Penerapan Metode Clustering Data Dengan C-Means Untuk Rekomendasi Penerima Beasiswa Pada Universitas Sumatera Utara

(1)

LAMPIRAN A : Listing Program

<?php

require_once "config.php"; $cluster = 18;

$header = array(); $struk = array(); $struk2 = array(); $dtset = array(); $dtset2 = array(); $clust = array();

$query = mysql_query("select * from mahasiswa a, peserta b where a.nim = b.nim order by date asc");

$index = 0;

while($r = mysql_fetch_array($query)): $umur = umur($r[tgl_lahir]);

/*Beasiswa Toyota Astra*/

if($r[program] == "S1" and ($r[id_fakultas] == 3 or $r[id_fakultas] == 4 or $r[id_fakultas] == 8) and ($r[semester] == 5 or $r[semester] == 7) and $r[ipk]>=2.8 and $umur <=25):

$clust[5] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa Tjipta Sarjana*/

(2)

$index++;

/*Beasiswa Technological and Professional Skills Development Sector Project (TPSDP)*/

elseif(($r[id_fakultas] == 4 or $r[id_fakultas] == 8 or $r[id_fakultas] == 3) and $r[penghasilan] < 2000000):

$index++;

/*Beasiswa Bank Indonesia*/

elseif($r[semester] >= 5 and $r[program] == "S1" and $r[ipk]>=3 and $umur<=23 and $r[sks]>=90):

(3)

/*Beasiswa YKPP (Yayasan Kesejahteraan Pegawai Pertamina)*/

elseif($r[semester] >= 2 and $r[semester]<=4 and $r[program] == "S1" and $r[ipk]>=3):

$index++;

/*Beasiswa PT. SUN LIFE FINANCIAL INDONESIA*/

elseif(($r[id_fakultas] == 8 or $r[id_fakultas] == 9 or $r[id_fakultas] == 10) and $r[semester]>=4 and $r[ipk]>=3.5):

$index++;

/*Beasiswa PT. Gudang Garam*/

elseif($r[semester] >= 3 and $r[program] == "S1" and $r[ipk]>=2.5): $clust[14] .= $index."-";

$dtset[$index][0] = $umur;

(4)

$dtset[$index][6] = $r[nim]; $index++;

/*Beasiswa PT. Djarum*/

elseif($r[semester] >= 5 and ($r[program] == "S1" or $r[program] == "D3") and $r[ipk]>=3 and $umur<=25 and $r[sks]>=90):

$index++;

/*Beasiswa Konsorsium Pendidikan BPMIGAS -KKKS (Badan Pelaksanaan Minyak dan Gas – Kontraktor Kontrak Kerja Sama)*/

elseif( ($r[program] == "S1" or $r[program] == "D3") and $r[semester] >=3 and $r[ipk]>=2.75 and $umur<=25):

$index++;

/*Beasiswa PT. Bank Rakyat Indonesia (BRI) Persero Tbk*/

elseif($r[program] == "S1" and $r[ipk]>=2.5 and $umur<=23 and $r[semester]>=3):

(5)

$dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$index++; /*PPA*/

elseif(($r[semester] >= 3 and $r[semester]<= 7 and $r[program] == "S1") and $r[ipk]>=3):

$index++; /*BBM*/

elseif(($r[semester] >= 3 and $r[semester]<= 7 and $r[program] == "S1") or ($r[semester] >= 3 and $r[semester]<= 5 and $r[program] == "D3") and $r[ipk]>=2.75):

$index++;

/*Beasiswa Society of Petroleum (SPE)*/

elseif($r[id_fakultas] == 4 and ($r[semester] >= 3 and $r[semester]<=7) and $r[program] == "S1" and $r[ipk]>=3):

(6)

$index++;

/*Beasiswa SUPERSEMAR*/

elseif($r[semester]>=3 and $r[program] == "S1" and $r[ipk]>=2.5 and $r[penghasilan]<=2000000):

$index++;

/*Beasiswa Yayasan Jepang*/

elseif($r[semester]>=7 and $r[program] == "S1" and $r[ipk]>=2.7): $clust[6] .= $index."-";

$index++;

/*Beasiswa Tonoto Foundation*/

elseif($umur<=21 and $r[program] == "S1" and $r[ipk]<=3 and $r[penghasilan]<=2000000):

(7)

$index++;

/*Beasiswa Yayasan Salim */

elseif($r[semester]>=1 and $r[semester]<=7 and $r[program] == "S1" and $r[ipk]>=2.8):

$index++;

/* Beasiswa Peningkatan Prestasi Ekstrakurikuler (PPE)*/

elseif(($r[program] == "S1" or $r[program] == "D3") and $r[ipk]>=2.5): $clust[17] .= $index."-";

$index++; endif;

(8)

$cek_cluster1 = ""; $cek_cluster2 = "1"; $iterasi = 1;

$jarak = array();

for($indx = 0;$indx<$cluster;$indx++): $cek_cluster1 = "";

$cek_cluster2 = "1";

while($cek_cluster1 != $cek_cluster2): $cek_cluster2 = $cek_cluster1; $cek_cluster1 = "";

$centroid = array(); $tmp_cent = array();

$tmp = explode("-",$clust[$indx]); for($i = 0;$i<=5;$i++):

if(sizeof($tmp)>0): $tmp_sum = 0;

for($k = 0;$k<sizeof($tmp);$k++): $idx = $tmp[$k];

$tmp_sum += $dtset[$idx][$i]; endfor;

$tmp_sum = $tmp_sum/ (sizeof($tmp)); $tmp_sum = round($tmp_sum,2); $centroid[$i][$indx] = $tmp_sum; endif;

//echo $centroid[$i][0]; endfor;

//hitung jarak setiap data iterasi - 1 for($i = 0;$i<sizeof($tmp);$i++):

$tmp_jarak = array(); $idx = $tmp[$i]; $tmp_sum = 0;

for($k = 0; $k<=5;$k++):

(9)

endfor;

$hsl_jrk = sqrt($tmp_sum); $hsl_jrk = round($hsl_jrk,2); $jarak[$idx] = $hsl_jrk; $jarak2[$i] = $hsl_jrk; endfor;

asort($jarak2);

for($i = 0;$i<sizeof($jarak2);$i++):

$idx = array_search($jarak2[$i],$jarak); $cek_cluster1 .= $idx;

endfor; endwhile; endfor;

print_r($clust);

for($i = 0;$i<$cluster;$i++):

$tmp = explode("-",$clust[$i]); for($j = 0;$j<sizeof($tmp)-1;$j++):

$index = $tmp[$j];

$query = "insert into hasil_beasiswa values('".$dtset[$index][6]."',".($i+1).",".$jarak[$index].")";

echo $query;

mysql_query($query); endfor;

endfor;

(10)

LAMPIRAN B : Flowchart Jenis Beasiswa Pada Universitas Sumatera Utara

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

(20)

(21)

(22)

(23)

(24)

(25)

(26)

(27)

(28)

DAFTAR PUSTAKA

Gafur, A. 2008. Cara Mudah Mendapatkan Beasiswa. Penebar Plus Daihani: Jakarta

Giyanto, H. 2008. Penerapan Algoritma Clustering K-Means K-Medoid Gath Geva. Tesis. Universitas Gajah Mada.

Hermawati, A.F. 2009. Data Mining. Andi: Yogyakarta.

Khoiruddin, A.A. 2007. Menentukan Nilai Akhir Kuliah Dengan Fuzzy C-Means. 1:1-7.

Luthfi, E.T. 2007. Fuzzy C-Means Untuk Clustering Data. 1:1-7.

Lubis, M.S. & Syahputra, M.F. 2011. Teknologi Pengembangan Aplikasi WEB. USU Press: Medan.

Manurung, P. 2010. Sistem Pendukung Keputusan Seleksi Penerima Beasiswa Dengan Metode AHP dan TOPSIS. Skripsi. 1-74.

Muchtar, M.A. & Sani, M.F. 2011. Modul Praktikum Desain Perangkat Lunak. USU Press: Medan.

Nugroho, B. 2008. Latihan Membuat Aplikasi Web PHP dan MySQL dengan

Dreamweaver. Gava Media: Yogyakarta.

Ramadhani, K.R. 2011. Analisis dan Implementasi Ant Colony Algorithm Untuk Clustering. Disertasi. Politeknik Telkom.

Suryadi., Kadrasah. & Rahmadhani. 1998. Sistem Pendukung Keputusan. PT Remaja Rosda Karya: Bandung.

Santosa, B. 2007. Data Mining Terapan Dengan Matlab. Graha Ilmu: Yogyakarta.

