e-ISSN 2580-9741

p-ISSN 2088-3943

DATA MINING INFORMASI TINGKAT KELULUSAN MAHASISWA STMIK PELITA

NUSANTARA MEDAN

Anita Sindar RM Sinaga

Program Studi Teknik Informatika

STIMIK Pelita Nusantara, Jl. Iskandar Muda No. 1 Medan, Indonesia

haito_ita@yahoo.com

Abstrak

Kemampuan teknologi informasi untuk mengumpulkan dan menyimpan berbagai tipe data dalam
jumlah besar mendorong untuk melakukan analisis, meringkas dan mengekstrak data.
Pengolahan sistem informasi bagian kemahasiswaan dapat dikembangkan dengan penerapan
teknik data mining. Data mining berguna sebagai data utama untuk diolah, menganalisa data
awal sehingga menghasilkan informasi yang berguna. Dengan memanfaatkan Nomor Induk
Mahasiswa (NIM) dan data kelulusan mahasiswa, diharapkan dapat menghasilkan informasi
tingat kelulusan melalui teknik data mining yang diukur dari lama belajar dan nilai Indeks
Prestasi Komulatif (IPK). Algoritma yang digunakan adalah Algoritma Apriori, informasi yang
ditampilkan berupa nilai support dan confidence dari masing-masing kategori tingkat kelulusan.
Tujuan dari penerapan teknik data mining adalah mengolah data awal untuk memperoleh
informasi yang berguna yaitu mengetahui tingkat kelulusan mahasiswa.

Kata Kunci : Data Mining, Algoritma Aprior, NIM, IPK

1. PENDAHULUAN tinggi. Data warehouse mendukung On-line

Pemanfaatan data mahasiswa sering hanya
diarsipkan tanpa ada pengolahan yang efisien
guna memperoleh pola, kebiasaan yang dapat
ditemukan sebagai bahan analisa perguruan
tinggi untuk meningkatkan kualitas mahasiswa
dan kampus. Setiap semester data mahasiswa
bertambah, data mahasiswa yang mendaftar dan
data mahasiswa yang lulus. Latar belakang
mahasiswa dari asal daerah, lama pembelajaran,
bidang yang diminati mempengaruhi tingkat
kelulusan mahasiswa.
Teknologi pengolahan data untuk
menghasilkan informasi yang berguna bagi
mahasiswa dan perguruan tinggi mendorong
pemanfaatan teknologi informasi. Para
pengambil keputusan dari manajemen
membutuhkan data-data mahasiswa diolah
secara komputerisasi sehingga memberikan
tingkat informasi sebagai masukan dalam
meningkatkan pelayanan pada mahasiswa.
Data dalam jumlah besar dikumpulkan,
dibersihkan sehingga diperoleh data warehouse,
yang menunjang pengolahan data mining. 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 sistem, data
warehousing, statistik, machine learning,
information retrieval, dan komputasi tingkat
Analitycal Processing (OLAP), sebuah kasus
yang digunakan untuk menganalisis secara
interaktif dari bentuk multidimensi yang
mempunyai data yang rinci. Informasi yang
ditampilkan merupakan hubungan antara tingkat
kelulusan dengan data induk mahasiswa yaitu
berupa nilai support dan confidence.
2. TINJAUAN PUSTAKA
A. Data Mining
Data warehouse merupakan penyimpanan
data yang berorientasi objek, terintegrasi,
mempunyai variant waktu, dan menyimpan data
dalam bentuk non volatile sebagai pendukung
manejemen dalam proses pengambilan
keputusan (Han, 2006).
Gambar 1. Arsitektur Data Warehouse
Hoffer dan McFadden mengemukakan
bahwa data mining adalah penemuan
pengetahuan dengan menggunakan teknik
teknik yang tergabung dari statistik, tradisional,
kecerdasan dan grafik komputer.

