You are on page 1of 6

1

Analisa Pengelompokan Konsentrasi Program Studi
menggunakan K-Means Clustering


Ni Ketut Dewi Ari Jayanti, M.Kom
STMIK STIKOM Bali
Jl. Raya Puputan No. 86 Renon Denpasar, telp. 0361 244445
e-mail: daj@stikom-bali.ac.id


Abstrak
Dalam mewujudkan visi STMIK STIKOM Bali, salah satu Program Studi yang ada di STIKOM
Bali yaitu Program Studi Sistem Informasi memiliki misi menyelenggarakan program pendidikan secara
professional dan berkualitas untuk menghasilkan sumber daya manusia yang berkualitas. Untuk
mewujudkan misi tersebut Program Studi Sistem Informasi dalam menyusun kurikulum, menerapkan
Kurikulum Berbasis Kompetensi (KBK) dan didalamnya terdapat tiga konsentrasi yaitu Konsentrasi
Database, Konsentrasi Desain Visual dan Multimedia serta Konsentrasi Business Intelligence. Masing-
masing konsentrasi memiliki Mata Kuliah prasyarat yang harus dipenuhi oleh mahasiswa yang memilih
konsentrasi tersebut. Mahasiswa Program Studi Sistem Informasi menjelang semester ke enam, memilih
satu dari tiga konsentrasi yang diminati. Peminatan atau konsentrasi yang dipilih Mahasiswa, dianalisa
oleh Program Studi, apakah Mahasiswa tersebut memenuhi persyaratan atau layak untuk masuk ke
kelompok konsentrasi tersebut.
Saat ini, analisa pengelompokan Mahasiswa ke dalam konsentrasi yang diminati masih
dilakukan secara manual, sehingga perlu dibuatkan suatu analisa pengelompokan konsentrasi Program
Studi menggunakan K-Means Clustering guna membantu Program Studi dalam menentukan kelayakan
peminatan Mahasiswa berdasar pada feature / atribut nilai mata kuliah prasyarat. Dengan peminatan atau
konsentrasi, diharapkan Mahasiswa Program Studi Sistem Informasi dapat memiliki kompetensi dan siap
terjun ke dunia kerja.
Hasil penelitian analisa pengelompokan konsentrasi Program Studi menggunakan K-Means
Clustering ini, akan membantu sistem analis dan pengembang sistem dalam melakukan perancangan
sistem dan mengembangkannya kedalam sistem informasi

Kata kunci: Konsentrasi, Program Studi, K-Means Clustering

Abstract
In realizing the vision STMIK STIKOM Bali, one of the Bachelor degree in STIKOM Bali is
Information Systems department, that has a mission to conduct educational programs in a professional
and qualified to produce quality human resources. To realize this mission Information System department
in developing curriculum, implementing Competency Based Curriculum (CBC) and in which there are
three, namely majors Database, Design Visual and Multimedia and Business Intelligence. Each majors
Course prerequisites have to be met by students who choose this majors. Students of Information Systems
to six semesters ahead, choose one of three majors of interest. Specialization or majors of selected
students, analyzed by the department, the student is eligible to enter the majors group.
Currently, analysis of grouping students into the majors of interest is still done manually, so it
needs to be made an analysis of the majors grouping system uses the K-Means Clustering to assist in
determining the feasibility department based on the student specialization feature / attribute value of
prerequisite subjects. With a specialization or majors, is expected the Students of Information System
department are competent and ready to plunge into the world of work. The results of analysis grouping
Studies majors using the K-Means Clustering, will help the system analysts and system developers in
performing system design and develop them into information systems.

