APLIKASI KLASTERISASI KUALITAS SMA SWASTA DENGAN ALGORITMA K-MEANS (STUDY KASUS SMA SWASTA SE-JOMBANG).
APLIKASI KLASTERISASI KUALITAS SMA
SWASTA DENGAN ALGORITMA K-MEANS
(STUDY KASUS SMA SWASTA SE-J OMBANG)
SKRIPSI
Oleh :
ALUX PERMANA
0834010112
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL
“VETERAN” J AWA TIMUR
2012
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
APLIKASI KLASTERISASI KUALITAS SMA
SWASTA DENGAN ALGORITMA K-MEANS
(STUDY KASUS SMA SWASTA SE-J OMBANG)
SKRIPSI
Diajukan Untuk Memenuhi Sebagai Persyaratan
Dalam Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
ALUX PERMANA
0834010112
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL
“VETERAN” J AWA TIMUR
2012
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
TUGAS AKHIR
APLIKASI KLASTERISASI KUALITAS SMA SWASTA DENGAN
ALGORITMA K-MEANS
(STUDY KASUS SMA SWASTA SE-J OMBANG)
Disusun Oleh :
ALUX PERMANA
NPM : 0834010112
Telah diper tahankan dihadapan dan diter ima oleh Tim Penguji Skr ipsi
Progr am Studi Teknik Infor matika, Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional “Veteran” Jawa Timur
Pada tanggal 15 J uni 2012
PEMBIMBING :
TIM PENGUJ I :
1.
1.
Rinci Kembang Hapsar i, S.Si, M.Kom
NPT. 377120801681
2.
Basuki Rahmat, S.Si, M.Kom
NPT. 369070602091
2.
Syur fah Ayu Ithr iah, S.Kom
NPT. 385011002941
Dr . Ir . Ni Ketut Sar i, MT.
NIP. 19650731 199203 2 001
3.
Dian Puspita Hapsar i, S.Kom, M.Kom
NPT. 37805 08 01671
Mengetahui
Dekan Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional “Veteran” Jawa Timur
Ir. Sutiyono, MT
NIP. 196 007 13 198 703 1001
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
LEMBAR PENGESAHAN
APLIKASI KLASTERISASI KUALITAS SMA SWASTA DENGAN
ALGORITMA K-MEANS
(STUDY KASUS SMA SWASTA SE-J OMBANG)
Disusun Oleh :
ALUX PERMANA
NPM : 0834010112
Telah disetujui mengikuti Ujian Negara Lisan
Gelombang VI Tahun Akademik 2011/2012
Menyetujui,
Pembimbing Utama
Pembimbing Pendamping
Rinci Kembang Hapsar i, S.Si, M.Kom
NPT. 377120801681
Syur fah Ayu Ithriah, S.Kom
NPT. 385011002941
Mengetahui,
Kepala Pr ogram Studi Teknik Infor matika
Fakultas Teknologi Industr i
Univer sitas Pembangunan Nasional “Veteran” J awa Timur
Dr . Ir . Ni Ketut Sar i, MT.
NIP. 19650731 199203 2 001
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
YAYASAN KESEJ AHTERAAN PENDIDIKAN DAN PERUMAHAN
UPN “VETERAN” J AWA TIMUR
FAKULTAS TEKNOLOGI INDUSTRI
Jl. Rungkut Madya Gunung Anyar Surabaya 60294 Tlp. (031) 8706369, 8783189
Fax (031) 8706372 Website: www.upnjatim.ac.id
KETERANGAN REVISI
Mahasiswa di bawah ini :
Nama
: ALUX PERMANA
NPM
: 0834010112
Program Studi : Teknik Informatika
Telah mengerjakan revisi skripsi dengan judul :
“ APLIKASI KLASTERISASI KUALITAS SMA SWASTA DENGAN
ALGORITMA
K-MEANS
(STUDY
KASUS
SMA
SWASTA
SE-
J OMBANG)”.
Oleh karenanya mahasiswa tersebut diatas dinyatakan bebas revisi skripsi dan
diijinkan untuk membukukan skripsi dengan judul tersebut.
Surabaya, 18 Juni 2012
Dosen Penguji yang memerintahkan revisi:
1.) Basuki Rahmat, S.Si, M.Kom
{
}
{
}
{
}
NPT. 369070602091
2.) Dr . Ir . Ni Ketut Sar i, MT.
NIP. 19650731 199203 2 001
3.) Dian Puspita Hapsari, S.Kom, M.Kom
NPT. 37805 08 01671
Mengetahui,
Dosen Pembimbing
Dosen Pembimbing Utama
Rinci Kembang Hapsar i, S.Si, M.Kom
NPT. 377120801681
Dosen Pembimbing Pendamping
Syur fah Ayu Ithriah, S.Kom
NPT. 385011002941
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
APLIKASI KLASTERISASI KUALITAS SMA SWASTA DENGAN ALGORITMA KMEANS (STUDY KASUS SMA SWASTA SE-J OMBANG).
DOSEN PEMBIMBING I
: RINCI KEMBANG HAPSARI, S.Si, M.Kom.
DOSEN PEMBIMBING II : SYURFAH AYU ITHRIAH, S. Kom.
PENYUSUN
: ALUX PERMANA
ABSTRAK
Pendidikan merupakan hal yang sangat penting dalam kehidupan
manusia. Oleh sebab itu kita harus lebih memperhatikan kualitas sekolah yang
ada. Terutama sekolah menengah atas swasta, kalau kita tidak pandai pandai
memilih sekolah yang ada tanpa mempertimbangkan dari berbagai aspek tentu
nantinya akan bisa merugikan kita karena selain jumlah sekolah yang banyak,
juga tiap sekolah kini memberi beragam tawaran dan pilihan kepada para calon
siswanya. Mulai dari yang menginginkan harga uang pangkal yang murah, biaya
SPP yang murah, dekat dengan rumah, fasilitas dan sarana pra sarana yang
lengkap.
Aplikasi Klasterisasi Kualitas SMA Swasta Dengan Algoritma K-Means
(Study Kasus SMA Swasta Se-Jombang) diimplementasikan agar dapat
mengklasterisasi sekolah menengah atas swasta berdasarkan kriteria yang telah
ditentukan di Kabupaten Jombang ke dalam web untuk memudahkan pengaksesan
sehingga dapat dijadikan acuan orang tua untuk memilih sekolah menengah atas
swasta yang akan dituju anaknya.
Proses pengimplementasian aplikasi klasterisasi dengan metode k-means
diperlukan beberapa syarat atau kriteria yang akan menjadi acuan dalam
melakukan pengelompokan, dalam tugas akhir ini antara lain menggunakan
kriteria biaya, lokasi, lingkungan, bangunan, jam sekolah, prestasi dan pengajar.
Nilai data dari kriteria diperoleh dari penyebaran kuisioner ke sekolah yang
bersangkutan. Hasil dari aplikasi ini adalah pengelompokan data pada tabel dan
diagram batang.
Kata Kunci: Klasterisasi, K-Means, Kualitas, Kriteria
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
UCAPAN TERIMA KASIH
Puji syukur ke hadirat Allah SWT yang telah memberikan rahmat dan
karunia-Nya, sehingga dapat terselesaikannya Tugas Akhir ini.
Dengan selesainya tugas akhir ini tidak terlepas dari bantuan banyak
pihak yang telah memberikan masukan-masukan.
Untuk itu penyusun
mengucapkan terima kasih sebagai perwujudan rasa syukur atas terselesaikannya
tugas akhir ini dengan lancar. Ucapan terima kasih ini saya tujukan kepada :
1. Bapak Prof. Dr. Ir. Teguh Soedarto, MP selaku Rektor Universitas
Pembangunan Nasional “Veteran” Jawa Timur.
2. Bapak Sutiyono, MT selaku Dekan Fakultas Teknologi Industri UPN
“Veteran” Jawa Timur.
3. Dr. Ir. Ni Ketut Sari, MT. selaku Ketua Jurusan Teknik Informatika UPN
“Veteran” Jawa Timur.
4. Ibu Rinci Kembang Hapsari, S.Si, M.Kom selaku dosen pembimbing I
pada Tugas Akhir ini, yang telah banyak memberikan petunjuk, masukan,
bimbingan, dorongan serta kritik yang bermanfaat sejak awal hingga
terselesainya Tugas Akhir ini.
5. Ibu Syurfah Ayu Ithriah, S.Kom selaku dosen pembimbing II yang telah
banyak memberikan petunjuk, masukan serta kritik yang bermanfaat
hingga terselesainya Skripsi ini.
6. Terimakasih buat Bapak Ibuku tercinta yang telah memberi semangat,
dorongan dan do’a yang tiada henti-hentinya. Terimakasih buat adik ku
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
ii
semua keluargaku yang selalu memberi dukungan kepadaku sehingga
dapat terselesaikannya Tugas Akhir ini.
7. Terimakasih teman seperjuanganku Warrior Community, Mbah Candra
Ady Wahyono, Gory (Adi Wijaya), Muhamad Yusuf Ali, Bintan Ardian,
Arlian Pramadani, Yunus Ronaldo Samana, Yaiyo Hamzah Alif, Dio Dedi
Utama, Anjaya Parlika, Rasuko Vidya P. Ganny Andi P. Yucu (Yusuf
Feriyanto), Agus Dwi Fiantoro, Mas Fahmi, Bayu Deby, Mershakti Rizky
Oktariani, Alfiah Nurul Sartika, Syamsul Arif, Min Umami, Marry dan
buat seseorang yang ada disana, yang telah memberi semangat dan banyak
membantu selama ini dan selalu memberikan semangat…All Izz Well…
suit.. suit .. suit.
8. Serta orang-orang yang tidak dapat saya sebutkan satu persatu namanya.
Terimakasih atas bantuannya semoga Allah SWT yang membalas semua
kebaikan dan bantuan tersebut
Surabaya, 05 Juni 2012
Penulis
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
iii
KATA PENGANTAR
Syukur Alhamdulillaahi rabbil ‘alamin terucap ke hadirat Allah SWT atas
segala limpahan Rahmat-Nya sehingga dengan segala keterbatasan waktu, tenaga,
pikiran dan keberuntungan yang dimiliki, akhirnya penulis dapat menyelesaikan
Tugas Akhir yang berjudul “Aplikasi Klasterisasi Kualitas SMA Swasta
Dengan Algoritma K-Means (Study Kasus SMA Se-Kabupaten J ombang)”
tepat waktu.
Tugas Akhir ini disusun guna diajukan sebagai salah satu syarat untuk
menyelesaikan program Strata Satu (S1) pada jurusan Teknik Informatika,
Fakultas Teknologi Industri, UPN ”VETERAN” Jawa Timur.
Dalam penyusunan Tugas akhir ini, Penulis berusaha untuk menerapkan
ilmu yang telah didapat selama menjalani perkuliahan dengan tidak terlepas dari
petunjuk, bimbingan, bantuan, dan dukungan berbagai pihak.
Dengan tidak lupa akan kodratnya sebagai manusia, Penulis menyadari
bahwa dalam karya tugas akhir ini masih mengandung kekurangan sehingga
dengan segala kerendahan hati, Penulis masih akan tetap terus mengharapkan
saran serta kritik yang membangun dari rekan-rekan pembaca.
Surabaya, 4 Juni 2012
Penulis
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
i
DAFTAR ISI
ABSTRAK
KATA PENGANTAR ...........................................................................
i
UCAPAN TERIMA KASIH ..................................................................
ii
DAFTAR ISI ..........................................................................................
iv
DAFTAR GAMBAR ..............................................................................
viii
DAFTAR TABEL ...................................................................................
xi
DAFTAR LAMPIRAN ..........................................................................
xiii
BAB I. PENDAHULUAN ......................................................................
1
1.1. Latar Belakang .........................................................................
1
1.2. Rumusan Masalah ....................................................................
2
1.3. Batasan Masalah ......................................................................
2
1.4. Tujuan ....................................................................................
3
1.5. Manfaat ..................................................................................
3
1.6. Metodelogi Tugas Akhir ...........................................................
3
1.7. Sistematika Penulisan...............................................................
5
BAB II. TUJ UAN PUSTAKA ................................................................
7
2.1. Sistem Pendukung Keputusan ..................................................
7
2.1.1. Konsep Dasar Sistem Pendukung Keputusan ................
7
2.1.2. Karakteristis Sistem Pendukung Keputusan ....................
9
2.1.2. Komponen Sistem Pendukung Keputusan ......................
10
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
iv
2.2. Teknik Klasterisasi ...................................................................
10
2.2.1. Karakteristik Klasterisasi ................................................
11
2.3. K-Means ..................................................................................
12
2.3.1. Penerapan K-Means .......................................................
14
2.3.2. Permasalahan Terkait Dengan K-Means .........................
18
2.4. Teknik Membuat Skala .............................................................
20
2.4.1. Skala Guttman ................................................................
21
2.5. Mengenal DBMS .....................................................................
23
2.6. Mengenal MySql......................................................................
25
2.6.1. Keistimewaan MySql .....................................................
26
2.6.2. Koneksi Database Mysql Dengan PHP ............................
27
BAB III. ANALISIS DAN PERANCANGAN SISTEM .......................
