Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA)

Vol. 1, No. 2, December 2020, page-page. xx~xx

ISSN 2723-3367

available online at:http://jim.teknokrat.ac.id/index.php/informatika

PENGUKURAN TINGKAT KEPUASAN MAHASISWA

MENGGUNAKAN ALGORITMA K-MEANS DALAM
PEMBELAJARAN ONLINE DIMASA PANDEMI COVID-19
Aizah Agustian1, Pembimbing2, Penguji3
Universitas Teknokrat Indonesia1
Universitas Teknokrat Indonesia2
Universitas Teknokrat Indonesia3

@gmail.com1, @teknokrat.ac.id2, @teknokrat.ac.id3

Received: (xxx 2021)Accepted: (xxxx 2021) Published: (xxxx 2021)

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.

Keyword : Online learning, Indonesian Teknokrat University, K-Means Algorithm

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.

Kata Kunci: Pembelajaran online, Universitas Teknokrat Indonesia, Algoritma K-Means.

To cite this article:

Authors. (Year). Title of the article. Jurnal Informatika dan Rekayasa Perangkat Lunak, Vol(1) No(2), Page-Page.

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

Gambar 1. Tahapan penelitian

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.

HASIL DAN PEMBAHASAN

Pengumpulan Data
Pada penelitian ini data diperoleh melalui kuisioner kepada mahasiswa/I Universitas Teknokrat Indonesia. Hasil
dari kuisioner yang disebarkan kepada mahasiswa yaitu berupa angka dari penilaian mahasiswa yang dibagi
menjadi 8 atribut penilaian terhadap pembelajaran online, diantaranya ipk, kualitas sistem, kualitas informasi,
kualitas layanan, minat memakai, penggunaan, kepuasan pengguna dan keuntungan bersih.
Tabel 1. Data hasil pengisian angket
No. Kualitas Kualitas Kualitas Minat Penggu Kepuasaan Keuntunga
IPK
Res Sistem Informasi Layanan Memakai naan Pengguna n Bersih
1 2.90 37 17 17 6 7 14 17
2 3.33 25 18 18 10 8 16 14
3 2.99 36 14 14 4 6 25 14
4 3.11 28 17 17 4 6 22 11
5 3.34 31 15 15 8 5 20 11
6 3.34 30 13 13 8 9 22 16
7 3.20 23 12 12 4 7 20 17
8 3.12 32 13 13 8 5 24 14
9 3.30 32 13 13 6 6 19 11
10 3.45 19 19 19 9 5 19 12
11 3.22 26 17 17 9 6 16 10
12 3.33 30 16 16 6 6 17 15
13 3.12 31 15 15 2 10 21 18
14 3.34 33 16 16 7 2 13 7
15 2.73 32 11 11 6 6 13 17
16 3.30 22 16 16 8 10 21 14
17 1.99 25 18 18 10 6 15 14
18 2.97 26 18 18 6 4 13 11
19 1.90 33 18 18 6 8 24 11
20 3.65 28 12 12 9 10 22 16
21 2.69 31 14 14 8 8 20 17
22 3.34 32 14 14 5 7 17 14
23 3.56 22 14 14 10 7 16 11
24 3.20 35 12 12 10 8 25 12
25 3.33 18 13 13 8 6 24 10
26 3.65 21 15 15 2 6 19 15
27 2.89 28 16 16 7 6 17 18
28 3.33 18 19 12 6 6 17 7
29 3.48 32 15 13 8 8 16 20
30 3.10 25 14 16 10 10 21 4
31 3.05 24 9 9 2 2 28 8
32 2.67 35 14 15 5 2 9 18
33 3.07 22 10 15 9 6 14 9
34 2.92 24 11 17 4 4 23 8
35 3.23 32 12 17 4 4 13 15
36 3.16 31 10 9 7 6 15 18
37 3.50 28 12 12 6 6 17 14
38 3.36 31 14 17 6 9 18 13
39 3.55 30 12 17 5 8 23 12
40 2.69 33 10 10 4 5 20 19
41 3.33 23 12 16 8 10 20 17
42 3.33 24 8 15 6 10 23 13
43 3.23 28 14 22 5 8 17 8
44 2.45 30 12 16 9 2 22 11
45 3.21 26 11 13 4 7 23 15
46 3.35 28 9 12 4 6 20 16

