i
PERENCANAAN EVALUASI PEMBELAJARAN TAMBAHAN
MENGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
(KNN) SEBAGAI SARANA KLASIFIKASI TINGKAT
KEMAPUAN SISWA
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Oleh : M : RUSLAN NIM : 07560068
JURUSAN INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2013
ii
LEMBAR PERSETUJUAN
PERENCANAAN EVALUSI PEMBELAJARAN TAMBAHAN
MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR
(K-NN) SEBAGAI SARANA KLASIFIKASI TINGKAT
KEMAMPUAN SISWA
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Menyetujui,
Pembimbing I Pembimbing II
Eko Budi Cahyono, S.Kom, MT NIP. 108.9109.0233
Amunudin S.Kom NID. 0701068603
iii
LEMBAR PENGESAHAN
PERENCANAAN EVALUSI PEMBELAJARAN TAMBAHAN
MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR
(K-NN) SEBAGAI SARANA KLASIFIKASI TINGKAT
KEMAMPUAN SISWA
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Disusun Oleh : M. RUSLAN
07560068
Tugas Akhir ini telah diuji dan dinyatakan lulus melalui sidang majelis penguji pada tanggal 26 Oktober 2013
Menyetujui,
Penguji I Penguji II
Ir. Muhammad Irfan, M.T NIP : 108.9009.0189
Yuda Munarko, S.Kom.,M.sc NIP : 108.0611.0443 Mengetahui,
Kepala Jurusan Teknik Informatika
Eko Budi Cahyono, S.Kom, MT NIP. 108.9504.0330
iv
LEMBAR PERNYATAAN
Yang bertanda tangan di bawah ini:
NAMA : M. RUSLAN
NIM : 07560068
FAKULTAS/JURUSAN : TEKNIK/INFORMATIKA
Dengan ini saya menyatakan bahwa Tugas Akhir dengan judul
“PERENCANAAN EVALUSI PEMBELAJARAN TAMBAHAN
MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR (K-NN) SEBAGAI SARANA KLASIFIKASI TINGKAT KEMAMPUAN SISWA” beserta seluruh isinya adalah karya saya sendiri dan bukan merupakan karya tulis orang lain, baik sebagian maupun seluruhnya, kecuali dalam bentuk kutipan yang telah disebutkan sumbernya.
Demikian surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila kemudian ditemukan adanya pelanggaran terhadap etika keilmuan dalam karya saya ini, atau ada klaim dari pihak lain terhadap keaslian karya saya ini maka saya siap menanggung segala bentuk resiko/sanksi yang berlaku.
Mengetahui, Malang, 1 januari 2014
Dosen Pembimbing Yang Membuat Pernyataan
Eko Budi Cahyono, S.Kom, MT NIP. 108.9504.0330
v
ABSTRAK
Standart kelulusan UNAS smakin meningkat tiap tahunnya, hal tersebut menyebabkan kecemasan dari pihak sekolah dan siswa. Hal yang dapat dilakukan untuk menangani kecemasan dari beberapa pihak tersebut adalah melakukan persiapan menghadapi UNAS, salah satunya dengan mengadakan tryout. Siswa dengan nilai tryout yang rendah belum tentu mendapat nilai UNAS yang rendah, hal ini karena adanya perbedaan bobot soal antara tryout dan UNAS.
Tidak mudah memprediksi hasil UNAS dengan melihat nilai tryout begitu saja. Pada penelitian ini telah dicoba membuat aplikasi untuk memprediksikan hasil UNAS berdasarkan hasil tryout menggunakan algoritma K-Nearest
Neighbour dengan mencari kedekatan data tryout calon peserta UNAS dengan
data tryout dan data UNAS siswa sebelumnya, setelah diketahui kedekatanya sesuai nilai K maka akan didapatkan nilai prediksi UNAS.
Dari hasil evaluasi yang telah dilakukan, kinerja dari algoritma K-Nearest
Neighbour sangat bagus. Karena tingkat akurasi ketika nilai K=1 adalah 92,4%
dan terus meningkat hingga mencapai nilai 100% pada K=7 dengan jumlah data uji 66 siswa, tentu saja hal tersebut dipengaruhi oleh kualitas data acuhan dan data uji.
vi
ABSTRACT
The graduation standard of national final exam grow higher each year, this standard makes worried the students and the school sides. One thing to do to handle this problem is preparing to face national final exam, one of the option to do in preparing is making a tryout. Student whose get a low grade in tryout not necessarily get a low grade in national final exam too, because the different question quality from national final exam and tryout.
It’s not easy to predict the result from national final exam by seeing the result from tryout. This research makes an application to predict the result of national final exam based on the result of tryout exam using K-Nearest Neighbors algorithm by searching proximity from data tryout final national exam participant with data tryout and result data from final national exam a year ago. After knowing the proximity point same as K, then the predict result of national final exam will be known.
Based on evaluation result that have done, performance from K-Nearest Neighbors Algorithm is great. Because of accuracy level when k=1 is 92.4%, and keep growing until achieve value 100% at k=7 with testing data from 66 students. That’s because of quality from data reference and data test.
vii
LEMBAR PERSEMBAHAN
Puji syukur kehadirat Allah SWT atas segala rahmat, nikmat, hidayah, dan ridho-Nya yang telah diberikan kepada penulis, sehingga penulis dapat menyelesaikan Tugas Akhir ini dengan baik. Sholawat serta salam semoga selalu tercurahkan kepada Nabi Muhammad SAW, yang telah menunjukkan jalan kebenaran yaitu agama Islam. Pada kesempatan ini, penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada:
1. Bapak Eko Budi Cahyono, S.Kom,. MT selaku dosen pembimbing satu dan bapak Aminudin, S.Kom selaku dosen pembimbing dua, yang telah sabar membimbing serta memberikan saran dan kritik dalam penyusunan Tugas Akhir ini.
2. Bapak Ir.M.Irfan, M.T selaku dosen penguji satu dan Bapak Yuda Munarko.S.Kom., M.Sc selaku dosen penguji dua, yang telah memberikan saran dan kritik dalam pengembangan Tugas Akhir ini.
3. Bapak Ir. Sudarman, MT selaku Dekan Fakultas Teknik Universitas Muhammadiyah Malang.
4. Bapak Eko Budi Cahyono, S.Kom, MT selaku Ketua Jurusan Teknik Informatika Universitas Muhammadiyah Malang.
5. Kedua orang tua yang selalu mendukung baik secara materi serta moral, maafkan anak mu yang malas ini yang tidak dapat menyelesaikan kuliah secara tepat waktu.
6. Kakak-kakak, mbak-mbak serta saudara-saudara ku yang selalu mendukung untuk segera menyelesaikan Tugas Akhir ini.
7. Seseorang yang dulu sering memaksa mengerjakan di saat rasa malas menghampiri.
8. Saudara Akmal Kurniawan, S.Kom yang telah banyak membantu dalam pengerjaan Tugas Akhir ini.
9. Saudara Septiyan Andika Isanta, S.Kom yang telah banyak meluangkan waktunya untuk saya dalam pengerjaan Tugas Akhir ini.
10. Sahabat-sahabat seperjuanganku Sidik kalam Krananda S. Kom, Jajang Detaba S.Kom, Fery Yanu M, S.Kom, Haikal Alamri S.Kom, Andy Yudha A
viii
S.kom., Rizky Indrawanto, S.Kom, Ricart Awy P, S.Kom Abullah Jayadi,S.Kom sahabat-sahabat kontarakan yang sangat baik sama aku, Eko Budi Timy, M. Rizal Sabana, Eko Adis dan yang lainnya yang nggak disebut jangan marah. terima kasih teman-temanku yang selalu ada di saat suka dan duka. Buat kalian yang belum lulus, cepat lulus kawan. Kalian pasti bisa lulus secepatnya bila kalian mau berusaha dan berdo’a.
12. Sahabat sekaligus saudara Sumbawa ku, cecep lisbano,S.Sos, Ari Ariesta,S.E Rhian Otak, pick, Acank, teman-teman organisasi, yang selalu memberikan dukungan
13. Terakhir kepada seluruh teman-teman yang tidak bisa aku sebutkan satu per satu, terima kasih atas dukungan dan do’a kalian selama ini.
ix
KATA PENGANTAR
Dengan memanjatkan puji syukur kehadirat Allah SWT atas limpahan rahmat, nikmat, hidayah, dan ridho-Nya, sehingga peneliti dapat menyelesaikan Tugas Akhir yang berjudul:
“
PERENCANAAN EVALUSI PEMBELAJARAN TAMBAHAN
MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOUR
(K-NN) SEBAGAI SARANA KLASIFIKASI TINGKAT
KEMAMPUAN SISWA
”Di dalam tulisan ini disajikan pokok-pokok bahasan yang meliputi
Algoritma K-Nearest Neighbour (K-Nn). Selain itu, juga akan disampaikan
mengenai pengujian-pengujian yang dilakukan dalam penelitian ini.
Peneliti menyadari sepenuhnya bahwa dalam penulisan Tugas Akhir ini masih banyak kekurangan dan keterbatasan. Oleh karena itu peneliti mengharapkan saran yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan kedepan.
Malang, 1 Januari 2014
x
DAFTAR ISI
SAMPUL DEPAN
HALAMAN JUDUL ... i
LEMBAR PERSETUJUAN ... ii
LEMBAR PENGESAHAN ... iii
LEMBAR PERNYATAAN ... iv
ABSTRAK ... v
ABSTRACT ... vi
LEMBAR PERSEMBAHAN ... vii
KATA PENGANTAR ... ix
DAFTAR ISI ... x
DAFTAR GAMBAR ... xiii
DAFTAR TABEL ... xv BAB I PENDAHULUAN 1.1 Latar Belakang.. ... .1 1.2 Rumusan Masalah ... ...2 1.3 Batasan Masalah... ...3 1.4 Tujuan Penelitian... ... 3
1.5 Metodologi Penyelesaian Masalah ... ..3
1.5.1 Studi Pustaka dan Pengumpulan Data.. ... 3
1.5.2 Definisi dan Analisa Kebutuhan. ... ..4
1.5.3 Mengimplementasikan Metode ke dalam Bahasa Pemrograman. ... ..4
1.5.4 Pengujian Terhadap Sistem. ... .4
1.5.5 Pembuatan Laporan. ... .5
xi BAB II LANDASAN TEORI
2.1 Data Mining . ... ..6
2.2 Pengelompokan Data Mining... ... .7
2.2.1 Deskripsi.. ... .7 2.2.2 Estimasi... ... 7 2.2.3 Prediksi.... ... 7 2.2.4 Klasifikasi. ... ..8 2.2.5 Clustering ... ... .8 2.2.6 Asosiasi.... ... 9 2.3 K-Nearest Neighbor. ... ..9 2.3.1 Distance Space.. ... ..12
2.3.2 Precision End Recall. ... ..13
2.4 Java... .... ... ..13
2.4.1 Program dalam Java : Bytecode.. ... ...15
BAB III ANALISA DAN PERANCANGAN SISTEM. 3.1 Analisa Masalah. ... ..17
3.2 Analisa Sistem ... ..18
3.3 Perancangan Proses ... ....18
3.4 Perancangan Sistem. ... ..19
3.4.1 Flowchart Antarmuka Aplikasi ... ....19
3.4.2 Flowchart Algoritma K-NN. ... ...20 3.4.3 Usecase Diagram .. ... ...21 3.4.4 Activity Diagram... ... ...22 3.4.5 Sequence Diagram.. ... .24 3.4.6 Class Diagram . ... ...27 3.5 Perancangan Database... ... ..29 3.6 Desain Interface.. ... ....34
xii BAB IV IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi Sistem .... ... ...38
4.1.1 Kebutuhan Sistem .... ... ...38
4.1.2 Implementasi Perangkat Lunak.. ... ..39
4.2 Pengujian Sistem... ... ...49
4.3 Pengujian Performa Sistem.. ... ...62
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan ... 70
5.2 Saran Pengembangan ... 70
DAFTAR PUSTAKA LAMPIRAN
xiii
DAFTAR GAMBAR
Gambar 2.1 Bidang Ilmu Data Mining... ...6
Gambar 2.2 Ilustrasi Kedekatan Kasus... ...9
Gambar 2.3 Ilustrasi Data K-NN... ...10
Gambar 3.1 Blog Diagram Sistem... ...19
Gambar 3.2 flowchart antarmuka aplikasi... ...19
Gambar 3.3 flowchart algoritma k-nn... ...20
Gambar 3.4 Usecase diagram sistem... ...21
Gambar 3.5 Activity Diagram Login... ...22
Gambar 3.6 Activity Diagram Import ... ...23
Gambar 3.7 Activity Diagram Edit Admin... ...23
Gambar 3.8 Activity Diagram Prediksi nilai... ...24
Gambar 3.9 Sequence Diagram Login... ...25
Gambar 3.10 Sequence Diagram Insert Data Acuhan ... ...26
Gambar 3.11 Sequence Diagram Edit Admin... ...26
Gambar 3.12 Class Diagram... ...26
Gambar 3.13 Form Login... ...34
Gambar 3.14 Form Menu Utama... ...35
Gambar 3.15 Form Insert Data... ...36
Gambar 3.16 Form Browse file... ...36
Gambar 3.17 Form klasifikasi...37
Gambar 4.1 Package aplikasi...39
Gambar 4.2 Class KNN...40
Gambar 4.3 Class readExcel...42
xiv
Gambar 4.5 Class IPA...44
Gambar 4.6 Class IPS...45
Gambar 4.7 Class sqlAddExcel...45
Gambar 4.8 Class Menu Utama...46
Gambar 4.9 Class Admin...46
Gambar 4.10 Class Import...47
Gambar 4.11 Class Prediksi...48
Gambar 4.12 Class FormatNumber...48
Gambar 4.13 Pengujian menu utama...49
Gambar 4.14 Pengujian login...50
Gambar 4.15 diatas menunjukan tampi...51
Gambar 4.16 Pengujian Insert data...52
Gambar 4.17 Browse file...52
Gambar 4.18 Import File...53
Gambar 4.19 Import file data terisi...53
Gambar 4.20 Tampilan data berhasil diimport dalam database...54
Gambar 4.21 Pengujian menu Administrator...54
Gambar 4.22 Frame Administrator...55
Gambar 4.23 Frame Admin Update...56
Gambar 4.24 Checking Error Inputan...56
Gambar 4.25 Frame Klasifikasi dan Prediksi...57
Gambar 4.26 Jurusan Pada Combo Box...57
Gambar 4.27 Input Data Pada Frame Klasifikasi...58
Gambar 4.28 Hasil klasifikasi...59
Gambar 4.29 Grafik perbandingan Nilai Precision...68
xv
DAFTAR TABEL
Tabel 2.1 Contoh Klasifikasi Data X Dan Y ...11
Tabel 2.2 Perhitungan Eunledian Distance...11
Table 2.3 Pengurutan Eunledian Distance Dari Jarak Terdekat...11
Tabel 3.1 Tabel mata pelajaran...18
Tabel 3.1 Tabel mata pelajaran...29
Tabel 3.4 Tabel unasbahasa...30
Tabel 3.5 Tabel Unasipa...30
Tabel 3.6 Tabel Unasips...31
Tabel 3.7 Tabel Acuanbahasa...32
Tabel 3.8 Tabel Acuanipa...33
Tabel 3.9 Tabel Unasips...33
Tabel 4.1 Contoh Data Trining Siswa...59
Tabel 4.2 Klasifikasi Tambahan Belajar...60
Tabel 4.3 Hasil Sorting Jarak...60
Table 4.4 Hasil Sorting...62
Tabel 4.4 Hasil Sorting Jarak...62
Tabel 4.5 Hasil Perhitungan Berdasar Nilai k...63
Tabel 4.6 Confision Matrik dengan nilai k=3...65
Tabel 4.7 Confision Matrik dengan nilai k=5...66
Tabel 4.8 Confision Matrik dengan nilai k=7...67