pengelompokan data evaluasi pembelajaran …repository.usd.ac.id/35505/2/155314026_full.pdf · data...
TRANSCRIPT
i
PENGELOMPOKAN DATA EVALUASI PEMBELAJARAN
MENGGUNAKAN ALGORITMA K-MEANS++ CLUSTERING
SKRIPSI
Diajukan untuk memenuhi salah satu syarat
memperoleh gelar Sarjana Komputer
Program Studi Teknik Informatika
oleh :
Christian Carolus Bagas Pradana 155314026
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
CLUSTERING OF LEARNING EVALUATION DATA USING
K-MEANS++ CLUSTERING ALGORITHM
FINAL PROJECT
Presented as Partial Fulfillment of The Requirements
to Obtain The Sarjana Komputer Degree
in Informatics Engineering Study Program
by :
Christian Carolus Bagas Pradana 155314026
INFORMATICS ENGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2019
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN PERSEMBAHAN
“ Success seems to be connected with action.
Successfull men keep moving.
They make mistakes, but they don’t quit”
- Conrad Hilton -
Karya ini penulis persembahkan kepada :
Tuhan
Keluarga
Almamater
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
ABSTRAK
Dalam instansi pendidikan, penilaian terhadap kinerja dosen penting untuk
dilakukan. Salah satu aspek yang dapat digunakan sebagai acuan dalam penilaian
kinerja dosen adalah penilaian dalam hal pengajaran (proses belajar - mengajar).
Data nilai pada proses evaluasi pembelajaran dapat diolah lebih lanjut untuk
mengelompokkan atau memetakan hasil evaluasi pembelajaran tersebut.
Dalam tugas akhir ini, penulis menerapkan algoritma K-Means++ clustering
dengan menggunakan bahasa pemrograman Java untuk menge-lompokkan data
evaluasi pembelajaran. Untuk menentukan jumlah cluster yang akan dibentuk,
diterapkan metode elbow. Sedangkan untuk mengukur kualitas dari setiap cluster
yang terbentuk, diterapkan metode silhouette coefficient.
Berdasarkan penelitian, didapatkan hasil bahwa Sistem Pengelompokan
Hasil Evaluasi Pembelajaran berhasil dibangun dengan menerapkan algoritma K-
Means++. Grafik elbow dapat memvisualisasikan nilai Sum of Square Error
(SSE) sebagai cara untuk menentukan nilai k terbaik dalam proses clustering. Dari
pengujian yang dilakukan sebanyak 24 kali, menggunakan 4 dataset dengan
variasi 6 bidang penilaian, 13 pengujian menghasilkan nilai k = 3, 10 pengujian
menghasilkan nilai k = 4, dan 1 pengujian menghasilkan nilai k = 5 sebagai
jumlah cluster terbaik. Pada proses pengukuran kualitas cluster, 13 pengujian
memiliki kualitas clustering yang baik, karena rata – rata menghasilkan cluster
yang memiliki struktur baik dengan Global Silhouette Coefficient > 0,50.
Kata Kunci : K-Means++ Clustering, Evaluasi Pembelajaran, Metode Elbow,
Silhouette Coefficient
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRACT
In educational institutions, an assessment of the performance of lecturers is
important to do. One aspect that can be used as a reference in lecturer
performance assessment is an assessment in terms of teaching (teaching and
learning process). The data in the learning evaluation process can be further
processed to cluster the results of the learning evaluation.
In this final project, the author applied the K-Means++ clustering
algorithm using the Java programming language to cluster learning evaluation
data. To determine the number of clusters to be formed, an elbow method was
applied. Whereas to measure the quality of each cluster, the silhouette coefficient
method was applied.
Based on the research, it was found that the Learning Evaluation Results
Clustering System was successfully built by applying the K-Means++ algorithm.
Elbow graphs can visualize Sum of Square Error (SSE) values as a way to
determine the best k value in the clustering process. From the tests carried out 24
times, using 4 datasets with 6 variations of assessment aspects, 13 tests resulted in
a value of k = 3, 10 tests produced a value of k = 4, and 1 test produced the value
of k = 5 as the best number of clusters. In the process of measuring cluster
quality, 13 tests have good clustering quality, because on average they have
clusters with good structures with Global Silhouette Coefficient > 0.50.
Keywords : K-Means++ Clustering, Learning Evaluation, Elbow Method,,
Silhouette Coefficient
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala
berkat yang telah diberikan, sehingga penulis dapat menyelesaikan tugas akhir
yang berjudul “PENGELOMPOKAN DATA EVALUASI PEMBELAJARAN
MENGGUNAKAN ALGORITMA K-MEANS++ CLUSTERING”. Tugas
akhir ini ditulis sebagai salah satu syarat memperoleh gelar Sarjana Komputer,
program studi Teknik Informatika, Fakultas Sains dan Teknologi, Universitas
Sanata Dharma.
Selama proses penulisan tugas akhir ini, penulis menyadari adanya
keterlibatan dari pihak lain. Oleh karena itu, penulis mengucapkan terima kasih
kepada :
1. Tuhan Yang Maha Esa.
2. Keluarga yang selalu memberikan dukungan dan doa.
3. Bapak Sudi Mungkasi, S.Si, M.Math.Sc.,Ph.D. selaku Dekan Fakultas Sains
dan Teknologi Universitas Sanata Dharma.
4. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik
Informatika Universitas Sanata Dharma.
5. Bapak Robertus Adi Nugroho, S.T., M.Eng. selaku dosen pembimbing
akademik.
6. Ibu P.H. Prima Rosa, S.Si.,M.Sc. selaku dosen pembimbing tugas akhir.
7. Seluruh dosen dan staff program studi Teknik Informatika Universitas Sanata
Dharma.
8. Rekan – rekan mahasiswa Teknik Informatika Universitas Sanata Dharma
angkatan 2015.
9. Seluruh pihak lainnya yang telah membantu penulisan tugas akhir yang tidak
dapat disebutkan satu per satu.
Pada proses penulisan tugas akhir ini, penulis menyadari masih memiliki banyak
kesalahan atau pun kekurangan. Oleh karena itu, penulis mengharapkan saran dan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i
TITLE PAGE ........................................................................................................... ii
HALAMAN PERSETUJUAN ............................................................................... iii
HALAMAN PENGESAHAN ................................................................................ iv
HALAMAN PERSEMBAHAN .............................................................................. v
PERNYATAAN KEASLIAN KARYA ................................................................ vi
ABSTRAK ............................................................................................................ vii
ABSTRACT ......................................................................................................... viii
PERSETUJUAN PUBLIKASI KARYA ILMIAH ................................................ ix
KATA PENGANTAR ............................................................................................. x
DAFTAR ISI ......................................................................................................... xii
DAFTAR TABEL ................................................................................................ xvi
DAFTAR GAMBAR ......................................................................................... xviii
BAB I PENDAHULUAN ........................................................................................ 1
1.1 Latar Belakang .............................................................................................. 1
1.2 Rumusan Masalah ......................................................................................... 3
1.3 Tujuan Penelitian ........................................................................................... 3
1.4 Manfaat Penelitian ......................................................................................... 3
1.5 Batasan Masalah ............................................................................................ 4
1.6 Sistematika Penulisan .................................................................................... 4
BAB II TINJAUAN PUSTAKA .............................................................................. 6
2.1 Penambangan Data ........................................................................................ 6
2.1.1 Pengertian .............................................................................................. 6
2.1.2 Fungsi .................................................................................................... 6
2.1.3 Knowledge Discovery in Database ........................................................ 8
2.2 Evaluasi Pembelajaran Mahasiswa ............................................................... 9
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
2.3 Clustering .................................................................................................... 11
2.3.1 Pengertian dan Konsep ........................................................................ 11
2.3.2 Algoritma K-Means ............................................................................. 12
2.3.3 Algoritma K-Means++ ........................................................................ 14
2.3.4 Silhouette Coefficient ........................................................................... 15
2.3.5 Metode Elbow ...................................................................................... 18
BAB III METODOLOGI PENELITIAN............................................................... 20
3.1 Data ............................................................................................................. 20
3.2 Tahap Penelitian .......................................................................................... 20
3.2.1 Studi Kasus .......................................................................................... 20
3.2.2 Studi Pustaka ....................................................................................... 21
3.2.3 Knowledge Discovery in Database ...................................................... 21
3.2.4 Analisis Hasil Clustering dan Pembahasan ......................................... 22
3.3 Spesifikasi Alat ............................................................................................ 22
3.3.1 Perangkat Keras ................................................................................... 22
3.3.2 Perangkat Lunak .................................................................................. 22
BAB IV PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT
LUNAK .................................................................................................................. 24
4.1 Pemrosesan Awal ........................................................................................ 24
4.1.1 Pembersihan Data ................................................................................ 24
4.1.2 Integrasi Data ....................................................................................... 24
4.1.3 Seleksi Data ......................................................................................... 24
4.1.4 Transformasi Data ............................................................................... 28
4.2 Perancangan Perangkat Lunak .................................................................... 28
4.2.1 Perancangan Umum ............................................................................. 28
4.2.1.1 Input Sistem ................................................................................. 28
4.2.1.2 Proses Sistem ............................................................................... 28
4.2.1.3 Output Sistem............................................................................... 29
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
4.2.2 Use Case Sistem .................................................................................. 30
4.2.2.1 Diagram Use Case ....................................................................... 30
4.2.2.2 Gambaran Umum Use Case......................................................... 30
4.2.2.3 Narasi Use Case ........................................................................... 31
4.2.3 Diagram Aktivitas ................................................................................ 31
4.2.4 Diagram Kelas Analisis ....................................................................... 31
4.2.5 Diagram Kelas Desain ......................................................................... 32
4.2.6 Diagram Sekuen................................................................................... 32
4.2.7 Perancangan Struktur Data .................................................................. 32
4.2.8 Algoritma Setiap Method ..................................................................... 33
4.2.9 Perancangan Antarmuka ...................................................................... 33
BAB V IMPLEMENTASI SISTEM DAN EVALUASI HASIL .......................... 36
5.1 Implementasi Sistem ................................................................................... 36
5.1.1 Implementasi Kelas View .................................................................... 36
5.1.1.1 Tampilan Splash Screen ............................................................... 36
5.1.1.2 Halaman Beranda ......................................................................... 37
5.1.1.3 Halaman Clustering ..................................................................... 37
5.1.1.4 Halaman Grafik Elbow ................................................................ 38
5.1.1.5 Halaman Hasil Clustering ............................................................ 39
5.1.1.6 Halaman Bantuan ......................................................................... 39
5.1.2 Implementasi Kelas Control ................................................................ 40
5.2 Evaluasi Hasil .............................................................................................. 41
5.2.1 Pengujian Perangkat Lunak ................................................................. 41
5.2.1.1 Rencana Pengujian Perangkat Lunak ........................................... 41
5.2.1.2 Prosedur Pengujian Perangkat Lunak .......................................... 42
5.2.1.3 Evaluasi Pengujian Perangkat Lunak ........................................... 42
5.2.2 Pengujian Hasil Hitung Manual dan Hasil Perangkat Lunak .............. 42
5.2.2.1 Penghitungan Manual .................................................................. 43
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
5.2.2.2 Penghitungan Perangkat Lunak ................................................... 43
5.2.2.3 Evaluasi Pengujian Hasil Hitung Manual dan Hasil Perangkat
Lunak............................................................................................ 44
5.2.3 Pengujian Perangkat Lunak Menggunakan Dataset ............................ 44
5.2.3.1 Analisis Hasil Pengujian Perangkat Lunak berdasarkan Metode
Elbow ........................................................................................... 44
5.2.3.2 Analisis Hasil Cluster .................................................................. 60
5.3 Kelebihan dan Kekurangan Perangkat Lunak ............................................. 70
5.3.1 Kelebihan Perangkat Lunak ................................................................. 70
5.3.2 Kekurangan Perangkat Lunak.............................................................. 70
BAB VI PENUTUP ............................................................................................... 71
6.1 Kesimpulan .................................................................................................. 71
6.2 Saran ............................................................................................................ 71
DAFTAR PUSTAKA ............................................................................................ 72
LAMPIRAN ........................................................................................................... 73
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
DAFTAR TABEL
Tabel 2.1 Aspek Penilaian Evaluasi Pembelajaran ................................................ 10
Tabel 2.2 Rincian Pernyataan Aspek Penilaian Evaluasi Pembelajaran ................ 10
Tabel 2.3 Kriteria Penilaian Clustering Berdasarkan Silhouette Coefficient ......... 18
Tabel 4.1 Atribut Awal Data Evaluasi Pembelajaran ............................................ 25
Tabel 4.2 Atribut Terpilih Data Evaluasi Pembelajaran ........................................ 26
Tabel 4.3 Gambaran Umum Use Case ................................................................... 30
Tabel 5.1 Implemtasi Kelas View........................................................................... 36
Tabel 5.2 Implementasi Kelas Control .................................................................. 40
Tabel 5.3 Rencana Pengujian Perangkat Lunak ..................................................... 41
Tabel 5.4 Dataset Pengujian ................................................................................... 42
Tabel 5.5 Nilai SSE Data Evaluasi Pembelajaran Semester Gasal Tahun 2016 .... 44
Tabel 5.6 Nilai SSE Data Evaluasi Pembelajaran Semester Genap Tahun 2016 ... 48
Tabel 5.7 Nilai SSE Data Evaluasi Pembelajaran Semester Gasal Tahun 2017 .... 52
Tabel 5.8 Nilai SSE Data Evaluasi Pembelajaran Semester Genap Tahun 2017 ... 56
Tabel 5.9 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Bidang Keseluruhan ........................................................................ 61
Tabel 5.10 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Pengelolaan Matakuliah .................................................................. 61
Tabel 5.11 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Pelibataktifan Mahasiswa ............................................................... 61
Tabel 5.12 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Interaksi Dosen-Mahasiswa ............................................................ 62
Tabel 5.13 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Isi dan Evaluasi Pembelajaran ........................................................ 62
Tabel 5.14 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Integrasi dalam Kehidupan ............................................................. 62
Tabel 5.15 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2016 – Bidang Keseluruhan ........................................................................ 63
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
Tabel 5.16 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2016 – Pengelolaan Matakuliah .................................................................. 63
Tabel 5.17 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2016 – Pelibataktifan Mahasiswa ............................................................... 64
Tabel 5.18 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2016 – Interaksi Dosen-Mahasiswa ............................................................ 64
Tabel 5.19 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2016 – Isi dan Evaluasi Pembelajaran ........................................................ 64
Tabel 5.20 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2016 – Integrasi dalam Kehidupan ............................................................. 65
Tabel 5.21 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Bidang Keseluruhan ........................................................................ 66
Tabel 5.22 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Pengelolaan Matakuliah .................................................................. 66
Tabel 5.23 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Pelibataktifan Mahasiswa ............................................................... 66
Tabel 5.24 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Interaksi Dosen-Mahasiswa ............................................................ 67
Tabel 5.25 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Isi dan Evaluasi Pembelajaran ........................................................ 67
Tabel 5.26 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Integrasi dalam Kehidupan ............................................................. 67
Tabel 5.27 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2017 – Bidang Keseluruhan ........................................................................ 68
Tabel 5.28 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2017 – Pengelolaan Matakuliah .................................................................. 68
Tabel 5.29 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2017 – Pelibataktifan Mahasiswa ............................................................... 69
Tabel 5.30 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2017 – Interaksi Dosen-Mahasiswa ............................................................ 69
Tabel 5.31 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2017 – Isi dan Evaluasi Pembelajaran ........................................................ 69
Tabel 5.32 Karakteristik Cluster Data Evaluasi Pembelajaran Semester Genap
Tahun 2017 – Integrasi dalam Kehidupan ............................................................. 70
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xviii
DAFTAR GAMBAR
Gambar 2.1 Knowledge Discovery In Database ...................................................... 8
Gambar 4.1 Contoh Data Evaluasi Pembelajaran .................................................. 27
Gambar 4.2 Diagram Konteks................................................................................ 28
Gambar 4.3 Flowchart Proses Sistem .................................................................... 29
Gambar 4.4 Diagram Use Case Sistem .................................................................. 30
Gambar 4.5 Diagram Kelas Analisis ...................................................................... 31
Gambar 4.6 Perancangan Tampilan Splash Screen................................................ 33
Gambar 4.7 Perancangan Halaman Beranda .......................................................... 33
Gambar 4.8 Perancangan Halaman Clustering ...................................................... 34
Gambar 4.9 Perancangan Halaman Grafik Elbow ................................................. 34
Gambar 4.10 Perancangan Halaman Hasil Clustering ........................................... 35
Gambar 4.11 Perancangan Halaman Bantuan ........................................................ 35
Gambar 5.1 Implementasi Tampilan Splash Screen .............................................. 36
Gambar 5.2 Implementasi Halaman Beranda ........................................................ 37
Gambar 5.3 Implementasi Halaman Clustering ..................................................... 38
Gambar 5.4 Implementasi Halaman Grafik Elbow ................................................ 38
Gambar 5.5 Implementasi Halaman Hasil Clustering ........................................... 39
Gambar 5.6 Implementasi Halaman Bantuan (Penggunaan Sistem) ..................... 40
Gambar 5.7 Implementasi Halaman Bantuan (Evaluasi Pembelajaran) ................ 40
Gambar 5.8 Hasil Penghitungan Perangkat Lunak ................................................ 43
Gambar 5.9 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2016
Bidang Keseluruhan ............................................................................................... 45
Gambar 5.10 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2016 –
Pengelolaan Matakuliah ......................................................................................... 46
Gambar 5.11 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2016 –
Pelibataktifan Mahasiswa....................................................................................... 46
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xix
Gambar 5.12 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2016 –
Interaksi Dosen-Mahasiswa ................................................................................... 47
Gambar 5.13 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2016 –
Isi dan Evaluasi Pembelajaran ............................................................................... 47
Gambar 5.14 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2016 –
Integrasi dalam Kehidupan .................................................................................... 48
Gambar 5.15 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2016 –
Bidang Keseluruhan ............................................................................................... 49
Gambar 5.16 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2016 –
Pengelolaan Matakuliah ......................................................................................... 50
Gambar 5.17 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2016 –
Pelibataktifan Mahasiswa....................................................................................... 50
Gambar 5.18 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2016 –
Interaksi Dosen-Mahasiswa ................................................................................... 51
Gambar 5.19 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2016 –
Isi dan Evaluasi Pembelajaran ............................................................................... 51
Gambar 5.20 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2016 –
Integrasi dalam Kehidupan .................................................................................... 52
Gambar 5.21 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2017 –
Bidang Keseluruhan ............................................................................................... 53
Gambar 5.22 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2017 –
Pengelolaan Matakuliah ......................................................................................... 54
Gambar 5.23 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2017 –
Pelibataktifan Mahasiswa....................................................................................... 54
Gambar 5.24 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2017 –
Interaksi Dosen-Mahasiswa ................................................................................... 55
Gambar 5.25 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2017 –
Isi dan Evaluasi Pembelajaran ............................................................................... 55
Gambar 5.26 Grafik Elbow Evaluasi Pembelajaran Semester Gasal Tahun 2017 –
Integrasi dalam Kehidupan .................................................................................... 56
Gambar 5.27 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2017 –
Bidang Keseluruhan ............................................................................................... 57
Gambar 5.28 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2017 –
Pengelolaan Matakuliah ......................................................................................... 58
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xx
Gambar 5.29 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2017 –
Pelibataktifan Mahasiswa....................................................................................... 58
Gambar 5.30 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2017 –
Interaksi Dosen-Mahasiswa ................................................................................... 59
Gambar 5.31 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2017 –
Isi dan Evaluasi Pembelajaran ............................................................................... 59
Gambar 5.32 Grafik Elbow Evaluasi Pembelajaran Semester Genap Tahun 2017 –
Integrasi dalam Kehidupan .................................................................................... 60
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Dalam suatu perusahaan atau instansi, kinerja para karyawan menjadi
salah satu perhatian penting. Oleh karena itu, proses atau kegiatan penilaian
terhadap kinerja karyawan menjadi hal yang umum dilakukan saat ini.