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

Perhitungan Dengan Algoritma K-Means

Saat melakukan perhitungan manual, data kepuasan mahasiswa terhadap pembelajaran online sebanyak 70
responden mahasiswa. Dari data tersebut penulis menggunakan 8 atribut yaitu ipk, kualitas sistem, kualitas
informasi, kualitas layanan, minat memakai, penggunaan, kepuasan pengguna dan keuntungan bersih.
1. Menentukan Jumlah Cluster
Dalam penelitian ini penulis menggunakan 5 cluster yaitu cluster sangat setuju, cluster setuju, cluster
Netral, ,cluster kurang setuju dan cluster tidak setuju.
2. Menentukan Centroid Awal
Centroid awal merupakan titik pusat cluster pertama yang diperoleh secara acak dari data kuisioner.
Tabel 2. Centroid awal
Kualitas Kualitas Minat Kepuasaa
Centroi Kualita Penggunaa Keuntunga
Informas Layana Memaka n
d s Sistem n n Bersih
i n i Pengguna
C1 37 17 17 6 7 14 17
C2 19 19 19 9 5 19 12
C3 33 18 18 6 8 24 11
C4 18 19 12 6 6 17 7
C5 26 11 13 4 7 23 15
3. Menghitung Jarak Data ke Titik Pusat Cluster
Pada tahap ini, jarak terdekat antara data dan cluster akan menentukan data mana yang termasuk dalam
kelompok data mana, adapun tools yang penulis gunakan yaitu Microsoft excel.
Tabel 3. Hasil perhitungan jarak iterasi ke 1
Res Jarak ke Centroid CLUSTER
C0 C1 C2 C3 C4
1 0 19.87460691 12.4498996 22.36067977 16.18641406 1
2 13.26649916 7.810249676 12.36931688 12.489996 12.72792206 2
3 12.40967365 20.1246118 7.681145748 21.67948339 10.77032961 3
4 13.6381817 11.18033989 6.244997998 13.19090596 8.602325267 3
5 11.13552873 13.37908816 7.141428429 14.96662955 9.486832981 3
6 12.40967365 15.32970972 9.643650761 17.32050808 6.480740698 5
7 16.91153453 13 15.13274595 13.7113092 4.898979486 5
8 13.19090596 16.46207763 8.544003745 18.33030278 7.874007874 5
9 10.90871211 15.87450787 8.94427191 15.90597372 8.774964387 5
10 19.87460691 0 15.55634919 9.433981132 14.24780685 2
11 13.56465997 8.426149773 11.35781669 10.58300524 12.32882801 2

5
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page

12 8.062257748 12.72792206 9.273618495 15.26433752 9.539392014 1

13 10.90871211 17.02938637 10 19.05255888 8.426149773 5
14 12.04159458 16.97056275 13.49073756 16.82260384 16.76305461 1
15 9.949874371 19.18332609 16.1245155 19.41648784 12.20655562 1
16 17.2626765 7.810249676 12.4498996 11.22497216 8.94427191 2
17 13.15294644 7.745966692 13.19090596 12.4498996 13.3041347 2
18 13 9.899494937 13.6381817 11.70469991 14.24780685 2
19 12.4498996 15.55634919 0 18.1934054 12.04159458 3
20 14.62873884 15.13274595 11.78982612 16.73320053 6.480740698 5
21 9.746794345 15.16575089 9.591663047 17.74823935 8.062257748 5
22 7.874007874 15.71623365 9.643650761 16.61324773 9.16515139 1
23 17.29161647 8.602325267 15.29705854 8.888194417 11.26942767 2
24 14.73091986 20 9.695359715 21.14237451 11.53256259 3
25 23.38803113 10.19803903 16.85229955 9.949874371 10.53565375 4
26 17.60681686 9.746794345 14.93318452 10.86278049 8.124038405 5
27 9.746794345 12 11.66190379 15.71623365 9.643650761 5
28 22.36067977 9.433981132 18.1934054 0 15.29705854 4
29 7.937253933 17.43559577 13.56465997 19.77371993 11.95826074 1
30 19.92485885 12.80624847 12.72792206 12.12435565 13.74772708 4
31 24.79919354 19.49358869 17.88854382 17.29161647 11.26942767 5
32 8.306623863 21.40093456 18.43908891 22.91287847 18.02775638 1
33 18.76166304 11.87434209 17.63519209 11.3137085 12.80624847 4
34 19.49358869 12.28820573 12.68857754 13.03840481 8.831760866 5
35 8.246211251 17.11724277 13.96424004 18.92088793 12.72792206 1
36 12.36931688 19.54482029 16.85229955 19.62141687 11.18033989 5
37 12.24744871 14.03566885 12.60952021 14.07124728 6.92820323 5
38 9 14.14213562 7.874007874 16.2788206 9.327379053 3
39 13.49073756 14.6628783 7 16.85229955 6.633249581 5
40 12.72792206 20.80865205 14.86606875 21.63330765 9.38083152 5
41 16.46207763 11.22497216 14.14213562 14.79864859 7.549834435 5
42 18.97366596 14.59451952 14.10673598 15.93737745 5.830951895 5
43 14.38749457 12.64911064 10.77032961 15.19868415 13.45362405 3
44 14.45683229 14.07124728 9.899494937 16.58312395 9.643650761 5
45 16.18641406 14.24780685 12.04159458 15.29705854 0 5
46 14.56021978 16.52271164 13.82027496 17.1464282 4.472135955 5
47 13.22875656 17.20465053 12.64911064 18.08314132 6.708203932 5
48 7.681145748 16.73320053 10.48808848 18.62793601 11.70469991 1
49 14.49137675 15.5241747 16.46207763 16.37070554 14.2126704 5
50 13.89244399 19.6468827 14.49137675 21.56385865 16.21727474 1
51 14.31782106 10.95445115 10.95445115 15 8.062257748 5
52 8.485281374 20.174241 10.72380529 22.27105745 12.40967365 1
53 9.797958971 15.5241747 10.81665383 18.43908891 15.3622915 1
54 11.53256259 15.09966887 14.62873884 20.27313493 12.60952021 1
55 12.56980509 15.65247584 10.53565375 18.70828693 6.480740698 5
56 26.87005769 18.02775638 21.88606863 18.76166304 12.08304597 5
57 10.67707825 15.39480432 6.08276253 16.85229955 10.09950494 3
58 14.69693846 10.04987562 14.93318452 10.39230485 10.95445115 2
59 14.69693846 14.10673598 7 18.81488772 10.58300524 3
60 17.66352173 26.96293753 14.79864859 32.18695388 23.10844002 3
61 26.64582519 18.94729532 24.14539294 14.2126704 14.49137675 4
62 18.22086716 17.57839583 20.37154879 14.4222051 13.34166406 5
63 11.95826074 14.56021978 7.211102551 18.24828759 11.35781669 3
64 15.32970972 15.16575089 12.80624847 13.52774926 10.81665383 5
65 24.16609195 15.45962483 20.42057786 13.92838828 9.797958971 5
66 16.85229955 16.88194302 9.327379053 21.21320344 9.695359715 3
67 15.90597372 16.61324773 18.92088793 13.3041347 17.63519209 4
68 4.242640687 19.77371993 13.60147051 22.53885534 15.87450787 1
69 11.5758369 13.96424004 5.567764363 18.43908891 10.29563014 3
70 11.78982612 10 12.80624847 13 9.949874371 5

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

Tabel 5. Hasil perhitungan jarak iterasi ke 7

Jarak ke Centroid Keterangan
Res
C0 C1 C2 C3 C4 CLUSTER
1 50.16971198 14.88733732 11.78963763 20.72249683 9.055959686 5 Aman
2 43.46262762 5.256692163 11.63595959 14.2538372 9.301964032 2 Aman
3 50.60632372 15.76809476 5.960611453 16.41407551 10.01663549 3 Aman
4 44.93328388 8.132208341 6.647973793 11.36538055 8.621657989 3 Aman
5 44.95553359 8.344627763 5.065789398 12.20335507 5.842896378 3 Aman
6 46.07602413 10.4825003 6.147809004 12.35604609 5.995489113 5 Aman
7 39.63584237 9.117719698 12.38529594 7.326109131 9.091510717 4 Aman
8 47.14870094 12.1709824 4.373658524 12.61633366 7.582498058 3 Aman
9 43.77213726 9.618098175 6.672996995 11.83942038 4.994586039 5 Aman
10 41.15823125 7.492183427 15.16999963 12.94881751 14.52619723 2 Aman
11 41.55718951 3.775951867 10.84722187 12.44676163 8.773719152 2 Aman
12 44.69899328 7.517167851 7.606722173 13.18794431 3.738736118 5 Aman
13 47.74934555 12.64941945 8.717542977 14.96401935 7.802651701 5 Aman
14 43.26661531 11.92194667 13.27637835 17.04176854 11.02975825 5 Aman
15 42.3792402 12.60982999 13.21598359 15.15492907 6.558231913 5 Aman
16 42.39103679 6.393966883 11.32823415 10.64997066 10.67152161 2 Aman
17 42.77849927 5.339270784 12.24182267 14.23628726 9.407139671 2 Aman
18 40.81666326 6.305379648 13.43610393 14.08622998 9.989224163 2 Aman
19 50.33885179 12.58005614 4.88489736 16.46729714 10.41296119 3 Aman
20 44.64302857 10.41670833 8.441695459 11.56165537 7.53127368 5 Aman
21 46.5832588 10.18615789 6.271274901 13.60778729 4.418883893 5 Aman
22 44.44097209 9.407859082 7.646059261 13.25412672 2.8754948 5 Aman
23 37.44329045 3.84158984 13.53989988 9.482714538 10.23170686 2 Aman
24 49.45705208 15.28096242 6.889283143 16.08327936 10.59415935 3 Aman
25 37.92097045 10.22290626 15.16999963 6.758096995 15.23294666 4 Aman
26 38.94868419 7.689786245 13.58168702 8.149961656 10.90475271 2 Aman
27 44.65422712 7.961332332 9.430211498 13.40417379 5.445692529 5 Aman
28 35.19943181 9.294235445 18.19328325 11.28812983 16.40055328 2 Aman
29 46.92547283 12.40998842 11.01493935 16.76818043 6.626736122 5 Aman
30 41.64132563 9.73436246 12.80607495 12.92949632 13.80430342 2 Aman
31 39.92492956 16.86735938 15.89115757 8.925910318 17.12696665 4 Aman
32 45.607017 16.11312547 16.58097973 20.5711418 11.11715121 5 Aman
33 34.68429039 6.764452121 15.55834896 9.79397136 11.44456848 2 Aman
34 40.13726448 9.59858388 11.22180417 7.257539183 11.92222454 4 Aman
35 43.39354791 11.219751 11.88537851 15.40038555 6.149541238 5 Aman
36 42.14261501 13.29032778 13.37643035 14.21871566 7.550523547 5 Aman
37 40.36087214 7.425147305 9.6641376 9.188137733 4.041408971 5 Aman
38 45.3431362 8.261828641 6.490677075 13.61697011 4.100836188 5 Aman
39 45.77116997 10.0626941 4.596617114 11.57246192 7.090026117 3 Aman
40 45.72745346 15.3421906 11.22180417 14.48005093 8.344058308 5 Aman
41 42.21374184 8.031675572 11.51790876 10.70849546 9.132223311 2 Aman
42 41.21892769 10.5063225 11.28696397 8.495403169 10.53461664 4 Aman
43 43.65775991 8.71107413 11.2366464 14.75370716 10.50241536 2 Aman
44 44.60941605 10.18002026 6.511186954 11.36538055 8.2095982 3 Aman
45 42.24926035 9.981623741 8.955197125 7.427777258 8.068902033 4 Aman
46 41.43669871 10.93767857 10.1486726 8.939903523 6.491489666 5 Aman
47 42.49705872 10.81123548 9.18670537 11.00780973 5.433832428 5 Aman
48 46.15192304 10.46459806 8.656147462 15.98974281 4.909906315 5 Aman
7
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page

