3. Objek yang dikelompokkan adalah nilai Indeks Prestasi Mahasiswa. 4. Hasil yang didapatkan dari aplikasi ini adalah kelompok mahasiswa potensial
drop out pada masing-masing angkatan 20102011 dan program studi Teknologi InformasiIlmu Komputer.
3.1.4 Analisis Kebutuhan Non Fungsional Kebutuhan ini adalah tipe kebutuhan yang berisi properti perilaku yang dimiliki
oleh sistem. Berikut adalah kebutuhan nonfungsional yang dimiliki sistem : 1. Digunakan pada sistem operasi Microsoft Windows, minimal Microsoft
Windows XP SP3. 2. Aplikasi dibangun dengan menggunakan komponen sebagai berikut :
a. Paket software Visual Studio 2010, untuk aplikasi pemrograman aplikasi, bahasa pemrograman yang digunakan adalah Visual Basic
2010. b. Paket software XAMPP yang akan difungsikan sebagai DBMS
MySQL. 3. Spesifikasi komputer standard Processor Pentium IV 2,6 GHz, Memori 512
MB, Kartu Grafik 128 MB.
3.2 Perancangan Sistem
Sub bab ini berisikan tentang rancangan sistem yang akan dibangun, dalam hal ini perancangan terhadap sistem.
3.2.1 Diagram Context Diagram context atau disebut juga diagram sistem inti fundamental system
model atau DFD Level 0 adalah penggambaran desain informasi yang diaplikasikan pada saat data bergerak dari input menjadi output secara garis besar.
Universitas Sumatera Utara
Gambar 3.1 Diagram Context
Keterangan gambar :
User :
Pengguna aplikasi Jlh cluster = 3
: Jumlah cluster awal yang diberikan adalah 3 buah
statistik :
Data proses dari masing-masing iterasi yang terjadi Data prediksi drop out
: Output yang diterima user berupa data prediksi drop out
3.2.2 Data Flow Diagram Level 1
User
Jlh Cluster = 3 Statistik
Data Kelompok Potensial drop out Pengelompokan mahasiswa
potensial Drop Out Akademik Dengan
Menggunakan Metode Clustering Pada Program
Studi Teknologi Informasi dan Ilmu Komputer Fakultas
Ilmu Komputer dan Teknologi Informasi
Universitas Sumatera Utara T.A 20102012
Universitas Sumatera Utara
user 1
Proses Clustering
2 Prediksi DO
jlh cluster = 3 statistik
centroid_x
centroidb_x Data IP angkatan 2010 tercluster
Data IP angkatan 2011 tercluster
Cluster data IP angkatan 2010
Cluster data IP angkatan 2011 Data prediksi DO
Gambar 3.2 DFD Level 1
Keterangan gambar :
User :
Pengguna aplikasi Jlh cluster = 3
: Jumlah cluster awal yang diberikan adalah 3 buah
Statistik :
Data proses dari masing-masing iterasi yang terjadi Data IP Angkatan 2010
tercluster :
Data dari hasil proses clustering untuk IP angkatan 2010 Data IP Angkatan 2011
tercluster :
Data dari hasil proses clustering untuk IP angkatan 2011 Centroid_x
: Tabel untuk menampung data hasil proses iterasi untuk
mahasiswa angkatan 2010 Centroidb_x
: Tabel untuk menampung data hasil proses iterasi untuk
mahasiswa angkatan 2011
Cluster data IP angkatan 2010
: Data cluster hasil proses iterasi untuk mahasiswa
angkatan 2010
Cluster data IP angkatan 2011
: Data cluster hasil proses iterasi untuk mahasiswa
angkatan 2011 Data prediksi DO
: Output yang diterima user berupa data kelompok
Kelompok
DO
Data Kelompok
DO
Universitas Sumatera Utara
mahasiswa potensial drop out
3.2.3 Flow Chart
mulai
Jumlah Centroid = 3 m1 = 0.404
m2 = 2.052 m3 = 3.144
Baca data IP mahasiswa prodi TI dan Ilkom angkatan 2010 dan
angkatan 2011
Hitung jarak setiap data dengan masing-masing
centroid Pengelompokkan data
berdasarkan jarak terdekat pada masing-
masing centroid
EOF tidak
Perubahan centroid cluster baru m1,m2,m3
baru Hitung BCV
Hitung WCV Hitung Ratio
Perubahan centroid cluster baru m1,m2,m3
baru Apakah rasio
sebelumnya sudah ada ?