Penilaian kinerja digunakan oleh pimpinan atau pihak yang berwenang di
suatu instansi untuk menentukan kualitas kinerja karyawan, menentukan
apakah seorang karyawan melakukan pekerjaannya sesuai dengan tugas dan
tanggung jawabnya. Penilaian kinerja ini banyak diterapkan di berbagai
jenis atau bidang instansi, termasuk instansi pendidikan, seperti perguruan
tinggi.
Di lingkup perguruan tinggi, kegiatan penilaian kinerja dapat
diterapkan untuk menilai kinerja dosen, staff / karyawan, dan juga
mahasiswa. Dalam kaitannya terhadap objek penilaian yang ada di instansi
pendidikan, penilaian terhadap kinerja dosen penting untuk dilakukan. Salah
satu aspek yang dapat digunakan sebagai acuan dalam penilaian kinerja
dosen adalah penilaian dalam hal pengajaran (proses belajar - mengajar).
Dalam melakukan penilaian tersebut, mahasiswa memberikan nilai untuk
setiap matakuliah yang diampu oleh dosen tertentu berdasarkan kriteria atau
pernyataan – pernyataan yang sudah ditetapkan. Untuk dapat lebih
membantu proses penilaian tersebut, perlu adanya pengelolaan dan
pengolahan data yang baik. Pengolahan data yang dimaksud adalah data –
data yang dimiliki (hasil penilaian) dapat diproses dengan teknik atau cara
tertentu, agar pada akhirnya data – data tersebut memberikan suatu
informasi atau pengetahuan baru. Pihak perguruan tinggi perlu mengetahui
hasil evaluasi dari proses pembelajaran, dari hasil evaluasi tersebut akan
diketahui kualifikasi keberhasilan dosen dalam proses pembelajaran.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
Dengan data yang cukup banyak, perlu dibuat kelompok – kelompok
yang merupakan kualifikasi dari hasil evaluasi pembelajaran untuk
memetakan hasil penilaian kinerja dosen dalam kegiatan belajar mengajar.
Untuk mengelompokkan data – data yang dimaksud, diperlukan sebuah
teknik tertentu untuk membantu atau mempermudah dalam menemukan
suatu informasi atau pun pengetahuan baru. Dalam hal ini, ilmu
penambangan data (data mining) dapat diterapkan. Dalam penambangan
data, untuk mengelompokkan data ke dalam beberapa kelompok tertentu,
digunakan teknik atau metode clustering. Teknik atau metode clustering
bekerja dengan membagi atau mengelompokkan data – data berdasarkan
kesamaan karakteristik suatu data dengan data lainnya. Dalam teknik
clustering, ada beberapa algoritma yang dapat diterapkan, salah satu
algoritma yang cukup familiar adalah algoritma K-Means.
Pada penelitian yang dilakukan oleh Nurzahputra, dkk (2017) yang
menggunakan algoritma K-Means untuk clustering penilaian dosen
berdasarkan Indeks Kepuasan Mahasiswa (IKM), dari hasil penelitian
tersebut didapatkan kesimpulan bahwa perlu adanya peningkatan akurasi
clustering dari algoritma K-Means. Algoritma K-Means memiliki beberapa
variasi pengembangan, salah satu hasil dari pengembangan tersebut adalah
algoritma K-Means++. Pada penelitian lainnya yang dilakukan oleh
Sukarhat, dkk (2011), menurut peneliti, algoritma K-Means++ digunakan
untuk mengatasi permasalahan dalam kecepatan dan akurasi pada algoritma
K-Means. Untuk mengatasi masalah tersebut algoritma K-Means++
menerapkan penyebaran centroid (pusat cluster). Oleh karena itu, pada
penelitian ini penulis akan menerapkan algoritma K-Means++ untuk
mengelompokkan data hasil evaluasi pembelajaran dan diharapkan pada
penelitian ini dapat memetakan hasil evaluasi pembelajaran tersebut dengan
baik.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
1.2 Rumusan Masalah
Rumusan masalah pada penelitian ini adalah sebagai berikut :
1. Bagaimana menerapkan teknik clustering dengan algoritma K-Means++
dalam pengelompokan dosen berdasarkan data evaluasi pembelajaran ?
2. Bagaimana menentukan jumlah cluster terbaik dalam proses clustering
menggunakan metode Elbow ?
3. Bagaimana mengevaluasi cluster – cluster yang terbentuk dari proses
clustering menggunakan metode Silhouette Coefficient ?
1.3 Tujuan Penelitian
Tujuan dari penelitian ini adalah sebagai berikut :
1. Menerapkan teknik clustering dalam pengelompokan data evaluasi
pembelajaran menggunakan algoritma K-Means++.
2. Menentukan jumlah cluster terbaik dalam proses clustering
menggunakan metode Elbow.
3. Mengevaluasi cluster – cluster yang terbentuk dari proses clustering
menggunakan metode Silhouette Coefficient.
1.4 Manfaat Penelitian
Manfaat penelitian ini adalah sebagai berikut :
1. Membantu pihak terkait (perguruan tinggi / instansi pendidikan) dalam
memberikan informasi mengenai kelompok – kelompok dosen yang
terbentuk berdasarkan hasil evaluasi pembelajaran, sehingga membantu
dalam pengambilan kebijakan berkaitan dengan proses evaluasi
pembelajaran.
2. Memberikan informasi tentang proses clustering dengan menerapkan
algoritma K-Means++.
3. Memberikan referensi bagi penelitian yang berkaitan dengan
pengelompokan / clustering suatu data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
1.5 Batasan Masalah
Batasan yang diterapkan pada penelitian ini adalah sebagai berikut :
1. Data yang digunakan adalah data hasil evaluasi pembelajaran untuk
dosen Fakultas Sains dan Teknologi, Universitas Sanata Dharma tahun
2016 – 2017, dengan tingkat pengisian oleh responden (mahasiswa) yang
bernilai lebih besar atau sama dengan 50 % dari total peserta suatu mata
kuliah.
1.6 Sistematika Penulisan
1. BAB I : PENDAHULUAN
Bab ini berisi latar belakang, rumusan masalah, tujuan penelitian,
manfaat penelitian, batasan masalah, dan sistematika penulisan.
2. BAB II : TINJAUAN PUSTAKA
Bab ini menjelaskan teori – teori yang mendukung atau berkaitan dengan
judul penelitian.
3. BAB III : METODOLOGI PENELITIAN
Bab ini berisi sumber data, tahap penelitian, dan kebutuhan perangkat
keras dan lunak yang berkaitan dengan proses penelitian.
4. BAB IV : PEMROSESAN AWAL DAN PERANCANGAN
PERANGKAT LUNAK
Bab ini berisi proses pemrosesan awal data dan perancangan perangkat
lunak penambangan data. Pemrosesan awal terdiri atas pembersihan data,
integrasi data, seleksi data, dan transformasi data. Pada bagian
perancangan perangkat lunak terdiri atas diagram use case, diagram
aktivitas, diagram sekuen, diagram kelas analisis, diagram kelas desain,
algoritma per method, struktur data, dan perancangan antar muka.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
5. BAB V : IMPLEMENTASI SISTEM DAN EVALUASI HASIL
Bab ini berisi tentang proses implementasi sistem, dan analisis dari hasil
luaran sistem.
6. BAB VI : PENUTUP
Bab ini berisi kesimpulan dari hasil penelitian dan saran bagi penelitian
selanjutnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
BAB II
TINJAUAN PUSTAKA
2.1 Penambangan Data
2.1.1 Pengertian
Penambangan data (data mining) adalah suatu istilah yang
digunakan untuk menguraikan penemuan pengetahuan di dalam basis
data. Data mining adalah proses yang menggunakan teknik statistik,
matematika, kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait dari berbagai basis data besar (Turban, dkk.
2005).
2.1.2 Fungsi
Menurut Larose (2005), data mining memiliki tujuh fungsi utama,
yaitu :
1. Deskripsi
Deskripsi bertujuan untuk mengidentifikasi pola yang muncul secara
berulang pada suatu data dan mengubah pola tersebut menjadi aturan
dan kriteria yang dapat mudah dimengerti. Aturan yang dihasilkan
harus mudah dimengerti agar dapat dengan efektif meningkatkan
tingkat pengetahuan pada sistem.
2. Prediksi
Prediksi memiliki kemiripan dengan klasifikasi, akan tetapi data
diklasifikasikan berdasarkan perilaku atau nilai yang diperkirakan
pada masa yang akan datang.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
3. Estimasi
Estimasi memiliki fungsi yang hampir sama dengan prediksi, kecuali
variabel target estimasi lebih ke arah numerik dari pada ke arah
kategori. Model dibangun menggunakan record lengkap yang
menyediakan nilai dari variabel target sebagai nilai prediksi.
Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel
target dibuat berdasarkan nilai variabel prediksi.
4. Klasifikasi
Klasifikasi merupakan proses menemukan sebuah model atau fungsi
yang mendeskripsikan dan membedakan data ke dalam kelas-kelas.
Klasifikasi melibatkan proses pemeriksaan karakteristik dari objek
dan memasukkan objek ke dalam salah satu kelas yang sudah
didefinisikan sebelumnya.
5. Clustering
Clustering merupakan pengelompokan data tanpa berdasarkan kelas
data tertentu ke dalam kelas objek yang sama. Sebuah cluster adalah
kumpulan record yang memiliki kemiripan suatu dengan yang lainnya
dan memiliki ketidakmiripan dengan record dalam cluster lain.
Tujuannya adalah untuk menghasilkan pengelompokan objek yang
mirip satu sama lain dalam kelompok-kelompok. Semakin besar
kemiripan objek dalam suatu cluster dan semakin besar perbedaan tiap
cluster maka kualitas analisis cluster semakin baik.
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang
muncul dalam suatu waktu. Asosiasi berusaha untuk mengungkap
aturan untuk mengukur hubungan antara dua atau lebih atribut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
7. Outlier
Outlier adalah objek data yang menyimpang secara signifikan dari
sekumpulan objek, seolah-olah dihasilkan dari mekanisme yang
berbeda. Dapat digambarkan bahwa objek data yang bukan outlier
sebagai "normal" atau data yang diharapkan.
2.1.3 Knowledge Discovery in Database
Istilah data mining dan knowledge discovery in databases (KDD)
sering kali digunakan secara bergantian untuk menjelaskan proses
penggalian informasi tersembunyi dalam suatu database yang besar.
Kedua istilah tersebut memiliki konsep yang berbeda. Menurut Han, dkk
(2006) proses knowledge discovery in databases (KDD) terdiri atas 7
tahapan yang dilakukan secara terurut, yaitu:
Gambar 2.1. Knowledge Discovery in Database
( Sumber : Han, dkk (2006) )
1. Data cleaning (pembersihan data)
Proses ini digunakan untuk menghilangkan noise dan data yang tidak
konsisten.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
2. Data integration (integrasi data)
Pada proses ini dimungkinkan adanya penggabungan beberapa sumber
data.
3. Data selection (seleksi data)
Data yang relevan / sesuai dengan tugas analisis diambil dari
database.
4. Data transformation (transformasi data)
Data diubah ke dalam bentuk yang sesuai untuk proses penambangan
dengan melakukan operasi agregasi (ringkasan).
5. Data mining (penambangan data)
Proses penting di mana metode cerdas diterapkan untuk mengekstrak
pola data.
6. Pattern evaluation (evaluasi pola)
Proses ini mengidentifikasi pola yang benar-benar menarik yang
mewakili pengetahuan berdasarkan ukuran tertentu.
7. Knowledge presentation (presentasi pengetahuan)
Proses untuk menyajikan atau memaparkan pengetahuan dari hasil
data yang ditambang kepada pengguna.
