Analisis Algoritma Apriori Pada Kelulusan Mahasiswa (Studi Kasus: Universitas Nusa Cendana Kupang)

ANALISIS ALGORITMA APRIORI PADA KELULUSAN
MAHASISWA
(STUDI KASUS: UNIVERSITAS NUSA CENDANA KUPANG)
SKRIPSI
Diajukan untuk memenuhi persyaratan

memperoleh gelar Sarjana Komputer
Oleh
ALFONSA REGINA WONA

1606080033
PROGRAM STUDI ILMU KOMPUTER

FAKULTAS SAINS DAN TEKNIK
UNIVERSITAS NUSA CENDANA
KUPANG
2022
ii
iii
HALAMAN PERUNTUKAN
Teriring ucapan terima kasih kepada:
1. Tuhan Yang Maha Esa karena atas berkat, penyertaan, dan karunia-Nya saya bisa
sampai pada tahap ini.
2. Bapak Yohanes Vianey Wio Lado, Opa Andreas Seda Wea dan Oma Sofia Uta
tercinta yang telah berbahagia di surga. Terima kasih untuk doa, dukungan dan
jerih payah kalian hingga nafas terakhir.
3. Mama tercinta Klara M.A.T. Wona yang telah merawat dan membesarkan saya.
Terima kasih juga untuk semua doa, dukungan dan jerih payah sampai saat ini.
4. Bapak Yohanes Berchmans Kota dan Mama Maria Nuryanti Lele tercinta yang
juga telah memberikan dukungan dan doa kepada saya sampai saat ini.
5. Kakak sekaligus suami tersayang Fian Nggoa yang dengan segala
kemampuannya senantiasa memberi dukungan dan doa kepada saya sampai saat
ini.
6. Adik tercinta Noventia dan Debora yang menjadi keluarga, teman curhat dan
terima kasih atas dukungan selama ini.
7. Bapak Gito dan mama Paskalia beserta teman-teman kos Reinha yang secara
langsung maupun tidak langsung membantu saya selama ini.
Motto:
“Aku tahu, bahwa Engkau sanggup melakukan segala sesuatu, dan tidak ada
rencanaMu yang gagal”
(Ayub: 42)
iv
v
ABSTRAK
ANALISIS ALGORITMA APRIORI PADA KELULUSAN MAHASISWA

(STUDI KASUS: UNIVERSITAS NUSA CENDANA KUPANG)
Alfonsa Regina Wona, Emerensye S. Y. Pandie*, Bertha S. Djahi**
Data kelulusan mahasiswa yang dimiliki perguruan tinggi atau universitas

bertambah setiap tahun dan data tersebut terkadang hanya disimpan dan tidak
dimanfaatkan. Hal ini terjadi pada Universitas Nusa Cendana dimana data
kelulusan mahasiswa selama ini disimpan sebagai arsip universitas dengan jumlah
record yang cukup besar. Kumpulan data kelulusan ini dapat diolah untuk
menghasilkan pengetahuan yang bermanfaat. Pengolahan data kelulusan
mahasiswa dilakukan dengan teknik data mining. Salah satu teknik pada data
mining yang digunakan adalah association rule dengan menggunakan algoritma
Apriori. Algoritma ini berfungsi untuk membentuk kandidat kombinasi item
berdasarkan nilai minimum support dan nilai minimum confidence yang diberikan
user. Tujuan dari penelitian ini adalah untuk menganalisis algoritma Apriori pada
kelulusan mahasiswa dari tahun 2013 sampai 2019 dengan jumlah data sebanyak
6.810 record, yang terdiri atas 6 variabel yaitu fakultas, jalur masuk, beasiswa,
tempat tinggal, penghasilan orang tua dan tipe ijazah. Tahapan data mining
menggunakan metode CRISP-DM diolah melalui 6 tahapan. Pada tahap modelling,
dataset kelulusan mahasiswa diproses menggunakan software data mining
RapidMiner versi 9.10.1. Nilai minimum support dan minimum confidence yang
digunakan berbeda, yaitu support 10% dan 15% terhadap confidence 30%, 40% dan
50%. Hasil aturan asosiasi final dengan nilai lift ≥1 menyatakan bahwa aturan
tersebut valid. Salah satu hasil dari analisa pola hubungan kelulusan yang
didapatkan bahwa jika Fakultas Ilmu Sosial dan Ilmu Politik (FISIP) maka
kemungkinan lulus dengan lama studi 3,5 tahun atau kurang dari 4 tahun dan IPK
lebih besar 3,50 dengan nilai support 0,039, nilai confidence 0,351, dan nilai lift
2,357.
Kata Kunci: data kelulusan, data mining, association rule, algoritma Apriori,
RapidMiner
*Pembimbing I
**Pembimbing II
vi
ABSTRACT
ANALYSIS OF APRIORI ALGORITHM ON STUDENT GRADUATION

(CASE STUDY: NUSA CENDANA UNIVERSITY KUPANG)
Alfonsa Regina Wona, Emerensye S. Y. Pandie*, Bertha S. Djahi**
Student graduation data owned by colleges or universities increases every year

and this data is sometimes only stored and not utilized. This has happened at Nusa
Cendana University where student graduation data has so far been stored as a
university archive with numbers recorded which is big enough. This graduation
data set can be processed to produce useful knowledge. Processing of student
graduation data is done by technique data mining. One of the techniques in data
mining which is used in association rule by using the Apriori algorithm. This
algorithm functions to form item combination candidates based on value minimum
support and value minimum confidence given user. The purpose of this research is
to analyze the Apriori algorithm for student graduation from 2013 to 2019 with a
total of 6,810 data.record, which consists of 6 variables, namely faculty, entry
point, scholarship, place of residence, parental income and type of diploma. The
stages of data mining using the CRISP-DM method are processed through 6 stages.
At stage modeling, dataset student graduation is processed using software data
mining RapidMiner version 9.10.1. Score minimum support and minimum
confidence used differently, ie support 10% and 15% against confidence 30%, 40%
and 50%. Result of the final association rule with valuelift ≥1 declares that the rule
is valid. One of the results of the analysis of the graduation relationship pattern is
that if the Faculty of Social and Political Sciences (FISIP) is likely to graduate with
a length of study of 3.5 years or less than 4 years and a GPA greater than 3.50 with
a support value of 0.039, a confidence value 0.351, and the lift value is 2.357.
Keywords: graduation data, data mining, association rule, A priori algorithm,

