan. Ini berarti, system (komputer beserta programnya) mudah dipakai (user friendly). Ditinjau dari sudut pemakainya, pemakai harus pula belajar dan berlatih cara penggunaannya serta arti yang dihasilkan.

b. Model

Model serta sistem yang membolehkan pemakai memilih model yang cocok. Tiga macam model yang biasa digunakan adalah:

1) Optimalisasi: mencari yang terbaik. Contohnya membuat jadwal, membuat perbandingan linear programming, simulasi, dan lain sebagainya.

2) Statistik / matematis: menggambarkan masalah dengan standar kuantifikasi yang ada. Contohnya forecasting, fungsi kemungkinan (probabilitas), proyeksi penjualan, dan lain sebagainya.

3) Financial, mencari kesempatan yang baru yang lebih menguntungkan. Contohnya: investasi, cash flow, manajemen resiko, dan lain sebagainya.

c. Database

Menurut Indira Rakanita (2008) database adalah kumpulan dari item data yang saling berhubungan satu dengan yang lainnya yang diorganisasikan berdasarkan sebuah skema atau struktur tertentu, tersimpan di hardware computer dan dengan software untuk melakukan manipulasi untuk kegunaan tertentu.

d. Data

Data adalah suatu angka atau kelompok angka yang mempunyai arti atau nilai Dari uraian mengenai komponen SPK diatas, untuk mengembangkan SPK dengan metode k-means, dipilih komponen SPK sebagai berikut: Model base, Database, dan Software system.

(Lincahya, 2013)

2.3.3 Metode K-Means

Pengertian K-Means adalah suatu metode penganalisaan data atau metode Data Mining yang melakukan proses pemodelan tanpa supervisi (unsupervised) dan merupakan salah satu metode yang melakukan pengelompokan data dengan sistem partisi. Metode k-means berusaha mengelompokkan data yang ada ke dalam beberapa kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada di dalam kelompok yang lain. Dengan kata lain, metode ini berusaha untuk meminimalkan variasi antar data yang ada di dalam suatu cluster dan memaksimalkan variasi dengan data yang ada di cluster lainnya. (anoname, 2013)

Sedangkan Menurut Kardi (2007), K-means adalah sebuah algoritma untuk mengklasifikasikan atau mengelompokkan objek-objek (dalam hal ini data) berdasarkan parameter tertentu ke dalam sejumlah group, sehingga dapat berjalan lebih cepat daripada hierarchical clustering (jika k kecil) dengan jumlah variable yang besar dan menghasilkan cluster yang lebih rapat. (Susanto, 2010)

K-means memiliki propeti yaitu selalu ada K cluster, paling tidak memiliki satu data dalam tiap cluster, cluster ini merupakan non-hierarki dan tidak akan terjadi overlap, dan setiap member dari sebuah cluster berdekatan di-cluster terhadap cluster lainnya karena kedekatan tidak selalu melibatkan pusat dari cluster itu. (Susanto, 2010)

2.3.4 Konsep K-Means

Dalam statistik dan mesin pembelajaran, pengelompokan K-Means merupakan metode analisis kelompok yang mengarah pada pemartisian N objek pengamatan ke dalam K kelompok (cluster) dimana setiap objek pengamatan dimiliki oleh sebuah kelompok dengan mean (rata-rata) terdekat, mirip dengan algoritma Expectation-Maximization untuk Gausian Mixture dimana keduanya mencoba untuk menemukan pusat dari kelompok dalam data sebanyak iterasi perbaikan yang dilakukan oleh kedua algoritma.

K-Means merupakan salah satu metode pengelompokan data nonhierarki (sekatan) yang berusaha mempartisi data yang ada kedalam bentuk dua atau lebih kelompok. Metode ini mempartisi data kedalam kelompok sehingga data berkarakteristik sama dimasukkan kedalam satu kelompok yang sama dan data yang berkarakteristik berbeda dikelompokkan kedalam kelompok yang lain. Adapun tujuan pengelompokan data ini adalah untuk meminimalkan fungsi objektif yang diset dalam proses pengelompokan, yang pada umumnya berusaha meminimalkan variasi didalam suatu kelompok dan memaksimalkan variasi antar kelompok.

