JURNAL TEKNIK POMITS Vol. 1, No 1, (2014) 1-6

1

Abstrak— Proses pemilihan mahasiswa berprestasi adalah salah

satu agenda dari Direktorat Pendidikan Tinggi (DIKTI) untuk

memberikan apresiasi kepada mahasiswa yang memiliki prestasi

lebih. Pada proses pemilihan mahasiswa berprestasi tingkat jurusan

mengalami kendala dalam pemilihan kandidat sebab pemilihan

yang dilakukan selama ini dirasa belum tepat sebab hanya melihat

dari satu aspek kriteria saja dan mengabaikan aspek penilaian yang

lain. Hal ini menyebabkan kecepatan dan ketepatan dalam

pemilihan mahasiswa berprestasi menjadi lambat dan kurang

akurat. Guna membantu tim seleksi untuk memilih mahasiswa

berprestasi, maka pada program ini dilakukan teknik clustering.

Teknik clustering yang digunakan adalah K-Means clustering.

Dengan adanya sistem ini maka proses pemilihan mahasiswa

berprestasi menjadi lebih cepat dan akurat. Kakas ini memberikan

rekomendasi nama mahasiswa yang layak mewakili jurusan untuk

maju ke kompetisi mawapres tingkat selanjutnya. Masukan pada

program ini adalah kriteria beserta nilai dari setiap mahasiswa yang

ada kemudian dari masukan tersebut dilakukan proses

pengelompokan dengan menggabungkan semua kriteria yang ada.

Proses tersebut menghasilkan rekomendasi nama. Kakas telah diuji

coba dengan menggunakan tiga kriteria yang berbeda. Proses uji

coba tersebut kemudian menghasilkan sebuah kelompok yang

berbeda dari setiap mahasiswa dan ada beberapa mahasiswa yang

berada dalam satu kelompok yang sama.

Kata Kunci—ASP.NET, Clustering, K-Means.

I. PENDAHULUAN

endidikan nasional berfungsi untuk mengembangkan

kemampuan dan membentuk watak serta peradaban bangsa

yang bermartabat. Pendidikan nasional bertujuan untuk

mengembangkan potensi mahasiswa [1].

Dalam era persaingan bebas membutuhkan lulusan yang

memiliki kemampuan soft skills dan hard skills. Perguruan

tinggi memiliki program untuk menjaring mahasiswa yang

memiliki kemampuan sama baiknya antara soft skills dan hard

skills.

Mahasiswa Berprestasi (Mawapres) adalah kegiatan tahunan

yang diadakan oleh perguruan tinggi. Mawapres bertujuan

mencari mahasiswa yang memiliki kemampuan akademik dan

non akademik yang sesuai kriteria. Sistem yang ada saat ini

dirasa tidak efisien untuk diterapkan dalam mencari mahasiswa

berprestasi.

Tugas Akhir ini membuat suatu sistem yang memudahkan

mahasiswa dan jurusan dalam melakukan penyeleksian. Sistem

ini pada fase awal memilih siapa saja mahasiswa yang

berpeluang untuk mengikuti program Mawapres. Fase awal

sistem melakukan proses pengelompokan terhadap kriteria-

kriteria yang ada. Kriteria tersebut diproses dengan

menggunakan metode pengelompokan K-Means.

Diharapkan dengan adanya sistem ini dapat memberikan

rekomendasi mahasiswa yang layak maju sebagai Mawapres.

II. TINJAUAN PUSTAKA

A. Algoritma K-Means

Algoritma K-Means merupakan metode pengelompokan

berbasis jarak yang membagi data-data ke dalam sejumlah

kelompok. Proses pengelompokan tersebut dilakukan dengan

memperhatikan kumpulan dari data-data yang dikelompokkan.

Pada algoritma ini, pusat kelompok (centroid) dipilih pada

tahap awal secara acak dari sekumpulan koleksi populasi data.

