JURNAL ILMIAH INFOKOM Volume 1 Nomor 1 Juli 2013 Pelindung : Ketua STIKOM Poltek Cirebon Penasehat : Staf Ahli STIKOM Poltek Cirebon Pembina : Puket I STIKOM Poltek Cirebon Ketua Tim Redaksi : Rahmadi Wijaya, MT. Penyunting Ahli : Yuhano, M.Kom. Dr. Hj. Retina Sri Sedjati, MM Elly Herawati, SH., MM. Otong Saeful Bachri, S.Kom., MM Rahmadi Wijaya, MT. Penyunting : Susi Widyastuti, S.Kom., MM. Mukidin, S.Kom., MM. Sandi Fajar Rodiyansyah, M.CS. Harliana, ST., M.CS. Alamat Sekretariat / Redaksi : Sekretariat Jurusan STIKOM Poltek Cirebon Jl. Brigjen Darsono No. 33 Cirebon 45153 Telp. (0231) 486475, Fax. (0231) 484005 Email : [email protected]Jurnal Ilmiah INFOKOM merupakan jurnal ilmiah sebagai bentuk penelitian dalam hal pengembangan bidang Informatika dan Komputer serta bidang terkait lainnya. Jurnal Ilmiah INFOKOM diterbitkan oleh STIKOM Poltek Cirebon. Redaksi mengundang para dosen, peneliti dan profesional dari dunia industri dan kerja untuk.menulis tulisan ilmiah dan pengalaman praktis-nya di lapangan terkait implementasi Informatika dan Komputer serta bidang terkait lainnya Jurnal Ilmiah INFOKOM ini diterbitkan 2 (dua) kali dalam satu tahun pada bulan Januari dan Juli. Edisi kedua akan terbit Januari 2014. Harga berlangganan Rp. 50.000,- /eksemplar.
Transcript
JURNAL ILMIAH INFOKOM
Volume 1 Nomor 1 Juli 2013
Pelindung :
Ketua STIKOM Poltek Cirebon
Penasehat : Staf Ahli STIKOM Poltek Cirebon
Pembina :
Puket I STIKOM Poltek Cirebon
Ketua Tim Redaksi : Rahmadi Wijaya, MT.
Penyunting Ahli :
Yuhano, M.Kom. Dr. Hj. Retina Sri Sedjati, MM
Elly Herawati, SH., MM. Otong Saeful Bachri, S.Kom., MM
STIKOM Poltek Cirebon Jl. Brigjen Darsono No. 33 Cirebon 45153 Telp. (0231) 486475, Fax. (0231) 484005 Email : [email protected]
Jurnal Ilmiah INFOKOM merupakan jurnal ilmiah sebagai bentuk penelitian dalam hal
pengembangan bidang Informatika dan Komputer serta bidang terkait lainnya. Jurnal Ilmiah INFOKOM diterbitkan oleh STIKOM Poltek Cirebon. Redaksi mengundang para dosen, peneliti dan profesional dari dunia industri dan kerja untuk.menulis tulisan ilmiah dan pengalaman praktis-nya di lapangan terkait implementasi Informatika dan Komputer serta bidang terkait lainnya Jurnal Ilmiah INFOKOM ini diterbitkan 2 (dua) kali dalam satu tahun pada bulan Januari dan Juli. Edisi kedua akan terbit Januari 2014. Harga berlangganan Rp. 50.000,- /eksemplar.
JURNAL ILMIAH INFOKOM
Volume 1 Nomor 1 Juli 2013
DAFTAR ISI
1 Studi Perancangan Sistem Keamanan Akses Menggunakan Algoritma
Perceptron Berbasis Jaringan Syaraf Tiruan
Yuhano, M.Kom.
1-9
2 Pemanfaatan Aplikasi Brogchat Untuk Komunikasi Internal Perusahaan Susi Widyastuti, S.Kom., M.M.
10-18
3 Studi Dan Implementasi Proses Extraction-Transformation-Loading (ETL) Dalam Data Warehouse (Studi Kasus : Departemen Pertanian) Rahmadi Wijaya, M.T.
