Analisis Algoritma K-Means Untuk Membantu Penjurusan Siswa Di MAN Binong subang

ii ABSTRACT

ALGORITHM K-MEANS ANALYSIS TO HELP MAJOR OF STUDENT AT ISLAMIC SENIOR HIGH SCHOLL COUNTRY BINONG SUBANG

by

ARIM WIJAYA 10106304

Islam senior high school country Binong, is one of the Islam senior high school country at Subang that conducted the majors students of class X (ten) who will continue the study to class XI (eleven). Constraints are often found in the process majors at Islam senior high school country Binong the difficulty determining where students who meet the criteria to occupy a specific majors. This is because the majors process are still done manually, thus requiring time-consuming and inefficient.

This research will be appointed a case that is analyzing the K-Means algorithm for assign majors students at Islam senior high school country Binong Subang. K-Means algorithm can segment (segments) that have the attribute data and have the amount of data that a lot, so it can be used in determining the student who majors in accordance with students' academic abilities.

Based on the analysis of K-Means algorithm for assign majors student, then the conclusion can be drawn is K-Means algorithm is less precise for decision support systems majors but the K-Means algorithm is more appropriate to categorize data based on the data value of students who can give an idea to student majors

i

ABSTRAK

ANALISIS ALGORITMA K-MEANS UNTUK MEMBANTUPENJURUSAN

SISWA DI MAN BINONG SUBANG

Oleh :

ARIM WIJAYA

10106304

MAN Binong, merupakan salah satu sekolah madrasah aliyah negeri di kabupaten Subang yang mengadakan penjurusan siswa kelas X (sepuluh) yang akan melanjutkan study ke kelas XI (sebelas). Kendala yang sering ditemukan dalam proses penjurusan di MAN Binong yaitu sulitnya menentukan siswa mana yang memenuhi kriteria untuk menempati jurusan tertentu. Hal ini dikarenakan proses penjurusan masih dilakukan dengan manual, sehingga membutuhkan waktu yang cukup lama dan dinilai kurang efisien.

Pada penelitian ini akan diangkat suatu kasus yaitu menganalisis algoritma K-Means untuk membantu penjurusan 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 membantu 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.

ALGORITHM K-MEANS ANALYSIS TO HELP MAJOR OF STUDENT AT ISLAMIC SENIOR HIGH SCHOLL COUNTRY BINONG SUBANG

Arim Wijaya

Universitas Komputer Indonesia Jl. Dipati Ukur No.112 Bandung 40132

Email : arim.wijaya@yahoo.co.id

ABSTRAK

Islam senior high school country Binong, is one of the Islam senior high school country at Subang that conducted the majors students of class X (ten) who will continue the study to class XI (eleven). Constraints are often found in the process majors at Islam senior high school country Binong the difficulty determining where students who meet the criteria to occupy a specific majors. This is because the majors process are still done manually, thus requiring time-consuming and inefficient.

This research will be appointed a case that is analyzing the K-Means algorithm for assign majors students at Islam senior high school country Binong Subang. K-Means algorithm can segment (segments) that have the attribute data and have the amount of data that a lot, so it can be used in determining the student who majors in accordance with students' academic abilities.

Based on the analysis of K-Means algorithm for assign majors student, then the conclusion can be drawn is K-Means algorithm is less precise for decision support systems majors but the K-Means algorithm is more appropriate to categorize data based on the data value of students who can give an idea to student majors

Keyword : Analysis, K-Means, Majors,Value

1 INTRODUCTION

1.1 Probem Indentification

The difficulty of determining which students are eligible to occupy a specific majors.

1.2 Mean and Purpose

The purpose of this thesis is to whether the K-Means algorithm can help the student majors in MAN Subang Binong

The proposed objective is to test whether or not proper k-means algorithm in helping students' majors.

1.3 Benefits

The benefits in anlisis k-means algorithm in helping these students' majors are able to provide images for student majors

2. MODEL, ANALYSIS, DESIGN

AND IMPLEMENTATION 2.1 Model

1.Stage of data collection a. Book study b. Field studies b.1 Interview b.2 Observasition

2. Stage of software development. a. System engineering b. Requirement analysis

c. System Design

d. System Coding

e. System Testing

f. System Maintenance 2.2 Problem Identification

Based on analysis and interviews on what is needed in assessing k-means algorithm is then to be evaluated the following: The decision making process on MAN Binong majors students are still done manually, ie by collecting the value of each semester from X to the homeroom teacher guidance counseling (the majors) and then they analyze and calculate the results and match it with a specific department criteria. It is difficult for teachers'guidance and counseling (the majors) MAN Binong in students' majors and require considerable time to analyze it.

2.3 Algorithm K-Means Analisys

that is included in a particular cluster at any stage of the process, at a later stage move to another cluster. K-Means to separate the data into separate parts of the region k, where k is a positive integer. K-Means algorithm is very famous for its ease and its ability to classify large data very quickly and outlier

Here are the steps of K-Means algorithm: 1. Determination of initial cluster

centers

In determining the initial cluster centers n is the generation of random numbers that represent the input data sequence. Initial cluster centers obtained from the data itself rather than by defining a new point, namely the central menrandom beginning of the data.

2. The calculation of the distance to the cluster center

To measure the distance between cluster center used data with Euclidean distance. Distance calculation algorithm of data with the central cluster

1) Take the data value and the value of cluster centers

2) Calculate the Euclidean distance data with each cluster center

3. Grouping data

The distance calculation will be done comparisons and selected the closest distance between the data with the central cluster, this distance indicates that these data are in one group with the nearest cluster center.

Data clustering algorithm

1. Take the distance from the center of each cluster with the data

2. Find the smallest distance value

3. Group data with a central cluster that has the smallest distance..

4. Determination of a new cluster center

To get a new cluster center can be calculated from the average value of cluster members and cluster centers. The new cluster center is used to perform the next iteration, if the results obtained have not converged. Iteration process will stop if it meets the maximum iteration is entered by the user or the results achieved are convergent (the new cluster center equal to the old cluster center).

New cluster center determination algorithms

1. Find the number of members of each cluster

2. Calculate the new center with the formula

New cluster center = x1 + x2 + x3

+ ... + xn + xp

Juml + 1

Where:

x1, x2, x3, ... xn = cluster members

xp = old center

interviews, and Psikotest and a crisp output of the department..

1.Composition Rules

In determining fuzzynya general inference can be written as follows: μf (xi) = max (μf (xi), μk (xi)) Description:

μf (xi): the fuzzy membership value

to the rule to - i

μk (xi): membership value of fuzzy rule consequent to - i

2.The assertion (defuzzyfication)

Defuzzyfication process can be written as follows:

Description:

Z = value - average weighted

μf = fuzzy membership value as a result of

the composition rules

Xi = value domain

2.3.1 Proses Clustering Algorithm K-Means

At this phase will be the main process of segmenting the data value accessed from a database which is a method of K-Means clustering algorithm. Here's a flowchart diagram of K-Means algorithm with the assumption that the input parameter is the number of data sets of n data and the number of initial centroids K = 2 corresponds to the number of existing majors in MAN Binong of Science and Social Science

Mulai Jumlah Attribut = 8 Jumlah Centroid = 2 Random Centroid

awal Hitung setiap data dengan

setiap centorid Pengelompokan data berdasarkan jarak terdekat

Update centroid cluster baru Optimal jarak?

