ANALISIS CLUSTERGAYA BELAJAR SISWA SEKOLAH MENEGAH KEJURUAN DENGAN PENDEKATAN METODE K-MEANS DAN FUZZY C- MEANS (FCM)

Please download to get full document.

View again

of 9
27 views
PDF
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
Document Description
ANALISIS CLUSTERGAYA BELAJAR SISWA SEKOLAH MENEGAH KEJURUAN DENGAN PENDEKATAN METODE K-MEANS DAN FUZZY C- MEANS (FCM) CLUSTER ANALYSIS FOR LEARNING STYLE OF VOCATIONAL HIGH SCHOOL STUDENT USING K-MEANS
Document Share
Document Transcript
ANALISIS CLUSTERGAYA BELAJAR SISWA SEKOLAH MENEGAH KEJURUAN DENGAN PENDEKATAN METODE K-MEANS DAN FUZZY C- MEANS (FCM) CLUSTER ANALYSIS FOR LEARNING STYLE OF VOCATIONAL HIGH SCHOOL STUDENT USING K-MEANS AND FUZZY C-MEANS (FCM) Shinta Palupi STMIK Widya Cipta Dharma Samarinda Jl. M.Yamin No 25 Samarinda Reza Andrea STMIK Widya Cipta Dharma Samarinda Jl. M.Yamin No 25 Samarinda Siti Qomariah STMIK Widya Cipta Dharma Samarinda Jl. M.Yamin No 25 Samarinda (Diterima: ;Direvisi : ; Disetujui terbit: ) Abstrak Ketidakmampuan siswa dalam menyerap berbagai pengetahuan bukan dikarenakan ketidakmampuannya pemahamanan bukan pula karena guru tidak mampu mengajar, melainkan lebih dikarenakan ketidak cocokan gaya belajar (learning style) antara siswa dan guru, sehingga siswa merasa tidak nyaman belajar pada guru, hal tersebut terjadi juga di Sekolah Menengah Kejuruan, penelitian untuk menganalisa cluster (kelompok) tipe belajar siswa dengan menerapkan metode data mining yaitu K-means dan Fuzzy C-means (FCM). Tujuan ingin dicapai adalah mengetahui keefektifan clustering tipe belajar ini terhadap perkembangan daya serap dan peningkatan prestasi belajar siswa. Dalam penelitian ini metode yang digunakan dimulai dari tahap data cleaning, data selection, data transformation, pemambangan data, pattern evolution, dan pengembangan pengetahuan (knowledge). Hasil Penelitian didapatkan dengan mengunakan metode K-Means dan FCM dapat dibentuk 4 cluster yaitu tipe belajar audio dan visual, tipe belajar visual dan audio, tipe belajar visual serta tipe belajar kinestetis dan audio. Kata kunci : Data mining, tipe belajar, clustering, FCM, K-means Abstract The inability of students to absorb the various knowledge conveyed by the teacher is not due to the inability of his understanding and not because the teacher is not able to teach, but rather due to the incompatibility of learning styles (learning style) between students and teachers, so that students feel uncomfortable learning to certain teachers, it occurred also in Vocational High School Student, research to analyze cluster (group) type of student learning by applying data mining method that is K-means and Fuzzy C-means (FCM). The goal to be achieved is to know the effectiveness of this type of learning clustering on the development of absorptive capacity and improvement of student achievement. In this research, the method used to cluster the learning type with data mining process starting from data cleaning, data selection, data transformation, data mining, pattern evolution, and knowledge (knowledge). The result of the research was obtained by using K-Means and FCM method can be shown 4 clusters which are combination of auditory and visual learning style, visual and auditory style, only visual style and kinesthetic and auditory style. Keywords: data mining, learning style, clustering, FCM, K-means 102 Analisis ClusterGaya Belajar Siswa Smkn 2 Penajam Paser Utara Dengan Pendekatan Metode K-Means Dan Fuzzy C-Means (FCM) Shinta Palupi, Reza Andrea, Siti Qomariah PENDAHULUAN Konsep belajar menurut UNESCO, menuntut setiap satuan pendidikan untuk dapat mengembangkan empat pilar pendidikan baik untuk sekarang dan masa depan, yaitu: (1) learning to know (belajar untuk mengetahui), (2) learning to do (belajar untuk melakukan sesuatu) dalam hal ini peserta didik dituntut untuk terampil dalam melakukan sesuatu, (3) learning to be (belajar untuk menjadi seseorang), dan (4) learning to live together (belajar untuk menjalani kehidupan bersama). Belajar merupakan proses perubahan tingkah laku dari seseorang yang asalnya tidak tahu menjadi tahu, yang tidak terampil menjadi terampil, yang tidak tahu cara mengerjakan sesuatu menjadi mampu mengerjakan sesuatu yang semuanya merupakan hasil dari pengalaman atau interakasi dengan lingkungan yang dilakukan secara sengaja. Dengan demikian, perubahan perubahan yang terjadi pada peserta didik adalah prose belajar mengajar dengan kata lain disebut hasil belajar. Para ahli di bidang pendidikan menemukan fakta bahwa setiap individu siswa memiliki tipe belajarnya (gaya belajar) Tipe belajar merupakan gaya belajar yang dimiliki oleh setiap individu yang merupakan cara termudah dalam menyerap, mengatur dan mengolah informasi. Tipe belajar seseorang dapat dibagi menjadi tiga hal (Deporter dan Hernacki, 2011). Manusia visual, dimana ia akan secara optimal menyerap informasi yang dibacanya/dilihatnya. Manusia auditori, dimana informasi yang masuk melalui apa yang didengarnya akan diserap secara optimal. Manusia kinestetik, dimana ia akan sangat senang dan cepat mengerti bila informasi yang harus diserapnya terlebih dahulu dicontohkan atau ia membayangkan orang lain melakukan hal yang akan dipelajarinya 103 Clustering adalah metode data mining yang unsupervised, karena tidak ada satu atributpun yang digunakan untuk memandu proses pembelajaran, jadi seluruh atribut input diperlakukan sama. Kebanyakan Algoritma Clustering membangun sebuah model melalui serangkaian pengulangan dan berhenti ketika model tersebut telah memusat atau berkumpul (batasan dari segmentasi ini telah stabil) (Witten, Frank dan Hall, 2011). Perkembangan lebih lanjut dari analisis kelompok adalah dengan mempertimbangkan tingkat kenggotaan yang mencakup himpunan fuzzy sebagai dasar pembobotan bagi pengelompokan yang disebut dengan fuzzyclustering. Metode ini merupakan pengembangan dari metode partisi cara tegas (K-Means) dengan melakukan pembobotan fuzzy yang memungkinkan objek untuk bias bergabung ke setiap kelompok yang ada. Salah satu teknik yang merupakan bagian dari metode nonhierarkhi dengan menggunakan logika Fuzzy C-Means (FCM). Algoritma ini pertama kali diperkenalkan oleh Dunn pada Secara umum, algoritma Fuzzy C-means berbasis pada fungsi objektif yang diperoleh dari penghitungan jarak terhadap pusat kelompok. Dengan teknik ini objek akan cenderung menjadi anggota suatu kelompok dimana objek tersebut memiliki derajat keanggotannya yang tertinggi terhadap kelompoknya. Pada penelitian ini akan dilakukan pengolahan data tipe belajar siswa di SMK Negeri 2 Penajam Paser Utara dengan metode data mining K-means dan Fuzzy C-means (FCM) dengan tujuan memberikan proses pembelajaran yang baik dan efektif. Melakukan klasifiasi menjadi kelompok-kelompok (cluster) siswa dan menentukan keputusan metode yang belajar yang tepat terhadap kelompok-kelompok tersebut. Hasil akhir penelitian ini diharapkan dapat meningkatkan kemampuan siswa dalam menyerap pengetahuan dari guru. Perumusan Masalah Masalahan yang ada pada penelitian ini adalah: 1. Belum adanya penelitian mengenai tipe belajar siswa di SMK Negeri 2 Penajam Paser Utara 2. Belum adanya pemetaan tipe belajar siswa per kelas. 