pengelompokan data guru untuk pemilihan calon … · calon pengawas satuan pendidikan ... skripsi...

i

PENGELOMPOKAN DATA GURU UNTUK PEMILIHAN

CALON PENGAWAS SATUAN PENDIDIKAN

MENGGUNAKAN ALGORITMA FUZZY C-MEANS

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana

Komputer Program Studi Teknik Informatika

Oleh:

Baptista Yorangga Varani

13 5314 123

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

2018

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

THE GROUPING OF TEACHER’S DATA FOR THE

SELECTION OF EDUCATION UNITS USING FUZZY C-

MEANS ALGORITHM

A THESIS

Presented as Partial Fulfillment of The Requirement To Obtain The Sarjana

Komputer Degree In Informatics Engineering Study Program

By:


13 5314 123

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2018


iii

HALAMAN PERSETUJUAN

SKRIPSI

PENGELOMPOKAN DATA GURU UNTUK PEMILIHAN CALON

PENGAWAS SATUAN PENDIDIKAN MENGGUNAKAN ALGORITMA

FUZZY C-MEANS

Oleh :


135314123

Telah disetujui oleh :

Dosen Pembimbing

Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. Tanggal : …………………


iv

HALAMAN PENGESAHAN



FUZZY C-MEANS

Dipersiapkan dan ditulis oleh :


NIM : 135314123

Telah dipertahankan didepan Dewan Penguji

Pada Tanggal : 26 Januari 2018

Dan dinyatakan memenuhi syarat

Susunan Dewan Penguji

Jabatan Nama Lengkap Tanda Tangan

Ketua Albert Agung Hadhiatma M.T. ………………

Sekretaris Eko Hari Parmadi M.Kom. ………………

Anggota Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. ………………

Yogyakarta, ……………………

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

Sudi Mungkasi, S.Si., M.Math. Sc., Ph.D.


v

MOTTO

“Ide itu bisa muncul kapan saja dimana saja, jadi siapkan dirimu”

“Jangan pernah menunggu, Waktunya tidak akan pernah tepat”

“Hidup seperti tangga, makin naik makin berat, tapi makin tinggi”


vi

HALAMAN PERSEMBAHAN

Karya ini kupersembahkan kepada :

Tuhan Yesus Kristus

Bunda Maria

Almarhum Papa Florentius Parna

Ibunda tercinta Esti Dewanti Maria

Keluarga tersayang

Sahabat

Teman

Pacar


vii

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa tugas akhir yang saya tulis

tidak mengandung atau memuat hasil karya orang lain, kecuali yang telah

disebutkan dalam daftar pustaka dan kutipan selayaknya karya ilmiah.

Yogyakarta, ...............................2018

Penulis



viii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma

Nama : Baptista Yorangga Varani

Nomor Mahasiswa : 135314123

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul :



FUZZY C-MEANS

Beserta perangkat yang ada (bila ada). Dengan demikian saya memberikan kepada

Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam

bentuk media lain, mengelolanya di internet atau media lain untuk kepentingan

akademis tanpa perlu meminta ijin dari saya maupun memberikan royalty kepada

saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya Dibuat di Yogyakarta

Pada Tanggal : .................................................................................................. 2018



ix

ABSTRAK

Mutu pendidikan sangat bergantung ada pengelolaan pendidikan, salah

satu faktor penting dalam pengelolaan pendidikan adalah pengawasan dan

evaluasi. Pengawasan pendidikan yang berkesinambungan dan didukung dengan

penunjukan pengawas yang sesuai kompetensi akan berimplikasi terhadap mutu

pendidikan. Permasalahan yang saat ini sering terjadi adalah proses

pengelompokan data guru untuk dipilih menjadi calon pengawas masih dilakukan

secara konvensional, sehingga diperlukan suatu model pengelompokan data guru

untuk mendapatkan informasi yang berguna dalam merencakanakan langkah-

langkah strategis dan regulasi kebijakan penentuan calon pengawas satuan

pendidikan.

Dengan memanfaatkan teknologi informasi dan komunikasi khususnya

bidang Data Mining pada penelitian pengelompokan data guru akan

menggunakan metode Fuzzy C-Means dengan nilai akurasi error yang ditentukan

sekecil mungkin sehingga akan dapat dilakukan suatu pengelompokan dengan

lebih baik dan akurat. Hasil yang didapat pada pengelompokan data guru

menggunakan algoritma Fuzzy C-Means menghasilkan akurasi 30-50%

tergantung inisialisasi awal. Inisialisasi awal yang digunakan dalam proses

clustering mempengaruhi nilai pusat cluster dan juga hasilnya. Kemudian

Silhouette Coefficient digunakan untuk melihat seberapa konsisten cluster yang

telah berhasil dibentuk.

Kata Kunci : Pengelompokkan, Data Mining, Cluster, Fuzzy C-Means, Data Guru


x

ABSTRACT

The quality of education depends heavily on education management, one

of the most important factors in the management of education is supervision and

evaluation. Continuous education supervision and supported by the appointment

of appropriate supervisors of competence will have implications for the quality of

education. The problem that often happens today is the process of grouping

teacher data to be elected as supervisor is still done conventionally, so it needs a

model of teacher data grouping to get information useful in planning strategic

steps and regulation of policy of determination of candidate of supervisor of

education unit.

By utilizing information and communication technology especially Data

Mining field in research of teacher data grouping will use Fuzzy C-Means method

with error accuracy value which determined as small as possible so that can be

done a grouping with better and accurate. The results obtained on teacher data

clustering using Fuzzy C-Means algorithm produce 30-50% accuracy depending

on initial initialization. The initial initializations used in the clustering process

affect the value of the cluster center and also the results. Then Silhouette

Coefficient is used to see how consistent clusters have been established.

Keywords: Grouping, Data Mining, Cluster, Fuzzy C-Means, Master Data


xi

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas

berkat dan karunia-Nya, penulis dapat menyelesaikan tugas akhir dengan lapang

dada. Skripsi ini disusun sebagai salah satu syarat untuk memperoleh gelar sarjana

komputer Teknik Informatika di Universitas Sanatha Dharma.

Penulis sadar bahwa tanpa melibatkan bantuan dan dukungan banyak

pihak skripsi ini sulit untuk selesai. Oleh sebab itu atas bantuan dan dukungan dari

berbagai pihak, penulis menghaturkan ucapan terima kasih kepada:

1. Tuhan Yang Maha Esa karena limpahan berkat dan rahmat-Nya sehingga

tugas akhir ini bisa selesai.

2. Sudi Mungkasi, S.Si., M.Math., Ph.D., selaku dekan dari Fakultas Sains

dan Teknologi Universitas Sanata Dharma.

3. Dr. Anastasia Rita Widiarti, S.Si., M.Kom., selaku ketua prodi Teknik

Informatika yang telah membantu dalam pembuatan proposal dan penlisan

bab satu hingga bab tiga.

4. Romo Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen

pembimbing tugas akhir yang dengan sabar dan membimbing penulis

dalam penyusunan tugas akhir ini.

5. Seluruh dosen Universitas Sanata Dharma atas ilmu yang diberikan selama

penulis menuntut ilmu di Universitas Sanata Dharma dan sangat

membantu untuk penulis dalam menyelesaikan tugas akhir.

6. Orang tua, serta keluarga tercinta yang memberikan dukungan material

dan non material, doa dan motivasi dalam penyelesaian tugas akhir.

7. Teman-teman seangkatan 2013 yang saling memberikan motivasi dalam

pembuatan tugas akhir penulis.

8. Teman-teman kontrakan Joseph Dewandaru, Advent Prasetyo dan Andreas

Indra yang senantiasa memberikan semangat setiap saat untuk segera

menyelesaikan tugas akhir.


xii

9. Teman-teman Grub Ti’C 2013, Hendra “Simbah”, Eky “peteng” , Pandu,

Adhi, Adhit, dan teman-teman lain yang tidak dapat saya sebut satu per

satu yang juga telah berkontribusi meskipun hanya sedikit.

10. Kepada teman saya yang hedonis yakni Awan Gemilang yang selalu

memberikan batu sandungan kepada saya dalam menyelesaikan tugas

akhir ini.

11. Kepada pacar yang senantiasa setiap hari memberikan dukungan moral,

doa dan motivasi sehingga penulis segera menyelesaikan tugas akhir.

12. Komunitas CB KALEM Muntilan yang juga senantiasa memberikan

semangat untuk menyelesaikan tugas akhir.


xiii

DAFTAR ISI

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

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

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

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

MOTTO .................................................................................................................. v

PERNYATAAN KEASLIAN KARYA ............................................................... vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS ............................................................ viii

ABSTRAK ............................................................................................................. ix

ABSTRACT .............................................................................................................. x

KATA PENGANTAR ........................................................................................... xi

DAFTAR ISI ........................................................................................................ xiii

DAFTAR GAMBAR ............................................................................................ xv

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

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

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

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

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

1.4 Batasan Masalah ....................................................................................... 3

1.5 Manfaat Penelitian .................................................................................... 3

1.6 Metode Penelitian ..................................................................................... 3

1.7 Sistematika Penulisan ............................................................................... 4

BAB II LANDASAN TEORI ................................................................................. 6

2.1 Data Mining .............................................................................................. 7

2.2 Clustering ................................................................................................. 9

2.3 Fuzzy Logic ............................................................................................ 10

2.4 Fuzzy C-Means ....................................................................................... 16

2.5 Confusion Matrix ................................................................................... 18

2.6 Silhouette Coefficient ............................................................................. 19


xiv

BAB III METODOLOGI PENELITIAN.............................................................. 23

3.1 Bahan Riset/ Pengumpulan Data ............................................................ 23

3.2 Data Preprocessing ................................................................................. 24

3.3 Pembentukan Derajat Keanggotaan (Matriks µik) .................................. 26

3.4 Inisialisasi Data ...................................................................................... 27

3.5 Proses Clustering .................................................................................... 27

3.6 Kebutuhan Sistem ................................................................................... 32

3.7 Perancangan Antarmuka Sistem ............................................................. 32

BAB IV IMPLEMENTASI SISTEM DAN ANALISA HASIL .......................... 38

4.1 Implementasi Program ........................................................................... 38

4.1.1 Tampilan Awal ................................................................................ 38

4.1.2 Tampilan Utama Sistem .................................................................. 38

4.2 Hasil dan Analisa .................................................................................... 43

4.3 Kelebihan dan Kekurangan Sistem ........................................................ 46

4.3.1 Kelebihan Sistem ............................................................................ 46

4.3.2 Kekurangan Sistem ......................................................................... 47

BAB V PENUTUP ................................................................................................ 48

5.1 Analisa Hasil .......................................................................................... 48

5.2 Kesimpulan ............................................................................................. 48

5.3 Saran ....................................................................................................... 49

DAFTAR PUSTAKA ........................................................................................... 50

LAMPIRAN .......................................................................................................... 51


xv

DAFTAR GAMBAR

Gambar 2. 1 Tahap-tahap penambangan data. (Han, et al., 2006) .......................... 8

Gambar 2. 2 Representasi Linear Naik ................................................................. 13

Gambar 2. 3Representasi Linear Turun ................................................................ 13

Gambar 2. 4 Representasi Kurva Segitiga ............................................................ 14

Gambar 2. 5 Confusion Matrix : (Kohavi&Provost,1998) ................................... 19

Gambar 3. 1 Blok Diagram Penelitian .................................................................. 23

Gambar 3. 2 Rancangan Halaman Awal ............................................................... 33

Gambar 3. 3 Rancangan Halaman Fuzzy C-Means .............................................. 34

Gambar 3. 4 Rancangan Input Data ...................................................................... 34

Gambar 3. 5 Tampilan Data .................................................................................. 35

