enigma journal of infotmatic (enjoi 2016) issn : 2502-2237...

Enigma Journal of Infotmatic (ENJOI 2016) ISSN : 2502-2237 Kolaka, Januari 2016 Vol. 1 No. 1 Hal.29-39

1

b


29

Kombinasi Fuzzy C-Means Clustering dan MADM Model Yager Untuk Menentukan Kelompok UKT (Studi Kasus Universitas Sembilanbelas November Kolaka)

Muhammad Nurtanzis Sutoyo1 dan Andi Tenri Sumpala2

12Prodi Sistem Informasi, FTI USN Kolaka, Sulawesi Tenggara e-mail:

[email protected],

[email protected]

Abstrak Salah satu kebijakan pemerintah untuk membuktikan bahwa pendidikan itu sangat

terbuka bagi setiap warga negara Indonesia adalah keringanan pembayaran biaya kuliah.

Kebijakan tersebut bernama Uang Kuliah Tunggal yang sering disingkat UKT. Untuk

menerapkan Uang Kuliah Tunggal hal tersebut, Universitas Sembilanbelas November Kolaka

memerlukan gambaran latar belakang kondisi sosial ekonomi orangtua mahasiswa. Dalam

menentukan kelompok UKT dibagi menjadi 5 (lima) kelompok dengan jumlah kelompok 1 dan

kelompok 2 sebanyak 5% dari jumlah mahasiswa baru. Sehingga dibutuhkan suatu metode yang

dapat membantu dalam menentukan kelompok UKT tersebut. Metode tersebut adalah Fuzzy C-

Means dan MADM Model Yager. Berdasarkan hasil penelitian, sistem untuk menentukan

kelompok UKT dengan kombinasi Fuzzy C-Means dan MADM Model Yager dapat menampilkan

status tiap kelompok maupun secara keseluruhan. Selain itu, hasil perhitungan uji validitas

clustering dengan Partition Coeffecient (PC) diperoleh nilai 0.791 serta rata-rata tingkat

ketepatan data hasil prediksi diperoleh 0.79 (79%). Sehingga hasil perhitungan dan pengujian

sistem tergolong dalam kategori baik dan efektif.

Kata kunci—Fuzzy C-Means, MADM Model Yager, UKT

1. PENDAHULUAN

Dunia pendidikan, khususnya Pendidikan Tinggi mendapat sorotan dari publik. Salah satu

sorotan yang dimaksud yaitu: belum meratanya sistem pendidikan tinggi di Jawa dengan luar

Jawa. Dimana Angka Partisipasi Kasar (APK) untuk jenjang pendidikan di Perguruan Tinggi

masih minim jika dibandingkan jumlah penduduk Indonesia sekitar ± 250 juta. Untuk

membuktikan bahwa pendidikan itu sangat terbuka bagi setiap warga negara Indonesia dan

sebagai realisasi dari Pasal 31 UUD 1945 yang menyatakan bahwa setiap warga negara

Indonesia berhak atas pendidikan. Pemerintah melalui Kementrian Pendidikan Nasional

mengeluarkan suatu kebijakan yang diberi nama Uang Kuliah Tunggal (UKT). Hakekat dari

UKT adalah guna meringankan beban mahasiswa terhadap pembiayaan pendidikan. Oleh

karena itu pemerintah melalui Menteri Pendidikan dan Kebudayaan (Mendikbud) pada tanggal

23 Mei 2013 telah mengeluarkan ketetapan mengenai besarnya Biaya Kuliah Tunggal (BKT)

dan Uang Kuliah Tunggal (UKT) pada PerguruanTinggi Negeri (PTN) di lingkungan

Kementerian Pendidikan dan Kebudayaan[1]. Universitas Sembilanbelas November Kolaka merupakan salah satu Perguruan Tinggi

Negeri dari 2 (dua) Perguruan Tinggi Negeri yang ada di Sulawesi Tenggara dan pada tahun

ajaran baru 2014/2015 menerapkan Uang Kuliah Tunggal (UKT). Dalam menerapkan Uang

Kuliah Tunggal, Universitas Sembilanbelas November Kolaka membagi kedalam 5 (lima)

kategori kelompok UKT. Hal tersebut berdasarkan surat edaran DIKTI Nomor

272/E1.1/KU/2013 yang menjelaskan bahwa sebaiknya tarif Uang Kuliah Tunggal dibagi atas 5

kelompok, dari yang paling rendah (kelompok 1) sampai kelompok paling tinggi (kelompok

mailto:[email protected]

mailto:[email protected]


30

5)[2]. Dalam menerapkan Uang Kuliah Tunggal, Universitas Sembilanbelas November Kolaka

memerlukan gambaran latar belakang kondisi sosial ekonomi orangtua setiap mahasiswa dengan

kelompok UKT dibagi menjadi 5 (lima) kelompok dengan jumlah kelompok 1 dan kelompok 2

sebanyak 5% dari jumlah mahasiswa baru. Sedangkan kriteria-kriteria yang digunakan untuk

menentukan kelompok UKT ditetapkan oleh pemimpin Perguruan Tinggi (PT). Hal ini

berdasarkan Peraturan Menteri Pendidikan dan Kebudayaan Nomor 73 Tahun 2014 tentang

Perubahan Atas Aturan Menteri Pendidikan dan Kebudayaan Nomor 55 Tahun 2013 Pasal 4

Ayat 4[3]. Pihak Universitas Sembilanbelas November Kolaka akan kesulitan apabila

menggunakan metode tradisional dalam melakukan identifikasi terhadap setiap mahasiswa.

Apalagi dengan jumlah data yang besar, analisa data tidak mungkin dilakukan secara manual

oleh manusia. Menyikapi hal tersebut, pada penelitian ini penyusun membantu pihak

Universitas Sembilanbelas November Kolaka dalam menentukan kelompok Uang Kuliah

Tunggal (UKT). Upaya tersebut melalui dengan pemanfaatan teknologi komputer. Pembuatan

alat bantu aplikasi dengan menggunakan metode Fuzzy C-Means (FCM) Clustering dan Multi

Attribute Decision Making (MADM) Model Yager. Metode Fuzzy C-Means digunakan untuk

mengelompokan data. Fungsi clustering adalah untuk menentukan data yang sama menjadi

dalam satu kelompok, dimana sebelumnya data tersebut belum diketahui akan berada di

kelompok yang mana. Sedangkan Multi Attribute Decision Making (MADM) Model Yager

digunakan untuk menyeleksi ciri-ciri terbaik yang memiliki nilai di atas rata-rata dari alternatif

yang dibandingkan. Telah banyak penelitian mengenai Fuzzy C-Means dan penelitian yang berfokus pada

MADM. Penelitian [4] dengan menerapkan Fuzzy C-Means yang digunakan untuk pengenalan

pola sebagai informasi data saham dan kualitas perusahaan emiten pada bursa efek Jakarta.

Penelitian [5], menerapkan Fuzzy C-Means dan TSK untuk penentuan cluster rawan pangan di

Kabupaten Cirebon. Pengelompokkan tersebut dikelompokkan dalam 6 golongan, yaitu sangat

tahan pangan, tahan pangan, cukup tahan pangan, cukup rawan pangan, rawan pangan, dan

sangat rawan pangan. Penelitian [6] menerapkan metode Fuzzy Multi-Attribute Decision

Making berbasis Web dalam pemilihan calon Kepala Daerah di Indonesia. Penelitian [7]

menerapkan Fuzzy MADM untuk menangani resiko dalam berinvestasi. Dalam penelitian

tersebut, pengambilan keputusan atribut masalah untuk menangani risiko investasi dengan

informasi diketahui sepenuhnya pada bobot atribut yang nilai atribut yang diberikan dalam

bentuk bilangan fuzzy. Sedangkan pada penelitian ini mengkombinasikan kedua metode tersebut, yaitu Fuzzy

C-Means Clustering dan MADM Model Yager dalam menentukan kelompok Uang Kuliah

Tunggal (UKT) di Universitas Sembilanbelas November Kolaka.

