BAB III METODOLOGI PENELITIAN
3.5 Analisa Berjalan
3.5.4 Sequence Diagram
Sequence diagram (diagram sekuen) menggambarkan kelakuan/perilaku objek pada use case dengan mendeskripsikan waktu hidup objek dan message yang dikirimkan dan diterima antar objek. Oleh karena itu untuk menggambar diagram sekuen maka harus diketahui objek-objek yang terlibat dalam sebuah use case beserta metode-metode yang dimiliki kelas yang diinstansiasi menjadi objek itu.
Bentuk adalah sequence diagram dari sistem yang dibangun adalah sebagai berikut:
1. Sequence Diagram Login dan view Home
Sequence login menggambarkan proses admin dan sistem memasukan username dan password hingga menampilkan halaman utama.
Gambar 3. 13 Sequence diagram login 2. Sequnce Diagram view profil
Sequence diagram view profil menggambarkan proses admin memilih navigasi profil sekolah yang ada pada sistem.
Gambar 3. 14 Sequence diagram view profil sekolah
3. Sequnce Diagram Kelola Data
Sequence diagram semua data menggambarkan proses admin memilih navigasi semua data yang ada pada sistem, untuk melakukan import data. Untuk melihat data dan menambah, mengedit dan menghapus data yang di menu semua data dalam tambah nama objek dan data.
Gambar 3. 15 Sequence diagram kelola data
4. Sequence Diagram Hasil Cluster
Sequence diagram hasil cluster menggambarkan proses admin memilih navigasi hasil cluster yang ada pada sistem. Untuk melihat hasil cluster .
Gambar 3. 16 Sequence diagram hasil cluster 5. Sequence Diagram Hasil Diagram Clustering
Sequence diagram hasil diagram cluster menggambarkan proses admin memilih navigasi hasil diagram cluster yang ada pada sistem. Untuk melihat hasil diagram cluster .
Gambar 3. 17 Sequence diagram hasil diagram cluster
6. Sequence Diagram Logout
Sequence diagram logout menggambarkan proses admin untuk keluar (logout) dari sistem .
Gambar 3. 18 Sequence diagram logout 3.5.5 Class Diagram
Class diagram merupakan sebuah class yang menggambarkan struktur dan penjelasan class, paket, dan objek serta hubungan satu sama lain seperti containment, pewarisan, asosiasi dan lain-lain. Class diagram juga menjelaskan hubungan antar class dalam sebuah sistem yang sedang dibuat dan bagaimana caranya agar saling berkolaborasi untuk mencapai sebuah tujuan. Berdasarkan hasil analisis kebutuhan yang dilakukan oleh peneliti class diagram yang terbentuk dari sistem yang akan dibuat adalah sebagai berikut :
Gambar 3. 19 Class Diagram 3.5.6 Perancangan basis data
Penggunaan database dalam sistem yang akan dibuat yaitu untuk menyimpan data-data yang diperlukan sistem selama penggunaannya, seperti data user pengguna sistem, dan lain sebagainya. Berikut adalah rincian tabel yang digunakan oleh sistem yang akan dibuat :
a. Tabel login
Tabel 3. 12 Tabel login
Nama Field Type Size Keterangan
Username Varchar 50 Primary Key
Password Varchar 50 -
Nama_lengkap Varchar 100 -
e-mail Varchar 100 -
No_telp Varchar 20 -
Level Varchar 20 -
b. Tabel centroid
Tabel 3. 13 Tabel centroid
Nama Field Type Size Keterangan
Id_Centroid int 5 Primary Key
Data_Centroid Varchar 255 -
c. id Diagram
Tabel 3. 14 id Diagram
Nama Field Type Size Keterangan
Id_diagram Int 5 Primary Key
X Text - -
Y Text - -
d. Diagram centroid
Tabel 3. 15 Diagram centroid
Nama Field Type Size Keterangan
Id_diagram_centroid int 5 Primary key
X Varchar 255 -
Y Varchar 255 -
e. Objek
Tabel 3. 16 Objek
Nama Field Type Size Keterangan
Id_objek Int 5 Primary key
Nama_objek Varchar 255 -
Data Varchar 255 -
f. Satukan
Tabel 3. 17 Satukan
Nama Field Type Size Keterangan
Id Int 5 Primary key
Data Text - _
3.5.7 Pengujian
Pada tahap pengujian yang dilakukan terhadap penelitian ini, menggunakan sistem k-means yang telah dibuat dengan proses perbandingan perhitungan manual. Selanjutnya Pengujian dilakukan untuk mengetahui apakah penelitian yang dilakukan telah sesuai dengan tujuan yang diharapkan.
