View of Perangkat Lunak Bantu Seleksi Proposal Penelitian dengan Menggunakan Algoritma Fuzzy C-Means
INSIGHT
Volume 1 No. 1 | April 2018 : 15-20
Berdasarkan permasalahan tersebut, maka peneliti tertarik untuk melakukan penelitian terhadap sistem penyeleksian proposal penelitian dengan judul “Implementasi Algoritma Fuzzy C-Means Pada Sistem
mana keberadaan tiap-tiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan [8][9][10][11]. Keunggulan dari algoritma ini adalah mampu melakukan pengelompokkan untuk data yang tersebar secara tidak teratur. Sebelum dilakukan perangkingan perlu dilakukan peng-klaster-an karena usulan akan di klaster menjadi layak, kurang layak, dan tidak layak sehingga jika usulan tidak layak maka tidak perlu dirangking lagi. Algoritma ini diharapkan dapat memudahkan dalam pemberian penilaian yang lebih tepat, efektif dan mudah dalam proses seleksi proposal penelitian.
Fuzzy C-Means adalah suatu teknik pengklaster-an yang
Algoritma yang digunakan ialah Fuzzy C-Means.
Selama ini proses penyeleksian proposal penelitian di LP2M (Lembaga Penelitian dan Pengabdian Masyarakat) UIN Sunan Gunung Djati Bandung masih dilakukan secara manual dan penilai pun datang langsung ke kantor LP2M UIN Sunan Gunung Djati Bandung untuk melakukan penilaian terhadap proposal penelitian yang telah diajukan oleh peneliti. Akibatnya, penilaian proposal penelitian tersebut membutuhkan waktu yang lama. Untuk membantu mengatasi masalah tersebut maka diperlukanlah metode penyelesaian dalam ketepatan dan kecepatan pengambilan keputusan kelayakan proposal penelitian. Dalam menentukan kelayakan sebuah proposal penelitian tentunya memiliki beberapa penilaian yang telah ditentukan oleh pihak LP2M UIN Sunan Gunung Djati Bandung [3].
Sistem Pendukung Keputusan (SPK) biasanya dibangun untuk mendukung solusi atas suatu masalah atau untuk suatu masalah atau untuk suatu peluang. Aplikasi Sistem Pendukung Keputusan (SPK) digunakan dalam pengambilan keputusan [3][4]. Aplikasi Sistem Pendukung Keputusan (SPK) menggunakan CBIS (Computer Based Information Systems) yang fleksibel, interaktif, dan dapat diadaptasi, yang dikembangkan untuk mendukung solusi atas masalah manajemen spesifik yang tidak terstruktur [5][6][7].
Teknologi Informasi adalah seperangkat alat yang membantu anda bekerja dengan informasi dan melakukan tugas-tugas yang berhubungan dengan pemrosesan informasi, sedangkan menurut martin teknologi informasi merupakan teknologi yang tidak hanya pada teknologi komputer (perangkat keras dan perangkat lunak) yang akan digunakan untuk memproses dan menyimpan informasi, melainkan mencakup teknologi komunikasi untuk mengirim atau menyebarluaskan informasi [1][2].
Kata kunci- Fuzzy C-Means, Sistem Pendukung Keputusan, Proposal Penelitian
Untuk mengatasi hal tersebut maka diperlukanlah metode penyelesaian dalam ketepatan dan kecepatan pengambilan
keputusan kelayakan proposal penelitian. Dengan algoritma Fuzzy C-Means maka hasil seleksi proposal penelitian akan
dikelompokan beradasarkan tiga kategori yaitu layak, dipertimbangkan dan ditolak. Berdasarkan pengujian sistem dan
pengujian manual dengan menggunakan 50 sampel data menghasilkan bahwa algoritma Fuzzy C-Means memiliki tingkat
akurasi sebesar 90% yang bekerja pada sistem seleksi proposal penelitian.Keywords- Fuzzy C-Means, Decission Support System, Proposal Research
Abstra k- Proses seleksi proposal penelitian di LP2M UIN Sunan Gunung Djati Bandung masih dilakukan secara manual.
Abstract- Process of selecting proposal research in LP2M UIN Sunan Gunung Djati Bandung is still done manually. To support
resolve the issue then the required method in the accuracy and speed of decision making feasibility proposal research. With Fuzzy
C-Means Algorithm, then the results of the selection of proposals will be grouped into research on these three categories are viable,
considered and rejected. Based on the testing system and manual testing using 50 samples of data that Fuzzy C-Means algorithm
has an accuracy rate 90% of the work on the selection of proposal research system.3 undang_if@uinsgd.ac.id
2
jumadi@uinsgd.ac.id,
1 aulianasta11@gmail.com,
Jurusan Teknik Informatika, Fakultas Sains dan Teknologi UIN Sunan Gunung Djati Bandung
Jl. A.H Nasution 105 Bandung 40614
3 1,2,3
2
, Undang Syaripudin1 , Jumadi
Nasta Aulia
Perangkat Lunak Bantu Seleksi Proposal
Penelitian dengan Menggunakan Algoritma
Fuzzy C-Means
I. PENDAHULUAN
I.I Latar Belakang Masalah
INSIGHT
ISSN 2620-5467 (Online)
Seleksi Proposal Penelitian (Studi Kasus : LP2M UIN matriks partisi biasanya dibuat acak, dengan k = jumlah Sunan Gunung Djati Bandung) ”. data yang akan di-cluster dan i = jumlah cluster.
⋯
11
12
1 I.II Rumusan Masalah
21
22
2
(2) Berdasarkan dari latar belakang diatas maka dapat
⋮ ⋮ ⋱ ⋮ dirumuskan apakah sistem seleksi proposal dengan …
1
2
menggunakan algoritma Fuzzy C-Means dapat membantu mengetahui kelayakan proposal penelitian ?
4. Hitung Pusat cluster (V) untuk setiap cluster, Menggunakan rumus :
I.III Tujuan Penelitian
Membuat sistem seleksi proposal penelitian dengan
∑ =1 ( ) .
(3) = mengunakan Algoritma Fuzzy C-Means agar membantu
∑ =1 ( )
mengetahui kelayakan proposal penelitian yang dapat diterima Keterangan :
- Vij merupakan Pusat cluster pada cluster ke-i dan
I.IV Kajian Literatur atribut ke-j.
Fuzzy C-Means (FCM) merupakan salah satu algoritma
- µik merupakan data partisi (pada matriks U) pada Fuzzy Clustering. Fuzzy C-Means (FCM) merupakan suatu cluster ke-i dan data ke-k.
teknik pengklasteran data yang keberadaan setiap titik data
- Xkj merupakan data (pada matriks U) pada atribut dalam suatu cluster ditentukan oleh derajat keanggotaan.
ke-j dan data ke-k. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek • w merupakan pembobot. pada tahun 1981.
Konsep dasar FCM yaitu menentukan pusat cluster,
5. Hitung nilai obyektif (Pn) dengan rumus : yang akan menandai lokasi rata-rata untuk setiap cluster. Dengan cara memperbaiki pusat cluster dan derajat
2
(4) = ∑ ∑ ( ) ( )
=1
keanggotaan setiap titik data secara berulang, maka akan
=1
dapat dilihat bahwa pusat cluster akan bergerak menuju Keterangan : lokasi yang tepat. Perulangan ini didasarkan pada minimasi
- fungsi obtektif yang menggambarkan jarak dari titik data μik merupakan data partisi (pada matriks U) pada cluster ke-i dan data ke-k.
yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut [11]. • dik merupakan fungsi ukuran jarak untuk jarak Output dari FCM bukan merupakan fuzzy inference Euclidean pada pusat cluster ke-i dan data ke-k. system, namun merupakan deretan pusat cluster dan • w merupakan pembobot. beberapa derajat keanggoatan untuk tiap-tiap titik data.
- Pn merupakan nilai obyektif pada iterasi ke-n. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference system. Algoritma Fuzzy C-Means
6. Perbaiki derajat keanggotaan setiap data pada setiap clustering merupakan sebagai berikut : cluster (perbaiki matriks partisi)
1. Menentukan :
−1
Matriks X yang merupakan data yang akan di cluster,
2/( −1)
berukuran k x j, dengan k = jumlah data yang akan di- (5)
= [∑ ( ) ] cluster dan j = jumlah variabel/ atribut (kriteria)
=1
⋯
11
12
1 Dengan :
21
22
2
(1)
1/2
⋮ ⋮ ⋱ ⋮ …
(6)
1 2 = ( − − )) ]
) = [∑ ((
=1
2. Menentukan : Keterangan :
- µik merupakan data partisi (pada matriks U)
- Jumlah cluster yang akan dibentuk (n c ≥ 2).
pada pusat cluster ke-i dan data ke-k.
- Pembobot (w > 1).
- dik merupakan fungsi ukuran jarak untuk jarak • Maksimum iterasi (max n).
Euclidean pada pusat cluster ke-i dan data ke-k.
- Kriteria penghentian/treshold ( = nilai positif
- djk merupakan fungsi ukuran jarak untuk jarak yang sangat kecil).
Euclidean pada pusat cluster ke-j dan data ke-k.
- Menentukan fungsi objektif awal (P0).
- w merupakan pembobot.
- Xkj merupakan data (pada matriks U) pada
3. Membentuk matriks partisi awal U (derajat atribut ke-j dan data ke-k. keanggotaan dalam cluster) dengan ukuran k x i;
Implementasi Algoritma Fuzzy C-Means Pada Sistem Seleksi Proposal Penelitian
16 (Studi kasus : LP2M UIN Sunan Gunung Djati Bandung) INSIGHT | Volume 1 No. 1 | April 2018 : 15-20 prototype. Proses ini memberikan kemudahan terhadap
7. Menghentikan iterasi jika pusat cluster V tidak pengembang dalam menyampaikan informasi terhadap berubah. Alternatif kriteria penghentian merupakan client sebelum melakukan tahap development yang akan jika perubahan nilai error kurang dari treshold |Pn diimplementasikan kedalam real system [15].
- – Pn- 1| < . Alternatif merupakan ketika perulangan
III. HASIL DAN PEMBAHASAN melebihi maksimum iterasi (n > max n). Jika iterasi Data 50 (lima puluh) proposal penelitian akan dihitung belum berhenti, kembali ke langkah 4. dengan menggunakan algoritma Fuzzy C-Means yang
8. Jika iterasi berhenti, ditentukan cluster dari tiap-tiap terdapat beberapa tahap perhitungan sebagai berikut : data. Cluster dipilih berdasarkan nilai matriks partisi terbesar [12].
1. Tahap Pertama yaitu mengumpulkan data yang dibutuhkan meliputi Sampel data penelitian.
II. METODE PENELITIAN
Metode penelitian yang digunakan untuk pengumpulan Tabel 1 Sampel Data Penelitian data yaitu dengan melakukan wawancara, observasi dan
Data studi literatur. Untuk metode pengembangan perangkat (i) lunak menggunakan metode pengembangan prototype.
1
2
3
4
5
6
7
8 9 10 11 Adapun metode pengembangan perangkat lunak yang akan dibuat yaitu menggunakan metodologi Prototype.
1 50 50 50 40 40 50 40 40 20 40 20 Gambar 1 merupakan alur dari metode prototype [13][14].
2 50 50 50 40 40 40 50 50 25 30 20
3 30 30 40 50 50 30 30 20 15 30 15
4 50 40 40 40 50 30 40 40 20 50 20
5 20 20 20 20 20 20 20 30 15 30 15
6 30 30 30 40 40 40 40 40 15 40 15
7 40 30 30 30 30 40 40 40 20 30 20
8 50 50 50 50 50 50 50 20 20 50 20
9 20 20 20 10 10 20 20 20 15 30 15 Gambar 1 Prototype Model
10 20 20 20 20 20 30 30 20 10 20 10 Metode prototipe dimulai dari tahap komunikasi. Tim pengembang perangkat lunak melakukan pertemuan dengan para stakeholder untuk menentukan kebutuhan
2. Selanjutnya, tahap kedua menentukan : perangkat lunak yang saat itu diketahui dan untuk
- n (banyak data) = 10 menggambarkan area-area dimana definisi lebih jauh
- m (atribut data) = 11 untuk iterasi selanjutnya.