Gambar 3. 6 Tampilan Data Preproses ................................................................. 35

Gambar 3. 7 Tampilan Inisialisasi Awal ............................................................... 36

Gambar 3. 8 Tampilan Derajat Keanggotaan ........................................................ 36

Gambar 3. 9 Tampilan Hasil Cluster dan Akurasi ................................................ 37

Gambar 4. 1 Halaman Awal .................................................................................. 38

Gambar 4. 2 Tampilan Utama Fuzzy C-Means .................................................... 39

Gambar 4. 3 Tampilan Input Data ........................................................................ 39

Gambar 4. 4 Tampilan Data Preprocessing.......................................................... 40

Gambar 4. 5 Inisialisasi Awal ............................................................................... 41

Gambar 4. 6 Tampilan Derajat Keanggotaan ........................................................ 42

Gambar 4. 7 Tampilan Hasil Cluster dan Akurasi ................................................ 43


xvi

DAFTAR TABEL

Tabel 2. 1 Spesifikasi Clustering ............................................................................ 6

Tabel 2. 2 Kriteria pengelompokkan berdasarkan SC .......................................... 22

Tabel 3. 1 Tabel Preprocess .................................................................................. 25

Tabel 3. 2 Fungsi FFCM_initV ............................................................................. 27

Tabel 3. 3 Data Mentah ......................................................................................... 29

Tabel 3. 4 Data Preprocessing ............................................................................... 29

Tabel 3. 5 Inisialisasi Data Awal .......................................................................... 29

Tabel 3. 6 Matriks µik ........................................................................................... 29

Tabel 3. 7 Pusat Cluster Vij .................................................................................. 30

Tabel 3. 8 Fungsi Objektif .................................................................................... 30

Tabel 3. 9 Derajat Keanggotaan Baru ................................................................... 30

Tabel 3. 10 Fungsi Objektif Hingga Iterasi 3 ........................................................ 30

Tabel 3. 11 Derajat Keanggotaan Hingga iterasi 3 ............................................... 31

Tabel 3. 12 Pengelompokan data .......................................................................... 31

Tabel 4. 1 Hasil Pengujian Data Guru .................................................................. 43

Tabel 4. 2 Tabel Silhouette Coefficient ................................................................. 45


1

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Pendidikan merupakan faktor penting dalam meningkatkan

kesejahteraan suatu bangsa. Pendidikan yang bermutu akan menghasilkan

output masyarakat yang berkualitas dan mandiri. Selain proses

pengelolaan juga dibutuhkan suatu monitoring dan evaluasi dengan

melakukan pengawasan terhadap setiap jenjang satuan pendidikan. Dalam

konteks penyelenggaraan pendidikan, konsep pengawasan memiliki posisi

dan peranan yang cukup penting. Dalam konteks penyelenggaraan

pendidikan bila hanya mengandalkan suatu perencanaan tanpa dibarengi

dengan pengawasan yang baik maka tidak akan berguna atau dapat

dikatakan dapat menimbulkan banyak penyimpangan-penyimpangan

sangat sulit untuk dideteksi, sehingga semua program yang sudah

dicanangkan menjadi tidak terukur secara jelas tingkat keberhasilannya.

Pengawasan yang dilakukan pada satuan pendidikan adalah seorang kepala

sekolah dan atau guru yang diberikan tugas, wewenang dan tanggung

jawab secara penuh untuk melakukan pengawasan pendidikan dengan

melaksanaan penilaian dan bimbingan dari segi teknis pendidikan dan

administrasi.

Pengawasan pengelolaan pendidikan yang berkesinambungan dan

penunjukan pengawas yang sesuai dengan kompetensi akan berimplikasi

terhadap mutu pendidikan. Permasalahan pengelompokan secara

konvensional tidak dapat mengolah data guru secara cepat dan akurat

menyebabkan penilaian calon menjadi kurang obyektif, sehingga

diperlukan pengelompokan data guru dengan untuk mendapatkan

informasi yang lebih akurat dalam merencanakan langkah strategis dan

kebijakan dalam mengambil keputusan untuk penerimaan calon pengawas

satuan pendidikan. Dengan memanfaatkan teknologi informasi khususnya

bidang data mining dengan menggunakan metode Fuzzy C-Means akan


2

dapat dilakukan suatu pengelompokan dengan lebih baik dan akurat. Salah

satu kelebihan pengelompokan dengan menggunakan Fuzzy C-Means

adalah dapat mencari pola sampel data yang besar dengan variabel dan

kompleksitas yang tinggi.

Pengolahan data atau data mining telah banyak menjadi obyek

penelitian oleh beberapa peneliti, pada contohnya jurnal oleh Muslem

(2014) yang juga membahas tentang clustering dengan menggunakan

FCM (fuzzy c-means) dan kohonen SOM (self organizing maps) untuk data

guru. Berdasarkan jurnal tersebut penulis menggunakan dua metode yang

dibandingkan untuk mendapatkan clustering yang optimal untuk data

guru. Untuk mendapatkan hasil pengelompokan yang optimal, Muslem

melakukan analisa dengan mengukur persebaran data. Pada metode FCM

ini Muslem mendapatkan cluster yang optimal pada dua cluster dengan

nilai error 0.1 dan persebaran data 0.02 dan keseluruhan varian terbaik

0.00243. Sedangkan pada kohonen SOM Muslem menentukan learning

rate 0.8 dan laju pembelajaran 0.7 didapat cluster optimal dengan tiga

cluster dan nilai varian 0.00088. Dari nilai varian tersebut maka didapat

nilai varian yang optimal dengan kohonen SOM dengan tiga cluster.

Dengan demikian, dari beberapa penelitian yang dilakukan, dapat

diperoleh berbagai informasi tentang metode yang dapat digunakan untuk

pengelompokan data. Seperti pada jurnal oleh Muslem tersebut,

penggunaan metode Fuzzy C-Means (FCM) digunakan untuk

mendapatkan model pengelompokan yang ideal terhadap karakteristik dari

data guru menggunakan cluster variance atau standar deviasi dari tiap

kelas, sehingga dapat diperoleh hasil pengelompokan data yang dapat

direkomendasikan untuk diangkat sebagai calon pengawas satuan

pendidikan sesuai dengan aturan penilaian kriteria dari setiap parameter

data guru secara akurat untuk menjadi calon pengawas satuan pendidikan.

Berdasarkan uraian diatas maka penulis tertarik untuk melakukan

penelitian yang akan dituangkan sebagai proposal tugas akhir yang


3

berjudul “Pengelompokan Data Guru Untuk Pemilihan Calon Pengawas

Satuan Pendidikan Menggunakan Algoritma Fuzzy C-Means”.

1.2 Rumusan Masalah

Dari latar belakang yang ada maka rumusan masalah pada

penelitian ini adalah bagaimana algoritma Fuzzy C-means dapat

mengelompokkan calon pengawas dalam satuan pendidikan dengan baik.

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk menentukan dan atau

mengkategorikan calon pengawas yang sesuai dengan standar atau

kompetensi yang telah ditentukan sesuai dengan aturan penilaian kriteria

dari setiap parameter data guru secara akurat dengan menggunakan

algoritma fuzzy c-means.

1.4 Batasan Masalah

Batasan masalah dalam penelitian ini data yang digunakan

hanyalah data guru TK dan SD se-Yogyakarta.

1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah untuk mendapatkan

pengelompokan data guru yang dapat direkomendasikan untuk diangkat

sebagai calon pengawas satuan pendidikan sesuai dengan aturan penilaian

kriteria dari setiap parameter data guru secara akurat untuk menjadi calon

pengawas satuan pendidikan pada jenjang tertentu.

1.6 Metode Penelitian

Metode penelitian yang digunakan dalam menyelesaikan tugas akhir ini

yaitu:

1. Studi Pustaka


4

Mempelajari dan memahami konsep tentang clustering dan

memahami algoritma fuzzy c-means yang akan dipergunakan untuk

membagi data ke dalam nominasi yang ditentukan. Konsep dan materi

yang dipelajari didapat dari berbagai sumber seperti buku dan internet.

2. Pengumpulan Data

Untuk mendapatkan data guru, maka penulis melakukan survei ke

Dinas Pendidikan di Kota Yogyakarta. Kemudian data yang sudah

didapat kemudian dikombinasikan untuk dapat diolah ke dalam

beberapa nominasi.

3. Pembuatan Alat Uji

Merancang alat uji dengan menyusun algoritma fuzzy c-means

kemudian diimplementasikan ke dalam sebuah aplikasi berbasis java

4. Analisa Pembuatan Alat Uji

Analisa pembuatan alat uji bertujuan untuk menguji ketepatan atau

tingkat keakurasian dari algoritma fuzzy c-means dalam menentukan

calon pengawas dalam satuan pendidikan. Pengujian dilakukan

dengan bahasa pemrograman java yang diterapkan pada sebuah

aplikasi.

5. Pembuatan Laporan

Menganalisis hasil implementasi dan membuat kesimpulan terhadap

penelitian tugas akhir yang telah dikerjakan.

1.7 Sistematika Penulisan

Sistematika penulisan proposal tugas akhir ini adalah sebagai berikut:

1. BAB I PENDAHULUAN

Bab ini berisi latar belakang masalah, rumusan masalah, batasan

masalah, tujuan dan manfaat penelitian, metodologi penelitian, serta

sistematika penulisan.

2. BAB II LANDASAN TEORI

Berisi landasan teori yang digunakan untuk mendukung penelitian

skripsi ini, berupa data mining, serta algoritma fuzzy c-means.


5

3. BAB III METODOLOGI PENELITIAN

Bab ini berisi tentang sistem yang akan dibuat serta langkah – langkah

dan metode yang akan digunakan dalam pembuatan sistem tersebut.

4. BAB IV IMPLEMENTASI SISTEM DAN ANALISA HASIL

Bab ini berisi implementasi program yang dibuat oleh peneliti dan alur

program serta analisa hasil dari program yang dibuat.

5. BAB V PENUTUP

Bab ini berisi kesimpulan dari penelitian serta saran yang dapat

digunakan untuk penelitian selanjutnya.


6

BAB II

LANDASAN TEORI

Pada bab ini akan membahas tentang landasan teori yang digunakan oleh

penulis dalam melakukan penelitian. Pada penelitian ini penulis akan

menggunakan salah satu teknik dalam data mining yakni untuk pengelompokan

suatu data (clustering). Clustering digunakan untuk mengelompokkan suatu data

(satu set benda-benda fisik atau abstrak) kedalam kelas objek yang sama.

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.

Dari penjelasan diatas Clustering menurut Han (2006) lebih spesifik

digambarkan sebagai berikut:

Tabel 2. 1 Spesifikasi Clustering

Clustering

1. Menganalisis data objek tanpa ada label kelas

2. Label kelas tidak ada atau tidak terlihat pada training data

3. Bertujuan untuk mengelompokkan dan menentukan label kelas dari tiap

cluster yang terbentuk

4. Proses clustering berdasarkan pada prinsip: objek yang ada di dalam satu

cluster memiliki kemiripan yang tinggi dari pada yang lainnya, tetapi

sangat berbeda dengan objek yang ada pada cluster lainnya

Kemudian dalam penelitian ini penulis menggunakan metode Fuzzy C-

means dalam pengelompokan data guru. Konsep dasar dari FCM adalah


7

menentukan titik pusat cluster yang akan ditandai sebagai titik lokasi rata-rata

untuk setiap cluster-nya.