3.6. Kebutuhan Software dan Hardware
Penelitian yang dilakukan memerlukan peralatan untuk mendukung pelaksanaan penelitian. Peralatan tersebut berupa kebutuhan software (perangkat lunak) dan hardware (perangkat keras). Berikut adalah kebutuhan yang diperlukan antara lain, yaitu :
3.6.1 Kebutuhan Software
1. Sistem operasi Windows 10 versi 64 bit 2. Microsoft Office Word 2010
3. Microsoft Office Excel 2010 4. XAMPP
5. Visual Studio
6. Internet Exploler dan Google Crome 3.6.2 Kebutuhan Hardware
1. Laptop Asus Intel®Core™ i3-4005U CPU @1.70GHz 1.7GHz 2. Mouse
3. Modem atau koneksi internet 4. Printer
61 BAB IV
HASIL PENGUJIAN DAN PEMBAHASAN
Dalam bab ini akan dibahas terutama tentang hasil-hasil percobaan yang di lakukan mulai dari dataset yang di gunakan, sampai hasil dari penggunaan sistem untuk mendapatkan hasil perbandingan Algoritma tersebut :
4.1 Dataset
Pada penelitian ini jumlah data set yang digunakan sebanyak 297 data nilai siswa dan siswi, pada mata pelajaran matematika siswa dan siswi kelas 10di SMK Binamitra Cikarang Timur. Pengambilan data dilakukan dari nilai ulangan harian, nilai asli penilaian tengah semsester ( PTS ) , nilai akhir PTS. Atribut yang digunakan terdiri dari nama, kelas X jurusan, rata-rata nilai ulangan harian, nilai asli PTS, nilai akhir PTS. Setelah dilakukan proses seleksi data siswa diperoleh data sebanyak 108 dengan pembagian data sebagai berikut :
Tabel 4. 1 Hasil Dataset Kelas 10
Tahap selanjutnya data dilakukan peringkasan data atau perubahan data, menjadi data yang mudah dikelola. Dikarenakan sebagai nilai atribut data yang digunakan merupakan data non numerik maka diperlukan perubahan data tersebut menjadi numerik. Untuk kategori siswa yang minat terhadap mata pelajaran matematika berdasarkan nilai siswa SMK Binamitra :
1. Jurusan
a. Teknik Komputer Jaringan ( TKJ ) = 1 b. Teknik Komputer Jaringan ( TKR ) = 2
c. Akutansi = 3
Berikut adalah tabel 4.2 data non numeric yang telah diubah menjadi sebuah data numeric beserta jurusan yang telah di uraikan.
Tabel 4. 2 Data Transformasi Kelas 10
4.2 Proses Pengujian
Pada tahap selanjutnya data akan diproses menggunakan bantuan sistem K-Means yng telah dibuat, maka data akan dilihat hasil nilai akurasi diagram, cluster dan rule nya.
Berikut adalah tabel 4.7 data yang akan di import ke dalam sistem K-means : Tabel 4. 3 Kelas 10 Yang Akan Di Import Ke Sistem
Selain dari data yang akan digunakan dalam penelitian tersebut, pada metode yang akan digunakan yaitu K-means juga terdapat data jumlah target cluster yang akan ditentukan terlebih dahulu. Jumlah cluster yang digunakan pada penelitian ini terdapat 2 cluster. Karena pada penelitian ini bertujuan untuk mengelompokan data siswa kedalam klaster siswa minat atau tidak terhadap mata pelajaran matematika. Selanjutnya adalah proses pengolahan data menggunakan algoritma K-Means untuk melihat rule dan hasil Clustering.