3. Masih banyak guru yang belum dapat menemukan metode cara mengajar yang tepat terhdap siswanya. 4. Adanya siswa yang keluar kelas jika tidak menyukai guru dengan cara belajar tertentu. Tujuan Tujuan dari penelitian ini adalah : 1. Melakukan clustering tipe belajar siswa dengan metode data mining K- means dan Fuzzy C-mean. 2. Membandingkan dan menganalisis pengelompokkan tipe belajar hasil penerapan metode K-means dan Fuzzy C-mean. 3. Menarik hasil analisis guna merumuskan keputusan gaya belajar yang tepat bagi setiap kelompok kelas siswa. 4. Mensosialisasikan kepada para guru dan pihak sekolah,gaya mengajaryang tepat bagi siswanya. METODE Kajian Empiris Penelitian tentang game dengan teknik yang sama telah banyak dilakukan antara lain : 1. Comparative Analysis of K-Means and Fuzzy C-Means Algorithms (Ghosh & Dubey, 2013) 2. Pemetaan Gaya Belajar Mahasiswa dengan Clustering menggunakan Fuzzy C-means(Lestari, 2015) 3. Perbandingan Metode K-Mean sdengan Fuzzy C-Means Untuk Analisa Karakteristik Mahasiswa Berdasarkan Kunjungan Ke Perpustakaan (Merliana, 2015) Pada penelitian yang dilakukan Ghosh & Dubey, komparatif dua algoritma K-Means dan Fuzzy C- Meansdiukur dengan melihat iterasi pergerakan titik centroid, dimana penelitian ini melihat keakuratan dan kelemahan kedua metode dalam menyelesaikan masalah clustering beberapa kasus eksperimen. Pada penelitian yang dilakukan Lestari, telah dititik beratkan penelitian pada pengelompokan mahasiswa berdasarkan gaya belajarnya kemudia menganalisa keterkaitan gaya belajar mahasiswa dengan prestasi belajar. Pada penelitian Merliana, kedua metode K-Means dan Fuzzy C-Means di uji coba pada studi kasus pengunjung perpustakaan Sekolah Tinggi Agama Hindu Negeri Tampung Penyang Palangka Raya. hasil penelitian dengan pengujian data mahasiswa ini diperoleh hasil nilai clusteryang terbaik adalah metode K-Means dibandingkan Fuzzy C-Means, karena Kmeans memperlihatkan adanya hubungan antara variabel baik itu dari data perpustakaan maupun data akademik mahasiswa. Sedangkan pada penelitian ini dititik beratkan pada penerapan metode K- means dan Fuzzy C-mean (FCM) untuk clustering tipe belajar siswa, serta mengukur tingkat kevalidan dari dari final model dari masing-masing metode. Hasil penelitian ini dapat digunakan oleh pihak sekolah untuk membantu mengambil kebijakan menentukan model penganjaran yang cocok di setiap kelasnya. Tahapan Penelitian Metode penelitian pada penelitian ini adalah penelitian eksperimen dengan tahapan penelitian seperti berikut: 1. Pengumpulan data Data yang dikumpulkan langsung dari sumber data dari rapor persemeter siswa. Pengumpulan data juga melalui data kuisioner dan wawancara ke guru dan pihak sekolah. 104 2. Pengolahan awal data (data cleaning) Data yang sudah dikumpulkan diolah dengan algoritma soft-computing untuk mengurangi data yang tidak relevan, atau data dengan atribut yang hilang.sedangkan data yang relevan dengan tugas analisis dikembalikan ke dalam database (proses selection). 