PENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT TELKOM SURABAYA

Artikel Skripsi Universitas Nusantara PGRI Kediri

PENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT TELKOM SURABAYA

SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.kom) Pada Program Studi Teknik Informatika

OLEH : VIVIN DWI RETNANINGSIH NPM: 12.1.03.02.0417

FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA UN PGRI KEDIRI 2016

Vivin Dwi Retnaningsih | 12.1.03.02.0417 Teknik-Teknik Informatika

simki.unpkediri.ac.id || 1||








PENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT. TELKOM SURABAYA Vivin Dwi Retnaningsih 12.1.03.02.0417 Teknik – Teknik Informatika [email protected] Suratman, SH., M.Pd dan Ardi Sanjaya, M.Kom UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK Vivin Dwi Retnaningsih : Pengklasifikasian Data Sekolah Pengguna Internet Pendidikan Menggunakan Teknik Clustering dengan Algoritma K-Means Studi Kasus PT. Telkom Surabaya, Skripsi, Teknik Informatika, Fakultas Teknik UN PGRI Kediri, 2016. Penelitian ini dilatar belakangi hasil pengamatan peneliti, bahwa banyaknya data yang dipunyai sebuah instansi bisa menyebabkan kesulitan dalam mengelola data tersebut untuk kepentingan instansi. Akibatnya banyak terjadi kesalahan dalam pengkasifikasian yang dilakukan. Permasalahan penelitian ini adalah bagaimana cara merancang sistem untuk pengolahan data sekolah dengan menggunakan metode clustering? Di dalam penelitian ini menggunakan pendekatan Penelitian Rekayasa Perangkat Lunak dengan subyek penelitian sekolah pengguna internet pendidikan di PT. Telkom Surabaya. Penelitian ini menggunakan algortima k-means dalam mengelompokkan data sekolah. Data sekolah dikelompokkan berdasarkan jumlah kluster yang ditentukan. Selanjutnya, setiap data/obyek ditempatkan berdasarkan kluster terdekat menggunakan konsep jarak euclidean distance. Proses tersebut terus dilakukan sampai pusat kluster tidak berubah lagi. Hasil penelitian ini adalah (1) Melalui algoritma K-Means ini terbukti dapat membantu mengelompokan data sekolah dalam jumlah besar berdasarkan kluster yang telah ditentukan secara random (acak). (2) Dengan menggunakan metode Clustering dengan algoritma K-Means terbukti dapat mengelola dan mengelompokkan data sekolah serta tagihan sekolah secara otomatis. Berdasarkan hasil penelitian ini, direkomendasikan : (1) Tujuan pokok penggunaan algoritma k-means ini adalah untuk mengelompokkan data sekolah. Oleh sebab itu karyawan PT. Telkom Surabaya sebagai pengguna aplikasi ini harus mengutamakan proses yang mendukung kelancaran penggunaan dan perawatan aplikasi ini. (2) Karyawan PT. Telkom Surabaya perlu mengembangkan lagi aplikasi yang telah dibuat oleh peneliti. (3) Sekolahsekolah di Surabaya terutama pengguna aplikasi inidiharapkan bisa lebih mengembangkan aplikasi ini dengan lebih baik dan lebih bermanfaat lagi. Kata kunci : Pengklasifikasian, Data Mining, Clustering, K-Means, Euclidean Distance.




I.

seperti

LATAR BELAKANG

kecerdasan

buatan

(artificial

intelligent), machine learning, statistic dan Banyaknya data yang dipunyai sebuah

basis data. Beberapa teknik yang sering

instansi bisa menyebabkan kesulitan dalam

disebut-sebut dalam literatur DM antara lain

mengelola data tersebut untuk kepentingan

:clustering, classification, association rule

instansi. Kegiatan pengklasifikasian yang

mining,

dilakukan oleh manusia masih memiliki

algorithm.

keterbatasan, terutama pada kemampuan

neural

network,

dan

PT. Telkom Surabaya

genetic

adalah salah

manusia dalam menampung jumlah data

satu instansi milik BUMN yang terbesar di

yang ingin dikelola. Selain itu bisa juga

Jawa Timur. Dalam perkembangannya PT.

terjadi kesalahan dalam pengklasifikasian

Telkom Surabaya banyak mengeluarkan

yang dilakukan. Salah satu cara mengatasi

produk-produk yang bermanfaat terutama

masalah ini adalah dengan menggunakan

bagi warga Surabaya dan warga seluruh

Data Mining (DM) dengan teknik clustering.

Indonesia maupun manca negara. Salah satu

Penggunaan teknik DM clustering

produk yang saat ini digencarkan adalah

berbeda–teknik Data Mining (DM) yang

produk Indihome dan Internet Pendidikan.

lainnya, seperti association rule mining dan

PT. Telkom Surabaya bekerja sama

classification yang memerlukan tahapan

dengan pemerintah kota Surabaya untuk

training

mewajibkan seluruh sekolah di Surabaya

dan

evauasi.

Teknik

ini

menggunakan metode unsupervised learning

baik

yang berarti DM tidak perlu melakukan

menggunakan

training terlebih dahulu tapi bisa langsung

informasi tentang dunia pendidikan dapat

menggunakannya untuk pengelompokkan.

tersebar kepada para siswa dengan lebih

Teknik ini masih jarang digunakan dibanding

cepat dan akurat lagi, tanpa harus ada

dengan teknik-teknik DM yang lain.

gangguan jaringan.

Data Mining adalah

SD,

SMP,

maupun

Internet

SMA

untuk

Pendidikan

guna

serangkaian

Banyaknya data sekolah yang ada di

proses untuk menggali nilai tambah dari

Surabaya membuat PT. Telkom Surabaya

suatu kumpulan data berupa pengetahuan

sulit

yang selama ini tidak diketahui secara

mengklasifikannya, selain itu banyak data

manual. Patut diingat bahwa kata mining

sekolah yang tidak valid, sehingga membuat

sendiri berarti usaha untuk mendapatkan

PT. Telkom Surabaya harus lebih ekstra lagi

sedikit barang berharga dari sejumlah besar

dalam

material dasar. Karena itu DM sebenarnya

tersebut. Kegiatan klasifikasi yang dilakukan

memiliki akar yang panjang dari bidang ilmu

oleh manusia masih memiliki keterbatasan,

Vivin Dwi Retnaningsih| 12.1.03.02.0417 Fakultas Teknik– Prodi Teknik Informatika

untuk

memvalidkan

mengelola

data-data

dan

sekolah



terutama pada kemampuan manusia dalam

masalah ini adalah dengan

menampung

ingin

Data Mining (DM) dengan teknik clustering.

diklasifikasikan. Selain itu bisa juga terjadi

Menurut Ferlyna K Wardhani, Erma

jumlah

data

yang

kesalahan dalam pengklasifikasian

yang

menggunakan

Suryani, dan Ahmad Mukhlason, dalam jurnalnya yang berjudul “PENERAPAN

dilakukan. Karena kurang validnya data sekolah

METODE

GA

-

KMEANS

UNTUK

yang diberikan oleh Pemkot Surabaya dapat

PENGELOMPOKAN PENGGUNA PADA

mempengaruhi

BAPERSIP PROVINSI JAWA TIMUR”,

strategi

promosi

yang

dilakukan oleh PT. Telkom Surabaya.

mampu membantu saya dalam

Menurut Lindawati, dalam jurnalnya

strategi

pemecahan

yang berjudul “DATA MINING DENGAN

pengelompokan

TEKNIK

sekolah

CLUSTERING

DALAM

PENGKLASIFIKASIAN

menyusun masalah

data

pengguna

paket bandwith

internet

pendidikan

DATA

pada PT Telkom Surabaya. Algoritma K-

MAHASISWA STUDI KASUS PREDIKSI

means mengelompokan data berdasarkan

LAMA

klaster-klaster

STUDI

UNIVERSITAS mampu

BINA

menjadi

menyusun klasifikasi

MAHASISWA

strategi

NUSANTARA”,

referensi

saya

pemecahan

dalam masalah

dan pengelolaan data yang

sebelumnya. Selain Kmeans

ditentukan

itu, algoritma GAmenghasilkan

pengelompokan dengan tingkat kerapatan di

dalam

dibandingkan

clustering efektif untuk mengklasifikasikan

sederhana.

prediksi lama studi mahasiswa dengan

Menurut Rima Dias Ramadhani, dalam

telah

mampu

dialami oleh PT. Telkom Surabaya. Teknik

menggunakan parameter-parameter tertentu.

yang

klaster

yang

lebih

baik

dengan algoritma K-means

Pengolahan data sekolah pengguna internet

pendidikan

di

kota

Surabaya

seharusnya dilakukan dengan

tepat dan

jurnalnya yang berjudul “DATA MINING

cepat,

kesalahan

MENGGUNAKAN

K-

pemasangan

UNTUK

pendidikan.

MEANS

ALGORITMA

CLUSTERING

agar

tidak kecepatan

akses

Penelitian

UNIVERSITAS DIAN NUSWANTORO”,

pengelompokan

mampu membantu saya dalam perancangan

internet yang dipesan oleh masing-masing

strategi promosi untuk produk Internet

sekolahan. Selain

Pendidikan yang dialami oleh PT. Telkom

dapat membantu strategi promosi internet

Surabaya. Salah satu cara

pendidikan oleh PT. Telkom Surabaya.


sesuai

akan

internet

MENENTUKAN STRATEGI PROMOSI

mengatasi

ini

terjadi

melakukan

kecepatan

akses

itu penelitian ini juga



Dalam

penelitian

menggunakan menyusun

metode

ini,

saya

clustering

digunakan adalah jarak Euclidean

dalam

sistem pengolahan data. Data

(L2-norm). 4. Menghitung kembali pusat cluster

akan secara otomatis diolah oleh sistem,

dengan

sehingga PT. Telkom dapat secara cepat

sekarang. Pusat cluster adalah rata-

mendapat

rata dari

informasi

dan

melakukan

pemasangan secara tepat.

dalam

keanggotaan

semua data atau obyek cluster

dikehendaki II.

cluster

tertentu.

bisa

juga

Jika

memakai

median dari cluster tersebut.

METODE Metode K-Means bisa menggunakan

5. Menghitung kembali pusat cluster

ukuran kemiripan untuk mengelompokkan

yang baru jika pusat tidak berubah

suatu obyek. Kemiripan ini diterjemahkan

lagi,

dalam

2007).

selesai atau kembali ke langkah yang

Semakin dekat jarak, maka semakin tinggi

ketiga sampai pusat klaster tidak

kemiripannya.

berubah lagi.

konsep

jarak

(Santoso,

Berikut langkah-langkah algoritma KMeans Clustering :

2. Inisialisasi nilai K pusat cluster atau nilai means atau centroid, yang paling

sering

digunakan

adalah

dengan cara random (acak). 3. Menempatkan setiap data/obyek ke cluster obyek

terdekat. Kedekatan dua ditentukan

berdasar

jarak

proses

pengklasteran

Hasil klaster dengan metode K-Means Clustering

1. Menentukan jumlah K cluster.

maka

pusat

sangat bergantung pada nilai

klaster

awal

yang

diberikan.

Pemberian nilai awal yang berbeda bisa menghasilkan hasil klaster yang berbeda. Ada beberapa cara member nilai awal misalnya dengan mengambil sampel awal dari data atau member nilai awal secara random (acak).

Demikian

Beberapa permasalahan yang sering

juga kedekatan suatu data ke cluster

muncul pada saat menggunakan metode K-

tertentu

Means untuk melakukan pengelompokkan

kedua obyek

tersebut.

ditentukan

jarak

antara

data dengan pusat cluster. Dalam tahap ini perlu dihitung jarak data dengan satu cluster

tiap

tertentu

akan menentukan suatu data masuk dalam cluster. Konsep jarak yang

data adalah : a. Ditemukannya

beberapa

model

klastering yang berbeda. b. Pemilihan jumlah klaster yang paling tepat. c. Kegagalan untuk converge.




d. Pendeteksian outlier.

berhenti dan kegagalan untuk

e. Bentuk masing-masing klaster.

akan terjadi. Untuk K-Means, walaupun ada,

f. Masalah overlapping.

kemungkinan

Keenam permasalahan diatas adalah beberapa hal yang perlu di perhatikan pada saat

menggunakan

mengelompokkan

K-Means

data.

dalam

Permasalahan

1

umumnya disebabkan oleh perbedaan proses

converge

permasalahan

ini untuk

terjadi sangatlah kecil, karena setiap data dilengkapi dengan untuk

membership

menjadi

anggota

function

klaster

yang

ditemukan. Permasalahan

keempat

merupakan

inisialisasi anggota masing-masing klaster.

permasalahan umum yang terjadi hampir

Proses initialisasi yang sering digunakan

disetiap metode yang melakukan pemodelan

adalah proses inisialisasi secara random.

terhadap data. Khusus untuk metode K-

Permasalahan 2 merupakan masalah laten dalam metode K-Means. Beberapa pendekatan

telah

digunakan

menentukan

jumlah

klaster yang paling

tepat untuk suatu dataset termasuk

diantaranya

dalam

yang dianalisa

Partition Entropy

(PE) dan GAP Statistics. Metode-metode tersebut tidak sama yang

digunakan

dengan

oleh

pendekatan

K-Means

dalam

mempartisi data items ke masing-masing klaster.

Means

hal

ini

permasalahan

yang

cukup

menentukan.