Gambar 4. 1 Pengolahan Data
4.3 Pembahasan Hasil Pengujian
Setelah dilakukan pengujian dengan menggunakan Tools yang ada pada sistem K-means, maka didapatkan pengujian sebagai berikut.
4.3.1 Pengujian Algoritma K-Means
Pada tahap pengujian ini dilakukan eksperiman menggunakan algoritma K-Means, untuk mengetahui hasil dari cluster data yang akan dikelompokan dan hasil akurasi dari Algoritma K-Means. Untuk dapat melakukan pengelompokan data kedalam beberapa cluster maka diperlukan beberapa langkah yaitu :
1. Menentukan jumlah cluster yang diinginkan. Dalam penelitian ini menggunakan 2 cluster.
2. Menentukan centroid tiap cluster secara random.
Tabel 4. 4 Centroid Awal Kelas 10 Iterasi Ke 1
3. Hitung jarak data dengan centroid Eucliden Distance dengan rumus sebagai berikut :
( , ) =√( )²
Perhitungan jarak pertama dan data pertama dengan pusat cluster pertama adalah :
a. Kelas 10
1) C1 ( data 1, Centroid 1)
√ = 0
2) C2 (data 1, centroid 2)
=√
= 2.236068
Tabel 4. 5 Hasil Perhitungan Jarak Pusat Cluster Kelas 10
4. Kelompokan data berdasarkan clusternya
Mengelompokan data sesuai cluster dengan data yang memiliki jarak terpendek atau terkecil. Seperti contoh Tabel 4.15 dapat dilihat bahwa jarak data ke centroid 2 lebih kecil daripada centroid 1. Contoh pengelompokan data jarak terdekat bisa dilihat pada tabel 4.16 dibawah ini:
Tabel 4. 6 Kelompok Jarak Data Dan Centroid Kelas 10 Iterasi 1
5. Proses kembali lagi ke langkah 2 yaitu dengan menggunakan centroid baru dari iterasi pertama yang dihitung dari nilai rata-rata tiap kelompok cluster. Untuk centroid baru didapatkan dari jumlah seluruh data sebuah atribut pada satu centroid dibagi dengan jumlah data dan berlaku untuk seterusnya untuk semua atribut centroid. Sebagai contoh untuk atribut Jurusan pada kelas 10 pada centroid pertama :
𝑡 𝑡 𝑡 𝑡 𝑡
=
2,164Tabel 4. 7 Data Cluster Pertama Kelas 10
Contoh untuk atribut centroid baru untuk pengulangan pertama dapat dilihat pada tabel 4.20 dibawah ini :
Tabel 4. 8 Data Centroid Baru Kelas 10 Iterasi Ke 2
Proses selanjutnya dengan menggunakan centroid baru dilakukan pengulangan untuk mendapatkan hasil dengan nilai rata-rata yang tidak
berubah atau konvergen. Dimana perhitungan pengulangan kelas 10 pada penelitian ini dengan centroid baru berhenti pada perhitungan iterasi ke 4.
Dimana centroid terakhir yang tidak mengalami perubahan dapat dilihat pada Tabel 4.22 dibawah ini :
Tabel 4. 9 Data Centroid Baru Kelas 10 Iterasi Ke 4
Tabel 4. 10 Data Centroid Terakhir Kelas 10
Berikut dibawah ini merupakan hasil dari iterasi terakhir :
Tabel 4. 11 Hasil Iterasi terakhir Kelas 10
6. Davies Bouldin Index
Untuk mendapatkan nilai Davies Bouldin Index, terlebih dahulu hitung nilai Sum of square within-cluster, Sum of square between-cluster dan Ratio. Untuk melakukan perhitungan Davies Bouldin Index data yang digunakan adalah data yang sudah terbentuk pada clustering akhir dan titik pusat (centroid) cluster yang terakhir.
