Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa
-
Upload
samuel-simanjuntak -
Category
Documents
-
view
533 -
download
1
Transcript of Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa
APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT
KELULUSAN MAHASISWA
(Studi Kasus di Fakultas MIPA Universitas Diponegoro)
Disusun Oleh :
Nama : Elviana Simanjuntak
Npm : 09050196
Kelas : P 7
SISTEM INFORMASI
INFORMATICS & BUSINESS INSTITUTE DARMAJAYA
BANDAR LAMPUNG
2012
BAB I
PENDAHULUAN
I. 1. Latar Belakang
Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang
akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga informasi akan menjadi
suatu elemen penting dalam perkembangan masyarakat saat ini dan waktu mendatang.
Namun kebutuhan informasi yang tinggi kadang tidak diimbangi dengan penyajian
informasi yang memadai, sering kali informasi tersebut masih harus di gali ulang dari
data yang jumlahnya sangat besar. Kemampuan teknologi informasi untuk
mengumpulkan dan menyimpan berbagai tipe data jauh meninggalkan kemampuan untuk
menganalisis, meringkas dan mengekstrak pengetahuan dari data. Metode tradisional
untuk menganalisis data yang ada, tidak dapat menangani data dalam jumlah besar.
Sistem informasi dapat digunakan untuk mendapatkan, mengolah dan
menyebarkan informasi untuk menunjang kegiatan operasional sehari-hari sekaligus
menunjang kegiatan pengambilan keputusan strategis. Para pengambil keputusan
berusaha untuk memanfaatkan gudang data yang sudah dimiliki untuk menggali
informasi yang berguna membantu mengambil keputusan, hal ini mendorong munculnya
cabang ilmu baru untuk mengatasi masalah penggalian informasi atau pola yang penting
atau menarik dari data dalam jumlah besar, yang disebut dengan data mining.
Penggunaan teknik data mining diharapkan dapat memberikan pengetahuan-pengetahuan
yang sebelumnya tersembunyi di dalam gudang data sehingga menjadi informasi yang
berharga.
Perguruan tinggi saat ini dituntut untuk memiliki keunggulan bersaing dengan
memanfaatkan semua sumber daya yang dimiliki. Selain sumber daya sarana, prasarana,
dan manusia, sistem informasi adalah salah satu sumber daya yang dapat digunakan
untuk meningkatkan keunggulan bersaing. Di dalam peraturan akademik Universitas
Diponegoro bidang pendidikan tahun 2009 pada BAB I pasal 1 ayat 2 di sebutkan bahwa
“Program Sarjana (S1) reguler adalah program pendidikan akademik setelah pendidikan
menengah, yang memiliki beban studi sekurang-kurangnya 144 (seratus empat puluh
empat) sks (satuan kredit semester) dan sebanyak-banyaknya 160 (seratus enam puluh )
sks yang dijadwalkan untuk 8 (delapan) semester dan dapat ditempuh dalam waktu
kurang dari 8 (delapan) semester dan paling lama 14 (empat belas) semester” (Peraturan
Akademik, 2009). Berdasarkan buku wisuda angkatan ke-115, 48 dari 80 peserta wisuda
Program Sarjana (S1) reguler di Fakultas Matematika dan Ilmu Pengetahuan Alam
(MIPA) menempuh masa studi lebih dari 8 semester. Hal ini menunjukkan bahwa masih
banyak mahasiswa Program Sarjana (S1) reguler di Fakultas MIPA yang menempuh
lama studi lebih dari 8 semester dari yang dijadwalkan 8 semester. Oleh karena itu,
dengan memanfaatkan data induk mahasiswa dan data kelulusan mahasiswa, dapat
diketahui informasi tingkat kelulusan mahasiswa melalui teknik data mining.
I. 2. Rumusan Masalah
1. Bagaimana Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan
Mahasiswa?
2. Apakah Manfaat Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan
Mahasiswa?
