MENGGUNAKAN METODE K-MEANS
UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA
SKRIPSI
Disusun oleh :
AYU RAHMAWATI
0934010160
J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUN NASIONAL “VETERAN”
UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA
SKRIPSI
Diajukan Untuk Memenuhi Sebagai Persyaratan Dalam Memperoleh Gelar Sarjana Komputer
Jurusan Teknik Informatika
Disusun oleh :
AYU RAHMAWATI
0934010160
J URUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUN NASIONAL “VETERAN”
J AWA TIMUR
SISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN
NILAI AKADEMIK SISWAMENGGUNAKAN METODE K-MEANS
UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA
Disusun Oleh :
AYU RAHMAWATI
0934010160
Telah disetujui untuk mengikuti Ujian Negar a Lisan Gelombang II Tahun Akademik 2013
Pembimbing Utama
Eko Pr asetyo, S.Kom, M.Kom NPT. 0718077901
Pembimbing Pendamping
Dr. Ni Ketut Sar i, MT NIP. 1965073 1199203 2001
Mengetahui,
Ketua J ur usan Teknik Infor matika Fakultas Teknologi Industri UPN ”Veteran” J awa Timur
NILAI AKADEMIK SISWAMENGGUNAKAN METODE K-MEANS
UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA
Disusun Oleh :
AYU RAHMAWATI
0934010160
Telah diper tahankan di hadapan dan diter ima oleh Tim Penguji Skr ipsi J ur usan Teknik I nfor matika Fakultas Teknologi I ndustr i
Univer sitas Pembangunan Nasional ”Veter an” J awa Timur Pada Tanggal 29 Nopember 2013
Pembimbing : Tim Penguji :
1. 1.
Eko Pr asetyo, S.Kom, M.Kom Yisti Vita Via, S.ST, M.Kom
NPT. 0718077901 NPT. 3 8604 130 347 1
2. 2.
Dr. Ni Ketut Sar i, MT Wahyu Syaifullah J S, S.Kom
NIP. 1965073 1199203 2001 NPT. 3 8608 10 0295 1
3.
Bar r y Nuqoba, S.Kom, M.Kom NIP. 1984110220121210002
Mengetahui,
Dekan Fakultas Teknologi Industr i Univer sitas Pembangunan Nasional
”Veter an” J awa Timur
PANI TIA UJ I AN SKRIPSI / KOMPREHENSIF lisan gelombang II, TA 2012/2013 dengan judul:
” SISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN NILAI AKADEMIK SISWAMENGGUNAKAN METODE K-MEANS UNTUK SISWA SDN LAKARSANTRI I/472 SURABAYA”
Surabaya, 29 Nopember 2013
Dosen Penguji yang memerintahkan revisi:
1) Yisti Vita Via, S.ST, M.Kom
Pembimbing Utama Pembimbing Pendamping
Eko Prasetyo, S.Kom, M.Kom Dr. Ni Ketut Sari, MT
NPT. 0718077901 NIP. 1965073 1199203 2001
{
}
{
}
Syukur Alhamdulillah saya panjatkan kepada Tuhan Yang Maha Esa karena atas rahmat dan hidayah, serta kehendak kuasanya penulis dapat menyelesaikan tugas akhir ini dengan judul “SISTEM PENDUKUNG KEPUTUSAN UNTUK PENGELOMPOKAN NILAI AKADEMIK SISWA
MENGGUNAKAN METODE K-MEANS UNTUK SISWA SDN
LAKARSANTRI I/472 SURABAYA.
Tugas Akhir dengan beban 4 SKS ini disusun dan diajukan sebagai salah satu syarat untuk menyelesaikan program Strata Satu (S1) pada program studi Teknik Informatika, Fakultas Teknologi Industri, Universitas Pembangunan Nasional ”Veteran” Jawa Timur Surabaya.
Disadari bahwa dalam penulisan laporan ini jauh dari kata sempurna, oleh karena itu penulis akan menerima masukan, saran dan kritik yang sifatnya membangun dari pada pembaca agar pada penulisan selanjutnya akan menjadi lebih baik lagi.
Dalam proses penyelesaian laporan ini tidak terlepas dari bantuan dan bimbingan berbagai pihak, pada kesempatan ini penulis tidak lupa menyampaikan ucapan terima kasih sedalam-dalamnya kepada semua pihak yang telah banyak membantu dan mendukung demi rampungnya laporan ini, yaitu kepada :
1. Bapak Ir. Sutiyono, MT selaku Dekan Fakultas Teknologi Industri-Universitas Pembangunan Nasional “Veteran” Jatim.
memberikan bimbingan dan kesempatan penulis untuk berkreasi dalam proses pembuatan Tugas Akhir ini.
3. Bapak Eko Prasetyo,S.Kom,M.Kom, selaku Dosen Pembimbing I yang telah giat meluangkan banyak waktu, pikiran dan tenaga di antara kesibukan beban-beban kegiatan akademik untuk memberikan ilmu serta motivasi yang sangat besar kepada penulis untuk menyelesaikan Tugas Akhir ini.
4. Orang Tua yang senantiasa mengingatkan dan mendoakan serta memberikan dukungannya supaya Tugas Akhir ini segera dapat penulis selesaikan.
5. Teman-teman spesial yang saya sayangi yang telah banyak membantu penulis. Siti Nur Hidayati, Lincahya, Dini Diroyati, Merry Kristina, dan Susanti Nur Asiyah sehingga penulis bersemangat kembali menyelesaikan tugas akhir ini.
6. Teman spesial saya yang selalu setia membantu dan mendoakan apabila penulis ada kesulitan dalam pengerjaan Tugas Akhir ini sehingga Tugas Akhir ini dapat terselesaikan
7. Dan semua orang yang tidak dapat disebutkan satu-persatu yang telah membantu penulis selama ini.
Akhirnya penulis hanya bisa berharap semoga laporan ini dapat berguna buat para pembaca dan supaya dapat bermanfaat bagi kelangsungan dan perkembangan dunia keilmuan. Sekian dan terima kasih.
Hal.
Nama : Ayu Rahmawati
NPM : 0934010160
Judul : Sistem pendukung keputusan untuk pengelompokan nilai akademik siswa menggunakan metode k-means untuk siswa SDN Lakarsantri I/472 Surabaya
Dosen Pembimbing 1 : Eko Prasetyo S.Kom, M.kom Dosen Pembimbing 2 : Dr. Ni Ketut Sari, MT
ABSTRAK
Karena banyak beragamnya nilai akademik yang ditempuh oleh para siswa yang ada di sebuah Sekolah Dasar. Maka dari semua proses pengelompokan nilai akademik siswa sangat diperlukan nilai-nilai mata pelajaran yang telah ditempuh oleh para siswa. Bagi pihak sekolah, untuk pengelompokan nilai akademik siswa ini sangat penting karena dapat mengetahui kadar kemampuan masing-masing siswa. Untuk meminimalisir kesalahan dalam pengelompokan nilai akademik siswa, dan bukan hanya menggunakan perkiraan saja.
Oleh karena itu , pada pengerjaan tugas akhir ini akan diimplementasikan sebuah aplikasi sistem pendukung keputusan untuk pengelompokan nilai akademik siswa di SDN Lakarsantri I/472 Surabaya. Variabel yang digunakan dalam sistem ini adalah variabel nilai mata pelajaran yang telah ditempuh oleh para siswa.
Dari hasil uji coba yang telah dilakukan pada penelitian tersebut, user (karyawan) dapat melakukan proses pengelompokan nilai akademik siswa secara otomatis dari sistem dan dapat mengetahui siswa-siswa siapa saja yang tergolong dalam suatu kelompok-kelompok tertentu. Dan untuk admin dapat mengelola semua data tentang nilai akademik siswa dan data diri siswa. Dengan demikian diharapkan sistem yang telah dibuat ini dapat membantu pihak sekolah dalam pengelompokan nilai akademik siswa dan membantu mengelompokkan siswa-siswi kedalam kelompok dengan lebih akurat.
PENDAHULUAN
1.1. Latar Belakang
Seiring dengan perkembangan jaman, peran komputer semakin banyak di dalam kehidupan masyarakat. Hampir semua bidang kehidupan telah menggunakan komputer sebagai alat bantu. Diharapkan pada perkembangannya, komputer dapat langsung dirasakan manfaatnya oleh masyarakat. Salah satu golongan masyarakat yang banyak menggunakan komputer adalah mahasiswa. Pada penelitian sebelumnya, penulis mencoba membangun suatu sistem untuk mengelompokkan data yang ada berdasarkan status gizi dan ukuran rangkanya dengan memasukkan parameter kondisi fisik dari orang tersebut. Pengelompokkan data dilakukan dengan menggunakan metode clustering K-Means yaitu dengan mengelompokkan n buah objek ke dalam k kelas berdasarkan jaraknya dengan pusat kelas. Dari hasil penelitian terhadap 20 data sampel diperoleh 3 kelompok mahasiswa berdasarkan nilai BMI dan ukuran rangka, yaitu : BMI normal dan kerangka besar, BMI obesitas sedang dan kerangka sedang, BMI obesitas berat dan kerangka kecil.(Rismawan, 2008)
ahli komputer mencoba membangun suatu sistem komputer yang dapat membantu para ahli dalam mengambil keputusan, sehingga dapat mengurangi resiko kesalahan yang dapat terjadi karena beberapa kekurangan yang dimiliki oleh manusia. Sistem inilah yang dikenal dengan istilah sistem pendukung keputusan. (Rismawan, 2008).
Saat ini begitu banyak data yang terdapat dalam sebuah organisasi, sehingga menimbulkan kesulitan dalam hal pengelompokkan data. Namun dengan perkembangan Teknologi Informasi (TI) terdapat berbagai macam solusi untuk mengatasi kesulitan tersebut, salah satunya adalah dengan menggunakan teknik Data Mining (DM). (Baskoro, 2010) “DM merupakan proses pencarian pola dan
relasi-relasi yang tersembunyi dalam sejumlah data yang besar dengan tujuan untuk melakukan klasifikasi, estimasi, prediksi, asosiasi rule, clustering, deskripsi dan visualisasi”. (Nango, 2012)
Penelitian terdahulu yaitu penelitian yang dilakukan dengan judul “Aplikasi K-Means Untuk Pengelompokan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka” yang memiliki tujuan untuk membangun
Pada penelitian ini, penulis mencoba membangun suatu sistem untuk mengelompokkan data yang ada berdasarkan status gizi dan ukuran rangkanya dengan memasukkan parameter kondisi fisik dari orang tersebut. Pengelompokkan data dilakukan dengan menggunakan metode clustering K-Means yaitu dengan mengelompokkan n buah objek ke dalam k kelas berdasarkan jaraknya dengan pusat kelas. Dari hasil penelitian terhadap 20 data sampel diperoleh 3 kelompok mahasiswa berdasarkan nilai BMI dan ukuran rangka, yaitu : BMI normal dan kerangka besar, BMI obesitas sedang dan kerangka sedang, BMI obesitas berat dan kerangka kecil. (Rismawan, 2008)
siswa di MAN Binong Subang. Algoritma K-Means dapat mengelompokkan (segmentasi) data yang mempunyai atribut dan mempunyai jumlah data yang banyak, sehingga dapat dimanfaatkan dalam sistem penentuan penjurusan siswa yang sesuai dengan kemampuan akademik siswa. Berdasarkan hasil analisis terhadap algoritma K-Means untuk sistem pendukung keputusan penjurusan, maka kesimpulan yang dapat diambil adalah algoritma K-Means kurang tepat untuk sistem pendukung keputusan penjurusan tetapi algoritma K-Means lebih tepat untuk mengelompokan data siswa berdasarkan data nilai yang bisa memberikan gambaran untuk penjurusan siswa. (Wijaya, 2010)
Jurnal tentang judul “Sistem Pendukung Keputusan Berbasis Pocket PC Sebagai Penentu Status Gizi Menggunakan Metode KNN (K-Nearest Neighbor)” yaitu membahas masalah gizi adalah masalah yang sangat penting yang perlu perhatian lebih. Jika seseorang tidak tahu tentang status gizi, ia tidak dapat mengontrol berapa banyak nilai gizi yang harus dibutuhkan oleh tubuhnya. Dalam penelitian ini, telah dibangun sebuah Sistem Pendukung Keputusan (DSS) untuk menghitung status gizi. Sistem ini membutuhkan kondisi fisik dari pengguna melalui antarmuka pengguna. Platform Pocket PC digunakan untuk mengembangkan DSS ini. Perhitungan status gizi berdasarkan Neighbor K-Nearest (K-NN). Metode K-NN akan mencari jarak terpendek antara data dan
Jurnal internasional tentang judul “Clustering K-Means Optimization with Multi-Objective Genetic Algorithm” yaitu dengan membahas K-Means merupakan
salah satu teknik pengelompokan dipartisi dimana setiap segmen diwakili oleh nilai rata-ratanya. Sebuah masalah dalam teknik ini adalah bahwa prosedur iterasi yang optimal tidak dapat menjamin konvergensi optimal global, karena tergantung pada titik awal. (Arkeman, 2012)
Algoritma genetika multi-tujuan dengan pendekatan pangkat Pareto dapat digunakan untuk meningkatkan K-berarti kinerja. Pendekatan ini menghasilkan seperangkat solusi yang terdiri dari beberapa bidang berdasarkan barisan mereka. Pertama Pareto depan terdiri dari solusi non-didominasi, dalam penelitian ini terdiri dari sepasang nilai dimana jarak antara titik dalam cluster adalah minimum, dan jarak antar-claster antara cluster maksimum. Minimum Davies-Bouldin indeks validitas dan jumlah cluster yang cocok digunakan untuk mengetahui
solusi optimal. (Arkeman, 2012)
Tujuan dari penelitian ini adalah untuk membandingkan dua teknik, yaitu K-sarana dan K-means dengan algoritma genetika multi-tujuan dengan non-didominasi peringkat pareto untuk data Iris. K-berarti untuk Iris Data menghasilkan indeks 0,20. K-berarti algoritma genetika multi-tujuan dengan ukuran populasi 50 dan 200 generasi menghasilkan indeks optimum 0,18 untuk jumlah cluster 3. K-berarti untuk data Wine menghasilkan indeks 0,08. K-berarti algoritma genetika multi-tujuan dengan ukuran populasi 50 dan 100 generasi. Indeks yang lebih kecil menunjukkan bahwa K-berarti algoritma genetika
Solusi pemanfaatan teknologi komputer sebagai alat bantu dalam mendukung kegiatan operasional suatu bidang usaha memudahkan manusia dalam mendapatkan data atau informasi secara cepat, tepat dan akurat sehingga efektivitas dan efisiensi kerja tercapai. K-means adalah algoritma clustering untuk
data mining yang diciptakan tahun 70an dan berguna untuk melakukan clustering secara unsupervised learning (pembelajaran yang tidak terawasi) dalam suatu kumpulan data berdasarkan parameter tertentu. Menurut Kardi (2007), K-means adalah sebuah algoritma untuk mengklasifikasikan atau mengelompokkan objek-objek (dalam hal ini data) berdasarkan parameter tertentu ke dalam sejumlah group, sehingga dapat berjalan lebih cepat daripada hierarchical clustering (jika k
kecil) dengan jumlah variable yang besar dan menghasilkan cluster yang lebih rapat. (Susanto, 2010)
Terdapat berbagai algoritma yang digunakan dalam teknik DM dengan metode clustering salah satunya adalah algoritma K-Means. “Algoritma K-Means adalah salah satu algoritma unsupervised learning yang paling sederhana yang dikenal dapat menyelesaikan permasalahan clustering dengan baik” (Mac Queen, 1967). Penulis memilih algoritma k-means dalam pengerjaan tugas akhir ini adalah karena untuk mengelompokan dengan tipe data numeric (angka) paling cocok menggunakan k-means, dan k-means sangat efisien untuk data dengan volume besar dengan cepat walaupun ada beberapa kelemahan. maka dengan itu
1.2. Rumusan Masalah
Berdasarkan latar belakang penelitian yang sudah dikemukakan di atas, maka permasalahan yang akan diteliti dalam Tugas Akhir ini akan dirumuskan sebagai berikut :
a. Bagaimana membuat sistem pendukung keputusan untuk dapat mengetahui kelompok nilai akademik siswa SDN Lakarsantri I/472 Surabaya.
b. Bagaimana menemukan siswa-siswi yang mempunyai nilai akademik yang serupa dengan menerapkan suatu sistem pendukung keputusan yang menggunakan metode k-means.
c. Bagaimana membuat sistem pendukung keputusan dengan metode k-means menggunakan bahasa pemrograman PHP, dengan menggunakan database yaitu My SQL.
d. Bagaimana membuat sistem yang hanya dapat digunakan dalam penentuan kelompok nilai akademik para siswa-siswi yang berada di dalam SDN Lakarsantri I/472 Surabaya.
1.3. Batasan Masalah
Batasan masalah yang akan ditetapkan dalam penelitian tugas akhir ini adalah ditujukan untuk membatasi ruang lingkup dari penelitian dan pengerjaan aplikasi, diantaranya sebagai berikut :
b. Dapat menemukan siswa-siswi yang mempunyai nilai akademik yang serupa dengan menerapkan suatu sistem pendukung keputusan yang menggunakan metode k-means.
c. Bahasa pemrograman yang digunakan adalah PHP dengan database yang digunakan adalah My SQL.
d. Sistem ini menggunakan metode k-means didalam menentukan pengelompokan nilai akademik para siswa SDN Lakarsantri I/472.
e. Sistem ini hanya dapat digunakan dalam penentuan kelompok nilai akademik para siswa-siswi yang berada di dalam SDN Lakarsantri I/472 Surabaya.
1.4. Tujuan Penelitian
Adapun tujuan yang di buat dari pengerjaan aplikasi tugas akhir ini adalah sebagai berikut:
a. Dapat membuat Sistem pendukung keputusan yang berguna untuk mengetahui kelompok nilai akademik siswa SDN Lakarsantri I/472 Surabaya.
b. Mampu menemukan kelompok siswa-siswi yang mempunyai nilai akademik yang sama dengan menerapkan sistem pendukung keputusan menggunakan metode k-means.
d. Sistem ini dapat berguna dan hanya dapat digunakan dalam penentuan kelompok nilai akademik para siswa-siswi yang berada di dalam SDN Lakarsantri I/472 Surabaya.
1.5. Manfaat Penelitian
Adapun manfaat yang ada dari pengerjaan tugas akhir ini adalah sebagai berikut :
a. Sistem pendukung keputusan ini dapat membantu pihak SDN Lakarsantri I/472 dalam menentukan kelompok nilai-nilai akademik siswa yang sama.
TINJ AUAN PUSTAKA
Pada bab berikut ini akan dibahas tentang dasar-dasar ilmu dan teori-teori yang digunakan sebagai penunjang permasalahan tugas akhir ini.
2.1 SDN Lakarsantri I/472 Surabaya
2.1.1 Sejar ah Singkat SDN Lakar santri I/472 Surabaya
SDN Lakarsantri I/467 Surabaya ini terletak di jalan Lakarsantri no.112 Surabaya, Sekolah Dasar Negeri ini mempunyi tanggal pendirian 31 Desember 1969. Dengan prestasi yang telah dicapai sekolah tersebut maka Badan Akreditasi Sekolah kota Surabaya memberikan peringkat akreditasi Baik (B) untuk Sekolah Dasar Negeri Lakarsantri I/472 Surabaya.
2.1.2 Visi dan Misi SDN Lakarsantri I/472 Surabaya Visi :
“Menjadi sekolah terpercaya di masyarakat untuk mencerdaskan bangsa dalam rangka menyukseskan wajib belajar”
a. Unggul dalam kelulusan
g. Unggul dalam IMTAQ
h. Unggul dalam pengembangan penilaian
i. Meningkatnya penguasaan dan penggunaan IPTEK j. Meningkatnya budaya santun
Misi :
a. Bertaqwa kepada Tuhan Yang Maha Esa
b. Menumbuhkan sikap disiplin, sopan santun, tanggung jawab, kemandirian dan kecakapan emosional untuk merendahkan diri yang bersahaja
c. Memiliki sikap dan tingkah laku terhadap lingkungan hidup
2.1.3 Tujuan SDN Lakarsantri I/472 Surabaya
a. Terlaksananya peningkatan nilai akademis dan non akademis
b. Terlaksananya pengembangan kurikulum satuan pendidikan (SK, KD, Pemetaan, Silabus, Indikator, dan RPP) untuk kelas I sampai dengan VI. c. Terlaksananya pengembangan metode dan strategi pembelajaran.
d. Terlaksananya pengembangan tenaga pendidik dan kependidikan. e. Terlaksananya pengembangan MBS.
f. Terlaksananya pengembangan pembiayaan terlaksananya pengembangan fasilitas pendidikan
g. Melalui pengelolaan dan pendayagunaan sumber dana dan potensi sekolah h. Terlaksananya pengembangan penilaian berbasis kompetensi
2.2 Tinjauan Umum
Menurut Hick (1993), Sistem pendukung keputusan sebagai sekumpulan tools komputer yang terintegrasi yang mengijinkan seorang decision maker untuk
berinteraksi langsung dengan komputer untuk menciptakan informasi yang berguna dalam membuat keputusan semi terstruktur dan keputusan tak terstruktur yang tidak terantisipasi.
K-means adalah algoritma clustering untuk data mining yang diciptakan tahun 70an dan berguna untuk melakukan clustering secara unsupervised learning (pembelajaran yang tidak terawasi) dalam suatu kumpulan data berdasarkan parameter tertentu. Menurut Kardi (2007), K-means adalah sebuah algoritma untuk mengklasifikasikan atau mengelompokkan objek-objek (dalam hal ini data) berdasarkan parameter tertentu ke dalam sejumlah group, sehingga dapat berjalan lebih cepat daripada hierarchical clustering (jika k kecil) dengan jumlah variable yang besar dan menghasilkan cluster yang lebih rapat. (Susanto, 2010)
Sebuah sistem pendukung keputusan dibuat agar dapat membantu seseorang untuk menyelesaikan permasalahan tertentu tidak terkecuali juga masalah pengelompokan nilai akademik siswa. Meskipun pengelompokan nilai siswa ini bisa hanya dengan melihat daftar nilai para siswa tetapi hal tersebut kurang efektif digunakan, dikarenakan belum tentu sesuai dengan kenyataan. Dengan itu dibuatlah sistem pendukung keputusan pengelompokan nilai akademik siswa pada Sekolah Dasar Negeri dengan menggunakan metode K-Means. Metode K-Means merupakan metode yang bisa dikatakan cocok untuk membuat sebuah
dikarenakan metode K-Means dapat menghasilkan kelompok/cluster yang tepat pengelompokan nilai-nilai akademik para siswa.
2.3 Landasan Teori
Di dalam landasan teori ini akan dibahas beberapa teori yang mendukung serta menunjang terselesaikannya proses aplikasi ini. Berikut ini adalah teori-teori yang membahas tentang aplikasi tersebut.
2.3.1 Sistem Pendukung Keputusan (SPK)
Konsep Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott Morton dengan istilah Management Decision Sistem.
Sistem Pendukung Keputusan tersebut adalah suatu sistem yang berbasis komputer yang ditujukan untuk membantu pengambil keputusan dengan memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur. Istilah SPK mengacu pada suatu sistem yang memanfaatkan dukungan komputer dalam proses pengambilan keputusan.
Untuk memberikan pengertian yang lebih mendalam, akan diuraikan 10 definisi mengenai Sistem Pendukung Keputusan / Decision Support system yang dikembangkan oleh beberapa ahli, yaitu (anoname, 2013):
a. Little (1970)
b. Alter (1990)
Membuat definisi sistem pendukung keputusan dengan membandingkannya dengan sebuah sistem pemrosesan data elektronik (PDE) / Electronic Data Processing tradisional dalam 5 hal :
SPK PDE
Penggunaan : Pasif Penggunaan : Aktif Pengguna : Operator/Pegawai Pengguna : Manajemen
Tujuan : Efisiensi Mekanis Tujuan : Efektifitas Time horizon : Masa Lalu Time horizon : Sekarang dan
masa depan Kelebihan : Konsistensi Kelebihan : Fleksibilitas
c. Keen (1980)
Sistem pendukung keputusan adalah sistem berbasis komputer yang dibangun lewat sebuah proses adaptif dari pembelajaran, pola-pola penggunan dan evolusi system.
d. Bonczek (1980)
e. Hick (1993)
Sistem pendukung keputusan sebagai sekumpulan tools komputer yang terintegrasi yang mengijinkan seorang decision maker untuk berinteraksi langsung dengan komputer untuk menciptakan informasi yang berguna dalam membuat keputusan semi terstruktur dan keputusan tak terstruktur yang tidak terantisipasi.
f. Man dan Watson
Sistem pendukung keputusan merupakan suatu sistem yang interaktif, yang membantu pengambil keputusan melalui penggunaan data dan model-model keputusan untuk memecahkan masalah yang sifatnya semi terstruktur maupun yang tidak terstruktur.
g. Moore and Chang
Sistem pendukung keputusan dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis ad hoc data, dan pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan digunakan pada saat-saat yang tidak biasa.
h. Bonczek (1980)
Sistem pendukung keputusan sebagai sebuah sistem berbasis komputer yang terdiri atas komponen-komponen antara lain komponen sistem bahasa (language), komponen sistem pengetahuan (knowledge) dan komponen sistem pemrosesan masalah.
i. Turban & Aronson (1998)
keputusan pada kondisi semi terstruktur dan tidak terstruktur. Pada dasarnya konsep DSS hanyalah sebatas pada kegiatan membantu para manajer melakukan penilaian serta menggantikan posisi dan peran
manajer.
j. Raymond McLeod, Jr. (1998)
Sistem pendukung keputusan merupakan sebuah sistem yang menyediakan kemampuan untuk penyelesaian masalah dan komunikasi untuk permasalahan yang bersifat semi-terstruktur.
2.3.2 Komponen SPK
Menurut Aji Supriyanto (2005) Sistem Pendukung Keputusan dibangun oleh tiga komponen, yaitu :
a. Database
Sistem database adalah kumpulan semua data yang dimiliki oleh perusahaan baik data dasar maupun transaksi sehari-hari.
b. Model base
Model base adalah suatu model yang perepresentasikan
permasalahan dalam format kuantitatif. c. Software System
Software System adalah paduan antara database dan model base,
setelah sebelumnya direpresentasikan kedalam bentuk model yang dimengerti oleh sistem komputer.
a. Dialog
Alat untuk berinteraksi antara komputer dengan pemakainya. Pemakai harus bisa mengerti apa arti informasi yang dihasilkan. Ini berarti, system (komputer beserta programnya) mudah dipakai (user friendly). Ditinjau dari sudut pemakainya, pemakai harus pula belajar dan
berlatih cara penggunaannya serta arti yang dihasilkan. b. Model
Model serta sistem yang membolehkan pemakai memilih model yang cocok. Tiga macam model yang biasa digunakan adalah:
1) Optimalisasi: mencari yang terbaik. Contohnya membuat jadwal, membuat perbandingan linear programming, simulasi, dan lain sebagainya.
2) Statistik / matematis: menggambarkan masalah dengan standar kuantifikasi yang ada. Contohnya forecasting, fungsi kemungkinan (probabilitas), proyeksi penjualan, dan lain sebagainya.
3) Financial, mencari kesempatan yang baru yang lebih menguntungkan. Contohnya: investasi, cash flow, manajemen resiko, dan lain sebagainya.
c. Database
d. Data
Data adalah suatu angka atau kelompok angka yang mempunyai arti atau nilai Dari uraian mengenai komponen SPK diatas, untuk mengembangkan SPK dengan metode k-means, dipilih komponen SPK sebagai berikut: Model base, Database, dan Software system.
(Lincahya, 2013)
2.3.3 Metode K-Means
Pengertian K-Means adalah suatu metode penganalisaan data atau metode Data Mining yang melakukan proses pemodelan tanpa supervisi (unsupervised) dan merupakan salah satu metode yang melakukan pengelompokan data dengan sistem partisi. Metode k-means berusaha mengelompokkan data yang ada ke dalam beberapa kelompok, dimana data dalam satu kelompok mempunyai karakteristik yang sama satu sama lainnya dan mempunyai karakteristik yang berbeda dengan data yang ada di dalam kelompok yang lain. Dengan kata lain, metode ini berusaha untuk meminimalkan variasi antar data yang ada di dalam suatu cluster dan memaksimalkan variasi dengan data yang ada di cluster lainnya. (anoname, 2013)
K-means memiliki propeti yaitu selalu ada K cluster, paling tidak memiliki
satu data dalam tiap cluster, cluster ini merupakan non-hierarki dan tidak akan terjadi overlap, dan setiap member dari sebuah cluster berdekatan di-cluster terhadap cluster lainnya karena kedekatan tidak selalu melibatkan pusat dari cluster itu. (Susanto, 2010)
2.3.4 Konsep K-Means
Dalam statistik dan mesin pembelajaran, pengelompokan K-Means merupakan metode analisis kelompok yang mengarah pada pemartisian N objek pengamatan ke dalam K kelompok (cluster) dimana setiap objek pengamatan dimiliki oleh sebuah kelompok dengan mean (rata-rata) terdekat, mirip dengan algoritma Expectation-Maximization untuk Gausian Mixture dimana keduanya mencoba untuk menemukan pusat dari kelompok dalam data sebanyak iterasi perbaikan yang dilakukan oleh kedua algoritma.
Pengelompokan data dengan metode K-Means ini secara umum dilakukan dengan algoritma sebagai berikut :
1. Tentukan jumlah kelompok
2. Alokasikan data kedalam kelompok secara acak
3. Hitung pusat kelompok (centroid/rata-rata) dari data yang ada di masing-masing kelompok
4. Alokasikan masing-masing data ke centroid/rata-rata terdekat
5. Kembali ke langkah 3, apabila masih ada data yang berpindah kelompok, atau apabila ada perubahan nilai centroid diatas nilai ambang yang ditentukan, atau apabila perubahan nilai pada fungsi objektif yang digunakan masih diatas nilai ambang yang ditentukan
(Prasetyo. 2012)
2.3.5 Algoritma K-Means
Algoritma k-means merupakan algoritma yang membutuhkan parameter input sebanyak k dan membagi sekumpulan n objek kedalam k cluster sehingga tingkat kemiripan antar anggota dalam satu cluster tinggi sedangkan tingkat kemiripan dengan anggota pada cluster lain sangat rendah. Kemiripan anggota terhadap cluster diukur dengan kedekatan objek terhadap nilai mean pada cluster atau dapat disebut sebagai centroid cluster atau pusat massa (Widyawati, 2010). Berikut rumus pengukuran jarak menurut (Santosa, 2007) :
Rumus perhitungan jarak didefinisikan sebagai berikut :
Keterangan : d = titik dokumen x = data record y = data centroid
Jarak yang terpendek antara centroid dengan dokumen menentukan posisi cluster suatu dokumen. Misalnya dokumen A mempunyai jarak yang paling
pendek ke centroid 1 dibanding ke yang lain, maka dokumen A masuk ke group 1. Hitung kembali posisi centroid baru untuk tiap-tiap centroid dengan mengambil rata-rata dokumen yang masuk pada cluster. Iterasi dilakukan terus hingga posisi group tidak berubah. Adapun rumus iterasi lainnya didefinisikan sebagai berikut :
( ) =
...∑
...(2)
Keterangan :
= nilai data record ke-1 = nilai data record ke-2 = nilai data record ke-n ∑ x = jumlah data record
K-Means merupakan algoritma clustering yang bersifat partitional yaitu
membagi himpunan objek data ke dalam sub himpunan (cluster) yang tidak overlap, sehingga setiap objek data berada tepat dalam satu cluster. Strategi
partitional-clustering yang paling sering digunakan adalah berdasarkan kriteria
square error. Secara umum, tujuan kriteria square error adalah untuk
start
Banyaknya jumlah cluster K
Tentukan pusat
Hitung jarak obyek ke pusat
Kelompokkan obyek berdasar jarak minimum
Apakah masih ada obyek yang berpindah?
ya
tidak
end
Gambar 2.1 Flowchart algoritma K-Means
Pada gambar 2.1 Tahapan proses algoritma K-Means (Widyawati, 2010), menyatakan sebagai berikut :
a. Pilih secara acak objek sebanyak k, objek-objek tersebut akan direpresentasikan sebagai mean pada cluster.
b. Untuk setiap objek dimasukan kedalam cluster yang tingkat kemiripan objek terhadap cluster tersebut tinggi. Tingkat kemiripan ditentukan dengan jarak objek terhadap mean atau centroid cluster tersebut.
c. Hitung nilai centroid yang baru pada masing-masing cluster.
2.3.6 Kelebihan dan Kelemahan K-Means
Kelebihan yang ada dalam metode k-means diantaranya adalah mampu mengelompokan objek besar dengan sangat cepat sehingga mempercepat proses pengelompokan.
Sedangkan kekurangan yang dimiliki oleh k-means sangat sensitif pada pembangkitan titik pusat awal secara random, Memungkinkan suatu gerombol tidak mempunyai anggota, Hasil pengelompokan bersifat tidak unik (selalu berubah-ubah) terkadang bagus terkadang tidak, Sangat sulit mencapai global optimum, Algoritma k-means clustering walaupun proses pengerjaannya cepat
tetapi keakuratannya tidak dijamin. (anoname, 2013)
2.3.7 Tujuan metode K-Means
Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster. (anoname, 2013)
2.3.8 Clustering
Baskoro (2010) menyatakan bahwa Clustering atau clusterisasi adalah salah satu alat bantu pada data mining yang bertujuan mengelompokkan obyek-obyek ke dalam cluster-cluster. Cluster adalah sekelompok atau sekumpulan obyek-obyek data yang similar satu sama lain dalam cluster yang sama dan dissimilar terhadap obyek-obyek yang berbeda cluster. Obyek akan
dengan lainnya. Obyek-obyek dikelompokkan berdasarkan prinsip memaksimalkan kesamaan obyek pada cluster yang sama dan memaksimalkan ketidaksamaan pada cluster yang berbeda. Kesamaan obyek biasanya diperoleh dari nilai-nilai atribut yang menjelaskan obyek data, sedangkan obyek-obyek data biasanya direpresentasikan sebagai sebuah titik dalam ruang multidimensi.
Dengan menggunakan clusterisasi, kita dapat mengidentifikasi daerah yang padat, menemukan pola-pola distribusi secara keseluruhan, dan menemukan keterkaitan yang menarik antara atribut-atribut data. Dalam data mining, usaha difokuskan pada metode-metode penemuan untuk cluster pada basis data berukuran besar secara efektif dan efisien. Beberapa kebutuhan clusterisasi dalam data mining meliputi skalabilitas, kemampuan untuk menangani tipe atribut yang berbeda, mampu menangani dimensionalitas yang tinggi, menangani data yang mempunyai noise, dan dapat diterjemahkan dengan mudah.
Gambar 2.2 Contoh Clustering (Baskoro 2010)
Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya
Dan adapun manfaat dari klasterisasi adalah : o Identifikasi obyek (Recognition) :
Dalam bidang mage Processing , Computer Vision atau robot vision o Decission Support System dan data mining
Segmentasi pasar, pemetaan wilayah, Manajemen marketing dll. (Satriyanto. 2013)
2.3.9 PHP
PHP sendiri sebenarnya merupakan singkatan dari “Hypertext Preprocessor”, yang merupakan sebuah bahasa scripting tingkat tinggi yang
dipasang pada dokumen HTML. Sebagian besar sintaks dalam PHP mirip dengan bahasa C, Java dan Perl, namun pada PHP ada beberapa fungsi yang lebih spesifik. Sedangkan tujuan utama dari penggunaan bahasa ini adalah untuk memungkinkan perancang web yang dinamis dan dapat bekerja secara otomatis. (anoname, 2013).
File html ini dikirimkan oleh server (atau file) ke
browser, kemudian browser menerjemahkan kode-kode tersebut sehingga
menghasilkan suatu tampilan yang indah. Lain halnya dengan program php, program ini harus diterjemahkan oleh Web-Server sehingga menghasilkan kode html yang dikirim ke browser agar dapat ditampilkan.
dari kode HTML. File HTML yang telah dibubuhi program php harus diganti ekstensi-nya menjadi php3 atau PHP. (Lincahya. 2013).
2.3.10 Sejar ah PHP
PHP pertama kali dibuat oleh Rasmus Lerdroft, seorang programmer C. Pada waktu itu PHP masih bernama FI (Form Interpreted), yang wujudnya berupa sekumpulan script yang digunakan untuk mengolah data form dari web. Jadi semula PHP digunakannya untuk menghitung jumlah pengunjung di dalam webnya.
Kemudian ia mengeluarkan Personal Home Page Tools versi 1.0 secara gratis. Versi ini pertama kali keluar pada tahun 1995. Isinya adalah sekumpulan script PERL yang dibuatnya untuk membuat halaman webnya menjadi dinamis.
Selanjutnya Rasmus merilis kode sumber tersebut untuk umum dan menamakannya PHP/FI, kependekan dari Hypertext Preprocessing’/Form Interpreter.
PHP versi 3.0 yang dikeluarkan oleh Rasmus sendiri bersama kelompok pengembang softwarenya.
PHP versi 4.0 keluar pada tanggal 22 Mei 2000 merupakan versi yang lebih lengkap lagi dibandingkan dengan versi sebelumnya. Perubahan yang paling mendasar pada PHP 4.0 adalah terintegrasinya Zend Engine yang dibuat oleh Zend Suraski dan Andi Gutmans yang merupakan penyempurnaan dari PHP scripting engine. (anoname, 2013)
2.3.11 Kelebihan PHP
PHP dapat berjalan di berbagai sistem operasi seperti Windows 98/NT, UNIX, LINUX, Solaris maupun Macintosh. PHP merupakan software yang open source.
Software ini juga dapat berjalan pada web server seperti PWS (Personal Web Server), Apache, IIS, AOLServer, fhttpd, phttpd dan sebagainya. PHP juga
merupakan bahasa pemograman yang dapat kita kembangkan sendiri seperti untuk menambah fungsi-fungsi baru.
Keunggulan lainnya dari PHP adalah bahwa PHP juga mendukung komunikasi dengan layanan seperti protocol IMAP, SNMP, NNTP, POP3 dan bahkan HTTP. PHP dapat diinstal sebagai bagian atau modul dari Apache web server atau sebagai CGI script yang mandiri. Banyak keuntungan yang dapat
diperoleh jika menggunakan PHP sebagai modul dari apache, di antaranya adalah: 1. Tingkat keamanan yang cukup tinggi
3. Akses ke system database yang lebih fleksibel, seperti MySQL. (anoname, 2013)
2.3.12 MySQL
Pengertian MySQL adalah sistem manajemen database SQL yang bersifat Open Source dan paling populer saat ini. Sistem Database MySQL mendukung
beberapa fitur seperti multithreaded, multi-user, dan SQL database managemen sistem (DBMS). Database ini dibuat untuk keperluan sistem database yang cepat,
handal dan mudah digunakan.
Ulf Micheal Widenius adalah penemu awal versi pertama MySQL yang kemudian pengembangan selanjutnya dilakukan oleh perusahaan MySQL AB. MySQL AB yang merupakan sebuah perusahaan komersial yang didirikan oleh para pengembang MySQL. MySQL sudah digunakan lebih dari 11 millar instalasi saat ini. (anoname, 2013).
2.3.13 Keunggulan MySQL
1) Portabilitas. MySQL dapat berjalan stabil pada berbagai sistem operasi seperti Windows, Linux, FreeBSD, Mac Os X Server, Solaris, Amiga, dan masih banyak lagi.
2) Perangkat lunak sumber terbuka. MySQL didistribusikan sebagai perangkat lunak sumber terbuka, dibawah lisensi GPL sehingga dapat digunakan secara gratis.
4) Performance tuning', MySQL memiliki kecepatan yang menakjubkan dalam menangani query sederhana, dengan kata lain dapat memproses lebih banyak SQL per satuan waktu.
5) Ragam tipe data. MySQL memiliki ragam tipe data yang sangat kaya, seperti signed / unsigned integer, float, double, char, text, date, timestamp, dan
lain-lain.
6) Perintah dan Fungsi. MySQL memiliki operator dan fungsi secara penuh yang mendukung perintah Select dan Where dalam perintah (query).
7) Keamanan. MySQL memiliki beberapa lapisan keamanan seperti level subnetmask, nama host, dan izin akses user dengan sistem perizinan yang
mendetail serta sandi terenkripsi.
8) Skalabilitas dan Pembatasan. MySQL mampu menangani basis data dalam skala besar, dengan jumlah rekaman (records) lebih dari 50 juta dan 60 ribu tabel serta 5 milyar baris.
9) Konektivitas. MySQL dapat melakukan koneksi dengan klien menggunakan protokol TCP/IP, Unix soket (UNIX), atau Named Pipes (NT).
10) Lokalisasi. MySQL dapat mendeteksi pesan kesalahan pada klien dengan menggunakan lebih dari dua puluh bahasa. Meski pun demikian, bahasa Indonesia belum termasuk di dalamnya.
12) Klien dan Peralatan. MySQL dilengkapi dengan berbagai peralatan (tool)yang dapat digunakan untuk administrasi basis data, dan pada setiap peralatan yang ada disertakan petunjuk online.
13) Struktur tabel. MySQL memiliki struktur tabel yang lebih fleksibel dalam menangani ALTER TABLE, dibandingkan basis data lainnya semacam PostgreSQL ataupun Oracle.
(anoname, 2013)
2.3.14 Kelemahan MySQL
Kelemahan MySQL dari dulu sampai sekarang itu adalah 'feature-creep', artinya MySQL berusaha kompatibel dengan beberapa standard serta berusaha memenuhinya. Sampai sini terdengar bagus, namun kalau diungkapkan kenyataannya bahwa fitur-fitur itu belum lengkap dan berperilaku sesuai standar. Selain itu kelemahan MySQL yang pantas disorot adalah dari sisi security , atau keamanan, yang agak terlalu sederhana bagi sebuah SQL Engine , meskipun tidak sesederhana SQLite yang juga datang dari dunia Open Source dan cukup digemari para Web Developer . Proyek pengembangan software MySQL diprakarsai, dan sampai sekarang masih tetap diketuai oleh Michael ''Monty'' Widenious. Software MySQL memiliki sistem lisensi ganda, yaitu Anda bisa memilih lisensi Open Source/Free Software di bawah GPL ( General Public Licence ) atau Anda juga
METODOLOGI PENELITIAN
3.1 Rancangan Penelitian
Perkembangan informasi dan teknologi berkembang secara cepat, dalam sektor teknologi informasi memiliki tantangan dalam menangani banyak hal, salah satunya dalam proses pengelompokan nilai akademik para siswa. Maka dari itu untuk mengatasi kendala yang ada dalam pengelompokan nilai akademik siswa, maka dibuatlah Sistem Pendukung Keputusan pengelompokan nilai akademik siswa, yang dapat berfungsi untuk membantu proses penentuan kelompok nilai akademik siswa agar menjadi lebih akurat dan tidak terjadi kesalahan dalam pengelompokan.
Dalam aplikasi Sistem Pendukung Keputusan untuk penentuan kelompok untuk nilai akademik siswa ini terdapat dua user yang memiliki hak akses ke Aplikasi Sistem Pendukung Keputusan (SPK). Yaitu Hak akses yang dimiliki oleh admin dan user / karyawan yaitu :
a. Admin
Admin dapat mengakses semua fasilitas aplikasi yang sudah ada dalam sistem
admin tidak melakukan proses login, maka admin tidak dapat mengakses semua
fasilitas yang sudah ada dalam sistem aplikasi yang sudah dibuat.
Setelah melakukan proses login maka admin akan masuk kedalam menu home profile. Pada halaman menu home akan terdapat beberapa menu yang
dapat diakses oleh admin yaitu home, siswa, nilai siswa, proses clustering, dan keluar. Admin dapat menggunakan dan mengakses semua fasilitas yang sudah disediakan oleh sistem.
Hak akses yang dimiliki oleh admin adalah :
o Admin dapat melihat dan mengakses profile sekolah dari SDN Lakarsantri
I/472 Surabaya.
o Siswa. admin mempunyai hak akses untuk dapat menambah daftar nama siswa baru, mengubah data siswa, dan menghapus daftar nama siswa. o Nilai siswa. Admin mempunyai hak akses untuk dapat menambah nilai
siswa baru, mengubah nilai siswa, dan menghapus nilai siswa yang sudah ada di dalam aplikasi tersebut.
o Proses clustering. Admin dapat menampilkan semua data akumulasi perhitungan pengelompokan nilai akademik siswa SDN Lakarsantri I/472. Fungsi tersebut dibagi ada tiga menu yang terdapat dalam proses clustering yaitu detail proses, detai hasil dan laporan.
• Detail proses, disini akan muncul semua perhitungan pengelompokan nilai akademik siswa
• Laporan, akan ditampilkan daftar-daftar nama dari siswa yang termasuk di dalam kelompok-kelompok tertentu.
o Keluar. Dengan menu keluar ini admin akan berhenti mengakses halaman aplikasi sistem pendukung keputusan ini, admin keluar dan langsung meninggalkan aplikasi yang sudah ada
b. Karyawan (User)
Karyawan (user) hanya dapat menggunakan fasilitas aplikasi yang sudah disediakan oleh sistem. Karyawan (user) tidak dapat menambah, mengganti / mengubah, dan menghapus data-data yang sudah ada dalam aplikasi tersebut. Untuk dapat mengakses fasilitas-fasilitas yang sudah ada dalam aplikasi tersebut, karyawan (user) juga harus melakukan proses login terlebih dahulu untuk dapat masuk dan mengakses ke dalam aplikasi yang sudah tersedia, karena apabila karyawan (user) tidak melakukan login, maka karyawan (user) tidak dapat melihat dan mengakses halaman-halaman yang sudah disediakan dalam sistem aplikasi ini.
Setelah karyawan (user) melakukan proses login maka karyawan (user) akan masuk kedalam halaman menu home profile. Pada halaman menu home terdapat beberapa menu lainnya yang juga dapat diakses oleh karyawan (user). Menu-menu lainnya yang dapat diakses oleh karyawan (user) yaitu meliputi home, nilai siswa, proses clustering, keluar.
Rincian hak akses yang dimiliki karyawan (user) adalah sebagai berikut: o Melihat profile dari SDN Lakarsantri I/472 Surabaya
o Proses Clustering. Menu ini merupakan bagian yang paling utama dari aplikasi ini yaitu sistem pendukung keputusan pengelompokan nilai akademik siswa, dalam sistem pendukung keputusan ini akan ditampilkan daftar nilai-nilai siswa dan proses pengelompokannya, ada tiga fungsi lagi yang terdapat dalam proses clustering yaitu detail proses, detai hasil dan laporan.
• Detail proses, disini akan muncul semua perhitungan pengelompokan nilai akademik siswa
• Detail hasil, akan menampilkan hasil akhir dari pengelompokan siswa, disini akan menampilkan nama-nama siswa siapa saja yang termasuk dalam kelompok-kelompok tertentu, sedangkan
• Laporan, akan ditampilkan daftar-daftar nama dari siswa yang termasuk di dalam kelompok-kelompok tertentu.
o Keluar. Jika User sudah selesai mengakses semua aplikasi yang ada, maka user dapat menekan tombol keluar dan langsung meninggalkan aplikasi
yang sudah ada.
Pada bab ini juga akan dibahas tentang konsep data, yang hanya dengan menggunakan perancangan paling sederhana yaitu dengan menggambarkan beberapa tabel yang ada dalam database . Hal ini dikarenakan tabel-tabel yang ada dalam database tidak saling berelasi, dan hanya digunakan untuk melakukan query data saja.
3.2 Perancangan Sistem
Didalam Sub-bab ini akan menjelaskan mengenai proses desain dari sistem perangkat lunak yang akan dibuat. Dalam Perancangan sistem adalah membahas proses menspesifikasikan rincian solusi yang dipilih oleh proses analisis sistem. Perancangan sistem termasuk evaluasi efektifitas dan efisiensi relative dalam perancangan sistem dalam lingkup kebutuhan keseluruhan sistem.
Proses desain sistem dalam sub-bab ini akan dibagi menjadi beberapa tahapan yaitu : perancangan proses, perancangan basis data (database), dan perancangan antar muka.
3.2.1 Perancangan Pr oses
Perancangan proses sebagai suatu sarana untuk mentransformasikan persepsi-persepsi mengenai kondisi-kondisi lingkungan ke dalam rencana yang berarti dan dapat dilaksanakan dengan teratur. Perancangan merupakan sebuah proses untuk menetapkan tindakan yang tepat di masa depan melalui pilihan-pilihan yang sistematik. Proses merupakan suatu rangkaian tindakan yang sistematis yang diarahkan untuk mencapai tujuan tertentu.
3.2.1.1 Flowchart Admin
Dalam flowchart admin ini, akan dijelaskan bagaimana alur sistem mulai dari admin melakukan proses login hingga sampai admin melakukan proses keluar dari sistem ini. Admin memiliki hak akses sepenuhnya dalam mengakses ke dalam database, admin juga dapat melakukan proses menambah data, mengubah data
Gambar di bawah ini akan menjelaskan tentang proses dari admin melakukan login sampai admin melakukan proses keluar. Flowchart admin dapat dilihat pada
Gambar 3.1.
Gambar 3.1. Flowchart admin
a. Proses login untuk admin
Sebelum admin dapat mengakses aplikasi yang ada, admin harus melakukan proses login terlebih dahulu, seperti biasa admin harus memiliki username dan password terlebih dahulu, setelah itu baru admin memasukkan username dan
password yang sudah tersedia dalam aplikasi.
b. Proses update dari data siswa
Pada aplikasi yang sudah tersedia ini admin memiliki hak akses penuh dalam pengoperasiannya. hak akses yang dimiliki admin yaitu admin dapat menambah data, mengubah data ataupun menghapus data dari semua data yang dimiliki oleh para siswa.
c. Proses update dari data nilai siswa
Pada aplikasi yang sudah tersedia ini admin memiliki hak akses penuh dalam pengoperasiannya. hak akses yang dimiliki admin yaitu admin dapat menambah data, mengubah data ataupun menghapus data nilai akademik siswa dari semua data nilai yang dimiliki oleh para siswa.
d. Proses Clustering
Pada proses clustering ini admin juga dapat mengetahui dari perhitungan dan hasil tentang pengelompokan nilai siswa. Di dalam proses ini akan ditampilkan secara lengkap tentang perhitungannya dan hasil akhirnya.
3.2.1.2 Flowchart User (karyawan)
dijelaskan secara jelas dalam flowchart user (karywan) ini, berikut ini adalah gambar yang menjelaskan tentang flowchart user dapat dilihat pada Gambar 3.2.
