pengelompokan data evaluasi pembelajaran …repository.usd.ac.id/35505/2/155314026_full.pdf · data...

i

PENGELOMPOKAN DATA EVALUASI PEMBELAJARAN

MENGGUNAKAN ALGORITMA K-MEANS++ CLUSTERING

SKRIPSI

Diajukan untuk memenuhi salah satu syarat

memperoleh gelar Sarjana Komputer

Program Studi Teknik Informatika

oleh :

Christian Carolus Bagas Pradana 155314026

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

CLUSTERING OF LEARNING EVALUATION DATA USING

K-MEANS++ CLUSTERING ALGORITHM

FINAL PROJECT

Presented as Partial Fulfillment of The Requirements

to Obtain The Sarjana Komputer Degree

in Informatics Engineering Study Program

by :

Christian Carolus Bagas Pradana 155314026

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


v

HALAMAN PERSEMBAHAN

“ Success seems to be connected with action.

Successfull men keep moving.

They make mistakes, but they don’t quit”

- Conrad Hilton -

Karya ini penulis persembahkan kepada :

Tuhan

Keluarga

Almamater


vii

ABSTRAK

Dalam instansi pendidikan, penilaian terhadap kinerja dosen penting untuk

dilakukan. Salah satu aspek yang dapat digunakan sebagai acuan dalam penilaian

kinerja dosen adalah penilaian dalam hal pengajaran (proses belajar - mengajar).

Data nilai pada proses evaluasi pembelajaran dapat diolah lebih lanjut untuk

mengelompokkan atau memetakan hasil evaluasi pembelajaran tersebut.

Dalam tugas akhir ini, penulis menerapkan algoritma K-Means++ clustering

dengan menggunakan bahasa pemrograman Java untuk menge-lompokkan data

evaluasi pembelajaran. Untuk menentukan jumlah cluster yang akan dibentuk,

diterapkan metode elbow. Sedangkan untuk mengukur kualitas dari setiap cluster

yang terbentuk, diterapkan metode silhouette coefficient.

Berdasarkan penelitian, didapatkan hasil bahwa Sistem Pengelompokan

Hasil Evaluasi Pembelajaran berhasil dibangun dengan menerapkan algoritma K-

Means++. Grafik elbow dapat memvisualisasikan nilai Sum of Square Error

(SSE) sebagai cara untuk menentukan nilai k terbaik dalam proses clustering. Dari

pengujian yang dilakukan sebanyak 24 kali, menggunakan 4 dataset dengan

variasi 6 bidang penilaian, 13 pengujian menghasilkan nilai k = 3, 10 pengujian

menghasilkan nilai k = 4, dan 1 pengujian menghasilkan nilai k = 5 sebagai

jumlah cluster terbaik. Pada proses pengukuran kualitas cluster, 13 pengujian

memiliki kualitas clustering yang baik, karena rata – rata menghasilkan cluster

yang memiliki struktur baik dengan Global Silhouette Coefficient > 0,50.

Kata Kunci : K-Means++ Clustering, Evaluasi Pembelajaran, Metode Elbow,

Silhouette Coefficient


viii

ABSTRACT

In educational institutions, an assessment of the performance of lecturers is

important to do. One aspect that can be used as a reference in lecturer

performance assessment is an assessment in terms of teaching (teaching and

learning process). The data in the learning evaluation process can be further

processed to cluster the results of the learning evaluation.

In this final project, the author applied the K-Means++ clustering

algorithm using the Java programming language to cluster learning evaluation

data. To determine the number of clusters to be formed, an elbow method was

applied. Whereas to measure the quality of each cluster, the silhouette coefficient

method was applied.

Based on the research, it was found that the Learning Evaluation Results

Clustering System was successfully built by applying the K-Means++ algorithm.

Elbow graphs can visualize Sum of Square Error (SSE) values as a way to

determine the best k value in the clustering process. From the tests carried out 24

times, using 4 datasets with 6 variations of assessment aspects, 13 tests resulted in

a value of k = 3, 10 tests produced a value of k = 4, and 1 test produced the value

of k = 5 as the best number of clusters. In the process of measuring cluster

quality, 13 tests have good clustering quality, because on average they have

clusters with good structures with Global Silhouette Coefficient > 0.50.

Keywords : K-Means++ Clustering, Learning Evaluation, Elbow Method,,

Silhouette Coefficient


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala

berkat yang telah diberikan, sehingga penulis dapat menyelesaikan tugas akhir

yang berjudul “PENGELOMPOKAN DATA EVALUASI PEMBELAJARAN

MENGGUNAKAN ALGORITMA K-MEANS++ CLUSTERING”. Tugas

akhir ini ditulis sebagai salah satu syarat memperoleh gelar Sarjana Komputer,

program studi Teknik Informatika, Fakultas Sains dan Teknologi, Universitas

Sanata Dharma.

Selama proses penulisan tugas akhir ini, penulis menyadari adanya

keterlibatan dari pihak lain. Oleh karena itu, penulis mengucapkan terima kasih

kepada :

1. Tuhan Yang Maha Esa.

2. Keluarga yang selalu memberikan dukungan dan doa.

3. Bapak Sudi Mungkasi, S.Si, M.Math.Sc.,Ph.D. selaku Dekan Fakultas Sains

dan Teknologi Universitas Sanata Dharma.

4. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik

Informatika Universitas Sanata Dharma.

5. Bapak Robertus Adi Nugroho, S.T., M.Eng. selaku dosen pembimbing

akademik.

6. Ibu P.H. Prima Rosa, S.Si.,M.Sc. selaku dosen pembimbing tugas akhir.

7. Seluruh dosen dan staff program studi Teknik Informatika Universitas Sanata

Dharma.

8. Rekan – rekan mahasiswa Teknik Informatika Universitas Sanata Dharma

angkatan 2015.

9. Seluruh pihak lainnya yang telah membantu penulisan tugas akhir yang tidak

dapat disebutkan satu per satu.

Pada proses penulisan tugas akhir ini, penulis menyadari masih memiliki banyak

kesalahan atau pun kekurangan. Oleh karena itu, penulis mengharapkan saran dan


xii

DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i

TITLE PAGE ........................................................................................................... ii

HALAMAN PERSETUJUAN ............................................................................... iii

HALAMAN PENGESAHAN ................................................................................ iv

HALAMAN PERSEMBAHAN .............................................................................. v

PERNYATAAN KEASLIAN KARYA ................................................................ vi

ABSTRAK ............................................................................................................ vii

ABSTRACT ......................................................................................................... viii

PERSETUJUAN PUBLIKASI KARYA ILMIAH ................................................ ix

KATA PENGANTAR ............................................................................................. x

DAFTAR ISI ......................................................................................................... xii

DAFTAR TABEL ................................................................................................ xvi

DAFTAR GAMBAR ......................................................................................... xviii

BAB I PENDAHULUAN ........................................................................................ 1

1.1 Latar Belakang .............................................................................................. 1

1.2 Rumusan Masalah ......................................................................................... 3

1.3 Tujuan Penelitian ........................................................................................... 3

1.4 Manfaat Penelitian ......................................................................................... 3

1.5 Batasan Masalah ............................................................................................ 4

1.6 Sistematika Penulisan .................................................................................... 4

BAB II TINJAUAN PUSTAKA .............................................................................. 6

2.1 Penambangan Data ........................................................................................ 6

2.1.1 Pengertian .............................................................................................. 6

2.1.2 Fungsi .................................................................................................... 6

2.1.3 Knowledge Discovery in Database ........................................................ 8

2.2 Evaluasi Pembelajaran Mahasiswa ............................................................... 9


xiii

2.3 Clustering .................................................................................................... 11

2.3.1 Pengertian dan Konsep ........................................................................ 11

2.3.2 Algoritma K-Means ............................................................................. 12

2.3.3 Algoritma K-Means++ ........................................................................ 14

2.3.4 Silhouette Coefficient ........................................................................... 15

2.3.5 Metode Elbow ...................................................................................... 18

BAB III METODOLOGI PENELITIAN............................................................... 20

3.1 Data ............................................................................................................. 20

3.2 Tahap Penelitian .......................................................................................... 20

3.2.1 Studi Kasus .......................................................................................... 20

3.2.2 Studi Pustaka ....................................................................................... 21

3.2.3 Knowledge Discovery in Database ...................................................... 21

3.2.4 Analisis Hasil Clustering dan Pembahasan ......................................... 22

3.3 Spesifikasi Alat ............................................................................................ 22

3.3.1 Perangkat Keras ................................................................................... 22

3.3.2 Perangkat Lunak .................................................................................. 22

BAB IV PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT

LUNAK .................................................................................................................. 24

4.1 Pemrosesan Awal ........................................................................................ 24

4.1.1 Pembersihan Data ................................................................................ 24

4.1.2 Integrasi Data ....................................................................................... 24

4.1.3 Seleksi Data ......................................................................................... 24

4.1.4 Transformasi Data ............................................................................... 28

4.2 Perancangan Perangkat Lunak .................................................................... 28

4.2.1 Perancangan Umum ............................................................................. 28

4.2.1.1 Input Sistem ................................................................................. 28

4.2.1.2 Proses Sistem ............................................................................... 28

4.2.1.3 Output Sistem............................................................................... 29


xiv

4.2.2 Use Case Sistem .................................................................................. 30

4.2.2.1 Diagram Use Case ....................................................................... 30

4.2.2.2 Gambaran Umum Use Case......................................................... 30

4.2.2.3 Narasi Use Case ........................................................................... 31

4.2.3 Diagram Aktivitas ................................................................................ 31

4.2.4 Diagram Kelas Analisis ....................................................................... 31

4.2.5 Diagram Kelas Desain ......................................................................... 32

4.2.6 Diagram Sekuen................................................................................... 32

4.2.7 Perancangan Struktur Data .................................................................. 32

4.2.8 Algoritma Setiap Method ..................................................................... 33

4.2.9 Perancangan Antarmuka ...................................................................... 33

BAB V IMPLEMENTASI SISTEM DAN EVALUASI HASIL .......................... 36

5.1 Implementasi Sistem ................................................................................... 36

5.1.1 Implementasi Kelas View .................................................................... 36

5.1.1.1 Tampilan Splash Screen ............................................................... 36

5.1.1.2 Halaman Beranda ......................................................................... 37

5.1.1.3 Halaman Clustering ..................................................................... 37

5.1.1.4 Halaman Grafik Elbow ................................................................ 38

5.1.1.5 Halaman Hasil Clustering ............................................................ 39

5.1.1.6 Halaman Bantuan ......................................................................... 39

5.1.2 Implementasi Kelas Control ................................................................ 40

5.2 Evaluasi Hasil .............................................................................................. 41

5.2.1 Pengujian Perangkat Lunak ................................................................. 41

5.2.1.1 Rencana Pengujian Perangkat Lunak ........................................... 41

5.2.1.2 Prosedur Pengujian Perangkat Lunak .......................................... 42

5.2.1.3 Evaluasi Pengujian Perangkat Lunak ........................................... 42

5.2.2 Pengujian Hasil Hitung Manual dan Hasil Perangkat Lunak .............. 42

5.2.2.1 Penghitungan Manual .................................................................. 43


xv

5.2.2.2 Penghitungan Perangkat Lunak ................................................... 43

5.2.2.3 Evaluasi Pengujian Hasil Hitung Manual dan Hasil Perangkat

Lunak............................................................................................ 44

5.2.3 Pengujian Perangkat Lunak Menggunakan Dataset ............................ 44

5.2.3.1 Analisis Hasil Pengujian Perangkat Lunak berdasarkan Metode

Elbow ........................................................................................... 44

5.2.3.2 Analisis Hasil Cluster .................................................................. 60

5.3 Kelebihan dan Kekurangan Perangkat Lunak ............................................. 70

5.3.1 Kelebihan Perangkat Lunak ................................................................. 70

5.3.2 Kekurangan Perangkat Lunak.............................................................. 70

BAB VI PENUTUP ............................................................................................... 71

6.1 Kesimpulan .................................................................................................. 71

6.2 Saran ............................................................................................................ 71

DAFTAR PUSTAKA ............................................................................................ 72

LAMPIRAN ........................................................................................................... 73


xvi

DAFTAR TABEL

Tabel 2.1 Aspek Penilaian Evaluasi Pembelajaran ................................................ 10

Tabel 2.2 Rincian Pernyataan Aspek Penilaian Evaluasi Pembelajaran ................ 10

Tabel 2.3 Kriteria Penilaian Clustering Berdasarkan Silhouette Coefficient ......... 18

Tabel 4.1 Atribut Awal Data Evaluasi Pembelajaran ............................................ 25

Tabel 4.2 Atribut Terpilih Data Evaluasi Pembelajaran ........................................ 26

Tabel 4.3 Gambaran Umum Use Case ................................................................... 30

Tabel 5.1 Implemtasi Kelas View........................................................................... 36

Tabel 5.2 Implementasi Kelas Control .................................................................. 40

Tabel 5.3 Rencana Pengujian Perangkat Lunak ..................................................... 41

Tabel 5.4 Dataset Pengujian ................................................................................... 42

Tabel 5.5 Nilai SSE Data Evaluasi Pembelajaran Semester Gasal Tahun 2016 .... 44

Tabel 5.6 Nilai SSE Data Evaluasi Pembelajaran Semester Genap Tahun 2016 ... 48

Tabel 5.7 Nilai SSE Data Evaluasi Pembelajaran Semester Gasal Tahun 2017 .... 52

Tabel 5.8 Nilai SSE Data Evaluasi Pembelajaran Semester Genap Tahun 2017 ... 56

Tabel 5.9 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal

Tahun 2016 – Bidang Keseluruhan ........................................................................ 61


Tahun 2016 – Pengelolaan Matakuliah .................................................................. 61


Tahun 2016 – Pelibataktifan Mahasiswa ............................................................... 61


Tahun 2016 – Interaksi Dosen-Mahasiswa ............................................................ 62


Tahun 2016 – Isi dan Evaluasi Pembelajaran ........................................................ 62


Tahun 2016 – Integrasi dalam Kehidupan ............................................................. 62

Tabel 5.15 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap



xvii




































xviii

DAFTAR GAMBAR

Gambar 2.1 Knowledge Discovery In Database ...................................................... 8

Gambar 4.1 Contoh Data Evaluasi Pembelajaran .................................................. 27

Gambar 4.2 Diagram Konteks................................................................................ 28

Gambar 4.3 Flowchart Proses Sistem .................................................................... 29

Gambar 4.4 Diagram Use Case Sistem .................................................................. 30

Gambar 4.5 Diagram Kelas Analisis ...................................................................... 31

Gambar 4.6 Perancangan Tampilan Splash Screen................................................ 33

Gambar 4.7 Perancangan Halaman Beranda .......................................................... 33

Gambar 4.8 Perancangan Halaman Clustering ...................................................... 34

Gambar 4.9 Perancangan Halaman Grafik Elbow ................................................. 34

Gambar 4.10 Perancangan Halaman Hasil Clustering ........................................... 35

Gambar 4.11 Perancangan Halaman Bantuan ........................................................ 35

Gambar 5.1 Implementasi Tampilan Splash Screen .............................................. 36

Gambar 5.2 Implementasi Halaman Beranda ........................................................ 37

Gambar 5.3 Implementasi Halaman Clustering ..................................................... 38

Gambar 5.4 Implementasi Halaman Grafik Elbow ................................................ 38

Gambar 5.5 Implementasi Halaman Hasil Clustering ........................................... 39

Gambar 5.6 Implementasi Halaman Bantuan (Penggunaan Sistem) ..................... 40

Gambar 5.7 Implementasi Halaman Bantuan (Evaluasi Pembelajaran) ................ 40

Gambar 5.8 Hasil Penghitungan Perangkat Lunak ................................................ 43

Gambar 5.9 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2016

Bidang Keseluruhan ............................................................................................... 45

Gambar 5.10 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2016 –

Pengelolaan Matakuliah ......................................................................................... 46


Pelibataktifan Mahasiswa....................................................................................... 46


xix


Interaksi Dosen-Mahasiswa ................................................................................... 47


Isi dan Evaluasi Pembelajaran ............................................................................... 47


Integrasi dalam Kehidupan .................................................................................... 48

Gambar 5.15 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2016 –





























xx










1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Dalam suatu perusahaan atau instansi, kinerja para karyawan menjadi

salah satu perhatian penting. Oleh karena itu, proses atau kegiatan penilaian

terhadap kinerja karyawan menjadi hal yang umum dilakukan saat ini.