Selesai

Interaksi = 50? Hitung setiap data dengan

setiap centorid

Ya Tidak

Tidak

Ya

Figure 1 Flow Chart Process K-Means Algorithm

2.4 Desain

1. Entity Relationship Diagram (ERD) ERD can be illustrated in Figure 2.

Memiliki

Kelas Memiliki Thn Ajaran

Siswa Nilai Mata_Pelajaran

memiliki Bobot_nilai NIS Kd_kelas kdmp Kd_thnajaran kdmp Id_nilai NIS Hasil_Penjurusan Menghasilkan User mengolah 1 1 Memiliki id N N Id_hasil_penjurusan Id_user Memiliki N 1 Jurusan memiliki 1 memiliki memiliki 1 1 N N 1 1 1 N 1 N N N N 1 kodejurusan N

Figure 2. Entiry Relationship Diagram

2. Table Relasi

Relation schema analysis of k-means algorithm to help the majors can be seen in figure 3. pelamar PK kd_pelamar nama_pelamar ktp tp_lahir tgl_lahir jns_kelamin alamat no_tlp agama pendididkan_akhir FK1kd_keahlian FK2kd_jurusan penilaian PK id_penilaian nilai FK2username FK1kd_seleksi FK3kd_pelamar total_nilai status_kelulusan kriteria_seleksi PK kd_seleksi jenis_seleksi FK1periode departemen PKkd_departemen nama_departemen range_nilai kebutuhan user PKusername password level status standarnilai_kriteriaseleksi PK kd_standarnilai tpe bts_atas bts_bawah FK1kd_seleksi kriteria_penempatan_departemen PK kd_kriteria_penempatan jenis bobot FK1periode keahlian PK kd_keahlian keahlian FK1kd_departemen tahun_periode PKperiode nilai_minimum jurusan PKkd_jurusan nama penempatan PK kd_penempatan keahlian wawancara psikotest FK1kd_pelamar FK2kd_kriteria_penempatan FK3kd_departemen Figure 3. Relation Schema

3. Context Diagram

Context diagram can be seen in figure 4

Sistem pendukung keputusan penerimaan karyawan admin Pegawai bidminku Data login

Data tahun periode Data user Data departemen Data kriteria seleksi Data standar nilai kriteria seleksi Data kriteria penempatan departemen Data jurusan Data keahlian

Info login invalid Info tahun periode Info user Info departemen Info kriteria seleksi Info standar nilai kriteria seleksi Info kriteria penempatan departemen Info jurusan Info keahlian

Data login Data tahun periode Data pelamar Data password yang diubah Data penilaian

Info login invalid Info tahun periode Info pelamar Info password yang diubah Info penilaian

Figure 4. Context Diagram

4. Data Flow Diagram (DFD) DFD can be seen in figure 5

1.0 Login admin

user

2.0 Pengolahan data master Data login

Data tahun periode

Info login invalid Info tahun periode Data login

Info login invalid

Data user Data password yang diubah Info user Info password yang diubah

Dat a ke a hl ian Dat a kri ter ia pen emp at an dep art eme n Dat a st anda r n il a i kri ter ia s e leksi Dat a kri ter ia se leksi Dat a d epar teme n Dat a u s e r Dat a j uru sa n in fo k e ahl ian In fo kri ter ia pene mp at an dep art eme n In fo sta n dar ni lai kri teri a se le k si in fo k r ite ri a se le k si In fo dep art eme n In fo jur usa n departemen Datadepa rte me n Inf o depa rte me n pelamar Dat a p el ama r Inf o pel a ma r kriteria seleksi Data kri teri a se le k si Info kri teri a s e leksi 3.0 Pengolahan nilai pegawai bidminku Data login

Info login invalid

Data pelamar Data password yang diubah Info pelamar Info password yang diubah

Request data departemen Info departemen

Request data pelamar Info pelamar

Request data kriteria seleksi Info kriteria seleksi

Data penilaian Data penempatan Info penilaian Info penempatan penilaian Da ta pen il a ian Inf o p eni lai a n Standar nilai Kriteria seleksi Dat a st anda r n ila i kri ter ia s e leksi In fo sta n dar ni lai k rite ri a se leksi

Request data standar nilai kriteria seleksi

info data standar nilai kriteria seleksi penempatan Da ta pen emp a tan in fo pen emp at an

Request data user

info user

Data login valid

Dat a logi n va li d Kriteria penempatan departemen D ata kri teri a p enemp ata n de part eme n in fo kri teri a pene mp at an d epar teme n

Info kriteria penempatan departemen Request kriteria penempatan departemen keahlian Data ke ah li an inf o ke a hl ian

request data keahlian Info keahlian Tahun_periode L ogi n va li d se b agai a dmi n dan peg awai bi dmi nku

Login valid sebagai pegawai bidminku jurusan Dat a j uru sa n Dat a j uru sa n 4.0 Laporan Data ce tak l a pora n inf o ce tak l apor an

Data login valid

5.0 Periode Data tahun periode info tahun periode

Dat a tah un peri ode info t ahu n p eri o de Data ta hun pe ri od e inf o t ahu n p eriode Data t ahun pe ri o de Dat a t ahu n p eri o de

Data tahun periode

Figure 5. DFD Level 1

5. Perancangan Antarmuka

Gambar gedung sekolah .:Halaman Utama:.

File Pengolahan Data Penjurusan Siswa Laporan

MADRASAH ALIYAH NEGERI BINONG

_ U X

Figure 6. Antarmuka Menu Utama

1.4Implemention

Implementation phase is done after doing the analysis stage of design in the system 1. Implementation hardware

Table 1 The hardware used

Perangkat Server Client

Processor Kecepatan

800 MHz

Kecepatan 500 MHz

RAM 1 GHz 512 MHz

Harddisk 80 Gb 80 Gb

Monitor Resolusi

1024 x 768

Resolusi 1024 x 768

VGA 128 Mb 128 Mb

Lan Card 10/100

Mbps 10/100 Mbps

2. Implementation software

The software needed to implement software from can be seen in table 2.

Table 2 The software used

Perangkat Lunak Keterangan

Operation Sistem Windows XP

Profesional SP III

Programming Languages Delphi 7

Database Server MySQL 5.0.51b

3. Implementation interface

Implementation interface is as follows. a. Login Interface

b. Views main page

3. RESULTS AND

DISCUSSION

Based on the results of interviews with employees of the majors can be concluded that a system built to help the majors

4 CONCLUSIONS AND

RECOMMENDATIONS 2.1 Conclusions

After doing the analysis, design,

implementation and testing, then we concluded that the student majors in MAN Binong Subang using K-Means algorithm will take up a lot of time, so that K-Means algorithm less than optimal in the majors to help students in MAN Binong Subang. K-Means algorithm is more suitable for determining the majors of students who have close proximity to the center of the cluster, but for students who have long distances to the clusters easier to use manual processes majors.

2.2 Recommendation

Based on the above conclusion, it is expected in the future is in the process of student majors in MAN Subang Binong selectable algorithms / methods are more suited to the concept of the student majors in MAN Binong Subang, so that the process of majors in MAN Subang Binong.

5 BIBLIOGRAPHY

[1] Agus, M, (2002), Belajar Sendiri Borland Delphi 7, Jakarta : Exex Media Komputido.

[2] Agusta, Yudi. Pebruari 2007. “ K-Means Penerapan, Permasalahan dan Metode Terkait”. Jurnal Sistem dan Informatika Vol.3 : 47-60.

[3] Barakhbah, Ali Ridho. 2006. Workshop Data Mining - Cluster Analysis.: PENS-ITS Surabaya.

[4] Forta, Ben, (2000), Belajar Sendiri SQL, Yogyakarta :Andi

[5] Fathansyah (2007), Basis Data,

Informatika, Bandung.

[6]

http://www-2.cs.cmu.edu/~awm/tutorials/kmeans.h tml pada tanggal 21 Maret 2010 Pukul 21.15WIB

Terstruktur Teori dan Praktek Aplikasi Bisnis, Andi, Yogyakarta.

[8] Rismawan, Tedy. Juni 2008 . “Aplikasi K-Means untuk Pengelompokan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka”. Jurnal Seminar Nasional Aplikasi Teknologi Informasi ISSN: 1907-5022

[9] Prayitno (2009), Penentuan Bidang Konsentrasi Studi Tugas Akhir Berdasarkan Nilai Matakuliah Dengan Klasterisasi Kmeans, Proyek Akhir, PENS-ITS Surabaya

ANALISI ALGORTIMA K-MEANS UNTUK SISTEM PENDUKUNG KEPUTUSAN PENJURUSAN SISWA DI MAN BINONG SUBANG

Arim Wijaya

Universitas Komputer Indonesia Jl. Dipati Ukur No.112 Bandung 40132

Email : arim.wijaya@yahoo.co.id

ABSTRAK

MAN Binong, merupakan salah satu sekolah madrasah aliyah negeri di kabupaten Subang yang mengadakan penjurusan siswa kelas X (sepuluh) yang akan melanjutkan study ke kelas XI (sebelas). Kendala yang sering ditemukan dalam proses penjurusan di MAN Binong yaitu sulitnya menentukan siswa mana yang memenuhi kriteria untuk menempati jurusan tertentu. Hal ini dikarenakan proses penjurusan masih dilakukan dengan manual, sehingga membutuhkan waktu yang cukup lama dan dinilai kurang efisien.

Pada penelitian ini akan diangkat suatu kasus yaitu menganalisis algoritma K-Means untuk sistem pendukung keputusan penjurusan 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.

Kata kunci : Analisis, Sistem Pendukung Keputusan, K-Means, Penjurusan, Nilai

1. PENDAHULUAN

1.1 Identifikasi Masalah

Sulitnya menentukan siswa mana yang memenuhi kriteria untuk menempati jurusan tertentu.