Berikut rumus DBI untuk kelas 10 :
=
=
= 5.17278
=
=
=18.39951
Setelah megetahui nilai SSW maka selanjutnya dilakukan perhitungan Sum of square between-cluster (SSB). Untuk menghitung nilai SSB maka diperlukan centroid terakhir pada iterasi terakhir.
Berikut tabel 4.10 centroid terakhir yang didapat dari iterasi terakhir kelas 10 .
Perhitungan SSB dilakukan sebagai berikut:
√
= 5.492
Setelah nilai SSW dan nilai SSB telah dihitung dan mendapatkan hasilnya, maka selanjutnya adalah mencari nilai rasio antar cluster dengan perhitungan sebagai berikut :
=
Setelah mengetahui rasio antar cluster kemudian hitunglah nilai DBI sebagai berikut :
atau
=
= 0.638
4.3.2 Pengujian Algoritma K-Means Menggunakan Sistem K-Means Berikut merupakan tampilan antar muka dari sistem K-Means untuk minat siswa terhadap mata pelajaran matematika.
1. Tampilan Menu Login
Pada tahap ini admin harus terlebih dahulu melakukan login.
Gambar 4. 2 Menu Login Pada Sistem
2. Tampil Menu Semua Data Untuk Kelas 10 ( Kelola Data )
Pada tahap ini admin terlebih dahulu import data set untuk memasukan perhitungan kedalam sistem yang sudah dibuat.
Gambar 4. 3 Tampilan Menu Semua Data ( Kelola Data ) 3. Tampilan Menu Hasil Proses Clustering Kelas 10
Pada proses ini data yang sebelum sudah di import ke menu semua data, maka data set akan di uji dan di lihat hasil Iterasi. Dan hasil iterasi untuk kelas 10 berhenti di iterasi ke empat, dan berikut hasil proses iterasi untuk kelas 10.
1) Iterasi 1
Gambar 4. 4 Tampilan Menu Hasil Proses Clustering Iterasi 1 kelas 10
2) Iterasi 2
Gambar 4. 5 Tampilan Menu Hasil Proses Clustering Iterasi 2 kelas 10 3) Iterasi 3
Gambar 4. 6 Tampilan Menu Hasil Clustering Iterasi 3 Kelas
4) Iterasi 4
Gambar 4. 7 Tampilan Menu Hasil Clustering ke 4 Kelas 10 4. Tampilan Hasil Diagram Kelas 10
Untuk tahap terakhir ini data set yang sedang di uji, sistem akan menampilkan hasil diagram dari kelas 10 dan hasil diagram untuk kelas 10 cenderung lebih dominan siswa yang minta untuk mata pelajaran matematika.
Gambar 4. 8 Tampilan Menu Diagram Untuk Kelas 10
4.4 Hasil Analisa
Setelah melakukan pengklasteran data dan melakukan pengujian menggunakan sistem k-means maka dapat disimpulkan bahwa :
1) Kelas 10 dari 2 cluster yaitu C1 ( Minat Matematika ) dengan jumlah siswa 78 siswa, cluster C2 ( Tidak Minat Matematika ) dengan jumlah siswa 30, dapat dilihat jumlah siswa kelas 10 minat terhadap mata pelajaran matematika lebih banyak dibandingkan kurang minat.
Berdasarkan hasil analisa persentase dari, 2 cluster didapatkan hasil 82%
yang minat dan 18% utntuk siswa yang kurang minat.