- c (jumlah cluster) = 3 Perencanaan iterasi pembuatan prototipe dilakukan
- w (bobot/fuzzy) = 2 secara cepat. Setelah itu dilakukan pemodelan dalam
- e (error terkecil) = 0,1 bentuk “rancangan cepat”. Pembuatan rancangan cepat
- P0 = 0 berdasarkan pada representasi aspek-aspek perangkat
- t (iterasi)
= 1 lunak yang akan terlihat oleh para end user (misalnya
- Maksimal Iterasi = 1 rancangan antarmuka pengguna atau format tampilan). Rancangan cepat merupakan dasar untuk memulai
3. Tahap ketiga selanjutnya membuat bilangan random konstruksi pembuatan prototipe. untuk U. Matriks ini menunjukan derajat keanggotaan
Prototype kemudian diserahkan kepada para data ke-i pada cluster ke-k. stakeholder untuk mengevaluasi prorotype yang telah
0,1 0,2 0,7 dibuat sebelumnya dan memberika umpan balik yang akan 0,2 0,2 0,6 digunakan untuk mempeluas spesifikasi kebutuhan. Iterasi 0,3 0,4 0,3 akan terjadi pada saat prototipe diperbaiki untuk memenuhi 0,4 0,5 0,1 kebutuhan dari para stakeholder. 0,5 0,3 0,2
= Dari skema model prototype pada gambar 1.1 diatas
0,1 0,2 0,7 menggambarkan bahwa model ini memiliki tahapan 0,2 0,2 0,6 analisis yang cukup teliti. Setiap sistem kebutuhan yang 0,3 0,4 0,3 telah direncanakan pada tahap perencanaan kemudian 0,4 0,5 0,1
( masuk kedalam analisis, pada tahap ini setiap kebutuhan 0,5 0,3 0,2) sistem di analis untuk kebutuhan pengembangan fitur-fitur
4. Menghitung pusat cluster (V) dalam sistem yang diimplentasikan kedalam design
INSIGHT
ISSN 2620-5467 (Online)
menggunakan algoritma Fuzzy C-Means yang diterapkan Menghitung pusat cluster dengan menggunakan persamaan (3) yaitu : pada system.
Tabel 5 Hasil Pengujian Tabel 2 Pusat Cluster
No Judul Penelitian Cluster Vkj
1
2
3
4
5
6
7
8
9
10
11 Hasil
1
29
28
28
27
29
28
30
27
15
32
15 PL PS ,8 ,8 ,8 ,2 ,9 ,6 ,3 ,6 ,4 ,4
1 Perangkat Lunak Pemodean
I I S
2
35
52
33
32
35
31
33
28
17
36
16 ,1 ,1 ,9 ,8 ,5 ,7 ,2 ,1 ,9 ,9
3D Dengan Menggunakan
3
40
39
39
38
38
41
41
39
19
35
18 Metode Nurbs ,1 ,1 ,5 ,1 ,2 ,7 ,1 ,3 ,1 ,7 ,2
2 Sistem Informasi E-
I I S Commerce PT. Mqs Darrut
5. Hitung Fungsi Objektif Tauhid
Fungsi Objektif pada iterasi pertama (P1) dihitung
3 Aplikasi Pemesanan Rental
II II S dengan menggunakan persamaan (4) dan (5), yaitu Mobil Berbasis WEB
4 Perangkat Lunak
I I S mencari nilai dari LT sehingga didapatkan derajat Pemenuhan Kebutuhan Gizi keanggotan baru seperti pada tabel 3. Pada Orang Sakit
5 Analisa & Perancangan
III
III S Tabel 3 Derajat Keanggotan
Sistem Monitoring Invetaris Barang PT. LEN 3909 0,612197 0,28313 0,104673
6 Sistem Informasi Kost di
II II S Bandung Berbasis WEB
4807,685 0,567725 0,310716 0,121559
7 Aplikasi Penilaian Prestasi
II II S Kerja Karyawan di
3498,401 0,318168 0,345438 0,336395 Kandatel Garut
8 Perangkat Lunak Sistem
I I S 3472,912 0,533057 0,302299 0,164644
Informasi Jasa Travel Pariwisata
5722,699 0,103318 0,388326 0,508356
9 Perancangan Aplikasi
III
III S Bimbingan Tugas Akhir
1919,568 0,362954 0,454411 0,182635 Secara Online
10 Perangkat Lunak Sistem
III
