PENEMUAN POLA PENERIMAAN DAN KELULUSAN MAHASISWA S1 FAKULTAS

EKONOMI DAN BISNIS UNIVERSITAS BRAWIJAYA DENGAN MENGGUNAKAN

ALGORITMA FP-GROWTH
Meidi Dian Laksana Putra1), Dian Eka Ratnawati2), Marji2)
1) Mahasiswa, 2) Dosen Pembimbing
Program Studi Teknik Informatika/Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer
Universitas Brawijaya, Jalan Veteran No 8 Malang 65145, Jawa Timur, Indonesia
email : meid.it@gmail.com
ABSTRAK
Universitas Brawijaya menggunakan database sebagai media penyimpanan data-data
mahasiswanya yang sangat banyak. Salah satu fakultas yang memiliki jumlah mahasiswa yang besar
adalah Fakultas Ekonomi dan Bisnis (FEB). Besarnya jumlah mahasiswa ini karena daya tampung
untuk penerimaan mahasiswa baru setiap tahunnya semakin besar. Dengan besarnya data yang ada,
diperlukan penggunaan data mining untuk pendekatan mengolah, menggali dan menemukan informasi
yang tersembunyi pada gudang data tersebut. Dengan didukung penggunaan algoritna FP-Growth
(Frequent Pattern Growth) untuk mendapatkan pola penerimaan dan kelulusan. Dalam penelitian ini
digunakan data induk mahasiswa FEB untuk mendapatkan pola penerimaan dan kelulusan dari
mahasiswa. Asal daerah (Propinsi) merupakan salah satu atribut yang bisa dipakai untuk mendapatkan
aspek penunjang dalam penerimaan. Dengan atribut-atribut yang ada diharapkan akan ditemukan tren
penerimaan dan kelulusan dengan mencari pola dari penerimaan dan kelulusan.Tren yang ada pada
proses penerimaan bisa menjadi dasar pengembangan pasar untuk penyaringan dan promosi ke
daerah-daerah yang yangmemiliki tren baik pada FEB, sedangkan untuk tren yang didapat pada
kelulusan dapat digunakan sebagai dasar pengembangan jumlah kuota untuk setiap jalur masuk sesuai
dengan tren kelulusan yang ada. Dalam penelitian ini dihasilkan bahwa pada pola penerimaan didapat
pola yang selalu muncul adalah S9P1 yang mempunyai nilai support 33,1, confidence 81,7 dan lift ratio
1,078. Sedangkan, pada pola kelulusan didapat pola yang selalu muncul adalah K2B1 yang
mempunyai nilai support 42,92, confidence 80,05 dan lift ratio 1,139.
Kata kunci : aturan asosiasi, Penggalian pola , FP-Growth
Brawijaya University use database as media storage to save the data of its many students. One of the
faculty who has many students is Economics and Business of Faculty (FEB). The big number of the students in
this faculty is because the capacity for new students getting bigger for each year. Because of this may data, FEB
need the use of data minings method to process, explode and find the hidden information in the data warehouse.
The use of FP-Growths algorithm (Frequent Pattern Growth) is to get enrollments pattern and graduations
pattern. This research use students data of FEB to get enrollments pattern and graduations pattern the student.
Region where student come (province) is one of the attribute that can use to get supports aspect in enrollment of
the students. This attributes is expected to find the enrollments and graduations trend by look the pattern of
enrollment and graduation. The trends of enrollment can be a basic of the market development for filter and
promote FEB to regions where has a positive trend of FEB and the trends of graduation can be a basic of the quota
development for every registrations program. This research result the enrollments pattern which appear
frequently is S9P1 that has supports value 33,1, confidence 81,7 and lift ratio 1,078 and graduations pattern
which appear frequently is K2B1 that has supports value 42,92, confidence 80,05 and lift ratio 1,139.
Keyword :Data Mining, Association Rule, FP-Growth
1. PENDAHULUAN
Universitas Brawijaya menggunakan database
sebagai
media
penyimpanan
data-data
mahasiswanya yang sangat banyak. Salah satu
fakultas yang memiliki jumlah mahasiswa yang
besar adalah Fakultas Ekonomi dan Bisnis (FEB).
Besarnya jumlah mahasiswa ini karena daya
tampung untuk penerimaan mahasiswa baru
setiap tahunnya semakin besar. Dalam proses
penerimaan, aspek utama adalah nilai dari calon
mahasiswa tersebut, tetapi terdapat aspek-aspek
penunjang dalam menentukan mahasiswa yang
diterima, seperti ketika terdapat lebih dari satu
calon mahasiswa yang memiliki nilai yang sama.
Hal seperti ini akan menyulitkan pihak
penyelenggara
dalam
menentukan
calon
mahasiswa yang diterima masuk apabila tidak
diketahui
aspek-aspek
penunjang
dalam
penerimaan mahasiswa. Salah satu cara untuk
mengetahui aspek penunjang adalah dengan
mengetahui tren yang ada baik dalam proses

