rancang bangun aplikasi rekomendasi...
Post on 17-Apr-2019
218 Views
Preview:
TRANSCRIPT
JURNAL TEKNIK POMITS Vol. 1, No 1, (2014) 1-6
1
Abstrak— Proses pemilihan mahasiswa berprestasi adalah salah
satu agenda dari Direktorat Pendidikan Tinggi (DIKTI) untuk
memberikan apresiasi kepada mahasiswa yang memiliki prestasi
lebih. Pada proses pemilihan mahasiswa berprestasi tingkat jurusan
mengalami kendala dalam pemilihan kandidat sebab pemilihan
yang dilakukan selama ini dirasa belum tepat sebab hanya melihat
dari satu aspek kriteria saja dan mengabaikan aspek penilaian yang
lain. Hal ini menyebabkan kecepatan dan ketepatan dalam
pemilihan mahasiswa berprestasi menjadi lambat dan kurang
akurat. Guna membantu tim seleksi untuk memilih mahasiswa
berprestasi, maka pada program ini dilakukan teknik clustering.
Teknik clustering yang digunakan adalah K-Means clustering.
Dengan adanya sistem ini maka proses pemilihan mahasiswa
berprestasi menjadi lebih cepat dan akurat. Kakas ini memberikan
rekomendasi nama mahasiswa yang layak mewakili jurusan untuk
maju ke kompetisi mawapres tingkat selanjutnya. Masukan pada
program ini adalah kriteria beserta nilai dari setiap mahasiswa yang
ada kemudian dari masukan tersebut dilakukan proses
pengelompokan dengan menggabungkan semua kriteria yang ada.
Proses tersebut menghasilkan rekomendasi nama. Kakas telah diuji
coba dengan menggunakan tiga kriteria yang berbeda. Proses uji
coba tersebut kemudian menghasilkan sebuah kelompok yang
berbeda dari setiap mahasiswa dan ada beberapa mahasiswa yang
berada dalam satu kelompok yang sama.
Kata Kunci—ASP.NET, Clustering, K-Means.
I. PENDAHULUAN
endidikan nasional berfungsi untuk mengembangkan
kemampuan dan membentuk watak serta peradaban bangsa
yang bermartabat. Pendidikan nasional bertujuan untuk
mengembangkan potensi mahasiswa [1].
Dalam era persaingan bebas membutuhkan lulusan yang
memiliki kemampuan soft skills dan hard skills. Perguruan
tinggi memiliki program untuk menjaring mahasiswa yang
memiliki kemampuan sama baiknya antara soft skills dan hard
skills.
Mahasiswa Berprestasi (Mawapres) adalah kegiatan tahunan
yang diadakan oleh perguruan tinggi. Mawapres bertujuan
mencari mahasiswa yang memiliki kemampuan akademik dan
non akademik yang sesuai kriteria. Sistem yang ada saat ini
dirasa tidak efisien untuk diterapkan dalam mencari mahasiswa
berprestasi.
Tugas Akhir ini membuat suatu sistem yang memudahkan
mahasiswa dan jurusan dalam melakukan penyeleksian. Sistem
ini pada fase awal memilih siapa saja mahasiswa yang
berpeluang untuk mengikuti program Mawapres. Fase awal
sistem melakukan proses pengelompokan terhadap kriteria-
kriteria yang ada. Kriteria tersebut diproses dengan
menggunakan metode pengelompokan K-Means.
Diharapkan dengan adanya sistem ini dapat memberikan
rekomendasi mahasiswa yang layak maju sebagai Mawapres.
II. TINJAUAN PUSTAKA
A. Algoritma K-Means
Algoritma K-Means merupakan metode pengelompokan
berbasis jarak yang membagi data-data ke dalam sejumlah
kelompok. Proses pengelompokan tersebut dilakukan dengan
memperhatikan kumpulan dari data-data yang dikelompokkan.
Pada algoritma ini, pusat kelompok (centroid) dipilih pada
tahap awal secara acak dari sekumpulan koleksi populasi data.
K-Means menguji masing-masing komponen di dalam populasi
data dan menandai komponen tersebut ke dalam salah satu
pusat kelompok.
Posisi pusat kelompok dihitung kembali sampai semua
komponen data dikelompokkan ke setiap pusat kelompok.
Proses ini berakhir setelah terbentuk posisi pusat kelompok
baru. Iterasi ini terus dilakukan sampai tercipta kondisi
kestabilan [2].
B. Cohen’s Kappa
Cohen’s Kappa merupakan ukuran yang menyatakan
konsistensi pengukuran yang dilakukan dua orang penilai
(Rater) atau konsistensi antar dua metode pengukuran atau
dapat juga mengukur antar dua alat pengukuran. Koefisien
Cohen’s Kappa hanya diterapkan pada hasil pengukuran data
kualitatif (kategorik) [3].
𝐾 =Pr(𝑎) − Pr(𝑒)
1 − Pr(𝑒)
Persamaan 1. Rumus Perhitungan Konsistensi
Dengan:
Pr(a) = Persentase jumlah pengukuran yang konsisten antar
rater,
Pr(e) = Persentase jumlah perubahan pengukuran antar penilai.
III. ANALISIS DAN PERANCANGAN
Bagian ini membahas tahap analisis permasalahan dan
perancangan dari sistem yang dibangun. Analisis permasalahan
membahas mengenai analisis kebutuhan yang menjadi dasar
pada tahap perancangan. Pada perancangan sistem dibahas
mengenai perancangan tiap-tiap proses yang telah dijabarkan
pada analisis sebelumnya.
A. Analisis Permasalahan
Permasalahan utama yang diangkat dalam pembuatan
Tugas Akhir ini adalah bagaimana merekomendasikan nama-
nama yang layak maju Mawapres. Permasalahan kedua yaitu
bagaimana mengelompokkan kriteria dengan menggunakan
pengelompokan K-Means.
Rancang Bangun Aplikasi Rekomendasi Mawapres
Tommy Anandra Sunardi, Siti Rochimah, dan Rizky Januar Akbar
Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e-mail: siti@its-sby.edu
P
JURNAL TEKNIK POMITS Vol. 1, No 1, (2014) 1-6
2
B. Deskripsi Umum Sistem
Sistem yang dibuat yaitu berupa kakas bantu. Kakas bantu
ini terbagi menjadi dua aktor yakni mahasiswa dan dosen. Pada
halaman utama sistem menampilkan hasil rekomendasi nama-
nama mahasiswa yang layak maju pada tahapan selanjutnya.
IV. IMPLEMENTASI
A. Implementasi Proses Rekomendasi
Bagian ini menjelaskan tentang implementasi proses-proses
pada perangkat lunak yang dikembangkan dalam Tugas Akhir
ini. Penjelasan mengenai implementasi proses pada rancang
bangun aplikasi mawapres yakni implementasi proses
pengelompokan dengan menggunakan algoritma K-Means.
Terdapat dua kelas pada aplikasi ini yaitu kelas
mahasiswa dan kelas clustering. Pada kelas
mahasiswa diinisialisasi atribut yang digunakan pada kelas
clustering. Hal ini berguna agar pada saat membutuhkan
atribut tersebut tidak perlu melakukan inisialisasi lagi setiap
melakukan pemanggilan.
Sedangkan untuk kelas clustering terdapat beberapa
fungsi di dalamnya. Fungsi dalam kelas clustering ini
digunakan untuk melakukan proses pengelompokan.
Implementasi kelas diagram terdapat pada Gambar 1.
Gambar 1. Kelas Diagram
B. Implementasi Proses Normalisasi Data
Pada kasus ini data yang dimasukkan skalanya masih belum
normal oleh karena itu, fungsi normalisasi ini bertujuan untuk
menormalisasi data menjadi skala yang sama yaitu skala 0-1.
Jika tidak dilakukan proses normalisasi maka akan terjadi
outliers.
Outliers adalah data yang menyimpang terlalu jauh dari data
yang lain dalam suatu rangkaian data. Dengan adanya outliers
ini menyebabkan analisis terhadap suatu data menjadi bias atau
tidak mencerminkan fenomena yang sebenarnya [4].
C. Penentuan Pusat Kelompok Awal
Penentuan pusat kelompok ini menggunakan nilai hasil dari
proses normalisasi data. Nilai dari hasil proses
normalisasi data akan dilakukan proses pengurutan data
lalu dibandingkan antara nilai yang satu dengan nilai lainnya.
D. Implementasi Proses Mengelompokkan Data
Proses mengelompokkan data adalah proses lanjutan setelah
proses penentuan pusat kelompok. Pada proses
mengelompokkan data bertujuan untuk mengelompokkan data
hasil normalisasi dan hasil setelah menentukan pusat kelompok
dan jumlah kelompok.
V. PENGUJIAN DAN EVALUASI
Lingkungan pengujian sistem pada pengerjaan artikel ini
dilakukan pada lingkungan dan alat kakas sebagai berikut:
Processor Intel(R) Core(TM) i5-2450M @2.40GHz
Memori (RAM) 4,00 GB
Sistem Operasi Windows 8 Enterprise (64-bit).
Visual Studio 2010
ASP.NET 4.0
Pengujian dilakukan terhadap fungsionalitas dari aplikasi
yang dirancang, pengujian ini dilakukan untuk menguji apakah
fungsionalitas yang diidentifikasi pada tahap kebutuhan benar-
benar diimplementasikan dan berjalan seperti semestinya.
Selain itu, dilakukan pula pengujian konsistensi hasil
pengelompokan dengan menggunakan metode Cohen’s Kappa.
Hasil dari proses rekomendasi ini adalah mahasiswa dengan
nilai diatas rata-rata. Hasil dari proses rekomendasi ditunjukkan
pada Gambar 2.
Dari hasil proses rekomendasi tersebut dihitung konsistensi
pemilihannya antara dosen dengan sistem. Hasil perhitungan
konsistensi dapat dilihat pada Tabel 1. Hasil penghitungan ini
dibagi berdasarkan kriteria yang ditentukan SB = sangat baik,
B= baik, C= cukup, K= kurang. Pr(a) adalah persentase jumlah
penghitungan yang konsisten antar penilai. Pr(a) dibagi dengan
jumlah total data (n). Jumlah total data pada studi kasus Tugas
Akhir ini adalah 81.
Gambar 2. Hasil Proses Rekomendasi
JURNAL TEKNIK POMITS Vol. 1, No 1, (2014) 1-6
3
Tabel 1. Penghitungan Konsistensi
Sistem
SB B C K
Dosen SB 3 5 0 0
B 2 9 11 1
C 0 3 13 12
K 0 0 0 22
Pr(a) = (SB+SB) + (B+B) + (C+C) + (K+K) / n
= 0.58
Hasil dari konsistensi setiap kriteria yang ada dijumlahkan
sesuai dengan kriteria masing-masing. Penjumlahan ini
melibatkan dua rater (penilai) yakni dosen dan sistem. Hasil
penjumlahan setiap kategori ini nantinya digunakan untuk
mengukur jumlah perubahan pengukuran antar penilai.
Perubahan pengukuran ini dihitung dengan cara mengkalikan
hasil perhitungan setiap kriteria dan membagi dengan jumlah
total data. Setelah mendapatkan nilai perubahan pengukuran
antar penilai, maka selanjutnya adalah menjumlahkan setiap
hasil total perubahan yang nantinya menjadi nilai dari Pr(e).
Nilai Pr(e) inilah yang nantinya di proses untuk mendapatkan
nilai akhir dari koefisien Kappa.
Tabel 2. Persentase Perubahan Pengukuran Antar Penilai
Total Perubahan Pr(e)
SB 0.5
B 4.8
C 8.3
K 9.5
Total 23
Nilai Koefisien Kappa:
𝐾 =47 − 23
81 − 23
𝐾 = 0.41
Dari hasil pengukuran konsistensi dengan menggunakan
algoritma pengukuran konsistensi Cohen’s Kappa dapat
disimpulkan bahwa sensitifitas antara dua penilai yaitu dosen
dan sistem memiliki nilai akhir 0.41 dimana pada Cohen’s
Kappa jika memiliki sensitifitas sama maka nilai koefisien
menunjukkan nilai mendekati angka satu, namun jika
sensitifitas kedua penilai tersebut berbeda maka akan
mendekati angka nol. Hal ini dapat dilihat pada nilai koefisien
Cohen’s Kappa pada Tabel 3 [5].
Tabel 3. Persentase Perubahan Pengukuran Antar Penilai
Nilai K (Strength of agreement)
< 0.20 Rendah (Poor)
0.21 – 0.40 Lumayan (Fair)
0.41 – 0.60 Cukup (Moderate)
0.61 – 0.80 Kuat (Good)
0.81 – 1.00 Sangat Kuat (Very Good)
Terlihat bahwa dari hasil penghitungan dengan
menggunakan Cohen’s Kappa bahwa nilai koefisiennya
termasuk dalam kategori cukup (Moderate). Hal ini
mengindikasikan kesepakatan antara kedua penilai memiliki
tingkat kesepakatan yang cukup sama.
Dari hasil penilaian dua penilai tersebut kemungkinan
terjadi perbedaaan penilaian, kemungkinan ini terjadi
disebabkan karena antara dua penilai menggunakan metode
penilaian yang berbeda. Dosen menggunakan metode penilaian
ambang batas sedangkan untuk sistem metode penilaiannya
menggunakan metode pengelompokan.
VI. KESIMPULAN DAN SARAN
Dari hasil pengamatan selama perancangan, implementasi,
dan proses pengujian yang dilakukan, kesimpulan yang dapat
diambil berdasarkan rumusan masalah yang ada adalah sebagai
berikut ini:
1. Sistem dapat memberikan rekomendasi mahasiswa
berprestasi dari masukan kriteria yang diberikan. Hal ini
ditunjukkan dengan nilai mahasiswa yang lolos mawapres
memiliki nilai diatas rata-rata.
2. Sistem dapat membaca masukan kriteria melalui dokumen
Excel hingga kriteria yang dituliskan pada dokumen Excel
masuk ke dalam basis data sesuai format yang diberikan.
3. Sistem dapat memberikan penilaian akhir dengan
melakukan metode penghitungan yang telah ditentukan.
4. Pengukuran konsistensi penilaian antara dua penilai
termasuk dalam kategori kesepakatan cukup (Moderate).
Pada kesempatan pengembangan aplikasi selanjutnya
penulis menyarankan agar dapat menyimpulkan mahasiswa
berprestasi dengan kriteria seperti apa dan menjadikan sistem
mawapres sebagai plug in di dalam sistem akademik integra.
VII. DAFTAR PUSTAKA
[1] Dikti, Pedoman Pemilihan Mahasiswa Berprestasi Program Sarjana,
Jakarta: Illah Sailah, 2013.
[2] Y. Agusta, “K-means,” [Online]. Available:
http://yudiagusta.files.wordpress.com/2008/03/k-means.pdf. [Diakses 19
April 2014].
[3] “Uji Kompetensi Cohens Kappa,” [Online]. Available: http://research-
indonesia.blogspot.com/2012/06/uji-konsistensi-cohens-kappa.html.
[Diakses 10 Juni 2014].
[4] “Data Mining Outliers,” [Online]. Available:
http://icarusdm.wordpress.com/2012/03/17/data-mining-outlier/.
[Diakses 20 April 2014].
[5] A. Kunz, “Misclassification and kappa-statistic,” dalam theoretical
relationship and consequences in application, p. 10.
top related