2. METODE PENELITIAN

2.1 Fuzzy C-Means Fuzzy C-Means digunakan untuk mengelompokan data yang sama menjadi dalam satu

kelompok, dimana sebelumnya data tersebut belum diketahui akan berada di kelompok yang mana. Algoritma Fuzzy C-Means sebagai berikut[8]. 1. Input data yang akan dicluster X, berupa matriks berukuran n x m (n = jumlah sampel data,

m = atribut setiap data). Xij = data sampel ke-i (i = 1,2,...,n), atribut ke-j (j = 1,2,...,m). 2. Tentukan:

a. Jumlah cluster = c

b. Pangkat = w

c. Maksimum iterasi = MaxIter

d. Error terkecil yang diharapkan =

e. Fungsi obyektif = P0 = 0


31

f. Iterasi awal = t = 1

3. Bangkitkan nilai secara random ik , i 1, 2,..., n; k 1, 2,..., c sebagai elemen-elemen

matriks partisi awal U. Matriks partisi pada pengelompokkan fuzzy memenuhi kondisi

uik[0;1] 1 i n; 1 k c (1)

ik adalah derajat keanggotaan yang merujuk pada seberapa besar kemungkinan suatu data

bisa menjadi anggota kedalam suatu cluster. Pada awal posisi matriks partisi U masih belum akurat begitu juga pusat clusternya. ke-k: Vkj, dengan k = 1,2,...,c; dan j = 1,2,...,m. 4. Hitung pusat cluster

V

i1 kj n

w

ik

i1

5. Hitung fungsi obyektif pada iterasi ke-t, Pt:

nc m

2ik

P

t

X ij Vkj w

i1 k 1 j

1 6. Hitung perubahan matriks partisi:

(2)

(3)

m X ij

1

Vkj w1

j 1

(4) ik

1 X ij Vkj

c m w1

k 1 j 1 dengan: i = 1,2,...,n; dan k = 1,2,...,c

7. Cek kondisi berhenti:

a. Jika: ( |Pt – Pt-1| < ) atau (t > MaxIter) maka berhenti. b. Jika tidak: t = t+1, ulangi langkah ke-4.

Sedangkan untuk menguji validitas hasil clustering dengan pendekatan Fuzzy

Clustering, digunakan perhitungan koefesien partisi atau Partition Coeffecient (PC). Pengujian Partition Coeffecient (PC) sebagai evaluasi data pada setiap cluster, dimana nilai Partition

Coeffecient (PC) hanya mengevaluasi nilai derajat keanggotaan dan tanpa memandang nilai data

yang mengandung informasi[9]. Rumus yang digunakan untuk menghitung validitas Partition

Coeffecient (PC) adalah nc

PC (uik )2 / n (5) k 1 i1

dimana n merupakan jumlah data, c jumlah cluster, dan uik menyatakan nilai keanggotaan dari data ke-k pada cluster ke-i. Nilai hasil uji validitas dalam rentang [0, 1], nilai yang semakin besar (mendekati 1) mempunyai arti bahwa kualitas cluster yang didapat semakin baik.

2.2 MADM Model Yager MADM Model Yager digunakan untuk menyeleksi ciri-ciri terbaik yang memiliki nilai

di atas rata-rata dari alternatif yang dibandingkan. MADM Model Yager adalah suatu bentuk

model pendukung keputusan yang memperhatikan bahwa suatu alternatif terbaik adalah memiliki nilai diatas rata-rata dari alternatif yang dibandingkan[10]. Langkah-langkah

penyelesaian untuk Model Yager ini adalah sebagai berikut[8]: a. Tetapkan matriks perbandingan berpasangan antar atribut (M) berdasarkan prosedur hirarki

Saaty sebagai berikut:

nikw * X ij


32

1

1

2

M 1

...

n

dengan

i j

1

...

1

2 n

2

...

2

2

n (6)

n

...

n

2

n adalah kepentingan relatif atribut ai terhadap atribut aj.

b. Tentukan bobot wj yang konsisten untuk setiap atribut berdasarkan metode eigenvector dari

Saaty.

c. Hitung nilai yang dihasilkan dengan cara mempangkatkan bobot wj yang konsisten G j ( xi) wj (7)

Gj = nilai kualitas kriteria ke-j dari objek wj = nilai bobot vektor masing-masing kriteria

xi = nilai objek

wj

sebagai

d. Tentukan interseksi dari semua G j ( xi)

wi ( xi ) (8) D xi , min | i 1,...., n; j 1,..., m

j Cj

D = objek = elemen matriks D

~ e. Pilih xi dengan derajat keanggotaan terbesar dalam D dan tetapkan sebagai alternatif

optimal.

2.3 Normalisasi Perbedaan rentang data yang ada pada data sampel untuk menentukan kelompok UKT,

bisa menyebabkan proses identifikasi memiliki akurasi yang lebih rendah. Karena bisa

menyebabkan satu dimensi data tidak mempengaruhi nilai distance atau similarity pada suatu

identifikasi. Sedangkan dalam menentukan inputan nilai pada MADM Model Yager, nilai input yang diterima berupa bilangan dengan range antara 0 sampai dengan 1. Karena itu, diperlukan

sebuah proses terlebih dahulu untuk menyesuaikan data yang sesungguhnya dengan range

tersebut. Rumus yang digunakan untuk menormalisasi Min-max Normalization[11], dengan

persamaan seperti berikut.

v' vi min A (new_max

A new_min

A ) new_min

A

i max min

(9) A A dimana v’ = nilai baru data hasil Min-Max Normalization; v = nilai data yang akan

dinormalisasi; minA = nilai minimum dari field data yang sama; maxA = nilai maksimum dari

field data yang sama; new_minA = nilai minimum data yang diinginkan; dan new_maxA = nilai maksimum data yang diinginkan.

2.4 Pengujian Evaluasi Dalam membuat sebuah sistem, pengukuran yang digunakan untuk informasi retreival

adalah Precision dan Recall. Precision adalah tingkat ketepatan antara data hasil prediksi Title of manuscript is short and clear, implies research results (First Author)


33

dengan data yang diberikan sistem. Sedangkan Recall adalah tingkat keberhasilan sistem dalam

menemukan kembali antara data hasil prediksi dengan data yang diberikan sistem. Proses

evaluasi ini bekerja dengan membandingkan hasil temuan sistem dan data asli sehingga diperoleh tingkat kesamaan. Apabila sebuah sistem memiliki tingkat kesamaan yang sangat

mirip, maka nilai Precision dan Recall adalah 1. Data yang diperoleh terbagi menjadi dua

kelompok, yaitu data yang ditemukan “sama” dan data yang ditemukan “tidak sama”.

Pengukuran Precision dan Recall menurut Han dan Kamber [11]

Precision

TP

(10)

TP FP

Recall TP TP (11) TP FN

P

2.5 Deskripsi Sistem Penelitian ini berfokus pada penentuan kelompok Uang Kuliah Tunggal (UKT). Dimana

Bagian akademik akan bertanggung jawab dan membantu Rektor dalam merencanakan,

merumuskan dan mengkoordinasikan kebijakan teknik Uang Kuliah Tunggal. Dengan sistem ini

diharapkan akan memudahkan Bagian Akademik untuk menentukan kelompok Uang Kuliah Tunggal (UKT). Mula-mula mahasiswa Universitas Sembilanbelas November Kolaka didata

oleh Bagian Akademik berdasarkan kriteria yang tertera pada Tabel 1.

Tabel 1. Kriteria Uang Kuliah Tunggal

Kriteria Keterangan

Jenis Kelamin Jenis kelamin dimaksud adalah jenis kelamin Kepala Keluarga atau Wali

mahasiswa

Umur Umur dimaksud adalah umur Kepala Keluarga atau Wali mahasiswa

dengan kategori muda, parobaya, atau tua

Jumlah Jumlah tanggungan adalah jumlah anggota keluarga yang menjadi

Tanggungan tanggungan kepala keluarga, apakah sedikit atau banyak

Pendapatan Pendapatan adalah jumlah uang yang diterima orang tua atau wali

mahasiswa dengan kategori rendah, sedang atau tinggi

Aset Aset adalah barang atau benda baik tidak bergerak dan bergerak yang

dinilaikan dalam bentuk rupiah (Rp) dengan kategori sedikit atau banyak

Pendidikan Pendidikan yang dimaksud adalah tingkat pendidikan kepala keluarga,

yaitu SD, SMP, SMP, Diploma/Sarjana, atau Pascasarjana

Pekerjaan yang dimaksud adalah kegiatan atau aktivitas kepala keluarga, Pekerjaan yaitu: Buruh, Petani, Wiraswasta, Pegawai Swasta, Pegawai Negeri atau

Profesional

Nilai untuk kriteria pendapatan dan jumlah tanggungan dihitung dengan menggunakan metode Fuzzy