Keywords: Majors, Departement, K-Means Clustering

1. Latar Belakang

STMIK STIKOM Bali sebagai sebuah
Sekolah Tinggi ICT yang pertama di Pulau
Dewata, merupakan Sekolah Tinggi swasta
yang terus menerus melakukan peningkatan
kualitas pendidikan, penelitian dan pengabdian
pada masyarakat sesuai dengan tuntutan dan

2
kebutuhan masyarakat serta industri yang ada di
Bali. Saat ini STIKOM Bali telah memiliki
Mahasiswa dengan total keseluruhan 6000
orang. Setiap tahun jumlah Mahasiswa baru
meningkat dan tiga Program Studi di bawah
naungan STIKOM Bali telah menetapkan
kompetensi lulusannya, dan ini merupakan
kekuatan (Strength) bagi lembaga. Program
Studi S1 – Sistem Informasi merupakan
Program Studi yang bertujuan mewujudkan visi
STMIK STIKOM Bali yaitu menjadi Perguruan
Tinggi Unggulan bidang teknologi informasi
dan komunikasi baik ditingkat Nasional maupun
Internasional.
Dalam realitanya STIKOM Bali belum
cukup dikenal pada level Nasional maupun
Internasional. Jumlah sumber daya yang
memiliki kompetensi pada bidang keahlian
tertentu juga masih kurang. Hal ini merupakan
kelemahan (Weakness) yang masih menjadi
kendala bagi STIKOM Bali. Namun demikian,
saat ini beberapa Perguruan Tinggi swasta baik
Nasional maupun Internasional telah
bekerjasama dengan STIKOM Bali, diantaranya
Universitas Bina Nusantara Jakarta (Nasional)
dan Help University College Malaysia
(Internasional). Sehingga kesempatan
(Opportunity) STIKOM Bali menjalin
kerjasama dengan Perguruan Tinggi lain
sangatlah terbuka lebar, mengingat STIKOM
Bali sendiri telah tersertifikasi ISO 9001-2008.
Apabila dilihat 2 tahun terakhir ini, di Pulau
Bali sendiri telah berdiri beberapa Perguruan
Tinggi Swasta lain yang juga berbasiskan
teknologi informasi. Hal ini merupakan
tantangan (Threats) bagi STIKOM Bali untuk
tetap terdepan, sebagai perguruan Tinggi
“Always The First”.
Dalam mewujudkan visi STMIK
STIKOM Bali, salah satu Program Studi yang
ada di STIKOM Bali yaitu Program Studi
Sistem Informasi memiliki misi
menyelenggarakan program pendidikan secara
professional dan berkualitas untuk
menghasilkan sumber daya manusia yang
berkualitas. Untuk mewujudkan misi tersebut
Program Studi Sistem Informasi dalam
menyusun kurikulum, menerapkan Kurikulum
Berbasis Kompetensi (KBK) dan didalamnya
terdapat tiga konsentrasi yaitu Konsentrasi
Database, Konsentrasi Desain Visual dan
Multimedia serta Konsentrasi Business
Intelligence. Masing-masing konsentrasi
memiliki Mata Kuliah prasyarat yang harus
dipenuhi oleh mahasiswa yang memilih
konsentrasi tersebut. Mahasiswa Program Studi
Sistem Informasi menjelang semester ke enam,
memilih satu dari tiga konsentrasi yang
diminati. Peminatan atau konsentrasi yang
dipilih Mahasiswa, dianalisa oleh Program
Studi, apakah Mahasiswa tersebut memenuhi
persyaratan atau layak untuk masuk ke
kelompok konsentrasi tersebut. Saat ini, analisa
pengelompokan Mahasiswa ke dalam
konsentrasi yang diminati masih dilakukan
secara manual, sehingga perlu dibuatkan suatu
analisa pengelompokan konsentrasi Program
Studi menggunakan K-Means Clustering guna
membantu Program Studi dalam menentukan
kelayakan peminatan Mahasiswa. Dengan
peminatan atau konsentrasi, diharapkan
Mahasiswa Program Studi Sistem Informasi
dapat memiliki kompetensi dan siap terjun ke
dunia kerja.
Berdasarkan kondisi tersebut diatas,
maka dapat dirumuskan permasalahan yaitu
bagaimana menentukan pengelompokan
peminatan atau konsentrasi Mahasiswa pada
Program Studi Sistem Informasi serta
bagaimana melakukan analisa pengelompokan
konsentrasi Program Studi menggunakan K-
Means Clustering. Studi kasus yang akan
digunakan dalam penelitian ini adalah pada
Program Studi Sistem Informasi STIKOM Bali,
berdasarkan dokumen yang diperoleh didapat
features atau atribut yang diperoleh yaitu : Mata
Kuliah Prasyarat dan Nilai Mata Kuliah
Prasyarat. Penelitian ini hanya memberikan
alternatif dalam melakukan proses verifikasi
oleh Program Studi terhadap pemilihan
konsentrasi yang dilakukan oleh mahasiswa.

