KANDIDAT PESERTA LOMBA AKADEMIK DAN NON- AKADEMIK DENGAN METODE FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS.

(1)

SKRIPSI

Oleh:

DIMAS TRI HANDOKO

0934010173

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

(2)

NEIGHBOR IN EVERY CLASS

Disusun Oleh :

DIMAS TRI HANDOKO

0934010173

Telah Dipertahankan Dihadapan dan Diterima Oleh Tim Penguji Skr ipsi Pr ogram Studi Teknik Infor matika Fakultas Teknologi Industri

Univer sitas Pembangunan “Veteran” J awa Timur Pada Tanggal : 13 J uni 2014

Pembimbing : Tim Penguji :

1.

Budi Nugroho, S.Kom, M.Kom NIP. 380090502051 1.

Eko Pr asetyo, S.Kom, M.Kom. NIDN. 0718077901 2.

Dr. Ir. Ni Ketut Sar i, MT. NIP. 19650731199203 2 001

2.

Henni Endah W, ST, M.Kom NIP. 378091303481 3.

Intan Yuniar P, S.Kom, M.Sc NIP. 380060401981

Mengetahui,

Dekan Fakultas Teknologi Industri

Univer sitas Pembangunan “Veteran” J awa Timur

(3)

tr(ADEMIK

DENGAN

METODE FVZZY

K.NEAREST

NEIGHBOR

IN

EVERY

CLASS

Disusun Oleh

:

DIMAS

TRI

HANDOKO

093401 4173

Telah dipertahankan dihadapan

dan diterima

oleh

Tim Penguji

Skripsi Program

Studi Teknik lnformatika

Fakultas

Teknologi

lndustri

Universitas

Pembangunan

Nasional "Veteran" Jawa

Timur

Fernbimb

,nn

/

Pada Tanggal

:

13

Juni

2014

,i

/l/

rimPenguii

:

(-'{'{l

,/4

rt

t */\

I

Eko Prasetvo.

s.Kom.

M.K,om

Budi

Nuqroho.

s.Kom.

M.Kom ltrDN.

071807790{

Npr.

_38009050205{

L

I\r

-J-V1g

r

W

2. : t'

)

! ! I

,

I

Dr.

Ir. Ni

Ketut Sari.

MT.

ilflP. 19650731199203

2

001

Henni

EnCah W.. ST.. M.KoE

NPT. 3780e1399481

ln

^

3

(-,

{"ir

l/(D

!$L+-lntan, Yuniar P. S.Kom. M.Sc

NPT. 38006040198{

Mengetahui

Dekan Fakultas Teknologi lndustri

(4)

tr(ADEMIK

DENGAN

METODE FVZZY

K.NEAREST

NEIGHBOR

IN

EVERY

CLASS

Disusun Oleh

:

DIMAS

TRI

HANDOKO

093401 4173

Telah dipertahankan dihadapan

dan diterima

oleh

Tim Penguji

Skripsi Program

Studi Teknik lnformatika

Fakultas

Teknologi

lndustri

Universitas

Pembangunan

Nasional "Veteran" Jawa

Timur

Fernbimb

,nn

/

Pada Tanggal

:

13

Juni

2014

,i

/l/

rimPenguii

:

(-'{'{l

,/4

rt

t */\

I

Eko Prasetvo.

s.Kom.

M.K,om

Budi

Nuqroho.

s.Kom.

M.Kom ltrDN.

071807790{

Npr.

_38009050205{

L

I\r

-J-V1g

r

W

2. : t'

)

! ! I

,

I

Dr.

Ir. Ni

Ketut Sari.

MT.

ilflP. 19650731199203

2

001

Henni

EnCah W.. ST.. M.KoE

NPT. 3780e1399481

ln

^

3

(-,

{"ir

l/(D

!$L+-lntan, Yuniar P. S.Kom. M.Sc

NPT. 38006040198{

Mengetahui

Dekan Fakultas Teknologi lndustri

(5)

NEIGHBOR IN EVERY CLASS

Disusun Oleh :

DIMAS TRI HANDOKO

0934010173

Telah Disetujui Mengikuti Ujian Negara Lisan Gelombang V Tahun Akademik 2013 / 2014

Menyetujui,

Pembimbing I

Eko Pr asetyo, S.Kom, M.Kom. NIDN. 0718077901

Pembimbing II

Dr. Ir. Ni Ketut Sar i, MT. NIP. 19650731199203 2 001

Mengetahui,

Ketua Program Studi Teknik Infor matika Fakultas Teknologi Industri

Univer sitas Pembangunan “Veteran” J awa Timur

(6)

KATA PENGANTAR

Puji syukur saya panjatkan kehadirat Allah SWT karena atas rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan Laporan Penelitian Tugas Akhir di TK-ANNUR, Rungkut Menanggal, Surabaya. Tugas Akhir ini merupakan salah satu syarat dalam menyelesaikan perkuliahan di Universitas Pembangunan Nasional “Veteran” Jawa Timur program Sarjana Jurusan Teknik Informatika. Selain itu juga dapat menambah wawasan dan pengalaman bagi saya. Di kesempatan ini, penulis hendak menyampaikan rasa penghormatan yang setinggi-tingginya serta rasa terima kasih kepada pihak-pihak yang telah berjasa memberi bantuan baik itu berupa moril maupun material dan langsung maupun tidak langsung kepada:

1. Bapak Ir. Sutiyono, MT, selaku Dekan Fakultas Teknologi Industri, semoga FTI dapat terus maju dan berkembang.

2. Ibu Dr. Ir. Ni Ketut Sari, M.T, selaku Ketua Jurusan Teknik Informatika UPN “Veteran” Jawa Timur dan dosen pembimbing II saya yang selalu sabar dan pengertian untuk meluangkan pikiran, tenaga dan waktunya di sela-sela jadwal kegiatan akademik beliau yang padat.

(7)

4. Ibu Kholifah, S. Pd, selaku Kepala Sekolah TK-ANNUR yang selalu berbaik hati dan memperkenankan saya untuk melakukan penelitian di Sekolah beliau. 5. Seluruh Guru dan Staff pengajar TK-ANNUR, yang membantu saya dalam

melakukan riset atau penelitian di TK-ANNUR.

6. Kedua orang tua, kedua kakak perempuan saya Ike Christanty dan Dwi Puspitasari, serta Mas Didik, Indy, Badra yang saya cintai serta keluarga saya, yang banyak memberikan do’a, kasih sayang, cinta, kesabaran serta bimbingan, dan semangat kepada saya dalam Penulisan Laporan Tugas Akhir ini.

7. Kekasih tercinta saya Amanda Septi Rachmawati, yang selalu memberikan semangat serta motivasi di setiap waktu saya, baik senang maupun susah. 8. Teman terbaik saya Mas Iir, Mas Yusuf, Vicko, dan Pihak lainnya yang tidak

bisa saya sebutkan satu persatu yang selalu memberikan motivasi dan telah membantu kelancaran dalam menyelesaikan tugas akhir dan penulisan laporan.

Saya menyadari bahwa laporan ini masih banyak kekurangan dan jauh dari sempurna, oleh karena itu saya sangat mengharapkan saran dan masukan demi kesempurnaan laporan ini. Dan Penulis berharap untuk kedepannya agar laporan ini bisa menjadi acuan dalam dunia informatika di teknik informatika UPN “Veteran” Jawa Timur.

Surabaya, 27 Mei 2014

(8)

Nama : Dimas Tri Handoko NPM : 0934010173

Judul : Kandidat Peserta Lomba Akademik Dan Non-Akademik Dengan Metode Fuzzy K-Nearest Neighbor In Every Class

Dosen Pembimbing I : Eko Prasetyo, S.Kom, M.Kom. Dosen Pembimbing II : Dr. Ir. Ni Ketut Sari, MT.

ABSTRAK

Banyak sekolah yang memanfaatkan data dari laporan kegiatan akademik siswanya untuk lebih mengetahui dan memahami siswanya, maupun menyelesaikan permasalahan tertentu, seperti proses memilih kandidat peserta lomba baik akademik maupun non-akademik. Kesulitannya terdapat pada siswa mana saja yang tepat untuk mewakili atau memenuhi kriteria untuk mengikuti kegiatan tersebut, dikarenakan proses tersebut masih dilakukan dengan cara manual, sehingga membutuhkan waktu yang cukup lama dan dinilai kurang efisien. Dengan memanfaatkan data akademik siswa, secara langsung dapat mengefisiensikan waktu dan tenaga. Teknik klasifikasi yang dapat digunakan dalam penelitian ini adalah metode Fuzzy K-Nearest Neighbor In Every Class

(FK-NNC) yang merupakan modifikasi dari K-Nearest Neighbor (K-NN) dan Fuzzy K-Nearest Neighbor (FK-NN), yaitu cara klasifikasi yang sederhana, mudah dan cepat, maka diharapkan mendapatkan hasil yang lebih baik dari proses modifikasi dua metode tersebut dan dirasakan metode yang cukup tepat. Aplikasi Kapelo memilih kandidat peserta lomba akademik dan non-akademik dengan mengklasifikasikannya menjadi dua kelas, yaitu kelas mampu dan belum mampu. Hasil penelitian menunjukkan bahwa akurasi prediksi yang diberikan FK-NNC untuk data uji sebanyak 21 ke 63 data latih dan besarnya akurasi secara berurut untuk K=3, K=5 dan K=7 sebesar 9.52%, 23.81% dan 33.33%

(9)

DAFTAR ISI

Halaman

KATA PENGANTAR ... i

ABSTRAK ... iii

DAFTAR ISI ... iv

DAFTAR TABEL ... ix

DAFTAR GAMBAR ... x

DAFTAR PERSAMAAN ... xiv

BAB I ... 1

PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 10

1.3 Batasan Masalah ... 10

1.4 Tujuan ... 11

1.5 Manfaat ... 11

BAB II ... 13

TINJAUAN PUSTAKA... 13

(10)

2.2 Tinjauan Umum ... 14

2.3 Landasan Teori ... 15

2.3.1 Klasifikasi ... 15

2.3.1.1 Konsep ... 17

2.3.1.2 Model ... 17

2.3.1.3 Pengukuran Kinerja Klasifikasi ... 20

2.3.2 K-Nearest Neighbor ... 23

2.3.2.1 Algoritma K - Nearest Neighbor ... 25

2.3.3 Fuzzy K-Nearest Neighbor ... 26

2.3.3.1 Algoritma Fuzzy K - Nearest Neighbor ... 28

2.3.4 Fuzzy K-Nearest Neighbor in Every Class ... 28

2.3.4.1 Konsep Fuzzy K - Nearest Neighbor in Every Class ... 29

2.3.4.2 Algoritma Fuzzy K - Nearest Neighbor in Every Class ... 31

BAB III... 33

METODE PENELITIAN ... 33

3.1 Rancangan Penelitian ... 33

3.1.1 Analisa Kebutuhan ... 33

3.1.1.1 Kebutuhan Fungsionalitas ... 34

(11)

b. User (Guru) ... 39

3.1.1.2 Kebutuhan Non-fungsionalitas ... 43

3.1.1.3 Kebutuhan Data ... 43

3.2 Perancangan Sistem... 45

3.2.1 Use Case Diagram ... 45

3.2.2 Activity Diagram ... 46

3.2.2.1 Activity Diagram (Admin)... 47

3.2.2.2 Activity Diagram (User) ... 55

3.2.3 Class Diagram ... 57

3.2.4 Perancangan sistem basis data (database) ... 58

3.2.4.1 Tabel akurasi_k3... 60

3.2.4.4 Tabel id_login ... 63

3.2.4.5 Tabel k3 ... 64

3.2.4.6 Tabel k5 ... 65

3.2.4.7 Tabel k7 ... 65

3.2.4.8 Tabel siswa ... 67

(12)

3.2.5.1 Rancangan Antarmuka (Interface) Untuk Admin ... 69

3.2.5.2 Rancangan Antarmuka (Interface) Untuk (User) ... 77

3.3 Rancangan Uji Coba Evaluasi ... 82

3.4 Jadwal Kegiatan Penelitian ... 83

BAB IV ... 86

HASIL DAN PEMBAHASAN ... 86

4.1 Implementasi ... 86

4.1.1 Perangkat sistem ... 87

4.1.2 Implementasi Aplikasi Admin ... 88

4.1.3 Implementasi Aplikasi User (Guru) ... 104

4.2 Hasil Uji Coba dan Evaluasi ... 112

4.2.1 Uji coba perhitungan FK-NNC ... 112

4.2.2 Uji coba akurasi FK-NNC ... 127

4.2.2.1 Uji coba akurasi K=3 ... 128

4.2.2.4 Laporan hasil akurasi K=3, K=5 dan K=7 ... 137

BAB V ... 139

(13)

5.1 Kesimpulan ... 139

5.2 Saran ... 141

DAFTAR PUSTAKA ... 142

(14)

DAFTAR TABEL

Halaman

Tabel 2.1 Matriks Konfusi untuk klasifikasi dua kelas... 22

Tabel 3.1 Tabel Rincian Database ... 59

Tabel 3.2 Tabel akurasi_k3 ... 60

Tabel 3.5 Tabel id_login ... 63

Tabel 3.6 Tabel k3 ... 64

Tabel 3.9 Tabel siswa ... 67

Tabel 4.1 konfusi matriks ... 128

Tabel 4.2 data uji akurasi k=3 ... 129

Tabel 4.3 hasil konfusi matriks K=3 ... 130

(15)

DAFTAR GAMBAR

Halaman

Gambar 2.1 Struktur Organisasi TK AN-NUR ... 14

Gambar 2.2 Flowchart Proses Pengerjaan Klasifikasi ... 18

Gambar 2.3 K-NN dengan nilai K-tetangga: (a)(1-NN), (b)(2-NN), (c)(3-NN), (d)(7-NN) ... 24

Gambar 2.4. Konsep K tetangga terdekat dari setiap kelas, untuk K = 3 ... 30

Gambar 3.1 Desain Image Gallery ... 44

Gambar 3.2 Use Case Diagram ... 46

Gambar 3.3 Login Activity Diagram ... 47

Gambar 3.4 Memasukkan Data Perhitungan Activity Diagram ... 48

Gambar 3.5 Memasukkan Data Siswa Activity Diagram ... 49

Gambar 3.6 Mengubah Data Siswa Activity Diagram ... 50

Gambar 3.7 Menghapus Data Siswa Activity Diagram ... 51

Gambar 3.8 Melihat Akurasi Activity Diagram ... 52

Gambar 3.9 Melihat Kontak Activity Diagram ... 53

Gambar 3.10 Logout Activity Diagram ... 54

Gambar 3.11 Memasukkan Data Perhitungan Activity Diagram ... 55

Gambar 3.12 Melihat Data Siswa Activity Diagram ... 56

Gambar 3.13 Memasukkan Data Kontak Activity Diagram ... 57

Gambar 3.14 Class Diagram ... 58

(16)

Gambar 3.16 Rancangan Halaman Perhitungan Sederhana (Admin) ... 70

Gambar 3.17 Rancangan Halaman Perhitungan Lengkap (Admin) ... 71

Gambar 3.18 Rancangan Data Siswa (Admin) ... 72

Gambar 3.19 Rancangan Halaman Akurasi K = 3 (Admin) ... 73

Gambar 3.22 Rancangan Halaman Kontak (Admin) ... 76

Gambar 3.23 Rancangan Halaman User (Admin) ... 76

Gambar 3.24 Rancangan Halaman Beranda (User) ... 77

Gambar 3.25 Rancangan Halaman Perhitungan Sederhana (User) ... 78

Gambar 3.26 Rancangan Halaman Perhitungan Lengkap (User) ... 79

Gambar 3.27 Rancangan Halaman Data Siswa (User) ... 80

Gambar 3.28 Rancangan Halaman Kontak (User) ... 81

Gambar 3.29 Rancangan Halaman Admin (User) ... 82

Gambar 3.30 Jadwal Kegiatan Penelitian ... 84

Gambar 4.1 hasil implementasi Halaman Admin (User) ... 89

Gambar 4.2 hasil implementasi halaman beranda (Admin) bagian atas ... 90

Gambar 4.3 hasil implementasi halaman beranda (Admin) bagian bawah ... 91

Gambar 4.4 hasil implementasi halaman perhitungan sederhana (Admin) ... 92

Gambar 4.5 hasil implementasi halaman hasil perhitungan sederhana (Admin) ... 93

Gambar 4.6 hasil implementasi halaman perhitungan lengkap (Admin) ... 94

(17)

Gambar 4.8 hasil implementasi halaman data siswa(Admin) ... 96

Gambar 4.9 hasil implementasi halaman fungsi data siswa(Admin) ... 97

Gambar 4.10 hasil implementasi halaman edit data siswa(Admin) ... 98

Gambar 4.11 hasil implementasi halaman akurasi K=3(Admin) ... 100

Gambar 4.12 hasil implementasi halaman akurasi K=5 (Admin) ... 101

Gambar 4.13 hasil implementasi halaman akurasi K=7 (Admin) ... 102

Gambar 4.14 hasil implementasi halaman Kontak (Admin) ... 104

Gambar 4.15 hasil implementasi halaman User (Admin) ... 104

Gambar 4.16 hasil implementasi halaman beranda (User) bagian atas ... 106

Gambar 4.17 hasil implementasi halaman beranda (User) bagian bawah ... 107

Gambar 4.18 hasil implementasi halaman perhitungan sederhana (User)... 107

Gambar 4.19 hasil implementasi halaman hasil perhitungan sederhana (User) . 108 Gambar 4.20 hasil implementasi halaman perhitungan lengkap (User) ... 109

Gambar 4.21 hasil implementasi halaman hasil perhitungan lengkap (Admin) .. 110

Gambar 4.21 hasil implementasi halaman data siswa(User) ... 111

Gambar 4.22 hasil implementasi halaman Kontak (User) ... 112

Gambar 4.23 contoh data uji ... 113

Gambar 4.24 perhitungan jarak pada data uji... 118

Gambar 4.25 perhitungan jarak data uji ke kelas 0 K=3 ... 119

(18)

Gambar 4.32 perhitungan D (a) K=3, (b) K=5, (c) K=7 ... 124

Gambar 4.33 perhitungan nilai keanggotaan K=3 ... 126

(19)

DAFTAR PERSAMAAN

Persamaan 2.1 ... 22

(20)

(21)

1.1 Latar Belakang

TK AN-NUR, merupakan salah satu sekolah Taman Kanak-kanak Swasta di Surabaya yang sering mengikuti berbagai kegiatan terutama perlombaan baik akademik maupun non-akademik. Permasalahan yang ditemukan, yaitu pada proses memilih kandidat siswa yang akan ditunjuk untuk mengikuti kegiatan tersebut. Kesulitannya terdapat pada siswa mana saja yang tepat untuk mewakili atau memenuhi kriteria untuk mengikuti kegiatan tersebut. Hal ini dikarenakan proses siswa masih dilakukan dengan manual, sehingga membutuhkan waktu yang cukup lama dan dinilai kurang efisien.

(22)

adanya modifikasi dari kedua metode tersebut diharapkan menghasilkan klasifikasi yang sederhana, mudah, cepat, dan akurasinya lebih tinggi dari kedua metode tersebut sebelum dimodifikasi agar dapat dimanfaatkan dalam membuat aplikasi klasifikasi kompetensi siswa berdasarkan data akademik siswa.

Oleh karena adanya aplikasi tersebut dapat membantu mengatasi permasalahan siswa yang berkompeten dengan waktu lebih cepat dan efisien.

(23)

perikanan, pelayaran, perkebunan, kehutanan, pembangunan gedung, penataan wilayah, dan kesehatan. Selain itu, yang tak kalah pentingnya adalah prediksi iklim sangat berguna untuk melakukan adaptasi dan mitigasi terhadap pemanasan

global (global warming). Dari penjelasan di atas, maka diperlukan suatu sistem yang dapat memprediksi kondisi iklim di Indonesia. Informasi iklim dapat berupa curah hujan yang diberikan secara berkala (bulanan, tahunan), selalu diperbaharui (update), dan saat itu juga (real time). (Harsani dkk., 2012).

Penelitian terdahulu diambil dari hasil penelitian yang telah dipublikasikan yaitu berjudul, “PENGELOMPOKAN DOKUMEN BERBAHASA INDONESIA MENGGUNAKAN METODE K-NN” yang menggunakan metode KNN yang memiliki tujuan untuk mengelompokan dokumen bahasa Indonesia dengan cara mengklasifikasikan dokumen berdasaran katagori tertentu. Hal tersebut dipicu oleh banyaknya informasi digital tak terstruktur sebagai akibat dari perkembangan teknologi informasi yang membutuhkan suatu cara pengorganisasian dan pengelompokan informasi untuk kemudahan penggunaanya. Pengelompokan informasi tak terstruktur ini dikenal dengan pengklasifikasian dokumen. Dengan pengklasifikasian dokumen-dokumen, User dapat menemukan suatu dokumen yang diharapkan dengan efektif dan efisien. Teknik ini telah banyak diapplikasikan pada mesin pencarian dokumen seperti Alta vista, Google,

(24)

indetifikasi terhadap genre dokumen, survei pengkodean dan lain-lain. Prinsip dasar pengklasifikasian ini didasarkan atas kesamaan fitur antara dokumen, atau kesamaan isi dari dokumen. Secara umum pengklasifikasian teks dilakukan dengan cara mengkatagorikan dokumen-dokumen ke dalam satu atau beberapa dari sekumpulan topik-topik yang telah didefinisikan sebelumnya. Selanjutnya suatu dokumen baru akan diuji kesamaan fiturnya dengan kelompok dokumen yang ada. Dokumen baru akan dimasukkan kedalam suatu kelompok berdasarkan kesamaan fitur dengan kelompok tersebut. Atau dengan kata lain pengklasifikasian teks adalah suatu metode yang mempartisi kumpulan dokumen tidak terstruktur ke dalam kelompok-kelompok yang menggambarkan isi dari dokumen. (Ridok dkk., 2010)

Penelitian terdahulu diambil dari hasil penelitian yang telah dipublikasikan yaitu berjudul, “SISTEM PENDUKUNG KEPUTUSAN BERBASIS SMS

UNTUK MENENTUKAN STATUS GIZI DENGAN METODE K-NEAREST NEIGHBOR” yang menggunakan metode K-Nearest Neighbor (KNN) yang bertujuan mengetahui status gizi dengan metode-metode K-Nearest Neighbor

(25)

yang akan dievaluasi dengan K tetangga (Neighbor) terdekatnya dalam data

pelatihan. (Hermaduanti, 2008)

Jurnal internasional yang telah dipublikasikan dengan judul “AN IMPROVED KNN TEXT CLASSIFICATION ALGORITHM BASED ON

CLUSTERING” memaparkan tentang metode pengklasifikasian text tanpa harus menggunakan seluruh data yang besar. Jadi pengklasifikasian text tersebut dapat dilakukan dengan cara pertama tama training sets yang telah diberikan dikecilkan dan sample yang berdekatan dengan garis dihapus, agar efek multipeak dari

training sample sets dihilangkan. Yang kedua, training sample sets dari setiap kategori diklasterisasi dengan algoritma clustering K-Means dan semua pusat cluster diambil menjadi training sample baru. Yang ketiga, suatu nilai bobot diperkenalkan, dimana mengindikasikan kepentingan dari setiap training sample

berdasarkan dari jumlah samples di kluster yang berisi dari pusat klaster ini. Terakhir, samples yang telah dimodifikasi digunakan untuk menyelesaikan klasifikasi text dengan KNN. (Yong et al., 2009)

(26)

Pengujian dilakukan dengan mengubah nilai k, untuk mengetahui pengaruh jumlah tetangga terhadap akurasi algoritma MKNN. Tingkat akurasi tertinggi dari sistem klasifikasi penyakit tanaman kedelai dengan menggunakan algoritma Modified K-Nearest Neighbor dengan menggunakan 300 data latih adalah sebesar 92.74%, dengan nilai k=3. (Zainuddin dkk., 2013)

(27)

berarti Fuzzy K-Nearest Neighbor memberikan prediksi yang lebih baik dibandingkan K-Nearest Neighbor (Meristika dkk., 2013)

Penelitian terdahulu diambil dari hasil penelitian yang telah dipublikasikan yaitu berjudul, “DIAGNOSIS EKG DENGAN SISTEM PAKAR MENGGUNAKAN K-NN” yang menggunakan metode K-Nearest Neighbor (K-NN) yang bertujuan untuk memudahkan diagnosis penyakit jantung dengan alat bantu diagnosis, alat bantu tersebut menggunakan program komputer yang menggunakan sistem pakar dengan dilengkapi database penyakit jantung sebagai basis pengetahuan. Pengguna tinggal memasukan nilai komponen dari rekaman EKG kedalam program komputer, selanjutnya komputer akan memberikan hasil diagnosisnya kemampuan sistem ini adalah dapat mengidentifikasi kondisi jantung sehat atau myocardial infarction dengan akurasi 80% dengan uji validitas menggunakan metode single decision threshold. (Prasojo dkk., 2013)

Jurnal internasional yang telah dipublikasikan dengan judul “PROFILES AND FUZZY K-NEAREST NEIGHBOR ALGORITHM FOR PROTEIN

SECONDARY STRUCTURE PREDICTION” memaparkan tentang metode K-Nearest Neighbor yang secara relatif memberikan performa yang lebih baik daripada Neural Networks atau Model Hidden Markov saat query protein

memiliki sedikit homologs di rangkaian database untuk membangun profile. Meskipun algoritma traditional K-NearestNeighbor merupakan pilihan yang tepat untuk situasi ini, salah satu kesulitan dalam menggunakan teknik ini semua

(28)

sekunder dari residu protein dan saat sebuah Class telah ditetapkan ke sebuah residu, disana tidak ada indikasi dari keyakinan di beberapa kelas khusus. Pada Paper ini penulis mengusulkan sebuah sistem yang berdasarkan pada algoritma

Fuzzy K-Nearest Neighbor yang dialamatkan pada persoalan yang telah disebutkan diatas dan sistem yang melebihi hasil yang diharapkan dari metode K-Nearest Neighbor terdahulu yang menggunakan multiple sequence alignments. Penulis juga memperkenalkan suatu pengukuran jarak terbaru untuk menghitung jarak antara rangkaian protein, suatu metode baru untuk menentukan nilai keanggotaan ke tetangga terdekat di setiap kelas Helix, Strand and Coil.

(Bondugula et al., 2005)

Jurnal internasional yang telah dipublikasikan dengan judul “AN IMPROVED K-NEAREST NEIGHBOR CLASSIFICATION USING GENETIC

ALGORITHM” memaparkan tentang metode K-Nearest Neighbor dan Genetic Algorithm yang Menggabungkan GA dengan KNN untuk meningkatkan kemampuan klasifikasi. Daripada harus mempertimbangkan dari seluruh contoh

data latih dan mengambil K-tetangga. GA bekerja untuk mengambil K-tetangga dengan segera dan kemudian menghitung jarak untuk mengklasifikasi contoh data

(29)

Jurnal diambil dari Seminar Nasional Teknik Informatika (SANTIKA 2012) yang telah dipublikasikan dengan judul “FUZZY K-NEAREST NEIGHBOR IN

EVERY CLASS UNTUK KLASIFIKASI DATA” yang menggunakan Fuzzy K-Nearest Neighbor in every Class (FK-NNC) memaparkan tentang tujuan untuk mengembangkan teknik klasifikasi yang sebelumnya telah digunakan yaitu K-NN, FK-NN agar dapat menjadi alternatif metode K-NN, FK-NN dan varian-varian yang lain untuk melakukan pekerjaan klasifikasi data.

(30)

bahwa akurasi prediksi yang diberikan FNNC relatif lebih tinggi dari pada K-NN atau FK-K-NN, yaitu berkisar 82% - 97%. Nilai akurasi tertinggi yang didapatkan ini selisih 1% lebih tinggi dibandingkan dengan dua metode pembanding. (Prasetyo, 2012).

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, maka dapat dirumuskan masalah-masalah sebagai berikut:

a. Bagaimana memanfaatkan data akademik siswa menjadi informasi baru yang berguna.

b. Bagaimana merancang dan membangun aplikasi yang membantu memilih kandidat siswa peserta lomba dari TK-ANNUR.

1.3 Batasan Masalah

Batasan masalah merupakan bagian penting yang harus didefinisikan dalam pembuatan aplikasi ini dengan tujuan agar aplikasi ini dapat berjalan dan dikembangkan sesuai dengan rumusan masalah, tujuan pembuatan aplikasi dan sejauh mana aplikasi ini akan dibuat. Adapun batasan masalah pada penulisan Tugas Akhir ini adalah:

a. Aplikasi ini (memberikan informasi) kandidat peserta lomba.

(31)

c. Menggunakan ukuran ketidak miripan antar data berupa metrik Ecludean. d. Dalam merancang aplikasi ini menggunakan bahasa pemrograman PHP 5.x dan

database MySql dalam paket XAMPP dan menggunakan XAMPP versi 1.8.1 dengan menggunakan database MySQL versi 3.5.2.2 /localhost dan browser google chrome versi 33.0.1750.154 m.

1.4 Tujuan

Sesuai dengan permasalahan yang telah disebutkan diatas, maka tujuannya adalah sebagai berikut :

- Mendapatkan informasi baru dari data akademik siswa TK-ANNUR. - Memberikan informasi kandidat peserta lomba dari siswa TK-ANNUR.

1.5 Manfaat

Adapun manfaat dari pembuatan aplikasi ini sebagai berikut:

1. Pihak sekolah dapat mengetahui kandidat peserta lomba dari TK-ANNUR yang berupa informasi dari aplikasi secara online yang menyebabkan proses memilih kandidat tersebut menjadi lebih cepat.

2. Pihak sekolah dapat mengefisiensikan waktu dan tenaga dalam memilih kandidat peserta lomba dikarenakan pihak sekolah tidak harus datang ke sekolah karena informasi tersebut bisa diketahui secara online

(32)

2.1 TK-ANNUR

2.1.1 Sejar ah Singkat TK-ANNUR

TK ANNUR bertempat di Jl. Rungkut Menanggal II/23 Surabaya dan berdiri sejak tahun 2001 dan memiliki surat pengakuan dari pemerintah kota surabaya dinas pendidikan, mengenai keputusan kepala dinas pendidikan kota surabaya Nomor: 421.2/453/ /402.4.9/2002 tentang pemberian ijin ini untuk mendirikan Taman Kanak-Kanak “Islam ANNUR” oleh Yayasan Pendidikan Islam ANNUR di Surabaya Jl. Rungkut Menanggal II/23 Surabaya yang merupakan milik/yayasan pribadi yang didirikan oleh keluarga dan dibawah pengawasan Dinas Pendidikan. Berdirinya TK ANNUR dimotivasi dari lingkungan sekitar sekolah yang mayoritas dihuni oleh masyarakat menengah kebawah. Karena terdorong niat untuk membantu masyarakat tidak mampu, maka Bapak Drs. Moch. Machsun (alm) beserta istrinya Ibu Kholifah S.pd mendirikan sekolah/TK ANNUR tersebut dengan lebih meminimalis biaya sekolah yang mahal dengan menerima siswa tanpa uang pangkal dan uang gedung, dan memberikan pembebasan uang SPP pada anak yatim. Dengan kenyataan ini bersyukur sekali setiap tahunnya dapat menerima siswa sebanyak 2 lokal (max. 25 anak tiap lokal).

(33)

kelas, maka sistem belajar siswa dibagi 2 kelompok, kelompok A masuk jam 07.000 sampai jam 09.30 dan kelompok B masuk siang jam 09.30 sampai 12.00 wib. Adapun struktur organisasi TK ANNUR dapat dilihat pada gambar 2.1.

STRUKTUR ORGANISASI

YAYASAN PENDIDIKAN TK AN-NUR

KETUA YAYASAN H. M UCHAM M AD NUR

KEPALA TK KHOLIFAH S.Pd

TATA USAHA M . ALIF IRSYADI GURU KELAS

1. CHUSNUL CHOWATIM 2. IZZATUL FITRYAH 3. NAILIL M UNAH 4. ERM A NUR H.

Gambar 2.1 Struktur Organisasi TK AN-NUR 2.2 Tinjauan Umum

(34)

keanggotaan pada setiap kelas, yang artinya sebuah Data bisa dimiliki oleh kelas yang berbeda dengan nilai derajat keanggotaan dalam interval (0,1). Teori himpunan Fuzzy mengeneralisasi teori K-NN klasik dengan mendefinisikan nilai keanggotaan sebuah Data pada masing-masing kelas.

Sebuah aplikasi Klasifikasi dibuat untuk membantu seseorang untuk meyelesaikan permasalahan tertentu tidak terkecuali juga untuk menyelesaikan masalah pengklasifikasian siswa untuk menjadi kandidat peserta lomba akademik maupun non-akademik. Dengan menggunakan metode FK-NNC dalam pembuatan aplikasi ini akan lebih cocok dalam mengolah Data dari nilai akademik siswa, dikarenakan dengan metode ini akan menghasilkan pengklasifikasian siswa secara cepat tepat sesuai kelasnya berdasarkan Data nilai akademik siswa.

2.3 Landasan Teori

Dalam Landasan teori ini akan dibahas mengenai beberapa teori yang mendukung serta menunjang terselesaikannya proses pengerjaan aplikasi Kapelo ini. Berikut ini adalah teori-teori yang terkait tentang aplikasi Kapelo ini.

2.3.1 Klasifikasi

(35)

dikenal sebagai bapak klasifikasi. Komponen-komponen utama dan proses klasifikasi antara lain:

• Kelas, merupakan variabel tidak bebas yang merupakan label dan hasil

kiasifikasi. Sebagai contoh adalah kelas loyalitas pelanggan, kelas badai atau gempa bumi, dan 1ain

• Prediktor, merupakan variabel bebas suatu model berdasarkan dan karakteristik

atribut data yang diklasifikasi, misalnya merokok, minum-minuman beralkohol, tekanan darah, status perkawinan, dan sebagainya.

Klasifikasi Data adalah suatu proses yang menemukan properti-properti yang sama pada sebuah himpunan obyek di dalarn sebuah basis Data, dan mengklasifikasikannya ke dalam kelas-kelas yang berbeda menurut model

klasifikasi yang ditetapkan. Untuk membentuk sebuah model klasifikasi, suatu sampel basis Data 'E' diperlakukan sebagai training set, dimana setiap tupel terdiri dari himpunan yang sama yang memuat atribut yang beragam seperti tupel-tupel yang terdapat dalam suatu basis Data yang besar 'W'. Setiap tupel diidentifkasikan dengan sebuah label atau identitas kelas. Tujuan dari klasifikasi ini adalah pertama-tama untuk menganalisa training Data dan membentuk sebuah deskripsi yang akurat atau sebuah model untuk setiap kelas berdasarkan menu-menu yang tersedia di dalam Data itu. Deskripsi dari masing-masing kelas itu nantinya akan digunakan untuk mengklasifikasikan Data yang hendak di test dalam basis Data

(36)

pemberian kredit. Data terdiri dari orang orang yang telah menerima kredit. Sebagian kreditur menjalankan kewajiban dengan balk, dan sebagian lagi tidak.(Prasetyo, 2012)

2.3.1.1 Konsep

Prasetyo (2012) mengemukakan bahwa klasifikasi merupakan suatu pekerjaan menilai objek Data untuk memasukkannya ke dalam kelas tertentu dan sejumlah kelas yang tersedia. Dalam klasifikasi ada dua pekerjaan utama yang dilakukan, yaitu (1) pembangunan model sebagai prototipe untuk disimpan sebagai memori dan (2) penggunaan model tersebut untuk melakukan pengenalan/klasifikasi/prediksi pada suatu objek Data lain agar diketahui di kelas mana objek Data tersebut dalam model yang sudah disimpannya. Contoh aplikasi yang sering ditemui adalah pengklasifikasian jenis hewan yang mempunyai sejumlah atribut. Dengan atribut tersebut, jika ada hewan baru, kelas hewannya bisa langsung diketahui. Contoh lain adalah bagaimana melakukan diagnosis penyakit kulit kanker melanoma (Amaliyah et al, 2011), yaitu dengan melakukan pembangunan model berdasarkan Data latìh yang ada, kemudian menggunakan

model tersebut untuk mengidentifikasi penyakit pasien baru sehingga diketahui apakah pasien tersebut menderita kanker atau tidak.

2.3.1.2 Model

(37)

tersebut akan menghasilkan suatu model yang kemudian disimpan sebagai memori. Model dalam klasifikasi mempunyai arti yang sama dengan kotak hitam, di mana ada suatu model yang menerima masukan, kemudian mampu melakukan pemikiran terhadap masukan tersebut, dan memberikan jawaban sebagai keluaran dan hasil pemikirannya. Kerangka kerja (framework) klasifikasi ditunjukkan pada Gambar 2.2. Pada gambar tersebut disediakan sejumlah Data latih (x,y) untuk digunakan sebagai Data pembangun model. Model tersebut kemudian dipakai untuk memprediksi kelas dañ Data uji (x,?) sehingga diketahui kelas y yang sesungguhnya.

M asukan Data Uji (x,?)

Algor it m a Pelat ihan M asukan

Data Lat ih (x,y)

Keluar an Data Uji (x,y) Pembangunan

M odel

Penerapan M odel

Gambar 2.2 Flowchart Pr oses Pengerjaan Klasifikasi

(38)

K-Nearest Neighbor, Artificial Neural Network, Support Vector Machine, dan sebagainya. Setiap algoritma mempunyai kelebihan dan kekurangan, tetapi semua algoritma berprinsip sama, yaitu melakukan suatu pelatihan sehingga di akhir pelatihan, model dapat memetakan (memprediksi) setiap vektor masukan ke label kelas keluaran dengan benar. Kerangka kerja seperti yang ditunjukkan pada Gambar 2.2 meliputi dua langkah proses, yaitu induksi dan deduksi. Induksi merupakan langkah untuk membangun model klasifikasi dan Data latih yang diberikan, disebut juga proses pelatihan, sedangkan deduksi merupakan langkah untuk menerapkan model tersebut pada Data uji sehingga kelas yang sesungguhnya dan Data uji dapat diketahui, disebut juga proses prediksi.

Berdasarkan cara pelatihan, algoritma-algoritma klasifikasi dapat dibagi menjadi dua macam, yaitu eager learner dan lazy learner. Algoritma-algoritma yang termasuk dalam kategori eager learner didesain untuk melakukan pembacaan/pelatihan/pembelajaran pada Data latih agar dapat memetakan dengan benar setiap vektor masukan ke label kelas keluarannya sehingga di akhir proses pelatihan, model sudah dapat memetakan semua vektor Data uji ke label kelas keluarannya dengan benar. Selanjutnya, setelah proses pelatihan tersebut selesai,

(39)

kategori ini di antaranya, adalah Artificial Neural Network (ANN), Support Vector Machine (SVM), Decision Tree, Bayesian, dan sebagainya.

Sementara algoritma-algoritma yang masuk dalam kategori lazy learner

hanya sedikit melakukan pelatihan (atau tidak sama sekali), hanya menyimpan sebagian atau seluruh Data latih, kemudian menggunakamya dalam proses prediksi. Hal ini mengakibatkan proses prediksi menjadi lama karena model harus membaca kembali semua Data latihnya agar dapat memberikan keluaran label kelas dengan benar pada Data uji yang diberikan. Kelebihan algoritma seperti ini adalah proses pelatihan yang berjalan dengan cepat. Algoritma-algoritma klasifikasi yang masuk kategori ini, di antaranya, adalah K-Nearest Neighbor

(KNN), Fuzzy K-Nearest Neighbor (FK NN), Regresi Linear, dan sebagainya. (Prasetyo, 2012)

2.3.1.3 Pengukur an Kinerja Klasifikasi

(40)

(41)

Tabel 2.1 Matr iks Konfusi untuk klasifikasi dua kelas

Fij

Kelas hasil prediksi (j)

Kelas = 0 Kelas = 1

Kelas asli (i)

Kelas = 0 f00 f10

Kelas = 1 f10 f11

berdasarkan isi matriks konfusi, kita dapat mengetahui jumlah Data dan masing-masing kelas yang diprediksi secara benar, yaitu (f11 + f00), dan Data

yang diklasifikasikan secara salah, yaitu (f10 + f01). Kuantitas matriks konfusi dapat diringkas menjadi dua nilai, yaitu akurasi dan laju eror. Dengan rnengetahui jumlah Data yang diklasifikasikan secara benar, kita dapat mengetahui akurasi hasil prediksi, dan dengan mengetahui jumlah Data yang diklasifikasikan secara salah, kita dapat mengetahui laju eror dari prediksi yang dilakukan. Dua kuantitas ini digunakan sebagai metrik kinerja klasifikasi.

Untuk menghitung akurasi digunakan persamaan:

= = ...(2.1)

Persamaan 2.1

(42)

ketika model berhadapan dengan Data uji, barulah kinerja model dan sebuah algoritma klasifikasi ditentukan.

2.3.2 K-Nearest Neighbor

Nearest Neighbor (kadang disebut K-Nearest Neighbor/K-NN) merupakan algoritma yang melakukan klasifikasi berdasarkan kedekatan lokasi (jarak) suatu

(43)

lebih, akan diambil kelas dan Data dengan jumlah yang sama tersebut secara acak, seperti yang ditunjukkan pada Gambar 2.3 (c). (Prasetyo, 2012)

(a) 1 tetangga terdekat (b) 2 tetangga terdekat

(c) 3 tetangga terdekat (d) 7 tetangga terdekat

(44)

2.3.2.1 Algoritma K - Nearest Neighbor

Prasetyo (2012) mengemukakan bahwa pada algoritma K-NN, Data

berdimensi N, dapat dihitung jarak dari Data tersebut ke Data yang lain, nilai jarak ini yang digunakan sebagai nilai kedekatan/ketidakmiripan antara Data uji dengan Data latih. Nilai K pada K-NN berarti K-Data terdekat dari Data uji. Pada algoritma K-NN, sebuah Data uji z = (x’,y’), dimana x’ ada vektor/atribut Data

uji, sedangkan y’ adalah label kelas Data uji yang belum diketahui, kemudian menghitung jarak (atau kemiripan) Data uji ke setiap Data latih d(x’,x), kemudian mengambil K tetangga terdekat pertama dalam Dz. Setelah itu dihitung jumlah

Data yang mengikuti kelas yang ada dari K tetangga tersebut. Kelas dengan Data

terbanyak yang mengikutinya menjadi kelas pemenang yang diberikan sebagai label kelas pada Data uji y’.

Algoritma Prediksi dengan K-NN

1. z = (x’,y’), adalah Data uji dengan vektor x’ dan label kelas y’ yang belum diketahui

2. Hitung jarak d(x’,x), jarak diantara Data uji z ke setiap vektor Data latih, simpan dalam D

3. Pilih Dz ⊆ D, yaitu K tetangga terdekat dari z

4 = ∑ _∈_D_z =

i y i

x I v yi

v

y' _arg_max ₍ _, ₎ ( )

(45)

sensitif terhadap noise. Meskipun begitu, sebenarnya penentuan nilai K yang terbaik juga dapat dilakukan dengan menggunakan teknik crossvalidation

2.3.3 Fuzzy K-Nearest Neighbor

Algoritma Fuzzy K-Nearest Neighbor (FKNN) merupakan algoritma yang menggabungkan teknik Fuzzy dan K-Nearest Neighbor. Algoritma ini diperkenalkan oleh Keller et al (1985) dengan mengembangkan K-NN yang digabungkan dengan teori fuzzy dalam menyampaikan definisi pemberian label kelas pada Data uji yang diprediksi. Seperti halnya pada teori fuzzy, sebuah Data

mempunyai nilai keanggotaan pada setiap kelas, yang artinya sebuah Data bisa dimiliki oleh kelas yang berbeda dengan nilai derajat keanggotaan dalam interval (0,1). Teori himpunan fuzzy mengeneralisasi teori K-NN klasik dengan mendefinisikan nilai keanggotaan sebuah Data pada masing-masing kelas [2][3]. Persamaan yang digunakan (Li et al 2007). Seperti pada persamaan (2.2):

∑ = − − ∑ = − − = K k m k x x d K k m k x x d i c k x u i c x u 1 ) 1 ( 2 ) , ( 1 ) 1 ( 2 ) , ( * ) , ( ) ,

( ...(2.2)

Persamaan 2.2

(46)

K tetangga terdekat, m adalah bobot pangkat (weight exponent) yang besarnya m

> 1. Nilai keanggotaan suatu Data pada kelas sangat dipengaruhi oleh jarak Data

itu ke tetangga terdekatnya, semakin dekat ke tetangganya maka semakin besar nilai keanggotaan Data tersebut pada kelas tetangganya, begitu pula sebaliknya. Jarak tersebut diukur dengan N dimensi (fitur) Data. Pengukuran jarak (ketidakmiripan) dua Data yang digunakan dalam FK-NN digeneralisasi dengan persamaan (2.3): p N l p jl x il x j x i x d 1 1 ) , ( _       ∑ = −

= ...(2.3)

Persamaan 2.3

Dimana N adalah dimensi (jumlah fitur) Data. Untuk p adalah penentu jarak yang digunakan, jika p=1 maka jarak yang digunakan adalah Manhattan, jika p=2

maka jarak yang digunakan adalah Euclidean, jika p=∞ maka jarak yang digunakan adalah Chebyshev

(47)

2.3.3.1 Algoritma Fuzzy K - Nearest Neighbor

Prasetyo (2012) mengemukakan bahwa pada prediksi algoritma FK-NN, dilakukan dengan cara:

1. Normalisasikan Data menggunakan nilai terbesar dan terkecil Data pada setiap fitur.

2. Cari K tetangga terdekat untuk Data uji x menggunakan persamaan (2.3).

3. Hitung nilai keanggotaan u(x, ci) menggunakan persamaan (2.2) untuk setiap i,

dimana 1 ≤i≤ C.

4. Ambil nilai terbesar v = u(x, ci) untuk semua 1 ≤i≤ C, C adalah jumlah kelas.

5. Berikan label kelas v ke Data uji x yaitu ci.

2.3.4 Fuzzy K-Nearest Neighbor in Every Class

Fuzzy K-Nearest Neighbor in every Class (FK-NNC) merupakan suatu metode dengan memodifikasi konsep K tetangga terdekat, dari asalnya hanya K tetangga terdekat dari C kelas, menjadi K tetangga terdekat untuk setiap kelas, sehingga ada C x K tetangga yang ditemukan. Selanjutnya dilakukan perhitungan nilai keanggotaan Data uji pada setiap kelas dengan basis akumulasi jarak K tetangga terdekat yang ditemukan. Kelas dengan nilai keangotaan terbesar akan dipilih sebagai kelas hasil prediksi. Fuzzy K-Nearest Neighbor in every Class

(48)

Data uji berdasarkan perbandingan K tetangga terdekat dengan Fuzzy K-Nearest Neighbor (FK-NN) yang melakukan prediksi Data uji menggunakan basis nilai keanggotaan Data uji pada setiap kelas, kemudian diambil kelas dengan nilai keangotaan terbesar dari Data uji sebagai kelas hasil prediksi. Kedua metode tersebut memberikan cara klasifikasi yang sederhana, mudah dan cepat. (Prasetyo 2012)

2.3.4.1 Konsep Fuzzy K - Nearest Neighbor in Every Class

Prasetyo (2012) mengemukakan bahwa Konsep Fuzzy K-Nearest Neighbor in every Class (FK-NNC) menggunakan sejumlah K tetangga terdekat pada setiap kelas dari sebuah Data uji, bukan K tetangga terdekat seperti pada K-NN dan FK-NN. Gambar 2.4 memberikan gambaran K tetangga terdekat dari setiap kelas pada sebuah Data uji pada metode FK-NNC. Pada gambar tersebut, untuk K=3, tiga tetangga terdekat dikelas + dan tiga tetangga dikelas x yang ditemukan oleh FK-NNC.

a. Tanda dot hitam (solid) b. Tiga tetangga dikelas + dan adalah Data uji tiga tetangga dikelas x

0 2 4 6 8

(49)

Gambar 2.4. Konsep K tetangga terdekat dar i setiap kelas, untuk K = 3 Kerangka kerja FK-NNC menggunakan FKNN sebagai basis kerangka kerja, dimana sebuah Data uji mempunyai nilai keanggotaan pada setiap kelas dalam interval [0.1]. Jumlah nilai keanggotaan sebuah Data pada semua kelas sama dengan 1, dapat dituliskan seperti pada persamaan (2.4):

1 0 , 1

1 = ≤ ≤

∑

= uij

C

j ij

u ...(2.4)

Persamaan 2.4

Dimana uij adalah nilai keanggotaan Data uji xi ke kelas ke-j. Setiap Data

uji xi, harus dicarikan K tetangga terdekat pada setiap kelas menggunakan

persamaan (2.4), sehingga untuk 2 kelas akan ada 2xK tetangga yang didapat, untuk 3 kelas akan ada 3xK tetangga yang didapat, begitu seterusnya. Selanjutnya jarak Data uji xi ke semua K tetangga dari setiap kelas ke-j dijumlahkan, dapat

dituliskan seperti pada persamaan (2.5):

1 2 1 ) , ( − − ∑ =

= K m

r r x i x d ij S ...(2.5) Persamaan 2.5

Nilai d sebagai akumulasi jarak Data uji xi ke K tetangga dalam kelas ke-j

dilakukan sebanyak C kelas. Nilai m disini merupakan pangkat bobot (weight exponent) seperti pada FK-NN, nilai m > 1. Selanjutnya, akumulasi jarak Data uji xi ke setiap kelas digabungkan, disimbolkan D, dapat dituliskan seperti pada

(50)

∑ = = _   C j ij S i D 1 ...(2.6) Persamaan 2.6

Untuk mendapatkan nilai keanggotaan Data uji xi pada setiap kelas ke-j (ada

C kelas), dapat dituliskan seperti pada persamaan (2.7):

i D

ij S ij

u = ...(2.7)

Persamaan 2.7

Untuk menentukan kelas hasil prediksi Data uji xi, dipilih kelas dengan nilai

keanggotaan terbesar dari Data xi, dapat dituliskan seperti pada persamaan (2.8):

) ( 1 max arg

' C u_ij

j y

=

= ...(2.8)

Persamaan 2.8

2.3.4.2 Algoritma Fuzzy K - Nearest Neighbor in Every Class

Prasetyo (2012) mengemukakan bahwa Algoritma FK-NNC untuk sebuah

Data uji, disajikan sebagai berikut:

1. Cari K tetangga terdekat pada setiap kelas, menggunakan persamaan (2.3)

(51)

3. Hitung J sebagai akumulasi semua jarak dari CxK tetangga, menggunakan persamaan (2.6)

4. Hitung u sebagai nilai keanggotaan Data pada setiap kelas, menggunakan persamaan (2.7)

(52)

3.1 Rancangan Penelitian

Pada bab sebelumnya sudah dijelaskan tujuan serta batasan masalah dari perancangan dan pembuatan aplikasi ini maka pada bab ini dibahas tentang perancangan sistem serta analisa kebutuhan / requirement dari aplikasi yang dibuat sesuai dengan tujuan dan batasan masalah yang telah didefinisikan pada bab sebelumnya. Analisa atau identifikasi sistem adalah untuk memperoleh apa saja kebutuhan dan keperluan untuk membantu dalam pembuatan aplikasi tersebut, sedangkan perancangan program ini dimaksudkan untuk mendapatkan suatu hasil, yaitu berupa aplikasi Kandidat Peserta Lomba Akademik Dan Non-Akademik Dengan Metode Fuzzy K-Nearest Neighbor In Every Class (Kapelo) yang dapat membantu dalam memilih Kandidat Peserta Lomba Akademik Dan Non-Akademik di TK-ANNUR agar lebih mudah untuk menentukan siswa mana yang lebih tepat untuk mengikuti Lomba yang sesuai dengan kemampuannya.

3.1.1 Analisa Kebutuhan

(53)

3.1.1.1 Kebutuhan Fungsionalitas

Kebutuhan Fungsionalitas ini adalah apa yang bisa dilakukan oleh sistem kepada User / service apa saja yang tersedia pada sistem (Software Engineering : Shari Lawrence pfleeger, Joanne M. Atlee) disini adalah lebih ke fitur sistem yang ada pada aplikasi pepak ini dan bisa dieksekusi langsung atau dirasakan langsung oleh User, berikut adalah kebutuhan fungsionalitas dari aplikasi Kandidat Peserta Lomba namun sebelumnya akan dijelaskan tentang level hak akses pada sistem ini.

Dalam aplikasi Kandidat Peserta Lomba Akademik Dan Non-Akademik Dengan Metode Fuzzy K-Nearest Neighbor In Every Class (Kapelo) terdapat dua

level User yaitu Admin (pengguna yang dapat melihat dan menggunakan seluruh

menu yang terdapat dalam aplikasi ini) dan User (pengguna yang hanya dapat melihat dan menggunakan beberapa menu yang terdapat dalam aplikasi ini). Level

hak akses yang terdapat dalam aplikasi ini akan dijelaskan lebih rinci seperti yang ada dibawah ini :

a. Admin

(54)

melakukan proses login maka Admin tidak mendapatkan kewenangan Admin

untuk dapat menggunakan semua menu dan memanipulasi data.

Sebelum melakukan login maka Admin hanya mendapatkan kewenangan sebagai User, maka proses selanjutnya Admin harus memilih menu yang berada dibagian atas aplikasi yaitu yang bertuliskan Admin, maka disana Admin akan mendapatkan tampilan login. Kemudian Admin harus mengisikan Nama Admin

dan Password pada form login kemudian tekan submit. Setelah berhasil maka

Admin akan mendapatkan tampilan aplikasi sebagai Admin dimana semua menu

akan muncul. Menu tersebut terdiri dari :

o Beranda, merupakan halaman yang berisi penjelasan singkat tentang aplikasi

Kandidat Peserta Lomba Akademik Dan Non-Akademik Dengan Metode

Fuzzy K-Nearest Neighbor In Every Class (Kapelo) yang dapat membantu dalam memilih Kandidat Peserta Lomba Akademik Dan Non-Akademik di TK-ANNUR (Kapelo). Disamping itu pada beranda akan menampilkan slide show beberapa gambar kegiatan di TK-ANNUR beserta keterangan singkat kegiatan tersebut.

(55)

o Perhitungan, pada menu perhitungan akan terdapat drop down menu yang

menampilkan pilihan untuk memilih perhitungan mana yang akan dipilih, pilihan dari drop down menu terdiri dari 2 pilihan yaitu perhitungan sederhana dan perhitungan lengkap. Penjelasan dari perhitungan tersebut, yaitu :

• Perhitungan sederhana, menu ini menampilkan halaman yang berisikan form

yang terdiri dari data akademik siswa yang berkaitan dengan proses perhitungan aplikasi yang terdiri dari nomor induk, nama siswa, moral dan nilai-nilai agama, sosial, emosional dan kemandirian, kemampuan berbahasa, kognitif, fisik/motorik, seni, status, serta hasil dengan k. Pada perhitungan sederhana setelah melakukan proses data yang terdapat pada form dan menekan tombol tampilkan maka aplikasi akan menampilkan hasil perhitungan secara sederhana dan langsung memberikan hasil nilai keanggotaannya.

• Perhitungan Lengkap, menu ini menampilkan halaman yang berisikan form

(56)

Memasukkan data perhitungan dan perhitungan FKNNC : Fungsionalitas pada halaman ini adalah fungsional dari aplikasi Kandidat Peserta Lomba yang dibuat. Perancangan skenario awalnya adalah ketika Admin sudah berada pada tampilan halaman perhitungan baik sederhana maupun lengkap, sistem akan menampilkan form yang terdiri dari data akademik siswa yang berkaitan dengan proses perhitungan aplikasi. Kemudian diproses dan ditampilkan hasil perhitungannya.

o Data Siswa, merupakan halaman yang berisi data-data siswa yang berkaitan

(57)

o Akurasi, pada menu akurasi akan terdapat drop down menu yang menampilkan

pilihan untuk memilih akurasi mana yang akan dipilih, pilihan dari drop down menu terdiri dari 3 pilihan yaitu Akurasi K = 3, Akurasi K = 5 dan Akurasi K = 7. Penjelasan dari Akurasi tersebut, yaitu :

• Akurasi K = 3, menu ini menampilkan halaman akurasi yang berisikan tabel

perhitungan jumlah f00,f01,f10 dan f11 serta tabel yang terdiri dari data

akademik siswa yang berkaitan dengan proses perhitungan aplikasi yang terdiri dari data uji ke-, nama siswa, kelas asli, kelas prediksi, U0 dan U1 serta akurasi kelas 0, akurasi kelas 1 dan akurasi total untuk K = 3, serta hasil akurasi untuk K = 3.

akademik siswa yang berkaitan dengan proses perhitungan aplikasi yang terdiri dari data uji ke-, nama siswa, kelas asli, kelas prediksi, U0 dan U1 serta akurasi kelas 0, akurasi kelas 1 dan akurasi total untuk K = 5, serta hasil akurasi untuk K = 5.

(58)

Melihat akurasi : Fungsionalitas pada halaman ini adalah fungsional dari aplikasi Kandidat Peserta Lomba yang dibuat. Perancangan skenario awalnya adalah ketika Admin sudah berada pada tampilan halaman akurasi baik K=3, K=5 dan K=7, sistem akan menampilkan tabel konfusi matriks, data akademik siswa beserta nilai keanggotaannya, rumus akurasi, serta akurasi dari aplikasi ini.

o Kontak, merupakan halaman yang menampilkan tabel yang terdiri dari nama

guru, email dan pesan.

Melihat data kontak : Fungsionalitas pada halaman ini adalah fungsional dari aplikasi Kandidat Peserta Lomba yang dibuat. Perancangan skenario awalnya adalah ketika Admin sudah berada pada tampilan halaman kontak, Admin

melihat tabel data kontak yang berasal dari data dari form kontak yang diisi oleh User.

o User, merupakan halaman yang berisi button yang berfungsi untuk keluar dari

level hak akses Admin menjadi User jika ditekan.

Logout : Fungsionalitas pada halaman ini adalah fungsional dari aplikasi Kandidat Peserta Lomba yang dibuat. Perancangan skenario awalnya adalah ketika Admin sudah berada pada tampilan halaman User, Admin melihat Buton yang berfungsi untuk logout.

b. User (Guru)

(59)

yang terdapat dalam aplikasi ini. User hanya memiliki kewenangan untuk melihat

data tanpa bisa memanipulasi data seperti menambah, merubah bahkan menghapus data-data yang ada dalam aplikasi seperti yang dimiliki oleh Admin.

User hanya mempunyai Menu yang terdiri dari :

o Beranda, merupakan halaman yang berisi penjelasan singkat tentang aplikasi

Kandidat Peserta Lomba Akademik Dan Non-Akademik Dengan Metode

Fuzzy K-Nearest Neighbor In Every Class (Kapelo) yang dapat membantu dalam memilih Kandidat Peserta Lomba Akademik Dan Non-Akademik di TK-ANNUR (Kapelo). Disamping itu pada beranda akan menampilkan slide show beberapa gambar kegiatan di TK-ANNUR beserta keterangan singkat kegiatan tersebut.

Melihat beranda : Fungsionalitas pada halaman ini adalah fungsional dari aplikasi Kandidat Peserta Lomba yang dibuat. Perancangan skenario awalnya adalah ketika User sudah berada pada tampilan halaman beranda, sistem akan menampilkan banyak informasi seperti sekilas tentang aplikasi Kapelo dan TK AN-NUR serta menu yang bisa dipilih oleh User sesuai dengan keinginannya

o Perhitungan, pada menu perhitungan akan terdapat drop down menu yang

menampilkan pilihan untuk memilih perhitungan mana yang akan dipilih, pilihan dari drop down menu terdiri dari 2 pilihan yaitu perhitungan sederhana dan perhitungan lengkap. Penjelasan dari perhitungan tersebut, yaitu :

• Perhitungan sederhana, menu ini menampilkan halaman yang berisikan form

(60)

perhitungan aplikasi yang terdiri dari nomor induk, nama siswa, moral dan nilai-nilai agama, sosial, emosional dan kemandirian, kemampuan berbahasa, kognitif, fisik/motorik, seni, status, serta hasil dengan k. Pada perhitungan sederhana setelah melakukan proses data yang terdapat pada form dan menekan tombol tampilkan maka aplikasi akan menampilkan hasil perhitungan secara sederhana dan langsung memberikan hasil nilai keanggotaannya.

• Perhitungan Lengkap, menu ini menampilkan halaman yang berisikan form

yang terdiri dari data akademik siswa yang berkaitan dengan proses perhitungan aplikasi yang terdiri dari nomor induk, nama siswa, moral dan nilai-nilai agama, sosial, emosional dan kemandirian, kemampuan berbahasa, kognitif, fisik/motorik, seni, status, serta hasil beserta perhitungan dengan k. Namun pada perhitungan sederhana setelah melakukan proses data yang terdapat pada form dan menekan tombol tampilkan maka aplikasi akan menampilkan hasil perhitungan secara lengkap dan detail perhitungannya yang dilengkapi data yang diolah oleh aplikasi.

(61)

o Data Siswa, merupakan halaman yang berisi data-data siswa yang berkaitan

dengan perhitungan. Pada level User ini hanya dapat melihat data tentang data

siswa yang telah tersedia di dalam database dan terdapat tabel yang terdiri dari no, nomor induk, nama siswa, moral dan nilai-nilai agama, sosial, emosional dan kemandirian, kemampuan berbahasa, kognitif, fisik/motorik, seni, status tanpa dapat merubah dan menghapus data tersebut. Disini juga terdapat keterangan dari nilai-nilai yang terdapat dalam form.

Melihat data siswa : Fungsionalitas pada halaman ini adalah fungsional dari aplikasi Kandidat Peserta Lomba yang dibuat. Perancangan skenario awalnya adalah ketika User sudah berada pada tampilan halaman data siswa, sistem akan menampilkan form yang terdiri dari data akademik siswa.

o Kontak, merupakan halaman yang berisi form yang terdiri dari nama guru,

email dan pesan yang berfungsi untuk menyimpan data dari form untuk disimpan dalam database untuk ditampilkan pada level hak akses Admin. Memasukkan data kontak : Fungsionalitas pada halaman ini adalah fungsional dari aplikasi Kandidat Peserta Lomba yang dibuat. Perancangan skenario awalnya adalah ketika User sudah berada pada tampilan halaman kontak, User

melihat form yang berfungsi untuk mengisi data kontak, yang berupa nama guru hingga pesan untuk disimpan dalam database.

o Admin, merupakan halaman yang berisi form yang terdiri dari nama Admin dan

(62)

Admin dengan melakukan proses login terlebih dahulu dengan cara memasukkan data ke dalam form kemudian menekan buttonlogin.

Login : Fungsionalitas pada halaman ini adalah fungsional dari aplikasi Kandidat Peserta Lomba yang dibuat. Perancangan skenario awalnya adalah ketika User sudah berada pada tampilan halaman User, User mengisi form yang berfungsi untuk login

3.1.1.2 Kebutuhan Non-fungsionalitas

Kebutuhan Non-fungsionalitas ini mendeskripsikan beberapa kualitas software yang dimiliki oleh suatu software atau aplikasi (Software Engineering : Shari Lawrence pfleeger, Joanne M. Atlee). Berikut adalah kebutuhan non-fungsionalitas dari aplikasi ini:

3.1.1.3 Kebutuhan Data

Kebutuhan data dalam aplikasi ini sangatlah dibutuhkan, data-data itu menjadi isi dari pada aplikasi ini.

3.1.1.3.1 Data gambar

Gambar akan dimasukkan pada sistem sehingga tidak hanya text atau tulisan yang akan menjadi pendukung pada aplikasi Kandidat Peserta Lomba ini, sehingga dengan gambar tersebut diharapkan dapat menarik minat Admin dan

User untuk menggunakan.

(63)

Gambar-gambar tersebut didesain untuk ditampilkan secara bergantian seperti image gallery. Berikut adalah gambar desain dari image gallery:

Gambar 3.1 Desain Image Galler y

3.1.1.3.2 Data text

Pada aplikasi ini text yang tidak memungkinkan untuk diletakkan di dalam file php maupun html, maka text dapat disimpan ke dalam database

Kemudian di bab ini akan membahas juga tentang pengonsepan data, konsep data pada aplikasi Kapelo hanya menggunakan perancangan paling sederhana yaitu dengan menggambarkan beberapa tabel yang ada dalam database

. Hal ini dikarenakan tabel-tabel yang ada dalam database tidak saling berkaitan satu sama lain (tidak ada relasi), dan hanya digunakan untuk melakukan query data saja.

Disamping itu dalam proses pengerjaannya, aplikasi Kapelo menggunakan bahasa pemrograman berbasis website yaitu php.

Gambar 1

Gambar 2

Gambar 4 Gambar

(64)

3.2 Perancangan Sistem

Pada Sub.bab ini akan menjelaskan proses mengenai pembuatan desain dari sistem perangkat lunak (aplikasi Kapelo) yang akan dibuat. Dalam perancangan sistem membahas proses bagaimana membuat rincian solusi menjadi spesifik yang dipilih oleh proses analisis sistem. Perancang sistem termasuk evaluasi, efektifitas dan efisiensi relatif dalam perancangan sistem dalam lingkup kebutuhan keseluruhan sistem. Proses desain sistem dalam sub-bab ini akan dibagi menjadi beberapa tahapan yaitu: perancangan basis data (database), dan perancangan antar muka (Interface).

Pada tahap desain sistem akan dilakukan pendesainan sistem pendekatnnya pada UML, disini akan didesain diagram dan use case sesuai dengan fungsionalitas yang disebutkan diatas.

3.2.1 Use Case Diagram

Diagram ini dibuat untuk mengetahui apa saja yang bisa dilakukan

(65)

Admin _melihat dat a siswa m emasukkan data per hitu ngan

melihat dat a kontak

per hit ungan FKNNC

login

logout

m engubah data sisw a

m enghapus data sisw a mem asukkan

data sisw a

m elihat akurasi

User (Guru)

<<include>>

m engisi data kon tak

m engolah data

<<extend>> <<extend>> <<include>> <<extend>> <<include>> <<include>>

Gambar 3.2 Use Case Diagram

3.2.2 Activity Diagram

Diagram ini dibuat untuk menggambarkan berbagai alir aktivitas dalam sistem Aplikasi Kapelo yang sedang dirancang,. Berikut adalah diagram activity

(66)

3.2.2.1 Activity Diagram (Admin)

3.2.2.1.1 Login

Gambar 3.3 Login Activity Diagr am

(67)

3.2.2.1.2 Memasukkan Data Perhitungan

Gambar 3.4 Memasukkan Data Perhitungan Activity Diagram

(68)

3.2.2.1.3 Memasukkan Data Siswa

Gambar 3.5 Memasukkan Data Siswa Activity Diagram

(69)

3.2.2.1.4 Mengubah Data Siswa

Gambar 3.6 Mengubah Data Siswa Activity Diagram

(70)

3.2.2.1.5 Menghapus Data Siswa

Gambar 3.7 Menghapus Data Siswa Activity Diagram

(71)

3.2.2.1.6 Melihat Akurasi

Gambar 3.8 Melihat Akurasi Activity Diagram

(72)

3.2.2.1.7 Melihat kontak

Gambar 3.9 Melihat Kontak Activity Diagram

(73)

3.2.2.1.8 Logout

Gambar 3.10 Logout Activity Diagr am

(74)

3.2.2.2 Activity Diagram (User)

3.2.2.2.1 Memasukkan Data Perhitungan

Gambar 3.11 Memasukkan Data Perhitungan Activity Diagram

(75)

3.2.2.2.2 Melihat Data Siswa

Gambar 3.12 Melihat Data Siswa Activity Diagram

(76)

3.2.2.2.3 Memasukkan Data Kontak

Gambar 3.13 Memasukkan Data Kontak Activity Diagram

Gambar diatas menjelaskan tentang proses aktivitas dari User dan sistem ketika User me-request perintah kepada sistem untuk memasukkan data kontak dalam database.

3.2.3 Class Diagram

(77)

sama lain seperti generalisasi, depedency, asosiasi, dan lain-lain. Berikut adalah diagram use case dari aplikasi ini :

Gambar 3.14 Class Diagram

3.2.4 Perancangan sistem basis data (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

(78)

Perancangan basis data adalah merupakan sebuah langkah yang harus di tempuh sebelum membangun sebuah sistem dari aplikasi, karena database

termasuk salah satu komponen yang penting dalam penyediaan informasi bagi para pemakai. Tetapi pada Sistem aplikasi yang dibuat ini database yang dibuat hanya untuk menyimpan data siswa dan data-data lain yang tidak memiliki relasi antara satu tabel dengan tabel yang lain. Jadi model data yang ada dalam sistem aplikasi ini tidak menggunakan CDM dan PDM dikarenakan tabel-tabel yang ada di dalam database tidak memiliki relasi satu sama lainnya, jadi hanya digunakan untuk perancangan database melalui tabel saja.

Tabel 3.1 Tabel Rincian Database

No. Nama Tabel Keter angan

1 akurasi_k3 Menyimpan data akurasi K = 3 2 akurasi_k5 Menyimpan data akurasi K = 5 3 akurasi_k7 Menyimpan data akurasi K = 7 4 id_login Menyimpan data-dataAdmin

5 k3 Menyimpan data nilai keanggotaan K = 3 6 k5 Menyimpan data nilai keanggotaan K = 5 7 k7 Menyimpan data nilai keanggotaan K = 7

8 Siswa Menyimpan data-data daftar nama dan semua yang berkaitan dengan nilai akademik dari setiap siswa

Tabel 3.1 tabel rincian database adalah tabel penyusun yang ada di dalam

(79)

K=3, akurasi_k5 yang merupakan tabel yang menyimpan data dari akurasi K=5 yang diperoleh dari perhitungan dari akurasi K=5, akurasi_k7 yang merupakan tabel yang menyimpan data dari akurasi K=7 yang diperoleh dari perhitungan dari akurasi K=7,.id_login merupakan tabel yang berisi dataAdmin untuk proses login

ke dalam aplikasi, k3 adalah tabel yang menyimpan data dari perhitungan akhir aplikasi yang berupa nilai keanggotaan unt