3. Pembentukan modelyang diusulkan (data transformation) Pada metode ini,datamining akan digambarkan secara skematik dan disertai dengan formula perhitungan. Model akan dibentuk dari data yang sudah diolah, dan hasil pengolahan model akan diukur dengan model yang ada saat ini. 4. Eksperimen dan pengujian model Menjabarkan bagaimana eksperimen yang dilakukan hingga terbentuknya model, serta menjelaskan cara menguji model yang terbentuk. 5. Evaluasi dan validasi hasil (pattern evaluation) Evaluasi dilakukan dengan mengamati hasil cluster menggunakan kedua algoritma soft-computing. Validasi dilakukan dengan mengukur hasil cluster dan dibandingkan dengan data asal. Pengukuran kinerja dilakukan dengan membandingkan nilai error hasil cluster masing-masing algoritma sehingga dapat diketahui algoritma yang lebih akurat. 6. Knowledge presentation gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan pengetahuan yang telah ditambang kepada pengguna. Pada tahap ini pengembangan pengetahuan dapat digunakan oleh pihak sekolah untuk membantu mengambil kebijakan menentukan model penganjaran yang cocok di sekolah. Lokasi Penelitian Penelitian ini dilaksanakan di SMKN 2 Penajam Paser Utara Jl. Provinsi Km. 8 Nipah-nipah Kabupaten Paser Utara. Penelitian dilakukan dalam kurun waktu 3 bulan. Teknik Pengumpulan Data Data yang dikumpulkan terdiri atas data sekunder dan data primer. Data primer berasal dari lokasi pengkajian secara langsung, yang dilakukan melalui wawancara maupun kuisioner terhadap siswa dan guru SMKN 2 PPU. Sedangkan data sekunder diperoleh dengan mempelajari studi literatur yang berupa aturan-aturan tertulis atau dokumen yang ada kaitannya judul penelitian. Selainitu data juga di dapat melalui observasi atau pengamatan langsung kondisi di lapangan yaitu di lingkungan SMKN 2 PPU. Setelah data terkumpul maka tahap selanjutnya adalah mempersiapkan data tersebut agar dapat digunakan untuk proses data mining. Data mentah yang akan digunakan untuk proses data mining. Data mentah yang akan digunakan pada aplikasi ini diperoleh dari hasil kuisioner yang diisi 100 siswa. Pengolahan data awal merupakan bagian dari persiapan data dimana langkahlangkah yang dilakukan antara lain meliputi menghilangkan kerangkapan data dan membersihkan data yang terdouble, menggabungkan data menentukan atribut yang akan diolah dan mengubah data. Tabel 1 Data quisionergaya belajar siswa No X1(Visual) X2 (Audio) X3 (Kinetic) 1 26, , , , , , , , , , , , , , , , , , , , , , , , Data siswa SMKN 2 PPU berdasar quisionergaya belajar yang di isi 100 siswa sample secara acak dari kelas 1, 2 dan 3 dari berbagai jurusan. Dimana :X 1 = Persentase Menyukai belajar dengan penyampaian Visual ; X 2 = Persentase Menyukai belajar dengan penyampaian Audio; X 3 = Persentase Menyukai belajar dengan penyampaian Praktek (Kinetic). Dari table diatas dapat dikelompokkan menjadi beberapa kelompok sesuai atribut yang yang telah ditentukan berupa X 1 (Visual), X 2 (Audio), X 3 (Kinestetik). Algoritma ClusterK-Means K-means pertama kali dipublikasikan oleh Stuart Lloyd pada tahun 1984 dan merupakan algoritma clustering yang banyak digunakan. K-means bekerja dengan mensegmentasi objek yang ada kedalam kelompok atau yang disebut dengan segmen sehingga objek yang berada dalam masing-masing kelompok lebih serupa satu sama lain dibandingkan dengan objek dalam kelompok yang berbeda. Algoritma Clustering adalah meletakkan nilai yang serupa dalam satu segmen, dan meletakkan nilai yang berbeda dalam cluster yang berbeda (Ledolter,J.2013). K-Means memisahkan data dengan optimal dengan perulangan yang memaksimalkan hasil dari partisi hingga tidak ada perubahan data dalam setiap segmentasi. K-Means bekerja dengan pendekatan Top-Down karena memulai dengan segmentasi yang sudah ditentukan terlebih dahulu (Williams dan Simoff, 2006). Sehingga hasil data sebuah segmen tidak mungkin tercampur antara satu segmen dengan segmen lainnya (Witten, Frank dan Hall, 2011). Pendekatan ini juga mempercepat proses komputasi untuk data dalam jumlah besar. Algoritma K-means diterapkan pada objek yang diwakili dalam bentuk titik di dalam ruangan vektor berdimensi-d.kmeans mengcluster semua data didalam setiap dimensi dimana titik dalam segmentasi yang sama diberi custer ID. Nilai dari k adalah masukan dasar dari algoritma yang menentukan jumlah segmentasi yang ingin dibentuk. Partisi akan dibentuk dari sekumpulan objek n kedalam cluster k sehingga terbentuk kesamaan objek dalam setiap segmentasi k.algoritma k-means merupakan algoritma yang banyak dipakai dalam menentukan cluster (Ledolter, J. 2013), karena mudah digunakan, memiliki perhitungan yang pasti dan mudah dimodifikasi untuk memenuhi kebutuhan penggunaan. Algoritma Fuzzy C-Means Algoritma fuzzyclustering yang terkenal adalah Fuzzy C-Means (FCM) yang diperkenalkan oleh Jim Bezdek. Ia memperkenalkan ide dari paramater fuzzification (m) dalam jangkauan [1,n] yang menentukan derajat ke fuzzy-an dari cluster. Ketika cluster m=1, efeknya adalah sebuah crips clustering dari beberapa titik, namun ketika m 1 derajat ke fuzzy-an diantara titik pada ruang keputusan menjadi meningkat (Kamber dan Pie, 2012). FCM Clustering melibatkan dua proses yaitu penghitungan pusat cluster dan penguasaan dari titik terhadap pusat dengan menggunakan sebuah bentuk dari jarak euclidean. Proses ini diulang sampai pusat cluster telah stabil. FCM mengeksekusi sebuah konstrain langsung dari fungsi kenaggotaan fuzzy terhubung dengan masing-masing titik. Tujuan dari algoritma FCM adalah penugasan dari titik data kedalam cluster dengan derajat keanggotaan yang bervariasi. Keanggotaan ini merefleksikan derajat dimana titik lebih mewakili dari salah satu cluster (Kamber dan Pie, 2012). Fuzzy-Cluster-Means telah banyak digunakan sebagai alat bantu pendukung keputusan untuk berbagi keperluan. Beberapa diantaranya, digunakan pada bidang digital image processing baik penggunaan FM murni maupun 106 gabungan dengan metode lainnya, seperti pendeteksian area tumor otak dengan melakukan segmentasi pada MRI image otak menganalisa gambar mikroskopis sebuah sel untuk morfologis, klasifikasi synthetic Aperture Radar (SAR) image, analisa perubahan bentuk lipatan sclerosis untuk mendeteksi kelainan pada sistem syaraf pusat, sistem pendeteksi gangguan pada jaringan komputer, pendeteksian area kulit menusia menggunakan media image yang dihubungkan dengan metode segmentasi hill climbing dan bayes rule. optimal dapat dilihat pada grafik evacluster. Grafik evalcluster merupakan grafik pemberian recomendasi terbaik bagi penentuan kelompok, yang akan digunakan untuk pengcalster suatu data. Grafik evalclusters puncak tertinggi pertama yang akan digunakan untuk penentuan cluster terbaik dari beberapa clusters yang ada, cluster yang terbaik menurut evalcusters untuk data diatas adalah pada cluster 4 di nilai dapat dilihat pada Gambar 1 berikut ini. PEMBAHASAN Penentuan Cluster Terbaik Adapun proses iterasi