analisa penggunaan website akademik menggunakan metode fuzzy

1
ANALISA PENGGUNAAN WEBSITE AKADEMIK
MENGGUNAKAN METODE FUZZY C-MEANS CLUSTERING
(STUDI KASUS: UNIVERSITAS RIAU)
Eka Bagoes Kurniawan 1) Warnia Nengsih 2) Wawan Yunanto3)
Program Studi Sistem Informasi Politeknik Caltex Riau, 1) email:[email protected] dan 2)
[email protected])email: [email protected]
Abstrak
Website akademik pada Universitas Riau memberikan layanan akses dan informasi bagi
segenap civitas akademika pada lingkungan universitas tersebut. Untuk mengetahui
apakah implementasi website akademik sudah sesuai dengan standar kualitas yang
dibutuhkan, maka perlu adanya analisa penggunaan website dari sisi indikator atau
parameter dengan menggunakan standar prinsip desain user interface, yaitu:
compatibility, configurability, control, forgiveness, obviousness, preditibility, realibility
dan safety. Sistem yang dibangun menggunakan metode pengelompokkan data
berdasarkan tingkat kualitas yang dibutuhkan pengguna website. Fuzzy C-Means
Clustering adalah suatu teknik clustering atau pengelompokan data dimana tiap
data dalam suatu cluster ditentukan oleh derajat keanggotaannya. Metode Fuzzy C-Means
pada aplikasi ini menghasilkan output mengenai kualitas website akademik berupa tiga
cluster yaitu: cluster 1 sebagai kurang baik memiliki nilai 12,5% dengan indikator atau
parameter obviousness, cluster 2 sebagai sangat baik memiliki nilai 50,0% dengan
indikator atau parameter compatibility, configurability, control, safety dan cluster 3
sebagai cukup baik memiliki nilai 37,5% dengan indikator atau parameter forgiveness,
preditibility, realibility.
Kata Kunci : Universitas Riau, Penggunaan, Website Akademik, Fuzzy C-Means
Clustering.
Universitas
Riau
(UR)
I.
Pendahuluan
merupakan
salah
satu
lembaga
Di era globalisasi ini, peran
pendidikan yang mengimplementasikan
teknologi informasi sangat dibutuhkan
penerapan teknologi informasi dalam
dalam segala segi kehidupan, salah satu
menyampaikan
informasi-informasi
dampak yang signifikan adalah pada
mengenai akademik. Universitas ini
dunia
pendidikan.
Perkembangan
memiliki website akademik khusus bagi
teknologi
komunikasi
khususnya
mahasiswa UR, yang dikenal dengan
internet, telah mendorong lembaga
Portal Akademik UR. Dengan adanya
pendidikan untuk menyediakan berbagai
website tersebut, mahasiswa UR lebih
fasilitas serta kemudahan melakukan
mudah mendapatkan dan memberi
akses informasi secara global melalui
informasi tentang akademik. UR terus
dunia website akademik. Keberadaan
berupaya dalam meningkatkan kualitas
situs website akademik sebuah lembaga
dari website akademik tersebut, baik dari
pendidikan pada tingkat perguruan
sistem maupun kualitas informasitinggi sudah sewajarnya dimiliki, demi
informasi yang disajikan. Namun untuk
mendukung efesiensi dan efektifitas
mewujudkan sebuah sistem yang
segala kegiatan akademik.
memenuhi standar kualitas yang telah
ANALISA PENGGUNAAN WEBSITE AKADEMIK MENGGUNAKAN METODE FUZZY C-MEANS
CLUSTERING (STUDI KASUS: UNIVERSITAS RIAU)
ditetapkan demi memenuhi kenyamanan
dan kepuasan pengguna, maka pihak
pengelola website akademik UR harus
mengetahui
penggunaan
website
akademik.