I. 3. Tujuan
1. Menghasilkan aplikasi untuk mendapatkan informasi yang berguna tentang
tingkat kelulusan mahasiswa dengan teknik data mining. Perguruan tinggi saat ini
dituntut untuk memiliki keunggulan bersaing dengan memanfaatkan semua
sumber daya yang dimiliki. Selain sumber daya sarana, prasarana, dan manusia,
sistem informasi adalah salah satu sumber daya yang dapat digunakan untuk
meningkatkan keunggulan bersaing.
I. 4. Manfaat Penelitian
2. Adapun beberapa manfaat yang diharapkan pada pembuatan tugas akhir ini
adalah:
Bagi penulis
Penulis dapat lebih mengetahui cara menerapkan ilmu-ilmu yang telah dipelajari
selama ini dalam merancang dan membuat aplikasi sistem dengan teknik data
mining, serta sebagai syarat dalam memperoleh gelar sarjana komputer.
Bagi Fakultas MIPA
Diharapkan dengan adanya aplikasi ini dapat membantu menyajikan informasi
tentang hubungan tingkat kelulusan dengan data induk mahasiswa. Pihak fakultas
dapat mengetahui tingkat kelulusan mahasiswanya dan mengetahui faktor yang
mempengaruhi tingkat kelulusan.
BAB II
LANDASAN TEORI
II. 1. Data warehouse
Data warehouse adalah sebuah sistem yang mengambil dan menggabungkan data
secara periodik dari sistem sumber data ke penyimpanan data bentuk dimensional atau
normal (Rainardi, 2008). Data warehouse merupakan penyimpanan data yang
berorientasi objek, terintegrasi, mempunyai variant waktu, dan menyimpan data dalam
bentuk nonvolatile sebagai pendukung manejemen dalam proses pengambilan keputusan
(Han, 2006).
Data warehouse menyatukan dan menggabungkan data dalam bentuk
multidimensi. Pembangunan data warehouse meliputi pembersihan data, penyatuan data
dan transformasi data dan dapat dilihat sebagai praproses yang penting untuk digunakan
dalam data mining. Selain itu data warehouse mendukung On-line Analitycal Processing
(OLAP), sebuah kakas yang digunakan untuk menganalisis secara interaktif dari bentuk
multidimensi yang mempunyai data yang rinci. Sehingga dapat memfasilitasi secara
efektif data generalization dan data mining.
Banyak metode-metode data mining yang lain seperti asosiasi, klasifikasi,
prediksi, dan clustering, dapat diintegrasikan dengan operasi OLAP untuk meningkatkan
proses mining yang interaktif dari beberapa level dari abstraksi. Oleh karena itu data
warehouse menjadi platform yang penting untuk data analisis dan OLAP untuk dapat
menyediakan platform yang efektif untuk proses data mining.
Empat karakteristik dari data warehouse meliputi :
1. Subject oriented : sebuah data warehouse disusun dalam subjek utama, seperti
pelanggan, suplier, produk, dan sales. Meskipun data warehouse terkonsentrasi pada
operasi harian dan proses transaksi dalam perusahaan, data warehouse
fokus pada pemodelan dan analisis data untuk pembuat keputusan. Oleh karena itu data
warehouse mempunyai karakter menyediakan secara singkat dan sederhana gambaran
seputar subjek lebih detail yang dibuat dari data luar yang tidak berguna dalam proses
pendukung keputusan.
2. Integrated : Data warehouse biasanya dibangun dari bermacam-macam sumber yang
berbeda, seperti database relasional, flat files, dan on-line transaction records.
Pembersihan dan penyatuan data diterapkan untuk menjamin konsistensi dalam
penamaan, struktur kode, ukuran atribut, dan yang lainnya.
3. Time Variant : data disimpan untuk menyajikan informasi dari sudut pandang masa
lampau (misal 5 – 10 tahun yang lalu). Setiap struktur kunci dalam data warehouse
mempunyai elemen waktu baik secara implisit maupun eksplisit
4. Nonvolatile : sebuah data warehouse secara fisik selalu disimpan terpisah dari data
aplikasi operasional. Penyimpanan yang terpisah ini, data warehouse tidak memerlukan
proses transaksi, recovery dan mekanisme pengendalian konkurensi. Biasanya hanya
membutuhkan dua operasi dalam akses data yaitu initial load of data dan access of data
Dari pengertian tersebut, sebuah data warehouse merupakan penyimpanan data tetap
sebagai implementasi fisik dari pendukung keputusan model data. Data warehouse juga
biasanya dilihat sebagai arsitektur, pembangunan dan penyatuan data dari bermacam
macam sumber data yang berbeda untuk mendukung struktur dan atau query tertentu,
laporan analisis, dan pembuatan keputusan (Han, 2006).
Extract, transform, dan load (ETL) merupakan sebuah sistem yang dapat membaca
data dari suatu data store, merubah bentuk data, dan menyimpan ke data store yang lain.
Data store yang dibaca ETL disebut data source, sedangkan data store yang disimpan
ETL disebut target. Proses pengubahan data digunakan agar data sesuai dengan format
dan kriteria, atau sebagai validasi data dari source system. Proses ETL tidak hanya
menyimpan data ke data warehouse, tetapi juga digunakan untuk berbagai proses
pemindahan data.
II. 2. Pengertian Data Mining
Secara sederhana data mining adalah penambangan atau penemuan informasi
baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar
(Davies, 2004). Data mining juga disebut sebagai serangkaian proses untuk menggali
nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari
suatu kumpulan data (Pramudiono, 2007).
Data mining, sering juga disebut sebagai knowledge discovery in database
(KDD). KDD adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis
untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar
(Santoso, 2007).
Data mining adalah kegiatan menemukan pola yang menarik dari data dalam
jumlah besar, data dapat disimpan dalam database, data warehouse, atau penyimpanan
informasi lainnya. Data mining berkaitan dengan bidang ilmu – ilmu lain, seperti
database system, data warehousing, statistik, machine learning, information retrieval,
dan komputasi tingkat tinggi. Selain itu, data mining didukung oleh ilmu lain seperti
neural network, pengenalan pola, spatial data analysis, image database, signal
processing (Han, 2006).
Data mining didefinisikan sebagai proses menemukan pola-pola dalam data.
Proses ini otomatis atau seringnya semiotomatis. Pola yang ditemukan harus penuh arti
dan pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data
yang dibutuhkan dalam jumlah besar (Witten, 2005).
Karakteristik data mining sebagai berikut :
Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data
tertentu yang tidak diketahui sebelumnya.
Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar
digunakan untuk membuat hasil lebih dipercaya.
Data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi
(Davies, 2004).
Berdasarkan beberapa pengertian tersebut dapat ditarik kesimpulan bahwa data
mining adalah suatu teknik menggali informasi berharga yang terpendam atau
tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan
suatu pola yang menarik yang sebelumnya tidak diketahui. Kata mining sendiri berarti
usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasar.
Karena itu data mining sebenarnya memiliki akar yang panjang dari bidang ilmu seperti
kecerdasan buatan (artificial intelligent), machine learning, statistik dan database.
Beberapa metode yang sering disebut-sebut dalam literatur data mining antara lain
clustering, classification, association rules mining, neural network, genetic algorithm
dan lain-lain (Pramudiono, 2007).
II. 2. 1. Tahap-Tahap Data mining
Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap
yang diilustrasikan.Tahap-tahap tersebut bersifat interaktif, pemakai terlibat langsung
atau dengan perantaraan knowledge base.
Tahap-tahap data mining ada 6 yaitu :
1. Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak
konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari database
suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna
seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain
itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang
dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang. Pembersihan data juga
akan mempengaruhi performasi dari teknik data mining karena data yang ditangani akan
berkurang jumlah dan kompleksitasnya.
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai database ke dalam
satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak hanya
berasal dari satu database tetapi juga berasal dari beberapa database atau file teks.
Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan entitas-entitas yang
unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data
perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan
hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya. Sebagai
contoh bila integrasi data berdasarkan jenis produk ternyata menggabungkan produk dari
kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya
tidak ada.