dilakukan mulai dari pengelompokan menjadi 2 cluster sampai 6 cluster (tabel 2), sesuai dengan keperluan penelitian, sehingga dapat dilihat keefektifan pergerakan centroid terhadap jumlah iterasi yang terjadi Tabel 2 Data Iterasi setiap Cluster Gambar 1 Grafik Nilai Fungsi Objektif (Grafik Evalclaster) Berdasarkan cluster yang terbentuk. Tipe belajar siswa SMKN 2 PPU dapat dikelompokkan kedalam empat kelompok menurut nilai-nilai yang memenuhi pada masing-masing variabel di setiap cluster-nya dan dapat dilihat pada silhouette cluster 4 pada Gambar 2. Mencari jumlah kelompok yang tepat dengan rekomendasi jumlah cluster Gambar 2 Silhoutte dengan 4 Cluster Pada jumlah 4 cluster dari gambar silhoutte terlihat bahwa sangat sedikit 107 sekali element cluster yang berada pada wilayah negatif. Dengan demikian hasil cluster ini cukup baik dan merepresentasikan kelompok-kelompok yang sejenis. Analisis K-Means Cluster Proses penyebaran centroid kedalam 4 cluster menggunakan grafik 3 dimensi yang dimana membandingkan antara atribut yang digunakan, terlihat pada gambar 3. Gambar 3 Grafik 3 dimensi 4 cluster K-mean Dari gambar 3 didapat nilai Persentase 100 sample siswa adalah: Cluster 1 :31%; Cluster 2 : 11%; Cluster 3: 25%; Cluster 4: 33%. Maka dapat ditarik analisis K-means: 1. 31% siswa menyukai belajar dengan tipe belajar Visual dan sedikit bantuan Audio 2. 11% siswa menyukai belajar dengan tipe belajar Kinetis dan sedikit bantuan Audio 3. 25% siswa menyukai belajar dengan tipe belajar Visual saja 4. 33% siswa menyukai belajar dengan tipe belajar Audio dan sedikit bantuan visual Analisis FCM Pengklusteran dengan FCM dilakukan dengan kelompok yang sama dengan kelompok optimal dari cluster K- Mean, yaitu 4 cluster, dengan tujuan untuk dapat membandingkan hasil pola cluster yang dibentuk. Gambar 4 Grafik Nilai Fungsi Objektif 4 Cluster Dari gambar 4 didapat pengujian pada algoritma FCM pada 4 cluster, menunjukkan bahwa proses cluster berhenti pada iterasi ke 44 dengan nilai fungsi objektif adalah (lihat gambar 4). Jumlah iterasi 4 cluster lebih sedikit dan efektif dibandingkan dengan 5 atau 6 cluster. Penyebaran centroid kedalam 4 cluster dipresentasikan ke dalam grafik 3 dimensi pada gambar 5, dengan tujuan untuk dapat membandingkan antara atribut yang digunakan. Gambar 5 Grafik 3 dimensi 4 cluster FCM Dari gambar 5 didapat nilai Persentase 100 sample siswa adalah: Cluster 1 : 29%; Cluster 2 : 32%; Cluster 3 : 17%; Cluster 4 : 22%. Maka dapat ditarik analisis FCM: 1. 29% siswa menyukai belajar dengan tipe belajar Visual dan sedikit bantuan Audio 2. 32% siswa menyukai belajar dengan tipe belajar Audio dan sedikit bantuan Visual 108 3. 17% siswa menyukai belajar dengan tipe belajar Visual saja 4. 22% siswa menyukai belajar dengan tipe belajar Kinetsi dan diimbangi Audio dan Visual Perbadingan Analisis K-means dan FCM Kedua algoritma menghasilkan pengelompokan 4 cluster yang hampir mirip, dan dengan angka yang memiliki selisih persentase yang kecil. Kedua persentase cluster dapat dilihat pada gambar 6 dan 7. Gambar 6 Grafik Persentase Pengelompokan tipe belajar dengan K-means Dari hasil analisis kedua algoritma cluster yang digunakan dapat ditarik kesimpulan : 1. Pengelompokan tipe belajar siswa SMKN 2 PPU menggunakan K-means dan FCM dapat dibentuk menjadi 4 cluster. 2. Lebih banyak sis
Similar documents
View more...
Search Related
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks