1
METODE CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK REKOMENDASI PEMILIHAN BIDANG KEAHLIAN PADA PROGRAM STUDI TEKNIK INFORMATIKA Muhammad Faisal Mirza A11.2009.04930 Program Studi Teknik Informatika –S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro, Jl. Nakula 1 No. 5-11. Semarang
[email protected] ABSTRAK Fakultas ilmu komputer merupakan salah satu fakultas favorite di Universitas Dian Nuswantoro terutama pada jurusan Teknik Informatika. Jurusan Teknik Informatika sendiri rencananya akan dibagi menjadi 3 bidang keahlian yaitu Keahlian Informatic, Software develop and enginer, dan Networking. Dalam pembagian bidang keahlian tersebut banyak mahasiswa akan mengalami kesulitan untuk menentukan keahlian mana yang akan diambilnya. Maka dari itu butuh rekomendasi untuk mereka.Fuzzy C-means adalah suatu teknik pengklasteran data yang mana keberadaan pada setiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan. Beberapa penelitian telah menghasilkan kesimpulan bahwa algoritma Fuzzy C-Means dapat dipergunakan untuk mengelompokkan data berdasarkan atribut-atribut tertentu. Pada penelitian ini akan digunakan algoritma Fuzzy C-Means untuk mengelompokkan mahasiswa berdasarkan transkip nilai mata kuliah prasayarat untuk rekomendasi penjurusan. tujuan dari penelitian ini adalah menerapkan metode clustering dengan Algoritma Fuzzy C-Means dalam kasus pengelompokkan mahasiswa berdasarkan transkip nilai mata kuliah prasyarat untuk rekomendasi pemilihan bidang keahlian. Kata kunci : clustering, rekomendasi penjurusan mahasiswa
untuk
BAB I
mereka,
Untuk
merekomendasikan
mahasiswa yang begitu banyak tentu tidak
PENDAHULUAN
mudah karena kita harus mengelola data yang 1.1.
Latar Belakang
begitu besar yang memiliki jumlah field dan
Fakultas ilmu komputer merupakan salah satu
jumlah record yang begitu banyak. Teknologi
fakultas
data mining merupakan salah satu alat bantu
favorite
di
Universitas
Dian
Nuswantoro terutama pada jurusan Teknik
untuk
Informatika. Jurusan Teknik Informatika sendiri
berukuran besar dan dengan spesifikasi tingkat
rencananya akan dibagi menjadi 3 bidang
kerumitan yang telah banyak digunakan pada
keahlian yaitu Keahlian Informatic, Software
banyak domain aplikasi seperti perbankan
develop and enginer, dan Networking. Dalam
maupun bidang telekomunikasi [1]. oleh karena
pembagian bidang keahlian tersebut banyak
itu teknologi data mining dapat dimanfaatkan
mahasiswa akan mengalami kesulitan untuk
untuk melakukan pengelompokkan mahasiswa
menentukan
akan
berdasarkan nilai mata kuliah yang terkait
diambilnya. Maka dari itu butuh rekomendasi
dengan bidang keahlian yang ada sehingga
keahlian
mana
yang
penggalian
data
pada
basis
data
2
dapat memberikan gambaran kepada mahasiswa
atau tingkat keanggotaan yang berbeda
untuk memilih program keahlian yang sesuai
antara 0 hingga 1 [5].
dengan kemampuan mereka. Clustering
merupakan
salah
1.2.