2.2 Evaluasi Pembelajaran Mahasiswa
Evaluasi pembelajaran mahasiswa merupakan suatu penilaian yang
dilakukan oleh mahasiswa terhadap kinerja seorang dosen dalam proses
pengajaran. Hasil evaluasi ini sangat bermanfaat bagi pengembangan
pembelajaran dan keperluan akreditasi program studi. Proses penilaian atau
evaluasi dilakukan dengan mempertimbangkan beberapa pernyataan atau
kriteria yang ditetapkan, dan setiap pernyataan atau kriteria akan diberi nilai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
dengan skala 1 - 7. Terdapat enam aspek penilaian pada evaluasi proses
pembelajaran, seperti pada tabel 2.1.
Tabel 2.1 Aspek Penilaian Evaluasi Pembelajaran
No Aspek Penilaian Nomor Pernyataan
1 Bidang keseluruhan 1-2
2 Pengelolaan matakuliah 3-7
3 Pelibataktifan mahasiswa 8-10
4 Interaksi dosen-mahasiswa 11-13
5 Isi dan evaluasi pembelajaran 14-17
6 Integrasi dalam kehidupan 18-20
Adapun rincian pernyataan dari tiap - tiap aspek penilaian yang ditetapkan,
tertera pada tabel 2.2.
Tabel 2.2 Rincian Pernyataan Aspek Penilaian Evaluasi Pembelajaran
No Pernyataan
1 Kualitas isi
2 Kualitas pengajaran dosen
3 Kejelasan tujuan pembelajaran yang hendak dicapai melalui mata
kuliah ini (matakuliah terkait)
4 Kejelasan penjadwalan dalam perkuliahan dan ujian yang akan
dilaksanakan
5 Konsistensi antara rencana pembelajaran dengan pelaksanaan pem-
belajarannya
6 Kemampuan dosen dalam merespons perkembangan aktual dan
mengaitkannya dengan pembelajaran
7 Kejelasan prosedur tes yang dijalankan di matakuliah ini (mata
kuliah terkait)
8 Kemampuan dosen menciptakan dinamika belajar yang mendorong
daya kritis, kreatif, dan eksploratif
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
9 Kemampuan dosen dalam mendengarkan, mengakui, dan meng-
hargai pendapat para mahasiswanya
10 Kemampuan dosen dalam menciptakan pengalaman belajar kola-
boratif di kelas
11 Tingkat ketersediaan waktu untuk berkonsultasi dengan dosen pada
jam-jam kantor
12 Kepedulian dan / atau perhatian dosen terhadap kesulitan dan
tantangan belajar yang saya alami
13 Kemampuan dosen dalam menghargai keberagaman dan keunikan
masing-masing individu di kelas
14 Kemampuan dosen dalam menggugah gairah dan semangat
eksploratif dalam belajar di matakuliah ini
15 Dimanfaatkannya sumber-sumber belajar mutakhir yang relevan
dengan tujuan pembelajaran matakuliah ini (matakuliah terkait)
16 Kejelasan cakupan materi yang akan diujikan
17 Tersedianya umpan balik pembelajaran yang bermakna dan men-
dorong motivasi belajar
18 Dimanfaatkannya berbagai cerita dan/atau ilustrasi relevan untuk
membangun kebermaknaan belajar
19 Terbangunnya sikap dan kepedulian untuk berbagi, saling mem-
bantu, dan berbela rasa
20 Terciptanya kesempatan untuk melakukan aksi nyata untuk berbagi,
saling membantu, dan berbela rasa
2.3 Clustering
2.3.1 Pengertian dan Konsep
Menurut Han, dkk (2006), clustering adalah proses
pengelompokan kumpulan data menjadi beberapa kelompok sehingga
objek di dalam satu kelompok memiliki banyak kesamaan dan memiliki
banyak perbedaan dengan objek di kelompok lain. Perbedaan dan
persamaannya biasanya berdasarkan nilai atribut dari objek tersebut dan
dapat juga berupa penghitungan jarak. Clustering sendiri juga disebut
unsupervised classification, karena clustering lebih bersifat untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
dipelajari dan diperhatikan. Cluster analysis merupakan proses partisi
satu set objek data ke dalam himpunan bagian. Setiap himpunan bagian
adalah cluster, sehingga objek yang di dalam cluster mirip satu sama
dengan yang lainnya, dan mempunyai perbedaan dengan objek dari
cluster yang lain. Partisi tidak dilakukan dengan manual tetapi dengan
algoritma clustering. Oleh karena itu, clustering sangat berguna dan bisa
menemukan grup yang tidak dikenal dalam data.
Ada beberapa pendekatan yang digunakan dalam mengembangkan
metode clustering. Dua pendekatan utama adalah clustering dengan
pendekatan partisi dan clustering dengan pendekatan hirarki. Clustering
dengan pendekatan partisi atau sering disebut dengan partition-based
clustering mengelompokkan data dengan memilah-milah data yang
dianalisa ke dalam cluster-cluster yang ada. Clustering dengan
pendekatan hirarki atau sering disebut dengan hierarchical clustering
mengelompokkan data dengan membuat suatu hirarki berupa dendogram
dimana data yang mirip akan ditempatkan pada hirarki yang berdekatan
dan yang tidak pada hirarki yang berjauhan. Di samping kedua
pendekatan tersebut, ada juga clustering dengan pendekatan automatic
mapping.
2.3.2 Algoritma K-Means
K-Means merupakan salah satu metode clustering non hirarki yang
berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih
cluster. Metode ini mempartisi data ke dalam cluster sehingga data yang
memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster
yang sama dan data yang mempunyai karateristik yang berbeda di
kelompokan ke dalam cluster yang lain. K-Means ditemukan oleh
beberapa orang yaitu Lloyd (1957, 1982), Forgey (1965), Friedman and
Rubin (1967), and McQueen (1967). Ide dari clustering pertama kali
ditemukan oleh Lloyd pada tahun 1957, namun hal tersebut baru
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
dipublikasi pada tahun 1982. Pada tahun 1965, Forgey juga
mempublikasi teknik yang sama sehingga terkadang dikenal sebagai
Lloyd-Forgy pada beberapa sumber.
Tahapan algoritma K-Means (Han dkk, 2012):
1. Menentukan jumlah cluster yang akan dibentuk.
2. Memilih objek secara acak dari data set untuk menjadi pusat cluster
(centroid).
3. Menetapkan suatu objek ke suatu cluster yang objeknya lebih mirip
(memiliki jarak terdekat dengan centroid).
4. Menghitung kembali centroid masing – masing cluster yang terbentuk
untuk memperbarui centroid baru.
5. Ulangi tahap 3 – 5 hingga tidak ada perubahan anggota (objek)
cluster.
Dalam menentukan jarak suatu objek data dengan centroid,
digunakan rumus Euclidean Distance. Rumus Euclidean Distance :
( ) √∑
.............................(2.7)
Keterangan :
xi : data objek i
: centroid cluster j
n : jumlah variabel data
: data variabel ke- k objek i
: data variabel ke- k cluster j
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Sementara, untuk menghitung centroid baru digunakan rumus :
∑
.......................................(2.8)
Keterangan :
: data ke-i pada cluster j
Cj : jumlah anggota cluster j
2.3.3 Algoritma K-Means ++
Algoritma K-Means++ merupakan variasi atau pengembangan dari
algoritma K-Means. Algoritma K-Means++ ini dinilai dapat mengatasi
permasalahan dalam kecepatan dan akurasi pada algoritma K-Means.
Menurut jurnal K-Means++:The Advantages of Careful Seeding,
penggunaan algoritma K-Means dapat ditingkatkan dalam hal akurasi
dengan menggunakan randomized seeding technique.
Proses pembentukan cluster dalam K-Means sangat bergantung
pada nilai centroid di awal penghitungan. Dengan menggunakan atau
menerapkan randomized seeding technique maka akan lebih menentukan
nilai centroid di awal penghitungan.
Rumus randomized seeding technique :
Randomized Seeding =
∑
……....……….(2.9)
Keterangan :
D(x)
: jarak data x dengan centroid terdekat
n : jumlah data
∑ : total jarak data x dengan centroid terdekat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Tahapan algoritma K-Means++ :
1. Pilih secara acak satu titik sebagai pusat cluster.
2. Untuk seluruh data, hitung D(x), jarak antara data x dengan pusat
cluster terdekat yang sudah dipilih sebelumnya.
3. Pilih pusat cluster baru dengan probabilitas berdasarkan persamaan
2.9.
4. Ulangi langkah 2 dan 3 hingga seluruh pusat cluster telah terpilih.
5. Menetapkan suatu objek ke suatu cluster yang objeknya lebih mirip
(memiliki jarak terdekat dengan centroid).
6. Menghitung kembali centroid masing – masing cluster yang terbentuk
untuk memperbarui centroid baru.
7. Ulangi tahap 5 – 6 hingga tidak ada perubahan anggota (objek)
cluster.
2.3.4 Sillhouette Coefficient
Sillhouette Coefficient adalah metode yang digunakan untuk
mengukur kualitas sebuah cluster yang menggabungkan nilai kohesi dan
separasi. Dalam penghitungan nilai sillhouette coefficient, terdapat dua
komponen yaitu ai dan bi. Komponen ai adalah rata – rata jarak data ke-i
terhadap semua data lainnya dalam satu cluster, sedangkan bi adalah
hasil penghitungan rata – rata jarak data ke-i terhadap semua data lainnya
yang tidak dalam satu cluster dengan data ke-i, kemudian diambil nilai
terkecil. Nilai ai mengukur seberapa tingkat ketidakmiripan sebuah data
dengan cluster yang diikutinya, nilai yang semakin kecil menunjukkan
semakin tepatnya data yang dimaksud berada dalam cluster tertentu.
Nilai bi yang besar menunjukkan seberapa buruknya data terhadap cluster
yang lain. Nilai sillhouette coefficient yang didapat berada dalam rentang
-1 hingga 1. Nilai sillhouette coefficient yang mendekati 1 menunjukkan
bahwa data tersebut semakin tepat berada di cluster yang dimaksud. Nilai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
sillhouette coefficient negatif menunjukkan bahwa data tersebut tidak
tepat berada dalam cluster yang dimaksud.
Berikut merupakan rumus penghitungan nilai :
=
∑
(
).............................(2.10)
Keterangan :
i : indeks data
j : cluster
mj : jumlah data dalam cluster j
d(
: jarak data i dengan data r dalam cluster j
x : data
Berikut merupakan rumus penghitungan nilai :
=
∑
(
)...............................(2.11)
Keterangan :
i : indeks data
j : cluster
mj : jumlah cluster
mn : jumlah data dalam satu cluster
d(
: jarak data i pada cluster j dengan data r pada cluster mj
x : data
Sedangkan dalam penghitungan nilai sillhouette coefficient data ke-i
menggunakan rumus berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
=
{
} ....................................(2.12)
Keterangan :
: rata – rata jarak data ke-i terhadap semua data lainnya
dalam satu cluster j
: nilai minimum rata – rata jarak data ke-i terhadap semua
data dari cluster lain selain cluster j.
{
} : nilai maksimum dari nilai
dan
dari satu data
Nilai sillhouette coefficient dari sebuah cluster ditentukan dengan
menghitung rata – rata nilai sillhouette coefficient semua data yang
tergabung dalam cluster tersebut dengan rumus :
=
∑
....................................(2.13)
Keterangan :
i : indeks
j : cluster
mj : jumlah data dalam cluster j
Sementara nilai silhouette coefficient global ditentukan dengan
menghitung rata – rata nilai silhouette coefficient dari semua cluster
dengan rumus berikut :
=
∑
....................................(2.14)
Keterangan :
k : jumlah cluster
j : cluster
SCj : Silhouette Coefficient cluster j
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
Kriteria penilaian atau pengukuran baik tidaknya hasil clustering
berdasarkan Silhouette Coefficient menurut Kaufman dan Roesseeuw
(1990) disajikan dalam tabel 2.3.
Tabel 2.3 Kriteria Penilaian Clustering Berdasarkan Silhouette
Coefficient
Nilai Silhouette Coefficient Penilaian
0.71 – 1.00 Struktur kuat
0.51 – 0.70 Struktur baik
0.26 – 0.50 Struktur lemah
≤ 0.25 Struktur buruk
2.3.5 Metode Elbow
Metode Elbow adalah suatu metode yang digunakan untuk
menentukan jumlah cluster terbaik dengan cara melihat persentase hasil
perbandingan antara jumlah cluster yang akan membentuk siku pada
suatu titik (Madhulatha, 2012). Untuk mendapatkan perbandingannya
adalah dengan menghitung SSE (Sum of Square Error) dari masing-
masing nilai cluster.
Rumus SSE (Kodinariya dkk, 2013):
∑ ∑ ‖ ‖
...…………..(2.15)
Keterangan :
n : jumlah cluster
: data ke-i
Ck : nilai rata – rata cluster k
Metode Elbow bekerja dengan cara memilih nilai cluster dan
kemudian menambah nilai cluster tersebut untuk dijadikan model data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
dalam penentuan cluster terbaik. Selain itu persentase penghitungan yang
dihasilkan menjadi pembanding antara jumlah cluster yang
ditambah. Hasil persentase yang berbeda dari setiap nilai cluster dapat
ditunjukan dengan menggunakan grafik sebagai sumber informasinya.
Jika nilai cluster pertama dengan nilai cluster kedua memberikan sudut
dalam grafik atau nilainya mengalami penurunan paling besar maka nilai
cluster tersebut yang terbaik (Bholowalia dkk, 2014).
Tahapan metode Elbow (Bholowalia dkk, 2014) :
1. Menentukan nilai awal cluster.
2. Menaikkan nilai cluster.
3. Menghitung nilai SSE untuk setiap cluster.
4. Membandingkan nilai SSE tiap cluster.
5. Menetapkan nilai cluster, jika membentuk sudut elbow atau
mengalami penurunan secara signifikan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
BAB III
METODOLOGI PENELITIAN
3.1 Data
Pada penelitian ini, data yang digunakan adalah data evaluasi
pembelajaran yang diperoleh dari Lembaga Penjamin Mutu dan Audit
Internal (LPMAI) Universitas Sanata Dharma. Data tersebut merupakan
hasil evaluasi pembelajaran dari tahun 2016 – 2017 untuk Fakultas Sains
dan Teknologi. Data yang diperoleh terdiri dari : nama dosen, matakuliah,
kelas, program studi, fakultas, jumlah peserta matakuliah, jumlah responden
evaluasi, rata – rata nilai evaluasi, dan data penilaian untuk setiap
pernyataan / kriteria yang diberikan sejumlah 20. Total data yang
didapatkan adalah sejumlah 1080 data.
3.2 Tahap Penelitian
3.2.1 Studi Kasus
Universitas Sanata Dharma merupakan salah satu institusi yang
menerapkan sistem atau program evaluasi pada program kerja, salah
satunya adalah program evaluasi pembelajaran. Pelaksanaannya,
mahasiswa akan menilai kinerja dosen dalam hal pengajaran sesuai mata
kuliah yang diikuti. Pada program ini, Universitas Sanata Dharma
menetapkan 20 kriteria penilaian sebagai acuan dalam proses evaluasi
oleh mahasiswa. Hasil evaluasi / penilaian tersebut sangat bermanfaat
bagi pengembangan pembelajaran dan keperluan akreditasi program
studi. Untuk tujuan pengembangan pembelajaran dan keperluan
akreditasi program studi, maka dilakukan penelitian untuk memetakan
data hasil evaluasi pembelajaran berdasarkan nilai yang didapatkan oleh
tiap-tiap dosen.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
3.2.2 Studi Pustaka
Pada tahap ini, penulis menggali atau mencari informasi tentang
segala hal yang berkaitan dengan penelitian. Dimulai dengan mencari
dan mempelajari teori – teori tentang teknik penambangan data,
khususnya teori tentang teknik clustering dengan algoritma K-Means++
di berbagai literatur, seperti : buku, dan jurnal.