1.2 Maksud dan Tujuan

Adapun maksud dari penulisan tugas akhir ini adalah menganalisis algoritma K-Means untuk sistem pendukung keputusan penjurusan siswa di MAN Binong Suban Adapun tujuan yang ingin dicapai adalah untuk menguji tepat atau tidaknya algoritma

k-means dalam sistem pendukung keputusan penjurusan siswa.

1.3 Manfaat

Manfaat yang didapat dalam anlisis algortima k-means dalam sistem pendukung keputusan penjurusan siswa ini adalah

mampu memberikan gambaran untuk

penjurusan siswa.

2. MODEL, ANALISA, DESAIN,

DAN IMPLEMENTASI 2.1 Model

1.Tahap pengumpulan data a. Studi pustaka b. Studi lapangan b.1 Wawancara b.2 Observasi

2. Tahap pengembangan perangkat lunak. a. System engineering

b. Requirement analysis

c. System Design (perancangan)

d. System Coding (pengkodean)

e. System Testing (pengujian)

f. System Maintenance (pemeliharaan) 2.2 Analisis Masalah

Berdasakan pada analisis dan hasil

wawancara terhadap apa yang dibutuhkan dalam mengalisis algoritma k-means ini maka dapat dievaluasi hal berikut :

X kepada guru bimbingan konseling (bagian penjurusan) lalu mereka menganalisis dan menghitung hasilnya serta mencocokkannya dengan kriteria jurusan tertentu. Hal ini menyulitkan guru bimbingan konseling (bagian penjurusan) MAN Binong dalam penjurusan siswa serta membutuhkan waktu yang cukup lama untuk menganalisisnya.

2.3 Analisis Algoritma K-Means K-Means termasuk dalam partitioning clustering yaitu setiap data harus masuk dalam cluster tertentu dan memungkinkan bagi setiap data yang termasuk dalam cluster

tertentu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster

yang lain. K-Means memisahkan data ke k

daerah bagian yang terpisah, dimana k

adalah bilangan integer positif. Algoritma K-Means sangat terkenal karena kemudahan dan kemampuannya untuk mengklasifikasi data besar dan outlier dengan sangat cepat Berikut adalah langkah-langkah algoritma

K-Means :

1. Penentuan pusat cluster awal Dalam menentukan n buah pusat

cluster awal dilakukan pembangkitan bilangan random yang merepresentasikan urutan data input. Pusat awal cluster

didapatkan dari data sendiri bukan dengan menentukan titik baru, yaitu dengan menrandom pusat awal dari data.

2. Perhitungan jarak dengan pusat

cluster

Untuk mengukur jarak antara data dengan pusat cluster digunakan Euclidian distance.

Algoritma perhitungan jarak data dengan pusat cluster

1) Ambil nilai data dan nilai pusat

cluster

2) Hitung Euclidian distance data dengan tiap pusat cluster

3. Pengelompokkan data

Jarak hasil perhitungan akan

dilakukan perbandingan dan dipilih jarak terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat

cluster terdekat.

Algoritma pengelompokkan data

1. Ambil nilai jarak tiap pusat cluster

dengan data

2. Cari nilai jarak terkecil

3. Kelompokkan data dengan pusat

cluster yang memiliki jarak terkecil.

4. Penentuan pusat cluster baru Untuk mendapatkan pusat cluster

baru bisa dihitung dari rata-rata nilai anggota cluster dan pusat cluster. Pusat

cluster yang baru digunakan untuk melakukan iterasi selanjutnya, jika hasil yang didapatkan belum konvergen. Proses iterasi akan berhenti jika telah memenuhi maksimum iterasi yang dimasukkan oleh

User atau hasil yang dicapai sudah konvergen (pusat cluster baru sama dengan pusat cluster lama).

Algoritma penentuan pusat cluster baru 1. Cari jumlah anggota tiap cluster

2. Hitung pusat baru dengan rumus

Pusat cluster baru =

x1+x2+x3+…+xn+xp

Juml + 1 Dimana :

x1, x2, x3,…xn = anggota cluster

xp = pusat lama

wawancara, dan psikotest serta 1 crisp output yaitu departemen.

1.Komposisi Aturan

Dalam menentukan inferensi fuzzynya secara umum dapat dituliskan sebagai berikut :

µf (xi) = max (µf (xi) , µk (xi)) Keterangan :

µf (xi) : nilai keanggotaan fuzzy sampai aturan ke – i

µk (xi) : nilai keanggotaan konsekuen fuzzy

aturan ke – i 2.Penegasan (Defuzzifikasi)

Proses defuzzifikasi dapat dituliskan sebagai berikut :

Keterangan :

Z = nilai rata – rata terbobot

µf = nilai keanggotaan fuzzy sebagai hasil dari komposisi aturan

2.3.1 Proses Clustering Algoritma

K-Means

Pada tahap ini akan dilakukan proses utama yaitu segmentasi data nilai yang diakses dari database yaitu sebuah metode

clustering algoritma K-Means. Berikut ini merupakan diagram flowchart dari algoritma

K-Means dengan asumsi bahwa parameter

input adalah jumlah data set sebanyak n data dan jumlah inisialisasi centroid K=2 sesuai dengan jumlah jurusan yang ada di MAN Binong yaitu IPA dan IPS.

Gambar 3.3 adalah gambar flow chart

proses K-Means pada aplikasi penentuan penjurusan berdasarkan nilai semester.

Mulai Jumlah Attribut = 8 Jumlah Centroid = 2 Random Centroid

awal Hitung setiap data dengan

setiap centorid Pengelompokan data berdasarkan jarak terdekat

Update centroid cluster baru Optimal jarak?

Selesai

Interaksi = 50? Hitung setiap data dengan

setiap centorid

Ya Tidak

Tidak

Ya

Gambar 1 Flow Chart Proses Algoritma K-Means

2.4 Desain

1. Entity Relationship Diagram (ERD)

ERD Sistem pendukung keputusan

penjurusan ini digambarkan pada gambar 2.

Memiliki

Kelas Memiliki Thn Ajaran

Siswa Nilai Mata_Pelajaran

memiliki Bobot_nilai NIS Kd_kelas kdmp Kd_thnajaran kdmp Id_nilai NIS Hasil_Penjurusan Menghasilkan User mengolah 1 1 Memiliki id N N Id_hasil_penjurusan Id_user Memiliki N 1 Jurusan memiliki 1 memiliki memiliki 1 1 N N 1 1 1 N 1 N N N N 1 kodejurusan N

Gambar 1. Entiry Relationship Diagram

2. Relasi Tabel

Skema relasi analisis algoritma k-measn

untuk sistem pendukung keputusan

penjurusan dapat dilihat pada gambar 3.

pelamar PK kd_pelamar nama_pelamar ktp tp_lahir tgl_lahir jns_kelamin alamat no_tlp agama pendididkan_akhir FK1kd_keahlian FK2kd_jurusan penilaian PK id_penilaian nilai FK2username FK1kd_seleksi FK3kd_pelamar total_nilai status_kelulusan kriteria_seleksi PK kd_seleksi jenis_seleksi FK1periode departemen PKkd_departemen nama_departemen range_nilai kebutuhan user PKusername password level status standarnilai_kriteriaseleksi PK kd_standarnilai tpe bts_atas bts_bawah FK1kd_seleksi kriteria_penempatan_departemen PK kd_kriteria_penempatan jenis bobot FK1periode keahlian PK kd_keahlian keahlian FK1kd_departemen tahun_periode PKperiode nilai_minimum jurusan PKkd_jurusan nama penempatan PK kd_penempatan keahlian wawancara psikotest FK1kd_pelamar FK2kd_kriteria_penempatan FK3kd_departemen

Gambar 2. Skema Relasi

3. Diagram Konteks

Diagram konteks sistem pendukung

keputusan penerimaan karyawan pada

departemen tertentu di PT. Pindad (Persero) dapat dilihat pada gambar 3.

Sistem pendukung keputusan penerimaan karyawan admin Pegawai bidminku Data login

Data tahun periode Data user Data departemen Data kriteria seleksi Data standar nilai kriteria seleksi Data kriteria penempatan departemen Data jurusan Data keahlian

Info login invalid Info tahun periode Info user Info departemen Info kriteria seleksi Info standar nilai kriteria seleksi Info kriteria penempatan departemen Info jurusan Info keahlian

Data login Data tahun periode Data pelamar Data password yang diubah Data penilaian

Info login invalid Info tahun periode Info pelamar Info password yang diubah Info penilaian Gambar 3. Diagram Konteks

4. Data Flow Diagram (DFD)

DFD sistem pendukung keputusan

penerimaan karyawan pada departemen tertentu di PT. Pindad (Persero) dapat dilihat pada gambar 4.

1.0 Login admin

user

2.0 Pengolahan data master Data login

Data tahun periode

Info login invalid Info tahun periode Data login

Info login invalid

Data user Data password yang diubah Info user Info password yang diubah

Dat a ke a hl ian Dat a kri ter ia pen emp at an dep art eme n Dat a st anda r n il a i kri ter ia s e leksi Dat a kri ter ia se leksi Dat a d epar teme n Dat a u s e r Dat a j uru sa n in fo k e ahl ian In fo kri ter ia pen emp at an dep art eme n In fo sta n dar ni lai kri teri a se le k si in fo k r ite ri a se le k si In fo dep art eme n In fo jur usa n departemen Datadepa rte me n Inf o depa rte me n pelamar Dat a p el ama r Inf o pel a ma r kriteria seleksi Data kri teri a se le k si Info kri teri a s e leksi 3.0 Pengolahan nilai pegawai bidminku Data login

Info login invalid

Data pelamar Data password yang diubah Info pelamar Info password yang diubah

Request data departemen Info departemen

Request data pelamar Info pelamar

Request data kriteria seleksi Info kriteria seleksi

Data penilaian Data penempatan Info penilaian Info penempatan penilaian Da ta pen il a ian Inf o p eni lai a n Standar nilai Kriteria seleksi Dat a st anda r n ila i kri ter ia s e leksi In fo sta n dar ni lai k rite ri a se leksi

Request data standar nilai kriteria seleksi

info data standar nilai kriteria seleksi penempatan Da ta pen emp a tan in fo pen emp at an

Request data user

info user

Data login valid

Dat a logi n va li d Kriteria penempatan departemen D ata kri teri a p enemp ata n de part eme n in fo kri teri a pene mp at an d epar teme n

Info kriteria penempatan departemen Request kriteria penempatan departemen keahlian Data ke ah li an inf o ke a hl ian

request data keahlian Info keahlian Tahun_periode L ogi n va li d se b agai a dmi n dan peg awai bi dmi nku

Login valid sebagai pegawai bidminku jurusan Dat a j uru sa n Dat a j uru sa n 4.0 Laporan Data ce tak l a pora n inf o ce tak l apor an

Data login valid

5.0 Periode Data tahun periode info tahun periode

Dat a tah un peri ode info t ahu n p eri o de Data ta hun pe ri od e inf o t ahu n p eri ode Data t ahun pe ri o de Dat a t ahu n p eri o de

Data tahun periode

5. Perancangan Antarmuka

Gambar gedung sekolah .:Halaman Utama:.

File Pengolahan Data Penjurusan Siswa Laporan

MADRASAH ALIYAH NEGERI BINONG

_ U X

Gambar 5. Antarmuka Menu Utama

1.4Implementasi

Tahap implementasi dilakukan setelah melakukan tahap analisis perancangan pada sistem.

1. Implementasi perangkat keras

Perangkat keras yang diperlukan untuk mengimplementasikan perangkat lunak dari dapat dilihat pada tabel 3.

Tabel 1 Perangkat keras yang digunakan

Perangkat Server Client

Processor Kecepatan

800 MHz

Kecepatan 500 MHz

RAM 1 GHz 512 MHz

Harddisk 80 Gb 80 Gb

Monitor Resolusi

1024 x 768

Resolusi 1024 x 768

VGA 128 Mb 128 Mb

Lan Card 10/100

Mbps 10/100 Mbps

2. Implementasi perangkat lunak

Perangkat lunak yang digunakan untuk mengimplementasikan dapat dilihat pada tabel 4.

Tabel 2 Perangkat Lunak yang digunakan

Perangkat Lunak Keterangan

Sistem Operasi Windows XP

Profesional SP III

Bahasa Pemograman Delphi 7

Database Server MySQL 5.0.51b

3. Implementasi antarmuka

Implementasi antarmuka sistem pendukung keputusan penerimaan karyawan adalah sebagai berikut.

a. Tampilan antarmuka Login

b. Tampilan halaman utama

3. HASIL DAN DISKUSI

Berdasarkan hasil wawancara dengan

pegawai bagian penjurusan dapat

disimpulkan bahwa sistem yang dibangun dapat membantu bagian penjurusan

4. KESIMPULAN DAN SARAN

2.1 Kesimpulan

Bahwa proses penjurusan siswa di MAN

Binong Subang dengan menggunakan

algoritma K-Means kurang optimal,

dikarenakan akan banyak waktu yang tersita. 2.2 Saran

Berdasarkan kesimpulan di atas, hal yang diharapakan kedepan adalah dalam proses penjurusan siswa di MAN Binong Subang dapat dipilih algoritma/metode yang lebih cocok dengan konsep proses penjurusan siswa di MAN Binong Subang, sehingga proses penjurusan di MAN Binong Subang lebih optimal dan bisa membantu guru BK dalam menentukan penjurusan siswa.

5. DAFTAR PUSTAKA

[1] Agus, M, (2002), Belajar Sendiri Borland Delphi 7, Jakarta : Exex Media Komputido.

[3] Barakhbah, Ali Ridho. 2006. Workshop Data Mining - Cluster Analysis.: PENS-ITS Surabaya.

[4] Forta, Ben, (2000), Belajar Sendiri SQL, Yogyakarta :Andi

[5] Fathansyah (2007), Basis Data,

Informatika, Bandung.

[6]

http://www-2.cs.cmu.edu/~awm/tutorials/kmeans.h tml pada tanggal 21 Maret 2010 Pukul 21.15WIB

[7] Jogiyanto, HM. (2005), Analisis dan Desain Sistem Informasi: Pendekatan Terstruktur Teori dan Praktek Aplikasi Bisnis, Andi, Yogyakarta.

[8] Rismawan, Tedy. Juni 2008 . “Aplikasi K-Means untuk Pengelompokan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka”. Jurnal Seminar Nasional Aplikasi Teknologi Informasi ISSN: 1907-5022

[9] Prayitno (2009), Penentuan Bidang Konsentrasi Studi Tugas Akhir Berdasarkan Nilai Matakuliah Dengan Klasterisasi Kmeans, Proyek Akhir, PENS-ITS Surabaya

1

BAB 1

PENDAHULUAN

1.1. Latar Belakang

MAN Binong Subang merupakan salah satu Sekolah Madrasah Aliyah Negeri yang terdidik dalam nuansa islami dan memiliki asas kekeluargaan. MAN Binong Subang bertujuan untuk pemantapan sikap dan kepribadian yang agamis dalam kehidupan sehari-hari melalui pembiasaan pengamalan keagamaan dan melaksanakan pembelajaran yang berbasis kemampuan sehingga siswa berkembang sesuai dengan bakat dan kemampuannya. Dalam mencapai tujuan tersebut, pihak sekolah membekali siswa dengan keahlian sesuai dengan program studi yang diambil dan memfasilitasi pengembangan kemampuan siswa tersebut. Salah satu program yang disediakan MAN Binong Subang dalam pengembangan kemampuan siswa adalah penentuan penjurusan. Penjurusan dilakukan pada saat siswa akan melanjutkan study dari kelas X (sepuluh) ke kelas XI (sebelas).

2

lain yang didapat dari guru BK adalah mereka akan mengalami kesulitan menentukan jurusan ketika siswa berminat ke jurusan IPA namun kriteria siswa tersebut hanya memenuhi untuk masuk jurusan IPS atau sebaliknya. Jadi masalah setelah proses penjurusan adalah ketidakcocokan antara minat dengan kemampuan siswa.

Algoritma K-Means merupakan metode untuk mengelompokkan objek atau data yang mempunyai atribut dan mempunyai jumlah data yang banyak ke dalam bentuk satu atau lebih kelompok, sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster/kelompok yang sama. Berdasarkan latar belakang yang telah dikemukakan, maka dianalisislah algoritma k-means untuk mengetahui apakah dapat membantu penjurusan.di MAN Binong Subang.

1.2. Identifikasi Masalah

Sesuai dengan latar belakang masalah di atas, masalah yang akan dibahas dalam penulisan tugas akhir ini adalah apakah algoritma K-Means dapat membantu penjurusan siswa di MAN Binong Subang.

1.3. Maksud dan Tujuan

Maksud dari penulisan tugas akhir ini adalah untuk mengetahui apakah

3

1.4. Batasan Masalah

Agar masalah yang sedang penulis tinjau lebih terarah dan mencapai sasaran yang telah ditentukan, yaitu menganalisis algoritma K-Means untuk membantu penjurusan di MAN Binong Subang maka, batasan-batasan masalah yang akan dibahas adalah sebagai berikut:

1. Data yang digunakna untuk proses analisis algoritma K-Means adalah data nilai. Nilai yang diambil sebagai dasar untuk proses clustering adalah nilai rata-rata semester I dan semester II di kelas X (sepuluh).

2. Faktor yang dibandingkan adalah nilai IPA (Matematika, Kimia, Fisika, Biologi), IPS (Ekonomi, Sejarah, Geografi, Sosiologi) dan nilai Psikotest. 3. Metode analisis yang digunakan dalam pembangunan sistem ini berdasarkan

data terstruktur yaitu menggunakan flowmap dan ERD dan untuk menggambarkan diagram proses menggunakan DFD.

4. Pemodelan analisis perangkat lunak yang digunakan adalah sistem operasi Microsoft Windows XP Professional, Bahasa Pemrogramannya menggunakan Delphi 7.0, serta menggunakan database yaitu MySQL.

1.5. Metodologi Penelitian

Metodologi penelitian yang digunakan dalam penulisan skripsi ini adalah sebagai berikut :

1. Tahap pengumpulan data

4

a. Studi literatur

Pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper dan bacaan-bacaan yang ada kaitannya dengan judul penelitian.

b. Observasi

Teknik pengumpulan data dengan mengadakan penelitian dan peninjauan langsung terhadap permasalahan yang diambil.

c. Wawancara

Teknik pengumpulan data dengan mengadakan tanya jawab secara langsung dengan pihak perusahaan terhadap permasalahan yang diteliti. 2. Model Pengembangan Perangkat Lunak

Model pengembangan dalam pembuatan perangkat lunak ini menggunakan model waterfall, yang meliputi beberapa proses diantaranya :

a. System Engineering

System engineering merupakan tahap untuk menetapkan berbagai kebutuhan dari semua elemen yang diperlukan sistem dan mengalokasikannya ke dalam pembentukan perangkat lunak.

b. System Analysis

System analysis merupakan tahap menganalisis hal-hal yang diperlukan dalam pelaksanaan pembuatan perangkat lunak.

c. System Design

5

d. System Coding

System coding merupakan tahap penerjemahan data atau pemecahan masalah yang telah dirancang keadalam bahasa pemrograman tertentu. e. System Testing

System testing merupakan tahap pengujian terhadap perangkat lunak yang dibangun.

f. System Maintenance

System maintenance merupakan tahap akhir dimana suatu perangkat lunak yang sudah selesai dapat mengalami perubahan–perubahan atau penambahan sesuai dengan permintaan user.

System Engineering

System Analysis

System Testing System

Design

System Coding

System Maintenance

Feedback

Gambar 1.1 Model Waterfall

1.6.Sistematika Penulisan

6

BAB 1 PENDAHULUAN

Bab 1 menguraikan tentang latar belakang permasalahan, mencoba merumuskan inti permasalahan yang dihadapi, menentukan tujuan dan kegunaan penelitian, yang kemudian diikuti dengan pembatasan masalah, asumsi, serta sistematika penulisan.

BAB 2. TINJAUAN PUSTAKA

Bab 2 membahas tentang tinjauan perusahaan yang menjadi tempat penelitian dan Bab 2 juga membahas berbagai konsep dasar dan teori-teori yang berkaitan dengan topik penelitian yang dilakukan dan hal-hal yang berguna dalam proses analisis permasalahan serta tinjauan terhadap penelitian-penelitian serupa yang telah pernah dilakukan sebelumnya termasuk sintesisnya.

BAB 3. ANALISIS DAN PERANCANGAN

Bab 3 membahas tentang analisis sistem, pengguna, serta perancangan sistem untuk pembangunan aplikasi sistem pendukung keputusan.

BAB 4. IMPLEMENTASI DAN PENGUJIAN

Bab 4 membahas tentang implementasi dan pengujian sistem yang telah dikerjakan serta menerapkan kegiatan implementasi dan pengujian pada perangkat lunak aplikasi sistem pendukung keputusan.

BAB 5. KESIMPULAN DAN SARAN

8

BAB 2

TINJAUAN PUSTAKA

2.1. Tinjauan Instansi

Tinjauan instansi akan mengetengahkan tentang sejarah, visi dan misi, dan struktur organisasi yang ada pada MAN Binong Kabupaten Subang.

2.1.1. Sejarah MAN Binong Kabupaten Subang

MAN Binong dalam prosesnya merupakan penegerian dari MAS Darul

Ma’arif Pamanukan berdasarkan Surat Keputusan Menteri Agama No. 515A

Tanggal 25 November 1995 dengan nama MAN Pamanukan dengan lokasi di lingkungan Yayasan Darul Ma’arif Pamanukan. Namun dalam perjalanannya, staf

guru Yayasan Pendidikan Islam Darul Ma’arif Pamanukan menolak keberadaan

9

tersebut, maka proses KBM sempat berpindah-berpindah tempat di KUA Kec. Binong, MTs Darul Hikam dan MTs Darul Fikri Ulum.

Pada Tahun 1998 dibangunlah gedung sekolah yang cukup representatif di tanah wakaf tersebut sebanyak 6 ruang belajar yang berlokasi di Desa Cicadas Kecamatan Binong Kabupaten Subang dengan tetap memakai nama MAN Pamanukan. Mengingat nama MAN Pamanukan dirasa janggal, karena lokasi MAN Pamanukan berada di wilayah Binong maka dikeluarkanlah Peraturan Menteri Agama Republik Indonesia No. 4 Tahun 2006 tentang Perubahan Atas lampiran Keputusan Menteri Agama No. 515A Tahun 1995 tentang Pembukaan dan Penegerian beberapa Madrasah yang mengubah nama MAN Pamanukan menjadi MAN Binong. Sesuai dinamika waktu yang telah mencapai selama 13 tahun, MAN Binong mengalami perkembangan baik secara fisik dan non fisik dan berusaha untuk berbenah sesuai dengan tuntutan dinamika pendidikan yang senantiasa berubah. Menyadari akan hal tersebut, maka MAN Binong berusaha untuk melakukan inovasi sesuai dengan perubahan zaman guna mempersiapkan lulusannya untuk menempuh pendidikan yang lebih tinggi dan sekaligus membekali untuk hidup bermasyarakat.

2.1.2. Visi dan Misi

10

a. Visi

Terdidik dalam nuansa Islami, unggul dalam prestasi dan berakhlakul karimah.

b. Misi

1. Pemantapan sikap dan kepribadian yang agamis dalam kehidupan sehari-hari melalui pembiasaan pengamalan keagamaan.

2. Melaksanakan pembelajaran yang berbasis kemampuan sehingga siswa berkembang sesuai dengan bakat, minat dan kemampuannya.

3. Membantu setiap siswa memahami tentang kemampuan dan potensi diri serta pengembangannya secara optimal.

4. Menumbuhkembangkan semangat kompetitif yang sehat dalam meraih keunggulan prestasi pada semua warga madrasah.

5. Mengoptimalkan pemanfaatan lahan/tanah dan pengadaan fasilitas pendukung pembelajaran.

6. Pemahaman tentang pemanfaatan hasil teknologi (komputer, internet) bagi pengembangan ilmu pengetahuan.

7. Menerapkan manajemen berbasis madrasah yang melibatkan semua stakeholder.

2.1.3. Struktur Organisasi

11

KEPALA SEKOLAH

KEPALA TATA USAHA

KESISWAAN KETENAGAAN PERLENGKAPAN KEUANGAN

WAKASEK KURIKULUM

WAKASEK HUMAS

WAKASEK KESISWAAN

GURU WALI

KELAS

SISWA - SISWI

Gambar 2.1 Stuktur Organisasi MAN Binong Subang

Uraian Struktur Organisasi

Uraian tentang struktur organisasi yang berada di bawahnya baik struktural maupun fungsional adalah sebagai berikut :

1. Kepala Sekolah dalam memimpin dan mengelola sekolah mempunyai fungsi perencanaan, pengembangan, dan penetapan kebijakan umum sekolah berdasarkan prinsip kehati-hatian, efektif dan efisen, sesuai dengan visi, misi dan tujuan sekolah. Mengoordinasikan kegiatan para guru serta pengembangan kebijakan komunikasi, pengawasan intern, ksetramatan sekolah dan peningkatan kesejahteraan siswa/i.

12

3. Wakasek Kurikulum mempunyai tanggung jawab tentang silabus dan kurikulum setiap semester dan perkelasnya.

4. Wakasek Humas mempunyai tanggung jawab tentang hubungan baik itu interen maupun eksteren.

5. Wakasek Kesiswaan mempunyai tanggung jawab tentang kegiatan siswa/i baik dalam bidang formal maupun nonformal.

6. Wali kelas adalah orang yang bertanggung jawab terhadap anak kelasnya. 7. Guru adalah orang bertanggung jawab memberikan materi kepada siswa.

2.2. Landasan Teori

Landasan teori merupakan ilmu pendukung yang dapat dijadikan referensi atau pegangan dalam pembangunan sistem ini.

2.2.1 Konsep Dasar Sistem

Terdapat dua kelompok pendekatan di dalam mendefinisikan sistem, yaitu yang menekankan pada prosedurnya dan yang menekankan pada komponen atau elemennya. Pendekatan sistem yang lebih menekankan pada prosedur mendefinisikan sistem sebagai berikut ini: [7]

Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling berhubungan, berkumpul bersama-sama untuk melakukan suatu kegiatan atau untuk menyelesaikan suatu sasaran yang tertentu.

Pendekatan sistem yang lebih menekankan pada elemen atau komponennya mendefinisikan sistem sebagai berikut ini: [7]

13

2.2.1.1Karakteristik Sistem

Suatu sistem mempunyai karakteristik yang tertentu (gambar 2.2), yaitu : [7]

1. Komponen Sistem (Components)

Komponen-komponen sistem atau elemen-elemen sistem dapat berupa suatu subsistem atau bagian-bagian sistem, yang mempunyai sifat-sifat dari sistem untuk menjalankan suatu fungsi tertentu dan mempengaruhi proses sistem keseluruhan.

2. Batas Sistem (Boundary)

Batas sistem (boundary) merupakan daerah yang membatasi antara suatu sistem dengan sistem yang lainnya atau dengan lingkungan luarnya. Batas suatu sistem menunjukkan ruang lingkup (scope) dari sistem tersebut.

3. Lingkungan Luar Sistem (Environments)

Lingkungan luar (environments) dari suatu sistem adalah apapun diluar batas dari sistem yang mempengaruhi operasi sistem. Lingkungan luar sistem dapat bersifat menguntungkan dan merugikan sistem.

4. Penghubung Sistem (Interface)

Penghubung (interface) merupakan media penghubung antara satu subsistem dengan susbsistem lainnya sehingga memungkinkan sumber-sumber daya mengalir antara subsistem yang satu dengan yang lain.

5. Masukan Sistem (Input)

14

6. Keluaran Sistem (Output)

Keluaran (output) adalah hasil dari energi yang diolah dan diklasifikasikan menjadi keluaran yang berguna dan sisa pembuangan. Keluaran dapat merupakan masukan untuk subsistem yang lain atau kepada supra sistem. 7. Pengolah Sistem (Process)

Suatu sistem dapat mempunyai suatu bagian pengolah yang akan merubah masukan jadi keluaran.

8. Sasaran Sistem (Objectives)

Sasaran dari sistem sangat menentukan sekali masukan yang dibutuhkan sistem dan keluaran yang akan dihasilkan sistem. Suatu sistem dikatakan berhasil bila mengenai sasaran atau tujuannya.

Input Pengolah Output

Sub Sistem

Sub Sistem Sub

Sistem

Sub Sistem

Boundary Boundary

Boundary

Interface

Lingkungan Luar

15

2.2.1.2Klasifikasi Sistem

Sistem dapat diklasifikasikan dari beberapa sudut pandangan, diantaranya adalah sebagai berikut [7]:

1. Sistem diklasifikasikan sebagai sistem abstrak (abstract system) dan sistem fisik (physical system). Sistem abstrak adalah sistem yang berupa pemikiran atau ide-ide yang tidak tampak secara fisik, misalnya sistem teologia dan sistem fisik merupakan sistem yang ada secara fisik, misalnya sistem komputer.

2. Sistem diklasifikasikan sebagai sistem alamiah (natural system) dan sistem buatan manusia (human made system). Sistem alamiah adalah sistem yang terjadi melalui proses alam, tidak dibuat manusia, misalnya sistem perputaran bumi dan sistem buatan manusia adalah sistem yang dirancang oleh manusia. 3. Sistem diklasifikasikan sebagai sistem tertentu (deterministic system) dan

sistem tak tentu (probabilistic system). Sistem tertentu beroperasi dengan tingkah laku yang sudah dapat diprediksi dan sistem tak tentu adalah sistem yang kondisi masa depannya tidak dapat diprediksi karena mengandung unsur probabilitas.

16

2.2.2 Konsep Dasar Informasi

Informasi (information) dapat didefinisikan sebagai berikut: [7]

Informasi adalah data yang diolah menjadi bentuk yang lebih berguna dan lebih berarti bagi yang menerimanya.

Sumber dari informasi adalah data. Data merupakan bentuk jamak dari bentuk tunggal datum atau data-item. Data adalah kenyataan yang menggambarkan suatu kejadian-kejadian dan kesatuan nyata. Kejadian-kejadian (event) adalah sesuatu yang terjadi pada saat yang tertentu. Kesatuan nyata (fact dan entity) adalah berupa suatu obyek nyata seperti tempat, benda dan orang yang betul-betul ada dan terjadi.

2.2.2.1Siklus Informasi

Data merupakan bentuk yang masih mentah yang belum dapat berceritera banyak, sehingga perlu diolah lebih lanjut. Data diolah melalui suatu model untuk dihasilkan informasi.

17

Gambar 2.3. Siklus Informasi [7]

2.2.2.2Kegunaan Informasi

Ada 4 faktor utama yang berhubungan dengan kegunaan informasi : 1. Kualitas informasi (information quality)

Kualitas dari suatu informasi tergantung dari 4 hal, yaitu informasi harus : a. Akurat (accurate) dan presisi (precision)

Akurat dalam menampilkan informasi dan presisi dalam detail informasi yang diberikan.

b. Kelengkapan (completeness)

Informasi yang tersedia cukup lengkap untuk setiap user dan situasi. c. Umur (age) dan ketepatan waktu (timeliness)

Umur berarti lamanya waktu dalam meng-update informasi dan ketepatan waktu berarti menyediakan informasi secepat mungkin pada saat dibutuhkan sehingga berguna.

18

Orang atau organisasi yang menghasilkan informasi. 2. Aksesibilitas informasi (information accessibility)

a. Ketersediaan (availability)

Memberikan informasi kepada yang membutuhkan. Informasi dapat diakses oleh yang membutuhkan. b. Keabsahan (admissibility)

Keabsahan (boleh atau tidak boleh dipakai) informasi tergantung pada hukum, peraturan atau budaya pada saat tertentu.

3. Presentasi informasi (information presentation) a. Tingkatan (level of summarization)

Perbandingan antara data asli dengan yang ditampilkan.

Manipulasi data hingga tingkatan yang sesuai, semakin sederhana semakin baik.

b. Format

Bentuk dimana informasi ditampilkan ke user. Manipulasi data ke dalam bentuk yang sesuai. 4. Keamanan informasi (information security)

a. Batasan akses (access restriction)

Prosedur dan teknik mengontrol user yang boleh atau tidak mengakses data pada situasi tertentu.

19

b. Enkripsi (encryption)

Konversi data ke bentuk tertentu sehingga tidak dapat dibaca oleh user yang tidak berhak.

2.2.2.3Nilai Informasi

Nilai dari informasi (value of information) ditentukan dari dua hal, yaitu manfaat dan biaya mendapatkannya. Suatu informasi dikatakan bernilai bila manfaatnya lebih efektif dibandingkan dengan biaya mendapatkannya. [7]

Sebagian besar informasi tidak dapat persis ditaksir keuntungannya dengan satuan nilai uang, tetapi dapat ditaksir nilai efektivitasnya. Pengukuran nilai informasi biasanya dihubungkan dengan analisis cost effectiveness atau cost benefit.

2.2.3 Konsep Dasar Sistem Informasi

Telah diketahui bahwa informasi merupakan hal yang sangat penting bagi manajemen di dalam pengambilan keputusan. Informasi dapat diperoleh dari sistem informasi (information systems) atau disebut juga dengan processing systems atau information processing systems atau information-generating systems. Sistem informasi didefenisikan oleh Robert A. Leitch dan K. Roscoe Davis sebagai berikut [7] :

20

2.2.3.1Komponen Sistem Informasi

John Burch dan Gary Grudnitski mengemukakan bahwa sistem informasi terdiri dari komponen-komponen yang disebutnya dengan istilah blok bangunan (building block), yaitu blok masukan (input block), blok model (model block), blok keluaran (output block), blok teknologi (technology block), blok basis data (database block), dan blok kendali (controls block). Sebagai suatu sistem, keenam blok tersebut masing-masing saling berinteraksi satu dengan yang lainnya membentuk satu kesatuan untuk mencapai sasarannya.

