PENGELOMPOKAN ANGGOTA BARU PADUAN SUARA … · 2020. 1. 8. · penerimaan anggota baru, jumlah pendaftar setiap tahunnya berjumlah ratusan. Melalui proses seleksi tersebut, diperoleh

i

PENGELOMPOKAN ANGGOTA BARU PADUAN SUARA MAHASISWA

MENGGUNAKAN METODE AGGLOMERATIVE HIERARCHICAL

CLUSTERING

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Informatika

oleh :

Joni Rourensius

145314016

PROGRAM STUDI INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

CLUSTERING NEW MEMBER OF STUDENT CHOIR USING

AGGLOMERATIVE HIERARCHICAL CLUSTERING METHOD

A THESIS

Presented as Partial Fullfilment of the Requirement

to Obtain the Sarjana Komputer Degree

in Informatics Study Program

By :

Joni Rourensius

145314016

INFORMATICS STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY YOGYAKARTA

2019


iii


iv


v

HALAMAN PERSEMBAHAN

Skripsi ini saya persembahkan kepada keluarga saya tercinta,

dosen-dosen yang berjasa, dan semua orang terdekat saya.

“You may say I’m a dreamer, but I’m not the only one”

- John Lennon –


vi


vii


viii

INTISARI

Cantus Firmus adalah salah satu unit kegiatan mahasiswa terbesar di

Universitas Sanata Dharma. Paduan suara ini setiap tahunnya melakukan

penerimaan anggota baru, jumlah pendaftar setiap tahunnya berjumlah ratusan.

Melalui proses seleksi tersebut, diperoleh data seleksi penerimaan anggota baru

dan data tersebut kemudian akan dikelompokkan menggunakan Agglomerative

Hierarchical Clustering dengan menggunakan 3 metode didalamnya yakni Single-

linkage, Average-linkage, dan Complete-linkage.

Dalam proses pengelompokkan yang dilakukan, data kemudian akan

dikelompokkan kedalam 4 kelompok jenis suara yaitu Sopran, Alto, Tenor, dan

Bass. Tujuannya adalah untuk mengetahui apakah metode Agglomerative

Hierarchical Clustering dapat dengan baik mengelompokkan data sesuai dengan

jenis suara mereka. Oleh karena itu, hasil dari pengelompokkan kemudian akan

diuji akurasinya menggunakan metode Confusion Matrix.

Dari ketiga metode yang diujikan, diketahui metode Complete-linkage

menghasilkan akurasi yang paling tinggi yaitu 84% karena metode ini

menggunakan pengambilan nilai jarak yang paling besar ketika proses

pengelompokan dilakukan, sehingga masing-masing cluster memiliki jarak yang

paling maksimal. Metode Average-linkage dan Single-linkage diketahui

menghasilkan akurasi yang lebih rendah.

Kata kunci : Pengelompokan anggota baru Cantus Firmus, Agglomerative

Hierarchical Clustering, Single-linkage, Average-linkage, Complete-linkage


ix

ABSTRACT

Cantus Firmus is one of the largest student activity units at Sanata Dharma

University. This choir conducts the process of accepting new members each year,

the number of registrants every year is in the hundreds. Through the selection

process, new member selection data is obtained and then the data will be grouped

using Agglomerative Hierarchical Clustering with 3 methods, that is Single-

linkage, Average-linkage, and Complete-linkage.

In the clustering process, the data will then be grouped into 4 groups of

voice classification namely Soprano, Alto, Tenor, and Bass. The purpose is to find

out whether the Agglomerative Hierarchical Clustering method can properly

group data according to their voice classification. Therefore, the results of the

grouping will then be tested for accuracy using the Confusion Matrix method.

Three methods were tested, it is known that the Complete-linkage method

produces the highest accuracy which is 84% because this method uses the largest

distance retrieval value when the grouping process is carried out, so that each

cluster has the maximum distance. The Average-linkage and Single-linkage

methods are known to produce lower accuracy in this case.

Keywords : Clustering new member of Cantus Firmus, Agglomerative

Hierarchical Clustering, Single-linkage, Average-linkage, Complete-linkage


x

KATA PENGANTAR

Puji dan syukur saya sebagai penulis panjatkan kepada Tuhan Yang Maha

Esa atas segala berkat, bimbingan, dan rahmat yang telah dilimpahkan kepada

penulis sehingga dapat menyelesaikan tugas akhir yang berjudul “Pengelompokan

Anggota Baru Paduan Suara Mahasiswa menggunakan Metode Agglomerative

Hierarchical Clustering” yang merupakan salah syarat yang diperlukan untuk

menyelesaikan studi dan memperoleh gelar sarjana pada program studi

Informatika Fakultas Sains dan Teknologi Universitas Sanata Dharma

Yogyakarta.

Penulis juga dengan segenap kerendahan hati ingin mengucapkan terima

kasih yang sebanyak-banyaknya kepada pihak-pihak berikut karena tugas akhir ini

dapat terselesaikan :

1. Seluruh keluarga saya, kedua orang tua dan kelima kakak saya yang

telah memberikan dukungan, semangat, dan perhatian yang sangat

membantu penulis dalam mengerjakan tugas akhir.

2. Romo Dr. Cyprianus Kuntoro Adi, S.J. M.A., M.Sc. yang merupakan

dosen pembimbing penulis yang memberikan bimbingan untuk penulis

dalam mengerjakan tugas akhir.

3. Samuel, mas Dedi, mbak Vani, dan Jessica yang selalu menemani,

memotivasi, membantu, hingga menghibur penulis dalam

menyelesaikan tugas akhir.

4. Semua orang yang memberikan semangat untuk tidak menyerah dan

membantu sesuai dengan kebutuhan penulis, terima kasih.

Penulis menyadari penulisan tugas akhir ini masih jauh dari sempurna.

Kritik dan saran yang membangun diharapkan akan membantu tugas akhir ini.

Akhir kata, semoga tugas akhir ini memberikan informasi yang bermanfaat bagi

yang membutuhkan.


xi

DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i

HALAMAN JUDUL (INGGRIS) ........................................................................... ii

HALAMAN PERSETUJUAN PEMBIMBING .... Error! Bookmark not defined.

HALAMAN PENGESAHAN ................................................................................ iii

HALAMAN PERSEMBAHAN ............................................................................. v

PERNYATAAN KEASLIAN KARYA ................................................................. v

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS .............................................................. vi

INTISARI ............................................................................................................. viii

ABSTRACT ........................................................................................................... ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI .......................................................................................................... xi

DAFTAR TABEL ................................................................................................ xiv

DAFTAR GAMBAR ........................................................................................... xvi

BAB I PENDAHULUAN .................................................................................... 1

1.1. Latar Belakang ......................................................................................... 1

1.2. Rumusan Masalah .................................................................................... 4

1.3. Tujuan Penelitian ...................................................................................... 4

1.4. Batasan Masalah ....................................................................................... 4

1.5. Manfaat Penelitian .................................................................................... 5

1.6. Metodologi Penelitian .............................................................................. 5

1.7. Sistematika Penulisan ............................................................................... 6

BAB II LANDASAN TEORI ................................................................................ 7

2.1. Euclidean Distance ................................................................................... 7

2.2. Cosine Similarity ...................................................................................... 7


xii

2.3. Himpunan Data ......................................................................................... 8

2.4. Konsep Analisis Cluster ......................................................................... 10

2.4.1 Pengertian Analisis Cluster ............................................................. 10

2.4.2 Prosedur Analisis Cluster ................................................................ 11

2.5. Tipe Clustering ....................................................................................... 12

2.6. Tipe Cluster ............................................................................................ 13

2.7. Hierarchical Clustering ......................................................................... 14

2.7.1. Agglomerative Hierarchical Clustering .......................................... 15

2.7.2. Algoritma Agglomerative Hierarchical Clustering ........................ 21

2.8. Confusion Matriks .................................................................................. 22

BAB III METODE PENELITIAN........................................................................ 24

3.1. Data ........................................................................................................ 24

3.2. Tahapan Penelitian ................................................................................. 26

3.2.1. Studi Literatur ................................................................................. 26

3.2.2. Pengumpulan Data .......................................................................... 27

3.2.3. Pembuatan Alat Uji ......................................................................... 27

3.2.4. Pengujian ......................................................................................... 27

3.3. Analisa Kebutuhan Proses ...................................................................... 28

3.4. Desain Interface ..................................................................................... 28

3.5. Gambaran Umum Sistem ....................................................................... 29

3.5.1. Tahap Agglomerative Hierarchical Clustering ............................... 30

3.5.2. Tahap Output ................................................................................... 34

3.6. Implementasi Rancangan ....................................................................... 34

3.6.1. Diagram Konteks ............................................................................ 34

3.6.2. Data Flow Diagram Level 1 ............................................................ 35

3.6.3. Data Flow Diagram Level 2 ............................................................ 36

3.7. Penjelasan Proses ................................................................................... 37

3.7.1. Input Data ........................................................................................ 37


xiii

3.7.2. Pre-processing ................................................................................ 37

3.7.3. Pengukuran jarak ............................................................................. 41

3.7.4. Clustering ........................................................................................ 42

3.7.5. Perhitungan akurasi ......................................................................... 53

3.8. Spesifikasi Alat ....................................................................................... 54

BAB IV IMPLEMENTASI HASIL DAN ANALISA ......................................... 55

4.1. Hasil Clustering dan Pengujian Confusion ............................................ 55

4.2. Hasil Penelitian dan Analisa ................................................................... 62

BAB V KESIMPULAN DAN SARAN ............................................................... 67

5.1. Kesimpulan ............................................................................................. 67

5.2. Saran ....................................................................................................... 68

DAFTAR PUSTAKA ........................................................................................... 69

LAMPIRAN .......................................................................................................... 71


xiv

DAFTAR TABEL

Tabel 2. 1 Contoh Data Single-linkage ............................................................................. 16

Tabel 2. 2 Penyelesaian contoh data Single-linkage ......................................................... 17

Tabel 2. 3 Contoh data Complete-linkage ......................................................................... 18

Tabel 2. 4 Penghitungan jarak cluster contoh data Complete linkage .............................. 18

Tabel 2. 5 Penyelesaian contoh data Complete-linkage .................................................... 19

Tabel 2. 6 Contoh data Average-linkage ........................................................................... 20

Tabel 2. 7 Penghitungan jarak contoh data Average-linkage ............................................ 20

Tabel 2. 8 Penyelesaian contoh data Average-linkage ...................................................... 21

Tabel 3. 1 Deskripsi atribut data ....................................................................................... 25

Tabel 3. 2 Variabel Jenis Kelamin .................................................................................... 38

Tabel 3. 3 Variabel Jenis Suara ......................................................................................... 38

Tabel 3. 4 Variabel Range Nada ....................................................................................... 38

Tabel 3. 5 Variabel Karakter Suara ................................................................................... 38

Tabel 3. 6 Variabel Noise .................................................................................................. 39

Tabel 3. 7 Variabel Ketebalan Suara ................................................................................ 39

Tabel 3. 8 Variabel Nada Tinggi ....................................................................................... 39

Tabel 3. 9 Pembobotan Variabel Jenis Kelamin ............................................................... 39

Tabel 3. 10 Pembobotan Variabel Jenis Suara .................................................................. 40

Tabel 3. 11 Pembobotan Variabel Range Nada ................................................................ 40

Tabel 3. 12 Pembobotan Variabel Karakter Suara ............................................................ 40

Tabel 3. 13 Pembobotan Variabel Noise ........................................................................... 40

Tabel 3. 14 Pembobotan Variabel Ketebalan Suara.......................................................... 41

Tabel 3. 15 Pembobotan Variabel Nada Tinggi ................................................................ 41

Tabel 3. 16 Contoh 5 data ................................................................................................. 41

Tabel 3. 17 Contoh matrik jarak ....................................................................................... 42

Tabel 3. 18 Pencarian objek terdekat single iterasi 1 ........................................................ 43


xv

Tabel 3. 19 Hasil pencarian objek terdekat single iterasi 1 ............................................... 43


Tabel 3. 21 Hasil pencarian objek terdekat single iterasi 2 ............................................... 44


Tabel 3. 23 Hasil cluster Single-linkage ........................................................................... 45

Tabel 3. 24 Pencarian objek terdekat average iterasi 1 .................................................... 46

Tabel 3. 25 Hasil pencarian objek terdekat average iterasi 1 ........................................... 47


Tabel 3. 27 Hasil pencarian objek terdekat average iterasi 2 ........................................... 48


Tabel 3. 29 Hasil cluster average-linkage ........................................................................ 48

Tabel 3. 30 Pencarian objek terdekat complete iterasi 1 ................................................... 49

Tabel 3. 31 Hasil pencarian objek terdekat complete iterasi 1 .......................................... 50


Tabel 3. 33 Hasil pencarian objek terdekat complete iterasi 2 .......................................... 51


Tabel 3. 35 Hasil cluster complete-linkage ....................................................................... 52

Tabel 3. 36 Perhitungan Confusion Matrix ....................................................................... 53

Tabel 4. 1 Confusion Matriks Pengujian Single-linkage ................................................... 57

Tabel 4. 2 Confusion Matriks Pengujian Average-linkage ............................................... 59

Tabel 4. 3 Confusion Matriks Pengujian Complete-linkage ............................................. 61


xvi

DAFTAR GAMBAR

Gambar 2. 1 Prosedur Analisis Cluster (Modul UII) ........................................................ 11

Gambar 3. 1 Data Mentah Lembar Penilaian Vokal ......................................................... 25

Gambar 3. 2 Desain Interface ........................................................................................... 28

Gambar 3. 3 Diagram blok sistem .................................................................................... 29

Gambar 3. 4 Flowchart Single-linkage ............................................................................. 31

Gambar 3. 5 Flowchart Complete-linkage ........................................................................ 32

Gambar 3. 6 Flowchart Average-linkage .......................................................................... 33

Gambar 3. 7 Diagram Konteks proses clustering ............................................................. 34

Gambar 3. 8 Data Flow Diagram level 1 .......................................................................... 35

Gambar 3. 9 Diagram Data Flow level 2 clustering ......................................................... 36

Gambar 3. 10 Dendogram cluster single-linkage ............................................................. 45

Gambar 3. 11 Dendogram cluster average-linkage .......................................................... 49

Gambar 3. 12 Dendogram cluster complete-linkage......................................................... 52

Gambar 4. 1 Pengujian metode Single-linkage ................................................................. 56

Gambar 4. 2 Dendogram Single-linkage ........................................................................... 57

Gambar 4. 3 Pengujian metode Average-linkage .............................................................. 58

Gambar 4. 4 Dendogram Average-linkage ....................................................................... 59

Gambar 4. 5 Pengujian metode Complete-linkage ............................................................ 60

Gambar 4. 6 Dendogram Complete-linkage ..................................................................... 61

Gambar 4. 7 Grafik akurasi hasil pengujian ..................................................................... 64


1

BAB I

PENDAHULUAN

Bab ini akan menjelaskan bagaimana latar belakang, rumusan masalah, tujuan,

manfaat, metodologi, batasan, dan sistematika dalam penelitian yang akan

dilakukan.

1.1. Latar Belakang

Unit Kegiatan Mahasiswa Paduan Suara Mahasiswa Cantus Firmus

adalah salah satu unit kegiatan mahasiswa terbesar di Universitas Sanata

Dharma. Paduan Suara Mahasiswa Cantus Firmus mulai dibentuk pada

tahun 1981 sebagai paduan suara gereja dengan nama Paduan Suara

Dwiyarkara. Selanjutnya, paduan suara ini berkembang menjadi paduan

suara umum pada tahun 1991, dan berada di bawah sub–UK (Unit

Kegiatan) Kesenian. Setelah meraih berbagai prestasi 20 Oktober 1998,

paduan suara ini disahkan menjadi UKM (Unit Kegiatan Mahasiswa)

Universitas Sanata Dharma Yogyakarta. Sebagai sebuah civitas academica

Universitas Sanata Dharma, Paduan Suara Mahasiswa Cantus Firmus

secara berkala mengisi acara Wisuda dan Dies Natalis Universitas Sanata

Dharma yang diadakan setiap tahunnya. Selain program rutin tersebut

Paduan Suara Mahasiswa Cantus Firmus juga mengadakan konser

tahunan, dan mengikuti perlombaan-perlombaan di tingkat regional hingga

nasional.

Setiap tahun ajaran baru, Universitas Sanata Dharma menerima

kurang lebih 3000 mahasiswa baru. Para Mahasiswa tersebut akan

dikenalkan dengan seluruh UKM pada saat expo UKM inisiasi

berlangsung. Dari jumlah mahasiswa baru tersebut, pendaftar Paduan

Suara Mahasiswa Cantus Firmus setiap tahunnya kurang lebih 200-400


2

orang. Dan dari jumlah pendaftar tersebut, rata-rata anggota baru yang

diterima kurang lebih 50-60 orang. Proses seleksi penerimaan anggota

baru Paduan Suara Mahasiswa Cantus Firmus menghasilkan kumpulan

data individual tiap pendaftar yang terdiri dari data vokal dan data lainnya.

Dari data tersebutlah, akan diketahui keputusan untuk anggota baru yang

akan diterima.

Jenis suara anggota-anggota baru Paduan Suara Mahasiswa Cantus

Firmus ditentukan sejak pengumuman hasil penerimaan anggota baru

Paduan Suara Mahasiswa Cantus Firmus. Panitia penerimaan anggota baru

Paduan Suara Mahasiswa Cantus Firmus mengelompokkan jenis suara

anggota baru berdasarkan informasi yang diberikan anggota baru sendiri

dan hasil seleksi yang menghasilkan data vokal individu. Hal ini nyatanya

sangat rawan akan kesalahan. Karena pada praktiknya, sering terjadi

kesalahan dalam penempatan jenis suara yang dimiliki calon penyanyi

tersebut. Biasanya kesalahan penempatan jenis suara untuk anggota-

anggota Paduan Suara Mahasiswa Cantus Firmus akan terlihat setelah

melalui proses pelatihan-pelatihan untuk berbagai kepentingan, salah

satunya yang paling sering terjadi adalah pelatihan yang dilakukan untuk

kepentingan perlombaan baik yang tingkat regional hingga ketingkat yang

nasional. Penyanyi akan lebih sering menjalani berbagai latihan tambahan,

dan setelah beberapa waktu akan dilakukan tes kemampuan selama

pelatihan perlombaan, dan dari tes kemampuan inilah pelatih akan mulai

merasa jika ada kesalahan dalam penempatan jenis suara seseorang atau

beberapa penyanyi, yang artinya penyanyi yang ditempatkan pada jenis

suara tertentu dirasa seharusnya berada di jenis suara yang satunya.

Akibatnya penyanyi yang sudah menjalani persiapan serta pelatihan yang

panjang hingga mulai terbiasa dengan jenis suara yang ditempatkan

sebelumnya harus beradaptasi kembali dengan jenis suara baru yang

ditempatkan ulang selama proses pelatihan. Hal tersebut tentulah tidak

mudah dan menghambat jalannya proses latihan yang berlangsung saat itu,


3

dimana penyanyi harus mempelajari kembali lagu-lagu tersebut dengan

jenis suara yang berbeda.

Dengan batas waktu yang singkat untuk mempersiapkan lomba dan

penyanyi sendiri masih memiliki tanggung jawab lain sebagai seorang

mahasiswa. Kesalahan seperti ini memakan waktu yang cukup banyak

untuk penyesuaian dan sangat tidak efektif. Oleh karena itu muncul ide

untuk studi kasus terhadap data penilaian penerimaan anggota baru Paduan

Suara Mahasiswa Cantus Firmus dengan melakukan clustering terhadap

data seleksi anggota-anggota baru Paduan Suara Mahasiswa Cantus

Firmus sejak awal sehingga masalah yang dihadapi Paduan Suara

Mahasiswa Cantus Firmus tersebut diharapkan dapat dicegah sejak dini.

Studi kasus terhadap data penilaian penerimaan anggota baru

Paduan Suara Mahasiswa Cantus Firmus sebenarnya sudah pernah

dilakukan oleh Yosef Yudha Prasetya (2012). Dalam penelitiannya, Yosef

Yudha Prasetya membuat sistem seleksi penerimaan anggota baru Paduan

Suara Mahasiswa Cantus Firmus menggunakan pendekatan logika kabur

dan multi-attribute decision making. Yosef Yudha Prasetya membuat

sistem untuk membantu proses pengambilan keputusan penerimaan

anggota baru dengan menggabungkan hasil penilaian tahap vokal dan

tahap wawancara hingga mendapatkan keputusan untuk menerima anggota

baru atau tidak. Perbedaan penelitian ini dengan penelitian sebelumnya

yaitu penelitian ini akan berfokus untuk membuat sistem yang

mengelompokan jenis suara calon anggota baru Paduan Suara Mahasiswa

Cantus Firmus dengan melakukan Clustering terhadap dataset seleksi

tahap vokal anggota baru Paduan Suara Mahasiswa Cantus Firmus dan

kemudian akan dihasilkan cluster untuk setiap jenis suara untuk anggota-

anggota baru sebelum kemudian menjadi anggota tetap Paduan Suara

Mahasiswa Cantus Firmus.

Pada studi kasus ini, proses Clustering akan membagi data

individual tiap anggota baru Paduan Suara Mahasiswa Cantus Firmus yang

di dapatkan ketika seleksi tahap vokal anggota baru Paduan Suara


4

Mahasiswa Cantus Firmus menjadi 4 cluster jenis suara dengan

menggunakan metode Agglomerative Hierarchical Clustering. Jika cluster

yang telah berhasil dikelompokkan menggunakan metode Hierarchical

Clustering mendapatkan tingkat akurasi yang baik, diharapkan dapat

mempermudah Paduan Suara Mahasiswa Cantus Firmus dalam mengelola

dan mengelompokkan anggota-anggota baru kedalam jenis suara yang

mirip satu sama lain.

1.2. Rumusan Masalah

Berdasarkan latar belakang yang ada, dapat dirumuskan masalah berupa :

Apakah metode Agglomerative Hierarchical Clustering mampu

dengan baik mengelompokan anggota baru UKM Paduan Suara

Mahasiswa Cantus Firmus dalam jenis-jenis suara yang mirip satu sama

lain berdasarkan dataset seleksi tahap vokal mereka?

1.3. Tujuan Penelitian

Tujuan penelitian ini adalah untuk mengetahui apakah metode

Agglomerative Hierarchical Clustering mampu dengan baik

mengelompokkan anggota baru UKM Paduan Suara Mahasiswa Cantus

Firmus dalam jenis-jenis suara yang mirip satu sama lain dan

menghasilkan akurasi yang baik .

1.4. Batasan Masalah

Masalah akan dibatasi sebagai berikut :

1. Metode yang digunakan adalah metode Agglomerative Hierarchical

Clustering.

2. Data yang digunakan adalah dataset anggota baru Paduan Suara

Mahasiswa Cantus Firmus angkatan 2016 dan 2017.

3. Preprocessing dilakukan secara manual dan tidak melalui sistem.

4. Jenis suara yang dikelompokkan terbagi menjadi 4 yakni Sopran, Alto,

Tenor, Bass.


5

1.5. Manfaat Penelitian

Berdasarkan tujuan di atas, manfaat yang dapat diberikan adalah

diharapkan dapat membantu pihak UKM Paduan Suara Mahasiswa Cantus

Firmus dalam mengelompokkan anggota baru berdasarkan jenis suara.

1.6. Metodologi Penelitian

Metode penelitian pada penyusunan penulisan ini, adalah :

1. Studi literatur dengan tujuan :

a. Mempelajari dan memahami metode Hierarchical Clustering dalam

data mining.

b. Mengetahui data individual untuk paduan suara.

2. Pengumpulan data melalui UKM Paduan Suara Mahasiswa Cantus Firmus

Universitas Sanata Dharma

3. Merancang dan mengimplementasikan algoritma ke dalam sistem

4. Melakukan pengujian sistem menggunakan data yang diperoleh

5. Melakukan analisis hasil pengelompokan data

6. Menentukan kesimpulan dari hasil implementasi dan analisis

7. Penyusunan laporan Tugas Akhir.


6

1.7. Sistematika Penulisan

BAB I. Pendahuluan

Bab ini akan berisi latar belakang, rumusan masalah, tujuan,

batasan masalah, manfaat, metodologi penelitian, dan sistematika

penulisan.

BAB II. Landasan Teori

Bab ini mengemukakan teori yang berkaitan dengan masalah pada

tugas akhir. Teori tersebut akan menjadi acuan selama proses perancangan

hingga tahap implementasi tugas akhir ini.

BAB III. Metode Penelitian

Bab ini akan mengemukakan tentang data, tahap-tahap penelitian,

desain interface, gambaran umum sistem, dan spesifikasi alat.

BAB IV. Implementasi dan Analisis Hasil

Bab ini akan mengemukakan hasil implementasi yakni gambar

antar muka, gambar kode program, dan hasil dari analisis penelitian

BAB V. Kesimpulan dan Saran

Bab ini berisi kesimpulan dari hasil tugas akhir yang dibuat dan

saran untuk pengembangan penelitian selanjutnya.


7

BAB II

LANDASAN TEORI

Bab ini berisi tentang teori-teori yang akan digunakan dalam penelitian ini.

Teori-teori tersebut meliputi Euclidean Distance, Cosine Similarity, Konsep

Analisis Cluster, Tipe Clustering, Hierarchical Clustering dan Confusion

Matriks.

2.1. Euclidean Distance

Euclidean Distance digunakan untuk menghitung nilai kedekatan

antara dua dokumen. Perhitungan Euclidean Distance dirumuskan sebagai

berikut (Prasetyo, 2014) :

d( A,B ) = (2.1)

Atau

d( A,B ) = (2.2)

Keterangan :

: Jumlah atribut

: Data

2.2. Cosine Similarity

Dalam buku Data Mining : Pengelolahan Data menjadi informasi

menggunakan matlab (Prasetyo, 2014), ukuran kemiripan yang sering

digunakan untuk mengukur kemiripan dua dokumen x dan y adalah Cosine

Similarity. Kemiripan yang diberikan adalah 1 jika dua vektor x dan y


8

sama, dan bernilai 0 jika kedua vektor berbeda. Nilai jaak 1 menyatakan

sudut yang dibentuk oleh vektor x dan y adalah , yang artinya vektor x

dan y adalah sama dalam hal jarak.

Perhitungan Cosine Similarity dirumuskan sebagai berikut :

S(x , y) = cos(x , y) = (2.3)

Tanda titik ( ) melambangkan inner-product,

x y = (2.4)

Tanda adalah panjang dari vektor x, dimana :

= = (2.5)

2.3. Himpunan Data

Himpunan data dibangun dari objek-objek data, dimana objek data

menyatakan sebuah entitias. Misalnya pada himpunan data universitas,

objek bisa berupa mahasiswa, dosen, mata kuliah. Objek biasanya

digambarkan menggunakan atribut. Pada banyak referensi, objek data

disebut juga sebagai sampel, contoh, atau titik data. Sementara itu, objek-

objek data disimpan dalam suatu basis data yang disebut tuple, diamana

baris menyatakan objek-objek data dan kolom menyatakan atribut.

Atribut adalah simbol yang mengambarkan identitas atau

karakteristik suatu kelompok. Atribut adalah data field, yang

mempresentasikan karakteristik atau fitur dari objek data. Pada bidang lain

atribut disebut juga sebagai dimensi, fitur , atau variabel.


9

1. Atribut Nominal

Atribut nominal disebut juga kategorial karena nilainya

menggambarkan kategori, kode, atau status, yang tidak memiliki urutan.

Misalnya atribut Warna yang mempunyai dua kemungkinan nilai yakni

Merah atau Putih. Atribut Kategori Pelanggan yang bisa bernilai Silver,

Gold, atau Platinum. Atribut Kode Wilayah yang bisa bernilai A, B, C, D,

atau E. Atribut nominal juga dapat berupa numerik. Misalnya Warna bisa

bernilai 0 atau 1, dimana 0 menyatakan Merah dan 1 menyatakan Putih.

2. Atribut Biner

Atribut biner atau disebut juga dengan atribut boolean adalah

atribut nominal yang hanya memiliki dua kategori nilai yaitu 0 atau 1,

dimana 0 menyatakan Tidak (sesuatu yang negatif atau berdampak kecil)

dan 1 menyatakan Ya ( sesuatu yang positif atau yang berdampak benar).

Walaupun memiliki nilai kategorial seperti atribut nominal, dalam data

mining atribut biner dipandang secara khusus karena memiliki karakter

yang unik. Atribut biner dapat dibedakan menjadi dua, yaitu :

a. Atribut biner simetris, jika nilainya dianggap memberikan dampak

yang setara, misalnya atribut Jenis Kelamin yang bernilai Pria atau

Wanita (tidak penting mana yang harus bernilai 0 atau 1 karena

keduanya dianggap setara).

b. Atribut biner asimetris, jika nilainya memberikan dampak berbeda,

yang secara konvensi bernilai 1 untuk yang jarang terjadi, dan

bernilai 0 untuk yang umum terjadi, misalnya Hasil Tes Buta

Warna yang bernilai 1 (buta warna) dan 0 (tidak buta warna).

3. Atribut Numerik

Atribut numerik adalah kuantitatif, yang memiliki nilai berupa

kuantitas yang terukur dan dinyatakan dalam nilai-nilai bulat (integer) atau

riil (real). Atribut numerik bisa diskalakan secara inverval atau secara

rasio. Sebagai contoh, temperatur udara dalam satuan Celcius adalah


10

atribut numerik yang bisa diskalakan secara interval namun tidak bisa

diskalakan secara rasio.

4. Atribut Ordinal

Atribut ordinal memiliki nilai yang menggambarkan urutan atau

peringkat (ranking).Namun, ukuran perbedaan antara dua nilai yang

berurutan tidak diketahui. Misalnya, atribut Kategori Pelanggan yang bisa

bernilai Silver, Gold, atau Platinum. Ketiga nilai tersebut memiliki urutan

atau tingkatan, namun tidak menjelaskan seberapa besar perbedaan antara

Silver dan Gold. Atribut ordinal sangat berguna dalam survei, yaitu untuk

penilaian subjektif (kualitatif) yang tidak dapat diukur secara objektif.

5. Atribut Diskrit

Atribut diskrit memiliki nilai terbatas atau nilai terbatas tapi masih

dapat dihitung, yang bisa bernilai bulat. Misalnya, atribut Temperatur

Udara dalam satuan Celcius , yang bisa bernilai bulat antara 0 sampai 100.

Atribut ini memiliki nilai riil atau pecahan yang dalam komputer yang

biasanya direpresentasikan sebagai bilangan real atau floating-point.

