Professional Documents
Culture Documents
ISSN 2723-3367
Abstract
Learning in the net or commonly called online is a learning system that is carried out from home or in other
words, distance learning. Technology plays an important role in aspects of life, especially in education. In
online learning or online (in the network) it can make it easier for users because it can be done anytime and
anywhere. However, not all effective learning is carried out in online learning, for example, lectures or
learning that usually do practice in the lab and in online learning which requires lecturers and students to be
separated by a certain distance, especially since the Covid-19 pandemic in Indonesia. The online learning
system is also carried out within the University. Indonesian Teknokrat where all students are required to do
learning online or from their respective homes. However, this situation does not guarantee that students agree
or accept the existence of this policy. Therefore, this research is needed where data collection is carried out to
determine the level of student satisfaction with online learning. Applying the K-means Algorithm to
determine the level of online learner satisfaction during the Covid-19 pandemic is the ultimate goal of this
research. In the K-means method, each data must belong to a certain cluster at one stage of the process, at the
next stage of the process it can move to another cluster.
Abstrak
Pembelajaran dalam jaring atau biasa disebut daring merupakan salah satu sistem pembelajaran yang
dilakukan dari rumah atau dengan kata lain yaitu pembelajaran secara jarak jauh. Teknologi sangat berperan
penting pada aspek kehidupan khususnya pada pendidikan. Dalam pembelajaran online atau daring (dalam
jaringan) dapat memudahkan pengguna karena dapat dilakukan kapan saja dan dimana saja. Namun tidak
semua pembelajaran efektif dilakukan dalam pembelajaran daring, contoh seperti kuliah atau pembelajaran
yang biasanya melakukan praktek dilab dan dalam pembelajaran dalam jaringan ini dimana mengharuskan
dosen dan mahasiswa terpisah oleh jarak tertentu terlebih semenjak adanya pandemi covid-19 diindonesia
Sistem pembelajaran online juga dilakukan dilingkungan Universitas Teknokrat Indonesia dimana semua
mahasiswa diharuskan untuk melakukan pembelajaran secara online atau dari rumah masing-masing. Akan
tetapi, dengan keadaan ini tidak menjamin mahasiswa setuju atau menerima dengan adanya kebijakan
tersebut. Oleh karena itu diperlukan penelitian ini dimana dilakukan pengumpulan data untuk menentukan
tingkat kepuasaan mahasiswa terhadap pembelajaran online. Menerapkan Algoritma K-means untuk
menentukan tingkat kepuasaan pembelajar online pada masa pandemi Covid-19 merupakan tujuan akhir
penelitian ini. Dalam metode K-means setiap data harus termasuk ke cluster tertentu pada suatu tahapan
proses, pada tahapan proses berikutnya dapat berpindah ke cluster yang lain.
1
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page
PENDAHULUAN
Bagi perguruan tinggi yang melaksanakan kuliah daring, mahasiswa memiliki banyak ruang untuk
menjalani perkuliahan secara maksimal, kapan saja, dan di mana saja. Semua rangkaian perkuliahan seperti
materi, tugas, quiz maupun absensi dapat diakses secara online. (M. Ardiansyah, 2021). Dalam pembelajaran
online atau daring (dalam jaringan) dapat memudahkan pengguna karena dapat dilakukan kapan saja dan dimana
saja. Dengan memberikan penjelasan dan pembelajaran dengan baik dan jelas diharapkan mahasiswa dapat
efisien dan makimal. Walaupun pembelajaran daring memiliki banyak hal positif tidak memungkinkan ada
kendala atau hambatan yang perlu diperhatikan dalam pembelajaran daring. Seperti susahnya sinyal diwilayah
tertentu dan adapun terbatanya kouta internet untuk mengakses sistem pembelajaran online Namun tidak semua
pembelajaran efektif dilakukan dalam pembelajaran daring, contoh seperti kuliah atau pembelajaran yang
biasanya melakukan praktek dilab dan dalam pembelajaran dalam jaringan ini dimana mengharuskan dosen dan
mahasiswa terpisah oleh jarak tertentu terlebih semenjak adanya pandemi covid-19 diindonesia (Anda, Arman,
Rasyid, 2020).
Untuk menekan penyebaran virus Covid-19 ini masyarakat dihimbau untuk tidak melakukan kegiatan diluar
rumah untuk sementara sampai waktu yang belum ditentukan, begitu pula dengan sistem pendidikan.
Kementerian Pendidikan dan Kebudayaan (Kemendikbud) Direktorat Pendidikan Tinggi No. 4 tahun 2020
mengeluarkan surat edaran tentang pencegahan penyebaran corona Virus Disease (COVID-19) di perguruan
tinggi, pemerintahan menetapkan bahwa siswa/i ataupun mahasiswa/i melakukan pembelajaran dalam jaringan
atau dari rumah masing-masing. Dalam hal ini mahasiswa diharapkan mampu menjalankan pembelajaran secara
online yang sudah ditetepakan. Akan tetapi, dengan keadaan ini tidak menjamin mahasiswa setuju atau
menerima dengan adanya kebijakan (Sianipar, Siahaan, Siregar, 2020). Oleh karena itu diperlukan penelitian ini
dimana dilakukan pengumpulan data untuk menentukan tingkat kepuasaan mahasiswa terhadap pembelajaran
online. Dalam hal ini penelitian ini dilakukan dengan menggunakan algoritma data mining. Data mining
menggunkan Algoritma K-means dimana suatu algoritma yang digunakan dalam pengelompokkan secara pertisi
yang memisahkan data ke dalam kelompok yang berbeda - berbeda (gading, dkk, 2017).
Dalam pengumpulan data akan diberikan kuisioner secara online kuisioner tersebut diberikan kepada
mahasiswa yang melaksanakan belajar online dirumah masing-masing atau mahasiswa yang belajar jarak jauh.
Mahasiswa akan diberikan pertanyaan terkait pembelajaran online. Menerapkan Algoritma K-means untuk
menentukan tingkat kepuasaan pembelajar online pada masa pandemi Covid-19 merupakan tujuan akhir
penelitian ini. Dalam metode K-means setiap data harus termasuk ke cluster tertentu pada suatu tahapan proses,
pada tahapan proses berikutnya dapat berpindah ke cluster yang lain ( Gunawan, Firman, Faiza, 2016).
TELAAH PUSTAKA
Data Mining
Teknologi informasi semakin berkembang dengan sangat pesat. Dalam perkembangan ini semakin banyak data
yang akan didapatkan beragam, efektif dan efisien. Dalam mengolah data diperlukan suatu teknik agar hasil
agar informasi dan pengolahan data yang didapatkan tepat. Oleh karena itu dibutuhkan data mining. Data
mining merupakan suatu media dimana dapat mengoalah dan mengelompokan data yang terjaring dalam
basedata. Basis tidak dilakukan dengan cara tradisional karena informasi yang dihasilkan akan mengandung bias
yang besar dan informasi menjadi lebih lama. Dengan begitu informasi seperti itu yang tidak efektif dalam
mengambil keputusan (Putrama A, Agus P,W, 2019).
Clustering
Clustering merupakan salah satu alat bantu dalam proses data mining. Untuk melakukan pengelompokan objek-
objek ke dalam cluster-cluster merupakan tujuan clustering (Ismail virgo, dkk, 2020). Terdapat dua jenis data
clustering yang sering digunakan dalam proses pengelompokan data yaitu non hierarchical (non hirarki) dan
hierarchical (hirarki) data clustering.
Algoritma Kmeans
K-means dapat juga diartikan merupakan metode Clustering yang termasuk dalam pendekatan partitioning.
Algoritma K-means merupakan model centroid. Mode centroid adalah model yang menggunakan centroid untuk
membuat cluster. Centroid merupakan titik tengah suatu cluster. Centroid digunakan untuk menghitung jarak
suatu objek data terhadap centroid. Suatu objek data termasuk dalam cluster jika memiliki jarak terpendek
2
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page
terhadap centroid cluster tersebut. Centroid berupa nilai. Algoritma K-means dapat diartikan sebagai algoritma
pembelajaran yang sederhana untuk memecahkan suatu permasalahan pengelompokkan yang bertujuan untuk
meminimalkan kesalahan ganda ( Agus, 2017).
METODE PENELITIAN
Tahapan Penelitian
Diagram alur penelitian ini dapat dilihat pada gambar 1 sebagai berikut
Keterangan :
1. Mulai
Pada tahap ini memilih dataset apa yang digunkan untuk penelitian ini , dan dalam penelitian ini dataset
yang digunakan yaitu dataset mahasiswa Universitas Teknokrat pada jurusan informatika.
2. Pengumpulan Data
Pengumpulan Data dilakukan dengan memberikan kuesioner kepada mahasiswa yang berisikan beberapa
pertanyaan seputar belajar online dari rumah masing – masing.
3. Metode
Tahapan ini dilakukan rancangan pengelompokan atau clustering menggunakan algoritma kmeans pada
data kuesioner mahasiswa.
4. Pengolahan Data
Dalam tahap ini dilakukan pengelompokan dan pemisahan data dari himpunan sesuai kriteria menjadi
beberapa kelas. Hal ini dilakukan dengan menerapkan berbagai persamaan dan langkah – langkah
mengenai jarak algoritma, dengan Euclidean Distance. Pada tahap ini sebelumnya data akan diubah
terlebih dahulu kedalam bentuk numerik. Dari data yang dikumpulkan akan diolah di Ms.Excel. dan akan
diolah lagi pada beberapa sofware yaitu dengan rapid miner dan weka dalam melakukan perbandingan.
5. Tahap Analisis
Secara umum, pada penelitian ini akan dibangun system dengan fungsi utama melakukan pengelompokan
data mahasiswa terhadap belajar online dan analisis data kinerja dalam belajar online pada masa pandemi
berdasarkan index kepuasan mahasiswa, dimana akan ditentukan cluster dengan cluser sangat setuju,
setuju, kurang setuju, dan terakhir kurang setuju, dan pada tahapan ini akan dianalisis hasilnya. Pada tahap
3
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page
ini dilakukan analisa terkait kebutuhan pada penelitian seperti dataset, dan kebutuhan software yang
digunakan.
6. Penutup
Dimana didapatkan hasil akurat penerapan tingkat kepuasan mahasiswa dalam belajar online pada masa
pandemi dengan menggunakan metode Algoritma K- means Clustering.
4
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page
47 1.93 30 8 14 5 8 19 14
48 1.97 33 13 16 8 10 16 14
49 1.74 28 10 18 5 2 12 10
50 2.99 34 8 21 7 5 15 8
51 2.53 26 12 18 9 9 20 14
52 3.12 37 13 14 7 4 20 16
53 3.28 33 15 21 7 4 15 10
54 1.87 29 11 20 10 7 16 19
55 2.78 30 11 15 8 8 22 17
56 3.12 18 4 13 6 3 26 13
57 2.99 33 15 15 7 5 21 11
58 3.05 24 14 15 6 4 14 12
59 3.66 30 16 18 10 8 26 15
60 2.99 43 17 25 10 7 28 17
61 3.02 17 9 5 2 2 19 11
62 1.93 24 9 9 5 7 11 12
63 3.86 32 13 20 8 5 21 11
64 3.51 29 12 11 9 5 18 8
65 3.29 18 8 10 4 4 22 13
66 3.35 30 14 18 6 7 29 17
67 3.74 27 16 12 5 4 8 8
68 3.81 36 18 15 7 6 15 20
69 2.98 31 16 19 8 9 23 15
70 3.76 26 16 15 8 5 16 16
5
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page
6
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page
Pada proses perhitungan iterasi ke 1 masih terjadi perubahan keanggotaan cluster sebanyak 1 data, sehingga
proses perhitungan dilanjutkan. Pada penelitian ini proses perhitungan berhenti pada iterasi ke 7. Berikut
merupakan hasil perhitungan titik pusat centroid baru dan iterasi ke 7.
Tabel 4. Titik pusat baru cluster ke 7
Kualitas Kualitas Kualitas Minat Penggunaa Kepuasaan Keuntungan
Sistem Informasi Layanan Memakai n Pengguna Bersih
0 0 0 0 0 0 0
23.6875 15.1875 16.0625 7.625 6.6875 16.5625 11.4375
32.26666667 14.46666667 16.66666667 7.4 6.533333333 23.66666667 13.2
21.125 10.25 11.375 4.375 4 21.25 11
30.48387097 12.5483871 14.90322581 6.419354839 6.612903226 17.25806452 14.90322581
Hasil dari perhitungan iterasi ke 7 tidak mengalami perubahan keanggotaan cluster, sehingga proses
perhitungan dihentikan. Hasil dari perhitungan iterasi ke 7 tidak mengalami perubahan keanggotaan cluster,
sehingga proses perhitungan dihentikan. Dan didaptkan hasil sebagai berikut :
Cluster 1 dengan 0 item.
Cluster 2 dengan 18 item.
Cluster 3 dengan 14 item.
Cluster 4 dengan 9 item.
Cluster 5 dengan 29 item.
b) Jika proses import data berhasil dan tidak ada masalah, maka akan muncul “no problems” pada saat proses
import data. Kemudian lanjutkan proses import data hingga selesai seperti pada gambar 3 berikut
8
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page
c) Selajutnya ubah IPK dengan Label agar tidak menggangu proses pengclusteran pada atribud yang akan di
clusterkan nanti seperti pada gambar 4 berikut :
d) Setelah data selesai diimport, kemudian data dimasukkan ke halaman proses dengan cara drag and drop pada
lembar proses seperti pada gambar 5 berikut
e) Setelah pembuatan lembar kerja selesai, langkah selanjutnya yaitu menerapkan algoritma K-Means pada
rapid miner seperti pada gambar 6 berikut.
9
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page
f) Selanjutnya menentukan jumlah cluster atau pengelompokkan data yang diinginkan seperti pada gambar 7
berikut.
g) Setelah menentukan jumlah cluster, langkah selanjutnya adalah melakukan running pada rapid miner untuk
mendapatkan hasil clustering yang sudah diseting sebelumnya seperti pada gambar 8 berikut.
Terlihat hasil output dari proses clustering data menghasilkan 5 cluster, yaitu sebagai berikut.
1. Cluster 0 dengan 18 item.
2. Cluster 1 dengan 1 item.
3. Cluster 2 dengan 17 item.
4. Cluster 3 dengan 6 item.
5. Cluster 4 dengan 28 item.
10
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page
a) Langkah pertama yaitu melakukan import data. Pada halaman utama Weka pilih tombol explorer, selanjutnya
pilih tombol open file, kemudian masukan data yang akan dijadikan sebagai dataset. Adapun data yang di
import harus berformat *.csv atau *.arff seperti pada gambar 9 berikut
b) Setelah import data berhasil, selanjutnya pilih tab menu cluster, kemudian klik tombol choose, akan muncul
list atau daftar beberapa algoritma seperti pada gambar berikut 10 berikut
c) Langkah selanjutnya yaitu klik tombol start untuk menjalankan proses clustering data pada aplikasi Weka
seperti pada gambar 11 berikut
d) Langkah selanjutnya yaitu klik tombol start untuk menjalankan proses clustering data pada aplikasi Weka
seperti pada gambar 12 berikut
11
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page
Berdasarkan hasil pengujian clustering dengan menggunakan aplikasi Weka, clustering dibagi menjadi 4
kelompok dengan hasil sebagai berikut:
a. Untuk cluster 0 sebanyak 4 item dari 70 data atau persentase 6%.
b. Untuk cluster 1 sebanyak 16 item dari 70 data atau persentase 23%.
c. Untuk cluster 2 sebanyak 23 item dari 70 data atau persentase 33%.
d. Untuk cluster 3 sebanyak 13 item dari 70 data atau persentase 19%.
e. Untuk cluster 4 sebanyak 14 item dari 70 data atau persentase 20%.
Berikut merupakan perbandingan hasil perhitungan yang dapat dilihat pada table 5 sebagai berikut.
Tabel 6. Perbandingan hasil perhitungan
Perbandingan Perhitungan manual Excel Perhitungan RapidMiner Perbandingan Weka
Jumlah Iterasi 7 - 7
C1 C2 C3 C4 C5 C1 C2 C3 C4 C5 C1 C2 C3 C4 C5
Jumlah Cluster
0 18 14 9 29 18 1 17 6 28 4 16 23 13 14
Jumlah Centroid 5 5 5
Jumlah Nilai Rasio 26 13 42 26 25 9 40 6 33 20
0 20% 2% 23% 19%
% % % % % % % % % %
Berdasarkan tabel 5 perbandingan dari hasil perhitungan dapat disimpulkan bahwa hasil perhitungan manual
dengan excel dengan rasio tertinggi yaitu 42% masuk kedalam kategori cluster C5 atau dengan kata lain tidak
setuju. Selanjutnya, untuk hasil perhitungan menggunakan aplikasi Rapidminer dengan rasio tertinggi yaitu 40%
masuk ke dalam kategori cluster C5 atau tidak setuju. Dan yang terakhir, untuk hasil perhitungan dengan
menggunakan aplikasis Weka dengan rasio tertinggi yaitu 33% masuk kedalam kategori cluster C3 atau netral.
SIMPULAN
Berdasarkan hasil penelitian, pengamatan dan eksperimen yang telah dilakukan, maka dapast disimpulkan :
a) Dari hasil pengujian yang didapat penulis dengan menggunakan 70 sample data dan pembagian data atau
clustering sebanyak 5 cluster. Adapun penulis menggunakan tiga metode perhitugan yaitu perhitungan secara
manual menggunakan excel dan didapat cluster 1 dengan 0 item, cluster 2 dengan 18 item, cluster 3 dengan
14 item, cluster 4 dengan 9 item, cluster 5 dengan 29 item. Selanjutnya penulis melakukan pengujian data
dengan menggunakan aplikasi rapid minner dan didapat cluster 0 dengan 18 item, cluster 1 dengan 1 item,
cluster 2 dengan 17 item, cluster 3 dengan 6 item, cluster 4 dengan 28 item. Terakhir yaitu dengan
menggunakan aplikasi weka dan didapat cluster 0 dengan 4 item, cluster 1 dengan 16 item, cluster 2 dengan
23 item, cluster 3 dengan 13 item, cluster 4 dengan 14 item.
b) Dari hasil pengujian dengan menggunakan algoritma K-Means Clustering dapat membantu penilaian minat
mahasiswa terhadap media pembelajaran daring secara online yaitu dengan mengelompokkan data hasil
clusterisasi dengan menggunakan aplikasi rapid miner berdasarkan atribut ipk diperoleh hasil yaitu ipk
dengan rata-rata 1 memilih tidak setuju, sedangkan ipk dengan rata-rata 2 dan dan rata-rata 3 memilih setuju.
mencapai gelar sarjana pada Program Studi Informatika Fakultas Teknik dan Imu Komputer Universitas
Teknokrat Indonesia. Penulis menyadari bahwa, tanpa bantuan dan bimbingan dari berbagai pihak, dari masa
perkuliahan sampai ada penyusunan skripsi ini, sangatlah sulit bagi penulis untuk menyelesaikan laporan ini.
Oleh karena itu, penulis mengucapkan terimakasih kepada:
1. Dr. H.M. Nasrullah Yusuf, S.E., M.B.A., selaku Rektor Universitas Teknokrat Indonesia.
2. Dr. H. Mahathir Muhamadm S.E., MM., selaku Dekan Fakultas Teknik dan Imu Komputer Universitas
Teknokrat Indonesia.
3. Ibu Dyah Ayu Megawaty, M.Kom., selaku Ketua Jurusan Program Studi S1 Sistem Informasi Fakultas
Teknik dan Imu Komputer Universitas Teknokrat Indonesia dan selaku dosen penguji yang telah
memberikan masukan pada penelitian ini.
4. Nama Pembimbing selaku dosen pembimbing yang telah membimbing saya pada penelitian ini.
REFERENSI/DAFTAR PUSTAKA
Abdillah, G., Putra, F. A., & Renaldi, F. (2016). Penerapan Data Mining Pemakaian Air Pelanggan Untuk
Menentukan Klasifikasi Potensi Pemakaian Air Pelanggan Baru Di PDAM Tirta Raharja Menggunakan
Algoritma K-Means. SENTIKA, Vol.1, Hal.1-9.
Alkhairi, P., & Windarto, A. P. (2019). Penerapan K-Means Cluster Pada Daerah Potensi Pertanian Karet
Produktif di Sumatera Utara. SAINTEKS, Hal.762-767.
Ardiansyah, M. (2021). Persepsi Mahasiswa terhadap Perkuliahan Daring Mata Kuliah Metode Numerik. Jurnal
Pendidikan, Vol.2, Hal. 1-8.
Falahuddin, M. A., Arman, M., Pratama, F. A., & Rasyid, M. (2020). Pembuatan Web Base Simulator Plant
Dengan PLC Untuk Kuliah Praktikum Secara Daring. KURVATEK, Vol.5, Hal. 1-7.
Sadewo, M. G., Windarto, A. P., Andani, S. R., & Handrizal. (2017). Pemanfaatan Algoritma Clushtering Dalam
Mengelompokkan Jumlah Desa/Kelurahan Yang Memiliki Sarana Kesehatan Menurut Provinsi Dengan K-
Means. KOMIK, Vol.1, Hal.1-8.
Sianipar, K. D., Siahaan, S. W., Siregar, M., R.H Zer, F., & Hartana, D. (2020). Penerapan Algoritma K-Means
Dalam Menentukan Tingkat Kepuasan Pembelajaran Online Pada Masa Pandemi Covid-19. Jurnal
Teknologi Informasi, Vol.4, Hal. 1-5.
Virgo, I., Defit, S., & Yunus, Y. (2020). Klasterisasi Tingkat Kehadiran Dosen Menggunakan Algoritma K-
Means Clustering (Studi Kasus Institut Agama Islam Batusangkar). Jurnal Sistem Informasi dan Teknologi,
Vol.2, Hal.1-6.
Windarto, A. P. (2017). Penerapan Data Mining Pada Ekspor Buah-Buahan Menurut Negara Tujuan
Menggunakan K-Means Clustering. Techno Com, Vol.16, Hal.348-357.
13