C-Means Clustering. Keluaran dari hasil perhitungan Fuzzy C-Means Clustering ini adalah

mahasiswa yang masuk dalam kelompok Uang Kuliah Tunggal, dimana pengelompokan tersebut di

kelompokkan dalam 5 (lima) kelompok. Apabila hasil dari pengelompokkan, khususnya pada

kelompok 1 dan kelompok 2 lebih besar 5% dari jumlah mahasiswa baru, maka dilakukan perhitungan

dengan menggunakan MADM model Yager untuk menyeleksi ciri-ciri terbaik yang memiliki nilai di

atas rata-rata (kurang mampu)


34

2.6 Tahapan Proses

Dalam penerapannya, sistem ini menggunakan 2 metode yaitu: Fuzzy C-Means

Clustering untuk mengelompokkan status ekonomi orangtua mahasiswa dan MADM Model Yager untuk menyeleksi ciri-ciri terbaik yang memiliki nilai di atas rata-rata dari alternatif yang

dibandingkan. Adapun langkah-langkah yang dilakukan adalah sebagai berikut. 1. Bagian Akademik akan menginputkan data mahasiswa. 2. Langkah selanjutnya adalah kelompokan data yang telah diinput dengan menggunakan

metode Fuzzy C-Means. 3. Output dari hasil pengelompokkan adalah daftar nama-nama mahasiswa dengan status

kelompok UKT (UKT 1, UKT 2, UKT 3, UKT 4, dan UKT 5). 4. Jika hasil pengelompokkan jumlah mahasiswa UKT 1 dan UKT 2 lebih besar 5% langkah

selanjutnya yaitu menentukan mahasiswa yang akan direkomendasikan untuk tetap berada di UKT1 dan UKT 2 dengan menggunakan MADM Model Yager.

5. Output dari hasil perhitungan dengan menggunakan MADM Model Yager adalah daftar nama-nama mahasiswa yang tetap berada di UKT1 dan UKT 2.

Tahapan penerapan metode Fuzzy C-Means Clustering dan MADM Model Yager disajikan seperti Gambar 1.

Gambar 1. Tahapan Penerapan Fuzzy C-Means dan MADM Model Yager


35

2.7 Perancangan Sistem Gambar 2 menunjukkan gambaran umum dari sistem yang memiliki 6 proses, yaitu proses pengolahan data Program Studi, data mahasiswa, prose Clustering, penentuan bobot, proses perhitungan, dan cetak laporan. User yang terlibat dari sistem ini adalah bagian adakademik yang bertugas melakukan pendataan kondisi mahasiswa berdasarkan masing-masing indikatornya

Title of manuscript is short and clear, implies research results (First Author)

Gambar 2. DFD Level 1

.


36

2.8 Implementasi Sistem Proses perhitungan FCM Clustering dan MADM Model Yager mengacu pada proses 3

dan 5 Gambar 2. Pada awal proses FCM, sistem akan membangkitkan bilangan random,

menghitung pusat cluster, menghitung nilai fungsi objektif, menghitung nilai derajat keanggotaan baru, dan menghitung nilai validitas hasil clustering.

Gambar 3. Hasil Perhitungan FCM Clustering

Informasi yang dapat diperoleh dari hasi proses clustering kelima pusat cluster adalah: (1) Kelompok pertama (cluster ke-1), berisi pendapatan rata-rata sekitar Rp. 442,710.55 dan memiliki rata-rata jumlah tanggungan 4 orang. (2) Kelompok kedua (cluster ke-2), berisi pendapatan rata-rata sekitar Rp. 985,207.95 dan memiliki rata-rata jumlah tanggungan 4 orang. (3) Kelompok ketiga (cluster ke-3), berisi pendapatan rata-rata sekitar Rp. 1,649,850.30 dan

memiliki rata-rata jumlah tanggungan 3 orang. (4) Kelompok keempat (cluster ke-4), berisi pendapatan rata-rata sekitar Rp. 3,315,082.22 dan memiliki rata-rata jumlah tanggungan 3

orang. (5) Kelompok kelima (cluster ke-5), berisi pendapatan rata-rata sekitar Rp. 3,871,214.22 dan memiliki rata-rata jumlah tanggungan 3 orang.

Karena jumlah masing-masing kelompok 1 dan kelompok 2 lebih besar 5%, maka langkah selanjutnya dilakukan proses penyeleksian dengan menggunakan MADM Model

Yager. Sebelum proses perhitungan MADM Model Yager, tentukan dahulu nilai bobot

konsisten. Setelah nilai bobot diperoleh, langkah selanjutnya sistem akan menormalisasi data untuk menyetarakan rentang nilai antar dimensi pada data yang akan identifikasi. Hasil dari

normalisasi kemudian dipangkatkan dengan nilai bobot yang telah diperoleh.

3. HASIL DAN PEMBAHASAN

Sistem kombinasi Fuzzy C-Means Clustering dan MADM Model Yager diuji melalui dua tahap. Pengujian Fuzzy C-Means Clustering dengan tujuan untuk mengetahui performa dari

Fuzzy C-Means dalam mengkluster. Jumlah data yang di gunakan untuk pengujian Fuzzy C-Means sebanyak 1414 mahasiswa. Untuk proses Fuzzy C-Means Clustering nilai paramater

sebagai berikut. Jumlah cluster = 5

Maksimum iterasi = 100


37

Error terkecil = 10-5

Pangkat = 2 Iterasi awal = 1

Dengan nilai matriks awal U dibentuk secara random (acak).

Kriteria yang digunakan untuk mengelompokkan dengan metode Fuzzy C-Means Clustering adalah jumlah pendapatan dan jumlah tanggungan. Dimana data diperoleh dari

Bagian Akademik Universitas Sembilanbelas November Kolaka yang berjumlah 1414 orang

mahasiswa. Dari hasil proses pengclusteran menggunakan metode Fuzzy C-Means Clustering

dengan jumlah iterasi sebanyak 32 kali iterasi terbentuk kelompok 1 sebanyak 427 orang

(30.19%), kelompok 2 sebanyak 329 orang (23.26%), kelompok 3 sebanyak 252 orang

(17.82%), kelompok 4 sebanyak 237 orang (16.76%), dan kelompok 5 sebanyak 169 orang (11.95%). Sesuai ketetapan di Universitas Sembilanbelas November Kolaka bahwa jumlah mahasiswa yang tetap berada pada kelompok 1 dan kelompok 2 adalah 5% dari jumlah

keseluruhan mahasiswa, yaitu 70 orang. Karena hasil clustering melebihi ketetapan, maka data

pada kelompok 1 dan kelompok 2 dilakukan perhitungan untuk menentukan siapa sajakah mahasiswa yang akan tetap berada pada kelompok 1 dan kelompok 2. Sedangkan mahasiswa

yang tidak masuk pada kelompok 1 dan kelompok 2 akan di pindahkan pada kelompok 3.

Metode yang digunakan untuk menentukan siapa sajakah mahasiswa yang tetap berada pada

kelompok 1 dan kelompok 2 dengan menggunakan MADM Model Yager. Contoh hasil perhitungan dengan MADM Model Yager pada kelompok 1 dan kelompok 2 disajikan seperti

Gambar 4.

Gambar 4 Contoh Hasil Perhitungan MADM Model Yager

Evaluasi pengujian dilakukan dengan menggunakan precision dan recall. Nilai precision digunakan

untuk menunjukkan ketepatan rekomendasi yang dihasilkan oleh recommendation system. Recall

merupakan nilai yang digunakan sebagai ukuran jumlah item relevan yang dihasilkan

recommendation system. Data untuk pengujian diperoleh dengan membandingkan data asli dengan

data yang dihasilkan sistem. Hasil pengujian precision dan recall disajikan pada Tabel 2


38

Tabel 2 Hasil Pengujian Precision dan Recall

Kelompok Hasil Prediksi

Precision Recall

TP

FN

FP

UKT 1 38 32 32 0,54 0,54

UKT 2 42 28 28 0,60 0,60

UKT 3 832 63 36 0,92 0,95

UKT 4 217 18 20 0,92 0,91

UKT 5 138 6 31 0,95 0,81

Rata-rata 0,79 0,76

4. KESIMPULAN

Berdasarkan hasil penelitian terhadap sistem untuk menentukan kelompok UKT dengan kombinasi Fuzzy C-Means dan MADM Model Yager, maka dapat disimpulkan: 1. Kombinasi Fuzzy C-Means dan MADM Model Yager dapat diimplementasikan untuk

menentukan kelompok UKT yang sesuai. Dari hasil pengclusteran dengan Fuzzy C-Means dengan iterasi sebanyak 32 kali iterasi terbentuk kelompok 1 sebanyak 427 orang (30.19%),

kelompok 2 sebanyak 329 orang (23.26%), kelompok 3 sebanyak 252 orang

(17.82%), kelompok 4 sebanyak 237 orang (16.76%), dan kelompok 5 sebanyak 169 orang (11.95%). Dimana uji validitas clustering dengan Partition Coeffecient (PC) diperoleh nilai

PC = 0,791 tergolong dalam kategori baik karena nilai uji validitas mendekati angka 1. Karena kelompok 1 dan kelompok 2 lebih dari 5%, maka dilanjutkan dengan perhitungan MADM Model Yager untuk menyeleksi mahasiswa yang akan tetap berada pada kelompok

1 dan kelompok 2. 2. Rata-rata hasil pengujian precision diperoleh sebesar 0.79 dan hasil pengujian diperoleh

recall sebesar 0,76. Sehingga diketahui bahwa tingkat keefektifan dari sistem dalam

menentukan kelompok UKT dapat dikatakan efektif. Dari hasil pengujian terlihat ada 46% (32) orang mahasiswa yang seharusnya tidak berada pada kelompok 1 dan 40% (28) orang

mahasiswa yang seharusnya tidak berada pada kelompok 2. Secara umum berdasarkan hasil

pengujian tersebut dapat dinyatakan bahwa kombinasi Fuzzy C-Means dan MADM Model

Yager lebih baik diterapkan untuk menentukan kelompok UKT karena dapat menentukan sesuai dengan target aslinya.

DAFTAR PUSTAKA

[1] Peraturan Menteri Pendidikan dan Kebudayaan RI Nomor 55 Tahun 2013 tentang Biaya Kuliah Tunggal Dan Uang Kuliah Tunggal Pada Perguruan Tinggi Negeri Di Lingkungan Kementerian Pendidikan Dan Kebudayaan.

[2] Surat Edaran Nomor 272/E1.1/KU/2013 Tanggal 3 April 2013 Hal Uang Kuliah

Tunggal.Peraturan Menteri Pendidikan dan Kebudayaan RI Nomor 73 Tahun 2014

tentang


39

Perubahan Atas Peraturan Menteri Pendidikan dan Kebudayaan RI Nomor 55 Tahun 2013 tentang Biaya Kuliah Tunggal Dan Uang Kuliah Tunggal Pada Perguruan Tinggi

Negeri Di Lingkungan Kementerian Pendidikan Dan Kebudayaan.

[4] Sumarauw, SJA. dan Subanar., 2007, Fuzzy C-Means Clustering Model Data Mining for Recognizing Stock Data Sampling Pattern, Indonesian Journal of Computing and Cybernetics Systems, Vol.1, No.2, Juni 2007, pp 115-122.

[5] Harliana dan Azhari., 2012, Penerapan FCM dan TSK Untuk Penentuan Cluster Rawan

Pangan di Kabupaten Cirebon. Indonesian Journal of Computing and Cybernetics Systems Vol. 6, No. 2, Juli 2012 ISSN: 1978-1520, pp 1-10.

[6] Yusro, MM. dan Wardoyo, R., 2013, Aplikasi Metode Fuzzy Multi-Attribute Decision

Making Berbasis Web dalam Pemilihan Calon Kepala Daerah di Indonesia, Indonesian

Journal of Computing and Cybernetics Systems, Vol.7, No.1, Januari 2013 ISSN: 1978-1520, pp 101-110.

[7] Gu, X. Wang, Y. dan Yang, B., 2011. A Method for Hesitant Fuzzy Multiple Attribute

Decision Making and Its Application to Risk Investment, Journal of Convergence

Information Technology, Volume 6, Number 6, June 2011.

[8] Zimmermann., 2001, Fuzzy Set Theory and Its Applications, Fourth Edition. Kluwer Academic Publishers.

[9] Bezdek, J., 1981, Pattern Recognition With Fuzzy Objective Function Algorithms, New

York, Plenum Press.

[10] Kusumadewi, S., Hartati, S., Harjoko, A. dan Wardoyo, R., 2006, Fuzzy Multi-Attribute Decision Making, Graha Ilmu Yogyakarta.

{11} Han, J. dan Kamber, M., 2006, Data Mining: Concepts and Techniques. Second Edition,

Morgan Kaufmann Publishers.

ar, implies research results (First Author)

enigma journal of infotmatic (enjoi 2016) issn : 2502-2237...

Documents