Rumusan Masalah
satu metode data mining. Clustering
Berdasarkan uraian yang kami
berguna untuk mengelompokkan data
kemukakan di
(objek) yang didasarkan pada informasi
penelitian ini dapat diambil rumusan
yang
ditemukan
data
yang
masalah sebagai berikut “bagaimana
tersebut
dan
menerapkan metode Clustering dengan
hubungan diantaranya [2].pada penelitian
alogritam Fuzzy C-means dalam kasus
yang dilakukan oleh jimmy, Sherwin [4]
pengelompokkan mahasiswa berdasarkan
tentang segmentasi citra spot dengan
transkip nilai mata kuliah prasyarat
menggunakan pendekatan
Fuzzy C-
sebagai rekomendasi untuk mengambil
means menyimpulkan bahwa metode
bidang keahlian yang sesuai dengan
logika
kemampuan mahasiswa.
menggambarkan
samar
dalam
atas maka dalam
objek
(Fuzzy
C-Means
Clustering) memiliki tingkat kestabilan ouput / hasil yang lebih baik daripada
1.3.
Batasan Masalah
pendekatan metode konvensional (K-
Batasan masalah untuk penelitian ini
Means
meliputi :
Clustering).
sedangkan
pada
penelitian yang dilakukan oleh Budi,
a.
Penelitian
ini
diberlakukan
untuk
Rizal [7] tentang pembagian kelas kuliah
program studi Teknik Informatika S1
mahasiswa
algoritma
Fakultas Ilmu Komputer Universitas
C-Means
Dian Nuswantoro.
menggunakan
pengklasteran
Fuzzy
menyimpulkan bahwa Fuzzy C-means
b.
cocok untuk alokasi mahasiswa menjadi
ini
akan
c.
menggunakan
menggunakan
data
Penelitian ini menggunakan transkip nilai mata kuliah prasyarat.
algoritma Fuzzy C-means. Fuzzy Cmeans Clustering
ini
mahasiswa angkatan 2009.
beberapa kelas. Oleh karena itu dalam penelitian
Penelitian
d.
adalah salah satu
Penelitian
ini
diaplikasikan
menggunakan matlab 7.10.
algoritma clustering yang merupakan bagian dari metode Hard K-Means. Fuzzy C-means menggunakan model
1.4.
Tujuan Penelitian Berdasarkan rumusan masalah diatas
pengelompokan Fuzzy sehingga data
maka
dapat menjadi anggota dari semua kelas
menerapkan metode clustering dengan
atau cluster terbentuk dengan derajat
Algoritma Fuzzy C-Means
tujuan
penelitian
ini
adalah
dalam kasus
pengelompokkan mahasiswa berdasarkan
3
1.5.
transkip nilai mata kuliah prasyarat untuk
memberikan gambaran untuk penjurusan
rekomendasi pemilihan bidang keahlian.
berdasarkan nilai siswa semester lalu. jimmy, Sherwin [4] dengan judul
Manfaat Penelitian Manfaat dari penelitian ini adalah :
“Segmentasi
a.
Bagi Penulis, penelitian ini berguna
Menggunakan Pendekatan Fuzzy C-means”.
untuk
wawasan
Sistem tersebut memberikan perbandingan
metode
segmentasi citra spot antara Fuzzy C-means
menambah
mengenai
data
mining
Clustering dengan algoritma Fuzzy
Bagi
Program
Studi
Informatika,
c.
Budi,
Teknik
penelitian
rizal
“Pembagian
ini
Fuzzy”
membantu
membuat
dalam
[7]
Kelas
Menggunakan
merupakan salah satu upaya untuk mahasiswanya
Spot
dengan
dengan K-means.
C-means beserta penerapannya. b.
Citra
dengan
Kuliah
Algoritma
judul
Mahasiswa Pengklasteran
sistem tersebut bertujuan untuk pembagian
kelas
mahasiswa
memilih bidang keahlian.
berdasarkan nilai prestasi pada mata kuliah
Hasil penelitian ini juga dapat
yang menjadi prasyarat untuk menempuh
dimanfaatkan
mata kuliah yang baru.
sebagai
referensi
untuk penelitian selanjutnya. 2.2
Landasan teori 2.2.1
BAB II LANDASAN TEORI DAN TINJAUAN
Data mining
Secara sederhana data mining adalah penambangan atau penemuan informasi
PUSTAKA
baru dengan mencari pola atau aturan 2.1
tertentu dari sejumlah data yang sangat
Tinjauan Pustaka Penelitian mengenai pengelompokkan data untuk mendapatkan informasi tentang rekomendasi
penjurusan
bukanlah
baru
pertama kali ini dilakukan , sudah ada penelitian metode
terdahulu clustering
tentang
penerapan
tersebut.
Penelitian
terdahulu yang relevan dengan penelitian ini
wijaya [3] dengan judul “Analisis K-means
sebagai knowledge discovery in database (KDD).
KDD
adalah
kegiatan
yang
meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola
atau
hubungan
dalam
set
data
berukuran besar [10]. Data mining adalah kegiatan menemukan pola yang menarik
adalah sebagai berikut.
Algoritma
besar[9]. Data mining, sering juga disebut
untuk
Sistem
Pendukung Keputusan Penjurusan Siswa di MAN Binong Subang”. Sistem tersebut
dari data dalam jumlah besar, data dapat disimpan dalam database, data warehouse, atau penyimpanan informasi lainnya. Data mining berkaitan dengan bidang ilmu – ilmu lain, seperti database system, data
4
warehousing, statistik, machine learning,
gunungan data. Kata mining sendiri
information
berarti usaha untuk mendapatkan
retrieval,
dan
komputasi
tingkat tinggi. Selain itu, data mining
sedikit
didukung oleh ilmu lain seperti neural
sejumlah besar material dasar.
network, pengenalan pola, spatial data analysis,
image
berharga
dari
Karena data mining adalah
signal
suatu rangkaian proses, data mining
processing [10]. Data mining didefinisikan
dapat dibagi menjadi beberapa
sebagai
pola-pola
tahap. Tahap-tahap tersebut bersifat
dalam data. Proses ini otomatis atau
interaktif di mana pemakai terlibat
seringnya
yang
langsung atau dengan perantaraan
ditemukan harus penuh arti dan pola
knowledge base. Tahap-tahap ini
tersebut memberikan keuntungan, biasanya
diilustrasikan di Gambar 2.1:
proses
database,
barang
menemukan
semiotomatis.
Pola
keuntungan secara ekonomi. Data yang dibutuhkan
dalam
jumlah
besar[12].
Karakteristik data mining sebagai berikut : a.
Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data
tertentu
yang
tidak
diketahui sebelumnya. b.
Data
mining
menggunakan
biasa
data
yang
sangat besar. Biasanya data yang besar digunakan untuk membuat
hasil
lebih
Data mining berguna untuk membuat keputusan yang kritis,
terutama
dalam
Berdasarkan
beberapa
pengertian yang telah disebutkan maka
Pembersihan data (data cleaning) Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. Pada umumnya data
strategi [9].
diatas,
Tahap-tahap data mining ada 6 yaitu : a.
dipercaya. c.
Gambar 2.1 tahap-tahap data mining
dapat
ditarik
kesimpulan bahwa data mining adalah suatu teknik untuk menggali informasi yang tersembunyi pada
yang diperoleh, baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah
5
ketik. Selain itu, ada juga atribut-
antar produk yang sebenarnya tidak
atribut data yang tidak relevan
ada.
dengan hipotesa data mining yang
c.
dimiliki.
Data-data
yang
Seleksi Data (Data Selection)
tidak
Data yang ada pada
relevan itu juga lebih baik dibuang.
database sering kali tidak
Pembersihan
semuanya
data
mempengaruhi
juga
akan
oleh
dari
karena itu hanya data yang
teknik data mining karena data
sesuai untuk dianalisis yang
yang ditangani akan berkurang
akan diambil dari database.
jumlah dan kompleksitasnya.