Gambar 3.2. Flowchart user (karyawan)
Pada Flowchart user (karyawan) ini dapat dilihat tentang bagaimana proses aplikasi ini berlangsung mulai dari pertama karyawan melakukan proses login sampai dengan karyawan melakukan proses keluar. Dari penjabaran
Flowchart 3.2, maka secara global dalam sistem pendukung keputusan ini
a. Proses login untuk karyawan
Sebelum karyawan dapat mengakses aplikasi yang tersedia, karyawan harus melakukan proses login terlebih dahulu, seperti biasa karyawan harus memiliki username dan password terlebih dahulu, setelah itu baru karyawan memasukkan
username dan password yang sudah tersedia dalam aplikasi.
b. Proses menampilkan data dari nilai siswa
Pada aplikasi yang sudah tersedia ini karyawan hanya dapat melihat data nilai dari siswa tetapi karyawan tidak dapat menambah data, mengubah data ataupun menghapus data nilai akademik siswa dari semua data nilai yang dimiliki oleh para siswa dalam aplikasi tersebut.
c. Proses Clustering
Pada proses clustering ini karyawan dapat mengetahui dari perhitungan dan hasil tentang pengelompokan nilai siswa. Di dalam proses ini akan ditampilkan secara lengkap tentang perhitungannya dan hasil akhirnya.
3.2.1.3 Flowchart Algoritma K-Means
start
Banyaknya jumlah cluster K
Tentukan pusat
Hitung jarak obyek ke pusat
Kelompokkan obyek berdasar jarak minimum
Apakah masih ada obyek yang berpindah?
ya
tidak
end
Gambar 3.3. Flowchart algoritma K-Means
Berikut ini merupakan penjelasan dari gambar 3.3, dengan algoritma K-means dilakukan cara berikut hingga ditemukan hasil iterasi yang stabil :
a. Menentukan data centroid, pada sistem ini, ditentukan bahwa centroid pertama adalah n data pertama dari data-data yang akan di-cluster.
b. Menghitung jarak antara centroid dengan masing-masing data. c. Mengelompokkan data berdasarkan jarak minimum.
3.2.2 Perancangan Basisdata (Database)
Tujuan utama dari perancangan sistem database yaitu memiliki kemampuan menyimpan seluruh data yang berguna dalam database. Untuk tahap desain database secara umum yang perlu dilakukan adalah mengidentifikasi terlebih dahulu file-file yang di perlukan oleh sistem informasi. Model database menyatakan hubungan antar rekaman yang tersimpan dalam basis data. Beberapa literatur menggunakan istilah struktur data logis. Database merupakan suatu komponen yang penting dalam sistem informasi, karena basisdata dalam penyediaan informasi untuk para pemakai. Penerapan database dalam sistem informasi disebut database system. Sistem database adalah
suatu sistem informasi yang mengintegrasi kumpulan dari data yang saling berhubungan satu dengan yang lainnya.
Perancangan basis data adalah merupakan sebuah langkah yang harus di tempuh sebelum membangun sebuah system aplikasi, karena database termasuk salah satu komponen yang penting dalam penyediaan informasi bagi para pemakai. Tetapi pada Sistem Pendukung Keputusan yang dibuat ini database yang dibuat hanya untuk menyimpan data nilai akademik siswa dan data-data lain yang tidak memiliki relasi antara satu tabel dengan tabel yang lain.
Tabel 3.1 Tabel Rincian Database
No Nama Tabel Keterangan
1. Centroid_acak Menyimpan data-data centroid awal secara acak 2. T_admin Menyimpan data-data admin
3. T_k Menentukan k yang diinginkan
4. T_nilai Menyimpan daftar nilai dari masing-masing siswa
5. T_siswa Menyimpan daftar nama dari masing-masing siswa
Tabel 3.1 tabel rincian database adalah tabel penyusun yang ada di dalam database, tabel tersebut diatas antara lain adalah tabel centroid_acak yang
berguna untuk menyimpan data centroid awal yang diperoleh dari pemilihan secara acak, t_admin digunakan untuk menyimpan data-data dari admin, t_k berguna untuk menentukan k yang akan diinginkan oleh user, t_nilai digunakan untuk menyimpan daftar nilai dari masing-masing siswa, t_siswa digunakan untuk menyimpan daftar nama dan biodata dari siswa tersebut.
Berikut ini adalah beberapa struktur tabel dan atribut tabel-tabel yang akan digunakan dalam aplikasi Sistem Pendukung Keputusan ini :
3.2.2.1 Tabel Centroid_acak
Tabel 3.2 Tabel Centroid_acak
No Nama Tipe Data Keterangan
1. No Int(11) Menyimpan data nomor urut
2. C1 Double Menentukan nilai centroid acak 1 (nilai agama) 3. C2 Double Menentukan nilai centroid acak 2 (pkn)
4. C3 Double Menentukan nilai centroid acak 3 (bahasa indonesia)
5. C4 Double Menentukan nilai centroid acak 4 (matematika)
6. C5 Double Menentukan nilai centroid acak 5 (ipa)
7. C6 Double Menentukan nilai centroid acak 6 (ips)
8. C7 Double Menentukan nilai centroid acak 7 (seni)
9. C8 Double Menentukan nilai centroid acak 8 (olahraga)
10. C9 Double Menentukan nilai centroid acak 9 (bahasa jawa)
Tabel 3.2 centroid_acak ini adalah tabel yang digunakan untuk menentukan nilai centroid awal yang dipilih secara acak. Centroid ini digunakan untuk menentukan awal dari perhitungan k-means dimulai. Dalam tabel centroid_acak ini terdapat 11(sebelas) kolom yaitu no, c1, c2, c3, c4, c5, c6, c7, c8, c9, c10. No digunakan untuk menyimpan nomor urutan data yang akan dimasukkan, c1 digunakan menentukan nilai centroid acak yang pertama yaitu untuk nilai mata pelajaran agama, c2 digunakan untuk menentukan nilai centroid acak yang kedua yaitu untuk nilai mata pelajaran pkn, c3 digunakan untuk menentukan nilai centroid acak yang ketiga yaitu untuk nilai mata pelajaran bahasa indonesia, c4 digunakan untuk menentukan nilai centroid acak yang keempat yaitu untuk nilai mata pelajaran matematika, c5 digunakan untuk menentukan nilai centroid acak yang kelima yaitu untuk nilai mata pelajaran ipa, c6 digunakan untuk menentukan nilai centroid acak yang keenam yaitu untuk nilai mata pelajaran ips, c7 digunakan untuk menentukan nilai centroid acak yang ketujuh yaitu untuk nilai mata pelajaran seni, c8 digunakan untuk menentukan nilai centroid acak yang kedelapan yaitu untuk nilai mata pelajaran olahraga, c9 digunakan untuk menentukan nilai centroid acak yang kesembilan yaitu untuk nilai mata pelajaran bahasa jawa, c10 digunakan untuk menentukan nilai centroid acak yang kesepuluh yaitu untuk nilai mata pelajaran bahasa inggris.
3.2.2.2 Tabel t_admin
Tabel 3.3 Tabel t_admin
No Nama Tipe Data Keterangan
1 id_admin Int(1) Menyimpan data id admin
2 Username Varchar(20) Menyimpan data username admin
3 Password_admin Varchar(50) Menyimpan data password
4 Nama_admin Varbinary(30) Menyimpan data nama admin 5 Jenis_kelamin Char(6) Menyimpan jenis kelamin admin 6 Alamat_admin Varchar(50) Menyimpan alamat admin
7 Level Char(1) Menyimpan data level admin
8 Status Char(1) Menyimpan data status
Tabel 3.3 t_admin yaitu tabel yang digunakan untuk menyimpan data-data yang di miliki oleh admin. Terdapat 8(delapan) kolom yaitu id_admin, username, password_admin, nama_admin, jenis_kelamin, alamat_admin, level, status.
id_admin digunakan untuk menyimpan id setiap data yang dimasukkan, username digunakan untuk menyimpan username setiap data yang dimasukkan, password_admin digunakan untuk menyimpan password yang dimasukkan,
nama_admin digunakan untuk menyimpan nama admin, jenis_kelamin untuk menyimpan jenis kelamin admin, alamat_admin digunakan untuk menyimpan alamat admin, level digunakan untuk mengetahui level para admin, status digunakan untuk mengetahui status admin
3.2.2.3 Tabel t_k
Tabel 3.4 Tabel t_k
No Nama Tipe Data Keterangan
1 No Int(11) Menyimpan data nomor urutan
2 K Int(11) Digunakan untuk menyimpan data cluster / kelompok yang akan dipilih oleh user
yaitu no dan k. No digunakan untuk menentukan nomor urutan yang akan digunakan, sedangkan k adalah digunakan untuk menentukan dan menyimpan data cluster yang akan digunakan oleh user.
3.2.2.4 Tabel t_nilai
Tabel 3.5 Tabel t_nilai
No Nama Tipe Data Keterangan
1 id_nilai Int(11) Menyimpan data id_nilai 2 id_siswa Int(11) Menyimpan data id_siswa 3 Agama Double Menyimpan data nilai agama
4 Pkn Double Menyimpan data nilai pkn
5 B_indonesia Double Menyimpan data nilai bahasa indonesia 6 Matematika Double Menyimpan data nilai matematika
7 IPA Double Menyimpan data nilai IPA
8 IPS Double Menyimpan data nilai IPS
9 Seni Double Menyimpan data nilai seni 10 Olahraga Double Menyimpan data nilai olahraga 11 B_jawa Double Menyimpan data nilai bahasa jawa 12 B_inggris Double Menyimpan data nilai bahasa inggris
3.2.2.5 Tabel t_siswa
Tabel 3.6 Tabel t_siswa
No Nama Tipe Data Keterangan
1 id_siswa Int(11) Menyimpan id dari data siswa
2 No_induk Int(7) Menyimpan no_induk dari data siswa 3 Nama_siswa Varchar(45) Menyimpan nama_siswa data siswa 4 Alamat_siswa Varchar(50) Menyimpan alamat_siswa
5 Jenis_kelamin Char(1) Menyimpan jenis_kelamin siswa Tabel 3.6 t_siswa adalah tabel yang digunakan untuk menyimpan data-data siswa yang bersekolah di SDN Lakarsantri I/472 Surabaya. Dalam tabel t_siswa ini terdapat 5(lima) kolom yaitu id_siswa, no_induk, nama_siswa, alamat_siswa, jenis_kelamin. Kolom id_siswa adalah kolom yang digunakan untuk menyimpan id data siswa, kolom no_induk yaitu digunakan untuk menyimpan nomor induk dari data siswa, alamat_siswa yaitu kolom yang digunakan untuk menyimpan alamat dari data siswa, jenis_kelamin adalah kolom yang digunakan untuk menyimpan jenis kelamin dari data siswa.
3.2.3 Rancangan Interface
yang dipakai orang untuk berkomunikasi sehari-harinya. Praktis, semua pengguna komputer dan Internet (kecuali mungkin anak kecil yang memakai komputer untuk belajar membaca) dapat mengerti tulisan.
Pada perancangan interface akan dibuat beberapa rancangan untuk menu-menu pada aplikasi yang akan dibuat.
3.2.3.1 Rancangan Interface Untuk Admin a. Rancangan Halaman Login
Halaman login ini adalah halaman yang digunakan bagi admin untuk melakukan proses login supaya admin dapat mengakses aplikasi-aplikasi lain yang sudah tersedia di dalam aplikasi tersebut. Rancangan halaman login admin dapat dilihat pada Gambar 3.4.
Gambar 3.4 Rancangan Halaman Login Untuk Admin
b. Rancangan Halaman Home
Rancangan halaman home admin dapat dilihat pada Gambar 3.5.
Profil Sekolah SDN Lakarsantri I/472 Surabaya
Web Sistem Keputusan K-Means
Gambar 3.5 Rancangan Halaman Home Admin c. Rancangan Halaman Siswa
Pada halaman siswa ini administrator dapat melihat semua data-data dari para siswa. Administrator juga dapat melakukan pengolahan data seperti menambah daftar siswa baru, mengubah daftar nama siswa, dan menghapus daftar nama siswa. Rancangan halaman siswa dapat dilihat pada Gambar 3.6.
Data Siswa :
Gambar 3.6 Rancangan Halaman Siswa Nilai Siswa
Siswa
Home Proses Klustering Keluar
Data Alamat
Home Siswa Nilai Siswa Proses Klustering Keluar
Action
d. Rancangan Halaman Nilai Siswa
Pada halaman nilai siswa ini administrator dapat melakukan pengolahan data nilai akademik siswa, yaitu menambah, mengubah, dan menghapus data dari nilai siswa. Pada halaman nilai siswa ini akan ditampilkan semua data nilai akademik siswa yang ada di dalam database. Rancangan halaman nilai akademik siswa dapat dilihat pada Gambar 3.7.
DATA NILAI SISWA
Gambar 3.7 Rancangan Halaman Data Nilai
e. Rancangan Halaman Pr oses Clustering
Pada halaman proses clustering administrator dapat melakukan pengolahan data nilai akademik siswa. Pada halaman proses cluster ini data akan ditampilkan dalam bentuk tabel kemudian ada menu yang dapat digunakan untuk menampilkan proses perhitungan pengelompokan nilai. Pada halaman ini admin juga dapat memilih proses perhitungan pengelompokan
nilai akademik siswa untuk mengetahui siswa-siswi siapa saja yang termasuk di dalam cluster-cluster yang telah disediakan di dalam aplikasi yang sudah ada. Rancangan halaman proses clustering dapat dilihat pada Gambar 3.8.
Data dikluster dengan K =
Data Awal
Gambar 3.8 Rancangan Halaman Proses Clustering
f. Rancangan Halaman Keluar
Halaman keluar merupakan halaman yang paling akhir dari aplikasi Sistem Pendukung Keputusan ini. Halaman keluar ini digunakan apabila admin sudah menggunakan semua fasilitas menu yang ada dalam aplikasi ini, dan admin ingin keluar dan ingin meninggalkan aplikasi yang sudah tersedia. Gambar di bawah ini merupakan rancangan halaman keluar admin, dapat dilihat pada Gambar 3.9
Home Siswa Nilai Siswa Proses Klustering Keluar
Gambar 3.9 Rancangan Halaman Keluar
3.1.4.2 Rancangan Interface Untuk User (Karyawan) a. Rancangan Halaman Login Untuk Karyawan
Halaman login ini adalah merupakan halaman yang utama dalam aplikasi ini. Halaman login ini merupakan halaman yang digunakan bagi karyawan untuk melakukan proses login supaya user / karyawan dapat mengakses aplikasi-aplikasi lain yang sudah tersedia di dalam aplikasi Sistem Pendukung Keputusan ini. Rancangan halaman login dapat dilihat pada Gambar 3.10.
Gambar 3.10 Rancangan Halaman Login
Keluar Home Siswa Nilai Siswa Proses Klustering
b. Rancangan Halaman Home Untuk Karyawan
Halaman home untuk karyawan ini adalah halaman yang merupakan halaman awal dari aplikasi ini, yaitu setelah user / karyawan melakukan proses login maka akan langsung dialihkan ke halaman home. Di dalam halaman
home ini akan memuat tentang profile dari SDN Lakarsanri I/472 Surabaya, halaman yang memuat tentang visi dan misi dari sekolahan tersebut. Rancangan halaman home dapat dilihat pada Gambar 3.11.
Profil Sekolah SDN Lakarsantri I/472 Surabaya
Web Sistem Keputusan K-Means
Gambar 3.11 Rancangan Halaman Home Karyawan
c. Rancangan Halaman Nilai Siswa
Halaman nilai siswa ini digunakan untuk melihat daftar nilai akademik siswa siswi sekolah dasar . User/karyawan dapat melihat kolom nilai akademik siswa yang telah tersedia di dalam aplikasi SPK ini, kolom tersebut yaitu no.induk siswa, nama siswa, beserta nilai-nilai mata pelajaran yang telah ditempuh oleh para siswa. Rancangan halaman Nilai Siswa dapat dilihat pada Gambar 3.12.
Gambar 3.12 Rancangan Halaman SPK Nilai Siswa
d. Rancangan Halaman Pr oses Clustering
Halaman proses clustering merupakan halaman inti dari aplikasi Sistem Pendukung Keputusan ini, karena pada halaman proses clustering ini user / karyawan dapat melakukan proses menentukan kelompok siswa. mengetahui kelompokelompok dengan menggunakan perhitungan dalam algoritma k-means. Pada halaman proses clustering ini user dapat memilih detail proses dari perhitungan pengelompokan nilai akademik siswa untuk mengetahui siswa-siswi siapa saja yang termasuk di dalam cluster-cluster yang telah disediakan, dan ada detail hasil dan laporan untuk mengetahui nama siswa yang termasuk didalamnya. Rancangan halaman proses clustering dapat dilihat pada Gambar 3.13
Home Nilai Siswa Proses Clustering Keluar
Data Nilai Siswa
No No.induk Nama siswa Nilai Mata Pelajaran
Data dikluster dengan K =
Data Awal
Gambar 3.13 Rancangan Halaman Proses Clustering
e. Rancangan Halaman Keluar
Halaman keluar ini merupakan halaman yang paling akhir dalam sistem aplikasi ini. Halaman keluar ini digunakan apabila karyawan / user ingin keluar dan meninggalkan aplikasi yang tersedia. Rancangan halaman keluar dapat dilihat pada Gambar 3.14
Gambar 3.14 Rancangan Halaman Keluar
Home Siswa Nilai Siswa Proses Klustering Keluar
No No.Induk Nilai Akademik Siswa ... Proses Home Nilai Siswa Proses Klustering