Pengelompokan data dengan metode K-Means ini secara umum dilakukan dengan algoritma sebagai berikut :

1. Tentukan jumlah kelompok

2. Alokasikan data kedalam kelompok secara acak

3. Hitung pusat kelompok (centroid/rata-rata) dari data yang ada di masing-masing kelompok

4. Alokasikan masing-masing data ke centroid/rata-rata terdekat

5. Kembali ke langkah 3, apabila masih ada data yang berpindah kelompok, atau apabila ada perubahan nilai centroid diatas nilai ambang yang ditentukan, atau apabila perubahan nilai pada fungsi objektif yang digunakan masih diatas nilai ambang yang ditentukan

(Prasetyo. 2012) 2.3.5 Algoritma K-Means

Algoritma k-means merupakan algoritma yang membutuhkan parameter input sebanyak k dan membagi sekumpulan n objek kedalam k cluster sehingga tingkat kemiripan antar anggota dalam satu cluster tinggi sedangkan tingkat kemiripan dengan anggota pada cluster lain sangat rendah. Kemiripan anggota terhadap cluster diukur dengan kedekatan objek terhadap nilai mean pada cluster atau dapat disebut sebagai centroid cluster atau pusat massa (Widyawati, 2010). Berikut rumus pengukuran jarak menurut (Santosa, 2007) :

Rumus perhitungan jarak didefinisikan sebagai berikut :

Keterangan : d = titik dokumen x = data record y = data centroid

Jarak yang terpendek antara centroid dengan dokumen menentukan posisi cluster suatu dokumen. Misalnya dokumen A mempunyai jarak yang paling pendek ke centroid 1 dibanding ke yang lain, maka dokumen A masuk ke group 1. Hitung kembali posisi centroid baru untuk tiap-tiap centroid dengan mengambil rata-rata dokumen yang masuk pada cluster. Iterasi dilakukan terus hingga posisi group tidak berubah. Adapun rumus iterasi lainnya didefinisikan sebagai berikut :

( ) =

^...

∑

...(2) Keterangan :

= nilai data record ke-1 = nilai data record ke-2 = nilai data record ke-n ∑ x = jumlah data record

K-Means merupakan algoritma clustering yang bersifat partitional yaitu membagi himpunan objek data ke dalam sub himpunan (cluster) yang tidak overlap, sehingga setiap objek data berada tepat dalam satu cluster. Strategi partitional-clustering yang paling sering digunakan adalah berdasarkan kriteria square error. Secara umum, tujuan kriteria square error adalah untuk memperoleh partisi (jumlah cluster tetap) yang meminimalkan total square error.

start

Banyaknya jumlah cluster K

Tentukan pusat

Hitung jarak obyek ke pusat

Kelompokkan obyek berdasar jarak minimum

Apakah masih ada obyek yang berpindah?

tidak end

Gambar 2.1 Flowchart algoritma K-Means

Pada gambar 2.1 Tahapan proses algoritma K-Means (Widyawati, 2010), menyatakan sebagai berikut :

a. Pilih secara acak objek sebanyak k, objek-objek tersebut akan direpresentasikan sebagai mean pada cluster.

b. Untuk setiap objek dimasukan kedalam cluster yang tingkat kemiripan objek terhadap cluster tersebut tinggi. Tingkat kemiripan ditentukan dengan jarak objek terhadap mean atau centroid cluster tersebut.

c. Hitung nilai centroid yang baru pada masing-masing cluster.

d. Proses tersebut diulang hingga anggota pada kumpulan cluster tersebut tidak berubah.

2.3.6 Kelebihan dan Kelemahan K-Means

Kelebihan yang ada dalam metode k-means diantaranya adalah mampu mengelompokan objek besar dengan sangat cepat sehingga mempercepat proses pengelompokan.

Sedangkan kekurangan yang dimiliki oleh k-means sangat sensitif pada pembangkitan titik pusat awal secara random, Memungkinkan suatu gerombol tidak mempunyai anggota, Hasil pengelompokan bersifat tidak unik (selalu berubah-ubah) terkadang bagus terkadang tidak, Sangat sulit mencapai global optimum, Algoritma k-means clustering walaupun proses pengerjaannya cepat tetapi keakuratannya tidak dijamin. (anoname, 2013)

2.3.7 Tujuan metode K-Means

Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster. (anoname, 2013)

2.3.8 Clustering

Baskoro (2010) menyatakan bahwa Clustering atau clusterisasi adalah salah satu alat bantu pada data mining yang bertujuan mengelompokkan obyek-obyek ke dalam cluster-cluster. Cluster adalah sekelompok atau sekumpulan obyek-obyek data yang similar satu sama lain dalam cluster yang sama dan dissimilar terhadap obyek-obyek yang berbeda cluster. Obyek akan dikelompokkan ke dalam satu atau lebih cluster sehingga obyek-obyek yang berada dalam satu cluster akan mempunyai kesamaan yang tinggi antara satu

dengan lainnya. Obyek-obyek dikelompokkan berdasarkan prinsip memaksimalkan kesamaan obyek pada cluster yang sama dan memaksimalkan ketidaksamaan pada cluster yang berbeda. Kesamaan obyek biasanya diperoleh dari nilai-nilai atribut yang menjelaskan obyek data, sedangkan obyek-obyek data biasanya direpresentasikan sebagai sebuah titik dalam ruang multidimensi.

Dengan menggunakan clusterisasi, kita dapat mengidentifikasi daerah yang padat, menemukan pola-pola distribusi secara keseluruhan, dan menemukan keterkaitan yang menarik antara atribut-atribut data. Dalam data mining, usaha difokuskan pada metode-metode penemuan untuk cluster pada basis data berukuran besar secara efektif dan efisien. Beberapa kebutuhan clusterisasi dalam data mining meliputi skalabilitas, kemampuan untuk menangani tipe atribut yang berbeda, mampu menangani dimensionalitas yang tinggi, menangani data yang mempunyai noise, dan dapat diterjemahkan dengan mudah.

Gambar 2.2 Contoh Clustering (Baskoro 2010)

Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster. (Nango, 2012)

Dan adapun manfaat dari klasterisasi adalah : o Identifikasi obyek (Recognition) :

Dalam bidang mage Processing , Computer Vision atau robot vision o Decission Support System dan data mining

Segmentasi pasar, pemetaan wilayah, Manajemen marketing dll. (Satriyanto. 2013)

2.3.9 PHP

PHP sendiri sebenarnya merupakan singkatan dari “Hypertext Preprocessor”, yang merupakan sebuah bahasa scripting tingkat tinggi yang dipasang pada dokumen HTML. Sebagian besar sintaks dalam PHP mirip dengan bahasa C, Java dan Perl, namun pada PHP ada beberapa fungsi yang lebih spesifik. Sedangkan tujuan utama dari penggunaan bahasa ini adalah untuk memungkinkan perancang web yang dinamis dan dapat bekerja secara otomatis. (anoname, 2013).

File html ini dikirimkan oleh server (atau file) ke

browser, kemudian browser menerjemahkan kode-kode tersebut sehingga menghasilkan suatu tampilan yang indah. Lain halnya dengan program php, program ini harus diterjemahkan oleh Web-Server sehingga menghasilkan kode html yang dikirim ke browser agar dapat ditampilkan.

Program ini dapat berdiri sendiri ataupun disisipkan di antara kode-kode HTML sehingga dapat langsung ditampilkan bersama dengan kode-kode html tersebut. Program php dapat ditambahkan dengan mengapit program tersebut di antara tanda. Tanda-tanda tersebut biasanya disebut tanda untuk escaping (kabur)

dari kode HTML. File HTML yang telah dibubuhi program php harus diganti ekstensi-nya menjadi php3 atau PHP. (Lincahya. 2013).

2.3.10 Sejar ah PHP

PHP pertama kali dibuat oleh Rasmus Lerdroft, seorang programmer C. Pada waktu itu PHP masih bernama FI (Form Interpreted), yang wujudnya berupa sekumpulan script yang digunakan untuk mengolah data form dari web. Jadi semula PHP digunakannya untuk menghitung jumlah pengunjung di dalam webnya.

Kemudian ia mengeluarkan Personal Home Page Tools versi 1.0 secara gratis. Versi ini pertama kali keluar pada tahun 1995. Isinya adalah sekumpulan script PERL yang dibuatnya untuk membuat halaman webnya menjadi dinamis. Selanjutnya Rasmus merilis kode sumber tersebut untuk umum dan menamakannya PHP/FI, kependekan dari Hypertext Preprocessing’/Form Interpreter.

Dengan perilisan kode sumber ini menjadi open source, maka banyak programmer yang tertarik untuk ikut mengembangkan PHP. Kemudian pada tahun 1996 ia mengeluarkan PHP versi 2.0 yang kemampuannya telah dapat mengakses database dan dapat terintegrasi dengan HTML. Pada rilis ini interpreter PHP sudah diimplementasikan dalam program C. Dalam rilis ini disertakan juga modul-modul ekstensi yang meningkatkan kemampuan PHP/FI secara signifikan.Pada tahun 1998 tepatnya pada tanggal 6 Juni 1998 keluarlah

PHP versi 3.0 yang dikeluarkan oleh Rasmus sendiri bersama kelompok pengembang softwarenya.

