DATA MINING 1 [Penerapan K-Means dalam Efektivitas Pembelajaran E-Learning pada Masa Pandemi Covid-19]

• Urgensi dari penelitian ini adalah sebagai berikut:

Penelitian  ini  bertujuan  untuk  mengetahui  gambaran  efektivitas  pembelajaran E-learning. Pada masa  pandemi Covid-19, setelah  pemerintah  mengambil  keputusan  dengan  menerapkan sistem Pembatasan Sosial Berskala Besar (PSBB) dimana seluruh aktivitas dirumahkan salah satunya dibidang pendidikan. Tepatnya setelah virus Covid-19 dinyatakan masuk ke Indonesia, aktivitas pembelajaran  di  sekolah  dialihkan  menjadi  program  belajar  di rumah  dan  berbasis daring.  Hal ini diberlakukan dalam rangka menghambat penyebaran virus Covid-19 agar tidak tersebar  keseluruh  masayarakat.    Masalah  yang  timbul  ialah  proses  pembelajaran  daring dengan  beberapa  metode  tidak  efektif  untuk  dilakukan,  kondisi  ini  ialah  terjadi  keresahan  di masyarakat sehingga terjadi pro dan kontra, dimana sisi yang kontra terdapat banyaknya siswa yang  merasa  terbebani  dengan  adanya  pembelajaran  online  ini,  sedangkan  yang  pro  merasa bahwa  langkah  yang  dilakukan  oleh Pemerintah  ini  sangat  tepat.

Dengan  adanya  penelitian  ini,  diharapkan  dapat  memberikan  solusi  untuk  evaluasi  sistem pembelajaran online yang  sedang  berjalan  saat  ini  berdasarkan  hasil  pengukuran  tingkat keefektivan pembelajaran online tersebut. Penelitian ini  memberikan  manfaat  dalam  pertimbangan baik  dari  segi  fasilitas  belajar online, juga  kesiapan  dan  kemampuan  siswa  dalam  menerima  langkah  yang  telah  diberlakukan pemerintah  dengan  menggunakan  perhitungan  algoritma  yang  ada  pada  data  mining  yaitu Algoritma K-Means.

• Metode Penelitian

- Alat

Alat yang  digunakan  dalam  penelitian  ini  berupa  observasi  ke tempat  penelitian  dan  quesioner online yang dibagikan kepada seluruh siswa MAN 1 Sukabumi

- Bahan

Penelitian ini menggunakan data berupa sample data yang diambil dari hasil kuisioner Online yang  disebar  kepada  seluruh  siswa  MAN  1  Sukabumi. Dan  menggunakan microsoft excel dalam melakukan perhitungan.

- Lokasi

Penelitian ini dilakukan di MAN 1 SUKABUMI yang terletak di Jl. Suryakencana KM 2 PO Box 11  Kecamatan  Cibadak  Kabupaten  Sukabumi.  Madrasah  Aliyah  Negeri  1  Sukabumi  didirikan pada  tahun  1992.  Status  tanah  dengan  luas  tanah  10.263  m2 dan  luas  bangunan  4.070  m2, lapangan  olahraga  250  m2  dan  luas  halaman  5.943  m2. Penelitian  ini  dilakukan  selama  dua bulan, yaitu dari bulan September sampai bulan November 2020

- Pengolahan Data

Data yang telah didapatkan kemudian akan diolah terlebih dahulu untuk mengetahui hasil data yang  telah  diteliti.  Pada  tahap  ini  akan  didapatkan  jumlah  nilai  masing-masing  kriteria  yang nantinya akan dioperasikan pada tahap selanjutnya. Berikut merupakan hasil kalkulasi nilai dari kuisioner yang telah diisi oleh responden

- Tahap Clustering

Clustering merupakan proses klasifikasi menjadi beberapa bagian yang sama sesuai dengan kategori yang telah ditetapkan sebelumnya. Eunclidean Distance dapat dilakukan dengan menerapkan berbagai persamaan dan langkah-langkah mengenai jarak algoritma (Nurzahputra et al., 2017) dan untuk mendapatkan cluster sesuai dengan data yang telah dimiliki, diperlukan suatu diagram alur untuk membantu dalam alur perhitungan data yang akan diolah. Dibawah ini merupakan flowchart untuk mengetahui cluster dengan K-Means (Sadewo et al., 2016).

• Proses k-means dalam memberikan solusi dari permasalahan yang ada

- Hasil Penelitian

Penelitian ini menggunakan algoritma yang ada pada data mining yaitu algoritma K-Means, KMeans merupakan salah satu metode pengelompokan data non-hierarki (sekatan) yang berusaha mempartisi data yang ada ke dalam bentuk dua atau lebih kelompok (Sadewo et al., 2019).

Adapun tahapan yang harus dilakukan dalam perhitungan algoritma K-Means, yaitu:

1) Mentukan K sebagai jumlah cluster yang ingin dibentuk.

2) Tetapkan nilai untuk pusat cluster (centroid).

3) Hitung jarak setiap data terhadap masing-masing centroid dengan menggunakan persamaan Eunclidean Distance hingga pada setiap data ditemukan jarak yang paling dekat dengan centroid. 

Hasil dari penelitian ini berisi pengelompokan data kedalam setiap cluster yang dibutuhkan. Pengelompokan hasil data tingkat keefektivan belajar online ini dihitung menggunakan Algoritma K-Means. Setelah hasil nilai data yang diperoleh dari kuisioner dikalkulasi, maka selanjutnya menentukan pusat cluster atau centroid awal, centroid awal ini ditentukan secara acak atau random. Sebagai contoh penulis menggunakan contoh data yaitu: Salma, Nursantia, Fadhil, Muh Saabiq

M1 = (0, 5, 4, 1)

M2 = (1, 6, 3, 0)

M3 = (7, 2, 1, 0)

M4 = (1, 3, 5, 1)

Setelah menentukan centroid awal kemudian selanjutnya menghitung jarak terdekat dengan pusat cluster, berikut merupakan perhitungan jarak antara data pertama dengan pusat cluster. Data pertama yang digunakan yaitu: Aseila Aprilia S {3, 6, 1, 0}. Maka dilakukan perhitungan seperti dibawah ini:

Dan dilanjutkan sampai data ke-n, kemudian setelah keseluruhan data dihitung maka akan didapatkan hasil perhitungan hasil jarak untuk Itrasi-1, yaitu:

Dari hasil perhitungan data diatas maka didapatkan pengelompokan pada iterasi 1 berdasarkan 4 cluster. Pengelompokan data pada iterasi 1 dan clustering ditunjukan pada tabel berikut ini:

Pada tahap selanjutnya yaitu menentukan centroid cluster yang baru. Untuk mendapatkan centroid baru, maka terlebih dahulu mencari nilai rata-rata dari masing-masing cluster Pada cluster ke -1 memiliki 66 data, oleh karena itu:

C1= (22/66) = 0,3333

C1= (314/66) = 4,7575

C1= (270/66) = 4,0909

C1= (54/66) = 0,8181

Pada cluster ke -2 memiliki 349 data, oleh karena itu:

C2= (318/349) = 0,9111

C2= (2544/349) = 7,2893

C2= (608/349) = 1,7421

C2= (20/349) = 0,0573

Pada cluster ke -3 memiliki 83 data, oleh karena itu:

C3= (645/83) = 7,7710

C3= (135/83) = 1,6265

C3= (45/83) = 0,5421 C3= (5/83) = 0,0602

Pada cluster ke -4 memiliki 141 data, oleh karena itu:

C4= (63/141) = 0,4468

C4= (320/141) = 2,2695

C4= (893/141) = 6,3333

C4= (134/141) = 0,9503

Sehingga, didapatkan centroid baru yaitu:

C1= {0,3333; 4,7575; 4,0909; 0,8181}

C2= {0,9111; 7,2893; 1,7421; 0,0573}

C3= {7,7710; 1,6265; 0,5421; 0,0602}

C4= {0,4468; 2,2695; 6,3333; 0,9503}

Setelah didapatkan centroid baru, maka dilanjutkan ke perhitungan Iterasi 2. Rumus yang digunakan sama seperti perhitungan jarak centroid awal di atas. setelah perhitungan itrasi 2 selesai maka didapatkan hasil perhitungan jarak yang baru sebagai berikut:

Dari table diatas didapatkan keanggotaan nama mahasiswa seperti berikut:

Memperbaharui nilai centroid sebagai contoh untuk cluster ke-2 jika semua data 639 ditampilkan maka C2 memiliki jumlah anggota cluster yang berbeda. Ulangi langkah tersebut sampai anggota tiap cluster tidak ada yang berubah.

• Kesimpulan

Penelitian ini memiliki kesimpulan bahwa algoritma K-Means dapat digunakan untuk menentukan tingkat kepuasan terhadap pembelajaran online, berdasarkan tingkat sangat tidak setuju, tidak setuju, setuju, sangat setuju terhadap pembelajaran online, yaitu;

1) Untuk cluster pertama (C1) menyatakan bahwa kategori sangat tidak setuju terhadap pembelajaran online tergolong “tinggi” yaitu mencapai 241 siswa.

2) Untuk cluster kedua (C2) menyatakan bahwa katergori tidak setuju terhadap pembelajaran online tergolong “sangat tinggi” yaitu mencapai 293 siswa.

3) Untuk cluster ketiga (C3) menyatakan bahwa kategori setuju terhadap pembelajaran online tergolong “rendah” yaitu hanya mencapai 83 siswa.

• Saran

Penerapan K-Means dalam efektivitas pembelajaran e-Learning pada masa pandemi Covid-19 ini terbilang cukup terstruktur dan tertata. Namun, masih ada beberapa hal yang harus diperbaharui dari berbagai sisi, salah satunya pemilihnan lokasi yang mungkin bisa diperluas. Sehingga cakupan penerapan K-Means ini dapat diimplementasikan dalam kancah suatu daerah bahkan nasional. Sehingga efektivitasnya sangat optimal.