1. Blok Masukan

Input mewakili data yang masuk ke dalam sistem informasi. Input disini termasuk metode-metode dan media untuk menangkap data yang akan dimasukkan, yang dapat berupa dokumen-dokumen dasar.

2. Blok Model

Blok ini terdiri dari kombinasi prosedur, logika dan model matematik yang akan memanipulasi data input dan data yang tersimpan di basis data dengan cara yang sudah tertentu untuk menghasilkan keluaran yang diinginkan.

3. Blok Keluaran

Produk dari sistem informasi adalah keluaran yang merupakan informasi yang berkualitas dan dokumentasi yang berguna untuk semua tingkatan manajemen serta semua pemakai sistem.

4. Blok Teknologi

21

utama, yaitu teknisi (humanware atau brainware), perangkat lunak (software), dan perangkat keras (hardware).

5. Blok Basis Data

Basis data (database) merupakan kumpulan dari data yang saling berhubungan

satu dengan yang lainnya, tersimpan di perangkat keras komputer dan digunakan

perangkat lunak untuk memanipulasinya. Data perlu disimpan di dalam basis data untuk keperluan penyediaan informasi lebih lanjut.

6. Blok Kendali

Beberapa pengendalian perlu dirancang dan diterapkan untuk meyakinkan bahwa hal-hal yang dapat merusak sistem dapat dicegah ataupun bila terlanjur terjadi kesalahan-kesalahan dapat langsung cepat diatasi.

Pengelompokan komponen-komponen sistem informasi berbasis komputer adalah sebagai berikut :

1. Perangkat keras (hardware)

Hardware ini merupakan peralatan fisik yang dapat digunakan untuk mengumpulkan, memasukkan, memproses, menyimpan, dan mengeluarkan hasil pengolahan data dalam bentuk informasi.

2. Perangkat lunak (software)

Software adalah kumpulan dari program-program yang digunakan untuk menjalankan aplikasi tertentu pada komputer.

3. Manusia (brainware)

22

4. Prosedur (procedure)

Prosedur adalah rangkaian aktivitas atau kegiatan yang dilakukan secara berulang-ulang dengan cara yang sama.

5. Basis data (database)

Database merupakan kumpulan data-data yang tersimpan di dalam media penyimpanan di suatu perusahaan (arti luas) atau di dalam komputer (arti sempit).

6. Jaringan komunikasi (communication network)

Jaringan telekomunikasi saat ini menghubungkan beberapa daratan dan lautan untuk memindahkan data dalam jumlah besar.

2.2.3.2Pengembangan Sistem Informasi

Pengembangan sistem (systems development) dapat berarti menyusun suatu sistem yang baru untuk menggantikan sistem yang lama secara keseluruhan atau memperbaiki sistem yang ada. Sewaktu melakukan proses pengembangan sistem, beberapa prinsip harus tidak boleh dilupakan. Prinsip-prinsip ini adalah sebagai berikut : [7]

1. Sistem yang dikembangkan adalah untuk manajemen

2. Sistem yang dikembangkan adalah investasi modal yang besar 3. Sistem yang dikembangkan memerlukan orang yang terdidik

4. Tahapan kerja dan tugas-tugas yang harus dilakukan dalam proses pengembangan sistem

5. Proses pengembangan sistem tidak harus urut 6. Jangan takut membatalkan proyek

23

Proses pengembangan sistem melewati beberapa tahapan dari mulai sistem itu direncanakan sampai dengan sistem tersebut diterapkan, dioperasikan, dan dipelihara. Daur atau siklus hidup dari pengembangan sistem merupakan suatu bentuk yang digunakan untuk menggambarkan tahapan utama dan langkah-langkah di dalam tahapan tersebut dalam proses pengembangannya.

Pengembangan sistem yang digunakan yaitu classsic life style atau yang lebih dikenal dengan istilah waterfall. Pengembangan sistem menurut A. Ziya Aktas (1987) adalah sebagai berikut :

1. Rekayasa sistem (system engineering), merupakan tahap awal dalam pengembangan sistem yaitu dengan menetapkan segala hal yang diperlukan dalam pelaksanaan pengembangan sistem dan menentukan apakah sistem benar-benar dibutuhkan atau tidak. Tahap-tahap yang digunakan yaitu dengan diadakannnya wawancara, observasi, dan studi literatur.

2. Analisis (analysis), merupakan tahap menganalisis kebutuhan sistem seperti mendefinisikan kembali masalah, memahami kebutuhan-kebutuhan pemakai dan hambatan-hambatan pada sustu sistem baru, dan membuat model logika dari pemecahan yang direkomendasi. Adapun metode analisis yang digunakan adalah metode analisis terstruktur.

3. Desain (Design), yaitu tahap setelah analisis dari siklus pengembangan sistem, pendefinisian dari kebutuhan-kebutuhan fungsional, persiapan untuk rancang bangun implementasi, dan menggambarkan bagaimana suatu sistem dibentuk. 4. Penulisan Program (Coding), adalah tahap menterjemahkan hasil analisis ke

24

5. Pengujian (Testing), tahap dimana melakukan pengujian terhadap sistem yang telah dibangun.

6. Pemeliharaan (Maintenance), tahap ini merupakan tahap akhir dimana sistem yang sudah selesai dapat mengalami perubahan atau penambahan sesuai dengan keinginan konsumen.

2.2.4 Cluster

Cluster adalah sekumpulan objek yang mempunyai “Kesamaan” diantara

anggotanya dan memiliki “Ketidaksamaan” dengan objek lain pada cluster

lainnya, dengan kata lain sebuah cluster adalah sekumpulan objek yang digabung bersama karena persamaan atau kedekatannya. Clustering adalah proses membuat pengelompokkan sehingga semua anggota dari setiap partisi mempunyai persamaan berdasarkan matrik tertentu. Gambar 2.4 berikut menunjukkan contoh data yang akan dilakukan klasterisasi [9].

Gambar 2.4 Data Sebelum di Klasterisasi

[image:35.595.241.385.629.702.2]

Jika data dilakukan clustering (pengelompokkan) berdasarkan warna, maka pengelompokkannya seperti yang terlihat pada gambar 2.5.

25

Jika data dilakukan clustering (pengelompokkan) berdasarkan bentuk, maka pengelompokannya dapat dilihat seperti gambar 2.6:

Gambar 2.6 Klasterisasi Berdasarkan Similaritas (Kesamaan) Bentuk

[image:36.595.239.384.140.210.2]

Selain dengan menggunakan similaritas (kesamaan) berdasarkan bentuk dan warna, clustering juga bisa dilakukan dengan menggunakan similaritas berdasarkan jarak, artinya data yang memiliki jarak berdekatan akan membentuk satu cluster, contohnya seperti dapat dilihat pada gambar 2.7:

Gambar 2.7 Klasterisasi Berdasarkan Similaritas (Kesamaan) Jarak

Ada beberapa perbedaan antara metode klasifikasi dan metode clustering, dimana pada dasarnya terdapat tiga poin perbedaan yaitu : data, label dan analisa hasil. Perbedaan tersebut dapat ditabelkan seperti tabel 2.1 berikut:

Tabel 2.1 Perbedaan Klasifikasi dan Klasterisasi

Perbedaan Klasifikasi Klasterisasi

Data Supervised Unsupervised

Label Ya Tidak

Analisa Hasil Error Ratio Variance

[image:36.595.232.394.363.440.2]

26

melalui pembelajaran terbimbing. Analisa hasil pada klasterisasi dinyatakan dengan variance yang menunjukkan variansi data dalam satu cluster, sedangkan klasifikasi analisa hasil diukur menggunakan rasio kesalahan (error ratio). Pada dataset yang digunakan oleh klasifikasi terdapat satu attribut (label) yang berfungsi sebagai attribut target, sedangkan dataset pada klasterisasi tidak terdapat attribut (label) sebagai attribut target. [9].

2.2.4.1Karakteristik Clustering

Ada beberapa karakteristik dari clustering, masing-masing akan dijelaskan berikut ini [9]:

1. Partitioning Clustering

A. Disebut juga exclusive clustering

B. Setiap data harus termasuk dalam cluster tertentu

C. Memungkinkan bagi setiap data yang termasuk cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster yang lain. Contoh : K-Means, residual analysis.

2. Hierarchical Clustering

A. Setiap data harus masuk ke dalam cluster tertentu

B. Suatu data yang masuk kedalam cluster tertentu pada suatu tahapan proses, tidak dapat berpindah ke cluster lain.

Contoh: Single Linkage, Centroid Linkage, Complete Linkage 3. Overlapping Clustering

A. Setiap data memungkinkan termasuk ke beberapa cluster

27

4. Hybrid

Merupakan kombinasi dari karakteristik partitioning, overlapping dan hierarchical.

Gambar 2.8 Karakteristik Klasterisasi

2.2.5 Metode Pengelompokan

28

2.2.6 Distance Space

Distance Space berfungsi untuk menghitung jarak antara data dan centroid. Ada beberapa macamdistance space yang sudah diimplementasikan salah satunya adalah : Euclidean distance space.[2]

Euclidean sering digunakan karena penghitungan jarak dalam distance space ini merupakan jarak terpendek yang bisa didapatkan antara dua titik yang diperhitungkan.

Jarak antara dua titik dapat dihitung dengan cara:

Dimana: d : jarak

p : dimensi data

x : titik data pertama,

y : titik data kedua,

Dalam Euclidean perhitungan yang dilakukan merupakan jarak terpendek antara dua titik.

Jika ada n titik pengamatan dengan p variabel, maka sebelum dilakukan pengelompokkan data atau objek, terlebih dahulu menentukan ukuran kedekatan sifat antar data. Ukuran data yang bisa digunakan adalah euclidius (euclidian distance), antara dua titik dari p dimensi pengamatan. Jika antar titik X (x1, x2,...,xn) dan titik Y=(y1,y2,...yn) di tentukan dengan rumus:

d = |x - y| =

p

i

i i y x

1

2

) (

d(x,y) = 2 2

2 2 2 1

1- ) ( ) ... ( - )

(x y x y x_n y_n =

p

i

i i y x

1

2

29

Penghitungan jarak dengan Euclidian Distance untuk dua titik seperti diilustrasikan pada gambar 2.9:

Gambar 2.9 Penghitungan Jarak Dua Titik

Dari penggambaran diatas dapat diartikan bahwa semakin kecil jarak atau nilai d, maka semakin besar keserupaan antar objek tersebut.

2.2.7 Analisa Cluster

Analisis cluster adalah suatu analisis statistik yang bertujuan memisahkan obyek kedalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang lain. Dalam analisis ini tiap-tiap kelompok bersifat homogen antar anggota dalam kelompok atau variasi obyek dalam kelompok yang terbentuk sekecil mungkin.[9]

2.2.7.1Proses Analisis Cluster

Tujuan utama analisis cluster menggabungkan objek-objek yang mempunyai kesamaan ke dalam sebuah kelompok atau cluster. Untuk mencapai tujuan itu kita harus menjawab tiga pertanyaan, yaitu : [9]

(1) Bagaimana kita mengukur tingkat kesamaan ?

30

(2) Bagaimana kita membentuk cluster ?

Prosedur yang diterapkan harus dapat mengelompokkan objek-objek yang memiliki kesamaan yang tinggi ke dalam suatu cluster yang sama.

(3) Berapa banyak cluster yang akan kita bentuk ?

Pada prinsipnya jika jumlah cluster berkurang maka homogenitas alam cluster secara otomatis akan menurun.

2.2.7.2Proses Pengambilan Keputusan dalam Analisis Cluster

Pengambilan keputusan dengan analisis cluster memiliki 6 tahapan, yaitu : menentukan tujuan analisis cluster, menentukan desain penelitian analisis cluster, menentukan asumsi analisis cluster, menurunkan cluster-cluster dan memperkirakan overall fit, menginterpretasi hasil analisis cluster, mengukur tingkat validasi hasil analisis cluster. [9]

Langkah 1 : Tujuan Analisis Cluster

Tujuan analisis cluster secara khusus antara lain :

(1) Pengelompokkan  Analisis cluster digunakan dengan tujuan explanatory maupun confirmatory

(2) Penyederhanaan data  Analisis cluster menetapkan struktur dari observasi atau data bukan variabel.

31

Langkah 2 : Desain Penilitian dalam Analisis Cluster

A. Mendeteksi Outliers

Dalam melakukan pemilahan obyek kedalam cluster-cluster, analisis tidak hanya peka terhadap variabel-veriabel yang tidak sesuai dengan kasus yang diteliti tetapi juga peka terhadap outliers (obyek-obyek yang “berbeda” dengan obyek yang lainnya). Outliers terjadi karena 2 dua hal, yaitu :

(1) Observasi “menyimpang” yang tidak mewakili populasi

(2) Suatu undersampling kelompok-kelompok dalam populasi yang menyebabkan underrepresentation kelompok-kelompok dalam sampel. Dalam kedua kasus tersebut, outliers dapat mengubah struktur sebenarnya dari populasi sehingga kita akan memperoleh cluster-cluster yang tidak sesuai dengan struktur sebenarnya dari populasi tersebut. Karena itu, pembuangan outliers sangat penting dalam analisis ini. Outliers dapat dilihat melalui Profile Diagram. Outliers adalah obyek-obyek dengan profil-profil yang berbeda, atau valueyang berbeda dalam satu atau beberapa variabel.

B. Kesamaan Ukuran

32

C. Standarisasi Data

Sama halnya dengan seleksi kesamaan ukuran, dalam standarisasi data ni peneliti harus menjawab sebuah pertanyaan, yaitu : Apakah data yang tersedia harus distandarisasi? Dalam menjawab pertanyaan ini, penelti harus memperhatikan beberapa masalah, misalnya, jarak nilai dari masing-masing variabel karena perbedaan skala. Secara umum, variabel dengan penyebaran nilai yang tinggi mempunyai dampak yang lebih pada hasil akhir. Karena itu, peneliti diharapkan mengetahui secara lengkap pengukuran dari variabel-variabel. Proses standarisasi dalam analisi cluster ada dua, yaitu : standarisasi berdasarkan variabel dan standarisasi berdasarkan observasi.

Langkah 3 : Asumsi-asumsi Analisis Cluster

Dalam analisis cluster, peneliti harus lebih memperhatikan masalah : seberapa besar sampel mewakili populasi (representativeness) dan ada tidaknya multicollinearity.

Langkah 4 : Menurunkan Cluster-Cluster dan Memperkirakan Overall Fit

Peneliti pertama kali harus menentukan clustering algorithm yang akan digunakan untuk membentuk cluster dan selanjutnya memutuskan berapa cluster yang akan dibentuk. Dua hal ini mempunyai implikasi yang substensial tidak hanya pada hasil yang akan diperoleh tetapi juga pada intepretasi hasil tersebut.

Langkah 5 : Interpretasi Cluster

33

pengelompokan dilakukan terhadap data asli, maka ini akan memberikan gambaran yang logic. Tetapi jika data telah distandarisasi atau jika analisis cluster dilakukan dengan menggunakan hasil analisis faktor (faktor komponen), peneliti harus mengembalikan skor asli untuk variabel asal dan menghitung rata-rata profiles menggunakan data ini.

Gambaran dan interpretasi cluster, memberikan hasil lebih daripada deskriptif. Pertama, Metode ini memberikan sebuah rata-rata untuk perkiraan masing-masing cluster yang terbentuk sebagaimana yang dikemukakan pada toeri sebelumnya atau pengalaman praktek. Kedua, Gambaran cluster memberikan jalan untuk membuat perkiraan signifikansi praktis. Peneliti mungkin memerlukan bahwa perbedaan substansi yang ada pada sejumlah variable cluster dan penyelesaian cluster akan dikembangkan sampai tampak sejumlah perbedaan.

Langkah 6 : Validasi dan Gambaran Cluster

Analisis cluster agak bersifat subjektif dalam penentuan penyelesaian cluster yang optimal, sehingga peneliti seharusnya memberikan perhatian yang besar mengenai validasi dan jaminan tingkat signifikansi pada penyelesaian akhir dari cluster. Meskipun tidak ada metode untuk menjamin validitas dan tingkat signifikansi, beberapa pendekatan telah dikemukakan untuk memberikan dasar bagi perkiraan peneliti.

A. Validasi Hasil Cluster

34

sample secara terpisah kemudian membandingkan antara hasil cluster dengan perkiraan masing-masing cluster. Pendekatan ini sering tidak praktis, karena adanya keterbatasan waktu dan biaya atau ketidaktersediaan objek untuk perkalian analisis cluster. Dalam hal ini pendekatan yang biasa digunakan adalah dengan membagi sample menjadi dua kelompok. Masing-masing dianalisis cluster secara terpisah, kemudian hasinya dibandingkan.

B. Profiling Hasil Cluster

Tahap Profiling meliputi penggambaran karakteristik masing-masing cluster untuk menjelaskan bagaimana mereka bisa berbeda secara relevan