III S 1758,276 0,302149 0,499037 0,198814 Adninistrasi Test Toefl
Lab. Bahasa 6664,886 0,522738 0,279622 0,19764
Perangkat Lunak Pemodean
11
3D Dengan Menggunakan
I I S 8344,601 0,141451 0,364662 0,493887
Metode Nurbs Sistem Informasi E-
5843,761 0,112379 0,395328 0,492293
12 Commerce PT. Mqs Darrut
I I S Tauhid Aplikasi Pemesanan Rental
13 II
II S Mobil Berbasis WEB
6. Setelah diperoleh derajat keanggotaan baru maka dapat Perangkat Lunak
14 Pemenuhan Kebutuhan Gizi
I I S disimpulkan pembagian data pada cluster, dapat dilihat Pada Orang Sakit pada Tabel 4
Tabel 4 Hasil Pengelompokan Data pada Cluster
Data (i) Cluster
1
2
3
1 X
2 X
3 X
4 X
5 X
6 X
7 X
8 X
9 X
10 X
Pada Tabel 5 merupakan hasil uji coba sistem dengan cara membandingkan perhitungan yang diterapkan LP2M UIN Sunan Gunung Djati Bandung dengan perhitungan
Implementasi Algoritma Fuzzy C-Means Pada Sistem Seleksi Proposal Penelitian
18 (Studi kasus : LP2M UIN Sunan Gunung Djati Bandung) III S
III
III S
35 Analisa & Perancangan Sistem Monitoring Invetaris Barang PT. LEN
No Judul Penelitian Cluster Hasil PL PS
I I S
34 Perangkat Lunak Pemenuhan Kebutuhan Gizi Pada Orang Sakit
II II S
33 Aplikasi Pemesanan Rental Mobil Berbasis WEB
I I S
32 Sistem Informasi E- Commerce PT. Mqs Darrut Tauhid
I I S
31 Perangkat Lunak Pemodean 3D Dengan Menggunakan Metode Nurbs
III S
III
Bahasa
30 Perangkat Lunak Sistem Adninistrasi Test Toefl Lab.
III
III S
III
I I S
23 Aplikasi Pemesanan Rental Mobil Berbasis WEB
II II S
24 Perangkat Lunak Pemenuhan Kebutuhan Gizi Pada Orang Sakit
I I S
25 Analisa & Perancangan Sistem Monitoring Invetaris Barang PT. LEN
III S
29 Perancangan Aplikasi Bimbingan Tugas Akhir Secara Online
26 Sistem Informasi Kost di Bandung Berbasis WEB
II I TS
27 Aplikasi Penilaian Prestasi Kerja Karyawan di Kandatel Garut
II II S
28 Perangkat Lunak Sistem Informasi Jasa Travel Pariwisata
I I S
III
36 Sistem Informasi Kost di Bandung Berbasis WEB
I I S
47 Aplikasi Penilaian Prestasi Kerja Karyawan di Kandatel Garut
I I S
45 Analisa & Perancangan Sistem Monitoring Invetaris Barang PT. LEN
III
III S
46 Sistem Informasi Kost di Bandung Berbasis WEB
II I TS
II I TS
II II S
48 Perangkat Lunak Sistem Informasi Jasa Travel Pariwisata
I I S
49 Perancangan Aplikasi Bimbingan Tugas Akhir Secara Online
III
III S
50 Perangkat Lunak Sistem Adninistrasi Test Toefl Lab. Bahasa
44 Perangkat Lunak Pemenuhan Kebutuhan Gizi Pada Orang Sakit
43 Aplikasi Pemesanan Rental Mobil Berbasis WEB
II I TS
III S
37 Aplikasi Penilaian Prestasi Kerja Karyawan di Kandatel Garut
II I TS
38 Perangkat Lunak Sistem Informasi Jasa Travel Pariwisata
I I S
39 Perancangan Aplikasi Bimbingan Tugas Akhir Secara Online
III
40 Perangkat Lunak Sistem Adninistrasi Test Toefl Lab. Bahasa
I I S
III
III S
41 Perangkat Lunak Pemodean
3D Dengan Menggunakan Metode Nurbs
I I S
42 Sistem Informasi E- Commerce PT. Mqs Darrut Tauhid
22 Sistem Informasi E- Commerce PT. Mqs Darrut Tauhid
21 Perangkat Lunak Pemodean 3D Dengan Menggunakan Metode Nurbs
INSIGHT | Volume 1 No. 1 | April 2018 : 15-20 Keterangan :
Bahasa
26 Sistem Informasi Kost di Bandung Berbasis WEB
III S
III
25 Analisa & Perancangan Sistem Monitoring Invetaris Barang PT. LEN
I I S
24 Perangkat Lunak Pemenuhan Kebutuhan Gizi Pada Orang Sakit
II II S
23 Aplikasi Pemesanan Rental Mobil Berbasis WEB
I I S
22 Sistem Informasi E- Commerce PT. Mqs Darrut Tauhid
I I S
21 Perangkat Lunak Pemodean 3D Dengan Menggunakan Metode Nurbs
III S
III
20 Perangkat Lunak Sistem Adninistrasi Test Toefl Lab.
27 Aplikasi Penilaian Prestasi Kerja Karyawan di Kandatel Garut
16 Sistem Informasi Kost di Bandung Berbasis WEB
= ℎ ( ℎ + ℎ) x 100 % =
45 (45 + 5) x 100 % = 90 %
No Judul Penelitian Cluster Hasil PL PS
15 Analisa & Perancangan Sistem Monitoring Invetaris Barang PT. LEN
III
III S
II II S
III S
17 Aplikasi Penilaian Prestasi Kerja Karyawan di Kandatel Garut
II II S
18 Perangkat Lunak Sistem Informasi Jasa Travel Pariwisata
I I S
19 Perancangan Aplikasi Bimbingan Tugas Akhir Secara Online
III
II I TS
II II S
III S
III
17 Aplikasi Penilaian Prestasi Kerja Karyawan di Kandatel Garut
II II S
16 Sistem Informasi Kost di Bandung Berbasis WEB
III S
III
15 Analisa & Perancangan Sistem Monitoring Invetaris Barang PT. LEN
No Judul Penelitian Cluster Hasil PL PS
28 Perangkat Lunak Sistem Informasi Jasa Travel Pariwisata
I I S
19 Perancangan Aplikasi Bimbingan Tugas Akhir Secara Online
III S
18 Perangkat Lunak Sistem Informasi Jasa Travel Pariwisata
20 Perangkat Lunak Sistem Adninistrasi Test Toefl Lab.
Bahasa
III
III S
III
Bahasa
30 Perangkat Lunak Sistem Adninistrasi Test Toefl Lab.
III S
III
29 Perancangan Aplikasi Bimbingan Tugas Akhir Secara Online
I I S
II II S
- PL = Hasil Perhitungan LP2M
- PS = Hasil Perhitungan pada Sistem • S = Sesuai • TS = Tidak Sesuai Dapat dilihat pada Tabel 4.10 di kolom hasil didapat dari perhitungan dengan persamaan (7).
34 Perangkat Lunak Pemenuhan Kebutuhan Gizi Pada Orang Sakit
II II S
33 Aplikasi Pemesanan Rental Mobil Berbasis WEB
I I S
32 Sistem Informasi E- Commerce PT. Mqs Darrut Tauhid
I I S
31 Perangkat Lunak Pemodean 3D Dengan Menggunakan Metode Nurbs
I I S
INSIGHT
IV. PENUTUP
[11] M. Irfan, Jumadi, W. B. Zulfikar, and Erik, “Implementation of Fuzzy C-Means algorithm and TF- IDF on English journal summary,” 2017 Second Int.
AHP-TOPSIS electrification system for an isolated rural area in southern México,” in 2017 IEEE
International Conference on Fuzzy Systems (FUZZ-
IEEE) , 2017, pp. 1 –6.
[9] S. Kusumadewi and S. Hartatik, Neuro fuzzy: Integrasi
Sistem Fuzzy & Jaringan Syaraf . Yogyakarta: Graha Ilmu, 2006.
[10] M. A. Adiguna and A. Muhajirin, “Penerapan Logika Fuzzy Pada Penilaian Mutu Dosen Terhadap Tri Dharma Perguruan Tinggi,” JOIN (Jurnal Online
Inform. , vol. 2, no. 1, pp. 16 –19, 2017.
Conf. Informatics Comput.
ISSN 2620-5467 (Online)
, pp. 1 –5, 2017. [12]
M. Y. Soleh, “Implementasi Algoritma KMP dan Boyer-Moore dalam Aplikasi Search Engine Sederhana,” Makal. IF3051 Strateg. Algoritm.
[13] R. S. Pressman, Rekayasa Perangkat Lunak.
Yogyakarta: ANDI Yogyakarta, 2012. [14] M. A. Ramdhani, Metodologi Penelitian untuk Riset
Teknologi Informasi . Bandung: UIN Sunan Gunung Djati Bandung, 2013.
[15]
D. Alan, W. Barbara, and R. Roberta, System Analys and Design , Fifth. Hoboken: Don Fowley, 2012.
Sanchez- Lozano, and D. Pelta, “Selection of a fuzzy
79 –83, 2017. [8] V. Campos-Guzman, M. S. Garcia-Cascales, J. M.
[7] R. Fauzan, Y. Indrasary, and N. Muthia, “Sistem Pendukung Keputusan Penerimaan Beasiswa Bidik Misi di POLIBAN dengan Metode SAW Berbasis Web,” JOIN (Jurnal Online Inform., vol. 2, no. 2, pp.
[6] R. Fauzan, Y. Indrasary, and N. Muthia, “Sistem Pendukung Keputusan Penerimaan Beasiswa Bidik Misi di POLIBAN dengan Metode SAW Berbasis Web,” J. Online Inform., vol. 2, no. 2, p. 79, 2018.
IV.I Kesimpulan
IV.II Saran
Implementasi Algoritma Fuzzy C-Means Pada Sistem Seleksi Proposal Penelitian (Studi kasus : LP2M UIN Sunan Gunung Djati Bandung)
20 Rumus tersebut diimplementasikan perhitungan manual dan hasil pada sistem yang telah dilakukan dengan keyword yang sama dengan hasil clustering pada sistem.
Hasil pengujian tersebut menghasilkan nilai akurasi berupa presentase kemudian dapat disimpulkan sebagai akurasi kinerja algoritma Fuzzy C-Means.
Akurasi merupakan rumus untuk menghitung akurasi yang dilakukan setelah melakukan pengujian dengan 50 sampel pengujian clustering dan menghasilkan 3 cluster didapatkanlah total akurasi sebesar 90%. Angka tersebut merupakan akurasi yang diberikan berdasarkan kinerja algoritma Fuzzy C-Means terhadap sistem.
Kesimpulan yang dapat diperoleh berdasarkan hasil pengujian terhadap Sistem Seleksi Proposal Penelitian dengan menggunakan algoritma Fuzzy C-Means yaitu penerapan Algoritma Fuzzy C-Means untuk Sistem Seleksi Proposal Penelitian telah berhasil dibangun dan dapat digunakan untuk mengetahui kelayakan proposal penelitian. Algoritma Fuzzy C-Means yang digunakan dalam Sistem Seleksi Proposal Penelitian memiliki tingkat akurasi sebesar 90 % dan hasil analisis ini dapat menjadi kontribusi bagi LP2M UIN Sunan Gunung Djati Bandung untuk mempermudah dalam menentukan kelayakan proposal penelitian
Mengingat berbagai keterbatasan yang dialami penulis diantaranya keterbatasan pemikiran dan waktu, maka penulis menyarankan untuk penelitian dimasa yang akan datang sebagai berikut :
1. Perlunya pengembangan dalam hal jumlah data yang diharapkan dapat ditambah dengan lebih banyak lagi.
2. Perlunya pengembangan sistem dalam hal tingkat akurasi algoritma yang diharapkan dapat menghasilkan tingkat akurasi yang lebih baik lagi.
3. Perlunya penambahan 1 algoritma untuk sentuhan akhir supaya lebih optimal
Andi, 2005. [2]
A. Pamoragung, K. Suryadi, and M. A. Ramdhani, “Enhancing the implementation of e-Government in indonesia through the high-quality of virtual community and knowledge portal,” in Proceedings of
the European Conference on e-Government, ECEG ,
2006, pp. 341 –348. [3]
Pendukung Keputusan Penentu Dosen Penguji Dan Pembimbing Tugas Akhir Menggunakan Fuzzy Multiple Attribute Decision Makingdengan Simple Additive Weighting (Studi Kasus: Jurusan Teknik Informatika Uin Sgd Bandung),” J. Online Inform., vol. 1, no. 1, pp. 43 –50, 2016.
[4] K. Suryadi and M. A. Ramdhani, Sistem Pendukung
Keputusan . Bandung: Remaja Rosdakarya.
[5] Nofriansyah and Dicky, Konsep Data Mining VS
Sistem Pendukung Keputusan . Deepublish, 2015.