3.2.3 Knowledge Discovery in Database (KDD)
Tahap Knowlwdge Discovery in Database ini bertujuan untuk
menggali sebuah informasi penting pada sebuah basis data. Tahap ini
terdiri atas beberapa proses, yaitu : pembersihan data, integrasi data,
seleksi data, transformasi data, penambangan data, evaluasi pola, dan
yang terakhir presentasi pengetahuan. Proses pembersihan dan integrasi
data dilakukan secara manual dengan software Microsoft Excel. Proses
selanjutnya adalah seleksi data, transformasi data, penambangan data,
evaluasi pola, dan presentasi pengetahuan yang dilakukan pada sistem
yang dibuat. Pada sistem yang dibuat, pengembangannya menggunakan
model pengembangan sekuensial linier atau metode waterfall. Metode
waterfall adalah suatu proses pengembangan perangkat lunak secara
berurutan melalui fase perencanaan (analisis), pemodelan (desain),
pengimplementasian, dan pengujian.
Penjelasannya adalah sebagai berikut :
1. Perencanaan (analisis)
Pada tahap ini akan dilakukan proses analisis terhadap segala
kebutuhan perangkat lunak.
2. Pemodelan (desain)
Pada tahap ini dilakukan perancangan perangkat lunak sesuai
kebutuhan yang telah ditetapkan. Proses pemodelan berfokus pada
struktur data, arsitektur perangkat lunak, rancangan antarmuka, dan
detail algoritma.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
3. Pengimplementasian
Pada tahap ini dilakukan penerjemahan dari proses pemodelan ke
bentuk yang dapat dimengerti oleh mesin dengan mengunakan bahasa
pemrograman.
4. Pengujian
Tahap ini bertujuan untuk memeriksa segala kemungkinan terjadinya
kesalahan dan memeriksa apakah hasil dari pengembangan perangkat
lunak sesuai dengan yang diinginkan.
3.2.4 Analisis Hasil Clustering dan Pembahasan
Pada tahap ini dilakukan proses analisis terhadap jumlah cluster
terbaik / ideal yang dapat digunakan dalam proses clustering dengan
menggunakan metode Elbow. Setelah proses penambangan data
dilakukan, hasilnya akan dievaluasi dan divisualisasikan agar pengguna
dapat dengan mudah memahami hasil dari proses penambangan data.
Proses evaluasi hasil clustering menggunakan metode Silhouette
Coefficient.
3.3 Spesifikasi Alat
3.3.1 Perangkat Keras
Perangkat keras komputer yang digunakan dalam pembuatan sistem
adalah sebagai berikut :
1. Proccesor : Intel Core i5-2410M CPU @ 2.30 GHz
2. RAM : 4 GB
3. Harddisk : 500 GB
3.3.2 Perangkat Lunak
Perangkat lunak komputer yang digunakan dalam pembuatan sistem
adalah sebagai berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
1. Sistem Operasi : Windows 10
2. Compiler / IDE : Netbeans 8.2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
BAB IV
PEMROSESAN AWAL DAN PERANCANGAN
PERANGKAT LUNAK
4.1 Pemrosesan Awal
4.1.1 Pembersihan Data
Proses ini digunakan untuk menghilangkan noise dan data yang tidak
konsisten. Pada tahap ini, data yang kosong (tidak memiliki nilai) di
suatu atribut akan dihapus dari tabel.
4.1.2 Integrasi Data
Proses integrasi data adalah proses penggabungan beberapa sumber data.
Data pada penelitian ini diperoleh dari satu sumber, sehingga tidak
diperlukan penggabungan data dari sumber lain. Hanya saja penulis
melakukan proses penggabungan data pada data yang memungkinkan
untuk digabung dari sumber yang sama. Data yang memiliki kesamaan
nilai pada atribut Nama, Matakuliah, Program Studi, dan Fakultas, tetapi
berbeda pada nilai atribut Kelas akan digabung menjadi satu.
4.1.3 Seleksi Data
Pada tahap ini dilakukan penyeleksian terhadap tingkat pengisian eva-
luasi dari suatu matakuliah dan atribut – atribut data. Data dengan tingkat
pengisian oleh responden yang kurang dari 50% dan atribut yang tidak
relevan dalam proses pengevaluasian hasil pembelajaran akan dihapus.
Berikut merupakan atribut data awal evaluasi pembelajaran yang tertera
pada tabel 4.1, dan atribut terpilih data evaluasi pembelajaran yang
tertera pada tabel 4.2, serta gambar 4.1 merupakan contoh data evaluasi
pembelajaran.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Tabel 4.1 Atribut Awal Data Evaluasi Pembelajaran
No Atribut Keterangan
1 Nama Nama dosen
2 Matakuliah Nama matakuliah
3 Kelas Nama kelas dari suatu matakuliah
4 Program Studi Nama program studi
5 Fakultas Nama fakultas
6 Peserta Jumlah peserta dari suatu matakuliah
7 Responden Jumlah peserta matakuliah yang
melakukan evaluasi
8 Rata – rata Rata – rata dari nilai P1 sampai P20
9 P1 Nilai pernyataan 1
10 P2 Nilai pernyataan 2
11 P3 Nilai pernyataan 3
12 P4 Nilai pernyataan 4
13 P5 Nilai pernyataan 5
14 P6 Nilai pernyataan 6
15 P7 Nilai pernyataan 7
16 P8 Nilai pernyataan 8
17 P9 Nilai pernyataan 9
18 P10 Nilai pernyataan 10
19 P11 Nilai pernyataan 11
20 P12 Nilai pernyataan 12
21 P13 Nilai pernyataan 13
22 P14 Nilai pernyataan 14
23 P15 Nilai pernyataan 15
24 P16 Nilai pernyataan 16
25 P17 Nilai pernyataan 17
26 P18 Nilai pernyataan 18
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
27 P19 Nilai pernyataan 19
28 P20 Nilai pernyataan 20
keterangan : P1 – P20 berisi pernyataan – pernyataan yang diberikan saat
evaluasi
Tabel 4.2 Atribut Terpilih Data Evaluasi Pembelajaran
No Atribut
1 Nama
2 Matakuliah
3 P1
4 P2
5 P3
6 P4
7 P5
8 P6
9 P7
10 P8
11 P9
12 P10
13 P11
14 P12
15 P13
16 P14
17 P15
18 P16
19 P17
20 P18
21 P19
22 P20
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Gambar 4.1 Contoh Data Evaluasi Pembelajaran
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
4.1.4 Transformasi Data
Pada tahap ini, data diubah ke dalam bentuk yang sesuai untuk proses
penambangan, yaitu data akan diubah ke dalam bentuk array, sehingga
data siap untuk dilakukan proses clustering pada perangkat lunak yang
dibangun.
4.2 Perancangan Perangkat Lunak
4.2.1 Perancangan Umum
4.2.1.1 Input Sistem
Sistem yang dibangun menggunakan data input bertipe xls yang
diimpor dari perangkat komputer oleh pengguna sistem. Untuk proses
clustering dan proses penentuan jumlah cluster terbaik, sistem
membutuhkan inputan berupa jumlah cluster dan jenis bidang
penilaian. Perancangan input sistem digambarkan pada gambar 4.2 di
bawah ini.
’
Gambar 4.2 Diagram Konteks
4.2.1.2 Proses Sistem
Proses yang berjalan pada sistem yang dibangun terdiri atas beberapa
tahapan untuk menghasilkan kelompok – kelompok hasil evaluasi
pembelajaran, serta evaluasi / analisis terhadap hasil kelompok –
kelompok yang terbentuk.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Secara umum proses yang terjadi di dalam sistem digambarkan pada
gambar 4.3 di bawah ini.
Gambar 4.3 Flowchart Proses Sistem
4.2.1.3 Output Sistem
Output dari sistem yang dibangun berupa hasil pengelompokkan data
evaluasi pembelajaran dengan jumlah kelompok / cluster sesuai
masukan dari pengguna sistem. Selain itu output dari sistem berupa
hasil analisis jumlah cluster terbaik pada proses clustering, serta hasil
uji evaluasi clustering dari kelompok – kelompok yang terbentuk.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
4.2.2 Use Case Sistem
4.2.2.1 Diagram Use Case
Diagram use case merupakan penggambaran proses interaksi yang
dapat dilakukan oleh pengguna terhadap suatu sistem. Gambar 4.4
merupakan use case sistem yang dibangun.
Gambar 4.4 Diagram Use Case Sistem
4.2.2.2 Gambaran Umum Use Case
Gambaran umum dari tiap - tiap use case dari sistem yang dibangun,
dijelaskan pada tabel 4.3.
Tabel 4.3 Gambaran Umum Use Case
Use Case Deskripsi Aktor
Impor file
Use case ini merupakan proses
untuk memasukkan file bertipe
xls dari perangkat komputer
Pengguna
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
Lihat grafik elbow
Use case ini merupakan proses
untuk melihat grafik elbow.
Grafik digunakan untuk menen-
tukan jumlah cluster terbaik pada
proses clustering
Pengguna
Proses clustering
Use case ini merupakan proses
untuk clustering data yang telah
diimpor dan telah diseleksi atri-
butnya
Pengguna
Cari data hasil
clustering
Use case ini merupakan proses
untuk mencari suatu data pada
data hasil clustering
Pengguna
Ekspor hasil clus-
tering
Use case ini merupakan proses
untuk menyimpan data hasil
clustering pada perangkat kom-
puter
Pengguna
4.2.2.3 Narasi Use Case
Narasi use case berisi penjelasan dari tiap – tiap use case, yang tertera
pada Lampiran 1.
4.2.3 Diagram Aktivitas
Diagram aktivitas tertera pada Lampiran 2.
4.2.4 Diagram Kelas Analisis
Diagram kelas analisis merupakan visualisasi dari struktur kelas – kelas
dari suatu sistem. Diagram kelas analisis tertera pada gambar 4.5.
Gambar 4.5 Diagram Kelas Analisis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
4.2.5 Diagram Kelas Desain
Diagram kelas desain terlampir pada Lampiran 3.
4.2.6 Diagram Sekuen
Diagram sekuen terlampir pada Lampiran 4.
4.2.7 Perancangan Struktur Data
Perangkat lunak yang dibangun, pada penerapannya membutuhkan data
yang cukup banyak. Untuk menyimpan atau pun melakukan pengaturan
pada data yang dipakai, perangkat lunak yang dibangun
mengimplementasikan konsep struktur data. Struktur data yang dipakai
adalah array dan ArrrayList.
1. Array
Array merupakan tempat penyimpanan sementara yang bersifat
statis, yang berarti ukuran tempat penyimpanan harus
dideklarasikan terlebih dahulu. Array berisi nilai dengan satu tipe
data. Data yang disimpan di dalam array diakses melalui indeks
yang merupakan representasi dari elemen array. Elemen array
merupakan alamt memori di mana suatu data disimpan.
Perangkat lunak yang dibangun menggunakan array untuk
menyimpan : data Evaluasi Pembelajaran yang diimpor oleh
pengguna, data centroid, data jarak, dan hasil clustering.
2. ArrayList
ArrayList merupakan tempat penyimpanan sementara yang
bersifat dinamis, ukuran tempat penyimpanan dapat berubah.
Dalam penggunaan, ArrayList dapat menambah atau mengurangi
data secara dinamis tanpa harus menentukan ukuran awal tempat
penyimpanan. Pada perangkat lunak yang dibangun, digunakan
ArrayList untuk menyimpan indeks data centroid awal dan data
centroid akhir.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
4.2.8 Algoritma Setiap Method
Penjelasan algoritma setiap method dapat dilihat pada Lampiran 5.
4.2.9 Perancangan Antarmuka
Perangkat lunak yang akan dibangun memiliki enam desain antarmuka.
Antarmuka inilah yang digunakan sebagai sarana interaksi antara
pengguna dengan sistem.
Gambar 4.6 berikut merupakan antarmuka untuk tampilan splash screen.
Gambar 4.6 Perancangan Tampilan Splash Screen
Gambar 4.7 berikut merupakan antarmuka untuk halaman Beranda.
Gambar 4.7 Perancangan Halaman Beranda
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
Gambar 4.8 berikut merupakan antarmuka untuk halaman Clustering.
Digunakan untuk menjalankan fungsi clustering. Pada halaman ini akan
ditampilkan : menu untuk mengimpor data, data yang akan diproses,
form untuk menginputkan jumlah cluster dan bidang penilaian.
Gambar 4.8 Perancangan Halaman Clustering
Gambar 4.9 berikut merupakan antarmuka untuk halaman Grafik Elbow.
Digunakan untuk menampilkan grafik sebagai visualisasi dari proses
mencari / menentukan jumlah cluster terbaik dalam clustering dengan
menggunakan metode elbow.
Gambar 4.9 Halaman Grafik Elbow
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Gambar 4.10 berikut merupakan antarmuka untuk halaman Hasil
Clustering. Pada menu ini akan ditampilkan hasil dari proses clustering,
daftar anggota tiap cluster yang terbentuk, daftar nilai hasil evaluasi
kualitas cluster, dan juga menu untuk mengekspor / menyimpan hasil
clustering.
Gambar 4.10 Perancangan Halaman Hasil Clustering
Gambar 4.11 berikut merupakan antarmuka untuk halaman Bantuan.
Pada menu ini akan berisi panduan dalam menjalankan aplikasi.
Gambar 4.11 Perancangan Halaman Bantuan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
BAB V
IMPLEMENTASI SISTEM DAN EVALUASI HASIL
5.1 Implementasi Sistem
Sistem yang dibangun memiliki tiga kelas, yang terdiri dari dua kelas view
dan satu kelas control.
5.1.1 Implementasi Kelas View
Daftar kelas view tertera pada tabel 5.1 di bawah ini.
Tabel 5.1 Implementasi Kelas View
Nama Kelas Nama File
Fisik
Nama File
Executable Interface
Splash_Screen Splash_Screen.
java
Splash_Screen.
class Gambar 5.1
GUI_cluster-
ing
GUI_clustering.
java
GUI_clustering.
class
Gambar 5.2
Gambar 5.3
Gambar 5.4
Gambar 5.5
Gambar 5.6
Gambar 5.7
5.1.1.1 Tampilan Splash Screen
Tampilan splash screen merupakan tampilan yang muncul pertama
kali saat sistem dijalankan.
Gambar 5.1 Implementasi Tampilan Splash Screen
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
5.1.1.2 Halaman Beranda
Halaman berikut merupakan halaman utama yang ditampilkan
pertama kali saat sistem berhasil dijalankan. Pada halaman ini berisi
deskripsi singkat sistem.
Gambar 5.2 Implementasi Halaman Beranda
5.1.1.3 Halaman Clustering
Halaman ini digunakan untuk menjalankan fungsi clustering. Pada
halaman ini terbagi menjadi dua bagian, yaitu menu data dan menu
input. Pada bagian data, akan ditampilkan : menu untuk mengimpor
data, dan data yang berhasil diimpor. Sedangkan pada bagian input,
ditampilkan form untuk menginputkan jumlah cluster dan bidang
penilaian yang akan digunakan pada proses clustering.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Gambar 5.3 Implementasi Halaman Clustering
5.1.1.4 Halaman Grafik Elbow
Halaman ini akan menampilkan grafik elbow sesuai dengan inputan
yang diberikan, yaitu jumlah cluster dan bidang penilaian.
Gambar 5.4 Implementasi Halaman Grafik Elbow
5.1.1.5 Halaman Hasil Clustering
Halaman ini digunakan untuk menampilkan hasil dari proses
clustering. Pada halaman ini terdapat tiga tabel yang berkaitan dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
hasil clustering. Tabel pertama berisi daftar cluster dari setiap data,
pada tabel ini akan diketahui tiap – tiap data tergabung dalam suatu
cluster tertentu. Tabel ke dua berisi Anggota dari tiap cluster yang
terbentuk. Sedangkan tabel ke tiga, berisi nilai sillhouette coefficient
dari tiap cluster. Pada halaman ini juga terdapat menu untuk
mengekspor / menyimpan hasil clustering, serta pada bagian kanan
atas halaman terdapat textfield untuk melakukan pencarian data hasil
clustering.