Sebagai contoh, sebuah kasus
b.
performasi
dipakai,
Integrasi
data
(data
yang
integration) Integrasi
meneliti
faktor
kecenderungan
data
orang
merupakan
membeli dalam kasus market
penggabungan data dari berbagai
basket analysis, tidak perlu
database ke dalam satu database
mengambil nama pelanggan,
baru. Tidak jarang data yang
cukup dengan id pelanggan
diperlukan untuk data mining tidak
saja.
hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Integrasi
d.
Transformasi
data
(Data
diubah
atau
Transformation) Data
data dilakukan pada atribut-aribut
digabung ke dalam format
yang mengidentifikasikan entitas-
yang sesuai untuk diproses
entitas yang unik seperti atribut
dalam data mining. Beberapa
nama,
metode
jenis
produk,
nomor
data
mining
pelanggan dan lainnya. Integrasi
membutuhkan
data perlu dilakukan secara cermat
yang khusus sebelum bisa
karena kesalahan pada integrasi
diaplikasikan. Sebagai contoh
data bisa menghasilkan hasil yang
beberapa
menyimpang
seperti analisis asosiasi dan
menyesatkan nantinya.
dan
bahkan
pengambilan
Sebagai
contoh
format
metode
data
standar
aksi
clustering
hanya
bisa
bila
menerima
input
data
integrasi data berdasarkan jenis
kategorikal. Karenanya data
produk ternyata menggabungkan
berupa angka numerik yang
produk dari kategori yang berbeda
berlanjut perlu dibagi-bagi
maka akan didapatkan korelasi
menjadi
beberapa interval.
6
Proses
e.
ini
sering
disebut
mengenai
yang
transformasi data.
digunakan untuk memperoleh
Proses mining
pengetahuan yang diperoleh
Merupakan
suatu
pengguna. Tahap terakhir dari
proses utama saat metode
proses data mining adalah
diterapkan untuk menemukan
bagaimana memformulasikan
pengetahuan
keputusan atau aksi dari hasil
berharga
dan
tersembunyi dari data. f.
metode
Evaluasi
pola
analisis yang didapat. Ada (pattern
kalanya
evaluation)
hal
ini
harus
melibatkan orang-orang yang
Untuk
tidak memahami data mining.
mengidentifikasi
pola-pola
Karenanya presentasi hasil
menarik kedalam knowledge
data mining dalam bentuk
based yang ditemukan. Dalam
pengetahuan
tahap ini hasil dari teknik data
dipahami semua orang adalah
mining berupa pola-pola yang
satu tahapan yang diperlukan
khas maupun model prediksi
dalam proses data mining.
dievaluasi
Dalam
untuk
menilai
yang
presentasi
apakah hipotesa yang ada
visualisasi
memang
membantu
bisa
ini,
juga
bisa
ternyata hasil yang diperoleh
mengkomunikasikan
hasil
tidak sesuai hipotesa ada
data mining [11].
tercapai.
Bila
beberapa alternatif yang dapat diambil
seperti
2.2.2
Clustering
menjadikannya umpan balik untuk
g.
memperbaiki
proses
Clustering adalah pekerjaan mengelompokkan yang
data mining lain yang lebih
informasi yang ditemukan dalam
sesuai, atau menerima hasil
data yang menggambarkan objek
ini sebagai suatu hasil yang di
tersebut dan hubungan diantaranya
luar dugaan yang mungkin
[11]. Tujuannya adalah agar objek-
bermanfaat.
objek pengetahuan
(knowledge presentation)
sebuah
yang
bergabung
kelompok
objek-objek
hanya
(objek)
data mining, mencoba metode
Presentasi
didasarkan
data
yang
pada
dalam
merupakan mirip
(atau
Merupakan visualisasi
berhubungan) satu sama lain dan
dan penyajian pengetahuan
berbeda (atau tdak berhubungan)
7
dengan objek dalam kelompok
maka dapat dilihat bahwa pusat klaster akan
yang lain. Lebih besar kemiripanya
bergerak menuju lokasi yang tepat. Perulangan ini
(homogenitas)
kelompok
didasarkan pada minimisasi fungsi objektif yang
perbedaanya
menggambarkan jarak dari titik data yang
dianara kelompok yang lain [13].
diberikan ke pusat klaster yang terbobot oleh
Menurut
dalam
derajat keanggotaan titik data tersebut. Keluaran
kelompok, pengelompokkan dapat
dari Fuzzy C-means bukan merupakan sistem
dibagi menjadi dua, yaitu eksklusif
inferensi kabur, namun merupakan deretan pusat
dan
Dalam
klaster dan beberapa derajat keanggotaan untuk
kategori eksklusif sebuah data bisa
tiap tiap titik data. Algoritma Fuzzy C-means
dipastikan hanya menjadi anggota
sebagai berikut.
dan
lebih
dalam besar
keanggotaan
tumpang
tindih.
satu kelompok dan tidak menjadi
a)
anggota kelompok lain. Metode
berupa matriks berukuran n×m ( n = jumlah
pengelompokkan
masuk
sampel data, m = atribut setiap data). ik U =
dalam kategori ini adalah K-means
data sampel ke-i (i =1,2,...,n), atribut ke- k( k
dan DBSCAN, sedangkan yang
=1,2,...,m).
yang
Masukan data yang akan diklaster U ,
masuk kategori tumpang tindih
b) Menetapkan nilai pangkat w
adalah metode yang membolehkan
>1 (misal: w =2), Eps (galat
sebuah data menjadi anggota di
terkecil) (misal: 10-5), MaxIter
lebih dari satu kelompok yaitu
(misal:100), jumlah klaster c >
Fuzzy C-means, pengelompokkan
1, dan t = 0 ; Menetapkan
hierarki [13].
fungsi objektif awal: P (c) t secara acak;
2.2.3
c)
Fuzzy C-means Fuzzy C-means adalah suatu
f µ awal sembarang, sebagai
teknik pengklasteran data yang mana keberadaan
berikut.
pada setiap titik data dalam suatu klaster
( )
ditentukan oleh derajat keanggotaan. Konsep dasar Fuzzy C-means, yang pertama adalah menentukan pusat klaster, yang berfungsi untuk menandai lokasi rata-rata untuk tiap-tiap klaster. Pada kondisi awal, pusat klaster ini masih belum akurat. Tiap-tiap titik data memiliki derajat
Menetapkan matriks partisi (c)
=
. . .
. . . (1)
keanggotaan untuk tiap-tiap klaster. Dengan cara memperbaiki
pusat
klaster
dan
derajat
keanggotaan tiap-tiap titik data secara berulang
. . .
. . . . . .
. . .
. . .
d) Menaikkan nomor iterasi: t = t +1.
8
e)
Menghitung pusat vektor tiaptiap klaster untuk matrik partisi
No
Judul
Pengarang
jenis
tersebut sebagai berikut.
1
Data Mining
Eko
Buku
Konsep
Prasetyo
= (2)
∑
∑
Memodifikasi
!(
!(
)
)
tiap-tiap
Menggunakan Matlab 2
nilai
|" − = $% & " − | * !
•
!/( -!) -!
|) + * |)
Siswa Di Man Binong Subang 3
Pembagian
Helmy
Kelas Kuliah
Yulianto
(0 ) = 1, jika i = g ;
Mahasiswa
Hadi,
(0 ) = 0, jika i ≠ g ;
Menggunakan
Rizal
Algoritma
Isnanto,
Pengklasteran
Budi
Fuzzy
Setiyono
( )
Menghitung fungsi objektif:
.
= % %(5 ) |" −
(5)
6
wijaya
Penjurusan
/
Jika 0 = 1 ,
23(4)
Algortima K-
Pendukung
(4) f)
jurnal
Keputusan
.
(3)
Arim
Sistem
Jika k fi y ≠ v ,
" (# )
Analisis
Means Untuk
keanggotaan sebagai berikut. •
dan
Aplikasi
!
|)
g) Memodifikasi matriks partisi sebagai berikut:
. . .
