Penerapan Metode Clustering Data Dengan C-Means Untuk Rekomendasi Penerima Beasiswa Pada Universitas Sumatera Utara

LAMPIRAN A : Listing Program

<?php

require_once "config.php"; $cluster = 18;

$header = array(); $struk = array(); $struk2 = array(); $dtset = array(); $dtset2 = array(); $clust = array();

$query = mysql_query("select * from mahasiswa a, peserta b where a.nim = b.nim order by date asc");

$index = 0;

while($r = mysql_fetch_array($query)): $umur = umur($r[tgl_lahir]); /*Beasiswa Toyota Astra*/

if($r[program] == "S1" and ($r[id_fakultas] == 3 or $r[id_fakultas] == 4 or $r[id_fakultas] == 8) and ($r[semester] == 5 or $r[semester] == 7) and $r[ipk]>=2.8 and $umur <=25):

$clust[5] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa Tjipta Sarjana*/

elseif($r[semester] == 1 or $r[semester] == 2):

$clust[9] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa Technological and Professional Skills Development Sector Project (TPSDP)*/

elseif(($r[id_fakultas] == 4 or $r[id_fakultas] == 8 or $r[id_fakultas] == 3) and $r[penghasilan] < 2000000):

$clust[3] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa Bank Indonesia*/

elseif($r[semester] >= 5 and $r[program] == "S1" and $r[ipk]>=3 and $umur<=23 and $r[sks]>=90):

$clust[2] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

/*Beasiswa YKPP (Yayasan Kesejahteraan Pegawai Pertamina)*/

elseif($r[semester] >= 2 and $r[semester]<=4 and $r[program] == "S1" and $r[ipk]>=3):

$clust[15] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa PT. SUN LIFE FINANCIAL INDONESIA*/

elseif(($r[id_fakultas] == 8 or $r[id_fakultas] == 9 or $r[id_fakultas] == 10) and $r[semester]>=4 and $r[ipk]>=3.5):

$clust[16] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa PT. Gudang Garam*/

elseif($r[semester] >= 3 and $r[program] == "S1" and $r[ipk]>=2.5): $clust[14] .= $index."-";

$dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000;

$dtset[$index][6] = $r[nim]; $index++;

/*Beasiswa PT. Djarum*/

elseif($r[semester] >= 5 and ($r[program] == "S1" or $r[program] == "D3") and $r[ipk]>=3 and $umur<=25 and $r[sks]>=90):

$clust[7] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa Konsorsium Pendidikan BPMIGAS -KKKS (Badan Pelaksanaan Minyak dan Gas – Kontraktor Kontrak Kerja Sama)*/

elseif( ($r[program] == "S1" or $r[program] == "D3") and $r[semester] >=3 and $r[ipk]>=2.75 and $umur<=25):

$clust[10] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa PT. Bank Rakyat Indonesia (BRI) Persero Tbk*/

elseif($r[program] == "S1" and $r[ipk]>=2.5 and $umur<=23 and $r[semester]>=3):

$clust[13] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester];

$dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++; /*PPA*/

elseif(($r[semester] >= 3 and $r[semester]<= 7 and $r[program] == "S1") and $r[ipk]>=3):

$clust[1] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++; /*BBM*/

elseif(($r[semester] >= 3 and $r[semester]<= 7 and $r[program] == "S1") or ($r[semester] >= 3 and $r[semester]<= 5 and $r[program] == "D3") and $r[ipk]>=2.75):

$clust[0] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa Society of Petroleum (SPE)*/

elseif($r[id_fakultas] == 4 and ($r[semester] >= 3 and $r[semester]<=7) and $r[program] == "S1" and $r[ipk]>=3):

$clust[11] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa SUPERSEMAR*/

elseif($r[semester]>=3 and $r[program] == "S1" and $r[ipk]>=2.5 and $r[penghasilan]<=2000000):

$clust[4] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa Yayasan Jepang*/

elseif($r[semester]>=7 and $r[program] == "S1" and $r[ipk]>=2.7): $clust[6] .= $index."-";

$dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa Tonoto Foundation*/

elseif($umur<=21 and $r[program] == "S1" and $r[ipk]<=3 and $r[penghasilan]<=2000000):

$dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/*Beasiswa Yayasan Salim */

elseif($r[semester]>=1 and $r[semester]<=7 and $r[program] == "S1" and $r[ipk]>=2.8):

$clust[12] .= $index."-"; $dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++;

/* Beasiswa Peningkatan Prestasi Ekstrakurikuler (PPE)*/

elseif(($r[program] == "S1" or $r[program] == "D3") and $r[ipk]>=2.5): $clust[17] .= $index."-";

$dtset[$index][0] = $umur;

$dtset[$index][1] = $r[id_fakultas]; $dtset[$index][2] = $r[semester]; $dtset[$index][3] = $r[sks]; $dtset[$index][4] = $r[ipk];

$dtset[$index][5] = $r[penghasilan]/1000000; $dtset[$index][6] = $r[nim];

$index++; endif;

endwhile;

$cek_cluster1 = ""; $cek_cluster2 = "1"; $iterasi = 1;

$jarak = array();

for($indx = 0;$indx<$cluster;$indx++): $cek_cluster1 = "";

$cek_cluster2 = "1";

while($cek_cluster1 != $cek_cluster2): $cek_cluster2 = $cek_cluster1; $cek_cluster1 = "";

$centroid = array(); $tmp_cent = array();

$tmp = explode("-",$clust[$indx]); for($i = 0;$i<=5;$i++):

if(sizeof($tmp)>0): $tmp_sum = 0;

for($k = 0;$k<sizeof($tmp);$k++): $idx = $tmp[$k];

$tmp_sum += $dtset[$idx][$i]; endfor;

$tmp_sum = $tmp_sum/ (sizeof($tmp)); $tmp_sum = round($tmp_sum,2); $centroid[$i][$indx] = $tmp_sum; endif;

//echo $centroid[$i][0]; endfor;

//hitung jarak setiap data iterasi - 1 for($i = 0;$i<sizeof($tmp);$i++):

$tmp_jarak = array(); $idx = $tmp[$i]; $tmp_sum = 0;

for($k = 0; $k<=5;$k++):

$h = $dtset[$idx][$k] - $centroid[$k][$indx]; $tmp_sum += pow($h,2);

endfor;

$hsl_jrk = sqrt($tmp_sum); $hsl_jrk = round($hsl_jrk,2); $jarak[$idx] = $hsl_jrk; $jarak2[$i] = $hsl_jrk; endfor;

asort($jarak2);

for($i = 0;$i<sizeof($jarak2);$i++):

$idx = array_search($jarak2[$i],$jarak); $cek_cluster1 .= $idx;

endfor; endwhile; endfor;

print_r($clust);

for($i = 0;$i<$cluster;$i++):

$tmp = explode("-",$clust[$i]); for($j = 0;$j<sizeof($tmp)-1;$j++):

$index = $tmp[$j];

$query = "insert into hasil_beasiswa values('".$dtset[$index][6]."',".($i+1).",".$jarak[$index].")";

echo $query;

mysql_query($query); endfor;

endfor; ?>

LAMPIRAN B : Flowchart Jenis Beasiswa Pada Universitas Sumatera Utara

2. Flowchart Beasiswa Bantuan Belajar Mahasiswa (BBM)

4. Flowchart Beasiswa Technological and Professional Skills Development Sector Project (TPSDP)

6. Flowchart Beasiswa Yayasan Toyota Astra

8. Flowchart Beasiswa PT. DJARUM

10. Flowchart Beasiswa TJIPTA SARJANA

11. Flowchart Beasiswa Konsorsium Pendidikan BPMIGAS - KKKS (Badan Pelaksana Minyak dan Gas–Kontraktor Kontrak Kerja Sama)

12. Flowchart Beasiswa Society of Petroleum (SPE)

14. Flowchart Beasiswa PT. Bank Rakyat Indonesia (BRI)

16. Flowchart Beasiswa Yayasan Kesejahteraan Pegawai Pertamina (YKPP)

18. Flowchart Beasiswa Peningkatan Prestasi Ekstrakurikuler (PPE)

DAFTAR PUSTAKA

Gafur, A. 2008. Cara Mudah Mendapatkan Beasiswa. Penebar Plus Daihani: Jakarta Giyanto, H. 2008. Penerapan Algoritma Clustering K-Means K-Medoid Gath Geva.

Tesis. Universitas Gajah Mada.

Hermawati, A.F. 2009. Data Mining. Andi: Yogyakarta.

Khoiruddin, A.A. 2007. Menentukan Nilai Akhir Kuliah Dengan Fuzzy C-Means. 1:1-7.

Luthfi, E.T. 2007. Fuzzy C-Means Untuk Clustering Data. 1:1-7.

Lubis, M.S. & Syahputra, M.F. 2011. Teknologi Pengembangan Aplikasi WEB. USU Press: Medan.

Manurung, P. 2010. Sistem Pendukung Keputusan Seleksi Penerima Beasiswa Dengan Metode AHP dan TOPSIS. Skripsi. 1-74.

Muchtar, M.A. & Sani, M.F. 2011. Modul Praktikum Desain Perangkat Lunak. USU Press: Medan.

Nugroho, B. 2008. Latihan Membuat Aplikasi Web PHP dan MySQL dengan

Dreamweaver. Gava Media: Yogyakarta.

Ramadhani, K.R. 2011. Analisis dan Implementasi Ant Colony Algorithm Untuk Clustering. Disertasi. Politeknik Telkom.

Suryadi., Kadrasah. & Rahmadhani. 1998. Sistem Pendukung Keputusan. PT Remaja Rosda Karya: Bandung.

Santosa, B. 2007. Data Mining Terapan Dengan Matlab. Graha Ilmu: Yogyakarta. Santosa, B. 2007. Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis

Susanto, S. & Suryadi, D. 2010. Pengantar Data Mining, Menggali Pengetahuan Dari Bongkahan Data. Tesis. Universitas Gajah Mada.

Torihoran, F.H., Agung, A.A.G. & Tambunan, T.D. 2011. Aplikasi Pendukung Keputusan Untuk Penentuan Beasiswa Dengan Metode Composite Performance Index. Sistem Pendukung Keputusan. 1-9.

Turban, E. 2005. Decission Support Systems and Intelligent System. Andi: Yogyakarta.

Warsito, B., Insprianti, D. & Widayanti, H. 2008. Clustering Data Pencemaran Udara Sektor Industri di Jawa Tengah Dengan Kohenen Neural Network.

Presipitasi. (4):1-6.

Wirawan, M.J.A. 2009. Amazing New Website With PHP, AJAX, and MySQL. Andi: Yogyakarta.

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis Sistem

Analisis sistem merupakan penguraian dari proses pengguna sistem yang di bangun kedalam bagian-bagian komponennya dengan maksud untuk mengidentifikasi dan mengevaluasi permasalahan. Sistem yang dibangun menjelaskan tentang penerapan metode clustering data dengan C-Means untuk rekomendasi penerima beasiswa pada Universitas Sumatera Utara. Analisis masalah yang akan dilakukan berupa pengelompokan data mahasiswa dengan menerapkan clustering data dengan C-Means untuk membantu mahasiswa yang mendaftar beasiswa sehingga mendapatkan rekomendasi jenis beasiswa yang dapat diikuti sesuai dengan kriteria-kriteria yang dimiliki.