2.4. Konsep Analisis Cluster

2.4.1 Pengertian Analisis Cluster

Analisis cluster merupakan salah satu teknik data mining yang

bertujuan untuk mengidentifikasi sekelompok obyek yang mempunyai

kemiripan karakteristik tertentu yang dapat dipisahkan dengan kelompok

obyek lainnya, sehingga obyek yang berada dalam kelompok yang sama

relatif lebih homogen daripada obyek yang berada pada kelompok yang

berbeda (Hermawati, 2013). Jumlah kelompok yang dapat diidentifikasi

tergantung pada banyak dan variasi data obyek. Tujuan dari

pengelompokan sekumpulan data obyek ke dalam beberapa kelompok

yang mempunyai karakteristik tertentu dan dapat dibedakan satu sama

lainnya adalah untuk analisis dan interpretasi lebih lanjut sesuai dengan


11

tujuan penelitian yang dilakukan. Model yang diambil diasumsikan bahwa

data yang dapat digunakan adalah data yang berupa data interval, frekuensi

dan biner. Set data obyek harus mempunyai peubah dengan tipe yang

sejenis tidak campur antara tipe yang satu dengan lainnya.

2.4.2 Prosedur Analisis Cluster

Gambar 2. 1 Prosedur Analisis Cluster (Modul UII)

Secara umum proses dimulai dengan merumuskan masalah

pengklasteran dengan mendefinisikan variabel-variabel yang dipergunakan

untuk dasar pengklasteran / pembentukan klaster. Kemudian pengambilan

p pengukuran peubah pada n obyek pengamatan. Data tersebut dijadikan

matriks data mentah berukuran m x p. Matrik tersebut ditransformasikan

ke dalam bentuk matriks similaritas (kemiripan) berupa n x n yang

dihitung berdasarkan pasangan-pasangan obyek p peubah. Konsep dasar

pengukuran analisis cluster adalah konsep pengukuran jarak (distance) dan

kesamaan (similarity). Distance adalah ukuran tentang jarak pisah antar

obyek sedangkan similarity adalah ukuran kedekatan. Konsep ini penting

karena pengelompokan pada analisis cluster didasarkan pada kedekatan.

Pengukuran jarak (distance type measure) digunakan untuk data-data yang


12

bersifat matriks, sedangkan pengukuran kesesuaian (matching type

measure) digunakan untuk data-data yang bersifat kualitatif.

2.5. Tipe Clustering

Clustering merupakan suatu kumpulan dari keseluruhan cluster

Beberapa tipe penting dari clustering (Hermawati, 2013) adalah :

1. Partitional vs Hierarchical

Partitional clustering adalah pembagian objek data kedalam sub

himpunan(cluster) yang tidak overlap sedemikian hingga tiap objek data

berada dalam tepat satu sub-himpunan. Hierarchical clustering merupakan

sebuah himpunan cluster bersarang yang diatur sebagai suatu pohon

hirarki. Tiap simpul(cluster) dalam pohon(kecuali simpul daun)

merupakan gabungan dari anaknya(subcluster) dan simpul akar berisi

semua objek

2. Exclusive vs non-exclusive

Semua bentuk clustering merupakan exclusive clustering, karena

setiap objek berada tepat pada satu cluster. Sebaliknya dalam overlapping

atau non-exclusive clustering, sebuah objek dapat berada di lebih dari satu

cluster secara bersamaan.

3. Fuzzy vs non-fuzzy

Dalam fuzzy clustering, sebuah titik termasuk dalam setiap cluster

dengan suatu nilai bobot antara 0 dan 1. Jumlah dari bobot-bobot tersebut

sama dengan 1. Clustering probabilitas mempunyai karakteristik yang

sama.


13

4. Partital vs complete

Dalam complete clustering ,setiap objek ditempatkan dalam sebuah

cluster. Tetapi dalam partial clustering, tidak semua objek ditempatkan

dalam sebuah cluster. Kemungkinan ada objek yang tidak tepat untuk

ditempatkan di salah satu cluster, misalkan berupa outlier atau noise.

2.6. Tipe Cluster

Clustering bertujuan menemukan kelompok (cluster) objek yang

berguna, dimana gunanya tergantung dari tujuan analisa data. Secara

visual ada beberapa tipe dari cluster, diantaranya :

1. Well-Separated Clusters : Sebuah cluster merupakan himpunan titik

sedemikian rupa hingga tidak ada titik dalam sebuah cluster yang

mendekati (atau lebih mirip ke setiap titik lain dalam cluster yang

tidak ditempati titik tersebut.

2. Center-based : sebuah cluster adalah himpunan dari objek-objek

sedemikian rupa hingga sebuah objek dalam sebuah cluster mendekati

(lebih mirip) dengan ‘pusat’ dari sebuah cluster dibandingkan dengan

pusat cluster lain. Pusat dari sebuah cluster dapat berupa centroid,

yaitu rata-rata dari semua titik dalam cluster tersebut, atau medoid,

merupakan representasi titik dari sebuah cluster.

3. Contigous cluster (Nearest neighbor atau Transitive) : dimana sebuah

cluster merupakan himpunan titik sedemikian hingga sebuah titik

dalam cluster mendekati (atau lebih serupa) dengan satu atau lebih titik

lain dalam cluster tersebut dibandingkan denan titik yang tidak berada

pada cluster tersebut.

4. Density-based : adalah dimana sebuah cluster merupakan suatu daerah

titik yang padat, yang dipisahkan oleh daerah kepadatan rendah (low-


14

density), dari daerah kepadatan tinggi (high-density) yang lain.

Digunakan ketika cluster-cluster tidak beraturan atau terjalin dan

ketika terdapat noise dan outlier.

5. Shared property atau Conceptual Cluster , adalah cluster-cluster yang

membagi beberapa sifat umumnya atau menyatakan konsep tertentu.

2.7. Hierarchical Clustering

Teknik hirarki (hierarchical methods) adalah teknik clustering

membentuk kontruksi hirarki atau berdasarkan tingkatan tertentu seperti

struktur pohon (struktur pertandingan) (Hermawati, 2013). Dengan

demikian proses pengelompokkannya dilakukan secara bertingkat atau

bertahap. Hasil dari pengelompokan ini dapat disajikan dalam bentuk

dendogram.

Dua tipe utama hierarchical clustering (Tan, dkk 2006) , yaitu :

Agglomerative:

1. Mulai dengan titik-titik sebagai individual clusters.

2. Pada tiap langkah, gabungkan pasangan cluster terdekat sampai hanya

terdapat satu cluster (atau k cluster) yang tersisa

Divisive :

1. Mulai dengan satu,semua inclusive cluster.

2. Pada tiap langkah, pisahkan sebuah cluster sampai tiap cluster terdiri dari

sebuah titik(atau ada k cluster).

Tradisional hierarchical algorithms menggunakan sebuah matriks

similaritas atau matriks jarak dengan menggabungkan atau memisahkan

satu cluster dalam tiap langkahnya.


15

2.7.1. Agglomerative Hierarchical Clustering

Agglomerative Hierarchical Clustering merupakan metode

pengelompokan berbasis hierarki dengan pendekatan bottom up, yaitu

proses pengelompokkan dimulai dari masing-masing data sebagai satu

cluster, kemudian secara rekursif mencari cluster terdekat sebagai

pasangan untuk bergabung sebagai satu cluster yang lebih besar (Prasetyo,

2014). Proses akan terus diulang sehingga akan tampak bergerak keatas

membentuk sebuah hierarki.

Agglomerative Clustering merupakan teknik hierarchical

clustering yang dimulai dengan kenyaatan bahwa setiap obyek membentuk

clusternya masing-masing. Kemudian dua obyek dengan jarak terdekat

bergabung (Fakultas Teknologi Industri UII). Selanjutnya obyek ketiga

akan bergabung dengan cluster yang ada atau bersama obyek lain dan

membentuk cluster baru. Hal ini tetap memperhitungkan jarak kedekatan

antar obyek. Proses akan berlanjut hingga akhirnya terbentuk satu cluster

yang terdiri dari keseluruhan obyek. Ada beberapa teknik dalam

Agglomerative Clustering (Fakultas Teknologi Industri UII) yaitu:

1. Single linkage ( nearest neighbor methods )

Metode ini menggunakan prinsip jarak minimum yang diawali

dengan mencari dua obyek terdekat dan keduanya membentuk cluster

yang pertama.

Pada langkah selanjutnya terdapat dua kemungkinan, yaitu :

obyek ketiga akan bergabung dengan cluster yang telah terbentuk,

atau

dua obyek lainnya akan membentu cluster baru.


16

Proses ini akan berlanjut sampai akhirnya terbentuk cluster tunggal.

Pada metode ini jarak antar cluster didefinisikan sebagai jarak terdekat

antar anggotanya.

Contoh :

Terdapat matriks jarak antara 5 buah obyek, yaitu :

Tabel 2. 1 Contoh Data Single-linkage

Langkah penyelesaiannya :

1. Mencari obyek dengan jarak minimum

A dan B mempunyai jarak terdekat, yaitu 1.0 maka obyek A dan A

bergabung menjadi satu cluster.

2. Menghitung jarak antara cluster AB dengan obyek lainnya.

D(AB)C = min {dAC, dBC}= dBC = 3.0

D(AB)D = min {dAD, dBD}= dAD = 6.0

D(AB)E = min {dAE, dBE}= dBE = 7.0

Dengan demikian terbentu matriks jarak yang baru


17

Tabel 2. 2 Penyelesaian contoh data Single-linkage

3. Mencari obyek dengan jarak terdekat

D dan E mempunyai jarak yang terdekat yaitu 2.0 maka obyek D

dan E bergabung menjadi satu cluster.

4. Menghitung jarak antara cluster dengan obyek lainnya.

D(AB)C = 3.0

D(AB)(DE) = min {dAD, dAE, dBD, dBE} = dAD = 6.0

D(DE)C = min {dCD, dCE} = dCD = 4.0

5. Mencari jarak terdekat antara cluster dengan obyek dan diperoleh

obyek C bergabung dengan cluster AB

6. Pada langkah yang terakhir, cluster ABC bergabung dengan DE

sehingga terbentuk cluster tunggal.

2. Complete linkage ( furthest neighbor methods )

Metode ini merupakan kebalikan dari pendekatan yang digunakan pada

single

linkage. Prinsip jarak yang digunakan adalah jarak terjauh antar obyek.


18

Contoh :

Terdapat matriks jarak antara lima buah obyek yaitu :

Tabel 2. 3 Contoh data Complete-linkage



A dan B mempunyai jarak terdekat yaitu 1.0 maka obyek A dan B


2. Menghitung jarak antara cluster AB dengan obyek lainnya.

D(AB)C = max {dAC, dBC}= dAC = 5.0

D(AB)D = max {dAD, dBD}= dBD = 8.0

D(AB)E = max {dAE, dBE}= dAE = 8.0

Dengan demikian terbentuk matriks jarak yang baru

Tabel 2. 4 Penghitungan jarak cluster contoh data Complete linkage


19

3. Mencari obyek dengan jarak terdekat.

D dan E mempunyai jarak terdekat yaitu 2.0 maka obyek D dan E

bergabung menjadi satu cluster

4. Menghitung jarak antar cluster dengan obyek lainnya.

D(AB)C = 5.0

D(AB)(DE) = max {dAD, dAE, dBD, dBE} = dAE = dBD = 8.0

D(DE)C = max {dCD, dCE} = dCE = 6.0

5. Maka terbentuklah matriks jarak yang baru, yaitu :

Tabel 2. 5 Penyelesaian contoh data Complete-linkage


obyek C bergabung dengan cluster AB

7. Pada langkah yang terakhir cluster ABC bergabung dengan DE

sehingga terbentuk cluster tunggal.

3. Average linkage methods ( between groups methods )

Metode ini mengikuti prosedur yang sama dengan kedua metode

sebelumnya. Prinsip ukuran jarak yang digunakan adalah jarak rata-

rata antar tiap pasangan obyek yang mungkin.

Contoh : Terdapat matriks jarak antara 5 buah obyek yaitu :


20

Tabel 2. 6 Contoh data Average-linkage



A dan B mempunyai jarak terdekat, yaitu 1,0 maka obyek A dan B


2. Menghitung jarak antara cluster AB dengan obyek lainnya

d(AB)C = max {dAC, dBC} = dAC = 5,0

d(AB)D = max {dAD, dBD} = dBD = 8,0

d(AB)E = max {dAE, dBE} = dAE = 8,0

Dengan demikian terbentuk matriks jarak yang baru :

Tabel 2. 7 Penghitungan jarak contoh data Average-linkage


21

3. Mencari obyek dengan jarak terdekat.

D dan E mempunyai jarak terdekat, yaitu 2,0 maka obyek D dan E


4. Menghitung jarak antara cluster dengan obyek lainnya.

d(AB)C = 4,0

d(AB)(DE) = 1/2{dAD, dAE, dBD, dBE} = 7,25

d(DE)C = 1/2{dCD, dCE,} = dCE = 5,00

Maka terbentuklah matrik jarak yang baru, yaitu :

Tabel 2. 8 Penyelesaian contoh data Average-linkage


obyek C bergabung dengan cluster AB.

6. Pada langkah yang terakhir, cluster ABC bergabung dengan DE

sehingga terbentuk cluster tunggal

2.7.2. Algoritma Agglomerative Hierarchical Clustering

Algoritma Agglomerative Hierarchical Clustering untuk

mengelompokkan n obyek adalah sebagai berikut (Tan, Steinbach dan

Kumar, 2006) :


22

1. Hitung matriks kedekatan berdasarkan jenis jarak yang digunakan.

2. Ulangi langkah 3 sampai 4, hingga hanya satu kelompok yang tersisa.

3. Gabungkan dua cluster terdekat berdasarkan parameter kedekatan yang

ditentukan.

4. Perbarui matriks kedekatan untuk merepresentasikan kedekatan

diantara kelompok baru dan kelompok yang tersisa.

5. Selesai.

2.8. Confusion Matriks

Pada penelitian ini, metode evaluasi clustering yang digunakan

yaitu metode external evaluasi. External evaluasi bekerja dengan

membandingkan hasil pengelompokan sistem dengan label class. Salah

satu metode external evaluasi yaitu Confusion Matrix.

Confusion Matrix merupakan metode external evaluasi yang berisi

informasi aktual dan dapat diprediksi (Kohavi dan Provost, 1998), dimana

kinerja sistem dapat dievaluasi menggunakan data dalam matriks. Tabel

berikut menunjukkan Confusion Matrix :

Prediksi

Negatif Positif

Aktual

Negatif a b

Positif c d

Keterangan :

a : jumlah prediksi yang benar bahwa contoh bersifat negatif

b : jumlah prediksi yang benar bahwa contoh bersifat negatif

c : jumlah prediksi yang benar bahwa contoh bersifat positif

d : jumlah prediksi yang salah bahwa contoh bersifat positif


23

perhitungan akurasi dirumuskan sebagai berikut :

(2.6)


24

BAB III

METODE PENELITIAN

Bab ini akan berisi rancangan penelitian yang menjelaskan mengenai data,

tahapan-tahapan dalam penelitian, desain interface, gambaran umum

sistem, implementasi rancangan, penjelasan proses dan spesifikasi alat.

3.1. Data

Data yang digunakan dalam penelitian ini adalah data yang

telah dikumpulkan dalam proses seleksi penerimaan anggota baru di

UKM Paduan Suara Mahasiswa Cantus Firmus yang kemudian

menghasilkan data penilaian seleksi anggota baru Paduan Suara

Mahasiswa Cantus Firmus. Penerimaan anggota baru tersebut

dilaksanakan pada setiap tahunnya. Untuk penelitian ini, data penilaian

seleksi anggota baru Paduan Suara Mahasiswa Cantus Firmus yang

digunakan adalah data penilaian untuk periode 2016 dan 2017

(angkatan 2016 dan 2017). Data awal yang diperoleh peneliti selama

pengambilan data berupa form data diri , form penilaian tahap vokal,

dan form penilaian tahap wawancara motivasi. Peneliti hanya akan

menggunakan form penilaian pada tahap vokal karena data pada form

data diri dan motivasi tidak ada attribut yang diperlukan peneliti. Form

penilaian tahap vokal yang terdiri dari 12 atribut seperti nama, prodi,

angkatan, nilai notasi, nilai ketukan, nilai solfegio, nilai final, jenis

suara, range nada, karakter suara, penguji, dan catatan tambahan.

Dari data penilaian seleksi anggota baru Paduan Suara

Mahasiswa Cantus Firmus ini kemudian akan diolah melalui tahap

preprocesing dan menghasilkan atribut final seperti nama, jenis

kelamin, jenis suara, range nada, karakter suara, noise, ketebalan suara,

dan nada tinggi. Proses pengolahan di tahap preprocesing akan


25

dilakukan secara manual. Beberapa attribut seperti noise, ketebalan

suara, dan nada tinggi dihasilkan dari atribut catatan tambahan. Berikut

contoh data dokumen penilaiannya :

Gambar 3. 1 Data Mentah Lembar Penilaian Vokal

Tabel 3. 1 Deskripsi atribut data

No Atribut Penjelasan

1 Nama adalah attribut yang memuat identitas calon penyanyi baru.

2 Jenis Kelamin adalah attribut yang memuat jenis kelamin penyanyi.

3 Jenis Suara adalah kelompok jenis suara yang sudah terbagi menjadi 4

kategori yang kemudian akan digunakan sebagai class.

4 Range adalah kapasitas jangkauan nada yang dimiliki oleh

penyanyi dari titik nada terendah hingga titik nada tertinggi

yang mampu dicapai penyanyi.

5 Karakter Suara adalah kecenderungan suara khas yang diproduksi oleh

penyanyi saat bernyanyi yang kemudian akan menentukan

jenis lagu seperti apa yang cocok untuk penyanyi tersebut.


26

6 Noise adalah tingkat kejernihan produksi suara yang dihasilkan

penyanyi.

7 Ketebalan

Suara

adalah tingkat keras lembut produksi suara yang dihasilkan

penyanyi.

8 Nada Tinggi adalah tingkat kestabilan yang dimiliki seorang penyanyi

ketika memproduksi nada tinggi.

Setelah menetapkan jenis atribut yang akan digunakan kemudian

memasukkan data kedalam Excel secara manual perindividunya, serta

memasukkan juga atribut-atribut yang diperoleh dari pengolahan

atribut catatan tambahan.

Dalam menemukan tingkat akurasi yang diperoleh dari hasil

cluster, peneliti menentukan atribut jenis suara sebagai label class

yang dimana label tersebut akan digunakan untuk membandingkan

dengan hasil cluster yang dihasilkan oleh sistem kemudian untuk

menemukan tingkat akurasinya.

3.2. Tahapan Penelitian

Penelitian ini akan dibagi menjadi 4 tahapan yaitu studi

literatur, pengumpulan data, pembuatan alat uji, dan pengujian

sistem. Untuk selengkapnya sebagai berikut.

3.2.1. Studi Literatur

Tahap ini adalah tahap proses pengumpulan informasi

mengenai teori-teori penambangan data dan khususnya algoritma

Agglomerative Hierarchical Clustering yang mendukung

penelitian ini dalam mengelompokkan jenis suara anggota Paduan

Suara Mahasiswa Cantus Firmus angkatan 2017 dari berbagai

macam referensi ( buku, jurnal, karya ilmiah, ataupun artikel


27

lainnya). Peneliti juga menggali informasi dari literatur vokal

untuk mempelajari mengenai jenis suara manusia dalam bernyanyi.

3.2.2. Pengumpulan Data

Pengumpulan data dilakukan menggunakan teknik dokumen.

Dokumen yang diperoleh peneliti bersumber dari dokumen

penilaian seleksi penerimaan anggota baru Paduan Suara

Mahasiswa Cantus Firmus yang telah diarsipkan oleh Sekretaris

Paduan Suara Mahasiswa Cantus Firmus.

3.2.3. Pembuatan Alat Uji

Pada tahap ini, akan dirancang suatu alat uji dengan

perancangan interface dan pembuatan alat uji menggunakan

Matlab R2016b untuk menguji metode Agglomerative Hierarchical

Clustering untuk mengelompokkan jenis suara serta mendapatkan

akurasi dari sistem yang telah dibangun dengan menggunakan

Confusion Matriks. Alat uji kemudian memperlihatkan hasil

pengelompokan (AHC) dan hasil perhitungan akurasi (Confusion

matrix) kepada pengguna.

3.2.4. Pengujian

Tahap pengujian akan dilakukan menggunakan alat uji

yang telah dibuat. Sebelumnya, data terlebih dahulu diproses

secara manual oleh peneliti menggunakan aplikasi microsoft excel,

kemudian akan diinputkan file tersebut kedalam sistem sehingga

data yang telah dimasukkan dapat dilakukan proses clustering

dengan metode-metode yang telah tersedia di dalam sistem. Hasil

clustering yang dihasilkan kemudian akan dilakukan pengujian

untuk mengukur tingkat akurasi menggunakan Confusion Matriks.


28

3.3. Analisa Kebutuhan Proses

Penelitian ini akan terbagi menjadi 2 tahapan penting yaitu

tahap pengelompokan (clustering) dan tahap pengujian (testing).

Pengelompokan akan menghasilkan 4 jenis cluster suara untuk

penyanyi dan pengujiannya digunakan untuk menguji seberapa

akurat metode yang digunakan dalam penelitian ini mampu

mengelompokkan data dengan baik.

3.4. Desain Interface

Gambar 3. 2 Desain Interface


29

User interface untuk pengelompokan jenis suara anggota baru

Paduan Suara Mahasiswa Cantus Firmus hanya akan memiliki satu

halaman tampilan. Dalam interface tersebut terdapat button “Input

File” untuk memasukkan data yang akan diolah. Setelah data

dimasukkan, data tersebut kemudian akan tampil dalam format tabel

“Data Awal”. Selanjutnya user harus mengisi metode Agglomerative

Hierarchical Clustering mana yang ingin di uji. Setelah melakukan

pengisian radiobutton untuk metode Agglomerative Hierarchical

Clustering yang akan di uji, tekan button “Clustering”, sehingga data

akan di proses dan mendapatkan hasil pada tabel “Hasil Cluster” dari

masing-masing metode yang dipilih diantara Single Linkage, Complete

Linkage, dan Average Linkage. Kemudian juga akan tampil dendogram

dari hasil pengelompokan menggunakan metode yang telah dipilih dan

persentasi akurasi dari hasil pengujiannya.

3.5. Gambaran Umum Sistem

Gambar 3. 3 Diagram blok sistem

Sistem ini digunakan untuk mengetahui tingkat akurasi yang

dihasilkan oleh sistem dalam mengelompokan data penilaian seleksi

anggota baru Paduan Suara Mahasiswa Cantus Firmus sehingga

menghasilkan kelompok jenis suara penyanyi menggunakan metode


30

Agglomerative Hierarchical Clustering. Langkah awalnya adalah data

penilaian anggota baru Paduan Suara Mahasiswa Cantus Firmus akan

mengalami tahap preprocessing dimana data dibersihkan, diintegrasi,

dan ditransformasi secara manual oleh peneliti. Proprocessing

kemudian menghasilkan data yang siap diolah pada tahap clustering.

Matrik jarak dihitung dengan menggunakan Euclidean Distance.

Setelah itu, masing-masing data akan dikelompokkan berdasarkan

karakteristik kedekatannya. Proses untuk pengelompokan ini akan

terbagi dalam tiga metode yaitu Single Linkage, Average Linkage, dan

Complete Linkage.

Hasil dari pengolahan pada tahap clustering kemudian akan diuji

untuk menghitung tingkat akurasinya sehingga pada tahap terakhir

terdapat output berupa dendogram yang menjadi visualisasi dari hasil

pengelompokan yang sudah dilakukan dan tingkat akurasi yang

dihitung menggunakan Confusion Matriks untuk metode yang diuji.

3.5.1. Tahap Agglomerative Hierarchical Clustering

Setelah data di preprocessing, data kemudian masuk ke dalam

tahap clustering. Matriks jarak kemudian akan dihitung melalui

metode Euclidean Distance. Dalam tahap clustering, terdapat

proses pengelompokan dengan menggunakan 3 jenis metode yaitu

Single Linkage, Complete Linkage, dan Avarage Linkage.


31

1. Single Linkage

Gambar 3. 4 Flowchart Single-linkage


32

2. Complete Linkage

Gambar 3. 5 Flowchart Complete-linkage


33

3. Average Linkage

Gambar 3. 6 Flowchart Average-linkage


34

3.5.2. Tahap Output

Setelah hasil cluster ditampilkan, maka pengujian tingkat

akurasi akan dilakukan untuk mengetahui keakuratan dari hasil

pengelompokan menggunakan metode yang diujikan. Untuk

melakukan pengujian akurasi tersebut, akan digunakan metode

pengujian akurasi confusion matriks. Confusion matriks digunakan

sebagai alat ukur untuk evaluasi karena data yang digunakan dalam

penelitian ini sudah memiliki label. Confusion matriks juga merupakan

metode yang mempermudah proses dalam menganalisa hasil dan juga

mempermudah proses dalam melihat suatu permodelan antara 2 kelas

yaitu class prediksi dan class aktual.

3.6. Implementasi Rancangan

3.6.1. Diagram Konteks

Gambar 3. 7 Diagram Konteks proses clustering

Gambar 3.7 adalah gambar diagram konteks yang biasa

disebut juga sebagai data flow diagram level 0 dimana merupakan

level tertinggi dalam suatu data flow diagram. Diagram ini

menjelaskan ruang lingkup dari alat uji yang akan dibangun. Di

lihat dari diagram tersebut, diketahui bahwa proses utama yang

akan dilakukan adalah proses clustering terhadap data anggota baru


35

Paduan Suara Mahasiswa Cantus Firmus dengan menggunakan

metode Agglomerative Hierarchical Clustering. Terdapat seorang

User sebagai pemberi input saat memasukkan data dan memilih

metode clustering yang kemudian akan menghasilkan hasil cluster

dan akurasi hasil pengujian.

3.6.2. Data Flow Diagram Level 1

Gambar 3. 8 Data Flow Diagram level 1

Gambar 3.8 adalah data flow diagram level 1 yang

merupakan pecahan dari diagram konteks atau diagram data flow

level 0. Pada diagram ini terdapat User sebagai external entity, 150

data vokal anggota baru Paduan Suara Mahasiswa Cantus Firmus.

Proses pertama yang dilakukan adalah User memasukkan

data asli kedalam proses preprocessing kemudian data tersebut

akan ditransformasi untuk menjadi data yang siap untuk diolah

dalam proses berikutnya yaitu proses clustering, lalu User memilih


36

jenis metode clustering yang akan digunakan, diantaranya metode

single-linkage, average-linkage, dan complete-linkage.

Proses kedua, User menekan tombol cluster maka sistem

akan memproses clustering terhadap data yang sudah di

preprocessing, kemudian akan ditampilkan hasil cluster dan

akurasi dari pengujian cluster tersebut.

3.6.3. Data Flow Diagram Level 2

Gambar 3. 9 Diagram Data Flow level 2 clustering

Gambar 3.9 merupakan diagram flow data level 2 proses kedua.

dimana akan ditampilkan hasil clustering dalam bentuk

dendogram, dan persentasi dari hasil pengujian akurasi pada proses


37

ini. Terdapat 4 proses dalam diagram data flow level 2 ini. Yang

pertama adalah data yang sudah di preprocessing kemudian akan

dihitung matrik jaraknya menggunakan metode Euclidean

Distance. Proses kedua adalah menghitung cluster single-linkage

menggunakan matrik jarak yang sudah diperoleh. Proses ketiga

adalah menghitung cluster average-linkage menggunakan matrik

jarak yang sudah diperoleh. Proses keempat adalah menghitung

cluster complete-linkage menggunakan matrik jarak yang sudah

diperoleh. Proses kelima kemudian memproses perhitungan akurasi

dengan berdasarkan cluster yang telah terbentuk dan menampilkan

hasil perhitungan akurasi beserta dendogram kepada User.

3.7. Penjelasan Proses

3.7.1. Input Data

Data yang telah disiapkan dalam bentuk dokumen Excel

akan diinputkan ke dalam sistem untuk kemudian dibaca oleh

sistem untuk dilanjutkan pada proses berikutnya yaitu tahap pre-

processing.

3.7.2. Pre-processing

Dalam tahap pre-processing ini, peneliti akan mengolah

data mentah menjadi data yang siap untuk kemudian dapat

diinputkan kedalam sistem. Data mentah pada tahap ini akan di

preprocessing secara manual oleh peneliti. Pertama peneliti akan

melakukan proses cleaning terhadap data mentah tersebut dengan

membersihkan variabel-variabel pada data mentah yang tidak

diperlukan seperti program studi, angkatan, nilai notasi, nilai

ketukan, nilai solfegio, penguji, dan nilai final. Kemudian juga

mengisi nilai variabelnya jika terdapat missing value pada data

mentah tersebut dan membuang outlier (data yang sekiranya terlalu

banyak noise). Dari proses cleaning, dihasilkan variabel untuk data


38

siap olah seperti nama, jenis kelamin, jenis suara, range nada,

karakter suara, noise, ketebalan suara, dan nada tinggi. Setiap

variabel tersebut memiliki attributnya masing-masing seperti

berikut :

Tabel 3. 2 Variabel Jenis Kelamin

Jenis Kelamin

Pria

Wanita

Tabel 3. 3 Variabel Jenis Suara

Jenis Suara

Sopran

Alto

Tenor

Bass

Tabel 3. 4 Variabel Range Nada

Range Suara

C4-A6

E3-G5

C3-E5

E2-B4

Tabel 3. 5 Variabel Karakter Suara

Karakter Suara

Pop

Semi Klassik


39

Tabel 3. 6 Variabel Noise

Noise

Tidak

Sedang

Banyak

Tabel 3. 7 Variabel Ketebalan Suara

Ketebalan Suara

Tipis

Sedang

Tebal

Tabel 3. 8 Variabel Nada Tinggi

Nada Tinggi

Tidak

Goyang

Stabil

Proses berikutnya yaitu transformasi data, pada proses ini,

data diolah agar lebih efisien dalam proses data mining serta

mempermudah pola yang dihasilkan dengan memberi bobot

terhadap beberapa atribut seperti range nada, karakter suara, noise,

ketebalan suara, dan nada tinggi sebagai berikut :

Tabel 3. 9 Pembobotan Variabel Jenis Kelamin

Jenis Kelamin Bobot

Pria 1

Wanita 2


40

Tabel 3. 10 Pembobotan Variabel Jenis Suara

Jenis Suara Bobot

Sopran 1

Alto 2

Tenor 3

Bass 4

Tabel 3. 11 Pembobotan Variabel Range Nada

Range Suara Bobot

C4-A6 1

E3-G5 2

C3-E5 3

E2-B4 4

Tabel 3. 12 Pembobotan Variabel Karakter Suara

Karakter Suara Bobot

Pop 1

Semi Klassik 2

Tabel 3. 13 Pembobotan Variabel Noise

Noise Bobot

Tidak 1

Sedang 2

Banyak 3


41

Tabel 3. 14 Pembobotan Variabel Ketebalan Suara

Ketebalan Suara Bobot

Tipis 1

Sedang 2

Tebal 3

Tabel 3. 15 Pembobotan Variabel Nada Tinggi

Nada Tinggi Bobot

Tidak 1

Goyang 2

Stabil 3

3.7.3. Pengukuran jarak

Setelah proses pre-processing selesai, tahap berikutnya

adalah menghitung matriks jarak dengan menggunakan metode

perhitungan yang ada. Dalam penelitian ini, peneliti akan

menggunakan Euclidean Distance.

Berikut adalah data yang belum dihitung jarak

kedekatannya yang berjumlah 5 data.

