Pada sub ini merupakan gambaran proses analisa suatu masalah dan gambaran
dari penerapan metode untuk memecahkan masalah yang dihadapi. Untuk menunjang
analisis data dalam pencarian knowledge, penulis mencoba untuk mentransformasi data
manual yang terdapat pada Program Studi Diploma 3(D3) di STMIK XXXXXX
Di dalam data mining terdapat beberapa tekhnik pengolahan data agar data yang
diolah lebih bermanfaat atau bernilai ilmu. Salah satunya adalah Metode Rough Set.
a. Sampel Data Yang Digunakan
Tahapan ini menjelaskan mengenai sampel data yang digunakan untuk proses
analisa metode Rough Set. Sampel yang digunakan diambil berdasarkan data mahasiswa
pada point sebelumnya.
Tabel 1 Kriteria Penilaian
No Nilai Range
1 A 80 – 100
2 B+ 75 – 79
3 B 70 – 74
4 C+ 65 – 69
5 C 60 – 64
6 D 50 – 59
7 E 0 – 49
Adapun kriteria penilaian yang dinyatakan ”Lulus” yaitu dengan Nilai : A, B+, B, C+,
sedangkan mahasiswa yang dikatakan ”Gagal” yaitu dengan Nilai : C, D, dan E.
Berikut ini adalah tabel rekapitulasi sampel data yang digunakan. Adapun data yang
digunakan sebagai sampel dilakukan secara acak berdasarkan kriteria yang sama.
Studi kasus yang dilakukan pada Program Studi Diploma 3 (D3) di STMIK
XXXXXX. Mahasiswa pada Program Studi Diploma 3 (D3) di STMIK XXXXXXyang
akan dijadikan sampel untuk menganalisis data Kelulusan Mahasiswa pada suatu mata
kuliah di Program Studi Diploma 3 (D3) di STMIK XXXXXX. Berikut ini adalah tabel
untuk menganalisis data Mahasiswa pada Program Studi Diploma 3 (D3) di STMIK
XXXXXX
Ada beberapa kriteria yang dapat menyimpulkan bahwa Mahasiswa itu adalah
Mahasiswa potensial atau tidak, diantaranya:
1. Nilai Kehadiran
Untuk nilai kehadiran sangat menentukan keikutsertaan mahasiswa di dalam
mengikuti Ujian Akhir Semester(UAS). Jika kehadiran kurang dari 75% dari total
pertemuan di setiap semesternya mahasiswa yang bersangkutan tidak bisa untuk
mengikuti Ujian Akhir Semester(UAS). Adapun klasifikasi dari penilaian kehadiran ada
2(dua) yaitu “Memenuhi Syarat” dan “Tidak Mencukupi”.
Adapun yang memenuhi syarat apabila nilai kehadiran melebihi dari 75%
sedangkan kurang dari 75% di klasifikasikan kedalam tidak mencukupi.
2. Nilai Tugas/Quiz
Untuk nilai Tugas/Quiz saya klasifikan ke dalam 2(dua) bagian yaitu: “Di atas
Rata- Rata” dan “Di bawah Standar”. Adapun nilai diatas rata-rata memiliki
range antara 65 smpai dengan 100. Di bawah nilai tersebut dikatakan sebagai
di bawah standar.
3. Nilai Ujian Tengah Semester(UTS)
Untuk nilai Ujian Tengah Semester (UTS) saya klasifikan ke dalam 2(dua) bagian
yaitu
: “Di atas Rata-Rata” dan “Di bawah Standar”. Adapun nilai di atas rata-rata
memiliki range antara 65 smpai dengan 100. Di bawah nilai tersebut dikatakan
sebagai di bawah standar.
4. Nilai Ujian Akhir Semester(UAS)
Untuk Nilai Ujian Akhir Semester (UAS) saya klasifikan ke dalam 2(dua) bagian
yaitu
: “Di atas Rata-Rata” dan “Di bawah Standar”. Adapun nilai di atas rata-rata
memiliki range antara 65 smpai dengan 100. Di bawah nilai tersebut dikatakan
sebagai di bawah standar.
Rough set menawarkan dua bentuk representasi data yaitu Information Systems
(IS) dan Decision Systems (DS). Definisi Decision Systems yaitu Sebuah pasangan
Information System, di mana”U” adalah Anggota bilangan “n” dan yang merupakan
sekumpulan example dan atribute kondisi secara berurutan. Definisi diatas
memperlihatkan bahwa sebuah Information Systems yang terdiri dari sekumpulan
example, seperti {Anggota01, Anggota 02, dan Anggota bilangan-m} dan atribute
kondisi, seperti Kondisi Awal. Berikut ini adalah contoh analisa penerapan Metode
Rough Set. Adapun studi kasus yang diangkat yaitu “Analisa Data Mahasiswa Lulus
Matakuliah Pada Program Studi Diploma 3 (D3) di STMIK XXXXXX”.
Algoritma penyelesaian masalah dari metode Rough Set yaitu sebagai berikut:
1. Decision System
Decision System merupakan Information System yang telah memiliki keputusan atau
hasil berdasarkan asumsi yang telah memenuhi syarat dan ketentuan berdasarkan
atributnya. Berikut ini adalah tabel Decision System dari data mahasiswa Program Studi
Diploma 3 (D3) di STMIK XXXXXX yang menjadi objek penelitian.
2. Equivalen Class
Equivalence Class adalah mengelompokan objek-objek yang sama untuk
atribute tertentu. Diberikan DecisionSystems pada tabel 7.4, maka dapat diperoleh
equivalence class (Equivalence Class 1 sampai dengan Equivalence Class 7)
seperti digambarkan pada Tabel 7.4
Tabel 4 Equivalence Class
6. Reduction
Untuk data yang jumlah variabel yang sangat besar sangat tidak mungkin
mencari seluruh kombinasi variabel yang ada, karena jumlah indiscernibility yang
dicari
= (2 n-1-1). Oleh karena itu dibuat satu teknik pencarian kombinasi atribut yang
mungkin yang dikenal dengan QuickReduct, yaitu dengan cara :
5. General Rules
Setelah didapatkan hasil dari Reduction, maka langkah terakhir untuk
menentukan GeneralRule nya. Adapun GeneralRule dari hasil Reduction yang
dideskripsikan pada tabel penyeleksian adalah sebagai berikut: