Abstrak
75
JURASIK (Jurnal Riset Sistem Informasi & Teknik Informatika) ISSN 2527-5771
Volume 1, Nomor 1, Juli 2016
memiliki banyak mahasiswa. Dengan Data adalah data mining. Proses KDD
Mining memudahkan lembaga pendidikan (Knowlegge discovery in databases) secara
mengidentifikasi berdasarkan faktor-faktor garis besar dapat dijelaskan sebagai berikut
apa sajakah yang mempengaruhi (Kusrini, 2009)
mahasiswa mendapatkan Indeks Prestasi
Kumulatif baik di kelas. Peneliti
menggunakan Algoritma C4.5 dalam
pengklasifikasian predikat keberhasilan
mahasiswa berdasarkan Atribut jenis
kelamin, NEM, sesi perkuliahan, asal
sekolah, kehadiran, dan IPK. Data Training
yang diambil peneliti adalah data alumni
mahasiswa program studi Manajemen
Informatika dan Komputerisasi Akuntansi Gambar 1. Tahapan knowledge discovery
2010-2012. Dengan demikian proses in databases
pengolahan data-data akademik
Pengolahan Data Mining terdiri dari
menggunakan teknik klasifikasi akan
beberapa metode pengolahan, yaitu (Larose,
membantu lembaga pendidikan dalam
2006):
upaya memotivasi mahasiswa untuk
1. Association (Asosiasi) merupakan teknik
meningkatkan IPK, serta bermanfaat
dalam data mining yang mempelajari
meningkatkan akreditasi program studi di
hubungan antar data. Contoh
Amik Tunas Bangsa.
penggunaannya seperti untuk
Berdasarkan latar belakang tersebut
menganalisis perilaku mahasiswa yang
diterapkan Algoritma C4.5 yang berguna
datang terlambat. Contohnya jika
untuk mengklasifikasi dan memprediksi
mahasiswa memiliki jadwal dengan
Predikat Keberhasilan Mahasiswa di Amik
dosen A dan B, maka mahasiswa akan
Tunas Bangsa Pematangsiantar.
datang terlambat.
2. Predictive modelling yang merupakan
Kajian Teori
pengolahan data mining dengan
Data mining merupakan proses melakukan prediksi/peramalan. Tujuan
iteratif dan interaktif untuk menemukan metode ini untuk membangun
pola atau model baru yang dapat model prediksi suatu nilai yang
digeneralisasi untuk masa yang akan mempunyai ciri-ciri tertentu.
datang, bermanfaat dan dapat dimengerti 3.Classification merupakan teknik
dalam suatu database yang sangat besar mengklasifikasikan data. Perbedaannya
(massive databases). Data mining berisi dengan metode clustering terletak pada
pencarian trend atau pola yang diinginkan data, dimana pada clustering variabel
dalam database besar untuk membantu dependen tidak ada, sedangkan
pengambilan keputusan di waktu yang akan pada classification diharuskan ada
datang. (Hermawati, 2013). variabel dependen.
Istilah data mining dan knowledge 4. Clustering merupakan pengelompokan
discovery in databases (KDD) sering kali terhadap record, yang berfungsi
digunakan secara bergantian untuk memperhatikan dan membentuk kelas
menjelaskan proses penggalian informasi objek-objek yang memiliki kemiripan.
tersembunyi dalam suatu basis data yang Pohon keputusan merupakan
besar. Sebenarnya kedua istilah tersebut metode klasifikasi dan prediksi yang sangat
memiliki konsep yang berbeda, tetapi terkenal. Metode pohon keputusan
berkaitan satu sama lain. Dan salah satu mengubah fakta yang sangat besar menjadi
tahapan dalam keseluruhan proses KDD pohon keputusan yang merepresentasikan
76
JURASIK (Jurnal Riset Sistem Informasi & Teknik Informatika) ISSN 2527-5771
Volume 1, Nomor 1, Juli 2016
77
JURASIK (Jurnal Riset Sistem Informasi & Teknik Informatika) ISSN 2527-5771
Volume 1, Nomor 1, Juli 2016
78
JURASIK (Jurnal Riset Sistem Informasi & Teknik Informatika) ISSN 2527-5771
Volume 1, Nomor 1, Juli 2016
Kesimpulan
Hasil penelitian yang diperoleh
disimpulkan bahwa telah di dapat
klasifikasi predikat keberhasilan mahasiswa
di Amik Tunas Bangsa Pematangsiantar.
Variabel yang memiliki prioritas utama
Gambar 4. Pohon keputusan klasifikasi terhadap predikat keberhasilan mahasiswa
predikat keberhasilan adalah mahasiswa yang memilih sesi
Jika dilihat berdasarkan hasil pohon perkuliahan pada Pagi hari dan di dukung
keputusan klasifikasi predikat keberhasilan dengan nilai kehadiran > 50 maka
mahasiswa, bahwa atribut yang mempunyai mahasiswa tersebut mendapatkan predikat
pengaruh utama untuk mendapatkan cumlade dibandingkan dengan mahasiswa
predikat keberhasilan adalah variabel B3 yang berada di sesi perkuliahan siang dan
(Sesi) yang menempati sebagai simpul akar. malam. Pengaruh ini dapat dilihat dari
Agar lebih jelas, peneliti membuat model besarnya semangat belajar mahasiswa pagi
aturan berupa teks, seperti keterangan yang memiliki banyak waktu untuk diskusi
dibwah ini: diluar jam belajar sehingga kepedulian dan
Sesi = Malam kedisiplinan mahasiswa tersebut berhak
| Asal Sekolah = Luar: Sangat Baik mendapatkan predikat keberhasilan
{Cumlaude=0, Sangat Baik=4, Baik=0, cumlaude.
Kurang=0}
| Asal Sekolah = Pematangsiantar: Daftar Pustaka
Cumlaude {Cumlaude=1, Sangat Baik=1, Veronica Sri Moertini, 2007,
Baik=1, Kurang=0} Pengembangan Skalabilitas Algoritma
Sesi = Pagi Klasifikasi C4.5 Dengan Pendekatan
| Kehadiran = kehadiran < 50: Baik Konsep Operator Relasi, studi kasus:
{Cumlaude=1, Sangat Baik=0, Baik=2, pra-pengolahan dan klasifikasi citra
Kurang=0} batik, Bandung.
| Kehadiran = Kehadiran > 50: Cumlaude Han, J., Kamber, M., 2001, Data Mining
{Cumlaude=4, Sangat Baik=2, Baik=0, Concepts and Techniques, Morgan
Kurang=1} Kaufman Pub., USA.
Sesi = Siang Kusrini dan Luthfi. E.
| Asal Sekolah = Luar: Kurang Taufiq.(2009).Algoritma Data Mining.
{Cumlaude=0, Sangat Baik=1, Baik=0, Yogyakarta: Andi.
Kurang=2} Kamagi, David Hartanto dan Seng Hansun.
| Asal Sekolah = Pematangsiantar: Sangat 2014. Implementasi Data mining
baik {Cumlaude=0, Sangat Baik=2, dengan Algoritma C 4.5 untuk
Baik=1, Kurang=0} memprediksi tingkat kelulusan
Dapat dilihat dari hasil pohon Mahasiswa. Jurnal Seminar Nasional
keputusan dan model aturan berbentuk teks Teknologi Informasi dan Multimedia
bahwa, jika seorang mahasiswa sesi 2014. ISSN: 2085-4552.
perkuliahan pagi dan memiliki kehadiran > Hartama, Dedy. 2011. Model aturan
50 maka mahasiswa tersebut diklasifikasi keterhubungan data mahasiswa
mendapat predikat keberhasilan cumlaude, menggunakan Algoritma C4.5 untuk
tanpa melihat kriteria asal sekolah, jenis meningkatkan indeks prestasi di Amik
kelamin dan Nem. Tunas Bangsa. Tesis Program Studi
Magister (S2) Teknik Informastika
Universitas Sumatera Utara.
79