Analisis Algoritma K-Means Untuk Membantu Penjurusan Siswa Di MAN Binong subang

  

ABSTRACT

ALGORITHM K-MEANS ANALYSIS TO HELP MAJOR OF STUDENT AT

ISLAMIC SENIOR HIGH SCHOLL COUNTRY BINONG SUBANG

  

by

ARIM WIJAYA

10106304

  Islam senior high school country Binong, is one of the Islam senior high

school country at Subang that conducted the majors students of class X (ten) who

will continue the study to class XI (eleven). Constraints are often found in the

process majors at Islam senior high school country Binong the difficulty

determining where students who meet the criteria to occupy a specific majors.

This is because the majors process are still done manually, thus requiring time-

consuming and inefficient.

  This research will be appointed a case that is analyzing the K-Means

algorithm for assign majors students at Islam senior high school country Binong

Subang. K-Means algorithm can segment (segments) that have the attribute data

and have the amount of data that a lot, so it can be used in determining the

student who majors in accordance with students' academic abilities.

  Based on the analysis of K-Means algorithm for assign majors student,

then the conclusion can be drawn is K-Means algorithm is less precise for

decision support systems majors but the K-Means algorithm is more appropriate

to categorize data based on the data value of students who can give an idea to

student majors Keyword : Analysis, K-Means, Majors,

  V alue .

  

ABSTRAK

K-MEANS UNTUK MEMBANTUPENJURUSAN

  

SISWA DI MAN BINONG SUBANG

Oleh :

ARIM WIJAYA

10106304

  MAN Binong, merupakan salah satu sekolah madrasah aliyah negeri di kabupaten Subang yang mengadakan penjurusan siswa kelas X (sepuluh) yang akan melanjutkan study ke kelas XI (sebelas). Kendala yang sering ditemukan dalam proses penjurusan di MAN Binong yaitu sulitnya menentukan siswa mana yang memenuhi kriteria untuk menempati jurusan tertentu. Hal ini dikarenakan proses penjurusan masih dilakukan dengan manual, sehingga membutuhkan waktu yang cukup lama dan dinilai kurang efisien.

  Pada penelitian ini akan diangkat suatu kasus yaitu menganalisis algoritma

  

K-Means untuk membantu penjurusan siswa di MAN Binong Subang. Algoritma

dapat mengelompokkan (segmentasi) data yang mempunyai atribut dan

  K-Means

mempunyai jumlah data yang banyak, sehingga dapat dimanfaatkan dalam sistem

penentuan penjurusan siswa yang sesuai dengan kemampuan akademik siswa.

  Berdasarkan hasil analisis terhadap algoritma K-Means untuk membantu penjurusan, maka kesimpulan yang dapat diambil adalah algoritma K-Means kurang tepat untuk sistem pendukung keputusan penjurusan tetapi algoritma K-

  

Means lebih tepat untuk mengelompokan data siswa berdasarkan data nilai yang

bisa memberikan gambaran untuk penjurusan siswa.

  , K-Means Kata kunci : Analisis , Penjurusan, Nilai.

  

ALGORITHM K-MEANS ANALYSIS TO HELP MAJOR OF STUDENT

AT ISLAMIC SENIOR HIGH SCHOLL COUNTRY BINONG SUBANG

Arim Wijaya

Universitas Komputer Indonesia

  

Jl. Dipati Ukur No.112 Bandung 40132

Email : arim.wijaya@yahoo.co.id

ABSTRAK

  Islam senior high school country Binong, is one of the Islam senior high school country

at Subang that conducted the majors students of class X (ten) who will continue the study to class

  

XI (eleven). Constraints are often found in the process majors at Islam senior high school country

Binong the difficulty determining where students who meet the criteria to occupy a specific majors.

This is because the majors process are still done manually, thus requiring time-consuming and

inefficient.

  This research will be appointed a case that is analyzing the K-Means algorithm for

assign majors students at Islam senior high school country Binong Subang. K-Means algorithm

can segment (segments) that have the attribute data and have the amount of data that a lot, so it

can be used in determining the student who majors in accordance with students' academic

abilities.

  Based on the analysis of K-Means algorithm for assign majors student, then the

conclusion can be drawn is K-Means algorithm is less precise for decision support systems majors

but the K-Means algorithm is more appropriate to categorize data based on the data value of

students who can give an idea to student majors Keyword : Analysis, K-Means, Majors, Value 2. Stage of software development.

  1 INTRODUCTION

  a. System engineering

  1.1 Probem Indentification

  b. Requirement analysis The difficulty of determining which students c. System Design are eligible to occupy a specific majors.

  d. System Coding

  1.2 Mean and Purpose

  e. System Testing The purpose of this thesis is to whether the f. System Maintenance K-Means algorithm can help the student

  2.2 Problem Identification majors in MAN Subang Binong Based on analysis and interviews on what is The proposed objective is to test whether or needed in assessing k-means algorithm is not proper k-means algorithm in helping then to be evaluated the following: students' majors.

  The decision making process on MAN Binong majors students are still done

  1.3 Benefits manually, ie by collecting the value of each The benefits in anlisis k-means algorithm in semester from X to the homeroom teacher helping these students' majors are able to guidance counseling (the majors) and then provide images for student majors they analyze and calculate the results and match it with a specific department criteria.

  2. MODEL, ANALYSIS, DESIGN It is difficult for teachers'guidance and counseling (the majors) MAN Binong in

  AND IMPLEMENTATION students' majors and require considerable

  2.1 Model time to analyze it.

  1. Stage of data collection

  2.3 Algorithm K-Means Analisys

  a. Book study

  b. Field studies K-Means clustering partitioning is included

b.1 Interview in every data should be entered in a

  1.

that is included in a particular cluster at any Find the number of members of

stage of the process, at a later stage move to each cluster another cluster. K-Means to separate the

  2. Calculate the new center with the data into separate parts of the region k, formula

where k is a positive integer. K-Means New cluster center = x1 + x2 + x3

algorithm is very famous for its ease and its ... + xn + xp + ability to classify large data very quickly and Juml +

  1 outlier Where:

Here are the steps of K-Means algorithm: x1, x2, x3, ... xn = cluster members

  

1. Determination of initial cluster xp = old center

centers interviews, and Psikotest and a In determining the initial cluster centers n is crisp output of the department.. the generation of random numbers that represent the input data sequence. Initial

  1. Composition Rules

cluster centers obtained from the data itself In determining fuzzynya general

rather than by defining a new point, namely inference can be written as follows:

the central menrandom beginning of the μf (xi) = max (μf (xi), μk (xi))

data.

  Description:

  

2. The calculation of the distance to μf (xi): the fuzzy membership value

the cluster center to the rule to i -

To measure the distance between cluster μk (xi): membership value of fuzzy

center used data with Euclidean distance. rule consequent to - i Distance calculation algorithm of data with

  2. The assertion (defuzzyfication)

the central cluster Defuzzyfication process can be written as

1)

  Take the data value and the value follows: of cluster centers 2)

  Calculate the Euclidean distance data with each cluster center

3. Grouping data

  The distance calculation will be done Description: comparisons and selected the closest Z = value average - weighted distance between the data with the central μf = fuzzy membership value as a result of cluster, this distance indicates that these data the composition rules are in one group with the nearest cluster Xi = value domain center. Data clustering algorithm

  2.3.1 Proses Clustering Algorithm K-

  1. Take the distance from the center of Means each cluster with the data At this phase will be the main process

  2. Find the smallest distance value of segmenting the data value accessed from a 3. Group data with a central cluster database which is a method of K-Means

  . that has the smallest distance. clustering algorithm. Here's a flowchart

4. Determination of a new cluster

  diagram of K-Means algorithm with the center assumption that the input parameter is the To get a new cluster center can be number of data sets of n data and the number calculated from the average value of cluster of initial centroids K = 2 corresponds to the members and cluster centers. The new number of existing majors in MAN Binong of cluster center is used to perform the next Science and Social Science iteration, if the results obtained have not