Santosa, B. 2007. Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis

(29)

Susanto, S. & Suryadi, D. 2010. Pengantar Data Mining, Menggali Pengetahuan Dari Bongkahan Data. Tesis. Universitas Gajah Mada.

Torihoran, F.H., Agung, A.A.G. & Tambunan, T.D. 2011. Aplikasi Pendukung Keputusan Untuk Penentuan Beasiswa Dengan Metode Composite Performance Index. Sistem Pendukung Keputusan. 1-9.

Turban, E. 2005. Decission Support Systems and Intelligent System. Andi: Yogyakarta.

Warsito, B., Insprianti, D. & Widayanti, H. 2008. Clustering Data Pencemaran Udara Sektor Industri di Jawa Tengah Dengan Kohenen Neural Network.

Presipitasi. (4):1-6.

(30)

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis Sistem

Analisis sistem merupakan penguraian dari proses pengguna sistem yang di bangun kedalam bagian-bagian komponennya dengan maksud untuk mengidentifikasi dan mengevaluasi permasalahan. Sistem yang dibangun menjelaskan tentang penerapan metode clustering data dengan C-Means untuk rekomendasi penerima beasiswa pada Universitas Sumatera Utara. Analisis masalah yang akan dilakukan berupa pengelompokan data mahasiswa dengan menerapkan clustering data dengan C-Means untuk membantu mahasiswa yang mendaftar beasiswa sehingga mendapatkan rekomendasi jenis beasiswa yang dapat diikuti sesuai dengan kriteria-kriteria yang dimiliki.

Dengan aplikasi yang dibangun dapat membantu mahasiswa menentukan beasiswa mana yang akan dipilih pada beberapa jenis beasiswa yang ada di Universitas Sumatera Utara. Aplikasi yang dibangun akan mengelompokkan data mahasiswa yang melakukan pendaftaran beasiswa kedalam salah satu jenis beasiswa yang sesuai sehingga mahasiswa mendapatkan rekomendasi jenis beasiswa yang sesuai.

3.2 Analisis Data Sistem

(31)

Kriteria data mahasiswa yang mendaftar beasiswa adalah Nomor Induk Mahasiswa (NIM), Nama, email, Tanggal lahir, Nomor Handphone, Alamat, Fakultas, Jenjang Pendidikan (Strata S1 atau D3), Semester, SKS yang sudah diselesaikan, dan Indeks Prestasi Kumulatif (IPK). Setelah terkumpul semua data mahasiswa yang mendaftar beasiswa dilakukan analisis data yang sesuai dengan pengelompokan data berdasarkan algoritma clustering dengan C-Means. Contoh data mahasiswa di tunjukkan pada tabel 3.1.

Tabel 3.1 merupakan data mahasiswa yang mendaftar sebagai calon penerima beasiswa di Universitas Sumatera Utara. Data tersebut hanya sebagai sampel data dari keseluruhan data mahasiswa yang ada di Universitas Sumatera Utara. Mahasiswa yang mendaftar sebagai calon penerima beasiswa direkomendasikan hanya pada satu program beasiswa dari 18 program beasiswa yang ditawarkan. Data dari jenis beasiswa yang berjumlah 18 yang ada di Universitas Sumatera Utara dapat di lihat pada Tabel 3.2.

Tabel 3.2 merupakan data jenis program beasiswa yang berjumlah 18 yang di tawarkan di Universitas Sumatera Utara. Data tersebut diolah berdasarkan kriteria dan persyaratan dari tiap jenis beasiswa. Mahasiswa yang mendaftar beasiswa di seleksi menurut kriteria atau kecocokan data mahasiswa dengan kriteria jenis beasiswa yang ditawarkan. Setelah kriteria dicocokkan maka diperoleh rekomendasi beasiswa yang sesuai untuk mahasiswa berdasarkan jarak kedekatan data mahasiswa terhadap data beasiswa yang direkomendsikan. Nomor Induk Mahasiswa (NIM) dijadikan sebagai id mahasiswa saat mendaftar beasiswa. Karakter-karakter yang akan dicocokkan adalah umur, fakultas, semester, SKS yang telah diselesaikan, Indeks Prestasi Kumulatif (IPK), dan penghasislan orang tua.

(32)

(33)

[image:33.595.103.507.109.543.2]

Tabel 3.2 Data Jenis Program Beasiswa di Universitas sumatera Utara

No. Nama Beasiswa

1 Beasiswa Peningkatan Prestasi Akademik (PPA) 2 Beasiswa Bantuan Belajar Mahasiswa (BBM) 3 Beasiswa BANK INDONESIA (BI)

4 Beasiswa Technological and Professional Skills Development Sector Project (TPSDP)

5 Beasiswa Yayasan Supersemar 6 Beasiswa Yayasan Toyota Astra 7 Beasiswa Yayasan Jepang 8 Beasiswa PT.DJARUM

9 Beasiswa TANOTO FOUNDATION 10 Beasiswa TJIPTA SARJANA

11 Beasiswa Konsorsium Pendidikan BPMIGAS -KKKS (Badan Pelaksanaan Minyak dan Gas–Kontraktor Kontrak Kerja Sama) 12 Beasiswa Society of Petroleum (SPE)

13 Beasiswa Yayasan Salim

14 Beasiswa PT. Bank Rakyat Indonesia (BRI) Persero Tbk 15 Beasiswa PT. Gudang Garam

16 Beasiswa YKPP (Yayasan Kesejahteraan Pegawai Pertamina) 17 Beasiswa PT. SUN LIFE FINANCIAL INDONESIA

18 Beasiswa Peningkatan Prestasi Ekstrakurikuler (PPE)

3.3 Perancangan Sistem

Sistem yang akan dibangun pada tugas akhir ini dapat dilihat pada gambar 3.1

flowchart sistem clustering. Mahasiswa melakukan pendaftaran dengan menginputkan

data kedalam sistem. Sistem melakukan proses filter data/cleaning data pada data yang diinputkan. Data yang telah di cleaning kemudian dihitung centroid dari tiap-tiap data. Kemudian Sistem menghitung jarak data terhadap cluster, jika urutan jarak sama maka disimpan ke database jika urutan jarak tidak sama kembali ke perhitungan centroid.

(34)

Start

Input data mahasiswa

Filter data/ cleaning data

Hitung centroid cluster(i)

inc i = 18 Hitung jarak data anggota cluster(i)

Sort Asc

Urutan jarak sama

Simpan ke database

Ya

End Ya

Tidak

[image:34.595.204.431.79.737.2]

Tidak

(35)

3.3.1 Pengelompokan Data (Clustering Data)

Data di kelompokkan berdasarkan karakteristik yang telah di tentukan yaitu berdasarkan umur, fakultas, semester, SKS yang telah diselesaikan, Indeks Prestasi Kumulatif (IPK), dan penghasilan orang tua. Data yang di inputkan mahasiswa akan di filterisasi kemudian akan terbentuk centroid, berdasarkan karakteristik yang telah ditentukan centroid yang dihasilkan sebanyak enam centroid. Setelah centroid terbentuk kemudian dilakukan proses cluster dengan C-Means. Secara umum proses pengelompokan data dapat dilihat pada gambar 3.2 tahapan pengelompokan data berikut :

Gambar 3.2 Tahapan Pengelompokan Data

3.3.2 Data Cleaning

Karakter yang akan di inputkan oleh mahasiswa berupa Nomor Induk Mahasiswa (NIM), Nama, Email, Tanggal lahir, Nomor handphone, Alamat, Fakultas, Program (S1 atau D3), Semester, Jumlah SKS lulus, Indeks Prestasi Kumulatif (IPK), Nama ayah, Nama ibu, Alamat orang tua, dan Penghasilan orang tua. Nomor Induk Mahasiswa digunakan sebagai id mahasiswa. Mahasiswa melakukan login dengan menginputka NIM dan data selengkapnya akan muncul pada sistem, apabila data selengkapnya telah ditampilkan kemudian mahasiswa melakukan pendaftaran.

(36)

[image:36.595.99.533.229.520.2]

data, diambil dari data mahasiswa Fakultas Ilmu Komputer dan Teknologi Informasi merupakan sampel data dari 20 mahasiswa yang mendaftar beasiswa dengan karakteristik yang telah di inputkan mahasiswa, setelah dilakukan proses filterisasi (data cleaning) maka hasil dari data mahasiswa yang mendaftar beasiswa dapat dilihat pada tabel 3.4.

