Tabel 4.5 Uji Perbandingan Algoritma FCM Secara Manual dan Sistem No
Uji Sistem
M. Excel
1 Jumlah data
10 10
2 Jumlah Iterasi
4 6
3 Fungsi Obyektif
4.855 4.86
4 Error FObyektif
0.008328 0.00
5 Member klaster 1
6 6
6 Member klaster 2
4 4
Tabel 4.6 Hasil uji perbandingan member percluster secara manual dan sistem
Sistem Manual
klaster 1
SMA PATRIA BANTUL SMA SANTO THOMAS YOGYAKARTA
SMA MUHAMMADIYAH SEWON SMA PEMBANGUNAN 2 KARANGMOJO
SMA MUHAMMADIYAH WATES SMA PEMBANGUNAN 3 PONJONG
SMA PATRIA BANTUL SMA SANTO THOMAS YOGYAKARTA
SMA MUHAMMADIYAH SEWON SMA PEMBANGUNAN 2 KARANGMOJO
SMA MUHAMMADIYAH WATES SMA PEMBANGUNAN 3 PONJONG
Klaster 2
SMA NEGERI 3 YOGYAKARTA SMA NEGERI 1 BANTUL
SMA NEGERI 1 SLEMAN SMA NEGERI 1 YOGYAKARTA
SMA NEGERI 3 YOGYAKARTA SMA NEGERI 1 BANTUL
SMA NEGERI 1 SLEMAN SMA NEGERI 1 YOGYAKARTA
Kesimpulan hasil perbandingan metode FCM secara manual dan dengan sistem yaitu bahwa sistem telah dapat mengimplementasikan algoritma FCM
dengan baik, dengan menghasilkan jumlah dan data member klaster yang sama dengan perhitungan manual .
Untuk melihat lebih lanjut hasil perhitungan manual lihat pada Lampiran Hasil manual.
4.3.2.3 Pengujian Perubahan Nilai Galate dan Maksimal Iterasii
Pengujian terhadap sistem implementasi Algoritma Fuzzy C-Means dapat dilakukan dengan mengubah nilai Galat e dan maksimal Iterasi i . Berikut
beberapa hasil uji clustering .
Di uji dengan data IPA 2013 dengan, a. Jumlah data uji 137 sekolah,
b. Jumlah data atribut 12 terdiri dari nilai UN B.ind, B.ing, Matematika, Fisika, Kimia, Biologi dan NS atribut B.ind, B.ing,
Matematika, Fisika, Kimia, Biologi c. Jumlah klaster k = 3 , pemangkatam pembobot w= 2
Menghasilkan perbedaan hasil setelah melakukan 5 kali percobaan,seperti dibawah ini :
Tabel 4.7 Uji perubahan nilai Galat e dan maksimal Iterasi i
Maksimal iterasii 5
9 13
21 100
G A
L e A
T 0.1
5 5
5 5
5 0.01
5 5
5 5
5 0.001
5 5
5 5
4 0.0001
5 5
5 5
3 0.00001
5 5
4 2
1 Dari hasil percobaan diatas, dapat disimpulkan bahwa,
a. jika semakin kecil Galate yaitu 0.00001 dan maksimal iterasi semakin besar yaitu 100 maka akan menghasilkan 1 macam hasil dari proses
clustering, dengan kata lain menghasilkan jumlah anggota cluster yang konsistensinya tinggi dan hasilnya akan semakin serupa dengan hasil yang
diuji dengan matlab b.
jika semakin besar Galate yaitu 0.1 dan maksimal iterasi semakin kecil yaitu 5 maka akan menghasilkan 5 bahkan lebih macam hasil dari proses
clustering bila melakukan uji lebih dari 5, dengan kata lain menghasilkan jumlah anggota cluster yang konsistensinya rendah dan hasilnya akan
semakin kurang akurat dalam mengelompokkan data sehingga hasil uji dari sistem akan berdeda dari hasil uji matlab.
Untuk melihat lebih lanjut rincian hasil percobaan, lihat pada Lampiran uji perubahan nilai Galat dan maksimal Iterasii
4.3.2.4 Pengujian Perbandingan Hasil Sistem dengan Matlab
Kemudian dilakukan pengujian pada sistem dibandingkan matlab dengan file yang berisi data nilai 6 mata pelajaran ujian nasional dan 6 mata pelajaran
ujian sekolah IPA tahun 2011 dengan maksimal iterasi 100 dan nilai Galat = 0,00001 , maka hasil perbandingan hasil implementasi algoritma FCM seperti
ditunjukkan pada tabel 4.8 dan tabel 4.9 sebagai berikut.
Tabel 4.8 Uji Perbandingan Algoritma FCM dengan matlab dan Sistem
No Uji
Sistem Matlab
1 Jumlah data
134 134
2 Jumlah Iterasi
18 29
3 Jumlah Member
klaster 1 54
54 4
Jumlah Member klaster 2
32 32
5 Jumlah Member
klaster 3 48
48
Tabel 4.9 Hasil uji perbandingan member percluster nilai ujian nasional, nilai
sekolah
Kemudian dilakukan pengujian pada sistem dibandingkan matlab dengan data nilai 6 mata pelajaran ujian nasional IPA tahun 2011 dengan maksimal iterasi
100 dan nilai Galat = 0,00001, maka hasil perbandingan hasil implementasi algoritma FCM seperti ditunjukkan pada tabel 4.10 dan tabel 4.11 sebagai berikut
Tabel 4.10 Uji Perbandingan Algoritma FCM dengan matlab dan Sistem
No Uji
Sistem Matlab
1 Jumlah data
134 134
2 Jumlah Iterasi
22 21
3 Jumlah Member
klaster 1 50
50 4
Jumlah Member klaster 2
54 54
5 Jumlah Member
klaster 3 30
30
Tabel 4.11 Hasil uji perbandingan member percluster nilai ujian nasional
Kemudian dilakukan pengujian pada sistem dibandingkan dengan matlab dengan file yang berisi data nilai 6 mata pelajaran ujian sekolah IPA tahun 2011
dengan maksimal iterasi 100 dan nilai Galat = 0,00001, maka hasil perbandingan hasil implementasi algoritma FCM seperti ditunjukkan pada tabel 4.12 dan tabel
4.13 sebagai berikut
Tabel 4.12 Uji Perbandingan Algoritma FCM dengan matlab dan Sistem
No Uji
Sistem Matlab
1 Jumlah data
134 134
2 Jumlah Iterasi
20 27
3 Jumlah Member
klaster 1 48
48 4
Jumlah Member klaster 2
59 59
5 Jumlah Member
klaster 3 27
27
Tabel 4.13 Hasil uji perbandingan member percluster nilai ujian sekolah
Kesimpulan hasil perbandingan algoritma FCM matlab dengan sistem yaitu bahwa sistem telah dapat mengimplementasikan metode FCM dengan valid,
dengan menghasilkan jumlah dan data member klaster yang sama dengan perhitungan matlab.
Untuk melihat lebih lanjut screenshot gambar hasil percobaan, lihat pada Lampiran gambar screenshot hasil uji matlab dan sistem.
Tabel 4.14 Hasil uji perbandingan hasil jumlah member percluster
Hasil table 4.7 Hasil table 4.9
Hasil table 4.11
Jumlah Anggota Cluster 1
54 50
48
Jumlah Anggota Cluster 2
32 54
59
Jumlah Anggota Cluster 3
48 30
27
Pada table 4.14 dapat dilihat perbandingan hasil dari ketiga percobaan tersebut, yang menghasilkan jumlah anggota member cluster yang berbeda
perclusternya dalam 3 data inputan uji coba yang berbeda. Hal ini dikarenakan inputan data yang diuji memiliki nilai yang berbeda-beda. Untuk melihat rincian
perbandingan hasil anggota percluster dari table 4.9, 4.11, dan 4.13 dapat dilihat
pada lampiran table perbandingan detail table 4.14.
4.4 Kelebihan dan Kekurangan Sistem
Sistem yang dibangun ini memiliki kelebihan dan kekurangan. Berikut adalah kelebihan dan kekurangan dari sistem.
4.4.2 Kelebihan Sistem
1. Sistem dapat membaca input data yang berasal dari berkas dengan format .xls dan .csv .
2. Sistem dapat melakukan seleksi atribut atau kolom terhadap data yang diinputkan oleh pengguna.
3. Sistem dapat menyimpan hasil cluster klaster ke dalam berkas dengan format .xls,.txt dan .doc.
4. Sistem dapat menampilkan grafik plot klaster.
4.4.3 Kekurangan Sistem
1. Sistem tidak dapat membaca input data berupa file dengan format selain .xls dan .csv .
2. Sistem tidak dapat menampilkan data statistik selain distribusi data mean,median,range, maksimum, minimum pada data input.
3. Sistem tidak dapat melakukan seleksi dan hapus baris terhadap data yang diinputkan pengguna.
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
Kesimpulan yang diperoleh sebagai hasil penyelesaian tugas akhir ini adalah:
1. Implementasi algoritma Fuzzy C-Means untuk pengelompokan Sekolah Menengah Atas di DIY berdasarkan nilai Ujian Nasional dan nilai sekolah
telah berhasil dibangun dan dapat digunakan untuk pengelompokan Sekolah Menengah Atas di DIY .