3. Seleksi Data (Data Selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu
hanya data yang sesuai untuk dianalisis yang akan diambil dari database. Sebagai contoh,
sebuah kasus yang meneliti faktor kecenderungan orang membeli dalam kasus market
basket analysis, tidak perlu mengambil nama pelanggan, cukup dengan id pelanggan saja.
4. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam
data mining. Beberapa metode data mining membutuhkan format data yang khusus
sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar seperti analisis
asosiasi dan clustering hanya bisa menerima input data kategorikal. Karenanya data
berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval. Proses
ini sering disebut transformasi data.
5. Proses mining,
Merupakan suatu proses utama saat metode diterapkan untuk menemukan
pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi pola (pattern evaluation),
Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang
ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas
maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang
tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada beberapa alternatif
yang dapat diambil seperti menjadikannya umpan balik untuk memperbaiki proses data
mining, mencoba metode data mining lain yang lebih sesuai, atau menerima hasil ini
sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat.
7. Presentasi pengetahuan (knowledge presentation),
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang
digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap terakhir dari
proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil
analisis yang didapat. Ada kalanya hal ini harus melibatkan orang-orang yang tidak
memahami data mining. Karenanya presentasi hasil data mining dalam bentuk
pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam
proses data mining. Dalam presentasi ini, visualisasi juga bisa membantu
mengkomunikasikan hasil data mining (Han, 2006).
II. 2. 2. Metode Data mining
Dengan definisi data mining yang luas, ada banyak jenis metode analisis yang
dapat digolongkan dalam data mining.
Association rules
Association rules (aturan asosiasi) atau affinity analysis (analisis afinitas)
berkenaan dengan studi tentang “apa bersama apa”. Sebagai contoh dapat berupa berupa
studi transaksi di supermarket, misalnya seseorang yang membeli susu bayi juga membeli
sabun mandi. Pada kasus ini berarti susu bayi bersama dengan sabun mandi. Karena
awalnya berasal dari studi tentang database transaksi pelanggan untuk menentukan
kebiasaan suatu produk dibeli bersama produk apa, maka aturan asosiasi juga sering
dinamakan market basket analysis. Aturan asosiasi ingin memberikan informasi tersebut
dalam bentuk hubungan “if-then” atau “jika-maka”. Aturan ini dihitung dari data yang
sifatnya probabilistik (Santoso, 2007).
Analisis asosiasi dikenal juga sebagai salah satu metode data mining yang
menjadi dasar dari berbagai metode data mining lainnya. Khususnya salah satu tahap dari
analisis asosiasi yang disebut analisis pola frekuensi tinggi (frequent pattern mining)
menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien. Penting
tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai
penunjang) yaitu prosentase kombinasi item tersebut. dalam database dan confidence
(nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif. Analisis
asosiasi didefinisikan suatu proses untuk menemukan semua aturan assosiatif yang
memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk
confidence (minimum confidence) (Pramudiono, 2007).
II. 3. Pengenalan Pola, Data Mining, dan Machine Learning
Pengenalan pola adalah suatu disiplin ilmu yang mempelajari cara-cara
mengklasifikasikan obyek ke beberapa kelas atau kategori dan mengenali kecenderungan
data. Tergantung pada aplikasinya, obyek-obyek ini bisa berupa pasien, mahasiswa,
pemohon kredit, image atau signal atau pengukuran lain yang perlu diklasifikasikan atau
dicari fungsi regresinya (Santoso, 2007).
Data mining, sering juga disebut knowledge discovery in database (KDD), adalah
kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan
keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari data
mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan.
Sehingga istilah pattern recognition jarang digunakan karena termasuk bagian dari data
mining (Santoso, 2007).
Machine Learning adalah suatu area dalam artificial intelligence atau kecerdasan
buatan yang berhubungan dengan pengembangan teknik-teknik yang bisa diprogramkan
dan belajar dari data masa lalu. Pengenalan pola, data mining dan machine learning
sering dipakai untuk menyebut sesuatu yang sama. Bidang ini bersinggungan dengan
ilmu probabilitas dan statistik kadang juga optimasi. (Santoso, 2007).
BAB III
METODE PENELITIAN
III. 1. Analisis Data Mining
dicari nilai support dan confidence dari hubungan tingkat kelulusan dengan data
induk mahasiswa. Tidak semua data induk siswa akan dicari hubungannya dengan data
kelulusan, hanya beberapa atribut yang kira-kira berguna dan sebarannya tidak terlalu
acak. Karena data yang terlalu acak akan membuat proses mining memakan waktu lama
dan tingkat hubungannya pun rendah. Data induk mahasiswa yang akan dicari
hubungannya meliputi proses masuk, asal sekolah, kota asal sekolah, dan program studi.
Adapun yang akan diproses mining meliputi :
1. Hubungan tingkat kelulusan dengan proses masuk
Hasil dari proses mining ini dapat membantu untuk mengetahui sejauh mana tingkat
keberhasilan PSSB dan SPMB.
2 Hubungan tingkat kelulusan dengan asal sekolah dan proses masuk
Dari atribut proses masuk dan asal sekolah dicari hubungan tingkat kelulusan dengan
asal sekolah yang melalui proses masuk PSSB dengan harapan dapat mengetahui
tingkat keberhasilan mahasiswa dengan sekolah tertentu.
3. Hubungan tingkat kelulusan dengan kota asal sekolah
Hubungan tingkat kelulusan dengan asal kota bermanfaat untuk mengetahui daerah-
daerah mana yang mempunyai tingkat keberhasilan tinggi ataupun rendah.
Diasumsikan bahwa kota asal sekolah merupakan kota tempat asal mahasiswa.
4. Hubungan tingkat kelulusan dengan program studi
Dari atribut program studi dapat diketahui hubungan tingkat kelulusun dan program
studi untuk megetahui tingkat kelulusan program studi. 27
III.1.1. Sumber Data
Data yang digunakan yaitu data Induk Mahasiswa dan data Kelulusan.
1. Data Induk Mahasiswa
Data induk mahasiswa adalah data mahasiswa yang didata ketika mahasiswa
pertama kali masuk perguruan tinggi setelah melakukan registrasi ulang. Data yang
dicatat adalah identitas pribadi mahasiswa dan identitas sekolah asal mahasiswa. Proses
pendataan dilakukan di tingkat universitas, setelah direkapitulasi kemudian disebarkan ke
fakultas masing-masing.
2. Data Kelulusan
Data Kelulusan adalah data mahasiswa yang telah dinyatakan lulus. Data yang
dicatat adalah identitas mahasiswa dan data kelengkapan kelulusan.
III. 1. 2. Data Yang Digunakan
Beberapa atribut dari data induk mahasiswa dengan tingkat kelulusan. Karena
tidak semua tabel digunakan maka perlu dilakukan pembersihan data agar data yang akan
diolah benar-benar relevan dengan yang dibutuhkan. Pembersihan ini penting guna
meningkatkan performa dalam proses mining. Cara pembersihan dengan menghapus
atribut yang tidak terpakai dan menghapus data-data yang tidak lengkap isiannya. atribut
yang digunakan terdiri dari atribut pada data kelulusan dan pada data induk mahasiswa.
Atribut yang digunakan dalam data induk mahasiswa meliputi :
1. Atribut NIM digunakan sebagai primary key untuk menghubungkan dengan data
kelulusan
2. Atribut proses masuk digunakan untuk proses mining guna mengetahui hubungan
antara tingkat kelulusan dengan jalur masuk yang digunakan mahasiswa.
3. Atribut nama asal sekolah digunakan untuk proses mining guna mengetahui hubungan
antara tingkat kelulusan dengan asal sekolah.
4. Atribut kota asal sekolah digunakan untuk proses mining guna mengetahui hubungan
tingkat kelulusan dengan kota asal mahasiswa.
Atribut yang digunakan dalam data kelulusan meliputi :
1. NIM digunakan sebagai primary key untuk menghubungkan dengan data induk
mahasiswa.
2. Indeks Prestasi Kumulatif (IPK) digunakan sebagai ukuran tingkat kelulusan
mahasiswa
3.Lama studi digunakan sebagai ukuran tingkat kelulusan mahasiswa
III. 1. 3. Transformasi Data
Transformasi data merupakan proses pengubahan atau penggabungan data ke
dalam format yang sesuai untuk diproses dalam data mining. Seringkali data yang akan
digunakan dalam proses data mining mempunyai format yang belum langsung bisa
digunakan, oleh karena itu perlu dirubah formatnya.
Mencari keterkaitan antara tingkat kelulusan dengan data induk mahasiswa.
Tingkat kelulusan mahasiswa dapat dilihat dari lama studi dan IPK (Indeks Prestasi
Kumulatif). Dari dua parameter tersebut data diubah menjadi tipe data yang memudahkan
untuk diproses. Tingkat kelulusan diukur dari lama studi dan IPK, lama studi
dikategorikan berdasarkan peraturan akademik BAB I pasal 1 ayat 2 yang berbunyi
“Program sarjana (S1) reguler adalah program pendidikan akademik setelah pendidikan
menengah, yang memiliki beban studi sekurang-kurangnya 144 (seratus empat puluh
empat ) sks dan sebanyak-banyaknya 160 (seratus enam puluh) sks yang dijadwalkan
untuk 8 (delapan) semester dan dapat ditempuh dalam waktu kurang dari 8 (delapan)
semester dan paling lama 14 (empat belas) semester.” sedangkan IPK dikategorikan
berdasarkan predikat kelulusan yang diatur dalam peraturan akademik BAB IV pasal 19
ayat 1 yang berbunyi “predikat kelulusan program sarjana dan program diploma adalah
sebagi berikut :
Table predikat kelulusan
Indeks Prestasi
Kumulatif
Predikat
2,00 – 2,75
2,76 – 3,50
3,51 – 4,00
Memuaskan
Sangat memuaskan
Dengan pujian
(cumlaude)
Dari tabel data kelulusan di atas berdasarkan IPK dapat dikategorikan menjadi tiga yaitu :
1. IPK memuaskan dengan IPK 2,00 – 2,75
2. IPK sangat memuaskan dengan IPK 2,76 – 3,50
3. IPK tipe dengan pujian dengan IPK 3,51 – 4,00
Pengkategorian data kelulusan berdasarkan lama studi yaitu :
1. Sesuai jadwal, bila lama studi 4 tahun atau kurang dari 4 tahun
2. Tidak sesuai jadwal, bila lama studi lebih dari 4 tahun
Dari dua pengkategorian tersebut dapat dibuat kategori berdasarkan kombinasi
keduanya, seperti yang dapat dilihat pada tabel dibawah:
Tabel Transformasi Data
Kategori Keterangan
A1 lama studi 4 tahun atau kurang dari
4 tahun dan IPK 3,51 – 4,00
A2 lama studi 4 tahun atau kurang dari
4 tahun dan IPK 2,76 – 3,50
A3 lama studi 4 tahun atau kurang dari
4 tahun dan IPK 2,00 – 2,75
B1 lama studi lebih dari 4 tahun dan
IPK 3,51 – 4,00
B2 lama studi lebih dari 4 tahun dan
IPK 2,76 – 3,50
B3 lama studi lebih dari 4 tahun dan
IPK 2,00 – 2,75
III. 1. 4. Penggunaan Algoritma Apriori
Algoritma apriori adalah algoritma paling terkenal untuk menemukan pola
frekuensi tinggi. Pola frekuensi tinggi adalah pola-pola item di dalam suatu database
yang memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan
istilah minimum support atau threshold. Threshold adalah batas minimum transaksi. Jika
jumlah transaksi kurang dari threshold maka item atau kombinasi item tidak akan
diikutkan perhitungan selanjutnya. Penggunaan threshold dapat mempercepat
perhitungan. Algoritma apriori dibagi menjadi beberapa tahap yang disebut iterasi. Tiap
iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari pass
pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu. Di iterasi pertama
ini, support dari setiap item dihitung dengan men-scan database. Setelah support dari
setiap item didapat, item yang memiliki support lebih besar dari minimum support dipilih
sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset.