K-Means menguji masing-masing komponen di dalam populasi

data dan menandai komponen tersebut ke dalam salah satu

pusat kelompok.

Posisi pusat kelompok dihitung kembali sampai semua

komponen data dikelompokkan ke setiap pusat kelompok.

Proses ini berakhir setelah terbentuk posisi pusat kelompok

baru. Iterasi ini terus dilakukan sampai tercipta kondisi

kestabilan [2].

B. Cohen’s Kappa

Cohen’s Kappa merupakan ukuran yang menyatakan

konsistensi pengukuran yang dilakukan dua orang penilai

(Rater) atau konsistensi antar dua metode pengukuran atau

dapat juga mengukur antar dua alat pengukuran. Koefisien

Cohen’s Kappa hanya diterapkan pada hasil pengukuran data

kualitatif (kategorik) [3].

𝐾 =Pr(𝑎) − Pr(𝑒)

1 − Pr(𝑒)

Persamaan 1. Rumus Perhitungan Konsistensi

Dengan:

Pr(a) = Persentase jumlah pengukuran yang konsisten antar

rater,

Pr(e) = Persentase jumlah perubahan pengukuran antar penilai.

III. ANALISIS DAN PERANCANGAN

Bagian ini membahas tahap analisis permasalahan dan

perancangan dari sistem yang dibangun. Analisis permasalahan

membahas mengenai analisis kebutuhan yang menjadi dasar

pada tahap perancangan. Pada perancangan sistem dibahas

mengenai perancangan tiap-tiap proses yang telah dijabarkan

pada analisis sebelumnya.

A. Analisis Permasalahan

Permasalahan utama yang diangkat dalam pembuatan

Tugas Akhir ini adalah bagaimana merekomendasikan nama-

nama yang layak maju Mawapres. Permasalahan kedua yaitu

bagaimana mengelompokkan kriteria dengan menggunakan

pengelompokan K-Means.

Rancang Bangun Aplikasi Rekomendasi Mawapres

Tommy Anandra Sunardi, Siti Rochimah, dan Rizky Januar Akbar

Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS)

Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia

e-mail: siti@its-sby.edu

P

JURNAL TEKNIK POMITS Vol. 1, No 1, (2014) 1-6

2

B. Deskripsi Umum Sistem

Sistem yang dibuat yaitu berupa kakas bantu. Kakas bantu

ini terbagi menjadi dua aktor yakni mahasiswa dan dosen. Pada

halaman utama sistem menampilkan hasil rekomendasi nama-

nama mahasiswa yang layak maju pada tahapan selanjutnya.

IV. IMPLEMENTASI

A. Implementasi Proses Rekomendasi

Bagian ini menjelaskan tentang implementasi proses-proses

pada perangkat lunak yang dikembangkan dalam Tugas Akhir

ini. Penjelasan mengenai implementasi proses pada rancang

bangun aplikasi mawapres yakni implementasi proses

pengelompokan dengan menggunakan algoritma K-Means.

Terdapat dua kelas pada aplikasi ini yaitu kelas

mahasiswa dan kelas clustering. Pada kelas

mahasiswa diinisialisasi atribut yang digunakan pada kelas

clustering. Hal ini berguna agar pada saat membutuhkan

atribut tersebut tidak perlu melakukan inisialisasi lagi setiap

melakukan pemanggilan.

Sedangkan untuk kelas clustering terdapat beberapa

fungsi di dalamnya. Fungsi dalam kelas clustering ini

digunakan untuk melakukan proses pengelompokan.

Implementasi kelas diagram terdapat pada Gambar 1.

Gambar 1. Kelas Diagram

B. Implementasi Proses Normalisasi Data

Pada kasus ini data yang dimasukkan skalanya masih belum

normal oleh karena itu, fungsi normalisasi ini bertujuan untuk

menormalisasi data menjadi skala yang sama yaitu skala 0-1.

Jika tidak dilakukan proses normalisasi maka akan terjadi

outliers.