Dengan aplikasi yang dibangun dapat membantu mahasiswa menentukan beasiswa mana yang akan dipilih pada beberapa jenis beasiswa yang ada di Universitas Sumatera Utara. Aplikasi yang dibangun akan mengelompokkan data mahasiswa yang melakukan pendaftaran beasiswa kedalam salah satu jenis beasiswa yang sesuai sehingga mahasiswa mendapatkan rekomendasi jenis beasiswa yang sesuai.

3.2 Analisis Data Sistem

Data atau sampel yang digunakan diperoleh dari Biro Kemahasiswaan Universitas Sumatera Utara. Data yang digunakan dalam penelitian ini berupa data sampel yang berjumlah 431 data mahasiswa Fakultas Ilmu Komputer dan Teknologi Informasi dan jenis program beasiswa berjumlah 18 yang ditawarkan di Universitas Sumatera Utara, yang memberikan gambaran secara keseluruhan bagaimana kriteria-kriteria yang sesuai untuk masing-masing jenis beasiswa pada Universitas Sumatera Utara.

Kriteria data mahasiswa yang mendaftar beasiswa adalah Nomor Induk Mahasiswa (NIM), Nama, email, Tanggal lahir, Nomor Handphone, Alamat, Fakultas, Jenjang Pendidikan (Strata S1 atau D3), Semester, SKS yang sudah diselesaikan, dan Indeks Prestasi Kumulatif (IPK). Setelah terkumpul semua data mahasiswa yang mendaftar beasiswa dilakukan analisis data yang sesuai dengan pengelompokan data berdasarkan algoritma clustering dengan C-Means. Contoh data mahasiswa di tunjukkan pada tabel 3.1.

Tabel 3.1 merupakan data mahasiswa yang mendaftar sebagai calon penerima beasiswa di Universitas Sumatera Utara. Data tersebut hanya sebagai sampel data dari keseluruhan data mahasiswa yang ada di Universitas Sumatera Utara. Mahasiswa yang mendaftar sebagai calon penerima beasiswa direkomendasikan hanya pada satu program beasiswa dari 18 program beasiswa yang ditawarkan. Data dari jenis beasiswa yang berjumlah 18 yang ada di Universitas Sumatera Utara dapat di lihat pada Tabel 3.2.

Tabel 3.2 merupakan data jenis program beasiswa yang berjumlah 18 yang di tawarkan di Universitas Sumatera Utara. Data tersebut diolah berdasarkan kriteria dan persyaratan dari tiap jenis beasiswa. Mahasiswa yang mendaftar beasiswa di seleksi menurut kriteria atau kecocokan data mahasiswa dengan kriteria jenis beasiswa yang ditawarkan. Setelah kriteria dicocokkan maka diperoleh rekomendasi beasiswa yang sesuai untuk mahasiswa berdasarkan jarak kedekatan data mahasiswa terhadap data beasiswa yang direkomendsikan. Nomor Induk Mahasiswa (NIM) dijadikan sebagai id mahasiswa saat mendaftar beasiswa. Karakter-karakter yang akan dicocokkan adalah umur, fakultas, semester, SKS yang telah diselesaikan, Indeks Prestasi Kumulatif (IPK), dan penghasislan orang tua.

Berdasarkan karakter-karakter tersebut kemudian kriteria yang sama dan mempunyai kemiripan akan dikelompokan (cluster) sehingga mahasiswa memproleh rekomendasi jenis beasiswa yang sesuai untuk diikuti. Setiap mahasiswa hanya memperoleh satu rekomendasi program beasiswa yang dapat diikuti. Dengan rekomendasi yang diperoleh, mahasiswa mempunyai peluang untuk mendapatkan beasiswa karena jumlah mahasiswa yang dibutuhkan dalam program beasiswa yang ditawarkan akan di sesuaikan dengan jumlah mahasiswa yang mendaftar sebagai calon penerima beasiswa. Mahasiswa yang mendaftar beasiswa akan lebih terarah pada salah satu jenis beasiswa yang tersedia.

Tabel 3.2 Data Jenis Program Beasiswa di Universitas sumatera Utara

No. Nama Beasiswa

1 Beasiswa Peningkatan Prestasi Akademik (PPA) 2 Beasiswa Bantuan Belajar Mahasiswa (BBM) 3 Beasiswa BANK INDONESIA (BI)

4 Beasiswa Technological and Professional Skills Development Sector Project (TPSDP)

5 Beasiswa Yayasan Supersemar 6 Beasiswa Yayasan Toyota Astra 7 Beasiswa Yayasan Jepang 8 Beasiswa PT.DJARUM

9 Beasiswa TANOTO FOUNDATION 10 Beasiswa TJIPTA SARJANA

11 Beasiswa Konsorsium Pendidikan BPMIGAS -KKKS (Badan Pelaksanaan Minyak dan Gas–Kontraktor Kontrak Kerja Sama) 12 Beasiswa Society of Petroleum (SPE)

13 Beasiswa Yayasan Salim

14 Beasiswa PT. Bank Rakyat Indonesia (BRI) Persero Tbk 15 Beasiswa PT. Gudang Garam

16 Beasiswa YKPP (Yayasan Kesejahteraan Pegawai Pertamina) 17 Beasiswa PT. SUN LIFE FINANCIAL INDONESIA

18 Beasiswa Peningkatan Prestasi Ekstrakurikuler (PPE)

3.3 Perancangan Sistem

Sistem yang akan dibangun pada tugas akhir ini dapat dilihat pada gambar 3.1

flowchart sistem clustering. Mahasiswa melakukan pendaftaran dengan menginputkan

data kedalam sistem. Sistem melakukan proses filter data/cleaning data pada data yang diinputkan. Data yang telah di cleaning kemudian dihitung centroid dari tiap-tiap data. Kemudian Sistem menghitung jarak data terhadap cluster, jika urutan jarak sama maka disimpan ke database jika urutan jarak tidak sama kembali ke perhitungan centroid.

Flowchart sistem clustering yang dibangun adalah sebagai berikut:

Start

Input data mahasiswa

Filter data/ cleaning data

Hitung centroid cluster(i)

inc i = 18 Hitung jarak data anggota cluster(i)

Sort Asc

Urutan jarak sama

Simpan ke database

Ya

End Ya

Tidak

Tidak

3.3.1 Pengelompokan Data (Clustering Data)

Data di kelompokkan berdasarkan karakteristik yang telah di tentukan yaitu berdasarkan umur, fakultas, semester, SKS yang telah diselesaikan, Indeks Prestasi Kumulatif (IPK), dan penghasilan orang tua. Data yang di inputkan mahasiswa akan di filterisasi kemudian akan terbentuk centroid, berdasarkan karakteristik yang telah ditentukan centroid yang dihasilkan sebanyak enam centroid. Setelah centroid terbentuk kemudian dilakukan proses cluster dengan C-Means. Secara umum proses pengelompokan data dapat dilihat pada gambar 3.2 tahapan pengelompokan data berikut :

Gambar 3.2 Tahapan Pengelompokan Data

3.3.2 Data Cleaning

Karakter yang akan di inputkan oleh mahasiswa berupa Nomor Induk Mahasiswa (NIM), Nama, Email, Tanggal lahir, Nomor handphone, Alamat, Fakultas, Program (S1 atau D3), Semester, Jumlah SKS lulus, Indeks Prestasi Kumulatif (IPK), Nama ayah, Nama ibu, Alamat orang tua, dan Penghasilan orang tua. Nomor Induk Mahasiswa digunakan sebagai id mahasiswa. Mahasiswa melakukan login dengan menginputka NIM dan data selengkapnya akan muncul pada sistem, apabila data selengkapnya telah ditampilkan kemudian mahasiswa melakukan pendaftaran.

Kemudian dilakukan proses filterisasi (Data Cleaning) sehingga dihasilkan data Umur, Fakultas, Semester, SKS, Indeks Prestasi Kumulatif, dan Penghasilan orang tua. Proses clustering tidak dapat menghitung data kategori dan hanya bisa menghitung data numerik pada karakteristik fakultas, pada databasenya di ubah ke numerik. Nilai numerik pada tiap fakultas dapat dilihat pada tabel 3.3. Pada data penghasilan orang tua, jumlah penghasilan orangtua dibagi 1.000.000 agar dapat mempermudah dalam penghitungan jarak cluster. Pada table 3.4 merupakan sampel

data, diambil dari data mahasiswa Fakultas Ilmu Komputer dan Teknologi Informasi merupakan sampel data dari 20 mahasiswa yang mendaftar beasiswa dengan karakteristik yang telah di inputkan mahasiswa, setelah dilakukan proses filterisasi (data cleaning) maka hasil dari data mahasiswa yang mendaftar beasiswa dapat dilihat pada tabel 3.4.

Tabel 3.3 Nilai Numerik Tiap Fakultas

Nilai Numerik Fakultas Nama Fakultas

1 Kedokteran

2 Hukum

3 Pertanian

4 Teknik

5 Ekonomi

6 Kedokteran Gigi

7 Ilmu Budaya

8 Matematika dan Ilmu Pengetahuan Alam 9 Ilmu Sosial dan Ilmu Politik

10 Kesehatan Masyarakat

11 Farmasi

12 Psikologi

13 Keperawatan

14 Ilmu Komputer dan Teknologi Informasi

Tabel 3.4 Hasil Filterisasi (Cleaning Data) Karakteristik Data Mahasiswa

NIM Umur Fakultas Semester Jumlah

SKS Lulus

IPK Penghasilan

101402001 20 14 6 85 2.98 5

101402002 21 14 6 87 3.56 5

101402003 21 14 6 87 3.2 5

101402004 20 14 6 82 2.91 7.5

101402005 21 14 6 85 2.97 5

101402007 22 14 6 87 3.42 5

101402008 21 14 6 96 3.05 5

101402009 20 14 6 87 3.68 5

101402010 20 14 6 72 2.13 5.5

101402013 21 14 6 85 3.22 5

101402014 20 14 6 84 3.5 5

Tabel 3.4 Hasil Filterisasi (Cleaning Data) Karakteristik Data Mahasiswa (Lanjutan)

NIM Umur Fakultas Semester Jumlah

SKS Lulus

IPK Penghasilan

101402016 20 14 6 84 3.17 5

101402017 20 14 6 87 3.35 5

101402018 20 14 6 84 2.99 5

101402019 21 14 6 87 3.24 5

101402020 20 14 6 98 3.42 7.5

101402021 22 14 6 85 3.08 7.5

101402022 20 14 6 82 2.81 7.5

101402023 20 14 6 87 3.51 7.5

Tabel diatas merupakan filterisasi/cleaning data dari data yang di inputkan mahasiswa yang mendaftar beasiswa. Setiap penghasilan orang tua dibagikan 1.000.000 sehingga menghasilkan nilai seperti pada tabel 3.4. Misalkan penghasilan orang tua RP 5.000.000 kemudian dibagi 1.000.000 sehingga hasilnya 5. Mahasiswa yang orang tuanya mampu mempunyai kemungkinan untuk memperoleh beasiswa apabila mahasiswa tersebut berprestasi dan jika kriteria yang dimiliki mahasiswa sesuai dengan syarat beasiswa yang ditawarkan. Sedangkan untuk Fakultas di ubah menjadi numerik dengan nilai numeriknya berdasarkan urutan dari tiap Fakultas tersebut, seperti pada tabel 3.3.

3.3.3 Pembentukan Centroid Cluster

Pembentukan centroid di gunakan untuk mengelompokkan atribut-atribut dari tiap-tiap cluster. Atribut dari tiap-tiap cluster di jumlahkan kemudian dicari rata-rata tiap-tiap

cluster dan di akarkan untuk mendapatkan hasil yang minimum. Pembentukan

centroid di hitung dengan persamaan:

⋃ ( ) = 1∀ Keterangan:

X : Data sampel himpunan ke-i

: Himpunan ke i, dengan i=1,2, …, c

: Data ke k, dengan k=1,2, …, p c : Banyak jenis himpunan data p : Banyak data

1. Centroid 1 – Gabungan dari semua kelompok (set) umur meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan ∑ ( ) dengan n = jumlah data.

= = = 20.5 =√ 20.5 = 4.5

2. Centroid 2–Gabungan dari semua kelompok (set) fakultas meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan ∑ ( ) dengan n = jumlah data.

= = = 14 =√ 14 = 3.7

3. Centroid 3 – Gabungan dari semua kelompok (set) semester meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan

∑ ( ) dengan n = jumlah data. =

= 6 =√ 6 = 2.4

4. Centroid 4 – Gabungan dari semua kelompok (set) SKS meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan ∑ ( ) dengan n = jumlah data.

= = = 85.9 =√ 85.9 = 9.3

5. Centroid 5 – Gabungan dari semua kelompok (set) IPK meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan ∑ ( ) dengan n = jumlah data.

= . . . . = .

= 3.17 =√ 3.17 = 1.78

6. Centroid 6 – Gabungan dari semua kelompok (set) penghasilan orang tua meliputi himpunan titik data X, agar nilai rata-rata yang diperoleh menghasilkan nilai minimum maka nilai rata-rata di akarkan dapat di tulis dengan persamaan ∑ ( ) dengan n = jumlah data.

= . . . .

= . = 5.68

=√ 5.68 = 2.38

Dari persamaan di atas maka dapat dihasilkan enam centroid dengan nilai yang berbeda tiap centroidnya. Tidak ada yang overlap antara cluster. Tidak ada cluster yang kosong dan tidak ada cluster yang memuat semua titik data. Tidak ada centroid yang nilainya sama karena centroid di kelompokkan berdasarkan objek yang sama dan berbeda dengan objek pada centroid yang lain, karena clustering mengelompokkan objek-objek sedemikian rupa sehingga objek dalam satu cluster sangat mirip sedangkan objek diberbagai cluster cukup berbeda. Dari persamaan di atas dapat disimpulkan bahwa perbandingan antara tiap-tiap centroid dapat dilihat pada tabel 3.4 berikut:

Tabel 3.5 Perbandingan Antara Tiap-tiap Centroid

4.5 3.7 2.4 9.3 1.78 2.38

3.3.4 Clustering dengan C-Means

Proses pengelompokan Clustering C-Means dapat dilihat pada gambar 3.4 Flowchart

Clustering C-Means. Pertama ditentukan banyaknya cluster kemudian di tentukan

pusat cluster. Pada penelitian ini jumlah cluster sebanyak 18, jumlah cluster pada penelitian ini di tetapkan berdasarkan banyaknya beasiswa yang ditawarkan di Universitas Sumatera Utara. Kemudian di tentukan pusat cluster dan dihitung jarak objek ke pusat cluster, objek tersebut dikelompokkan berdasarkan jarak minimum. Jika ada objek yang harus dipindah maka prosesnya akan kembali ke penentuan pusat

cluster.

Pusat cluster merupakan centroid yang memperoleh nilai minimum. Pada centroid1 samapai centroid6 pusat clusternya adalah centroid5 karena memperoleh nilai minimum yaitu 1.78. Pusat cluster bertujuan untuk menemukan alokasi titik data sedemikian rupa sehingga jarak diminimalkan. Menurut Euclidean norm, antara sampel data k, dan i pusat cluster dihitung dengan persamaan:

= ( − )

Keterangan:

: Jarak data ke pusat cluster : Nilai data

: Pusat cluster

k : 1,2, … p i :1,2, … c p : Banyak data

c : Banyak jenis himpunan data

Gambar 3.3 Flowchart Clustering C-Means

Tabel 3.6 Jarak Data Umur ke Pusat Cluster

Umur = ( − ) = Jarak data ke pusat

cluster

20 20–1.78 18.22

21 21–1.78 19.22

21 21–1.78 19.22

20 20–1.78 18.22

21 21–1.78 19.22

22 22–1.78 20.22

21 21–1.78 19.22

20 20–1.78 18.22

20 20–1.78 18.22

21 21–1.78 19.22

20 20–1.78 18.22

20 20–1.78 18.22

20 20–1.78 18.22

20 20–1.78 18.22

20 20–1.78 18.22

21 21–1.78 19.22

20 20–1.78 18.22

22 22–1.78 20.22

20 20–1.78 18.22

20 20–1.78 18.22

Pada tabel 3.5 dapat diketahui jarak data umur ke pusat cluster. Sedangkan untuk sampel data Fakultas, Semester, SKS, IPK, dan penghasilan orang tua dapat diketahui jarak data dari tiap objek ke pusat cluster dengan persamaan seperti pada tabel 3.5. Setelah diketahui jarak objek ke pusat cluster kemudian objek dikelompokkan berdasarkan jarak minimum. Jika ada objek yang harus di pindah maka akan kembali pada proses penentuan pusat objek tersebut. Kemudian lanjut pada proses penghitungan jarak objek ke pusat cluster hingga pengelompokan objek berdasarkan jarak minimum dan dilakukan secara berulang sehingga diperoleh kualitas alokasi cluster yang berbeda. C-Means menggunakan jumlah jarak antara

usulan cluster dan data terkait yang menunjukkan milik kelompok tersebut, sehingga diperoleh rekomendasi jenis beasiswa yang sesuai untuk di ikuti mahasiswa yang mendaftar beasiswa. Rekomendasi yang diperoleh mahasiswa sesuai dengan jarak kedekatan karakter yang di inputkan terhadap jenis beasiswa yang direkomendasikan.

3.4 Analisis Komponen Sistem

3.4.1 Data Flow Diagram (DFD) Level 0

Data Flow Diagram (DFD) level 0 disebut dengan Diagram konteks (context

diagram). Diagram konteks pada sistem yang dibangun dapat di lihat pada gambar 3.5

Diagram konteks atau DFD level 0:

Gambar 3.4 Diagram konteks (DFD Level 0)

3.4.2 Data Flow Diagram (DFD) Level 1

Data Flow Diagram (DFD) level 1 pada sistem yang dibangun dapat di lihat pada gambar 3.6 berikut:

Gambar 3.5 Data Flow Diagram Level 1 3.4.3 Data Flow Diagram (DFD) Level 2

Data Flow Diagram (DFD) level 2 proses mengelola data mahasiswa yang mendaftar beasiswa dapat di lihat pada gambar 3.7 berikut:

Gamabar 3.6 Data Flow Diagram Level 2 Mengelola Data Peserta

Mahasiswa melakukan pendaftaran dengan menginputkan data yang sebenarnya pada system yang dibangun. Data tersebut akan diproses kemudian mahasiswa dapat melihat informasi data yang di inputkan pada form peserta apabila data sudah berhasil di inputkan. Mahasiswa dapat melihat informasi jenis dan persyaratan beasiswa yang tersedia pada Universitas Sumatera Utara pada form beasiswa, dimana data beasiswa tersebut dimasukkan kedalam system oleh staff admin. Pada saat pendaftaran sudah ditutup maka mahasiswa dapat melihat rekomendasis beasiswa yang sesuai untuk diikuti pada form pengumuman.

Setelah mahasiswa mendaftar sebagai calon penerima beasiswa kemudian sistem akan memproses data peserta yang mendaftar beasiswa sehingga diperoleh rekomendasi jenis beasiswa yang sesuai untuk di ikuti mahasiswa yang mendaftar beasiswa. Adapun proses pengambilan keputusan untuk rekomendasi beasiswa dengan metode clustering dapat dilihat pada gambar 3.8 berikut :

Gamabar 3.7 DFD Level 2 SPK Rekomendasi Beasiswa

Gambar 3.8 merupakan Data Flow Diagram (DFD) Sistem Pengambil Keputusan (SPK) untuk menentukan rekomendasi beasiswa yang sesuai untuk mahasiswa yang mendaftar beasiswa. Data yang di inputkan mahasiswa akan diproses oleh sistem yang dibangun dengan menggunakan metode clustering. Staff admin akan login kedalam sistem kemudian melakukan pengaturan tanggal dibuka dan ditutupnya jadwal pendaftaran beasiswa. Pada waktu pendaptaran di buka mahasiswa akan melakukan pendaftaran dengan menginputkan nim dan akan muncul data yang sebenarnya. Setelah pendaftaran ditutup staff admin akan menjalakan sistem sehingga diperoleh rekomendasi beasiswa.

Mahasiswa akan mengetahui rekomendasi beasiswa yang sesuai pada saat pendaptaran sudah ditutup. Mahasiswa yang direkomendasikan untuk mengikuti salah satu jenis beasiswa yang tersedia kemudian akan melengkapi berkas-berkasnya dan

membawa berkas yang sudah dilengkapi pada fakultas masing-masing untuk diperiksa kembali. Dengan adanya rekomendasi beasiswa mahasiswa berpeluang untuk mendapatkan beasiswa yang direkomendasikan.

3.5 Rancangan Antarmuka Pengguna (User Interface)

Perancangan antarmuka pengguna perlu dibuat dalam membangun sistem karena sangat membantu dalam pembangunan sistem. Agar tercipta perangkat lunak yang mudah dan informatif untuk pengguna (user friendly) perlu di perhatikan rancangan antar muka pengguna yang sesuai dengan kebutuhan.

3.5.1 Rancangan Form Utama

Pada form ini terdapat beberapa menu, seperti menu beasiswa, staff, peserta, dan menu pengumuman. Pada form utama ini dapat dilihat semua jenis beasiswa yang ditawarkan di Universitas Sumatera Utara dan kapan pendaftaran beasiswa dibuka dan ditutup. Pada saat pendaftaran di buka, mahasiswa yang akan mendaftar beasiswa bisa menginputkan data-datanya di menu yang telah disediakan. Rancangan form utama dapat dilihat pada gambar 3.9 berikut:

Gambar 3.8 Rancangan Form Utama

Pendaftaran dibuka : Tanggal/Bulan/Tahun

Home Beasiswa Staff Peserta Pengumuman

Jenis-jenis beasiswa yang tersedia di Universitas Sumatera Utara

3.5.2 Rancangan Form Beasiswa

Rancangan form beasiswa berfungsi sebagai informasi semua jenis beasiswa yang tersedia. Informasi jenis-jenis beasiswa disertai dengan syarat-syarat dari tiap jenis beasiswa yang trersedia untuk membantu mahasiswa mengetahui syarat dan kriteria beasiswa yang tersedia. Bentuk rancangan form beasiswa dapat dilihat pada gambar 3.10 berikut:

Gambar 3.9 Rancangan Form Beasiswa

3.5.3 Rancangan Form Staff

Rancangan form staff berfungsi sebagai form admin yang dapat mengatur tanggal dibuka dan ditutupnya pendaftaran beasiswa. Form staff sebagai hak akses untuk mengoperasikan sistem dengan pemasukan username (Nama Pengguna) dan

Password. Pengumuman rekomendasi beasiswa untuk mahasiswa dapat dilihat oleh

mahasiswa setelah tanggal pendaftaran ditutup. Setelah pendaftaran ditutup staff akan login kembali dan melakukan penghapusan data pada rekomendasi yang sebelumnya. Penghapusan data bertujuan untuk memuat rekomendasi beasiswa yang baru, namun untuk penghapusan data peserta pada periode sebelumnya bisa di hapus pada form peserta. Penghapusan peserta pada periode sebelumnya dilakukan sebelum pendaftaran dibuka. Kemudian staff admin memilih set beasiswa dan sistem akan bekerja. Kemudian sistem akan menghasilkan pengumuman rekomendasi beasiswa.

Jenis-jenis beasiswa dan syarat-syarat beasiswa

Home Beasiswa Staff Peserta Pengumuman

Beasiswa yang tersedia di Universitas Sumatera Utara

Pendaftaran dibuka : Tanggal/Bulan/Tahun

Bentuk rancangan form login dapat dilihat pada gambar 3.11 dan bentuk rancangan form staff setelah login dapat dilihat pada gambar 3.12.

Gambar 3.10 Rancangan Form Login Staff

Setelah melakukan login, staff bisa menjalankan sistem dengan melakukan penghapusan data rekomendasi yang sebelumnya. Setelah data yang sebelumnya dihapus maka menu hapus data akan berubah menjadi set beasiswa yang berfungsi untuk memberikan rekomendasi beasiswa yang baru. Sedangkan menu mahasiswa berfungsi untuk menginputkan data mahasiswa kedalam database. Sehingga pada saat mahasiswa melakukan pendaftaran mahasiswa hanya memasukkan nim dan kemudian data selengkapnya akan ditampilkan oleh system. Rancangan form staff setelah login dapat dilihat pada gambar 3.12 berikut:

Gambar 3.11 Rancangan Form Staff Staff Login

Username Password

Login

Home Beasiswa Staff Peserta Pengumuman

Pendaftaran dibuka : Tanggal/Bulan/Tahun

Home Beasiswa Staff Peserta Pengumuman

Pendaftaran dibuka : Tanggal/Bulan/Tahun

Hapus Data

Set tanggal pendaftara SET Logout

3.5.4 Rancangan Form Peserta

Pada form peserta ini berisi nama dan data mahasiswa yang telah mendaftarkan beasiswa. Rancangan form peserta dapat dilihat pada gambar 3.13 berikut:

Gambar 3.12 Rancangan Form Peserta

3.5.5 Rancangan Form Pengummuman

Form pengumuman berisi tentang rekomendasi kepada mahasiswa yang telah mendaftar beasiswa. Pada form ini mahasiswa bisa melihat rekomendasi jenis beasiswa yang sesuai untuk diikuti. Data mahasiswa yang di tampilkan berupa NIM, Umur, Fakultas, Strata (S1/D3), Semester dan IPK yang telah diinputkan. Rancangan form pengumuman bisa dilihat pada gambar 3.14 berukut:

Gambar 3.13 Rancangan Form Pengumuman Mahasiswa yang mendaftar beasiswa

Home Beasiswa Staff Peserta Pengumuman

Pendaftaran dibuka : Tanggal/Bulan/Tahun

Data Mahasiswa yang Menerima Beasiswa

Home Beasiswa Staff Peserta Pengumuman

Pendaftaran ditutup : Tanggal/Bulan/Tahun

Penerima Beasiswa

Jenis-jenis Beasiswa yang Tersedia di Universitas Sumatera Utara

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Tahap selanjutnya untuk mengembangkan suatu perangkat lunak adalah tahap implementasi dan pengujian sistem. Pada bab ini akan dijelaskan tentang proses pengimplementasian metode clustering data dengan C-Means pada sistem, sesuai dengan perancangan sistem pada bab sebelumnya. Kemudian dilakukan pengujian untuk mengetahui apakah implementasi perangkat lunak yang di bangun berhasil atau tidak. Berikut hasil implementasi dan pengujian dari aplikasi yang telah dibangun. 4.1 Implementasi Sistem

Berdasarkan hasil analisis dan perancangan sistem yang telah dilakukan, kemudian dilakukan implementasi sistem rekomendasi beasiswa dengan menggunakan metode

clustering data dengan C-Means menggunakan bahasa pemrograman PHP dengan

database MySQL.

4.1.1 Lingkungan Implemetasi

Spesifikasi perangkat keras (hardware) dan perangkat lunak (software) yang digunakan untuk membangun program aplikasi dalam penulisan skripsi ini adalah sebagai berikut:

1. Processorintel® Atom™ CPU N570 @ 1.66 GHz 1.67 GHz 2. Kapasitas Hardisk 200GB

3. Memory RAM yang digunakan 1.00GB 4. Operating sistem Windows 7 ultimate 5. XAMPP versi 1.7.2

6. MySQL versi 5.1.37

4.1.2 Implementasi Perancangan Antarmuka

Untuk menjalankan aplikasi yang dibangun tentang rekomendasi penerima beasiswa pada Universitas Sumatera Utara terlebih dahulu di install XAMPP pada komputer

masing-masing. Pada saat melengkapi berkas akan diperlukan pernyataan tidak menerima beasiswa lain yang ditandatangani oleh Pembantu Dekan III Fakultas sebagai syarat untuk bisa mengikuti beasiswa yang telah direkomendasikan. Oleh karena itu Mahasiswa hanya bisa memperoleh rekomendasi salah satu jenis beasiswa yang tersedia pada Universitas Sumatera Utara. Menu pengumuman merupakan informasi beasiswa yang direkomendasikan, sehingga mahaiswa yang mendaftar beasiswa dapat mengetahui jenis beasiswa yang bisa di ikuti. Mahasiswa yang direkomendasikan berpeluang untuk mendapatkan beasiswa tersebut.

Dengan rekomendasi beasiswa mahasiswa akan berpeluang lebih besar untuk dapat memperoleh beasiswa yang direkomendasikan tersebut. Karena mahasiswa yang mendaftar sebagai calon penerima beasiswa akan direkomendsikan sesuai dengan kriteria yang dimiliki. Mahasiswa akan terhindar dari penumpukan data yang mendaftar beasiswa pada salah satu jenis beasiswa dari 18 jenis beasiswa yang ditawarkan. Mahasiswa yang mendaftar akan dikelompokkan sesuai dengan kriteria yang dimiliki untuk mengikuti salah satu jenis beasiswa dari keseluruhan beasiswa yang ditawarkan pada Universitas sumatera Utara. Mahasiswa memperoleh rekomendasi beasiswa setelah pendaftaran ditutup.

4.2 Pengujian Sistem

Setelah melakukan proses implementasi selanjutnya dilakukan pengujian sistem. Pengujian sistem dilakukan untuk memeriksa kinerja dari tiap-tiap komponen sistem yang di implementasikan. Pengujian sistem bertujun untuk mengetahui bahwa aplikasi yang telah dibuat sesuai dengan kebutuhan. Pada pengujian ini akan ditampilkan hasil dari mahaiswa yang direkomendasikan untuk mengikuti jenis beasiswa yang telah disediakan.

4.2.1 Rencana Pengujian Sistem

Tabel 4.1 Rencana Pengujian

No Komponen sistem yang di uji Butir uji

1 Halaman utama Mencoba semua menu halaman pada bagian menu

Tombol daftar sekarang 2 Halaman input data pendaftaran

beasiswa

Halaman verifikasi input data yang dimasukkan

Form data pendaftaran beasiswa

Tombol“daftar”

Informasi kegagalan dalam mendaftar beasiswa

3 Halaman staff Login staff

Hapus data Mahasiswa Set tanggal

Logout staff

Tombol “login”

Informasi kegagalan dalam melakukan login

Tombol hapus data Tombol daftar/tambahkan Tombol pilih tanggal Tombol set tanggal Tombol logout

4 Halaman peserta Data mahasiswa yang mendaftar beasiswa

Kosongkan data Simpan ke Excel

5 Halaman pengumuman Mencoba semua menu jenis beasiswa

Simpan ke Excel

4.2.2 Hasil Pengujian Sistem

Hasil pengujian dari sistem yang dibangun dapat dilihat pada tabel 4.2 berikut:

Tabel 4.2 Hasil Pengujian

No Komponen

sistem yang di uji

Skenario uji Hasil yang

diharapkan Hasil pengujian 1 Halaman utama Mencoba semua menu halaman pada bagian menu

Ketika menu di tekan, maka akan berpindah kehalaman yang di tuju

Berhasil

2 Halaman input data pendaftaran beasiswa Memasukkan data sesuai dengan ketentuan yaitu data yang dimiliki oleh mahasiswa pendaftar beasiswa

Ketika tombol daftar di tekan maka akan muncul

pemberitahuan bahwa mahasiswa berhasil mendaftar beasiswa, sedangkan jika masih ada data yang salah atau tidak sesuai maka akan muncul pemberitahuan data tidak bisa di input

Berhasil

3 Halaman staff

Login staff Melakukan login staff Memasukkan username dan password yang benar memasukkan username dan password.

Ketika data untuk login dimasukkan kemudian tombol login di klik, maka akan dilakukan proses pengecekan data untuk login. Apabila data yang dimasukkan benar,

Berhasil

Tabel 4.2 Hasil Pengujian (Lanjutan)

No Komponen

sistem yang diuji

Skenario uji Hasil yang

diharapkan Hasil pengujian Update data Memasukkan username dan password yang salah Menekan tombol update data

maka akan langsung masuk ke halaman staff.

Ketika data untuk login dimasukkan kemudian tombol login di klik, maka akan dilakukan proses pengecekan data untuk login. Apabila data yang dimasukkan salah, maka akan muncul pemberitahuan kesalahan dalam memasukkan username atau password. Ketika tombol Update data di klik maka data mahasiswa yang mendaftar sebagai calon penerima beasiswa yang terdahulu akan terhapus dari

halaman pengumuman.

Berhasil

Berhasil

Tabel 4.2 Hasil Pengujian (Lanjutan)

No Komponen

sistem yang diuji

Skenario uji Hasil yang

diharapkan Hasil pengujian Mahasiswa Set tanggal Logout staff Menekan tombol daftar/tambahkan Mengatur tanggal pendaftaran dan penutupan beasiswa di kolom yang telah disediakan

Tombol logout

Ketika tombol daftar/tambahkan di klik maka data mahasiswa akan secara otomatis bertambah di dalam database sistem.

Ketika tanggal pendaftaran dan penutupan beasiswa diatur, kemudian di klik tombol set maka tanggal pendaftaran dan penutupan beasiswa pada sistem akan berubah secara otomatis.

Pada saat tombol logout di klik maka staff admin akan keluar dari sistem

Berhasil Berhasil 4 Halaman peserta Data mahaisswa yang mendaftar beasiswa akan telihat.

Pada halaman peserta akan terlihat semua data mahaiswa yang mendaftar beasiswa.

Tabel 4.2 Hasil Pengujian (Lanjutan)

No Komponen

sistem yang diuji

Skenario uji Hasil yang

diharapkan Hasil pengujian Menu kosongkan data Menu penyimpanan data ke Excel

Jika menu hapus data di klik maka data mahasiswa akan terhapus secara otomatis .

Jika tulisan simpan data di klik maka data mahasiswa akan langsung terdownload dalam bentuk Excel

Berhasil Berhasil 5 Halaman pengumuman Menu jenis-jenis beasiswa

Menu simpan ke excel

Setiap menu jenis beasiswa di klik maka akan muncul nama-nama mahaiswa yang di rekomemdasikan untuk mengikuti jenis beaiswa yang di pilih atau di klik.

Setiap menu simpan ke excel di klik maka data mahasiswa yang direkomendasikan untuk mengikuti salah satu jenis beasiswa yang telah

direkomendasikan secara otomatis akan terdownload dalam bentuk Excel.

Berhasil

Berhasil

4.2.3 Hasil Pengujian Kinerja Sistem

Aplikasi rekomendasi penerima beasiswa dapat membantu mahasiswa untuk mengetahui jenis beasiswa yang sesuai untuk diikuti di Universitas Sumatera Utara. Sehingga mahasiswa mempunyai peluang untuk mendapatkan beasiswa yang direkomendasikan. Dengan aplikasi yang dibangun dapat menghindari penumpukan data pada saat pendaptaran beasiswa dibuka. Dengan rekomendasi beasiswa yang sesuai dapat menghindari penumpukan data di salah satu jenis beasiswa dan dapat membantu mahasiswa untuk memperoleh informasi beasiswa yang ditawarkan di Universitas Sumatera Utara. Aplikasi yang dibangun membantu admin di bidang penyeleksian beasiswa. Mempermudah admin menentukan mahasiswa yang layak mendapatkan beasiswa karena data mahasiswa yang mendaftar sesuai dengan syarat-syarat beasiswa.

Rekomendasi beasiswa diperoleh berdasarkan data yang telah diinputkan oleh mahasiswa yang mendaftar sebagai calon penerima beasiswa. Rekomendasi beasiswa dapat dilihat dengan memilih menu jenis-jenis beasiswa yang telah disediakan. Mahasiswa yang memperoleh rekomendasi beasiswa akan melengkapi persyaratan dari beasiswa yang telah direkomendasikan kepada Pembantu Dekan III Fakultas masing-masing. Salah satu syarat dari beberapa beasiswa yang ditawarkan adalah membawa surat pernyataan tidak menerima beasiswa lain yang ditandatangani oleh PD III. Oleh karena itu mahasiswa hanya bisa mendapatkan rekomendasi dari salah satu jenis beasiswa yang tersedia. Mahasiswa yang lulus seleksi berkas dapat memperoleh beasiswa di Universitas Sumatera Utara.

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil analisis dan pengujian yang dilakukan pada bab sebelumnya, maka kesimpulan yang diperoleh adalah sebagai berikut:

1. Clustering dapat memaksimalkan pengelompokan data numerik ke dalam suatu kelas atau cluster yang memiliki kesamaan, sehingga penerapan

Clustering dengan C-Means untuk rekomendasi beasiswa dapat menghasilkan persamaan dan perbedaan dari beberapa cluster data dengan jarak yang minimal.

2. Aplikasi rekomendasi beasiswa memberikan informasi jenis beasiswa yang dapat diikuti oleh mahasiswa, sesuai dengan syarat yang dibutuhkan dari tiap program beasiswa yang ditawarkan sehingga mahasiswa yang mendaftar beasiswa mempunyai peluang untuk memperoleh beasiswa yang direkomendasikan.

3. Aplikasi rekomendasi beasiswa dapat mempercepat proses penyeleksian beasiswa dan dapat menghindari terjadinya penumpukan data mahasiswa pada salah satu jenis beasiswa dari beberapa jenis program beasiswa yang ditawarkan.

5.2 Saran

Untuk hasil yang lebih maksimal penulis menyarankan penelitian lebih lanjut dalam pengelompokan data. Saran dari penulis adalah:

1. Sistem ini dapat dikembangkan dengan memperbanyak kelompok data atau cluster pada data yang lebih kompleks.

2. Penelitian ini dapat dikembangkan dengan menggunakan metode dan algoritma lain sebagai perbandingan.

3. Admin diharapkan mampu memberikan keputusan kepada mahasiswa yang berhak mendapat beasiswa yang sebenarnya.

BAB 2

LANDASAN TEORI

2.1 Sistem Pendukung Keputusan (SPK)

Konsep sistem pendukung keputusan (SPK) pertama kali di ungkapkan pada awal tahun 1970 oleh Michael S. Scott Morton dengan istilah management decision system. Morton mendefenisikan SPK sebagai “Sistem berbasis komputer interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk membantu memecahkan masalah-masalah yang tidak terstruktur”. SPK merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan dan pemanipulasian data. Sistem digunakan untuk membantu pengambilan keputusan dalam situasi yang semi terstruktur dan situasi yang tidak terstruktur, dimana tidak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat.

SPK biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk mengevaluasi suatu peluang. Aplikasi SPK menggunakan CBIS (Computer

Based Information System) yang fleksibel, interaktif, dan dapat di adaptasi, yang di

kembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur. Aplikasi SPK menggunakan data, memberikan antarmuka pengguna yang mudah dan dapat menggabungkan pemikiran pengambil keputusan. SPK lebih ditujukan untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat analitis dalam situasi yang kurang terstruktur dan dengan kriteria yang kurang jelas. SPK tidak dimaksudkan untuk mengotomatisasikan pengambilan keputusan tetapi memberikan perangkat interaktif yang memungkinkan pengambil keputusan untuk melakukan berbagai analisis menggunakan model-model yang tersedia.

2.1.1 Nilai Guna dan Karakteristik Sistem Pendukung Keputusan

Pada dasarnya SPK ini merupakan pengembangan lebih lanjut dari Sistem Informasi Manajemen Terkomputerisasi (Computerized Management Information system), yang dirancang sedemikian rupa sehingga bersifat interaktif dengan pemakainya. Sifat interaktif ini berguna untuk memudahkan integrasi antara berbagai komponen dalam proses pengambilan keputusan seperti prosedur, kebijakan, teknik analisis, serta

pengalaman dan wawasan manajerial guna membentuk suatu kerangka keputusan yang bersifat fleksibel. Sifat interaktif tersebut memiliki tujuan SPK (Turban, 2005):

1. Membantu dalam pengambilan keputusan atas masalah yang terstruktur.

2. Memberikan dukungan atas pertimbangan manajer dan bukan untuk menggantikan fungsi manajer.

3. Meningkatkan efektivitas keputusan yang diambil lebih daripada perbaikan efisiensinya.

4. Kecepatan komputasi, Komputer memungkinkan para pengambil keputusan untuk melakukan banyak komputasi secara cepat dengan biaya yang rendah.

5. Peningkatan produktivitas. 6. Dukungan kualitas.

7. Berdaya saing.

8. Mengatasi keterbatasan kognitif dalam pemrosesan dan penyimpanan.

Aplikasi SPK yang dikembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur memiliki ciri-ciri yaitu (Suryadi e.t al, 1998):

1. SPK ditujukan untuk membantu keputusan-keputusan yang kurang terstruktur.

2. SPK merupakan gabungan antara kumpulan model kualitatif dan kumpulan data.

3. SPK bersifat luwes dan dapat menyelesaikan dengan perubahan-perubahan yang terjadi.

Berdasarkan ciri-ciri di atas, maka karakteristik yang membedakan SPK dengan sistem informasi lainnya yaitu :

1. SPK dirancang untuk membantu pengambilan keputusan dalam memecahkan masalah yang sifatnya semi terstruktur atau tidak terstruktur dengan menambahkan kebijaksanaan manusia dan informasi komputerisasi.

2. Pada proses pengolahannya, SPK mengkombinasikan penggunaan model model analisis dengan teknik pemasukan data konvensional serta fungsi-fungsi pencari atau pemerikasa informasi.

3. SPK dapat digunakan atau dioperasikan dengan mudah oleh orang-orang yang tidak memiliki dasar kemampuan pengoperasian komputer yang tinggi, pendekatan yang digunakan biasanya model interaktif. 4. SPK dirancang pada aspek fleksibilitas serta kemampuan adaptasi yang

tinggi, sehingga mudah disesuaikan dengan berbagai perubahan lingkungan yang terjadi dan kebutuhan pengguna.

Dalam membangun suatu SPK diperoleh beberapa manfaat atau keuntungan bagi pemakainya. Keuntungannya adalah sebagai berikut :

1. SPK memperluas kemampuan pengambil keputusan dalam memproses data/informasi bagi pemakainya.

2. SPK membantu pengambil keputusan dalam hal penghematan waktu yang dibutuhkan untuk memecahkan masalah terutama bagi masalah yang sangat kompleks dan tidak terstruktur.

3. Sistem pendukung keputusan dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat di andalkan.

4. Suatu SPK mungkin saja tidak mampu memecahkan masalah yang dihadapi oleh pengambil keputusan, namun dapat menjadi stimulan bagi pengambil keputusan dalam memahami persoalannya. Hal ini dikarenakan SPK mampu menyajikan berbagai alternative.

2.1.2 Komponen-Komponen Sistem Pendukung Keputusan

SPK terdiri dari tiga subsistem utama yaitu sebagai berikut :

1. Subsistem Manajemen Database (Database Management Subsystem) 2. Subsistem Manajemen Basis Model (Model Base Management

Subsistem)

3. Subsistem Perangkat Lunak Penyelenggara Dialog (Dialog Generation

and Management Software Subsystem)

2.1.3 Subsistem Manajemen Database

Ada beberapa perbedaan antara database untuk SPK dan non-SPK. Sumber data SPK lebih kaya dari pada non-SPK dimana data harus berasal dari luar dan dari dalam karena proses pengambilan keputusan.

Perbedaan lain adalah proses pengambilan dan ekstraksi data dari sumber data yang sangat besar. SPK membutuhkan proses ekstraksi dan DBMS yang pengelolaannya cukup fleksibel untuk memungkinkan penambahan dan pengurangan secara cepat. Dalam hal ini, kemampuan yang dibutuhkan dari manajemen database adalah:

1. Kemampuan untuk mengkombinasikan berbagai variasi data melalui pengambilan dan ekstraksi data.

2. Kemampuan untuk menambahkan sumber data secara cepat dan mudah. 3. Kemampuan untuk menggambarkan struktur data logikal sesuai dengan

pengertian pemakai sehingga pemakai mengetahui apa yang tersedia dan dapat menentukan kebutuhan penambahan dan pengurangan.

4. Kemampuan untuk menangani data sehingga pemakai dapat mencoba berbagai alternatif.

5. Kemampuan untuk mengelola berbagai variasi data.

2.1.4 Subsistem Manajemen Basis Model

Salah satu keunggulan SPK adalah kemampuan untuk mengintegrasikan akses data dan model keputusan. Hal ini dapat dilakukan dengan menambahkan model-model keputusan kedalam sistem informasi dan komunikasi diantara model-model-model-model. Karakteristik ini menyatukan kekuatan pencarian dan pelaporan data.

Salah satu persoalan yang berkaitan dengan model adalah bahwa penyusunan model sering terikat pada struktur model yang mengasumsikan adanya masukan yang benar dan cara keluaran yang tepat. Sementara itu, model cenderung tidak mencukupi karena adanya kesulitan dalam mengembangkan model yang terintegrasi untuk menangani sekumpulan keputusan yang saling berkaitan. Cara untuk menangani persoalan ini dengan menggunakan koleksi berbagai model yang terpisah, dimana setiap model digunakan untuk menangani bagian yang berbeda dari masalah yang dihadapi. Komunikasi antara berbagai model digunakan untuk menangani bagian yang berbeda dari masalah tersebut. Komunikasi antara berbagai model yang saling

berhubungan diserahkan kepada pengambil keputusan sebagai proses intelektual dan manual.

Salah satu pandangan yang lebih optimis diantaranya bisa menambah model-model kedalam sistem informasi dengan database sebagai mekanisme integrasi dan komunikasi. Kemampuan yang dimiliki subsistem basis model meliputi hal-hal sebagai berikut :

1. Kemampuan untuk menciptakan model-model baru secara cepat dan mudah.

2. Kemampuan untuk mengakses dan mengintegrasikan model-model keputusan.

3. Kemampuan untuk mengelola basis model dengan fungsi manajemen yang analog dan manajemen database (seperti mekanisme untuk menyimpan, membuat dialog, menghubungkan, dan mengakses model).

2.1.5 Subsistem Perangkat Lunak Penyelenggara Dialog

Fleksibilitas dan kekuatan karakteristik SPK timbul dari kemampuan interaksi antara sistem dan pemakai yang dinamakan subsistem dialog. Bennet mendefinisikan pemakai, terminal, dan sistem perangkat lunak sebagai komponen-komponen dari sistem dialog sehingga subsistem dialog terbagi menjadi tiga bagian yaitu:

1. Bahasa aksi, meliputi apa yang dapat digunakan oleh pemakai dalam berkomunikasi dengan sistem. Hal ini meliputi pemilihan-pemilihan seperti papan ketik (keyboard), panel-panel sentuh, joystick, perintah suara dan sebagainya.

2. Bahasa tampilan dan presentasi, meliputi apa yang harus diketahui oleh pemakai. Bahasa tampilan meliputi pilihan-pilihan seperti printer, tampilan layar, grafik, warna, plotter, keluaran suara, dan sebagainya

3. Basis pengetahuan, meliputi apa yang harus diketahui oleh pemakai agar pemakaian sistem bisa efektif. Basis pengetahuan bisa berada dalam pikiran pemakai, pada kartu referensi atau petunjuk dalam buku manual, dan sebagainya.

Kombinasi dari kemampuan-kemampuan di atas terdiri dari apa yang disebut gaya dialog misalnya pendekatan tanya jawab, bahasa perintah, menu-menu, dan

mengisi tempat kosong. Kemampuan yang harus dimiliki oleh SPK untuk mendukung dialog pemakai atau sistem adalah sebagai berikut :

1. Kemampuan untuk menangani berbagai variasi dialog, bahkan untuk mengkombinasikan berbagai gaya dialog sesuai dengan pilihan pemakai. 2. Kemampuan untuk mengakomodasikan tindakan pemakai dengan berbagai

peralatan masukan.

3. Kemampuan untuk menampilkan data dengan berbagai variasi format dan peralatan keluaran.

4. Kemampuan untuk memberikan dukungan yang fleksibel untuk mengetahui.

5. Basis pengetahuan pemakai.

2.2 Beasiswa Universitas Sumatera Utara

Beasiswa dapat dikatakan sebagai pembiayaan yang tidak bersumber dari pembiayaan sendiri atau orang tua, akan tetapi diberikan oleh pemerintah, perusahaan swasta, kedutaan, universitas, serta lembaga pendidikan atau peneliti, dan juga dari kantor tempat bekerja yang karena prestasi seorang karyawan dapat diberikan kesempatan untuk meningkatkan kapasitas sumberdaya manusianya melalui pendidikan. Biaya tersebut diberikan kepada yang berhak menerima, terutama berdasarkan klasifikasi, kualitas, dan kompetensi si penerima beasiswa (Gafur, 2008).

Pemberian beasiswa kepada mahasiswa di perguruan tinggi merupakan wujud dari partisipasi masyarakat, instansi, pemerintah, perusahaan-perusahaan swasta dalam membangun bangsa khususnya dalam bidang pendidikan. Pada Universitas Sumatera Utara terdapat beberapa instansi pemerintah (BUMN) dan perusahaan swasta yang menyalurkan bantuan beasiswa kepada mahasiswa. Ada beberapa program beasiswa yang ditawarkan di Unniversitas Sumatera Utara. Beasiswa diberikan kepada mahasiswa yang berprestasi dan memerlukan bantuan ekonomi sehingga mahasiswa tidak kesulitan dalam menyelesaikan kuliahnya. Banyak mahasiswa yang mendapat beasiswa dari berbagai macam beasiswa yang di salurkan melalui Biro Administrasi Kemahasiswaan Universitas Sumatera Utara. Oleh karena itu beasiswa harus diberikan kepada mahasiswa yang berhak memperoleh beasiswa dan memang membutuhkan beasiswa untuk menyelesaikan kuliahnya.

2.2.1 Persyaratan Beasiswa di Universitas Sumatera Utara

Untuk dapat memproleh beasiswa harus memenuhi syarat sebagai berikut : Adapun syarat-syarat umum untuk mendapatkan beasiswa adalah :

1. Terdaftar sebagai mahasiswa Universitas Sumatera Utara.

2. Berprestasi/berasal dari keluarga yang ekonominya kurang mampu. 3. Tidak menerima beasiswa dari sumber lain.

4. Belum bekerja dan belum berkeluarga

5. Aktif dalam mengikuti kegiatan kemahasiswaan (ekstrakurikuler).

6. Tidak akan mengambil PKA (Penundaan Kegiatan Akademik) selama terdaftar sebagai penerima beasiswa.

7. Patuh pada peraturan yang ditetapkan oleh Universitas/Fakultas

8. Mempunyai No. Rekening pada PT.Bank Negara Indonesia Tbk Cabang USU

2.2.2 Syarat Khusus

Persyaratan khusus penerima beasiswa pada Universitas Sumatera Utara disesuaikan dengan jenis beasiswa. Jenis beasiswa pada Universitas Sumatera Utara berjumlah 18 yang ditawarkan untuk mahasiswa dan dapat diikuti dengan persyaratan khusus sebagai berikut :

Tabel 2.1 Jenis dan Syarat Besiswa

No Jenis Beasiswa Persyaratan Khusus Beasiswa

1. Beasiswa Peningkatan Prestasi Akademik (PPA)

1. Terdaftar sebagai mahasiswa Program S1 (Mahasiswa baru dan lama).

2. Indeks Prestasi/Indeks Prestasi Kumulatif (IP/IPK) minimal 3.00 untuk mahasiswa lama.

3. Nilai rata-rata STTB minimal 6.50 untuk mahasiswa baru.

2. Beasiswa Bantuan Belajar Mahasiswa (BBM)

1. Terdaftar sebagai mahasiswa Program Diploma dan S1.

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

No Jenis Beasiswa Persyaratan Khusus Beasiswa

2. Minimal telah duduk di semester II (dua).

3. Indeks Prestasi Kumulatif (IPK) minimal 2.50

3. Beasiswa BANK INDONESIA (BI)

1. Terdaftar sebagai mahasiswa Program S1.

2. Minimal telah duduk di semester V (lima) dan telah menempuh 90 SKS 3. Indeks Prestasi Kumulatif minimal

3.00

4. Usia Maksimal 25 tahun. 4. Beasiswa Technological and

Professional Skills

Development Sector Project (TPSDP)

1. Terdaftar sebagai mahasiswa Program S1.

o Fakultas Teknik (Program studi Kimia, Sipil, Elektro dan Mesin).

o Fakultas MIPA (Program studi Biologi, Kimia, Matematika, Fisika dan Informatika/Ilmu Komputer.

o Fakultas Pertanian (Program studi Teknik Pertanian, Pemuliaan Tanaman, Hortikultura, Teknologi Pengelolaan hasil Perikanan, Teknologi pengelolaan hasil Ternak, Pemanfaatan Sumber Daya Kelautan).

2. Penghasilan perbulan orangtua <Rp.2.000.000 (dua juta rupiah).

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

No Jenis Beasiswa Persyaratan Khusus Beasiswa

3. Mengisi formulir pengajuan beasiswa.

5. Beasiswa Yayasan Supersemar 1. Terdaftar sebagai mahasiswa Program S1

2. Minimal telah duduk di semester III (tiga)

3. Indeks Prestasi Kumulatif (IPK) minimal 2.50

4. Mengisi formulir beasiswa Yayasan Supersemar serta di tandatangani oleh Pudek III Fakultas dan

Pimpinan Perguruan Tinggi bidang Kemahasiswaan

6. Beasiswa Yayasan Toyota Astra 1. Terdaftar sebagai mahasiswa Program S1

o Fakultas Teknik o Fakultas Pertanian o Fakultas MIPA

2. Berada di semester V (lima) atau VII (tujuh)

3. Indeks Prestasi Kumulatif (IPK) minimal 2.80

4. Mengisi formulir pendaftaran beasiswa Yayasan Astra serta di tandatangani oleh Pudek III Fakultas dan Pimpinan Perguruan Tinggi bidang Kemahasiswaan 5. Menyerahkan pasfhoto ukuran 3 x 4

sebanyak 3 (tiga) lembar dan Surat Keterangan Dokter.

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

No Jenis Beasiswa Persyaratan Khusus Beasiswa

7. Beasiswa Yayasan Jepang 1. Terdaftar sebagai mahasiswa Program S1.

2. Minimal telah duduk di semester VII (tujuh).

3. Indeks Prestasi Kumulatif (IPK) minimal 2.76

4. Memiliki surat keterangan sehat dari Dokter

5. Mengisi Formulir riwayat hidup. 8. Beasiswa PT.DJARUM 1. Terdaftar sebagai mahasiswa Program

S1

2. Berada di semester V (lima) 3. Indeks Prestasi Kumulatif (IPK)

minimal 3.00

4. Mengikuti Psikotest yang diadakan oleh PT.Djarum

9. Beasiswa TANOTO FOUNDATION

1. Terdaftar sebagai mahasiswa Program S1

2. Usia maksimum 21 tahun 3. Indeks Prestasi Kumulatif (IPK)

minimal 3.00

4. Mengisi Formulir Pendaftaran Beasiswa Tanoto Foundation 5. Mengikuti Psikotest yang diadakan

oleh Tanoto Foundation

10. Beasiswa TJIPTA SARJANA 1. Terdaftar sebagai mahasiswa baru USU Program S1

2. Berprestasi di sekolah (SMA)

3. Mengisi formulir pendaftaran Program Tjipta Sarjana.

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

No Jenis Beasiswa Persyaratan Khusus Beasiswa

4. Menyerahkan 2 (dua) lembar pasfhoto berwarna 4 x 6

5. Mengikuti wawancara yang diadakan oleh Eka Tjipta Foundation.

11. Beasiswa Konsorsium

Pendidikan BPMIGAS -KKKS (Badan Pelaksanaan Minyak dan Gas–Kontraktor Kontrak Kerja Sama)

1. Terdaftar sebagai mahasiswa Program Diploma (D3) dan S1. 2. Minimal telah duduk di semester III

(tiga).

3. Indeks Prestasi Kumulatif (IPK) minimal 2.75

4. Telah menyelesaikan 25% dari jumlah kredit yang disyaratkan untuk program S1 atau D3 yang diambil. 5. Berusia maksimal 25 tahun. 6. Menyerahkan 2 (dua) lembar

pasfhoto hitam putih 4 x 6 7. Mengisi formulir khusus

yangdiberikan oleh pihak

Konsorsium Pendidikan BPMIGAS– KKKS.

12. Beasiswa Society of Petroleum (SPE)

1. Terdaftar sebagai mahasiswa Program S1 Fakultas Teknik, Jurusan Teknik Kimia/Mesin/Elektro.

2. Sedang menjalani semester III (tiga) (minimum) hingga semester VII (tujuh) (maksimum).

3. Indeks Prestasi Kumulatif (IPK) minimal > 3.00

4. Menyerahkan fotokopi Kartu Penduduk.

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

No Jenis Beasiswa Persyaratan Khusus Beasiswa

13. Beasiswa Yayasan Salim 1. Terdaftar sebagai mahasiswa Program S1

2. Mahasiswa semester I (satu) s/d VII (tujuh)

3. Nilai minimum:

o Untuk mahasiswa semester I nilai rata-rata ujian Nasional dan Rapor kelas terakhir di SMU sederajat minimum 7.6 o Untuk mahasiswa semester III

ke atas, rata-rata Indeks Prestasi Semester (IPS) dua semester terakhir minimum 2.80, bukan Indeks Prestasi Kumulatif (IPK).

4. Mengisi formulir permohonan beasiswa Yayasan Salim. 5. Menyerahkan fotokopi Kartu

Penduduk dan pasfhoto 4 x 6 sebanyak 2 (dua) lemmbar. 14. Beasiswa PT. Bank Rakyat

Indonesia (BRI) Persero Tbk

1. Terdaftar sebagai mahasiswa Program S1

2. Indeks Prestasi Kumulatif (IPK) minimal 2.50

3. Minimal telah duduk di semester III (tiga)

4. Usia tidak lebih dari 23 tahun pada saat mengajukan permohonan

15. Beasiswa PT. Gudang Garam 1. Terdaftar sebagai mahasiswa Program S1

2. Minimal telah duduk di semester III (tiga).

Tabel 2.1 Jenis dan Syarat Beasiswa (Lanjutan)

No Jenis Beasiswa Persyaratan Khusus Beasiswa

3. Indeks Prestasi Kumulatif (IPK) minimal 2.50

16. Beasiswa YKPP (Yayasan Kesejahteraan Pegawai Pertamina)

1. M ahasiswa Program S1.

2. Telah duduk di semester II (dua) dan IV (empat).

3. Indeks Prestasi Kumulatif (IPK) minimal 3.00

4. Mengikuti wawancara yang diadakan oleh YKPP.

17. Beasiswa PT. SUN LIFE FINANCIAL INDONESIA

1. Terdaftar sebagai mahasiswa Fak. MIPA Jurusan Matematika, Fak. ISIP, dan Fak. Kesehatan Masyarakat USU. 2. Telah duduk di semester IV (empat). 3. Indeks Prestasi Kumulatif (IPK)

minimal 3.50 18. Beasiswa Peningkatan Prestasi

Ekstrakurikuler (PPE)

1. Terdaftar sebagai mahasiswa program Diploma dan S1.

2. Indeks Prestasi Kumulatif (IPK) minimal 2.50

3. Mempunyai prestasi tinggi atau baik sesuai dengan kegiatannya yang dibuktikan dengan Sertifikat atau Piagam Penghargaan yang diterbitkan oleh Panitia Penyelenggara atau pihak yang berwenang

4. Bukti Prestasi yang diusulkan mahasiswa yangbersangkutan sudah menjadi mahasiswa USU dan tidak boleh lebih 3 (tiga) tahun sejak bulan Januari pada tahun mengusulkan.

2.2.3 Prosedur Untuk Mendapatkan Beasiswa

1. Mahasiswa harus mengajukan permohonan kepada Rektor Universitas Sumatera Utara melalui Pembantu Dekan III masing-masing, dan dilampiri dengan:

2. Rekomendasi dari Pembantu Dekan III.

3. Transkip Nilai dan fotokopi Kartu Hasil Ujian (KHS) yang di legalisir untuk mahasiswa lama atau STTB SMU sederajat yang dilegalisir untuk mahasiswa baru.

4. Fotokopi Kartu Keluarga (KK) yang dilegalisir.

5. Surat Keterangan Penghasilan Orang tua yang disahkan oleh pejabat yang berwenang.

6. Surat pernyataan yang berisi:

o Belum memproleh beasiswa lain dan tidak sedang dalam proses pengajuan beasiswa lain.

o Belum bekerja dan berkeluarga.

o Tidak akan mengambil penundaan kegiatan akademik.

7. Fotokopi NO. Rekening yang bersangkutan pada PT. Bank BNI Persero Tbk cabang USU.

8. Fotokopi Kartu Tanda Mahasiswa (KTM). 9. Fotokopi pembayaran SPP yang terakhir.

10. Surat keterangan berkelakuan baik dari pimpinan Fakultas/Prodi.

2.3 Data Mining

Data mining adalah proses yang mempekerjakan suatu atau lebih teknik pembelajaran computer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge) secara otomatis. Knowledge Discoveri in Database (KDD) adalah penerapan metode saintifik pada data mining. Operasi data mining menurut sifatnya dibedakan menjadi dua yaitu bersifat prediksi (prediction driven) untuk menjawab pertanyaan “apa ?” dan sesuatu yang bersifat remang-remang atau transparan. Penemuan (discovery driven) bersipat transparan dan untuk menjawab pertanyaan “mengapa ?”.

Tahapan proses dalam penggunaan data mining yang merupakan proses

knowledge Discovery in Database (KDD) seperti yang terllihat pada gambar 2.1 dapat

di uraikan sebagai berikut (Hermawati, 2009) :

1. Memahami domain aplikasi untuk mengetahui dan menggali pengetahuan awal serta apa sasaran pengguna.

2. Membuat target data-set yang meliputi pemililhan data dan fokus pada sub-set data.

3. Pembersihan dan transformasi data meliputi eliminasi derau, outliers, missing

value serta pemilihan fitur dan reduksi dimensi.

4. Penggunaan algoritma data mining yang terdiri dari asosiasi, sekuensial, klasifikasi, klasterisasi, danlainnya.

5. Interpretasi, evaluasi dan visualisasi pola untuk melihatapakah ada sesuatu yang baru dan menarik dan dilakukan iterasi jika diperlukan.

Data

Gambar 2.1 Proses Knowledge Discovery in Database (KDD) (Sumber : Hermawati, 2009)

Data mining berpotensi tinggi jika data yang tepat di kumpulkan dan disimpan dalam sebuah gudang data (data warehouse). Data warehouse baik untuk mengintegrasikan keseluruhan data sebuah perusahaan, tanpa memperhatikan lokasi, format atau kebutuhan komunikasi yang memungkinkan untuk memasukkan informasi tambahan atau ahli. Menghubungkan secara logis antara apa yang dilihat oleh manajer dalam aplikasi sistem informasi pendukung keputusan dan aktifitas operasional Knowledge … … … .. … … … .. selection Preprocessing Transformation Data Mining Interpretation/ Evaluation Target Data Preprocessed Data Transformed Data Patterns

perusahaan. Data warehouse menyediakan data yang siap di transformasi yang disimpulkan sedemikian hingga membuat sesuai untuk aplikasi DSS dan SIM yang efisien (Hermawati, 2009).

2.3.1 Teknik Data Mining

Beberapa teknik dan sifat data mining adalah Classification yaitu menentukan sebuah

record data baru ke salah satu dari beberapa kategori atau klas. Regresi yang

memprediksi nilai dari suatu variable kontinu yang diberikan berdasarkan nilai dari variable yang lain, dengan mengasumsikan sebuah model ketergantungan linier atau non linier.

Clustering mempartisi data-set menjadi beberapa sub-set atau kelompok sedemikian rupa sehingga elemet-element dari suatu kelompok tertentu memuliki set property yang di share bersama, dengan tingkat similaritas yang tinggi dalam satu kelompok dan tingkat similaritas antar kelompok yang rendah. Jika diberikan sejumlah titik data yang masing-masing mempunyai sejumlah atribut, dan dengan menggunakan satu ukuran similaritas, dapat ditemukan klaster-klaster hingga titik-titik data dalam satu klaster mempunyai similaritas yang lebih besar dan titik-titik-titik-titik data dalam klaster yang berbeda mempunyai similaritas yang kecil. Ukuran similaritas yang digunakan adalah Euclidean Distance jika atributnya kontinu dalam permasalahan lain dengan ukuran tertentu.

Kaidah asosiasi (Association Rules) mendeteksi kumpulan atribut-atribut yang

muncul bersamaan (co-occur) dalam frekuensi yang sering, dan membentuk sejumlah kaidah dari kumpulan-kumpulan tersebut. Pencarian pola sekuensial (sequence

mining) mencari sejumlah event yang secara umum terjadi bersama-sama. Jika

diberikan sekumpulan objek, dengan masing-masing objek dihubungkan dengan waktu kejadiannya maka didapatkan pola yang akan memprediksi ketergantungan sekuensial (sequential dependencis) yang kuat di antara kejadian-kejadian yang beerbeda (Hermawati, 2009).

( A B ) ( C ) ( D E )

Pola-pola sekuensial pertama, pada dasarnya dibentuk dengan cara mencari semua kemungkinan pola yang ada. Nilai-nilai kejadian dalam pola diatur berdasarkan urutan waktu kejadian.

2.4 Metode Clustering

Klastering (clustering) adalah salah satu analisis peubah ganda (multivariate analisys) yang digunakan untuk mengelompokkan objek-objek sedemikian rupa sehingga objek dalam satu cluster yang sangat mirip dan objek di berbagai cluster cukup berbeda. Analisis cluster banyak digunakan dalam penelitian-penelitian di bidang social, bidang kesehatan, bidang marketing, bidang akademik, dan bidang kewilayahan (Santosa, 2007).

Metode analisis cluster (clustering methods) dibedakan menjadi dua yaitu metode hierarki (hierarchical clustering methods) dan metode tak berhierarki (non

hierarchical clustering methods). Metode hierarki dibedakan menjadi dua yaitu

metode penggabungan (agglomerative/bottom up) dan metode pemecahan (devisive/

topdown). Prosedur yang digunakan dalam metode hierarki adalah prosedur pautan

tunggal (single linkage), pautan lengkap (complete linkage), dan pautan rata-rata (average linkage). Hasil clustering metode berhierarki secara umum membentuk diagram pohon (tree diagram) atau dendrogram yang menggambarkan pengelompokan objek berdasarkan jarak. Metode tak berhierarki disebut juga metode partisi (partitional methods). Metode tak berhierarki yang banyak digunakan adalah metode C-means Cluster. Yang membedakan fuzzy clustering dan non fuzzy clustering adalah dalam fuzzy clustering, sebuah titik termasuk dalam setiap cluster dengan suatu nilai bobot antara 0 dan 1, sedangkan yang non fuzzy jumlah dari bobot-bobot tersebut sama dengan 1. Clustering probabilitas mempunyai karakteristik yang sama (Hermawati, 2009).

2.4.1 Analisa Cluster

Analisa cluster yaitu menemukan kumpulan objek hingga objek-objek dalam suatu kelompok sama (mempunyai hubungan) dengan yang lain dan berbeda (tidak berhubungan) dengan objek-objek dalam kelompok lain. Tujuan dari analisa cluster adalah meminimalkan jarak di dalam cluster dan memaksimalkan jarak anatar cluster.

Aplikasi dari analisa cluster dibedakan menjadi understanding yaitu kelompok dokumen-dokumen yang saling berhubungan untuk proses browsing, pengelompokan gen dan protein yang mempunyai fungsi sama atau pengelompokan stok dengan harga yang fluktuatif. Summarization untuk menurunkan ukuran dari data-set yang besar.

ABSTRAK

Universitas Sumatera Utara menawarkan beberapa jenis program beasiswa kepada mahasiswa berprestasi dan memerlukan bantuan ekonomi dalam menyelesaikan kuliahnya, oleh sebab itu diperlukan suatu informasi dalam bentuk rekomendasi program beasiswa. Manfaat sistem pendukung keputusan dapat diimplementasikan pada rekomendasi penerima beasiswa, teknik yang digunakan dalam aplikasi sistem pendukung keputusan ini adalah clustering data dengan c-means, dimana objek dari data yang tersedia akan dikelompokkan sedemikian rupa sehingga objek dalam satu cluster sangat mirip dan objek di berbagai cluster yang lain cukup berbeda. Clustering dengan c-means memiliki kemampuan untuk mengelompokan data mahasiswa, dan dapat meminimalisir data sesuai dengan kebutuhan program beasiswa yang ditawarkan. Setelah data mahasiswa diminimalisir, kemudian data dikelompokkan berdasarkan jarak kedekatan terhadap program beasiswa yang ditawarkan, sehingga diperoleh persamaan dan perbedaan dari beberapa cluster data dengan jarak minimal yang dimasukkan kedalam aplikasi. Aplikasi rekomendasi beasiswa memberikan informasi jenis beasiswa yang dapat diikuti oleh mahasiswa sesuai dengan syarat yang dibutuhkan oleh program beasiswa yang ditawarkan.

Kata kunci : sistem pendukung keputusan, clustering data, c-means, rekomendasi

vi

APPLICATION OF METHODS CLUSTERING DATA WITH C-MEANS FOR RECOMMENDATIONS SCHOLARSHIP RECIPIENT

IN UNIVERSITAS SUMATERA UTARA

ABSTRACT

Universitas Sumatera Utara offers a few types of scholarship programe for achievement student and economic assistance required in completing college, therefore the required information in the form of a scholarship program recommendations. Benefits of decision support systems can be implemented on the recommendation of the scholarship recipients, the techniques used in the application of decision support system is a clustering of data with the c-means clustering, where the object of the available data will be grouped such that objects within a cluster are very similar and objects in different clusters others are quite different. C-means clustering with the ability to classify the student data, and can minimize the data according to the needs of scholarship programs offered. Once the student data is minimized, the data is grouped by distance proximity to the scholarship program offered, in order to obtain some of the similarities and differences of the data cluster with the minimum distance is entered into the application. Provide information on scholarship applications scholarship types that can be followed by students in accordance with the terms required by the scholarship program offered.

DAFTAR ISI

Hal.

Persetujuan ii

Pernyataan iii

Penghargaan iv

Abstrak v

Abstract vi

Daftar Isi vii

Daftar Tabel viii

Daftar Gambar x

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 4

1.5 Manfaat Penelitian 4

1.6 Metodologi Penelitian 4

1.7 Sistematika Penulisan 5

BAB 2 LANDASAN TEORI 7

2.1 Sistem Pendukung Keputusan (SPK) 7

2.1.1 Nilai Guna dan Karakteristik Sistem Pendukung Keputusan 7

2.1.2 Komponen-komponen Sistem Pendukung Keputusan 9

2.1.3 Subsistem Manajemen Database 10

2.1.4 Subsistem Manajemen Basis Model 10

2.1.5 Subsistem Perangkat Lunak Penyelenggara Dialog 11

2.2 Beasiswa Universitas Sumatera Utara 12

2.2.1 Persyaratan Beasiswa Universitas Sumatera Utara 13

2.2.2 Syarat Khusus 13

2.2.3 Prosedur Untuk Mendapatkan Beasiswa Universitas Sumatera Utara 20

2.3 Data Mining 20

2.3.1 Teknik Data Mining 22

2.4 Metode Clustering 23

2.4.1 Analisa Cluster 23

2.4.2 Clustering dengan C-Means 24

2.4.3 Sifat Pengelompokan Clustering C-Means 26

2.4.4 Kelebihan dan Kekurangan C-Means Clustering 27

2.5 Pemrograman PHP dan MySQL 27

2.6 Data Flow Diagram (DFD) 29

2.7 Flowchart 29

viii

BAB 3 ANALISIS DAN PERANCANGAN SISTEM 30

3.1 Analisis Sistem 30

3.2 Analisis Data Sistem 30

3.3 Perancangan Sistem 33

3.3.1 Pengelompokan Data (Clustering Data) 35

3.3.2 Data Cleaning 35

3.3.3 Pembentukan Centroid Cluster 37

3.3.4 Clustering Dengan C-Means 40

3.4 Analisis Komponen Sistem 43

3.4.1 Data Flow Diagram (DFD) Level 0 43

3.4.2 Data Flow Diagram (DFD) Level 1 43

3.4.3 Data Flow Diagram (DFD) Level 2 44

3.5 Rancangan Antarmuka Pengguna (user interface) 46

3.5.1 Rancangan Form Utama 46

3.5.2 Rancangan Form Beasiswa 47

3.5.3 Rancangan Form Staff 47

3.5.4 Rancangan Form Peserta 49

3.5.5 Rancangan Form Pengumuman 49

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 50

4.1 Implementasi Sistem 50

4.1.1 Lingkungan Implementasi 50

4.1.2 Implementasi Perancangan Antarmuka 50

4.1.3 Tampilan Implementasi Program 51

4.2 Pengujian Sistem 58

4.2.1 Rencana Pengujian Sistem 58

4.2.2 Hasil Pengujian Sistem 59

4.2.3 Hasil Pengujian Kinerja Sistem 64

BAB 5 KESIMPULAN DAN SARAN 65

5.1 Kesimpulan 65

5.2 Saran 65

DAFTAR PUSTAKA 67

LAMPIRAN A : Listing Program 69

DAFTAR TABEL

Tabel 2.1 Jenis dan Syarat Beasiswa 13

Tabel 2.1 Jenis dan Syarat Beaiswa (Lanjutan) 14

Tabel 2.1 Jenis dan Syarat Beaiswa (Lanjutan) 15

Tabel 2.1 Jenis dan Syarat Beaiswa (Lanjutan) 16

Tabel 2.1 Jenis dan Syarat Beaiswa (Lanjutan) 17

Tabel 2.1 Jenis dan Syarat Beaiswa (Lanjutan) 18

Tabel 2.1 Jenis dan Syarat Beaiswa (Lanjutan) 19

Tabel 3.1 Data Mahasiswa yang Mendaftar Beasiswa 32

Tabel 3.2 Data Jenis Program Beasiswa di Universitas Sumatera Utara 34

Tabel 3.3 Nilai Numerik Tiap Fakultas 36

Tabel 3.4 Hasil Filterisasi Karakteristik Data Mahasiswa 36 Tabel 3.4 Hasil Filterisasi Karakteristik Data Mahasiswa (Lanjutan) 37

Tabel 3.5 Perbandingan Antara Tiap-tiap Centroid 39

Tabel 3.6 Jarak Data Umur ke Pusat Cluster 41

Tabel 4.1 Rencana Pengujian 59

Tabel 4.2 Hasil Pengujian 60

Tabel 4.2 Hasil Pengujian (Lanjutan) 61

Tabel 4.2 Hasil Pengujian (Lanjutan) 62

Tabel 4.2 Hasil Pengujian (Lanjutan) 63

x

DAFTAR GAMBAR

Gambar 2.1 Proses Knowledge Discovery In Database 21

Gambar 2.2 Flowchart Algoritma C-Means 25

Gambar 3.1 Flowchart Clustering 31

Gambar 3.2 Tahapan Pengelompokan Data 35

Gambar 3.3 Flowchart Clustering C-Means 40

Gambar 3.4 Diagram Konteks (DFD Level 0) 43

Gambar 3.5 Data Flow Diagram Level 1 43

Gambar 3.6 Data Flow Diagram Level 2 Mengelola Data Peserta 44 Gambar 3.7 Data Flow Diagram Level 2 SPK Rekomendasi Beasiswa 45

Gambar 3.8 Rancangan Form Utama 46

Gambar 3.9 Rancangan Form Beasiswa 47

Gambar 3.10 Rancangan Form Login Staff 48

Gambar 3.11 Rancangan Form Staff 48

Gambar 3.12 Rancangan Form Peserta 49

Gambar 3.13 Rancangan Form Pengumuman 49

Gambar 4.1 Menu Utama Program 51

Gambar 4.2 Menu Pendaftaran Beasiswa 52

Gambar 4.3 Tampilan Data Mahasiswa 52

Gambar 4.4 Menu Beasiswa 53

Gambar 4.5 Menu Login Staff 54

Gambar 4.6 Menu Staff Admin 55

Gambar 4.7 Menu Peserta 56

Gambar 4.8 Print Screen Hasil Laporan Dalam Bentuk Excel 56