Tabel 3.3 Nilai Numerik Tiap Fakultas

Nilai Numerik Fakultas Nama Fakultas

1 Kedokteran

2 Hukum

3 Pertanian

4 Teknik

5 Ekonomi

6 Kedokteran Gigi

7 Ilmu Budaya

8 Matematika dan Ilmu Pengetahuan Alam

9 Ilmu Sosial dan Ilmu Politik

10 Kesehatan Masyarakat

11 Farmasi

12 Psikologi

13 Keperawatan

14 Ilmu Komputer dan Teknologi Informasi

Tabel 3.4 Hasil Filterisasi (Cleaning Data) Karakteristik Data Mahasiswa

NIM Umur Fakultas Semester Jumlah

SKS Lulus

IPK Penghasilan

101402001 20 14 6 85 2.98 5

101402002 21 14 6 87 3.56 5

101402003 21 14 6 87 3.2 5

101402004 20 14 6 82 2.91 7.5

101402005 21 14 6 85 2.97 5

101402007 22 14 6 87 3.42 5

101402008 21 14 6 96 3.05 5

101402009 20 14 6 87 3.68 5

101402010 20 14 6 72 2.13 5.5

101402013 21 14 6 85 3.22 5

101402014 20 14 6 84 3.5 5

[image:36.595.104.523.572.769.2]

(37)

[image:37.595.104.525.126.327.2]

Tabel 3.4 Hasil Filterisasi (Cleaning Data) Karakteristik Data Mahasiswa (Lanjutan)

NIM Umur Fakultas Semester Jumlah

SKS Lulus

IPK Penghasilan

101402016 20 14 6 84 3.17 5

101402017 20 14 6 87 3.35 5

101402018 20 14 6 84 2.99 5

101402019 21 14 6 87 3.24 5

101402020 20 14 6 98 3.42 7.5

101402021 22 14 6 85 3.08 7.5

101402022 20 14 6 82 2.81 7.5

101402023 20 14 6 87 3.51 7.5

Tabel diatas merupakan filterisasi/cleaning data dari data yang di inputkan mahasiswa yang mendaftar beasiswa. Setiap penghasilan orang tua dibagikan 1.000.000 sehingga menghasilkan nilai seperti pada tabel 3.4. Misalkan penghasilan orang tua RP 5.000.000 kemudian dibagi 1.000.000 sehingga hasilnya 5. Mahasiswa yang orang tuanya mampu mempunyai kemungkinan untuk memperoleh beasiswa apabila mahasiswa tersebut berprestasi dan jika kriteria yang dimiliki mahasiswa sesuai dengan syarat beasiswa yang ditawarkan. Sedangkan untuk Fakultas di ubah menjadi numerik dengan nilai numeriknya berdasarkan urutan dari tiap Fakultas tersebut, seperti pada tabel 3.3.

3.3.3 Pembentukan Centroid Cluster

Pembentukan centroid di gunakan untuk mengelompokkan atribut-atribut dari tiap-tiap cluster. Atribut dari tiap-tiap cluster di jumlahkan kemudian dicari rata-rata tiap-tiap

cluster dan di akarkan untuk mendapatkan hasil yang minimum. Pembentukan

centroid di hitung dengan persamaan:

⋃ ( ) = 1∀ Keterangan:

X : Data sampel himpunan ke-i

(38)

: Data ke k, dengan k=1,2, …, p c : Banyak jenis himpunan data p : Banyak data

1. Centroid 1 – Gabungan dari semua kelompok (set) umur meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan ∑ ( ) dengan n = jumlah data.

= = = 20.5 =√ 20.5 = 4.5

2. Centroid 2–Gabungan dari semua kelompok (set) fakultas meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan ∑ ( ) dengan n = jumlah data.

= = = 14 =√ 14 = 3.7

3. Centroid 3 – Gabungan dari semua kelompok (set) semester meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan

∑ ( ) dengan n = jumlah data. =

(39)

= 6 =√ 6 = 2.4

4. Centroid 4 – Gabungan dari semua kelompok (set) SKS meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan ∑ ( ) dengan n = jumlah data.

= = = 85.9 =√ 85.9 = 9.3

5. Centroid 5 – Gabungan dari semua kelompok (set) IPK meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan ∑ ( ) dengan n = jumlah data.

= . . . . = .

= 3.17 =√ 3.17 = 1.78

6. Centroid 6 – Gabungan dari semua kelompok (set) penghasilan orang tua meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan ∑ ( ) dengan n = jumlah data.

= . . . .

(40)

=√ 5.68 = 2.38

[image:40.595.103.522.368.415.2]

Dari persamaan di atas maka dapat dihasilkan enam centroid dengan nilai yang berbeda tiap centroidnya. Tidak ada yang overlap antara cluster. Tidak ada cluster yang kosong dan tidak ada cluster yang memuat semua titik data. Tidak ada centroid yang nilainya sama karena centroid di kelompokkan berdasarkan objek yang sama dan berbeda dengan objek pada centroid yang lain, karena clustering mengelompokkan objek-objek sedemikian rupa sehingga objek dalam satu cluster sangat mirip sedangkan objek diberbagai cluster cukup berbeda. Dari persamaan di atas dapat disimpulkan bahwa perbandingan antara tiap-tiap centroid dapat dilihat pada tabel 3.4 berikut:

Tabel 3.5 Perbandingan Antara Tiap-tiap Centroid

4.5 3.7 2.4 9.3 1.78 2.38

3.3.4 Clustering dengan C-Means

Proses pengelompokan Clustering C-Means dapat dilihat pada gambar 3.4 Flowchart

Clustering C-Means. Pertama ditentukan banyaknya cluster kemudian di tentukan

pusat cluster. Pada penelitian ini jumlah cluster sebanyak 18, jumlah cluster pada penelitian ini di tetapkan berdasarkan banyaknya beasiswa yang ditawarkan di Universitas Sumatera Utara. Kemudian di tentukan pusat cluster dan dihitung jarak objek ke pusat cluster, objek tersebut dikelompokkan berdasarkan jarak minimum. Jika ada objek yang harus dipindah maka prosesnya akan kembali ke penentuan pusat

cluster.

(41)

= ( − )

Keterangan:

: Jarak data ke pusat cluster : Nilai data

: Pusat cluster

k : 1,2, … p i :1,2, … c p : Banyak data

[image:41.595.164.431.146.730.2]

c : Banyak jenis himpunan data

(42)

[image:42.595.103.530.101.563.2]

Tabel 3.6 Jarak Data Umur ke Pusat Cluster

Umur = ( − ) = Jarak data ke pusat

cluster

20 20–1.78 18.22

21 21–1.78 19.22

20 20–1.78 18.22

21 21–1.78 19.22

22 22–1.78 20.22

21 21–1.78 19.22

20 20–1.78 18.22

21 21–1.78 19.22

20 20–1.78 18.22

21 21–1.78 19.22

20 20–1.78 18.22

22 22–1.78 20.22

20 20–1.78 18.22

(43)

usulan cluster dan data terkait yang menunjukkan milik kelompok tersebut, sehingga diperoleh rekomendasi jenis beasiswa yang sesuai untuk di ikuti mahasiswa yang mendaftar beasiswa. Rekomendasi yang diperoleh mahasiswa sesuai dengan jarak kedekatan karakter yang di inputkan terhadap jenis beasiswa yang direkomendasikan.

3.4 Analisis Komponen Sistem

3.4.1 Data Flow Diagram (DFD) Level 0

Data Flow Diagram (DFD) level 0 disebut dengan Diagram konteks (context

diagram). Diagram konteks pada sistem yang dibangun dapat di lihat pada gambar 3.5

[image:43.595.116.526.336.409.2]

Diagram konteks atau DFD level 0:

Gambar 3.4 Diagram konteks (DFD Level 0)

[image:43.595.109.507.572.759.2]

(44)

[image:44.595.106.517.187.529.2]

Gambar 3.5 Data Flow Diagram Level 1

Data Flow Diagram (DFD) level 2 proses mengelola data mahasiswa yang mendaftar beasiswa dapat di lihat pada gambar 3.7 berikut:

Gamabar 3.6 Data Flow Diagram Level 2 Mengelola Data Peserta

(45)

Setelah mahasiswa mendaftar sebagai calon penerima beasiswa kemudian sistem akan memproses data peserta yang mendaftar beasiswa sehingga diperoleh rekomendasi jenis beasiswa yang sesuai untuk di ikuti mahasiswa yang mendaftar beasiswa. Adapun proses pengambilan keputusan untuk rekomendasi beasiswa dengan metode clustering dapat dilihat pada gambar 3.8 berikut :

Gamabar 3.7 DFD Level 2 SPK Rekomendasi Beasiswa

Gambar 3.8 merupakan Data Flow Diagram (DFD) Sistem Pengambil Keputusan (SPK) untuk menentukan rekomendasi beasiswa yang sesuai untuk mahasiswa yang mendaftar beasiswa. Data yang di inputkan mahasiswa akan diproses oleh sistem yang dibangun dengan menggunakan metode clustering. Staff admin akan login kedalam sistem kemudian melakukan pengaturan tanggal dibuka dan ditutupnya jadwal pendaftaran beasiswa. Pada waktu pendaptaran di buka mahasiswa akan melakukan pendaftaran dengan menginputkan nim dan akan muncul data yang sebenarnya. Setelah pendaftaran ditutup staff admin akan menjalakan sistem sehingga diperoleh rekomendasi beasiswa.