Gambar 5.5 Implementasi Halaman Hasil Clustering
5.1.1.6 Halaman Bantuan
Halaman ini berisi dua menu, yaitu penggunaan sistem dan evaluasi
pembelajaran. Pada menu penggunaan sistem, berisi langkah –
langkah informasi penting sistem dan langkah – langkah penggunaan
sistem. Sedangkan menu evaluasi pembelajaran, berisi daftar
pernyataan dan aspek penilaian dalam proses evaluasi pembelajaran.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
Gambar 5.6 Implementasi Halaman Bantuan (penggunaan sistem)
Gambar 5.7 Implementasi Halaman Bantuan (evaluasi pembelajaran)
5.1.2 Implementasi Kelas Control
Daftar kelas control tertera pada tabel 5.2 di bawah ini.
Tabel 5.2 Implementasi Kelas Control
Nama Kelas Nama File Fisik Nama File
Executable
Control_clustering Control_clustering.java Control_clustering.
class
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
5.2 Evaluasi Hasil
5.2.1 Pengujian Perangkat Lunak
5.2.1.1 Rencana Pengujian Perangkat Lunak
Rencana pengujian perangkat lunak tertera pada tabel 5.3 berikut.
Tabel 5.3 Rencana Pengujian Perangkat Lunak
No Use Case Pengujian Kasus Uji
1 Impor file Mengimpor file ber-
ekstensi xls
UC-001A
Mengimpor file yang ti-
dak berekstensi xls
UC-001B
2 Lihat grafik elbow Melakukan pengujian
terhadap proses dan ha-
sil dari pengimplemen-
tasian metode elbow
UC-002
3 Proses clustering Melakukan pengujian
terhadap proses dan ha-
sil clustering
UC-003
4 Cari data hasil clus-
tering
Melakukan pencarian
dengan menginputkan
kata kunci tertentu
UC-004
5 Ekspor hasil clus-
tering
Mengekspor hasil clus-
tering ke direktori kom-
puter dengan nama
yang berbeda dengan
data yang sudah ada
dalam direktori
UC-005A
Mengekspor hasil clus-
tering ke direktori kom-
UC-005B
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
puter dengan nama
yang sama dengan data
yang sudah ada (pada
direk-tori yang sama)
5.2.1.2 Prosedur Pengujian dan Kasus Uji
Prosedur pengujian dan kasus uji tertera pada Lampiran 6.
5.2.1.3 Evaluasi Hasil Pengujian Perangkat Lunak
Hasil dari pengujian perangkat lunak dapat disimpulkan bahwa
perangkat lunak telah berjalan sesuai dengan perancangan yang telah
dibuat. Semua fungsi dapat berjalan dengan baik sesuai dengan yang
diharapkan.
5.2.2 Pengujian Hasil Hitung Manual dan Hasil Perangkat Lunak
Untuk menguji atau memvalidasi hasil perangkat lunak yang dibangun,
dilakukan pengujian dengan membandingkan hasil penghitungan manual
dengan hasil dari perangkat lunak. Pengujian dilakukan dengan
menggunakan data Evaluasi Pembelajaran sejumlah 15 data. Data yang
digunakan tertera pada tabel 5.4 di bawah ini.
Tabel 5.4 Dataset Pengujian
ID Matakuliah P1 P2
001 Fisika Dasar 5,22 5,11
002 Gambar Teknik Terapan 6,43 6,33
005 Matematika Diskret 4,84 4,38
007 Algoritma dan Pemrograman 6,33 6,40
014 Praktikum Metode Numeris 3,25 3,33
019 Penambangan Data 6,40 6,40
023 Elektronika 2 4,90 4,93
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
032 Rekayasa Tenaga Surya 6,40 6,40
035 Algoritma Genetika 4,50 4,84
037 Algoritma dan Pemrograman 6,50 6,28
038 Kalkulus Diferensial 6,65 6,61
040 Material Teknik 2 5,85 5,78
049 Pengenalan Pola 4,45 4,00
059 Konversi Energi Listrik 6,21 6,36
061 Sistem Operasi 4,14 3,43
5.2.2.1 Penghitungan Manual
Penghitungan manual dilakukan dengan menggunakan aplikasi
Microsoft Excel, proses serta hasil penghitungan manual tertera pada
Lampiran 7.
5.2.2.2 Penghitungan Perangkat Lunak
Hasil dari proses clustering pada perangkat lunak dapat dilihat pada
gambar 5.7 berikut.
Gambar 5.8 Hasil Penghitungan Perangkat Lunak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
5.2.2.3 Evaluasi Pengujian Hasil Hitung Manual dan Hasil Perangkat
Lunak
Hasil pengujian menunjukkan bahwa proses clustering pada
penghitungan manual dan perangkat lunak memiliki hasil yang sama,
sehingga dapat disimpulkan bahwa perangkat lunak yang dibangun
telah berjalan sesuai dengan yang diharapkan.
5.2.3 Pengujian Perangkat Lunak Menggunakan Dataset
5.2.3.1 Analisis Hasil Pengujian Perangkat Lunak berdasarkan Metode
Elbow
Pengujian dengan metode elbow menggunakan nilai k = 2 sampai k =
15, dan menggunakan enam jenis bidang penilaian evaluasi
pembelajaran. Berikut merupakan hasil pengujian metode elbow pada
perangkat lunak dengan menggunakan empat dataset :
1. Data Evaluasi Pembelajaran Semester Gasal Tahun 2016
Berdasarkan hasil pengujian metode elbow pada data evaluasi
pembelajaran semester gasal tahun 2016 dengan jumlah 86 data,
dihasilkan bahwa pada bidang : Bidang Keseluruhan, Pelibataktifan
Mahasiswa, Interaksi Dosen-Mahasiswa, dan Isi dan Evaluasi
Pembelajaran memiliki nilai k terbaik = 3. Sedangkan pada bidang
Pengelolaan Matakuliah dan Integrasi dalam Kehidupan memiliki
nilai k terbaik = 4. Tabel 5.5 berikut merupakan data nilai SSE
pada data evaluasi pembelajaran semester gasal tahun 2016.
Tabel 5.5 Nilai SSE Data Evaluasi Pembelajaran Semester Gasal
Tahun 2016
K
SSE
Bidang
1
Bidang
2
Bidang
3
Bidang
4
Bidang
5
Bidang
6
1 37,267 80,6257 59,1602 53,8385 77,0929 49,6610
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
2 12,774 33,2154 23,9451 24,7516 30,2677 20,0242
3 8,0498 23,3161 12,7799 15,7657 15,8026 12,9226
4 5,8776 15,1409 9,8526 12,2913 12,1351 9,0543
5 4,5772 11,5709 7,0966 11,1009 10,8350 7,45888
6 2,90329 9,74829 5,61957 9,08352 8,66040 5,32581
7 2,02025 8,76729 4,61129 7,66600 8,32102 4,23437
8 1,77186 8,48521 3,91734 7,26813 7,86489 3,97844
9 1,47461 7,75998 3,42172 6,82580 6,75018 2,89896
10 1,44537 6,97185 3,28463 6,36682 6,86224 2,70113
11 1,37255 6,75399 3,03411 4,73659 6,14908 2,59964
12 1,15726 6,46997 2,76367 4,48757 5,80296 2,37034
13 0,94165 6,30598 2,46487 3,82253 5,61192 2,25269
14 0,87727 4,93028 2,34421 3,44508 4,23030 2,04871
15 0,76264 4,62051 2,10171 3,21725 3,88802 1,97000
Gambar 5.9 sampai gambar 5.14 di bawah ini menampilkan
gambar grafik elbow untuk data evaluasi pembelajaran semester
gasal tahun 2016.
Pada gambar 5.9 terjadi penurunan nilai SSE yang signifikan saat k
= 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k =
3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
Gambar 5.9 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Bidang Keseluruhan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
Pada gambar 5.10 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2
sampai k = 4. Mulai k = 4 menuju k = 5 dan seterusnya, grafik
mulai menunjukkan kestabilan nilai SSE atau tidak mengalami
penurunan nilai SSE yang signifikan.
Gambar 5.10 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Pengelolaan Matakuliah
Pada gambar 5.11 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
Gambar 5.11 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Pelibataktifan Mahasiswa
Pada gambar 5.12 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
Gambar 5.12 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Interaksi Dosen-Mahasiswa
Pada gambar 5.13 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
Gambar 5.13 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Isi dan Evaluasi Pembelajaran
Pada gambar 5.14 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2
sampai k = 4. Mulai k = 4 menuju k = 5 dan seterusnya, grafik
mulai menunjukkan kestabilan nilai SSE atau tidak mengalami
penurunan nilai SSE yang signifikan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
Gambar 5.14 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2016 – Integrasi dalam Kehidupan
2. Data Evaluasi Pembelajaran Semester Genap Tahun 2016
Berdasarkan hasil pengujian metode elbow pada data evaluasi
pembelajaran semester genap tahun 2016 dengan jumlah 54 data,
dihasilkan bahwa pada bidang Integrasi dalam Kehidupan
memiliki nilai k terbaik = 3. Pada bidang Bidang Keseluruhan,
Pengelolaan Matakuliah, Pelibataktifan Mahasiswa, Interaksi
Dosen Mahasiswa, memiliki nilai k terbaik = 4. Sedangkan pada
bidang Isi dan Evaluasi Pembelajaran memiliki nilai k terbaik = 5.
Tabel 5.6 berikut merupakan data nilai SSE pada data evaluasi
pembelajaran semester genap tahun 2016.
Tabel 5.6 Nilai SSE Data Evaluasi Pembelajaran Semester Genap
Tahun 2016
K
SSE
Bidang
1
Bidang
2
Bidang
3
Bidang
4
Bidang
5
Bidang
6
1 14.087 35.789 28.619 22.262 35.1776 24.3223
2 6.5244 16.246 12.533 9.8583 16.7896 11.2643
3 4.8268 11.386 8.8954 6.6818 12.8217 7.36359
4 2.5664 8.1724 5.3457 4.6024 9.83501 5.65644
5 2.0967 5.9281 4.3656 3.8914 4.51860 4.72008
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
6 1.5536 4.6660 4.0825 2.7693 4.35476 4.54514
7 1.4977 4.1415 2.4685 2.2577 3.20050 2.33908
8 0.8554 3.8809 2.2861 2.0090 2.56906 1.99251
9 0.8254 3.4247 2.1984 1.8992 2.43502 1.84100
10 0.5956 3.2807 1.9513 1.6649 2.23076 1.46108
11 0.4950 2.3225 1.8773 1.5367 2.08159 1.37989
12 0.4302 2.0933 1.6610 1.1243 2.01353 1.21389
13 0.3894 1.8299 1.5095 0.9447 1.94337 1.10946
14 0.3592 1.7509 1.1470 0.8889 1.69936 1.06139
15 0.2901 1.6967 1.0260 0.7991 1.55747 0.95601
Gambar 5.15 sampai 5.20 di bawah ini menampilkan gambar
grafik elbow untuk data evaluasi pembelajaran semester genap
tahun 2016.
Pada gambar 5.15 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2
sampai k = 4. Mulai k = 4 menuju k = 5 dan seterusnya, grafik
mulai menunjukkan kestabilan nilai SSE atau tidak mengalami
penurunan nilai SSE yang signifikan.
Gambar 5.15 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2016 – Bidang Keseluruhan
Pada gambar 5.16 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
sampai k = 4. Mulai k = 4 menuju k = 5 dan seterusnya, grafik
mulai menunjukkan kestabilan nilai SSE atau tidak mengalami
penurunan nilai SSE yang signifikan.
Gambar 5.16 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2016 – Pengelolaan Matakuliah
Pada gambar 5.17 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2
sampai k = 4. Mulai k = 4 menuju k = 5 dan seterusnya, grafik
mulai menunjukkan kestabilan nilai SSE atau tidak mengalami
penurunan nilai SSE yang signifikan.
Gambar 5.17 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2016 – Pelibataktifan Mahasiswa
Pada gambar 5.18 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2
sampai k = 4. Mulai k = 4 menuju k = 5 dan seterusnya, grafik
mulai menunjukkan kestabilan nilai SSE atau tidak mengalami
penurunan nilai SSE yang signifikan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Gambar 5.18 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2016 – Interaksi Dosen Mahasiswa
Pada gambar 5.19 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2
sampai k = 5. Mulai k = 5 menuju k = 6 dan seterusnya, grafik
mulai menunjukkan kestabilan nilai SSE atau tidak mengalami
penurunan nilai SSE yang signifikan.
Gambar 5.19 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2016 – Isi dan Evaluasi Pembelajaran
Pada gambar 5.20 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2
sampai k = 4. Mulai k = 4 menuju k = 5 dan seterusnya, grafik
mulai menunjukkan kestabilan nilai SSE atau tidak mengalami
penurunan nilai SSE yang signifikan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Gambar 5.20 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2016 – Integrasi dalam Kehidupan
3. Data Evaluasi Pembelajaran Semester Gasal Tahun 2017
Berdasarkan hasil pengujian metode elbow pada data evaluasi
pembelajaran semester gasal tahun 2017 dengan jumlah 80 data,
dihasilkan bahwa pada bidang : Pengelolaan Matakuliah, Interaksi
Dosen Mahasiswa, Isi dan Evaluasi Pembelajaran memiliki nilai k
terbaik = 3. Sedangkan pada Bidang Keseluruhan, Pelibataktifan
Mahasiswa, dan Integrasi dalam Kehidupan memiliki nilai k
terbaik = 4. Tabel 5.7 berikut merupakan data nilai SSE pada data
evaluasi pembelajaran semester gasal tahun 2017.
Tabel 5.7 Nilai SSE Data Evaluasi Pembelajaran Semester Gasal
Tahun 2017
K
SSE
Bidang
1
Bidang
2
Bidang
3
Bidang
4
Bidang
5
Bidang
6
1 49,678 106,928 67,9030 67,2698 81,0845 50,783
2 20,437 46,0866 30,1009 25,8443 38,6297 21,301
3 9,4706 26,7672 16,8494 14,9789 19,1668 12,268
4 5,6594 19,3332 10,7173 11,6978 14,1645 8,070
5 5,2387 11,3978 7,18456 8,75430 9,35307 5,7170
6 3,5280 8,04260 5,48954 7,25185 7,12912 5,3299
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
7 2,4105 6,88061 4,06270 5,46686 5,6671 3,9839
8 2,0569 6,51447 3,47868 4,97531 4,5386 3,3939
9 1,5807 6,25009 3,13466 4,2231 3,88481 2,9166
10 1,3049 5,74817 3,00133 3,54804 3,7551 2,4459
11 1,0330 5,51794 2,66376 3,19954 3,43783 2,3175
12 0,9884 4,65819 2,46965 3,07965 3,37976 2,1833
13 0,9256 3,91209 2,05240 2,82048 3,0920 1,8137
14 0,8682 3,74108 1,88213 2,36614 2,70142 1,7910
15 0,7820 3,64495 1,76256 2,23552 2,50863 1,6744
Gambar 5.21 sampai 5.26 di bawah ini menampilkan gambar
grafik elbow untuk data evaluasi pembelajaran semester gasal tahun
2017.
Pada gambar 5.21 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2
sampai k = 4. Mulai k = 4 menuju k = 5 dan seterusnya, grafik
mulai menunjukkan kestabilan nilai SSE atau tidak mengalami
penurunan nilai SSE yang signifikan.
Gambar 5.21 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Bidang Keseluruhan
Pada gambar 5.22 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
Gambar 5.22 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Pengelolaan Matakuliah
Pada gambar 5.23 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2
sampai k = 4. Mulai k = 4 menuju k = 5 dan seterusnya, grafik
mulai menunjukkan kestabilan nilai SSE atau tidak mengalami
penurunan nilai SSE yang signifikan.
Gambar 5.23 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Pelibataktifan Mahasiswa
Pada gambar 5.24 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
Gambar 5.24 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Interaksi Dosen-Mahasiswa
Pada gambar 5.25 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
Gambar 5.25 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Isi dan Evaluasi Pembelajaran
Pada gambar 5.26 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2
sampai k = 4. Mulai k = 4 menuju k = 5 dan seterusnya, grafik
mulai menunjukkan kestabilan nilai SSE atau tidak mengalami
penurunan nilai SSE yang signifikan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Gambar 5.26 Grafik Elbow Evaluasi Pembelajaran Semester Gasal
Tahun 2017 – Integrasi dalam Kehidupan
4. Data Evaluasi Pembelajaran Semester Genap Tahun 2017
Berdasarkan hasil pengujian metode elbow pada data evaluasi
pembelajaran semester genap tahun 2017 dengan jumlah 81 data,
dihasilkan bahwa pada bidang : Bidang Keseluruhan, Pengelolaan
Matakuliah, Pelibataktifan Mahasiswa, Interaksi Dosen Mahasiswa,
Isi dan Evaluasi Pembelajaran, Integrasi dalam Kehidupan
memiliki nilai k terbaik = 3. Tabel 5.8 berikut merupakan data nilai
SSE pada data evaluasi pembelajaran semester genap tahun 2017.
Tabel 5.8 Nilai SSE Data Evaluasi Pembelajaran Semester Genap
Tahun 2017
K
SSE
Bidang
1
Bidang
2
Bidang
3
Bidang
4
Bidang
5
Bidang
6
1 57,663 126,769 85,2792 75,1015 117,526 75,216
2 22,850 55,3996 34,5588 32,729 52,1315 33,956
3 9,5532 21,5513 16,9561 17,3851 21,8989 16,583
4 6,1875 17,5281 15,1043 12,4917 19,5709 13,109
5 4,8472 13,3376 9,3967 9,2230 13,0928 9,3636
6 3,8470 12,4728 9,06192 7,90952 9,45407 8,2960
7 3,0306 10,8755 7,78015 6,90994 7,58305 6,2005
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
8 2,2145 7,82644 5,22612 5,3286 7,12365 5,1166
9 2,1405 6,74878 3,9156 5,13197 6,8591 4,1154
10 1,8165 6,08613 3,78423 4,53479 5,35176 3,9091
11 1,5550 5,79916 3,14724 4,0161 4,75210 3,8070
12 1,4727 4,7777 2,72890 3,68634 3,99289 3,0533
13 1,3000 4,5227 2,6837 3,91804 3,60266 2,6765
14 1,17104 4,31579 2,1769 3,62179 3,43266 2,5254
15 1,1222 4,24254 1,93242 3,04459 3,28696 2,4177
Gambar 5.27 sampai 5.32 di bawah ini menampilkan gambar
grafik elbow untuk data evaluasi pembelajaran semester genap
tahun 2017.
Pada gambar 5.27 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
Gambar 5.27 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2017 – Bidang Keseluruhan
Pada gambar 5.28 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
Gambar 5.28 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2017 – Pengelolaan Matakuliah
Pada gambar 5.29 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
Gambar 5.29 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2017 – Pelibataktifan Mahasiswa
Pada gambar 5.30 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
Gambar 5.30 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2017 – Interaksi Dosen-Mahasiswa
Pada gambar 5.31 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
Gambar 5.31 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2017 – Isi dan Evaluasi Pembelajaran
Pada gambar 5.32 terjadi penurunan nilai SSE yang signifikan saat
k = 1 ke k = 2, kemudian diikuti penurunan kembali saat k = 2 ke k
= 3. Mulai k = 3 menuju k = 4 dan seterusnya, grafik mulai
menunjukkan kestabilan nilai SSE atau tidak mengalami penurunan
nilai SSE yang signifikan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
Gambar 5.32 Grafik Elbow Evaluasi Pembelajaran Semester
Genap Tahun 2017 – Integrasi dalam Kehidupan
5.2.3.2 Analisis Hasil Cluster
Berdasarkan nilai k terbaik dari proses pengujian metode elbow
untuk empat dataset yang berbeda, dilakukan analisis terhadap cluster
– cluster yang terbentuk pada proses clustering untuk menemukan
karakteristik dari tiap cluster.
1. Data Evaluasi Pembelajaran Semester Gasal Tahun 2016
Pada pengujian yang dilakukan pada data evaluasi
pembelajaran semester gasal tahun 2016, diketahui bahwa cluster
yang dihasilkan rata – rata memiliki struktur cluster dengan
kategori lemah, yang mana berdampak juga pada nilai silhouette
coefficient global untuk setiap proses clustering pada masing –
masing jenis bidang penilaian. Dengan kata lain, proses clustering
yang dilakukan untuk data evaluasi pembelajaran semester gasal
tahun 2016 memiliki kualitas yang tidak terlalu baik, karena
memiliki nilai silhouette coefficient global yang tergolong dalam
kategori lemah. Data karakteristik untuk setiap cluster hasil
pengujian dengan menggunakan data evaluasi pembelajaran
semester gasal tahun 2016, tertera pada tabel 5.9 sampai 5.14 di
bawah ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
Tabel 5.9 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2016 – Bidang Keseluruhan
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P1 P2
1 5,95 5,97 43 0,62213 Baik
2 4,84 4,5 7 0,23399 Buruk
3 5,42 5,23 36 0,48872 Lemah
Silhouette Coefficient Global 0,44828 Lemah
Tabel 5.10 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2016 – Pengelolaan Matakuliah
Cluster Rata – rata
Anggota Silhouette
Coeffiient
Kategori
Struktur P3 P4 P5 P6 P7
1 5,92 5,93 5,89 5,93 5,86 36 0,43639 Lemah
2 4,12 4 4,25 4,25 4,17 2 0,12037 Buruk
3 4,99 5,25 5,14 4,99 5,06 20 0,42981 Lemah
4 5,41 5,55 5,51 5,38 5,48 28 0,36974 Lemah
Silhouette Coefficient Global 0,33908 Lemah
Tabel 5.11 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2016 – Pelibataktifan Mahasiswa
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P8 P9 P10
1 5,44 5,56 5,46 43 0,48325 Lemah
2 4,71 5,05 4,79 21 0,43446 Lemah
3 6,04 6,12 5,96 22 0,5089 Baik
Silhouette Coefficient Global 0,47554 Lemah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
Tabel 5.12 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2016 – Interaksi Dosen Mahasiswa
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P11 P12 P13
1 5,8 5,96 6,03 22 0,3711 Lemah
2 4,74 4,79 5,11 23 0,40776 Lemah
3 5,28 5,46 5,57 41 0,40826 Lemah
Silhouette Coefficient Global 0,39571 Lemah
Tabel 5.13 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2016 – Isi dan Evaluasi Pembelajaran
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P14 P15 P16 P17
1 5,25 5,37 5,35 5,31 32 0,49113 Lemah
2 4,58 4,83 4,75 4,66 18 0,49182 Lemah
3 5,79 5,82 5,84 5,82 36 0,46093 Lemah
Silhouette Coefficient Global 0,48129 Lemah
Tabel 5.14 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2016 – Integrasi dalam Kehidupan
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P18 P19 P20
1 5,72 5,65 5,65 26 0,41391 Lemah
2 4,7 4,94 4,89 17 0,31342 Lemah
3 5,27 5,38 5,37 28 0,4205 Lemah
4 6,07 6,06 6,02 15 0,42194 Lemah
Silhouette Coefficient Global 0,39244 Lemah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
2. Data Evaluasi Pembelajaran Semester Genap Tahun 2016
Pada pengujian yang dilakukan pada data evaluasi
pembelajaran semester genap tahun 2016, diketahui bahwa cluster
yang dihasilkan memiliki struktur cluster yang beragam, mulai dari
struktur lemah sampai struktur kuat. Dari nilai silhouette coefficient
global, lima dari enam pengujian untuk semua bidang penilaian,
menghasilkan nilai silhouette coefficient global di atas 0,50, yang
berarti proses clustering yang dilakukan untuk data evaluasi
pembelajaran semester genap tahun 2016 memiliki kualitas yang
baik. Data karakteristik untuk setiap cluster hasil pengujian dengan
menggunakan data evaluasi pembelajaran semester genap tahun
2016, tertera pada tabel 5.15 sampai 5.20 di bawah ini.
Tabel 5.15 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2016 – Bidang Keseluruhan
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P1 P2
1 5,93 5,85 26 0,53778 Baik
2 5,44 5,33 10 0,41991 Lemah
3 7 7 1 1 Kuat
4 6,23 6,24 17 0,45831 Lemah
Silhouette Coefficient Global 0,604 Baik
Tabel 5.16 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2016 – Pengelolaan Matakuliah
Cluster Rata – rata
Anggota Silhouette
Coeffiient
Kategori
Struktur P3 P4 P5 P6 P7
1 6,06 6,09 6,04 6,01 6,07 30 0,43705 Lemah
2 5,63 5,65 5,6 5,63 5,64 18 0,4904 Lemah
3 6,78 6,83 6,72 6,78 6,67 2 0,2225 Buruk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
4 5,19 5,27 5,19 5,13 5,11 4 0,09588 Buruk
Silhouette Coefficient Global 0,31146 Lemah
Tabel 5.17 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2016 – Pelibataktifan Mahasiswa
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P8 P9 P10
1 5,41 5,52 5,4 17 0,49527 Lemah
2 5,88 5,96 5,86 21 0,43619 Lemah
3 6,21 6,31 6,25 15 0,33837 Lemah
4 4,06 4,53 4,3 1 1 Kuat
Silhouette Coefficient Global 0,56746 Baik
Tabel 5.18 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2016 – Interaksi Dosen Mahasiswa
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P11 P12 P13
1 6 6,1 6,12 22 0,34479 Lemah
2 5,71 5,8 5,87 16 0,50492 Baik
3 7 7 7 1 1 Kuat
4 5,28 5,32 5,5 15 0,3409 Lemah
Silhouette Coefficient Global 0,54765 Baik
Tabel 5.19 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2016 – Isi dan Evaluasi Pembelajaran
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P14 P15 P16 P17
1 5,91 5,9 5,98 5,86 24 0,45164 Lemah
2 5,42 5,49 5,54 5,48 21 0,49919 Lemah
3 7 7 7 7 1 1 Kuat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
4 6,28 6,24 6,27 6,22 7 0,46399 Lemah
5 3,91 4,45 4,49 4,25 1 1 Kuat
Silhouette Coefficient Global 0,68296 Baik
Tabel 5.20 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2016 – Integrasi dalam Kehidupan
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P18 P19 P20
1 5,8 5,88 5,82 20 0,47 Lemah
2 5,35 5,42 5,38 16 0,3541 Lemah
3 7 7 7 1 1 Kuat
4 6,14 6,13 6,14 17 0,3585 Lemah
Silhouette Coefficient Global 0,54565 Baik
3. Data Evaluasi Pembelajaran Semester Gasal Tahun 2017
Pada pengujian yang dilakukan pada data evaluasi
pembelajaran semester gasal tahun 2017, diketahui bahwa cluster
yang dihasilkan memiliki struktur cluster yang beragam, mulai dari
struktur lemah sampai struktur kuat. Dari nilai silhouette coefficient
global, tiga dari enam pengujian untuk semua bidang penilaian,
menghasilkan nilai silhouette coefficient global di atas 0,50.
Sedangkan tiga pengujian lainnya menghasilkan nilai silhouette
coefficient global kurang dari 0,50 dan tergolong dalam kategori
lemah. Data karakteristik untuk setiap cluster hasil pengujian
dengan menggunakan data evaluasi pembelajaran semester gasal
tahun 2017, tertera pada tabel 5.21 sampai 5.26 di bawah ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Tabel 5.21 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2017 – Bidang Keseluruhan
Clust
er
Rata - rata Anggota
Silhouette
Coefficient
Kategori
Struktur P1 P2
1 5,95 5,9 46 0,46518 Lemah
2 5,47 5,34 17 0,47245 Lemah
3 3,27 3,04 2 0,61434 Baik
4 6,35 6,36 15 0,48404 Lemah
Silhouette Coefficient Global 0,509 Baik
Tabel 5.22 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2017 – Pengelolaan Matakuliah
Cluster Rata – rata
Anggota Silhouette
Coeffiient
Kategori
Struktur P3 P4 P5 P6 P7
1 6,06 6,12 6,08 6,03 6,03 40 0,44525 Lemah
2 3,72 3,93 3,7 3,81 3,83 3 0,21717 Buruk
3 5,62 5,66 5,63 5,57 5,6 37 0,37741 Lemah
Silhouette Coefficient Global 0,34661 Lemah
Tabel 5.23 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2017 – Pelibataktifan Mahasiswa
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P8 P9 P10
1 6,02 6,1 6,03 37 0,50145 Baik
2 4,33 4,47 4,36 3 0,43226 Lemah
3 5,5 5,63 5,56 39 0,42416 Lemah
4 2,64 3 2,64 1 1 Kuat
Silhouette Coefficient Global 0,58947 Baik
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
Tabel 5.24 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2017 – Interaksi Dosen Mahasiswa
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P11 P12 P13
1 5,39 5,51 5,68 37 0,42737 Lemah
2 5,78 5,98 6,1 40 0,37949 Lemah
3 3,47 3,41 3,82 3 0,31611 Lemah
Silhouette Coefficient Global 0,37433 Lemah
Tabel 5.25 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2017 – Isi dan Evaluasi Pembelajaran
Cluster Rata - rata
Anggota Silhouette
Coeffiient
Kategori
Struktur P14 P15 P16 P17
1 6,02 5,96 6,03 6 36 0,47664 Lemah
2 5,45 5,59 5,58 5,55 41 0,41493 Lemah
3 3,59 3,77 4,03 3,72 3 0,30806 Lemah
Silhouette Coefficient Global 0,39987 Lemah
Tabel 5.26 Karakteristik Cluster Data evaluasi pembelajaran
semester gasal tahun 2017 – Integrasi dalam Kehidupan
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P18 P19 P20
1 5,98 5,96 5,96 47 0,42655 Lemah
2 5,52 5,58 5,58 29 0,4931 Lemah
3 4,52 4,59 4,52 3 0,62953 Baik
4 3,18 3,18 3,18 1 1 Kuat
Silhouette Coefficient Global 0,6373 Baik
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
4. Data Evaluasi Pembelajaran Semester Genap Tahun 2017
Pada pengujian yang dilakukan pada data evaluasi
pembelajaran semester genap tahun 2017, diketahui bahwa cluster
yang dihasilkan memiliki struktur cluster yang beragam, mulai dari
struktur lemah sampai struktur kuat. Dari nilai silhouette coefficient
global, lima dari enam pengujian untuk semua bidang penilaian,
menghasilkan nilai silhouette coefficient global di atas 0,50, yang
berarti proses clustering yang dilakukan untuk data evaluasi
pembelajaran semester genap tahun 2017 memiliki kualitas yang
baik. Data karakteristik untuk setiap cluster hasil pengujian dengan
menggunakan data evaluasi pembelajaran semester genap tahun
2017, tertera pada tabel 5.27 sampai 5.32 di bawah ini.