2. Metode Penelitian

Penelitian ini diawali dengan
pengumpulan data dan dilanjutkan dengan
menganalisa pengelompokan konsentrasi
menggunakan K-Means Clustering, dapat
dilihat pada Gambar 1.





Gambar 1. Metode Penelitian

Observasi
Survei dan
Analisa Data
Analisa
Konsentrasi
Prodi
menggunakan
K-Means
Clustering
PENGUMPULAN DATA

3
A. Pengumpulan Data dilakukan dengan :
1. Observasi , dengan melakukan
pengamatan secara langsung pada
proses-proses yang sedang berjalan,
yaitu :
a. mengkaji Kurikulum
b. proses penentuan
konsentrasi
c. penentuan nilai mata
kuliah prasyarat.
Sebelum pengkajian dilakukan akan
didahului dengan kegiatan
identifikasi dan inventarisasi kondisi
lembaga, teknologi informasi, dan
sumber daya manusia.
2. Survei, untuk mendapat gambaran
kondisi kesiapan Program Studi
dalam pengelompokan konsentrasi
dan juga kesiapan SDM. Sedangkan
analisa data, yaitu melakukan dengan
mempelajari material yang
menggambarkan sistem manual yang
sedang berjalan. Dokumen yang
diamati meliputi :
a. Kurikulum
b. Konsentrasi
c. Mata Kuliah Prasyarat
d. Nilai Mata Kuliah
Prasyarat
B. Analisa Konsentrasi Program Studi,
dilakukan berdasarkan hasil yang
diperoleh dari tahap pengumpulan data.
Berdasarkan tujuh (7) profil lulusan
Program Studi Sistem Informasi, maka
terbentuklah 3 konsentrasi yaitu
konsentrasi Database, Desain Visual dan
Multimedia, serta Business Intelligence.
Pembentukan konsentrasi dapat dilihat
seperti pada Gambar 2


Gambar 2. Pembentukan Konsentrasi
Prodi SI

Masing-masing konsentrasi memiliki mata
kuliah prasyarat yang menjadi dasar bagi
mahasiswa dalam peminatan atau
konsentrasi yang dipilih. Adapun mata
kuliah prasyarat masing-masing
konsentrasi serta nilai minimal dari
masing-masing mata kuliah tersebut adalah
:

Tabel 1. Mata Kuliah Prasyarat dan Nilai
Minimal

Pengelompokan Mahasiswa ke dalam
konsentrasi berdasarkan pada perolehan nilai
masing-masing mahasiswa terhadap mata kuliah
prasyarat.

3. Hasil dan Analisa
Hasil dan analisa membahas tentang
penerapan K-Means Clustering dalam
pengelompokan konsentrasi program studi, serta
hasil yang diperoleh.

3.1 Tahapan K-Means Clustering
Prosedur awal K-Means Clustering adalah
menentukan jumlah cluster, kemudian sembarang
obyek atau element pertama dalam cluster dapat
dipilih untuk dijadikan titik tengah (centroid
point) cluster, menentukan koordinat titik tengah
terhadap cluster, menentukan jarak setiap obyek
terhadap koordinat titik tengah dan
mengelompokkan obyek - obyek tersebut
berdasarkan pada jarak minimumnya. Algoritma
K-Means Clustering selanjutnya akan melakukan
pengulangan langkah – langkah tersebut hingga
terjadi kestabilan atau terminated. Dikatakan
stabil apabila tidak ada obyek yang dapat
dipindahkan lagi. Flowchart algoritma K-Means
Clustering dapat dilihat pada Gambar 3.
Berdasarkan flowchart tersebut, tahapan K-Means
Clustering adalah sebagai berikut :

1. Menentukan berapa banyak cluster yang
ingin yang ingin dibentuk, dimana nilai K
adalah banyaknya cluster/ jumlah cluster.
Jumlah cluster yang ingin dibentuk adalah

4
3 maka, K = 3. Jumlah cluster di peroleh
dari jumlah konsentrasi yang ada pada
Program Studi Sistem Informasi, yaitu
Database, Business Intelligence serta Desain
Visual dan Multimedia.
2. Menentukan pusat cluster (centroid) awal.
Centroid awal ditentukan secara acak dari
data yang ada dan jumlah centroid awal
sama dengan jumlah cluster.
3. Setelah menentukan centroid awal, maka
setiap data akan menemukan centroid
terdekatnya yaitu dengan menghitung jarak
setiap data ke masing-masing centroid
menggunakan rumus korelasi antar dua
obyek yaitu Euclidean Distance : p1(x1, y1)
; p2(x2, y2)
D=√(x1 –x2)
2
+(y1 –y2)
2


[5.1]
4. Setelah menghitung jarak data ke
centroidnya, maka langkah berikutnya
adalah mengelompokkan data berdasarkan
jarak minimumnya. Suatu data akan menjadi
anggota dari suatu cluster yang memiliki
jarak terdekat (terkecil) dari pusat cluster-
nya.
5. Berdasarkan pengelompokan tersebut,
selanjutnya adalah mencari centroid baru
berdasarkan membership dari masing-
masing cluster yaitu dengan menghitung
rata-rata dari data masing-masing cluster.
6. Kembali ke tahap 3.
7. Perulangan berhenti apabila tidak ada data
yang berpindah.


Gambar 3. Flowchart algoritma K-Means
Clustering
3.2 Implementasi K-Means Clustering
Setiap mata kuliah prasayarat, seperti pada
tabel 1 di representasikan kedalam abjad. Hal ini
dilakukan untuk mempermudah dalam
penyusunan data. Representasi mata kuliah dapat
dilihat pada tabel 2 berikut :

Tabel 2. Representasi Mata Kuliah

Begitu pula dengan nilai direpresentasikan
kedalam angka seperti pada tabel 3 berikut :

Tabel 3. Representasi Nilai

Berdasarkan data yang telah diperoleh
sebelumnya, pengelompokan konsentrasi
berdasar pada mata kuliah dan nilai prasyarat
dapat dilihat pada grafik berikut :


Gambar 4. Pengelompokan Konsentrasi


5
Diasumsikan sejumlah data Mahasiswa
sebanyak 15 data (D1 sampai D15) dengan nilai
mata kuliah prasyarat yang telah di peroleh
masing-masing mahasiswa, serta centroid awal
yang telah ditentukan, seperti pada tabel 5.3 dan
5.4 berikut :

Tabel 4. Data Mahasiswa dan Nilai Prasyarat


Tabel 5. Centroid Awal


Setiap data dihitung jarak terdekatnya
dengan masing-masing centroid menggunakan
rumus korelasi antara 2 objek data eucludian
distance. Pada iterasi ke – 0 , menghasilkan jarak
masing-masing data terhadap setiap centroid,
sebagai berikut :

Tabel 6. Jarak Data terhadap masing-masing
Centroid (Iterasi 1)