penerimaan maupun kelulusan. Dalam database

yang digunakan FEB terdapat banyak atribut
didalamnya. Asal daerah (Propinsi) merupakan
salah satu atribut yang bisa dipakai untuk
mendapatkan
aspek
penunjang
dalam
penerimaan. Dengan atribut-atribut yang ada
diharapkan akan ditemukan tren penerimaan
dengan mencari pola dari penerimaan. Selain pola
penerimaan, pola lain yang ingin digali adalah
pola kelulusan. Atribut-atribut yang ada
diharapkan akan menunjang didapatkannya tren
dari kelulusan FEB.
Diperlukan
pendekatan
atau
metode
pengolahan yang dapat memperbaiki efisiensi
pengolahan dan penggalian data yang besar yang
bisa menemukan dan menampilkan pola
hubungan antar data, sehingga informasi yang
tadinya tidak terlihat dapat ditampilkan dan
menjadi informasi yang lebih berguna. Dalam
penyelesaian penemuan pola atau informasi yang
masih tersembunyi pada suatu gudang data atau

disebut dengan Data Mining (Penggalian Data),

banyak penelitian yang menggunakan algoritma
Apriori, yaitu suatu algoritma yang sudah sangat
terkenal dalam melakukan pencarian frequent
itemset dengan menggunakan teknik association
rules [2]. Akan tetapi dengan semakin besarnya
data yang ada, algoritma ini menjadi kurang
efekttif. Suatu algoritma pengembangan dari
algoritma Apriori menjadi alternatif yang dapat
digunakan. Algoritma itu adalah algoritma FPGrowth. Dengan pengembangan yang ada,
algoritma ini dapat memperbaiki kekurangan
yang ada pada algoritma Apriori yang biasa
digunakan.
Penelitian ini bertujuan untuk mengetahui
pola dari tingkat penerimaan dan kelulusan
Fakultas Ekonomi dan Bisnis Universitas
Brawijaya.
Dengan
penggalian
pola
ini
diharapkan akan diketahui pengaruh dari
minimum support dan minimum confidence terhadap
pola yang dihasilkan.
2. METODE PENELITIAN
2.1 Data Mining
Data mining memiliki beberapa pandangan,
seperti knowledge ataupun pattern recognition.
Kedua istilah tersebut sebenarnya memiliki
ketepatannya masing-masing. Istilah knowledge
discovery atau penemuan pengatahuan tepat
digunakan karena tujuan utama dari data mining
memang untuk mendapatkan pengetahuan yang
masih tersembuyi didalam bongkahan data.
Istilah pattern recognition atau pengenalan pola
pun tepat untuk digunakan karena pengetahuan
yang hendak digali berbentuk pola-pola yang
mungkin juga masih perlu digali dari dalam
bongkahan data yang tengah dihadapi [11].
Data mining merupakan solusi yang mampu
menemukan
kandungan
informasi
yang
tersembunyi berupa pola dan aturan dari
sekumpulan data yang besar [4].
2.2 Association Rule
Aturan asosiasi (association rules) merupakan
teknik data mining untuk menemukan aturan
asosiatif antara kombinasi item. Analisa asosiasi
ini menjadi dikenal banyak kalangan karena
sering dipakai mngeanalisa kerangjang belanja
swalayan (market basket analysis). Analisis asosiasi
dipakai sebagai acuan dalam data mining. Salah
satu tahap dari analisis asosiasi yaitu analisis pola
frekuensi tinggi (frequent pattern mining) menarik
perhatian banyak peneliti unutk menghasilkan
algoritma yang efisien. Penting tidaknya suatu
aturan asosiatif dapat diketahui dengan tiiga
parameter, yaitu support (nilai penunjang) dan
confidence (nilai kepastian), dan nilai Lift (nilai
kekuatan). Support adalah persentase kombinasi
item tersebut dalam database, confidence adalah
kuatnya hubungan antar item dalam aturan
asosiatif.
Metodologi dasar analisis asosiasi terbagi
menjadi dua tahap, yaitu :
a Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang
memenuhi syarat minimum dari nilai support
dalam database. Rumus perhitungan support dari
item dapat dilihat pada persamaan (1) dan (2) .

