IMPLEMENTASI ALGORITMA K-MEANS UNTUK MENGUKUR TINGKAT KEPUASAN SISWA TERHADAP PROSES PEMBELAJARAN
Muchammad Ridho A.1, Khafiizh Hastuti2
1,2 Program Studi Teknik Informatika,
Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jl. Nakula I No. 5-11 Semarang 50131
Telp : (024) 351-7261, Fax : (024) 352-0165
E-mail : [email protected]1, [email protected]2
Abstrak
Data Mining merupakan proses ekstraksi sebelumnya tidak kenal dan dipahami dari database berukuran besar dan digunakan untuk membuat keputusan bisnis yang penting. Studi Kasus yang digunakan dan diterapkan dalan tugas akhir ini adalah data kuisioner proses pembelajaran untuk dikelola menggunakan algoritma K-Means dengan metode Clustering. Metode Clustering merupakan suatu metode klasifikasi unsupervised dalam teknik data mining yang mengelompokkan data kedalam satu atau lebih cluster. Metode ini mengelompokkan data ke dalam satu cluster yang memiliki karakteristik yang sama. Proses Pembelajaran dilakukan untuk memperoleh ilmu pengetahuan yang berguna dan dapat di terapkan dalam kehidupan. Dengan metode k-means dihasilkan 3 cluster akhir pada setiap bidang, dengan data Tidak puas sebanyak 86 siswa atau sejumlah 43 %, Cukup puas sebanyak 69 siswa atau sejumlah 34,5
% dan Puas 45 siswa atau sejumlah 22,5 %. Dengan tingkat kepuasan siswa yang telah diketahui maka pihak Sekolah dapat mengambil suatu kebijakan evaluasi dengan meningkatkan proses pembelajaran yang dilakukan.
Kata Kunci : Data mining, clustering k-means, proses pembelajaran
Abstract
Data Mining is the extraction process was not previously known and understood of large-sized database and used to make important business decisions. Case studies are used and applied role in this research are the learning processes questionnaire data to be managed using the algorithm K-Means Clustering method. Methods Clustering is an unsupervised classification methods in data mining techniques that classify data into one or more clusters. This method of grouping data into one cluster that has the same characteristics. Learning process is made to acquire knowledge that is useful and can be applied in life. With k- means method generated three final cluster in each field, the data is not satisfied as many as 86 students or some 43%, Fairly satisfied many as 69 students or 34.5% and the number of 45 students Satisfied or some 22.5%. With the level of satisfaction of students who have known then the school can take a policy evaluation to enhance the learning process is carried out
Keywords: Data mining, k-means clustering, the learning process
PENDAHULUAN
1.1 Latar Belakang
Pendidikan merupakan suatu proses yang dilakukan untuk mendapatkan sebuah ilmu pengetahuan yang luas sehingga dapat menghasilkan sumber daya manusia yang kuat serta dapat mendapatkan solusi pemecahan dari masalah yang ada. Proses pembelajaran adalah cara yang dilakukan untuk
memberikan ilmu
pengetahuan kepada orang lain melalui suatu mekanisme yang kegiatan belajar mengajar yang dilakukan di dalam suatu lembaga pendidikan (Sekolah, Perguruan Tinggi dll.).
Dalam memberikan Pelayanan setidaknya Penyedia Jasa harus memenuhi 5 kriteria kualitas pelayanan yang sering disebut RATER, yaitu realibility ( kehandalan ), assurance ( jaminan ), tangible ( bukti fisik ),
emphaty ( komunikasi ) dan responsiveness ( cepat tanggap ) [1].
SMP Ma’had Islam Semarang, sebagai salah satu institusi pendidikan yang memiliki komitmen untuk menghasilkan pendidikan bermutu dapat melakukan pengukuran tingkat kepuasan siswa terhadap proses pembelajaran yang dilakukan.
Kepuasan menurut Kotler, adalah hasil akhir yang dirasakan oleh pelanggan setelah membandingkan antara harapan dan performa yang didapatkan dari suatu pelayanan jasa. Proses pembelajaran bukan hanya di artikan sebagai hubungan antara anak didik dan pendidik, melainkan pula hubungan penerima jasa dan pemberi jasa [2].
