i

PENGAMBILAN POLA KELULUSAN TEPAT WAKTU PADA

MAHASISWA STMIK AMIKOM YOGYAKARTA

MENGGUNAKAN DATA MINING

ALGORITMA C4.5

Naskah Publikasi

diajukan oleh

Muchamad Piko Henry Widiarto

04.22.0400

kepada

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

AMIKOM

YOGYAKARTA

2011

ii

iii

PATTERN MAKING ON-TIME GRADUATION ON THE

STUDENT STMIK AMIKOM YOGYAKARTA

USING C4.5 ALGORITM DATA MINING

PENGAMBILAN POLA KELULUSAN TEPAT WAKTU PADA

MAHASISWA STMIK AMIKOM YOGYAKARTA

MENGGUNAKAN DATA MINING

ALGORITMA C4.5

Muchamad Piko Henry Widiarto

Jurusan Sistem Informasi

STMIK AMIKOM YOGYAKARTA

ABSTACT

Progress of sophisticated computer applications have helped performance of big

companies which requires an application that need an application that can perform

calculation of big amounts of data. Data mining is a process of discovering meaningful

connections, patterns, and trends by examining the large collection of data stored in

storage by using pattern recognition techniques such as statistics and mathematics.

Therefore, data mining is indispensable in helping make decisions with the results of data

using one algorithm is applicable.

Purpose of the implementation of the "data mining" of C4.5 algorithm on STMIK

AMIKOM Yogyakarta is help a manager of data management systems of student

graduation improving the quality of education. Due to the frequent occurrence of buildup

of students which not graduate on time according to education level in each period of

graduation.

Therefore, implementation of data mining will help classify the student data which

will then be calculated using the C4.5 algoritm and the patterns are accurate decisions.

Keywords: Data mining, C4.5 Algoritm, Computer System

1

1. Latar Belakang Masalah

STMIK AMIKOM Yogyakarta merupakan salah satu perguruan tinggi yang

sukses menarik banyak mahasiswa disetiap periodenya. Namun ada beberapa hal yang

tidak seimbang antara masuk dan keluarnya mahasiswa yang telah menyelesaikan

studinya. Mahasiswa yang masuk dalam jumlah besar, tetapi mahasiswa yang lulus tepat

waktu sesuai dengan ketentuan jauh sangat kecil dibandingkan masuknya. Sehingga

terjadi penumpukan mahasiswa dalam jumlah tinggi disetiap periode kelulusan.

Oleh karena itu untuk meningkatkan kualitas pada perguruan tinggi STMIK

AMIKOM Yogyakarta, maka haruslah ada filter pada mahasiswa yang mendaftar untuk

masuk. Data mining merupakan salah satu metode yang tepat untuk membentuk pola-

pola yang mungkin memberikan indikasi yang bermanfaat pada data mahasiswa yang

dalam jumlah besar. Pada data mining ini dapat dirumuskan sebuah permasalahan yang

dijadikan sebagai acuan yaitu proses Algoritma C4.5 menentukan mahasiswa yang akan

lulus tepat waktu sesuai dengan ketentuan jenjang pendidikan yang diambil.

2. Landasan Teori

2.1. Data mining

Menurut Gartner Group, data mining adalah suatu proses menemukan hubungan

yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data

yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola

seperti teknik statistik dan matematika (Larose, 2005). Data mining bukanlah suatu

bidang yang sama sekali baru. Salah satu kesulitan untuk mendefinisikan data mining

adalah kenyataan bahwa data mining mewarisi banyak aspek dan teknik dari bidang-

bidang ilmu yang sudah mapan terlebih dulu. Berawal dari beberapa disiplin ilmu, data

mining bertujuan untuk memperbaiki teknik tradisional sehingga bisa menangani:

1. Jumlah data yang sangat besar

2. Dimensi data yang tinggi

3. Data yang heterogen dan berbeda bersifat

2.2. Teknik Data Mining

2.2.1 Klasifikasi

Teknik Klasifikasi dalam data mining dikelompokkan ke dalam Teknik Pohon

Keputusan, Bayesian (Naïve Bayesian dan Bayesian Belief Networks), Jaringan Saraf

Tiruan (Backpropagation), Teknik yang berbasis konsep dari penambangan aturan-

aturan asosiasi, dan teknik lain (k-Nearest Neighboor, algoritma genetik, teknik dengan

pendekatan himpunan rough dan fuzzy.)