Tabel 3. 16 Contoh 5 data

atribut Jenis

Kelamin

Ra-

nge

Karakter

Suara

No-

ise

Ketebalan

Suara

Nada

Tinggi

Jenis

Suara data

data 1 2 1 1 2 1 2 1

data 2 2 2 1 2 2 1 2

data 3 1 3 1 1 2 2 3

data 4 1 3 1 3 2 3 3

data 5 2 1 1 1 2 2 1

Setelah dihitung jarak kedekatan antar objek menggunakan

Euclidean Distance, dihasilkan matriks jarak seperti berikut :


42

Tabel 3. 17 Contoh matrik jarak

1 2 3 4 5

1 0,00 1,73 2,65 2,83 1,41

2 1,73 0,00 2,00 2,65 1,73

3 2,65 2,00 0,00 2,24 2,24

4 2,83 2,65 2,24 0,00 3,16

5 1,41 1,73 2,24 3,16 0,00

3.7.4. Clustering

Pada tahap ini, setelah pengukuran jarak berhasil

mendapatkan matrik jarak untuk data yang dimasukkan, proses

clustering atau proses pengelompokan untuk mengelompokkan

data seleksi penyanyi paduan suara akan dilakukan. Proses

clustering kemudian akan menghasilkan cluster-cluster jenis suara

dari data yang sudah diproses. Dalam proses mengelompokkan tiap

data tersebut, digunakan metode-metode yang ada didalam

Agglomerative Hierarchical Clustering untuk mengukur nilai jarak

kedekatannya satu sama lain, yaitu metode Single-linkage yang

mengambil nilai jarak paling minimum, metode Average-linkage

yang mengambil nilai jarak rata-rata, dan metode Complete-linkage

yang mengambil nilai jarak paling maksimum. Ketika proses

pengelompokan atau clustering selesai diproses, akan ditampilkan

sebuah dendogram yang mempermudah untuk melihat jalan

pengelompokan yang telah berlangsung.

Berikut adalah contoh proses clustering terhadap 5 data

yang berlangsung :


43

1. Single-linkage

Tabel 3. 18 Pencarian objek terdekat single iterasi 1

1 2 3 4 5

1 0 1,73 2,65 2,83 1,41

2 1,73 0 2,00 2,65 1,73

3 2,65 2,00 0 3,87 3,32

4 2,83 2,65 3,87 0 2,83

5 1,41 1,73 3,32 2,83 0

Pada matrik jarak yang sudah dihitung menggunakan

Euclidean Distance, dicari obyek yang memiliki jarak

paling minimum. 1 dan 5 memiliki jarak yang paling dekat,

yaitu 1,41. Maka kedua objek tersebut akan digabungkan

menjadi satu cluster. Maka cluster saat ini adalah (15), (2),

(3), (4). Jarak cluster (15) dengan cluster lainnya sebagai

berikut :

D(1 5)2 = min {D1 2, D5 2} = 1,73

D(1 5)3 = min {D1 3, D5 3} = 2,65

D(1 5)4 = min {D1 4, D5 4} = 2,83

Setelah mengetahui jarak cluster yang baru terbentuk (15)

dengan cluster lainnya, maka tabel akan berubah sebagai

berikut :

Tabel 3. 19 Hasil pencarian objek terdekat single iterasi 1

1,5 2 3 4

1 0 1,73 2,65 2,83

2 1,73 0 2,00 2,65

3 2,65 2,00 0 3,87

4 2,83 2,65 3,87 0


44


1,5 2 3 4

1 0 1,73 2,65 2,83

2 1,73 0 2,00 2,65

3 2,65 2,00 0 3,87

4 2,83 2,65 3,87 0

Dari hasil pencarian objek terdekat iterasi 1, kemudian

dicari objek yang memiliki jarak minimum. Cluster (15)

dan (2) memiliki nilai paling minimum yakni 1,73. Oleh

karena itu, kedua cluster tersebut akan digabungkan

sehingga cluster saat ini menjadi : (152), (3), (4). Jarak

cluster (152) dengan cluster lainnya sebagai berikut :

D(152)3 = min {D15 3, D2 3} = 2,00

D(152)4 = min {D15 4, D2 4} = 2,65



berikut :

Tabel 3. 21 Hasil pencarian objek terdekat single iterasi 2

1,5,2 3 4

1,5,2 0 2,00 2,65

3 2,00 0 3,87

4 2,65 3,87 0


1,5,2 3 4

1,5,2 0 2,00 2,65

3 2,00 0 3,87

4 2,65 3,87 0




45



sehingga cluster saat ini menjadi : (1523) dan (4). Jarak


D(1523) 4 = min {D152 4, D3 4} = 2,65

Setelah mengetahui jarak cluster yang baru terbentuk

(1523) dengan cluster lainnya, maka tabel akan berubah

sebagai berikut :

Tabel 3. 23 Hasil cluster Single-linkage

1,5,2,3 4

1,5,2,3 0 2,65

4 2,65 0

Setelah memperoleh 2 cluster, pada langkah terakhir cluster

(1523) akan digabung dengan cluster (4) sehingga

terbentuk cluster tunggal. Maka dapat digambarkan

dendogram dari proses clustering yang sudah dilakukan

sebagai berikut :

Gambar 3. 10 Dendogram cluster single-linkage


46

Pada iterasi pertama, terbentuk cluster dari 1 dan 5, lalu

pada iterasi ke-2 cluster 15 bergabung dengan 2 sehingga

membentuk cluster 152, kemudian iterasi ke-3 cluster 152

bergabung dengan 3 sehingga membentuk cluster 1523.

Pada iterasi ke-3, cluster 1523 dan 4 bergabung sehingga

membentuk cluster tunggal. Garis merah pada gambar 3.10

adalah cut-off yang berfungsi unuk melihat pembagian

jumlah cluster.

2. Average-linkage

Tabel 3. 24 Pencarian objek terdekat average iterasi 1

1 2 3 4 5

1 0 1,73 2,65 2,83 1,41

2 1,73 0 2,00 2,65 1,73

3 2,65 2,00 0 3,87 3,32

4 2,83 2,65 3,87 0 2,83

5 1,41 1,73 3,32 2,83 0







berikut :

D(1 5)2 = average {D1 2, D5 2} = 1,73

D(1 5)3 = average {D1 3, D5 3} = 2,99

D(1 5)4 = average {D1 4, D5 4} = 2,83



berikut :


47

Tabel 3. 25 Hasil pencarian objek terdekat average iterasi 1

1,5 2 3 4

1 0 1,73 2,99 2,83

2 1,73 0 2,00 2,65

3 2,99 2,00 0 3,87

4 2,83 2,65 3,87 0


1,5 2 3 4

1 0 1,73 2,99 2,83

2 1,73 0 2,00 2,65

3 2,99 2,00 0 3,87

4 2,83 2,65 3,87 0







D(152)3 = average {D15 3, D2 3} = 2,49

D(152)4 = average {D15 4, D2 4} = 2,74



berikut :


48

Tabel 3. 27 Hasil pencarian objek terdekat average iterasi 2

1,5,2 3 4

1,5,2 0 2,49 2,74

3 2,49 0 3,87

4 2,74 3,87 0


1,5,2 3 4

1,5,2 0 2,49 2,74

3 2,49 0 3,87

4 2,74 3,87 0







D(1523) 4 = average {D152 4, D3 4} = 3,31



sebagai berikut :

Tabel 3. 29 Hasil cluster average-linkage

1,5,2,3 4

1,5,2,3 0 3,31

4 3,31 0





sebagai berikut :


49

Gambar 3. 11 Dendogram cluster average-linkage



membentuk cluser 152, kemudian iterasi ke-3 cluster 152





jumlah cluster.

3. Complete-linkage

Tabel 3. 30 Pencarian objek terdekat complete iterasi 1

1 2 3 4 5

1 0 1,73 2,65 2,83 1,41

2 1,73 0 2,00 2,65 1,73

3 2,65 2,00 0 3,87 3,32

4 2,83 2,65 3,87 0 2,83

5 1,41 1,73 3,32 2,83 0


50







berikut :

D(1 5)2 = max {D1 2, D5 2} = 1,73

D(1 5)3 = max {D1 3, D5 3} = 3,32

D(1 5)4 = max {D1 4, D5 4} = 2,83



berikut :

Tabel 3. 31 Hasil pencarian objek terdekat complete iterasi 1

1,5 2 3 4

1 0 1,73 3,32 2,83

2 1,73 0 2,00 2,65

3 3,32 2,00 0 3,87

4 2,83 2,65 3,87 0


1,5 2 3 4

1 0 1,73 3,32 2,83

2 1,73 0 2,00 2,65

3 3,32 2,00 0 3,87

4 2,83 2,65 3,87 0






51



D(152)3 = max {D15 3, D2 3} = 3,32

D(152)4 = max {D15 4, D2 4} = 2,83



berikut :

Tabel 3. 33 Hasil pencarian objek terdekat complete iterasi 2

1,5,2 3 4

1,5,2 0 3,32 2,83

3 3,32 0 3,87

4 2,83 3,87 0


1,5,2 3 4

1,5,2 0 3,32 2,83

3 3,32 0 3,87

4 2,83 3,87 0







D(1524) 3 = average {D152 3, D4 3} = 3,87



sebagai berikut :


52

Tabel 3. 35 Hasil cluster complete-linkage

1,5,2,4 3

1,5,2,4 0 3,87

3 3,87 0





sebagai berikut :

Gambar 3. 12 Dendogram cluster complete-linkage



membentuk cluser 152, kemudian iterasi ke-3 cluster 152





jumlah cluster.


53

3.7.5. Perhitungan akurasi

Pada bagian ini, setelah proses clustering selesai, sistem

akan menguji apakah hasil dari proses clustering yang berupa

cluster memiliki akurasi yang baik atau tidak dalam artian bahwa

hasil cluster tersebut sesuai dengan label yang sudah ada. Untuk

itu, metode perhitungan akurasi yang digunakan untuk perhitungan

akurasi adalah sebuah tabel evaluasi cluster Confusion Matrix,

metode ini akan memperoleh keakuratan dari metode

Agglomerative Hierarchical Clustering dalam mengelompokkan

data seleksi paduan suara mahasiswa Cantus Firmus dan

membandingkannya dengan label yang sebelumnya sudah ada.

Akurasi yang dihasilkan akan menunjukkan seberapa baik dan

buruknya hasil pengelompokan yang sudah dilakukan.

Tabel 3. 36 Perhitungan Confusion Matrix

Cluster

1 2 3 4 Jenis Suara

Alto 1 0 1 0

Sopran 0 2 0 1

Tenor 0 1 0 0

Bass 0 0 0 1

X 100%


54

3.8. Spesifikasi Alat

Sistem ini akan menggunakan Software dan Hardware

dengan spesifikasi berikut ini :

1. Software

a. Sistem Operasi Windows 8.1 Pro 64-bit

b. Matlab R2016b

2. Hardware

a. Processor : Intel® Core™ i5-4210U CPU @ 1.70GHz

(4 CPUs)~ 2.4GHz

b. RAM : 4 GB

c. Harddisk : 500 GB


55

BAB IV

IMPLEMENTASI HASIL DAN ANALISA

Bab ini akan membahas mengenai hasil dari pengelompokan data seleksi

penerimaan anggota baru Paduan Suara Mahasiswa Cantus Firmus dengan

Agglomerative Hierarchical Clustering. Selain itu juga membahas hasil

keakuratan yang diperoleh dari metode yang diuji akan dijelaskan pada bab ini.

4.1. Hasil Clustering dan Pengujian Confusion

Pada tahap ini, pengujian dilakukan terhadap 150 data seleksi

penerimaan anggota baru Paduan Suara Mahasiswa Cantus Firmus dengan

metode Agglomerative Hierarchical Clustering yang terdiri dari Single-

linkage, Average-linkage, dan Complete-linkage.

Hasil pengujian yang didapatkan adalah sebagai berikut :

1. Single-linkage

Pengujian dimulai dengan menginputkan data yang akan

dikelompokkan, pada pengujian ini data yang digunakan sebanyak

150 data seleksi tahap vokal per-individu. Setelah data berhasil

diinputkan, data yang diinputkan akan ditampilkan pada halaman

utama dan pengguna data dapat melihat keseluruhan data yang

diinputkan. Setelah itu pengguna memilih metode Agglomerative

Hierarchical Clustering yang akan di gunakan. Pilih metode

Single-linkage lalu proses clustering akan dimulai. Berikut adalah

tampilan dari proses yang berlangsung :


56

Gambar 4. 1 Pengujian metode Single-linkage

Berikut adalah output berupa dendogram yang akan muncul setelah

proses clustering berhasil diproses :


57

Gambar 4. 2 Dendogram Single-linkage

Berikut ini adalah perhitungan akurasi dengan Confusion Matriks

yang diperoleh dari clustering menggunakan metode Single-

linkage :

Tabel 4. 1 Confusion Matriks Pengujian Single-linkage

Cluster

1 2 3 4 Jenis Suara

Alto 0 67 1 0

Sopran 0 50 0 1

Tenor 1 18 0 0

Bass 0 12 0 0

X 100%


58

X 100%

2. Average-linkage

Untuk metode Average-linkage, Pengujian dimulai dengan

menginputkan data yang akan dikelompokkan, pada pengujian ini

data yang digunakan sebanyak 150 data seleksi tahap vokal per-

individu penyanyi. Setelah data berhasil diinputkan, data yang

diinputkan akan ditampilkan pada halaman utama dan pengguna

data dapat melihat keseluruhan data yang diinputkan. Setelah itu

pengguna memilih metode Agglomerative Hierarchical Clustering

yang akan di gunakan. Pilih metode Average-linkage lalu proses

clustering akan dimulai. Berikut adalah tampilan dari proses yang

berlangsung :

Gambar 4. 3 Pengujian metode Average-linkage


59



Gambar 4. 4 Dendogram Average-linkage


yang diperoleh dari clustering menggunakan metode Average-

linkage :

Tabel 4. 2 Confusion Matriks Pengujian Average-linkage

Cluster

1 2 3 4 Jenis Suara

Alto 0 68 0 0

Sopran 0 51 0 0

Bass 0 10 1 1

Tenor 1 18 0 0

X 100%


60

3. Complete-linkage

Untuk metode Complete-linkage, Pengujian dimulai dengan

menginputkan data yang akan dikelompokkan, pada pengujian ini

data yang digunakan sebanyak 150 data seleksi tahap vokal

perindividu penyanyi. Setelah data berhasil diinputkan, data yang

diinputkan akan ditampilkan pada halaman utama dan pengguna

data dapat melihat keseluruhan data yang diinputkan. Setelah itu

pengguna memilih metode Agglomerative Hierarchical Clustering

yang akan di gunakan. Pilih metode Complete-linkage lalu proses

clustering akan dimulai. Berikut adalah tampilan dari proses yang

berlangsung :

Gambar 4. 5 Pengujian metode Complete-linkage

X 100%


61



Gambar 4. 6 Dendogram Complete-linkage


yang diperoleh dari clustering menggunakan metode Complete-

linkage :

Tabel 4. 3 Confusion Matriks Pengujian Complete-linkage

Cluster

1 2 3 4 Jenis Suara

Bass 12 0 0 0

Tenor 0 19 0 0

Sopran 0 0 51 0

Alto 0 0 24 44


62

4.2. Hasil Penelitian dan Analisa

Penelitian ini telah mendapatkan hasil setelah melalui tahap

implementasi dan pengujian, pengujian telah dilakukan terhadap 150 data

seleksi penerimaan anggota baru Paduan Suara Mahasiswa Cantus Firmus

dengan pembagian jenis suara yaitu Sopran, Alto, Tenor, dan Bass.

