UTS

PERMASALAHAN
Pemberian beasiswa pendidikan merupakan salah satu cara membantu masyarakat
untuk memperoleh kesempatan mendapatkan pendidikan serta merupakan program
pemerintah dalam pemerataan pendidikan. Dibutuhkan tingkat ketelitian yang tinggi dalam
proses seleksi untuk menentukan siapa yang layak menerima beasiswa berdasarkan sejumlah
kriteria dari beberapa persyaratan yang harus dipenuhi.
Sebuah perguruan tinggi berencana memberikan beasiswa kepada 1 (satu)
mahasiswa mahasiswa berprestasi. Alokasi anggaran untuk pemberian beasiswa tidak
mencukup untuk memenuhi semua permohonan. Banyak mahasiswa pemohon beasiswa jauh
melampaui anggara yang tersedia. Untuk itu pihak perguruan tinggi menerapkan alat bantu
sistem pengambilan keputusan. Perguruan tinggi menetapkan lima indikator untuk
menyeleksi calon penerima beasiswa, yaitu IPK (Indeks Prestasi Komulatif), karya ilmiah,
kegiatan ekstra kurikuler, banyak tanggungan orang tua, dan pendapatan orang tua.
IPK adalah indeks prestasi kumulatif mahasiswa sampai semester V (lima). Karya
ilmiah adalah artikel, paper, atau karya tulis lainnya yang pernah dimuat di jurnal,
dilombakan atau dipresentasikan pada seminar atau konferensi. Kegiatan ekstra kurikuler
adalah kegiatan mahasiswa di luar keiatan akademik, seperti keterlibatan pada organisasi
kemahasiswaan, organisasi kepemudaan atau kegiatan lainnya. Banyak tanggungan orang tua
adalah banyak saudara yang dimiliki dan masih menjadi tanggungan orang tua. Pendapatan
orang tua adalah pendapatan rata-rata orang tua (ayah dan ibu) selama sebulan.
Langkah pertama dalam algoritma SAW adalah menentukan kriteria yang akan
dijadikan acuan dalam pengambilan keputusan. Kriteria-kriteria yang dijadikan acuan dalam
makalah ini adalah sebagai berikut.
a. IPK (Indeks Prestasi Komulatif) (I1)
b. Karya ilmiah (I2)
c. Ekstra kurikuler (I3)
d. Tanggungan orangtua (I4)
e. Pendapatan orangtua (I5)
Langkah selanjutnya adalah menentukan bobot dari setiap kriteria yang digunakan
sebagai acuan dalam pengambilan suatu keputusan. Penentuan bobot dari setiap kriteria dapat
menggunakan fuzzy logicatau menggunakan otoritas dari pihak pengambil keputusan. Pada makalah ini
penentuan bobot menggunakan otoritas dari pihak pengambil keputusan. Tabel 1. Pemberian Bobot Setiap
Kriteria
 Kriteria Bobot (W) Jenis Kriteria
I1 3,0 Benefit
I2 2,5 Benefit
I3 2,0 Benefit
I4 1,5 Benefit
I5 1,0 Cost

Dari kriteria yang sudah ditentukan dapat dilihat bahwa jenis kriteria pada kasus ini
menggunakan kriteria benefit dan cost.
Kemudian dibuat matriks bobot setiap kriteria berdasarkan tabel di atas.
3,0
2,5
= 2,0
1,5
[1,0]

Sebelum memberikan nilai pada setiap alternatif (penerima beasiswa), terlebih

dahulu ditentukan standar penilaian untuk setiap kriteria. Adapun standar penilaian
disajikan pada tabel-tabel berikut.
Tabel 2. Standar Nilai untuk Kriteria IPK (I1)
IPK (I1) Nilai
IPK< 3,00
1

3,00 ≤ IPK < 3,25

2

3,25 ≤ IPK < 3,50

3

3,50 ≤ IPK ≤ 3,75

4

IPK> 3,75
5

Tabel 3. Standar Nilai untuk Karya ilmiah (I2)

Karya ilmiah (I2) Nilai

Tingkat Nasional Tidak Ber-ISSN 1
Tingkat Nasional Ber-ISSN 2
Tingkat Nasional Tidak Terakreditasi 3
Tingkat Nasional Terakreditasi 4
Tingkat Internasional Bereputasi 5
Tabel 4. Standar Nilai untuk Kriteria Kegiatan Ekstra Kurikuler (I3)
Kegiatan Ekstra Kurikuler (I3) Nilai
Tingkat Kecamatan atau Jurusan 1
Tingkat Kabupaten atau Fakultas 2
Tingkat Provinsi atau Perguruan Tinggi 3
Tingkat Nasional 4
Tingkat Internasional 5

Tabel 5. Standar Nilai untuk Banyak Tanggungan Orang Tua (I4)

Banyak Tanggungan Orang Tua (I4) Nilai

1 orang 1
2 orang 2
3 orang 3
4 orang 4
5 orang 5

Tabel 6. Standar Nilai untuk Kriteria Pendapatan Orang Tua (I5)

Pendapatan (I5) dalam Rupiah Nilai

I5 ≤ 2.000.000 1
2.000.000 < I5 ≤ 3.000.000 2
3.000.000 < I5 ≤ 4000.000 3
4.000.000 < I5 ≤ 5.000.000 4
I5 > 5.000.000 5

Setelah menentukan standar penilaian untuk setiap kriteria, selanjutnya dilakukan

penilaian terhadap 10 calon penerima beasiswa ynag sudah mengajukan dan melengkapi
berkas permohonan. Penilaian yang dilakukan menghasilkan data seperti berikut.
 Tabel 7. Data Hasil Penilaian Mahasiswa Calon Penerima Beasiswa

Skor Tiap-tiap
Kode Mahasiswa Kriteria
I1 I2 I3 I4 I5
M-0
M-1
M-2
M-3
M-4
M-5
M-6
M-7
M-8
M-9

Lengkapi data di atas (tidak boleh sama), kemudian selesaikan (buat keputusan)
dengan menerapkan algoritma:
1) SAW, TOPSIS (Wajib)
2) PROMOTHEE, ELECTRE (pilih salah satu)
 UAS

PERMASALAHAN

Daftar nilai data SNMPTN tahun … pada Tabel 3.1.

Tabel 3.1. Data Hasil SNMPTN Tahun ...

No A B C D E F G
1 R1 82 87 YA TIDAK 83 TEPAT
2 R2 90 92 YA ADA 82 TEPAT
3 R3 73 80 TIDAK TIDAK 77 TIDAK
4 R4 68 83 TIDAK TIDAK 76 TIDAK
5 R5 74 84 TIDAK TIDAK 85 TEPAT
6 R6 83 88 YA ADA 83 TEPAT
7 R7 90 90 YA TIDAK 82 TEPAT
8 R8 80 88 YA TIDAK 70 TIDAK
9 R9 81 90 YA ADA 92 TEPAT
10 R10 86 83 YA TIDAK 78 TEPAT
11 R11 72 77 TIDAK TIDAK 68 TIDAK
12 R12 71 78 TIDAK TIDAK 74 TIDAK
13 R13 67 73 TIDAK TIDAK 68 TIDAK
14 R14 78 90 TIDAK TIDAK 78 TEPAT
15 R15 89 84 YA TIDAK 77 TEPAT
16 R16 78 83 TIDAK ADA 80 TIDAK
17 R17 84 72 YA TIDAK 66 TIDAK
18 R18 74 90 TIDAK TIDAK 88 TEPAT
19 R19 90 83 YA TIDAK 82 TEPAT
20 R20 75 82 YA TIDAK 75 TIDAK

A = Identitas Calon
B = Rata-rata nilai Raport semua Mata Pelajaran yang masuk UN (rata-rata NR)
C = Rata-rata nilai Raport Mata Pelajaran Matematika (rata-rata NRM)
D = Konsistensi Nilai
E = Prestasi Akademik/nonakademik (PAN)
F = Prestasi Alumni (PA)
G = Waktu Kelulusan

Data pada tabel 3.1 sangat banyak data yang tidak lengkap dan inkonsisten umumnya terjadi
pada setiap data. Data yang tidak lengkap disebabkan karena adanya data yang kosong atau
atribut yang kurang tepat, sehingga proses data preprocessing perlu dilakukan sehingga data
sesuai dengan ketentuan yang diperlukan.
Data SNMPTN tersebut nantinya akan menjadi kasus dalam proses operasional data mining.
Dari data yang ada, kolom yang diambil sebagai atribut/variabel keputusan adalah ketepatan
waktu kelulusan, sedangkan kolom yang diambil variabel penentuan dalam pembentukan
pohon keputusan adalah Rata-rata nilai Raport Mata Pelajaran yang masuk UN, Rata-rata
Nilai Raport Mata Pelajaran Matematika , Konsistensi Nilai, Prestasi
Akademik/nonakademik, dan Prestasi Alumni.
Dalam hal ini data tersebut harus diubah terlebih dahulu dengan ketentuan yang sesuai
dengan pengertian data cleaning dan ketentuan tersebut tersedia sebagai berikut

Ketentuan :
rata-rata NR rata-rata NRM Konsistensi PAN PA
Buruk = NR ≤ 54 Buruk = NRM ≤ 54 Buruk = Tidak Buruk = Tidak Buruk = PA ≤ 54
Cukup = 55 ≤ NR < 84 Cukup = 55 ≤ NRM < 84 Baik = Ya Baik = Ada Cukup = 55 ≤ PA < 84
Baik = NR ≥ 85 Baik = NRM ≥ 85 Baik = PA ≥ 85

Jadi, setelah data tersebut diubah dengan ketentuan yang ada, maka didapatkan
beberapa kategori sebagai berikut
1. Rata-rata Nilai Raport semua Mata Pelajaran yang masuk UN(selama lima semester)
dikelompokan dalam 3 kategori (Baik, Cukup, Buruk)
2. Rata-rata Nilai Raport Mata Pelajaran Mateatika(selama lima semester)
dikelompokan dalam 3 kategori (Baik, Cukup, Buruk)
3. Konsistensi Nilai dikelompokan dalam 2 kategori (Baik, Buruk)
4. Prestasi Akademik/nonakademik dikelompokan dalam 2 kategori (Baik, Buruk)
5. Prestasi Alumni dikelompokan dalam 3 kategori (Baik, Cukup, Buruk)

Setelah data tersebut diubah dengan ketentuan yang ada, data tersebut tersaji pada Tabel 3.2.

Tabel 3.2. Data Hasil SNMPTN Tahun …

No A B C D E F G
1 R1 Cukup Baik Baik Buruk Cukup TEPAT
2 R2 Baik Baik Baik Baik Cukup TEPAT
3 R3 Cukup Cukup Buruk Buruk Cukup TIDAK
4 R4 Cukup Cukup Buruk Buruk Cukup TIDAK
5 R5 Cukup Cukup Buruk Buruk Baik TEPAT
6 R6 Cukup Baik Baik Baik Cukup TEPAT
7 R7 Baik Baik Baik Buruk Cukup TEPAT
8 R8 Cukup Baik Baik Buruk Cukup TIDAK
9 R9 Cukup Baik Baik Baik Baik TEPAT
10 R10 Baik Cukup Baik Buruk Cukup TEPAT
11 R11 Cukup Cukup Buruk Buruk Cukup TIDAK
12 R12 Cukup Cukup Buruk Buruk Cukup TIDAK
13 R13 Cukup Cukup Buruk Buruk Cukup TIDAK
14 R14 Cukup Baik Buruk Buruk Cukup TEPAT
15 R15 Baik Cukup Baik Buruk Cukup TEPAT
16 R16 Cukup Cukup Buruk Baik Cukup TIDAK
17 R17 Cukup Cukup Baik Buruk Cukup TIDAK
18 R18 Cukup Baik Buruk Buruk Baik TEPAT
19 R19 Baik Cukup Baik Buruk Cukup TEPAT
20 R20 Cukup Cukup Baik Buruk Cukup TIDAK
Ubah data di atas (tidak boleh sama). Analisis untuk mendapatkan keputusan dengan
menerapkan algoritma:
1) Naive Bayes
2) Network Bayes
3) ID3
4) CART
TUGAS

Pilih salah satu topik penelitian tesis, buat proposalnya.