III. 2. Perancangan Perangkat fungsi
1. Fungsi Ambil data
Nomor Fungsi : 1
Nama fungsi : Ambil Data
Deskripsi isi : Digunakan untuk mengambil data kelulusan dan data induk mahasiswa
kemudian menggabungkannya dengan key NIM dan disimpan dalam tabel data
gabungan. Spesifikasi proses/algoritma :
Initial State (IS) : tabel data gabungan kosong
Final State (FS) : tabel data gabungan terisi Spesifikasi
Proses/algoritma: Ambil data kelulusan dan data induk gabungkan
dengan key NIM Simpan dalam tabel data gabungan
2. Fungsi Bersihkan data
Nomor Fungsi : 2
Nama fungsi : Bersihkan data
Deskripsi isi:digunakan untuk membersihkan data yang tidak sesuai dan tidak lengkap
isian nya
Initial State (IS) : view data gabungan bersih kosong
Final State (FS) : view data gabungan bersih terisi data gabungan yang
telah dibersihkan Spesifikasi Proses/algoritma: /*pemilihan atribut
Ambil data gabungan seleksi atribut yang dipakai dan buang atribut yang
tidak lengkap isiannya
3. Fungsi Mining Proses Masuk
Nomor Fungsi : 3
Nama fungsi : Mining Proses Masuk
Deskripsi isi : Digunakan untuk proses mining atribut proses masuk Spesifikasi
proses/algoritma :
Initial State (IS) : view data gabungan bersih terisi data bersih
Final State (FS): Keluar report hasil proses mining proses
masuk
Spesifikasi Proses/algoritma: Hitung masing–masing item
dalam Kategori Hitung masing-masing item dalam proses masuk
IF jumlah masing–masing item > threshold THEN Hitung
kombinasi masing-masing item kategori dan proses masuk
Hitung nilai support dan confidence END IF
4. Fungsi Mining Kota Asal
Nomor Fungsi : 4
Nama fungsi : Mining Kota Asal
Deskripsi isi : Digunakan untuk proses mining atribut Kota Asal Spesifikasi
proses/algoritma:
Initial State (IS) : view data gabungan bersih terisi data bersih
Final State (FS) : Keluar report hasil proses mining kota asal Spesifikasi
Proses/algoritma : Hitung masing –masing item dalam Kategori Hitung
masing-masing item dalam Kota Asal IF jumlah masing – masing item >
threshold THEN
Hitung kombinasi masing-masing item kategori dan Kota Asal Hitung
nilai support dan confidence END IF
5. Fungsi Mining Program Studi
Nomor Fungsi :5
Nama fungsi : Mining Program Studi
Deskripsi isi : Digunakan untuk proses mining atribut Program Studi Spesifikasi
proses/algoritma :
Initial State (IS) : view data gabungan bersih terisi data
bersih
Final State (FS): Keluar report hasil proses mining program
studi Spesifikasi Proses/algoritma: Hitung masing –masing
item dalam Kategori Hitung masing-masing item dalam
Program Studi IF jumlah masing – masing item > threshold
THEN Hitung kombinasi masing-masing item kategori dan
Program .end if
III. 3. Kebutuhan Antarmuka perangkat lunak
Pada bagian ini dijelaskan secara rinci semua masukan dan keluaran dari sistem
perangkat lunak.
1. Antarmuka Pengguna
Pengguna berinteraksi dengan aplikasi ini dengan menggunakan kakas sebagai
berikut :
Keyboard, digunakan oleh pengguna untuk memasukkan data maupun perintah ke
dalam aplikasi ini.
Mouse, digunakan untuk melakukan perintah terhadap aplikasi secara modus
Graphical User Interface (GUI).
Monitor, digunakan oleh pengguna untuk melihat antarmuka dan melihat report yang
merupakan output dari aplikasi ini.
2. Antarmuka Perangkat Keras
Antarmuka perangkat keras yang digunakan adalah Personal Computer dengan processor
single core dengan kecepatan diatas 2.00 Ghz, RAM 1 GB atau lebih dengan vga 256 bit.
3. Antarmuka Perangkat Lunak
Antarmuka perangkat lunak yang digunakan adalah antarmuka dengan sistem operasi
Windows XP/Vista/Seven dengan .Net Framework. Sedangkan perangkat lunak
pendukung, seperti :
1. Perangkat lunak pengolah kata
o Microsoft Office Word 2007
2. Perangkat lunak pengolah project
o Visual Studio 2008
3. DBMS
o SQL Server 2005
4. Script Editor
o Notepad ++
5. Framework
o Net Framework
4. Antarmuka Komunikasi
Antarmuka komunikasi diperlukan bila bukan database lokal, melainkan harus
meremote dari komputer lain, maka yang diperlukan untuk perangkat ini adalah suatu
protokol jaringan yang mampu dikenali oleh sistem operasi Windows. Untuk itu
diperlukan protokol komunikasi TCP/IP untuk melakukan akses satu komputer dengan
komputer lain.
III. 4. Rancangan Tampilan
Dalam Aplikasi Data Mining ini terdapat dua buah form. Form pertama
merupakanhalaman awal yang berisi perintah pengambilan data pemilihan atribut data
induk mahasiswa, input threshold, perintah proses mining dan tombol keluar aplikasi.
Form kedua merupakan halaman report data mining yang berisi hasil proses data mining
yaitu tabel nilai support dan confidence.
Perintah-perintah dalam form pertama berupa tombol ambil data untuk
melakukan proses pengambilan data, inputan teks threshold untuk memasukkan nilai
threshold, inputan combo box untuk memilih jurusan, inputan combo box untuk memilih
atribut yang akan diproses mining, tombol proses untuk perintah proses mining dan
tombol keluar untuk perintah keluar aplikasi. Selain tombol tersebut terdapat tabel data
hasil dari perintah yang diberikan. Desain tampilan form awal dari Aplikasi Data Mining:
Hasil keluaran dari proses data mining disajikan dalam form report Aplikasi Data
Mining. Form ini terdiri dari dua informasi utama, yaitu informasi atribut dengan
confidence tertinggi masing-masing kategori kelulusan dan tabel yang berisi nilai
confidence dan support masing-masing kombinasi tingkat kelulusan dan Atribut. Selain
itu terdapat dua tombol perintah yaitu tombol kembali ke menu utama dan tombol untuk
keluar aplikasi. Desain tampilan form report Aplikasi Data Mining seperti pada gambar
diata
DAFTAR PUSTAKA
1. Davies, 2004, Database Systems Third Edition, Palgrave Macmillan, New York.
2. Han, J. and Santoso, M, 2006, Data Mining Concepts and Techniques Second Edition.
Morgan Kauffman, San Francisco.
3. Pramudiono, I. 2007. Pengantar Data Mining : Menambang Permata Pengetahuan di
Gunung Data. http://www.ilmukomputer.org/wp-content/uploads/2006/08/iko-
datamining.zip Diakses pada tanggal 15 Maret 2009 jam 08.54
4. Pramudiono, I., 2007,
AlgoritmaApriori,http://datamining.japati.net/cgi-bin/indodm.cgi?bacaarsip&1172210143
Diakses pada tanggal 25 April 2009 jam 10.00
5. Rainardi, Vincent, 2008, Building a Data Warehouse with Examples in SQL
Server”,2006.Springer, New York.
6. Santosa, Budi, 2007, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis,
Graha Ilmu, Yogyakarta.
7. Witten, I. H and Frank, E. 2005. Data Mining : Practical Machine Learning Tools and
Techniques Second Edition. Morgan Kauffman : San Francisco.