29
3.1. Pengumpulan Data Dan Analisa Data .......................................
29
3.1.1. Pengumpulan Data .......................................................
29
3.1.2. Analisa Data ...................................................................
29
3.2. Analisa Sistem .........................................................................
43
3.3. Desain Alur Proses Klasterisasi ................................................
44
3.3.1. Admin ............................................................................
44
3.3.2. User (Pemakai Informasi) ...............................................
45
3.3.3. Proses Klasterisasi ..........................................................
46
3.4. Perancangan Sistem .................................................................
48
3.4.1. Diagram Berjenjang .......................................................
48
3.4.2. Data Flow Diagram (DFD) .............................................
49
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
v
3.4.3. Cenceptual Data Model (CDM) ......................................
54
3.4.4. Physical Data Model (PDM)...........................................
55
3.5. Struktur Database (DBMS) ......................................................
57
3.6. Desain Antarmuka ....................................................................
65
3.6.1. Desain Antar Muka Admin .............................................
65
3.6.2. Desain Antarmuka Pengunjung.......................................
69
BAB IV. IMPLEMENTASI SISTEM ....................................................
73
4.1. Kebutuhan Sistem ....................................................................
73
4.2. Implementasi Sistem ...............................................................
74
4.3. Tampilan Pengguna (User Interface) ........................................
74
4.3.1. Halaman Utama (Home) ...............................................
75
4.3.2. Halaman Berita .............................................................
76
4.3.3. Halaman Daftar Sekolah ...............................................
76
4.3.4. Halaman Klasterisasi ....................................................
77
4.4. Tampilan Pengguna (Admin Interface) ....................................
79
4.4.1. Halaman Login Admin ..................................................
79
4.4.2. Halaman Utama Admin .................................................
79
BAB V. UJ I COBA DAN PEMBAHASAN............................................
86
5.1. Uji Coba .................................................................................
86
5.1.1. Uji Coba Manual ........................................................
86
5.1.2. Uji Coba Sistem .........................................................
92
A. Uji Coba Admin Interface ......................................
93
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
vi
B. Uji Coba User Interface ..........................................
98
C. Uji Coba Proses Klasterisasi ...................................
102
BAB VI. KESIMPULAN DAN SARAN................................................
104
6.1. Kesimpulan ............................................................................
104
6.2. Saran........................................................................................
105
DAFTAR PUSTAKA .............................................................................
106
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
vii
BAB I
PENDAHULUAN
1.1.
Latar Belakang.
Dalam era globalisasi sekarang ini memilih sekolah yang tepat tidaklah
mudah. Terutama SMA swasta, kalau kita tidak pandai pandai memilih sekolah
yang ada tanpa mempertimbangkan dari berbagai aspek tentu nantinya akan bisa
merugikan kita karena selain jumlah sekolah yang banyak, juga tiap sekolah kini
memberi beragam tawaran dan pilihan kepada para calon siswanya. Mulai dari
yang menginginkan harga uang pangkal yang murah, biaya SPP yang murah,
dekat dengan rumah, fasilitas dan sarana prasarana yang lengkap, prestasi yang
pernah dicapai sekolah, jumlah jam belajar perhari, status akreditasi sekolah,
kegiatan ekstra kurikuler yang beragam sampai sekolah yang memberikan porsi
pendidikan agama lebih banyak guna membentuk moral siswanya, tenaga
pengajar. Melihat fenomena seperti ini tentu saja menyulitkan para orang tua dan
siswa untuk memilih sekolah yang diinginkan. Apalagi bagi mereka yang tidak
memiliki banyak waktu untuk men-survei semua sekolah yang ada. Dari
permasalahan di atas, Peneliti mencoba
membangun aplikasi yang dapat
membantu memberikan rekomendasi pilihan SMA swasta yang berkualitas bagi
para orang tua dan siswa berdasarkan kriteria-kriteria yang telah ditentukan.
Untuk itu peneliti menggunakan Algoritma K-Means yang digunakan untuk
mengolah data-data kuisioner dari sekolah yang nantinya akan menghasilkan
output berupa kelompok data-data sekolah rekomendasi untuk orang tua dan
siswa.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
1
2
1.2.
Rumusan Masalah.
Berdasarkan latar belakang yang telah diuraikan sebelumnya, terdapat
beberapa permasalahan yang akan diangkat dalam tugas akhir ini, antara lain :
a.
Bagaimana cara merancang aplikasi yang dapat mengklasterisasi kualitas
SMA swasta berdasarkan kriteria yang sudah ada di Kabupaten Jombang.
b.
Bagaimana mengklasterisasi SMA swasta yang berkualitas di Kabupaten
Jombang dengan Algoritma K-Means ke dalam web sehingga dapat dijadikan
acuan untuk memilih SMA swasta yang berdasarkan kriteria yang ada.
1.3.
Batasan Masalah.
Dalam perancangan dan pembuatan Aplikasi Klasterisasi Kualitas SMA
Swasta (Studi Kasus SMA Swasta Se-Kabupaten Jombang) ini mencakup banyak
hal. Agar permasalahan tidak meluas maka perlu adanya batasan masalah yang
akan dibahas yaitu sebagai berikut :
a.
Aplikasi ini bersifat fasilitator antara masyarakat khususnya orang tua yang
ingin memilih SMA yang berdasarkan kriteria yang ada untuk anaknya yang
akan melanjutkan ke jenjang SMA swasta dengan Depdiknas Kabupaten
Jombang.
b.
Aplikasi Klasterisasi Kualitas SMA Swasta (Studi Kasus SMA Swasta di
Kabupaten Jombang) menggunakan algoritma K-Means dan menggunakan
php.
c.
Aplikasi yang dibuat hanya menampilkan informasi klasterisasi ruang
lingkup kualitas SMA swasta di Kabupaten Jombang.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3
d.
Aplikasi Klasterisasi Kualitas SMA Swasta (Studi Kasus SMA Swasta di
Kabupaten Jombang) menggunakan empat pilihan jumlah klaster bagi user
yaitu pilihan tiga, empat, lima dan enam..
1.4.
Tujuan.
Tujuan yang ingin dicapai pada pengerjaan tugas akhir ini adalah
merancang dan membangun aplikasi klasterisasi kualitas SMA swasta yang dapat
digunakan untuk membantu orang tua dalam menentukan SMA swasta yang
berdasarkan kriteria yang telah ada, bagi anak-anaknya dengan menggunakan
Algoritma K-Means.
1.5.
Manfaat.
Manfaat yang ingin dicapai pada pengerjaan tugas akhir ini adalah dapat
menjadi salah satu referensi sumber ilmu bagi mahasiswa yang ingin menambah
pengetahuannya dalam bidang pengembangan sistem pendukung keputusan.
Membantu dalam merekomendasi orang tua siswa untuk memilih SMA swasta
yang berdasarkan kriteria yang ada bagi anak-anaknya di Kabupaten Jombang.
1.6 Metodelogi Tugas akhir
Dalam pembuatan Tugas Akhir ini, metode yang digunakan adalah
sebagai berikut:
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4
a.
Survei
b.
Dilakukan dengan mengumpulkan segala macam informasi secara riset
kepustakaan dan melakukan wawancara terhadap Dinas Pendidikan Jombang
serta SMA swasta terkait
c.
Studi Literatur
Dilakukan dengan cara mencari segala macam informasi secara riset
keperpustakaan dan mempelajari buku-buku yang berhubungan dengan
masalah yang dihadapi.
d.
Analisis
Pada tahap ini dilakukan identifikasi dan evaluasi permasalahan yang terjadi,
serta mencari solusi dari permasalahan tersebut. Setelah tahap analisa selesai
dilakukan, dibuat perancangan desain sistem secara keseluruhan.
e.
Perancangan Sistem
Menjelaskan tahap-tahap yang dilakukan mulai dari identifikasi permasalahan
sampai menghasilkan desain input ataupun output dari sistem yang akan
dibuat.
e.
Pembuatan Program
Pada tahap ini dilikukan implementasi terhadap sistem berdasarkan hasil dari
perancangan sistem yang sesuai dengan kebutuhan.
f.
Uji Coba Program
Uji coba program dapat dilakukan pada akhir dari tahap-tahap analisa sistem,
desain sistem dan tahap penerapan sistem atau implementasi sistem. Sasaran
uji coba program adalah untuk menemukan kesalahan-kesalahan dari program
yang mungkin terjadi sehingga dapat diperbaiki.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
5
g.
Penyusunan Laporan
Dalam bagian akhir tugas akhir ini adalah dibuatnya laporan dari awal sampai
akhir pengerjaan dengan tujuan agar lebih mudah dipelajari oleh orang lain
sistem yang telah kita buat.
1.7.
Sistematika Penulisan.
Dalam laporan tugas akhir ini, pembahasan disajikan dalam enam bab
dengan sistematika pembahasan sebagai berikut :
BAB I
PENDAHULUAN
Bab ini berisikan tentang latar belakang, perumusan masalah,
batasan masalah, tujuan, dan manfaat, metodelogi serta sistematika
penulisan dalam pembuatan tugas akhir ini.
BAB II
TINJ AUAN PUSTAKA
Pada bab ini menjelaskan tentang teori-teori pemecahan masalah
yang berhubungan dan digunakan untuk mendukung dalam
pembuatan tugas akhir ini.
BAB III
ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini membahas tentang perancangan sistem, diagram alir,
database, serta perancangan antar muka.
BAB IV
IMPLEMENTASI SISTEM
Pada bab ini dijelaskan tentang implementasi dari program yang
telah dibuat meliputi lingkungan implementasi, implementasi
proses, dan implementasi interface.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
6
BAB V
UJ I COBA DAN PEMBAHASAN
Pada bab ini menjelaskan tentang pelaksanaan uji coba dan
pembahasan dari pelaksanaan uji coba dari program yang dibuat
agar bisa diketahui sistem tersebut terdapat troble atau tidak.
BAB VI
KESIMPULAN DAN SARAN
Pada bab ini dibahas mengenai uraian kesimpulan tentang sistem
yang telah dibuat beserta saran yang dapat digunakan untuk
penyempurnaan dan pengembangan sistem.
DAFTAR PUSTAKA
Pada bagian ini akan dipaparkan tentang sumber-sumber literatur
yang digunakan dalam pembutan laporan ini.
LAMPIRAN
Pada bagian ini berisi tentang keseluruhan konfigurasi pada
pembuatan sistem.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB II
TINJ AUAN PUSTAKA
2.1. Sistem Pendukung Keputusan.
Sistem Pendukung Keputusan (SPK) adalah sistem berbasis komputer
interaktif, yang membantu para pengambil keputusan untuk menggunakan data
dan berbagai model untuk
memecahkan masalah-masalah tidak terstruktur
(Turban dkk, 2005). Sistem pendukung keputusan
memadukan sumber daya
intelektual dari individu dengan kapabilitas komputer untuk meningkatkan
kualitas keputusan. SPK adalah sistem pendukung berbasis komputer bagi para
pengambil keputusan manajemen yang menangani masalah-masalah tidak
terstruktur (Turban dkk, 2005), (Keen dkk, 1978).
2.1.1. Konsep Dasar Sistem Pendukung Keputusan
Sistem Pendukung Keputusan (SPK) mulai dikembangkan pada tahun
1960-an, tetapi istilah sistem pendukung keputusan itu sendiri baru muncul pada
tahun 1971, yang diciptakan oleh G. Anthony Gorry dan Micheal S.Scott Morton,
keduanya adalah profesor di MIT. Hal itu mereka lakukan dengan tujuan untuk
menciptakan kerangka kerja guna mengarahkan aplikasi komputer kepada
pengambilan keputusan manajemen.
Sementara itu, perintis sistem pendukung keputusan yang lain dari MIT,
yaitu Peter G.W. Keen yang bekerja sama dengan Scott Morton telah
mendefenisikan tiga tujuan yang harus dicapai oleh sistem pendukung keputusan,
yaitu:
7
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
8
a.
Sistem harus dapat membantu manajer dalam membuat keputusan guna
memecahkan masalah semi terstruktur.
b.
Sistem harus dapat mendukung manajer,bukan mencoba menggantikannya.
c.
Sistem harus dapat meningkatkan efektivitas pengambilan keputusan
manajer.