2

Setiap teknik memiliki kelebihan dan kekurangannya sendiri. Data dengan profil

tertentu mungkin paling optimal jika diklasifikasi dengan teknik tertentu, atau dengan kata

lain, profil data tertentu dapat mendukung termanfaatkannya kelebihan dari teknik ini.

Gambar 2.2 Pengelompokan Teknik Klasifikasi

Secara umum, Proses Klasifikasi dapat dilakukan dalam dua tahap, yaitu proses

belajar dari data pelatihan dan klasifikasi kasus. Pada proses belajar, Algoritma

Klasifikasi mengolah data training untuk menghasilkan sebuah model. Setelah model diuji

dan dapat diterima, pada tahap klasifikasi, model tersebut digunakan untuk memprediksi

kelas dari kasus baru untuk membantu proses pengambilan keputusan (Han et al.,2001;

Quinlan, 1993).

2.3 Pohon Keputusan

Pohon Keputusan atau Decision Tree merupakan metode klasifikasi dan prediksi

yang sangat kuat dan terkenal. Metode Pohon Keputusan mengubah fakta yang sangat

besar menjadi Pohon Keputusan yang merepresentasikan aturan. Aturan dapat dengan

mudah dipahami dengan bahasa alami. Dan mereka juga dapat diekspresikan dalam

bentuk bahasa database seperti SQL untuk mencari record pada kategori tertentu.

Pohon Keputusan adalah sebuah struktur pohon dimana setiap node pohon

merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian

hasil uji, dan node daun merepresentasikan kelompok kelas tertentu. Level node teratas

dari sebuah Pohon Keputusan adalah node akar yang biasanya berupa atribut yang

paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada umumnya Decision

Tree melakukan strategi pencarian secara top-down untuk solusinya.

2.4 Algoritma C4.5

Secara umum algoritma C4.5 untuk membangun pohon keputusan adalah sebagai

berikut.

1. Pilih atribut sebagai node akar.

2. Buat cabang untuk tiap-tiap nilai.

3. Bagi kasus dalam cabang.

3

4. Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki

kelas yang sama.

Untuk memilih atribut sebagai node akar, didasarkan pada nilai Gain tertinggi dari

atribut-atribut yang ada. Untuk menghitung Gain digunakan rumus seperti tertera dalam

persamaan berikut: Gain(S,A) = Entropy(S) – ∑| |

| |

* Entropy(Si)

Keterangan :

S : himpunan kasus

A : atribut

n : jumlah partisi atribut A

| | : jumlah kasus pada partisi ke-i

| | : jumlah kasus dalam S

Sebelum mendapatkan nilai Gain adalah mencari nilai Entropy. Entropy

digunakan untuk menentukan seberapa informatif sebuah masukan atribut untuk

menghasilkan keluaran atribut. Rumus dasar dari Entropy tersebut adalah sebagai

berikut : Entropy(S) = ∑

Keterangan :

S : himpunan Kasus

A : fitur

n : jumlah partisi S

pi : proporsi dari Si terhadap S

2.5 Java

Java telah mengakomodasi hampir seluruh fitur penting bahasa – bahasa

pemrograman yang ada semenjak perkembangan komputasi modern manusia. Sebagai

sebuah bahasa pemrograman, Java dapat membuat seluruh bentuk aplikasi, desktop,

web dan lainnya, sebagaimana dibuat dengan menggunakan bahasa pemrograman

konvensional yang lain. Java adalah bahasa pemrograman yang berorientasi obyek

(OOP) dan dapat dijalankan pada berbagai platform sistem operasi. Perkembangan Java

tidak hanya terfokus oada satu sistem operasi, tetapi dikembangkan untuk berbagai

sistem operasi dan bersifat open source. Sebagai sebuah peralatan pembangun,

teknologi Java menyediakan banyak tool: compiler, interpreter, penyusun dokumentasi,

paket kelas dan sebagainya.Aplikasi dengan teknologi Java secara umum adalah aplikasi

serba guna yang dapat dijalankan pada seluruh mesin yang memiliki JRE.

Berdasarkan white paper resmi dari SUN, Java memiliki karakteristik:Sederhana

(Simple), Terdistribusi (Distributed), Interpreted, Robust, Secure, Portable, Performance.,

Multithreaded, dan Dynamic.

4

2.6 MySql

MySQL merupakan software yang didistribusikan secara gratis walaupun ada

versi untuk komersial. Barulah sejak versi 3.23.19, MySQL dikategorikan software

berlisensi GPL, yaitu dapat dipakai tanpa biaya untuk kebutuhan apapun. Awalnya,

MySQL hanya dapat berjalan pada sistem operasi UNIX serta variannya. Namun kini,

MySQL dapat diberbagai sistem operasi, termasuk Windows. MySQL menjadi database

server open source yang sangat populer dan merupakan Database Relational (RDMS),

yang mempunyai kemampuan yang sangat cepat untuk menjalankan perintah SQL

dengan multi-thread dan mult-user. Dengan melihat kemampuannya, maka MySQL

dijadikan database server yang handal tambahan feature terus dikembangkan agar lebih

optimal.

3. Analisis dan Perancangan Sistem

3.1 Analisis Sistem

Analisis sistem yang dipaparkan dalam pembahasan ini merupakan gambaran

secara keseluruhan kendala-kendala yang ada dalam aplikasi data mining yang berbasis

algoritma C4.5 pada sistem STMIK AMIKOM Yogyakarta.Dengan adanya sistem yang

masih bersifat manual mengakibatkan proses sistem yang terjadi kurang efektif dan

efisien. Data dari sistem adalah berupa atribut yang dimiliki oleh mahasiswa, nilai atribut,

dan nilai kemungkinannya. Data yang dimaksud adalah data yang mempunyai minimal

dua kolom atribut. Satu kolom sebagai kolom atribut masukan dan satu kolom sebagai

kolom atribut target. Dari setiap kolom terdapat nilai-nilai yang akan dipergunakan untuk

kalkulasi, dan nilai dari setiap atribut harus bersifat diskret.

Ketentuan lain yang harus dipenuhi agar masukan dapat diproses dengan lancar

adalah peletakan kolom target harus berada pada posisi terakhir dari kolom pada tabel

masukan. Sistem akan membaca masukan dengan atribut target berada pada kolom

terakhir dari tabel, maka dari itu selain kolom terakhir sistem akan mengenalinya sebagai

atribut masukan dari sistem.Beberapa komponen variable yang digunakan yaitu :

1 NEM. Variabel nem berisi seluruh kemungkinan nem yang dimiliki oleh

mahasiswa untuk diisi pada proses input program. Nilai yang sudah ditentukan

pada program ini antara lain 0-3.99, 4-6.99, 7-10.

2 Jurusan SMA. Variabel Jurusan SMA berisi seluruh kemungkinan jurusan yang

diambil oleh mahasiswa sebelum masuk perguruan tinggi. Nilai yang sudah

ditentukan pada program berdasarkan hasil pengelompokan survei antara lain

ipa, ips, bahasa, smk.