Atas dasar hal tersebut, maka
dibangunlah sebuah sistem analisa
penggunaan
website
akademik
menggunakan metode fuzzy c-means
clustering, sehingga dengan ini dapat
diketahui penggunaan dari sisi indikator
atau parameter dengan menggunakan
prinsip desain user interface, yaitu:
compatibility, configurability, control,
forgiveness, obviousness, preditibility,
realibility dan safety dari website
akademik UR. Hal-hal tersebut menjadi
masukan bagi pengelola website dalam
mewujudkan kualitas website akademik
yang ada, sehingga sistem yang
dibangun sesuai dengan kebutuhan
pengguna.
II. Tinjauan Pustaka
2.1 Website Akademik Universitas
Riau
Website akademik Pada UR
merupakan sebuah sistem informasi
yang berfungsi sebagai integrator
informasi akademik yang ada di berbagai
falkutas. Website akademik dibuat
sebagai sarana komunikasi antar civitas
akademika di UR. Sehingga informasi
akademik
tersebut
membutuhkan
website
yang
mengintegrasikan
informasi-informasi akademik guna
mempermudah mahasiswa mendapatkan
informasi .
2.2 Data Mining
Data mining adalah kegiatan
mengekstraksi
atau
menambang
pengetahuan dari data yang berukuran
atau berjumlah besar, informasi inilah
yang nantinya sangat berguna untuk
pengembangan. Selain difinisi diatas,
Kusrini dan Luthfi (2009) menyatakan,
bahwa data mining sebagai berikut: Data
Mining adalah serangkaian proses untuk
menggali nilai tambah dari suatu
kumpulan data berupa pengetahuan yang
selama ini tidak diketahui secara manual.
Dan data mining merupakan analisa
otomatis dari data yang berjumlah besar
atau kompleks dengan tujuan untuk
menenukan pola atau kecenderungan
yang penting yang biasanya tidak
disadari keberadaannya (hal.3-4).
Istilah Data Mining dan
Knowledge Discovery in Database
(KDD) sering kali digunakan secara
bergantian untuk menjelaskan proses
penggalian informasi tersembunyi dalam
suatu basis data yang besar. Sebenarnya
kedua istilah tersebut memiliki konsep
yang berbeda, tetapi berkaitan satu sama
lain. Dan salah satu tahapan dalam
keseluruhan proses KDD adalah data
mining. Proses KDD secara garis besar
menurut Feyyad (1996) dalam Kusrini
dan Luthfi (2009), dapat dijelaskan
sebagai berikut:
1. Data Selection
Pemilihan (seleksi) data dari
sekumpulan data operasional perlu
dilakukan sebelum tahap penggalian
informasi dalam KDD dimulai. Data
hasil seleksi yang akan digunakan
untuk proses data mining disimpan
dalam suatu berkas, terpisah dari
basis data operasional.
2. Cleaning
Sebelum proses data mining dapat
dilaksanakan, perlu dilakukan proses
cleaning pada data yang menjadi
fokus KDD. Proses cleaning
mencakup antara lain membuang
duplikasi data, memeriksa data yang
inkonsisten, dan perbaiki kesalahan
pada
data,
seperti
kesalahan
cetak (tipografi). Juga dilakukan
proses enrichment, yaitu proses
“memperkaya” data yang sudah ada
ANALISA PENGGUNAAN WEBSITE AKADEMIK MENGGUNAKAN METODE FUZZY C-MEANS
CLUSTERING (STUDI KASUS: UNIVERSITAS RIAU)
dengan data atau informasi lain yang
relevan dan diperlukan untuk KDD,
seperti data atau informasi eksternal.
3. Transformation
Coding adalah proses transformasi
pada data yang telah dipilih, sehingga
data tersebut sesuai untuk proses data
mining. Proses coding dalam KDD
merupakan proses kreatif dan sangat
tergantung pada jenis atau pola
informasi yang akan dicari dalam
basis data.
4. Data Mining
Data mining adalah proses mencari
pola atau informasi menarik dalam
data terpilih dengan menggunakan
teknik atau metode tertentu. Teknik,
metode atau algoritma dalam data
mining sangat bervariasi. Pemilihan
metode atau algoritma yang tepat
sangat bergantung pada tujuan dan
proses KDD secara keseluruhan.
5. Interpretation/Evaluation
Pola informasi yang dihasilkan dari
proses data mining perlu ditampilkan
dalam bentuk yang mudah dimengerti
oleh pihak yang berkepentingan.
Tahap ini merupakan bagian dari
proses KDD yang disebut dengan
interpretation. Tahap ini mencakup
pemeriksaan apakah pola atau
informasi
yang
ditemukan
bertentangan dengan fakta atau
hipotesa
yang
ada
sebelumnya.Sumber: Fayyad dkk
(1996)
2.3 Gambar 2.1 Proses Knowledge
Discovery in Databases
2.3.1 Fuzzy C-Means Clustering
Metode
Fuzzy
C-Means
Clustering
(FCM) pertama kali
dikenalkan oleh Jim Bezdek pada tahun
1981. FCM adalah salah satu teknik
pengelompokkan data yang mana
keberadaan tiap titik data dalam suatu
kelompok (cluster) ditentukan oleh
derajat keanggotan. Metode FCM
termasuk metode supervised clustering
dimana jumlah pusat cluster ditentukan
di dalam proses clustering.
Kusrini dan Luthfi (2009)
menyimpulkan bahwa Potensi clustering
dapat digunakan untuk mengetahui
stuktur dalam data yang dapat dipakai
lebih lanjut dalam berbagai aplikasi
secara
luas
seperti
klasifikasi,
pengolahan gambar, dan pengenalan
pola.
Konsep dasar FCM, pertama kali
adalah menentukan pusat cluster yang
akan menandai lokasi rata-rata untuk
tiap-tiap cluster. Pada kondisi awal,
pusat cluster ini masih belum akurat.
Tiap-tiap
data
memiliki
derajat
keanggotaan untuk tiap-tiap cluster.
Dengan cara memperbaiki pusat cluster
dan nilai keanggotaan tiap-tiap data
secara berulang, maka dapat dilihat
bahwa pusat cluster akan menujui lokasi
yang tepat. Perulangan ini didasarkan
pada minimasi fungsi obyektif.
Algoritma FCM secara lengkap
menurut Zimmerman (1991), Yan
(1994) dan Ross (2005) dalam Luthfi
(2007), diberikan sebagai berikut:
1. Tentukan:
a. Matriks X berukuran n x m,
dengan n = jumlah data yang akan
di cluster dan m = jumlah variabel
(kriteria).
b. Jumlah cluster yang akan dibentuk
(C ≥ 2).
c. Pangkat (pembobot w > 1).
d. Maksimum iterasi.
e. Kriteria penghentian (ε = nilai
positif yang sangat kecil).
2. Bentuk matriks partisi awal U (derajat
keanggotaan dalam cluster), matriks
ANALISA PENGGUNAAN WEBSITE AKADEMIK MENGGUNAKAN METODE FUZZY C-MEANS
CLUSTERING (STUDI KASUS: UNIVERSITAS RIAU)
partisi awal biasanya dibuat secara
acak:
U=
μ11(x1) μ12(x2) μ1n(xn)
⋮
⋮
⋮
[
]…
μc1(x1) μc2(x2) μcn(xn)
…………………...…………….
(2.1)
3. Hitung pusat cluster V untuk setiap
cluster:
Vij =
w
∑n
k=1(μik ) .Xkj
w
∑n
k=1(μik )
keberadaan tiap titik data dalam suatu
kelompok (cluster) ditentukan oleh
derajat keanggotan.
3 Perancangan
3.1 Tahapan Data Mining
Berikut merupakan tahapan data mining
:
Data Selection
Cleaning
Transformation
Data Mining
Interpretation
Evaluation
………………………
…………………………………
(2.2)
4. Perbaiki derajat keanggotaan setiap
data pada setiap cluster (perbaiki
matriks partisi):
dik
μik = [∑cj=1 (d )
jk
2/(w−1) −1
Preprocessing
Processing
Input Data
Postprocessing
Information
Gambar 3.1 Tahapan Data mining
] … (2.3)
Start
Dengan:
dik = d(xk − vi ) = [∑m
j=1(xkj −
1/2
vij )]
Username
Password
Tidak
….………… (2.4)
Validasi
5. Tentukan kriteria penghentian iterasi,
yaitu perbaharui matriks partisi pada
iterasi
sekarang
dan
iterasi
sebelumnya:
∆= ‖U t − U t−1 ‖….……….. (2.5)
Apabila Δ < ε maka iterasi
dihentikan.
2.4. Fuzzy C-Means
Metode FCM pertama kali
dikenalkan oleh Jim Bezdek pada tahun
1981. FCM adalah salah satu teknik
pengelompokkan data yang mana
Ya
Import Data Yang Akan
Diolah
Proses Data Dengan
Fuzzy C-Means
Hasil Fuzzy
C-Means
Clustering
End
Gambar 3.2 Flowchart Sistem
Berikut adalah flowchart dari Fuzzy CMeans Clustering:
ANALISA PENGGUNAAN WEBSITE AKADEMIK MENGGUNAKAN METODE FUZZY C-MEANS
CLUSTERING (STUDI KASUS: UNIVERSITAS RIAU)
compatibility, configurability, control,
forgiveness, obviousness, preditibility,
realibility dan safety.
Start
Proses fuzzy c-means clustering, seperti
yang ditujukkan pada gambar 4.1
Jumlah Cluster;
Pangkat;
Maksimum iterasi;
Error terkecil diharapkan;
Fungsi obyektif awal;
Iterasi awal
Bangkitkan Bilangan Random
Hitung Pusat Cluster
Tidak
Hitung Fungsi Obyektif
Gambar 4.1 Halaman Proses FCM
Hitung Perubahan Matriks Partisi
Iterasi = 10
Ya
Dapat dilihat pada Gambar 4.1 terdapat
ada beberapa jendela yaitu: “Form
Data Clustering”, “Form Result Data
Clustering” dan “Form Graphic Data
Clustering”. Pada “Form Data
Clustering” menghasilkan perhitungan
clustering berupa angka-angka, seperti
yang ditujukkan pada gambar 4.2
Hasil Clustering data
Parameter
End
Gambar 3.3 Flowchart Fuzzy C-Means
Clustering
4 .Pengujian dan Analisa
Aplikasi penggunaan website akademik
fuzzy c-means clustering merupakan
aplikasi yang dikhususkan untuk
mengetahui pola penggunaan. Adapun
indikator atau parameter ukur dari sisi
Gambar 4.2 Jendela Data Clustering
Pada “Form Result Data Clustering” terdapat
nama-nama indikator atau parameter sesuai
ANALISA PENGGUNAAN WEBSITE AKADEMIK MENGGUNAKAN METODE FUZZY C-MEANS
CLUSTERING (STUDI KASUS: UNIVERSITAS RIAU)
dengan cluster masing-masing, hasil cluster 37.5% dengan indikator atau
tergantung pada data yang dihasilkan, seperti parameter
sebagai
berikut:
yang ditujukan pada gambar 4.3
Forgiveness,
Preditibility
dan
Realibility.
5.Analisa
Gambar 4. 3 Jendela Hasil Clustering
5.1 Evaluasi pola
Pada tahap ini didapatkan hasil dari
proses data mining berupa tiga cluster
tingkat kualitas website akademik UR,
berikut hasil pola yang dapat dihasilkan
dengan metode fuzzy c-means clustering,
dapat dilihat pada gambar 5.1.
Pada “Form Graphic Data Clustering”
menghasilkan grafik berbentuk diagram
pie dengan data-data yang telah dilakukan
proses fuzzy c-means clustering, seperti
yang ditujukan oleh gambar 4.4.
Gambar 5.1 Hasil Pengelompokan Data
Gambar 4.4 Jendela Grafik Pie
Dari grafik pada gambar 4.4 diatas
menunjukan bahwa cluster 1 dengan
inisial C1 memiliki nilai 12.5%
dengan indikator atau parameter
sebagai berikut: Obviousness. Pada
cluster 2 dengan inisial C2 memiliki
nilai 50.0% dengan indikator atau
parameter
sebagai
berikut:
Compatibility,
Configurability,
Control dan Safety. Pada cluster 3
dengan inisial C3 memiliki nilai
Pada gambar 5.1 dapat dilihat bahwa:
a. Indikator atau parameter didalam
cluster 1 dengan inisial C1 yaitu:
Obviousness.
b. Indikator atau parameter didalam
cluster 2 dengan inisial C2 yaitu:
Compatibility,
Configurability,
Control dan Safety.
c. Indikator atau parameter didalam
cluster 3 dengan inisial C3 yaitu:
Forgiveness,
Preditibility
dan
Realibility.
5.2 Presentasi pengetahuan
ANALISA PENGGUNAAN WEBSITE AKADEMIK MENGGUNAKAN METODE FUZZY C-MEANS
CLUSTERING (STUDI KASUS: UNIVERSITAS RIAU)
Pada tahap terakhir dari data mining
ini, presentasi pengetahuan mengenai
metode Fuzzy C-Means yang
digunakan
untuk
memperoleh
informasi mengenai kualitas website
akademik UR adalah output berupa
grafik
berbentuk
pie
dengan
keterangan-keterangan
seperti
Kurang baik, cukup baik, dan sangat
baik Dapat dilihat pada gambar 4.20.
Gambar 5.2 Hasil Grafik Pie
Berdasarkan dari gambar 4.19 dan
4.20 dapat disimpulkan, yaitu:
Tabel 5.1 Hasil Pengelompokan Data
Pengelompokan Inisial
1
C1
2
C2
3
C3
Parameter Atau Persentase Kategori
Indikator
Nilai
Nilai
Obviousness.
12.5% Kurang Baik
Compalibility,
Configurability,
50.0% Sangat Baik
Control,
Safety.
Forgiveness,
Preditibility,
37.5% Cukup Baik
Realibility.
Dapat disimpulkan pada table 5.1
menunjukan
bahwa
pada
pengelompokan 1 atau cluster 1 dengan
inisial C1 menunjukan bahwa dari sisi
parameter atau indikator memberikan
informasi yang disajikan oleh pengelola
website akademik UR dapat mudah
dimengerti oleh pengguna website
akademik UR kurang baik dari sisi
penilai
mahasiswa
UR,
pada
pengelompokan 1 atau cluster 1 ini
memiliki persentase yang paling rendah
yaitu memiliki nilai 12.5%.
Pada
pengelompokan 2 atau cluster 2 dengan
inisial C2 menunjukan bahwa dari sisi
parameter atau indikator kesesuai
pengguna dengan website akademik UR,
kenyamanan pada saat mengakses
website akademik UR, mengutamakan
pengguna sebagai pengguna website
akademik UR dan keamanan data
pengguna pada website akademik UR
sangat baik dari sisi penilain mahasiswa
UR, pada pengelompokan 2 atau cluster
2 ini memiliki persentase yang sangat
tinggi yaitu memiliki nilai 50.0%. Dan
pada pengelompokan 3 atau cluster 3
dengan inisial C3 menunjukan bahwa
dari sisi parameter atau indikator
memberikan bantuan untuk pengguna
jika terjadi kesalahan dalam mengakses
website akademik UR, memberikan
informasi terbaru mengenai civitas
akademika UR dan memberikan
ketetapan pada informasi yang disajikan
cukup baik dari sisi penilaian mahasiswa
UR, pada pengelompokan 3 atau cluster
ANALISA PENGGUNAAN WEBSITE AKADEMIK MENGGUNAKAN METODE FUZZY C-MEANS
CLUSTERING (STUDI KASUS: UNIVERSITAS RIAU)
3 ini memiliki persentase cukup tinggi
yaitu memiliki nilai 37.5%.
6
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Setelah dilakukan pengujian
beserta analisa pada aplikasi analisa
penggunaan website akademik
menggunakan metode fuzzy c-means
clustering ini dapat memberikan
feedback kepada developer website
dalam mengolah website akademik
Universitas Riau, sebagai berikut:
1. Memiliki kategori nilai kurang baik
dari
sisi
Obviousness
yaitu:
memberikan informasi yang tidak
mudah dimengerti oleh pengguna
website akademik UR.
2. Memiliki kategori nilai cukup baik
dari sisi Forgiveness, Preditibility
dan Realibility yaitu: memberikan
bantuan untuk pengguna jika terjadi
kesalahan dalam mengakses website
akademik UR, memberikan informasi
terbaru serta informasi yang tepat
mengenai civitas akademika pada
UR.
3. Memiliki kategori nilai sangat baik
dari
sisi
Compatibility,
Configurability, Control dan Safety
yaitu: sangat sesuai dengan pengguna
website akademik UR, memberikan
kenyamanan pada saat mengakses
website
akademik
UR,
mengutamakan
mahasiswa
UR
sebagai pemakai website akademik
UR dan memberikan keamanan data
pengguna yang sangat baik pada
website akademik UR.
5.1
Saran
Untuk pengembangan aplikasi ini,
maka beberapa hal yang dapat penulis
sarankan adalah:
1. Diharapkan pemilihan indikator atau
parameter dalam melakukan data
mining tidak hanya delapan indikator
atau parameter saja seperti kasus yang
diangkat tetapi seluruh indikator atau
parameter
mengenai
website
akademik.
2. Diharapkan
membuat
aplikasi
kuesioner berbasis website yang
terintegrasi
dengan
website
akademik, agar seluruh mahasiswa
dapat melakukan pengisian kuesioner
dan menampilkan data secara real
time.
3. Aplikasi ini dapat dikembangkan
dengan melakukan cluster mahasiswa
berdasarkan hasil jawaban pada
kuesioner yang bertujuan melihat
pola kebiasaan dari pengguna website
tersebut (misalnya mencari jumlah
mahasiswa yang memilih salah satu
indikator atau parameter tersebut).
DAFTAR PUSTAKA
Fayyad, U., Piatetsky-Shapiro, G., &
Smyth, P. (1996). From Data
Mining to Knowledge Discovery
in Databases. AI Magazine
17(3), 37–54.
Kusrini & Luthfi, E.T. (2009). Algoritma
Data Mining. Yogyakarta: Andi
Offset.
Luthfi, E.T. (2007). Fuzzy C-Means
Clustering Data (Studi Kasus:
Data Performance Mengajar
Dosen). Makalah disampaikan
pada
Seminar
Nasional
Teknologi 2007. Yogyakarta.
Metode & Algoritma (t.t). Diambil 16
November
2013
dari
http://www.metodealgoritma.com/2013/02/algoritm
a-fuzzy-c-means-fcm.html.
ANALISA PENGGUNAAN WEBSITE AKADEMIK MENGGUNAKAN METODE FUZZY C-MEANS
CLUSTERING (STUDI KASUS: UNIVERSITAS RIAU)
Minartiningtyas, B.A. (2012). Metode
Fuzzy C-Means Clustering.
Dalam Informatika. Diambil 14
November
2013
dari
http://informatika.web.id/metod
e-fuzzy-c-means-clustering.htm.
Naba, Agus. (2009). Belajar Cepat
Fuzzy Logic Menggunakan
Matlab.
Yogyakarta:
Andi
Offset.
Noorwansyah. (2012). Fuzzy C-Means
Clustering.
Dalam
Digital
Library Telkom Institute of
Technology.
Diambil
14
November
2013
dari
http://digilib.ittelkom.ac.id/inde
x.php?option=com_content&vie
w=article&id=1092:fuzzy-cmeans-clustering&catid=21:itpinformatika-teori-danpemograman&Itemid=14.
Triyanto,
Astri
Charolina.
(t.t).
Pengujian Kualitas Website
Universitas Sahid Surakarta
Menggunakan Metode Mc Call.
Surakarta.
Widodo, A., & Purhadi. (t.t).
Perbandingan Metode Fuzzy CMeans Clustering dan Fuzzy CShell Clustering (Studi Kasus:
Kabupaten/Kota di Pulau Jawa
Berdasarkan Variabel