Jurnal Manajemen dan Informatika Komputer Pelita Nusantara 27


Secara sederhana data mining merupakan
penambangan atau penemuan informasi baru
dengan mencari pola atau aturan tertentu. Data
mining adalah proses yang menggunakan teknik
statistik, matematika, kecerdasan buatan, dan
mesin learning untuk mengekstraksi dan
mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait berbagai database
besar (Turban dkk, 2005).
Tahap-tahap data mining :
1. Pembersihan Data (Data Cleaning)
Pembersihan data merupakan proses
menghilangkan noise dan data yang tidak
konsisten atau data tidak relevan.
2. Integrasi Data (Data Integration)
Integrasi data merupakan penggabungan
data dari berbagai database ke dalam satu
database baru.
3. Seleksi Data (Data Selection)
Data yang ada pada database sering tidak
semuanya dipakai, oleh karena itu hanya
data yang sesuai untuk dianalisis yang akan
diambil dari database.
4. Transformasi Data (Data Transformation)
Data diubah atau digabung ke dalam format
yang sesuai untuk diproses dalam data
mining.
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.
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
diperoleh.
Gambar 2. Tahap-Tahap Data Mining
Data mining, sering disebut knowledge
discovery in database (KDD), adalah kegiatan
yang meliputi pengumpulan, pemakaian data
Jurnal Manajemen dan Informatika Komputer Pelita Nusantara
e-ISSN 2580-9741
p-ISSN 2088-3943
historis untuk menemukan keteraturan, pola
atau hubungan dalam set data berukuran besar.
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.
Machine learning menjadi alat analisis dalam
data mining.
Gambar 3. Data Mining merupakan irisan berbagai ilmu
Istilah antecedent dan consequent,
antecedent untuk mewakili bagian “jika” dan
consequent untuk mewakili bagian “maka”.
Dalam analisis ini, antecedent dan consequent
adalah sekelompok item yang tidak punya
hubungan secara bersama (Santoso, 2007).
Untuk mengukur kekuatan aturan asosiasi
ini, digunakan ukuran support dan confidence.
Support adalah rasio antara jumlah transaksi
yang memuat antecedent dan consequent
dengan jumlah transaksi. Confidence adalah
rasio antara jumlah transaksi yang meliputi
semua item dalam antecedent dan consequent
dengan jumlah transaksi yang meliputi semua
item dalam antecedent.
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).
B. Algoritma Apriori
Dasar ide dari algoritma apriori adalah
mengembangkan frequent itemset dengan
28

menggunakan satu item dan secara rekursif
mengembangkan frequent itemset dengan dua
item, tiga item dan seterusnya hingga frequent
itemset dengan semua ukuran. Untuk
mengembangkan frequent set dengan dua item,
dapat menggunakan frequent set item.
Alasannya adalah bila set satu item tidak
melebihi support minimum, maka sembarang
ukuran itemset yang lebih besar tidak akan
melebihi support minimum tersebut. Secara
umum, mengembangkan set dengan fc-item
menggunakan frequent set dengan k – 1 item
yang dikembangkan dalam langkah
sebelumnya. Setiap langkah memerlukan sekali
pemeriksaan ke seluruh isi database. Dalam
asosiasi terdapat istilah antecedent dan
consequent, antecedent untuk mewakili bagian
“jika” dan consequent untuk mewakili bagian
“maka”. Dalam analisis ini, antecedent dan
consequent adalah sekelompok item yang tidak
punya hubungan secara bersama (Santoso,
2007).
III. METODE PENELITIAN
Tahap awal pelaksanaan penelitian ini
yaitu menetukan rumusan permasalahan : .
a. Tingkat kelulusan mahasiswa dapat dilihat
dari lama studi dan IPK (Indeks Prestasi
Kumulatif) yang terdapat pada data
kelulusan mahasiswa.
b. Permasalahan yang dibahas yaitu bagaimana
menghasilkan informasi yang berguna
tentang hubungan tingkat kelulusan dengan
data induk mahasiswa dengan teknik data
mining.
c. Informasi yang ditampilkan berupa nilai
support dan confidence hubungan antara
tingkat kelulusan dengan data induk
mahasiswa
Dari rumusan permasalahan selanjutnya
mengembangkan metode penelitian terdiri yaitu
sebagai berikut :
Analisis Sumber Data
Pengolahan Data Mining
Penggunaan Algoritma Aprion
Rancangan dan Implementasi
Analisis Hasil Uji
Gambar 4. Metode Penelitian
A. Analisis Sumber Data
Jurnal Manajemen dan Informatika Komputer Pelita Nusantara
e-ISSN 2580-9741
p-ISSN 2088-3943
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.
Sumber data dalam penentuan tingkat
kelulusan dipengaruhi :
1. Proses Pendaftaran
Dari proses pendaftaran mahasiswa dapat
diperoleh tingkat kelulusan mahasiswa.
Pendaftaran melalui jalur ujian saringan
masuk dan beasiswa.
2. Asal sekolah dan proses masuk
3. Kota asal sekolah
4. Program Studi
Data mahasiswa yang dikumpulkan yaitu
data masuk tahun 2012-2015 dan data lulus
tahun 2013-2015, Program Studi Teknik
Informatika di STMIK Pelita Nusantara Medan.
Sumber data pengolahan teknik data mining
yaitu :
1. Data Induk Mahasiswa
Atribut data induk mahasiswa terdiri yaitu
NIM, Jenis Kelamin, Nama Mahasiswa,
Tempat Lahir, Tanggal Lahir, Agama,
Proses Masuk, Nama Wali, Alamat Wali,
Pendidikan Terakgir Wali, Nama Sekolah,
Nama Asal Sekolah, Kota Asal Sekolah,
Jurusan, Tahun Lulus.
2. Data Kelulusan
Atribut data kelulusan yaitu NIM, Nama
Mahasiswa, Tempat Lahir, Tanggal Lahir,
Program Studi, Tanggal Lulus, IPK.
B. Penggunaan Algoritma Apriori
Untuk mengukur kekuatan aturan asosiasi
ini, digunakan ukuran support dan
confidence.
Gambar 5. Ukuran Support dan Confidence
Langkah pertama algoritma apriori adalah,
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
29

frekuensi tinggi dengan panjang 1 atau sering
disingkat 1-itemset. Singkatan k-itemset berarti
satu set yang terdiri dari k item.
Untuk selanjutnya iterasi iterasi ke-k dapat
dibagi lagi menjadi beberapa bagian :
1. Pembentukan kandidat itemset
Kandidat k-itemset dibentuk dari kombinasi
(k-1)-itemset yang didapat dari iterasi
sebelumnya. Satu ciri dari algoritma apriori
adalah adanya pemangkasan kandidat k-
itemset yang subset-nya yang berisi k-1 item
tidak termasuk dalam pola frekuensi tinggi
dengan panjang k-1.
2. Penghitungan support dari tiap kandidat k-
itemset
Support dari tiap kandidat k-itemset didapat
dengan men-scan database untuk
menghitung jumlah transaksi yang memuat
semua item di dalam kandidat k-itemset
tersebut. Ini adalah juga ciri dari algoritma
apriori yaitu diperlukan penghitungan
dengan scan seluruh database sebanyak k-
itemset terpanjang.
3. Tetapkan pola frekuensi tinggi
Pola frekuensi tinggi yang memuat k item
atau k-itemset ditetapkan dari kandidat k-
itemset yang support-nya lebih besar dari
minimum support. Kemudian dihitung
confidence masing-masing kombinasi item.
C. Rancangan dan Implementasi
Proses perancangan sistem membagi
persyaratan dalam sistem perangkat keras atau
perangkat lunak. Kegiatan ini menentukan
arsitektur sistem secara keseluruhan.
Perancangan perangkat lunak melibatkan
identifikasi dan deskripsi abstraksi sistem
perangkat lunak yang mendasar dan hubungan-
hubungannya (Sommerville, 2003).
Sebagaimana persyaratan, desain
didokumentasikan dan menjadi bagian dari
konfigurasi software (Pressman, 1997).
Antarmuka perangkat lunak yang digunakan
adalah Visual Studio, DBMS SQL Server, Script
Editor, Notepad, .Net Framework Tahap desain
meliputi perancangan data, perancangan
fungsional, dan perancangan antar muka.
1. Perancangan data
Perancangan data mentransformasikan
model data yang dihasilkan oleh proses
analisis menjadi struktur data yang
dibutuhkan pada saat pembuatan program
(coding). Selain itu juga akan dilakukan
desain terhadap struktur database yang akan
dipakai.
2. Perancangan fungsional
Perancangan fungsional mendeskripsikan
kebutuhan fungsi-fungsi utama perangkat
lunak.
Jurnal Manajemen dan Informatika Komputer Pelita Nusantara
e-ISSN 2580-9741
p-ISSN 2088-3943
3. Perancangan antar muka
Perancangan antar muka mendefinisikan
bagaimana pengguna (user) dan perangkat
lunak berkomunikasi dalam menjalankan
fungsionalitas perangkat lunak.
D. Analisis Hasil Uji
Pengujian unit melibatkan verifikasi bahwa
setiap unit program telah memenuhi
spesifikasinya (Sommerville, 2003). Program
sebaiknya dirilis setelah dikembangkan, diuji
untuk memperbaiki kesalahan yang ditemukan
pada pengujian untuk menjamin kualitasnya
(Padmini, 2005).
Terdapat dua metode pengujian yaitu :
1. Metode white box yaitu pengujian yang
berfokus pada logika internal software
(source code program).
2. Metode black box yaitu mengarahkan
pengujian untuk menemukan kesalahan-
kesalahan dan memastikan bahwa input
yang dibatasi akan memberikan hasil aktual
yang sesuai dengan hasil yang dibutuhkan.
IV. HASIL DAN PEMBAHASAN
Hubungan 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.
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.
30
 e-ISSN 2580-9741
p-ISSN 2088-3943

4. Program studi digunakan untuk proses memiliki dua item. Pertama dibuat kandidat 2-
mining guna mengetahui hubungan tingkat itemset dari kombinasi semua 1-itemset. Lalu
kelulusan dengan program studi. untuk tiap kandidat 2-itemset ini dihitung
Untuk proses mining, data kelulusan dan support-nya dengan men-scan database.
data induk mahasiswa digabungkan dengan Support artinya jumlah transaksi dalam
primary key NIM, setelah itu dilakukan proses database yang mengandung kedua item dalam
mining. Proses pengolahan data mining : kandidat 2-itemset. Setelah support dari semua
A. Integrasi Data kandidat 2-itemset didapatkan, kandidat 2-
Proses integrasi data dilakukan ketika proses itemset yang memenuhi syarat minimum
ETL (ekstract, transform, and Load) ketika support dapat ditetapkan sebagai 2-itemset yang
membangun data warehouse, dalam proses juga merupakan pola frekuensi tinggi dengan
ETL data dalam data source digabungkan panjang 2.
menjadi satu dalam data warehouse dengan Contoh proses mining untuk mengetahui
key NIM. hubungan tingkat kelulusan dengan proses
B. Transformasi Data masuk.
Data kelulusan berdasarkan IPK dapat Tabel 4.2 Data Awal
dikategorikan menjadi tiga yaitu : NIM Kategori Lulus Proses Masuk
1. IPK memuaskan : IPK 2,00 – 2,75 1101153 A1 Ujian
2. IPK sangat memuaskan : IPK 2,76 – 3,50 1101154 A2 Ujian
C. IPK tipe dengan pujian : IPK 3,51 – 4,00 1101109 A1 Ujian
Pengkategorian data kelulusan berdasarkan 1101115 A3 Beasiswa
lama studi yaitu : 1101157 B1 Beasiswa
1. Sesuai jadwal, bila lama studi 4 tahun atau 1101158 A2 Ujian
kurang dari 4 tahun. 1101167 A2 Beasiswa
2. Tidak sesuai jadwal, bila lama studi lebih 1101190 A2 Beasiswa
dari 4 tahun. 1101143 A2 Beasiswa
Hasil transformasi data dari 2 kategori di atas,
Tabel 4.3 Kandidat Pertama
Tabel 4.1. Transformasi Data, terdapat enam
Itemset Count
tingkatan untuk mengukur tingkat kelulusan
A1 2
mahasiswa. A2 5
Tabel 4.1 A3 1
Transformasi Data
B1 2
Kategori Keterangan Ujian 4
A1 Lama Studi 4 tahun atau kurang 4 tahun dengan Beasiswa 5
IPK 3,51 – 4,00
A2 Lama Studi 4 tahun atau kurang 4 tahun dengan Tabel 4.4 Hasil Treshold
IPK 2,76 –3,50 Itemset Count
A3 Lama Studi 4 tahun atau kurang 4 tahun dengan A2 4
IPK 2,00 – 2,75 A1 2
B1 Lama Studi lebih 4 tahun atau kurang 4 tahun Ujian 4
dengan IPK 3,51 – 4,00 Beasiswa 5
B2 Lama Studi lebih 4 tahun dengan IPK 2,76 –
3,50 Ditetapkan threshold = 3, maka kandidat
B3 Lama Studi lebih 4 tahun dengan IPK 2,00 –
2,75 yang nilainya kurang dari 3 akan dihapus.
Sehingga, didapat hasil seperti pada tabel 4.5
C. Algoritma Apriori Tabel 4.5 Kandidat Dua
Algoritma apriori dibagi menjadi beberapa
Itemset Count
tahap yang disebut iterasi. Tiap iterasi
A2, Ujian 2
menghasilkan pola frekuensi tinggi dengan A2, Beasiswa 3
panjang yang sama dimulai dari pass pertama A1, Ujian 2
yang menghasilkan pola frekuensi tinggi dengan A1, Beasiswa 0
panjang satu. Di iterasi pertama ini, support dari Tabel 4.6 Hasil Treshold Kedua
setiap item dihitung dengan men-scan database. Itemset Count
Setelah support dari setiap item didapat, item A2, Beasiswa 3
yang memiliki support lebih besar dari A1, Ujian 2
minimum support dipilih sebagai pola frekuensi
Dari pada tabel 4.6 dapat diambil hasil
tinggi dengan panjang 1 atau sering disingkat 1-
sebagai berikut : Support A2, Beasiswa = Count
itemset. Singkatan k-itemset berarti satu set (A2,Besiswa)/jumlah transaksi = 3/9 Support
yang terdiri dari k item. Iterasi kedua A1, Ujian = Count (A1,Ujian) /jumlah transaksi
menghasilkan 2-itemset yang tiap set-nya

Jurnal Manajemen dan Informatika Komputer Pelita Nusantara 31


= 2/9 Confidence A2, Beasiswa =
Count(A2,Beasiswa)/Count (A2) = 3/4
Confidence A3, Ujian = Data Mining :
Count(A3,Ujian)/Count(A3) = 3/3 Dapat dilihat
bahwa proses mining hubungan tingkat
kelulusan.
D. Proses Load
Setelah proses mining akan disajikan hasil
dari data mining berupa tabel hubungan
kekuatan dengan nilai support dan confidence
masing-masing atribut serta threshold yang
digunakan. Semakin tinggi nilai confidence dan
support maka semakin kuat nilai hubungan
antar atribut.
Database Induk mahasiswa dan database
kelulusan merupakan data source dalam
pembangunan data warehouse. Dalam proses
ETL kedua data source tersebut di load
kedalam data warehouse. Proses ETL
mencangkup proses integrasi data dari data
induk dan data kelulusan menjadi data
gabungan dengan key NIM.
Gambar 4.1 Proses Load
Dari skema tersebut dapat dibangun
database baru untuk menampung data-data dari
database induk mahasiswa dan database
kelulusan mahasiswa. Karena hanya terdapat
satu entitas maka tidak ada relasi antar entitas,
sehingga hanya terbentuk satu tabel.
Tabel 4.7
Gabungan Atribut
Jurnal Manajemen dan Informatika Komputer Pelita Nusantara
e-ISSN 2580-9741
p-ISSN 2088-3943
E. Fungsi Mining
Proses-proses yang terdapat pada Aplikasi
1. Import Data
Proses import data adalah proses load data
dari database kelulusan dan database induk
mahasiswa ke data warehouse. Semua data
akan dimasukkan tanpa ada penyaringan.
2. Cleaning, Integrasi, Selection, dan
transformasi.
a) Cleaning data merupakan proses
menghilangkan noise dan data yang tidak
konsisten atau data yang 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. Dalam tahap ini semua data yang akan
digunakan baik data kelulusan, data induk
mahasiswa maupun data nilai semester
dibersihkan dari record data yang tidak
mempunyai atribut lengkap. Selain
pembersihan record data yang tidak valid,
juga dilakukan penghapusan atribut yang
tidak dipakai, misalnya atribut gaji orang
tua, nama orang tua dan lain-lain.
Pembersihan data juga akan mempengaruhi
performasi dari sistem data mining karena
data yang ditangani akan berkurang jumlah
dan kompleksitasnya.
b) Integrasi data merupakan penggabungan
data dari berbagai database ke dalam satu
database baru. Data induk mahasiswa, data
nilai dan data kelulusan tidak disimpan
dalam satu database, Integrasi data
dilakukan pada atribut-aribut yang
mengidentifikasikan entitas-entitas dengan
satu atribut unik yaitu NIM
c) Selection data adalah proses menyeleksi
atribut apa yang akan diproses pada mining
selanjutnya.
d) Transformasi data merupakan proses
mengubah data atau digabung ke dalam
format yang sesuai untuk diproses dalam
data mining. Beberapa metode data mining
membutuhkan format data yang khusus
sebelum bisa diaplikasikan.
Dalam pengolahan teknik data mining, data
yang diubah yaitu :
1) Fungsi Ambil Data
Lama studi dan IPK untuk mengukur tingkat
kelulusan. Atribut lama studi dan IPK dibagi
menjadi beberapa interval.
Nama fungsi : Ambil Data
Deskripsi isi : Digunakan untuk mengambil data
kelulusan dan data induk mahasiswa kemudian
32

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
Nama fungsi : Bersihkan data
Deskripsi isi : Digunakan untuk membersihkan data
yang tidak sesuai dan tidak lengkap isiannya dari data
gabungan dan ditampilkan dalam view data gabungan
bersih untuk diolah lebih lanjut.
Spesifikasi proses/algoritma :
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
Proses mining proses masuk merupakan
proses mining untuk mengetahui hubungan
tingkat kelulusan dengan proses masuk
mahasiswa.
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 masing–masing item dalam Kategori
Hitung masing-masing item dalam proses
masuk
IF jumlah masing–masing item > threshold
THEN
Hitung kombinasi masing-masing item
kategori dan proses masuk
Hitung nilai support dan confidence
END IF
4) Fungsi Mining Asal Sekolah
Proses mining asal sekolah merupakan proses
mining untuk mengetahui hubungan tingkat
kelulusan dengan asal sekolah yang melalui
jalur beasiswa.
Nama fungsi : Mining Asal Sekolah Deskripsi isi :
Digunakan untuk proses mining atribut Asal Sekolah
Spesifikasi proses/algoritma :
Initial State (IS): view data gabungan
bersih terisi data bersih
Final State (FS): Keluar report hasil
proses mining asal sekolah
Spesifikasi Proses/algoritma:
Hitung masing –masing item dalam Kategori
Hitung masing-masing item dalam asal
sekolah dengan proses masuk Beasiswa
IF jumlah masing-masing item > threshold
THEN
Hitung kombinasi masing-masing item
kategori dan asal sekolah Hitung nilai
support dan confidence
END IF
5) Fungsi Mining Kota Asal
Jurnal Manajemen dan Informatika Komputer Pelita Nusantara
e-ISSN 2580-9741
p-ISSN 2088-3943
Proses mining asal kota merupakan proses
mining untuk mengetahui hubungan tingkat
kelulusan dengan asal kota mahasiswa,
digunakan data kota asal sekolah dengan asumsi
kota asal sekolah merupakan kota asal
mahasiswa.
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
Hitung kombinasi masing-masing item
kategori dan Kota Asal Hitung nilai
support dan confidence END IF
6) Fungsi Mining Program Studi
Proses mining program studi merupakan proses
mining untuk mengetahui hubungan tingkat
kelulusan dengan program studi.
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 Studi
Hitung nilai support dan confidence END IF
D. Implementasi Interface
Dalam lembaran aplikasi Data Mining ini
terdapat dua buah form :
1. Form pertama
Halaman awal yang berisi perintah
pengambilan data pemilihan atribut data induk
mahasiswa, input threshold, perintah proses
mining dan tombol keluar aplikasi.
2. Form kedua
Halaman report data mining yang berisi
hasil proses data mining yaitu tabel nilai support
dan confidence.
Gambar 4.2 Tampilan Form Data Mining
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
33
 e-ISSN 2580-9741
p-ISSN 2088-3943

proses mining dan tombol keluar untuk Pengujian Sistem

perintah keluar aplikasi. No Butir Uji Kelas Uji Tingkat Jenis
Pengujian Uji
Hasil keluaran dari proses data mining 1 Fungsi Tombol Pengujian Black
disajikan dalam form report Aplikasi Data pengambi ambil data sistem Box
Mining. Form ini terdiri dari dua informasi lan data
utama, yaitu informasi atribut dengan 2 Fungsi Tombol Pengujian Black
bersihkan Brsihkan sistem Box
confidence tertinggi masing-masing kategori data data
kelulusan dan tabel yang berisi nilai confidence 3 Fungsi Tombol Pengujian Black
dan support masing-masing kombinasi tingkat mining mining data sistem Box
kelulusan dan data
Atribut. Selain itu terdapat dua tombol perintah H. Hasil Uji
yaitu tombol kembali ke menu utama dan Hasil uji dianggap sukses jika pada tabel
tombol untuk keluar aplikasi. pengujian, hasil yang didapat sesuai dengan
kriteria evaluasi hasil dan hasil yang
diharapkan.
Tabel 4.9
Hasil Uji Teknik Data Mining

Gambar 4.2 Tampilan Report Data Mining

Implementasi rancangan data merupakan transformasi
rancangan data yang dihasilkan dari proses perancangan
data menjadi suatu database. Database merupakan suatu
data warehouse dengan nama “data Mining” yang dibangun
untuk menyimpan data kelulusan mahasiswa dan data induk
mahasiswa yang disatukan dengan key NIM dan disimpan
dalam tabel data gabungan.
Hasil rancangan antarmuka Aplikasi Data Mining
diimplementasikan dalam dua form. Form pertama
merupakan halaman awal yang berisi perintah pengambilan
data pemilihan atribut data induk mahasiswa, input
threshold, perintah proses mining dan tombol keluar
aplikasi. Sedangkan form kedua berupa informasi hasil
proses data mining yaitu tabel nilai support dan confidence.
Tombol dan inputan dalam form awal disusun secara
berurutan dan hanya bisa diakses secara terurut. Karena
dalam data mining proses tersebut bersifat sekuensial.
G. Pengujian Aplikasi Data Mining
Dalam pengujian Aplikasi Data Mining ini
digunakan teknik pengujian Black Box. Teknik
yang digunakan dalam pengujian Black Box
antara lain :
1. Digunakan untuk menguji fungsi-fungsi
khusus dari perangkat lunak yang dirancang.
2. Kebenaran perangkat lunak yang diuji hanya
dilihat berdasarkan keluaran yang
dihasilkan dari data atau kondisi masukan
yang diberikan untuk fungsi yang ada tanpa
melihat bagaimana proses untuk
mendapatkan keluaran tersebut dan
bagaimana hasil dari proses mining.
3. Dari keluaran yang dihasilkan, kemampuan
program dalam memenuhi kebutuhan
pemakai dapat diukur sekaligus dapat
diketahui kesalahan-kesalahannya.
Tabel 4.8
V. SIMPULAN DAN SARAN
Kesimpulan yang dapat diperoleh dari
penerapan teknik data mining dalam
menentukan tingkat kelulusan yaitu :
1. Informasi yang ditampilkan berupa nilai
support dan confidence yaitu hubungan
antara tingkat kelulusan dengan data induk
mahasiswa. Semakin tinggi nilai confidence
dan support maka semakin kuat nilai
hubungan antar atribut.
2. Data induk mahasiswa yang diproses
mining meliputi data proses masuk, data
asal sekolah, data kota mahasiswa, dan data
program studi.
3. Hasil dari proses data mining ini dapat
digunakan sebagai pertimbangan dalam
mengambil keputusan lebih lanjut tentang
faktor yang mempengaruhi tingkat kelulusan
khususnya faktor dalam data induk
mahasiswa.
4. Berdasarkan pengujian, dapat disimpulkan
bahwa pengolahan data dengan

Jurnal Manajemen dan Informatika Komputer Pelita Nusantara 34

 e-ISSN 2580-9741
p-ISSN 2088-3943

menggunakan teknik data Mining dapat Witten, I. H and Frank, E. 2005. Data Mining :
digunakan untuk mengetahui hubungan data Practical Machine Learning Tools and
kelulusan dengan data induk mahasiswa. Techniques Second Edition. Morgan
Saran dari penerapan teknik data mining Kauffman : San Francisco.
dalam pemanfaatan data awal mahaiswa yaitu :
1. Untuk pengembangan Aplikasi Data Mining
lebih lanjut, dapat menggunakan algoritma
lain, misal algoritma FP-Growth.
Perbedaannya adalah algoritma apriori harus
melakukan scan database setiap kali iterasi,
sedangkan algoritma FP-Growth hanya
melakukan satu kali scan database diawal.
2. Pengolahan data besar dan tidak beraturan
bila diolah dengan teknik data mining akan
memberikan informasi yang sangat
bermanfaat dalam meningkatkan pelayanan
manajemen pendidikan.
VI. REFERENSI
Anonim, 2009 “Peraturan Akademik
Universitas Diponegoro Bidang
Pendidikan”, Semarang.
Bramer, Max, 2007, “Principles of Data
Mining”, Springer, London.
Chintakayala, Padmini. 2005. “Beginners Guide
for Software Testing : Symbiosys
Technologies”.
Davies, and Paul Beynon, 2004, “Database
Systems Third Edition”, Palgrave
Macmillan, New York.
Elmasri, Ramez and Shamkant B. Navathe,
2000, “Fundamentals of Database
Systems. Third Edition”, Addison Wesley
Publishing Company, New York.
Han, J. and Kamber, M, 2006, “Data Mining
Concepts and Techniques Second Edition”.
Morgan Kauffman, San Francisco.
Kadir, Abdul, 1999, “Konsep dan Tuntunan
Praktis Basis Data”, Penerbit Andi,
Yogyakarta.
Kusrini, dan Emha Taufik Luthfi, 2009,
“Algoritma Data Mining”, Penerbit Andi,
Yogyakarta.
Pramudiono, I. 2007. Pengantar Data Mining :
Menambang Permata Pengetahuan di
Gunung Data.
Rainardi, Vincent, 2008, “Building a Data
Warehouse with Examples in SQL Server”,
Springer, New York.
Pressman, Roger S, 1997, “Software
Engineering:A Practitioner’s Approch.” The
McGraw-Hill Companies, Inc., New York
Santosa, Budi, 2007, “Data Mining Teknik
Pemanfaatan Data untuk Keperluan
Bisnis”, Graha Ilmu, Yogyakarta. Sommerville,
Ian, 2003, “Software Engineering
(Rekayasa Perangkat Lunak)/Edisi 6/Jilid 1”
Erlangga.

Jurnal Manajemen dan Informatika Komputer Pelita Nusantara 35