Beberapa hal

yang

perlu

diperhatikan

dalam melakukan dalam

pendeteksian outlier

pengelompokkan

data

data item merupakan

outlier dari suatu

klaster tertentu dan apakah data dalam jumlah kecil yang membentuk suatu klaster tersendiri dapat dianggap sebagai Proses ini memerlukan yang

outlier.

suatu pendekatan

berbeda dengan proses

untuk

pendeteksian outlier di dalam suatu dataset

converge, secara teori memungkinkan untuk

yang hanya terdiri dari satu populasi yang

terjadi dalam kedua metode K-Means yang

homogen.

dijelaskan

di

Kemungkinan

kegagalan

proses

menjadi

termasuk bagian menentukan apakah suatu

khusus

Permasalahan

memang

dalam ini

tulisan

ini.

akan semakin besar

terjadi

untuk

metode

karena

setiap

data

Hard K-Means,

Permasalahan menyangkut

kelima

bentuk

adalah

klaster

ditemukan.

Tidak

clustering

lainnya

dialokasikan secara tegas (hard) untuk

Modelling,

K-Means

menjadi bagian dari suatu klaster tertentu.

mengindahkan bentuk dari masing-masing

Kejadian

klaster

seperti

mengakibatkan

di

ini

pemodelan

dalam

dataset

tentu tidak


akan

yang

seperti

yang

metode

termasuk umumnya

mendasari

model

data

Mixture tidak

yang

akan simki.unpkediri.ac.id || 5||


terbentuk, walaupun

secara

natural

masing-masing klaster umumnya berbentuk bundar. Untuk mempunyai

dataset yang diperkirakan

bentuk

yang

tidak

biasa,

beberapa pendekatan perlu untuk diterapkan. Masalah permasalahan

over

lapping

terakhir

sebagai

sering

sekali

Gambar 5.11 Form Tambah Data Tagihan

diabaikan karena umumnya masalah ini sulit terdeteksi. Hal ini metode

Hard

Means, karena tidak

terjadi

K-Means dan secara

untuk

Fuzzy K-

teori metode

diperlengkapi

feature

ini

untuk

Setelah data selesai di inputkan, klik simpan. Kemudian

akan muncul gambar

5.12 seperti dibawah ini, masukkan nama

mendeteksi apakah didalam suatu klaster

sekolah yang baru diinputkan, klik hitung

ada

status

klaster

lain

yang

kemungkinan

tersembunyi. (Yunus Ariadi Saputra, 2014)

untuk

menghitung

status

berlangganannya.

III. HASIL DAN KESIMPULAN Didalam menu data terdapat submenu tambah

data,

olah

data,

dan

tagihan

pelanggan. Berikut adalah tampilan dari form tambah data dan form olah data : Gambar 5.12 Form Hitung Status K-Means Kemudian klik cari untuk mengetahui status

berlangganan dari sekolah tersebut,

seperti gambar dibawah ini :

Gambar 5.10 Form Tambah Data




Kadir, Abdul. 2013. Pengenalan Sistem Informasi. Yogyakarta : Andi Permana, Galih. 2013. Pengertian PHP dan Kelebihannya (online). Tersedia : http://infoterlengkap.blogspot.com/2013/03/penge rtian-php-dan-kelebihannya.html Diunduh pada 17 November 2015 Gambar 5. 13 Form Status Berlangganan KESIMPULAN 1. Melalui algortima K-Means ini terbukti dapat

membantu

mengelompokkan

data sekolah dalam jumlah besar berdasarkan

Portal koporet PT Telekomunikasi Indonesia, Tbk. 2015. http://www.telkom.co.id Diunduh pada 17 November 2015

kluster

yang

telah

Santosa, B. 2007. Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta : Graha Ilmu

ditentukan secara random (acak). 2. Dengan

menggunakan

metode

Clustering dengan algoritma K-Means terbukti

dapat

mengelola

Suprianto, Dodit. 2008. Buku Pintar Pemrograman PHP. Jakarta : Oase Media

dan

mengelompokkan data sekolah serta tagihan sekolah secara otomatis.

Yakub. 2002. Pengantar Sistem Informasi (Edisi 1). Yogyakarta : Graha Ilmu

IV. DAFTAR PUSTAKA

Ariadi, Yunus S. 2014. Analisis Data Mahasiswa Menggunakan Algoritma K- Means Clustering (Studi Kasus Prodi Teknik Informatika Fakultas Teknik UNP Kediri). Universitas Nusantara PGRI Kediri

Budiman, Irwan. 2012. Data Clustering Menggunakan Metodologi CRISPDM Untuk Pengenalan Pola Proporsi Pelaksanaan Tridharma. Universitas Diponegoro Semarang Diunduh pada 17 November 2015



PENGKLASIFIKASIAN DATA SEKOLAH PENGGUNA INTERNET PENDIDIKAN MENGGUNAKAN TEKNIK CLUSTERING DENGAN ALGORITMA K-MEANS STUDI KASUS PT TELKOM SURABAYA

Recommend Documents