Penilaian kinerja digunakan oleh pimpinan atau pihak yang berwenang di

suatu instansi untuk menentukan kualitas kinerja karyawan, menentukan

apakah seorang karyawan melakukan pekerjaannya sesuai dengan tugas dan

tanggung jawabnya. Penilaian kinerja ini banyak diterapkan di berbagai

jenis atau bidang instansi, termasuk instansi pendidikan, seperti perguruan

tinggi.

Di lingkup perguruan tinggi, kegiatan penilaian kinerja dapat

diterapkan untuk menilai kinerja dosen, staff / karyawan, dan juga

mahasiswa. Dalam kaitannya terhadap objek penilaian yang ada di instansi

pendidikan, penilaian terhadap kinerja dosen penting untuk dilakukan. Salah

satu aspek yang dapat digunakan sebagai acuan dalam penilaian kinerja

dosen adalah penilaian dalam hal pengajaran (proses belajar - mengajar).

Dalam melakukan penilaian tersebut, mahasiswa memberikan nilai untuk

setiap matakuliah yang diampu oleh dosen tertentu berdasarkan kriteria atau

pernyataan – pernyataan yang sudah ditetapkan. Untuk dapat lebih

membantu proses penilaian tersebut, perlu adanya pengelolaan dan

pengolahan data yang baik. Pengolahan data yang dimaksud adalah data –

data yang dimiliki (hasil penilaian) dapat diproses dengan teknik atau cara

tertentu, agar pada akhirnya data – data tersebut memberikan suatu

informasi atau pengetahuan baru. Pihak perguruan tinggi perlu mengetahui

hasil evaluasi dari proses pembelajaran, dari hasil evaluasi tersebut akan

diketahui kualifikasi keberhasilan dosen dalam proses pembelajaran.


2

Dengan data yang cukup banyak, perlu dibuat kelompok – kelompok

yang merupakan kualifikasi dari hasil evaluasi pembelajaran untuk

memetakan hasil penilaian kinerja dosen dalam kegiatan belajar mengajar.

Untuk mengelompokkan data – data yang dimaksud, diperlukan sebuah

teknik tertentu untuk membantu atau mempermudah dalam menemukan

suatu informasi atau pun pengetahuan baru. Dalam hal ini, ilmu

penambangan data (data mining) dapat diterapkan. Dalam penambangan

data, untuk mengelompokkan data ke dalam beberapa kelompok tertentu,

digunakan teknik atau metode clustering. Teknik atau metode clustering

bekerja dengan membagi atau mengelompokkan data – data berdasarkan

kesamaan karakteristik suatu data dengan data lainnya. Dalam teknik

clustering, ada beberapa algoritma yang dapat diterapkan, salah satu

algoritma yang cukup familiar adalah algoritma K-Means.

Pada penelitian yang dilakukan oleh Nurzahputra, dkk (2017) yang

menggunakan algoritma K-Means untuk clustering penilaian dosen

berdasarkan Indeks Kepuasan Mahasiswa (IKM), dari hasil penelitian

tersebut didapatkan kesimpulan bahwa perlu adanya peningkatan akurasi

clustering dari algoritma K-Means. Algoritma K-Means memiliki beberapa

variasi pengembangan, salah satu hasil dari pengembangan tersebut adalah

algoritma K-Means++. Pada penelitian lainnya yang dilakukan oleh

Sukarhat, dkk (2011), menurut peneliti, algoritma K-Means++ digunakan

untuk mengatasi permasalahan dalam kecepatan dan akurasi pada algoritma

K-Means. Untuk mengatasi masalah tersebut algoritma K-Means++

menerapkan penyebaran centroid (pusat cluster). Oleh karena itu, pada

penelitian ini penulis akan menerapkan algoritma K-Means++ untuk

mengelompokkan data hasil evaluasi pembelajaran dan diharapkan pada

penelitian ini dapat memetakan hasil evaluasi pembelajaran tersebut dengan

baik.


3

1.2 Rumusan Masalah

Rumusan masalah pada penelitian ini adalah sebagai berikut :

1. Bagaimana menerapkan teknik clustering dengan algoritma K-Means++

dalam pengelompokan dosen berdasarkan data evaluasi pembelajaran ?

2. Bagaimana menentukan jumlah cluster terbaik dalam proses clustering

menggunakan metode Elbow ?

3. Bagaimana mengevaluasi cluster – cluster yang terbentuk dari proses

clustering menggunakan metode Silhouette Coefficient ?

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah sebagai berikut :

1. Menerapkan teknik clustering dalam pengelompokan data evaluasi

pembelajaran menggunakan algoritma K-Means++.

2. Menentukan jumlah cluster terbaik dalam proses clustering

menggunakan metode Elbow.

3. Mengevaluasi cluster – cluster yang terbentuk dari proses clustering

menggunakan metode Silhouette Coefficient.

1.4 Manfaat Penelitian

Manfaat penelitian ini adalah sebagai berikut :

1. Membantu pihak terkait (perguruan tinggi / instansi pendidikan) dalam

memberikan informasi mengenai kelompok – kelompok dosen yang

terbentuk berdasarkan hasil evaluasi pembelajaran, sehingga membantu

dalam pengambilan kebijakan berkaitan dengan proses evaluasi

pembelajaran.

2. Memberikan informasi tentang proses clustering dengan menerapkan

algoritma K-Means++.

3. Memberikan referensi bagi penelitian yang berkaitan dengan

pengelompokan / clustering suatu data.


4

1.5 Batasan Masalah

Batasan yang diterapkan pada penelitian ini adalah sebagai berikut :

1. Data yang digunakan adalah data hasil evaluasi pembelajaran untuk

dosen Fakultas Sains dan Teknologi, Universitas Sanata Dharma tahun

2016 – 2017, dengan tingkat pengisian oleh responden (mahasiswa) yang

bernilai lebih besar atau sama dengan 50 % dari total peserta suatu mata

kuliah.

1.6 Sistematika Penulisan

1. BAB I : PENDAHULUAN

Bab ini berisi latar belakang, rumusan masalah, tujuan penelitian,

manfaat penelitian, batasan masalah, dan sistematika penulisan.

2. BAB II : TINJAUAN PUSTAKA

Bab ini menjelaskan teori – teori yang mendukung atau berkaitan dengan

judul penelitian.

3. BAB III : METODOLOGI PENELITIAN

Bab ini berisi sumber data, tahap penelitian, dan kebutuhan perangkat

keras dan lunak yang berkaitan dengan proses penelitian.

4. BAB IV : PEMROSESAN AWAL DAN PERANCANGAN

PERANGKAT LUNAK

Bab ini berisi proses pemrosesan awal data dan perancangan perangkat

lunak penambangan data. Pemrosesan awal terdiri atas pembersihan data,

integrasi data, seleksi data, dan transformasi data. Pada bagian

perancangan perangkat lunak terdiri atas diagram use case, diagram

aktivitas, diagram sekuen, diagram kelas analisis, diagram kelas desain,

algoritma per method, struktur data, dan perancangan antar muka.


5

5. BAB V : IMPLEMENTASI SISTEM DAN EVALUASI HASIL

Bab ini berisi tentang proses implementasi sistem, dan analisis dari hasil

luaran sistem.

6. BAB VI : PENUTUP

Bab ini berisi kesimpulan dari hasil penelitian dan saran bagi penelitian

selanjutnya.


6

BAB II

TINJAUAN PUSTAKA

2.1 Penambangan Data

2.1.1 Pengertian

Penambangan data (data mining) adalah suatu istilah yang

digunakan untuk menguraikan penemuan pengetahuan di dalam basis

data. Data mining adalah proses yang menggunakan teknik statistik,

matematika, kecerdasan buatan, dan machine learning untuk

mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan

pengetahuan yang terkait dari berbagai basis data besar (Turban, dkk.

2005).

2.1.2 Fungsi

Menurut Larose (2005), data mining memiliki tujuh fungsi utama,

yaitu :

1. Deskripsi

Deskripsi bertujuan untuk mengidentifikasi pola yang muncul secara

berulang pada suatu data dan mengubah pola tersebut menjadi aturan

dan kriteria yang dapat mudah dimengerti. Aturan yang dihasilkan

harus mudah dimengerti agar dapat dengan efektif meningkatkan

tingkat pengetahuan pada sistem.

2. Prediksi

Prediksi memiliki kemiripan dengan klasifikasi, akan tetapi data

diklasifikasikan berdasarkan perilaku atau nilai yang diperkirakan

pada masa yang akan datang.


7

3. Estimasi

Estimasi memiliki fungsi yang hampir sama dengan prediksi, kecuali

variabel target estimasi lebih ke arah numerik dari pada ke arah

kategori. Model dibangun menggunakan record lengkap yang

menyediakan nilai dari variabel target sebagai nilai prediksi.

Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel

target dibuat berdasarkan nilai variabel prediksi.

4. Klasifikasi

Klasifikasi merupakan proses menemukan sebuah model atau fungsi

yang mendeskripsikan dan membedakan data ke dalam kelas-kelas.

Klasifikasi melibatkan proses pemeriksaan karakteristik dari objek

dan memasukkan objek ke dalam salah satu kelas yang sudah

didefinisikan sebelumnya.

5. Clustering

Clustering merupakan pengelompokan data tanpa berdasarkan kelas

data tertentu ke dalam kelas objek yang sama. Sebuah cluster adalah

kumpulan record yang memiliki kemiripan suatu dengan yang lainnya

dan memiliki ketidakmiripan dengan record dalam cluster lain.

Tujuannya adalah untuk menghasilkan pengelompokan objek yang

mirip satu sama lain dalam kelompok-kelompok. Semakin besar

kemiripan objek dalam suatu cluster dan semakin besar perbedaan tiap

cluster maka kualitas analisis cluster semakin baik.

6. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang

muncul dalam suatu waktu. Asosiasi berusaha untuk mengungkap

aturan untuk mengukur hubungan antara dua atau lebih atribut.


8

7. Outlier

Outlier adalah objek data yang menyimpang secara signifikan dari

sekumpulan objek, seolah-olah dihasilkan dari mekanisme yang

berbeda. Dapat digambarkan bahwa objek data yang bukan outlier

sebagai "normal" atau data yang diharapkan.

2.1.3 Knowledge Discovery in Database

Istilah data mining dan knowledge discovery in databases (KDD)

sering kali digunakan secara bergantian untuk menjelaskan proses

penggalian informasi tersembunyi dalam suatu database yang besar.

Kedua istilah tersebut memiliki konsep yang berbeda. Menurut Han, dkk

(2006) proses knowledge discovery in databases (KDD) terdiri atas 7

tahapan yang dilakukan secara terurut, yaitu:

Gambar 2.1. Knowledge Discovery in Database

( Sumber : Han, dkk (2006) )

1. Data cleaning (pembersihan data)

Proses ini digunakan untuk menghilangkan noise dan data yang tidak

konsisten.


9

2. Data integration (integrasi data)

Pada proses ini dimungkinkan adanya penggabungan beberapa sumber

data.

3. Data selection (seleksi data)

Data yang relevan / sesuai dengan tugas analisis diambil dari

database.

4. Data transformation (transformasi data)

Data diubah ke dalam bentuk yang sesuai untuk proses penambangan

dengan melakukan operasi agregasi (ringkasan).

5. Data mining (penambangan data)

Proses penting di mana metode cerdas diterapkan untuk mengekstrak

pola data.

6. Pattern evaluation (evaluasi pola)

Proses ini mengidentifikasi pola yang benar-benar menarik yang

mewakili pengetahuan berdasarkan ukuran tertentu.

7. Knowledge presentation (presentasi pengetahuan)

Proses untuk menyajikan atau memaparkan pengetahuan dari hasil

data yang ditambang kepada pengguna.

2.2 Evaluasi Pembelajaran Mahasiswa

Evaluasi pembelajaran mahasiswa merupakan suatu penilaian yang

dilakukan oleh mahasiswa terhadap kinerja seorang dosen dalam proses

pengajaran. Hasil evaluasi ini sangat bermanfaat bagi pengembangan

pembelajaran dan keperluan akreditasi program studi. Proses penilaian atau

evaluasi dilakukan dengan mempertimbangkan beberapa pernyataan atau

kriteria yang ditetapkan, dan setiap pernyataan atau kriteria akan diberi nilai


10

dengan skala 1 - 7. Terdapat enam aspek penilaian pada evaluasi proses

pembelajaran, seperti pada tabel 2.1.