Tabel 4.5 Karakteristik Jenis Suara

No Jenis suara Keterangan

1 Sopran Sopran adalah penyanyi suara tertinggi dalam

klasifikasi vokal di dalam budaya musik klasik barat.

Dalam paduan suara, standar jarak suara sopran

adalah yaitu dari C4 hingga satu setengah oktaf

keatas mencapai C6. umumnya jenis suara sopran

ringan dan tinggi. Wanita yang memiliki jenis suara

ini biasanya dapat mencapai nada-nada tinggi dengan

mudah dan suaranya cenderung ringan dan tipis.

2 Alto Alto adalah salah satu jenis jangkauan suara dalam

menyanyi yang berada lebih rendah di bawah

suara sopran dan lebih tinggi daripada suara tenor.

Jenis suara ini merupakan tingkat ambitus terendah

dari seorang perempuan dengan tingkat ambitus

X 100%

X 100%


https://id.wikipedia.org/wiki/Sopran

https://id.wikipedia.org/wiki/Tenor

https://id.wikipedia.org/w/index.php?title=Ambitus&action=edit&redlink=1

https://id.wikipedia.org/wiki/Perempuan

63

antara F sampai D2. Ketika seseorang menyanyikan

suara alto, maka suara yang keluar memiliki ciri

rendah, berat, dalam, dan berwibawa.

3 Tenor Tenor adalah jenis suara dengan ambitus tertinggi di

kelasnya yakni suara pria. Secara umum, suara tenor

masuk di antara nada C3 (nada C satu oktaf di atas

nada C natural) hingga nada C5 dalam paduan suara.

Umumnya, suara tenor terletak satu oktaf lebih

rendah dibandingkan suara sopran. Rentang ambitus

yang mampu dicapai oleh penyanyi tenor adalah B

Besar sampai G1. Suara tenor memiliki karakteristik

bertenaga dan jantan. penyanyi pria dengan ciri khas

tipis dan lihai memainkan nada-nada tinggi.

4 Bass Bass adalah jenis suara terendah penyanyi pria.

Secara umum, jenis suara bass mempunyai

jangkauan dari nada E2 sampai E4 dalam paduan

suara. Produksi suara yang dihasilkan seorang bass

dapat sangat rendah namun sangat bertenaga. Suara

ini biasanya sangat gagah dalam paduan suara karena

nada-nada rendah yang menjadi padu padan yang

lengkap

Setiap penyanyi yang diseleksi untuk menjadi anggota baru Paduan

Suara Mahasiswa Cantus Firmus memiliki attribut-attribut yang dapat

mengidentifikasi penyanyi-penyanyi tersebut kedalam kelompok jenis

suara dan membedakan penyanyi tersebut dari penyanyi yang lainnya.

Untuk attribut seperti JENIS KELAMIN menjadi sangat tidak berpengaruh

dalam membedakan jenis suara Sopran dan Alto, namun sangat efektif

dalam memisahkan kedua jenis suara tersebut dengan kelompok jenis

suara Tenor dan Bass.


https://id.wikipedia.org/wiki/Oktaf

https://id.wikipedia.org/wiki/Suara

64

1. Perbandingan akurasi

Dari keseluruhan pengujian yang dilakukan, metode perhitungan

jarak Complete-linkage memperoleh akurasi paling baik dengan

akurasi mencapai 84%, walaupun akurasinya tidak mencapai 100%

akurasi ini terbilang sudah baik. Kemudian metode perhitungan

jarak yang memperoleh akurasi yang paling buruk adalah Single-

linkage dengan akurasi yang hanya mencapai 33,33%. Akurasi

yang hanya mencapai 33,33% terbilang buruk karena akurasi

tersebut belum mencapai target yang diinginkan. Untuk metode

perhitungan jarak Average-linkage memperoleh akurasi yang

sedikit lebih tinggi dari metode Single-linkage dengan akurasi yang

mencapai 34,66%.

Gambar 4. 7 Grafik akurasi hasil pengujian

Pada grafik di atas menjelaskan perbandingan tingkat akurasi yang

diperoleh dari ketiga metode selama pengujian, dimana grafik dari

metode Single-linkage diwakilkan dengan warna merah, metode


65

Average-linkage diwakilkan dengan warna hijau, dan metode

Complete-linkage dengan warna biru. Dapat dilihat dari grafik di

atas bahwa akurasi tertinggi diperoleh metode Complete-linkage

dengan akurasi mencapai 84%, metode perhitungan jarak ini

memperoleh akurasi yang tertinggi karena pengambilan nilai jarak

yang digunakan dalam perhitungan mengambil nilai jarak yang

paling besar atau maksimal ketika proses pengelompokan

dilakukan, hal tersebut memberikan pengaruh yang sangat besar

terhadap proses pengelompokan yang dilakukan dan memberikan

jarak yang besar terhadap masing-masing dari kelompok jenis

suara yang ditetapkan. Kemudian disisi lain, akurasi yang terendah

diperoleh dari metode Single-linkage dengan akurasi 33,33%,

dengan tingkat akurasi yang dihasilkan sebesar itu, metode ini

dapat dikatakan sebagai metode pengelompokan yang buruk

didalam pengujian ini. Hal tersebut dikarenakan pada metode

Single-linkage, pengambilan nilai jarak yang digunakan

mengambil nilai jarak yang paling dekat atau minimal ketika

proses pengelompokan berlangsung, hal tersebut menyebabkan

data-data penyanyi yang dikelompokkan yang seharusnya saling

memisahkan kedalam beberapa kelompok/cluster akan saling

bergabung menjadi satu kelompok/cluster, sehingga label dari

masing-masing kelompok jenis suara menjadi tercampur dan

menghasilkan akurasi yang rendah. Yang terakhir adalah metode

Average-linkage yang merupakan metode yang tingkat akurasinya

berada diantara kedua metode yang lainnya, dalam pengujian yang

dilakukan metode ini menghasilkan akurasi yang sedikit lebih

tinggi dari metode Single-linkage dan dibawah Complete-linkage

dengan tingkat akurasi mencapai 34,66%, metode ini mengambil

nilai jarak rata-rata dalam proses pengelompokan data, sehingga

metode ini memberi jarak yang sedikit lebih besar dari metode

Single-linkage. Dari penjelasan di atas, dapat diketahui alasan


66

mengapa metode Complete-linkage menjadi metode yang paling

bagus dalam mengelompokkan data seleksi anggota baru untuk

penyanyi Paduan Suara Mahasiswa Cantus Firmus.


67

BAB V

KESIMPULAN DAN SARAN

Bab ini akan menjelaskan mengenai kesimpulan dari penelitian terkait dengan

pengelompokan jenis suara anggota baru penyanyi paduan suara mahasiswa

Cantus Firmus. Pada bab ini juga dijelaskan saran yang diberikan pada sistem

yang sudah dibuat.

5.1. Kesimpulan

Pengelompokan jenis suara anggota baru paduan suara mahasiswa

Cantus Firmus menggunakan metode Agglomerative Hierarchical

Clustering berdasarkan hasil seleksi tahap vokal untuk penerimaan

anggota baru.

Berdasarkan hasil percobaan di atas, kesimpulan yang dapat

diambil sebagai berikut :

1. Dalam penelitian ini, metode Agglomerative Hierarchical

Clustering dapat dengan baik mengelompokkan jenis suara

anggota baru penyanyi paduan suara mahasiswa Cantus Firmus

dengan akurasi yang baik.

2. Dari ketiga metode Agglomerative Hierarchical Clustering yang

diuji terhadap 150 data, metode Complete-linkage menghasilkan

akurasi paling baik dengan akurasi mencapai 84%.

3. Dalam pengujian yang dilakukan, metode Complete-linkage

menghasilkan akurasi yang lebih baik dibandingkan dengan

akurasi yang dihasilkan oleh metode Single-linkage dan Average-

linkage.


68

5.2. Saran

Saran yang diperlukan untuk pengembangan sistem lebih lanjut

sebagai berikut :

1. Menambahkan lebih banyak attribut baru untuk data seleksi

penerimaan anggota baru Paduan Suara Mahasiswa Cantus

Firmus.

2. Perhitungan jarak kedekatan dapat mencoba dengan metode

lain selain metode Single-linkage, Average-linkage, dan

Complete-linkage.

3. Pengujian akurasi dapat dicoba dengan pengujian lain selain

Confusion Matrix.

4. Menambahkan lebih banyak data yang diuji.


69

DAFTAR PUSTAKA

Hermawati, F.A. (2013) Data Mining. Ed. I. Yogyakarta, Andi. 117-146.

Prasetyo, E. (2014) Data Mining – Mengolah Data menjadi Informasi

Menggunakan Matlab. Ed. I. Yogyakarta, Andi. 245-256.

Tan, P. Steinbach, M. Kumar, V. (2006) Introduction to Data Mining. Library of

Congress. 490-526.

Prasetya, Y.Y. (2012) Seleksi Penerimaan Anggota Baru Paduan Suara

Mahasiswa menggunakan Logika Kabur dan Multi - Attribute Decision

Making (Studi Kasus PSM Cantus Firmus USD). [Online] Available

from : https://repository.usd.ac.id/8411/2/125314005_full.pdf [Di akses

10 Oktober 2017]

Pratomo, B.Y. (2012) Pengelompokan Peran Pemain DOTA 2 dalam

Pertandingan Profesional dengan Metode Agglomerative Hierarchical

Clustering. [Online] Available from :

https://repository.usd.ac.id/9156/2/125314137_full.pdf [Di Akses 10

Januari 2019]

Fadliana, A. Rozi, F. (2015) Penerapan Metode Agglomerative Hierarchical

Clustering untuk Klasifikasi Kabupaten/Kota di Provinsi Jawa Timur

Berdasarkan Kualitas Pelayanan Keluarga Berencana. [Online] Available

from : http://dx.doi.org/10.18860/ca.v4i1.3172 [Di Akses 30 Oktober

2017]

Tresnawati, Yenni. (2013) Analisis Sentimen pada Twitter Menggunakan

Pendekatan Agglomerative Hierarchical Clustering. [Online] Available

from : https://repository.usd.ac.id/11493/3/135314018_full.pdf [Di Akses

18 November 2017]


https://repository.usd.ac.id/8411/2/125314005_full.pdf


http://dx.doi.org/10.18860/ca.v4i1.3172


70

Fakultas Teknologi Industri Universiitas Islam Indonesia. Modul Clustering Data

Mining – Modul Clustering. 1-9. [Online] Available from :

https://www.trigunadharma.ac.id/media/materi/Modul%20Clustering%2

0Data%20Mining-Modul%20Clustering.pdf [Di Akses 5 November

2017]

Kohavi dan Provost. (1998). Confusion Matriks. [Online] Available from :

http://faculty.smu.edu/tfomby/eco5385_eco6380/lecture/Confusion%20

Matrix.pdf [Di Akses 20 Desember 2017]

Susanto, Budi. (2013). [Online] Available from :

http://lecturer.ukdw.ac.id/budsus/pdf/genap12/twm/Minggu2.pdf [Di

Akses 28 Desember 2017]


https://www.trigunadharma.ac.id/media/materi/Modul%20Clustering%20Data%20Mining-Modul%20Clustering.pdf

https://www.trigunadharma.ac.id/media/materi/Modul%20Clustering%20Data%20Mining-Modul%20Clustering.pdf

http://faculty.smu.edu/tfomby/eco5385_eco6380/lecture/Confusion%20Matrix.pdf

http://faculty.smu.edu/tfomby/eco5385_eco6380/lecture/Confusion%20Matrix.pdf

http://lecturer.ukdw.ac.id/budsus/pdf/genap12/twm/Minggu2.pdf

71

LAMPIRAN

function varargout = Ahc(varargin) gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Ahc_OpeningFcn, ... 'gui_OutputFcn', @Ahc_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end

if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before Ahc is made visible. function Ahc_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Ahc (see VARARGIN)

% Choose default command line output for Ahc handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes Ahc wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = Ahc_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of

MATLAB


72

% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) [namafile,direktori]=uigetfile({'*.xls','file

excel(*.xls)';'*.*','semua file(*.*)'},'buka file excel'); alamatfile=fullfile(direktori,namafile); set(handles.txt_import,'String',alamatfile); [a,b,c]=xlsread(alamatfile); bar=size(c,1); col=size(c,2); judul=c(1,2:col); data=c(2:bar,2:col); nom=linspace(1,bar-1,bar-1); %title = {'Nama', 'Sex', 'J.Sur', 'Range', 'K.Sur', 'Noise',

'Ket.Sur', 'N.Tig'};

set(handles.tbl_import,'data',data,'ColumnName',judul,'RowName',no

m); set(handles.tbl_import,'Userdata',data); b=0; matrik = []; baris = 2; while(b<bar); if(baris<bar) % fprintf('Barisan fibonacci sampai suku ke-%g adalah\n'); nomor = b+1; kode = strcat('DT',num2str(nomor)); nama = cellstr(c(baris:baris,2:2));

%Jenis Kelamin sex = c(baris:baris,3:3); if(contains(sex, 'Pria')) sex = 1; else sex = 2; end

%Range range = c(baris:baris,4:4); if(contains(range, 'A')) range = 1; elseif(contains(range, 'B')) range = 2; elseif(contains(range, 'C')) range = 3; elseif(contains(range, 'D')) range = 4; elseif(contains(range, 'E')) range = 5; elseif(contains(range, 'F')) range = 6; else range = 0; end

%Kat Suara katsuara = c(baris:baris,5:5); if(contains(katsuara, 'pop')) katsuara = 1; else katsuara = 2;

end %Noise noise = c(baris:baris,6:6); if(contains(noise, 'tidak')) noise = 1; elseif(contains(noise, 'sedang')) noise = 2;


73

elseif(contains(noise, 'banyak')) noise = 3; else noise = 0; end

%Ket Suara ketsuara = c(baris:baris,7:7); if(contains(ketsuara, 'tipis')) ketsuara = 1; elseif(contains(ketsuara, 'sedang')) ketsuara = 2; elseif(contains(ketsuara, 'tebal')) ketsuara = 3; else ketsuara = 0; end

%Ket Suara nadtinggi = c(baris:baris,8:8); if(contains(nadtinggi, 'tidak')) nadtinggi = 1; elseif(contains(nadtinggi, 'goyang')) nadtinggi = 2; elseif(contains(nadtinggi, 'stabil')) nadtinggi = 3; else nadtinggi = 0; end

%Jenis Suara suara = c(baris:baris,9:9); if(contains(suara, 'Sopran')) suara = 1; elseif(contains(suara, 'Alto')) suara = 2; elseif(contains(suara, 'Tenor')) suara = 3; elseif(contains(suara, 'Bass')) suara = 4; else suara = 0; end

arr1 = [kode, nama, sex, range, katsuara, noise, ketsuara,

nadtinggi, suara]; matrik = [matrik; arr1];

end b=b+1; baris = 2+b; end

baris= size(matrik, 1);

%Single function [single]=single(matrik, baris)

x=1; min=100; gabung = []; while(x<=baris); i=1; while(i<=baris);

if(cell2mat(matrik(x:x,3:3))<cell2mat(matrik(i:i,3:3))) sex = cell2mat(matrik(x:x,3:3)); else sex = cell2mat(matrik(i:i,3:3)); end

if(cell2mat(matrik(x:x,4:4))<cell2mat(matrik(i:i,4:4)))