2.1 Data Mining

2.1.1 Pengertian Data Mining

Data mining (Connolly dan Begg, 2010) merupakan salah satu

proses eksplorasi dan analisis data yang memiliki banyak metode

dengan kegunaan masing-masing. Data mining merupakan gabungan

dari berbagai bidang ilmu, antara lain basis data, information retrieval,

statistika, machine learning dan sebagainya. Data mining dapat

diterapkan di berbagai bidang, seperti bisnis, kesehatan, asuransi,

pemasaran dan perbankan. Data mining merupakan cara untuk

menemukan informasi yang tersembunyi dalam sebuah basis data dan

merupakan bagian dari proses Knowledge Discovery in Database

(KDD) untuk menemukan informasi dan pola yang berguna dalam

data. Kumpulan proses tersebut meliputi : pembersihan data (data

cleaning), integrasi data (data integration), pemilihan data (data

selection), transformasi data (data transformation), data mining,

evaluasi pola (pattern evaluation), knowledge presentation.

Data Mining (DM), sering juga disebut knowledge discovery in

database (KDD), adalah kegiatan yang meliputi pengumpulan,

pemakaian data historis untuk menemukan keteraturan, pola atau

hubungan dalam set data berukuran besar. Keluaran data mining ini

bisa dipakai untuk memperbaiki pengambilan keputusan di masa

depan. Data mining merupakan gabungan teori dan heuristik, fokus

pada seluruh proses penemuan knowledge/pola termasuk data

cleaning, learning, dan visualisasi dari hasilnya. Karena DM adalah

suatu rangkaian proses, tahap-tahap data mining dapat dibagi menjadi

beberapa tahap yang diilustrasikan di bawah ini:


8

Gambar 2. 1 Tahap-tahap penambangan data. (Han, et al., 2006)

Tahap-tahap tersebut, bersifat interaktif dimana pemakai terlibat

langsung atau dengan perantaraan knowledge base.

a. Pembersihan data (untuk membuang data yang tidak konsisten dan

noise)

b. Integrasi data (penggabungan data dari beberapa sumber)

c. Transformasi data (data diubah menjadi bentuk yang sesuai untuk

di-mining)

d. Aplikasi teknik DM

e. Evaluasi pola yang ditemukan (untuk menemukan yang

menarik/bernilai)

f. Presentasi pengetahuan (dengan teknik visualisasi)


9

2.1.2 Tugas Data Mining

Inti dari Data mining adalah menggali data untuk mendapatkan

informasi penting yang tersembunyi dalam data tersebut (Han, 2006).

Data mining mendukung task/fungsionalitas yang meliputi :

a. Prediktive

Menghasilkan model berdasarkan sekumpulan data yang dapat

digunakan untuk memperkirakan nilai data yang lain. Metode yang

termasuk prediktive data mining :

1) Klasifikasi : pembagian data ke dalam beberapa

kelompok/kelas yang telah ditentukan sebelumnya

2) Regresi : memetakan data ke suatu prediction variable

3) Time Series Analysis : pengamatan perubahan nilai atribut dari

waktu ke waktu

b. Deskriptive

Mengidentifikasi pola atau hubungan dalam data untuk

menghasilkan informasi baru. Metode yang termasuk deskriptive

data mining :

1) Clustering : mengelompokkan beberapa objek yang serupa ke

dalam sebuah cluster, dan yang tidak serupa ke cluster yang

lain

2) Association rules : identifikasi hubungan antara data yang satu

dengan yang lainnya

3) Summarization : pemetaan data ke dalam subset dengan

deskripsi sederhana

Sequence discovery : identifikasi pola sekuensial dalam data

2.2 Clustering

Menurut Han (2006) pada dasarnya clustering terhadap data adalah

suatu proses untuk mengelompokkan sekumpulan data tanpa suatu atribut

kelas yang telah didefinisikan sebelumnya, berdasarkan pada prinsip


10

konseptual clustering yaitu memaksimalkan dan juga meminimalkan

kemiripan intra kelas. Misalnya, sekumpulan obyek-obyek komoditi

pertama-tama dapat di clustering menjadi sebuah himpunan kelas-kelas

dan lalu menjadi sebuah himpunan aturan-aturan yang dapat diturunkan

berdasarkan suatu klasifikasi tertentu. Proses untuk mengelompokkan

secara fisik atau abstrak obyek-obyek ke dalam bentuk kelas-kelas atau

obyek-obyek yang serupa, disebut dengan clustering atau unsupervised

classification. Melakukan analisa dengan clustering, akan sangat

membantu untuk membentuk partisi-partisi yang berguna terhadap

sejumlah besar himpunan obyek dengan didasarkan pada prinsip "divide

and conquer" yang mendekomposisikan suatu sistem skala besar, menjadi

komponen-komponen yang lebih kecil, untuk menyederhanakan proses

desain dan implementasi. Perbedaan utama antara Clustering Analysis dan

klasifikasi adalah bahwa Clustering Analysis digunakan untuk

memprediksi kelas dalam format bilangan real dan pada format

katagorikal atau Boolean.

2.3 Fuzzy Logic

Logika fuzzy adalah komponen pembentuk soft computing. Dasar

logika fuzzy adalah teori himpunan fuzzy. Himpunan fuzzy adalah kelas

objek dengan rangkaian nilai keanggotaan. Himpunan tersebut ditandai

dengan fungsi keanggotaan yang diberikan kepada setiap objek dengan

nilai berkisar antara nol dan satu. Notasi yang digunakan antara lain

laininclusion, union, intersection, komplemen, relasi, berbagai sifat dari

notasi dalam konteks himpunan fuzzy juga diterapkan (Zadeh, 1965).

2.3.1 Himpunan Fuzzy

Himpunan fuzzy pertama kali dikembangkan pada tahun 1965 oleh

Zadeh, teori himpunan fuzzy telah banyak dikembangkan dan

diaplikasikan dalam berbagai masalah nyata. Ada beberapa hal yang perlu

diketahui dalam memahami himpunan fuzzy (Susilo, 2003), yaitu:


11

1. Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu

sistem fuzzy. Contoh: permintaan, persediaan, produksi.

2. Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi

atau keadaan tertentu dalam suatu variabelfuzzy. Himpunan fuzzy

memiliki dua atribut, yaitu (Kusumadewi, 2013): a). Linguistik, yaitu

penamaan suatu grup yang mewakili suatu keadaan atau kondisi

tertentu dengan menggunakan bahasa alami. Contoh: muda, parobaya,

tua. b). Numeris, yaitu suatu nilai angka yang menunjukkan ukuran

dari suatu variabel. Contoh: 3, 4, 17.

3. Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan

untuk dioperasikan dalam suatu variabel fuzzy. Contoh: semesta

pembicaraan untuk variabel temperatur: X= [0,100]

4. Domain himpunan fuzzy adalah keseluruhan nilai yang diizinkan

dalam semesta pembicaraan dan boleh dioperasikan dalam suatu

himpunan fuzzy. Contoh domain himpunan fuzzy untuk semesta X=[0,

120].

2.3.2 Operasi Himpunan Fuzzy

Operasi himpunan fuzzy digunakan untuk mengkombinasi dan

memodifikasi himpunan fuzzy. Nilai keanggotaan sebagai hasil dari

operasi dua himpunan sering dikenal dengan nama fire strength atau α-cut.

Ada tiga operator dasar yang diciptakan oleh Zadeh, yaitu: AND, OR, dan

NOT.

1. Operator AND

Operator AND (intersection) berhubungan dengan operasi irisan pada

himpunan. Intersection dari 2 himpunan adalah minimum dari tiap

pasangan elemen pada kedua himpunan. Contoh: (A∩B)(x) =

min[A(x), B(x)].

2. Operator OR


12

Operasi OR (union) berhubungan dengan operasi gabungan pada

himpunan. Union dari 2 himpunan adalah maksimum dari tiap pasang

elemen pada kedua himpunan. Contoh: (AUB)(x) = max[A(x), B(x)].

3. Operator NOT

Operasi NOT berhubungan dengan operasi komplemen pada

himpunan. Komplemen himpunan fuzzy A diberi tanda Ac (NOT A)

dan didefinisikan sebagai : Ac (x) = 1 – A(x). Derajat keanggotaannya

adalah µAc (x) = 1 - µA(x).

2.3.3 Fungsi Keanggotaan

Fungsi keanggotaan adalah suatu kurva yang menunjukkan

pemetaan titik-titik input data ke dalam nilai keanggotaannya yang

memiliki interval antara 0 sampai 1. Salah satu cara yang digunakan untuk

menggambarkan nilai keanggotaan adalah dengan melalui pendekatan

fungsi. Ada beberapa fungsi yang digunakan yaitu:

1. Representasi Linear

Pada representasi linear, pemetaan input ke derajat keanggotaannya

digambarkan sebagai suatu garis lurus. Ada dua representasi linier,

yaitu:

a. Representasi linear naik, yaitu kenaikan himpunan dimulai dari

nilai domain yang memiliki nilai keanggotaan nol [0] bergerak ke

kanan menuju ke nilai domain yang memiliki derajat keanggotaan

yang lebih tinggi.


13

Gambar 2. 2 Representasi Linear Naik

(a, 0) dan (b, 1) fungsi keanggotannya:

=

=

[ ] ,

=

b. Representasi linear turun, yaitu garis lurus yang dimulai dari nilai

domain dengan derajat keanggotaan tertinggi pada sisi kiri,

kemudian bergerak turun ke nilai domain yang memiliki derajat

keanggotaan lebih rendah.

Gambar 2. 3Representasi Linear Turun


14

(a, 0) dan (b, 1) fungsi keanggotannya:

=

=

[ ] ,

=

=

=

2. Representasi Kurva Segitiga

Gambar 2. 4 Representasi Kurva Segitiga

Fungsi Keanggotaanya:

[ ]

{


15

2.3.4 Sistem Inferensi Fuzzy

Sistem inferensi fuzzy yaitu sistem komputasi yang bekerja atas

dasar prinsip penalaran fuzzy. Sistem inferensi fuzzy digunakan untuk

memetakan nilai input menjadi nilai output menggunakan logika fuzzy.

Sistem inferensi fuzzy dewasa ini banyak digunakan untuk berbagai

macam keperluan, seperti sistem pendukung keputusan, penentuan

produksi barang, pengenalan pola.Sistem inferensi fuzzy terdiri dari empat

unit, yaitu :

1. Fuzzifikasi adalah proses perubahan variabel numerik menjadi variabel

linguistik. Fungsi fuzzifikasi digunakan untuk mengubah nilai tegas,

misal a∈B, ke suatu himpunan fuzzy C dengan nilai keanggotaan a.

Fuzzifikasi diharapkan dapat membantu menyederhanakan komputasi

yang harus dilakukan oleh sistem tersebut dalam proses inferensinya.

2. Penalaran logika fuzzy adalah suatu cara penarikan kesimpulan

berdasarkan seperangkat implikasi fuzzy dan suatu fakta yang

diketahui. Salah satu aturan penalaran yang paling sering dipergunakan

adalah modus ponen, yang didasarkan pada tautologi:(p ^ ( p=>q))=>q.

Bentuk penalaran modus ponen adalah sebagai berikut : Premis 1x

adalah A, Premis 2. Bila x adalah A, maka y adalah B.Kesimpulan y

adalah B. Proses penarikan kesimpulan diatas terdiri dari sebuah

proposisi tunggal sebagai fakta yang diketahui (premis 1), sebuah

proposisi majemuk berbentuk implikasi, yang merupakan suatu kaidah

atau aturanyang berlaku (premis 2) dan kesimpulan yang ditarik

berdasarkan kedua proposisi tersebut.

3. Basis pengetahuan memuat fungsi-fungsi keanggotaan dari himpunan-

himpunan fuzzyyang terkait dengan nilai dari variabel-variabel

linguistik yang dipakai dan aturan-aturan berupa implikasi fuzzy.

4. Defuzzifikasi digunakan menerjemahkan himpunan nilai keluaran

kedalam nilai yang tegas. Ada beberapa metode defuzzifikasi dalam

pemodelan sistem fuzzy, yaitu :


16

a. Metode Centroid. Pada metode ini, solusi nilai tegas diperoleh

dengan mengambil titik pusat (z*) daerah fuzzy.

b. Metode Bisektor. Pada metode ini, solusi nilai tegas diperoleh

dengan cara mengambil nilai pada domain fuzzy yang memiliki

nilai keanggotaan setengah dari jumlah total nilai keanggotaan pada

daerah fuzzy.

c. Metode Mean of Maximum (MOM). Pada metode ini solusi nilai

tegas diperoleh dengan cara mengambil nilai rata-rata domain yang

memiliki nilai keanggotaan maksimum.

d. Metode Largest of Maximum (LOM). Pada metode ini, solusi nilai

tegas diperoleh dengan cara mengambil nilai terbesar dari domain

yang memiliki nilai keanggotaan maksimum.

e. Metode Smallestof Maximum(SOM). Pada metode ini, solusi nilai

tegas diperoleh dengan cara mengambil nilai terkecil dari domain

yang memiliki nilai kanggotaan maksimum.

2.4 Fuzzy C-Means

Algoritma Fuzzy C-Means diusulkan pertama kali oleh Dunn pada

tahun 1973 dan kemudian diperbaharui oleh Bezdek pada tahun 1981.

Algoritma ini merupakan salah satu teknik soft clustering yang paling

popular dengan menggunakan pendekatan data point dimana titik pusat

cluster akan selalu diperbaharui sesuai dengan nilai keanggotaan dari data

yang ada dan selain itu algoritma fuzzy c-means juga merupakan algoritma

yang bekerja dengan menggunakan model fuzzy sehingga memungkinkan

semua data dari semua anggota kelompok terbentuk dengan derajat

keanggotaan yang berbeda antara 0 dan 1. Metode Fuzzy C-Means pada

dasarnya memiliki tujuan meminimalisasikan fungsi serta mendapatkan

pusat cluster yang nantinya akan digunakan untuk mengetahui data yang

masuk ke dalam sebuah cluster.

Salah satu tujuan dari algoritma ini adalah mengelompokkan data

set agar menghasilkan informasi yang efisien dan akurat. Karakteristik


17

algoritma Fuzzy C-Means adalah dapat mengelompokan data yang kabur

dan menghasilkan pengelompokan data dimana bobot keanggotaannya

berasal dari data tersebut. Fuzzy C-Means berhubungan dengan konsep

kesamaan fungsi objek yang berdekatan dan menemukan titik pusat cluster

sebagai prototype. Untuk beberapa objek data tidak memiliki batasan pada

salah satu kelas saja tetapi data tersebut dapat dikelompokan berdasarkan

derajat keanggotaan yaitu antara 0 dan 1 yang menunjukkan keanggotaan

parsial dari data tersebut.

Beberapa contoh dalam penerapan Fuzzy C-Means adalah masalah

pengelompokan data nyata yang telah dibuktikan dengan menghasilkan

karateristik data yang baik. Algoritma ini dimulai dengan menentukan

jumlah cluster yang diinginkan serta menginisialisasikan nilai keanggotaan

yang berisikan semua data kemudian akan dikelompokan berdasarkan

clusternya. Pusat-pusat cluster dihitung dari jarak terdekat ke titik-titik

yang memiliki nilai keanggotaan lebih besar. Dengan kata lain, nilai-nilai

keanggotaan tersebut akan bertindak sebagai nilai bobot sementara pada

suatu cluster.

Algoritma Fuzzy C-Means

Konsep dasar FCM adalah menentukan titik pusat cluster yang akan

ditandai sebagai titik lokasi rata-rata untuk setiap cluster-nya. Berikut ini

algoritma dari FCM (Muslem, 2014) :

1. Tentukan data berupa matrix n x m, jumlah cluster (c ≥2), pangkat

pembobot (w>1), maksimum iterasi, fungsi objektif (P0=0), akurasi

(ɛ=nilai positif yang sangat kecil), iterasi awal (t=1).

2. Buat matrix partisi awal (μ) secara acak,

3. Hitung pusat cluster dari setiap cluster :

∑

∑


18

4. Hitung fungsi objektif pada iterasi ke–t :

∑∑(*∑

+ )

5. Update derajat keanggotaan μ :

[∑

]

∑ [∑

]

(2.4)

dengan i=1..2..n ; k=1..2..c

6. Cek kondisi berhenti :

a. Jika : (P1-Pt) < E atau (t < MakIterasi) maka berhenti,

b. Jika tidak : t = t +1, mengulang langkah 3.

2.5 Confusion Matrix

Validasi merupakan proses untuk menilai hasil dari metode cluster.

Oleh karena itu, proses ini bertujuan untuk mendapatkan solusi cluster

yang dihasilkan dalam analisis cluster dapat menggambarkan populasi

sebenarnya.

Confusion Matrix merupakan bagian dari uji validasi dengan

metode external test. Pengujian ini digunakan untuk mengukur sejauh

mana label pada cluster dengan label pada class yang disediakan.

Menurut Kovahi dan Provost (Kohavi dan Provost, 1998)

confusion matrix berisi informasi tentang actual (fakta) dan predicted

(prediksi). Confusion matrix pada gambar dibawah ini berbentuk matrix 2

x 2 yang digunakan untuk mendapatkan jumlah ketepatan yang didapat :

Confusion Matrix Predicted

negative Positive

Actual negative A B


19

positive C D

Gambar 2. 5 Confusion Matrix : (Kohavi&Provost,1998)

Keterangan:

A, jika actual dan predicted bernilai negative

B, jika actual bernilai negative dan predicted bernilai positive

C, jika actual bernilai positive dan predicted bernilai negative

D, jika actual dan predicted bernilai negative

Rumus yang digunakan untuk menghitung akurasi dengan

menggunakan confusion matrix yaitu:

Akurasi =

(2.5)

2.6 Silhouette Coefficient

Silhouette Coefficient merupakan metode yang digunakan untuk

memvalidasi sebuah cluster dengan menggabungkan nilai kohesi dan

separasi. Silhouette Coefficient dapat digunakan untuk memvalidasi

sebuah data, cluster tunggal atau bahkan keseluruhan cluster. Untuk

menghitung nilai Silhouette Coefficient, terlebih dahulu dilakukan

perhitungan untuk Silhouette Index dari sebuah data ke-i. Perhitungan nilai

Silhouette Index terdapat dua komponen yakni ai dan bi. ai adalah rata-rata

jarak data ke-i dengan semua data lainnya dalam satu cluster, sedangkan bi

didapatkan dengan menghitung rata-rata jarak data ke-i terhadap semua

data lainnya dalam satu cluster yang lain yang tidak dalam satu cluster

dengan data ke-i, kemudian diambil yang terkecil (Prasetyo, 2014).

Berikut adalah rumus untuk menghitung aij :

∑

(2.6)


20

Dimana :

i : Indeks data

j : Cluster

: Jarak data ke-i dengan data ke- r dalam satu cluster j

mj : Jumlah data dalam cluster ke-j

x : Data

Berikut rumus untuk menghitung :

{

} ∑

……………………….(2.7)

Dimana :

b : Nilai minimum dari rata-rata jarak data ke-i terhadap

semua data dari cluster yang lain

j : Cluster

: Jarak data ke-i dengan data ke- r dalam satu cluster j

mn : Banyak data dalam 1 cluster

x : Data

Untuk mendapatkan Silhouette Index (SI) data ke-i menggunakan

persamaan berikut :

{

} ………………………………………(2.8)

Dimana :

a : Rata-rata jarak data ke-i terhadap semua data lainnya

dalam satu cluster.

b : Nilai minimum dari rata-rata jarak data ke-i terhadap

semua data dari cluster yang lain


21

{

}: Nilai maksimum dari nilai a dan b dari satu data

SI : Silhouette Index

Nilai ai mengukur seberapa tidak mirip sebuah data dengan cluster yang

diikutinya, nilai yang semakin kecil menandakan semakin tepatnya data

tersebut berada dalam cluster tersebut. Nilai bi yang besar menandakan

seberapa jeleknya data terhadap cluster yang lain. Nilai SI yang didapat

dalam rentang (-1, +1). Nilai SI yang mendekati 1 menandakan bahwa data

tersebut semakin tepat berada dalam cluster tersebut. Nilai SI negative

menandakan bahwa data tersebut tidak tepat berada dalam cluster tersebut

(karena lebih dekat ke cluster yang lain).

Untuk nilai SI dari sebuah cluster didaptkan dengan menghitung rata-rata

nilai SI semua data yang bergabung dalam cluster tersebut seperti persamaan

berikut :

∑

………………………………………(2.9)

Dimana :

i : Index

j : Cluster

mj : Banyaknya data dalam cluster j

SIj : Silhouette Index cluster

Sementara nilai SI global didaptkan dengan menghitung rata-rata nilai SI

dari semua cluster seperti pada persamaan berikut :

∑

…………………………………….....(2.10)


22

Dimana :

k : Jumlah cluster

j : Cluster

SI : Silhouette Index global

SIj : Silhouette Index cluster

Untuk memvalidasi seberapa baik sebuah cluster digunakan metode

Silhouette Coefficient (SC). Nilai SC didapat dengan mencari nilai maksimum

SI global dari jumlah cluster sampai jumlah cluster n-1, seperti pada

persamaan berikut

……………………………..……(2.11)

Dimana :

SC : Silhouette Coefficient

SI : Nilai Silhouette global

k : Jumlah clusterj

Kriteria subjektif pengukuran baik atau tidaknya pengelompokkan

berdasarkan SC menurut Kaufman dan Roesseeuw (1990) disajikan dalam

tabel 2.3.

Tabel 2. 2 Kriteria pengelompokkan berdasarkan SC

Nilai SC Interpretasi SC

0.71 – 1.00 Struktur Kuat

0.51 – 0.70 Struktur Baik

0.26 – 0.50 Struktur Lemah

≤ 0.25 Struktur Buruk


23

BAB III

METODOLOGI PENELITIAN

Pada bab ini akan membahas tentang metodologi penelitian yang

digunakan oleh penulis dalam melakukan penelitian. Pada bab ini akan dijelaskan

bagaimana penulis melakukan penelitian, dimulai dari pengumpulan data,

pembuatan alat uji, hingga proses validasi. Pada proses pengumpulan data akan

memuat dari mana data di dapat dan bagaimana data diproses hingga dapat

dilakukan proses pengelompokan. Kemudian pada bagian pembuatan alat uji

akan dibahas bagaimana data input akan diproses sehingga dapat dilakukan

pengelompokan (clustering) dengan menggunakan metode Fuzzy C-Means.

Setelah itu akan dilakukan proses validasi atau pengujian untuk mengetahui

apakah hasil dari pengelompokan sudah menunjukkan clustering yang baik.

Adapun sistem kerja dalam penelitian ini adalah sebagai berikut:

Gambar 3. 1 Blok Diagram Penelitian

3.1 Bahan Riset/ Pengumpulan Data

Dalam penelitian yang akan dilakukan untuk clustering data guru,

bebarapa bahan riset yang digunakan adalah sebagai berikut:


24

3.1.1 Obyek atau data input:

Data input yang digunakan dalam penelitian ini adalah data guru

dengan attribut NIP (Nomor Induk Pegawai), Nama, UNOR, Jenis

Kelamin, Pendidikan, Golongan Darah, Tempat Lahir, Tanggal

Lahir, Golongan, Jabatan, hingga Pensiun. Hal ini disesuaikan

dengan parameter aturan penilaian calon pengawas satuan

pendidikan yang telah ditetapkan. Tidak semua data akan

dilakukan proses preprocessing, hanya beberapa data dengan

atribut tertentu. Preprocessing yang dilakukan yakni untuk

mengubah data nominal menjadi data ordinal.

3.1.2 Jumlah data yang digunakan:

Jumlah data yang akan digunakan dalam penelitian ini sebanyak

kurang lebih 1506 data guru TK dan SD se-Yogyakarta sesuai

atribut yang akan digunakan dalam clustering data guru untuk

menentukan calon pengawas satuan pendidikan

3.1.3 Sumber data:

Data guru yang akan diolah dalam penelitian ini didapatkan dengan

melakukan observasi dan wawancara di Dinas Pendidikan Kota

Yogyakarta.

3.2 Data Preprocessing

Data guru yang akan dilakukan untuk tahap proses clustering

terlebih dahulu dilakukan tahap preprocessing. Hal ini dilakukan untuk

validasi data terhadap duplikasi, dan melakukan pembersihan data

terhadap record data yang tidak digunakan dan selanjutnya dilakukan

normasilasi berupa transformasi data untuk dapat digunakan pada proses

pengelompokan. Data guru yang didapat dari Dinas Pendidikan Kota

YogyakartaPada tahap preprocessing data yang berupa string dan

character akan diubah menjadi data numeric agar dapat diproses ke dalam

clustering. Berikut adalah tabel preprocessing data yang ditentukan:


25

Tabel 3. 1 Tabel Preprocess

Attribut Data Preprocess

JENIS KELAMIN

PRIA 0

WANITA 1

PENDIDIKAN

SLTA 1

D.I 2

D.II 3

D.III 4

SARMUD 5

SPG 6

S1 7

S2 8

GOLONGAN DARAH

A 1

B 2

AB 3

O 4

GOLONGAN

II/A 1

II/B 2

II/C 3


26

II/D 4

III/A 5

III/B 6

III/C 7

III/D 8

IV/A 9

IV/B 10

IV/C 11

JABATAN

GURU 1

GURU PERTAMA 2

GURU MUDA 3

GURU MADYA 4

KEPALA SEKOLAH 5

GURU CPNS 6

STAF CPNS 7

3.3 Pembentukan Derajat Keanggotaan (Matriks µik)

Langkah pertama dalam perhitungan Fuzzy C-Means adalah

membentuk matriks derajat keanggotaan awal atau matriks partisi awal µik.

Matriks partisi µik memiliki komponen i=banyak data, k= banyak cluster.

Matriks ini dibentuk secara random dengan kisaran nilai 0 hingga 1.


27

Pembentukan matriks µik ini dilakukan dengan menggunakan fungsi

seperti dibawah

Tabel 3. 2 Fungsi FFCM_initV

function V=FFCM_InitV(c,p)

V=rand(c,p);

Col_sum=sum(V);

V=V./col_sum(ones(c,1), :);

Matriks µik yang terbentuk dari fungsi FFCM_initV disimpan ke

dalam dataProses.mat. jika dijumlahkan maka nilai perbaris dari matriks

µik tidak lebih dari satu. Setelah nilai matriks partisi awal disimpan maka

proses FCM dilakukan pertama kali dengan memilih data yang akan

diolah, kemudian data tersebut akan dihitung dengan menggunakan fungsi

FFCM. Perhitungan FCM ini akan dilakukan berulang kali untuk

memperbaiki lokasi pusat cluster. Langkah iterattive ini akan dilakukan

berdasarkan minimisasi fungsi objektif.

3.4 Inisialisasi Data

Sebelum dilakukan proses clusteringFuzzy C-means diperlukan

proses inisialisasi awal untuk bobot(w), maximum iterasi, nilai error,

iterasi awal dan fungsi objektif awal. Untuk nilai bobot (w) nilai yang

diinputkan tidak boleh kurang dari 1 karena nilai perhitungan akan

menjadi 0.

3.5 Proses Clustering

Setelah tahap preprocessing selesai dilakukan berikutnya adalah

proses pengelompokan data guru menggunakan algoritma Fuzzy C-means.

Konsep dasar FCM adalah menentukan titik pusat cluster yang akan


28

ditandai sebagai titik lokasi rata-rata untuk setiap cluster-nya. Berikut

algoritma dari FCM:

1. Tentukan data berupa matrix n x m, jumlah cluster (c ≥2), pangkat

pembobot (w>1), maksimum iterasi, fungsi objektif (P0=0), akurasi

(ɛ=nilai positif yang sangat kecil), iterasi awal (t=1).

2. Buat matrix partisi awal (μ) secara acak atau random

3. Hitung pusat cluster dari setiap cluster :

∑

∑

4. Hitung fungsi objektif pada iterasi ke–t :

∑∑(*∑

+ )

5. Update derajat keanggotaan μ :

[∑

]

∑ [∑ ]

dengan i=1..2..n ; k=1..2..c

6. Cek kondisi berhenti :

a. Jika : (P1-Pt) < ɛ atau (t < MakIterasi) maka berhenti,

b. Jika tidak : t = t +1, mengulang langkah 3.

Pada pengelompokan menggunakan FCM akan digunakan nilai

matriks partisi awal (µ) secara random dan nilai akurasi error sangat kecil

yang juga ditentukan random. Nilai ini akan diberikan pada setiap

kelompok yang akan dibentuk yakni sesuai dengan cluster yang

ditentukan, dan akan dilihat hasil persebaran data pada setiap

pengelompokannya.

Contoh Penerapan Fuzzy C-Means:


29

Sebagai contoh perhitungan FCM diberikan data mentah seperti

berikut:

Tabel 3. 3 Data Mentah

WANITA SLTA O II/a Guru

WANITA S.1 AB III/a Guru Pertama

WANITA SLTA AB IV/a Guru Madya

Kemudian data mentah diatas dilakukan proses preprocessing

dengan mengubah menjadi data numeris.

Tabel 3. 4 Data Preprocessing

1 1 1

7 2 2

1 3 4

Setelah data berhasil di preprocessing langkah selanjutnya dengan

menenentukan inisialisasi data awal yang akan digunakan untuk

perhitungan FCM.

Tabel 3. 5 Inisialisasi Data Awal

c 3

w 2

iterasi 3

e 1,00E-02

po 0

Kemudian bentuk matriks partisi µik dengan i=banyak data dan

k=banyak cluster.

Tabel 3. 6 Matriks µik

i K1 K2 K3

1 0,3445 0,4689 0,1866

2 0,1732 0,1784 0,6484

3 0,4397 0,2077 0,3526

Langkah selanjutnya adalah menghitung pusat cluster Vij dan

didapatkan hasil:


30

Tabel 3. 7 Pusat Cluster Vij

kluster center

1 1,526262 1,20737 4,014366

2 1,770507 1,400583 4,656777

3 0,900676 0,712492 2,368953

Setelah didapatkan pusat cluster selajutnya melakukan perhitungan

untuk mendapatkan fungsi objektif dari masing-masing cluster.

Tabel 3. 8 Fungsi Objektif

i Pk1 Pk2 Pk3

1 1,116348835 3,105880202 0,068474742

2 1,039371074 1,10646179 16,39460967

3 0,674874481 0,154575462 0,982538305

Kemudian setelah fungsi objektif diperoleh, lakukan memperbaiki

derajat keanggotaan dan berikut adalah derajat keanggotaan yang baru:

Tabel 3. 9 Derajat Keanggotaan Baru

K1 K2 K3

1 0,155062 0,1033 0,741685112

2 0,346606 0,3454 0,307960974

3 0,413927 0,4032 0,182830611

Setelah memperoleh derajat keanggotaan yang beru maka cek

kondisi berhenti apakah (P1-Pt) < ɛ atau (t < MakIterasi)? Jika tidak maka

t=t+1 dan ulangi langkah dari menghitung pusat clusternya.

Setelah melewati tiga iterasi maka diperoleh fungsi objektif

sebagai berikut:

Tabel 3. 10 Fungsi Objektif Hingga Iterasi 3


31

Iterasi Fungsi Objektif

1 24,64313

2 9,73

3 9,025044

Dan derajat keanggotaan terakhir yang didapat setelah melalui tiga

iterasi:

Tabel 3. 11 Derajat Keanggotaan Hingga iterasi 3

0,008096 0,008785 0,983118696

0,427428 0,41637 0,156202758

0,354816 0,385364 0,259819468

Dari derajat keanggotaan yang terbentuk dapat ditentukan

pengelompokan datanya:

Tabel 3. 12 Pengelompokan data

K1 K2 K3

X

X

X


32

Pengelompokan data dilakukan dengan mengambil nilai

maksimum dari tiap baris derajat keanggotaan yang terbentuk. Kemudian

pada contoh diatas dapat ditarik kesimpulan bahwa data pada baris

pertama masuk ke dalam cluster 3 (K3), kemudian untuk data baris kedua

masuk ke dalam cluster 1 (K1) dan data baris ketiga masuk ke dalam

cluster (K2).

3.6 Kebutuhan Sistem

Spesifikasi alat yang akan digunakan dalam proses perancangan

sitem :

a. Spesifikasi Hardware

- Processor : Intel (R) Core(TM) i7-5500 CPU @ 2.40GHz

- Memory : 4GB

- Hard Drive : 1TB

b. Spesifikasi Hardware

Perangkat lunak yang digunakan dlam penelitian ini adalah sebagai

berikut:

- Windows 8.1 64bit

- Microsoft Excel 2010

- Matlab R2016b

3.7 Perancangan Antarmuka Sistem

Berikut rancangan user interface dalam penelitian ini:

a. Halaman Awal

Halaman ini dibuat hanya sebagai pembuka sebelum masuk ke dalam

sistem Fuzzy C-Means. Dan didalamnya hanya terdapat satu tombol

yakni tombol “fuzzy c-means” yang berfungsi untuk masuk ke dalam

sistem utama Fuzzy C-Means.


33

Gambar 3. 2 Rancangan Halaman Awal

b. Halaman Fuzzy C-Means

Pada halaman Fuzzy C-Means terdapat enam panel. Kemudian enam

buah text field yang digunakan untuk inisialisasi data input. Tiga buah

tombol yakni tombol pilih file untuk memanggil data yang akan

diproses, kemudian tombol preproses yang berfungsi untuk melakukan

preprocessing data dan tombol hitung yang berfungsi untuk proses

perhitungan Fuzzy C-Means.


34

Gambar 3. 3 Rancangan Halaman Fuzzy C-Means

Panel “Pilih Berkas” merupakan panel yang digunakan untuk inputan

data. Didalam panel ini terdapat tombol “Pilih File” yang digunakan

untuk menginputkan data, dan terdapata satu text field yang berfungsi

untuk menampilkan nama data yang diinputkan.

Gambar 3. 4 Rancangan Input Data

Panel “Data” merupakan panel yang didalamnya memiliki tabel untuk

menampilkan isi dari inputan data. Dan ada satu tombol yakni tombol

“Preproces” yang digunakan untuk proses preprocessing data yang

ditampilkan pada panel selanjutnya.


35

Gambar 3. 5 Tampilan Data

Panel “Data Preproses” merupakan panel yang didalamnya memiliki

tabel untuk menampilkan hasil dari preprocessing data.

Gambar 3. 6 Tampilan Data Preproses

Panel “Insialisasi Awal” merupakan panel yang didalamnya terdapat

beberapa text field yang digunakan untuk inisialisasi awal untuk

perhitungan FCM, meliputi cluster, pembobot(m), maximum iterasi,

error, iterasi awal dan fungsi objektif. Dan juga memiliki satu tombol

yakni “hitung” yang berfungsi untuk melakukan proses perhitungan

FCM.


36

Gambar 3. 7 Tampilan Inisialisasi Awal

Panel “Derajat Keanggotaan” merupakan panel yang didalamnya

terdapat tabel yang berfungsi untuk menampilkan derajat keanggotan

yang telah berhasil dibentuk melalui proses perhitungan FCM.

Gambar 3. 8 Tampilan Derajat Keanggotaan


37

Panel “Tabel Cluster” merupakan panel yang didalamnya terdapat

tabel untuk menampilkan hasil clustering dengan menggunakan

perhitungan FCM. Dan juga menampilkan akurasi yang didapat

dengan perhitungan confusion matrix.

Gambar 3. 9 Tampilan Hasil Cluster dan Akurasi


38

BAB IV

IMPLEMENTASI SISTEM DAN ANALISA HASIL

Pada bab ini akan membahas mengenai implementasi dan analisis hasil

penelitian dari implementasi sistem yang telah dibuat. Hasil penelitian yang

terpenting berupa perbandingan akurasi yang diperoleh dari pengujian metode

Fuzzy C-Means. Pada bab ini juga dibahas mengenai user interface yang telah

dibuat berdasarkan algoritma yang dirancang.

4.1 Implementasi Program

4.1.1 Tampilan Awal

Pada tampilan awal ini hanya digunakan sebagai bagian pembuka

sebelum masuk ke sistem utama Fuzzy C-Means. Didalamnya terdapat

satu tombol yang digunakan untuk masuk ke dalam sistem FCM.

Gambar 4. 1 Halaman Awal

4.1.2 Tampilan Utama Sistem

Tampilan utama pada sistem FCM yang dibuat adalah sebagai

berikut:


39

Gambar 4. 2 Tampilan Utama Fuzzy C-Means

Pada tampilan utama FCM diatas terdapat empat panel fungsi pada

sistem:

a. Input Data:

Gambar 4. 3 Tampilan Input Data

Pada panel “Pilih Berkas” digunakan untuk menginputkan data yang

berupa file .xlsx dengan menekan tombol “Pilih File”. Kemudian pada text

field tersebut akan menampilkan nama file yang diinputkan.


40

Selanjutnya data yang diinputkan akan ditampilkan pada panel “Data”.

Langkah selanjutnya adalah dengan menekan tombol “Preprocess”.

b. Panel Preproses:

Gambar 4. 4 Tampilan Data Preprocessing

Pada panel “Data Preproses” akan menampilkan data yang telah

diubah ke bentuk numeric dengan menekan tombol preprocess yang

ada pada panel “Data” sebelumnya. Kemudian data yang digunakan

adalah semua attribut yang diinputkan dari data awal.

c. Panel Inisialisasi Data:


41

Gambar 4. 5 Inisialisasi Awal

Pada panel “Inisialisasi Awal” user akan menginputkan data

insialisasi untuk digunakan dalam proses FCM. Inisialisasi data yang

diisikan antara lain cluster, kemudian pembobot (m), maximum iterasi,

error, iterasi awal dan fungsi objektif. Kemudian tekan tombol

“Hitung” untuk melakukan proses perhitungan FCM.

d. Panel Derajat Keanggotaan:


42

Gambar 4. 6 Tampilan Derajat Keanggotaan

Pada panel “Derajat Keanggotaan” akan menampilkan hasil derajat

keanggotaan pada iterasi terakhir yang kemudian digunakan untuk

menentukan hasil clustering. Dari hasil derajat keanggotaan yang

berhasil terbentuk nilai maksimum dari setiap baris data pada derajat

keanggotaan digunakan sebagai acuan untuk menentukan apakah data

tersebut masuk ke cluster satu, dua ataupun tiga.

e. Panel Cluster:


43

Gambar 4. 7 Tampilan Hasil Cluster dan Akurasi

Pada panel “Tabel Cluster” akan menampilkan hasil clustering yang

didapatkan setelah proses FCM. Karena clustering hanya dibagi

menjadi tiga, maka hasil cluster ini datanya hanya berisikan antara

satu,dua dan tiga. Seperti pada gambar diatas pada baris satu data

masuk ke cluster satu, nilai itu diambil dengan menggunakan nilai

derajat keanggotaan yang digunakan sebagai acuan. Kemudian

4.2 Hasil dan Analisa

Pengujian yang dilakukan pada sistem pengelompokan data guru

ini dengan menggunakan data guru TK dan SD se-Yogyakarta dengan

melakukan preprocessing data untuk mendapatkan data numeris dari data

mentah untuk dapat dilakukan perhitungan dengan menggunakan metode

FCM. Jumlah data yang digunakan yakni sebanyak 1506 data guru.

Kemudian di bawah ini menunjukkan beberapa percobaan yang dilakukan

dengan beberapa inisialisasi awal yang digunakan.

Tabel 4. 1 Hasil Pengujian Data Guru

NO Nilai inisialisasi awal Akurasi %

1 Bobot(w)=2; max iterasi =100; error : 1e-3;

iterasi awal = 1; fungsi objektif =0

36.919


44



38.0478



38.0478

4 Bobot(w)=2; max iterasi =50; error :

0.0006; iterasi awal = 1; fungsi objektif = 0

36.919



38.1142

Pada tabel 4.1 diatas ditunjukkan beberapa hasil percobaan pada

data guru menggunakan metode Fuzzy C-Means. Dari data guru attribut

yang digunakan dalam proses mulai dari input hingga proses clustering

adalah attribut jenis kelamin, pendidikan, golongan darah, golongan dan

jabatan. Dari hasil percobaan yang telah dilakukan didapat nilai akurasi

terbaik yakni 38%.

Tabel 4.1 menunjukkan hasil pengelompokan data guru dengan

inisialisasi data dengan pangkat pembobot(w)=2; max iterasi =100; error :

1e-3; iterasi awal = 1; fungsi objektif =0 menghasilkan akurasi sebesar

36.919%. Kemudian dengan inisialisasi awal pangkat pembobot(w)=8;

max iterasi =100; error : 1e-3; iterasi awal = 1; fungsi objektif =0

menghasilkan nilai akurasi sebesar 38.0478%. Pada inisialisasi awal

pangkat pembobot (w)=8; max iterasi =50; error : 1e-3; iterasi awal = 1;

fungsi objektif =0 menghasilkan nilai akurasi sebesar 38.0478%. Pada

inisialisasi awal pangkat pembobot (w)=2; max iterasi =50; error : 0.0006;

iterasi awal = 1; fungsi objektif = 0 menghasilkan nilai akurasi sebesar

36.919. Pada inisialisasi awal pangkat pembobot (w)=6; max iterasi =100;

error : 1e-3; iterasi awal = 1; fungsi objektif =0 didapatkan nilai akurasi

sebesar 38.1142%.


45

Jumlah attribut yang digunakan sudah cukup namun akan lebih

baik jika ditambahkan beberapa attribut yang nilainya bisa lebih

berpengaruh terhadap proses clustering, sebagai contohnya menggunakan

attribut nilai test (test untuk masuk sebagai kepala sekolah), kemudian

beberapa attribut lain seperti nilai efisiensi (jarak dari tempat tinggal ke

tempat kerja) juga berpengaruh untuk kasus pengelompokan guru ini.

Kemudian data sudah dikatakan convergen apabila sudah

memenuhi nilai error yang ditentukan. Sehingga belum bisa dikatakan

convergen jika iterasinya sudah terpenuhi namun nilainya belum

terpenuhi. Nilai error terpenuhi didapat dengan menghitung nilai selisih

dari ||(P1-Pt) < ɛ||.

Hasil Silhouette Coefficient dari masing-masing percobaan dapat

dilihat pada tabel berikut:

Tabel 4. 2 Tabel Silhouette Coefficient

NO Nilai inisialisasi awal Average Score

Silhouette Coefficient


iterasi awal = 1; fungsi objektif =0 0.5261



3 Bobot(w)=8; max iterasi =50; error : 1e-3; iterasi

awal = 1; fungsi objektif =0 0.5261

4 Bobot(w)=2; max iterasi =50; error : 0.0006;

iterasi awal = 1; fungsi objektif = 0 0.5261




46

(*dari percobaan 1-5 menunjukan nilai SC yang sama yakni sebesar

0.5261, hal tersebut dikarenakan nilai yang diambil ialah nilai mean pada

setiap nilai Silhouette Index yang terbentuk dari masing-masing

percobaan).

Dari beberapa percobaan yang telah dilakukan nilai Silhoueette

Index pada setiap data digunakan untuk acuan seberapa konsisten data

tersebut. Data Silhouette Index dapat dilihat pada lampiran. Kemudian dari

beberapa percobaan diatas didapatkan nilai rata-rata Silhouette Coefficient

yakni sebesar 0.5261, nilai SC yang didapat sudah masuk ke dalam

kategori struktur baik, karena nilainya sudah diantara 0.51-0.70. Sehingga

konsistensi clustering yang dilakukan sudah baik.

4.3 Kelebihan dan Kekurangan Sistem

4.3.1 Kelebihan Sistem

Kelebihan pada sistem ini diantaranya:

a. Sistem menerima input data bertipe .xlsx atau .xls.

b. Sistem mampu menerima masukan nilai pangkat pembobot

untuk penghitungan FCM.

c. Sistem mampu menerima nilai masukan error terkecil.

d. Sistem mampu menerima nilai masukan maximum iterasi

untuk penghitungan FCM.

e. Sistem mampu menerima nilai masukan iterasi dan fungsi

objektif untuk penghitungan FCM.

f. Sistem mampu menampilkan jumlah data guru sesuai input.

g. Sistem dapat menampilkan derajat keanggotaan terakhir yang

terbentuk melalui perhitungan FCM.

h. Sistem dapat menyimpan derajat keanggotaan terakhir ke

dalam bentuk excel (uik.xls).


47

i. Sistem dapat menyimpan fungsi objektif ke dalam file excel

(fungsiObjektif.xls).

j. Sistem dapat menampilkan hasil clustering dan akurasinya.

4.3.2 Kekurangan Sistem

Kekurangan yang dimiliki oleh sistem clutering data guru dengan

algoritma Fuzzy C-Means diantaranya:

a. Data hanya bertipe .xlsx dan .xls.

b. Jumlah cluster yang digunakan untuk perhitungan FCM

hanyalah tiga (3).

c. Attribut yang digunakan untuk proses clustering hanya tiga

yakni attribut pendidikan, golongan dan jabatan.

d. Sistem belum dapat menampilkan informasi data mana saja

yang masuk ke dalam suatu cluster.


48

BAB V

PENUTUP

5.1 Analisa Hasil

Dari hasil pembuatan sistem dengan beberapa percobaan yang

dilakukan untuk pengelompokkan data guru ini sudah berhasil. Namun

belum akurat dikarenakan beberapa faktor, diantaranya kurangnya attribut

yang memiliki nilai yang kuat untuk dapat digunakan dalam pertimbangan

pemilihan calon pengawas satuan pendidikan. Kemudian juga faktor

inisialisasi data juga sangat berpengaruh pada penentuan cluster center

dan hasil clustering.

Untuk menguji konsistensi dari hasil clustering yang dibuat dapat

dilihat dengan melihat nilai pada Silhouette Coefficient yakni

menunjukkan nilai sebesar 0.5261. Nilai yang didapat sudah menunjukkan

hasil yang baik karena sudah masuk ke kategori struktur baik dengan nilai

pada rentang 0.51-0.70.

5.2 Kesimpulan

Penerapan algoritma Fuzzy C-Means telah digunakan untuk

mengelompokkan data guru untuk pemilihan calon pengawas satuan

pendidikan dengan tiga nominasi rendah, sedang dan baik. Berdasarkan

hasil percobaan dapat diambil kesimpulan sebagai berikut:

1. Dengan menggunakan algoritma FCM ini hasil clustering data guru

TK dan SD se-Yogyakarta yang dihasilkan dapat digunakan sebagai

acuan dalam pemilihan calon pengawas satuan pendidikan.

2. Inisialisasi data pada pangkat pembobot, maximum iterasi, dan error

minimal sangat berpengaruh pada pembentukan nilai derajat

keanggotaan yang kemudian akan digunakan untuk pembentukan

cluster.


49

3. Hasil yang didapat dari beberapa percobaan belum dapat dikatakan

akurat atau optimal dikarenakan kurangnya sample attribut yang

digunakan untuk pemilihan calon pengawas satuan pendidikan.

4. Pengubahan nilai pada inisialisasi awal sangat berpengaruh terhadap

hasil clustering yang terbentuk, karena nilai Silhouette Index juga akan

berubah.

5. Untuk mengetahui seberapa konsisten hasil cluster yang terbentuk dari

masing-masing data, dapat dilakukan dengan melihat nilai Silhouette

Index yang dimiliki dari tiap data tersebut, sesuai dengan interpretasi

Silhouette Coefficient apakah data tersebut masuk ke struktur kuat jika

nilainya (0.71-1.00), struktur baik (0.51-0.70), struktur lemah (0.26-

0.50) atau struktur buruk jika nilainya ≤ 0.25. Nilai Silhouette

Coefficient pada masing-masing data dapat dilihat pada halaman

lampiran.

6. Hasil clustering dari keseluruhan data menunjukkan nilai average

score pada Silhouette Coefficient sebesar 0.5216 yang masuk ke

kategori struktur baik yang artinya hasil clustering sudah konsisten

atau baik.

5.3 Saran

Agar penelitian ini dapat berkembang, berikut saran yang

diusulkan:

1. Program dapat menampilkan informasi data mana saja yang masuk ke

dalam kriteria rendah, sedang dan baik berikut sesuai dengan

attributnya.

2. Agar proses clustering lebih baik, sebaiknya menambahkan attribut

yang lebih berbobot untuk bahan pertimbangan dalam pemilihan calon

pengawas. Sebagai contoh nilai test yang dimiliki guru (test untuk

masuk kepala sekolah), juga nilai efisiensi yang dimiliki guru (sebagai

contoh jarak antar rumah dengan tempat kerja) juga berpengaruh

terhadap nilai efisiensi yang dimiliki masing-masing guru.


50

DAFTAR PUSTAKA

Muslem, 2014, “Pengelompokan Data Guru Untuk Menentukan Pengawas Satuan

Pendidikan Menggunakan Fuzzy C-means dan Kohonen Self Organizing

Maps”, Institut Teknologi Sepuluh November Surabaya.

Kusrini, Luthfi, E. T.,2009, Algoritma Data Mining, Andi Offset, Yogyakarta.

Kusumadewi, Sri. 2003. Artificial Intelligence: Teknik dan Aplikasinya.

Yogyakarta: Graha Ilmu.

Connolly, Thomas and Begg, Carolyn. (2010). Database Systems A Practical

Approach to Design, Implementation, and Management Fifth Edition.

Boston: Pearson Education.

Han, Jiawei dan Kamber, Micheline. (2006), Data Mining : Concept and

Techniques Second Edition, Morgan Kaufmann Publishers.

Frans Susilo SJ, 2003, Himpunan dan Logika Kabur Serta Aplikasinya, Graha

Ilmu, Yogyakarta.

Kusumadewi, Sri. 2013, Aplikasi Logika Fuzzy untuk Pendukung Keputusan,

Yogyakarta, Graha Ilmu.

Zadeh L.A, 1965, Fuzzy Sets, Information and Control.

http://www.kajianpustaka.com/2014/03/logika-fuzzy.html (diakses: 28 November

2016).

http://library.binus.ac.id/eColls/eThesisdoc/Bab2/2012-1-00314-%20Bab2001.pdf

(diakses: 12 November 2016).

http://cariprogram.blogspot.co.id/2016/01/data-mining-metode-fuzzy-c-means-

dengan-excel-spreadsheet.html (diakses: 10 November 2016).

Dunn, J. C. (1973-01-01). "A Fuzzy Relative of the ISODATA Process and Its

Use in Detecting Compact Well-Separated Clusters.

Bezdek, James C. (1981). Pattern Recognition with Fuzzy Objective Function

Algorithms

Prasetyo, Eko. 2014. Data Mining Mengolah Data Menjadi Informasi

Menggunakan Matlab. Penerbit Andi Yogyakarta.


http://www.kajianpustaka.com/2014/03/logika-fuzzy.html

http://library.binus.ac.id/eColls/eThesisdoc/Bab2/2012-1-00314-%20Bab2001.pdf

http://cariprogram.blogspot.co.id/2016/01/data-mining-metode-fuzzy-c-means-dengan-excel-spreadsheet.html

http://cariprogram.blogspot.co.id/2016/01/data-mining-metode-fuzzy-c-means-dengan-excel-spreadsheet.html

51

LAMPIRAN

Data Silhouette Coefficient dari setiap baris data


52

0,641903

0,641903

0,641903

0,641903

0,688708

0,663798

0,704456

0,704456

0,663798

0,414475

-0,82805

-0,80123

0,369002

-0,82182

-0,82182

-0,80123

0,628256

0,628256

0,409148

0,668861

0,409148

0,369002

0,718746

0,719699

0,736726

0,769324

0,718746

0,718746

0,718746

0,590848

0,520266

0,682475

0,682475

0,719699

0,590848

0,590848

0,736726

0,682475

0,520266

0,769324

0,682475

0,584261

0,590848

0,590848

0,520266

0,736726

0,590848

0,718746

0,520266

0,682475

0,736726

0,590848

0,590848

0,718746

0,682475

0,542669

0,590848

0,682475

0,736726

0,590848

0,520266

0,542669

0,736726

0,590848

0,590848

0,718746

0,762979

0,542669

0,762979

0,590848

0,682475

0,590848

0,682475

0,682475

0,590848

0,682475

0,762979

0,719699

0,682475

0,520266

0,590848

0,590848

0,520266

0,584261

0,590848

0,718746

0,736726

0,590848

0,590848

0,736726

0,762979

0,762979

0,520266

0,520266

0,590848

0,682475

0,719699

0,590848

0,520266

0,736726

0,590848

0,682475

0,736726

0,718746

0,769324

0,13211

0,682475

0,762979

0,682475

0,769324

0,736726

0,718746

0,719699

0,736726

0,590848

0,718746

0,682475

0,520266

0,590848

0,736726

0,590848

0,718746

0,736726

0,736726

0,590848

0,736726

0,590848

0,736726

0,590848

0,590848

0,520266

0,769324

0,590848

0,590848

0,590848

0,736726

0,682475

0,590848

0,590848

0,718746

0,718746

0,584261

0,736726

0,769324

0,719699

0,718746

0,590848

0,719699

0,520266

0,520266

0,682475

0,682475

0,682475

0,682475

0,590848

0,762979

0,590848

0,762979

0,769324

0,762979

0,682475

0,736726

0,682475

0,590848

0,590848

0,682475

0,590848

0,520266

0,520266

0,590848

0,718746

0,520266

0,769324

0,590848

0,590848

0,590848

0,682475

0,541808

0,542669

0,682475

0,736726

0,682475

0,682475

0,682475

0,769324

0,590848

0,718746

0,682475

0,590848

0,792953

0,284885

0,784487

0,792953

0,284885

0,766249

0,317117

0,748717

0,607925

0,792953

0,284885

-0,3852

0,231373

0,792953


53

0,284885

0,231373

0,568092

0,680818

0,680818

0,680818

0,714978

0,727974

0,509745

0,572577

0,568092

0,680818

0,680818

0,753345

0,509745

0,753345

0,680818

0,710566

0,643153

0,753345

0,727974

0,710566

0,509745

0,509745

0,680818

0,75978

0,75978

0,568092

0,568092

0,714978

0,727974

0,727974

0,727974

0,568092

0,727974

0,727974

0,727974

0,750086

0,727974

0,680818

0,568092

0,727974

0,568092

0,714978

0,509745

0,710566

0,509745

0,509745

0,710566

0,680818

0,568092

0,753345

0,75978

0,568092

0,680818

0,568092

0,753345

0,568092

0,727974

0,753345

0,568092

0,509745

0,509745

0,710566

0,568092

0,568092

0,727974

0,509745

0,727974

0,509745

0,710566

0,753345

0,710566

0,568092

0,568092

0,727974

0,509745

0,680818

0,568092

0,509745

0,680818

0,509745

0,710566

0,680818

0,753345

0,719547

0,727974

0,568092

0,568092

0,509745

0,714978

0,753345

0,509745

0,714978

0,568092

0,680818

0,710566

0,75978

0,75978

0,680818

-0,58597

0,509745

0,680818

0,727974

0,680818

0,568092

0,568092

0,680818

0,680818

0,568092

0,753345

0,727974

0,680818

0,680818

0,714978

0,672029

0,680818

0,710566

0,75978

0,524085

0,719547

0,568092

0,630803

0,680818

0,509745

0,562603

0,509745

0,727974

0,509745

0,568092

0,568092

0,568092

0,509745

0,727974

0,509745

0,568092

0,643153

0,680818

0,753345

0,714978

0,680818

0,672029

0,714978

0,753345

0,680818

0,753345

0,568092

0,753345

0,509745

0,680818

0,568092

0,727974

0,509745

0,680818

0,753345

0,568092

0,509745

0,604923

0,680818

0,568092

0,680818

0,753345

0,680818

0,509745

0,753345

0,710566

0,753345

0,568092

0,680818

0,714978

0,714978

0,714978

0,081248

0,75978

0,727974

0,680818

0,509745

0,509745

0,509745

0,710566

0,672029

0,753345

0,753345

0,568092

0,568092

0,514682

0,628256

0,641903

0,668861

-0,82182

0,65774

0,593676

0,662664

0,591895

0,663798

0,641903

0,571105

0,641903

-0,81132

0,587779

0,663798

0,663798

0,628256

0,409148

0,628256


54

0,641903

0,641903

0,662664

0,663798

0,668861

0,564354

0,636365

0,641903

0,591895

0,668861

0,663798

0,688708

0,576663

0,641903

0,636365

0,663798

0,663798

0,65774

0,62307

0,65774

0,663798

0,628256

0,409148

0,62307

0,488675

0,469667

0,65774

-0,88622

0,516863

0,405408

0,405408

0,409148

0,414475

0,662664

0,65774

0,663798

0,663798

0,524682

0,482439

0,482439

0,65774

0,366767

-0,85183

0,482439

0,464309

0,488675

0,409148

0,464309

0,628256

0,469667

0,704456

-0,80417

-0,88622

0,641903

-0,05873

-0,05563

0,414475

-0,0443

-0,82182

0,405408

-0,8584

0,727374

0,628256

-0,84059

0,668861

0,381748

0,668861

0,366767

0,369002

0,628256

0,628256

0,663798

0,663798

0,405408

-0,0436

0,381748

-0,05563

0,641903

0,668861

0,668861

0,409148

0,636365

-0,87712

0,663798

-0,05873

-0,8584

-0,82805

0,061764

0,409148

0,663798

-0,05873

0,414475

0,369002

-0,82805

-0,82805

-0,8584

-0,05563

0,381748

0,409148

0,409148

0,718746

0,694533

0,520266

0,729302

0,590848

0,520266

0,718746

0,682475

0,620892

0,575524

0,694533

0,762979

0,590848

0,520266

0,520266

0,762979

0,573947

0,713527

0,682475

0,682475

0,479302

0,682475

0,651389

0,735528

0,590848

0,479302

0,619172

0,694533

0,682475

0,590848

0,652826

0,682475

0,735528

0,541808

0,682475

0,590848

0,735528

0,520266

0,520266

0,713527

0,682475

0,682475

0,769324

0,53435

0,590848

0,590848

0,575524

0,512654

0,632692

0,590848

0,590848

0,590848

0,769324

0,682475

0,719699

0,590848

0,590848

0,541808

0,590848

0,769324

0,520266

0,718746

0,674377

0,713527

0,60238

0,718746

0,719699

0,590848

0,479302

0,60238

0,520266

0,479302

0,60238

0,573947

0,682475

0,682475

0,590848

0,479302

0,479302

0,682475

0,682475

0,682475

0,60238

0,682475

0,620102

0,682475

0,541808

0,520266

0,479302

0,60238

0,520266

0,519824

0,682475

0,479302

0,713527

0,682475

0,541808

0,718746

0,60238

0,512654

0,520266

0,719699

0,620102

-0,02057

0,652826


55

0,590848

0,652826

0,590848

0,652826

0,729302

0,60238

0,590848

0,479302

0,682475

0,712752

0,713527

0,651389

0,652826

0,541808

0,652826

0,682475

0,651389

0,541808

0,590848

0,682475

0,718746

0,584261

0,541808

0,682475

0,620102

0,584261

0,479302

0,652826

-0,54082

0,53435

0,590848

0,590848

0,651389

0,572485

0,682475

0,583031

0,590848

0,652826

0,590848

0,652826

0,682475

0,652826

0,75487

0,718746

0,652826

0,620102

0,529445

0,713527

0,520266

0,713527

0,53435

0,652826

0,620102

0,735528

0,520266

0,520266

0,674377

0,620102

0,682475

0,541808

0,769324

0,479302

0,590848

0,590848

0,583031

0,602148

0,479302

0,590848

0,590848

0,519824

0,620102

0,590848

0,682475

0,682475

0,541808

0,593896

0,682475

0,590848

0,542669

0,529445

0,47043

0,520266

0,590848

0,520266

0,718746

0,541808

0,520266

0,652826

0,682475

0,682475

0,651389

0,736726

0,620102

0,520266

0,590848

0,520266

0,542669

0,53435

0,520266

0,541808

0,590848

0,479302

0,542669

0,542669

0,729302

0,53435

0,597821

0,180892

0,144616

0,185145

0,231373

0,231373

0,180892

0,180892

0,317117

0,284885

0,652171

0,180892

0,231373

0,180892

0,231373

0,597821

0,231373

0,231373

0,180892

0,231373

0,221044

0,180892

0,245063

0,231373

0,284885

0,231373

0,284885

0,607925

0,180892

0,180892

0,231373

0,180892

0,597821

0,231373

0,180892

0,245063

0,231373

0,180892

0,284885

-0,12341

0,231373

0,231373

0,245063

0,582436

0,317117

0,317117

0,582436

0,317117

-0,22616

0,284885

0,317117

0,317117

0,231373

0,221044

0,652171

0,766249

0,652171

0,231373

0,758474

0,231373

0,639942

0,649961

0,790812

0,245063

0,652171

0,221044

0,635577

0,582436

0,655651

0,231373

0,231373

0,180892

0,758474

0,284885

0,597821

0,662791

0,231373

0,180892

0,221044

0,284885

0,180892

0,180892

0,597821

0,573612

0,185145

0,245063

0,652171

0,284885

0,317117

0,652171

0,185145

0,185145

0,790812

0,180892

0,662791

0,597821

0,144616

0,231373

0,231373


56

0,597821

0,231373

-0,1923

0,231373

0,317117

0,317117

0,639942

0,459714

0,231373

0,714978

0,680818

0,509745

0,562603

0,549004

0,568092

-0,48783

0,723105

0,714978

0,54433

0,492622

0,772222

0,509745

0,719547

0,419802

0,562603

0,624975

0,680818

0,624975

0,624975

0,509745

0,499904

0,680818

0,672154

0,512307

0,680818

0,562603

0,562603

0,568092

0,680818

0,499904

0,512307

0,680818

0,772222

0,719547

0,643153

-0,50384

0,672029

0,714978

0,643153

0,568092

0,509745

0,702557

0,496963

0,509745

0,643153

0,568092

0,643153

0,643153

0,683222

0,750086

0,562603

0,643153

0,568092

0,680818

0,499904

0,6514

0,714978

0,562603

0,6514

0,643153

0,524085

0,549004

0,680818

0,624975

0,680818

0,643153

0,680818

0,568092

0,680818

0,54433

0,512307

0,6514

0,549004

0,680818

0,524085

0,549004

0,509745

0,524085

0,714978

0,524085

0,549004

0,492622

0,549004

0,549004

0,496963

0,514682

0,524085

0,568092

0,568092

0,562603

0,568092

0,629455

0,524085

0,558463

0,549004

0,672029

0,568092

0,723105

0,562603

0,753345

0,492622

0,499904

0,660913

0,719547

0,54433

0,750086

0,572577

0,489257

0,499904

0,680818

0,643153

0,714978

0,568092

0,672154

0,672154

0,750086

0,714978

0,672029

0,680818

0,680818

0,562603

0,568092

0,524085

0,568092

0,562603

0,568092

0,512307

0,549004

0,413085

0,499904

0,680818

0,509745

0,680818

0,750086

0,714978

0,524085

0,509745

0,54433

0,499904

0,54433

0,672029

0,562603

0,562603

0,572577

0,524085

0,672154

0,524085

0,719547

0,499904

0,568092

0,524085

0,524085

0,558463

0,680818

0,509745

0,680818

0,750086

0,568092

0,672029

0,524085

0,549004

0,499904

0,672029

0,562603

0,568092

0,509745

0,568092

0,429733

0,75978

0,549004

0,629455

0,672154

0,572577

0,422665

0,499904

0,499904

0,680818

0,643153

0,643153

0,604923

0,54433

0,524085

0,714978

0,558463

0,572577

0,714978

0,524085

0,54433

0,577542

0,680818

0,562603

0,672029

0,54433

0,714978

0,568092


57

0,723105

0,710566

0,680818

0,680818

0,562603

0,568092

0,572577

0,509745

0,562603

0,568092

0,524085

0,680818

0,672029

0,524085

0,624975

0,568092

0,568092

0,524085

0,714978

0,549004

0,54433

0,714978

0,643153

0,680818

0,549004

0,509745

0,687306

0,672029

0,489257

0,680818

0,562603

0,422665

0,394402

0,524085

0,743141

0,572577

0,714978

0,680818

0,714978

0,6514

0,562603

0,499904

0,512307

0,512307

0,568092

0,672154

0,629455

0,562603

0,572577

0,568092

0,672029

0,680818

0,512307

0,568092

0,524085

0,572577

0,568092

0,568092

0,512307

0,489257

0,680818

0,572577

0,524085

0,714978

0,509745

0,568092

0,680818

0,680818

0,568092

0,723105

0,604923

0,562603

0,509745

0,492622

0,714978

0,568092

0,772222

0,714978

0,643153

0,514682

0,6514

-0,48783

0,512307

0,509745

0,549004

0,750086

0,568092

0,6514

0,568092

0,600433

0,568092

0,54433

0,558463

0,524085

0,727974

0,386088

0,672154

0,680818

0,499904

0,643153

0,680818

0,680818

0,680818

0,723105

0,624975

0,568092

0,54433

0,750086

0,524085

0,672154

0,680818

0,680818

0,643153

0,509745

0,524085

0,680818

0,568092

0,562603

0,568092

0,524085

0,549004

0,568092

0,492622

0,680818

0,568092

0,680818

0,492622

0,524085

0,680818

0,568092

0,75978

0,499904

0,509745

0,524085

0,680818

0,710566

0,624975

0,54433

0,524085

0,562603

0,568092

0,489257

0,680818

0,572577

0,680818

0,509745

0,572577

0,680818

0,643153

0,772222

0,524085

0,714978

0,558463

0,680818

0,672029

0,512307

0,6514

0,710566

0,680818

0,562603

0,608089

0,568092

0,719547

0,562603

0,680818

0,568092

0,562603

0,714978

0,714978

0,643153

0,680818

0,743141

0,558463

0,558463

0,568092

0,568092

0,568092

0,568092

0,562603

0,680818

0,54433

0,727974

0,512307

0,489257

0,558463

0,524085

0,524085

0,509745

0,680818

0,549004

0,643153

0,562603

0,562603

0,54433

0,512307

0,562603

0,092818

0,714978

0,680818

0,680818

0,512307

0,568092

0,512307

0,54433

0,54433


58

0,727974

0,54433

0,702557

0,413085

0,562603

0,572577

0,715952

0,54433

0,568092

0,568092

0,643153

0,454801

0,572577

0,54433

0,568092

0,572577

0,680818

0,572577

0,6514

0,727974

0,680818

0,714978

0,509745

0,489257

0,489257

0,572577

0,499904

0,643153

0,643153

0,499904

0,643153

0,680818

0,509745

0,643153

0,54433

0,714978

0,524085

0,772222

0,680818

0,672029

0,702557

0,524085

0,492622

0,512307

0,524085

0,572577

0,680818

0,680818

0,492622

0,509745

0,714978

0,524085

0,714978

0,562603

0,624975

0,568092

0,499904

0,568092

0,568092

0,489257

0,558463

0,714978

0,54433

0,680818

0,75978

0,672154

0,568092

0,509745

0,562603

0,572577

0,568092

0,568092

0,680818

0,714978

0,524085

0,672154

0,489257

0,524085

0,672154

0,54433

0,680818

0,672029

0,499904

0,672154

0,643153

0,54433

0,680818

0,512307

0,572577

0,524085

0,643153

0,54433

0,643153

0,608089

0,568092

0,524085

0,492622

0,680818

0,643153

-0,48783

0,680818

0,680818

0,714978

0,524085

0,714978

0,723105

0,680818

0,549004

0,643153

0,630803

0,496963

0,672029

0,54433

0,568092

0,680818

0,54433

0,572577

0,680818

0,6514

0,719547

0,624975

0,524085

0,568092

0,772222

0,562603

0,499904

0,524085

0,608089

0,54433

0,509745

0,568092

0,643153

0,168633

0,568092

-0,52019

0,512307

0,714978

0,568092

0,672029

0,714978

0,562603

0,714978

0,54433

0,54433

0,714978

0,643153

0,509745

0,714978

0,572577

0,499904

0,509745

0,6514

0,680818

0,54433

0,54433

0,54433

0,714978

0,562603

0,492622

0,454801

0,413085

0,624975

0,568092

0,54433

0,608089

0,562603

0,643153

0,54433

0,509745

0,509745

0,680818

0,680818

0,727974

0,509745

0,680818

0,714978

0,672029

0,643153

0,672154

0,568092

0,714978

0,509745

0,714978

0,568092

0,680818

0,629455

0,572577

0,672154

0,562603

0,549004

0,568092

0,714978

0,562603

0,672154

0,680818

0,750086

0,549004

0,680818

0,568092

0,562603

0,750587

0,558463

0,727974

0,54433

0,568092


59

0,558463

0,710566

0,568092

0,54433

0,558463

0,509745

0,499904

0,643153

0,75978

0,568092

0,680818

0,568092

0,680818

0,54433

0,568092

0,509745

0,492622

0,753345

0,680818

0,562603

0,509745

0,499904

0,710566

0,549004

0,568092

0,492622

0,568092

0,509745

0,512307

0,680818

0,499904

0,509745

0,568092

0,680818

0,680818

0,680818

0,524085

0,524085

0,568092

0,512307

0,714978

0,680818

0,562603

0,549004

0,572577

0,714978

0,6514

0,680818

0,672154

0,558463

0,714978

0,680818

0,750086

0,608089

0,509745

0,577542

0,643153

0,608089

0,568092

0,568092

0,37718

0,772222

0,57443

0,643153

0,454801

0,562603

0,643153

0,386088

0,568092

0,643153

0,714978

0,723105

0,643153


pengelompokan data guru untuk pemilihan calon … · calon pengawas satuan pendidikan ... skripsi...

Documents