IJCCS, Vol.x, No.x, July xxxx, pp.

1~5
ISSN: 1978-1520

19

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN JURUSAN

PADA SISWA SMA MENGGUNAKAN METODE KNN DAN SMART
Yeni Kustiyahningsih, Nikmatus Syafaah
Jurusan Teknik Informatika, Fakutas Teknik, Universitas Trunojoyo
Jl. Raya Telang PO. BOX 2 Kamal, Bangkalan, Madura, 691962
[email protected]

Abstract
The development of technology has great influences in a science one of the example is a
process decision support stipulation of degree for Senior High School student. This stipulation
of degree is important problem because it can be influenced in choosing of academy. Hence,
this process decision support is working outstandingly manually by the regents class or BPs
teacher that is less accurate because of subjectivity. Because of that to stipulate the degree to
senior high school student, it is used KNN and SMART method. KNN (K-Nearest Neighbor) is
classification method with to look for the nearest data to data which will be evaluated with K
nearest neighbor in training of data. Meanwhile SMART (Simple Multi Attribute Rating
Technique) is a decision support that is multi attribute. Data or input that is used in calculation
KNN method is official school report which it will be produce a degree caused by official
report. The result of degree caused by the official report will be proceed by using SMART
method with the result of psychology test, students proclivity and parents suggestion. By using
KNN and SMART method, that can be resulted a degree more optimal from the indicator or
criteria that is entering by objective with the result that has more nearing the accurately for the
data of 62.5 %.
Keywords: DSS (Decision Support System), KNN (K-Nearest Neighbor), SMART (Simple Multi
Attribute Rating Technique)
1. PENDAHULUAN
Saat ini masih banyak siswa SMA yang bingung dan ragu untuk menentukan jurusan apa
yang sesuai dengan kemampuan mereka masing-masing. Padahal penentuan jurusan adalah
masalah yang sangat penting karena berpengaruh pada pemilihan perguruan tinggi. Biasanya
untuk mengatasi masalah tersebut siswa hanya berkonsultasi secara langsung kepada guru wali
kelas, BP atau dengan orangtua masing-masing yang dilakukan secara manual sehingga
memakan waktu yang cukup lama. Selain itu pengambilan keputusan yang dilakukan secara
manual oleh wali kelas atau guru BP dianggap kurang akurat karena bersifat subyektif. Tetapi
seiring dengan perkembangan teknologi hal itu bukan menjadi masalah lagi karena sudah
banyak aplikasi yang dibuat untuk menyelesaikan masalah tersebut.
Pada penelitian ini dibuat suatu aplikasi sistem pengambilan keputusan untuk menentukan
jurusan pada siswa SMA. Penjurusan yang ada pada siswa SMA terbagi menjadi 3 jurusan yaitu
IPA, IPS, dan BAHASA. Dalam menentukan jurusan pada siswa SMA dibutuhkan nilai ratarata raport siswa kelas X semester 1 dan 2, hasil tes psikologi, minat siswa, dan saran orang tua.
Untuk menghitung nilai raport siswa digunakan metode KNN (K-Nearest Neighbor). KNN
adalah metode klasifikasi dengan mencari jarak terdekat antara data yang akan dievaluasi
dengan K tetangga (neighbor) terdekatnya dalam data pelatihan. Setelah itu semua kriteria
termasuk nilai raport siswa yang telah dihitung menggunakan metode KNN akan diproses
menggunakan metode pembobotan SMART. Pemilihan metode SMART dikarenakan metode
ini dapat melakukan pengambilan keputusan yang multiatribut. Sehingga diharapkan akan

Received June 1st,2012; Revised June 25th, 2012; Accepted July 10th, 2012

20

ISSN: 1978-1520

tercipta suatu sistem pengambilan keputusan yang akurat dan dapat menyelesaikan
permasalahan dalam menentukan jurusan pada siswa SMA.
Tujuan penelitian ini adalah membuat suatu aplikasi sistem pendukung keputusan untuk
membantu Guru maupun Siswa SMA dalam menentukan jurusan menggunakan metode KNN
(K-Nearest Neighbor) dan SMART (Simple Multi Attribute Rating Technique).

Metode KNN
Prinsip kerja K-Nearest Neighbor (KNN) adalah mencari jarak terdekat antara data yang
akan dievaluasi dengan K tetangga (neighbor) terdekatnya dalam data pelatihan [1]. Teknik ini
termasuk dalam kelompok klasifikasi nonparametric. Di sini kita tidak memperhatikan
distribusi dari data yang ingin kita kelompokkan. Teknik ini sangat sederhana dan mudah
diimplementasikan. Mirip dengan teknik klastering, kita mengelompokkan suatu data baru
berdasarkan jarak data baru itu ke beberapa data/tetangga (neighbor) terdekat [4].
Tujuan algoritma KNN adalah mengklasifikasikan obyek baru berdasarkan atribut dan
training sample. Clasifier tidak menggunakan model apapun untuk dicocokkan dan hanya
berdasarkan pada memori. Diberikan titik query, akan ditemukan sejumlah k obyek atau (titik
training) yang paling dekat dengan titik query. Klasifikasi menggunakan voting terbanyak
diantara klasifikasi dari k obyek. Algoritma KNN menggunakan klasifikasi ketetanggaan
sebagai nilai prediksi dari query instance yang baru. Algoritma metode KNN sangatlah
sederhana, bekerja berdasarkan jarak terpendek dari query instance ke training sample untuk
menentukan KNN-nya.
Nilai k yang terbaik untuk algoritma ini tergantung pada data. Secara umum, nilai k yang
tinggi akan mengurangi efek noise pada klsifikasi, tetapi membuat batasan antara setiap
klasifikasi menjadi semakin kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter,
misalnya dengan menggunakan cross-validation. Kasus khusus dimana klasifikasi diprekdisikan
berdasarkan training data yang paling dekat (dengan kata lain, k=1) disebut algoritma Nearest
Neighbor [5].
Kelebihan KNN (K-Nearest Neighbor) [5]:
1. Tangguh terhadap training data yang memiliki banyak noise.
2. Efektif apabila training datanya besar.
Kelemahan KNN (K-Nearest Neighbor) [5]:
1. KNN perlu menentukan nilai dari parameter k (jumlah dari tetangga terdekat).
2. Training berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan.
3. Atribut mana yang harus digunakan untuk mendapatkan hasil terbaik.
4. Biaya komputasi cukup tinggi karena diperlukan perhitungan jarak dari tiap query
instance pada keseluruhan training sample.
Metode SMART (Simple Multi Attribute Rating Technique)
SMART merupakan metode pengambilan keputusan yang multiatribut. Teknik pembuatan
keputusan multiatribut ini digunakan untuk membantu stakeholder dalam memilih antara
beberapa alternatif. Setiap alternatif terdiri dari sekumpulan atribut dan setiap atribut
mempunyai nilai-nilai, nilai ini dirata-rata dengan skala tertentu. Setiap atribut mempunyai
bobot yang menggambarkan seberapa penting ia dibandingkan dengan atribut lain [5].
Dengan SMART pembobotan atribut dilakukan dengan dua langkah yaitu:
1. Mengurutkan kepentingan suatu atribut dari level terburuk ke level terbaik.
2. Membuat perbandingan rasio kepentingan setiap atribut dengan atribut lain dibawahnya.
SMART lebih banyak digunakan karena kesederhanaanya dalam merespon kebutuhan
pembuat keputusan dan caranya menganalisa respon. Analisa yang terlibat adalah transparan
sehingga metode ini memberikan pemahaman masalah yang tinggi dan dapat diterima oleh
pembuat keputusan. Pembobotan pada SMART menggunakan skala antara 0 sampai 1, sehingga
mempermudah perhitungan dan perbandingan nilai pada masing-masing alternatif.
Model yang digunakan dalam SMART:
IJCCS Vol. x, No. x, July 201x : first_page end_page

IJCCS

21

ISSN: 1978-1520

u (ai ) w j ui (ai ),

i 1,2,...m

(2)
Keterangan:
wj = nilai pembobotan kriteria ke-j dan k kriteria
u(ai) = nilai utility kriteria ke-i untuk kriteria ke-i
Pemilihan keputusan adalah mengidentifikasi mana dari n alternatif yang mempunyai nilai
fungsi terbesar.
J 1

2. METODE PENELITIAN
Untuk memperoleh gambaran yang jelas mengenai penelitian ini, maka penulis membuat
metodologi penelitian sebagai berikut :
1. Pengumpulan Data (Data Collecting)
Data yang dikumpulkan yaitu data materi pembelajaran dan data pelatihan. Data materi
pembelajaran diperoleh dengan cara pencarian artikel lewat internet dan pembelajaran buku
referensi. Sedangkan data pelatihan meliputi nilai-nilai siswa SMA, hasil tes psikologi, angket
minat siswa dan saran orang tua serta data identitas pemilik nilai tersebut.
2. Studi Literatur
Studi literatur dilaksanakan dengan cara mengumpulkan dan mempelajari segala macam
informasi yang berhubungan dengan Penjurusan Siswa SMA, Sistem Pengambilan Keputusan,
Metode KNN (K-Nearest Neighbor), metode SMART (Simple Multi Attribute Rating
Technique) dan segala hal yang berhubungan dengan model pemrogramannya.
Di bawah ini merupakan flowchart dari metode KNN:
Start KNN

Input data testing

Data
Sampel

Tetapkan nilai K = 5

Hitung Jarak Euclidian

p

di

2i

x1i

i 1

Urutkan hasil perhitungan

jarak

Pilih alternatif terbanyak

Hasil keputusan
penentuan jurusan
berdasarkan nilai raport

End

Gambar 1 Flowchart algoritma KNN

Algoritma KNN
1. Tentukan parameter K
2. Hitung jarak antara data yang akan dievaluasi dengan semua pelatihan
Title of manuscript is short and clear, implies research results (First Author)

22
3.
4.
5.
6.

ISSN: 1978-1520

Urutkan jarak yang terbentuk (urut naik)

Tentukan jarak terdekat sampai urutan K
Pasangkan kelas yang bersesuaian
Cari jumlah kelas dari tetangga yang terdekat dan tetapkan kelas tersebut sebagai
kelas data yang akan dievaluasi

Rumus KNN:
p

di

x1i

2i

(1)

i 1

Keterangan:
x1 = Sampel Data

x2
i
d
p

= Data Uji / Testing

= Variabel Data
= Jarak
= Dimensi Data

Di bawah ini merupakan flowchart dari metode SMART

Start SMART

Input jumlah kriteria

dan bobotnya

Normalisasi bobot

Input nilai kriteria

untuk setiap alternatif

Hitung nilai utility untuk

setiap kriteria
u i (ai ) 100

(C max C out i )
(C max C min )

Hitung nilai akhir

m

u ( ai ) w j u i ( ai )
J 1

Hasil keputusan
penentuan jurusan

End

Gambar 3 Flowchart dari Metode SMART

Teknik SMART
1. Langkah 1: menentukan jumlah kriteria
2. Langkah 2: sistem secara default memberikan skala 0-100 berdasarkan prioritas yang telah
diinputkan kemudian dilakukan normalisasi.
Normalisasi =

wj

(3)
j

Keterangan :
wj : bobot suatu kriteria
IJCCS Vol. x, No. x, July 201x : first_page end_page

IJCCS

23

ISSN: 1978-1520

: total bobot semua kriteria

3. Langkah 3: memberikan nilai kriteria untuk setiap alternatif.

4. Langkah 4: hitung nilai utility untuk setiap kriteria masing-masing.

ui (ai ) 100

(C max Cout i )
%
(C max Cmin )

(4)

Keterangan :
ui(ai) : nilai utility kriteria ke-1 untuk kriteria ke-i
Cmax : nilai kriteria maksimal
Cmin : nilai kriteria minimal
Cout i : nilai kriteria ke-i
5. Langkah 5: hitung nilai akhir masing-masing.
m

u ( ai )

w u (a )
j i

(5)