(1)
(2)
Pembentukan aturan asosiatif
Setelah
semua
pola
frekuensi
tinggi
ditemukan, barulah dicari aturan asosiatif yang
memenuhi syarat minimum untuk confidence
dengan menghitung confidence aturan asosiatif A
B. Nilai confidence dari aturan A B diperoleh
dari rumus pada persamaan (3).
b

(3)
2.3 Algortima FP-Growth
Frequent Pattern Growth (FP-Growth) adalah
algoritma yang mengadopsi devide dan conquer
dalam proses mendapatkan frequent itemset.
Devide
merupakan
tahap
pembagian
permasalahan yang besar menjadi permasalahan
yang lebih kecil. Sedangkan conquer merupakan
tahap pembagian secara terus-menerus sampai
didapatkan bagian maasalah kecil yang lebih
mudah untuk dipecah. Dalam penemuan frequent
itemset, algoritma FP-Growth menggunakan FPTree (Frequent pattern Growth).
FP-Tree terdiri dari root yang diberi nilai null,
subtree sebagai anak dari root, dan tabel frequent
header. Node dalam FP-Tree mempunyai tiga
informasi penting, yang terdiri dari label item,
support
count,
dan
pointer.
Label
item,
menginformasikan jenis item dari node tersebut.
Support count, menginformasikan jumlah lintasan
transaksi yang melalui node tersebut. Pointer,
merupakan penghubung node-node dengan label
item yang sama antar lintasan.
Input : FP-Tree Tree
Output : Rt sekumpulan lengkap pola
frequent
Method : FP-growth (Tree, null)
Procedure : FP-growth (Tree, _)
{
01: if Tree mengandung single path P;
02: then untuk tiap kombinasi (dinotasikan _)
dari node-node dalam path do
03: bangkitkan pola _ _ dengan support dari
node-node dalam _;
04: else untuk tiap a1 dalam header dari Tree
do
{
05: bangkitkan pola
06: bangun _ = a1 _ dengan support = a1.
support
07: if Tree _ = _
08: then panggil FP-growth (Tree, _)
}
}

Gambar 1. Pseudocode FP-Growth

2.4 Lift Ratio
Lift Rasio merupakan ukuran dari tingkat
kekuatan pola yang dihasilkan. Pola yang
mempunyai nilai lift rasio lebih besar dari 1,
menunjukkan bahwa pola tersebut memiliki
kekuatan dalam polanya. Semakin besar nilai lift
rasio suatu pola, semakin besar pula tingkat
kekuatan pola tersebut. Sedangkan untuk pola
yang mempunyai nilai lift rasio kurang dari satu,
kekuatan pola tersebut dianggap lemah. Nilai lift
rasio didapatkan dari perhitungan antara nilai
confidence dengan nilai benchmark confidence

(confidence). Rumus benchmark confidence dan lift

ratio dapat dilihat pada persamaan (4) dan (5).

(4)

(5)
3. PERANCANGAN
3.1 Rancangan Sistem
Proses perancangan sistem dapat dilihat pada
gambar 2.

Gambar 2. Diagram Alir Sistem

3.2 Pembangunan Tree
Proses pembangunan tree dapat dilihat pada
gambar 3.

Sistem membentuk FP-Tree dari dataset,

ketika FP-Tree sudah terbentuk maka akan
dilakukan proses pemeriksaaan path. Jika bukan
single path, dilakukan scan tree dari bawah ke atas
untuk membangkitkan conditional pattern dari
masing-masing item mulai dari item yang
mempunyai jumlah kemunculan paling kecil.
Selanjutnya, akan dibentuk tree dari masingmasing item. Jika tree single path, akan dilakukan
proses generate subset dari tree tersebut.
4. HASIL DAN PEMBAHASAN
Tahap pengujian terdiri dari dua skenario,
yaitu skenario pertama dilakukan dengan
membandingkan hasil perhitungan manual
dengan hasil aplikasi yang menggunakan data
yang sama dengan data yang perhitungan
manual. Skenario kedua dilakukan dengan
memasukan nilai minimum support yang berbedabeda kedalam sistem.
4.1 Skenario Pertama
Pada saat skenario pertama data yang
dimasukan kedalam aplikasi adalah data yang
sama saat peroses perhitungan manual. Hasil dari
program akan dibandingkan dengan hasil
perhitungan manual. Jika hasil pebandingannya
terdapat perbedaan, kemungkinan ada kesalahan
dalam program (source code), dengan ada hal ini
perlu dilakukan perbaikan dan pengujian ulang
agar program bisa berjalan sesuai dengan apa
yang diharapkan.
Tabel 1. Tabel Hasil Pencarian Itemset Perhitungan
Manual Data Penerimaan
Itemset

Gambar 3. Diagram Alir Proses Pembangunan

Tree
Pembangunan
tree
dilakukan
untuk
mendapatkan lintasan setiap node. Node yang
ada pada tree merupakan item-item tiap transaksi
yang ada.
3.3 Algoritma FP-Growth

Gambar 4. Diagram Alir Algortima FP-Growth

P1
S9
PS1
B1
S2
B5
PS4
PS5
S3
PS5, B1
PS4, PI
PS1, S9
PS1, PI
S2, P1
B1, P1
B5, PS1
B5, S9
B5, P1
S9, P1
PS1, S9, P1
B5, PS1, P1
B5, S9, P1

Jumlah Kemunculan
17
8
7
7
7
7
6
6
4
4
5
5
7
6
5
4
4
7
8
5
4
4

Gambar 5. Hasil pencarian itemset penerimaan

pada aplikasi

Pada tabel 1 dan gambar 5, dapat dilihat

hasil dari pencarian penerimaan itemset antara
aplikasi dengan perhitungan manual menunjukan
hasil yang sama. Keduanya mengahasilkan 22
itemset yang terdiri dari 1-itemset sebanyak 9, 2itemset sebanyak 10, dan 3-itemset sebanyak 3.

Pada tabel 3 dan gambar 7, dapat dilihat

hasil dari pencarian itemset kelulusan antara
aplikasi dengan perhitungan manual menunjukan
hasil yang sama. Keduanya mengahasilkan 26
itemset yang terdiri dari 1-itemset sebanyak 7, 2itemset sebanyak 11 dan 3-itemset sebanyak 7.

Tabel 2. Tabel Hasil Analisa Pola Penerimaan

dengan Perhitungan Manual

Tabel 4. Tabel Hasil Analisa Pola Kelulusan

dengan Perhitungan Manual

Itemset
PS4, P1
PS1, P1
S2, P1
B1, P1
B5, P1
S9, P1
PS1, S9, P1
B5, PS1, P1
B5, S9, P1

Frekuensi
5
7
6
5
7
8
5
4
4

Support
0,25
0,35
0,3
0,25
0,35
0,4
0,25
0,2
0,2

Confidence
0,83
1
0,86
0,71
1
1
1
1
1

Lift Ratio
0,98
1,18
1,01
0,83
1,18
1,176
2,5
2,857
2,5

Itemset
K3, S9
K3, B1
K3, S9, B1

Frekuensi
8
10
8

Support
0,4
0,5
0,4

Confidence
0,73
0,91
0,73

Lift ratio
0,96
0,84
1,22

Gambar 8. Hasil analisa pola kelulusan dengan

aplikasi

Gambar 6. Hasil analisa pola penerimaan dengan

aplikasi
Pada tabel 2 dan gambar 6 menunjukkan
hasil analisa pola penerimaan antara perhitungan
manual dan aplikasi menghasilkan analisa yang
sama. Keduanya menghasilkan 9 pola yang
memenuhi minimum confidence 70%.
Tabel 3. Tabel Hasil Pencarian Itemset Perhitungan
Manual Data Kelulusan
Itemset
B1
S9
PS5
K3
K2
PS4
B2
PS4, S9
PS4, B1
K2, PS5
K2, S9
K2, B1
K3, PS5
K3, S9
K3, B1
PS5, S9
PS5, B1
S9, B1
K2, PS5, S9
K2, S9, B1
K3, PS5, S9
K3, PS5, B1
K3, S9, B1
PS5, S9, B1
PS4, S9, B1
K3, PS5, S9, B1

Frekuensi
16
14
12
11
9
6
4
4
5
5
6
6
7
8
10
10
10
12
4
4
6
7
8
8
4
6

Pada tabel 4 dan gambar 8 menunjukkan

hasil analisa pola kelulusan antara perhitungan
manual dan aplikasi menghasilkan analisa yang
sama. Keduanya menghasilkan 3 pola yang
memenuhi minimum confidence 70%.
4.2 Skenario Kedua
Pada skenario kedua, digunakan data
Fakultas Ekonomi dan Bisnis 5 tahun terakhir.
Untuk data penerimaan mahasiswa didapat 4380
record dan untuk data kelulusan mahasiswa
didapat 636 record. Kedua data ini dilakukan
proses pemasukan minimum support berbedabeda, mulai 5 dengan kelipatan 5 sampai tidak
ada pola yang dihasilkan. Kemudian tiap
minimum support diberikan pula minimum
confidence mulai dari 60 untuk semua pola yang
muncul sampai tidak ada pola yang muncul
yang memenuhi nilai minimum confidence. Untuk
nilai lift rato yang dipakai dari pola yang
memenuhi minimum support dan minimum
confidence adalah pola yang memiliki nilai lift
ratio 1.
4.2.1. Pola Penerimaan
Pola penerimaan digunakan 4380 record
data mulai dari data kelulusan tahun 2008 sampai
2012. Besar minimum support yang dimasukan
dimulai dari dari 5, 10, 15, 20, 25, dan 30.
Sedangkan, besar minimum confidence yang
dimasukan pada tiap minimum support adalah 60,
70, dan 80.

Rule
50
40
30
20
10

Rule

Gambar 9. Grafik Perbandingan nilai minimum

support dengan jumlah rule penerimaan

Gambar 7. Hasil pencarian itemset kelulusan pada

aplikasi

40
30
20
10
0

Mincof 60
Mincof 70
Mincof 80

Gambar 10. Grafik perbandingan minimum

support, confidence, dan jumlah rule penerimaan
minimum
con8idence 60
= 29 rule
minimum
con8idence 70
= 24 rule

dilihat pada lampiran C tabel C16, C17 dan C18.

Hal ini terjadi karena rule S9 P1 mempunyai
nilai support 30% dan nilai confidence 80%.
Sehingga, rule S9 P1 selalu muncul pada setiap
pemasukan minimum support dan minimum
confidence.
4.2.2. Pola Kelulusan
Pola kelulusan digunakan 636 record data
mulai dari data kelulusan tahun 2008 sampai
2012. Besar minimum support yang dimasukan
dimulai dari dari 5, 10, 15, 20, 25, 30 dan 35.
Sedangkan, besar minimum confidence yang
dimasukan pada tiap minimum support adalah 60,
70, dan 80.
Rule
50
40
30
20
10
0

minimum
con8idence 80
= 9 rule

Rule

Gambar 11. Gambar perbedaan jumlah rule saat

minimum support 5 dengan minimum confidence 60, 70 dan
80

Gambar 11 mengilustrasikan dengan minimum

support yang sama akan menghasilkan jumlah rule
yang berbeda saat pemasukan minimum confidence
yang berbeda. Jumlah rule yang berbeda ini
merupakan himpunan bagian dari hasil rule yang
lain. Pada saat minimum confidence 80 yang
menghasilkan 9 rule, 9 rule ini marupakan bagian
dari 24 rule yang dihasilkan pada saat minimum
confidence 70, begitu pula 24 rule itu merupakan
bagian dari 29 rule yang dihasilkan saat minimum
confidence 60, untuk rincian rule yang dihasilkan
dapat dilihat pada lampiran C tabel C1, C2 dan
C3. Himpunan bagian dari perbedaan jumlah rule
ini dikarenakan nilai (support dan confidence) yang
dimiliki tiap rule bervariasi dan tidak berubahubah. Nilai yang dimiliki tiap rule berasal dari
perhitungan sesuai dengan rumus support dan
confidence. Perhitungan nilai yang dimiliki oleh
setiap rule dilakukan setelah tree terbentuk
sehingga nilai-nilai ini tidak berubah jika tree-nya
tidak berubah pula, tree yang dibentuk ditentukan
oleh komposisi data yang dipakai. Sehingga, pada
saat pemasukan minimum support dan minimum
confidence akan mengambil rule yang memenuhi
syarat atau batas yang telah ditentukan tanpa
mengubah nilainya.
minimum
con8idence
60 = 1 rule

minimum
con8idence
80 = 1 rule

rule
S9->P1

minimum
con8idence
70 = 1 rule

Gambar 12. Gambar perbedaan jumlah rule saat

minimum support 30 dengan minimum confidence
60, 70 dan 80
Pada gambar 12 menunjukan pada saat minimum
support 30 hanya menghasilkan 1 rule pada tiap
minimum confidence (60, 70 dan 80). Rule yang
dihasilkan sama yaitu S9 P1, rincian rule dapat

Gambar 13. Grafik Perbandingan nilai minimum

support dengan jumlah rule kelulusan
8
6
4
2
0

Mincof 60
Mincof 70

Gambar 14. Grafik perbandingan minimum

support, confidence, dan jumlah rule penerimaan
minimum
con8idence 40 = 19
rule
minimum
con8idence 50 =
13 rule
minimum
con8idence 60 = 8
rule
minimum
con8idence 70
= 3 rule

minimum
con8idence
80 = 1 rule

Gambar 15. Gambar perbedaan jumlah rule saat

minimum support 5 dengan minimum confidence 40,
50, 60, 70 dan 80
Gambar 15 menunjukan bahwa dengan minimum
support yang sama akan menghasilkan jumlah rule
yang berbeda saat pemasukan minimum confidence
yang berbeda. Jumlah rule yang berbeda ini
merupakan himpunan bagian dari hasil rule yang
lain. Pada saat minimum confidence 80 yang
menghasilkan 1 rule, 1 rule ini marupakan bagian
dari 3 rule yang dihasilkan pada saat minimum
confidence 70, 3 rule itu merupakan bagian dari 8
rule yang dihasilkan saat minimum confidence 60, 8
rule ini merupakan bagian dari 13 rule yang
dihasilkan pada saat minimum confidence 50,
begitu pula 13 rule ini merupakan bagian dari 18
rule yang dihasilkan pada saat minimum confidence
40, untuk rincian rule yang dihasilkan dapat

dilihat pada lampiran D tabel D1, D2 , D3, D4 dan

D5. Sama halnya seperti saat pencarian pola
penerimaan, pada dasarnya nilai yang dimiliki
tiap rule berasal dari perhitungan sesuai dengan
rumus support dan confidence, perhitungan nilai
yang dimiliki oleh setiap rule dilakukan setelah
tree terbentuk sehingga nilai-nilai ini tidak
berubah jika tree-nya tidak berubah pula, tree
yang dibentuk ditentukan oleh komposisi data
yang dipakai. Sehingga, pada saat pemsukan
minimum support dan minimum confidence akan
mengambil rule yang memenuhi syarat atau batas
yang telah ditentukan tanpa mengubah nilainya.
minimum
support
80 = 1
rule
minimum
support
40 = 1
rule

minimum
support
70 = 1
rule

rule
K2 -> B1

minimum
support
50 = 1
rule

minimum
support
60 = 1
rule

Gambar 16. Gambar perbedaan jumlah rule saat

minimum support 40 dengan minimum confidence
40, 50, 60, 70 dan 80
Pada gambar 16 menunjukan pada saat
minimum support 40 hanya menghasilkan 1 rule
pada tiap minimum confidence (40, 50, 60, 70 dan
80). Rule yang dihasilkan sama yaitu K2 B1,
rincian rule dapat dilihat pada lampiran D tabel
D36, D37, D38, D39 dan D40. Hal ini terjadi
karena rule K2 B1 mempunyai nilai support
40% dan nilai confidence 80%. Sehingga, rule K2
B1 selalu muncul pada setiap pemasukan
minimum support dan minimum confidence.
5. KESIMPULAN
Dari hasil pengimplementasian dan analisis
yang dilakukan, didapat kesimpulan mengenai
pola yang didapat bahwa :
1. Pola dari penerimaan pada tahun 2008 -2012
dan pola dari kelulusan tahun 2008-2009
didapat rule yang sering muncul pada nilai
confidence 60, 70 dan 80 tingkat
kemunculannya didasarkan pada frekuensi
kemunculannya
sendiri.
Frekuensi
kemunculannya
pola
tergantung
pada
komposisi data tersebut, jumlah item pada
komposisi data mempengaruhi banyaknya
itemset yang mengandung item tersebut.
Jumlah dari pola penerimaan yang dihasilkan
sebanyak 29 pola, tetapi tidak semua pola itu
selalu muncul pada setiap skenario, hanya
satu pola yang memenuhi itu yaitu S9P1,
jika mahasiswa masuk melalui seleksi
SNMPTN maka berasal dari Jawa Timur.
Sedangkan untuk jumlah pola kelulusan yang
didapat sebanyak 8 pola, sama seperti pada
pola penerimaan, pada pola kelulusan juga
hanya satu pola yang selalu muncul pada
setiap skenario yaitu K2B1, jika mahasiswa
lulus dengan predikat Sangat memuaskan,
maka mahasiswa tersebut berasal dari
angkatan 2008.
2. Pola yang memiliki antecedent dan consequent
pada pola penerimaan maupun kelulusan,
semakin besar nilai miniminum support dan

confidence maka pola yang dihasilkan semakin

berkurang. Tetapi pada pola penerimaan,
komposisi data tidak seimbang, terjadi
ketimpangan data, sehingga variasi kombinasi
data lebih didominasi data yang mempunyai
tingkat kemunculan yang tinggi. Sedangkan
pada pola kelulusan, komposisi data cukup
merata sehingga lebih banyak didapatkan
kombinasi data yang lebih bervariasi
3. Berdasarkan pengujian yang dilakukan
dengan menggunakan jumlah data yang
berbeda (data penerimaan dan kelulusan)
didapatkan bahwa pengaruh nilai minimum
support dan minimum confidence terhadap pola
yang dihasilkan tetap sama yaitu semakin
besar nilai minimum support dan minimum
confidence maka semakin sedikit pola yang
dihasilkan, begitu pula sebaliknya. Sehingga,
jumlah data tidak mempengaruhi kerja
minimum support dan minimum confidence,
jumlah data hanya mempengaruhi julah pola
yang dihasilkan.
Daftar Pustaka
[1]
Biro
Administrasi
Akademik
dan
Kemahasiswaan.
(2009).
Pedoman
Pendidikan.
Malang:
Universitas
Brawijaya.
[2]
Erwin. (2009). Analisis Market Basket
Dengan Algoritma Apriori dan FP-Growth.
JOURNAL
GENERIC.
Palembang:
Universitas Sriwijaya.
[3]
Haidar. (2007). Basis Data (Database).
[4]
Han Jiawei dan Micheline Kamber. (2006).
Data Mining : Concepts and Techniques 2nd
Edition. Morgan Kaufmann: California.
[5]
Han, Kamber, Pei. (2012). Data Mining :
Concepts and Techniques third Edition.
[6]
Morgan Kaufman : California.
[7]
Hand, Mannila, Smyth. (2001). Principles of
Data Mining. Cambrige : Massachusetts
LondonEngland
[8]
Leung. (2007). Association Rules.
[9]
Mitsa. (2010). Temporal Data Mining. Boca
Raton, London, New York: CRC Press.
[10] Tim
Pembaharuan
Buku
Pedoman
Akademik Tahun Akademik 2012/2013.
(2012).
Buku
Pedoman
Akademik
Fakultas Ekonomi dan Bisnis Universitas
Brawijaya. Malang: Universitas Brawijaya.
Sekertariat Jenderal Kementrian
[11] Susyanto, Suryadi. (2010). Pengantar Data
Mining Menggali Pengetahuan dari
Bongkahan Data. Yogyakarta: ANDI.
[12] Xindong, dkk. (2007). Top 10 Algorithms in
Data Mining.
[13] Ariawan. (2011). Association Rule Dengan
FP-Tree dan FP-Growth. Sistem Informasi
FT UPI-YAI
[14] Han, J., Pei, J., Yin, Y., Mao, R.. (2004).
Mining Freqeunt Patterns without Candidate
Generation: A Frequent-Pattern Tree .
Netherlands : Kluwer Academic Publishers