=
. .
. . .
.
(6) h) Mengecek
kondisi
Jurnal
R.
. . . . . .
. . .
untuk
berhenti, yaitu:
(|78 ( ) − 78- ( )|
< :;< )>?> (? > A>BC?DE)
Jika ya berhenti, dan jika tidak ulangi kembali ke langkah-5 [7].
. . .
9
BAB III METODE PENELITIAN
3.1
No
Pertanyaan
1
Jurusan
Jenis Penelitian Penelitian yang dilaksanakan adalah jenis penelitian eksperimen,
2
-software
teknik
develop and
informatika
enginer
Fakultas ilmu
-Network
pengelompokkan
diterapkan
berdasarkan transkrip nilai mata
disemester
pengumpulan
3
algoritma
beberapa
data
disemester 5
tersebut..?
membuat
C-means,
diterapkan
penjurusan
Metode Pengumpulan Data
Fuzzy
Akan
berapa
dengan bidang keahlian.
Untuk
di
Akan
kuliah prasyarat yang berhubungan
3.2
-Informatik
ada di Jurusan
udinus..?
implementasi algoritma Fuzzy Cdalam
saja yang akan
komputer
yaitu Mencoba untuk melakukan
Means
Jawaban apa
dan
teknik
Bagaimana
Saat
konsep
masih
penjurusan
peminatan..,
tersebut..?
belum
variable
penjurusan. 4
Studi kepustakaan dan literatur,
Kenapa belum di
digunakan untuk mendapatkan data
Contoh
penjurusan
dan
saat
ini
yang rekomendasi
kepustakaan
Untuk
terapkan
awal tentang dasar Fuzzy C-means. studi
ada
rekomendasi
digunakan, diantaranya adalah : a.
ini
konsepnya belum siap.
literature yang saya gunakan adalah : 3.3
Tabel 3.1 Literatur
Sumber Data a.
b.
Jenis
data
yang
digunakan
yaitu
dalam penelitian ini berupa data
memperoleh
primer dan data sekunder: Data
data tentang pembagian bidang
Primer: berupa data tentang
keahlian di program studi Teknik
mekanisme
Informatika
Wawancara dilakukan
mendalam, untuk
Komputer Nuswantoro. dilakukan Teknik
pelaksanaan
Fakultas
Ilmu
pemilihan bidang keahlian yang
Universitas
Dian
diperoleh dengan wawancara
ini
kepada kepala program studi
Wawancara dengan
Informatika.
kaprogdi Data
wawancara tersebut dapat dilihat
Teknik Ilmu
Informatika Komputer
Fakultas
Universitas
Dian Nuswantoro.
dibawah ini :
Tabel
3.3
Mekanisme
Tabel 3.2 Wawancara
Pemlihan Bidang
10
N
Pertanya
o
an
1
Akan
dilakukan pada bulan Maret 2013. 3.5
Tahap-Tahap Penelitian Tahap-tahap penelitian ini meliputi
diterapka
1.
n
Akan
disemest
ambil
r5
an
kompetensi
untuk
Mata kuliah yang wajib di
disemeste
penjurus
Tahap
pemilihan peminatan
diterapkan
er berapa
2
Dian Nuswantoro. Waktu penelitian
Jawaban
sebelum
peminatan
adalah sebagai berikut :
tersebut..
a.
Kalkulus
?
b.
Fisika
c.
Matematika diskrit
Bagaima
Saat
ini
na
masih
d.
Dasar pemrograman
konsep
peminatan
e.
Rekayasa
penjurus
..,
an
ada
tersebut..
rekomend
?
asi
g.
Sistem digital
penjurusa
h.
Sistem operasi
n.
i.
Organisasi
perangkat
lunak
belum f.
Algoritma pemrograman
dan
arsitektur komputer b.
Data Sekunder: berupa data
Dan berikut adalah bidang
mahasiswa
mata
keahlian yang akan menjadi
dan
nilai
kuliah
prasayarat
yang
pilihan mahasiswa:
diperoleh
dari
data
a.
Informatik
b.
Software Developt and
ruang
(database akademik). 3.4
Enginer
Tempat dan Waktu Penelitian Dalam
c.
melaksanakan
penelitian ini, tempat yang dijadikan bahan penelitian yaitu Program Studi
2.
Network
Tahap Praprocessing Data Tahap
praprocessing
Teknik Informatik Fakultas Ilmu
data adalah tahap dimana kita
Komputer
Dian
mencari nilai dari masing-
Nuswantoro tepatnya di ruang data
masing mata kuliah bidang
dan di ruang dosen di meja kepala
keahlian.
program
Informati
kuliah bidang keahlian didapat
Fakultas Ilmu Komputer Universitas
dari mencari nilai rata-rata dari
Universitas
studi
Teknik
Nilai
dari
mata
11
b. Bidang Software Developt
setiap mata kuliah prasyarat dari
masing-masing
and Enginer
bidang
keahlian. Untuk mengetahui
SDE
mata kuliah prasyarat dari
PFIFN QLKNRSNFKFT J FGSRN 8KF QLKNRSNFKFT J UVW
masing-masing
bidang
Network
=
X I8LK RQLNFI J I I8LK M S 8FG J RNSFT IFI MFT FNI 8L 8HN R
korelasi antara mata kuliah dengan
O
c. Bidang Network
keahlian kita dapat melihat
prasyarat
=
O
bidang
keahlian sebagai berikut : 3.
Tahap Pengolahan Data
Kalkulus
Tahap pengolahan data adalah tahap dimana data
Fisika Informati
yang telah di dapat nilai Matematika Diskrit
rata-ratanya tadi diproses sesuai
Dasar Pemrogram
algoritma
Fuzzy C-means untuk di cari
Rekayasa Perangkat
SDE
dengan
nilai
derajat
keanggotaannya.
Nilai
derajat keanggotan ini yang akan
Algoritma Pemrogram
digunakan
sebagai
acuan untuk menentukan mahasiswa
Sistem
masuk
ke
kelompok apa. Sistem
Network
BAB V KESIMPULAN DAN SARAN
Organisai & arsitektur Komputer
5.1
Kesimpulan
1. Algoritma Fuzzy C-means untuk Gambar 3.1 : korelasi antara bidang keahlian dengan matakuliah prasyarat.
Berikut cara perhitungan nilai rata-rata mata kuliah prasyarat berdasarkan bidang keahlian. a.
Bidang keahlian Informatik Informatik FG HGHI J
= I F J KF8LKF8 F M I N 8 O
rekomendasi penjurusan dapat di terapkan dengan memanfaatkan keluaran Ui sebagai penentu setiap mahasiswa masuk ke kelompok mana dan memanfaatkan hasil keluaran Vi untuk menentukan setiap kelompok diidentifikasikan sebagai jurusan apa.
2. Dari hasil pengelompokkan kita juga dapat mengetahui rata-rata nilai
12
mahasiswa di setiap jurusan dengan memanfaatkan hasil keluaran Vi.
3. Algoritma
Fuzzy C-means menggunakan iterasi yang berulangulang untuk menentukan pengelompokkan. Iterasi tersebut diulang hingga mendekati fungsi objektif yang paling optimal.
5.2
Saran 1.
Penilitian
ini
hanya
sebagai
penerapan dari algoritma Fuzzy Cmeans.
Agar
disarankan
lebih
di
bermanfaat
bangun
sistem
informasinya. 2.
Agar mendapatkan hasil clustering yang
lebih
optimal
disarankan
melakukan penelitian lebih lanjut untuk memodifikasi algoritma Fuzzy C-means
atau
menggabungkan
algoritma Fuzzy C-means dengan algoritma lain.