19-43
4 Pembelajaran Berbasis Komputer Model Tutorial dalam Pelajaran Teknologi Informasi Dan Komunikasi di Sekolah Menengah Pertama (Kuasi Eksperimen dalam mata pelajaran Teknologi Informasi Dan Komunikasi) Otong Saeful Bachri, S.Kom., M.M.
44-70
5 Tiga Aset Utama Teknologi Informasi untuk Keunggulan Strategik Perusahaan
Dr. Hj. Retina Sri Sedjati, M.M.
71-75
6 Infrastruktur Multi-Sistem dipandang dari Perspektif Teknis dan Keuangan
Cucu Handayani, S.Kom, M.M.
76-79
7 Akses E-mail & Web Murah via Dial-Up Telepon
Mukidin, S.Kom., M.M
80-84
8 Crowd Simulation Berbasis Agent Dalam Menampilkan Tingkah Laku Masyarakat Pada Toko Mainan Suhanda, M.Kom.
85-98
9 Model MCDM-Simple Additive Weighting untuk Seleksi Karyawan Baru Sandi Fajar Rodiyansyah, S.Pd., M.CS.
99-104
10 Penerapan Fuzzy C-Means Untuk Mengelompokkan Nilai Rata-rata Akhir Matakuliah Perangkat Lunak Enterprise Di STIKOM POLTEK Cirebon
Harliana, M.CS.
105-114
11 Perancangan Sistem Pendukung Keputusan Untuk Pemilihan Lokasi Perumahan Menggunakan Weighted Product Model (WPM) Andri Syafrianto, M.CS.
115-128
Penerapan Fuzzy C-Means Untuk Mengelompokkan Nilai Rata-rata Akhir Matakuliah Perangkat Lunak Enterprise
Di STIKOM POLTEK Cirebon
Oleh : Harliana, M.Cs
Dosen Jurusan Teknik Informatika STIKOM POLTEK Cirebon
Abstrak Sebagai bahan evaluasi mengajar dosen, terkadang perlu dilakukan proses perhitungan rata-rata nilai akhir mahasiswa pada tiap semester. Dalam proses penentuan rata-rata nilai akhir matakuliah PLE, parameter yang digunakan adalah: tugas, yang terdiri atas tugas yang wajib dikerjakan sebelum UTS dan setelah UTS; quiz; serta UTS dan UAS. Untuk memudahkan proses evaluasi, maka penentuan rata-rata tersebut dilakukan secara clustering dengan metode
Fuzzy C-Means. Parameter yang digunakan untuk proses awal perhitungan clustering ini adalah jumlah cluster 5, pembobot kefuzzyan 2, dan maksimum iterasi 100. Proses tersebut dilakukan terhadap 121 mahasiswa dengan hasil: mahasiswa yang masuk pada cluster pertama adalah mahasiswa yang memiliki rata-rata 91,29 dengan rata-rata tugas 37,46; rata-rata UTS 12,59; rata-rata UAS 29,86 dan rata-rata absensi 11,38; Mahasiswa yang masuk pada cluster kedua adalah mahasiswa yang memiliki rata-rata 69,01 dengan rata-rata tugas 27,97; rata-rata UTS 10,32; rata-rata UAS 23,32 dan rata-rata absensi 7,40; Mahasiswa yang masuk pada cluster ketiga adalah mahasiswa yang memiliki rata-rata 153,80 dengan rata-rata tugas 88,80; rata-rata UTS 17,50; rata-rata UAS 35 dan rata-rata absensi 12,50; dan Mahasiswa yang masuk pada cluster keempat adalah
mahasiswa yang memiliki rata-rata 113,99 dengan rata-rata tugas 54,91; rata-rata UTS 15,35; rata-rata UAS 31,90 dan rata-rata absensi 11,83
Kata kunci : Fuzzy C-Means, nilai
1. Pendahuluan
Sebagai bahan evaluasi mengajar dosen, terkadang perlu dilakukan proses perhitungan rata-rata nilai akhir mahasiswa pada tiap semester. Evaluasi tersebut dilakukan sebagai salah satu bahan pertimbangan dalam menentukan target ataupun dasar mahasiswa dalam menguasai dan memahami ilmu tertentu. Umumnya proses penilaian untuk mendapatkan rata-rata nilai akhir pada suatu universitas ditentukan berdasarkan beberapa parameter yang telah ditentukan sebelumnya. Parameter tersebut adalah tugas, quiz, uts dan uas. Namun dalam proses penentuan rata-rata nilai akhir matakuliah Perangkat Lunak Enterprise
(PLE), parameter yang digunakan adalah: tugas, yang terdiri atas tugas yang wajib dikerjakan sebelum UTS dan setelah UTS; quiz, yang hanya dilakukan sekali sebelum UTS; serta UTS dan UAS yang dilakukan.
Agar lebih mudah dalam proses evaluasi, maka penentuan rata-rata nilai akhir matakuliah PLE dilakukan secara berkelompok (clustering) dengan mencari tingkat kemiripan maupun ketidak miripan antar datanya pada suatu cluster.
Metode Fuzzy C-Means digunakan untuk membantu dalam proses penentuan cluster tersebut. Metode FCM dipilih karena setiap mahasiswa dimungkinkan untuk menjadi anggota dari masing-masing cluster dengan derajat keanggotaan yang berbeda antara 0 dan 1.
2. Metode
Fuzzy C-Means merupakan salah satu metode fuzzy clustering yang paling umum digunakan dalam proses clustering. Metode ini merupakan pengembangan dari metode non-hierarki K-means cluster. Pada algoritma clustering berdasarkan teori klasik (hard clustering) seperti K-means, data-data atau objek tersebut akan diklasifikasikan menjadi bagian atau bukan bagian dari suatu cluster tertentu. Tetapi dalam fuzzy clustering, hal tersebut tidak akan berlaku lagi, karena sebuah obyek dapat menjadi bagian suatu cluster secara
parsial, sehingga hal ini memungkinkan sebuah obyek akan menjadi bagian dari beberapa cluster secara bersamaan dengan derajat keanggotaan yang berbeda pada tiap clusternya. Fuzzy clustering ini sangat berguna untuk mengidentifikasi data yang berada pada poin-poin yang jauh.
Metode fuzzy cluster akan memberikan hasil yang smooth (halus) karena pembobotan yang digunakan berdasarkan himpunan fuzzy (Shihab, 2000). Maksud kehalusan disini adalah objek pengamatan tidak mutlak untuk menjadi satu anggota kelompok saja, tetapi juga memungkinkan untuk menjadi beberapa anggota kelompok yang lain dengan ukuran tingkat keanggotaan yang berbeda-beda. Objek akan cenderung menjadi anggota kelompok tertentu dimana tingkat keanggotaan objek dalam kelompok itu paling besar bila dibandingkan dengan kelompok yang lain.
Pengelompokkan dengan fuzzy c-means cluster berpinsip pada minimasi fungsi objektif:
(1) Dengan constraint:
(2)
(3)
(4)
Dimana:
P dan U adalah dua variabel yang akan dicari kondisi optimalnya, untuk matriks U kondisi optimalnya berarti konvergensi (tidak ada perubahan yang
signifikan) keanggotaan kelompok dalam FCM. Sedangkan X, c dan m adalah parameter input dari JFCM
c adalah banyaknya cluster yang memenuhi X, atau dengan kata lain c merupakan jumlah cluster yang diinginkan, dimana nilai c adalah 2 ≤ c ≤ N
m ≥ 1 adalah tingkat kefuzzyan (fuzziness exponen atau weighting exponen) dari hasil pengelompokkan. Parameter ini disebut dengan fuzzifier (klawon
dan hoppner, 2001). Berdasarkan penelitian yang dilakukan oleh kim et al nilai m yang paling ideal adalah 2, karena derajat keanggotaan yang terbentuk memiliki rentang 0 < uik < 1. Jika m = 1 (1,2; 1,4; 1,6; 1,8) maka derajat keanggotaan yang terbentuk akan berbentuk crisp (uik = 1 atau uik = 0) dan clustering akan bersifat hard clustering. Tetapi jika nilai m > 2 (2,2 ; 2,4; 2,4; 2,6; 2,8) ataupun m = ∞ maka memungkinkan akan kehilangan informasi dari derajat keanggotaan yang terbentuk (uik = 1/c)