74

range = cell2mat(matrik(x:x,4:4)); else range = cell2mat(matrik(i:i,4:4)); end

if(cell2mat(matrik(x:x,5:5))<cell2mat(matrik(i:i,5:5))) katsuara = cell2mat(matrik(x:x,5:5)); else katsuara = cell2mat(matrik(i:i,5:5)); end

if(cell2mat(matrik(x:x,6:6))<cell2mat(matrik(i:i,6:6))) noise = cell2mat(matrik(x:x,6:6)); else noise = cell2mat(matrik(i:i,6:6)); end

if(cell2mat(matrik(x:x,7:7))<cell2mat(matrik(i:i,7:7))) ketsuara = cell2mat(matrik(x:x,7:7)); else ketsuara = cell2mat(matrik(i:i,7:7)); end

if(cell2mat(matrik(x:x,8:8))<cell2mat(matrik(i:i,8:8))) nadtinggi = cell2mat(matrik(x:x,8:8)); else nadtinggi = cell2mat(matrik(i:i,8:8)); end

nilai = sex+range+katsuara+noise+ketsuara+nadtinggi; if(contains(matrik(x:x,1:1),matrik(i:i,1:1))) else if((x==1 || min>nilai) && x~=i) min = nilai; arr2 = [x, i]; gabung = [arr2]; end end

i=i+1; end x = x+1; end

kode = strcat(matrik(gabung(1),1:1),', ',matrik(gabung(2),1:1));

nama = strcat(matrik(gabung(1),2:2),', ',matrik(gabung(2),2:2));


75

if(cell2mat(matrik(gabung(1),3:3))<cell2mat(matrik(gabung(2),3:3))

) sex = cell2mat(matrik(gabung(1),3:3)); else sex = cell2mat(matrik(gabung(2),3:3)); end


) range = cell2mat(matrik(gabung(1),4:4)); else range = cell2mat(matrik(gabung(2),4:4)); end


) katsuara = cell2mat(matrik(gabung(1),5:5)); else katsuara = cell2mat(matrik(gabung(2),5:5)); end


) noise = cell2mat(matrik(gabung(1),6:6)); else noise = cell2mat(matrik(gabung(2),6:6)); end


) ketsuara = cell2mat(matrik(gabung(1),7:7)); else ketsuara = cell2mat(matrik(gabung(2),7:7)); end


) nadtinggi = cell2mat(matrik(gabung(1),8:8)); else nadtinggi = cell2mat(matrik(gabung(2),8:8)); end

suara = strcat(matrik(gabung(1),9:9),', ',matrik(gabung(2),9:9)); gabungkan = [kode, nama, sex, range, katsuara, noise, ketsuara,

nadtinggi, suara];

x=1; matrik2=[]; while(x<=baris); if(x==gabung(1)) arr1 = gabungkan; matrik2 = [matrik2; arr1]; elseif(x==gabung(2)) else


76

arr1 = [matrik(x,1:1), matrik(x,2:2), matrik(x,3:3),

matrik(x,4:4), matrik(x,5:5), matrik(x,6:6), matrik(x,7:7),

matrik(x,8:8), matrik(x,9:9)]; matrik2 = [matrik2; arr1]; end

x = x+1; end baris= size(matrik2, 1); single = matrik2;

%End Single

%Average function [average]=average(matrik, baris) x=1; min=100; gabung = []; while(x<=baris); i=1; while(i<=baris); nilai =

(((cell2mat(matrik(x:x,3:3))+cell2mat(matrik(i:i,3:3)))/2)+((cell2

mat(matrik(x:x,4:4))+cell2mat(matrik(i:i,4:4)))/2)+((cell2mat(matr

ik(x:x,5:5))+cell2mat(matrik(i:i,5:5)))/2)+((cell2mat(matrik(x:x,6

:6))+cell2mat(matrik(i:i,6:6)))/2)+(mean(cell2mat(matrik(x:x,7:7))

+cell2mat(matrik(i:i,7:7)))/2)+((cell2mat(matrik(x:x,8:8))+cell2ma

t(matrik(i:i,8:8)))/2))/7; if(contains(matrik(x:x,1:1),matrik(i:i,1:1))) else if((x==1 || min>nilai) && x~=i) min = nilai; arr2 = [x, i]; gabung = [arr2]; end end



nama = strcat(matrik(gabung(1),2:2),', ',matrik(gabung(2),2:2)); sex =

(cell2mat(matrik(gabung(1),3:3))+cell2mat(matrik(gabung(2),3:3)))/

2; range =


2; katsuara =


2;


77

noise =


2; ketsuara =


2; nadtinggi =


2; suara = strcat(matrik(gabung(1),9:9),',

',matrik(gabung(2),9:9)); gabungkan = [kode, nama, sex, range, katsuara, noise, ketsuara,

nadtinggi, suara];

x=1; matrik2=[]; while(x<=baris); if(x==gabung(1)) arr1 = gabungkan; matrik2 = [matrik2; arr1]; elseif(x==gabung(2)) else arr1 = [matrik(x,1:1), matrik(x,2:2), matrik(x,3:3),



x = x+1; end baris= size(matrik2, 1); average = matrik2; %End Average

%Complete function [complete]=complete(matrik, baris) x=1; min=100; gabung = []; while(x<=baris); i=1; while(i<=baris);

if(cell2mat(matrik(x:x,3:3))>cell2mat(matrik(i:i,3:3))) sex = cell2mat(matrik(x:x,3:3)); else sex = cell2mat(matrik(i:i,3:3)); end

if(cell2mat(matrik(x:x,4:4))>cell2mat(matrik(i:i,4:4))) range = cell2mat(matrik(x:x,4:4)); else range = cell2mat(matrik(i:i,4:4)); end


78

if(cell2mat(matrik(x:x,5:5))>cell2mat(matrik(i:i,5:5))) katsuara = cell2mat(matrik(x:x,5:5)); else katsuara = cell2mat(matrik(i:i,5:5)); end

if(cell2mat(matrik(x:x,6:6))>cell2mat(matrik(i:i,6:6))) noise = cell2mat(matrik(x:x,6:6)); else noise = cell2mat(matrik(i:i,6:6)); end

if(cell2mat(matrik(x:x,7:7))>cell2mat(matrik(i:i,7:7))) ketsuara = cell2mat(matrik(x:x,7:7)); else ketsuara = cell2mat(matrik(i:i,7:7)); end

if(cell2mat(matrik(x:x,8:8))>cell2mat(matrik(i:i,8:8))) nadtinggi = cell2mat(matrik(x:x,8:8)); else nadtinggi = cell2mat(matrik(i:i,8:8)); end

nilai = sex+range+katsuara+noise+ketsuara+nadtinggi; if(contains(matrik(x:x,1:1),matrik(i:i,1:1))) else if((x==1 || min>nilai) && x~=i) min = nilai; arr2 = [x, i]; gabung = [arr2]; end end



nama = strcat(matrik(gabung(1),2:2),', ',matrik(gabung(2),2:2)); if(cell2mat(matrik(gabung(1),3:3))>cell2mat(matrik(gabung(2),3:3))

) sex = cell2mat(matrik(gabung(1),3:3)); else sex = cell2mat(matrik(gabung(2),3:3)); end


79

if(cell2mat(matrik(gabung(1),4:4))>cell2mat(matrik(gabung(2),4:4))

) range = cell2mat(matrik(gabung(1),4:4)); else range = cell2mat(matrik(gabung(2),4:4)); end


) katsuara = cell2mat(matrik(gabung(1),5:5)); else katsuara = cell2mat(matrik(gabung(2),5:5)); end


) noise = cell2mat(matrik(gabung(1),6:6)); else noise = cell2mat(matrik(gabung(2),6:6)); end


) ketsuara = cell2mat(matrik(gabung(1),7:7)); else ketsuara = cell2mat(matrik(gabung(2),7:7)); end


) nadtinggi = cell2mat(matrik(gabung(1),8:8)); else nadtinggi = cell2mat(matrik(gabung(2),8:8)); end

suara = strcat(matrik(gabung(1),1:1),', ',matrik(gabung(2),1:1)); gabungkan = [kode, nama, sex, range, katsuara, noise, ketsuara,

nadtinggi, suara];

x=1; matrik2=[]; while(x<=baris); if(x==gabung(1)) arr1 = gabungkan; matrik2 = [matrik2; arr1]; elseif(x==gabung(2)) else arr1 = [matrik(x,1:1), matrik(x,2:2), matrik(x,3:3),



x = x+1; end baris= size(matrik2, 1);


80

complete = matrik2; %End Complete

function txt_import_Callback(hObject, eventdata, handles) % hObject handle to txt_import (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of txt_import as

text % str2double(get(hObject,'String')) returns contents of

txt_import as a double

% --- Executes during object creation, after setting all

properties. function txt_import_CreateFcn(hObject, eventdata, handles) % hObject handle to txt_import (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles empty - handles not created until after all

CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end

% --- Executes on button press in pushbutton2. function pushbutton2_Callback(hObject, eventdata, handles)

alamatfile=get(handles.txt_import, 'String'); [a,b,c]=xlsread(alamatfile); bar=size(c,1); col=size(c,2); judul=c(1,2:col); data=c(2:bar,2:col); nom=linspace(1,bar-1,bar-1); data_matrik = data;

b=0; matrik = []; dendo = []; baris = 2; label = []; while(b<=bar); if(baris<=bar) % fprintf('Barisan fibonacci sampai suku ke-%g adalah\n'); nomor = b+1;


81

kode = strcat('DT',num2str(nomor)); nama = cellstr(c(baris:baris,2:2));

%Jenis Kelamin sex = c(baris:baris,3:3); if(contains(sex, 'Pria')) sex = 1; else sex = 2; end

%Range range = c(baris:baris,4:4); if(contains(range, 'A')) range = 1; elseif(contains(range, 'B')) range = 2; elseif(contains(range, 'C')) range = 3; elseif(contains(range, 'D')) range = 4; elseif(contains(range, 'E')) range = 5; elseif(contains(range, 'F')) range = 6; else range = 0; end

%Kat Suara katsuara = c(baris:baris,5:5); if(contains(katsuara, 'pop')) katsuara = 1; else katsuara = 2;

end %Noise noise = c(baris:baris,6:6); if(contains(noise, 'tidak')) noise = 1; elseif(contains(noise, 'sedang')) noise = 2; elseif(contains(noise, 'banyak')) noise = 3; else noise = 0; end

%Ket Suara ketsuara = c(baris:baris,7:7); if(contains(ketsuara, 'tipis')) ketsuara = 1; elseif(contains(ketsuara, 'sedang')) ketsuara = 2; elseif(contains(ketsuara, 'tebal')) ketsuara = 3; else ketsuara = 0; end

%Ket Suara nadtinggi = c(baris:baris,8:8); if(contains(nadtinggi, 'tidak')) nadtinggi = 1; elseif(contains(nadtinggi, 'goyang')) nadtinggi = 2; elseif(contains(nadtinggi, 'stabil')) nadtinggi = 3; else nadtinggi = 0; end

%Jenis Suara suara = cellstr(c(baris:baris,9:9)); label = [label; suara]; arr1 = [kode, nama, sex, range, katsuara, noise, ketsuara,

nadtinggi, suara]; ardo = [sex+0.2, range+0.2, katsuara+0.2, noise+0.2,

ketsuara+0.2, nadtinggi+0.2]; matrik = [matrik; arr1]; dendo = [dendo; ardo]; end


82

b=b+1; baris = 2+b;

end

%Pembentukan Label Data [vlabel,m1,n1] = unique(label,'first'); [c1,d1] =sort(m1); vlabel = vlabel(d1);

cluster = size(m1,1); baris= size(matrik, 1); jumlahdata = baris;

loop=1; if (get(handles.Ahc_Single,'Value') ~= 0) matrik2 = matrik;

while(loop==1); baris= size(matrik2, 1); if(baris>cluster && loop==1) matrik=single(matrik2,baris); else loop=0; end matrik2 = matrik; end

Xden = dendo; %# pick a subset SUBSET_SIZE = jumlahdata; %# subset size ind = randperm(size(Xden,1)); data = Xden(ind(1:SUBSET_SIZE), :);

%# cluster the subset data Da = pdist(data, 'euclid'); Ta = linkage(Da, 'single'); CUTOFF = 0.6*max(Ta(:,3)); %# CUTOFF = 5; %# visualize the hierarchy of clusters figure(1) h = dendrogram(Ta, 0, 'colorthreshold',CUTOFF); set(h, 'LineWidth',2) set(gca, 'XTickLabel',[], 'XTick',[]);

elseif(get(handles.Ahc_Average,'Value') ~=0)


83

matrik2 = matrik; while(loop==1); baris= size(matrik2, 1); if(baris>cluster && loop==1) matrik=average(matrik2,baris);

else loop=0; end matrik2 = matrik; end


%# cluster the subset data Da = pdist(data, 'euclid'); Ta = linkage(Da, 'average'); CUTOFF = 0.6*max(Ta(:,3)); %# CUTOFF = 5; %# visualize the hierarchy of clusters figure(1) h = dendrogram(Ta, 0, 'colorthreshold',CUTOFF); set(h, 'LineWidth',2) set(gca, 'XTickLabel',[], 'XTick',[]);

else matrik2 = matrik; while(loop==1); baris= size(matrik2, 1); if(baris>cluster && loop==1) matrik=complete(matrik2,baris); else loop=0; end matrik2 = matrik; end


%# cluster the subset data Da = pdist(data, 'euclid'); Ta = linkage(Da, 'complete'); CUTOFF = 0.6*max(Ta(:,3)); %# CUTOFF = 5; %# visualize the hierarchy of clusters


84

figure(1) h = dendrogram(Ta, 0, 'colorthreshold',CUTOFF); set(h, 'LineWidth',2) set(gca, 'XTickLabel',[], 'XTick',[]); end

alto = 0; sopran = 0; tenor = 0; bass = 0; c_label = []; ok_as=[]; %%Cek Alto newStr = split(matrik2(1:1,1:1),','); x=1; alto_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Alto', c(newChr:newChr,9:9))) alto_sama = alto_sama+1; end x=x+1; end

%%Cek Sopran x=1; sopran_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Sopran', c(newChr:newChr,9:9))) sopran_sama = sopran_sama+1; end x=x+1; end

%%Cek Tenor x=1; tenor_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; disp(c(newChr:newChr,9:9)) if(contains('Tenor', c(newChr:newChr,9:9))) tenor_sama = tenor_sama+1; end x=x+1; end

%%Cek Bass x=1; bass_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Bass', c(newChr:newChr,9:9))) bass_sama = bass_sama+1; end x=x+1; end


85

if(alto_sama<bass_sama && sopran_sama<bass_sama &&

alto_sama<bass_sama) terpilih1 = 'Bass'; benar_1 = bass_sama; elseif(alto_sama<tenor_sama && sopran_sama<tenor_sama &&

tenor_sama>bass_sama) terpilih1 = 'Tenor'; benar_1 = tenor_sama; elseif(alto_sama<sopran_sama && sopran_sama>tenor_sama &&

sopran_sama>bass_sama) terpilih1 = 'Sopran'; benar_1 = sopran_sama; else terpilih1 = 'Alto'; benar_1 = 0; end % rr = [terpilih]; %c_label = [c_label; terpilih]; disp(alto_sama); disp(sopran_sama); disp(tenor_sama); disp(bass_sama); disp('============= Cluster 1'); disp(terpilih1); disp('=============');

%%Cluster data ke 2

%%Cek Alto newStr = split(matrik2(2:2,1:1),','); x=1; alto_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Alto', c(newChr:newChr,9:9))) if(contains('Alto', terpilih1)) alto_sama = 0; else alto_sama = alto_sama+1; end end x=x+1; end

%%Cek Sopran x=1; sopran_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Sopran', c(newChr:newChr,9:9))) if(contains('Sopran', terpilih1)) sopran_sama = 0; else sopran_sama = sopran_sama+1;


86

end end x=x+1; end

%%Cek Tenor x=1; tenor_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; disp(c(newChr:newChr,9:9)) if(contains('Tenor', c(newChr:newChr,9:9))) if(contains('Tenor', terpilih1)) tenor_sama = 0; else tenor_sama = tenor_sama+1; end end x=x+1; end

