# SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN JURUSAN PADA SISWA SMA MENGGUNAKAN METODE KNN DAN SMART

Yeni Kustiyahningsih, Devie Rosa Anamisa, Nikmatus Syafa’ah Jurusan Teknik Informatika, Fakutas Teknik, Universitas Trunojoyo Jl. Raya Telang PO. BOX 2 Kamal, Bangkalan, Madura, 691962

ykustiyahningsih@yahoo.com Abstract
The development of technology has great influences in a science one of the example is a process decision support stipulation of degree for Senior High School student. This stipulation of degree is important problem because it can be influenced in choosing of academy. Hence, this process decision support is working outstandingly manually by the regent’s class or BP’s teacher that is less a ccurate because of subjectivity. Because of that to stipulate the degree to senior high school student, it is used KNN and SMART method. KNN (K-Nearest Neighbor) is classification method with to look for the nearest data to data which will be evaluated with K nearest neighbor in training of data. Meanwhile SMART ( Simple Multi Attribute Rating Technique) is a decision support that is multi attribute. Data or input that is used in calculation KNN method is official school report which it will be produce a degree caused by official report. The result of degree caused by the official report will be proceed by using SMART method with the result of psychology test, student’s proclivity and parent’s suggestion. By using KNN and SMART method, that can be resulted a degree more optimal from the indicator or criteria that is entering by objective with the result that has more nearing the accurately for the data of 62.5 %. Key words: DSS (Decision Support System), KNN (K-Nearest Neighbor), SMART (Simple Multi Attribute Rating Technique)

2. Secara umum. Tangguh terhadap training data yang memiliki banyak noise.1. KNN perlu k menentukan (jumlah dari nilai dari parameter terdekat). Nilai k yang terbaik untuk algoritma ini tergantung pada data. ditemukan 4. Klasifikasi menggunakan voting terbanyak diantara training sample. . 2.1 Algoritma KNN 1. tetangga Training berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan. di   x i 1 p 2i  x1i  2 …(1) Keterangan: x1 = Sampel Data x 2 = Data Uji / Testing i = Variabel Data d = Jarak p = Dimensi Data Di bawah ini merupakan flowchart dari metode KNN: Kelemahan KNN (K-Nearest Neighbor): [5] 1. Tentukan urutan K 5. Kasus khusus dimana 2. Algoritma KNN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari query instance yang baru. Biaya komputasi cukup tinggi karena diperlukan perhitungan jarak dari tiap query instance pada keseluruhan Diberikan sejumlah k obyek atau (titik training) yang paling dekat dengan titik query. bekerja berdasarkan jarak terpendek dari query instance ke training sample untuk menentukan KNN-nya. Cari jumlah kelas dari tetangga yang terdekat dan tetapkan kelas tersebut sebagai dievaluasi Rumus KNN: kelas data yang akan jarak terdekat sampai klasifikasi diprekdisikan berdasarkan training data yang paling dekat (dengan kata lain. pada akan memori. Hitung jarak antara data yang akan dievaluasi dengan semua pelatihan 3. Efektif apabila training datanya besar. Nilai k yang bagus dapat dipilih dengan optimasi parameter.dan hanya berdasarkan titik query. nilai k yang tinggi akan mengurangi efek noise pada klsifikasi. 3. tetapi membuat batasan antara setiap klasifikasi menjadi semakin kabur. Urutkan jarak yang terbentuk (urut naik) 4. [5] Kelebihan KNN (K-Nearest Neighbor): [5] 1. k=1) disebut algoritma Nearest Neighbor. Pasangkan kelas yang bersesuaian 6. klasifikasi dari k obyek. misalnya dengan menggunakan cross-validation. Algoritma metode KNN sangatlah sederhana. Tentukan parameter K 2. Atribut mana yang harus digunakan untuk mendapatkan hasil terbaik.

nilai ini dirata-rata dengan skala tertentu. [5] Dengan SMART pembobotan atribut kemudian dilakukan normalisasi. Setiap atribut mempunyai bobot yang menggambarkan seberapa penting ia dibandingkan dengan atribut lain. .. Normalisasi = dilakukan dengan dua langkah yaitu: 1. J 1 m i  1. 2. Langkah kriteria 2. Analisa yang terlibat adalah transparan Tetapkan nilai K = 5 sehingga metode ini memberikan pemahaman Data Sampel Hitung Jarak Euclidian di   x i 1 p masalah yang tinggi dan dapat diterima oleh pembuat keputusan. 2. Teknik ini …(2) keputusan multiatribut Keterangan: wj = nilai pembobotan kriteria ke-j dan k kriteria u(ai) = nilai utility kriteria ke-i untuk kriteria ke-i Pemilihan keputusan adalah mengidentifikasi mana dari n alternatif yang mempunyai nilai fungsi terbesar.2.1 Flowchart dari Metode KNN 2.Start KNN SMART lebih banyak digunakan karena kesederhanaanya dalam merespon kebutuhan Input data testing pembuat keputusan dan caranya menganalisa respon. Pembobotan pada 2i  x1i  2 Urutkan hasil perhitungan jarak SMART menggunakan skala antara 0 sampai 1. Membuat kepentingan perbandingan setiap atribut rasio dengan w wj …(3) j Keterangan : wj  : bobot suatu kriteria w j : total bobot semua kriteria atribut lain dibawahnya. Langkah 2: sistem secara default memberikan skala 0-100 berdasarkan prioritas yang telah diinputkan 1: menentukan jumlah digunakan untuk membantu stakeholder dalam memilih antara beberapa alternatif. nilai pada masing-masing Hasil keputusan penentuan jurusan berdasarkan nilai raport Model yang digunakan dalam SMART: End u (ai )   w j ui (ai ).2 Metode SMART (Simple Multi Attribute Rating Technique) SMART merupakan metode pengambilan keputusan pembuatan yang multiatribut. Setiap alternatif terdiri dari sekumpulan atribut dan setiap atribut mempunyai nilai-nilai.1 Teknik SMART 1. sehingga mempermudah perhitungan dan Pilih alternatif terbanyak perbandingan alternatif.2.m Gambar 2.. Mengurutkan kepentingan suatu atribut dari level terburuk ke level terbaik..

Studi Literatur Studi literatur dilaksanakan dengan cara mengumpulkan dan mempelajari segala u (ai )   w j ui (ai ). 4. Sedangkan data pelatihan meliputi nilai-nilai siswa SMA.2 Flowchart dari Metode SMART . desain struktur data. Langkah 4: hitung nilai utility untuk setiap kriteria masing-masing. Perancangan Perangkat Lunak ini meliputi desain database.3. Perancangan Sistem Pada tahap ini dilaksanakan perancangan Hitung nilai utility untuk setiap kriteria u i ( ai )  100 (C max  C out i ) % (C max  C min ) Sistem Perangkat Lunak yang akan dibuat berdasarkan hasil studi literatur yang ada. J 1 m Di bawah ini merupakan flowchart dari metode SMART Start SMART macam informasi yang berhubungan dengan Penjurusan Siswa SMA. Langkah 5: hitung nilai akhir masingmasing. Input nilai kriteria untuk setiap alternatif 3. maka penulis sebagai penelitian (C  Cout i ) ui (ai )  100 m ax % (Cm ax  Cm in ) Keterangan : …(4) 1. 2. hasil tes psikologi. angket minat siswa dan saran orang tua serta ui(ai) : nilai utility kriteria ke-1 untuk kriteria ke-i Cmax : nilai kriteria maksimal Cmin : nilai kriteria minimal Cout i : nilai kriteria ke-i 5. Perancangan ini dengan membuat alur program. METODE PENELITIAN Untuk memperoleh gambaran yang jelas mengenai membuat berikut : penelitian metodologi ini. 4. Pengumpulan Data (Data Collecting) Data yang dikumpulkan yaitu data materi pembelajaran dan data pelatihan. desain Hitung nilai akhir u ( ai )   w j u i ( a i ) J 1 m Hasil keputusan penentuan jurusan algoritma dan pemrograman. Metode KNN (K-Nearest Input jumlah kriteria dan bobotnya Neighbor). data identitas pemilik nilai tersebut . Langkah 3: memberikan nilai kriteria untuk setiap alternatif. Sistem Pengambilan Keputusan. menentukan End algoritma yang sesuai agar program dapat berjalan dengan baik dan efisien. desain antar muka. desain aliran informasi. 3. Pembuatan Sistem Gambar 2. metode SMART (Simple Multi Attribute Rating Technique) dan segala hal yang berhubungan dengan model Normalisasi bobot pemrogramannya. Data materi pembelajaran diperoleh dengan cara pencarian artikel lewat internet dan pembelajaran buku referensi.