2. Metode Clustering dengan algoritma Fuzzy C-Means terbukti dapat mengelompokkan data sekolah dengan valid.
5.2 Saran
Berdasarkan hasil analisis pada tugas akhir ini, penulis memberikan saran untuk perbaikan dan pengembangan program lebih lanjut antara lain:
1. Program yang dibangun ini belum bisa menerima masukan selain berkas berformat .xls, .csv. Sistem ini bisa dilengkapi dengan tambahan pembaca
data dari format lain contohnya seperti .doc. 2. Program dapat menampilkan data statistik selain distribusi atribut yaitu
mean, median, range, maksimumdan minimum. 3. Program dapat menampilkan grafik selain hasil klaster yaitu grafik iterasi,
grafik fungsi objektif dan grafik error fungsi objektif.
DAFTAR PUSTAKA
Asih, Wening Tyas. 2008. Aplikasi Program Pengelompokan Penduduk Berdasarkan Kemampuan Ekonomi untuk Daerah Miskin dengan Fuzzy C-
Means.Universitas Sanata Dharma. Dunham, Margareth H. 2003. Data Mining Introductory and Advanced
Topics.New Jersey: Prentice Hall. Ernawati, Susanto. 2009. Pembagian Kelas Peserta Kuliah Berdasarkan Fuzzy
Clustering dan Partition Coefficient and Exponential Separation Index . Universitas Atma Jaya.
Hadi HY. 2005. Pembagian Kelas Kuliah Mahasiswa Menggunakan Algoritma Pengklasteran Fuzzy. Universitas Diponegoro.
Hair et al. 1998. Multivariate Data Analysis, Fifth Edition.Upper Saddle River : New Jersy.
Han, Jiawei Kamber, Micheline. 2006. Data Mining: Concepts and Techniques 2nd ed. San Francisco, CA: Morgan Kaufmann Publishers.
Kantardzic, M. 2003. Data Mining Concepts Models, Methods, and Algorithms. New Jersey: IEEE.
Kusumadewi, S. dan Purnomo, H. 2010. Aplikasi Logika Fuzzy untuk Pendukung Keputusan edisi 2. Yogyakarta: Graha Ilmu.
Luthfi , Emha Taufiq. 2007. Fuzzy C-Means Untuk Clustering Performance Mengajar Dosen. STMIK AMIKOM .
Roger S. Pressman, 2002. Rekayasa Perangkat Lunak Pendekatan Praktisi Buku Satu: ANDI Yogyakarta.
Santosa, B. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta:GrahaIlmu.
Sudjana, Nana. 2001. Penilaian hasil proses belajar mengajar. Bandung: Remaja Rosdakarya.
Wahyuni et al. 2009. Penggunaan Cluster-Based Samplinguntuk Penggalian Kaidah Asosiasi Multi Obyektif. Institut Teknologi Nasional Malang
Yehuda, Aditya Nur Santoso. 2012. Penerapan Algoritma Fuzzy C-means untuk Clustering Objek Wisata.Universitas Kristen Satya Wacana.
LAMPIRAN LAMPIRAN TABEL RINGKASAN USECASE
Tabel Deskripsi Use Case Nomor
Nama Use Case Deskripsi
Aktor Use Case
FC-001 Input data file .xls,
Use case ini menggambarkan proses Pengguna
.csv input data, dalam bentuk file .xls,
.csv yang akan digunakan untuk proses clustering
FC-002 Seleksi atribut
Use case ini menggambarkan proses seleksi atribut dari data yang
Pengguna diinputkan, sehingga atribut yang
Tidak diperlukan dapat dihapus. FC-003
Distribusi atribut Use case ini menggambarkan proses
Pengguna distribusi atribut dari data yang
diinputkan FC-004
Proses clustering Use case ini menggambarkan proses
Pengguna input k,w,i,e
Clustering dalam data yang telah diinputkan
FC-005 Lihat grafik plot
Use case ini menggambarkan grafik Pengguna
Hasil dari proses clustering FC-006
Simpan hasil Use case ini menggambarkan proses
Pengguna proses clustering
simpan hasil pencarian clustering ke dalam file .xls, .txt atau .doc
FC-007 Lihat bantuan
Use case ini untuk melihat petujuk Pengguna
bagaimana cara kerja dari sistem ini
LAMPIRAN DIAGRAM AKTIFITAS ACTIVITY DIAGRAM
Diagram Aktivitas
1. Input data file .xls, .csv
Pengguna Sistem
Menekan tombol pilih berkas
Menampilkan JFileChooser
Memilih file .xls atau .csv
Membaca data yang dipilih lalu
menampilkannya pada tabel data beserta
jumlahnya dan daftar nama atribut
2. Proses clustering
Pengguna Sistem
Menekan tombol Klastering
Menampilkan halaman
FCMGUI dan menampilkan data yang telah dipilih inputan
pada tabel
Mengeset jumlah k,w,I,e
Menekan tombol Proses
Menampilkan hasi clustering pada teks area
FCMGUI
3. Simpan Hasil Clustering
4. Seleksi Atribut