PHP versi 4.0 keluar pada tanggal 22 Mei 2000 merupakan versi yang lebih lengkap lagi dibandingkan dengan versi sebelumnya. Perubahan yang paling mendasar pada PHP 4.0 adalah terintegrasinya Zend Engine yang dibuat oleh Zend Suraski dan Andi Gutmans yang merupakan penyempurnaan dari PHP scripting engine. (anoname, 2013)

2.3.11 Kelebihan PHP

PHP dapat berjalan di berbagai sistem operasi seperti Windows 98/NT, UNIX, LINUX, Solaris maupun Macintosh. PHP merupakan software yang open source.

Software ini juga dapat berjalan pada web server seperti PWS (Personal Web Server), Apache, IIS, AOLServer, fhttpd, phttpd dan sebagainya. PHP juga merupakan bahasa pemograman yang dapat kita kembangkan sendiri seperti untuk menambah fungsi-fungsi baru.

Keunggulan lainnya dari PHP adalah bahwa PHP juga mendukung komunikasi dengan layanan seperti protocol IMAP, SNMP, NNTP, POP3 dan bahkan HTTP. PHP dapat diinstal sebagai bagian atau modul dari Apache web server atau sebagai CGI script yang mandiri. Banyak keuntungan yang dapat diperoleh jika menggunakan PHP sebagai modul dari apache, di antaranya adalah:

1. Tingkat keamanan yang cukup tinggi

2. Waktu eksekusi yang lebih cepat dibandingkan dengan bahasa pemograman web lainnya yang berorientasi pada server-side scripting.

3. Akses ke system database yang lebih fleksibel, seperti MySQL. (anoname, 2013)

2.3.12 MySQL

Pengertian MySQL adalah sistem manajemen database SQL yang bersifat Open Source dan paling populer saat ini. Sistem Database MySQL mendukung beberapa fitur seperti multithreaded, multi-user, dan SQL database managemen sistem (DBMS). Database ini dibuat untuk keperluan sistem database yang cepat, handal dan mudah digunakan.

Ulf Micheal Widenius adalah penemu awal versi pertama MySQL yang kemudian pengembangan selanjutnya dilakukan oleh perusahaan MySQL AB. MySQL AB yang merupakan sebuah perusahaan komersial yang didirikan oleh para pengembang MySQL. MySQL sudah digunakan lebih dari 11 millar instalasi saat ini. (anoname, 2013).

2.3.13 Keunggulan MySQL

1) Portabilitas. MySQL dapat berjalan stabil pada berbagai sistem operasi seperti Windows, Linux, FreeBSD, Mac Os X Server, Solaris, Amiga, dan masih banyak lagi.

2) Perangkat lunak sumber terbuka. MySQL didistribusikan sebagai perangkat lunak sumber terbuka, dibawah lisensi GPL sehingga dapat digunakan secara gratis.

3) Multi-user. MySQL dapat digunakan oleh beberapa pengguna dalam waktu yang bersamaan tanpa mengalami masalah atau konflik.

4) Performance tuning', MySQL memiliki kecepatan yang menakjubkan dalam menangani query sederhana, dengan kata lain dapat memproses lebih banyak SQL per satuan waktu.

5) Ragam tipe data. MySQL memiliki ragam tipe data yang sangat kaya, seperti signed / unsigned integer, float, double, char, text, date, timestamp, dan lain-lain.

6) Perintah dan Fungsi. MySQL memiliki operator dan fungsi secara penuh yang mendukung perintah Select dan Where dalam perintah (query).

7) Keamanan. MySQL memiliki beberapa lapisan keamanan seperti level subnetmask, nama host, dan izin akses user dengan sistem perizinan yang mendetail serta sandi terenkripsi.

8) Skalabilitas dan Pembatasan. MySQL mampu menangani basis data dalam skala besar, dengan jumlah rekaman (records) lebih dari 50 juta dan 60 ribu tabel serta 5 milyar baris.

9) Konektivitas. MySQL dapat melakukan koneksi dengan klien menggunakan protokol TCP/IP, Unix soket (UNIX), atau Named Pipes (NT).

10) Lokalisasi. MySQL dapat mendeteksi pesan kesalahan pada klien dengan menggunakan lebih dari dua puluh bahasa. Meski pun demikian, bahasa Indonesia belum termasuk di dalamnya.

11) Antar Muka. MySQL memiliki antar muka (interface) terhadap berbagai aplikasi dan bahasa pemrograman dengan menggunakan fungsi API

Dalam dokumen SISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN NILAI AKADEMIK SISWA MENGGUNAKAN METODE K-MEANS UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA. (Halaman 21-42)