Tabel 2.1 Aspek Penilaian Evaluasi Pembelajaran

No Aspek Penilaian Nomor Pernyataan

1 Bidang keseluruhan 1-2

2 Pengelolaan matakuliah 3-7

3 Pelibataktifan mahasiswa 8-10

4 Interaksi dosen-mahasiswa 11-13

5 Isi dan evaluasi pembelajaran 14-17

6 Integrasi dalam kehidupan 18-20

Adapun rincian pernyataan dari tiap - tiap aspek penilaian yang ditetapkan,

tertera pada tabel 2.2.

Tabel 2.2 Rincian Pernyataan Aspek Penilaian Evaluasi Pembelajaran

No Pernyataan

1 Kualitas isi

2 Kualitas pengajaran dosen

3 Kejelasan tujuan pembelajaran yang hendak dicapai melalui mata

kuliah ini (matakuliah terkait)

4 Kejelasan penjadwalan dalam perkuliahan dan ujian yang akan

dilaksanakan

5 Konsistensi antara rencana pembelajaran dengan pelaksanaan pem-

belajarannya

6 Kemampuan dosen dalam merespons perkembangan aktual dan

mengaitkannya dengan pembelajaran

7 Kejelasan prosedur tes yang dijalankan di matakuliah ini (mata

kuliah terkait)

8 Kemampuan dosen menciptakan dinamika belajar yang mendorong

daya kritis, kreatif, dan eksploratif


11

9 Kemampuan dosen dalam mendengarkan, mengakui, dan meng-

hargai pendapat para mahasiswanya

10 Kemampuan dosen dalam menciptakan pengalaman belajar kola-

boratif di kelas

11 Tingkat ketersediaan waktu untuk berkonsultasi dengan dosen pada

jam-jam kantor

12 Kepedulian dan / atau perhatian dosen terhadap kesulitan dan

tantangan belajar yang saya alami

13 Kemampuan dosen dalam menghargai keberagaman dan keunikan

masing-masing individu di kelas

14 Kemampuan dosen dalam menggugah gairah dan semangat

eksploratif dalam belajar di matakuliah ini

15 Dimanfaatkannya sumber-sumber belajar mutakhir yang relevan

dengan tujuan pembelajaran matakuliah ini (matakuliah terkait)

16 Kejelasan cakupan materi yang akan diujikan

17 Tersedianya umpan balik pembelajaran yang bermakna dan men-

dorong motivasi belajar

18 Dimanfaatkannya berbagai cerita dan/atau ilustrasi relevan untuk

membangun kebermaknaan belajar

19 Terbangunnya sikap dan kepedulian untuk berbagi, saling mem-

bantu, dan berbela rasa

20 Terciptanya kesempatan untuk melakukan aksi nyata untuk berbagi,

saling membantu, dan berbela rasa

2.3 Clustering

2.3.1 Pengertian dan Konsep

Menurut Han, dkk (2006), clustering adalah proses

pengelompokan kumpulan data menjadi beberapa kelompok sehingga

objek di dalam satu kelompok memiliki banyak kesamaan dan memiliki

banyak perbedaan dengan objek di kelompok lain. Perbedaan dan

persamaannya biasanya berdasarkan nilai atribut dari objek tersebut dan

dapat juga berupa penghitungan jarak. Clustering sendiri juga disebut

unsupervised classification, karena clustering lebih bersifat untuk


12

dipelajari dan diperhatikan. Cluster analysis merupakan proses partisi

satu set objek data ke dalam himpunan bagian. Setiap himpunan bagian

adalah cluster, sehingga objek yang di dalam cluster mirip satu sama

dengan yang lainnya, dan mempunyai perbedaan dengan objek dari

cluster yang lain. Partisi tidak dilakukan dengan manual tetapi dengan

algoritma clustering. Oleh karena itu, clustering sangat berguna dan bisa

menemukan grup yang tidak dikenal dalam data.

Ada beberapa pendekatan yang digunakan dalam mengembangkan

metode clustering. Dua pendekatan utama adalah clustering dengan

pendekatan partisi dan clustering dengan pendekatan hirarki. Clustering

dengan pendekatan partisi atau sering disebut dengan partition-based

clustering mengelompokkan data dengan memilah-milah data yang

dianalisa ke dalam cluster-cluster yang ada. Clustering dengan

pendekatan hirarki atau sering disebut dengan hierarchical clustering

mengelompokkan data dengan membuat suatu hirarki berupa dendogram

dimana data yang mirip akan ditempatkan pada hirarki yang berdekatan

dan yang tidak pada hirarki yang berjauhan. Di samping kedua

pendekatan tersebut, ada juga clustering dengan pendekatan automatic

mapping.

2.3.2 Algoritma K-Means

K-Means merupakan salah satu metode clustering non hirarki yang

berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih

cluster. Metode ini mempartisi data ke dalam cluster sehingga data yang

memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster

yang sama dan data yang mempunyai karateristik yang berbeda di

kelompokan ke dalam cluster yang lain. K-Means ditemukan oleh

beberapa orang yaitu Lloyd (1957, 1982), Forgey (1965), Friedman and

Rubin (1967), and McQueen (1967). Ide dari clustering pertama kali

ditemukan oleh Lloyd pada tahun 1957, namun hal tersebut baru


13

dipublikasi pada tahun 1982. Pada tahun 1965, Forgey juga

mempublikasi teknik yang sama sehingga terkadang dikenal sebagai

Lloyd-Forgy pada beberapa sumber.

Tahapan algoritma K-Means (Han dkk, 2012):

1. Menentukan jumlah cluster yang akan dibentuk.

2. Memilih objek secara acak dari data set untuk menjadi pusat cluster

(centroid).

3. Menetapkan suatu objek ke suatu cluster yang objeknya lebih mirip

(memiliki jarak terdekat dengan centroid).

4. Menghitung kembali centroid masing – masing cluster yang terbentuk

untuk memperbarui centroid baru.

5. Ulangi tahap 3 – 5 hingga tidak ada perubahan anggota (objek)

cluster.

Dalam menentukan jarak suatu objek data dengan centroid,

digunakan rumus Euclidean Distance. Rumus Euclidean Distance :

( ) √∑

.............................(2.7)

Keterangan :

xi : data objek i

: centroid cluster j

n : jumlah variabel data

: data variabel ke- k objek i

: data variabel ke- k cluster j


14

Sementara, untuk menghitung centroid baru digunakan rumus :

∑

.......................................(2.8)

Keterangan :

: data ke-i pada cluster j

Cj : jumlah anggota cluster j

2.3.3 Algoritma K-Means ++

Algoritma K-Means++ merupakan variasi atau pengembangan dari

algoritma K-Means. Algoritma K-Means++ ini dinilai dapat mengatasi

permasalahan dalam kecepatan dan akurasi pada algoritma K-Means.

Menurut jurnal K-Means++:The Advantages of Careful Seeding,

penggunaan algoritma K-Means dapat ditingkatkan dalam hal akurasi

dengan menggunakan randomized seeding technique.

Proses pembentukan cluster dalam K-Means sangat bergantung

pada nilai centroid di awal penghitungan. Dengan menggunakan atau

menerapkan randomized seeding technique maka akan lebih menentukan

nilai centroid di awal penghitungan.

Rumus randomized seeding technique :

Randomized Seeding =

∑

……....……….(2.9)

Keterangan :

D(x)

: jarak data x dengan centroid terdekat

n : jumlah data

∑ : total jarak data x dengan centroid terdekat


15

Tahapan algoritma K-Means++ :

1. Pilih secara acak satu titik sebagai pusat cluster.

2. Untuk seluruh data, hitung D(x), jarak antara data x dengan pusat

cluster terdekat yang sudah dipilih sebelumnya.

3. Pilih pusat cluster baru dengan probabilitas berdasarkan persamaan

2.9.

4. Ulangi langkah 2 dan 3 hingga seluruh pusat cluster telah terpilih.

5. Menetapkan suatu objek ke suatu cluster yang objeknya lebih mirip

(memiliki jarak terdekat dengan centroid).

6. Menghitung kembali centroid masing – masing cluster yang terbentuk

untuk memperbarui centroid baru.

7. Ulangi tahap 5 – 6 hingga tidak ada perubahan anggota (objek)

cluster.

2.3.4 Sillhouette Coefficient

Sillhouette Coefficient adalah metode yang digunakan untuk

mengukur kualitas sebuah cluster yang menggabungkan nilai kohesi dan

separasi. Dalam penghitungan nilai sillhouette coefficient, terdapat dua

komponen yaitu ai dan bi. Komponen ai adalah rata – rata jarak data ke-i

terhadap semua data lainnya dalam satu cluster, sedangkan bi adalah

hasil penghitungan rata – rata jarak data ke-i terhadap semua data lainnya

yang tidak dalam satu cluster dengan data ke-i, kemudian diambil nilai

terkecil. Nilai ai mengukur seberapa tingkat ketidakmiripan sebuah data

dengan cluster yang diikutinya, nilai yang semakin kecil menunjukkan

semakin tepatnya data yang dimaksud berada dalam cluster tertentu.

Nilai bi yang besar menunjukkan seberapa buruknya data terhadap cluster

yang lain. Nilai sillhouette coefficient yang didapat berada dalam rentang

-1 hingga 1. Nilai sillhouette coefficient yang mendekati 1 menunjukkan

bahwa data tersebut semakin tepat berada di cluster yang dimaksud. Nilai


16

sillhouette coefficient negatif menunjukkan bahwa data tersebut tidak

tepat berada dalam cluster yang dimaksud.

Berikut merupakan rumus penghitungan nilai :

=

∑

(

).............................(2.10)

Keterangan :

i : indeks data

j : cluster

mj : jumlah data dalam cluster j

d(

: jarak data i dengan data r dalam cluster j

x : data

Berikut merupakan rumus penghitungan nilai :

=

∑

(

)...............................(2.11)

Keterangan :

i : indeks data

j : cluster

mj : jumlah cluster

mn : jumlah data dalam satu cluster

d(

: jarak data i pada cluster j dengan data r pada cluster mj

x : data

Sedangkan dalam penghitungan nilai sillhouette coefficient data ke-i

menggunakan rumus berikut :


17

=

{

} ....................................(2.12)

Keterangan :

: rata – rata jarak data ke-i terhadap semua data lainnya

dalam satu cluster j

: nilai minimum rata – rata jarak data ke-i terhadap semua

data dari cluster lain selain cluster j.

{

} : nilai maksimum dari nilai

dan

dari satu data

Nilai sillhouette coefficient dari sebuah cluster ditentukan dengan

menghitung rata – rata nilai sillhouette coefficient semua data yang

tergabung dalam cluster tersebut dengan rumus :

=

∑

....................................(2.13)

Keterangan :

i : indeks

j : cluster

mj : jumlah data dalam cluster j

Sementara nilai silhouette coefficient global ditentukan dengan

menghitung rata – rata nilai silhouette coefficient dari semua cluster

dengan rumus berikut :

=

∑

....................................(2.14)

Keterangan :

k : jumlah cluster

j : cluster

SCj : Silhouette Coefficient cluster j


18

Kriteria penilaian atau pengukuran baik tidaknya hasil clustering

berdasarkan Silhouette Coefficient menurut Kaufman dan Roesseeuw

(1990) disajikan dalam tabel 2.3.

Tabel 2.3 Kriteria Penilaian Clustering Berdasarkan Silhouette

Coefficient

Nilai Silhouette Coefficient Penilaian

0.71 – 1.00 Struktur kuat

0.51 – 0.70 Struktur baik

0.26 – 0.50 Struktur lemah

≤ 0.25 Struktur buruk

2.3.5 Metode Elbow

Metode Elbow adalah suatu metode yang digunakan untuk

menentukan jumlah cluster terbaik dengan cara melihat persentase hasil

perbandingan antara jumlah cluster yang akan membentuk siku pada

suatu titik (Madhulatha, 2012). Untuk mendapatkan perbandingannya

adalah dengan menghitung SSE (Sum of Square Error) dari masing-

masing nilai cluster.

Rumus SSE (Kodinariya dkk, 2013):

∑ ∑ ‖ ‖

...…………..(2.15)

Keterangan :

n : jumlah cluster

: data ke-i

Ck : nilai rata – rata cluster k

Metode Elbow bekerja dengan cara memilih nilai cluster dan

kemudian menambah nilai cluster tersebut untuk dijadikan model data


19

dalam penentuan cluster terbaik. Selain itu persentase penghitungan yang

dihasilkan menjadi pembanding antara jumlah cluster yang

ditambah. Hasil persentase yang berbeda dari setiap nilai cluster dapat

ditunjukan dengan menggunakan grafik sebagai sumber informasinya.

Jika nilai cluster pertama dengan nilai cluster kedua memberikan sudut

dalam grafik atau nilainya mengalami penurunan paling besar maka nilai

cluster tersebut yang terbaik (Bholowalia dkk, 2014).

Tahapan metode Elbow (Bholowalia dkk, 2014) :

1. Menentukan nilai awal cluster.

2. Menaikkan nilai cluster.

3. Menghitung nilai SSE untuk setiap cluster.

4. Membandingkan nilai SSE tiap cluster.

5. Menetapkan nilai cluster, jika membentuk sudut elbow atau

mengalami penurunan secara signifikan.


20

BAB III

METODOLOGI PENELITIAN

3.1 Data

Pada penelitian ini, data yang digunakan adalah data evaluasi

pembelajaran yang diperoleh dari Lembaga Penjamin Mutu dan Audit

Internal (LPMAI) Universitas Sanata Dharma. Data tersebut merupakan

hasil evaluasi pembelajaran dari tahun 2016 – 2017 untuk Fakultas Sains

dan Teknologi. Data yang diperoleh terdiri dari : nama dosen, matakuliah,

kelas, program studi, fakultas, jumlah peserta matakuliah, jumlah responden

evaluasi, rata – rata nilai evaluasi, dan data penilaian untuk setiap

pernyataan / kriteria yang diberikan sejumlah 20. Total data yang

didapatkan adalah sejumlah 1080 data.

3.2 Tahap Penelitian

3.2.1 Studi Kasus

Universitas Sanata Dharma merupakan salah satu institusi yang

menerapkan sistem atau program evaluasi pada program kerja, salah

satunya adalah program evaluasi pembelajaran. Pelaksanaannya,

mahasiswa akan menilai kinerja dosen dalam hal pengajaran sesuai mata

kuliah yang diikuti. Pada program ini, Universitas Sanata Dharma

menetapkan 20 kriteria penilaian sebagai acuan dalam proses evaluasi

oleh mahasiswa. Hasil evaluasi / penilaian tersebut sangat bermanfaat

bagi pengembangan pembelajaran dan keperluan akreditasi program

studi. Untuk tujuan pengembangan pembelajaran dan keperluan

akreditasi program studi, maka dilakukan penelitian untuk memetakan

data hasil evaluasi pembelajaran berdasarkan nilai yang didapatkan oleh

tiap-tiap dosen.


21

3.2.2 Studi Pustaka

Pada tahap ini, penulis menggali atau mencari informasi tentang

segala hal yang berkaitan dengan penelitian. Dimulai dengan mencari

dan mempelajari teori – teori tentang teknik penambangan data,

khususnya teori tentang teknik clustering dengan algoritma K-Means++

di berbagai literatur, seperti : buku, dan jurnal.

3.2.3 Knowledge Discovery in Database (KDD)

Tahap Knowlwdge Discovery in Database ini bertujuan untuk

menggali sebuah informasi penting pada sebuah basis data. Tahap ini

terdiri atas beberapa proses, yaitu : pembersihan data, integrasi data,

seleksi data, transformasi data, penambangan data, evaluasi pola, dan

yang terakhir presentasi pengetahuan. Proses pembersihan dan integrasi

data dilakukan secara manual dengan software Microsoft Excel. Proses

selanjutnya adalah seleksi data, transformasi data, penambangan data,

evaluasi pola, dan presentasi pengetahuan yang dilakukan pada sistem

yang dibuat. Pada sistem yang dibuat, pengembangannya menggunakan

model pengembangan sekuensial linier atau metode waterfall. Metode

waterfall adalah suatu proses pengembangan perangkat lunak secara

berurutan melalui fase perencanaan (analisis), pemodelan (desain),

pengimplementasian, dan pengujian.

Penjelasannya adalah sebagai berikut :

1. Perencanaan (analisis)

Pada tahap ini akan dilakukan proses analisis terhadap segala

kebutuhan perangkat lunak.

2. Pemodelan (desain)

Pada tahap ini dilakukan perancangan perangkat lunak sesuai

kebutuhan yang telah ditetapkan. Proses pemodelan berfokus pada

struktur data, arsitektur perangkat lunak, rancangan antarmuka, dan

detail algoritma.


22

3. Pengimplementasian

Pada tahap ini dilakukan penerjemahan dari proses pemodelan ke

bentuk yang dapat dimengerti oleh mesin dengan mengunakan bahasa

pemrograman.

4. Pengujian

Tahap ini bertujuan untuk memeriksa segala kemungkinan terjadinya

kesalahan dan memeriksa apakah hasil dari pengembangan perangkat

lunak sesuai dengan yang diinginkan.

3.2.4 Analisis Hasil Clustering dan Pembahasan

Pada tahap ini dilakukan proses analisis terhadap jumlah cluster

terbaik / ideal yang dapat digunakan dalam proses clustering dengan

menggunakan metode Elbow. Setelah proses penambangan data

dilakukan, hasilnya akan dievaluasi dan divisualisasikan agar pengguna

dapat dengan mudah memahami hasil dari proses penambangan data.

Proses evaluasi hasil clustering menggunakan metode Silhouette

Coefficient.

3.3 Spesifikasi Alat

3.3.1 Perangkat Keras

Perangkat keras komputer yang digunakan dalam pembuatan sistem

adalah sebagai berikut :

1. Proccesor : Intel Core i5-2410M CPU @ 2.30 GHz

2. RAM : 4 GB

3. Harddisk : 500 GB

3.3.2 Perangkat Lunak

Perangkat lunak komputer yang digunakan dalam pembuatan sistem

adalah sebagai berikut :


23

1. Sistem Operasi : Windows 10

2. Compiler / IDE : Netbeans 8.2


24

BAB IV

PEMROSESAN AWAL DAN PERANCANGAN

PERANGKAT LUNAK

4.1 Pemrosesan Awal

4.1.1 Pembersihan Data

Proses ini digunakan untuk menghilangkan noise dan data yang tidak

konsisten. Pada tahap ini, data yang kosong (tidak memiliki nilai) di

suatu atribut akan dihapus dari tabel.

4.1.2 Integrasi Data

Proses integrasi data adalah proses penggabungan beberapa sumber data.

Data pada penelitian ini diperoleh dari satu sumber, sehingga tidak

diperlukan penggabungan data dari sumber lain. Hanya saja penulis

melakukan proses penggabungan data pada data yang memungkinkan

untuk digabung dari sumber yang sama. Data yang memiliki kesamaan

nilai pada atribut Nama, Matakuliah, Program Studi, dan Fakultas, tetapi

berbeda pada nilai atribut Kelas akan digabung menjadi satu.

4.1.3 Seleksi Data

Pada tahap ini dilakukan penyeleksian terhadap tingkat pengisian eva-

luasi dari suatu matakuliah dan atribut – atribut data. Data dengan tingkat

pengisian oleh responden yang kurang dari 50% dan atribut yang tidak

relevan dalam proses pengevaluasian hasil pembelajaran akan dihapus.

Berikut merupakan atribut data awal evaluasi pembelajaran yang tertera

pada tabel 4.1, dan atribut terpilih data evaluasi pembelajaran yang

tertera pada tabel 4.2, serta gambar 4.1 merupakan contoh data evaluasi

pembelajaran.


25

Tabel 4.1 Atribut Awal Data Evaluasi Pembelajaran

No Atribut Keterangan

1 Nama Nama dosen

2 Matakuliah Nama matakuliah

3 Kelas Nama kelas dari suatu matakuliah

4 Program Studi Nama program studi

5 Fakultas Nama fakultas

6 Peserta Jumlah peserta dari suatu matakuliah

7 Responden Jumlah peserta matakuliah yang

melakukan evaluasi

8 Rata – rata Rata – rata dari nilai P1 sampai P20

9 P1 Nilai pernyataan 1



















26



keterangan : P1 – P20 berisi pernyataan – pernyataan yang diberikan saat

evaluasi

Tabel 4.2 Atribut Terpilih Data Evaluasi Pembelajaran

No Atribut

1 Nama

2 Matakuliah

3 P1

4 P2

5 P3

6 P4

7 P5

8 P6

9 P7

10 P8

11 P9

12 P10

13 P11

14 P12

15 P13

16 P14

17 P15

18 P16

19 P17

20 P18

21 P19

22 P20


27

Gambar 4.1 Contoh Data Evaluasi Pembelajaran


28

4.1.4 Transformasi Data

Pada tahap ini, data diubah ke dalam bentuk yang sesuai untuk proses

penambangan, yaitu data akan diubah ke dalam bentuk array, sehingga

data siap untuk dilakukan proses clustering pada perangkat lunak yang

dibangun.

4.2 Perancangan Perangkat Lunak

4.2.1 Perancangan Umum

4.2.1.1 Input Sistem

Sistem yang dibangun menggunakan data input bertipe xls yang

diimpor dari perangkat komputer oleh pengguna sistem. Untuk proses

clustering dan proses penentuan jumlah cluster terbaik, sistem

membutuhkan inputan berupa jumlah cluster dan jenis bidang

penilaian. Perancangan input sistem digambarkan pada gambar 4.2 di

bawah ini.

’

Gambar 4.2 Diagram Konteks

4.2.1.2 Proses Sistem

Proses yang berjalan pada sistem yang dibangun terdiri atas beberapa

tahapan untuk menghasilkan kelompok – kelompok hasil evaluasi

pembelajaran, serta evaluasi / analisis terhadap hasil kelompok –

kelompok yang terbentuk.


29

Secara umum proses yang terjadi di dalam sistem digambarkan pada

gambar 4.3 di bawah ini.

Gambar 4.3 Flowchart Proses Sistem

4.2.1.3 Output Sistem

Output dari sistem yang dibangun berupa hasil pengelompokkan data

evaluasi pembelajaran dengan jumlah kelompok / cluster sesuai

masukan dari pengguna sistem. Selain itu output dari sistem berupa

hasil analisis jumlah cluster terbaik pada proses clustering, serta hasil

uji evaluasi clustering dari kelompok – kelompok yang terbentuk.


30

4.2.2 Use Case Sistem

4.2.2.1 Diagram Use Case

Diagram use case merupakan penggambaran proses interaksi yang

dapat dilakukan oleh pengguna terhadap suatu sistem. Gambar 4.4

merupakan use case sistem yang dibangun.

Gambar 4.4 Diagram Use Case Sistem

4.2.2.2 Gambaran Umum Use Case

Gambaran umum dari tiap - tiap use case dari sistem yang dibangun,

dijelaskan pada tabel 4.3.

Tabel 4.3 Gambaran Umum Use Case

Use Case Deskripsi Aktor

Impor file

Use case ini merupakan proses

untuk memasukkan file bertipe

xls dari perangkat komputer

Pengguna


31

Lihat grafik elbow


untuk melihat grafik elbow.

Grafik digunakan untuk menen-

tukan jumlah cluster terbaik pada

proses clustering

Pengguna

Proses clustering


untuk clustering data yang telah

diimpor dan telah diseleksi atri-

butnya

Pengguna

Cari data hasil

clustering


untuk mencari suatu data pada

data hasil clustering

Pengguna

Ekspor hasil clus-

tering


untuk menyimpan data hasil

clustering pada perangkat kom-

puter

Pengguna

4.2.2.3 Narasi Use Case

Narasi use case berisi penjelasan dari tiap – tiap use case, yang tertera

pada Lampiran 1.

4.2.3 Diagram Aktivitas

Diagram aktivitas tertera pada Lampiran 2.

4.2.4 Diagram Kelas Analisis

Diagram kelas analisis merupakan visualisasi dari struktur kelas – kelas

dari suatu sistem. Diagram kelas analisis tertera pada gambar 4.5.

Gambar 4.5 Diagram Kelas Analisis


32

4.2.5 Diagram Kelas Desain

Diagram kelas desain terlampir pada Lampiran 3.

4.2.6 Diagram Sekuen

Diagram sekuen terlampir pada Lampiran 4.

4.2.7 Perancangan Struktur Data

Perangkat lunak yang dibangun, pada penerapannya membutuhkan data

yang cukup banyak. Untuk menyimpan atau pun melakukan pengaturan

pada data yang dipakai, perangkat lunak yang dibangun

mengimplementasikan konsep struktur data. Struktur data yang dipakai

adalah array dan ArrrayList.

1. Array

Array merupakan tempat penyimpanan sementara yang bersifat

statis, yang berarti ukuran tempat penyimpanan harus

dideklarasikan terlebih dahulu. Array berisi nilai dengan satu tipe

data. Data yang disimpan di dalam array diakses melalui indeks

yang merupakan representasi dari elemen array. Elemen array

merupakan alamt memori di mana suatu data disimpan.

Perangkat lunak yang dibangun menggunakan array untuk

menyimpan : data Evaluasi Pembelajaran yang diimpor oleh

pengguna, data centroid, data jarak, dan hasil clustering.

2. ArrayList

ArrayList merupakan tempat penyimpanan sementara yang

bersifat dinamis, ukuran tempat penyimpanan dapat berubah.

Dalam penggunaan, ArrayList dapat menambah atau mengurangi

data secara dinamis tanpa harus menentukan ukuran awal tempat

penyimpanan. Pada perangkat lunak yang dibangun, digunakan

ArrayList untuk menyimpan indeks data centroid awal dan data

centroid akhir.


33

4.2.8 Algoritma Setiap Method

Penjelasan algoritma setiap method dapat dilihat pada Lampiran 5.

4.2.9 Perancangan Antarmuka

Perangkat lunak yang akan dibangun memiliki enam desain antarmuka.

Antarmuka inilah yang digunakan sebagai sarana interaksi antara

pengguna dengan sistem.

Gambar 4.6 berikut merupakan antarmuka untuk tampilan splash screen.

Gambar 4.6 Perancangan Tampilan Splash Screen

Gambar 4.7 berikut merupakan antarmuka untuk halaman Beranda.

Gambar 4.7 Perancangan Halaman Beranda


34

Gambar 4.8 berikut merupakan antarmuka untuk halaman Clustering.

Digunakan untuk menjalankan fungsi clustering. Pada halaman ini akan

ditampilkan : menu untuk mengimpor data, data yang akan diproses,

form untuk menginputkan jumlah cluster dan bidang penilaian.

Gambar 4.8 Perancangan Halaman Clustering

Gambar 4.9 berikut merupakan antarmuka untuk halaman Grafik Elbow.

Digunakan untuk menampilkan grafik sebagai visualisasi dari proses

mencari / menentukan jumlah cluster terbaik dalam clustering dengan

menggunakan metode elbow.

Gambar 4.9 Halaman Grafik Elbow


35

Gambar 4.10 berikut merupakan antarmuka untuk halaman Hasil

Clustering. Pada menu ini akan ditampilkan hasil dari proses clustering,

daftar anggota tiap cluster yang terbentuk, daftar nilai hasil evaluasi

kualitas cluster, dan juga menu untuk mengekspor / menyimpan hasil

clustering.

Gambar 4.10 Perancangan Halaman Hasil Clustering

Gambar 4.11 berikut merupakan antarmuka untuk halaman Bantuan.

Pada menu ini akan berisi panduan dalam menjalankan aplikasi.

Gambar 4.11 Perancangan Halaman Bantuan


36

BAB V

IMPLEMENTASI SISTEM DAN EVALUASI HASIL

5.1 Implementasi Sistem

Sistem yang dibangun memiliki tiga kelas, yang terdiri dari dua kelas view

dan satu kelas control.

5.1.1 Implementasi Kelas View

Daftar kelas view tertera pada tabel 5.1 di bawah ini.

Tabel 5.1 Implementasi Kelas View

Nama Kelas Nama File

Fisik

Nama File

Executable Interface

Splash_Screen Splash_Screen.

java

Splash_Screen.

class Gambar 5.1

GUI_cluster-

ing

GUI_clustering.

java

GUI_clustering.

class

Gambar 5.2

Gambar 5.3

Gambar 5.4

Gambar 5.5

Gambar 5.6

Gambar 5.7

5.1.1.1 Tampilan Splash Screen

Tampilan splash screen merupakan tampilan yang muncul pertama

kali saat sistem dijalankan.

Gambar 5.1 Implementasi Tampilan Splash Screen


37

5.1.1.2 Halaman Beranda

Halaman berikut merupakan halaman utama yang ditampilkan

pertama kali saat sistem berhasil dijalankan. Pada halaman ini berisi

deskripsi singkat sistem.

Gambar 5.2 Implementasi Halaman Beranda

5.1.1.3 Halaman Clustering

Halaman ini digunakan untuk menjalankan fungsi clustering. Pada

halaman ini terbagi menjadi dua bagian, yaitu menu data dan menu

input. Pada bagian data, akan ditampilkan : menu untuk mengimpor

data, dan data yang berhasil diimpor. Sedangkan pada bagian input,

ditampilkan form untuk menginputkan jumlah cluster dan bidang

penilaian yang akan digunakan pada proses clustering.


38

Gambar 5.3 Implementasi Halaman Clustering

5.1.1.4 Halaman Grafik Elbow

Halaman ini akan menampilkan grafik elbow sesuai dengan inputan

yang diberikan, yaitu jumlah cluster dan bidang penilaian.

Gambar 5.4 Implementasi Halaman Grafik Elbow

5.1.1.5 Halaman Hasil Clustering

Halaman ini digunakan untuk menampilkan hasil dari proses

clustering. Pada halaman ini terdapat tiga tabel yang berkaitan dengan


39

hasil clustering. Tabel pertama berisi daftar cluster dari setiap data,

pada tabel ini akan diketahui tiap – tiap data tergabung dalam suatu

cluster tertentu. Tabel ke dua berisi Anggota dari tiap cluster yang

terbentuk. Sedangkan tabel ke tiga, berisi nilai sillhouette coefficient

dari tiap cluster. Pada halaman ini juga terdapat menu untuk

mengekspor / menyimpan hasil clustering, serta pada bagian kanan

atas halaman terdapat textfield untuk melakukan pencarian data hasil

clustering.

Gambar 5.5 Implementasi Halaman Hasil Clustering

5.1.1.6 Halaman Bantuan

Halaman ini berisi dua menu, yaitu penggunaan sistem dan evaluasi

pembelajaran. Pada menu penggunaan sistem, berisi langkah –

langkah informasi penting sistem dan langkah – langkah penggunaan

sistem. Sedangkan menu evaluasi pembelajaran, berisi daftar

pernyataan dan aspek penilaian dalam proses evaluasi pembelajaran.


40

Gambar 5.6 Implementasi Halaman Bantuan (penggunaan sistem)

Gambar 5.7 Implementasi Halaman Bantuan (evaluasi pembelajaran)

5.1.2 Implementasi Kelas Control

Daftar kelas control tertera pada tabel 5.2 di bawah ini.

Tabel 5.2 Implementasi Kelas Control

Nama Kelas Nama File Fisik Nama File

Executable

Control_clustering Control_clustering.java Control_clustering.

class


41

5.2 Evaluasi Hasil

5.2.1 Pengujian Perangkat Lunak

5.2.1.1 Rencana Pengujian Perangkat Lunak

Rencana pengujian perangkat lunak tertera pada tabel 5.3 berikut.

Tabel 5.3 Rencana Pengujian Perangkat Lunak

No Use Case Pengujian Kasus Uji

1 Impor file Mengimpor file ber-

ekstensi xls

UC-001A

Mengimpor file yang ti-

dak berekstensi xls

UC-001B

2 Lihat grafik elbow Melakukan pengujian

terhadap proses dan ha-

sil dari pengimplemen-

tasian metode elbow

UC-002

3 Proses clustering Melakukan pengujian

terhadap proses dan ha-

sil clustering

UC-003

4 Cari data hasil clus-

tering

Melakukan pencarian

dengan menginputkan

kata kunci tertentu

UC-004

5 Ekspor hasil clus-

tering

Mengekspor hasil clus-

tering ke direktori kom-

puter dengan nama

yang berbeda dengan

data yang sudah ada

dalam direktori

UC-005A

Mengekspor hasil clus-

tering ke direktori kom-

UC-005B


42

puter dengan nama

yang sama dengan data

yang sudah ada (pada

direk-tori yang sama)

5.2.1.2 Prosedur Pengujian dan Kasus Uji

Prosedur pengujian dan kasus uji tertera pada Lampiran 6.

5.2.1.3 Evaluasi Hasil Pengujian Perangkat Lunak

Hasil dari pengujian perangkat lunak dapat disimpulkan bahwa

perangkat lunak telah berjalan sesuai dengan perancangan yang telah

dibuat. Semua fungsi dapat berjalan dengan baik sesuai dengan yang

diharapkan.

5.2.2 Pengujian Hasil Hitung Manual dan Hasil Perangkat Lunak

Untuk menguji atau memvalidasi hasil perangkat lunak yang dibangun,

dilakukan pengujian dengan membandingkan hasil penghitungan manual

dengan hasil dari perangkat lunak. Pengujian dilakukan dengan

menggunakan data Evaluasi Pembelajaran sejumlah 15 data. Data yang

digunakan tertera pada tabel 5.4 di bawah ini.

Tabel 5.4 Dataset Pengujian

ID Matakuliah P1 P2

001 Fisika Dasar 5,22 5,11

002 Gambar Teknik Terapan 6,43 6,33

005 Matematika Diskret 4,84 4,38

007 Algoritma dan Pemrograman 6,33 6,40

014 Praktikum Metode Numeris 3,25 3,33

019 Penambangan Data 6,40 6,40

023 Elektronika 2 4,90 4,93


43

032 Rekayasa Tenaga Surya 6,40 6,40

035 Algoritma Genetika 4,50 4,84


038 Kalkulus Diferensial 6,65 6,61

040 Material Teknik 2 5,85 5,78

049 Pengenalan Pola 4,45 4,00

059 Konversi Energi Listrik 6,21 6,36

061 Sistem Operasi 4,14 3,43

5.2.2.1 Penghitungan Manual

Penghitungan manual dilakukan dengan menggunakan aplikasi

Microsoft Excel, proses serta hasil penghitungan manual tertera pada

Lampiran 7.

5.2.2.2 Penghitungan Perangkat Lunak

Hasil dari proses clustering pada perangkat lunak dapat dilihat pada

gambar 5.7 berikut.

Gambar 5.8 Hasil Penghitungan Perangkat Lunak


44

5.2.2.3 Evaluasi Pengujian Hasil Hitung Manual dan Hasil Perangkat

Lunak

Hasil pengujian menunjukkan bahwa proses clustering pada

penghitungan manual dan perangkat lunak memiliki hasil yang sama,

sehingga dapat disimpulkan bahwa perangkat lunak yang dibangun

telah berjalan sesuai dengan yang diharapkan.

5.2.3 Pengujian Perangkat Lunak Menggunakan Dataset

5.2.3.1 Analisis Hasil Pengujian Perangkat Lunak berdasarkan Metode

Elbow

Pengujian dengan metode elbow menggunakan nilai k = 2 sampai k =

15, dan menggunakan enam jenis bidang penilaian evaluasi

pembelajaran. Berikut merupakan hasil pengujian metode elbow pada

perangkat lunak dengan menggunakan empat dataset :

1. Data Evaluasi Pembelajaran Semester Gasal Tahun 2016

Berdasarkan hasil pengujian metode elbow pada data evaluasi

pembelajaran semester gasal tahun 2016 dengan jumlah 86 data,

dihasilkan bahwa pada bidang : Bidang Keseluruhan, Pelibataktifan

Mahasiswa, Interaksi Dosen-Mahasiswa, dan Isi dan Evaluasi

Pembelajaran memiliki nilai k terbaik = 3. Sedangkan pada bidang

Pengelolaan Matakuliah dan Integrasi dalam Kehidupan memiliki

nilai k terbaik = 4. Tabel 5.5 berikut merupakan data nilai SSE

pada data evaluasi pembelajaran semester gasal tahun 2016.

Tabel 5.5 Nilai SSE Data Evaluasi Pembelajaran Semester Gasal

Tahun 2016

K

SSE

Bidang

1

Bidang

2

Bidang

3

Bidang

4

Bidang

5

Bidang

6

1 37,267 80,6257 59,1602 53,8385 77,0929 49,6610


45

2 12,774 33,2154 23,9451 24,7516 30,2677 20,0242

3 8,0498 23,3161 12,7799 15,7657 15,8026 12,9226

4 5,8776 15,1409 9,8526 12,2913 12,1351 9,0543

5 4,5772 11,5709 7,0966 11,1009 10,8350 7,45888

6 2,90329 9,74829 5,61957 9,08352 8,66040 5,32581

7 2,02025 8,76729 4,61129 7,66600 8,32102 4,23437

8 1,77186 8,48521 3,91734 7,26813 7,86489 3,97844

9 1,47461 7,75998 3,42172 6,82580 6,75018 2,89896

10 1,44537 6,97185 3,28463 6,36682 6,86224 2,70113

11 1,37255 6,75399 3,03411 4,73659 6,14908 2,59964

12 1,15726 6,46997 2,76367 4,48757 5,80296 2,37034

13 0,94165 6,30598 2,46487 3,82253 5,61192 2,25269

14 0,87727 4,93028 2,34421 3,44508 4,23030 2,04871

15 0,76264 4,62051 2,10171 3,21725 3,88802 1,97000

Gambar 5.9 sampai gambar 5.14 di bawah ini menampilkan

gambar grafik elbow untuk data evaluasi pembelajaran semester

gasal tahun 2016.

Pada gambar 5.9 terjadi penurunan nilai SSE yang signifikan saat k

= 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k =

3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai

menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan

nilai SSE yang signifikan.

Gambar 5.9 Grafik Elbow Evaluasi Pembelajaran Semester Gasal

Tahun 2016 – Bidang Keseluruhan


46

Pada gambar 5.10 terjadi penurunan nilai SSE yang signifikan saat

k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2

sampai k = 4. Mulai k = 4 menuju k = 5 dan seterusnya, grafik

mulai menunjukkan kestabilan nilai SSE atau tidak mengalami

penurunan nilai SSE yang signifikan.


Tahun 2016 – Pengelolaan Matakuliah


k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k

= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai




Tahun 2016 – Pelibataktifan Mahasiswa





47




Tahun 2016 – Interaksi Dosen-Mahasiswa







Tahun 2016 – Isi dan Evaluasi Pembelajaran







48


Tahun 2016 – Integrasi dalam Kehidupan

2. Data Evaluasi Pembelajaran Semester Genap Tahun 2016


pembelajaran semester genap tahun 2016 dengan jumlah 54 data,

dihasilkan bahwa pada bidang Integrasi dalam Kehidupan

memiliki nilai k terbaik = 3. Pada bidang Bidang Keseluruhan,

Pengelolaan Matakuliah, Pelibataktifan Mahasiswa, Interaksi

Dosen Mahasiswa, memiliki nilai k terbaik = 4. Sedangkan pada

bidang Isi dan Evaluasi Pembelajaran memiliki nilai k terbaik = 5.

Tabel 5.6 berikut merupakan data nilai SSE pada data evaluasi

pembelajaran semester genap tahun 2016.

Tabel 5.6 Nilai SSE Data Evaluasi Pembelajaran Semester Genap

Tahun 2016

K

SSE

Bidang

1

Bidang

2

Bidang

3

Bidang

4

Bidang

5

Bidang

6

1 14.087 35.789 28.619 22.262 35.1776 24.3223

2 6.5244 16.246 12.533 9.8583 16.7896 11.2643

3 4.8268 11.386 8.8954 6.6818 12.8217 7.36359

4 2.5664 8.1724 5.3457 4.6024 9.83501 5.65644

5 2.0967 5.9281 4.3656 3.8914 4.51860 4.72008


49

6 1.5536 4.6660 4.0825 2.7693 4.35476 4.54514

7 1.4977 4.1415 2.4685 2.2577 3.20050 2.33908

8 0.8554 3.8809 2.2861 2.0090 2.56906 1.99251

9 0.8254 3.4247 2.1984 1.8992 2.43502 1.84100

10 0.5956 3.2807 1.9513 1.6649 2.23076 1.46108

11 0.4950 2.3225 1.8773 1.5367 2.08159 1.37989

12 0.4302 2.0933 1.6610 1.1243 2.01353 1.21389

13 0.3894 1.8299 1.5095 0.9447 1.94337 1.10946

14 0.3592 1.7509 1.1470 0.8889 1.69936 1.06139

15 0.2901 1.6967 1.0260 0.7991 1.55747 0.95601

Gambar 5.15 sampai 5.20 di bawah ini menampilkan gambar

grafik elbow untuk data evaluasi pembelajaran semester genap

tahun 2016.






Gambar 5.15 Grafik Elbow Evaluasi Pembelajaran Semester

Genap Tahun 2016 – Bidang Keseluruhan




50





Genap Tahun 2016 – Pengelolaan Matakuliah







Genap Tahun 2016 – Pelibataktifan Mahasiswa







51


Genap Tahun 2016 – Interaksi Dosen Mahasiswa







Genap Tahun 2016 – Isi dan Evaluasi Pembelajaran







52


Genap Tahun 2016 – Integrasi dalam Kehidupan



pembelajaran semester gasal tahun 2017 dengan jumlah 80 data,

dihasilkan bahwa pada bidang : Pengelolaan Matakuliah, Interaksi

Dosen Mahasiswa, Isi dan Evaluasi Pembelajaran memiliki nilai k

terbaik = 3. Sedangkan pada Bidang Keseluruhan, Pelibataktifan

Mahasiswa, dan Integrasi dalam Kehidupan memiliki nilai k

terbaik = 4. Tabel 5.7 berikut merupakan data nilai SSE pada data

evaluasi pembelajaran semester gasal tahun 2017.

Tabel 5.7 Nilai SSE Data Evaluasi Pembelajaran Semester Gasal

Tahun 2017

K

SSE

Bidang

1

Bidang

2

Bidang

3

Bidang

4

Bidang

5

Bidang

6

1 49,678 106,928 67,9030 67,2698 81,0845 50,783

2 20,437 46,0866 30,1009 25,8443 38,6297 21,301

3 9,4706 26,7672 16,8494 14,9789 19,1668 12,268

4 5,6594 19,3332 10,7173 11,6978 14,1645 8,070

5 5,2387 11,3978 7,18456 8,75430 9,35307 5,7170

6 3,5280 8,04260 5,48954 7,25185 7,12912 5,3299


53

7 2,4105 6,88061 4,06270 5,46686 5,6671 3,9839

8 2,0569 6,51447 3,47868 4,97531 4,5386 3,3939

9 1,5807 6,25009 3,13466 4,2231 3,88481 2,9166

10 1,3049 5,74817 3,00133 3,54804 3,7551 2,4459

11 1,0330 5,51794 2,66376 3,19954 3,43783 2,3175

12 0,9884 4,65819 2,46965 3,07965 3,37976 2,1833

13 0,9256 3,91209 2,05240 2,82048 3,0920 1,8137

14 0,8682 3,74108 1,88213 2,36614 2,70142 1,7910

15 0,7820 3,64495 1,76256 2,23552 2,50863 1,6744


grafik elbow untuk data evaluasi pembelajaran semester gasal tahun

2017.







Tahun 2017 – Bidang Keseluruhan





54




Tahun 2017 – Pengelolaan Matakuliah







Tahun 2017 – Pelibataktifan Mahasiswa







55


Tahun 2017 – Interaksi Dosen-Mahasiswa







Tahun 2017 – Isi dan Evaluasi Pembelajaran







56


Tahun 2017 – Integrasi dalam Kehidupan



pembelajaran semester genap tahun 2017 dengan jumlah 81 data,

dihasilkan bahwa pada bidang : Bidang Keseluruhan, Pengelolaan

Matakuliah, Pelibataktifan Mahasiswa, Interaksi Dosen Mahasiswa,

Isi dan Evaluasi Pembelajaran, Integrasi dalam Kehidupan

memiliki nilai k terbaik = 3. Tabel 5.8 berikut merupakan data nilai

SSE pada data evaluasi pembelajaran semester genap tahun 2017.

Tabel 5.8 Nilai SSE Data Evaluasi Pembelajaran Semester Genap

Tahun 2017

K

SSE

Bidang

1

Bidang

2

Bidang

3

Bidang

4

Bidang

5

Bidang

6

1 57,663 126,769 85,2792 75,1015 117,526 75,216

2 22,850 55,3996 34,5588 32,729 52,1315 33,956

3 9,5532 21,5513 16,9561 17,3851 21,8989 16,583

4 6,1875 17,5281 15,1043 12,4917 19,5709 13,109

5 4,8472 13,3376 9,3967 9,2230 13,0928 9,3636

6 3,8470 12,4728 9,06192 7,90952 9,45407 8,2960

7 3,0306 10,8755 7,78015 6,90994 7,58305 6,2005


57

8 2,2145 7,82644 5,22612 5,3286 7,12365 5,1166

9 2,1405 6,74878 3,9156 5,13197 6,8591 4,1154

10 1,8165 6,08613 3,78423 4,53479 5,35176 3,9091

11 1,5550 5,79916 3,14724 4,0161 4,75210 3,8070

12 1,4727 4,7777 2,72890 3,68634 3,99289 3,0533

13 1,3000 4,5227 2,6837 3,91804 3,60266 2,6765

14 1,17104 4,31579 2,1769 3,62179 3,43266 2,5254

15 1,1222 4,24254 1,93242 3,04459 3,28696 2,4177


grafik elbow untuk data evaluasi pembelajaran semester genap

tahun 2017.







Genap Tahun 2017 – Bidang Keseluruhan





58




Genap Tahun 2017 – Pengelolaan Matakuliah







Genap Tahun 2017 – Pelibataktifan Mahasiswa







59


Genap Tahun 2017 – Interaksi Dosen-Mahasiswa







Genap Tahun 2017 – Isi dan Evaluasi Pembelajaran







60


Genap Tahun 2017 – Integrasi dalam Kehidupan

5.2.3.2 Analisis Hasil Cluster

Berdasarkan nilai k terbaik dari proses pengujian metode elbow

untuk empat dataset yang berbeda, dilakukan analisis terhadap cluster

– cluster yang terbentuk pada proses clustering untuk menemukan

karakteristik dari tiap cluster.


Pada pengujian yang dilakukan pada data evaluasi

pembelajaran semester gasal tahun 2016, diketahui bahwa cluster

yang dihasilkan rata – rata memiliki struktur cluster dengan

kategori lemah, yang mana berdampak juga pada nilai silhouette

coefficient global untuk setiap proses clustering pada masing –

masing jenis bidang penilaian. Dengan kata lain, proses clustering

yang dilakukan untuk data evaluasi pembelajaran semester gasal

tahun 2016 memiliki kualitas yang tidak terlalu baik, karena

memiliki nilai silhouette coefficient global yang tergolong dalam

kategori lemah. Data karakteristik untuk setiap cluster hasil

pengujian dengan menggunakan data evaluasi pembelajaran

semester gasal tahun 2016, tertera pada tabel 5.9 sampai 5.14 di

bawah ini.


61

Tabel 5.9 Karakteristik Cluster Data evaluasi pembelajaran

semester gasal tahun 2016 – Bidang Keseluruhan

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori

Struktur P1 P2

1 5,95 5,97 43 0,62213 Baik

2 4,84 4,5 7 0,23399 Buruk

3 5,42 5,23 36 0,48872 Lemah

Silhouette Coefficient Global 0,44828 Lemah


semester gasal tahun 2016 – Pengelolaan Matakuliah

Cluster Rata – rata

Anggota Silhouette

Coeffiient

Kategori

Struktur P3 P4 P5 P6 P7

1 5,92 5,93 5,89 5,93 5,86 36 0,43639 Lemah

2 4,12 4 4,25 4,25 4,17 2 0,12037 Buruk

3 4,99 5,25 5,14 4,99 5,06 20 0,42981 Lemah

4 5,41 5,55 5,51 5,38 5,48 28 0,36974 Lemah



semester gasal tahun 2016 – Pelibataktifan Mahasiswa

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori

Struktur P8 P9 P10

1 5,44 5,56 5,46 43 0,48325 Lemah

2 4,71 5,05 4,79 21 0,43446 Lemah

3 6,04 6,12 5,96 22 0,5089 Baik



62


semester gasal tahun 2016 – Interaksi Dosen Mahasiswa

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori

Struktur P11 P12 P13

1 5,8 5,96 6,03 22 0,3711 Lemah

2 4,74 4,79 5,11 23 0,40776 Lemah

3 5,28 5,46 5,57 41 0,40826 Lemah



semester gasal tahun 2016 – Isi dan Evaluasi Pembelajaran

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori

Struktur P14 P15 P16 P17

1 5,25 5,37 5,35 5,31 32 0,49113 Lemah

2 4,58 4,83 4,75 4,66 18 0,49182 Lemah

3 5,79 5,82 5,84 5,82 36 0,46093 Lemah



semester gasal tahun 2016 – Integrasi dalam Kehidupan

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori


1 5,72 5,65 5,65 26 0,41391 Lemah

2 4,7 4,94 4,89 17 0,31342 Lemah

3 5,27 5,38 5,37 28 0,4205 Lemah

4 6,07 6,06 6,02 15 0,42194 Lemah



63



pembelajaran semester genap tahun 2016, diketahui bahwa cluster

yang dihasilkan memiliki struktur cluster yang beragam, mulai dari

struktur lemah sampai struktur kuat. Dari nilai silhouette coefficient

global, lima dari enam pengujian untuk semua bidang penilaian,

menghasilkan nilai silhouette coefficient global di atas 0,50, yang

berarti proses clustering yang dilakukan untuk data evaluasi

pembelajaran semester genap tahun 2016 memiliki kualitas yang

baik. Data karakteristik untuk setiap cluster hasil pengujian dengan

menggunakan data evaluasi pembelajaran semester genap tahun

2016, tertera pada tabel 5.15 sampai 5.20 di bawah ini.


semester genap tahun 2016 – Bidang Keseluruhan

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori

Struktur P1 P2

1 5,93 5,85 26 0,53778 Baik

2 5,44 5,33 10 0,41991 Lemah

3 7 7 1 1 Kuat

4 6,23 6,24 17 0,45831 Lemah

Silhouette Coefficient Global 0,604 Baik


semester genap tahun 2016 – Pengelolaan Matakuliah


Anggota Silhouette

Coeffiient

Kategori


1 6,06 6,09 6,04 6,01 6,07 30 0,43705 Lemah

2 5,63 5,65 5,6 5,63 5,64 18 0,4904 Lemah

3 6,78 6,83 6,72 6,78 6,67 2 0,2225 Buruk


64

4 5,19 5,27 5,19 5,13 5,11 4 0,09588 Buruk



semester genap tahun 2016 – Pelibataktifan Mahasiswa

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori

Struktur P8 P9 P10

1 5,41 5,52 5,4 17 0,49527 Lemah

2 5,88 5,96 5,86 21 0,43619 Lemah

3 6,21 6,31 6,25 15 0,33837 Lemah

4 4,06 4,53 4,3 1 1 Kuat



semester genap tahun 2016 – Interaksi Dosen Mahasiswa

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori


1 6 6,1 6,12 22 0,34479 Lemah

2 5,71 5,8 5,87 16 0,50492 Baik

3 7 7 7 1 1 Kuat

4 5,28 5,32 5,5 15 0,3409 Lemah



semester genap tahun 2016 – Isi dan Evaluasi Pembelajaran

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori


1 5,91 5,9 5,98 5,86 24 0,45164 Lemah

2 5,42 5,49 5,54 5,48 21 0,49919 Lemah

3 7 7 7 7 1 1 Kuat


65

4 6,28 6,24 6,27 6,22 7 0,46399 Lemah

5 3,91 4,45 4,49 4,25 1 1 Kuat



semester genap tahun 2016 – Integrasi dalam Kehidupan

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori


1 5,8 5,88 5,82 20 0,47 Lemah

2 5,35 5,42 5,38 16 0,3541 Lemah

3 7 7 7 1 1 Kuat

4 6,14 6,13 6,14 17 0,3585 Lemah




pembelajaran semester gasal tahun 2017, diketahui bahwa cluster



global, tiga dari enam pengujian untuk semua bidang penilaian,

menghasilkan nilai silhouette coefficient global di atas 0,50.

Sedangkan tiga pengujian lainnya menghasilkan nilai silhouette

coefficient global kurang dari 0,50 dan tergolong dalam kategori

lemah. Data karakteristik untuk setiap cluster hasil pengujian

dengan menggunakan data evaluasi pembelajaran semester gasal

tahun 2017, tertera pada tabel 5.21 sampai 5.26 di bawah ini.


66


semester gasal tahun 2017 – Bidang Keseluruhan

Clust

er

Rata - rata Anggota

Silhouette

Coefficient

Kategori

Struktur P1 P2

1 5,95 5,9 46 0,46518 Lemah

2 5,47 5,34 17 0,47245 Lemah

3 3,27 3,04 2 0,61434 Baik

4 6,35 6,36 15 0,48404 Lemah



semester gasal tahun 2017 – Pengelolaan Matakuliah


Anggota Silhouette

Coeffiient

Kategori


1 6,06 6,12 6,08 6,03 6,03 40 0,44525 Lemah

2 3,72 3,93 3,7 3,81 3,83 3 0,21717 Buruk

3 5,62 5,66 5,63 5,57 5,6 37 0,37741 Lemah



semester gasal tahun 2017 – Pelibataktifan Mahasiswa

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori

Struktur P8 P9 P10

1 6,02 6,1 6,03 37 0,50145 Baik

2 4,33 4,47 4,36 3 0,43226 Lemah

3 5,5 5,63 5,56 39 0,42416 Lemah

4 2,64 3 2,64 1 1 Kuat



67


semester gasal tahun 2017 – Interaksi Dosen Mahasiswa

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori


1 5,39 5,51 5,68 37 0,42737 Lemah

2 5,78 5,98 6,1 40 0,37949 Lemah

3 3,47 3,41 3,82 3 0,31611 Lemah



semester gasal tahun 2017 – Isi dan Evaluasi Pembelajaran

Cluster Rata - rata

Anggota Silhouette

Coeffiient

Kategori


1 6,02 5,96 6,03 6 36 0,47664 Lemah

2 5,45 5,59 5,58 5,55 41 0,41493 Lemah

3 3,59 3,77 4,03 3,72 3 0,30806 Lemah



semester gasal tahun 2017 – Integrasi dalam Kehidupan

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori


1 5,98 5,96 5,96 47 0,42655 Lemah

2 5,52 5,58 5,58 29 0,4931 Lemah

3 4,52 4,59 4,52 3 0,62953 Baik

4 3,18 3,18 3,18 1 1 Kuat



68



pembelajaran semester genap tahun 2017, diketahui bahwa cluster



global, lima dari enam pengujian untuk semua bidang penilaian,

menghasilkan nilai silhouette coefficient global di atas 0,50, yang

berarti proses clustering yang dilakukan untuk data evaluasi

pembelajaran semester genap tahun 2017 memiliki kualitas yang

baik. Data karakteristik untuk setiap cluster hasil pengujian dengan

menggunakan data evaluasi pembelajaran semester genap tahun

2017, tertera pada tabel 5.27 sampai 5.32 di bawah ini.


semester genap tahun 2017 – Bidang Keseluruhan

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori

Struktur P1 P2

1 6,14 6,09 43 0,60601 Baik

2 5,52 5,4 32 0,52012 Baik

3 4,36 3,93 6 0,59318 Baik



semester genap tahun 2017 – Pengelolaan Matakuliah


Anggota Silhouette

Coeffiient

Kategori


1 6,05 6,09 6,1 6,08 6,04 42 0,60448 Baik

2 3,94 4,3 4,06 4,02 4,1 5 0,64714 Baik

3 5,4 5,54 5,48 5,36 5,46 34 0,48218 Lemah



69


semester genap tahun 2017 – Pelibataktifan Mahasiswa

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori

Struktur P8 P9 P10

1 5,98 6,02 5,97 45 0,57312 Baik

2 4,02 4,22 4,04 6 0,6452 Baik

3 5,29 5,41 5,28 30 0,41474 Lemah



semester genap tahun 2017 – Interaksi Dosen Mahasiswa

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori


1 5,32 5,27 5,39 34 0,48398 Lemah

2 4,15 4,02 4,38 5 0,38655 Lemah

3 5,97 5,98 6,04 42 0,55074 Baik



semester genap tahun 2017 – Isi dan Evaluasi Pembelajaran

Cluster Rata - rata

Anggota Silhouette

Coeffiient

Kategori


1 5,97 5,99 6,03 5,97 41 0,55243 Baik

2 3,94 4,1 3,93 4 6 0,55553 Baik

3 5,3 5,36 5,39 5,34 34 0,47978 Lemah



70


semester genap tahun 2017 – Integrasi dalam Kehidupan

Cluster Rata - rata

Anggota Silhouette

Coefficient

Kategori


1 6,02 5,98 5,98 43 0,49257 Lemah

2 4,25 4,23 4,22 6 0,53376 Baik

3 5,4 5,36 5,36 32 0,4861 Lemah


5.3 Kelebihan dan Kekurangan Perangkat Lunak

5.3.1 Kelebihan Perangkat Lunak

1. Sistem dapat melakukan proses impor dan ekspor file.

2. Sistem dapat menampilkan grafik Elbow .

3. Sistem dapat menampilkan hasil clustering yang mudah dipahami oleh

pengguna.

4. Sistem dapat menampilkan informasi umum dari cluster yang

terbentuk.

5.3.2 Kekurangan Perangkat Lunak

1. Sistem hanya dapat menerima masukan berupa file bertipe xls.

2. Sistem hanya dapat menyimpan / mengekspor hasil clustering ke

dalam file bertipe xls.

3. Sistem tidak dapat melakukan pre-processing data.


71

BAB VI

PENUTUP

6.1 Kesimpulan

Penelitian Pengelompokan Hasil Evaluasi Pembelajaran menggunakan

Algoritma K-Means++, menghasilkan kesimpulan sebagai berikut :

1. Sistem pengelompokan Hasil Evaluasi Pembelajaran berhasil dibangun

dengan menerapkan algoritma K-Means++.

2. Grafik elbow dapat memvisualisasikan nilai Sum of Square Error (SSE)

sebagai cara untuk menentukan nilai k terbaik dalam proses clustering.

3. Dari pengujian yang dilakukan sebanyak 24 kali, menggunakan 4 dataset

dengan variasi 6 bidang penilaian, 13 pengujian menghasilkan nilai k =

3, 10 pengujian menghasilkan nilai k = 4, dan 1 pengujian menghasilkan

nilai k = 5 sebagai jumlah cluster terbaik. Pada proses pengukuran

kualitas cluster, 13 pengujian memiliki kualitas clustering yang baik,

karena rata – rata menghasilkan cluster dengan struktur baik (Silhouette

Coefficient Global > 0,50).

6.2 Saran

Saran untuk penelitian mendatang, yaitu sistem dikembangkan agar dapat :

1. Menerima data masukan dari beragam tipe file.

2. Menyimpan hasil clustering ke dalam file dengan pilihan tipe yang

beragam.

3. Melakukan pre-processing data sebelum melakukan proses clustering.

4. Menerapkan pengembangan dari algoritma K-Means atau algoritma

clustering lainnya.

5. Menentukan nilai k terbaik dengan menerapkan algoritma atau metode

lain.


72

DAFTAR PUSTAKA

Arthur, D. & S.Vassilvitski. K-Means++: the advantages of careful seeding, Proc.

Of the 18th Annual ACM-SIAM Symposium on Discret Algorithms, (2007)

1027-10.

Bholowalia, P. & Kumar, A. 2014. A Clustering Techniqiues Based on Elbow

Method and K-Means in WSN. International Jurnal of Computer

Application(0975-8887),IX(105),17-24.

Han, Jiawei & M. Kamber. 2006. Data mining : Concepts and Techniques Second

Edition. Elsevier : USA.

Han, Jiawei & M. Kamber. 2012. Data mining : Concepts and Techniques Third

Edition. Elsevier : USA.

Kaufman, Leonard, Rousseeuw, Peter J. 1990. Finding Groups in Data. John

Willey & Sons, Inc : Kanada.

Larose, Daniel T. 2005. Discovering Knowledge in Data : An Introduction to

Data Mining. John Willey & Sons, Inc : Kanada.

Madhulatha, T.S. 2012. An Overview On Clustering Methods. IOSR Journal of

Engineering, II(4), pp.719-725.

Turban, E., dkk. 2005. Decision Support Systems and Intelligent Systems. Andi

Offset : Yogyakarta


73

LAMPIRAN 1

NARASI USE CASE

1. Narasi Use Case : Impor File

Nama Use Case Impor file

Kode Use Case 001

Aktor Pengguna

Deskripsi Use case digunakan untuk mengimpor file dari

direktori komputer

Kondisi Awal Pengguna berada pada halaman Clustering

Kondisi Akhir Sistem menampilkan halaman Clustering

Pemicu Fungsi ini dijalankan ketika pengguna ingin

mengimpor file yang digunakan dalam proses clus-

tering

Langkah Umum Aksi Aktor Reaksi Sistem

Langkah 1. Memilih tom-

bol “Impor File”

Langkah 3. Memilih file

yang akan digunakan dan

memilih pilihan yang

disediakan pada jendela

menu, yaitu open atau

cancel

Langkah 2. Menampilkan

jendela “Impor File” yang

digunakan untuk memilih

file dari direktori komputer.

Langkah 4. Mengecek

pilihan dari pengguna. Jika

open, maka sistem akan

menampilkan file yang

dipilih pada tabel yang

terdapat di dalam sistem.

Jika cancel, maka sistem

akan menutup jendela


74

“Impor File”.

Kesimpulan Use case ini berakhir ketika pengguna dihadapkan pada

tabel yang berisi file yang telah diimpor (jika memilih

pilihan open) atau dihadapkan pada halaman clustering

dengan tanpa perubahan (jika memilih pilihan cancel)

2. Narasi Use Case : Lihat Grafik Elbow

Nama Use Case Lihat Grafik Elbow

Kode Use Case 002

Aktor Pengguna

Deskripsi Use case digunakan untuk melihat grafik elbow

Kondisi Awal Pengguna berada pada halaman Clustering dan telah

mengimpor file yang akan digunakan

Kondisi Akhir Sistem menampilkan grafik elbow

Pemicu Fungsi ini dijalankan ketika pengguna ingin melihat

grafik elbow (menentukan jumlah cluster terbaik pada

proses clustering)



bol “Grafik Elbow”

Langkah 3. Menginput-

kan jumlah cluster dan

memilih jenis bidang

penilaian


halaman grafik elbow. Pada

halaman ini, ditampilkan

textfield dan combo box

yang akan diinputkan dan

dipilih oleh pengguna

Langkah 4. Mengecek

inputan dari pengguna,

kemudian menampilkan

grafik elbow sesuai dengan

inputan dari pengguna


75


grafik elbow yang ditampilkan oleh sistem

3. Narasi Use Case : Proses Clustering

Nama Use Case Proses Clustering

Kode Use Case 003

Aktor Pengguna

Deskripsi Use case digunakan untuk melakukan proses clustering

Kondisi Awal Pengguna berada pada halaman Clustering dan telah

mengimpor data yang akan digunakan

Kondisi Akhir Sistem menampilkan halaman Hasil Clustering, yang di

dalamnya terdapat data hasil clustering, daftar anggota

cluster, dan daftar nilai uji kualitas dari proses

clustering

Pemicu Fungsi ini dijalankan ketika pengguna ingin melakukan

proses clustering



kan nilai yang dibu-

tuhkan, yaitu jumlah

cluster dan jenis bidang

penilaian pada tempat

yang disediakan.

Langkah 2. Mengecek

inputan dari pengguna,

kemudian akan melakukan

proses clustering sesuai

dengan inputan tersebut

dan menampilkan hasilnya


halaman Hasil Clustering


76

4. Narasi Use Case : Cari Data Hasil Clustering

Nama Use Case Cari data hasil clustering

Kode Use Case 004

Aktor Pengguna

Deskripsi Use case digunakan untuk melakukan pencarian pada

data hasil clustering

Kondisi Awal Pengguna berada pada menu Hasil Clustering (telah

melakukan proses clustering)

Kondisi Akhir Sistem menampilkan hasil pencarian pada halaman

Hasil Clustering

Pemicu Fungsi ini dijalankan ketika pengguna ingin melakukan

pencarian dengan kata kunci tertentu pada data hasil

clustering yang ditampilkan dalam tabel



kan kata kunci pencarian

pada textfield yang dise-

diakan


hasil pencarian berdasar-

kan inputan dari pengguna

Kesimpulan Use case ini berakhir ketika pengguna dihadapkan hasil

pencarian yang ditampilkan pada tabel

5. Narasi Use Case : Ekspor Hasil Clustering

Nama Use Case Ekspor hasil clustering

Kode Use Case 005

Aktor Pengguna

Deskripsi Use case digunakan untuk mengekspor / menyimpan

hasil clustering pada direktori komputer

Kondisi Awal Pengguna berada pada menu Hasil Clustering


77

Kondisi Akhir Sistem menampilkan halaman Hasil Clustering

Pemicu Fungsi ini dijalankan ketika pengguna ingin meng-

ekspor atau menyimpan hasil clustering pada direktori

komputer



bol “Ekspor File”

Langkah 3. Memilih di-

rektori yang akan digu-

nakan, memberi nama

file, dan memilih pilihan

yang disediakan pada

jendela menu, yaitu save

dan cancel


jen-dela “Ekspor File”

yang digunakan untuk

memilih direktori penyim-

panan file hasil clustering.

Langkah 4. Mengecek

pilihan dari pengguna. Jika

save, maka sistem akan

mengecek nama file yang

akan diekspor. Jika file

sudah ada dalam direktori,

maka sistem akan menutup

jendela “Ekspor File”. Jika

file belum ada dalam

direktori, maka sistem akan

menyimpan hasil cluster-

ing pada direktori kom-

puter. Jika cancel, maka

sistem akan menutup jen-

dela “Ekspor File”.


pesan pemberitahuan status proses yang dijalankan


78

LAMPIRAN 2

DIAGRAM AKTIVITAS

1. Diagram Aktivitas : Impor File


79

2. Diagram Aktivitas : Lihat Grafik Elbow

3. Diagram Aktivitas : Proses Clustering


80

4. Diagram Aktivitas : Cari Data Hasil Clustering


81

5. Diagram Aktivitas : Ekspor Hasil Clustering


82

LAMPIRAN 3

DIAGRAM KELAS DESAIN


83


84


85


86

LAMPIRAN 4

DIAGRAM SEKUEN

1. Diagram Sekuen : Impor File


87

2. Diagram Sekuen : Lihat Grafik Elbow


88

3. Diagram Sekuen : Proses Clustering

4. Diagram Sekuen : Cari Data Hasil Clustering


89

5. Diagram Sekuen : Ekspor Hasil Clustering


90

LAMPIRAN 5

ALGORITMA SETIAP METHOD

Nama Method HitungCentroidAwal(int jumlahCluster, double data[][])

Fungsi Method Menghitung / menentukan centroid awal pada proses

clustering

Algoritma :

1. Membuat array dua dimensi dengan nama jarakCentroid untuk

menyimpan jarak setiap data ke centroid

2. Membuat objek ArrayList dengan nama daftarCentroid untuk

menyimpan indek data centroid terpilih

3. Membuat objek dari kelas Random untuk mendapatkan indek data

centroid terpilih, kemudian tambahkan indek tersebut pada ArrayList

daftarCentroid

4. Hitung jarak setiap data dengan semua centroid yang telah terpilih

sebelumnya, tampung hasilnya pada array jarakCentroid

5. Cari jarak centroid minimal untuk setiap data dan hitung kuadrat jarak

minimal

6. Hitung total kuadrat jarak minimal

7. Hitung probabilitas setiap data, tampung hasilnya pada array

probabilitas

8. Bangkitkan sebuah nilai acak

9. Melakukan proses looping untuk menentukan centroid yang terpilih.

Data dengan probabilitas kumulatif lebih besar atau sama dengan nilai

acak, akan terpilih sebagai centroid

10. Menambahkan indek centroid terpilih pada ArrayList


91

Nama Method Clustering()

Fungsi Method Mengelompokkan data dengan menerapkan algoritma K-

Means++

Algoritma :

1. Membuat array dengan nama daftarCluster untuk menyimpan data

cluster setiap data

2. Menghitung jarak setiap data ke semua centroid, simpan hasilnya pada

array dataJarak

3. Menetapkan setiap data ke suatu cluster berdasarkan jarak yang telah

dihitung sebelumnya

4. Bandingkan nilai dari cluster dengan cluster sebelumnya

Jika sama, maka proses berhenti

Jika berbeda, maka proses dilanjutkan

5. Saat proses dilanjutkan, akan menghitung centroid baru

6. Proses berhenti saat anggota cluster tidak mengalami perubahan

Nama Method DaftarCentroid() : List<String>

Fungsi Method Menyimpan nilai centroid akhir dari proses clustering

Algoritma :

1. Membuat objek dari ArrayList bertipe String

2. Deklarasikan variabel get bertipe String

3. Melakukan proses nested-loop sejumlah centroid pada proses clustering

4. Tampung nilai dari array dataCentroid pada variabel getcentroid

5. Untuk setiap proses looping, inisialisasi nilai variabel get = get +

getcentroid

6. Tambahkan nilai variabel get pada ArrayList


92

Nama Method HitungJarakSatuCluster(double data[][], int

daftarCluster[], int indexData) : double

Fungsi Method Menghitung jarak suatu data dengan data lainnya yang

berada di cluster yang sama

Algoritma :

1. Deklarasikan variabel jarak bertipe double dengan nilai 0 dan variable

count bertipe integer

2. Melakukan proses looping sebanyak panjang data parameter data[][]

jika nilai dari array daftarCluster dengan parameter iterasi sama

dengan nilai array daftarCluster dengan parameter indexData,

maka akan melakukan proses penghitungan jarak dan nilai dari

variabel count bertambah satu

3. Jika nilai variabel count = 1, akan memberikan return value 0

4. Jika nilai variable count 1, akan memberikan return value hasil dari

pembagian nilai variabel jarak dengan variabel count

Nama Method HitungJarakBedaCluster(double data[][], int

daftarCluster[], int indexData, int jumlahCluster) : double

Fungsi Method Menghitung jarak suatu data dengan data lainnya yang

berada di cluster yang berbeda

Algoritma :

1. Deklarasikan variabel count, jarak, rata2jarakperCluster, dan minJarak

2. Melakukan looping sebanyak jumlah cluster

3. Melakukan looping sebanyak data yang dipakai

jika nilai dari array daftarCluster dengan parameter iterasi sama

dengan nilai array daftarCluster dengan parameter indexData,

maka akan melakukan proses penghitungan jarak dan nilai dari

variabel count bertambah satu

Melakukan pembagian antara nilai variabel jarak dengan


93

variabel count, kemudian tampung hasilnya pada variabel

rata2jarakperCluster

Cari nilai terkecil dari variabel rata2jarakperCluster, tampung

hasilnya pada variabel minJarak

Nama Method HitungSilhouetteIndex(double data[][], int

daftarCluster[], int jumlahCluster)

Fungsi Method Menghitung nilai Silhouette Index

Algoritma :

1. Melakukan looping sebanyak data yang dipakai

2. Panggil method HitungJarakSatuCluster(double data[][], int

daftarCluster[], int indexData) dan tampung hasilnya pada variabel a

3. Panggil method HitungJarakBedaCluster (double data[][], int

daftarCluster[], int indexData, int jumlahCluster) dan tampung hasilnya

pada variabel b

4. Cari nilai yang lebih besar antara variabel a dan b, kemudian tampung

hasilnya pada variabel maxAB

5. Hitung nilai Silihouette Index dengan membagi hasil pengurangan

variabel b dan a dengan nilai variabel maxAB. Kemudian simpan hasil

pada sebuah array.

Nama Method HitungSSE(double data[][], int daftarCluster[], int

jumlahCluster, double dataCentroid[][]) : double

Fungsi Method Menghitung nilai SSE

Algoritma :

1. Mendeklarasikan variabel SSE, selisih , dan rata2_kolom bernilai 0

2. Melakukan looping sejumlah nilai k (jumlah cluster)

3. Melakukan nested-loop sebanyak data yang dipakai (hasil impor)

Mendeklarasikan variabel total dan count bernilai 0


94

Jika nilai k sama dengan nilai dari array daftarCluster dengan

indek jumlah perulangan, maka tambahkan nilai variabel total

dengan nilai array data dengan indek perulangan nested-loop

Tambahkan nilai variabel count dengan 1

4. Inisialisasi nilai variabel rata2_kolom sama dengan hasil pembagian

antara variabel total dengan variabel count

5. Melakukan looping sebanyak data yang dipakai, untuk menghitung

selisih nilai setiap data dengan nilai variabel rata2_kolom

6. Hitung nilai SSE dengan menambahkan kuadrat nilai variabel selisih

7. Deklarasikan return value nilai variabel SSE

Nama Method

BacaSSE(ArrayList bidang1, ArrayList bidang2,

ArrayList bidang3, ArrayList bidang4, ArrayList

bidang5, ArrayList bidang6, int SSE_bidang1, int

SSE_bidang2, int SSE_bidang3, int SSE_bidang4, int

SSE_bidang5, int SSE_bidang6)

Fungsi Method Membaca nilai SSE yang telah disimpan sebelumnya

Algoritma :

1. Membuat objek baru dari kelas Properties

2. Panggil method load dan getProperty dari objek yang telah dibuat

sebelumnya

3. Tampung nilai hasil dari proses pemanggilan method pada ArrayList

Nama Method Search(String keyword, JTable Tabel,

DefaultTableModel Model)

Fungsi Method Melakukan proses pencarian berdasarkan nilai inputan

dari pengguna

Algoritma :

1. Membuat objek baru dari kelas TableRowSorter

2. Memanggil method setRowSorter untuk objek Tabel dengan parameter


95

objek dari kelas TableRowSorter

3. Memanggil method setRowFilter dari objek dari kelas TableRowSorter

dengan parameter keyword.


96

LAMPIRAN 6

PROSEDUR PENGUJIAN DAN KASUS UJI

Identifikasi

Use Case Deskripsi

Prosedur

Pengujian Masukan

Keluaran yang

Diharapkan

Hasil yang

Didapatkan

Catatan Proses

Pengembangan

UC-001A Mengimpor file

berekstensi xls

1. Pilih menu

Clustering

2. Pilih tombol

“Impor File”

3. Pilih file dengan

ekstensi xls

4. Pilih tombol

“open”

Evaluasi_Pembelaj

aran.xls

Data ditampilkan ke

dalam tabel pada

halaman Clustering

Data ditampilkan

ke dalam tabel

pada halaman

Clustering

Tidak ada

perbaikan

UC-001B Mengimpor file

yang tidak

berekstensi xls

1. Pilih menu

Clustering

2. Pilih tombol

“Impor File”

3. Pilih file dengan

ekstensi xls

4. Pilih tombol

“open”

Evaluasi_Pembelaj

aran.xlsx

Ditampilkan

pemberitahuan

pesan kesalahan

Ditampilkan pem-

beritahuan pesan

kesalahan

Tidak ada

perbaikan


97

UC-002 Melakukan

pengujian terhadap

proses dan hasil

dari peng-

implementasian

metode elbow

1. Inputkan jumlah

cluster

2. Pilih jenis

bidang penilaian

3. Pilih tombol

“ok”

Jumlah cluster : 2

Bidang penilaian :

Bidang

keseluruhan

Ditampilkan grafik

yang merupakan re-

presentasi hasil dari

pengimplementasian

metode elbow

Ditampilkan

grafik yang meru-

pakan representasi

hasil dari

pengimplementasi

an metode elbow

Tidak ada

perbaikan

UC-003 Melakukan

pengujian terhadap

proses dan hasil

clustering

1. Inputkan jumlah

cluster

2. Pilih jenis

bidang penilaian

3. Pilih tombol

“ok”

Jumlah cluster : 2

Bidang penilaian :

Bidang

keseluruhan

Hasil dari proses

clustering serta

analisis anggota dan

struktur cluster

ditampilkan ke

dalam bentuk tabel

Hasil dari proses

clustering serta

analisis anggota

dan struktur

cluster ditampil-

kan ke dalam

bentuk tabel

Tidak ada

perbaikan

UC-004 Melakukan

pencarian dengan

menginputkan kata

kunci tertentu

1. Inputkan kata

kunci pada

textfield yang

disediakan

Kata kunci :

Skripsi

Hasil pencarian

ditampilkan dalam

tabel

Hasil pencarian

ditampilkan dalam

tabel

Tidak ada

perbaikan


98

UC-005A Mengekspor hasil

clustering ke

direktori komputer

dengan nama yang

berbeda dengan

data yang sudah

ada

1. Pilih tombol

“Ekspor File”

pada halaman

Hasil Clustering

2. Pilih direktori

penyimpanan

3. Beri nama pada

file yang akan

diekspor

4. Pilih tombol

“save”

Nama file :

Clustering

Direktori

penyimpanan :

D:/data

Tipe file : xls

File berhasil

disimpan dan

ditampilkan pesan

pem-beritahuan

bahwa file telah

berhasil disimpan

File berhasil

disimpan dan

ditampilkan pesan

pemberitahuan

bahwa file telah

berhasil disimpan

Tidak ada

perbaikan

UC-005B Mengekspor hasil

clustering ke

direktori komputer

dengan nama yang

sama dengan data

yang sudah ada

(pada direktori

yang sama)

1. Pilih tombol

“Ekspor File”

pada halaman

Hasil Clustering

2. Pilih direktori

penyimpanan

3. Beri nama pada

file yang akan

diekspor

4. Pilih tombol

Nama file :

Clustering

Direktori

penyimpanan :

D:/data_hasil

Tipe file : xls

File gagal disimpan

dan ditampilkan

pesan

pemberitahuan

bahwa nama sudah

digunakan oleh file

lain

File gagal

disimpan dan

ditampilkan pesan

pemberitahuan

bahwa nama

sudah digunakan

oleh file lain

Tidak ada

perbaikan


99

“save”


100

LAMPIRAN 7

PENGHITUNGAN MANUAL

Penghitungan manual proses clustering dengan menerapkan algoritma K-

Means++ menggunakan data Evaluasi Pembelajaran sejumlah 15 data. Pada

penghitungan manual ini, proses clustering menggunakan k (jumlah cluster) = 2

dan jenis bidang penilaian yang dipakai yaitu bidang keseluruhan. Dataset yang

digunakan tertera pada tabel berikut.

Nama Matakuliah P1 P2

001 Fisika Dasar 5,22 5,11

002 Gambar Teknik Terapan 6,43 6,33

005 Matematika Diskret 4,84 4,38


014 Praktikum Metode Numeris 3,25 3,33

019 Penambangan Data 6,40 6,40

023 Elektronika 2 4,90 4,93

032 Rekayasa Tenaga Surya 6,40 6,40

035 Algoritma Genetika 4,50 4,84


038 Kalkulus Diferensial 6,65 6,61

040 Material Teknik 2 5,85 5,78

049 Pengenalan Pola 4,45 4,00

059 Konversi Energi Listrik 6,21 6,36

061 Sistem Operasi 4,14 3,43


101

Proses clustering dengan menerapkan algoritma K-Means++, dilakukan dengan

langkah – langkah sebagai berikut :

1. Menentukan satu centroid awal dalam proses clustering. Pada algoritma

K-Means++, satu centroid awal dipilih secara acak.

Centroid 1 : 001 – Fisika Dasar

2. Menentukan centroid ke dua dan seterusnya. Proses diawali dengan

menghitung jarak tiap data ke centroid yang telah terpilih, kemudian

tentukan jarak centroid terdekat dari tiap data dan hitung kuadrat dari jarak

terdekat tersebut. Setelah itu, hitung probabilitas dan probabilitas

kumulatif setiap data. Hasil proses penghitungan tertera pada tabel di

bawah ini.

ID D1 MIN MIN2

D(x)2/∑D(x)

2 Kumulatif

001 0,00 0,00 0,00 0,00 0,00

002 1,717123

726

1,717123

726

2,948513

889 0,079815176 0,079815176

005 0,818550

548

0,818550

548 0,670025 0,018137328 0,097952504

007 1,705615

725

1,705615

725 2,909125 0,078748933 0,176701438

014 2,651702

283

2,651702

283 7,031525 0,190340771 0,367042208

019 1,751977

454

1,751977

454 3,069425 0,083088195 0,450130403

023 0,364725

924

0,364725

924 0,133025 0,003600937 0,453731341

032 1,751977

454

1,751977

454 3,069425 0,083088195 0,536819536

035 0,768960

337

0,768960

337 0,5913 0,016006271 0,552825807

037 1,737534

172

1,737534

172 3,019025 0,081723886 0,634549693

038 2,076035

886

2,076035

886 4,309925 0,116668069 0,751217762

040 0,921618

82

0,921618

82

0,849381

25 0,022992435 0,774210197

049 1,346820

33

1,346820

33 1,813925 0,049102276 0,823312473


102

059 1,598475

837

1,598475

837 2,555125 0,069166285 0,892478758

061 1,992993

979

1,992993

979 3,972025 0,107521242 1

Untuk menentukan centroid yang terpilih, proses yang dilakukan adalah

dengan membangkitkan nilai acak. Nilai acak yang dibangkitkan sebesar

0.8314409887870612, setelah itu bandingkan nilai acak dengan

probabilitas kumulatif tiap data. Data yang memiliki probabilitas kumulatif

lebih besar dibanding nilai acak, akan terpilih sebagai centroid.

Centroid 2 : 059 – Konversi Energi Listrik.

3. Setelah mendapatkan semua centroid awal untuk proses clustering, proses

selanjutnya adalah menghitung jarak tiap data ke semua centroid dengan

menerapkan metode euclidian distance. Hasil penghitungan jarak ke suatu

centroid dibandingkan dengan jarak ke centroid lainnya, pilih jarak

terdekat dengan centroid dan tetapkan suatu data tergabung ke dalam suatu

cluster. Jarak terdekat dengan suatu centroid, berarti bahwa data yang

dimaksud berada satu cluster dengan suatu centroid tertentu.

Nama C1 C2 Jarak

Terpendek Cluster

001 0,00 1,60 0,00 1

002 1,72 0,22 0,22 2

005 0,82 2,41 0,82 1

007 1,71 0,13 0,13 2

014 2,65 4,24 2,65 1

019 1,75 0,19 0,19 2

023 0,36 1,94 0,36 1

032 1,75 0,19 0,19 2

035 0,77 2,29 0,77 1

037 1,74 0,30 0,30 2

038 2,08 0,51 0,51 2


103

040 0,92 0,68 0,68 2

049 1,35 2,94 1,35 1

059 1,60 0,00 0,00 2

061 1,99 3,59 1,99 1

4. Setelah proses menetapkan setiap data ke suatu cluster, diketahui anggota

dari tiap cluster. Proses selanjutnya adalah menghitung centroid baru

sesuai anggota cluster.

Centroid 1

P1 : (5,22 + 4,84 + 3,25 + 4,90 + 4,50 + 4,45 + 4,14) / 7 = 4,4714

P2 : (5,11 + 4,38 + 3,33 + 4,93 + 4,84 + 4,00 + 3,43) / 7 = 4,2871

Centroid 2

P1 : (6,43 + 6,33 + 6,40 + 6,40 + 6,50 + 6,65 + 5,85 + 6,21) / 8 =

6,345

P2 : (6,33 + 6,40 + 6,40 + 6,40 + 6,28 + 6,61 + 5,78 + 6,36) / 8 =

6,319

5. Setelah mendapatkan centroid baru, proses selanjutnya melakukan

penghitungan ulang jarak tiap data ke semua centroid baru, dan tetapkan

setiap data masuk ke dalam cluster yang mana.

Nama C1 C2 Jarak

Terpendek Cluster

001 1,11 1,66 1,11 1

002 2,83 0,08 0,08 2

005 0,38 2,46 0,38 1

007 2,81 0,08 0,08 2

014 1,55 4,30 1,55 1

019 2,86 0,10 0,10 2

023 0,77 2,01 0,77 1

032 2,86 0,10 0,10 2

035 0,55 2,37 0,55 1


104

037 2,84 0,16 0,16 2

038 3,18 0,42 0,42 2

040 2,03 0,73 0,73 2

049 0,29 3,00 0,29 1

059 2,71 0,14 0,14 2

061 0,92 3,64 0,92 1

6. Proses clustering berhenti, karena tidak ada perubahan anggota cluster dari

proses sebelumnya. Hasil akhir clustering, tertera pada tabel di bawah ini.

Nama Matakuliah P1 P2 Cluster

001 Fisika Dasar 5,22 5,11 1

002 Gambar Teknik Terapan 6,43 6,33 2

005 Matematika Diskret 4,84 4,38 1

007 Algoritma dan

Pemrograman 6,33 6,40 2

014 Praktikum Metode

Numeris 3,25 3,33 1

019 Penambangan Data 6,40 6,40 2

023 Elektronika 2 4,90 4,93 1

032 Rekayasa Tenaga Surya 6,40 6,40 2

035 Algoritma Genetika 4,50 4,84 1

037 Algoritma dan

Pemrograman 6,50 6,28 2

038 Kalkulus Diferensial 6,65 6,61 2

040 Material Teknik 2 5,85 5,78 2

049 Pengenalan Pola 4,45 4,00 1

059 Konversi Energi Listrik 6,21 6,36 2

061 Sistem Operasi 4,14 3,43 1


pengelompokan data evaluasi pembelajaran …repository.usd.ac.id/35505/2/155314026_full.pdf · data...

Documents