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)

Clasifier tidak menggunakan model apapun untuk dicocokkan . Biasanya untuk mengatasi masalah tersebut siswa hanya berkonsultasi secara langsung kepada guru wali kelas. KNN adalah metode klasifikasi dengan mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan. SMART. Technique).1 Latar Belakang Saat ini masih banyak siswa SMA yang bingung dan ragu untuk menentukan jurusan apa yang sesuai dengan kemampuan mereka masing-masing. dan BAHASA. Untuk menghitung nilai raport siswa digunakan metode KNN (K-Nearest Neighbor). 1.1. TINJAUAN PUSTAKA 2. kita mengelompokkan suatu data baru berdasarkan jarak data baru itu ke beberapa data/tetangga (neighbor) terdekat. PENDAHULUAN telah dihitung menggunakan metode KNN akan diproses menggunakan Pemilihan metode ini metode metode dapat yang akan 1. dan saran orang tua. Pada penelitian ini dibuat suatu aplikasi sistem pengambilan jurusan keputusan pada siswa untuk SMA. Setelah itu semua kriteria termasuk nilai raport siswa yang mengklasifikasikan obyek baru berdasarkan atribut dan training sample. [1] Teknik ini termasuk dalam kelompok klasifikasi nonparametric. Padahal penentuan jurusan adalah masalah yang sangat penting karena berpengaruh pada pemilihan perguruan tinggi. IPS. Dalam menentukan jurusan pada siswa SMA dibutuhkan nilai rata-rata raport siswa kelas X semester 1 dan 2. 2. dikarenakan pengambilan Sehingga keputusan diharapkan tercipta suatu sistem pengambilan keputusan yang akurat dan dapat menyelesaikan permasalahan dalam menentukan jurusan pada siswa SMA. BP atau dengan orangtua masing-masing yang dilakukan secara manual sehingga memakan waktu yang cukup lama. Mirip dengan teknik klastering. Di sini kita tidak memperhatikan distribusi dari data yang ingin kita kelompokkan. Teknik ini sangat sederhana dan mudah diimplementasikan.2 Tujuan Tujuan penelitian ini adalah membuat suatu aplikasi sistem pendukung keputusan untuk membantu Guru maupun Siswa SMA dalam menentukan jurusan menggunakan metode KNN (K-Nearest Neighbor) dan SMART (Simple Multi Attribute Rating perkembangan teknologi hal itu bukan menjadi masalah lagi karena sudah banyak aplikasi yang dibuat untuk menyelesaikan masalah tersebut.1 Metode KNN (K-Nearest Neighbor) Prinsip kerja K-Nearest Neighbor (KNN) adalah mencari jarak terdekat antara data yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan. minat siswa. Tetapi seiring dengan pembobotan SMART melakukan multiatribut. Selain itu pengambilan keputusan yang dilakukan secara manual oleh wali kelas atau guru BP dianggap kurang akurat karena bersifat subyektif. [4] Tujuan algoritma KNN adalah menentukan Penjurusan yang ada pada siswa SMA terbagi menjadi 3 jurusan yaitu IPA. hasil tes psikologi.

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.

Bahasa Indonesia. Hasil akhir yang dikeluarkan oleh program nanti berasal dari jumlah keseluruhan dari nilai setiap kriteria. PEMBAHASAN adalah jurusan IPA.Pembuatan program dan implementasi dilakukan secara bertahap dengan acuan studi literatur dan perancangan sistem yang telah dibuat. Dokumentasi ini dibuat untuk menjelaskan aplikasi agar memudahkan orang lain yang ingin mengembangkan aplikasi lebih lanjut. 5. Adapun kriterianya adalah: 1. 2. Hasil test psikologi 3. IPS. dibutuhkan untuk 4. atau BAHASA. Sejarah. Perancangan sistem yang telah dibuat akan diimplementasikan pada bahasa pemrograman yang telah disepakati. mengevaluasi jalannya program. Ekonomi. Geografi. Minat siswa. setelah itu baru melakukan login. dan Bahasa Jepang. Bahasa Inggris. Saran/anjuran orang tua .3 Uji Aplikasi dan User Interface 1. dan mengadakan perbaikan jika ada kekurangan. 4.1 Tabel Data Bobot 100% Saran Nilai Raport 30 (100%) Test Psikologi 20 (100%) 70 30 Minat Siswa 40 (100%) 70 30 10 (100%) 100 Orang Tua Bobot ini berdasarkan kepentingan dari tiap-tiap kriteria yang telah ada. yaitu: Biologi. 4. Pengujian dan Evaluasi Pada tahap ini dilakukan uji coba program untuk mencari masalah yang mungkin timbul.2 Analisa Output Keluaran yang dihasilkan dari penelitian ini adalah sebuah alternatif yang memiliki nilai tertinggi dibandingkan dengan alternatif yang lain. 6. dan 4. 4. Seni Budaya. sebanyak 12 mata Fisika. Sosiologi. karena dalam setiap kriteria memiliki nilai yang berbeda-beda. Penyusunan Laporan Penelitian Penyusunan laporan dilakukan pada tahap akhir sebagai dokumentasi dari Adapun bobot dari setiap kriteria yang telah ada adalah: Tabel 3. Alternatif yang dimaksud pelaksanaan Penelitian. Matematika. Rata-rata nilai raport semester 1 dan 2. Pada penelitian ini hasil keluarannya diambil dari urutan alternatif tertinggi ke alternatif terendah. pelajaran Kimia. Form Utama Sebelum login admin maupun user masuk ke menu utama terlebih dahulu.1 Analisa Input Dalam metode penelitian ini ada bobot dan kriteria yang menentukan jurusan apa yang cocok bagi siswa tersebut.