Tujuan-tujuan tersebut mengacu pada tiga prinsip dasar sistem
pendukung keputusan (Suryadi dan Ramdhani, 1998), yaitu:
a.
Struktur masalah : untuk masalah yang terstruktur, penyelesaian dapat
dilakukan dengan menggunakan rumus-rumus yang sesuai, sedangkan untuk
masalah terstruktur tidak dapat dikomputerisasi. Sementara itu, sistem
pendukung keputusan dikembangkan khususnya untuk menyelesaikan
masalah yang semi-terstruktur.
b.
Dukungan keputusan : sistem pendukung keputusan tidak dimaksudkan
untuk menggantikan manajer, karena komputer berada di bagian terstruktur,
sementara manajer berada dibagian tak terstruktur untuk memberikan
penilaian dan melakukan analisis. Manajer dan komputer bekerja sama
sebagai sebuah tim pemecah masalah semi terstruktur.
c.
Efektivitas keputusan : tujuan utama dari sistem pendukung keputusan
bukanlah mempersingkat waktu pengambilan keputusan, tetapi agar
keputusan yang dihasilakn dapat lebih baik.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
9
2.1.2. Karakteristik Sistem Pendukung Keputusan.
Keputusan Sistem pendukung keputusan dirancang secara khusus untuk
mendukung seseorang yang harus mengambil keputusan-keputusan tertentu. Ada
beberapa karakteristik sistem pendukung keputusan (Oetomo, 2002), yaitu:
a.
Interaktif.
SPK memiliki user interface yang komunikatif sehingga pemakai dapat
melakukan akses secara cepat ke data dan memperoleh informasi yang
dibutuhkan.
b.
Fleksibel.
SPK memiliki sebanyak mungkin variabel masukkan, kemampuan untuk
mengolah dan memberikan keluaran yang menyajikan alternatif-alternatif
keputusan kepada pemakai.
c.
Data kualitas.
SPK memiliki kemampuan menerima data kualitas yang dikuantitaskan
yang sifatnya subyektif dari pemakainya, sebagai data masukkan untuk
pengolahan data. Misalnya: penilaian terhadap kecantikan yang bersifat
kualitas, dapat dikuantitaskan dengan pemberian bobot nilai seperti 75 atau
90.
d.
Prosedur Pakar.
SPK mengandung suatu prosedur yang dirancang berdasarkan rumusan
formal atau juga beberapa prosedur kepakaran seseorang atau kelompok
dalam menyelesaikan suatu bidang masalah dengan fenomena tertentu.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
10
2.1.3. Komponen Sistem Pendukung Keputusan.
Komponen Sistem Pendukung Keputusan (Surbakti, 2002), komponenkomponen dari SPK adalah sebagai berikut:
a.
Data Management.
Termasuk database, yang mengandung data yang relevan untuk berbagai
situasi dan diatur oleh software yang disebut Database Management System
(DBMS).
b.
Model Management.
Melibatkan model finansial, statistikal, management science, atau berbagai
model kualitatif lainnya, sehingga dapat memberikan ke sistem suatu
kemampuan analitis, dan manajemen software yang dibutuhkan.
c.
Communication.
User dapat berkomunikasi dan memberikan perintah pada DSS melalui
subsistem ini. Ini berarti menyediakan antarmuka.
d.
Knowledge Management.
Subsistem optional ini dapat mendukung subsistem lain atau bertindak atau
bertindak sebagai komponen yang berdiri sendiri.
2.2. Teknik Klaster isasi.
(Santosa, 2007), Teknik klaster termasuk teknik yang sudah cukup
dikenal dan banyak dipakai dalam data mining. Tujuan utama dari metode
klasterisasi adalah mengelompokan sejumlah data/obyek ke dalam klaster (group)
sehingga dalam setiap klaster akan berisi data yang semirip mungkin. Dalam
klasterisasi kita berusaha untuk menempatkan obyek yang mirip (jarak dekat)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
11
dalam satu klaster dan membuat jarak antar klaster sejauh mungkin. Ini berarti
obyek dalam satu klaster sangat mirip satu sama lain dan berbeda dengan obyek
dalam klaster-klaster yang lain.
Klasterisasi adalah salah satu teknik unsupervised learning dimana kita
tidak perlu melatih metode tersebut atau dengan kata lain, tidak ada fase learning.
Masuk dalam pendekatan unsupervised learning adalah metode-metode yang
tidak membutuhkan label atau pun keluaran dari setiap data yang kita investigasi.
Sebaliknya supervised learning adalah metode yang memerlukan training
(melatih) dan testing (menguji).
Ada dua pendekatan dalam klasterisasi antara lain partisioning dan
hirarki. Dalam partisioning kita mengelompokkan obyek x1, x2, …,xn ke dalam k
klaster. Hal ini bisa dilakukan dengan menentukan pusat klaster awal, lalu
dilakukan realokasi obyek berdasarkan criteria tertentu sampai dicapai
pengelompokkan yang optimum. Dalam klaster hirarki, dimulai dengan membuat
m klaster dimana setiap klaster beranggotakan satu obyek dan berakhir dengan
satu klaster dimana anggotanya adalah m obyek. Pada setiap tahap dalam
prosedurnya, satu klaster digabung dengan satu klaster yang lain.
2.2.1. Karakteristik klaster isasi.
(M. Helmy dan Hariadi, 2011), Karakteristik klasterisasi dibagi menjadi
4, yaitu :
a.
Partitioning clustering.
Partitioning clustering disebut juga exclusive clustering, dimana setiap data
harus
termasuk
ke
cluster
tertentu.
Karakteristik
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
tipe
ini
juga
12
memungkinkan bagi setiap data yang termasuk cluster tertentu pada suatu
tahapan proses, pada tahapan berikutnya berpindah ke cluster yang lain.
Contoh : K-Means, residual analysis.
b.
Hierarchical clustering.
Pada hierarchical clustering, Setiap data harus termasuk ke cluster tertentu.
Dan suatu data yang termasuk ke cluster tertentu pada suatu tahapan proses,
tidak dapat berpindah ke cluster lain pada tahapan berikutnya. Contoh:
Single Linkage, Centroid Linkage, Complete Linkage, Average Linkage.
c.
Overlapping clustering.
Dalam overlapping clustering, setiap data memungkinkan termasuk ke
beberapa cluster. Data mempunyai nilai keanggotaan (membership) pada
beberapa cluster. Contoh: Fuzzy C-means, Gaussian Mixture.
d.
Hybrid.
Karakteristik hybrid adalah mengawinkan karakteristik dari partitioning,
overlapping dan hierarchical.
2.3. K-Means.
K-Means termasuk partitioning clustering yang memisahkan data ke k
daerah bagian yang terpisah. K-means algorithm sangat terkenal karena
kemudahan dan kemampuannya untuk mengklaster data besar dan data outlier
dengan sangat cepat. Sesuai dengan karakteristik partitioning clustering, Setiap
data harus termasuk ke cluster tertentu, dan memungkinkan bagi setiap data yang
termasuk cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya
berpindah ke cluster yang lain (M. Helmy dan Hariadi, 2011).
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
13
Dalam teknik ini jika ingin mengelompokkan obyek ke dalam k
kelompok atau klaster. Untuk melakukan klasterisasi, nilai k harus ditentukan
terlebih dahulu. Biasanya user sudah mempunyai informasi awal tentang obyek
yang sedang dipelajari termasuk beberapa jumlah klaster yang paling tepat. Secara
detail bisa menggunakan ukuran ketidakmiripan untuk mengelompokkan obyek
yang ada.ketidakmiripan bisa diterjemahkan dalam konsep jarak. Jika jarak dua
obyek atau data titik cukup dekat, maka dua obyek mirip. Semakin dekat berarti
semakin tinggi kemiripannya. Semakin tinggi nilai jarak, semakin tinggi ketidak
miripannya (Santosa, 2007).
Algoritma K-Means (M. Helmy dan Hariadi, 2011):
a.
Menentukan k sebagai jumlah cluster yang ingin dibentuk
b.
Membangkitkan k centroid (titik pusat cluster) awal secara random
c.
Menghitung jarak setiap data ke masing-masing centroid
d.
Setiap data memilih centroid yang terdekat
e.
Menentukan posisi centroid baru dengan cara menghitung nilai rata-rata dari
data data yang memilih pada centroid yang sama.
Gambar 2.2 Ilustrasi Algoritma K-means
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
14
Karakteristik K-Means (M. Helmy dan Hariadi, 2011):
a.
K-means sangat cepat dalam proses clustering
b.
K-means sangat sensitif pada pembangkitan centroids awal secara random
c.
Memungkinkan suatu cluster tidak mempunyai anggota
d.
Hasil clustering dengan K-means bersifat tidak unik (selalu berubah-ubah)terkadang baik, terkadang jelek.
e.
K-means sangat sulit untuk mencapai global optimum.
Gambar 2.3 Ilustrasi kelemahan K-means
2.3.1. Pener apan K-Means.
(Agusta, 2007), Beberapa alternatif penerapan K-Means dengan beberapa
pengembangan teori teori penghitungan terkait telah diusulkan. Hal ini termasuk
pemilihan:
a.
Distance space untuk menghitung jarak di antara suatu data dan centroid
b.
Metode pengalokasian data kembali ke dalam setiap cluster
c.
Objective function yang digunakan.
A.
Distance Space Untuk Menghitung J arak Antara Data dan Centroid.
Beberapa distance space telah diimplementasikan dalam menghitung
jarak (distance) antara data dan centroid termasuk di antaranya L1
(Manhattan/City Block) distance space, L2 (Euclidean) distance space, dan Lp
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
15
(Minkowski) distance space. Jarak antara dua titik x1 dan x2 pada Manhattan/City
Block distance space dihitung dengan menggunakan rumus sebagai berikut :
D L1 ( x 2 , x1 ) = x 2 − x1
1
=
p
∑
j =1
x 2 j − x1 j
…………… (2.1)
dimana :
p : Dimensi data
| . | : Nilai absolute
Sedangkan untuk L2 (Euclidean) distance space, jarak antara dua titik
dihitung menggunakan rumus sebagai berikut :
d ( x, y) =
p
∑ (x
j
− y j )2
...........................(2.2)
j =1
Dengan d adalah jarak antara titik pada data x dan titik data y, dimana x = x1 , x2
,...xi dan y = y1 , y 2 ,... yi dan j merepresentasikan nilai atribut serta p merupakan dimensi
atribut.
Lp (Minkowski) distance space yang merupakan generalisasi dari
beberapa distance space yang ada seperti L1 (Manhattan/City Block) dan L2
(Euclidean), juga telah diimplementasikan. Tetapi secara umum distance space
yang sering digunakan adalah Manhattan dan Euclidean.
Menghitung nilai centroid
N
v
ij
=
∑
i
X
k =1
N
kj
………………..……… (2.3)
i
dimana:
i,k : indeks dari cluster
j : indeks dari variabel
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
16
v_ij : centroid/rata-rata cluster ke-i untuk variabel ke-j
x_kj : nilai data ke-k yang ada di dalam cluster tersebut untuk variabel ke-j
N_i : Jumlah data yang menjadi anggota cluster ke-i
B.
Metode Pengalokasian Ulang Data ke Dalam Masing-Masing Cluster.
Ada dua cara pengalokasian data kembali ke dalam masing-masing
cluster pada saat proses iterasi clustering (Agusta, 2007), yaitu :
B.1. Hard K-Means
Pengalokasian kembali data ke dalam masing-masing cluster dalam
metode Hard K-Means didasarkan pada perbandingan jarak antara data
dengan centroid setiap cluster yang ada. Data dialokasikan ulang secara tegas ke
cluster yang mempunyai centroid terdekat dengan data tersebut. Pengalokasian ini
dapat dirumuskan sebagai berikut:
a
ik
=
1 d
0
=
{D ( x
min
lainnya
k ,
v
i
)}
…………….. (2.4)
dimana:
aik: Keanggotaan data ke-k ke cluster ke-i
vi : Nilai centroid cluster ke-i
B.2. Fuzzy K-Means.
Metode Fuzzy K-Means (atau lebih sering disebut sebagai Fuzzy CMeans) mengalokasikan kembali data ke dalam masing-masing cluster dengan
memanfaatkan teori Fuzzy. Teori ini mengeneralisasikan metode pengalokasian
yang bersifat tegas (hard) seperti yang digunakan pada metode Hard K-Means.
