Journal of Data Mining
Analisa Dan Komparasi Algoritma Data Mining Untuk
Pengklasifikasian Pekerjaan Lulusan Mahasiswa
D2 Manajemen Informatika di Akademi Komunitas Negeri
Bojonegoro
Aries Alfian Prasetyo
Prodi Magister Teknik Informatika, Universitas Dian Nuswantoro
aries.alfian@gmail.com
Abstrak: Idealnya Indeks Prestasi Komulatif (IPK) dapat
dijadikan sebagai tolok ukur bagi prestasi dan kemampuan
mahasiswa dalam karir mereka setelah lulus, namun
kenyataan dilapangan berkata lain. Diperlukan faktor lain
yang dapat mendukung IPK agar industri atau dunia kerja
bisa menerima mereka untuk bekerja, jika berwirausaha
produk yang dihasilkan disukai pelanggan, factor tersebut
adalah pengalaman berorganisasi dan sertifikasi keahlian.
Metode penelitian yang digunakan adalah dengan
menggunakan dataset pekerjaan mahasiswa lulusan Akademi
Komunitas Negeri Bojonegoro, Komparasi menggunakan 5
Algoritma klasifikas, dengan model validasi 10 fold cross
validation, metode evalusi dengan accuracy, dan Uji Beda T-
Test digunakkan untuk mencari perbandingan performa dari
masing-masing Algoritma. Dari hasil analisa perbandingan
algoritma untuk pengklasifikasian pekerjaan mahasiswa
setelah lulus, algoritma dengan akurasi paling tinggi adalah
algoritma Decision Tree (C4.5), dan yang terendah adalah
algoritma ID3. Dalam proses uji beda dengan menggunakan t-
test hasil klasifikasi pekerjaan mahasiswa setelah lulus, tidak
ada perbedaan performa yang signifikan antara, Decision Tree
(C4.5), K-NN Naïve Bayes, dan random forest perbedaan
muncul pada algoritma terdapat pada algoritma ID3.
Kata Kunci: Pengklasifikasian Pekerjaan Lulusan, Komparasi
Algoritma Klasifikasi Data Mining.
1 PENDAHULUAN
Akademi komunitas merupakan Perguruan Tinggi yang
menyelenggarakan pendidikan vokasi setingkat diploma satu
dan/atau diploma dua dalam satu atau beberapa cabang Ilmu
pengetahuan dan/atau Teknologi tertentu berbasis keunggulan
local atau untuk memenuhi kebutuhan khusus, (Menteri
Pendidikan Nasional, 2012). Sebagai sebuah lembaga
pendidikan tinggi, AKN Bojonegoro memiliki kewajiban
untuk membina dan mengembangkan bakat dari setiap anak
didik atau mahasiswanya, (Komunitas, Pendidlkan,
Kebudayaan, & Indonesia, 2013). Dalam masa pendidikan 2
tahun mahasiswa diasah skil dan mental mereka hingga
akhirnya ketika lulus mahasiswa siap untuk berkarir,
khususnya dibidang informatika dan bidang lain pada
umumnya.
Dalam mengasah skil dan mental mahasiswa, lembaga
telah mempersiapkan berbagai kegiatan yang bisa diikuti
mahasiswa selama melakukan studi, diantaranya organisasi
mahasiswa dan sertifikasi keahlian untuk mahasiswa.
Tujuannya dengan berorganisasi mahasiswa memiliki
pengalaman bekerja kelompok dan memecahkan masalah
secara bersama-sama, sekaligus sebagai ajang sosialisasi
sehingga pemikiran bidang social mahasiswa semakin luas
dan terbuka.
Copyright @ 2015 aries alfian prasetyo
Prodi Magister Teknik Informatika, Universitas Dian Nuswantoro
Selain mengasah kemampuan mahasiswa untuk
berorganisasi, mahasiswa juga harus memiliki pengakuan dan
penilaian dari skill yang telah mereka terima dan miliki. Hal
itu akan didapat melalui kegiatan sertifikasi keahlian,
sertifikasi keahlian yang diikuti tentunya sesuai dengan fokus
skill bidang Informatika masing-masing mahasiswa. Dengan
pengakuan dari sertifikasi keahlian dan keikutsertaan
mahasiswa dalam berorganisasi, diharapkan saat lulus nanti
kedua hal tersebut dapat menjadi nilai tambah bagi Indeks
Prestasi Komulatif (IPK) yang didapat mahasiswa saat lulus
nanti.
Idealnya IPK dapat dijadikan sebagai tolok ukur bagi
prestasi dan kemampuan mahasiswa dalam karir mereka
setelah lulus, namun kenyataan dilapangan berkata lain,
diperlukan factor pendukung lain yang dapat mendukung IPK
agar industry bisa menerima mereka maupun pelanggan bisa
membeli produk mereka, factor yang dimaksud adalah adalah
pengalaman berorganisasi dan sertifikasi keahlian
2 TINJAUAN STUDI
Berbagai penelitian mengenai Pekerjaan Mahasiwa
lulusan telah dilakukan sebelumnya. Perbedaan yang paling
menonjol dari tiap penelitian terletak pada dataset dan fitur-
fitur yang digunakkan. Perbedaan lain juga terletak pada
metode klasifikasi.
Parameter penentuan atribut atau variable bebas dalam
penelitian ini akan menentukan hasil atau label yang akan
didapatkan, seperti diketahui atribut yang digunakan dalam
penelitian ini adalah Prestasi Akademik, Sertifikasi
Kompetensi dan Minat atau Kegiatan Pendukung. Dari hasil
survei menunjukkan bahwa ketiga atribut atau tersebut dapat
dijadikan sebagai acuan dalam analisa pekerjaan yang sesuai
bagi mahasiswa lulusan,(Sugiyanto, Suprapedi, 2009).
Setelah diketahui atribut yang dapat menentukan hasil,
pembobotan dilakukan dengan metode perbandingan
berpasangan (pairwise comparisons) untuk menentukan
tingkat relatifitas terhadap kriteria lainnya.
Penelitian lain disebutkan (Kaswidjanti, Charibaldi, &
Mallisa, 2010), untuk akumulasi total relasi dapat
menggunakan metode AHP dengan prinsip pembobotan direct
data entry serta himpunan Fuzzy pada Logika Fuzzy. Penetuan
pekerjaan yang sesuai dilakukan dengan kriteria yang telah
dimasukkan.
Dari penelitian-penelitian tersebut, penentuan pekerjaan
dapat dilakukan dengan menggunakan metode perbandingan
berpasangan (pairwise comparisons), AHP dan menggunakan
Logika Fuzzy. Dalam proses klasifikasi masalah yang akan
muncul adalah tingkat akurasi dari sebuah metode yang
digunakan untuk analisa, semakin tinggi tingkat akurasi
penentuan label atau hasil akan lebih baik.
Tingkat akurasi dalam analisa suatu data dapat diukur
apabila dilakukan komparasi dari algoritma, selain tingkat
1
Journal of Data Mining
akurasi performa dari tiap algoritma yang digunakan juga
dapat diketahui. Sebelumnya teknik komparasi algoritma
telah dilakukan oleh, (Yu, Chen, Koronios, Zhu, & Guo,
2007). Dalam penelitian tersebut komparasi algoritma
digunakan untuk penentuan resiko kredit, hasil dari
penelitian tersebut algoritma CBA memiliki akurasi dan
performa terbaik untuk pencarian resiko kredit.
Dalam penelitian ini, analisa klasifikasi pekerjaan
dilakukan dengan mengkomparasi algoritma, 5 algoritma
yaitu Decision Tree (C4.5), K-NN Naïve Bayes, dan random
forest dan ID3. untuk menentukan algoritma mana yang
memiliki tingkat akurasi tinggi dan performa terbaik untuk
menentukan suatu pekerjaan yang cocok bagi mahasiswa
lulusan.
3 TINJAUAN PUSTAKA
3.1 Profesi Dalam Bidang Informatika
Dalam berkarir dibidang Informatika secara umum,
pekerjaan di bidang teknologi informatika setidaknya terbagi
dalam 3 kelompok sesuai bidangnya, (Habibie, 2005).
a. Kelompok pertama, system, analis dan programmer adalah
mereka yang bergelut di dunia perangkat lunak (software),
baik mereka yang merancang dan mengimplementasikan
system operasi,database maupun system aplikasi.
b. Kelompok kedua, Technical engineer adalah mereka yang
bergelut di bidang perangkat keras (hardware). sering juga
disebut teknisi, yaitu orang yang berkecimpung dalam
bidang teknik, baik mengenai pemeliharaan maupun
perbaikan perangkat system computer, jaringan computer
dari maintenance sampai pada troubleshooting-nya.
c. Kelompok ketiga, System Administrator dan Operator
adalah mereka yang berkecimpung dalam administrasi dan
operasional system informasi, memiliki kewenangan
meng¬gunakan hak akses terhadap system, serta hal-hal
lain yang berhubungan dengan pengaturan operasional
sebuah system.
b. Jenis Sertifikasi Bidang Informatika
Pada dasarnya ada 2 jenis sertifikasi yang umum
dikenal di masyarakat, yaitu
• Sertifikasi akademik (sebetulnya tidak tepat disebut
sertifikasi) yang memberiakan gelar, Sarjana, Master dll
• Sertifikasi profesi. Yaitu suatu sertifikasi yang diberikan
berdasarkan keahlian tertentu untuk profesi tertentu.
Dalam Sertifikasi Profesi Bidang Informatika terdapat
beberapa jenis,
1) Sertifikasi untuk Bahasa Pemrograman
2) Sertifikasi untuk Database
3) Sertifikasi untuk office
4) Sertifikasi di bidang Jaringan
5) Sertifikasi dibidang Graphics dan Multimedia
Dari jenis pekerjaan dan sertifikasi tersebut akan
ditentukan jenis pekerjaan yang paling banyak digeluti oleh
mahasiswa setelah lulus, jika dilihat dari tolok ukur IPK,
pengalaman berorganisasi dan sertifikasi keahlian.
3.2 Data Mining
Data mining merupakan proses untuk menemukan pola
(pattern) dari suatu data. Pola (pattern) yang ditemukan harus
memiliki arti atau mengandung informasi penting (Witten,
Frank, & Hall, 2011)
Data mining adalah proses analisis dari dataset (berukuran
besar) untuk menemukan suatu hubungan tak terduga serta
meringkas data tersebut dengan cara baru yang dapat
dimengerti dan bermanfaat bagi pemilik data
Secara khusus, data mining menggunakan ide-ide seperti
(1) pengambilan contoh, estimasi, dan pengujian hipotesis,
dari statistika dan (2) algoritme pencarian, teknik pemodelan,
dan teori pembelajaran dari kecerdasan buatan, pengenalan
pola, dan machine learning.
Data mining juga telah mengadopsi ide-ide dari area lain
meliputi optimisasi, evolutionary computing, teori informasi,
pemrosesan sinyal, visualisasi dan information retrieval. .
Gambaran lebih jelas pada data mining ada pada gambar 3.1
Tahapan data mining.
Gambar 3.1 Tahapan Data Mining
3.3 Klasifikasi
Klasifikasi adalah suatu bentuk analisa data yang
mengekstrak data atau atribut dan menggambarkanya
kedalam data yang lebih penting, (Han, Kamber, & Pei,
2012).
Klasifikasi adalah proses menemukan model (fungsi) yang
menjelaskan dan membedakan kelas-kelas atau konsep,
dengan tujuan agar model yang diperoleh dapat digunakan
untuk memprediksikan kelas atau objek yang memiliki label
kelas tidak diketahui. Model yang turunkan didasarkan pada
analisis dari training data (yaitu objek data yang memiliki
label kelas yang diketahui). Model yang diturunkan dapat
direpresentasikan dalam berbagai bentuk seperti aturan IF-
THEN klasifikasi, pohon keputusan, formula matematika atau
jaringan syarf tiruan.(Larose, 2005)
Dalam penelitian ini, analisa klasifikasi pekerjaan
dilakukan dengan mengkomparasi 5 algoritma yaitu Decision
Tree (C4.5), K-NN Naïve Bayes, dan random forest dan ID3.
untuk menentukan algoritma mana yang memiliki tingkat
akurasi tinggi dan paling optimal untuk menentukan suatu
pekerjaan yang cocok bagi mahasiswa lulusan.
a. Decision Tree
Decision Tree adalah metodologi klasifikasi, dimana proses
klasifikasi dimodelkan dengan menggunakan satu set
keputusan secara hirakis pada tiap variable diwujudkan dalam
struktuk seperti pohon. (Aggarwal, 2015).
A
Yes No
B C
Yes No
No Yes
X C D
Gambar 3.2 Pohon Keputusan
Tahapan-tahapan pencarian dalam algoritma
decision tree (C4.5) diawali dengan memilih informasi
tertinggi pada suatu atribut atau disebut dengan Gain. Gain
Journal of Data Mining
mengukur seberapa baik suatu attribute memisahkan training
example ke dalam kelas target. Dengan tujuan untuk
mendefiniskan gain, pertama-tama digunakanlah ide dari teori
informasi yang disebut entropi. Entropi mengukur jumlah
informasi yang ada pada atribut. Rumus Entropi adalah:
( ) = − ∑ p (1)
S = Himpunan dataset kasus
P = Probabilitas yang didapat dari jumlah
kasus pada partisi dibagi total kasus
Rumus untuk menghitung gain adalah:
(2)
| |
( , ) = ( ) − (
| |
∈
S = himpunan kasus
A = atribut
|Sa| = Jumlah kasus pada bagian ke-a
|S| = Jumlah kasus dalam S
Setelah mendapatkan informasi dari semua atribut yang
dihitung, atribut dengan information gain tertinggi dipilih
sebagai atribut node awal (root node) serta cabang-cabangnya
di buat sesuai nilai-nilai kemungkinan. Proses ini terus
berulang sepanjang atau pada setiap cabang.
b. K-NN (K-Nearest Neighboor)
Algoritma k-nearest neighbor adalah algoritma klasifikasi
yang mengklasifikasikan titik data dengan mengambil suara
terbanyak yang paling mirip dengan k titik data. (Hastie,
Tibshirani, Friedman, 2009).
Jika D adalah sekumpulan data pelatihan maka ketika data
uji d disajikan, algoritma akan menghitung jarak antara setiap
data dalam D dengan data uji d. perhitungan jaraj dilakukan
menggunakan Euclidian distance. Kemudian, k buah data
dalam D yang memiliki jarak terdekat denagn d diambil.
Himpunan k merupakan k-nearest neighbor.
Tahapan-tahapan algoritma k-nearest neighbor (k-NN):
1. Tentukan parameter K (jumlah tetangga terdekat),
2. Hitung jarak antara data baru dengan semua data
training. Jarak antara data baru dengan semua data
training (jarak euclidian) dapat diperoleh dengan
menggunakan rumus:
(3)
( , ) = ( )
Keterangan :
d = jarak Euclidian (jarak antara titik
pada data training x dan titik ata
testing y yang akan diklasifikasi.
, ,….., = nilai atribut
, ,….., = nilai atribut
i = nilai atribut
n = dimensi atribut
3. Urutkan jarak tersebut dan tetapkan tetangga terdekat
berdasarkan jarak minimum ke-K,
4. Periksa class dari tetangga terdekat,
5. Gunakan mayoritas sederhana dari class tetangga
terdekat sebagai nilai prediksi data baru
c. Naïve Bayes
Merupakan metode klasifikasi dengan menggunakan
probabilitas dan statistik untuk menentukan peluang dimasa
Copyright @ 2015 aries alfian prasetyo
Prodi Magister Teknik Informatika, Universitas Dian Nuswantoro
depan. Dimana antar atribut tidak saling berkaitan atau tidak
menentukan.(Mitchell, 2015).
Dalam mencari kemungkinan peluang dalam sebuah kasus
algoritma naïve bayes menggunakan rumus:
( | ). ( ) (4)
( | ) =
( )
B = Label atau kelas pada sebuah table kasus
A = Atribut dalam suatu table kasus
P(B) = Probabilitas dari suatu kelas
P(A) = Probabilitas dari suatu atribut
P(A|B) = Ketentuan dari atribut A yang memberikan
probabilitas pada kelas B
P(B|A) = Probabilitas dari class B yang memberikan
ketentuan terhadap atribut A
)
Tahapan Algoritma Naïve Bayes, sebagai berikut:
1) Hitung P(B) : berapa jumlah kemungkinan dari semua
data.
2) Tentukan atribut yang memiliki probabilitas yang sama P
(A|B)
3) Hitung hasil dengan probabilitas data sesuai hipotesis.
4) Cari nilai maksimum dari hasil hitung.
d. Random Forest
Metode random forest adalah pengembangan dari metode
CART, yaitu dengan menerapkan metode bootstrap
aggregating (bagging) dan random feature selection (Breiman
2001). Dalam random forest, banyak pohon ditumbuhkan
sehingga terbentuk hutan (forest), kemudian analisis
dilakukan pada kumpulan pohon tersebut. Pada gugus data
yang terdiri atas n amatan dan p peubah penjelas, random
forest dilakukan dengan cara (Breiman 2001; Breiman &
Cutler 2003):
1. Lakukan penarikan contoh acak berukuran n dengan
pemulihan pada gugus data. Tahapan ini merupakan
tahapan bootstrap.
2. Dengan menggunakan contoh bootstrap, pohon dibangun
sampai mencapai ukuran maksimum (tanpa pemangkasan).
Pada setiap simpul, pemilihan pemilah dilakukan dengan
memilih m peubah penjelas secara acak, dimana m << p.
Pemilah terbaik dipilih dari m peubah penjelas tersebut.
Tahapan ini adalah tahapan random feature selection.
3. Ulangi langkah 1 dan 2 sebanyak k kali, sehingga
terbentuk sebuah hutan yang terdiri atas k pohon.
Respons suatu amatan diprediksi dengan menggabungkan
(aggregating) hasil prediksi k pohon. Pada masalah klasifikasi
dilakukan berdasarkan majority vote (suara terbanyak). Error
klasifikasi random forest diduga melalui error OOB yang
diperoleh dengan cara (Breiman 2001; Breiman & Cutler
2003; Liaw & Wiener 2002):
1. Lakukan prediksi terhadap setiap data OOB pada pohon
yang bersesuaian. Data OOB (out of bag) adalah data yang
tidak termuat dalam contoh bootstrap.
2. Secara rata-rata, setiap amatan gugus data asli akan menjadi
data OOB sebanyak sekitar 36% dari banyak pohon. Oleh
karena itu, pada langkah 1, masing-masing amatan gugus
data asli mengalami prediksi sebanyak sekitar sepertiga kali
dari banyaknya pohon. Jika a adalah sebuah amatan dari
gugus data asli, maka hasil prediksi random forest terhadap
a adalah gabungan dari hasil prediksi setiap kali a menjadi
data OOB.
3. Error OOB dihitung dari proporsi misklasifikasi hasil
prediksi random forest dari seluruh amatan gugus data asli.
Breiman dan Cutler (2003) menyarankan untuk mengamati
error OOB saat dan k kecil, lalu memilih m yang
menghasilkan error OOB terkecil. Jika random forest
3
Journal of Data Mining

dilakukan dengan menghasilkan variable importance, Data yang digunakan adalah data yang didapatkan dari
disarankan untuk menggunakan banyak pohon, misalnya hasil rekap staff administrasi AKN Bojonegoro, data tersebut
1000 pohon atau lebih. Jika peubah penjelas yang dianalisis berisi Nama Mahasiswa, Jenis Kelamin, Organisasi,
sangat banyak, nilai tersebut dapat lebih besar agar variable Sertifikat, IPK dan Bidang Kerja.. Untuk lebih jelas lihat pada
importance yang dihasilkan semakin stabil. gambar 4.1 Struktur Metodologi Penelitian.
e. ID3 (Iterative Dichotomiser 3)
Algoritma ID3 atau Iterative Dichotomiser 3 (ID3)
merupakan sebuah metode yang digunakan untuk Dataset
membangkitkan pohon keputusan. Algoritma pada metode ini
menggunakan konsep dari entropy informasi. Pemilihan Dataset Pekerjaan Mahasiswa
Lulusan Akademi Komunitas
atribut dengan menggunakan Information Gain. Pemilihan Negeri Bojonegoro
atribut pada ID3 dilakukan dengan properti statistik, yang
disebut dengan information gain. Gain mengukur seberapa
baik suatu atribut memisahkan training example ke dalam
kelas target. Atribut dengan informasi tertinggi akan dipilih.
Dengan tujuan untuk mendefinisikan gain, pertama-tama Algoritma Klasifikasi
digunakanlah ide dari teori informasi yang disebut entropy.
Entropy mengukur jumlah dari informasi yang ada pada Decision
K-NN
Naïve Random
ID3
Tree (C4.5) Bayes Forest
atribut dengan rumus.

( ) = − ∑ p (5)
Metode Validasi
S = Himpunan dataset kasus
P = Probabilitas yang didapat dari jumlah 10 fold cross
Validation
kasus pada partisi dibagi total kasus
Pada algoritma ID3 pengurangan entropy disebut dengan
informasi gain. Pembagian sample S terhadap atribut A dapat
dihitung information gain dengan rumus Metode Evaluasi
(6)
| | Accuracy
( , ) = ( ) − ( )
| |
∈
S = himpunan kasus
A = atribut Metode Perbandingan
|Sa| = Jumlah kasus pada bagian ke-a
T-Test
|S| = Jumlah kasus dalam S
Pilih atribut yang memiliki nilai information gain terbesar,
ulangi proses perhitungan information gain akan terus
Gambar 4.1 Struktur Metodologi Penelitian
dilaksanakan sampai semua data telah masuk dalam kelas
yang sama. Atribut yang telah dipilih tidak diikutkan lagi
Sebagai label dalam data ini adalah atribut Bidang Kerja,
dalam perhitungan nilai information gain
sehingga tolak ukur klasifikasinya mahasiswa dengan IPK
tinggi, mengikuti organisasi dan mempunyai sertifikat akan
4 METODOLOGI PENELITIAN bekerja sebagai Admin, Teknisi, Operator atau berwirausaha,
Dalam mengetahui bidang pekerjaan yang paling banyak
begitu juga sebaliknya jika mahasiswa tidak berorganisasi dan
digeluti oleh mahasiswa setelah lulus, jika dilihat dari tolok memiliki sertifikat bidang kerja apa yang akan mereka tekuni.
ukur IPK, pengalaman berorganisasi dan sertifikasi keahlian. Tabel 4.2 Dataset Pekerjaan Mahasiswa Lulusan.
Digunakan perbandingan dengan 5 algoritma yaitu; 1)
Decision Tree (C4.5), 2) K-NN, 3). Naïve bayes, 4). Random Tabel 4.2 Dataset Pekerjaan Mahasiswa Lulusan
Forest, 5). ID3. Lebih jelas dijabarkan dalam Tabel 4.1
Klasifikasi algoritma. BIDANG
Tabel 4.1 Klasifikasi Algoritma Nama Jenis Kelamin Organis Sertifik IPK KERJA
asi at
Decision Nearest Statistical Abdul LAKI-LAKI YA YA 3.25 Teknisi
Ghofur
Tree Neighbor Clasifier Achmad Aris LAKI-LAKI TIDAK YA 3.12 Programmer
C4.5 K-NN Naïve Bayes Prayogo
Adik Mei LAKI-LAKI TIDAK YA 3.23 Programmer
Random Praja
Forest Aditya LAKI-LAKI TIDAK YA 3.5 Programmer
ID3 Mahatma
Agung Dwi LAKI-LAKI YA YA 3.45 Teknisi
Suprayogo
Agung LAKI-LAKI TIDAK YA 3.1 Programmer
Langkah awal dalam penelitian adalah melakukan validasi Supramono
terhadap dataset dengan model validasi 10 fold cross Agus LAKI-LAKI TIDAK YA 3.24 Programmer
validation, kemudian melakukan evaluasi dengan Rudianto
Ahmad Azmi LAKI-LAKI TIDAK YA 3.5 Programmer
menggunakan metode evalusi accuracy, dan Uji Beda T-Test Muhyiddin
digunakkan untuk mencari perbandingan performa dari Ahmad LAKI-LAKI YA TIDAK 2.81 Wirausaha
masing-masing algoritma. Khafidzyi
Ahmad Lutfi LAKI-LAKI YA YA 3.45 Teknisi

Copyright @ 2015 aries alfian prasetyo

Prodi Magister Teknik Informatika, Universitas Dian Nuswantoro
4
Journal of Data Mining

Masruri M.
Ahmad LAKI-LAKI YA TIDAK 3.05 Admin Qomarudin LAKI-LAKI YA YA 3.13
Muharom Prima Admin
Alfry Aryo LAKI-LAKI YA TIDAK 3.4 Wirausaha M.
Arifiansyah Salahhuddin LAKI-LAKI TIDAK YA 3.28
Alifatun PEREMPUAN YA YA 3.12 Teknisi Abdurohim Programmer
Nurma Diatik Maulana
Amim LAKI-LAKI TIDAK YA 2.98 Programmer Panji Lintang LAKI-LAKI YA TIDAK 3.1
Thobary Pati Wirausaha
Andon Arifin LAKI-LAKI TIDAK YA 3.03 Programmer
Michael
Anggie Indah PEREMPUAN TIDAK YA 3.34 Programmer
Febry
Purwitaning LAKI-LAKI TIDAK TIDAK 3.35
Prawindaput
Ari Wijayanti LAKI-LAKI YA YA 3.25 Admin
ra Kuliah
Ariq Ro'iyah LAKI-LAKI YA YA 3.21 Teknisi
Ashofi Miftahul
LAKI-LAKI TIDAK YA 3.4
Arsyad LAKI-LAKI YA YA 3.54 Programmer Hadi Heri D Programmer
Bahtyar Alim Moch. Edvin
LAKI-LAKI TIDAK YA 3.31
Arya Andrianto Programmer
LAKI-LAKI YA YA 3.21 Moh, Luluk
Suprayoga Teknisi LAKI-LAKI TIDAK YA 3.15
Aryanti Sekar Nur Azis Programmer
PEREMPUAN YA TIDAK 3.2 Mohamad
Wahyu Wirausaha LAKI-LAKI TIDAK YA 3.3
Asrorul Juwahir Programmer
PEREMPUAN TIDAK YA 3.11 Much. Umar
Mufidah Programmer LAKI-LAKI TIDAK YA 3.25
Audina Gufron Programmer
Meycher PEREMPUAN TIDAK TIDAK 3.35 Muhammad
LAKI-LAKI YA YA 3.03
Novita Kuliah Ali Imron Teknisi
Awalluddin Muhammad
Syaroni LAKI-LAKI TIDAK YA 3.21 Aminur LAKI-LAKI YA YA 3.27
Ahmad Programmer Rohman Teknisi
Azis Amrozi LAKI-LAKI TIDAK YA 3.12 Programmer Muhammad
Badrus Rico Satrio LAKI-LAKI TIDAK YA 3.1
LAKI-LAKI YA YA 3.52 Agung Teknisi
Sholeh Programmer
Bagus Muhammad
LAKI-LAKI TIDAK TIDAK 2.98 LAKI-LAKI TIDAK YA 3.28
Hermanu Kuliah Sucondro Programmer
Bagus Try Muhammad
LAKI-LAKI YA YA 3.19
Hatmojo LAKI-LAKI TIDAK YA 3.11 Syamsul Arif Admin
Nugroho Programmer Muhlas
LAKI-LAKI YA YA 2.96
Bagus Amirudin Admin
LAKI-LAKI YA YA 3.25 Muizza Ainur
Wicaksono Admin PEREMPUAN YA YA 3.12
Beni Pranata LAKI-LAKI TIDAK YA 3.26 Programmer Rasyida Admin
Bobit Ahmad Mula Agung
LAKI-LAKI TIDAK YA 3.46 LAKI-LAKI YA YA 3.32
Mustain Programmer Barata Kuliah
Choirun Nisa' Nauwarotul
PEREMPUAN YA TIDAK 3.18 PEREMPUAN TIDAK TIDAK 3.23
Al Hikmah Kuliah Fariidah Kuliah
Danang Nova Faizal
LAKI-LAKI TIDAK TIDAK 3.19
Samudra LAKI-LAKI YA YA 3.12 Chariz Kuliah
Prasetya Teknisi Nova Luvian
LAKI-LAKI YA YA 3.29
Dedy Rusadi Sovie Kuliah
LAKI-LAKI TIDAK YA 3.22 Novianti PEREMPUAN YA TIDAK 3.03 Admin
Wira Winata Programmer
Dewi Indah Novita
PEREMPUAN TIDAK YA 3.1 PEREMPUAN YA TIDAK 3.22
Novitasari Teknisi Tiyana Putri Wirausaha
Didin Candra Panji
LAKI-LAKI TIDAK YA 3.25 LAKI-LAKI YA YA 3.12
Rahmadani Programmer Prasiyanto Teknisi
Doni Parlina Ratna
LAKI-LAKI TIDAK YA 3.34 PEREMPUAN YA YA 3.16
Christopher Programmer Kusuma Admin
Eko Sandi Raden Risda
LAKI-LAKI YA YA 3.18 LAKI-LAKI YA YA 3.21
Hermawan Admin Anom Rahino Admin
Eko Wahyu Radita Dwi
LAKI-LAKI TIDAK YA 3.16 PEREMPUAN YA YA 3.18
Nugroho Programmer Stitaningrum Admin
Ellentiya Rahma
PEREMPUAN TIDAK YA 3.24 Ananta PEREMPUAN YA YA 3.2
Candra Dewi Programmer
Emylia Pratama Admin
PEREMPUAN YA TIDAK 2.97 Rahmat Tri
Indriasari Wirausaha LAKI-LAKI YA YA 3.23
Erika Evi Nuryanto Admin
PEREMPUAN YA YA 3.12 Ria Lestari PEREMPUAN TIDAK YA 3.23 Programmer
Rahmawati Admin
Handayani
Fendy Dwi
LAKI-LAKI TIDAK YA 3.18 Rico Wahyu LAKI-LAKI YA YA 3.18 Admin
Kurniawan Programmer
Prasetiyo
Gupron LAKI-LAKI YA TIDAK 3.02 Wirausaha
Riska Nurul PEREMPUAN YA YA 3.28 Admin
Hendra Deni Armei Lia
LAKI-LAKI YA YA 3.2
Afriliya Teknisi Riyadi LAKI-LAKI TIDAK YA 3.31 Programmer
Hilda Rozika Afifi PEREMPUAN YA YA 3.12 Admin
PEREMPUAN TIDAK YA 3.34
Prastika Putri Programmer Rumpoko LAKI-LAKI YA TIDAK 3.01 Wirausaha
Irfandi Jati Kusumo
LAKI-LAKI YA YA 3.13
Alamsyah Teknisi Saeful Anwar LAKI-LAKI YA YA 3.2 Admin
Isna Fitria Sakti Wiku LAKI-LAKI YA YA 3.28 Teknisi
PEREMPUAN TIDAK YA 3.16
Nurrohma Programmer Wicaksono
Khusnul Santri PEREMPUAN YA YA 3.1 Admin
PEREMPUAN YA YA 3.12
Khotimah Admin Wahyuning
Khusnul Pangastuti
PEREMPUAN TIDAK YA 3.12 Septian Adi LAKI-LAKI YA YA 3.23 Teknisi
Khotimah Programmer
Lailatul Nugraha
PEREMPUAN YA YA 3.26 Siti Khusnul PEREMPUAN TIDAK YA 3.26 Programmer
Aisyah Admin
M. Chotibul Khotimah
LAKI-LAKI TIDAK YA 3.04 Suharyanto LAKI-LAKI YA TIDAK 3.03 Wirausaha
Umam Programmer
Syech LAKI-LAKI YA YA 3.54 Wirausaha
M. Fajar
LAKI-LAKI YA TIDAK 3.02 Alifiansyah
Apriliyanto Wirausaha
Mustafa
Copyright @ 2015 aries alfian prasetyo
Prodi Magister Teknik Informatika, Universitas Dian Nuswantoro
5
Journal of Data Mining

Teguh LAKI-LAKI YA YA 3.01 Teknisi 6 KESIMPULAN

Pranoto
Tita Safaatin PEREMPUAN YA TIDAK 3.04 Wirausaha Komparasi yang dilakukan untuk menganalisa performa
Tutut PEREMPUAN TIDAK YA 3.32 Programmer algoritma klasifikasi dengan menggunakan dataset pekerjaan
Pamungkas mahasiswa lulusan AKN Bojonegoro, dengan menggunakan 5
Widya Tanti PEREMPUAN YA YA 2.9 Admin
Oktavia Algoritma, model validasi 10 fold cross validation, metode
Wulan PEREMPUAN YA YA 3.12 Teknisi evalusi dengan accuracy, dan T-Test digunakkan untuk
Novitasari
Yella PEREMPUAN TIDAK YA 3.26 Programmer
mencari perbandingan performa. Dari hasil analisa
Ndarullyana perbandingan algoritma untuk pengklasifikasian pekerjaan
Yoga Septian LAKI-LAKI YA YA 3.1 Wirausaha mahasiswa setelah lulus, algoritma dengan akurasi paling
Haryomurti
Yudhistira tinggi adalah algoritma Decision Tree (C4.5), dan yang
Miftakhul LAKI-LAKI YA YA 3 terendah adalah algoritma ID3. Dalam proses uji beda dengan
Firdaus Admin menggunakan t-test hasil klasifikasi pekerjaan mahasiswa
Zaenal
Mahbubin
LAKI-LAKI TIDAK YA 3.12
Programmer setelah lulus, bahwa algoritma Decision Tree (C4.5) K-NN,
Zakta Naïve Bayes, dan Random Forest memiliki performa yang
LAKI-LAKI YA YA 3.01
Okcendra Admin bagus dan tidak memiliki perbedaan signifikan , perbedaan
performa muncul pada hasil algoritma ID3 .
5 HASIL DAN PEMBAHASAN
Eksperimen dilakukan menggunakan sebuah laptop 7 DAFTAR PUSTAKA
dengan prosessor berbasis Intel Core I5 2.4 Ghz CPU, 4,00
GB RAM, dan system operasi Windows 7 Ultimate Service Aggarwal, C. C. (2015). Data Mining, The Textbook.
Pack 1 64-bit. Software yang digunakkan adalah RapidMiner http://doi.org/10.1007/978-3-319-14142-8
6.2 library. Habibie, I. (2005). Jenis profesi IT. Depok: Universitas Gunadarma.
Hasil pengukuran kinerja confusion matrix dari 5 Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and
algoritma yang diterapkan pada dataset pekerjaan yang cocok Techniques. (Elsevier, Ed.) (3rd ed.). USA: Morgan Kaufman.
untuk mahasiswa setelah lulus kuliah dengan data mahasiswa Hastie, Tibshirani, Friedman. (2009). Springer Series in Statistics
The Elements of. The Mathematical Intelligencer, 27(2), 83–
yang ada diperoleh hasil sebagai berikut;
85. http://doi.org/10.1007/b94608
Tabel 5.1 Accuracy dari 5 algoritma Kaswidjanti, W., Charibaldi, N., & Mallisa, D. L. (2010).
Pengembangan aplikasi pendukung keputusan untuk
Decision K- Naïve Random ID3 menentukan pekerjaan di bidang teknologi informasi,
Tree NN Bayes Forest 2010(semnasIF), 71–79.
(C4.5) Komunitas, A., Pendidlkan, M., Kebudayaan, D. a N., & Indonesia,
Accuracy 71.27 70.09 62.5 61.55 23.82 R. (2013). Nomor 12 Tahun 2012 tentang.
% % % % % Larose, D. T. (2005). Discovering Knowledge in Data an
introduction to data mining. Vasa. Retrieved from
http://medcontent.metapress.com/index/A65RM03P4874243
Dari Tabel 5.1 Accuracy dapat dilihat bahwa algoritma N.pdf
Decision Tree (C4.5) menunjukkan tingkat akurasi paling Menteri Pendidikan Nasional. (2012). Undang -Undang Republik
tinggi dengan capaian 71.27 %, diikuti K-NN dengan 70,09 % Indonesia Nomor 12 Tahun 2012 Tentang Pendidikan Tinggi,
berikutnya Naïve Bayes dengan 62,5 % dan terakhir Random 1–97. Retrieved from http://www.dikti.go.id/id/peraturan-
Forest dengan 61,55 % sedangkan tingkat akurasi paling perundangan/
rendah ditunjukkan oleh algoritma ID3 dengan tingkat akurasi Mitchell, T. M. (2015). CHAPTER 3 GENERATIVE AND
23.82 %. DISCRIMINATIVE CLASSIFIERS : NAIVE BAYES AND
Selanjutnya untuk memperoleh tingkat perbedaan dari LOGISTIC REGRESSION Learning Classifiers based on
Bayes Rule, 1–17.
kelima algoritma tersebut akan ditunjukkan hasil t-test pada
Sugiyanto, Suprapedi,. (2009). Penentuan Kompetensi Mahasiswa
table dibawah ini. Berdasarkan Prestasi Akademik, Sertifikasi Kompetensi,
Tabel 5.2 Hasil T-Test Minat, dan Kegiatan Pendukung. Universitas Dian
Deccision K- Naïve Random ID3 Nuswantoro, 5, 766–774.
Tree NN Bayes Forest Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining Third
Deccision 0.790 0.064 0.064 0.002 Edition. Elsevier Inc.
Tree Yu, L., Chen, G., Koronios, A., Zhu, S., & Guo, X. (2007).
K-NN 0.096 0.093 0.002 Application and Comparison of Classification Techniques in
Controlling Credit Risk, 111–145.
Naïve 0.830 0.007
Bayes
Random 0.009
Biografi Penulis
Forest Aries Alfian Prasetyo. Lulus S.Pd di Prodi
ID3 Pendidikan Teknik Informatika dari
Universitas Negeri Malang, dan sedang
menempuh pendidikan Magister Teknik
Dari Tabel 5.2 Hasil T-Test menunjukkan bahwa algoritma Informatika di Universitas Dian Nuswantoro,
Decision Tree (C4.5) K-NN, Naïve Bayes, dan Random Semarang. Dia adalah Dosen di Prodi D2
Forest memiliki performa yang bagus dan tidak memiliki Manajemen Informatika Akademi Komunitas
perbedaan yang signifikan , perbedaan performa muncul pada Negeri Bojonegoro, Indonesia, dan Juga
hasil algoritma ID3. Sehingga algoritma Decision Tree (C4.5) berwirausaha dalam bidang software dan jaringan yaitu Oklek
K-NN, Naïve Bayes, dan Random Forest baik digunakan Digital House sebagai wakil direktur. Tertarik dalam bidang
untuk mencari hasil dari klasifikasi pekerjaan mahasiswa penelitian software engineering dan machine learning.
setelah lulus.