Teknik Analisis Data - Pengenalan pola keberhasilan seminaris dengan menggunakan agglomerative

BAB III METODOLOGI

3.2 Teknik Analisis Data

Data yang telah diperoleh dari hasil pengumpulan data selanjutnya mulai dianalisa. Berkaitan dengan tahap-tahap teknik analisis dan jalannya program digambarkan dengan block diagram sebagai berikut:

Data Preprocessing ^Perhitungan

Jarak ^AHC ^Output ^Dendrogram

Single Average Complete Akurasi

PCA

1. Data

Data yang digunakan untuk penelitian dalam tulisan ini adalah data yang diperoleh dari Seminari Menengah Mertoyudan. Data ini merupakan daftar nilai hasil belajar (rapor) para seminaris yang dikumpulkan. Daftar nilai ini bersifat sangat penting karena menunjukkan kemampuan intelektual para seminaris dalam mengikuti mata pelajaran yang disajikan dan diikutinya. Berdasarkan hasil penilaian ini juga para pembina seminari dapat mengetahui kemampuan dan perkembangan anak-anak didiknya. Daftar nilai ini juga menjadi bahan pertimbangan bagi para pembina seminari untuk mengambil keputusan terhadap seorang seminaris apakah ia akan dapat melanjutkan pendidikan di seminari, atau diberi pembinaan tambahan, atau diminta untuk keluar dari seminari.

Data yang akan digunakan adalah daftar nilai hasil semester satu dan dua dari dua kelompok yang seangkatan, yaitu yang mengalami pendidikan di seminari periode tahun 2009 sampai dengan 2013 dan periode tahun 2010 sampai dengan 2014. Data yang digunakan adalah mulai dari kelas KPP (Kelas Persiapan Pertama) sampai kelas XII (kelas 3 SMA). Kurun waktu empat tahun pelajaran ini diambil karena selama masa pendidikan ini para seminari dibina dan akhirnya harus diputuskan oleh pembina seminari apakah seminaris yang bersangkutan layak utuk melanjutkan ke seminari tinggi. Dalam pembinaan di Seminari Mertoyudan, masa pendidikan empat tahun ini dapat dibagi menjadi tiga bagian, yaitu:

a. KPP. Masa KPP ini merupakan tahap awal di mana setiap seminari yang berasal dari berbagai daerah, dengan latar belakang keluarga dan budaya yang berbeda harus mengalami penyesuaian dengan pola kehidupan dan pembinaan di

seminari. Motivasi panggilan untuk menjadi seorang imam mulai dimurnikan dan diarahkan. Keberanian untuk mengolah kerohanian, kepribadian, dan intelektual ditekankan. Hal ini diterapkan dengan berbagai mata pelajaran yang disajikan, misalnya mata pelajaran Metode Belajar dan Sidang Akademi guna menumbuhkan keberanian mengolah gagasan pengetahuan dan berpendapat. Hal ini terkait erat dengan pengolahan kepribadian dan intelektual. Selain itu ada juga mata pelajaran Agama, Liturgi, dan Sejarah Gereja yang mengarah pada pengetahuan rohani para seminaris.

b. Kelas X dan Kelas XI. Masa perkenalan para seminaris terhadap kehidupan seminari dianggap telah dilalui. Di kelas X dan XI para seminaris mengalami pembinaan lanjutan. Di bangku sekolah, sisi scientia disetarakan dengan pendidikan SMA umum, namun tidak meninggalkan mata pelajaran yang dibutuhkan untuk pembinaan seorang calon imam. Masa dua tahun ini menjadi masa pembinaan yang sangat ketat dan menentukan. Hal ini terkait erat dengan putusan final yang akan diterima setiap seminaris di penghujung kelas XI. Di Seminari Mertoyudan, penghujung kelas XI menjadi masa penentuan apakah seorang seminaris layak atau tidak untuk melanjutkan ke seminari tinggi. Artinya, apabila seorang seminaris sudah masuk ke kelas XII, hal ini berarti ia sudah layak untuk melanjutkan ke seminari tinggi atau masuk ke kongregasi tertentu sebagai bruder.

c. Kelas XII. Para seminaris yang berada di kelas XII berarti sudah layak untuk melanjutkan pendidikannya ke jenjang yang lebih tinggi. Hal ini berarti setiap seminaris harus sudah memantapkan diri bukan lagi untuk masuk dalam

golongan laikus (awam) atau klerus (imam) di dalam Gereja Katolik, melainkan siap untuk membuat lamaran guna bergabung ke keuskupan atau kongregasi tertentu.

Total data yang digunakan berjumlah 137 orang siswa dengan 186 mata pelajaran yang ada di seminari mulai dari KPP sampai kelas XII. Dimensi data ini berasal dari dua angkatan seminaris, yaitu 2009 dan 2010. Dari 137 data yang ada, memuat data seminaris dalam ketiga bagian di atas. Dengan dimensi data yang demikian kiranya dapat diketahui pola keberhasilan seminaris.

2. Preprocessing

Data yang sudah didapat dan dikumpulkan selanjutnya diolah dalam tahap

preprocessing. Pada tahap ini akan dilakukan data cleaning, data integration, data selection dan data transformation. Data yang di dapat, baik itu dari hasil scanner,

maupun berupa file berformat Excel dikumpulkan. Data yang berkaitan diambil dan dikumpulkan. Mengingat bahwa ada jurusan IPA dan IPS pada masa pendidikan tersebut, maka nilai mata pelajaran seminaris jurusan IPA pada jurusan IPS mendapat rata-rata dari nilai mata pelajaran seminaris jurusan IPS per mata pelajarannya. Sama halnya yang dilakukan untuk nilai mata pelajaran seminaris jurusan IPS di jurusan IPA. Hal ini dilakukan setara dengan penanganan kesalahan data dengan menghitung rata-rata berdasarkan nilai yang tersedia untuk fitur tersebut, kemudian hasilnya digunakan untuk mengganti nilai fitur yang salah pada setiap vektor.³⁵ Apabila seminaris keluar dari seminari, nilai mata pelajaran selanjutnya diberi nilai 0.

35 Budi Santosa, “Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis”, Graha Ilmu, Yogyakarta, 2007, hal. 20.

Dalam praktek, sering ditemukan fitur dengan jangkauan nilai yang berbeda. Hal ini mengakibatkan fitur dengan nilai yang lebih besar dapat pengaruh yang lebih besar pula. Apabila dalam proses ini ditemukan jarak nilai yang berjauhan, maka akan dilakukan proses normalisasi. Normalisasi yang digunakan adalah Z-Score dengan persamaan³⁶:

̂ = _σ^{− ̅}

(3.1) Keterangan:

 ̂ adalah nilai Z-Score setiap data di indeks

 adalah data di indeks

 ̅ adalah rata-rata data di indeks

 σ adalah standar deviasi data di indeks

Di samping itu, principal component analysis (PCA) akan diterapkan dalam tahap preprocessing ini. PCA dilakukan untuk mengurangi dimensi data yang besar, namun tidak menghilangkan informasi yang penting yang terkandung di dalam data. 3. Perhitungan jarak

Setelah data melewati tahap preprocessing, tahap selanjutnya adalah mengukur jarak setiap data. Pengukuran jarak digunakan euclidean distance, sebagaimana yang telah dipaparkan pada bab kedua dalam tulisan ini. Dengan menggunakan perhitungan euclidean distance akan didapat jarak antardata dalam sebuah matriks. Matriks ini kemudian akan digunakan untuk tahap selanjutnya,

yaitu clustering dengan menggunakan AHC. Berikut ini adalah contoh data yang akan digunakan untuk perhitungan jarak dengan euclidean distance:

Tabel 3.1 Data sampel perhitungan jarak

Data X Y a 87 89 b 84 76 c 83 70 d 80 74 e 82 83 f 81 92

Dengan menggunakan perhitungan euclidean distance, data sampel pada tabel 3.1 didapat matriks jarak sebagai berikut:

Tabel 3.2 Hasil euclidean distance dari data sampel

a b c d e f a 0 13.34166 19.41649 16.55295 7.81025 6.708204 b 13.34166 0 6.082763 4.472136 7.28011 16.27882 c 19.41649 6.082763 0 5 13.0384 22.09072 d 16.55295 4.472136 5 0 9.219544 18.02776 e 7.81025 7.28011 13.0384 9.219544 0 9.055385 f 6.708204 16.27882 22.09072 18.02776 9.055385 0 4. AHC

AHC adalah agglomerative hierarchical clustering. Dalam tahap ini matriks jarak data yang telah dihasilkan dengan euclidean distance akan digunakan. Masing-masing data akan dikelompokkan berdasarkan karakteristik kedekatannya. Proses pengelompokan tersebut akan menggunakan tiga perhitungan yaitu, single

linkage, average linkage, dan complete linkage. Langkah-langkah perhitungannya

menggunakan Matlab, data sampel yang digunakan pada tabel 3.1 dihasilkan dendrogram sebagai berikut ini:

Gambar 3.2 Dendrogram single linkage

Gambar 3.3 Dendrogram average linkage

Berikut ini adalah source code yang digunakan dalam Matlab yang menghasilkan ketiga dendrogram di atas:

5. Cluster

Proses AHC akan menghasilkan dendrogram dari masing-masing perhitungan, baik itu dari single linkage, average linkage, maupun complete

linkage. Dari hasil dendrogram tersebut dapat ditentukan cluster yang diinginkan.

Proses pembentukan cluster tersebut adalah dengan proses cut-off pada jarak ketinggian tertentu dari dendrogram yang telah terbentuk. Dengan menggunakan

function cluster yang ada di Matlab, cluster ini juga dapat dilakukan.

Tabel 3.3 Contoh cluster hasil cut-off 3 single linkage Kelompok 1 Kelompok 2 Kelompok 3

2 5 1

3 6

Tabel 3.4 Contoh cluster hasil cut-off 3 average linkage Kelompok 1 Kelompok 2 Kelompok 3

2 1 5 4 6 3 % Data sampel data=[87 89; 84 76; 83 70; 80 74; 82 83; 81 92]; % Single Linkage single=linkage(data,'single','euclidean'); set(figure(),'name','Single Linkage','numbertitle','off') dendrogram(single) % Average Linkage average=linkage(data,'average','euclidean'); set(figure(),'name','Average Linkage','numbertitle','off') dendrogram(average) % Complete Linkage complete=linkage(data,'complete','euclidean'); set(figure(),'name','Complete Linkage','numbertitle','off') dendrogram(complete)

Tabel 3.5 Contoh cluster hasil cut-off 3 complete linkage Kelompok 1 Kelompok 2 Kelompok 3

2 1 5

4 6

Dalam dokumen Pengenalan pola keberhasilan seminaris dengan menggunakan agglomerative hierarchical clustering, sebuah studi kasus atas keberhasilan studi para seminaris di Seminari Menengah St. Petrus Canisius, Mertoyudan, Magelang. (Halaman 55-63)