Tabel 4. 12 Hasil Clustering Kelas 10 Cluster 1 (C1) 78 80% Minat Matematika Cluster 2 (C2) 30 20% Kurang Minat
Total 108 100%
4.4.1 Hasil Davies bouldin index ( DBI )
Evaluasi hasil dari Davies bouldin index ( DBI ) dari kelas 10 dan mendapatkan hasil nilai sebagai berikut :
Tabel 4. 13 Hasil DBI Kelas 10
KELAS R1(C1) R2 (C2) DBI
10 0.941 0.335 0.638
Dari perhitungan Davies Bouldin Index (DBI) dapat disimpulkan bahwa jika semakin kecil nilai Davies Bouldin Index (DBI) yang diperoleh (non negatif
>= 0) maka cluster tersebut semakin baik.
84 BAB V PENUTUP
5.1 Kesimpulan
Dari hasil penelitian yang telah dilakukan oleh peneliti , maka dapat diperoleh kesimpulan sebagai berikut :
1) Berdasarkan data yang telah diperoleh untuk membantu pengelompokan siswa dan siswi, untuk pengelompokan minat atau tidak minat dalam mata pelajaran matematika menggunakan metode K-Means dapat diimplementasikan di Smk Binamitra.
2) Dari Data kelas 10 dengan 2 Cluster di dapatkan hasil cluster 1 yaitu ( Minat ) Dengan Total Jumlah 78 data siswa, cluster 2 yaitu ( Tidak Minat ) Dengan Total Jumlah 30 data siswa, dengan jumlah siswa 108 siswa.
Penguji menggunakan validasi DBI ( Davies Bouldin Index) diperoleh nilai untuk tiap-tiap cluster. pengujian cluster 1( Minat ) menghasilkan nilai DBI 0.941, cluster 2 menghasilkan nilai DBI 0.335. Karena nilai DBI dari cluster 2 lebih kecil maka cluster tersebut bisa disebut optimal.
5.2 Saran
Saran agar penelitian ini dapat berkembang diantara lain :
1. Penelitian selanjutnya dapat dikembangkan dengan data yang serupa dengan metode yang sama dengan menggunakan tool Rapidminner.
2. Melakukan kombinasi atau pendekatan yang lain guna mendapatkan hasil penelitian yang lebih baik.
DAFTAR PUSTAKA
[1] S. N. Arofah And F. Marisa, “Penerapan Data Mining Untuk Mengetahui Minat Siswa Pada Pelajaran Matematika Menggunakan Metode K-Means Clustering,” JOINTECS (Journal Inf. Technol. Comput. Sci., Vol. 3, No. 2, Pp. 85–90, 2018.
[2] L. Landau, “Hakikat Matematika,” Zhurnal Eksp. I Teor. Fiz., Pp. 12–65, 1937.
[3] N. Narwati, “Pengelompokan Mahasiswa Menggunakan Algoritma K-Means,” J. Din. Inform., Vol. 2, No. 2, 2010.
[4] F. Nasari And S. Darma, “Seminar Nasional Teknologi Informasi Dan Multimedia 2015 Penerapan K-Means Clustering Pada Data Penerimaan Mahasiswa Baru (Studi Kasus : Universitas Potensi Utama),” Pp. 6–8, 2015.
[5] F. E. M. Agustin, “Implementasi Algoritma K-Means Untuk Menentukan Kelompok Pengayaan Materi Mata Pelajaran Ujian Nasional (Studi Kasus:
Smp Negeri 101 Jakarta),” J. Tek. Inform., Vol. 8, No. 1, Pp. 73–78, 2015.
[6] M. R. L. Iin Parlina, Agus Perdana Windarto, Anjar Wanto,
“Memanfaatkan Algoritma K-Means Dalam Menentukan Pegawai Yang Layak Mengikuti Asessment Center,” Vol. 3, No. 1, Pp. 87–93, 2018.
[7] Mohamad Jajuli Nurul Rohmawati, Sofi Defiyanti, “Implementasi Algoritma K-Means Dalam Pengklasteran Mahasiswa Pelamar Beasiswa,”
Jitter 2015, Vol. I, No. 2, Pp. 62–68, 2015.
[8] A. Bastian Et Al., “Penerapan Algoritma,” Jsi.Cs.Ui.Ac.Id, Vol. 14, No. 1, Pp. 26–32, 2009.
[9] Y. Siyamto, “Pemanfaatan Data Mining Dengan Metode Clustering Untuk Evaluasi Biaya Dokumen Ekspor Di Pt Winstar Batam,” Media Inform.
Budidarma, Vol. 1, No. 2, Pp. 28–31, 2017.
[10] S. Haryati, A. Sudarsono, And E. Suryana, “Implementasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5 (Studi Kasus: Universitas Dehasen Bengkulu),” J. Media Infotama, Vol.
11, No. 2, Pp. 130–138, 2015.
[11] G. Abdurrahman, “Clustering Data Ujian Tengah Semester ( UTS ) Data Mining Menggunakan Algoritma K-Means,” J. Sist. Dan Teknol. Inf.
Indones., Vol. 2, No. 1, Pp. 71–79, 2016.
[12] D. Mining And K. Belajar, “Implementasi Algoritma K-Means Clustering Untuk Menentukan Kelas Kelompok Bimbingan Belajar Tambahan ( Studi Kasus : Siswa Sma Negeri 1 Ranah Pesisir ) Abstrak,” 2017.
[13] Lestari, “Konsep Matematika Untuk Anak Usia Dini,” Pp. 5–25, 2011.
[14] N. Rahmah, “Hakikat Pendidikan Matematika,” Al-Khwarizmi J. Pendidik.
Mat. Dan Ilmu Pengetah. Alam, Vol. 1, No. 2, Pp. 1–10, 2018.
[15] R. T. Nash, “Teacher Centers,” Encycl. Spec. Educ., 2014.
[16] E. K. Adhitya, R. Satria, And H. Subagyo, “Komparasi Metode Machine Learning Dan Metode Non Machine Learning Untuk Estimasi Usaha Perangkat Lunak,” J. Softw. Eng., Vol. 1, No. 2, Pp. 109–113, 2015.
[17] B. J. Dehotman, “Peningkatan Hasil Evaluasi Clustering Davies-Bouldin Index Dengan Penentuan Titik Pusat Cluster Awal Algoritma K-Means,”
2018.
[18] A. Aini, “Sistem Informasi Geografis Pengertian Dan Aplikasinya.”
[19] La Midjan, “Sistem Informasi Akuntansi 1,” Uma Ética Para Quantos?, Vol. XXXIII, No. 2, P. 15, 2000.
[20] E. Arbie, “Pengantar Sistem Informasi Manajemen,” Ed. Ke-7, Jilid, Vol.
1, No. March, P. 88, 2000.
[21] G. W. Sasmito, “Penerapan Metode Waterfall Pada Desain Sistem Informasi Geografis Industri Kabupaten Tegal,” J. Inform. Pengemb. IT, Vol. 2, No. 1, Pp. 6–12, 2017.
[22] “6 Bab 2 Landasan Teori 2.1,” Pp. 6–38, 2005.
[23] G. Booch, “Unified Modeling Language,” Perform. Comput. Rev., Vol. 14, No. 13, 1996.
[24] L. Bruno, “” J. Chem. Inf. Model., Vol. 53, No. 9, Pp. 1689–1699, 2019.
[25] Y. Sen Sun, B. Qiu, And Q. S. Li, “The Research Of Negative Ion Test Method For Fabric,” Adv. Mater. Res., Vol. 756–759, No. 1, Pp. 138–140, 2013.
[26] R. Novita And N. Sari, “Sistem Informasi Penjualan Pupuk Berbasis E-Commerce,” Teknoif, Vol. 3, No. 2, Pp. 1–6, 2015.
[27] A. Solichin S.Kom, “Pemrograman Web Dengan PHP Dan Mysql - Achmad Solichin - Google Buku,” Univ. Budi Luhur, No. June, P. 215, 2016.
[28] B. A B. Ii And A P. Sistem, “Universitas Sumatera Utara 7,” Pp. 7–37, 2001.
LAMPIRAN