Eko Nur Wahyudi dkk, “ Analisa Profil Data Mahasiswa Baru terhadap Program yang dipilih di
Perguruan Tinggi Swasta Jawa Tengah dengan menggunakan Teknik Data Mining” [3]. Melaporkan bahwa penelitiannya menggunakan algoritma K- means dalam menganalisa Profil Data Mahasiswa baru Terhadap Program Studi yang dipilih di Perguruan Tinggi Swasta Jawa Tengah menggunakan teknik data mining algoritma K-means clustering studi kasus dengan hasil yang baik.
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang, penulis dapat merumuskan masalah sebagai berikut :
Bagaimana Menerapkan Algoritma K-Means Clustering untuk menentukan tingkat kepuasan siswa
terhadap proses
pembelajaran.
1.3 Batasan Masalah
Agar penyusunan tugas akhir ini tidak terlalu meluas dan keluar dari pokok permasalahan, penulis
membatasi pokok permasalah an pada:
1. Tingkat kepuasan siswa terhadap proses pembela jaran.
2. Algoritma yang digun akan dalam melakukan penelitian adalah K- means.
3. Bahasa pemrograman yang digunakan adalah bahasa pemrograman PHP menggunakan tools Macromedia
Dreamweaver 8, xampp 2.5.8 (web application).
1.4 Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah mendapatkan data cluster tingkat kepuasan siswa
terhadap proses
pembelajaran. Dalam bentuk data dan grafik yang infomatif, sehingga pihak Sekolah dapat melakukan evaluasi pelayanan pada obyek yang kurang mendapat perhatian khusus sehingga dapat melakukan evaluasi
pelayanan sesuai dengan data dan grafik yang telah tersedia 1.5 Manfaat Penelitian
1. Bagi Penulis
Mengetahui bagaimana cara
mengimplementasikan metode Clustering pada sistem komputer serta mengetahui tingkat keakuratan metode tersebut.
2. Bagi Instansi Sekolah Sekolah dapat mengetahui hasil dari metode K- means Clustering, sehigga dapat di lakukan evaluasi berdasarkan data yang ada sehingga di lakukan perbaikan untuk menjadikan sekolah menjadi lebih baik
3. Bagi Perkembangan Ilmu pengetahuan
Penelitian ini digunakan sebagai bahan referensi
dalam menambah
pengetahuan bagi peneliti lain dan relevansinya.
2. METODE PENELITIAN Dalam penelitian ini, penulis menggunakan perangkat keras (hardware) dan perangkat lunak (software) untuk mendukung penelitian agar berjalan dengan baik.
2.1 Perangkat Keras ( Hardware )
Perangkat keras yang digunakan dalam penelitian antara lain :
1. Processor Intel Core-i3.
2. RAM 2GB.
3. Hardisk 500 GB.
2.2 Perangkat Lunak ( Software )
1. Microsoft Windows
Ultimate 7 sebagai OS notebook.
2. Microsoft Word 2007 sebagai media penulisan laporan.
3. Xampp1.7.3 , sebagai media penyimpanan data
4. Macromedia Dreamweaver 8, sebagai media pembuatan user interface dan desain website.
2.3 Prosedur Pengumpulan Data Data yang diperoleh merupakan hasil data kuisioner yaitu data yang didapat melalui pengisian kuisioner yang dibagikan kepada siswa. Selain itu dalam membantu penyusunan tugas akhir, penulis menggunakan beberapa studi pustaka yaitu :
1. Buku yang membahas data mining khususnya algoritma K-means
2. Jurnal mengenai algoritma K-means dan status clustering
2.4 Obyek Penelitian
Dalam penelitian tugas akhir ini, penelitian dilakukan dengan mengambil data objek penelitian dari siswa SMP Ma’had Islam Semarang yang berjumlah
200 data set pada tahun 2016 yang beralamat di Jalan Citarum Selatan No. 9 Semarang
2.5 Data Set Awal
Data Set awal merupakan data asli yang diperoleh dari hasil pengisian kuisioner yang dibagikan dan yang akan menjadi acuan untuk dilakukan perhitungan menggunakan algoritma K- means. Tahap penentuan cluster awal, pada bagian ini cluster awal di tentukan menjadi 3 bagian, yaitu K1 ( Kurang Puas ), K2 ( Puas ) dan K3 ( Puas ). Dan dilakukan inisilalisasi cluster awal dengan K1 = 6,5 , K2 = 7 dan K3 = 7,5.
Data KE -
Pert any aan 1
Pert any aan 2
Pert any aan 3
Pert any aan 4
Pert any aan 5 1 STS STS TS STS STS
2 TS N STS TS S
3 N N TS N S
4 N TS TS STS TS
5 STS STS TS STS TS 6 STS TS S STS TS 7 STS STS N STS STS
8 TS N STS N STS
9 STS N TS STS STS 10 STS STS S TS STS
Tabel 3.1 Data Hasil Kuesioner asli Keterangan:
STS = Sangat Tidak Setuju TS = Tidak Setuju
N = Netral S = Setuju
SS = Sangat Setuju 2.6 Database
Dalam melakukan penelitian, peneliti mengguna -kan database sebagai penyim panan data menggunakan Xampp 2.5.8 ( web application ).
Berikut merupakan tampilan awal dari Xampp:
Gambar 3.3 Tampilan awal XAMPP
Dan berikut ini merup akan tampilan database “K means” yang tersimpan dalam xampp ( database offline ).
Gambar 3.4 Isi Database Kmeans Gambar di atas berisi tabel yang digunakan dalam penyimpanan data pada program Xampp, antara lain:
datapokok, dataset, dataset awal, kepuasan, literasi1, literasi2, literasi3, literasi4, literasi5, literasi6, literasi7, literasi8, literasi9, literasi10, penjualan, user.
2.7 Kuesioner
Dalam melakukan proses penelitian, peniliti menggunakan hasil data sampel yang terdapat dalam kuesioner yang telah di bagikan kepada siswa.
Adapun isi dari kuesioner
tersebut terdapat pada halaman lampiran.
2.8 Metode Penelitian
Metode yang di gunakan dalam penelitian adalah metode CRISP-DM ( Cross Industry Standard Process for Data Mining ).
CRISP-DM digunakan sebagai standard proses data mining sekaligus metode penelitian.
Gambar 3.5 Proses Data Mining berdasarkan Metodologi CRISP-DM
2.8.1 Pemahaman Bisnis ( Business Understanding )
Pemahaman bisnis merupakan tahap awal dari metode CRISP-DM. Penulis melakukan pemahaman tent ang
pentelitian yang akan dilakukan dengan menentukan latar belakang serta tujuan dari penelitian ini dilakukan.
1) Menentukan Tujuan Bisnis ( Busines Understanding ) Pada tahap ini penulis menentukan tujuan dari penelitian ini yaitu mengukur tingkat kepuasan siswa terhadap proses pembelajaran. Tujuan ini diambil karena adanya keluhan dari siswa tentang pelayanan serta fasilitas yang dimiliki oleh Sekolah. Karena setiap tahunnya
jumlah siswa
bertambah maka tuntutan pelayanan yang baik akan semakin meningkat.
Tujuan pengolahan data tersebut dapat dijadikan acuan pihak sekolah untuk mengetahui pelayanan
dan fasilitas yang harus dievaluasi dan harus ditingkatkan.
2) Melakukan penilaian situasi
a) Sistem sudah berjalan sesuai petunjuk pada pedoman evaluasi,
namun masih
diperlukan sosialisasi yang lebih mendalam.
b) SMP Ma’had Islam dan siswa masih berjalan sesuai standard operasional ( SOP ).
c) Hasil data mining terhadap tingkat pelayanan sekolah menggambarkan pola pelayanan secara umum, namun hasil
data mining
menggambarkan nilai kepuasan siswa terhadap pelayanan.
3) Menentukan strategi awal data mining
Pada tahap ini penulis menentukan
strategi awal yaitu dengan
mengumpulkan data
dengan cara
melakukan kuisioner terhadap siswa.
2.8.2 Pemahaman Data ( Data understanding )
Pada tahap ini penulis melakukan penentuan dan pemahaman data yang digunakan dalam melakukan penelitian.
1) Pengumpulan data awal
Sumber data utama yang digunanakan adalah hasil dari data kuisioner yang dibagikan terhadap siswa.
2) Mendeskripsikan Data yang diperoleh dari data kuisioner adalah sebanyak 200 record yang telah dibagikan dan diisi oleh siswa. Dataset
tersebut terdiri dari 25 pertanyaan yang mewakili 5 atribut
yaitu Sarana
Pendidikan, Staff Akademik, Pelayanan Administrasi, Fasilitas Sekolah dan Lokasi Sekolah.
3) Evaluasi Kualitas Data
Menemukan adakah data atau pertanyaan yang belum terjawab sehingga bernilai kosong atau disebut dengan missing value.
2.8.3 Persiapan Data ( Data Preparation )
Persiapan data mencakup semua kegiatan untuk membangun dataset mahasiswa yang akan diterapkan ke dalam alat pemodelan, dari data mentah awal berupa dataset mahasiswa dan selanjutnya akan
melakukan proses data mining.
1) Seleksi Data Atribut yang digunakan dalam dataset adalah Sarana Pendidikan, Staff
Akademik, Pelayanan Administrasi, Fasilitas Sekolah dan Lokasi
Sekolah.
2) Pengolahan Data Mentah Pada tahap ini penulis
memastikan bahwa data yang diperoleh layak untuk dilakukan proses pengolahan.
3) Transformasi Data
Data kuisioner harus di inisialisasi terlebih dahulu ke dalam bentuk angka atau numerikal sehingga dapat dijadikan dataset yang akan
digunakan dalam pemodelan.
Inisialisasi dilakukan dengan menggunakan parameter yang sudah ditentukan.
2.8.4 Pemodelan ( Modelling )
Pada tahap pemodelan penulis melakukan tahap penelitian yang secara langsung melibatkan tehnik
data mining.
Pemilihan teknik data mining, algoritma dan menentukan
parameter dengan nilai yang optimal.
Langkah - langkahnya pada modelling adalah sebagai berikut:
1) Pemilihan teknik pemodelan
Teknik data mining yang dipilih adalah clustering dengan menggunakan algoritma K- means. Clustering dan algoritma K- means sangat tepat digunakan untuk mencapai tujuan awal penelitian
ini yaitu
menggali pengetahuan tentang tingkat kepuasan siswa terhadap proses pembelajaran
sekaligus untuk mengelompokan siswa berdasarkan pola proporsi pelayanan.
Pemodelan data mining diawali dengan
membangun aplikasi (tools) clustering set data akhir dengan algoritma K- means.
2) Tes Pengujian Desain
Tes pengujian atau tahap
pembelajaran.
Teknik clustering tidak memerlukan tahap
pembelajaran kerena clustering bersifat
unsupervised learning dan melakukan
pengelompokan secara alamiah
berdasarkan kemiripan atributnya,
berbeda dengan teknik klasifikasi lainnya.
3) Perancangan Model
Pada perancangan model penulis menggunakan tools dalam mengimplimentasi kan algoritma K- Means ke dalam teknik data mining. Untuk alur proses berjalannya
algoritma yang digunakan penulis dalam penelitian adalah sebagai berikut :
Gambar 3.6 FlowChart Alur Proses Algoritma K-Means
Alur Proses Algoritma K- Means :
1) Penulis menentukan Jumlah cluster (k) yang digunakan pada penelitian ini. Dalam penelitian ini penulis menggunakan 3 cluster awal dengan pertimbangan bahwa
cluster tersebut akan mewakili kelompok yang Puas , Cukup Puas dan Kurang Puas. Meskipun metode clustering bersifat unsupervised learning dimana tidak ada pelabelan pada hasilnya, namun dengan menentukan jumlah k = 3, diharapkan hasil cluster nanti mewakili kategori kelompok tersebut ( Puas, Cukup Puas, Kurang Puas ).
Nama cluster ditentu -kan yaitu K1, K2 dan K3.
2) Penulis menghitung jarak data dengan cluster awal yang telah ditentukan dengan menggunakan rumus Euclidean Distance.
3) Kemudian
kelompokkan data kedalam cluster berdasarkan jarak
minimum data terhadap cluster awal yang sudah dihitung dengan menggunakan Euclidean distance tadi.
4) Kemudian tentukan pusat cluster yang baru. Lalu lakukan perhitungan jarak seperti langkah 2 sebelumnya.
5) Lakukan
pengelompokkan kembali kedalam cluster baru. Lakukan iterasi sampai tidak ada selisih antara cluster pusat yang lama dengan cluster pusat yang baru sehingga berhenti pada cluster akhir.
3. HASIL DAN PEMBAHASAN 3.1 Implementasi Manual
Tahap ini adalah perhitungan manual penerapan metode clustering k-means
Algoritma K-Means merupakan salah satu algoritma data mining metode clustering yang mengelom - pokkan suatu data menjadi beberapa cluster berdasarkan kemiripan data tersebut.
Sehingga data dapat dikelompokkan menjadi beberapa cluster yang mempunyai kemiripan yang sama. K-Means digunakan untuk mengelompokkan suatu data berdasarkan hasil rata- rata jarak yang dihasilkan yang disebut centroid ( titik pusat ).
Pada percobaan yang dilakukan, peneliti ingin mengetahui bagaimana hasil pengukuran kepuasan menggunakan algoritma K- means clustering. Penelitian di lakukan kepada 200 siswa dengan menggunakan kuesioner , data set awal tersebut kemudian di proses menggunakan algoritma k- means clustering. Kemudian dilakukan penentuan centorid (titik pusat ) awal,
setelah itu dilakukan iterasi / perulangan jika jarak euclidean tidak sama dengan centroid sebelumnya. Jika jarak euclidean centroid sama dengan centroid sebelumnya maka iterasi pun berhenti dan di dapatkan hasil akhir dari data yang akan di gunakan untuk mengukur tingkat kepuasan Berikut ini merupakan Data Sampel Hasil Konversi Bidang sarana Pendidikan ( Variabel A ) :
Dat a Ke- 1
Pert any aaa n 1
Pert any aan 2
Pert any aan 3
Pert any an 4
Per tan yaa n 5
1 5 5 6 5 5
2 6 7 5 6 8
3 7 7 6 7 8
4 7 6 6 5 6
5 5 5 6 5 6
6 5 6 8 5 6
7 5 5 7 5 5
8 6 7 5 7 5
9 5 7 6 5 5
10 5 5 8 6 5
Tabel 4.1 Data sampel hasil konversi Bidang Sarana Pendidikan
Inisialisasi jawaban kuesioner:
Sangat tidak setuju
Tidak Setuju
Netral Setuju Sangat Setuju
5 6 7 8 9
Tabel 4.2 Tabel Inisialisasi jawaban kuisioner
Berikut merupakan tata cara pengisian nilai setelah dilakukan konversi:
Pertanyaan 1 2 3 4 5 Nilai 5 5 6 5 5 Tabel 4.3 Tabel Variabel 1 A Sehingga dapat diperoleh hasil perhitungan yaitu: (5+5+5+6+5) : 5 = 5,2
Pertanyaan 1 2 3 4 5 Nilai 6 7 5 6 8 Tabel 4.4 Tabel variabel 1B Sehingga dapat diperoleh hasil perhitungan yaitu: (6+7+5+6+8) : 5 = 6,4
Pertanyaan 1 2 3 4 5 Nilai 7 7 6 7 8 Tabel 4.5 Tabel Pengisian Variabel 1C Sehingga dapat diperoleh hasil perhitungan yaitu: (7+7+6+7+8) : 5 = 7 Pertanyaan 1 2 3 4 5
Nilai 7 6 6 5 6
Tabel 4.6 Tabel Pengisian Variabel 1D Sehingga dapat diperoleh hasil perhitungan yaitu: (7+6+6+5+6) : 5 = 6 Pertanyaan 1 2 3 4 5
Nilai 5 5 6 5 6
Tabel 4.7 Tabel Pengisian Variabel 1 E Sehingga dapat diperoleh hasil perhitu ngan yaitu: (5+5+5+6+5) : 5 = 5,4 3.2 Data Set Awal
Berikut ini merupakan data set awal yang terdiri dari 5 variabel berdasarkan hasil kuesioner. Variabel A merupakan data yang diperoleh dari bidang Sarana pendidikan, Variabel B merupakan data yang diperoleh dari bidang Staff Akademik, Variabel C merupakan data yang diperoleh dari bidang Pelayanan administrasi, Variabel D merupakan data yang diperoleh dari bidang Fasilitas Sekolah, Variabel E merupakan data yang diperoleh dari bidang Lokasi Sekolah.
Tabel 4.8 Data set awal Tabel 4.1 merupakan data set awal asli berdasarkan pengisian kuisioner yang telah dibagikam, terdapat 5 variabel yang digunakan, yaitu A, B, C, D, E tiap variabel mempunyai 5 pertanyaan yang kemudian di hitung nilai rata dari ke 5 data tsb , contoh hasil perolehan data ke-1:
3.3 Menentukan centroid titik pusat awal
A B C D E
K1 6,5 6,5 6,5 6,5 6,5
K2 7 7 7 7 7
K3 7,5 7,5 7,5 7,5 7,5 Tabel 4.9 Centroid (titik pusat) awal Keterangan :
K1 = Cluster pertama ( Krg Puas) K2 = Cluster kedua ( Cukup Puas ) K3 = Cluster ketiga ( Puas )
3.4 Menghitung Jarak Obyek Ke Pusat
Setelah data set awal telah ditentukan maka langkah selanjutnya merupakan perhitungan jarat terdekat mengunakan rumus euclidean distance antara data set dengan centroid awal.
Data ke-1 :
√
( ) ( ) ( ) ( )
( )
=
1,84 Data ke-2 :
√
( ) ( ) ( ) ( )
( )
= 1,73
Data Ke-3 :
√ ( ) ( )
( ) ( ) ( )
= 1,34
Data Ke-4 :
√ ( ) ( )
( ) ( ) ( )
= 1,97
Data Ke-5 :
√( ) ( ) ( ) ( ) ( )
= 1,64
Data Ke-6 :
√( ) ( ) ( ) ( ) ( )
= 1,45
Data Ke- 7 :
√( ) ( ) ( ) ( ) ( )
= 2,6
Data Ke-8 :
√ ( ) ( )
( ) ( ) ( )
= 2,82
Data Ke-9 :
√( ) ( ) ( ) ( ) ( )
= 1,43
Data Ke-10 :
√( ) ( ) ( ) ( ) ( )
= 2,93
3.5 Perhitungan Jarak Terdekat Setelah dilakukan perhitungan jarak obyek ke pusat langkah selanjutnya adalah perhitungan jarak terdekat, perhitungan dilakukan untuk semua bidang.
Data Ke-
Jarak Terdekat
K1 K2 K3
1 1,84 2,67 3,66
2 1,73 2,13 2,93
3 1,34 1,98 2,93
4 1,97 2,37 3,14
5 1,64 1,42 1,97
6 1,45 1,63 2,39
7 2,6 2,77 3,34
8 2,82 2,39 2,44
9 1,43 2,00 2,90
10 2,93 3,05 3,55 Tabel 4.10 Perhitungan Jarak
Terdekat
3.6 Mengelompokkan Obyek ke berdasar jarak minimum
Setelah mengetahui selisih jarak antar obyek dengan cluster awal, maka yang dilakukan adalah mengelompokkan obyek berdasar jarak minimum.
Data Ke-
Jarak Terdekat
K1 K2 K3
1 OK
2 OK
3 OK
4 OK
5 OK
6 OK
7 OK
8 OK
9 OK
10 OK
Tabel 4.11 Penempatan Cluster awal 3.7 Menentukan Pusat cluster baru Setelah data di kelompokkan ke dalam beberapa cluster langkah selanjutnya adalah menghitung jarak pusat cluster baru dengan menggunakan rumus euclidean distance, jika terdapat selisih pusat cluster lama dengan baru maka dilakukan proses iterasi atau perulangan pada tahapan menghitung jarak obyek ke pusat.
A B C D E
K1 6,5 6,5 6,5 6,5 6,5
K2 7 7 7 7 7
K3 7,5 7,5 7,5 7,5 7,5 Tabel 4.12 Cluster Baru Setelah dilakukan iterasi atau perulangan maka ditemukan data dengan pusat cluster lama yang sama dengan pusat cluster baru, yaitu:
A B C D E
K1 6,51 6,51 6,51 6,51 6,51 K2 7.08 7.08 7.08 7.08 7.08 K3 7,36 7,36 7,36 7,36 7,36
Tabel 4.13 Cluster Akhir
3.8 Data Akhir Hasil Pengujian Setelah dilakukan semua proses sampai iterasi atau perulangan berhenti maka akan di dapat data dengan cluster yang sudah tidak berpindah lagi dan merupakan data akhir dari pengujian eksperimen.
Data Ke-
Jarak Terdekat
K1 K2 K3
1 OK
2 OK
3 OK
4 OK
5 OK
6 OK
7 OK
8 OK
9 OK
10 OK
Tabel 4.14 Akhir Data Cluster
4.1.2 Eksperimen dan Pengujian Metode
4.1.2.1 K-Means
Setelah data di konversi dalam bentuk angka kemudian terbentuk data set awal yang menjadi bahan acuan penelitian. Kemudian menentukan 3 centroid awal
untuk mengcluster data tersebut menjadi 3 bagian.
Flowchart pada gambar di bawah merupakan langkah yang akan di implementasi kan ke dalam sistem yang akan di bangun dan menjelaskan tahap prosedur yang ada dalam sistem.