[image:45.595.114.517.193.471.2]

(46)

membawa berkas yang sudah dilengkapi pada fakultas masing-masing untuk diperiksa kembali. Dengan adanya rekomendasi beasiswa mahasiswa berpeluang untuk mendapatkan beasiswa yang direkomendasikan.

3.5 Rancangan Antarmuka Pengguna (User Interface)

Perancangan antarmuka pengguna perlu dibuat dalam membangun sistem karena sangat membantu dalam pembangunan sistem. Agar tercipta perangkat lunak yang mudah dan informatif untuk pengguna (user friendly) perlu di perhatikan rancangan antar muka pengguna yang sesuai dengan kebutuhan.

3.5.1 Rancangan Form Utama

[image:46.595.108.532.470.747.2]

Pada form ini terdapat beberapa menu, seperti menu beasiswa, staff, peserta, dan menu pengumuman. Pada form utama ini dapat dilihat semua jenis beasiswa yang ditawarkan di Universitas Sumatera Utara dan kapan pendaftaran beasiswa dibuka dan ditutup. Pada saat pendaftaran di buka, mahasiswa yang akan mendaftar beasiswa bisa menginputkan data-datanya di menu yang telah disediakan. Rancangan form utama dapat dilihat pada gambar 3.9 berikut:

Gambar 3.8 Rancangan Form Utama

Pendaftaran dibuka : Tanggal/Bulan/Tahun

Home Beasiswa Staff Peserta Pengumuman

(47)

3.5.2 Rancangan Form Beasiswa

[image:47.595.108.534.213.456.2]

Rancangan form beasiswa berfungsi sebagai informasi semua jenis beasiswa yang tersedia. Informasi jenis-jenis beasiswa disertai dengan syarat-syarat dari tiap jenis beasiswa yang trersedia untuk membantu mahasiswa mengetahui syarat dan kriteria beasiswa yang tersedia. Bentuk rancangan form beasiswa dapat dilihat pada gambar 3.10 berikut:

Gambar 3.9 Rancangan Form Beasiswa

3.5.3 Rancangan Form Staff

Rancangan form staff berfungsi sebagai form admin yang dapat mengatur tanggal dibuka dan ditutupnya pendaftaran beasiswa. Form staff sebagai hak akses untuk mengoperasikan sistem dengan pemasukan username (Nama Pengguna) dan

Password. Pengumuman rekomendasi beasiswa untuk mahasiswa dapat dilihat oleh

mahasiswa setelah tanggal pendaftaran ditutup. Setelah pendaftaran ditutup staff akan login kembali dan melakukan penghapusan data pada rekomendasi yang sebelumnya. Penghapusan data bertujuan untuk memuat rekomendasi beasiswa yang baru, namun untuk penghapusan data peserta pada periode sebelumnya bisa di hapus pada form peserta. Penghapusan peserta pada periode sebelumnya dilakukan sebelum pendaftaran dibuka. Kemudian staff admin memilih set beasiswa dan sistem akan bekerja. Kemudian sistem akan menghasilkan pengumuman rekomendasi beasiswa.

Jenis-jenis beasiswa dan syarat-syarat beasiswa

Beasiswa yang tersedia di Universitas Sumatera Utara

(48)

[image:48.595.108.532.533.732.2]

Bentuk rancangan form login dapat dilihat pada gambar 3.11 dan bentuk rancangan form staff setelah login dapat dilihat pada gambar 3.12.

Gambar 3.10 Rancangan Form Login Staff

Setelah melakukan login, staff bisa menjalankan sistem dengan melakukan penghapusan data rekomendasi yang sebelumnya. Setelah data yang sebelumnya dihapus maka menu hapus data akan berubah menjadi set beasiswa yang berfungsi untuk memberikan rekomendasi beasiswa yang baru. Sedangkan menu mahasiswa berfungsi untuk menginputkan data mahasiswa kedalam database. Sehingga pada saat mahasiswa melakukan pendaftaran mahasiswa hanya memasukkan nim dan kemudian data selengkapnya akan ditampilkan oleh system. Rancangan form staff setelah login dapat dilihat pada gambar 3.12 berikut:

Gambar 3.11 Rancangan Form Staff Staff Login

Username

Password

Login

Hapus Data

Set tanggal pendaftara SET Logout

(49)

3.5.4 Rancangan Form Peserta

[image:49.595.111.532.167.343.2]

Pada form peserta ini berisi nama dan data mahasiswa yang telah mendaftarkan beasiswa. Rancangan form peserta dapat dilihat pada gambar 3.13 berikut:

Gambar 3.12 Rancangan Form Peserta

3.5.5 Rancangan Form Pengummuman

Form pengumuman berisi tentang rekomendasi kepada mahasiswa yang telah mendaftar beasiswa. Pada form ini mahasiswa bisa melihat rekomendasi jenis beasiswa yang sesuai untuk diikuti. Data mahasiswa yang di tampilkan berupa NIM, Umur, Fakultas, Strata (S1/D3), Semester dan IPK yang telah diinputkan. Rancangan form pengumuman bisa dilihat pada gambar 3.14 berukut:

Gambar 3.13 Rancangan Form Pengumuman Mahasiswa yang mendaftar beasiswa

Data Mahasiswa yang Menerima Beasiswa

Pendaftaran ditutup : Tanggal/Bulan/Tahun

Penerima Beasiswa

[image:49.595.112.532.526.732.2]

(50)

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Tahap selanjutnya untuk mengembangkan suatu perangkat lunak adalah tahap implementasi dan pengujian sistem. Pada bab ini akan dijelaskan tentang proses pengimplementasian metode clustering data dengan C-Means pada sistem, sesuai dengan perancangan sistem pada bab sebelumnya. Kemudian dilakukan pengujian untuk mengetahui apakah implementasi perangkat lunak yang di bangun berhasil atau tidak. Berikut hasil implementasi dan pengujian dari aplikasi yang telah dibangun.

4.1 Implementasi Sistem

Berdasarkan hasil analisis dan perancangan sistem yang telah dilakukan, kemudian dilakukan implementasi sistem rekomendasi beasiswa dengan menggunakan metode

clustering data dengan C-Means menggunakan bahasa pemrograman PHP dengan

database MySQL.

4.1.1 Lingkungan Implemetasi

Spesifikasi perangkat keras (hardware) dan perangkat lunak (software) yang digunakan untuk membangun program aplikasi dalam penulisan skripsi ini adalah sebagai berikut:

1. Processorintel® Atom™ CPU N570 @ 1.66 GHz 1.67 GHz 2. Kapasitas Hardisk 200GB

3. Memory RAM yang digunakan 1.00GB 4. Operating sistem Windows 7 ultimate 5. XAMPP versi 1.7.2

6. MySQL versi 5.1.37

4.1.2 Implementasi Perancangan Antarmuka

(51)

(52)

(53)

(54)

(55)

(56)

(57)

(58)

masing-masing. Pada saat melengkapi berkas akan diperlukan pernyataan tidak menerima beasiswa lain yang ditandatangani oleh Pembantu Dekan III Fakultas sebagai syarat untuk bisa mengikuti beasiswa yang telah direkomendasikan. Oleh karena itu Mahasiswa hanya bisa memperoleh rekomendasi salah satu jenis beasiswa yang tersedia pada Universitas Sumatera Utara. Menu pengumuman merupakan informasi beasiswa yang direkomendasikan, sehingga mahaiswa yang mendaftar beasiswa dapat mengetahui jenis beasiswa yang bisa di ikuti. Mahasiswa yang direkomendasikan berpeluang untuk mendapatkan beasiswa tersebut.

Dengan rekomendasi beasiswa mahasiswa akan berpeluang lebih besar untuk dapat memperoleh beasiswa yang direkomendasikan tersebut. Karena mahasiswa yang mendaftar sebagai calon penerima beasiswa akan direkomendsikan sesuai dengan kriteria yang dimiliki. Mahasiswa akan terhindar dari penumpukan data yang mendaftar beasiswa pada salah satu jenis beasiswa dari 18 jenis beasiswa yang ditawarkan. Mahasiswa yang mendaftar akan dikelompokkan sesuai dengan kriteria yang dimiliki untuk mengikuti salah satu jenis beasiswa dari keseluruhan beasiswa yang ditawarkan pada Universitas sumatera Utara. Mahasiswa memperoleh rekomendasi beasiswa setelah pendaftaran ditutup.

4.2 Pengujian Sistem

Setelah melakukan proses implementasi selanjutnya dilakukan pengujian sistem. Pengujian sistem dilakukan untuk memeriksa kinerja dari tiap-tiap komponen sistem yang di implementasikan. Pengujian sistem bertujun untuk mengetahui bahwa aplikasi yang telah dibuat sesuai dengan kebutuhan. Pada pengujian ini akan ditampilkan hasil dari mahaiswa yang direkomendasikan untuk mengikuti jenis beasiswa yang telah disediakan.

4.2.1 Rencana Pengujian Sistem

(59)

Tabel 4.1 Rencana Pengujian

No Komponen sistem yang di uji Butir uji

1 Halaman utama Mencoba semua menu halaman pada bagian menu

Tombol daftar sekarang 2 Halaman input data pendaftaran

beasiswa

Halaman verifikasi input data yang dimasukkan

Form data pendaftaran beasiswa

Tombol“daftar”

Informasi kegagalan dalam mendaftar beasiswa

3 Halaman staff Login staff Hapus data Mahasiswa Set tanggal Logout staff Tombol “login”

Informasi kegagalan dalam melakukan login

Tombol hapus data Tombol daftar/tambahkan Tombol pilih tanggal Tombol set tanggal Tombol logout

4 Halaman peserta Data mahasiswa yang mendaftar beasiswa

Kosongkan data Simpan ke Excel

5 Halaman pengumuman Mencoba semua menu jenis beasiswa

Simpan ke Excel

4.2.2 Hasil Pengujian Sistem

(60)

[image:60.595.107.528.108.760.2]

Tabel 4.2 Hasil Pengujian

No Komponen

sistem yang di uji

Skenario uji Hasil yang

diharapkan Hasil pengujian 1 Halaman utama Mencoba semua menu halaman pada bagian menu

Ketika menu di tekan, maka akan berpindah kehalaman yang di tuju

Berhasil

2 Halaman input data pendaftaran beasiswa Memasukkan data sesuai dengan ketentuan yaitu data yang dimiliki oleh mahasiswa pendaftar beasiswa

Ketika tombol daftar di tekan maka akan muncul

pemberitahuan bahwa mahasiswa berhasil mendaftar beasiswa, sedangkan jika masih ada data yang salah atau tidak sesuai maka akan muncul pemberitahuan data tidak bisa di input

Berhasil

3 Halaman staff

Login staff Melakukan login staff Memasukkan username dan password yang benar memasukkan username dan password.

Ketika data untuk login dimasukkan kemudian tombol login di klik, maka akan dilakukan proses pengecekan data untuk login. Apabila data yang dimasukkan benar,

Berhasil

(61)

[image:61.595.99.538.114.756.2]

Tabel 4.2 Hasil Pengujian (Lanjutan)

No Komponen

sistem yang diuji

Skenario uji Hasil yang

diharapkan Hasil pengujian Update data Memasukkan username dan password yang salah Menekan tombol update data

maka akan langsung masuk ke halaman staff.

Ketika data untuk login dimasukkan kemudian tombol login di klik, maka akan dilakukan proses pengecekan data untuk login. Apabila data yang dimasukkan salah, maka akan muncul pemberitahuan kesalahan dalam memasukkan username atau password. Ketika tombol Update data di klik maka data mahasiswa yang mendaftar sebagai calon penerima beasiswa yang terdahulu akan terhapus dari

halaman pengumuman.

Berhasil

(62)

[image:62.595.112.531.101.756.2]

Tabel 4.2 Hasil Pengujian (Lanjutan)

No Komponen

diharapkan Hasil pengujian Mahasiswa Set tanggal Logout staff Menekan tombol daftar/tambahkan Mengatur tanggal pendaftaran dan penutupan beasiswa di kolom yang telah disediakan

Tombol logout

Ketika tombol daftar/tambahkan di klik maka data mahasiswa akan secara otomatis bertambah di dalam database sistem.

Ketika tanggal pendaftaran dan penutupan beasiswa diatur, kemudian di klik tombol set maka tanggal pendaftaran dan penutupan beasiswa pada sistem akan berubah secara otomatis.

Pada saat tombol logout di klik maka staff admin akan keluar dari sistem

Berhasil Berhasil 4 Halaman peserta Data mahaisswa yang mendaftar beasiswa akan telihat.

Pada halaman peserta akan terlihat semua data mahaiswa yang mendaftar beasiswa.

(63)

[image:63.595.106.532.110.769.2]

Tabel 4.2 Hasil Pengujian (Lanjutan)

No Komponen

diharapkan Hasil pengujian Menu kosongkan data Menu penyimpanan

data ke Excel

Jika menu hapus data

di klik maka data

mahasiswa akan

terhapus secara

otomatis .

Jika tulisan simpan

data di klik maka data

mahasiswa akan

langsung terdownload

dalam bentuk Excel

Berhasil Berhasil 5 Halaman pengumuman Menu jenis-jenis beasiswa

Menu simpan ke

excel

Setiap menu jenis

beasiswa di klik maka

akan muncul

nama-nama mahaiswa yang

di rekomemdasikan

untuk mengikuti jenis

beaiswa yang di pilih

atau di klik.

Setiap menu simpan ke

excel di klik maka data

mahasiswa yang

direkomendasikan

untuk mengikuti salah

satu jenis beasiswa

yang telah

direkomendasikan

secara otomatis akan

terdownload dalam

bentuk Excel.

Berhasil

(64)

4.2.3 Hasil Pengujian Kinerja Sistem

Aplikasi rekomendasi penerima beasiswa dapat membantu mahasiswa untuk mengetahui jenis beasiswa yang sesuai untuk diikuti di Universitas Sumatera Utara. Sehingga mahasiswa mempunyai peluang untuk mendapatkan beasiswa yang direkomendasikan. Dengan aplikasi yang dibangun dapat menghindari penumpukan data pada saat pendaptaran beasiswa dibuka. Dengan rekomendasi beasiswa yang sesuai dapat menghindari penumpukan data di salah satu jenis beasiswa dan dapat membantu mahasiswa untuk memperoleh informasi beasiswa yang ditawarkan di Universitas Sumatera Utara. Aplikasi yang dibangun membantu admin di bidang penyeleksian beasiswa. Mempermudah admin menentukan mahasiswa yang layak mendapatkan beasiswa karena data mahasiswa yang mendaftar sesuai dengan syarat-syarat beasiswa.

(65)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil analisis dan pengujian yang dilakukan pada bab sebelumnya, maka kesimpulan yang diperoleh adalah sebagai berikut:

1. Clustering dapat memaksimalkan pengelompokan data numerik ke dalam suatu kelas atau cluster yang memiliki kesamaan, sehingga penerapan

Clustering dengan C-Means untuk rekomendasi beasiswa dapat menghasilkan persamaan dan perbedaan dari beberapa cluster data dengan jarak yang minimal.

2. Aplikasi rekomendasi beasiswa memberikan informasi jenis beasiswa yang dapat diikuti oleh mahasiswa, sesuai dengan syarat yang dibutuhkan dari tiap program beasiswa yang ditawarkan sehingga mahasiswa yang mendaftar beasiswa mempunyai peluang untuk memperoleh beasiswa yang direkomendasikan.

3. Aplikasi rekomendasi beasiswa dapat mempercepat proses penyeleksian beasiswa dan dapat menghindari terjadinya penumpukan data mahasiswa pada salah satu jenis beasiswa dari beberapa jenis program beasiswa yang ditawarkan.

5.2 Saran

Untuk hasil yang lebih maksimal penulis menyarankan penelitian lebih lanjut dalam pengelompokan data. Saran dari penulis adalah:

(66)

2. Penelitian ini dapat dikembangkan dengan menggunakan metode dan algoritma lain sebagai perbandingan.

(67)

BAB 2

LANDASAN TEORI

2.1 Sistem Pendukung Keputusan (SPK)

Konsep sistem pendukung keputusan (SPK) pertama kali di ungkapkan pada awal tahun 1970 oleh Michael S. Scott Morton dengan istilah management decision system. Morton mendefenisikan SPK sebagai “Sistem berbasis komputer interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk membantu memecahkan masalah-masalah yang tidak terstruktur”. SPK merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan dan pemanipulasian data. Sistem digunakan untuk membantu pengambilan keputusan dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tidak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat.

SPK biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk mengevaluasi suatu peluang. Aplikasi SPK menggunakan CBIS (Computer

Based Information System) yang fleksibel, interaktif, dan dapat di adaptasi, yang di

kembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur. Aplikasi SPK menggunakan data, memberikan antarmuka pengguna yang mudah dan dapat menggabungkan pemikiran pengambil keputusan. SPK lebih ditujukan untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat analitis dalam situasi yang kurang terstruktur dan dengan kriteria yang kurang jelas. SPK tidak dimaksudkan untuk mengotomatisasikan pengambilan keputusan tetapi memberikan perangkat interaktif yang memungkinkan pengambil keputusan untuk melakukan berbagai analisis menggunakan model-model yang tersedia.

2.1.1 Nilai Guna dan Karakteristik Sistem Pendukung Keputusan

(68)

pengalaman dan wawasan manajerial guna membentuk suatu kerangka keputusan yang bersifat fleksibel. Sifat interaktif tersebut memiliki tujuan SPK (Turban, 2005):

1. Membantu dalam pengambilan keputusan atas masalah yang terstruktur.

2. Memberikan dukungan atas pertimbangan manajer dan bukan untuk menggantikan fungsi manajer.

3. Meningkatkan efektivitas keputusan yang diambil lebih daripada perbaikan efisiensinya.

4. Kecepatan komputasi, Komputer memungkinkan para pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah.

5. Peningkatan produktivitas. 6. Dukungan kualitas.

7. Berdaya saing.

8. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan.

Aplikasi SPK yang dikembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur memiliki ciri-ciri yaitu (Suryadi e.t al, 1998):

1. SPK ditujukan untuk membantu keputusan-keputusan yang kurang terstruktur.

2. SPK merupakan gabungan antara kumpulan model kualitatif dan kumpulan data.

3. SPK bersifat luwes dan dapat menyelesaikan dengan perubahan-perubahan yang terjadi.

Berdasarkan ciri-ciri di atas, maka karakteristik yang membedakan SPK dengan sistem informasi lainnya yaitu :

(69)

2. Pada proses pengolahannya, SPK mengkombinasikan penggunaan model model analisis dengan teknik pemasukan data konvensional serta fungsi-fungsi pencari atau pemerikasa informasi.

3. SPK dapat digunakan atau dioperasikan dengan mudah oleh orang-orang yang tidak memiliki dasar kemampuan pengoperasian komputer yang tinggi, pendekatan yang digunakan biasanya model interaktif. 4. SPK dirancang pada aspek fleksibilitas serta kemampuan adaptasi yang

tinggi, sehingga mudah disesuaikan dengan berbagai perubahan lingkungan yang terjadi dan kebutuhan pengguna.

Dalam membangun suatu SPK diperoleh beberapa manfaat atau keuntungan bagi pemakainya. Keuntungannya adalah sebagai berikut :

1. SPK memperluas kemampuan pengambil keputusan dalam memproses data/informasi bagi pemakainya.

2. SPK membantu pengambil keputusan dalam hal penghematan waktu yang dibutuhkan untuk memecahkan masalah terutama bagi masalah yang sangat kompleks dan tidak terstruktur.

3. Sistem pendukung keputusan dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat di andalkan.

4. Suatu SPK mungkin saja tidak mampu memecahkan masalah yang dihadapi oleh pengambil keputusan, namun dapat menjadi stimulan bagi pengambil keputusan dalam memahami persoalannya. Hal ini dikarenakan SPK mampu menyajikan berbagai alternative.

2.1.2 Komponen-Komponen Sistem Pendukung Keputusan

SPK terdiri dari tiga subsistem utama yaitu sebagai berikut :

1. Subsistem Manajemen Database (Database Management Subsystem) 2. Subsistem Manajemen Basis Model (Model Base Management

Subsistem)

3. Subsistem Perangkat Lunak Penyelenggara Dialog (Dialog Generation

(70)

2.1.3 Subsistem Manajemen Database

Ada beberapa perbedaan antara database untuk SPK dan non-SPK. Sumber data SPK lebih kaya dari pada non-SPK dimana data harus berasal dari luar dan dari dalam karena proses pengambilan keputusan.

Perbedaan lain adalah proses pengambilan dan ekstraksi data dari sumber data yang sangat besar. SPK membutuhkan proses ekstraksi dan DBMS yang pengelolaannya cukup fleksibel untuk memungkinkan penambahan dan pengurangan secara cepat. Dalam hal ini, kemampuan yang dibutuhkan dari manajemen database adalah:

1. Kemampuan untuk mengkombinasikan berbagai variasi data melalui pengambilan dan ekstraksi data.

2. Kemampuan untuk menambahkan sumber data secara cepat dan mudah. 3. Kemampuan untuk menggambarkan struktur data logikal sesuai dengan

pengertian pemakai sehingga pemakai mengetahui apa yang tersedia dan dapat menentukan kebutuhan penambahan dan pengurangan.

4. Kemampuan untuk menangani data sehingga pemakai dapat mencoba berbagai alternatif.

5. Kemampuan untuk mengelola berbagai variasi data.

2.1.4 Subsistem Manajemen Basis Model

Salah satu keunggulan SPK adalah kemampuan untuk mengintegrasikan akses data dan model keputusan. Hal ini dapat dilakukan dengan menambahkan model-model keputusan kedalam sistem informasi dan komunikasi diantara model-model-model-model. Karakteristik ini menyatukan kekuatan pencarian dan pelaporan data.

(71)

berhubungan diserahkan kepada pengambil keputusan sebagai proses intelektual dan manual.

Salah satu pandangan yang lebih optimis diantaranya bisa menambah model-model kedalam sistem informasi dengan database sebagai mekanisme integrasi dan komunikasi. Kemampuan yang dimiliki subsistem basis model meliputi hal-hal sebagai berikut :

1. Kemampuan untuk menciptakan model-model baru secara cepat dan mudah.

2. Kemampuan untuk mengakses dan mengintegrasikan model-model keputusan.

3. Kemampuan untuk mengelola basis model dengan fungsi manajemen yang analog dan manajemen database (seperti mekanisme untuk menyimpan, membuat dialog, menghubungkan, dan mengakses model).

2.1.5 Subsistem Perangkat Lunak Penyelenggara Dialog

Fleksibilitas dan kekuatan karakteristik SPK timbul dari kemampuan interaksi antara sistem dan pemakai yang dinamakan subsistem dialog. Bennet mendefinisikan pemakai, terminal, dan sistem perangkat lunak sebagai komponen-komponen dari sistem dialog sehingga subsistem dialog terbagi menjadi tiga bagian yaitu:

1. Bahasa aksi, meliputi apa yang dapat digunakan oleh pemakai dalam berkomunikasi dengan sistem. Hal ini meliputi pemilihan-pemilihan seperti papan ketik (keyboard), panel-panel sentuh, joystick, perintah suara dan sebagainya.

2. Bahasa tampilan dan presentasi, meliputi apa yang harus diketahui oleh pemakai. Bahasa tampilan meliputi pilihan-pilihan seperti printer, tampilan layar, grafik, warna, plotter, keluaran suara, dan sebagainya

3. Basis pengetahuan, meliputi apa yang harus diketahui oleh pemakai agar pemakaian sistem bisa efektif. Basis pengetahuan bisa berada dalam pikiran pemakai, pada kartu referensi atau petunjuk dalam buku manual, dan sebagainya.

(72)

mengisi tempat kosong. Kemampuan yang harus dimiliki oleh SPK untuk mendukung dialog pemakai atau sistem adalah sebagai berikut :

1. Kemampuan untuk menangani berbagai variasi dialog, bahkan untuk mengkombinasikan berbagai gaya dialog sesuai dengan pilihan pemakai. 2. Kemampuan untuk mengakomodasikan tindakan pemakai dengan berbagai

peralatan masukan.

3. Kemampuan untuk menampilkan data dengan berbagai variasi format dan peralatan keluaran.

4. Kemampuan untuk memberikan dukungan yang fleksibel untuk mengetahui.

5. Basis pengetahuan pemakai.

2.2 Beasiswa Universitas Sumatera Utara

Beasiswa dapat dikatakan sebagai pembiayaan yang tidak bersumber dari pembiayaan sendiri atau orang tua, akan tetapi diberikan oleh pemerintah, perusahaan swasta, kedutaan, universitas, serta lembaga pendidikan atau peneliti, dan juga dari kantor tempat bekerja yang karena prestasi seorang karyawan dapat diberikan kesempatan untuk meningkatkan kapasitas sumberdaya manusianya melalui pendidikan. Biaya tersebut diberikan kepada yang berhak menerima, terutama berdasarkan klasifikasi, kualitas, dan kompetensi si penerima beasiswa (Gafur, 2008).

(73)

2.2.1 Persyaratan Beasiswa di Universitas Sumatera Utara

Untuk dapat memproleh beasiswa harus memenuhi syarat sebagai berikut : Adapun syarat-syarat umum untuk mendapatkan beasiswa adalah :

1. Terdaftar sebagai mahasiswa Universitas Sumatera Utara.

2. Berprestasi/berasal dari keluarga yang ekonominya kurang mampu. 3. Tidak menerima beasiswa dari sumber lain.

4. Belum bekerja dan belum berkeluarga

5. Aktif dalam mengikuti kegiatan kemahasiswaan (ekstrakurikuler).

6. Tidak akan mengambil PKA (Penundaan Kegiatan Akademik) selama terdaftar sebagai penerima beasiswa.

7. Patuh pada peraturan yang ditetapkan oleh Universitas/Fakultas

8. Mempunyai No. Rekening pada PT.Bank Negara Indonesia Tbk Cabang USU

2.2.2 Syarat Khusus

[image:73.595.102.513.506.743.2]

Persyaratan khusus penerima beasiswa pada Universitas Sumatera Utara disesuaikan dengan jenis beasiswa. Jenis beasiswa pada Universitas Sumatera Utara berjumlah 18 yang ditawarkan untuk mahasiswa dan dapat diikuti dengan persyaratan khusus sebagai berikut :

Tabel 2.1 Jenis dan Syarat Besiswa

No Jenis Beasiswa Persyaratan Khusus Beasiswa

1. Beasiswa Peningkatan Prestasi Akademik (PPA)

1. Terdaftar sebagai mahasiswa Program S1 (Mahasiswa baru dan lama).

2. Indeks Prestasi/Indeks Prestasi Kumulatif (IP/IPK) minimal 3.00 untuk mahasiswa lama.

3. Nilai rata-rata STTB minimal 6.50 untuk mahasiswa baru.

2. Beasiswa Bantuan Belajar Mahasiswa (BBM)

(74)

[image:74.595.97.531.70.756.2]

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

2. Minimal telah duduk di semester II (dua).

3. Indeks Prestasi Kumulatif (IPK) minimal 2.50

3. Beasiswa BANK INDONESIA (BI)

1. Terdaftar sebagai mahasiswa Program S1.

2. Minimal telah duduk di semester V (lima) dan telah menempuh 90 SKS 3. Indeks Prestasi Kumulatif minimal

3.00

4. Usia Maksimal 25 tahun. 4. Beasiswa Technological and

Professional Skills

Development Sector Project (TPSDP)

1. Terdaftar sebagai mahasiswa Program S1.

o Fakultas Teknik (Program studi Kimia, Sipil, Elektro dan Mesin).

o Fakultas MIPA (Program studi Biologi, Kimia, Matematika, Fisika dan Informatika/Ilmu Komputer.

o Fakultas Pertanian (Program studi Teknik Pertanian, Pemuliaan Tanaman, Hortikultura, Teknologi Pengelolaan hasil Perikanan, Teknologi pengelolaan hasil Ternak, Pemanfaatan Sumber Daya Kelautan).

(75)

[image:75.595.119.519.103.748.2]

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

3. Mengisi formulir pengajuan beasiswa.

5. Beasiswa Yayasan Supersemar 1. Terdaftar sebagai mahasiswa Program S1

2. Minimal telah duduk di semester III (tiga)

4. Mengisi formulir beasiswa Yayasan Supersemar serta di tandatangani oleh Pudek III Fakultas dan

Pimpinan Perguruan Tinggi bidang Kemahasiswaan

6. Beasiswa Yayasan Toyota Astra 1. Terdaftar sebagai mahasiswa Program S1

o Fakultas Teknik o Fakultas Pertanian o Fakultas MIPA

2. Berada di semester V (lima) atau VII (tujuh)

4. Mengisi formulir pendaftaran beasiswa Yayasan Astra serta di tandatangani oleh Pudek III Fakultas dan Pimpinan Perguruan Tinggi bidang Kemahasiswaan 5. Menyerahkan pasfhoto ukuran 3 x 4

(76)

[image:76.595.113.529.103.763.2]

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

7. Beasiswa Yayasan Jepang 1. Terdaftar sebagai mahasiswa Program S1.

2. Minimal telah duduk di semester VII (tujuh).

4. Memiliki surat keterangan sehat dari Dokter

5. Mengisi Formulir riwayat hidup. 8. Beasiswa PT.DJARUM 1. Terdaftar sebagai mahasiswa Program

S1

2. Berada di semester V (lima) 3. Indeks Prestasi Kumulatif (IPK)

minimal 3.00

4. Mengikuti Psikotest yang diadakan oleh PT.Djarum

9. Beasiswa TANOTO FOUNDATION

1. Terdaftar sebagai mahasiswa Program S1

2. Usia maksimum 21 tahun 3. Indeks Prestasi Kumulatif (IPK)

minimal 3.00

4. Mengisi Formulir Pendaftaran Beasiswa Tanoto Foundation 5. Mengikuti Psikotest yang diadakan

oleh Tanoto Foundation

10. Beasiswa TJIPTA SARJANA 1. Terdaftar sebagai mahasiswa baru USU Program S1

2. Berprestasi di sekolah (SMA)

(77)

[image:77.595.109.532.104.751.2]

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

4. Menyerahkan 2 (dua) lembar pasfhoto berwarna 4 x 6

5. Mengikuti wawancara yang diadakan oleh Eka Tjipta Foundation.

11. Beasiswa Konsorsium

Pendidikan BPMIGAS -KKKS (Badan Pelaksanaan Minyak dan Gas–Kontraktor Kontrak Kerja Sama)

1. Terdaftar sebagai mahasiswa Program Diploma (D3) dan S1. 2. Minimal telah duduk di semester III

(tiga).

4. Telah menyelesaikan 25% dari jumlah kredit yang disyaratkan untuk program S1 atau D3 yang diambil. 5. Berusia maksimal 25 tahun. 6. Menyerahkan 2 (dua) lembar

pasfhoto hitam putih 4 x 6 7. Mengisi formulir khusus

yangdiberikan oleh pihak

Konsorsium Pendidikan BPMIGAS– KKKS.

12. Beasiswa Society of Petroleum (SPE)

1. Terdaftar sebagai mahasiswa Program S1 Fakultas Teknik, Jurusan Teknik Kimia/Mesin/Elektro.

2. Sedang menjalani semester III (tiga) (minimum) hingga semester VII (tujuh) (maksimum).

3. Indeks Prestasi Kumulatif (IPK) minimal > 3.00

(78)

[image:78.595.104.527.93.778.2]

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

13. Beasiswa Yayasan Salim 1. Terdaftar sebagai mahasiswa Program S1

2. Mahasiswa semester I (satu) s/d VII (tujuh)

3. Nilai minimum:

o Untuk mahasiswa semester I nilai rata-rata ujian Nasional dan Rapor kelas terakhir di SMU sederajat minimum 7.6 o Untuk mahasiswa semester III

ke atas, rata-rata Indeks Prestasi Semester (IPS) dua semester terakhir minimum 2.80, bukan Indeks Prestasi Kumulatif (IPK).

4. Mengisi formulir permohonan beasiswa Yayasan Salim. 5. Menyerahkan fotokopi Kartu

Penduduk dan pasfhoto 4 x 6 sebanyak 2 (dua) lemmbar. 14. Beasiswa PT. Bank Rakyat

Indonesia (BRI) Persero Tbk

1. Terdaftar sebagai mahasiswa Program S1

3. Minimal telah duduk di semester III (tiga)

4. Usia tidak lebih dari 23 tahun pada saat mengajukan permohonan

15. Beasiswa PT. Gudang Garam 1. Terdaftar sebagai mahasiswa Program S1

(79)

[image:79.595.109.523.102.758.2]

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

16. Beasiswa YKPP (Yayasan Kesejahteraan Pegawai Pertamina)

1. M ahasiswa Program S1.

2. Telah duduk di semester II (dua) dan IV (empat).

4. Mengikuti wawancara yang diadakan oleh YKPP.

17. Beasiswa PT. SUN LIFE FINANCIAL INDONESIA

1. Terdaftar sebagai mahasiswa Fak. MIPA Jurusan Matematika, Fak. ISIP, dan Fak. Kesehatan Masyarakat USU. 2. Telah duduk di semester IV (empat). 3. Indeks Prestasi Kumulatif (IPK)

minimal 3.50 18. Beasiswa Peningkatan Prestasi

Ekstrakurikuler (PPE)

1. Terdaftar sebagai mahasiswa program Diploma dan S1.

3. Mempunyai prestasi tinggi atau baik sesuai dengan kegiatannya yang dibuktikan dengan Sertifikat atau Piagam Penghargaan yang diterbitkan oleh Panitia Penyelenggara atau pihak yang berwenang

(80)

2.2.3 Prosedur Untuk Mendapatkan Beasiswa

1. Mahasiswa harus mengajukan permohonan kepada Rektor Universitas Sumatera Utara melalui Pembantu Dekan III masing-masing, dan dilampiri dengan:

2. Rekomendasi dari Pembantu Dekan III.

3. Transkip Nilai dan fotokopi Kartu Hasil Ujian (KHS) yang di legalisir untuk mahasiswa lama atau STTB SMU sederajat yang dilegalisir untuk mahasiswa baru.

