Memprediksi Bidang Minat

Mahasiswa Menggunakan
Principal Component Analysis dan
Artificial Neural Network
Agus Budi Raharjo
5112201905

Pendahuluan
Pemilihan bidang minat pada suatu jurusan di perguruan tinggi
mempengaruhi potensi mahasiswa setelah lulus. Pemilihan bidang minat oleh
mahasiswa tidak hanya dipengaruhi latar belakang akademis yang diminati
mahasiswa, namun juga ada beberapa aspek lain di luar potensi, seperti aspek
operasional kegiatan belajar mengajar, lingkungan teman-teman sekitar, peluang
kelulusan tercepat, maupun peluang pekerjaan setelah lulus. Jika aspek-aspek di
luar minat dan akademis mahasiswa lebih berpengaruh dominan, maka hal
tersebut dapat mempengaruhi kualitas lulusan jurusan tersebut. Jika mahasiswa
tidak berminat pada bidang yang saat ini dipelajari namun tidak bersedia pindah
karena alasan tertentu, maka hal ini akan berdampak negatif pada kemampuan
mahasiswa. Selain itu, jumlah mahasiswa yang mengambil bidang minat tertentu
akan mempengaruhi jumlah kelas yang harus dipersiapkan, jadwal mata kuliah,
dan tenaga pendidik. Oleh karena itu, diperlukan pendekatan penggalian data
untuk menghasilkan pengetahuan dalam memilih bidang minat. Hasil penelitian
ini diharapkan dapat digunakan untuk memprediksi proses pembelajaran
semester selanjutnya dan mampu memberi saran kepada mahasiswa untuk
memilih bidang minat.

Rumusan Masalah
Bagaimana menentukan kriteria mahasiswa
yang akan dijadikan data latih model prediksi
pemilihan bidang minat menggunakan PCAANN.
Bagaimana memodelkan data latih untuk
menghasilkan prediksi pemilihan bidang minat
dengan menggunakan PCA-ANN.

Batasan Masalah
Data latih yang digunakan adalah data sekunder
mahasiswa Teknik Informatika ITS yang sedang
atau telah mengambil mata kuliah Tugas Akhir.
Data uji yang digunakan adalah data mahasiswa
Teknik Informatika ITS yang belum mengambil
mata kuliah Tugas Akhir.
Atribut yang diuji adalah mata kuliah dengan
subatribut pendidik dan nilai mata kuliah tersebut

Tujuan & Manfaat

Tujuan penelitian ini adalah melakukan analisis
data akademik mahasiswa sehingga dapat
dijadikan data latih sistem rekomendasi prediksi
pemilihan bidang minat.

Sedangkan manfaat penelitian ini adalah dapat

memberikan saran terhadap bidang minat yang
akan diambil mahasiswa dan membantu staf
akademik untuk mempersiapkan proses
pembelajaran yang efisien dan efektif

Pengumpulan Data
Dataset:
Dataset diambil dari mahasiswa Teknik
Informatika yang sudah/sedang mengajukan judul
Tugas Akhir di angkatan angkatan 2008 dan 2009
Sumber data:
Data nilai & pendidik : akademik.its.ac.id
Data bidang minat : monta.if.its.ac.id

Praproses Data
Pembersihan data
Pembersihan data dilakukan dengan membuang mata
kuliah umum yang tidak terkait dengan pemilihan
bidang minat. Serta pada tahap ini juga dilakukan
ekivalensi perubahan data kurikulum mata kuliah
Penyaringan data
Penyaringan data bertujuan untuk memilih atribut
yang sesuai.
Normalisasi data
Nilai pada setiap atribut dinormalisasi dengan rentang
0 sampai 1.

Alur Penelitian

Pengembangan lebih lanjut (1)

Ada faktor lain yang diperkirakan cukup mempengaruhi
pengambilan bidang minat oleh mahasiswa. Mahasiswa sering
melakukan aktivitas bersama dengan teman-teman dekatnya,
termasuk dalam kegiatan akademik. Kecenderungan pemilihan
bidang minat bisa dipengaruhi dari keputusan yang diambil oleh
teman-teman terdekatnya dalam mengambil bidang minat.

Faktor-faktor yang bisa menjadi dataset dalam hal ini di

antaranya:
Keputusan bidang minat teman dekat
Data teman-teman dekat. Untuk dapat mendefinisikan teman-teman
dekat dalam basis data akademik, data bisa diambil dari frekuensi
kebersamaan mahasiswa dalam mengambil mata kuliah tambahan.

Algoritma yang diperlukan dalam kasus ini lebih diarahkan pada

clustering, dengan objek pengelompokan adalah mahasiswa.

Pengembangan lebih lanjut (2)

Penelitian ini dapat dikembangkan lebih lanjut
untuk memprediksi minat siswa SMA/
sederajat terhadap jurusan di perguruan tinggi
berdasarkan aspek-aspek yang berpengaruh
selama pembelajaran.

Coverage Paper
Beheshti, B., Desmarais, M.C., and Naceur, R. 2012.
Methods to nd the number of latent skills. Procceeding
of the 5th International Conference on Educational Data
Mining, pp. 81-86.
He, F., Ma, C. 2010. Modeling greenhouse air humidity
by means of artificial neural network and principal
component analysis. Computer and Electronics in
Agriculture volume 71, pp. S19-S23.
Leu, S., Chen, C., and Chang, S. 2001. Data mining for
tunnel support stability: neural network approach.
Automation in Construction, volume 10, issue 4, pp.
429-441.