Gambar 4.1 Flowchart Program
4.2 Desain sistem dan Pengoperasiannya
Desain sistem yang
dibangun untuk
mengimplementasikan
algoritma K-means menggunakan aplikasi
berbasis website
menggunakan bahasa
pemrograman php yang
mendukung proses
pengoperasian data mining.
Penggunaan website offline masih jarang ditemui khususnya untuk pemakaian proses algoritma K-Means.
Gambar 4.2 User Interview awal dari sistem menggunakan aplikasi
website
Gambar tersebut merupakan desain tampilan awal dari sistem kepuasan siswa, Desain tersebut sudah memenuhi kriteria untuk dilakukan pengukuran kepuas an dengan menguna kan algoritma k-means. Sistem ini digunakan untuk menerapkan algoritma k-means kedalam pengukuran kepuasan siswa yang menggunakan data berdasar kan kuisioner yang di lakukan dari siswa SMP Ma’had Islam di kota Semarang.
Dalam proses
penggunaannya, algoritma k- means langkah awal yang dilakukan adalah input data.
Berikut merupakan desain interface input data.
Gambar 4.3 Input awal
Gambar tersebut menujukkan cara untuk memasukkan data, data yang telah di konversi dalam bentuk angka kemudian di masukkan user dengan memasuukan nilai angka dan menggunakan tombol Submit. Setelah itu sistem akan memasukkan data dan di simpan dalam databese sistem yang menggunakan xampp dalam proses penyimpanannya.
4.2.1 Pengoperasian sistem
Data di inputkan kedalam sistem dengan menggunakan user interface input yang kemudian tersimpan dalam data set
awal.
Gambar 4.4 Proses input data
Gambar 4.5 Data set awal Gambar tersebut menunjuk kan data set awal berdasarkan inputan yang sudah dilakuan dalam User interface input data, data tersebut merupakan data set awal yang akan digunakan dalam perhitungan algoritma K-means.
Gambar 4.6 Iterasi
Gambar tersebut menujukkan Iterasi yang dilakukan dalam proses perhitungan jika terdapat centroid baru yang tidak sama dengan centroid sebelumnya.
Gambar 4.7 centroid akhir Gambar diatas menunjukkan jarak euclidean / jarak terdekat yang dihasilkan dari proses perhitungan algoritma k-means. Proses iterasi berhenti karena tidak ada data yang berpindah cluster lagi dan nilai centroid tidak berubah.
Gambar 4.8 Grafik hasil perhitungan Gambar tersebut menujukkan grafik hasil tingkat kepuasan, berdasarkan hasil grafik kepuasan diperoleh data Tidak puas sebanyak 86 siswa atau sejumlah 43 %, Cukup puas sebanyak 69 siswa atau sejumlah 34,5 % dan Puas 45 siswa atau sejumlah 22,5 %.
4 KESIMPULAN DAN SARAN 4.1 Kesimpulan
Berdasarkan hasil penelitian dari permasalahan yang ada, dapat disimpulkan bahwa studi kasus kepuasan siswa terhadap proses pembelajaran menggunakan tehnik clustering dengan menggunakan algoritma K- Means. Data yang digunakan sebagai penelitian disini menggunakan data kuisioner siswa sekolah menengah pertama yang sifatnya rahasia.
Dari metode
Clustering data mining dengan menggunakan algoritma K-Means dan pengaplikasiannya kedalam aplikasi berbasis website menggunakan pemrograman php menghasilkan grafik kepuasan siswa dengan data kurang puas sebanyak 86 siswa atau sejumlah 43 %, cukup puas sebanyak 69 siswa atau sejumlah 34,5 % dan Puas 45 siswa atau sejumlah 22,5 %.
Berdasarkan data yang diperoleh dari proses menggunakan metode K- means, dapat menjadi acuan pada lembaga yang bersangkutan untuk melakukan perbaikan dan evaluasi untuk perbaikan pelayanan dan meningkatkan kualitas mutu pendidikan, dengan memperbaiki proses pembelajaran yang dilakukan.
4.2 Saran
Untuk pengembangan dan perbaikan dari sistem yang telah ada maka penulis memberikan saran yang bermanfaat dan dapat membantu pembaca untuk mengembangkan sistem kepuasan siswa, antara lain : 1. Menambahkan metode
lain dalam data mining
sebagai proses
perbandingan tingkat keakurasian Clustering siswa terhadap proses pembelajaran.