Dalam metode Fuzzy K-Means dipergunakan variabel membership function, uik ,
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
17
yang merujuk pada seberapa besar kemungkinan suatu data bisa menjadi anggota
ke dalam suatu cluster. Pada Fuzzy K-Means, diperkenalkan juga suatu variabel m
yang merupakan weighting exponent dari membership function. Variabel ini dapat
mengubah besaran pengaruh dari membership function, uik, dalam proses
clustering
metode Fuzzy
menggunakan
K-Means. m mempunyai
wilayah
nilai m>1. Sampai sekarang ini tidak ada ketentuan yang jelas berapa besar
nilai m yang optimal dalam melakukan proses optimasi suatu permasalahan
Nilai m yang
clustering.
umumnya
digunakan
adalah
2. Membership
function untuk suatu data ke suatu cluster tertentu dihitung menggunakan rumus
sebagai berikut :
u
ik
=
c
∑
j = 1
D ( x k ,vi)
D ( x ,v )
k
j
2
m − 1
……………… (2.5)
dimana:
u ik : Membership function data ke-k ke cluster ke-i
v i : Nilai centroid cluster ke-i
m : Weighting Exponent
C.
Objective Function.
Objective function yang digunakan khususnya untuk Hard K Means
dan Fuzzy K-Means ditentukan berdasarkan pada pendekatan yang digunakan
dalam poin 2.1. dan poin 2.2. Untuk metode Hard
K-Means, objective
function yang digunakan adalah sebagai berikut:
J (U , V ) =
N
c
∑ ∑
k =1
i =1
a ik D ( x k , v i ) 2
…………… (2.6)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
18
dimana:
N : Jumlah data
c : Jumlah cluster
a ik : Keanggotaan data ke-k ke cluster ke-i
v i : Nilai centroid cluster ke-i
a ik mempunyai nilai 0 atau 1. Apabila suatu data merupakan anggota
suatu kelompok maka nilai a ik =1 dan sebaliknya.
Untuk metode Fuzzy K-Means, objective function yang digunakan adalah
sebagai berikut :
J (U , V ) =
N
c
∑ ∑ (u
k =1 i =1
ik
) m .D ( x k , v i ) 2
…………… (2.7)
dimana:
N : Jumlah data
c : Jumlah cluster
m : Weighting exponent
u ik : Membership function data ke-k ke cluster ke-i
v i : Nilai centroid cluster ke-i
Di sini u ik bisa mengambil nilai mulai dari 0 sampai 1.
2.3.2. Per masalahan Terkait Dengan K-Means.
(Agusta, 2007) beberapa permasalahan yang sering muncul pada saat
menggunakan metode K-Means untuk melakukan pengelompokan data adalah:
a.
Ditemukannya beberapa model clustering yang berbeda
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
19
b.
Pemilihan jumlah cluster yang paling tepat
c.
Kegagalan untuk converge
d.
Pendeteksian outliers
e.
Bentuk masing-masing cluster
f.
Masalah overlapping.
Permasalahan pertama umumnya disebabkan oleh perbedaan proses
inisialisasi anggota masing-masing cluster.
Permasalahan kedua merupakan masalah laten dalam metode K-Means.
Beberapa pendekatan telah digunakan dalam menentukan jumlah cluster yang
paling tepat untuk suatu dataset yang dianalisa termasuk di antaranya Partition
Entropy (PE) dan GAP Statistics. Satu hal yang patut diperhatikan mengenai
metode-metode ini adalah pendekatan yang digunakan dalam mengembangkan
metode-metode tersebut tidak sama dengan pendekatan yang digunakan oleh KMeans dalam mempartisi data items ke masing-masing cluster.
Permasalahan
besar akan
terjadi
ketiga,
kegagalan
untukmetode Hard
untuk converge, kemungkinan
K-Means,
karena
setiap
data
di
dalam dataset dialokasikan secara tegas (hard) untuk menjadi bagian dari suatu
cluster tertentu. Perpindahan suatu data ke suatu cluster tertentu dapat mengubah
karakteristik model clustering yang dapat menyebabkan data yang telah
dipindahkan tersebut lebih sesuai untuk berada di cluster semula sebelum data
tersebut dipindahkan.
Permasalahan keempat, beberapa hal yang perlu diperhatikan dalam
melakukan pendeteksian outliers dalam proses pengelompokan data termasuk
bagaimana menentukan apakah suatu data item merupakan outliers dari suatu
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
20
cluster tertentu dan apakah data dalam jumlah kecil yang membentuk suatu cluster
tersendiri dapat dianggap sebagai outliers.
Permasalahan kelima, K-Means umumnya tidak mengindahkan bentuk
dari masing-masing cluster yang mendasari model yang terbentuk, walaupun
secara natural masing-masing cluster umumnya berbentuk bundar. Untuk dataset
yang diperkirakan mempunyai bentuk yang tidak biasa, beberapa pendekatan
perlu untuk diterapkan.
Masalah overlapping sebagai
permasalahan
terakhir
sering
sekali
diabaikan karena umumnya masalah ini sulit terdeteksi. Hal ini terjadi untuk
metode Hard K-Means dan Fuzzy K-Means, karena secara teori, metode ini tidak
diperlengkapi feature untuk mendeteksi apakah di dalam suatu cluster ada cluster
lain yang kemungkinan tersembunyi.
2.4. Teknik Membuat Skala.
(Nasir, 1998), Teknik membuat skala tidak lain dari teknik mengurutkan
sesuatu dalam suatu kontinum. Teknik membuat skala ini penting dalam
penelitian ilmu-ilmu sosial, karena banyak data dalam ilmu-ilmu sosial
mempunyai sifat kualitatif. Sehingga ada pendapat teknik membuat skala adalah
cara mengubah fakta-fakta kualitatif (atribut) menjadi suatu urutan kuantitatif
(variabel).
Dalam membuat skala, item yang diukur biasanya berasal dari sampel.
Dari sampel tersebut ingin dibuat inferensi terhadap populasi. Peneliti harus
mengetahui tentang populasi beserta sifat-sifatnya dan harus yakin bahwa sampel
tersebut dapat mewakili populasi, oleh karena itu, skala yang dibuathanya cocok
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
21
untuk populasi tertentu. Penggunaan skala untuk populasi lain dengan sampel
yang ada harus dipertimbangkan. Karena kecurigaan tentang baik tidaknya sebuah
sampel untuk mewakili populasi, telah banyak mengajak peneliti untuk menilai
validasi dari skala yang dibuat. Di samping validasi, skala juga harus mempunyai
reliabilitas yang cukup tinggi.
Banyak jenis skala yang dikembangkan dalam ilmu-ilmu social, antara
lain :
a.
Skala jarak social (skala Bogardus dan Sosiogram).
b.
Skala penilaian (rating scales).
c.
Skala membuat ranking.
d.
Skala konsistensi internal (skala Thurstone).
e.
Skala likert.
f.
Skala komulatif Guttman.
g.
Semantic differential.
2.4.1. Skala Guttman.
(Nasir, 1998), Skala Guttman dikembangkan oleh Louis Guttman. Skala
ini mempunyai ciri penting, yaitu merupakan skala kumulatif dan mengukur satu
dimensi saja dari satu variabel yang multi dimensi, sehingga skala ini termasuk
mempunyai sifat undimensional.
Skala Guttman yang disebut juga metode scalogram atau analisa skala
(scale analysis) sangat baik untuk menyakinkan peneliti tentang kesatuan dimensi
dari sikap atau sifat yang diteliti, yang sering disebut isi universal (universe of
content) atau atribut universal (universe attribute). Dalam prosedur Guttman,
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
22
suatu atribut universal mempunyaidimensi satu jika menghasilkan suatu skala
kumulatif yang sempurna,yaitu semua responsi diatur sebagai berikut:
Tabel 2.1. Tabel Responsi Skala Guttman.
Skor
4
3
2
1
0
Setuju dengan
3
2
x
x
x
x
x
4
x
1
x
x
x
x
1
x
x
x
x
tidak setuju dengan
2
3
x
x
x
x
x
4
x
Pada pertanyaan yang lebih banyak pola ini tidak ditemukan secara utuh.
Adanya beberapa kelainan dapat dianggap sebagai error yang akan diperhitungkan
dalam analisa nantinya.
Koefisien Reprodusibilitas, yang mengukur derajat ketepatan alat ukur
yang telah dibuat, dihitung dengan menggunakan rumus berikut:
Kr = 1−
e
n
……………….…….… (2.8)
Dimana :
n
= total kemungkinan jawaban, yaitu jumlah pertanyaan x jumlah responden
e
= jumlah error
Kr = Koefisien reprodusibilitas
Kr dianggap baik jika nilai Kr > 0,90, maka skala Guttman dianggap cukup baik
untuk digunakan.
Langkah selanjutnya adalah mencari nilai Ks (Koefisien Skalabilitas)
Koefisien ini dicari dengan rumus :
Ks = 1−
e
p
………………………… (2.9)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
23
Dimana :
e
= Jumlah error
p
= Jumlah kesalahan yang diharapkan
Ks = Koefisien skalabilitas
Untuk menghitung nilai P = 0,5 x m
Dimana :
M
= total kesalahan
Ks dianggap baik jika nilai Ks > 0,6, maka skala Guttman dianggap cukup baik
untuk digunakan.
2.5. Mengenal DBMS.
Sistem manajemen basis data (database management system, DBMS),
atau kadang disingkat SMBD, adalah suatu sistem atau perangkat lunak yang
dirancang untuk mengelola suatu basis data dan menjalankan operasi terhadap
data yang diminta banyak pengguna. Contoh tipikal SMBD adalah akuntansi,
sumber daya manusia, dan sistem pendukung pelanggan, SMBD telah
berkembang menjadi bagian standar di bagian pendukung (back office) suatu
perusahaan. Contoh SMBD adalah Oracle, SQL server 2000/2003, MS Access,
MySQL dan sebagainya.
DBMS merupakan perangkat lunak yang dirancang untuk dapat
melakukan utilisasi dan mengelola koleksi data dalam jumah yang besar. DBMS
juga dirancang untuk dapat melakukan masnipulasi data secara lebih mudah.
Sebelum adanya BMS maka data pada umumnya disimpan dalam bentuk flat file,
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
24
yaitu file teks yang ada pada sistem operasi. Sampai sekarangpun masih ada
aplikasi yang menimpan data dalam bentuk flat secara langsung. Menyimpan data
dalam bentuk flat file mempunyai kelebihan dan kekurangan. Penyimpanan dalam
bentuk ini akan mempunyai manfaat yang optimal jika ukuran filenya relatif kecil,
seperti file password. File password pada umumnya hanya igunakan untuk
menyimpan nama yang jumlahnya tidak lebih dari 1000 orang. Selain dalam
bentuk flat file, penyimpanan data juga dapat dilakukan dengan menggunakan
program bantu seperti spreadsheet. Penggunaan perangkat lunak ini memperbaiki
beberapa kelemahan dari flat file, seperti bertambahnya kecepatan dalam
pengolahan data. Namun demikian metode ini masih memiliki banyak kelemahan,
diantaranya adalah masalah manajemen dan keamanan data yang masih kurang.
Penyimpanan data dalam bentuk DBMS mempunyai banyak manfaat dan
kelebihan dibandingkan dengan penyimpanan dalam bentuk flat file atau
spreadsheet, diantaranya :
a.
Performance yang idapat dengan penyimpanan dalam bentuk DBMS cukup
besar, sangat jauh berbeda dengan performance data yang disimpan dalam
bentuk flat file. Disamping memiliki unjuk kerja yang lebih baik, juga akan
didapatkan efisiensi penggunaan media penyimpanan dan memori
b.
Integritas data lebih terjamin dengan penggunaan DBMS. Masalah
redudansi sering terjadi dalam DBMS. Redudansi adalah kejadian
berulangnya data atau kumpulan data yang sama dalam sebuah database
yang mengakibatkan pemborosan media penyimpanan.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
25
c.
Independensi. Perubahan struktur database dimungkinkan terjadi tanpa
harus mengubah aplikasi yang mengaksesnya sehingga pembuatan
antarmuka ke dalam data akan lebih mudah dengan penggunaan DBMS.
d.
Sentralisasi. Data yang terpusat akan mempermudah pengelolaan database.
kemudahan di dalam melakukan bagi pakai dengan DBMS dan juga
kekonsistenan data yang diakses secara bersama-sama akan lebiih terjamin
dari pada data disimpan dalam bentuk file atau worksheet yang tersebar.
e.
Sekuritas. DBMS memiliki sistem keamanan yang lebih fleksibel daripada
pengamanan pada file sistem operasi. Keamanan dalam DBMS akan
memberikan keluwesan dalam pemberian hak akses kepada pengguna.
2.6. Mengenal MySQL.
Berikut ini akan dijelaskan mengenai beberapa definisi MySQL untuk
memperjelas pengertian tentang software ini :
a.
MySQL adalah sistem pengaturan relational database.
Suatu relational database, menyimpan data dalam bentuk tabel-tabel yang
kemudian akan diletakkannya semua data dalam satu ruang penyimpanan
yang besar.
b.