4. Fotokopi Kartu Keluarga (KK) yang dilegalisir.

5. Surat Keterangan Penghasilan Orang tua yang disahkan oleh pejabat yang berwenang.

6. Surat pernyataan yang berisi:

o Belum memproleh beasiswa lain dan tidak sedang dalam proses pengajuan beasiswa lain.

o Belum bekerja dan berkeluarga.

o Tidak akan mengambil penundaan kegiatan akademik.

7. Fotokopi NO. Rekening yang bersangkutan pada PT. Bank BNI Persero Tbk cabang USU.

8. Fotokopi Kartu Tanda Mahasiswa (KTM). 9. Fotokopi pembayaran SPP yang terakhir.

10. Surat keterangan berkelakuan baik dari pimpinan Fakultas/Prodi.

2.3 Data Mining

(81)

Tahapan proses dalam penggunaan data mining yang merupakan proses

knowledge Discovery in Database (KDD) seperti yang terllihat pada gambar 2.1 dapat

di uraikan sebagai berikut (Hermawati, 2009) :

1. Memahami domain aplikasi untuk mengetahui dan menggali pengetahuan awal serta apa sasaran pengguna.

2. Membuat target data-set yang meliputi pemililhan data dan fokus pada sub-set data.

3. Pembersihan dan transformasi data meliputi eliminasi derau, outliers, missing

value serta pemilihan fitur dan reduksi dimensi.

4. Penggunaan algoritma data mining yang terdiri dari asosiasi, sekuensial, klasifikasi, klasterisasi, danlainnya.

5. Interpretasi, evaluasi dan visualisasi pola untuk melihatapakah ada sesuatu yang baru dan menarik dan dilakukan iterasi jika diperlukan.

[image:81.595.100.554.365.565.2]

Data

Gambar 2.1 Proses Knowledge Discovery in Database (KDD) (Sumber : Hermawati, 2009)

(82)

perusahaan. Data warehouse menyediakan data yang siap di transformasi yang disimpulkan sedemikian hingga membuat sesuai untuk aplikasi DSS dan SIM yang efisien (Hermawati, 2009).

2.3.1 Teknik Data Mining

Beberapa teknik dan sifat data mining adalah Classification yaitu menentukan sebuah

record data baru ke salah satu dari beberapa kategori atau klas. Regresi yang

memprediksi nilai dari suatu variable kontinu yang diberikan berdasarkan nilai dari variable yang lain, dengan mengasumsikan sebuah model ketergantungan linier atau non linier.

Clustering mempartisi data-set menjadi beberapa sub-set atau kelompok sedemikian rupa sehingga elemet-element dari suatu kelompok tertentu memuliki set property yang di share bersama, dengan tingkat similaritas yang tinggi dalam satu kelompok dan tingkat similaritas antar kelompok yang rendah. Jika diberikan sejumlah titik data yang masing-masing mempunyai sejumlah atribut, dan dengan menggunakan satu ukuran similaritas, dapat ditemukan klaster-klaster hingga titik-titik data dalam satu klaster mempunyai similaritas yang lebih besar dan titik-titik-titik-titik data dalam klaster yang berbeda mempunyai similaritas yang kecil. Ukuran similaritas yang digunakan adalah Euclidean Distance jika atributnya kontinu dalam permasalahan lain dengan ukuran tertentu.

Kaidah asosiasi (Association Rules) mendeteksi kumpulan atribut-atribut yang

muncul bersamaan (co-occur) dalam frekuensi yang sering, dan membentuk sejumlah kaidah dari kumpulan-kumpulan tersebut. Pencarian pola sekuensial (sequence

mining) mencari sejumlah event yang secara umum terjadi bersama-sama. Jika

diberikan sekumpulan objek, dengan masing-masing objek dihubungkan dengan waktu kejadiannya maka didapatkan pola yang akan memprediksi ketergantungan sekuensial (sequential dependencis) yang kuat di antara kejadian-kejadian yang beerbeda (Hermawati, 2009).

( A B ) ( C ) ( D E )

Pola-pola sekuensial pertama, pada dasarnya dibentuk dengan cara mencari semua kemungkinan pola yang ada. Nilai-nilai kejadian dalam pola diatur berdasarkan urutan waktu kejadian.

(83)

2.4 Metode Clustering

Klastering (clustering) adalah salah satu analisis peubah ganda (multivariate analisys) yang digunakan untuk mengelompokkan objek-objek sedemikian rupa sehingga objek dalam satu cluster yang sangat mirip dan objek di berbagai cluster cukup berbeda. Analisis cluster banyak digunakan dalam penelitian-penelitian di bidang social, bidang kesehatan, bidang marketing, bidang akademik, dan bidang kewilayahan (Santosa, 2007).

Metode analisis cluster (clustering methods) dibedakan menjadi dua yaitu metode hierarki (hierarchical clustering methods) dan metode tak berhierarki (non

hierarchical clustering methods). Metode hierarki dibedakan menjadi dua yaitu

metode penggabungan (agglomerative/bottom up) dan metode pemecahan (devisive/

topdown). Prosedur yang digunakan dalam metode hierarki adalah prosedur pautan

tunggal (single linkage), pautan lengkap (complete linkage), dan pautan rata-rata (average linkage). Hasil clustering metode berhierarki secara umum membentuk diagram pohon (tree diagram) atau dendrogram yang menggambarkan pengelompokan objek berdasarkan jarak. Metode tak berhierarki disebut juga metode partisi (partitional methods). Metode tak berhierarki yang banyak digunakan adalah metode C-means Cluster. Yang membedakan fuzzy clustering dan non fuzzy clustering adalah dalam fuzzy clustering, sebuah titik termasuk dalam setiap cluster dengan suatu nilai bobot antara 0 dan 1, sedangkan yang non fuzzy jumlah dari bobot-bobot tersebut sama dengan 1. Clustering probabilitas mempunyai karakteristik yang sama (Hermawati, 2009).

2.4.1 Analisa Cluster

Analisa cluster yaitu menemukan kumpulan objek hingga objek-objek dalam suatu kelompok sama (mempunyai hubungan) dengan yang lain dan berbeda (tidak berhubungan) dengan objek-objek dalam kelompok lain. Tujuan dari analisa cluster adalah meminimalkan jarak di dalam cluster dan memaksimalkan jarak anatar cluster.

(84)

2.4.2 Clustering dengan C-Means

C-Means merupakan salah satu metode data Clustering non hierarki yang berusaha

mempartisi data yang ada kedalam bentuk satu atau lebih cluster (kelompok). Metode ini mempartisi kedalam cluster (kelompok) sehingga data yang memiliki karakteristik yang sama (High Intra Class Similarity) dikelompokkan kedalam satu cluster yang sama dan yang memiliki karakteristik yang berbeda (Law Inter Class Similarity) di kelompokkan pada kelompok yang lain (Giyanto, 2008).

C-means Cluster merupakan metode pengelompokan yang terkenal dan

banyak digunakan di berbagai bidang karena sederhana, mudah di implementasikan, dan memiliki kemampuan untuk mengelompokkan data yang besar. C-means digunakan untuk meng cluster data-data mahasiswa dan jumlah cluster bisa ditentukan di awal (Khoiruddin, 2007).

Metode ini mengelompokkan secara partisi yang memisahkan data kedalam kelompok yang berbeda. Dengan proses partisi secara iteratif, C-means Cluster mampu meminimalkan jarak rata-rata setiap data ke kelompoknya. Metode ini dikembangkan oleh MacQueen pada tahun 1967, yang merupakan pengembangan dari Steinhaus tahun 1956. Kemudian dikembangkan terus sampai saat ini diberbagai bidang. Langkah-langkah Clustering data dengan C-Means terdiri dari (Suryadi, e.t al, 1998):

1. Langkah Pertama : Menanyakan kepada pemakai algoritma C-Means, obyek yang ada akan dibuat menjadi berapa kelompok, sebutlah sebanyak C cluster. 2. Langkah Kedua : Secara sembarang, pilihlah C buah obyek (dari sekian obyek

yang ada) sebagai pusat-pusat kelompok cl