Analisa Pengujian

3.2. Analisa Pengujian

Tahap analisis hasil akan membahas proses pengujian system yang akan dilakukan beberapa tahap. Pengujian dilakukan untuk mengetahui apakah model clustering yang didapatkan dengan algoritma K-means sudah cukup baik atau tidak. Data yang digunakan pada proses pengujian ini terdiri dari 1238 data yang terdiri dari 3 wilayah yang memiliki jumlah data yang berbeda. Data dari tiap wilayah tersebut akan dibagi dua sebagai data training dan data testing. Berikut adalah daftar scenario pengujian system yang akan dilakukan :

Tabel 3. Skenario Pengujian

Training Testing

Skenario dirancang menjadi tiga tahapan bertujuan untuk menggali nilai error yang dihasilkan dengan cara membandingkan hasil pengujian dengan data sebenarnya dengan menggunakan data training dan testing . Dari hasil evaluasi nilai error tersebut nantinya akan menjadi dasar pemilihan nilai cluster center terbaik yang dapat digunakan dalam menerapkan data mining pada penentuan tahapan kesejahteraan keluarga. Nilai error yang paling kecil akan digunakan untuk menentukan pemilihan nilai cluster center . Dari tiga scenario pengujian yang dilakukan dengan menggunakan data training, dihasilkan nilai cluster center dengan gambaran sebagai berikut :

Group C

70,21 Uji 3A (378 data 70,52 latih)

Group B

Uji 2A (281 data latih)

Group A

Uji 1A (126 data latih)

Gambar 4. Grafik Perolehan Nilai Cluster Center Tiap Pengujian

Dari Gambar 3.4 dapat dilihat bahwa perolehan nilai cluster center untuk menentukan nilai rerata tiap group , menghasilkan peningkatan pada tiap pengujian. Penggunaan variasi data latih dengan melakukan peningkatan setiap skenarionya ternyata berpengaruh pada nilai cluster center yang dihasilkan. Kemudian untuk dapat menentukan nilai cluster center mana yang akan digunakan untuk dapat mengelompokkan tahapan kesejahteraan keluarga, dilakukan pengamatan nilai error yang dihasilkan pada keseluruhan pengujian yang telah dilkakukan. Pengujian ini juga untuk membuktikan apakah pemilihan jumlah data training dan testing akan mempengaruhi tingkat error yang dihasilkan. Berikut adalah grafik perbandingan nilai error yang dihasilkan pada keseluruhan pengujian :

Gambar 5. Grafik Perolehan Nilai Error Tiap Pengujian

Dari gambar 5 dapat diamati bahwa nilai error yang dihasilkan belum ada yang mencapai batas bawah yaitu 0 (nol). Namun jika dilihat dari grafik yang dihasilkan, nilai error yang paling minim dihasilkan pada pengujian 3A dan 3B dimana pada scenario pengujian tersebut menggunakan total 632 data dengan pembagian set data 378 data training dan 254 data testing. Dapat disimpulkan bahwa semakin banyak data yang digunakan maka dapat menghasilkan nilai error yang semakin minim. Sebagai hasil akhir maka nilai cluster center yang dapat digunakan untuk mengelompokkan tahapan kesejahteraan keluarga adalah nilai yang dihasilkan pada scenario ke 3. Adapun nilai cluster center tersebut adalah sebagai berikut :

Tabel 4. Hasil Penentuan Cluster Center Akhir

1 Sejahtera Kel

2 Sejahtera 1 Kel

Setelah dilakukan penelitian mengenai penerapan data mining pada penentuan tahapan kesejahteraan keluarga, maka dapat diambil beberapa kesimpulan untuk menjawab rumusan masalah sebagai berikut:

1. Secara garis besar algoritma SAW dan K-Means dapat dilakukan dalam menentukan tahapan kesejahteraan keluarga sesuai indicator yang telah ditentukan oleh user, sehingga dapat membantu pihak BKKBN dalam mengevaluasi kinerja ataupun menentukan target kerja.

2. Persentase tingkat error yang dihasilkan paling rendah pada penerapan algoritma SAW dan K-means dalam pengelompokkan tahapan kesejahteraan keluarga terdapat ketika menggunakan data training yang lebih banyak. Untuk dapat meminimalisir tingkat error dan meningkatkan akurasi dapat dilakukan dengan melakukan penambahan data dalam proses mining. Beberapa saran yang dapat diberikan untuk penelitian lebih lanjut adalah :

1. Penelitian selanjutnya diharaokan dapat dibangun berbasis web ataupun mobile application dengan tidak menurunkan kualitas kelayakan algoritma SAW dan K-means.

2. Penelitian selanjutnya diharapkan dapat mengembangkan sistem agar dalam pengolahan database tidak memerlukan bantuan user untuk dapat menyiapkan data sampai siap diolah menggunakan algoritma SAW dan K-means.

3. Kualitas akurasi dan nilai error yang dilhasilkan pada penelitian ini masih belum mencapai nilai terbaik, sehingga pada penelitian selanjutnya dapat melakukan pengujian dengan data yang lebih banyak ataupun melakukan pengembangan dengan menambahkan algoritma lain di dalamnya.

Daftar Pustaka [199] BKKBN. Profil hasil Pendataan Keluarga Tahun 2013. BKKBN. 2014 [200] Elfrida . T. System Pendukung Keputusan Penerima Santunan Yayasan Periode Tahunan Dengan Metode Simple

Additive Weighting (SAW). Majalah Ilmiah Informasi dan Teknologi Ilmiah (INTI). 2015; Vol. V, No. 2 [201] Aniq N.C, Shofwatul. U. Analisis Kinerja Algoritma Fuzzy C-Means Dan K-Means Pada Data Kemiskinan. Jurnal Teknik Informatika dan Sistem Informasi. 2015; Vol.1, No.2 [202] Nielza. M, Lizda. I. Pemanfaatan Algoritma K-Mean Untuk Mengklaster Kabupaten Di Provinsi Jateng DIY Berdasarkan Kemiripan Nilai Lima Buah Indicator Mortalitas Derajat Kesehatan Daerah. Seminar Nasional Aplikasi Teknologi (SNATI). 2014

[203] Artanti. I. Pengelompokkan Provinsi Di Indonesia Berdasarkan Prosentase Rumah Tangga Menurut Kualitas Fisik Air Minum Dengan Menggunakan Analisis Non Hirarki K-Means. J Statistika. 2015; Volume 7 [204] Prasetyo, E. Data Mining – Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta. Andi Offset. 2012 [205] Mertler, C.A. Action Reseacrh Mengembangkan Sekolah dan Memberdayakan Guru. Yogyakarta. Pustaka Pelajar.