Gambar 1 Menu Utama 2.3. Nilai Raport = 30 % .1 Gambar 5 Form Proses SMART Analisa Uji Coba metode KNN dan SMART dengan cara memilih siswa mana yang akan diproses dan dapat juga dilakukan dengan cara memproses siswa dalam 1 kelas sekaligus. Uji Coba I:  Dengan menggunakan 4 kriteria di atas dengan bobot: 1. Pada proses uji coba ini akan dilakukan 3 uji coba dengan menggunakan data atau kriteria yang sama akan tetapi memiliki bobot yang berbeda. Bentuk tampilan dari form login adalah sebagai berikut: Gambar 4 Form Proses KNN Gambar 2 Form Login 3. Form Penjurusan Pada form ini admin dapat melakukan proses penjurusan dengan menggunakan 4. Dalam form ini diminta mengisikan username serta password sebagai identifikasi siapa yang boleh Gambar 3 Form Penjurusan mengakses ataupun untuk keamanan apikasi. Form Login Form login berfungsi untuk membatasi hak akses pada user dalam mengakses ataupun menggunakan aplikasi ini.

Sedangkan hasil penjurusan yang paling sedikit kesamaanya dengan data yang asli yaitu pada kelas X-5 hanya 13 siswa saja dari 33 siswa yang ada pada kelas tersebut. Uji Coba II:  Dengan menggunakan 4 kriteria di atas dengan bobot: 1. Saran Orang Tua = 10 % Maka diperoleh hasil perhitungan dengan menggunakan metode KNN dan SMART sebagai berikut: Untuk kelas X-7: 3. Test Psikologi = 20 % kesamaanya dengan data yang asli (hasil dari penjurusan yang dilakukan oleh guru BP secara manual) yaitu pada kelas X-4 sebanyak 19 siswa dari 33 siswa yang ada pada kelas tersebut. Sedangkan hasil penjurusan yang paling sedikit kesamaanya dengan data yang asli yaitu pada kelas X-5 dan X-8 hanya 14 siswa saja dari 33 dan 34 siswa yang ada pada kelas tersebut.2. Test Psikologi = 20 % 3. Nilai Raport = 35 % 2. Minat Siswa = 40 % 4. Saran Orang Tua = 5 % Maka diperoleh hasil perhitungan dengan menggunakan metode KNN dan SMART sebagai berikut: Untuk kelas X-7: Dari hasil perhitungan tersebut diperoleh hasil penjurusan yang paling banyak hasil Dari hasil perhitungan tersebut diperoleh penjurusan yang paling banyak kesamaanya dengan data yang asli (hasil dari penjurusan yang dilakukan oleh guru BP secara manual) yaitu pada kelas X-7 sebanyak 20 siswa dari 32 siswa yang ada pada kelas tersebut. Minat Siswa = 40 % 4.: Uji Coba III: .

Untuk siswa yang masuk dalam jurusan IPA sebanyak 8 siswa. Test Psikologi = 15 % 3. Dengan menggunakan 4 kriteria di atas dengan bobot: 1.5 %. dihitung dari total hasil jumlah jurusan dengan kesamaanya dengan data yang asli (hasil dari penjurusan yang dilakukan oleh guru BP secara manual) yaitu pada kelas X-7 sebanyak 16 siswa dari 32 siswa yang ada pada kelas tersebut.2 Hasil Analisa Uji Coba Dari ketiga hasil uji coba diatas. Dengan menggunakan metode KNN dan SMART dapat diperoleh hasil yang cukup mendekati keakuratan dari data yang telah ada sebesar 62. Nilai Raport = 20 % 2. IPS sebanyak 23 siswa.3. menggunakan metode KNN dan SMART sebanyak 20 siswa dibagi dengan jumlah banyaknya siswa dalam 1 kelas tersebut sebanyak 32 siswa. Saran Orang Tua = 5 % Maka diperoleh hasil perhitungan dengan menggunakan metode KNN dan SMART sebagai berikut: Untuk kelas X-7: 4. Dengan menggunakan metode KNN dan SMART dalam kelas yang sama dan jumlah siswa yang sama diperoleh hasil penjurusan bagi siswa untuk jurusan IPA sebanyak 15 siswa. KESIMPULAN Setelah menyelesaikan Rancang Bangun Perangkat Lunak Sistem Pendukung Keputusan untuk Menentukan Jurusan Pada Siswa SMA Menggunakan Metode KNN (KNearest Neighbor) dan SMART dapat diambil Dari hasil perhitungan tersebut diperoleh hasil penjurusan yang paling banyak beberapa kesimpulan sebagai berikut : 1. dapat diketahui bahwa dalam penentuan bobot untuk masing-masing kriteria sangatlah berpengaruh pada hasil yang akan diperoleh dalam perhitungan dengan menggunakan metode KNN dan SMART. Jadi dari ketiga uji coba di atas yang memiliki hasil penjurusan paling banyak kesamaanya dengan data yang asli yaitu ditunjukkan pada uji coba I. 5. . pada siswa kelas X-7 sebanyak 32 siswa dalam 1 kelas. IPS sebanyak 15 siswa. Sedangkan hasil penjurusan yang paling sedikit kesamaanya dengan data yang asli yaitu pada kelas X-5 hanya 5 siswa saja dari 33 siswa yang ada pada kelas tersebut. Minat Siswa = 60 % 4. dan Bahasa sebanyak 2 siswa. dan Bahasa hanya 1 siswa.

com/2010/02/13/buku-ta-k-nearestEvan. Universitas Ardhitya. Eko. [8]. <URL:http://psimeduii. Sudarsono.scribd. Yogyakarta: Andi dan Komputer: Wahana. Neighbor. Diakses 22 Maret 2010 [6]. Indriyawan. Sri. Yoyon. Step by Step Delphi 2010 Programming. Yogyakarta: Graha Ilmu. Budi. 2008. Analisis dan Perancangan Sistem. Prabowo.wordpress. 2008. [9]. Kusumadewi.co m/2009/10/makalah-tedi-pkmi_revisi_. [10]. http://www. Rational Rose untuk Pemodelan Berorientasi Objek. Rancang Bangun Aplikasi Penentu Bidang Studi menggunakan metode KNN dan SMART ini digunakan untuk menentukan jurusan bagi siswa SMA berdasarkan bobot dan kriteria yang sudah ditentukan. Sri.wordpress. 2010.files. Keputusan Berbasis Pocket PC sebagai Penentu Status Gizi Menggunakan Metode KNN (K-Nearest Neighbor). Diakses 19 Maret 2010. Wahyu.com/doc/115928 33/Pedomanpedoman-Dalam-MembuatFlowchart> Diakses pada 17 April 2010.. Bangkalan: Universitas Trunojoyo [4].net/youngyon/progr es-penjurusan-smu-presentation. Santosa.ppt> Diakses pada 28 Maret 2010 [3]. [5]. 6. 2005. Nugroho.pdf>. DAFTAR PUSTAKA Rismawan. 2006. [1]. 2010. Estu.slideshare. Yofiyanto. Sistem Pendukung [7]. Rahyono W.htm>. Perguruan Tinggi Berdasarkan Minat dan Bakat dengan Menggunakan Tugas Akhir. <URL:http://www. Latief.2. Trunojoyo Metode Bangkalan: Madura. SMART. [2]. <URL:http://kuliahinformatika. Perancangan dan Pembuatan Perangkat Lunak SPK Seleksi Pemohon Beasiswa dengan Pendekatan metode AHP. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Bidara Z. Aplikasi Sistem Pendukung Menentukan Keputusan Jurusan pada untuk SMU menggunakan metode KNN (K-Nearest Neighbor). <URL: Bandung: Informatika. K-Nearest . 2005. Sistem pendukung keputusan neighbor-knn/. Adi. Yogyakarta: Andi. Tedy. Wiedha Irawan. 2007. Pemrograman Database meningkatkan kemampuan database Menggunakan Delphi dan MSSQL Server. M. Sulistiyani.

Sign up to vote on this title
UsefulNot useful