Tabel 5.27 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2017 – Bidang Keseluruhan
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P1 P2
1 6,14 6,09 43 0,60601 Baik
2 5,52 5,4 32 0,52012 Baik
3 4,36 3,93 6 0,59318 Baik
Silhouette Coefficient Global 0,5731 Baik
Tabel 5.28 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2017 – Pengelolaan Matakuliah
Cluster Rata – rata
Anggota Silhouette
Coeffiient
Kategori
Struktur P3 P4 P5 P6 P7
1 6,05 6,09 6,1 6,08 6,04 42 0,60448 Baik
2 3,94 4,3 4,06 4,02 4,1 5 0,64714 Baik
3 5,4 5,54 5,48 5,36 5,46 34 0,48218 Lemah
Silhouette Coefficient Global 0,57793 Baik
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
Tabel 5.29 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2017 – Pelibataktifan Mahasiswa
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P8 P9 P10
1 5,98 6,02 5,97 45 0,57312 Baik
2 4,02 4,22 4,04 6 0,6452 Baik
3 5,29 5,41 5,28 30 0,41474 Lemah
Silhouette Coefficient Global 0,54435 Baik
Tabel 5.30 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2017 – Interaksi Dosen Mahasiswa
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P11 P12 P13
1 5,32 5,27 5,39 34 0,48398 Lemah
2 4,15 4,02 4,38 5 0,38655 Lemah
3 5,97 5,98 6,04 42 0,55074 Baik
Silhouette Coefficient Global 0,47376 Lemah
Tabel 5.31 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2017 – Isi dan Evaluasi Pembelajaran
Cluster Rata - rata
Anggota Silhouette
Coeffiient
Kategori
Struktur P14 P15 P16 P17
1 5,97 5,99 6,03 5,97 41 0,55243 Baik
2 3,94 4,1 3,93 4 6 0,55553 Baik
3 5,3 5,36 5,39 5,34 34 0,47978 Lemah
Silhouette Coefficient Global 0,52925 Baik
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
Tabel 5.32 Karakteristik Cluster Data evaluasi pembelajaran
semester genap tahun 2017 – Integrasi dalam Kehidupan
Cluster Rata - rata
Anggota Silhouette
Coefficient
Kategori
Struktur P18 P19 P20
1 6,02 5,98 5,98 43 0,49257 Lemah
2 4,25 4,23 4,22 6 0,53376 Baik
3 5,4 5,36 5,36 32 0,4861 Lemah
Silhouette Coefficient Global 0,50414 Baik
5.3 Kelebihan dan Kekurangan Perangkat Lunak
5.3.1 Kelebihan Perangkat Lunak
1. Sistem dapat melakukan proses impor dan ekspor file.
2. Sistem dapat menampilkan grafik Elbow .
3. Sistem dapat menampilkan hasil clustering yang mudah dipahami oleh
pengguna.
4. Sistem dapat menampilkan informasi umum dari cluster yang
terbentuk.
5.3.2 Kekurangan Perangkat Lunak
1. Sistem hanya dapat menerima masukan berupa file bertipe xls.
2. Sistem hanya dapat menyimpan / mengekspor hasil clustering ke
dalam file bertipe xls.
3. Sistem tidak dapat melakukan pre-processing data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
BAB VI
PENUTUP
6.1 Kesimpulan
Penelitian Pengelompokan Hasil Evaluasi Pembelajaran menggunakan
Algoritma K-Means++, menghasilkan kesimpulan sebagai berikut :
1. Sistem pengelompokan Hasil Evaluasi Pembelajaran berhasil dibangun
dengan menerapkan algoritma K-Means++.
2. Grafik elbow dapat memvisualisasikan nilai Sum of Square Error (SSE)
sebagai cara untuk menentukan nilai k terbaik dalam proses clustering.
3. Dari pengujian yang dilakukan sebanyak 24 kali, menggunakan 4 dataset
dengan variasi 6 bidang penilaian, 13 pengujian menghasilkan nilai k =
3, 10 pengujian menghasilkan nilai k = 4, dan 1 pengujian menghasilkan
nilai k = 5 sebagai jumlah cluster terbaik. Pada proses pengukuran
kualitas cluster, 13 pengujian memiliki kualitas clustering yang baik,
karena rata – rata menghasilkan cluster dengan struktur baik (Silhouette
Coefficient Global > 0,50).
6.2 Saran
Saran untuk penelitian mendatang, yaitu sistem dikembangkan agar dapat :
1. Menerima data masukan dari beragam tipe file.
2. Menyimpan hasil clustering ke dalam file dengan pilihan tipe yang
beragam.
3. Melakukan pre-processing data sebelum melakukan proses clustering.
4. Menerapkan pengembangan dari algoritma K-Means atau algoritma
clustering lainnya.
5. Menentukan nilai k terbaik dengan menerapkan algoritma atau metode
lain.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
DAFTAR PUSTAKA
Arthur, D. & S.Vassilvitski. K-Means++: the advantages of careful seeding, Proc.
Of the 18th Annual ACM-SIAM Symposium on Discret Algorithms, (2007)
1027-10.
Bholowalia, P. & Kumar, A. 2014. A Clustering Techniqiues Based on Elbow
Method and K-Means in WSN. International Jurnal of Computer
Application(0975-8887),IX(105),17-24.
Han, Jiawei & M. Kamber. 2006. Data mining : Concepts and Techniques Second
Edition. Elsevier : USA.
Han, Jiawei & M. Kamber. 2012. Data mining : Concepts and Techniques Third
Edition. Elsevier : USA.
Kaufman, Leonard, Rousseeuw, Peter J. 1990. Finding Groups in Data. John
Willey & Sons, Inc : Kanada.
Larose, Daniel T. 2005. Discovering Knowledge in Data : An Introduction to
Data Mining. John Willey & Sons, Inc : Kanada.
Madhulatha, T.S. 2012. An Overview On Clustering Methods. IOSR Journal of
Engineering, II(4), pp.719-725.
Turban, E., dkk. 2005. Decision Support Systems and Intelligent Systems. Andi
Offset : Yogyakarta
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
LAMPIRAN 1
NARASI USE CASE
1. Narasi Use Case : Impor File
Nama Use Case Impor file
Kode Use Case 001
Aktor Pengguna
Deskripsi Use case digunakan untuk mengimpor file dari
direktori komputer
Kondisi Awal Pengguna berada pada halaman Clustering
Kondisi Akhir Sistem menampilkan halaman Clustering
Pemicu Fungsi ini dijalankan ketika pengguna ingin
mengimpor file yang digunakan dalam proses clus-
tering
Langkah Umum Aksi Aktor Reaksi Sistem
Langkah 1. Memilih tom-
bol “Impor File”
Langkah 3. Memilih file
yang akan digunakan dan
memilih pilihan yang
disediakan pada jendela
menu, yaitu open atau
cancel
Langkah 2. Menampilkan
jendela “Impor File” yang
digunakan untuk memilih
file dari direktori komputer.
Langkah 4. Mengecek
pilihan dari pengguna. Jika
open, maka sistem akan
menampilkan file yang
dipilih pada tabel yang
terdapat di dalam sistem.
Jika cancel, maka sistem
akan menutup jendela
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
“Impor File”.
Kesimpulan Use case ini berakhir ketika pengguna dihadapkan pada
tabel yang berisi file yang telah diimpor (jika memilih
pilihan open) atau dihadapkan pada halaman clustering
dengan tanpa perubahan (jika memilih pilihan cancel)
2. Narasi Use Case : Lihat Grafik Elbow
Nama Use Case Lihat Grafik Elbow
Kode Use Case 002
Aktor Pengguna
Deskripsi Use case digunakan untuk melihat grafik elbow
Kondisi Awal Pengguna berada pada halaman Clustering dan telah
mengimpor file yang akan digunakan
Kondisi Akhir Sistem menampilkan grafik elbow
Pemicu Fungsi ini dijalankan ketika pengguna ingin melihat
grafik elbow (menentukan jumlah cluster terbaik pada
proses clustering)
Langkah Umum Aksi Aktor Reaksi Sistem
Langkah 1. Memilih tom-
bol “Grafik Elbow”
Langkah 3. Menginput-
kan jumlah cluster dan
memilih jenis bidang
penilaian
Langkah 2. Menampilkan
halaman grafik elbow. Pada
halaman ini, ditampilkan
textfield dan combo box
yang akan diinputkan dan
dipilih oleh pengguna
Langkah 4. Mengecek
inputan dari pengguna,
kemudian menampilkan
grafik elbow sesuai dengan
inputan dari pengguna
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
Kesimpulan Use case ini berakhir ketika pengguna dihadapkan pada
grafik elbow yang ditampilkan oleh sistem
3. Narasi Use Case : Proses Clustering
Nama Use Case Proses Clustering
Kode Use Case 003
Aktor Pengguna
Deskripsi Use case digunakan untuk melakukan proses clustering
Kondisi Awal Pengguna berada pada halaman Clustering dan telah
mengimpor data yang akan digunakan
Kondisi Akhir Sistem menampilkan halaman Hasil Clustering, yang di
dalamnya terdapat data hasil clustering, daftar anggota
cluster, dan daftar nilai uji kualitas dari proses
clustering
Pemicu Fungsi ini dijalankan ketika pengguna ingin melakukan
proses clustering
Langkah Umum Aksi Aktor Reaksi Sistem
Langkah 1. Menginput-
kan nilai yang dibu-
tuhkan, yaitu jumlah
cluster dan jenis bidang
penilaian pada tempat
yang disediakan.
Langkah 2. Mengecek
inputan dari pengguna,
kemudian akan melakukan
proses clustering sesuai
dengan inputan tersebut
dan menampilkan hasilnya
Kesimpulan Use case ini berakhir ketika pengguna dihadapkan pada
halaman Hasil Clustering
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
4. Narasi Use Case : Cari Data Hasil Clustering
Nama Use Case Cari data hasil clustering
Kode Use Case 004
Aktor Pengguna
Deskripsi Use case digunakan untuk melakukan pencarian pada
data hasil clustering
Kondisi Awal Pengguna berada pada menu Hasil Clustering (telah
melakukan proses clustering)
Kondisi Akhir Sistem menampilkan hasil pencarian pada halaman
Hasil Clustering
Pemicu Fungsi ini dijalankan ketika pengguna ingin melakukan
pencarian dengan kata kunci tertentu pada data hasil
clustering yang ditampilkan dalam tabel
Langkah Umum Aksi Aktor Reaksi Sistem
Langkah 1. Menginput-
kan kata kunci pencarian
pada textfield yang dise-
diakan
Langkah 2. Menampilkan
hasil pencarian berdasar-
kan inputan dari pengguna
Kesimpulan Use case ini berakhir ketika pengguna dihadapkan hasil
pencarian yang ditampilkan pada tabel
5. Narasi Use Case : Ekspor Hasil Clustering
Nama Use Case Ekspor hasil clustering
Kode Use Case 005
Aktor Pengguna
Deskripsi Use case digunakan untuk mengekspor / menyimpan
hasil clustering pada direktori komputer
Kondisi Awal Pengguna berada pada menu Hasil Clustering
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
Kondisi Akhir Sistem menampilkan halaman Hasil Clustering
Pemicu Fungsi ini dijalankan ketika pengguna ingin meng-
ekspor atau menyimpan hasil clustering pada direktori
komputer
Langkah Umum Aksi Aktor Reaksi Sistem
Langkah 1. Memilih tom-
bol “Ekspor File”
Langkah 3. Memilih di-
rektori yang akan digu-
nakan, memberi nama
file, dan memilih pilihan
yang disediakan pada
jendela menu, yaitu save
dan cancel
Langkah 2. Menampilkan
jen-dela “Ekspor File”
yang digunakan untuk
memilih direktori penyim-
panan file hasil clustering.
Langkah 4. Mengecek
pilihan dari pengguna. Jika
save, maka sistem akan
mengecek nama file yang
akan diekspor. Jika file
sudah ada dalam direktori,
maka sistem akan menutup
jendela “Ekspor File”. Jika
file belum ada dalam
direktori, maka sistem akan
menyimpan hasil cluster-
ing pada direktori kom-
puter. Jika cancel, maka
sistem akan menutup jen-
dela “Ekspor File”.
Kesimpulan Use case ini berakhir ketika pengguna dihadapkan pada
pesan pemberitahuan status proses yang dijalankan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
LAMPIRAN 2
DIAGRAM AKTIVITAS
1. Diagram Aktivitas : Impor File
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
2. Diagram Aktivitas : Lihat Grafik Elbow
3. Diagram Aktivitas : Proses Clustering
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
4. Diagram Aktivitas : Cari Data Hasil Clustering
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
5. Diagram Aktivitas : Ekspor Hasil Clustering
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
LAMPIRAN 3
DIAGRAM KELAS DESAIN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
LAMPIRAN 4
DIAGRAM SEKUEN
1. Diagram Sekuen : Impor File
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
87
2. Diagram Sekuen : Lihat Grafik Elbow
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
3. Diagram Sekuen : Proses Clustering
4. Diagram Sekuen : Cari Data Hasil Clustering
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
89
5. Diagram Sekuen : Ekspor Hasil Clustering
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
90
LAMPIRAN 5
ALGORITMA SETIAP METHOD
Nama Method HitungCentroidAwal(int jumlahCluster, double data[][])
Fungsi Method Menghitung / menentukan centroid awal pada proses
clustering
Algoritma :
1. Membuat array dua dimensi dengan nama jarakCentroid untuk
menyimpan jarak setiap data ke centroid
2. Membuat objek ArrayList dengan nama daftarCentroid untuk
menyimpan indek data centroid terpilih
3. Membuat objek dari kelas Random untuk mendapatkan indek data
centroid terpilih, kemudian tambahkan indek tersebut pada ArrayList
daftarCentroid
4. Hitung jarak setiap data dengan semua centroid yang telah terpilih
sebelumnya, tampung hasilnya pada array jarakCentroid
5. Cari jarak centroid minimal untuk setiap data dan hitung kuadrat jarak
minimal
6. Hitung total kuadrat jarak minimal
7. Hitung probabilitas setiap data, tampung hasilnya pada array
probabilitas
8. Bangkitkan sebuah nilai acak
9. Melakukan proses looping untuk menentukan centroid yang terpilih.
Data dengan probabilitas kumulatif lebih besar atau sama dengan nilai
acak, akan terpilih sebagai centroid
10. Menambahkan indek centroid terpilih pada ArrayList
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
91
Nama Method Clustering()
Fungsi Method Mengelompokkan data dengan menerapkan algoritma K-
Means++
Algoritma :
1. Membuat array dengan nama daftarCluster untuk menyimpan data
cluster setiap data
2. Menghitung jarak setiap data ke semua centroid, simpan hasilnya pada
array dataJarak
3. Menetapkan setiap data ke suatu cluster berdasarkan jarak yang telah
dihitung sebelumnya
4. Bandingkan nilai dari cluster dengan cluster sebelumnya
Jika sama, maka proses berhenti
Jika berbeda, maka proses dilanjutkan
5. Saat proses dilanjutkan, akan menghitung centroid baru
6. Proses berhenti saat anggota cluster tidak mengalami perubahan
Nama Method DaftarCentroid() : List<String>
Fungsi Method Menyimpan nilai centroid akhir dari proses clustering
Algoritma :
1. Membuat objek dari ArrayList bertipe String
2. Deklarasikan variabel get bertipe String
3. Melakukan proses nested-loop sejumlah centroid pada proses clustering
4. Tampung nilai dari array dataCentroid pada variabel getcentroid
5. Untuk setiap proses looping, inisialisasi nilai variabel get = get +
getcentroid
6. Tambahkan nilai variabel get pada ArrayList
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
92
Nama Method HitungJarakSatuCluster(double data[][], int
daftarCluster[], int indexData) : double
Fungsi Method Menghitung jarak suatu data dengan data lainnya yang
berada di cluster yang sama
Algoritma :
1. Deklarasikan variabel jarak bertipe double dengan nilai 0 dan variable
count bertipe integer
2. Melakukan proses looping sebanyak panjang data parameter data[][]
jika nilai dari array daftarCluster dengan parameter iterasi sama
dengan nilai array daftarCluster dengan parameter indexData,
maka akan melakukan proses penghitungan jarak dan nilai dari
variabel count bertambah satu
3. Jika nilai variabel count = 1, akan memberikan return value 0
4. Jika nilai variable count 1, akan memberikan return value hasil dari
pembagian nilai variabel jarak dengan variabel count
Nama Method HitungJarakBedaCluster(double data[][], int
daftarCluster[], int indexData, int jumlahCluster) : double
Fungsi Method Menghitung jarak suatu data dengan data lainnya yang
berada di cluster yang berbeda
Algoritma :
1. Deklarasikan variabel count, jarak, rata2jarakperCluster, dan minJarak
2. Melakukan looping sebanyak jumlah cluster
3. Melakukan looping sebanyak data yang dipakai
jika nilai dari array daftarCluster dengan parameter iterasi sama
dengan nilai array daftarCluster dengan parameter indexData,
maka akan melakukan proses penghitungan jarak dan nilai dari
variabel count bertambah satu
Melakukan pembagian antara nilai variabel jarak dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
93
variabel count, kemudian tampung hasilnya pada variabel
rata2jarakperCluster
Cari nilai terkecil dari variabel rata2jarakperCluster, tampung
hasilnya pada variabel minJarak
Nama Method HitungSilhouetteIndex(double data[][], int
daftarCluster[], int jumlahCluster)
Fungsi Method Menghitung nilai Silhouette Index
Algoritma :
1. Melakukan looping sebanyak data yang dipakai
2. Panggil method HitungJarakSatuCluster(double data[][], int
daftarCluster[], int indexData) dan tampung hasilnya pada variabel a
3. Panggil method HitungJarakBedaCluster (double data[][], int
daftarCluster[], int indexData, int jumlahCluster) dan tampung hasilnya
pada variabel b
4. Cari nilai yang lebih besar antara variabel a dan b, kemudian tampung
hasilnya pada variabel maxAB
5. Hitung nilai Silihouette Index dengan membagi hasil pengurangan
variabel b dan a dengan nilai variabel maxAB. Kemudian simpan hasil
pada sebuah array.
Nama Method HitungSSE(double data[][], int daftarCluster[], int
jumlahCluster, double dataCentroid[][]) : double
Fungsi Method Menghitung nilai SSE
Algoritma :
1. Mendeklarasikan variabel SSE, selisih , dan rata2_kolom bernilai 0
2. Melakukan looping sejumlah nilai k (jumlah cluster)
3. Melakukan nested-loop sebanyak data yang dipakai (hasil impor)
Mendeklarasikan variabel total dan count bernilai 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
94
Jika nilai k sama dengan nilai dari array daftarCluster dengan
indek jumlah perulangan, maka tambahkan nilai variabel total
dengan nilai array data dengan indek perulangan nested-loop
Tambahkan nilai variabel count dengan 1
4. Inisialisasi nilai variabel rata2_kolom sama dengan hasil pembagian
antara variabel total dengan variabel count
5. Melakukan looping sebanyak data yang dipakai, untuk menghitung
selisih nilai setiap data dengan nilai variabel rata2_kolom
6. Hitung nilai SSE dengan menambahkan kuadrat nilai variabel selisih
7. Deklarasikan return value nilai variabel SSE
Nama Method
BacaSSE(ArrayList bidang1, ArrayList bidang2,
ArrayList bidang3, ArrayList bidang4, ArrayList
bidang5, ArrayList bidang6, int SSE_bidang1, int
SSE_bidang2, int SSE_bidang3, int SSE_bidang4, int
SSE_bidang5, int SSE_bidang6)
Fungsi Method Membaca nilai SSE yang telah disimpan sebelumnya
Algoritma :
1. Membuat objek baru dari kelas Properties
2. Panggil method load dan getProperty dari objek yang telah dibuat
sebelumnya
3. Tampung nilai hasil dari proses pemanggilan method pada ArrayList
Nama Method Search(String keyword, JTable Tabel,
DefaultTableModel Model)
Fungsi Method Melakukan proses pencarian berdasarkan nilai inputan
dari pengguna
Algoritma :
1. Membuat objek baru dari kelas TableRowSorter
2. Memanggil method setRowSorter untuk objek Tabel dengan parameter
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
95
objek dari kelas TableRowSorter
3. Memanggil method setRowFilter dari objek dari kelas TableRowSorter
dengan parameter keyword.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
96
LAMPIRAN 6
PROSEDUR PENGUJIAN DAN KASUS UJI
Identifikasi
Use Case Deskripsi
Prosedur
Pengujian Masukan
Keluaran yang
Diharapkan
Hasil yang
Didapatkan
Catatan Proses
Pengembangan
UC-001A Mengimpor file
berekstensi xls
1. Pilih menu
Clustering
2. Pilih tombol
“Impor File”
3. Pilih file dengan
ekstensi xls
4. Pilih tombol
“open”
Evaluasi_Pembelaj
aran.xls
Data ditampilkan ke
dalam tabel pada
halaman Clustering
Data ditampilkan
ke dalam tabel
pada halaman
Clustering
Tidak ada
perbaikan
UC-001B Mengimpor file
yang tidak
berekstensi xls
1. Pilih menu
Clustering
2. Pilih tombol
“Impor File”
3. Pilih file dengan
ekstensi xls
4. Pilih tombol
“open”
Evaluasi_Pembelaj
aran.xlsx
Ditampilkan
pemberitahuan
pesan kesalahan
Ditampilkan pem-
beritahuan pesan
kesalahan
Tidak ada
perbaikan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
97
UC-002 Melakukan
pengujian terhadap
proses dan hasil
dari peng-
implementasian
metode elbow
1. Inputkan jumlah
cluster
2. Pilih jenis
bidang penilaian
3. Pilih tombol
“ok”
Jumlah cluster : 2
Bidang penilaian :
Bidang
keseluruhan
Ditampilkan grafik
yang merupakan re-
presentasi hasil dari
pengimplementasian
metode elbow
Ditampilkan
grafik yang meru-
pakan representasi
hasil dari
pengimplementasi
an metode elbow
Tidak ada
perbaikan
UC-003 Melakukan
pengujian terhadap
proses dan hasil
clustering
1. Inputkan jumlah
cluster
2. Pilih jenis
bidang penilaian
3. Pilih tombol
“ok”
Jumlah cluster : 2
Bidang penilaian :
Bidang
keseluruhan
Hasil dari proses
clustering serta
analisis anggota dan
struktur cluster
ditampilkan ke
dalam bentuk tabel
Hasil dari proses
clustering serta
analisis anggota
dan struktur
cluster ditampil-
kan ke dalam
bentuk tabel
Tidak ada
perbaikan
UC-004 Melakukan
pencarian dengan
menginputkan kata
kunci tertentu
1. Inputkan kata
kunci pada
textfield yang
disediakan
Kata kunci :
Skripsi
Hasil pencarian
ditampilkan dalam
tabel
Hasil pencarian
ditampilkan dalam
tabel
Tidak ada
perbaikan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
98
UC-005A Mengekspor hasil
clustering ke
direktori komputer
dengan nama yang
berbeda dengan
data yang sudah
ada
1. Pilih tombol
“Ekspor File”
pada halaman
Hasil Clustering
2. Pilih direktori
penyimpanan
3. Beri nama pada
file yang akan
diekspor
4. Pilih tombol
“save”
Nama file :
Clustering
Direktori
penyimpanan :
D:/data
Tipe file : xls
File berhasil
disimpan dan
ditampilkan pesan
pem-beritahuan
bahwa file telah
berhasil disimpan
File berhasil
disimpan dan
ditampilkan pesan
pemberitahuan
bahwa file telah
berhasil disimpan
Tidak ada
perbaikan
UC-005B Mengekspor hasil
clustering ke
direktori komputer
dengan nama yang
sama dengan data
yang sudah ada
(pada direktori
yang sama)
1. Pilih tombol
“Ekspor File”
pada halaman
Hasil Clustering
2. Pilih direktori
penyimpanan
3. Beri nama pada
file yang akan
diekspor
4. Pilih tombol
Nama file :
Clustering
Direktori
penyimpanan :
D:/data_hasil
Tipe file : xls
File gagal disimpan
dan ditampilkan
pesan
pemberitahuan
bahwa nama sudah
digunakan oleh file
lain
File gagal
disimpan dan
ditampilkan pesan
pemberitahuan
bahwa nama
sudah digunakan
oleh file lain
Tidak ada
perbaikan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
99
“save”
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
100
LAMPIRAN 7
PENGHITUNGAN MANUAL
Penghitungan manual proses clustering dengan menerapkan algoritma K-
Means++ menggunakan data Evaluasi Pembelajaran sejumlah 15 data. Pada
penghitungan manual ini, proses clustering menggunakan k (jumlah cluster) = 2
dan jenis bidang penilaian yang dipakai yaitu bidang keseluruhan. Dataset yang
digunakan tertera pada tabel berikut.
Nama Matakuliah P1 P2
001 Fisika Dasar 5,22 5,11
002 Gambar Teknik Terapan 6,43 6,33
005 Matematika Diskret 4,84 4,38
007 Algoritma dan Pemrograman 6,33 6,40
014 Praktikum Metode Numeris 3,25 3,33
019 Penambangan Data 6,40 6,40
023 Elektronika 2 4,90 4,93
032 Rekayasa Tenaga Surya 6,40 6,40
035 Algoritma Genetika 4,50 4,84
037 Algoritma dan Pemrograman 6,50 6,28
038 Kalkulus Diferensial 6,65 6,61
040 Material Teknik 2 5,85 5,78
049 Pengenalan Pola 4,45 4,00
059 Konversi Energi Listrik 6,21 6,36
061 Sistem Operasi 4,14 3,43
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
101
Proses clustering dengan menerapkan algoritma K-Means++, dilakukan dengan
langkah – langkah sebagai berikut :
1. Menentukan satu centroid awal dalam proses clustering. Pada algoritma
K-Means++, satu centroid awal dipilih secara acak.
Centroid 1 : 001 – Fisika Dasar
2. Menentukan centroid ke dua dan seterusnya. Proses diawali dengan
menghitung jarak tiap data ke centroid yang telah terpilih, kemudian
tentukan jarak centroid terdekat dari tiap data dan hitung kuadrat dari jarak
terdekat tersebut. Setelah itu, hitung probabilitas dan probabilitas
kumulatif setiap data. Hasil proses penghitungan tertera pada tabel di
bawah ini.
ID D1 MIN MIN2
D(x)2/∑D(x)
2 Kumulatif
001 0,00 0,00 0,00 0,00 0,00
002 1,717123
726
1,717123
726
2,948513
889 0,079815176 0,079815176
005 0,818550
548
0,818550
548 0,670025 0,018137328 0,097952504
007 1,705615
725
1,705615
725 2,909125 0,078748933 0,176701438
014 2,651702
283
2,651702
283 7,031525 0,190340771 0,367042208
019 1,751977
454
1,751977
454 3,069425 0,083088195 0,450130403
023 0,364725
924
0,364725
924 0,133025 0,003600937 0,453731341
032 1,751977
454
1,751977
454 3,069425 0,083088195 0,536819536
035 0,768960
337
0,768960
337 0,5913 0,016006271 0,552825807
037 1,737534
172
1,737534
172 3,019025 0,081723886 0,634549693
038 2,076035
886
2,076035
886 4,309925 0,116668069 0,751217762
040 0,921618
82
0,921618
82
0,849381
25 0,022992435 0,774210197
049 1,346820
33
1,346820
33 1,813925 0,049102276 0,823312473
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
102
059 1,598475
837
1,598475
837 2,555125 0,069166285 0,892478758
061 1,992993
979
1,992993
979 3,972025 0,107521242 1
Untuk menentukan centroid yang terpilih, proses yang dilakukan adalah
dengan membangkitkan nilai acak. Nilai acak yang dibangkitkan sebesar
0.8314409887870612, setelah itu bandingkan nilai acak dengan
probabilitas kumulatif tiap data. Data yang memiliki probabilitas kumulatif
lebih besar dibanding nilai acak, akan terpilih sebagai centroid.
Centroid 2 : 059 – Konversi Energi Listrik.
3. Setelah mendapatkan semua centroid awal untuk proses clustering, proses
selanjutnya adalah menghitung jarak tiap data ke semua centroid dengan
menerapkan metode euclidian distance. Hasil penghitungan jarak ke suatu
centroid dibandingkan dengan jarak ke centroid lainnya, pilih jarak
terdekat dengan centroid dan tetapkan suatu data tergabung ke dalam suatu
cluster. Jarak terdekat dengan suatu centroid, berarti bahwa data yang
dimaksud berada satu cluster dengan suatu centroid tertentu.
Nama C1 C2 Jarak
Terpendek Cluster
001 0,00 1,60 0,00 1
002 1,72 0,22 0,22 2
005 0,82 2,41 0,82 1
007 1,71 0,13 0,13 2
014 2,65 4,24 2,65 1
019 1,75 0,19 0,19 2
023 0,36 1,94 0,36 1
032 1,75 0,19 0,19 2
035 0,77 2,29 0,77 1
037 1,74 0,30 0,30 2
038 2,08 0,51 0,51 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
103
040 0,92 0,68 0,68 2
049 1,35 2,94 1,35 1
059 1,60 0,00 0,00 2
061 1,99 3,59 1,99 1
4. Setelah proses menetapkan setiap data ke suatu cluster, diketahui anggota
dari tiap cluster. Proses selanjutnya adalah menghitung centroid baru
sesuai anggota cluster.
Centroid 1
P1 : (5,22 + 4,84 + 3,25 + 4,90 + 4,50 + 4,45 + 4,14) / 7 = 4,4714
P2 : (5,11 + 4,38 + 3,33 + 4,93 + 4,84 + 4,00 + 3,43) / 7 = 4,2871
Centroid 2
P1 : (6,43 + 6,33 + 6,40 + 6,40 + 6,50 + 6,65 + 5,85 + 6,21) / 8 =
6,345
P2 : (6,33 + 6,40 + 6,40 + 6,40 + 6,28 + 6,61 + 5,78 + 6,36) / 8 =
6,319
5. Setelah mendapatkan centroid baru, proses selanjutnya melakukan
penghitungan ulang jarak tiap data ke semua centroid baru, dan tetapkan
setiap data masuk ke dalam cluster yang mana.
Nama C1 C2 Jarak
Terpendek Cluster
001 1,11 1,66 1,11 1
002 2,83 0,08 0,08 2
005 0,38 2,46 0,38 1
007 2,81 0,08 0,08 2
014 1,55 4,30 1,55 1
019 2,86 0,10 0,10 2
023 0,77 2,01 0,77 1
032 2,86 0,10 0,10 2
035 0,55 2,37 0,55 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
104
037 2,84 0,16 0,16 2
038 3,18 0,42 0,42 2
040 2,03 0,73 0,73 2
049 0,29 3,00 0,29 1
059 2,71 0,14 0,14 2
061 0,92 3,64 0,92 1
6. Proses clustering berhenti, karena tidak ada perubahan anggota cluster dari
proses sebelumnya. Hasil akhir clustering, tertera pada tabel di bawah ini.
Nama Matakuliah P1 P2 Cluster
001 Fisika Dasar 5,22 5,11 1
002 Gambar Teknik Terapan 6,43 6,33 2
005 Matematika Diskret 4,84 4,38 1
007 Algoritma dan
Pemrograman 6,33 6,40 2
014 Praktikum Metode
Numeris 3,25 3,33 1
019 Penambangan Data 6,40 6,40 2
023 Elektronika 2 4,90 4,93 1
032 Rekayasa Tenaga Surya 6,40 6,40 2
035 Algoritma Genetika 4,50 4,84 1
037 Algoritma dan
Pemrograman 6,50 6,28 2
038 Kalkulus Diferensial 6,65 6,61 2
040 Material Teknik 2 5,85 5,78 2
049 Pengenalan Pola 4,45 4,00 1
059 Konversi Energi Listrik 6,21 6,36 2
061 Sistem Operasi 4,14 3,43 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI