BAB IV HASIL DAN PEMBAHASAN
4.1. Pendahuluan
Bab ini menyajikan hasil penelitian yang sesuai dengan pertanyaan-pertanyaan yang diajukan pada permulaan. Penelitian dilaksanakan pada data set, untuk
pertama, penulis menggunakan dataset nilai akademik yang diambil dari database D3 Teknik Informatika FMIPA USU Medan. Data set bersifat nominal yang
terdiri dari IPK, Minat Belajar, Kepercayaan diri, Prilaku Belajar, Dukungan Orang tua, Waktu Belajar, Jenis Kelamin, dan Predikat, kemudian data
ditransformasikan ke format data excel 2003. Data set penulis menggunakan data set kuesioner yang terdiri dari data
Minat Belajar, Kepercayaan diri, Prilaku Belajar, Dukungan Orang tua, Waktu Belajar, Jenis Kelamin mahasiswa. Kumpulan data yang diperoleh digunakan
sebagai contoh sumber input untuk membuat model aturan menggunakan software rapidminer.
4.2. Hasil Penelitian
Data yang sebelumnya dalam format xls dituliskan dala XML. Ini dibuat pengelompokkan dengan algoritma Kernel k-means, hasil pengolahan data dapat
dilihat pada tabel 4.1 berikut :
Universitas Sumatera Utara
Tabel 4.1 Data dalam bentuk XML
Pada Tabel 4.1 Semua atribut ini merupakan data yang belum dikategorisasikan. Sedangkan atribut yang sudah dikategorisasikan adalah Predikat dengan tipe
polynomial, MB Minat Belajar dengan tipe polynomial, KPD kepercayaan diri dengan tipe polynomial, PB Prilaku Belajar dengan tipe polynomial, DO
Dukungan Orang tua degan tipe polynomial, WB Waktu Belajar dengan tipe polynomial.
Tipe polynomial merupakan tipe dengan banyak kategori. Dimana kategori untuk Predikat terdiri dari Sangat memuaskan, Memuaskan dan Rendah. Kategori
untuk MB, KPD, PB, DO dan WB dengan kategori tinggi, menengah, dan rendah.
Universitas Sumatera Utara
4.3. Cluster Model
Cluster model yang diperoleh dari hasil pengujian terhadap data menggunakan metode Kernel K-means seperti yang terlihat pada Gambar 4.1
Gambar 4.1. Cluster Model Dari gambar 4.1. dapat dilihat cluster model yang dihasilkan terdiri dari
cluster 0 sebanyak 30 item, cluster 1 sebanyak 92 item, cluster 2 sebanyak 60 item, cluster 3 sebanyak 120 item dari total jumlah 400 item.
Cluster 0 adalah termasuk kategori buruk, cluster 1, 2, 3 dan 4 adalah termasuk kategori pujian, sangat memuaskan dan memuaskan. Dalam software
Rapidminer setiap cluster bisa mempunyai jawaban yang sama kuesioner pada mahasiswa seperti yang terjadi dalam cluster 1, 2, 3, dan 4.
Karena Cluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam
cluster lain. Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel
Universitas Sumatera Utara
target dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari variabel target
Cluster dapat juga dilihat dalam format tabel seperti yang dilihat pada tabel 4.2. berikut :
Tabel 4.2. Hasil Clustering dalam data View
Pada tabel 4.2 dapat dilihat clustering yang dihasilkan dari pengolahan data
berupa atribut cluster. Pada atribut cluster terlihat cluster dibedakan sebagai cluster_0, cluster_1, cluster_2, cluster_3, cluster_4
Universitas Sumatera Utara
4.4. Cluster Data Berdasarkan Predikat Prestasi Akademik