Setiap data akan dikelompokkan
berdasarkan jarak terdekatnya, seperti terlihat
pada tabel 5.5. Dimana Cluster 1 memiliki 7
anggota yaitu D1, D4, D7, D9, D11, D14, D15.
Cluster 2 memiliki 2 anggota yaitu D2, D3.
Cluster 3 memiliki 6 anggota yaitu D5, D6, D8,
D10, D12, D13.
Berdasarkan jumlah anggota pada masing-
masing cluster maka diperoleh centroid baru,
dengan menghitung rata-rata dari tiap-tiap
cluster. Masing-masing data kembali
menghitung jarak dirinya terhadap setiap
centroid (centroid baru). Perulangan terus terjadi
sampai tidak ada lagi data yang berpindah. Pada
proses perulangan, iterasi dilakukan hingga
iterasi ke 2.
Hasil akhir yang diperoleh pada iterasi ke 2
ini adalah Cluster 1 memiliki 6 anggota yaitu
D1, D7, D9, D11, D14, D15. Cluster 2 memiliki
2 anggota yaitu D2, D3. Cluster 3 memiliki 6
anggota yaitu D4, D5, D6, D8, D10, D12, D13.
Berikut merupakan centroid baru dan
pengelompokan data pada iterasi ke 2.
Pengelompokan data mahasiswa kedalam
konsentrasi berdasarkan kedekatan nilai mata
kuliah prasyarat mahasiswa tersebut terhadap
masing-masing konsentrasi. C1 merupakan
kelompok konsentrasi Business Intelligence, C2
merupakan kelompok konsentrasi Database, dan
C3 merupakan kelompok konsentrasi Desain
Visual dan Multimedia.

Tabel 7. Centroid Baru (Iterasi 2)



6
Tabel 8. Jarak Data terhadap masing-masing
Centroid (Iterasi 2)


3.3 Uji Coba
Diilustrasikan data baru sebanyak 5 buah
data mahasiswa dengan nilai mata kuliah
prasyaratnya, seperti pada tabel 5.10.
Menggunakan K-Means clustering, dicari
kedekatan nilai mahasiswa tersebut terhadap
konsentrasi yang ada.

Tabel 9. Uji Coba Data Mahasiswa dan Nilai
Prasyarat


Tabel 10. Jarak Data terhadap masing-masing
Centroid


Dari perhitungan kedekatan data terhadap
masing-masing centroid, hasil yang diperoleh
adalah data X1, X2, X3 tergabung dalam
kelompok C1 konsentrasi Business Intelligence.
Data X4 tergabung dalam kelompok C3
konsentrasi Desain Visual dan Multimedia. Data
X5 tergabung dalam kelompok konsentrasi
Database.
4. Kesimpulan
Berdasarkan hasil penelitian yang telah
dilakukan dapat diambil kesimpulan bahwa
penentuan pengelompokan konsentrasi
ditentukan dari perolehan nilai mata kuliah
prasyarat dari masing-masing mahasiswa.
Sehingga nilai mata kuliah prasyarat ini dapat
dijadikan dasar dalam pengelompokan
konsentrasi. Nilai mata kuliah prasyarat tersebut
sebagai feature / atribut dalam pernerapan K-
Means Clustering. Pengelompokan kosentrasi
diperoleh dengan menghitung nilai kedekatan
data terhadap masing-masing centroid.


References

[1.] Budi Santosa, “Data Mining: Teknik
Pemanfaatan Data Untuk Keperluan
Bisnis”, Graha Ilmu, Yogyakarta, 2007.
[2.] David Hand, Heikki Mannila dan Padhraic
Smyth, “Principles of data mining”, A
Bradford book The MIT Press, Cambridge,
Massachusetts London England, 2001.
[3.] Han, J., Kamber M., Data Mining :
Concept and Techniques. Morgan
Kaufman Publishers, 2000
[4.] Ian H.Witten dan Eibe Frank, “Data
Mining : Practical Machine Learning
Tools And Techniques”, Morgan
Kaufmann publishers, San Francisco,
2005.
[5.] Jogiyanto. Analisa dan Desain Sistem.
Yogyakarta: ANDI, 2005.
[6.] Pressman, Ph.D, dan Roger S, Rekayasa
Perangkat Lunak, Yogyakarta: ANDI,
2002.
[7.] Program Studi Sistem Informasi, Profil
Program Studi, STIKOM Bali, 2011