J 1

3. Perancangan Sistem
Pada tahap ini dilaksanakan perancangan Sistem Perangkat Lunak yang akan dibuat
berdasarkan hasil studi literatur yang ada. Perancangan Perangkat Lunak ini meliputi
desain database, desain struktur data, desain aliran informasi, desain antar muka, desain
algoritma dan pemrograman. Perancangan ini dengan membuat alur program, menentukan
algoritma yang sesuai agar program dapat berjalan dengan baik dan efisien.
4. Pembuatan Sistem
Pembuatan program dan implementasi dilakukan secara bertahap dengan acuan studi
literatur dan perancangan sistem yang telah dibuat. Perancangan sistem yang telah dibuat
akan diimplementasikan pada bahasa pemrograman yang telah disepakati.
5. Pengujian dan Evaluasi
Pada tahap ini dilakukan uji coba program untuk mencari masalah yang mungkin timbul,
mengevaluasi jalannya program, dan mengadakan perbaikan jika ada kekurangan.
6. Penyusunan Laporan Penelitian
Penyusunan laporan dilakukan pada tahap akhir sebagai dokumentasi dari pelaksanaan
Penelitian. Dokumentasi ini dibuat untuk menjelaskan aplikasi agar memudahkan orang
lain yang ingin mengembangkan aplikasi lebih lanjut.
3. HASIL DAN PEMBAHASAN
Analisa Input

Dalam metode penelitian ini ada bobot dan kriteria yang dibutuhkan untuk menentukan
jurusan apa yang cocok bagi siswa tersebut. Adapun kriterianya adalah:
1. Rata-rata nilai raport semester 1 dan 2, sebanyak 12 mata pelajaran yaitu: Matematika, Fisika,
Kimia, Biologi, Ekonomi, Geografi, Sejarah, Sosiologi, Bahasa Indonesia, Bahasa Inggris,
Seni Budaya, dan Bahasa Jepang.
2. Hasil test psikologi
3. Minat siswa, dan
4. Saran/anjuran orang tua
Title of manuscript is short and clear, implies research results (First Author)

24

ISSN: 1978-1520

Adapun bobot kepentingan dari tiap-tiap kriteria yang telah ada adalah:
Tabel 1. Tabel Data Bobot
Saran
Nilai Raport
Test Psikologi Minat Siswa Orang Tua
30 %
20 %
40 %
10 %
Bobot ini berdasarkan.
Analisa Output
Keluaran yang dihasilkan dari penelitian ini adalah sebuah alternatif yang memiliki nilai
tertinggi dibandingkan dengan alternatif yang lain. Pada penelitian ini hasil keluarannya diambil
dari urutan alternatif tertinggi ke alternatif terendah. Alternatif yang dimaksud adalah jurusan
IPA, IPS, atau BAHASA. Hasil akhir yang dikeluarkan oleh program nanti berasal dari jumlah
keseluruhan dari nilai setiap kriteria, karena dalam setiap kriteria memiliki nilai yang berbedabeda.
Uji Aplikasi dan User Interface
1. Form Utama
Sebelum login admin maupun user masuk ke menu utama terlebih dahulu, setelah itu
baru melakukan login. Form utama seperti pada Gambar 4.

Gambar 4 Menu Utama

2. Form Login
Form login berfungsi untuk membatasi hak akses pada user dalam mengakses ataupun
menggunakan aplikasi ini. Dalam form ini diminta mengisikan username serta password sebagai
identifikasi siapa yang boleh mengakses ataupun untuk keamanan apikasi. Bentuk tampilan dari
form login adalah seperti pada Gambar 5.

Gambar 5 Form Login

3. Form Penjurusan
Pada form ini admin dapat melakukan proses penjurusan dengan menggunakan metode
KNN dan SMART dengan cara memilih siswa mana yang akan diproses dan dapat juga
IJCCS Vol. x, No. x, July 201x : first_page end_page

IJCCS

25

ISSN: 1978-1520

dilakukan dengan cara memproses siswa dalam 1 kelas sekaligus. Tampilan dari form
penjurusan seperti pada Gambar 6, 7 dan 8.
Analisa Uji Coba
Pada proses uji coba ini akan dilakukan 3 uji coba dengan menggunakan data atau kriteria
yang sama akan tetapi memiliki bobot yang berbeda.

Gambar 6 Form Penjurusan

Gambar 7 Form Proses KNN

Gambar 8 Form Proses SMART

Uji Coba I:
Dengan menggunakan 4 kriteria di atas dengan bobot:
1. Nilai Raport
= 30 %
2. Test Psikologi
= 20 %
3. Minat Siswa
= 40 %
4. Saran Orang Tua
= 10 %
Maka diperoleh hasil perhitungan dengan menggunakan metode KNN dan SMART seperti
pada Tabel 2. Dari hasil uji coba ini diperoleh hasil penjurusan yang paling banyak kesamaanya
dengan data yang asli (hasil dari penjurusan yang dilakukan oleh guru BP secara manual) yaitu
pada kelas X-7 sebanyak 20 siswa dari 32 siswa yang ada pada kelas tersebut. Sedangkan hasil
penjurusan yang paling sedikit kesamaanya dengan data yang asli yaitu pada kelas X-5 hanya 13
siswa saja dari 33 siswa yang ada pada kelas tersebut.
Uji Coba II:
Dengan menggunakan 4 kriteria di atas dengan bobot:
1.
Nilai Raport
= 35 %
2.
Test Psikologi
= 20 %
3.
Minat Siswa
= 40 %
4.
Saran Orang Tua = 5 %
Title of manuscript is short and clear, implies research results (First Author)

26

ISSN: 1978-1520

Maka diperoleh hasil perhitungan dengan menggunakan metode KNN dan SMART seperti
pada Tabel 3. Dari hasil uji coba ini diperoleh hasil penjurusan yang paling banyak kesamaanya
dengan data yang asli (hasil dari penjurusan yang dilakukan oleh guru BP secara manual) yaitu
pada kelas X-4 sebanyak 19 siswa dari 33 siswa yang ada pada kelas tersebut. Sedangkan hasil
penjurusan yang paling sedikit kesamaanya dengan data yang asli yaitu pada kelas X-5 dan X-8
hanya 14 siswa saja dari 33 dan 34 siswa yang ada pada kelas tersebut.
Uji Coba III:
Dengan menggunakan 4 kriteria di atas dengan bobot:
1.
Nilai Raport
= 20 %
2.
Test Psikologi
= 15 %
3.
Minat Siswa
= 60 %
4.
Saran Orang Tua = 5 %
Maka diperoleh hasil perhitungan dengan menggunakan metode KNN dan SMART seperti
pada Tabel 4. Dari hasil uji coba ini diperoleh hasil penjurusan yang paling banyak kesamaanya
dengan data yang asli (hasil dari penjurusan yang dilakukan oleh guru BP secara manual) yaitu
pada kelas X-7 sebanyak 16 siswa dari 32 siswa yang ada pada kelas tersebut. Sedangkan hasil
penjurusan yang paling sedikit kesamaanya dengan data yang asli yaitu pada kelas X-5 hanya 5
siswa saja dari 33 siswa yang ada pada kelas tersebut.

Tabel 2. Hasil uji coba skenario I pada

kelas X-7

Tabel 3. Hasil uji coba skenario II pada

kelas X-7

IJCCS Vol. x, No. x, July 201x : first_page end_page

IJCCS, Vol.x, No.x, July xxxx, pp. 1~5

ISSN: 1978-1520

27

Tabel 4. Hasil uji coba skenario III pada kelas X-7

Hasil Analisa Uji Coba
Dari ketiga hasil uji coba diatas, dapat diketahui bahwa dalam penentuan bobot untuk
masing-masing kriteria sangatlah berpengaruh pada hasil yang akan diperoleh dalam
perhitungan dengan menggunakan metode KNN dan SMART. Jadi dari ketiga uji coba di atas
yang memiliki hasil penjurusan paling banyak kesamaanya dengan data yang asli yaitu
ditunjukkan pada uji coba I, pada siswa kelas X-7 sebanyak 32 siswa dalam 1 kelas. Untuk
siswa yang masuk dalam jurusan IPA sebanyak 8 siswa, IPS sebanyak 23 siswa, dan Bahasa
hanya 1 siswa. Dengan menggunakan metode KNN dan SMART dalam kelas yang sama dan
jumlah siswa yang sama diperoleh hasil penjurusan bagi siswa untuk jurusan IPA sebanyak 15
siswa, IPS sebanyak 15 siswa, dan Bahasa sebanyak 2 siswa.
4. KESIMPULAN
Setelah menyelesaikan Rancang Bangun Perangkat Lunak Sistem Pendukung Keputusan
untuk Menentukan Jurusan Pada Siswa SMA Menggunakan Metode KNN (K-Nearest
Neighbor) dan SMART dapat diambil beberapa kesimpulan sebagai berikut :
1. Dengan menggunakan metode KNN dan SMART dapat diperoleh hasil yang cukup
mendekati keakuratan dari data yang telah ada sebesar 62,5 %, dihitung dari total hasil
jumlah jurusan dengan menggunakan metode KNN dan SMART sebanyak 20 siswa dibagi
dengan jumlah banyaknya siswa dalam 1 kelas tersebut sebanyak 32 siswa.
2. Sistem pendukung keputusan menggunakan metode KNN dan SMART ini digunakan
untuk menentukan jurusan bagi siswa SMA berdasarkan bobot dan kriteria yang sudah
ditentukan.

Received June 1st,2012; Revised June 25th, 2012; Accepted July 10th, 2012

28

ISSN: 1978-1520

DAFTAR PUSTAKA
[1]. Rismawan, T. I., Prabowo, A.W., Kusumadewi, S., 2008. Sistem Pendukung Keputusan
Berbasis Pocket PC sebagai Penentu Status Gizi Menggunakan Metode KNN (K-Nearest
Neighbor). Jurnal Teknoin I, No.2, Vol.12.
[2]. Widodo, Y.R., 2009. Aplikasi Sistem Pendukung Keputusan untuk Menentukan Jurusan
pada SMU menggunakan metode KNN (K-Nearest Neighbor), http://www.slideshare.net/
youngyon/progres-penjurusan-smu-presentation.ppt, diakses pada 28 Maret 2010.
[3]. Latief, M., 2006, Perancangan dan Pembuatan Perangkat Lunak SPK Seleksi Pemohon
Beasiswa dengan Pendekatan metode AHP. Universitas Trunojoyo, Bangkalan.
[4]. Santosa, B., 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis, Ed.1,
Graha Ilmu, Yogyakarta.
[5]. Yofiyanto, E., 2010. K-Nearest Neighbor, http://kuliahinformatika.wordpress.com
/2010/02/13/buku-ta-k-nearest-neighbor-knn/.htm, diakses 22 Maret 2010.
[6]. Bidara, Z. E., 2008, Rancang Bangun Aplikasi Penentu Bidang Studi Perguruan Tinggi
Berdasarkan Minat dan Bakat dengan Menggunakan Metode SMART. Tugas Akhir,
Universitas Trunojoyo Madura, Bangkalan.
[7]. Indriyawan, E., 2005. Pemrograman Database meningkatkan kemampuan database
Menggunakan Delphi dan MSSQL Server, Ed.1, Andi ,Yogyakarta.
[8]. Sudarsono.,2009, Analisis dan Perancangan Sistem,http://www.scribd.com/doc/
11592833/Pedomanpedoman-Dalam-Membuat-Flowchart,diakses pada 17 April 2010.
[9]. Nugroho, A., 2005, Rational Rose untuk Pemodelan Berorientasi Objek, Informatika,
Bandung.
[10]. Sulistiyani, S., 2010. Step by Step Delphi 2010 Programming, Ed.1, Andi dan Wahana
Komputer, Yogyakarta.

IJCCS Vol. x, No. x, July 201x : first_page end_page