MySQL adalah Open Source Software (perangkat lunak).
O
SWASTA DENGAN ALGORITMA K-MEANS
(STUDY KASUS SMA SWASTA SE-J OMBANG)
SKRIPSI
Oleh :
ALUX PERMANA
0834010112
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL
“VETERAN” J AWA TIMUR
2012
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
APLIKASI KLASTERISASI KUALITAS SMA
SWASTA DENGAN ALGORITMA K-MEANS
(STUDY KASUS SMA SWASTA SE-J OMBANG)
SKRIPSI
Diajukan Untuk Memenuhi Sebagai Persyaratan
Dalam Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
ALUX PERMANA
0834010112
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL
“VETERAN” J AWA TIMUR
2012
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
TUGAS AKHIR
APLIKASI KLASTERISASI KUALITAS SMA SWASTA DENGAN
ALGORITMA K-MEANS
(STUDY KASUS SMA SWASTA SE-J OMBANG)
Disusun Oleh :
ALUX PERMANA
NPM : 0834010112
Telah diper tahankan dihadapan dan diter ima oleh Tim Penguji Skr ipsi
Progr am Studi Teknik Infor matika, Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional “Veteran” Jawa Timur
Pada tanggal 15 J uni 2012
PEMBIMBING :
TIM PENGUJ I :
1.
1.
Rinci Kembang Hapsar i, S.Si, M.Kom
NPT. 377120801681
2.
Basuki Rahmat, S.Si, M.Kom
NPT. 369070602091
2.
Syur fah Ayu Ithr iah, S.Kom
NPT. 385011002941
Dr . Ir . Ni Ketut Sar i, MT.
NIP. 19650731 199203 2 001
3.
Dian Puspita Hapsar i, S.Kom, M.Kom
NPT. 37805 08 01671
Mengetahui
Dekan Fakultas Teknologi Industri
Univer sitas Pembangunan Nasional “Veteran” Jawa Timur
Ir. Sutiyono, MT
NIP. 196 007 13 198 703 1001
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
LEMBAR PENGESAHAN
APLIKASI KLASTERISASI KUALITAS SMA SWASTA DENGAN
ALGORITMA K-MEANS
(STUDY KASUS SMA SWASTA SE-J OMBANG)
Disusun Oleh :
ALUX PERMANA
NPM : 0834010112
Telah disetujui mengikuti Ujian Negara Lisan
Gelombang VI Tahun Akademik 2011/2012
Menyetujui,
Pembimbing Utama
Pembimbing Pendamping
Rinci Kembang Hapsar i, S.Si, M.Kom
NPT. 377120801681
Syur fah Ayu Ithriah, S.Kom
NPT. 385011002941
Mengetahui,
Kepala Pr ogram Studi Teknik Infor matika
Fakultas Teknologi Industr i
Univer sitas Pembangunan Nasional “Veteran” J awa Timur
Dr . Ir . Ni Ketut Sar i, MT.
NIP. 19650731 199203 2 001
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
YAYASAN KESEJ AHTERAAN PENDIDIKAN DAN PERUMAHAN
UPN “VETERAN” J AWA TIMUR
FAKULTAS TEKNOLOGI INDUSTRI
Jl. Rungkut Madya Gunung Anyar Surabaya 60294 Tlp. (031) 8706369, 8783189
Fax (031) 8706372 Website: www.upnjatim.ac.id
KETERANGAN REVISI
Mahasiswa di bawah ini :
Nama
: ALUX PERMANA
NPM
: 0834010112
Program Studi : Teknik Informatika
Telah mengerjakan revisi skripsi dengan judul :
“ APLIKASI KLASTERISASI KUALITAS SMA SWASTA DENGAN
ALGORITMA
K-MEANS
(STUDY
KASUS
SMA
SWASTA
SE-
J OMBANG)”.
Oleh karenanya mahasiswa tersebut diatas dinyatakan bebas revisi skripsi dan
diijinkan untuk membukukan skripsi dengan judul tersebut.
Surabaya, 18 Juni 2012
Dosen Penguji yang memerintahkan revisi:
1.) Basuki Rahmat, S.Si, M.Kom
{
}
{
}
{
}
NPT. 369070602091
2.) Dr . Ir . Ni Ketut Sar i, MT.
NIP. 19650731 199203 2 001
3.) Dian Puspita Hapsari, S.Kom, M.Kom
NPT. 37805 08 01671
Mengetahui,
Dosen Pembimbing
Dosen Pembimbing Utama
Rinci Kembang Hapsar i, S.Si, M.Kom
NPT. 377120801681
Dosen Pembimbing Pendamping
Syur fah Ayu Ithriah, S.Kom
NPT. 385011002941
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
APLIKASI KLASTERISASI KUALITAS SMA SWASTA DENGAN ALGORITMA KMEANS (STUDY KASUS SMA SWASTA SE-J OMBANG).
DOSEN PEMBIMBING I
: RINCI KEMBANG HAPSARI, S.Si, M.Kom.
DOSEN PEMBIMBING II : SYURFAH AYU ITHRIAH, S. Kom.
PENYUSUN
: ALUX PERMANA
ABSTRAK
Pendidikan merupakan hal yang sangat penting dalam kehidupan
manusia. Oleh sebab itu kita harus lebih memperhatikan kualitas sekolah yang
ada. Terutama sekolah menengah atas swasta, kalau kita tidak pandai pandai
memilih sekolah yang ada tanpa mempertimbangkan dari berbagai aspek tentu
nantinya akan bisa merugikan kita karena selain jumlah sekolah yang banyak,
juga tiap sekolah kini memberi beragam tawaran dan pilihan kepada para calon
siswanya. Mulai dari yang menginginkan harga uang pangkal yang murah, biaya
SPP yang murah, dekat dengan rumah, fasilitas dan sarana pra sarana yang
lengkap.
Aplikasi Klasterisasi Kualitas SMA Swasta Dengan Algoritma K-Means
(Study Kasus SMA Swasta Se-Jombang) diimplementasikan agar dapat
mengklasterisasi sekolah menengah atas swasta berdasarkan kriteria yang telah
ditentukan di Kabupaten Jombang ke dalam web untuk memudahkan pengaksesan
sehingga dapat dijadikan acuan orang tua untuk memilih sekolah menengah atas
swasta yang akan dituju anaknya.
Proses pengimplementasian aplikasi klasterisasi dengan metode k-means
diperlukan beberapa syarat atau kriteria yang akan menjadi acuan dalam
melakukan pengelompokan, dalam tugas akhir ini antara lain menggunakan
kriteria biaya, lokasi, lingkungan, bangunan, jam sekolah, prestasi dan pengajar.
Nilai data dari kriteria diperoleh dari penyebaran kuisioner ke sekolah yang
bersangkutan. Hasil dari aplikasi ini adalah pengelompokan data pada tabel dan
diagram batang.
Kata Kunci: Klasterisasi, K-Means, Kualitas, Kriteria
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
UCAPAN TERIMA KASIH
Puji syukur ke hadirat Allah SWT yang telah memberikan rahmat dan
karunia-Nya, sehingga dapat terselesaikannya Tugas Akhir ini.
Dengan selesainya tugas akhir ini tidak terlepas dari bantuan banyak
pihak yang telah memberikan masukan-masukan.
Untuk itu penyusun
mengucapkan terima kasih sebagai perwujudan rasa syukur atas terselesaikannya
tugas akhir ini dengan lancar. Ucapan terima kasih ini saya tujukan kepada :
1. Bapak Prof. Dr. Ir. Teguh Soedarto, MP selaku Rektor Universitas
Pembangunan Nasional “Veteran” Jawa Timur.
2. Bapak Sutiyono, MT selaku Dekan Fakultas Teknologi Industri UPN
“Veteran” Jawa Timur.
3. Dr. Ir. Ni Ketut Sari, MT. selaku Ketua Jurusan Teknik Informatika UPN
“Veteran” Jawa Timur.
4. Ibu Rinci Kembang Hapsari, S.Si, M.Kom selaku dosen pembimbing I
pada Tugas Akhir ini, yang telah banyak memberikan petunjuk, masukan,
bimbingan, dorongan serta kritik yang bermanfaat sejak awal hingga
terselesainya Tugas Akhir ini.
5. Ibu Syurfah Ayu Ithriah, S.Kom selaku dosen pembimbing II yang telah
banyak memberikan petunjuk, masukan serta kritik yang bermanfaat
hingga terselesainya Skripsi ini.
6. Terimakasih buat Bapak Ibuku tercinta yang telah memberi semangat,
dorongan dan do’a yang tiada henti-hentinya. Terimakasih buat adik ku
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
ii
semua keluargaku yang selalu memberi dukungan kepadaku sehingga
dapat terselesaikannya Tugas Akhir ini.
7. Terimakasih teman seperjuanganku Warrior Community, Mbah Candra
Ady Wahyono, Gory (Adi Wijaya), Muhamad Yusuf Ali, Bintan Ardian,
Arlian Pramadani, Yunus Ronaldo Samana, Yaiyo Hamzah Alif, Dio Dedi
Utama, Anjaya Parlika, Rasuko Vidya P. Ganny Andi P. Yucu (Yusuf
Feriyanto), Agus Dwi Fiantoro, Mas Fahmi, Bayu Deby, Mershakti Rizky
Oktariani, Alfiah Nurul Sartika, Syamsul Arif, Min Umami, Marry dan
buat seseorang yang ada disana, yang telah memberi semangat dan banyak
membantu selama ini dan selalu memberikan semangat…All Izz Well…
suit.. suit .. suit.
8. Serta orang-orang yang tidak dapat saya sebutkan satu persatu namanya.
Terimakasih atas bantuannya semoga Allah SWT yang membalas semua
kebaikan dan bantuan tersebut
Surabaya, 05 Juni 2012
Penulis
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
iii
KATA PENGANTAR
Syukur Alhamdulillaahi rabbil ‘alamin terucap ke hadirat Allah SWT atas
segala limpahan Rahmat-Nya sehingga dengan segala keterbatasan waktu, tenaga,
pikiran dan keberuntungan yang dimiliki, akhirnya penulis dapat menyelesaikan
Tugas Akhir yang berjudul “Aplikasi Klasterisasi Kualitas SMA Swasta
Dengan Algoritma K-Means (Study Kasus SMA Se-Kabupaten J ombang)”
tepat waktu.
Tugas Akhir ini disusun guna diajukan sebagai salah satu syarat untuk
menyelesaikan program Strata Satu (S1) pada jurusan Teknik Informatika,
Fakultas Teknologi Industri, UPN ”VETERAN” Jawa Timur.
Dalam penyusunan Tugas akhir ini, Penulis berusaha untuk menerapkan
ilmu yang telah didapat selama menjalani perkuliahan dengan tidak terlepas dari
petunjuk, bimbingan, bantuan, dan dukungan berbagai pihak.
Dengan tidak lupa akan kodratnya sebagai manusia, Penulis menyadari
bahwa dalam karya tugas akhir ini masih mengandung kekurangan sehingga
dengan segala kerendahan hati, Penulis masih akan tetap terus mengharapkan
saran serta kritik yang membangun dari rekan-rekan pembaca.
Surabaya, 4 Juni 2012
Penulis
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
i
DAFTAR ISI
ABSTRAK
KATA PENGANTAR ...........................................................................
i
UCAPAN TERIMA KASIH ..................................................................
ii
DAFTAR ISI ..........................................................................................
iv
DAFTAR GAMBAR ..............................................................................
viii
DAFTAR TABEL ...................................................................................
xi
DAFTAR LAMPIRAN ..........................................................................
xiii
BAB I. PENDAHULUAN ......................................................................
1
1.1. Latar Belakang .........................................................................
1
1.2. Rumusan Masalah ....................................................................
2
1.3. Batasan Masalah ......................................................................
2
1.4. Tujuan ....................................................................................
3
1.5. Manfaat ..................................................................................
3
1.6. Metodelogi Tugas Akhir ...........................................................
3
1.7. Sistematika Penulisan...............................................................
5
BAB II. TUJ UAN PUSTAKA ................................................................
7
2.1. Sistem Pendukung Keputusan ..................................................
7
2.1.1. Konsep Dasar Sistem Pendukung Keputusan ................
7
2.1.2. Karakteristis Sistem Pendukung Keputusan ....................
9
2.1.2. Komponen Sistem Pendukung Keputusan ......................
10
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
iv
2.2. Teknik Klasterisasi ...................................................................
10
2.2.1. Karakteristik Klasterisasi ................................................
11
2.3. K-Means ..................................................................................
12
2.3.1. Penerapan K-Means .......................................................
14
2.3.2. Permasalahan Terkait Dengan K-Means .........................
18
2.4. Teknik Membuat Skala .............................................................
20
2.4.1. Skala Guttman ................................................................
21
2.5. Mengenal DBMS .....................................................................
23
2.6. Mengenal MySql......................................................................
25
2.6.1. Keistimewaan MySql .....................................................
26
2.6.2. Koneksi Database Mysql Dengan PHP ............................
27
BAB III. ANALISIS DAN PERANCANGAN SISTEM .......................