%%Cek Bass x=1; bass_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Bass', c(newChr:newChr,9:9))) if(contains('Bass', terpilih1)) bass_sama = 0; else bass_sama = bass_sama+1; end end x=x+1; end




sopran_sama>bass_sama) terpilih2 = 'Sopran'; benar_2 = sopran_sama; else terpilih2 = 'Alto'; benar_2 = 0; end % rr = [terpilih]; %c_label = [c_label; terpilih]; disp(alto_sama); disp(sopran_sama);


87

disp(tenor_sama); disp(bass_sama);

disp('============= Cluster 2'); disp(terpilih2); disp('=============');

%%Cluster data ke 3

%%Cek Alto newStr = split(matrik2(3:3,1:1),','); x=1; alto_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Alto', c(newChr:newChr,9:9))) if(contains('Alto', terpilih1)) alto_sama = 0; elseif(contains('Alto', terpilih2)) alto_sama = 0; else alto_sama = alto_sama+1; end end x=x+1; end

%%Cek Sopran x=1; sopran_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Sopran', c(newChr:newChr,9:9))) if(contains('Sopran', terpilih1)) sopran_sama = 0; elseif(contains('Sopran', terpilih2)) sopran_sama = 0; else sopran_sama = sopran_sama+1; end end x=x+1; end

%%Cek Tenor x=1; tenor_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; disp(c(newChr:newChr,9:9)) if(contains('Tenor', c(newChr:newChr,9:9))) if(contains('Tenor', terpilih1)) tenor_sama = 0;


88

elseif(contains('Tenor', terpilih2)) tenor_sama = 0; else tenor_sama = tenor_sama+1; end end x=x+1; end

%%Cek Bass x=1; bass_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Bass', c(newChr:newChr,9:9))) if(contains('Bass', terpilih1)) bass_sama = 0; elseif(contains('Bass', terpilih2)) bass_sama = 0; else bass_sama = bass_sama+1; end end x=x+1; end




sopran_sama>bass_sama) terpilih3 = 'Sopran'; benar_3 = sopran_sama; else terpilih3 = 'Alto'; benar_3 = 0; end % rr = [terpilih]; %c_label = [c_label; terpilih]; disp(alto_sama); disp(sopran_sama); disp(tenor_sama); disp(bass_sama);

disp('============= Cluster 3'); disp(terpilih3); disp('=============');


89

%%Cluster data ke 4

%%Cek Alto newStr = split(matrik2(4:4,1:1),','); x=1; alto_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Alto', c(newChr:newChr,9:9))) if(contains('Alto', terpilih1)) alto_sama = 0; elseif(contains('Alto', terpilih2)) alto_sama = 0; elseif(contains('Alto', terpilih3)) alto_sama = 0; else alto_sama = alto_sama+1; end end x=x+1; end

%%Cek Sopran x=1; sopran_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Sopran', c(newChr:newChr,9:9))) if(contains('Sopran', terpilih1)) sopran_sama = 0; elseif(contains('Sopran', terpilih2)) sopran_sama = 0; elseif(contains('Sopran', terpilih3)) sopran_sama = 0; else sopran_sama = sopran_sama+1; end end x=x+1; end

%%Cek Tenor x=1; tenor_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; disp(c(newChr:newChr,9:9)) if(contains('Tenor', c(newChr:newChr,9:9))) if(contains('Tenor', terpilih1)) tenor_sama = 0; elseif(contains('Tenor', terpilih2)) tenor_sama = 0; elseif(contains('Tenor', terpilih3)) tenor_sama = 0; else tenor_sama = tenor_sama+1; end


90

end x=x+1; end

%%Cek Bass x=1; bass_sama = 0; while (x<=size(newStr, 1)) newChr = sscanf(newStr(x:x, 1:1),'DT%d')+1; if(contains('Bass', c(newChr:newChr,9:9))) if(contains('Bass', terpilih1)) bass_sama = 0; elseif(contains('Bass', terpilih2)) bass_sama = 0; elseif(contains('Bass', terpilih3)) bass_sama = 0; else bass_sama = bass_sama+1; end end x=x+1; end




sopran_sama>bass_sama) terpilih4 = 'Sopran'; benar_4 = sopran_sama; else terpilih4 = 'Alto'; benar_4 = 0; end % rr = [terpilih]; %c_label = [c_label; terpilih]; disp(alto_sama); disp(sopran_sama); disp(tenor_sama); disp(bass_sama);

if(contains('Alto', terpilih1) && contains('Sopran',

terpilih2) && contains('Bass', terpilih3) ) terpilih4 = 'Tenor'; benar_4 = tenor_sama; elseif(contains('Alto', terpilih1) && contains('Bass',

terpilih2) && contains('Sopran', terpilih3) ) terpilih4 = 'Tenor'; benar_4 = tenor_sama;


91

elseif(contains('Sopran', terpilih1) && contains('Bass',

terpilih2) && contains('Alto', terpilih3) ) terpilih4 = 'Tenor'; benar_4 = tenor_sama; elseif(contains('Sopran', terpilih1) && contains('Alto',

terpilih2) && contains('Bass', terpilih3) ) terpilih4 = 'Tenor'; benar_4 = tenor_sama; elseif(contains('Bass', terpilih1) && contains('Alto',

terpilih2) && contains('Sopran', terpilih3) ) terpilih4 = 'Tenor'; benar_4 = tenor_sama; elseif(contains('Bass', terpilih1) && contains('Sopran',

terpilih2) && contains('Alto', terpilih3) ) terpilih4 = 'Tenor'; benar_4 = tenor_sama;

elseif(contains('Alto', terpilih1) && contains('Sopran',

terpilih2) && contains('Tenor', terpilih3) ) terpilih4 = 'Bass'; benar_4 = bass_sama; elseif(contains('Alto', terpilih1) && contains('Tenor',

terpilih2) && contains('Sopran', terpilih3) ) terpilih4 = 'Bass'; benar_4 = bass_sama; elseif(contains('Sopran', terpilih1) && contains('Tenor',

terpilih2) && contains('Alto', terpilih3) ) terpilih4 = 'Bass'; benar_4 = bass_sama; elseif(contains('Sopran', terpilih1) && contains('Alto',

terpilih2) && contains('Tenor', terpilih3) ) terpilih4 = 'Bass'; benar_4 = bass_sama; elseif(contains('Tenor', terpilih1) && contains('Alto',

terpilih2) && contains('Sopran', terpilih3) ) terpilih4 = 'Bass'; benar_4 = bass_sama; elseif(contains('Tenor', terpilih1) && contains('Sopran',

terpilih2) && contains('Alto', terpilih3) ) terpilih4 = 'Bass'; benar_4 = bass_sama;

elseif(contains('Alto', terpilih1) && contains('Bass',

terpilih2) && contains('Tenor', terpilih3) ) terpilih4 = 'Sopran'; benar_4 = sopran_sama; elseif(contains('Alto', terpilih1) && contains('Tenor',

terpilih2) && contains('Bass', terpilih3) ) terpilih4 = 'Sopran'; benar_4 = sopran_sama; elseif(contains('Bass', terpilih1) && contains('Tenor',

terpilih2) && contains('Alto', terpilih3) ) terpilih4 = 'Sopran'; benar_4 = sopran_sama; elseif(contains('Bass', terpilih1) && contains('Alto',

terpilih2) && contains('Tenor', terpilih3) )


92

terpilih4 = 'Sopran'; benar_4 = sopran_sama; elseif(contains('Tenor', terpilih1) && contains('Alto',

terpilih2) && contains('Bass', terpilih3) ) terpilih4 = 'Sopran'; benar_4 = sopran_sama; elseif(contains('Tenor', terpilih1) && contains('Bass',

terpilih2) && contains('Alto', terpilih3) ) terpilih4 = 'Sopran'; benar_4 = sopran_sama; else terpilih4 = 'Alto'; benar_4 = alto_sama; end

disp('============= Cluster 4'); disp(terpilih4); disp('============='); disp(terpilih1); disp(terpilih2); disp(terpilih3); disp(terpilih4);

data2=[]; kode = [strcat('Cluster Ke-',num2str(1))]; salah_1 = size(split(matrik2(1:1,1:1),','), 1)-benar_1; arr1 = [1, matrik2(1:1,1:1), kode, terpilih1, benar_1, salah_1]; data2 = [data2; arr1];

kode = [strcat('Cluster Ke-',num2str(2))]; salah_2 = size(split(matrik2(2:2,1:1),','), 1)-benar_2; arr1 = [2, matrik2(2:2,1:1), kode, terpilih2, benar_2, salah_2]; data2 = [data2; arr1];



yang_sama= benar_1+benar_2+benar_3+benar_4; yang_salah = salah_1+salah_2+salah_3+salah_4; title = {'No', 'Anggota', 'Cluster Ke-', 'Label Metode', 'Benar',

'Salah'}; set(handles.tbl_cluster,'data',data2,'ColumnName',title); akurasi = (yang_sama/(yang_sama+yang_salah))*100; set(handles.strAkurasi,'String',akurasi);


93

function strAkurasi_Callback(hObject, eventdata, handles) % hObject handle to strAkurasi (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of strAkurasi as

text % str2double(get(hObject,'String')) returns contents of

strAkurasi as a double

% --- Executes during object creation, after setting all

properties. function strAkurasi_CreateFcn(hObject, eventdata, handles) % hObject handle to strAkurasi (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles empty - handles not created until after all

CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end


94

No Nama Jenis

Kelamin Range

Karakter Suara

Noise Ketebalan

Suara Nada Tinggi

1 M 2 B 1 3 2 1

2 R 2 B 1 2 3 1

3 R 2 B 2 3 2 1

4 H 2 B 1 3 2 1

5 A 2 B 2 2 2 1

6 I 2 B 2 3 3 1

7 A 2 B 1 3 2 1

8 I 2 B 1 3 2 1

9 L 2 B 1 3 2 1

10 B 2 A 1 2 1 2

11 A 2 A 1 2 2 3

12 S 2 A 1 2 1 2

13 E 2 A 1 2 1 2

14 A 2 A 1 1 2 2

15 A 2 A 1 2 1 2

16 F 2 A 1 2 2 2

17 K 1 C 1 2 2 2

18 M 1 D 2 3 3 1

19 I 2 A 2 1 2 3

20 S 1 C 1 3 2 3

21 R 1 C 1 1 3 3

22 M 2 B 1 3 2 1

23 M 2 A 1 1 2 3

24 L 2 A 1 1 2 3

25 V 2 A 1 1 2 2

26 F 1 C 2 1 2 3

27 F 2 A 2 1 3 3

28 Y 2 A 1 1 2 3

29 P 2 A 1 1 3 3

30 K 2 B 1 3 2 1

31 C 2 B 2 2 3 2

32 A 1 C 1 1 2 3

33 E 2 B 1 2 2 1

34 M 1 C 1 1 2 2


95

35 V 2 B 1 2 2 1

36 N 2 B 1 2 2 1

37 L 2 B 1 2 2 1

38 V 2 A 2 2 2 2

39 M 2 B 1 2 3 1

40 P 1 D 2 3 3 1

41 Y 1 C 1 1 1 3

42 M 2 B 1 3 2 2

43 M 2 A 2 2 1 2

44 B 2 B 1 2 3 1

45 G 1 C 1 1 2 2

46 J 1 D 1 3 3 1

47 K 1 D 1 3 3 1

48 C 2 B 1 3 2 1

49 G 2 A 1 1 1 3

50 A 2 A 2 1 1 2

51 B 2 B 2 2 3 1

52 W 2 B 1 3 1 1

53 M 2 B 1 3 2 1

54 M 2 B 1 3 3 1

55 B 2 B 1 3 3 1

56 M 2 B 1 3 2 2

57 B 2 A 1 2 1 2

58 A 2 A 1 1 2 3

59 Z 2 B 1 3 2 1

60 L 2 B 2 2 3 1

61 P 1 C 2 1 3 1

62 S 2 B 2 2 2 1

63 F 1 D 2 2 3 1

64 Z 1 C 2 1 3 3

65 A 1 C 2 1 3 3

66 A 2 B 1 3 3 1

67 I 2 A 2 1 2 3

68 B 2 A 2 1 2 3

69 A 2 A 2 1 3 3

70 A 2 A 1 2 1 2

71 N 2 B 2 3 3 1

72 S 2 B 2 3 3 1

73 A 2 B 1 2 3 1

74 V 2 B 2 2 3 1

75 R 2 B 2 3 3 1


96

76 A 2 B 2 3 3 1

77 B 2 B 2 3 3 1

78 H 1 D 2 2 3 1

79 A 1 D 2 3 3 1

80 S 2 B 2 2 3 1

81 A 2 B 1 3 3 1

82 I 2 A 2 1 1 3

83 A 2 B 2 2 3 1

84 V 2 A 1 1 1 3

85 R 2 A 1 1 1 3

86 H 1 D 2 2 3 1

87 K 1 C 1 1 2 3

88 C 2 A 2 1 1 3

89 F 2 A 1 2 2 3

90 R 2 A 1 2 2 3

91 Y 2 A 2 1 1 3

92 F 2 B 2 2 3 1

93 Y 2 A 1 1 1 3

94 M 2 B 2 3 2 2

95 M 2 B 1 3 2 1

96 A 1 C 1 1 2 3

97 K 2 B 1 3 3 1

98 D 2 B 1 3 2 1

99 B 2 B 1 2 3 1

100 A 2 B 1 3 3 2

101 S 2 A 1 2 1 3

102 S 1 C 1 1 2 3

103 E 2 A 1 1 2 3

104 T 2 B 1 3 3 1

105 E 2 B 1 2 3 1

106 T 2 A 1 1 2 3

107 K 2 A 1 1 1 2

108 J 2 B 2 2 3 1

109 R 2 A 2 1 2 3

110 C 2 B 1 3 2 1

111 Y 1 D 2 2 3 1

112 V 1 D 1 3 3 1

113 D 1 C 1 1 2 3

114 A 1 C 1 2 2 3

115 A 2 B 1 2 2 1

116 A 2 B 1 3 2 1


97

117 M 2 A 2 2 1 3

118 E 2 A 1 1 2 3

119 D 2 B 1 3 2 1

120 M 2 B 1 3 3 1

121 I 2 A 1 2 1 3

122 S 2 B 1 3 2 1

123 P 2 A 1 2 1 2

124 V 2 B 1 2 3 1

125 K 1 D 2 3 2 1

126 P 1 D 2 2 3 1

127 S 1 C 1 2 1 3

128 V 2 B 1 3 1 1

129 M 2 A 1 1 2 3

130 L 2 B 1 2 3 1

131 G 2 A 1 1 1 3

132 E 2 B 1 2 3 1

133 F 2 B 2 3 3 1

134 D 2 A 1 1 1 2

135 H 1 C 1 1 2 3

136 F 2 A 1 2 1 3

137 M 2 A 1 1 2 3

138 V 2 B 1 3 2 1

139 V 2 A 2 2 1 2

140 F 2 B 1 3 2 1

141 P 2 A 1 2 1 3

142 D 2 B 1 3 3 1

143 M 2 B 1 2 2 1

144 C 2 B 1 2 3 1

145 R 2 B 2 3 2 1

146 Y 1 C 2 1 2 3

147 A 2 B 1 3 3 2

148 S 2 A 2 2 1 3

149 M 2 A 1 1 1 3

150 E 2 A 1 1 2 3


Documents

PENGELOMPOKAN ANGGOTA BARU PADUAN SUARA … · 2020. 1. 8. · penerimaan anggota baru, jumlah pendaftar setiap tahunnya berjumlah ratusan. Melalui proses seleksi tersebut, diperoleh