2. Menambahkan jumlah data set dengan mengambil lebih banyak
dataset yang digunakan dengan mengambil lebih banyak sampel sehingga data lebih kuantitatif.
3. Menggunakan sistem optimasi yang berbeda dan menggunakan metode Clustering K-Means dengan studi kasus yang sama.
4. DAFTAR PUSTAKA
5. [1] Tim PEKERTI-AA.
2007. Panduan Evaluasi Pembelajaran. Surakarta : UNS.
6. [2] Fandy Tjiptono, 2006, Manajemen Pelayanan Jasa, Penerbit Andi, Yogyakarta.
7. Tjiptono, Fandy. 2000.
Perspektif Manajemen &
Pemasaran Kontemporer.
Yogyakarta : ANDI.
8. [3] Eko Nur Wahyudi dkk. 2011, “Analisa Profil Data Mahasiswa Baru terhadap Program Studi yang dipilih di Perguruan Tinggi Swasta Jawa Tengah dengan
Menggunakan Teknik Data Mining," Jurnal Teknologi Informasi DINAMIK Volume 16, No.1, Januari 2011 : 29- 43
9. [4] Yogi Hersandi, 2015
“Implementasi Metode Cluster K-MEANS Mengukur Tingkat Kepuasan Pelayanan Bank Jateng Cabang UDINUS” Semarang:
Universitas Dian Nuswantoro.
10. [5] Andri Safriyanto, 2012 ” Perancangan Aplikasi K-Means Untuk Pengelompokan
Mahasiswa STMIK Elrahma Yogyakarta Berdasarkan Frekuensi
Kunjungan Ke
Perpustakaan Dan IPK”
Yogyakarta: STMIK Elrahma.
11. [6] Rima Dias Ramadhani, 2012 " Data Mining Menggunakan Algoritma K-Means Clustering Untuk
Menentukan Strategi Promosi Universitas Dian Nuswantoro" Semarang:
Universitas Dian Nuswantoro.
12. [7] Johan Oscar Ong, "
Data Mining
Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing President University"
Jurnal Ilmiah Teknik Industri, Vol. 12, No. 1, Juni 2013.
13. [8] Santoso, Budi.(2007), Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis, Graha Ilmu, Yogyakarta.
14. [9] Turban, E. Dkk. 2005, Decision Support Systems and Intelligent Systems : Andi
15. [10] Sitompul, Opim S., 2008, Data Warehouse dan Data Mining untuk Sistem Pendukung Manajemen, Universitas Sumatera Utara, Medan.
16. [11] Kusnawi.
2007. Pengantar Solusi Data Mining. Seminar Nasional Teknologi, Yogyakarta, pp. 1-5.
17. [12] Han, J. dan Kamber, M., 2006, “Data mining: Concepts and Techniques (2nd)”, Elsevier Inc
18. [13] Larose,
Daniel T, Discovering Knowledge in Data: An Introduction to Data Mining.: John Willey &
Sons. Inc, 2005.
19. [14] Irawan M. Isa, Satriyanto Edi, 2008,
"Virtual Pointer UntukIdentifikasi Isyarat
Tangan Sebagai
Pengendali GerakanRobot
Secara Real-
Time",Surabaya : Institut Teknologi Sepuluh Nopember Surabaya.
20. [15] Augusta, Y.
2007. K-means – Penerapan,Permasalahan dan Metode Terkait.
Jurnal Sistem dan
Informatika Vol. 3 (Februari 2007) 47-60.
21. [16] Santosa, B. 2007.
Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis.
Yogyakarta : Graha Ilmu 22. [17] Kotler, Philip,
2007, Manajemen Pemasaran, Jilid I dan II, terjemahan Hendra Teguh, Penerbit : PT.
Prenhalindo, Jakarta.
23. [18] Rangkuti,
Freddy., 2004.
Manajemen Persediaan:
Aplikasi di Bidang Bisnis, Grafindo Persada, Jakarta.
24. [19] Kasmir,
(2004). Bank dan Lembaga Keuangan Lainnya. Jakarta : PT.
Raja Grafindo Persada.
25. [20] Tjiptono, Fandy dan Gregorius Chandra. 2005. Service,
Quality dan
Satisfaction.Yogyakarta : Andi.
26. [21] Dharmesta &
Irawan. (2005).
Manajemen Pemasaran Modern. Edisi Kedua.
Yogyakarta: Liberty.