49 38.48376281 10.0502643 14.5806569 13.49710617 9.860842372 5 Aman

50 44.98888752 14.13799181 12.97159289 17.87237743 11.22112435 5 Aman
51 43.61192497 6.699463598 8.358362413 11.29919798 7.11953827 2 Aman
52 49.54795657 15.05017649 7.715496672 17.31825265 7.70488446 5 Aman
53 46.31414471 11.10215351 10.56072388 17.41183147 9.263738848 5 Aman
54 46.13025038 11.15830688 11.54103789 16.40645833 7.868521566 5 Aman
55 46.33573135 10.99467201 6.297795029 12.57664005 5.826310127 5 Aman
56 37.40320842 16.57204913 18.6134957 9.037249305 18.05039771 4 Aman
57 46.63689527 10.53602451 4.24996732 13.58940304 6.672820607 3 Aman
58 37.26929031 4.402591566 13.21346115 9.57454307 8.378779996 2 Aman
59 50.44799302 12.38478149 5.182877793 15.55383795 10.62608261 3 Aman
60 63.12685641 24.97264128 15.20730818 28.84305592 20.27736906 3 Aman
61 29.74894956 16.28289939 21.8035675 8.597783145 18.74990114 4 Aman
62 32.81767816 11.24756918 18.0239347 11.44210973 11.7998395 2 Aman
63 47.37087713 10.59517874 5.291082645 14.64315113 7.92570864 3 Aman
64 40 9.09025921 10.6268005 10.35238499 8.672021345 5 Aman
65 34.24908758 13.15799424 17.62372139 4.628377145 15.47143318 4 Aman
66 51.33225107 15.27687182 7.224649165 15.63399741 12.43087024 3 Aman
67 36.02776707 11.28639945 18.34472373 15.90351769 13.21695219 2 Aman
68 50.54700782 15.4031754 12.28802488 20.62575756 9.588841937 5 Aman
69 49.76946855 11.06267655 4.419150245 15.68189641 8.374929139 3 Aman
70 41.92851059 5.590868671 10.66437475 11.6906747 6.317723612 2 Aman

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.

Implementasi Algoritma K-Means menggunakan Rapid Miner

Berikut merupakan langkah-langkah implementasi K-Means menggunakan Rapid Miner.
a) Langkah pertama yaitu melakukan import data terlebih dahulu, adapun data yang di import dengan format
*.xls seperti gambar 2 berikut :

Gambar 2. Menu import data pada Rapid

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

Gambar 3. Proses import data

c) Selajutnya ubah IPK dengan Label agar tidak menggangu proses pengclusteran pada atribud yang akan di
clusterkan nanti seperti pada gambar 4 berikut :

Gambar 4. Ubah Atribut ke label

d) Setelah data selesai diimport, kemudian data dimasukkan ke halaman proses dengan cara drag and drop pada
lembar proses seperti pada gambar 5 berikut

Gambar 5. Pembuatan lembar kerja

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

Gambar 6. Penerapan algoritma K-Means

f) Selanjutnya menentukan jumlah cluster atau pengelompokkan data yang diinginkan seperti pada gambar 7
berikut.

Gambar 7. Menentukan jumlah cluster

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.

Gambar 8. Hasil clustering pada rapid miner

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.

Implementasi Algoritma K-Means menggunakan Weka

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

Gambar 9 Proses import data

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

Gambar 10. Penerapan algoritma K-Means pada Weka

c) Langkah selanjutnya yaitu klik tombol start untuk menjalankan proses clustering data pada aplikasi Weka
seperti pada gambar 11 berikut

Gambar 11. Menetukan jumlah cluster

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

Gambar 12. Hasil clustering pada Weka

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.

UCAPAN TERIMA KASIH

Puji syukur penulis panjatkan kepada Tuhan YME, karena atas berkat dan rahmat-Nya, penulis dapat
menyelesaikan skripsi ini. Penulisan skripsi ini dilakukan dalam rangka memenuhi salah satu syarat untuk
12
Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA), Vol: 1, No: 2, page-page

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