3 Jurusan Kuliah. Variabel jurusan kuliah beriisi seluruh kemungkinan jurusan

yang akan diambil oleh mahasiswa pada perguruan tinggi STMIK AMIKOM

Yogyakarta. Pengelompokan jurusan kuliah dibagi menjadi 4 berdasarkan

5

ketentuan perguruan tinggi yaitu S1 Teknik Informatika, S1 Sistem Informasi, D3

Teknik Informatika, D3 Manajemen Informatika.

4 Konsentrasi. Variabel konsentrasi berisi data konsentrasi mata kuliah yang akan

dipilih mahasiswa pada saat pertengahan kuliah. Pengelompokan yang ada

berdasarkan ketentuan yang dibuat program adalah jaringan, pemrograman,

multimedia.

5 Ekonomi. Variabel ekonomi adalah variabel yang berisi tentang keadaan

ekonomi mahasiswa.Pilihan yang terdapat pada program ini antara lain

dibedakan menjadi tiga bagian yaitu atas, menengah, dan bawah.

6 Keputusan. Variabel keputusan merupakan data yang berfungsi untuk

menentukan hasil keputusan. Dalam pengelompokan data sudah ditentukan

secara tetap agar tidak terjadi kesalahan dalam perhitungan proses program.

Data keputusan hanya memiliki dua buah nilai yaitu “ya” dan “tidak”.

3.1.1 Analisis Model

Berikut ini adalah penjelasan lebih terperinci mengenai tiap-tiap langkah dalam

pembentukan pohon keputusan dengan menggunakan algoritma C4.5 untuk

menyelesaikan permasalahan dalam tugas akhir ini.Salah satu proses kalkulasi dari

entropy adalah proses kalkulasi nilai entropy TOTAL yaitu dengan jumlah sampel 36

data.

Table 3.1 Tabel Data Informasi

NEM Jur. SMA Jur. Kul. Konsent. Ekonom. Keputusan

0-3.99=7 ipa=17 S1TI=13 Jaringan=21 Atas=9 Ya=21

4-6.99=16 ips=7 S1SI=6 Pemrograman=8 Menengah=18 Tidak=15

7-10=13 bahasa=11 D3TI=3 Multimedia=7 Bawah=9

smk=1 D3MI=14

Table 1

Gain(S,A) = Entropy(S) – ∑| |

| |

* Entropy(Si)

Keterangan :

S : himpunan kasus

A : atribut

n : jumlah partisi atribut A

Si : jumlah kasus pada partisi ke-i

S : jumlah kasus dalam S

Entropy(S) = ∑ pi

Keterangan :

S : himpunan Kasus

A : fitur

n : jumlah partisi S

pi : proporsi dari Si terhadap S

6

Dengan menggunakan rumus Algoritma C4.5 maka hasil yang didapat adalah

seperti yang tertera pada tabel di bawah ini :

Table 3.3 Tabel Data Hasil Kalkulasi

node s ya tidak entropy gain

1 total 36 21 15 0,979869

nem 0,051577

0 - 3.99 7 3 4 0,985228

4 - 6.99 16 10 3 0,876614

7 - 10 13 8 5 0,961237

jur Sma 0,104827

ipa 17 8 9 0,997503

ips 7 6 1 0,591673

bahasa 11 7 4 0,94566

smk 1 0 1 0

jur kul 0,082227

S1 TI 13 5 8 0,961237

S1 SI 6 5 1 0,650022

D3 TI 3 2 1 0,918296

D3 MI 14 9 5 0,940286

konsentrasi 0,040695

jaringan 21 13 8 0,958712

pemrograman 8 3 5 0,954434

multimedia 7 5 2 0,863121

ekonomi 0,077204

atas 9 7 2 0,764205

menengah 18 11 7 0,964079

bawah 9 3 6 0,918296

1,1 jur Sma = smk 1 0 1 0

Dari tabel hasil kalkulasi di atas dapat kita lihat hasil entropy dan gain yang

diperoleh oleh masing-masing atribut. Dan dapat dilihat juga hasil pohon keputusan

berdasarkan kolom node yang dihasilkan. Pada node pertama dihasilkan variabel

Jurusan SMA sebagai pohon pertama. Pohon pertama ditentukan dari melihat hasil gain

terbesar.

Setelah itu untuk menentukan hasil keputusan akhir dapat dilihat dari hasil

entropy yang hasilnya nol. Apabila telah di dapat hasil entropy nol maka selanjutnya kita

lihat hasil variabel keputusan yang paling banyak nilainya. Dari yang terbanyak nilainya

maka akan menjadi hasil penentu keputusan akhir atau bisa dipastikan untuk hasil

keputusannya adalah tidak.

Gambar 3.1 Bukti hasil pohon keputusan dari program.

7

Gambar pohon keputusan di atas menunjukkan hasil dari perhitungan diatas

dengan hasil dari program yang telah dibuat terbentuklah sebuah pola. Dimulai dari

pohon pertama yaitu jurusan sma, selanjutnya jurusan sma yang bernilai smk langsung

menuju pola dengan keputusan tidak,selanjutnya masing-masing variabel tersebut

mempunyai pola keputusannya masing-masing.

3.2 Perancangan Sistem

3.2.1 Perancangan Alur Sistem

Dalam aplikasi ini, rancangan alur program dituangkan kedalam alur program

(Flowchart) terlebih dahulu. Alur program dalam sistem data mining ini adalah sebagai

berikut :

Gambar 3.2 Flowchart Sistem

3.2.2 Perancangan Use Case Diagram

Use Case diagram adalah suatu bentuk diagram yang menggambarkan

fungsionalitas yang diharapkan dari sebuah sistem dilihat dari perspektif pengguna diluar

sistem.

Gambar 3.3 Use Case Diagram

8

Dari gambar diatas terlihat bahwa ada satu actor yaitu user.User di atas hanya

ada satu yaitu yang berfungsi sebagai admin. User tersebut dapat melakukan aktifitas

memasukkan data, mengubah data, melihat pohon keputusan, menghapus data menguji

atribut identitas, tambah data, hapus data, edit data, dan melihat pohon keputusan.

3.2.3 Perancangan Activity Diagram

Activity Diagram merupakan suatu diagram yang dapat menampilkan secara

detail urutan proses dari aplikasi. Perancangan aplikasi data mining ini dapat

digambarkan dengan menggunakan Activity Diagram sebagai berikut :

Gambar 3.4 Activity Diagram

Dari gambar Activity Diagram diatas dapat dilihat bahwa aplikasi data mining

STMIK AMIKOM Yogyakarta memiliki empat komponen yaitu Proses Pembentukan Pola,

Visualisasi Pohon Keputusan, Pola Keputusan, dan Identitas Mahasiswa.

Saat pertama kali membuka aplikasi, maka user akan langsung masuk ke

halaman utama. Di halaman utama ini, user dapat memilih operasi yang diinginkan.

Dengan memilih operasi proses data, user dapat melakukan penambahan data

keputusan dengan memasukkan nilai-nilai atribut dan nilai kemungkinannya. Dari data

yang telah diinputkan tersebut, kemudian user dapat melakukan pembentukan pohon

keputusan dengan menekan button proses.

Proses kedua dalam aplikasi ini yaitu pohon keputusan. Saat tampil halaman

pohon keputusan, maka user harus menekan button tampilkan untuk memicu

terbentuknya pohon keputusan.

Proses selanjutnya adalah pola keputusan. Pada halaman pola keputusan ini,

user diminta untuk menginputkan atribut-atribut yang dimiliki oleh seorang mahasiswa

untuk dicocokkan dengan pohon keputusan yang telah terbentuk.

9

4. Implementasi dan Pembahasan

4.1 Implementasi Sistem

Implementasi sistem bertujuan untuk memastikan bahwa sistem yang dibangun

dapat bekerja dengan baik dan sesuai yang diharapkan. Sebelum sistem

diimplementasikan dalam kehidupan sehari-hari maka sistem harus dipastikan telah

bebas dari kesalahan. Kesalahan-kesalahan yang mungkin terjadi yaitu penulisan

bahasa, kesalahan tampilan, dan kesalahan proses pada saat dioperasikan. Untuk dapat

mengetahui kesalahan-kesalahan pada sistem yang dibangun maka harus dilakukan

pengujian terhadap sistem tersebut.

4.2 Implementasi Interface

4.2.1 Halaman Utama

Form Halaman Utama adalah halaman yang pertama kali muncul setelah aplikasi

dijalankan.

Gambar 4.1 Halaman Utama

4.2.2 Halaman Proses Pembentukan Pola

Halaman form Proses Pembentukan Pola akan muncul setelah memilih menu

Proses Data. Halaman ini berfungsi untuk melakukan konversi data yang dipilih untuk

membentuk pohon keputusan.

10

Gambar 4.2 Halaman Proses Pembentukan Pola

Pada halaman ini terdapat dua bagian tombol yaitu bagian tombol atas yang

terdiri dari Baru, Ubah, Simpan, Batal, dan Hapus berfungsi untuk mengolah data rule

pada tabel dan yang kedua adalah bagian tombol bawah yang terdiri dari tombol Proses

yang berguna untuk melakukan proses perhitungan menggunakan algoritma C4.5.

Halaman ini membutuhkan beberapa class script program untuk melakukan proses

tesebut. Diantara class itu adalah class fungsi yang berfungsi melakukan perhitungan

dengan menggunakan algoritma C4.5.

4.2.3 Halaman Visualisasi Keputusan

Halaman ini berisi visualisasi pohon keputusan yang dihasilkan dari pengolahan

tabel pada proses pembentukan pola keputusan yang dibuat.

Gambar 4.3 Halaman Visualisasi Keputusan

11

4.2.4 Halaman Identitas Mahasiswa

Pada form ini berfungsi untuk melakukan penambahan dan perubahan data

identitas mahasiswa yang selanjutnya data ini akan berguna untuk diseleksi yang akan

lulus tepat waktu dengan pola keputusan sebagai standar penilainnya. Data Identitas

Mahasiswa ini akan tersimpan pada tabel Mahasiswa.

Gambar 4.4 Halaman Identitas Mahasiswa

4.2.5 Halaman Pola Keputusan

Form ini berfungsi untuk menentukan proses keputusan mahasiswa yang

diprediksi lulus tepat waktu dan yang tidak. Data Mahasiswa diambil dari tabel

Mahasiswa melalui form Tabel Identitas Mahasiswa dengan menekan tombol Cari.

Gambar 4.5 Halaman Pola Keputusan

4.2.6 Form Tabel Identitas Mahasiswa

Form ini muncul setelah menekan tombol Cari pada Halaman Pola Keputusan.

Pada form ini berfungsi untuk mengambil data identitas mahasiwa untuk diperiksa

dengan pola keputusan yang telah terbentuk.

12

Gambar 4.6 Form Tabel Identitas Mahasiswa

4.2.7 Form Konten Bantuan

Form ini berisi mengenai cara penggunaan aplikasi data mining ini.

Gambar 4.7 Halaman Konten Bantuan

13

4.2.8 Halaman Tentang

Halaman ini berisi informasi pembuat.

Gambar 4.8 Halaman Tentang

5. Penutup

5.1 Kesimpulan

Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan dapat

diambil beberapa kesimpulan, antara lain:

1. Data mining dapat digunakan untuk membantu manajemen STMIK AMIKOM

Yogyakarta dalam menentukan keputusan kelulusan mahasiswa tepat pada

waktunya sesuai pola yang terbentuk.

2. Hasil penelitian ini sebagai gambaran bagi mahasiswa STMIK AMIKOM

Yogyakarta implementasi teknik data mining di lapangan.

3. Perancangan pohon keputusan memudahkan dalam proses penalaran

penentuan pola keputusan yang terbentuk.

4. Sistem ini telah memberi kemudahan bagi user untuk menentukan hasil

keputusan yang mudah dimengerti dalam bentuk visualisasi pohon keputusan.

5. Data yang bisa diambil hanya file yang berekstensi *.csv (Comma Delimited).

6. Dalam data mining ada data eksternal pendukung. Di dalam penelitian ini ada

beberapa variabel data atau beberapa field tabel ditambahkan ke dalamnya

seperti status ekonomi, konsentrasi secara spesifik.

14

5.2 Saran

Mengingat keterbatasan yang dimiliki oleh penulis, baik pengetahuan, waktu,

maupun pemikiran, maka penulis dapat memberikan beberapa gambaran sebagai saran

yang dapat dipakai sebagai acuan dalam pengembangan aplikasi ini di masa yang akan

datang, antara lain:

1. Dengan hasil kesimpulan point terakhir, memberikan saran kepada STMIK

AMIKOM Yogyakarta agar menambah variabel pada form pengisian calon

mahasiswa baru berupa range status ekonomi keluarga atau orangtua dan

konsentrasi yang ingin diambil.

2. Untuk membuat hasil pola data mining ini bisa optimal dan real di lapangan

seperti apa yang ada dalam penelitian ini, hendaknya STMIK AMIKOM

Yogyakarta membuat kategori Tugas Akhir atau Skripsi yang akan atau telah

dikerjakan untuk mendukung variabel konsentrasi yang akan diambil.

3. Menyempurnakan segala kekurangan program yang belum diketahui oleh

penulis. Seperti hal menambah variabel-variabel data dari segi sosial dan

psikologi mahasiswa yang analisanya dapat dilakukan pada jenjang magister

maupun doktoral.

4. Memberikan sistem yang baik dalam pembentukan pola keputusan basisdata

yang ada.

15

DAFTAR PUSTAKA

Anonim, 2009. Bab 10 Data mining, diakses dari pada tanggal 3 Maret 2010.

Basuki,A dan Syarif,I , 2003. Decision Tree, diakses dari http://www2.eepis-

its.edu/~basuki/lecture/DecisionTree.pdf, pada 3 Maret 2010.

Firmansyah, K, 2010. Sekilas Data mining, diakses dari

http://kikifirmansyah.blog.upi.edu/2010/02/27/sekilas-data-mining/#more-191,

pada tanggal 15 Maret 2010.

http://repository.usu.ac.id/bitstream/123456789/19859/3/Chapter%20II.pdf

Kusrini, Luthfi,E.T, 2009. Algoritma Data mining. Yogyakarta: Andi.

Larose,D.T, 2005. DiscoveringKnowledge in Data: An Introduction to Data mining. John

Willey & Sons, Inc.

Said,F.L, 2009. BAB I Konsep,Pengertian, Manfaat, dan Tujuan Data mining, diakses

dari http://fairuzelsaid.wordpress.com/2009/10/27/data-mining-1-konsep-

pengertian-manfaat-dan-tujuan-data-mining/, pada tanggal 12 Maret 2010.

Said,F.L, 2009. Data mining – Konsep Pohon Keputusan, diakses dari

http://fairuzelsaid.wordpress.com/2009/11/24/data-mining-konsep-pohon-

keputusan/, pada tanggal 12 Maret 2010.

Shaufiah, 2010. Pengenalan Data mining, diakses dari

http://imeldas.blog.ittelkom.ac.id/blog/files/2010/03/Dami1_Introduction.pdf,

pada 5 Maret 2010.

Turban,E, dkk. 2005. Decicion Support Systems and Intelligent Systems. Yogyakarta:

Andi Offset.

16