Outliers adalah data yang menyimpang terlalu jauh dari data

yang lain dalam suatu rangkaian data. Dengan adanya outliers

ini menyebabkan analisis terhadap suatu data menjadi bias atau

tidak mencerminkan fenomena yang sebenarnya [4].

C. Penentuan Pusat Kelompok Awal

Penentuan pusat kelompok ini menggunakan nilai hasil dari

proses normalisasi data. Nilai dari hasil proses

normalisasi data akan dilakukan proses pengurutan data

lalu dibandingkan antara nilai yang satu dengan nilai lainnya.

D. Implementasi Proses Mengelompokkan Data

Proses mengelompokkan data adalah proses lanjutan setelah

proses penentuan pusat kelompok. Pada proses

mengelompokkan data bertujuan untuk mengelompokkan data

hasil normalisasi dan hasil setelah menentukan pusat kelompok

dan jumlah kelompok.

V. PENGUJIAN DAN EVALUASI

Lingkungan pengujian sistem pada pengerjaan artikel ini

dilakukan pada lingkungan dan alat kakas sebagai berikut:

Processor Intel(R) Core(TM) i5-2450M @2.40GHz

Memori (RAM) 4,00 GB

Sistem Operasi Windows 8 Enterprise (64-bit).

Visual Studio 2010

ASP.NET 4.0

Pengujian dilakukan terhadap fungsionalitas dari aplikasi

yang dirancang, pengujian ini dilakukan untuk menguji apakah

fungsionalitas yang diidentifikasi pada tahap kebutuhan benar-

benar diimplementasikan dan berjalan seperti semestinya.

Selain itu, dilakukan pula pengujian konsistensi hasil

pengelompokan dengan menggunakan metode Cohen’s Kappa.

Hasil dari proses rekomendasi ini adalah mahasiswa dengan

nilai diatas rata-rata. Hasil dari proses rekomendasi ditunjukkan

pada Gambar 2.

Dari hasil proses rekomendasi tersebut dihitung konsistensi

pemilihannya antara dosen dengan sistem. Hasil perhitungan

konsistensi dapat dilihat pada Tabel 1. Hasil penghitungan ini

dibagi berdasarkan kriteria yang ditentukan SB = sangat baik,

B= baik, C= cukup, K= kurang. Pr(a) adalah persentase jumlah

penghitungan yang konsisten antar penilai. Pr(a) dibagi dengan

jumlah total data (n). Jumlah total data pada studi kasus Tugas

Akhir ini adalah 81.

Gambar 2. Hasil Proses Rekomendasi

JURNAL TEKNIK POMITS Vol. 1, No 1, (2014) 1-6

3

Tabel 1. Penghitungan Konsistensi

Sistem

SB B C K

Dosen SB 3 5 0 0

B 2 9 11 1

C 0 3 13 12

K 0 0 0 22

Pr(a) = (SB+SB) + (B+B) + (C+C) + (K+K) / n

= 0.58

Hasil dari konsistensi setiap kriteria yang ada dijumlahkan

sesuai dengan kriteria masing-masing. Penjumlahan ini

melibatkan dua rater (penilai) yakni dosen dan sistem. Hasil

penjumlahan setiap kategori ini nantinya digunakan untuk

mengukur jumlah perubahan pengukuran antar penilai.

Perubahan pengukuran ini dihitung dengan cara mengkalikan

hasil perhitungan setiap kriteria dan membagi dengan jumlah

total data. Setelah mendapatkan nilai perubahan pengukuran

antar penilai, maka selanjutnya adalah menjumlahkan setiap

hasil total perubahan yang nantinya menjadi nilai dari Pr(e).

Nilai Pr(e) inilah yang nantinya di proses untuk mendapatkan

nilai akhir dari koefisien Kappa.

Tabel 2. Persentase Perubahan Pengukuran Antar Penilai

Total Perubahan Pr(e)

SB 0.5

B 4.8

C 8.3

K 9.5

Total 23

Nilai Koefisien Kappa:

𝐾 =47 − 23

81 − 23

𝐾 = 0.41

Dari hasil pengukuran konsistensi dengan menggunakan

algoritma pengukuran konsistensi Cohen’s Kappa dapat

disimpulkan bahwa sensitifitas antara dua penilai yaitu dosen

dan sistem memiliki nilai akhir 0.41 dimana pada Cohen’s

Kappa jika memiliki sensitifitas sama maka nilai koefisien

menunjukkan nilai mendekati angka satu, namun jika

sensitifitas kedua penilai tersebut berbeda maka akan

mendekati angka nol. Hal ini dapat dilihat pada nilai koefisien

Cohen’s Kappa pada Tabel 3 [5].

Tabel 3. Persentase Perubahan Pengukuran Antar Penilai

Nilai K (Strength of agreement)

< 0.20 Rendah (Poor)

0.21 – 0.40 Lumayan (Fair)

0.41 – 0.60 Cukup (Moderate)

0.61 – 0.80 Kuat (Good)

0.81 – 1.00 Sangat Kuat (Very Good)

Terlihat bahwa dari hasil penghitungan dengan

menggunakan Cohen’s Kappa bahwa nilai koefisiennya

termasuk dalam kategori cukup (Moderate). Hal ini

mengindikasikan kesepakatan antara kedua penilai memiliki

tingkat kesepakatan yang cukup sama.

Dari hasil penilaian dua penilai tersebut kemungkinan

terjadi perbedaaan penilaian, kemungkinan ini terjadi

disebabkan karena antara dua penilai menggunakan metode

penilaian yang berbeda. Dosen menggunakan metode penilaian

ambang batas sedangkan untuk sistem metode penilaiannya

menggunakan metode pengelompokan.

VI. KESIMPULAN DAN SARAN

Dari hasil pengamatan selama perancangan, implementasi,

dan proses pengujian yang dilakukan, kesimpulan yang dapat

diambil berdasarkan rumusan masalah yang ada adalah sebagai

berikut ini:

1. Sistem dapat memberikan rekomendasi mahasiswa

berprestasi dari masukan kriteria yang diberikan. Hal ini

ditunjukkan dengan nilai mahasiswa yang lolos mawapres

memiliki nilai diatas rata-rata.

2. Sistem dapat membaca masukan kriteria melalui dokumen

Excel hingga kriteria yang dituliskan pada dokumen Excel

masuk ke dalam basis data sesuai format yang diberikan.

3. Sistem dapat memberikan penilaian akhir dengan

melakukan metode penghitungan yang telah ditentukan.

4. Pengukuran konsistensi penilaian antara dua penilai

termasuk dalam kategori kesepakatan cukup (Moderate).

Pada kesempatan pengembangan aplikasi selanjutnya

penulis menyarankan agar dapat menyimpulkan mahasiswa

berprestasi dengan kriteria seperti apa dan menjadikan sistem

mawapres sebagai plug in di dalam sistem akademik integra.

VII. DAFTAR PUSTAKA

[1] Dikti, Pedoman Pemilihan Mahasiswa Berprestasi Program Sarjana,

Jakarta: Illah Sailah, 2013.

[2] Y. Agusta, “K-means,” [Online]. Available:

http://yudiagusta.files.wordpress.com/2008/03/k-means.pdf. [Diakses 19

April 2014].

[3] “Uji Kompetensi Cohens Kappa,” [Online]. Available: http://research-

indonesia.blogspot.com/2012/06/uji-konsistensi-cohens-kappa.html.

[Diakses 10 Juni 2014].

[4] “Data Mining Outliers,” [Online]. Available:

http://icarusdm.wordpress.com/2012/03/17/data-mining-outlier/.

[Diakses 20 April 2014].

[5] A. Kunz, “Misclassification and kappa-statistic,” dalam theoretical

relationship and consequences in application, p. 10.