  Figure 1 is a picture of K-Means process converged. Iteration process will stop if it flowchart for the application based on the meets the maximum iteration is entered by value determination majors semester. the user or the results achieved are convergent (the new cluster center equal to the old cluster center) . New cluster center determination algorithms Mulai _{Jumlah Attribut = 8 Jumlah Centroid = 2 Random Centroid awal} Hitung setiap data dengan _{Pengelompokan data setiap centorid berdasarkan jarak terdekat Update centroid cluster baru} Optimal jarak? _Selesai ^{Interaksi = 50? Hitung setiap data dengan setiap centorid} _Ya ^{Tidak Tidak} _Ya Figure 1 Flow Chart Process K-Means Algorithm

  1. Entity Relationship Diagram (ERD) ERD can be illustrated in Figure 2. _{Memiliki Kelas Thn Ajaran Memiliki} Siswa Nilai Mata_Pelajaran _{memiliki Bobot_nilai NIS} ^{Kd_kelas kdmp Kd_thnajaran kdmp Id_nilai NIS Hasil_Penjurusan Menghasilkan User mengolah 1 N 1 Memiliki} _{id N} ^{Id_hasil_penjurusan Id_user Memiliki N 1} _{Jurusan memiliki} ¹ _{memiliki memiliki 1 1 N N} ^{1 1 1 N 1 N} _{N N} ^N _N ¹ _kodejurusan

  Figure 2 . Entiry Relationship Diagram

  2. Table Relasi Relation schema analysis of k-means algorithm to help the majors can be seen in figure 3. _pelamar

  PK kd_pelamar _{FK1 kd_keahlian nama_pelamar ktp tp_lahir tgl_lahir jns_kelamin alamat no_tlp agama pendididkan_akhir FK2 kd_jurusan} ^{penilaian PK id_penilaian nilai FK2 username FK1 kd_seleksi FK3 kd_pelamar total_nilai} _{status_kelulusan} ^{kriteria_seleksi} _{PK kd_seleksi jenis_seleksi FK1 periode departemen PK kd_departemen nama_departemen} ^{PK username} range_nilai _kebutuhan ^{user password level status standarnilai_kriteriaseleksi PK kd_standarnilai tpe bts_atas bts_bawah FK1 kd_seleksi} _{kriteria_penempatan_departemen PK kd_kriteria_penempatan jenis bobot FK1 periode keahlian PK kd_keahlian keahlian FK1 kd_departemen} ^{tahun_periode PK periode nilai_minimum jurusan PK kd_jurusan nama penempatan PK kd_penempatan keahlian wawancara psikotest FK1 kd_pelamar} _{FK2 kd_kriteria_penempatan FK3 kd_departemen}

  Figure 3 . Relation Schema 3.

  Context Diagram Context diagram can be seen in figure

  4 ^{Sistem pendukung keputusan penerimaan karyawan admin Pegawai bidminku Data login Data tahun periode Data user Data departemen Data kriteria seleksi Data standar nilai kriteria seleksi Data kriteria penempatan departemen Data jurusan Data keahlian Info login invalid Info tahun periode Info user Info departemen Info kriteria seleksi Info standar nilai kriteria seleksi Info kriteria penempatan departemen Info jurusan Info keahlian Data login Data tahun periode Data pelamar Data password yang diubah Data penilaian Info login invalid Info tahun periode Info pelamar Info password yang diubah Info penilaian}

  Figure 4. Context Diagram

  4. Data Flow Diagram (DFD) DFD can be seen in figure 5 _{1.0 Login admin} user

2.4 Desain

  2.0 _{Pengolahan data master} ^{Data login Data tahun periode Info login invalid Info tahun periode Data login Info login invalid Data user Data password yang diubah Info user Info password yang diubah Dat a ke a hl ian Dat a kri ter ia pen emp at an dep art eme n Dat a st anda r n il a i kri ter ia s e leksi Dat a kri ter ia s e leksi Dat a d epar teme n Dat a u s e r Dat a j uru sa n in fo k e ahl ian In fo kri ter ia pene mp at an dep art eme n In fo sta n dar ni lai kri teri a se le k si in fo k r ite ri a se le k si In fo dep art eme n In fo jur usa n} _{departemen Data depa rte me n Inf o depa rte me n pelamar Dat a p el ama r Inf o pel a ma r kriteria seleksi Data kri teri a se le k si Info kri teri a s e leksi} ^{3.0 Pengolahan nilai} pegawai bidminku ^{Data login Info login invalid Data pelamar Data password yang diubah Info pelamar Info password yang diubah Request data departemen Info departemen Request data pelamar Info pelamar Request data kriteria seleksi Info kriteria seleksi Data penilaian Data penempatan Info penilaian Info penempatan penilaian Da ta pen il a ian Inf o p eni lai a n Standar nilai Kriteria seleksi Dat a st anda r n il a i kri ter ia s e leksi In fo sta n dar ni lai k r ite ri a se leksi Request data standar nilai kriteria seleksi info data standar nilai kriteria seleksi penempatan Da ta pen emp a tan in fo pen emp at an Request data user info user Data login valid Dat a logi n va li d Kriteria penempatan departemen D ata kri teri a p enemp ata n de part eme n in fo kri teri a pene mp at an d epar teme n Info kriteria penempatan departemen Request kriteria penempatan departemen keahlian Data ke ah li an inf o ke a hl ian request data keahlian Info keahlian Tahun_periode L ogi n va li d se b agai a dmi n dan peg awai bi dmi nku Login valid sebagai pegawai bidminku jurusan Dat a j uru sa n Dat a j uru sa n 4.0 Laporan Data ce tak l a pora n inf o ce tak l apor an} _{Data login valid} ^{5.0 Periode Data tahun periode info tahun periode Dat a tah un peri ode info t ahu n p eri o de Data ta hun pe ri od e inf o t ahu n p eriode Data t ahun pe ri o de Dat a t ahu n p eri o de Data tahun periode} Figure

  5. DFD Level 1

  5. Perancangan Antarmuka Gambar gedung sekolah ^{.:Halaman Utama:. File Pengolahan Data Penjurusan Siswa Laporan MADRASAH ALIYAH NEGERI BINONG _ U X}

  Figure 6 . Antarmuka Menu Utama

  1.4 Implemention Implementation phase is done after doing the analysis stage of design in the system

  1. Implementation hardware The hardware needed to implement software from can be seen in table 1.

  4 CONCLUSIONS AND Table 1

  The hardware used RECOMMENDATIONS

  Perangkat Server Client Kecepatan Kecepatan

  2.1 Conclusions Processor After doing the analysis, design,

  800 MHz 500 MHz implementation and testing, then we RAM

  1 GHz 512 MHz concluded that the student majors in MAN Harddisk

80 Gb

  80 Gb Binong Subang using K-Means algorithm Resolusi Resolusi Monitor will take up a lot of time, so that K-Means 1024 x 768 1024 x 768 algorithm less than optimal in the majors to

  VGA 128 Mb 128 Mb help students in MAN Binong Subang. K- 10/100 Lan Card 10/100 Mbps

  Means algorithm is more suitable for Mbps determining the majors of students who have close proximity to the center of the cluster,

  2. Implementation software but for students who have long distances to The software needed to implement software the clusters easier to use manual processes from can be seen in table 2. majors.

  Table 2

  2.2 Recommendation The software used Based on the above conclusion, it is

  Perangkat Lunak Keterangan expected in the future is in the process of Windows XP

Operation Sistem student majors in MAN Subang Binong

  Profesional SP III selectable algorithms / methods are more Programming Languages Delphi 7 suited to the concept of the student majors in Database Server MySQL 5.0.51b MAN Binong Subang, so that the process of

3. Implementation interface majors in MAN Subang Binong .

  Implementation interface is as follows.

a. Login Interface

  5 BIBLIOGRAPHY [1] Agus, M, (2002), Belajar Sendiri

  Borland Delphi 7, Jakarta : Exex Media Komputido.

  [2] Agusta, Yudi. Pebruari 2007. “K- Means Penerapan, Permasalahan dan Metode Terkait

  ”. Jurnal Sistem dan Informatika Vol.3 : 47-60.

  b. Views main page [3] Barakhbah, Ali Ridho. 2006. Workshop Data Mining - Cluster Analysis.: PENS-ITS Surabaya.

  [4] Forta, Ben, (2000), Belajar Sendiri SQL, Yogyakarta :Andi

  [5] Fathansyah (2007), Basis Data, Informatika, Bandung. pada tanggal 21 Maret 2010 Pukul

3. RESULTS AND

  21.15WIB DISCUSSION

  [7] Jogiyanto, HM. (2005), Analisis dan Based on the results of interviews with Desain Sistem Informasi: Pendekatan employees of the majors can be concluded

  Terstruktur Teori dan Praktek Aplikasi Bisnis, Andi, Yogyakarta.

  [8] Rismawan, Tedy. Juni 2008 . “Aplikasi K-Means untuk Pengelompokan Mahasiswa Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka

  ”. Jurnal Seminar Nasional Aplikasi Teknologi Informasi ISSN: 1907-5022

[9] Prayitno (2009), Penentuan Bidang

Konsentrasi Studi Tugas Akhir Berdasarkan Nilai Matakuliah Dengan Klasterisasi Kmeans, Proyek Akhir, PENS-ITS Surabaya

[10] Pressman, Roger S. (2002), Rekayasa

Perangkat Lunak:

  Pendekatan Praktisi Buku 1, Andi Offset,

  Yogyakarta.

  

ANALISI ALGORTIMA K-MEANS UNTUK SISTEM PENDUKUNG

KEPUTUSAN PENJURUSAN SISWA DI MAN BINONG SUBANG

Arim Wijaya

Universitas Komputer Indonesia

  

Jl. Dipati Ukur No.112 Bandung 40132

Email : arim.wijaya@yahoo.co.id

ABSTRAK

  MAN Binong, merupakan salah satu sekolah madrasah aliyah negeri di kabupaten

Subang yang mengadakan penjurusan siswa kelas X (sepuluh) yang akan melanjutkan study ke

kelas XI (sebelas). Kendala yang sering ditemukan dalam proses penjurusan di MAN Binong yaitu

sulitnya menentukan siswa mana yang memenuhi kriteria untuk menempati jurusan tertentu. Hal

ini dikarenakan proses penjurusan masih dilakukan dengan manual, sehingga membutuhkan

waktu yang cukup lama dan dinilai kurang efisien.

  Pada penelitian ini akan diangkat suatu kasus yaitu menganalisis algoritma K-Means

untuk sistem pendukung keputusan penjurusan siswa di MAN Binong Subang. Algoritma K-Means

dapat mengelompokkan (segmentasi) data yang mempunyai atribut dan mempunyai jumlah data

yang banyak, sehingga dapat dimanfaatkan dalam sistem penentuan penjurusan siswa yang sesuai

dengan kemampuan akademik siswa.

  Berdasarkan hasil analisis terhadap algoritma K-Means untuk sistem pendukung

keputusan penjurusan, maka kesimpulan yang dapat diambil adalah algoritma K-Means kurang

tepat untuk sistem pendukung keputusan penjurusan tetapi algoritma K-Means lebih tepat untuk

mengelompokan data siswa berdasarkan data nilai yang bisa memberikan gambaran untuk

penjurusan siswa. Kata kunci : Analisis, Sistem Pendukung Keputusan, K-Means, Penjurusan, Nilai

1. PENDAHULUAN

  2. MODEL, ANALISA, DESAIN, DAN IMPLEMENTASI

  1.1 Identifikasi Masalah Sulitnya menentukan siswa mana yang

  2.1 Model memenuhi kriteria untuk menempati jurusan

  1. Tahap pengumpulan data tertentu.

  a. Studi pustaka

  b. Studi lapangan

  1.2 Maksud dan Tujuan b.1 Wawancara Adapun maksud dari penulisan tugas b.2 Observasi akhir ini adalah menganalisis algoritma K-

  2. Tahap pengembangan perangkat lunak.

  Means untuk sistem pendukung keputusan

  a. System engineering penjurusan siswa di MAN Binong Suban b. Requirement analysis

  c. System Design (perancangan) Adapun tujuan yang ingin dicapai adalah d. System Coding (pengkodean) untuk menguji tepat atau tidaknya algoritma e. System Testing (pengujian) k-means dalam sistem pendukung keputusan

  f. System Maintenance (pemeliharaan) penjurusan siswa.

  2.2 Analisis Masalah Berdasakan pada analisis dan hasil

  1.3 Manfaat wawancara terhadap apa yang dibutuhkan Manfaat yang didapat dalam anlisis dalam mengalisis algoritma k-means ini algortima k-means dalam sistem pendukung maka dapat dievaluasi hal berikut : keputusan penjurusan siswa ini adalah Proses pengambilan keputusan penjurusan mampu memberikan gambaran untuk siswa pada MAN Binong masih dilakukan penjurusan siswa. secara manual, yaitu dengan mengumpulkan

  3. Kelompokkan data dengan pusat cluster yang memiliki jarak terkecil.

2.3 Analisis Algoritma K-Means

• – rata terbobot µ _f

  = nilai keanggotaan fuzzy sebagai hasil dari komposisi aturan X _i = nilai domain

  2. Penegasan (Defuzzifikasi) Proses defuzzifikasi dapat dituliskan sebagai berikut : Keterangan : Z = nilai rata

  1. Komposisi Aturan Dalam menentukan inferensi fuzzynya secara umum dapat dituliskan sebagai berikut : µf (xi) = max (µf (xi) , µk (xi)) Keterangan : µf (xi) : nilai keanggotaan fuzzy sampai aturan ke – i µk (xi) : nilai keanggotaan konsekuen fuzzy aturan ke – i

  2. Hitung pusat baru dengan rumus Pusat cluster baru = x1+x2+x3+…+xn+xp Juml + 1 Dimana : x1, x2, x3,…xn = anggota cluster xp = pusat lama wawancara, dan psikotest serta 1 crisp output yaitu departemen.

  1. Cari jumlah anggota tiap cluster

  4. Penentuan pusat cluster baru Untuk mendapatkan pusat cluster baru bisa dihitung dari rata-rata nilai anggota cluster dan pusat cluster. Pusat cluster yang baru digunakan untuk melakukan iterasi selanjutnya, jika hasil yang didapatkan belum konvergen. Proses iterasi akan berhenti jika telah memenuhi maksimum iterasi yang dimasukkan oleh User atau hasil yang dicapai sudah konvergen (pusat cluster baru sama dengan pusat cluster lama). Algoritma penentuan pusat cluster baru

  1. Ambil nilai jarak tiap pusat cluster dengan data

  X kepada guru bimbingan konseling (bagian penjurusan) lalu mereka menganalisis dan menghitung hasilnya serta mencocokkannya dengan kriteria jurusan tertentu. Hal ini menyulitkan guru bimbingan konseling (bagian penjurusan) MAN Binong dalam penjurusan siswa serta membutuhkan waktu yang cukup lama untuk menganalisisnya.

  Algoritma pengelompokkan data

  3. Pengelompokkan data Jarak hasil perhitungan akan dilakukan perbandingan dan dipilih jarak terdekat antara data dengan pusat cluster, jarak ini menunjukkan bahwa data tersebut berada dalam satu kelompok dengan pusat cluster terdekat.

  2) Hitung Euclidian distance data dengan tiap pusat cluster

   Ambil nilai data dan nilai pusat cluster

  Algoritma perhitungan jarak data dengan pusat cluster 1)

  2. Perhitungan jarak dengan pusat cluster Untuk mengukur jarak antara data dengan pusat cluster digunakan Euclidian distance.

  1. Penentuan pusat cluster awal Dalam menentukan n buah pusat cluster awal dilakukan pembangkitan bilangan random yang merepresentasikan urutan data input. Pusat awal cluster didapatkan dari data sendiri bukan dengan menentukan titik baru, yaitu dengan menrandom pusat awal dari data.

  K-Means termasuk dalam partitioning clustering yaitu setiap data harus masuk dalam cluster tertentu dan memungkinkan bagi setiap data yang termasuk dalam cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster yang lain. K-Means memisahkan data ke k daerah bagian yang terpisah, dimana k adalah bilangan integer positif. Algoritma K-Means sangat terkenal karena kemudahan dan kemampuannya untuk mengklasifikasi data besar dan outlier dengan sangat cepat Berikut adalah langkah-langkah algoritma K-Means :

2. Cari nilai jarak terkecil

2.3.1 Proses Clustering Algoritma K-

  Means Pada tahap ini akan dilakukan proses utama yaitu segmentasi data nilai yang diakses dari database yaitu sebuah metode clustering algoritma K-Means. Berikut ini merupakan diagram flowchart dari algoritma K-Means dengan asumsi bahwa parameter input adalah jumlah data set sebanyak n data dan jumlah inisialisasi centroid K=2 sesuai dengan jumlah jurusan yang ada di MAN Binong yaitu IPA dan IPS.

Gambar 3.3 adalah gambar flow chart proses K-Means pada aplikasi penentuan

  penjurusan berdasarkan nilai semester. _{Mulai Jumlah Attribut = 8 Jumlah Centroid = 2} Random Centroid _{awal Hitung setiap data dengan setiap centorid Pengelompokan data berdasarkan jarak terdekat} Update centroid cluster _{Optimal jarak? baru Selesai Interaksi = 50?} ^{Hitung setiap data dengan setiap centorid} _{Ya Tidak} ^Tidak _Ya

  Gambar 1 Flow Chart Proses Algoritma K- Means

  1. Entity Relationship Diagram (ERD) ERD Sistem pendukung keputusan penjurusan ini digambarkan pada gambar 2. _{Memiliki Kelas Thn Ajaran Memiliki}

  Siswa Nilai Mata_Pelajaran _{memiliki Bobot_nilai NIS} ^{Kd_kelas kdmp Kd_thnajaran kdmp Id_nilai NIS Hasil_Penjurusan Menghasilkan User mengolah 1 N 1 Memiliki} _{id N} ^{Id_hasil_penjurusan Id_user Memiliki N 1} _{Jurusan memiliki} ¹ _{memiliki memiliki 1 1 N N} ^{1 1 1 N 1 N} _{N N} ^N _N ¹ _kodejurusan Gambar 1. Entiry Relationship Diagram

  2. Relasi Tabel Skema relasi analisis algoritma k-measn untuk sistem pendukung keputusan penjurusan dapat dilihat pada gambar 3. ^{pelamar PK kd_pelamar nama_pelamar ktp tp_lahir tgl_lahir jns_kelamin alamat no_tlp agama pendididkan_akhir FK1 kd_keahlian FK2 kd_jurusan penilaian PK id_penilaian nilai FK2 username FK1 kd_seleksi FK3 kd_pelamar total_nilai status_kelulusan kriteria_seleksi PK kd_seleksi jenis_seleksi FK1 periode departemen PK kd_departemen nama_departemen range_nilai kebutuhan user PK username password level status standarnilai_kriteriaseleksi PK kd_standarnilai tpe bts_atas bts_bawah FK1 kd_seleksi kriteria_penempatan_departemen PK kd_kriteria_penempatan jenis bobot FK1 periode keahlian PK kd_keahlian keahlian FK1 kd_departemen tahun_periode PK periode nilai_minimum jurusan PK kd_jurusan nama penempatan PK kd_penempatan keahlian wawancara psikotest FK1 kd_pelamar FK2 kd_kriteria_penempatan FK3 kd_departemen}

  Gambar 2. Skema Relasi

  3. Diagram Konteks Diagram konteks sistem pendukung keputusan penerimaan karyawan pada departemen tertentu di PT. Pindad (Persero) dapat dilihat pada gambar 3.

  Sistem pendukung _{keputusan penerimaan karyawan admin Pegawai bidminku} ^{Data login Data tahun periode Data user Data departemen Data kriteria seleksi Data standar nilai kriteria seleksi Data kriteria penempatan departemen Data jurusan Data keahlian} _{Info login invalid Info tahun periode Info user Info departemen Info kriteria seleksi Info standar nilai kriteria seleksi Info kriteria penempatan departemen Info jurusan Info keahlian} ^{Data login Data tahun periode Data pelamar Data password yang diubah Data penilaian} _{Info login invalid Info tahun periode Info pelamar Info password yang diubah Info penilaian} Gambar 3. Diagram Konteks

  4. Data Flow Diagram (DFD) DFD sistem pendukung keputusan penerimaan karyawan pada departemen tertentu di PT. Pindad (Persero) dapat dilihat pada gambar 4. _{1.0 Login admin} user

2.4 Desain

  2.0 _{Pengolahan data master} ^{Data login Data tahun periode Info login invalid Info tahun periode Data login Info login invalid Data user Data password yang diubah Info user Info password yang diubah Dat a ke a hl ian Dat a kri ter ia pen emp at an dep art eme n Dat a st anda r n il a i kri ter ia s e leksi Dat a kri ter ia s e leksi Dat a d epar teme n Dat a u s e r Dat a j uru sa n in fo k e ahl ian In fo kri ter ia pen emp at an dep art eme n In fo sta n dar ni lai kri teri a se le k si in fo k r ite ri a se le k si In fo dep art eme n In fo jur usa n} _{departemen Data depa rte me n Inf o depa rte me n pelamar Dat a p el ama r Inf o pel a ma r kriteria seleksi Data kri teri a se le k si Info kri teri a s e leksi} ^{3.0 Pengolahan nilai} pegawai bidminku ^{Data login Info login invalid Data pelamar Data password yang diubah Info pelamar Info password yang diubah Request data departemen Info departemen Request data pelamar Info pelamar Request data kriteria seleksi Info kriteria seleksi Data penilaian Data penempatan Info penilaian Info penempatan penilaian Da ta pen il a ian Inf o p eni lai a n Standar nilai Kriteria seleksi Dat a st anda r n il a i kri ter ia s e leksi In fo sta n dar ni lai k r ite ri a se leksi Request data standar nilai kriteria seleksi info data standar nilai kriteria seleksi penempatan Da ta pen emp a tan in fo pen emp at an Request data user info user Data login valid Dat a logi n va li d Kriteria penempatan departemen D ata kri teri a p enemp ata n de part eme n in fo kri teri a pene mp at an d epar teme n Info kriteria penempatan departemen Request kriteria penempatan departemen keahlian Data ke ah li an inf o ke a hl ian request data keahlian Info keahlian Tahun_periode L ogi n va li d se b agai a dmi n dan peg awai bi dmi nku Login valid sebagai pegawai bidminku jurusan Dat a j uru sa n Dat a j uru sa n 4.0 Laporan Data ce tak l a pora n inf o ce tak l apor an} _{Data login valid} ^{5.0 Periode Data tahun periode info tahun periode Dat a tah un peri ode info t ahu n p eri o de Data ta hun pe ri od e inf o t ahu n p eri ode Data t ahun pe ri o de Dat a t ahu n p eri o de Data tahun periode} Gambar 4. DFD Level 1

  5. Perancangan Antarmuka _{File Pengolahan Data Penjurusan Siswa Laporan .:Halaman Utama:. _ U X MADRASAH ALIYAH NEGERI BINONG} Gambar gedung sekolah

  b. Tampilan halaman utama Gambar 5. Antarmuka Menu Utama

1.4 Implementasi

  Tahap implementasi dilakukan setelah melakukan tahap analisis perancangan pada sistem.

  1. Implementasi perangkat keras Perangkat keras yang diperlukan untuk mengimplementasikan perangkat lunak dari dapat dilihat pada tabel 3.

  3. HASIL DAN DISKUSI Tabel 1 Perangkat keras yang digunakan

  Berdasarkan hasil wawancara dengan Perangkat Server Client pegawai bagian penjurusan dapat Kecepatan Kecepatan disimpulkan bahwa sistem yang dibangun Processor

  800 MHz 500 MHz dapat membantu bagian penjurusan RAM

  1 GHz 512 MHz

  4. KESIMPULAN DAN SARAN Harddisk

  80 Gb

  80 Gb Resolusi Resolusi

  2.1 Kesimpulan Monitor 1024 x 768 1024 x 768

  Bahwa proses penjurusan siswa di MAN

  VGA 128 Mb 128 Mb Binong Subang dengan menggunakan 10/100 algoritma K-Means kurang optimal,