Anda di halaman 1dari 22

APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA (Studi Kasus di Fakultas MIPA Universitas Diponegoro)

Disusun Oleh :

Nama Npm Kelas

: Elviana Simanjuntak : 09050196 : P7

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.

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 daerahdaerah 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 Kumulatif 2,00 2,75 2,76 3,50 3,51 4,00 Memuaskan Sangat Dengan (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 memuaskan pujian Prestasi Predikat

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 A1 Keterangan 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 masingmasing item dalam Kategori Hitung masing-masing item dalam proses masuk IF jumlah masingmasing 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. 2.

Davies, 2004, Database Systems Third Edition, Palgrave Macmillan, New York. 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.