Rasio sekarang = rasio sebelumnya ?
tidak
ya ya
selesai ya
tidak
Gambar 3.3 Flowchart
Keterangan flowchart : 1. Penentuan k k = 3 C
1
, C
2
, C
3
2. Untuk mendapatkan m
1
, penulis mencari nilai min yang terdapat pada data transkrip nilai mahasiswa angkatan 2010 pada nilai ganjil_2010,
genap_2010,ganjil_2011, genap_2011, ganjil_2012 Kemudian dari nilai
– nilai ini penulis mengambil nilai rata-ratanya sehingga didapatkan m1 = 0.404
Universitas Sumatera Utara
Kemudian untuk mencari m
2
, penulis mencari nilai rata-rata dari rata-rata yang terdapat pada data transkrip nilai mahasiswa angkatan 2010 pada
nilai ganjil_2010, genap_2010,ganjil_2011, genap_2011, ganjil_2012 , sehingga didapatkan hasil sebagai berikut :
Dari data tersebut didapatkan nilai m
2
= 2.052 Kemudian untuk mencari nilai m
3
, penulis mencari nilai rata-rata dari nilai tertinggi yang terdapat pada data transkrip nilai mahasiswa angkatan 2010
pada nilai
ganjil_2010, genap_2010,ganjil_2011,
genap_2011, ganjil_2012”, sehingga didapatkan hasil sebagai berikut :
Dari data tersebut didapatkan nilai m3 = 3.144 3. Baca data IP Mahasiswa, diambil dari prodi Teknologi informasi dan Ilmu
Komputer untuk angkatan 2010 dan angkatan 2011 4. Hitung jarak setiap data dengan masing-masing centroid, Untuk mendapatkan
jarak dari masing-masing IP mahasiswa ke C
1
, C
2
, dan C
3
digunakan rumus euclidean
distance sebagai
berikut :
Iterasi 1 : Berdasarkan data yang ada dapat di ambil satu contoh untuk proses perhitungan Cluster C, dimana :
K = 3 m
1
= 0,404 m
2
= 2,052 m
3
= 3,144 maka :
Universitas Sumatera Utara
C
1
= �� �
�� 2010
− 0,404
2
+ �� �
� �� 2010 − 0,404
2
+ �� �
�� 2011
− 0,404
2
+ �� �
� �� 2011 − 0,404
2
+ �� �
�� 2012
− 0,404
2
= 2,6 − 0,404
2
+ 2,9 − 0,404
2
+ 3,18 − 0,404
2
+ 2,83 − 0,404
2
+ 0 − 0,404
2
=
4,8224 + 6,23 + 7,7062 + 5,8855 + 0,1632 =
24,8073
= 4,980693
C
2
= �� �
�� 2010
− 2,052
2
+ �� �
� �� 2010 − 2,052
2
+ �� �
�� 2011
− 2,052
2
+ �� �
� �� 2011 − 2,052
2
+ �� �
�� 2012
− 2,052
2
= 2,6 −
2,052
2
+ 2,9 −
2,052
2
+ 3,18 −
2,052
2
+ 2,83 −
2,052
2
+ 0 −
2,052
2
= 0,300304 + 0,719104 + 1,272384 + 0,605284 + 4,210704
= 7,10778
= 2,6660421
C
3
= �� �
�� 2010
− 3,144
2
+ �� �
� �� 2010 − 3,144
2
+ �� �
�� 2011
− 3,144
2
+ �� �
� �� 2011 − 3,144
2
+ �� �
�� 2012
− 3,144
2
= 2,6 − 3,144
2
+ 2,9 − 3,144
2
+ 3,18 − 3,144
2
+ 2,83 − 3,144
2
+ 0 − 3,144
2
= 0,295936 + 0,059536 + 0,001296 + 0,098596 + 9,884701
= 10,3401= 3,215602581
Cara di atas dilakukan untuk masing-masing data. 5. Kelompokkan data berdasarkan jarak terdekat dengan centroid
Dari hasil tersebut diperoleh tabel iterasi 1 sebagai berikut :
Universitas Sumatera Utara
Gambar 3.4 Tabel Iterasi 1
6. Jika belum EOF, ulangi langkah 3 sampai langkah ke 5, jika sudah EOF, update perubahan centroid terbaru
7. Hitung BCV BCV = d m
1
, m
2
+ d m
2
, m
3
+ d m
1
,m
3
Dimana : m
1
= 0,404 m
2
= 2,052 m
3
= 3,144
BCV = 0,404 − 2,052
2
+ 4,404 − 3,144
2
+ 2,052 − 3,144
2
= −1,684
2
+ −2,740
2
+ −1,092
2
= 2,715904 + 7,5076 + 1,192464
= 11,415968
= 3,378752
8. Hitung WCV WCV =
�,
2 �=
=1
dari data setelah di hitung di peroleh nilai WCV = 1614,6384
9. Hitung rasio
Universitas Sumatera Utara
Ratio = =
3,378752 1614 ,638
=
0,00209257555
Kemudian hitung m
i
m
1
,m
2
,m
3
untuk iterasi yang ke 2
m
i
=
dari tabel hasil iterasi, didapat untuk ∑ C
1
= 50,52682 dan untuk n
1
= 35, ∑ C
2
= 330,5643 dan untuk n
2
= 122, ∑ C
3
= 172,6519 dan untuk n
3
= 56 maka :
m
1
=
50,52682 35
= 1,443623
m
2
=
330,5643 122
= 2.709543 m
3
=
50,172,6519 56
= 3.257545 kemudian ulangi langkah ke 7 sampai 9 untuk menghitung BCV,WCV dan Ratio
untuk melakuan iterasi yang ke 3. 10. Bandingkan rasio tersebut dengan rasio sebelumnya jika sudah ada, jika rasio
tersebut nilainya semakin besar maka lanjutkan ke langkah berikutnya namun jika tidak hentikan prosesnya.
3.3 Rancangan Antarmuka Pengguna