uik adalah tingkat keanggotaan yang merupakan elemen dari matriks U
N jumlah obervasi
dik2 adalah jarak observasi yang dapat dirumuskan dengan:
dik2 (xk, pi) = || xk – pi ||
2 xk adalah pengamatan ke-k
pi adalah pusat cluster ke-i
Kondisi minimum fungsi objektif
Diberikan melaui optimasi parameter uik dan pi. Dimana persamaan untuk uik dan pi tersebut adalah:
(5) Dimana:
Pi adalah pusat cluster ke-i yang akan dicari nilainya
Uik adalah derajat keanggotaan ke-i pada cluster ke-k
Xk adalah nilai data ke-k
(6)
Dimana:
Uik adalah derajat keanggotaan baru ke-i yang terbentuk dari cluster ke-k
dik adalah jarak dari data ke-k ke pusat cluster ke-i
djk adalah jarak dari data ke-k ke pusat cluster lain ke-i
Algoritma pengelompokkan FCM diberikan sebagai berikut: 1. Menentukan banyaknya cluster (c) atau kelompok yang ingin dibuat 2. Menentukan nilai tingkat kefuzzian (m) untuk hasil pengelompokkan. Serta
menentukan nilai error terkecil yang diharapkan (ɛ), dengan ɛ > 0 3. Menginisialisasi awal semua nilai U ij secara random sebagai matriks partisi
awal (Uk) 4. Menghitung fuzzy cluster center (P) melalui persamaan pi 5. Update anggota matriks U(k+1) 6. Bandingkan nilai keanggotaan dalam matriks U, jika ||U(k+1) – U(k)|| < ɛ maka
sudah konvergen dan iterasi dihentikan. Jika ||U(k+1) – U(k)|| ≥ ɛ maka kembali kelangkah 3.
3. Pembahasan
1. Parameter Parameter yang digunakan dalam metode ini didasarkan pada penilaian
tugas harian maupun ujian untuk matakuliah perangkat lunak enterprise tahun ajaran 2011/2012. Dalam penelitian ini yang menjadi parameter atau kriteria dalam melakukan penilaian pengelompokkan adalah: a. Tugas
Pada penilaian tugas, setiap mahasiswa dinilai berdasarkan kemampuan mereka dalam menjawab: 1) Quiz Aspek ini digunakan untuk mengetahui kemampuan mahasiswa dalam menyerap meteri di kelas. 2) Project presentasi kasus Aspek ini digunakan untuk mengetahui kemampuan mahasiswa untuk menerapkan materi yang didapatkan kedalam sebuah kasus. Penilaian aspek project presentasi kasus dinilai berdasarkan: - Laporan makalah kelompok - Penguasaan materi presentasi - Kemampuan dalam menjawab pertanyaan, serta - Kemampuan memberikan pertanyaan kepada kelompok lain Secara keseleuruhan aspek tugas memiliki bobot 30%
3) Ujian Tengah Semester (UTS) Aspek UTS memiliki bobot penilaian 25%.
4) Ujian Akhir Semester (UAS) Aspek UAS memiliki bobot penilaian 35%
5) Absensi Aspek absensi memiliki bobot 10%
2. Perhitungan FCM Sample yang digunakan dalam proses clustering ini menggunakan 121
sample yang terdiri dari seluruh kelas ti-1, ti-2, ti-3, si dan ti-malem semester 6. Prosedur perhitungan yang dilakukan dengan menggunakan metode ini adalah: a. Menentukan parameter
Tabel 1, merupakan nilai dari parameter dan sub parameter yang digunakan. Untuk mendapatkan nilai parameter tugas maka, nilai project presentasi dan nilai quiz dijumlahkan kemudian di kalikan sesuai bobot yang ditentukan.
14509119 REZA MOH. SAID 0,5000 0,4000 0,5000 0,4000
Apabila nilai cluster dari mahasiswa ahmad qomarudin dijumlahkan, maka
akan menghasilkan nilai 2,3403 (0,9889 + 0,6754 + 0,6555 + 0,0205 = 2,3403). Nilai ini kemudian akan digunakan untuk menghitung normalisasi derajat keanggotaan pada Table 3 dengan menggunakan rumus (2) menjadi:
Table 4. Normalisasi derajat keanggotaan
NRP NAMA µ1 µ2 µ3 µ4
14509113 AHMAD QOMARUDIN 0,4226 0,2886 0,2801 0,0088
14509119 REZA MOH. SAID 0,2778 0,2222 0,2778 0,2222
Nilai µ1 = 0,4226 untuk Ahmad qomarudin didapat dari 0,9889 / 2,3403. Nilai µ2 = 0,2886 didapat dari 0,6754 / 2,3403. Nilai µ3 = 0,2801 didapat dari 0,6555 / 2,3403. Dan nilai µ4 = 0,0088 didapat dari 0,0205 / 2,3403. d. Menghitung pusat cluster
Berdasarkan persamaan (5), maka didapatkan pusat cluster sebagai berikut: Tabel 5. Pusat Cluster
PARAMETER 1 PARAMETER 2 PARAMETER 3 PARAMETER 4
cluster 1 43,4175 13,3582 28,5282 10,7499
cluster 2 41,8583 12,7634 29,1629 9,8109
cluster 3 44,0549 13,0326 27,2704 9,7671
cluster 4 44,6895 13,4867 28,0591 10,1331
e. Langkah selanjutnya yaitu mencari perbaikan derajat keanggotaan berdasarkan persamaan (6). Iterasi akan berhenti setelah masuk ke iterasi kedua. Sehingga derajat keanggotaan baru yang terbentuk pada iterasi kedua adalah:
Table 6. Hasil clustering
NRP NAMA µ1 µ2 µ3 µ4 CLUSTER
1 CLUSTER
2 CLUSTER
3 CLUSTER
4
14509113 AHMAD QOMARUDIN 0,23 0,61 0,01 0,15 V
14509133 BOWO RACHMADI 0,30 0,16 0,01 0,53 V
14509074 CECEP HERI 0,29 0,22 0,13 0,35 V
14509087 DEDE IRFANSYAH 0,32 0,19 0,03 0,47 V
14509092 DODY SUKMADILAGA ARDY 0,24 0,20 0,30 0,27 V
14509107 EEP SAEFUDIN ZUHRI 0,27 0,11 0,00 0,62 V
14509940 EKY WAFY SPARINGGA 0,37 0,19 0,01 0,42 V
14509139 HARYADI HANDHESTIA 0,24 0,28 0,25 0,23 V
14509061 KHAERONI 0,31 0,21 0,06 0,42 V
14509079 MAULANA PRASETYA 0,32 0,22 0,03 0,42 V
14509057 NADIN SYAHRONI 0,31 0,21 0,05 0,43 V
14509075 RAHADI DARMAWAN 0,31 0,18 0,04 0,46 V
14509142 RAKHMAT FAISAL 0,24 0,28 0,25 0,23 V
14509119 REZA MOH. SAID 0,31 0,22 0,07 0,40 V
4. Kesimpulan
Berdasarkan pada proses hasil clustering yang dilakukan pada 121 mahasiswa dengan menggunakan 4 paramater penilaian, maka dapat disimpulkan bahwa: 1. Yang masuk pada cluster pertama adalah para mahasiswa yang memiliki
nilai rata-rata 91,29 dengan: rata-rata tugas 37,46; rata-rata UTS 12,59; rata-rata UAS 29,86 dan rata-rata absensi 11,38. Data mahasiswa yang masuk pada cluster pertama adalah sebagai berikut:
17 14509062 RIZA AHMAD SEPTIAN 92,10 15,00 35,00 13,00
AVEGARE 88,80 17,50 35,00 12,50
4. Mahasiswa yang masuk pada cluster keempat adalah para mahasiswa yang memiliki nilai rata-rata 113,99 dengan: rata-rata tugas 54,91; rata-rata UTS 15,35; rata-rata UAS 31,90 dan rata-rata absensi 11,83