29
3.1. Pengumpulan Data Dan Analisa Data .......................................
29
3.1.1. Pengumpulan Data .......................................................
29
3.1.2. Analisa Data ...................................................................
29
3.2. Analisa Sistem .........................................................................
43
3.3. Desain Alur Proses Klasterisasi ................................................
44
3.3.1. Admin ............................................................................
44
3.3.2. User (Pemakai Informasi) ...............................................
45
3.3.3. Proses Klasterisasi ..........................................................
46
3.4. Perancangan Sistem .................................................................
48
3.4.1. Diagram Berjenjang .......................................................
48
3.4.2. Data Flow Diagram (DFD) .............................................
49
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
v
3.4.3. Cenceptual Data Model (CDM) ......................................
54
3.4.4. Physical Data Model (PDM)...........................................
55
3.5. Struktur Database (DBMS) ......................................................
57
3.6. Desain Antarmuka ....................................................................
65
3.6.1. Desain Antar Muka Admin .............................................
65
3.6.2. Desain Antarmuka Pengunjung.......................................
69
BAB IV. IMPLEMENTASI SISTEM ....................................................
73
4.1. Kebutuhan Sistem ....................................................................
73
4.2. Implementasi Sistem ...............................................................
74
4.3. Tampilan Pengguna (User Interface) ........................................
74
4.3.1. Halaman Utama (Home) ...............................................
75
4.3.2. Halaman Berita .............................................................
76
4.3.3. Halaman Daftar Sekolah ...............................................
76
4.3.4. Halaman Klasterisasi ....................................................
77
4.4. Tampilan Pengguna (Admin Interface) ....................................
79
4.4.1. Halaman Login Admin ..................................................
79
4.4.2. Halaman Utama Admin .................................................
79
BAB V. UJ I COBA DAN PEMBAHASAN............................................
86
5.1. Uji Coba .................................................................................
86
5.1.1. Uji Coba Manual ........................................................
86
5.1.2. Uji Coba Sistem .........................................................
92
A. Uji Coba Admin Interface ......................................
93
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
vi
B. Uji Coba User Interface ..........................................
98
C. Uji Coba Proses Klasterisasi ...................................
102
BAB VI. KESIMPULAN DAN SARAN................................................
104
6.1. Kesimpulan ............................................................................
104
6.2. Saran........................................................................................
105
DAFTAR PUSTAKA .............................................................................
106
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
vii
BAB I
PENDAHULUAN
1.1.
Latar Belakang.
Dalam era globalisasi sekarang ini memilih sekolah yang tepat tidaklah
mudah. Terutama SMA swasta, kalau kita tidak pandai pandai memilih sekolah
yang ada tanpa mempertimbangkan dari berbagai aspek tentu nantinya akan bisa
merugikan kita karena selain jumlah sekolah yang banyak, juga tiap sekolah kini
memberi beragam tawaran dan pilihan kepada para calon siswanya. Mulai dari
yang menginginkan harga uang pangkal yang murah, biaya SPP yang murah,
dekat dengan rumah, fasilitas dan sarana prasarana yang lengkap, prestasi yang
pernah dicapai sekolah, jumlah jam belajar perhari, status akreditasi sekolah,
kegiatan ekstra kurikuler yang beragam sampai sekolah yang memberikan porsi
pendidikan agama lebih banyak guna membentuk moral siswanya, tenaga
pengajar. Melihat fenomena seperti ini tentu saja menyulitkan para orang tua dan
siswa untuk memilih sekolah yang diinginkan. Apalagi bagi mereka yang tidak
memiliki banyak waktu untuk men-survei semua sekolah yang ada. Dari
permasalahan di atas, Peneliti mencoba
membangun aplikasi yang dapat
membantu memberikan rekomendasi pilihan SMA swasta yang berkualitas bagi
para orang tua dan siswa berdasarkan kriteria-kriteria yang telah ditentukan.
Untuk itu peneliti menggunakan Algoritma K-Means yang digunakan untuk
mengolah data-data kuisioner dari sekolah yang nantinya akan menghasilkan
output berupa kelompok data-data sekolah rekomendasi untuk orang tua dan
siswa.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
1
2
1.2.
Rumusan Masalah.
Berdasarkan latar belakang yang telah diuraikan sebelumnya, terdapat
beberapa permasalahan yang akan diangkat dalam tugas akhir ini, antara lain :
a.
Bagaimana cara merancang aplikasi yang dapat mengklasterisasi kualitas
SMA swasta berdasarkan kriteria yang sudah ada di Kabupaten Jombang.
b.
Bagaimana mengklasterisasi SMA swasta yang berkualitas di Kabupaten
Jombang dengan Algoritma K-Means ke dalam web sehingga dapat dijadikan
acuan untuk memilih SMA swasta yang berdasarkan kriteria yang ada.
1.3.
Batasan Masalah.
Dalam perancangan dan pembuatan Aplikasi Klasterisasi Kualitas SMA
Swasta (Studi Kasus SMA Swasta Se-Kabupaten Jombang) ini mencakup banyak
hal. Agar permasalahan tidak meluas maka perlu adanya batasan masalah yang
akan dibahas yaitu sebagai berikut :
a.
Aplikasi ini bersifat fasilitator antara masyarakat khususnya orang tua yang
ingin memilih SMA yang berdasarkan kriteria yang ada untuk anaknya yang
akan melanjutkan ke jenjang SMA swasta dengan Depdiknas Kabupaten
Jombang.
b.
Aplikasi Klasterisasi Kualitas SMA Swasta (Studi Kasus SMA Swasta di
Kabupaten Jombang) menggunakan algoritma K-Means dan menggunakan
php.
c.
Aplikasi yang dibuat hanya menampilkan informasi klasterisasi ruang
lingkup kualitas SMA swasta di Kabupaten Jombang.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3
d.
Aplikasi Klasterisasi Kualitas SMA Swasta (Studi Kasus SMA Swasta di
Kabupaten Jombang) menggunakan empat pilihan jumlah klaster bagi user
yaitu pilihan tiga, empat, lima dan enam..
1.4.
Tujuan.
Tujuan yang ingin dicapai pada pengerjaan tugas akhir ini adalah
merancang dan membangun aplikasi klasterisasi kualitas SMA swasta yang dapat
digunakan untuk membantu orang tua dalam menentukan SMA swasta yang
berdasarkan kriteria yang telah ada, bagi anak-anaknya dengan menggunakan
Algoritma K-Means.
1.5.
Manfaat.
Manfaat yang ingin dicapai pada pengerjaan tugas akhir ini adalah dapat
menjadi salah satu referensi sumber ilmu bagi mahasiswa yang ingin menambah
pengetahuannya dalam bidang pengembangan sistem pendukung keputusan.
Membantu dalam merekomendasi orang tua siswa untuk memilih SMA swasta
yang berdasarkan kriteria yang ada bagi anak-anaknya di Kabupaten Jombang.
1.6 Metodelogi Tugas akhir
Dalam pembuatan Tugas Akhir ini, metode yang digunakan adalah
sebagai berikut:
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4
a.
Survei
b.
Dilakukan dengan mengumpulkan segala macam informasi secara riset
kepustakaan dan melakukan wawancara terhadap Dinas Pendidikan Jombang
serta SMA swasta terkait
c.
Studi Literatur
Dilakukan dengan cara mencari segala macam informasi secara riset
keperpustakaan dan mempelajari buku-buku yang berhubungan dengan
masalah yang dihadapi.
d.
Analisis
Pada tahap ini dilakukan identifikasi dan evaluasi permasalahan yang terjadi,
serta mencari solusi dari permasalahan tersebut. Setelah tahap analisa selesai
dilakukan, dibuat perancangan desain sistem secara keseluruhan.
e.
Perancangan Sistem
Menjelaskan tahap-tahap yang dilakukan mulai dari identifikasi permasalahan
sampai menghasilkan desain input ataupun output dari sistem yang akan
dibuat.
e.
Pembuatan Program
Pada tahap ini dilikukan implementasi terhadap sistem berdasarkan hasil dari
perancangan sistem yang sesuai dengan kebutuhan.
f.
Uji Coba Program
Uji coba program dapat dilakukan pada akhir dari tahap-tahap analisa sistem,
desain sistem dan tahap penerapan sistem atau implementasi sistem. Sasaran
uji coba program adalah untuk menemukan kesalahan-kesalahan dari program
yang mungkin terjadi sehingga dapat diperbaiki.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
5
g.
Penyusunan Laporan
Dalam bagian akhir tugas akhir ini adalah dibuatnya laporan dari awal sampai
akhir pengerjaan dengan tujuan agar lebih mudah dipelajari oleh orang lain
sistem yang telah kita buat.
1.7.
Sistematika Penulisan.
Dalam laporan tugas akhir ini, pembahasan disajikan dalam enam bab
dengan sistematika pembahasan sebagai berikut :
BAB I
PENDAHULUAN
Bab ini berisikan tentang latar belakang, perumusan masalah,
batasan masalah, tujuan, dan manfaat, metodelogi serta sistematika
penulisan dalam pembuatan tugas akhir ini.
BAB II
TINJ AUAN PUSTAKA
Pada bab ini menjelaskan tentang teori-teori pemecahan masalah
yang berhubungan dan digunakan untuk mendukung dalam
pembuatan tugas akhir ini.
BAB III
ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini membahas tentang perancangan sistem, diagram alir,
database, serta perancangan antar muka.
BAB IV
IMPLEMENTASI SISTEM
Pada bab ini dijelaskan tentang implementasi dari program yang
telah dibuat meliputi lingkungan implementasi, implementasi
proses, dan implementasi interface.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
6
BAB V
UJ I COBA DAN PEMBAHASAN
Pada bab ini menjelaskan tentang pelaksanaan uji coba dan
pembahasan dari pelaksanaan uji coba dari program yang dibuat
agar bisa diketahui sistem tersebut terdapat troble atau tidak.
BAB VI
KESIMPULAN DAN SARAN
Pada bab ini dibahas mengenai uraian kesimpulan tentang sistem
yang telah dibuat beserta saran yang dapat digunakan untuk
penyempurnaan dan pengembangan sistem.
DAFTAR PUSTAKA
Pada bagian ini akan dipaparkan tentang sumber-sumber literatur
yang digunakan dalam pembutan laporan ini.
LAMPIRAN
Pada bagian ini berisi tentang keseluruhan konfigurasi pada
pembuatan sistem.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB II
TINJ AUAN PUSTAKA
2.1. Sistem Pendukung Keputusan.
Sistem Pendukung Keputusan (SPK) adalah sistem berbasis komputer
interaktif, yang membantu para pengambil keputusan untuk menggunakan data
dan berbagai model untuk
memecahkan masalah-masalah tidak terstruktur
(Turban dkk, 2005). Sistem pendukung keputusan
memadukan sumber daya
intelektual dari individu dengan kapabilitas komputer untuk meningkatkan
kualitas keputusan. SPK adalah sistem pendukung berbasis komputer bagi para
pengambil keputusan manajemen yang menangani masalah-masalah tidak
terstruktur (Turban dkk, 2005), (Keen dkk, 1978).
2.1.1. Konsep Dasar Sistem Pendukung Keputusan
Sistem Pendukung Keputusan (SPK) mulai dikembangkan pada tahun
1960-an, tetapi istilah sistem pendukung keputusan itu sendiri baru muncul pada
tahun 1971, yang diciptakan oleh G. Anthony Gorry dan Micheal S.Scott Morton,
keduanya adalah profesor di MIT. Hal itu mereka lakukan dengan tujuan untuk
menciptakan kerangka kerja guna mengarahkan aplikasi komputer kepada
pengambilan keputusan manajemen.
Sementara itu, perintis sistem pendukung keputusan yang lain dari MIT,
yaitu Peter G.W. Keen yang bekerja sama dengan Scott Morton telah
mendefenisikan tiga tujuan yang harus dicapai oleh sistem pendukung keputusan,
yaitu:
7
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
8
a.
Sistem harus dapat membantu manajer dalam membuat keputusan guna
memecahkan masalah semi terstruktur.
b.
Sistem harus dapat mendukung manajer,bukan mencoba menggantikannya.
c.
Sistem harus dapat meningkatkan efektivitas pengambilan keputusan
manajer.
Tujuan-tujuan tersebut mengacu pada tiga prinsip dasar sistem
pendukung keputusan (Suryadi dan Ramdhani, 1998), yaitu:
a.
Struktur masalah : untuk masalah yang terstruktur, penyelesaian dapat
dilakukan dengan menggunakan rumus-rumus yang sesuai, sedangkan untuk
masalah terstruktur tidak dapat dikomputerisasi. Sementara itu, sistem
pendukung keputusan dikembangkan khususnya untuk menyelesaikan
masalah yang semi-terstruktur.
b.
Dukungan keputusan : sistem pendukung keputusan tidak dimaksudkan
untuk menggantikan manajer, karena komputer berada di bagian terstruktur,
sementara manajer berada dibagian tak terstruktur untuk memberikan
penilaian dan melakukan analisis. Manajer dan komputer bekerja sama
sebagai sebuah tim pemecah masalah semi terstruktur.
c.
Efektivitas keputusan : tujuan utama dari sistem pendukung keputusan
bukanlah mempersingkat waktu pengambilan keputusan, tetapi agar
keputusan yang dihasilakn dapat lebih baik.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
9
2.1.2. Karakteristik Sistem Pendukung Keputusan.
Keputusan Sistem pendukung keputusan dirancang secara khusus untuk
mendukung seseorang yang harus mengambil keputusan-keputusan tertentu. Ada
beberapa karakteristik sistem pendukung keputusan (Oetomo, 2002), yaitu:
a.
Interaktif.
SPK memiliki user interface yang komunikatif sehingga pemakai dapat
melakukan akses secara cepat ke data dan memperoleh informasi yang
dibutuhkan.
b.
Fleksibel.
SPK memiliki sebanyak mungkin variabel masukkan, kemampuan untuk
mengolah dan memberikan keluaran yang menyajikan alternatif-alternatif
keputusan kepada pemakai.
c.
Data kualitas.
SPK memiliki kemampuan menerima data kualitas yang dikuantitaskan
yang sifatnya subyektif dari pemakainya, sebagai data masukkan untuk
pengolahan data. Misalnya: penilaian terhadap kecantikan yang bersifat
kualitas, dapat dikuantitaskan dengan pemberian bobot nilai seperti 75 atau
90.
d.
Prosedur Pakar.
SPK mengandung suatu prosedur yang dirancang berdasarkan rumusan
formal atau juga beberapa prosedur kepakaran seseorang atau kelompok
dalam menyelesaikan suatu bidang masalah dengan fenomena tertentu.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
10
2.1.3. Komponen Sistem Pendukung Keputusan.
Komponen Sistem Pendukung Keputusan (Surbakti, 2002), komponenkomponen dari SPK adalah sebagai berikut:
a.
Data Management.
Termasuk database, yang mengandung data yang relevan untuk berbagai
situasi dan diatur oleh software yang disebut Database Management System
(DBMS).
b.
Model Management.
Melibatkan model finansial, statistikal, management science, atau berbagai
model kualitatif lainnya, sehingga dapat memberikan ke sistem suatu
kemampuan analitis, dan manajemen software yang dibutuhkan.
c.
Communication.
User dapat berkomunikasi dan memberikan perintah pada DSS melalui
subsistem ini. Ini berarti menyediakan antarmuka.
d.
Knowledge Management.
Subsistem optional ini dapat mendukung subsistem lain atau bertindak atau
bertindak sebagai komponen yang berdiri sendiri.
2.2. Teknik Klaster isasi.
(Santosa, 2007), Teknik klaster termasuk teknik yang sudah cukup
dikenal dan banyak dipakai dalam data mining. Tujuan utama dari metode
klasterisasi adalah mengelompokan sejumlah data/obyek ke dalam klaster (group)
sehingga dalam setiap klaster akan berisi data yang semirip mungkin. Dalam
klasterisasi kita berusaha untuk menempatkan obyek yang mirip (jarak dekat)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
11
dalam satu klaster dan membuat jarak antar klaster sejauh mungkin. Ini berarti
obyek dalam satu klaster sangat mirip satu sama lain dan berbeda dengan obyek
dalam klaster-klaster yang lain.
Klasterisasi adalah salah satu teknik unsupervised learning dimana kita
tidak perlu melatih metode tersebut atau dengan kata lain, tidak ada fase learning.
Masuk dalam pendekatan unsupervised learning adalah metode-metode yang
tidak membutuhkan label atau pun keluaran dari setiap data yang kita investigasi.
Sebaliknya supervised learning adalah metode yang memerlukan training
(melatih) dan testing (menguji).
Ada dua pendekatan dalam klasterisasi antara lain partisioning dan
hirarki. Dalam partisioning kita mengelompokkan obyek x1, x2, …,xn ke dalam k
klaster. Hal ini bisa dilakukan dengan menentukan pusat klaster awal, lalu
dilakukan realokasi obyek berdasarkan criteria tertentu sampai dicapai
pengelompokkan yang optimum. Dalam klaster hirarki, dimulai dengan membuat
m klaster dimana setiap klaster beranggotakan satu obyek dan berakhir dengan
satu klaster dimana anggotanya adalah m obyek. Pada setiap tahap dalam
prosedurnya, satu klaster digabung dengan satu klaster yang lain.
2.2.1. Karakteristik klaster isasi.
(M. Helmy dan Hariadi, 2011), Karakteristik klasterisasi dibagi menjadi
4, yaitu :
a.
Partitioning clustering.
Partitioning clustering disebut juga exclusive clustering, dimana setiap data
harus
termasuk
ke
cluster
tertentu.
Karakteristik
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
tipe
ini
juga
12
memungkinkan bagi setiap data yang termasuk cluster tertentu pada suatu
tahapan proses, pada tahapan berikutnya berpindah ke cluster yang lain.
Contoh : K-Means, residual analysis.
b.
Hierarchical clustering.
Pada hierarchical clustering, Setiap data harus termasuk ke cluster tertentu.
Dan suatu data yang termasuk ke cluster tertentu pada suatu tahapan proses,
tidak dapat berpindah ke cluster lain pada tahapan berikutnya. Contoh:
Single Linkage, Centroid Linkage, Complete Linkage, Average Linkage.
c.
Overlapping clustering.
Dalam overlapping clustering, setiap data memungkinkan termasuk ke
beberapa cluster. Data mempunyai nilai keanggotaan (membership) pada
beberapa cluster. Contoh: Fuzzy C-means, Gaussian Mixture.
d.
Hybrid.
Karakteristik hybrid adalah mengawinkan karakteristik dari partitioning,
overlapping dan hierarchical.
2.3. K-Means.
K-Means termasuk partitioning clustering yang memisahkan data ke k
daerah bagian yang terpisah. K-means algorithm sangat terkenal karena
kemudahan dan kemampuannya untuk mengklaster data besar dan data outlier
dengan sangat cepat. Sesuai dengan karakteristik partitioning clustering, Setiap
data harus termasuk ke cluster tertentu, dan memungkinkan bagi setiap data yang
termasuk cluster tertentu pada suatu tahapan proses, pada tahapan berikutnya
berpindah ke cluster yang lain (M. Helmy dan Hariadi, 2011).
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
13
Dalam teknik ini jika ingin mengelompokkan obyek ke dalam k
kelompok atau klaster. Untuk melakukan klasterisasi, nilai k harus ditentukan
terlebih dahulu. Biasanya user sudah mempunyai informasi awal tentang obyek
yang sedang dipelajari termasuk beberapa jumlah klaster yang paling tepat. Secara
detail bisa menggunakan ukuran ketidakmiripan untuk mengelompokkan obyek
yang ada.ketidakmiripan bisa diterjemahkan dalam konsep jarak. Jika jarak dua
obyek atau data titik cukup dekat, maka dua obyek mirip. Semakin dekat berarti
semakin tinggi kemiripannya. Semakin tinggi nilai jarak, semakin tinggi ketidak
miripannya (Santosa, 2007).
Algoritma K-Means (M. Helmy dan Hariadi, 2011):
a.
Menentukan k sebagai jumlah cluster yang ingin dibentuk
b.
Membangkitkan k centroid (titik pusat cluster) awal secara random
c.
Menghitung jarak setiap data ke masing-masing centroid
d.
Setiap data memilih centroid yang terdekat
e.
Menentukan posisi centroid baru dengan cara menghitung nilai rata-rata dari
data data yang memilih pada centroid yang sama.
Gambar 2.2 Ilustrasi Algoritma K-means
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
14
Karakteristik K-Means (M. Helmy dan Hariadi, 2011):
a.
K-means sangat cepat dalam proses clustering
b.
K-means sangat sensitif pada pembangkitan centroids awal secara random
c.
Memungkinkan suatu cluster tidak mempunyai anggota
d.
Hasil clustering dengan K-means bersifat tidak unik (selalu berubah-ubah)terkadang baik, terkadang jelek.
e.
K-means sangat sulit untuk mencapai global optimum.
Gambar 2.3 Ilustrasi kelemahan K-means
2.3.1. Pener apan K-Means.
(Agusta, 2007), Beberapa alternatif penerapan K-Means dengan beberapa
pengembangan teori teori penghitungan terkait telah diusulkan. Hal ini termasuk
pemilihan:
a.
Distance space untuk menghitung jarak di antara suatu data dan centroid
b.
Metode pengalokasian data kembali ke dalam setiap cluster
c.
Objective function yang digunakan.
A.
Distance Space Untuk Menghitung J arak Antara Data dan Centroid.
Beberapa distance space telah diimplementasikan dalam menghitung
jarak (distance) antara data dan centroid termasuk di antaranya L1
(Manhattan/City Block) distance space, L2 (Euclidean) distance space, dan Lp
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
15
(Minkowski) distance space. Jarak antara dua titik x1 dan x2 pada Manhattan/City
Block distance space dihitung dengan menggunakan rumus sebagai berikut :
D L1 ( x 2 , x1 ) = x 2 − x1
1
=
p
∑
j =1
x 2 j − x1 j
…………… (2.1)
dimana :
p : Dimensi data
| . | : Nilai absolute
Sedangkan untuk L2 (Euclidean) distance space, jarak antara dua titik
dihitung menggunakan rumus sebagai berikut :
d ( x, y) =
p
∑ (x
j
− y j )2
...........................(2.2)
j =1
Dengan d adalah jarak antara titik pada data x dan titik data y, dimana x = x1 , x2
,...xi dan y = y1 , y 2 ,... yi dan j merepresentasikan nilai atribut serta p merupakan dimensi
atribut.
Lp (Minkowski) distance space yang merupakan generalisasi dari
beberapa distance space yang ada seperti L1 (Manhattan/City Block) dan L2
(Euclidean), juga telah diimplementasikan. Tetapi secara umum distance space
yang sering digunakan adalah Manhattan dan Euclidean.
Menghitung nilai centroid
N
v
ij
=
∑
i
X
k =1
N
kj
………………..……… (2.3)
i
dimana:
i,k : indeks dari cluster
j : indeks dari variabel
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
16
v_ij : centroid/rata-rata cluster ke-i untuk variabel ke-j
x_kj : nilai data ke-k yang ada di dalam cluster tersebut untuk variabel ke-j
N_i : Jumlah data yang menjadi anggota cluster ke-i
B.
Metode Pengalokasian Ulang Data ke Dalam Masing-Masing Cluster.
Ada dua cara pengalokasian data kembali ke dalam masing-masing
cluster pada saat proses iterasi clustering (Agusta, 2007), yaitu :
B.1. Hard K-Means
Pengalokasian kembali data ke dalam masing-masing cluster dalam
metode Hard K-Means didasarkan pada perbandingan jarak antara data
dengan centroid setiap cluster yang ada. Data dialokasikan ulang secara tegas ke
cluster yang mempunyai centroid terdekat dengan data tersebut. Pengalokasian ini
dapat dirumuskan sebagai berikut:
a
ik
=
1 d
0
=
{D ( x
min
lainnya
k ,
v
i
)}
…………….. (2.4)
dimana:
aik: Keanggotaan data ke-k ke cluster ke-i
vi : Nilai centroid cluster ke-i
B.2. Fuzzy K-Means.
Metode Fuzzy K-Means (atau lebih sering disebut sebagai Fuzzy CMeans) mengalokasikan kembali data ke dalam masing-masing cluster dengan
memanfaatkan teori Fuzzy. Teori ini mengeneralisasikan metode pengalokasian
yang bersifat tegas (hard) seperti yang digunakan pada metode Hard K-Means.
Dalam metode Fuzzy K-Means dipergunakan variabel membership function, uik ,
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
17
yang merujuk pada seberapa besar kemungkinan suatu data bisa menjadi anggota
ke dalam suatu cluster. Pada Fuzzy K-Means, diperkenalkan juga suatu variabel m
yang merupakan weighting exponent dari membership function. Variabel ini dapat
mengubah besaran pengaruh dari membership function, uik, dalam proses
clustering
metode Fuzzy
menggunakan
K-Means. m mempunyai
wilayah
nilai m>1. Sampai sekarang ini tidak ada ketentuan yang jelas berapa besar
nilai m yang optimal dalam melakukan proses optimasi suatu permasalahan
Nilai m yang
clustering.
umumnya
digunakan
adalah
2. Membership
function untuk suatu data ke suatu cluster tertentu dihitung menggunakan rumus
sebagai berikut :
u
ik
=
c
∑
j = 1
D ( x k ,vi)
D ( x ,v )
k
j
2
m − 1
……………… (2.5)
dimana:
u ik : Membership function data ke-k ke cluster ke-i
v i : Nilai centroid cluster ke-i
m : Weighting Exponent
C.
Objective Function.
Objective function yang digunakan khususnya untuk Hard K Means
dan Fuzzy K-Means ditentukan berdasarkan pada pendekatan yang digunakan
dalam poin 2.1. dan poin 2.2. Untuk metode Hard
K-Means, objective
function yang digunakan adalah sebagai berikut:
J (U , V ) =
N
c
∑ ∑
k =1
i =1
a ik D ( x k , v i ) 2
…………… (2.6)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
18
dimana:
N : Jumlah data
c : Jumlah cluster
a ik : Keanggotaan data ke-k ke cluster ke-i
v i : Nilai centroid cluster ke-i
a ik mempunyai nilai 0 atau 1. Apabila suatu data merupakan anggota
suatu kelompok maka nilai a ik =1 dan sebaliknya.
Untuk metode Fuzzy K-Means, objective function yang digunakan adalah
sebagai berikut :
J (U , V ) =
N
c
∑ ∑ (u
k =1 i =1
ik
) m .D ( x k , v i ) 2
…………… (2.7)
dimana:
N : Jumlah data
c : Jumlah cluster
m : Weighting exponent
u ik : Membership function data ke-k ke cluster ke-i
v i : Nilai centroid cluster ke-i
Di sini u ik bisa mengambil nilai mulai dari 0 sampai 1.
2.3.2. Per masalahan Terkait Dengan K-Means.
(Agusta, 2007) beberapa permasalahan yang sering muncul pada saat
menggunakan metode K-Means untuk melakukan pengelompokan data adalah:
a.
Ditemukannya beberapa model clustering yang berbeda
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
19
b.
Pemilihan jumlah cluster yang paling tepat
c.
Kegagalan untuk converge
d.
Pendeteksian outliers
e.
Bentuk masing-masing cluster
f.
Masalah overlapping.
Permasalahan pertama umumnya disebabkan oleh perbedaan proses
inisialisasi anggota masing-masing cluster.
Permasalahan kedua merupakan masalah laten dalam metode K-Means.
Beberapa pendekatan telah digunakan dalam menentukan jumlah cluster yang
paling tepat untuk suatu dataset yang dianalisa termasuk di antaranya Partition
Entropy (PE) dan GAP Statistics. Satu hal yang patut diperhatikan mengenai
metode-metode ini adalah pendekatan yang digunakan dalam mengembangkan
metode-metode tersebut tidak sama dengan pendekatan yang digunakan oleh KMeans dalam mempartisi data items ke masing-masing cluster.
Permasalahan
besar akan
terjadi
ketiga,
kegagalan
untukmetode Hard
untuk converge, kemungkinan
K-Means,
karena
setiap
data
di
dalam dataset dialokasikan secara tegas (hard) untuk menjadi bagian dari suatu
cluster tertentu. Perpindahan suatu data ke suatu cluster tertentu dapat mengubah
karakteristik model clustering yang dapat menyebabkan data yang telah
dipindahkan tersebut lebih sesuai untuk berada di cluster semula sebelum data
tersebut dipindahkan.
Permasalahan keempat, beberapa hal yang perlu diperhatikan dalam
melakukan pendeteksian outliers dalam proses pengelompokan data termasuk
bagaimana menentukan apakah suatu data item merupakan outliers dari suatu
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
20
cluster tertentu dan apakah data dalam jumlah kecil yang membentuk suatu cluster
tersendiri dapat dianggap sebagai outliers.
Permasalahan kelima, K-Means umumnya tidak mengindahkan bentuk
dari masing-masing cluster yang mendasari model yang terbentuk, walaupun
secara natural masing-masing cluster umumnya berbentuk bundar. Untuk dataset
yang diperkirakan mempunyai bentuk yang tidak biasa, beberapa pendekatan
perlu untuk diterapkan.
Masalah overlapping sebagai
permasalahan
terakhir
sering
sekali
diabaikan karena umumnya masalah ini sulit terdeteksi. Hal ini terjadi untuk
metode Hard K-Means dan Fuzzy K-Means, karena secara teori, metode ini tidak
diperlengkapi feature untuk mendeteksi apakah di dalam suatu cluster ada cluster
lain yang kemungkinan tersembunyi.
2.4. Teknik Membuat Skala.
(Nasir, 1998), Teknik membuat skala tidak lain dari teknik mengurutkan
sesuatu dalam suatu kontinum. Teknik membuat skala ini penting dalam
penelitian ilmu-ilmu sosial, karena banyak data dalam ilmu-ilmu sosial
mempunyai sifat kualitatif. Sehingga ada pendapat teknik membuat skala adalah
cara mengubah fakta-fakta kualitatif (atribut) menjadi suatu urutan kuantitatif
(variabel).
Dalam membuat skala, item yang diukur biasanya berasal dari sampel.
Dari sampel tersebut ingin dibuat inferensi terhadap populasi. Peneliti harus
mengetahui tentang populasi beserta sifat-sifatnya dan harus yakin bahwa sampel
tersebut dapat mewakili populasi, oleh karena itu, skala yang dibuathanya cocok
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
21
untuk populasi tertentu. Penggunaan skala untuk populasi lain dengan sampel
yang ada harus dipertimbangkan. Karena kecurigaan tentang baik tidaknya sebuah
sampel untuk mewakili populasi, telah banyak mengajak peneliti untuk menilai
validasi dari skala yang dibuat. Di samping validasi, skala juga harus mempunyai
reliabilitas yang cukup tinggi.
Banyak jenis skala yang dikembangkan dalam ilmu-ilmu social, antara
lain :
a.
Skala jarak social (skala Bogardus dan Sosiogram).
b.
Skala penilaian (rating scales).
c.
Skala membuat ranking.
d.
Skala konsistensi internal (skala Thurstone).
e.
Skala likert.
f.
Skala komulatif Guttman.
g.
Semantic differential.
2.4.1. Skala Guttman.
(Nasir, 1998), Skala Guttman dikembangkan oleh Louis Guttman. Skala
ini mempunyai ciri penting, yaitu merupakan skala kumulatif dan mengukur satu
dimensi saja dari satu variabel yang multi dimensi, sehingga skala ini termasuk
mempunyai sifat undimensional.
Skala Guttman yang disebut juga metode scalogram atau analisa skala
(scale analysis) sangat baik untuk menyakinkan peneliti tentang kesatuan dimensi
dari sikap atau sifat yang diteliti, yang sering disebut isi universal (universe of
content) atau atribut universal (universe attribute). Dalam prosedur Guttman,
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
22
suatu atribut universal mempunyaidimensi satu jika menghasilkan suatu skala
kumulatif yang sempurna,yaitu semua responsi diatur sebagai berikut:
Tabel 2.1. Tabel Responsi Skala Guttman.
Skor
4
3
2
1
0
Setuju dengan
3
2
x
x
x
x
x
4
x
1
x
x
x
x
1
x
x
x
x
tidak setuju dengan
2
3
x
x
x
x
x
4
x
Pada pertanyaan yang lebih banyak pola ini tidak ditemukan secara utuh.
Adanya beberapa kelainan dapat dianggap sebagai error yang akan diperhitungkan
dalam analisa nantinya.
Koefisien Reprodusibilitas, yang mengukur derajat ketepatan alat ukur
yang telah dibuat, dihitung dengan menggunakan rumus berikut:
Kr = 1−
e
n
……………….…….… (2.8)
Dimana :
n
= total kemungkinan jawaban, yaitu jumlah pertanyaan x jumlah responden
e
= jumlah error
Kr = Koefisien reprodusibilitas
Kr dianggap baik jika nilai Kr > 0,90, maka skala Guttman dianggap cukup baik
untuk digunakan.
Langkah selanjutnya adalah mencari nilai Ks (Koefisien Skalabilitas)
Koefisien ini dicari dengan rumus :
Ks = 1−
e
p
………………………… (2.9)
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
23
Dimana :
e
= Jumlah error
p
= Jumlah kesalahan yang diharapkan
Ks = Koefisien skalabilitas
Untuk menghitung nilai P = 0,5 x m
Dimana :
M
= total kesalahan
Ks dianggap baik jika nilai Ks > 0,6, maka skala Guttman dianggap cukup baik
untuk digunakan.
2.5. Mengenal DBMS.
Sistem manajemen basis data (database management system, DBMS),
atau kadang disingkat SMBD, adalah suatu sistem atau perangkat lunak yang
dirancang untuk mengelola suatu basis data dan menjalankan operasi terhadap
data yang diminta banyak pengguna. Contoh tipikal SMBD adalah akuntansi,
sumber daya manusia, dan sistem pendukung pelanggan, SMBD telah
berkembang menjadi bagian standar di bagian pendukung (back office) suatu
perusahaan. Contoh SMBD adalah Oracle, SQL server 2000/2003, MS Access,
MySQL dan sebagainya.
DBMS merupakan perangkat lunak yang dirancang untuk dapat
melakukan utilisasi dan mengelola koleksi data dalam jumah yang besar. DBMS
juga dirancang untuk dapat melakukan masnipulasi data secara lebih mudah.
Sebelum adanya BMS maka data pada umumnya disimpan dalam bentuk flat file,
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
24
yaitu file teks yang ada pada sistem operasi. Sampai sekarangpun masih ada
aplikasi yang menimpan data dalam bentuk flat secara langsung. Menyimpan data
dalam bentuk flat file mempunyai kelebihan dan kekurangan. Penyimpanan dalam
bentuk ini akan mempunyai manfaat yang optimal jika ukuran filenya relatif kecil,
seperti file password. File password pada umumnya hanya igunakan untuk
menyimpan nama yang jumlahnya tidak lebih dari 1000 orang. Selain dalam
bentuk flat file, penyimpanan data juga dapat dilakukan dengan menggunakan
program bantu seperti spreadsheet. Penggunaan perangkat lunak ini memperbaiki
beberapa kelemahan dari flat file, seperti bertambahnya kecepatan dalam
pengolahan data. Namun demikian metode ini masih memiliki banyak kelemahan,
diantaranya adalah masalah manajemen dan keamanan data yang masih kurang.
Penyimpanan data dalam bentuk DBMS mempunyai banyak manfaat dan
kelebihan dibandingkan dengan penyimpanan dalam bentuk flat file atau
spreadsheet, diantaranya :
a.
Performance yang idapat dengan penyimpanan dalam bentuk DBMS cukup
besar, sangat jauh berbeda dengan performance data yang disimpan dalam
bentuk flat file. Disamping memiliki unjuk kerja yang lebih baik, juga akan
didapatkan efisiensi penggunaan media penyimpanan dan memori
b.
Integritas data lebih terjamin dengan penggunaan DBMS. Masalah
redudansi sering terjadi dalam DBMS. Redudansi adalah kejadian
berulangnya data atau kumpulan data yang sama dalam sebuah database
yang mengakibatkan pemborosan media penyimpanan.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
25
c.
Independensi. Perubahan struktur database dimungkinkan terjadi tanpa
harus mengubah aplikasi yang mengaksesnya sehingga pembuatan
antarmuka ke dalam data akan lebih mudah dengan penggunaan DBMS.
d.
Sentralisasi. Data yang terpusat akan mempermudah pengelolaan database.
kemudahan di dalam melakukan bagi pakai dengan DBMS dan juga
kekonsistenan data yang diakses secara bersama-sama akan lebiih terjamin
dari pada data disimpan dalam bentuk file atau worksheet yang tersebar.
e.
Sekuritas. DBMS memiliki sistem keamanan yang lebih fleksibel daripada
pengamanan pada file sistem operasi. Keamanan dalam DBMS akan
memberikan keluwesan dalam pemberian hak akses kepada pengguna.
2.6. Mengenal MySQL.
Berikut ini akan dijelaskan mengenai beberapa definisi MySQL untuk
memperjelas pengertian tentang software ini :
a.
MySQL adalah sistem pengaturan relational database.
Suatu relational database, menyimpan data dalam bentuk tabel-tabel yang
kemudian akan diletakkannya semua data dalam satu ruang penyimpanan
yang besar.
b.
MySQL adalah Open Source Software (perangkat lunak).
O