RapidMiner
*1st Advisor
*2nd Advisor
vii
KATA PENGANTAR
Puji syukur saya panjatkan kepada Tuhan Yang Maha Esa, karena atas berkat
dan rahmat-Nya, saya dapat menyelesaikan skripsi ini. Penulisan skripsi ini
dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Sarjana
Komputer pada Program Studi Ilmu Komputer Fakultas Sains dan Teknik
Universitas Nusa Cendana. Saya menyadari bahwa, tanpa bantuan dan bimbingan
dari berbagai pihak, dari masa perkuliahan sampai pada penyusunan skripsi ini,
sangatlah sulit bagi saya untuk menyelesaikan skripsi ini. Oleh Karen itu, saya
mengucapkan terima kasih kepada:
1. Bapak Prof. Philiphi de Rozari, S.Si, M.Si, M.Sc, Ph.D selaku Dekan
Fakultas Sains dan Teknik Universitas Nusa Cendana.
2. Bapak Meiton Boru, S.T., M.Kom selaku ketua Jurusan Ilmu Komputer.
3. Ibu Emerensye S. Y. Pandie, S.Kom., M.Kom selaku dosen pembimbing I
yang telah memberikan bimbingan, mengarahkan, menuntun, memberikan
motivasi, dan membantu penulis dalam menyelesaikan tugas akhir ini.
4. Ibu Bertha S. Djahi, S.Kom., MT selaku pembimbing II yang telah
memberikan bimbingan dan mengarahkan penulis dalam menyelesaikan tugas
akhir ini.
5. Ibu Nelcy Dessy Rumlaklak, S.Kom., M.Kom selaku penguji yang telah
memberikan koreksi dan masukan yang membangun dalam menyelesaikan
tugas akhir ini.
6. Para dosen Ilmu Komputer yang telah memberikan ilmu pengetahuan dan
masukan selama proses perkuliahan.
7. Sahabat-sahabat terbaik semasa perkuliahan (Gema Ceunfin, Metty Missa,
Elisyah, Anani Nino, Sarah Lilimwelat, Nina, Marsal dan Je Wendo) yang
selalu membantu penulis.
8. Teman-teman seperjuangan ilmu komputer angkatan 2016 (CSS) yang telah
mendukung, membantu dan memberikan hiburan serta masukan-masukan
dalam proses penulisan ini.
viii
9. Orang tua dan keluarga saya yang telah memberikan bantuan dukungan
material dan moral.
10. Pihak Sub Kemahasiswaan Rektorat Undana yang telah banyak membantu
dalam usaha memperoleh data yang saya perlukan.
Akhir kata, saya berharap Tuhan Yang Maha Esa berkenan membalas segala
kebaikan semua pihak yang telah membantu. Semoga skripsi ini membawa manfaat
bagi pengembangan ilmu.
Kupang, 16 Januari 2023
Penulis
ix
DAFTAR ISI
HALAMAN JUDUL…………...…………………………………………………i
LEMBAR PERSETUJUAN ....................................Error! Bookmark not defined.
LEMBAR PENGESAHAN .....................................Error! Bookmark not defined.
HALAMAN PERUNTUKAN ............................................................................. iii
LEMBAR PERNYATAAN .....................................Error! Bookmark not defined.
ABSTRAK ............................................................................................................ vi
ABSTRACT ......................................................................................................... vii
KATA PENGANTAR ........................................................................................ viii
DAFTAR ISI .......................................................................................................... x
DAFTAR GAMBAR ........................................................................................... xii
DAFTAR TABEL .............................................................................................. xiv
BAB I PENDAHULUAN ...................................................................................... 1
1.1. Latar Belakang ................................................................................................. 1
1.2. Rumusan Masalah ............................................................................................ 2
1.3. Batasan Masalah .............................................................................................. 3
1.4. Tujuan Penelitian ............................................................................................. 3
1.5. Manfaat Penelitian ........................................................................................... 3
BAB II TINJAUAN PUSTAKA........................................................................... 4
2.1. Penelitian Terdahulu ........................................................................................ 4
2.2. Data Mining ..................................................................................................... 7
2.1.1. Karakteristik data mining ..................................................................... 7
2.1.2. Teknik data mining ............................................................................... 8
2.3. Metode CRISP-DM (Cross Industry Standard Process for Data Mining) ..... 9
2.4. Association Rule ............................................................................................ 11
2.5. Algoritma Apriori .......................................................................................... 11
2.5.1. Analisis pola frekuensi tinggi (support) ............................................. 12
2.5.2. Pembentukan aturan asosiasi (confidence) ......................................... 12
2.5.3. Lift ratio .............................................................................................. 12
2.6. Data ................................................................................................................ 13
2.6.1. Data pribadi mahasiswa ....................................................................... 13
2.6.2. Data yudisium mahasiswa ................................................................... 15
2.7. Aplikasi RapidMiner versi 9.10.1 .................................................................. 15
2.8. Hipotesis ........................................................................................................ 16
BAB III METODOLOGI PENELITIAN ......................................................... 18
3.1. Lokasi Penelitian............................................................................................ 18
3.2. Sumber Data .................................................................................................. 18
3.3. Jenis Data ....................................................................................................... 18
3.4. Tahapan Penelitian ......................................................................................... 19
3.5. Metode Pengolahan Data ............................................................................... 19
3.5.1. Business understanding (pemahaman bisnis) ...................................... 19
3.5.2. Data understanding (pemahaman data) ............................................... 20
3.5.3. Data preparation (persiapan data) ....................................................... 21
3.5.4. Modelling ............................................................................................ 26
x
3.5.5. Evaluation ........................................................................................... 26
3.5.6. Deployment ......................................................................................... 26
3.6. Ilustrasi Perhitungan Algoritma Apriori ........................................................ 26
3.6.1. Tabulasi data ....................................................................................... 27
3.6.2. Analisa pola frekuensi tinggi dengan algoritma Apriori ...................... 28
3.6.3. Pembentukan pola kombinasi 2 – itemset ............................................ 29
3.6.4. Perhitungan nilai confidence................................................................ 31
3.6.5. Perhitungan nilai lift ............................................................................ 31
3.6.6. Aturan asosiasi final ............................................................................ 32
3.7. Konsep Pengujian dengan Aplikasi RapidMiner ........................................... 33
BAB IV HASIL DAN PEMBAHASAN ............................................................ 35
4.1. Hasil Implementasi pada RapidMiner ........................................................... 35
4.1.1. Format tabular data ............................................................................ 35
4.1.2. Model pengujian dengan RapidMiner ................................................ 39
4.2. Hasil Pengujian RapidMiner .......................................................................... 42
4.2.1. Hasil pengujian hubungan fakultas ..................................................... 43
4.2.2. Hasil pengujian hubungan jalur masuk ............................................... 50
4.2.3. Hasil pengujian hubungan beasiswa ................................................... 56
4.2.4. Hasil pengujian hubungan tempat tinggal .......................................... 62
4.2.5. Hasil pengujian hubungan penghasilan orang tua .............................. 68
4.2.6. Hasil pengujian hubungan tipe ijazah ................................................. 74
4.3. Pembahasan ................................................................................................... 80
4.3.1. Hasil aturan hubungan fakultas........................................................... 80
4.3.2. Hasil aturan hubungan jalur masuk .................................................... 81
4.3.3. Hasil aturan hubungan beasiswa ......................................................... 82
4.3.4. Hasil aturan hubungan tempat tinggal ................................................ 83
4.3.5. Hasil aturan hubungan penghasilan orang tua .................................... 84
4.3.6. Hasil aturan hubungan tipe ijazah ....................................................... 84
BAB V KESIMPULAN DAN SARAN .............................................................. 86
5.1. Kesimpulan .................................................................................................... 86
5.2. Saran .............................................................................................................. 88
DAFTAR PUSTAKA .......................................................................................... 89
xi
DAFTAR GAMBAR
Gambar 2.1 Tahapan CRISP-DM ........................................................................... 9

Gambar 3.1 Tahapan penelitian ............................................................................ 19
Gambar 3.2 Tabel data mahasiswa........................................................................ 20
Gambar 3.3 Tabel data wisuda .............................................................................. 20
Gambar 3.4 Tabel data yudisium .......................................................................... 21
Gambar 3.5 Tabel data kelulusan mahasiswa ....................................................... 21
Gambar 3.6 Proses filter pada tabel data kelulusan mahasiswa ............................ 22
Gambar 3.7 Atribut data kelulusan yang digunakan untuk pemodelan ............... 23
Gambar 3.8 Tampilan data yang telah di-import .................................................. 33
Gambar 3.9 Tampilan proses ................................................................................ 33
Gambar 3.10 Tampilan parameter nilai minimum support dan confidence.......... 34
Gambar 3.11 Tampilan hasil perhitungan ............................................................. 34
Gambar 4.1 Format keseluruhan data tabular excel ............................................. 35
Gambar 4.2 Format tabular hubungan fakultas .................................................... 36
Gambar 4.3 Format tabular hubungan jalur masuk .............................................. 36
Gambar 4.4 Format tabular hubungan beasiswa .................................................. 37
Gambar 4.5 Format tabular hubungan jenis tempat tinggal ................................. 37
Gambar 4.6 Format tabular hubungan penghasilan orang tua .............................. 38
Gambar 4.7 Format tabular hubungan tipe ijazah ................................................ 38
Gambar 4.8 Tampilan data pada local repository ................................................. 39
Gambar 4.9 Tampilan data yang telah di-import .................................................. 39
Gambar 4.10 Susunan operator untuk algoritma Apriori ...................................... 40
Gambar 4.11 Menentukan nilai support................................................................ 40
Gambar 4.12 Menentukan nilai confidence .......................................................... 41
Gambar 4.13 Menjalankan proses Apriori ............................................................ 41
Gambar 4.14 Hasil frequent item sets (fp-growth) ................................................ 42
Gambar 4.15 Hasil association rule (create association rule) ............................. 42
Gambar 4.16 Grafik hasil rules pengujian hubungan fakultas .............................. 43
Gambar 4.17 Hasil itemset hubungan fakultas (support 10%) ............................. 44
Gambar 4.18 Hasil rules fakultas (support 10%→30%) ...................................... 46
Gambar 4.21 Hasil itemset hubungan fakultas (support 15%) ............................. 47
Gambar 4.22 Grafik hasil nilai lift hubungan fakultas .......................................... 48
Gambar 4.23 Hasil nilai lift hubungan fakultas (support 10%) ............................ 48
Gambar 4.24 Nilai lift hubungan fakultas (support 10%→40%) ......................... 49
Gambar 4.25 Nilai lift hubungan fakultas (support 10%→50%) ......................... 49
Gambar 4.26 Grafik hasil rules pengujian hubungan jalur masuk........................ 50
Gambar 4.27 Hasil itemset hubungan jalur masuk (support 10%) ....................... 51
Gambar 4.28 Hasil rules hubungan jalur masuk (support 10%→30%) ............... 52
Gambar 4.29 Hasil rules hubungan jalur masuk (support 10%→40%) ............... 53
Gambar 4.30 Hasil rules hubungan jalur masuk (support 10%→50%) .............. 53
Gambar 4.32 Grafik hasil nilai lift hubungan jalur masuk .................................... 54
Gambar 4.33 Hasil nilai lift ≥ hubungan jalur masuk (support 10%) ................... 55
xii
Gambar 4.34 Nilai lift hubungan jalur masuk (support 10%→40%) ................... 55
Gambar 4.35 Nilai lift hubungan jalur masuk (support 10%→50%) ................... 55
Gambar 4.36 Grafik hasil rules pengujian hubungan beasiswa ............................ 56
Gambar 4.37 Hasil itemset hubungan beasiswa (support 10%)............................ 57
Gambar 4.38 Hasil rules hubungan beasiswa (support 10→30%) ....................... 58
Gambar 4.39 Hasil rules hubungan jalur masuk (support 10%→40%,50%) ....... 59
Gambar 4.40 Hasil itemset hubungan beasiswa (support 15%)............................ 59
Gambar 4.41 Grafik hasil nilai lift hubungan beasiswa ........................................ 60
Gambar 4.42 Hasil nilai lift ≥ 1 hubungan beasiswa (support 10%) .................... 61
Gambar 4.43 Nilai lift hubungan beasiswa (support 10%→40%)........................ 61
Gambar 4.44 Nilai lift hubungan beasiswa (support 10%→50%)........................ 61
Gambar 4.45 Grafik hasil rules pengujian hubungan tempat tinggal ................... 62
Gambar 4.46 Hasil itemset hubungan tempat tinggal (support 10%) ................... 63
Gambar 4.47 Hasil rules hubungan tempat tinggal (support 10%→30%) ........... 64
Gambar 4.50 Hasil itemset hubungan tempat tinggal (support 15%) .................. 65
Gambar 4.51 Grafik hasil nilai lift hubungan tempat tinggal................................ 66
Gambar 4.52 Hasil nilai lift ≥ 1 hubungan tempat tinggal (support 10%) ............ 67
Gambar 4.53 Nilai lift hubungan tempat tinggal (support 10%→40%) ............... 67
Gambar 4.54 Nilai lift hubungan tempat tinggal (support 10%→50%) ............... 68
Gambar 4.55 Grafik hasil pengujian hubungan penghasilan orang tua ................ 68
Gambar 4.56 Hasil itemset hubungan penghasilan orang tua (support 10%) ....... 69
Gambar 4.57 Hasil rules hubungan penghasilan orang tua (support 10%→30%) 71
Gambar 4.58 Hasil rules hubungan penghasilan orang tua (support 10%→40%) 71
Gambar 4.59 Hasil itemset hubungan penghasilan orang tua (support 15%) ....... 72
Gambar 4.60 Grafik hasil nilai lift hubungan penghasilan orang tua ................... 73
Gambar 4.61 Hasil nilai lift ≥ 1 hubungan penghasilan orang tua (support 10%) 73
Gambar 4.62 Nilai lift hubungan penghasilan orang tua (support 10%→40%) ... 74
Gambar 4.63 Grafik hasil pengujian hubungan tipe ijazah ................................... 74
Gambar 4.64 Hasil itemset hubungan tipe ijazah (support 10%).......................... 75
Gambar 4.65 Hasil rules hubungan tipe ijazah (support 10%→30%).................. 76
Gambar 4.66 Hasil rules hubungan tipe ijazah (support 10%→40,50%)............. 77
Gambar 4.67 Hasil itemset hubungan tipe ijazah (support 15%).......................... 77
Gambar 4.68 Grafik hasil nilai lift hubungan tipe ijazah ...................................... 78
Gambar 4.69 Hasil nilai lift hubungan tipe ijazah (support 10%) ........................ 78
Gambar 4.70 Nilai lift hubungan tipe ijazah (support 10%→40,50%)................. 79
xiii
DAFTAR TABEL
Tabel 2.1 Hasil ringkasan penelitian terdahulu ....................................................... 6
Tabel 2.2 Data pribadi mahasiswa ........................................................................ 13
Tabel 2.3 Data yudisium mahasiswa ..................................................................... 15
Tabel 2.4 Operator yang digunakan pada proses perhitungan .............................. 16
Tabel 3.1 Atribut data kelulusan yang tidak digunakan ........................................ 22
Tabel 3.2 Predikat IPK .......................................................................................... 23
Tabel 3.3 Kategori lama studi ............................................................................... 24
Tabel 3.4 Kode tingkat kelulusan.......................................................................... 24
Tabel 3.5 Kode fakultas ........................................................................................ 24
Tabel 3.6 Kode jalur masuk .................................................................................. 25
Tabel 3.7 Kode beasiswa....................................................................................... 25
Tabel 3.8 Kode jenis tempat tinggal ..................................................................... 25
Tabel 3.9 Kode penghasilan orang tua .................................................................. 25
Tabel 3.10 Kode tipe ijazah .................................................................................. 25
Tabel 3.11 Contoh data kelulusan mahasiswa ...................................................... 26
Tabel 3.12 Transformasi tingkat kelulusan dan jalur masuk ................................ 27
Tabel 3.13 Tabular data kelulusan mahasiswa ..................................................... 28
Tabel 3.14 Nilai support 1 – itemset ..................................................................... 29
Tabel 3.15 Hasil support 1 – itemset (L1) ............................................................. 29
Tabel 3.16 Nilai kombinasi 2 – itemset ................................................................. 30
Tabel 3.17 Hasil kombinasi 2 – itemset (L2) ........................................................ 30
Tabel 3.18 Nilai confidence aturan asosiasi .......................................................... 31
Tabel 3.19 Aturan asosiasi .................................................................................... 31
Tabel 3.20 Nilai lift aturan asosiasi ....................................................................... 32
Tabel 3.21 Hasil nilai lift aturan asosiasi .............................................................. 32
Tabel 3.22 Aturan asosiasi final ............................................................................ 32
Tabel 4.1 Pembahasan hasil hubungan fakultas (support 10%) ........................... 45
Tabel 4.2 Hasil pengujian hubungan fakultas (support 15%) ............................... 47
Tabel 4.3 Hasil nilai lift ≥1 hubungan fakultas (support 10%→30%) ................ 49
Tabel 4.4 Hasil nilai lift ≥1 hubungan fakultas (support 15%) ............................ 50
Tabel 4.5 Pembahasan hasil hubungan jalur masuk (support 10%) ..................... 52
Tabel 4.6 Hasil pengujian hubungan jalur masuk (support 15%)......................... 54
Tabel 4.7 Hasil nilai lift ≥1 hubungan jalur masuk (support 10%→30%) .......... 55
Tabel 4.8 Hasil nilai lift ≥1 hubungan jalur masuk (support 15%)...................... 56
Tabel 4.9 Pembahasan hasil hubungan beasiswa (support 10%).......................... 58
Tabel 4.10 Hasil pengujian hubungan beasiswa (support 15%) ........................... 60
Tabel 4.11 Hasil nilai lift ≥1 hubungan beasiswa (support 10%→30%)............. 61
Tabel 4.12 Hasil nilai lift ≥1 hubungan beasiswa (support 15%) ........................ 62
Tabel 4.13 Pembahasan hasil hubungan tempat tinggal (support 10%) ............... 64
Tabel 4.14 Hasil pengujian hubungan tempat tinggal (support 15%) .................. 66
Tabel 4.15 Hasil nilai lift ≥1 hubungan tempat tinggal (support 10%→30%) .... 67
Tabel 4.16 Hasil lift ≥1 hubungan tempat tinggal (support 15%)........................ 68
Tabel 4.17 Pembahasan hasil hubungan penghasilan ayah (support 10%) .......... 70
Tabel 4.18 Hasil pengujian hubungan penghasilan orang tua (support 15%) ...... 72
xiv
Tabel 4.19 Hasil nilai lift ≥1 penghasilan orang tua (support 10%→30%) ......... 73
Tabel 4.20 Hasil nilai lift ≥1 hubungan penghasilan orang tua (support 15%) ... 74
Tabel 4.21 Pembahasan hasil hubungan tipe ijazah (support 10%) ..................... 76
Tabel 4.22 Hasil pengujian hubungan tipe ijazah (support 15%) ......................... 78
Tabel 4.23 Hasil nilai lift ≥1 hubungan tipe ijazah (support 10%→30%)........... 79
Tabel 4.24 Hasil nilai lift ≥1 hubungan tipe ijazah (support 15%) ...................... 79
Tabel 4.25 Hasil aturan final hubungan fakultas .................................................. 80
Tabel 4.26 Hasil aturan final hubungan jalur masuk ............................................ 81
Tabel 4.27 Hasil aturan final hubungan beasiswa ................................................. 82
Tabel 4.28 Hasil aturan final hubungan tempat tinggal ........................................ 83
Tabel 4.29 Hasil aturan final hubungan penghasilan orang tua ............................ 84
Tabel 4.30 Hasil aturan final hubungan tipe ijazah............................................... 85
xv
BAB I
PENDAHULUAN
1.1. Latar Belakang

Universitas Nusa Cendana (Undana) merupakan perguruan tinggi negeri
pertama yang ada di Nusa Tenggara Timur. Berdasarkan Surat keputusan menteri
Perguruan Tinggi dan Ilmu Pengetahuan (PTIP) Nomor 111 tahun 1962, tanggal 28
Agustus 1962, ditetapkan berdirinya Universitas Negeri yang berkedudukan di
Kupang. Terhitung mulai tanggal 1 September 1962, ditetapkan sebagai tanggal
lahirnya (Dies Natalis) Universitas Negeri di Kupang dengan terakreditasi A.
Angka akreditasi ini menjadi bukti bahwa kegiatan pendidikan dan pengajaran
sudah sesuai dengan standar jaminan mutu seperti yang diatur dari UU No. 20 tahun
2003 tentang Sistem Pendidikan Nasional Pasal 61. Selain itu nilai akreditasi ini
jadi aset penting dalam penetapan mutu fakultas atau jurusan, juga menjadi tolak
ukur kelayakan lulusan yang dihasilkan. Kelulusan mahasiswa umumnya dapat
dinyatakan dengan yudisium.
Menurut Mulachela (2022), yudisium merupakan pengumuman hasil nilai
akhir terhadap semua mata kuliah yang telah diambil mahasiswa sekaligus
penetapan nilai dalam transkrip akademik. Dosen/pejabat berwenang menentukan
lulus atau tidaknya mahasiswa dalam menempuh studi selama jangka waktu yang
ditetapkan. Atoriq (2017) juga menjelaskan bahwa hasil nilai mahasiswa
selanjutnya diumumkan sehingga dapat diketahui siapa yang meraih predikat
cumlaude. Hasil nilai tersebut menentukan mahasiswa berhak atau tidak untuk
mengikuti wisuda. Kegiatan wisuda juga dilakukan di Universitas Nusa Cendana.
Kegiatan ini diselenggarakan sebanyak 4 kali dalam setahun yaitu pada bulan
Februari, Juni, September dan Desember. Mahasiswa yang telah lulus memiliki
lama studi yang berbeda-beda. Lama studi yang umum ditargetkan adalah 4 tahun
yang ditempuh dalam 8 semester, tetapi nyatanya masih banyak mahasiswa yang
lulus melebihi lama studi yang ditargetkan. Hal ini dapat dilihat dalam laporan data
kelulusan mahasiswa tahun 2013 sampai dengan tahun 2019. Pada data kelulusan
mahasiswa tersebut memuat data pribadi dan data yudisium mahasiswa. Di dalam
1
data pribadi terdapat atribut nim, angkatan, jurusan, fakultas, jalur masuk, beasiswa,
jenis tempat tinggal, tipe ijazah ayah, tipe ijazah ibu, penghasilan ayah, penghasilan
ibu, tipe ijazah mahasiswa dan sumber biaya. Pada data yudisium terdapat atribut
lama studi dan IPK akhir.
Data laporan kelulusan mahasiswa disimpan sebagai arsip universitas dalam
format excel dengan jumlah record yang cukup besar. Kumpulan record tersebut
menghasilkan database yang besar. Di dalam database tersebut, terdapat informasi
tersembunyi yang bisa diolah untuk menghasilkan sesuatu yang bermanfaat. Data
pribadi dan data yudisium yang digunakan, akan dicari pola keterkaitan ataupun
yang dikenal dengan pola asosiasi (association rule). Pola asosiasi tersebut dapat
menunjukkan apakah ada hubungan keterkaitan antara variabel dari kedua data
dengan tingkat kelulusan.
Association rule merupakan pola-pola keterkaitan data dalam basis data yang
digunakan sebagai proses pengambilan keputusan. Association rule dilakukan
melalui mekanisme perhitungan support dan confidence. Proses pencarian asosiasi
ini menggunakan algoritma Apriori. Algoritma Apriori berfungsi untuk membentuk
kandidat kombinasi item berdasarkan nilai minimum support dan nilai minimum
confidence yang diberikan user (Badrul, 2016).
Berdasarkan permasalahan yang telah diuraikan, penulis menganalisis data
kelulusan mahasiswa dengan menghitung nilai support dan confidence untuk
hubungan antara item data pribadi dengan data yudisium. Hasil nilai support dan
confidence yang ada kemudian digunakan dalam proses pengambilan keputusan
universitas untuk menyempurnakan strategi kelulusan yang lebih baik. Oleh karena
itu penulis mengambil judul “Analisis Algoritma Apriori Pada Kelulusan
Mahasiswa (Studi Kasus: Universitas Nusa Cendana)”.
1.2. Rumusan Masalah

Berdasarkan latar belakang tersebut, rumusan masalah dalam penelitian ini
adalah bagaimana menganalisis algoritma Apriori pada kelulusan mahasiswa (studi
kasus: Universitas Nusa Cendana)?
2
1.3. Batasan Masalah
Adapun batasan masalah yang penulis ambil dalam penelitian ini adalah
sebagai berikut:
1. Data yang digunakan yaitu data mahasiswa kelulusan tahun 2013 sampai 2019
dengan jumlah data 6.810 data kelulusan.
2. Atribut data mahasiswa yang digunakan untuk menentukan pola kelulusan
berupa fakultas, jalur masuk, beasiswa, jenis tempat tinggal, penghasilan orang
tua, tipe ijazah, lama studi dan IPK akhir.
3. Tools pengujian menggunakan aplikasi RapidMiner versi 9.10.1.
1.4. Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk menganalisis algoritma Apriori pada
kelulusan mahasiswa.
1.5. Manfaat Penelitian

Manfaat dari penelitian ini adalah:
1. Untuk instansi
Manfaat penelitian bagi pihak Universitas Nusa Cendana ini diharapkan dapat
membantu dalam hal menganalisis algoritma Apriori pada kelulusan mahasiswa.
2. Untuk mahasiswa
Manfaat penelitian bagi mahasiswa ini diharapkan dapat menambah wawasan
dan pengetahuan tentang analisis data mining dan pengaplikasian algoritma
Apriori pada kelulusan mahasiswa.
3
BAB II
TINJAUAN PUSTAKA
2.1. Penelitian Terdahulu

Adapun penelitian terdahulu yang penulis ambil dari beberapa sumber yang
berkaitan dengan penentuan pola kelulusan mahasiswa.
Penelitian dilakukan oleh Kurniawan (2016) dengan judul “aplikasi data
mining untuk memprediksi tingkat kelulusan mahasiswa menggunakan algoritma
Apriori di IBI Darmajaya Bandar Lampung”. Tujuan dari penelitian ini adalah
untuk menghasilkan informasi berupa tingkat kelulusan dengan memanfaatkan data
induk mahasiswa dan data kelulusan mahasiswa. Data induk yang digunakan pada
penelitian ini adalah data induk mahasiswa angkatan 2004 sampai dengan 2007
dengan data kelulusan yang diambil yaitu data kelulusan mahasiswa tahun 2008
sampai 2011. Data induk mahasiswa yang akan dicari hubungannya dengan data
kelulusan yaitu berupa asal sekolah, kota asal dan program studi. Minimum
probability (nilai confidence) yang digunakan sebesar 0.50, sedangkan untuk
minimum support yang digunakan sebesar 0.40. Hasil aturan rules yang terbentuk
kota sekolah = T. Karang Barat → ket lulus = cepat yang berarti kemungkinan
mahasiswa yang kota sekolahnya berasal dari Tanjung Karang Barat akan lulus
cepat.
Penelitian dilakukan oleh Saputra dkk. (2017), dengan judul “perancangan data
mart untuk analisis tingkat kelulusan mahasiswa menggunakan teknik data mining
association rule”. Tujuan dari penelitian ini adalah untuk merancang data mart
sederhana sebagai tempat penyimpanan data mahasiswa yang telah menyelesaikan
studi di fakultas XYZ. Data tersebut untuk digunakan pada proses data mining dan
menerapkan teknik association rule untuk mencari pola kombinasi dengan
memanfaatkan algoritma Apriori berdasarkan nilai support dan confidence. Atribut
yang digunakan yaitu data induk mahasiswa dan data kelulusan mahasiswa. Hasil
dari proses mining menggunakan tools Weka dengan parameter minimum support
15% dan minimum confidence 30%. Dilihat dari nilai confidence, maka atribut B2
yang berkombinasi dengan atribut sistem komputerlah yang memiliki nilai
4
confidence paling tinggi yaitu 77%, kategori kelulusan B2 dengan jalur masuk
SNMPTN yang artinya rata-rata semua alumni jurusan sistem komputer lulus
dengan kategori B2, yaitu lama studi > 4 tahun dengan IPK lebih dari 3,00 dan
kurang dari 3,5.
Penelitian dilakukan oleh Farhan dkk. (2019), yang berjudul “penerapan
association rule untuk menentukan pola kelulusan mahasiswa menggunakan
algoritma Apriori”. Tujuan dari penelitian ini adalah untuk mewujudkan visi dan
misi program studi SI Teknik Informatika ITP yaitu dalam meningkatkan kelulusan
mahasiswa tepat waktu sehingga menjadi bahan keperluan akreditasi. Proses
kelulusan mahasiswa diharuskan memenuhi persyaratan yang telah ditetapkan di
dalam buku panduan institusi (BPI), antara lain nilai prestasi kumulatif (IPK), lama
studi dan toefl. Penelitian ini menggunakan association rule mining dengan
menerapkan metode Apriori untuk menentukan pola frekuensi tertinggi. Data yang
digunakan adalah kelulusan mahasiswa tahun 2007 dengan random sampling
sebanyak 30 data mahasiswa dan menggunakan nilai minimum support 25% dan
confidence 60%. Hasil yang didapatkan hanya 1 yang memiliki nilai minimum
support diatas 25% yaitu IPK: sangat memuaskan, lama lama studi: cepat, toefl:
low intermediate sedangkan untuk mendapatkan nilai confidence didapatkan nilai
confidence 77% yang artinya lulusan cenderung lama studi cepat dan toefl low
intermediate.
Penelitian dilakukan oleh Astuti (2019) dengan judul “algoritma Apriori untuk
menemukan hubungan antara jurusan sekolah dengan tingkat kelulusan
mahasiswa”. Tujuan dari penelitian ini adalah untuk menemukan hubungan antara
jurusan SLTA, lama studi, data IPK dan data kelulusan (tepat waktu dan tidak tepat
waktu) dengan menggunakan algoritma Apriori. Data penelitian yang digunakan
adalah data diri mahasiswa jurusan Teknik Informatika kelas reguler A angkatan
2010/2013 yang berjumlah 23 data. Hasil akhir aturan yang ditemukan bahwa jika
jurusan yang diambil waktu sekolah adalah SMK maka kemungkinan mahasiswa
tersebut akan lulus tepat waktu dengan lama studi 4 tahun atau kurang dari 4 tahun
dengan IPK antara rank 3,1 – 3,5. Rule yang terbentuk memiliki nilai support
sebesar 26.087 dan nilai confidence sebesar 75%.
5
Penelitian dilakukan oleh Dengen dkk. (2019), dengan judul “penentuan
association rule pada kelulusan mahasiswa menggunakan algoritma Apriori”.
Tujuan dari penelitian ini adalah menghasilkan rule-rule dalam kelulusan
mahasiswa tepat waktu di FKTI Universitas Mulawarman. Penelitian ini
menggunakan 20 sampel data kelulusan mahasiswa tahun 2014 dengan tiga atribut
yaitu predikat kelulusan, ipk dan toefl. Nilai minimum support yang digunakan
sebesar 0,25 atau 25% sedangkan untuk nilai minimum confidence sebesar 65%.
Hasil yang didapatkan sebanyak 5 aturan asosiasi dengan nilai confidence tertinggi
yaitu 91%, jika seorang mahasiswa IPK dengan sangat memuaskan maka
cenderung memiliki toefl dengan predikat elementary.
Hasil ringkasan dari setiap penelitian terdahulu dapat dilihat pada Tabel 2.1.
Tabel 2.1 Hasil ringkasan penelitian terdahulu
No Judul Tahun Penulis Hasil
1. Aplikasi data mining 2016 Kurniawan Hasil aturan rules yang terbentuk kota
untuk memprediksi sekolah = T. Karang Barat → ket lulus =
tingkat kelulusan cepat yang berarti kemungkinan
mahasiswa mahasiswa yang kota sekolahnya berasal
menggunakan dari Tanjung Karang Barat akan lulus
algoritma Apriori di cepat dengan minimum probability (nilai
IBI Darmajaya Bandar confidence) yang digunakan sebesar 0.50,
Lampung sedangkan untuk minimum support yang
digunakan sebesar 0.40.
2. Perancangan data mart 2017 Saputra Hasil yang didapatkan dari penelitian ini
untuk analisis tingkat dkk. adalah rata-rata semua alumni jurusan
kelulusan mahasiswa sistem komputer lulus dengan kategori
menggunakan teknik B2, yaitu lama studi > 4 tahun dengan IPK
data mining association lebih dari 3,00 dan kurang dari 3,5 dengan
rule nilai confidence paling tinggi yaitu 77%.
3. Penerapan association 2019 Farhan Hasil yang didapatkan hanya 1 yang
rule untuk menentukan dkk. memiliki nilai minimum support diatas
pola kelulusan 25% yaitu IPK: sangat memuaskan, lama
mahasiswa lama studi: cepat, toefl: low intermediate
menggunakan dan nilai confidence 77% yang artinya
algoritma Apriori lulusan cenderung lama studi cepat dan
toefl low intermediate.
4. Algoritma Apriori 2019 Astuti Hasil akhir aturan yang ditemukan bahwa
untuk menemukan jika jurusan yang diambil waktu sekolah
hubungan antara adalah SMK maka, kemungkinan
jurusan sekolah dengan mahasiswa tersebut akan lulus tepat
tingkat kelulusan waktu dengan lama studi 4 tahun atau
mahasiswa kurang dari 4 tahun dengan IPK antara
rank 3.1 – 3.5. Rule yang terbentuk
memiliki nilai support sebesar 26.087 dan
nilai confidence sebesar 75%.
6
Tabel 2.1 Lanjutan
No Judul Tahun Penulis Hasil
5. Penentuan association 2019 Dengen Hasil yang didapatkan sebanyak 5
rule pada kelulusan dkk. aturan asosiasi dengan nilai confidence
mahasiswa tertinggi yaitu 91%, jika seorang
menggunakan mahasiswa mempunyai IPK dengan
algoritma Apriori sangat memuaskan maka cenderung
memiliki toefl dengan predikat
elementary.
2.2. Data Mining

Data mining secara umum terbagi atas 2 kata, sebagai berikut:
1. Data merupakan kumpulan fakta yang terekam dan tidak memiliki arti yang
selama ini terabaikan.
2. Mining merupakan proses penambangan.
Kesimpulan data mining dapat diartikan sebagai proses penambangan data yang
menghasilkan output (keluaran) berupa pengetahuan (Nofriansyah & Nurcahyo,
2015).
Definisi lain dari Pramudiono (2003) data mining merupakan serangkaian
proses untuk menggali nilai tambah dari kumpulan data yang selama ini tidak
diketahui untuk mendapatkan pengetahuan yang bermanfaat. Menurut Jollyta dkk.
(2020), data mining memiliki istilah yang digunakan dalam menguraikan
penemuan pengetahuan di dalam database.
2.1.1. Karakteristik data mining

Beberapa karakteristik dalam data mining adalah sebagai berikut:
a. Data mining selalu dikaitkan dengan suatu penemuan yang tersembunyi dan
mengandung pola data tertentu yang sebelumnya tidak diketahui.
b. Data mining berhubungan dengan suatu data yang sangat besar. Data yang besar
ini biasanya untuk membuat suatu hasil agar bisa lebih dipercaya.
c. Data mining berguna dalam hal pembuatan keputusan yang kritis untuk mencapai
sasaran khusus.
d. Data mining terdiri dari beberapa proses penggabungan untuk mendapatkan
sebuah informasi.
7
2.1.2. Teknik data mining
Menurut Jollyta dkk. (2020), terdapat beberapa teknik yang digunakan dalam
data mining yang dapat menerapkan satu atau beberapa dari pemodelan tipe data
sebagai berikut:
1. Association
Association atau asosiasi digunakan untuk mengidentifikasi perilaku dari
peristiwa-peristiwa khusus atau proses tertentu, dimana link asosiasi muncul di
setiap peristiwa. Teknik ini mencoba mengatur nilai yang muncul bersamaan di
setiap baris dan menampilkan hasil keluaran berupa sebuah aturan atau rule.
Asosiasi memiliki 2 parameter yakni support dan confidence.
2. Classification
Klasifikasi merupakan salah satu model yang paling umum digunakan dalam
data mining sebagai model pembelajaran. Tujuannya adalah untuk membangun
model dalam memprediksi perilaku konsumen di masa depan dengan
mengklasifikasikan catatan atau record dalam database ke dalam kategori sesuai
dengan kriteria tertentu.
3. Clustering
Clustering adalah salah satu model yang dilakukan dengan mempartisi populasi
yang heterogen menjadi banyak cluster yang homogen. Proses clustering ini
berbeda dengan klasifikasi karena dalam clustering waktu dimulainya algoritma
tidak diketahui.
4. Forecasting
Model forecasting atau prediktif dilakukan dengan memperkirakan nilai masa
depan berdasarkan pola yang direkam. Hal ini konsisten dengan terus
menghasilkan nilai yang berkesinambungan. Forecasting berkaitan dengan
pemodelan dan hubungan logis dari model yang sama di masa mendatang.
5. Regression
Regression adalah teknik estimasi statistik yang menggunakan pemetaan tiap
objek data ke dalam nilai sebenarnya yang menghasilkan nilai prediksi.
8
6. Sequence discovery
Sequence discovery adalah identifikasi dari asosiasi atau pola. Tujuannya adalah
untuk memodelkan keadaan proses, menghasilkan urutan atau untuk
mengekstrak dan melaporkan penyimpangan dan tren.
7. Visualization
Visualization adalah penyajian data yang memungkinkan pengguna untuk
melihat pola yang lengkap. Hal ini sering digunakan bersama dengan model data
mining lainnya untuk menghasilkan pemahaman yang jelas tentang pola atau
hubungan.
2.3. Metode CRISP-DM (Cross Industry Standard Process for Data Mining)
Cross Industry Standard Process for Data Mining (CRISP-DM) merupakan
standarisasi proses data mining yang dikembangkan pada tahun 1996 oleh para
analis dari 5 perusahaan yaitu Integral Solutions Ltd (ISL), Teradata, Daimler AG,
NCR Corporation dan OHRA. Tujuan CRISP–DM adalah untuk melakukan proses
analisis strategi pemecahan masalah dari penelitian ataupun bisnis.
CRISP-DM yang merupakan sebuah proyek data mining, memiliki siklus
hidup dan terbagi dalam 6 fase atau tahapan yaitu Business Understanding, Data
Understanding, Data Preparation, Modelling, Evaluation dan Deployment.
Keseluruhan fase tersebut berurutan dan bersifat adaptif yang dimana fase
berikutnya dalam urutan bergantung pada keluaran dari fase sebelumnya.
Hubungan penting antar fase ditunjukkan pada Gambar 2.1.
Gambar 2.1 Tahapan CRISP-DM

9
1. Business understanding (pemahaman bisnis)
Business understanding adalah tahap pertama dalam CRISP-DM dan termasuk
bagian yang cukup vital. Pada tahap ini membutuhkan pengetahuan dari objek
bisnis, bagaimana membangun atau mendapatkan data, dan bagaimana
mencocokkan tujuan pemodelan untuk tujuan bisnis sehingga model terbaik
dapat dibangun. Kegiatan yang dilakukan antara lain: menentukan tujuan dan
persyaratan dengan jelas secara keseluruhan, menerjemahkan tujuan tersebut
serta menentukan pembatasan dalam perumusan masalah data mining dan
selanjutnya mempersiapkan strategi awal untuk mencapai tujuan tersebut.
2. Data understanding (pemahaman data)
Tahap ini dimulai dengan mengumpulkan data yang kemudian akan dilanjutkan
dengan proses untuk mendapatkan pemahaman yang mendalam tentang data,
mengidentifikasi masalah kualitas data, atau untuk mendeteksi adanya bagian
yang menarik dari data yang dapat digunakan untuk hipotesa dalam menemukan
informasi yang tersembunyi.
3. Data preparation (persiapan data)
Pada tahap ini ada beberapa hal yang akan dilakukan mencakup pembersihan data
(data cleaning), pemilihan data (data selection), dan juga transformasi terhadap
data (data transformation) untuk dijadikan masukan dalam tahap pemodelan.
4. Modelling (pemodelan)
Pada tahap ini akan dilakukan pemilihan dan penerapan berbagai teknik
pemodelan dan beberapa parameternya akan disesuaikan untuk mendapatkan
nilai yang optimal. Secara khusus, ada beberapa teknik berbeda yang dapat
diterapkan untuk masalah data mining yang sama. Di pihak lain ada teknik
pemodelan yang membutuhan format data khusus, sehingga pada tahap ini masih
memungkinkan kembali ke tahap sebelumnya.
5. Evaluation (pengujian)
Pada tahap ini, model sudah terbentuk dan diharapkan memiliki kualitas baik jika
dilihat dari sudut pandang analisa data. Pada tahap ini akan dilakukan evaluasi
terhadap keefektifan dan kualitas model sebelum digunakan dan menentukan
apakah model dapat mencapai tujuan yang ditetapkan pada fase awal (business
10
understanding). Kunci dari tahap ini adalah menentukan apakah ada masalah
bisnis yang belum dipertimbangkan. Di akhir dari tahap ini harus ditentukan
penggunaan hasil proses data mining.
6. Deployment (penyebaran)
Pada tahap ini, pengetahuan atau informasi yang telah diperoleh akan diatur dan
dipresentasikan dalam bentuk khusus sehingga dapat digunakan oleh pengguna.
Tahap deployment dapat berupa pembuatan laporan sederhana atau
mengimplementasikan proses data mining yang berulang dalam perusahaan.
2.4. Association Rule

Association rule merupakan teknik untuk menemukan hubungan antara item
dari kumpulan data yang telah ditentukan. Penerapan data mining menggunakan
aturan asosiasi bertujuan untuk menemukan informasi tentang item yang terhubung
satu sama lain dalam bentuk aturan atau rule. Aturan asosiasi adalah teknologi
penambangan data untuk menemukan aturan asosiasi untuk suatu kombinasi item
(Ardani & Fitrina, 2016).
Menurut Gunawan & Mustofa (2016) association rule adalah teknologi dalam
penambangan data yang bertujuan untuk mendapatkan aturan hubungan atau
asosiasi antara satu set item. Aturan asosiasi dapat diperoleh dari berbagai sumber
data, termasuk: dari database transaksional, gudang data, dan penyimpanan
informasi lain yang dapat diproses. Association rule atau analisis asosiasi menurut
Pracoyo & Seniwati (2019) merupakan teknik data mining untuk menemukan
aturan suatu kombinasi item. Implikasi dari association rule berupa 𝑖𝑓 𝑥 𝑡ℎ𝑒𝑛 𝑦.
2.5. Algoritma Apriori

Agung & Nurhadiyono (2015) menyatakan bahwa algoritma Apriori termasuk
jenis aturan asosiasi pada data mining. Aturan yang menjelaskan asosiasi antar
atribut sering disebut analisis afinitas atau analisis keranjang belanja. Salah satu
tahapan analisis korelasi yang menghasilkan algoritma yang efisien adalah analisis
pola frekuensi tinggi. Nilai yang digunakan untuk menentukan mode asosiasi
ditentukan melalui perhitungan menggunakan nilai support dan confidence.
Support (nilai support) adalah persentase kombinasi item dalam database,
11
sedangkan confidence (nilai kepastian) adalah kekuatan hubungan antar item dalam
suatu aturan asosiasi (Latifah dkk., 2018).
Menurut Firnando dkk. (2019), Apriori merupakan algoritma pengambilan data
yang menyertakan aturan asosiasi dalam data mining untuk menentukan hubungan
asosiasi dari suatu kombinasi item. Aturan asosiasi memiliki dua tahap kerja yaitu
analisis pola frekuensi tinggi (support) dan pembentukkan aturan asosiasi (Sulastri,
2017).
2.5.1. Analisis pola frekuensi tinggi (support)

Wulansari & Chulkamdi (2022) menyatakan bahwa tahapan awal yang
dilakukan dalam analisis pola frekuensi tinggi adalah mencari kombinasi item yang
memenuhi syarat minimum dari nilai support yang ada dalam basis data. Nilai
support pada sebuah item dapat diperoleh menggunakan Persamaan (2.1) berikut:
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝐴
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) = 𝑇𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
𝑥 100%
(2.1)
sedangkan nilai dari support dua item diperoleh dari Persamaan (2.2) berikut:
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝐴→ 𝐵
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) = 𝑃 (𝐴 → 𝐵) = 𝑇𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
𝑥 100%
(2.2)
2.5.2. Pembentukan aturan asosiasi (confidence)

Wulansari & Chulkamdi (2022) menyatakan bahwa setelah menemukan semua
pola frekuensi tinggi, selanjutnya dicari aturan asosiasi yang memenuhi syarat
minimum untuk nilai confidence. Nilai confidence dari dua item tersebut diperoleh
menggunakan Persamaan (2.3) berikut:
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝐴→𝐵
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴, 𝐵) = 𝑃 (𝐴 → 𝐵) = 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
𝑥 100%
(2.3)
2.5.3. Lift ratio

Menurut Fauzy dkk. (2016), lift ratio merupakan salah satu evaluasi dalam
algoritma asosiasi untuk menentukan kekuatan dari aturan asosiasi yang telah
dibentuk. Nilai lift sering digunakan sebagai penentu valid atau tidaknya suatu
12
aturan asosiasi. Nilai lift ratio dapat dihitung menggunakan Persamaan (2.4)
berikut:
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴,𝐵)
𝐿𝑖𝑓𝑡 𝑅𝑎𝑡𝑖𝑜 = 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 𝐵
𝑥 100%
(2.4)
dengan aturan sebagai berikut:
1. Lift(A,B)< 1 maka membeli (B)
2. Lift(A,B)> 1 maka membeli (A,B)
Sebuah transaksi dikatakan valid jika mempunyai nilai lift lebih dari 1, yang
berarti bahwa dalam transaksi tersebut item A dan item B benar-benar dibeli secara
bersamaan.
2.6. Data
Menurut Sri dkk. (2018), data merupakan hasil observasi langsung terhadap
suatu kejadian sebagai fakta di dunia nyata berupa tulisan atau gambar yang
dilengkapi dengan nilai tertentu. Data yang digunakan dalam penelitian ini terdiri
dari 2 macam data yaitu data pribadi mahasiswa dan data yudisium mahasiswa.
2.6.1. Data pribadi mahasiswa

Data pribadi mahasiswa adalah data mahasiswa yang didata pada saat
pendaftaran awal masuk perguruan tinggi. Semua data pribadi tersebut disimpan
pada biodata online yang ada pada siakad Undana. Data yang disimpan tersebut
berupa identitas pribadi, orangtua dan identitas asal sekolah. Proses pendataan
ulang dilakukan di tingkat universitas. Setelah direkapitulasi, data tersebut akan
disebarkan ke tiap-tiap fakultas yang kemudian akan diteruskan ke tiap-tiap jurusan
masing-masing. Data yang dicatat dapat dilihat pada Tabel 2.2.
Tabel 2.2 Data pribadi mahasiswa
Atribut Keterangan
Nim Nim atau yang dikenal dengan istilah Nomor Induk Mahasiswa merupakan kode
yang dimiliki mahasiswa sebagai nomor unik identitas perguruan tinggi
Nama Merupakan nama mahasiswa yang bersangkutan
mahasiswa
Jenis Merupakan jenis kelamin mahasiswa yang bersangkutan yaitu laki-laki atau
kelamin perempuan
Fakultas Merupakan fakultas mahasiswa yang bersangkutan berupa Ekonomi Bisnis,
Hukum, Ilmu Sosial dan Ilmu Politik, Kedokteran, Kedokteran Hewan, Keguruan
13
dan Ilmu Pendidikan, Kelautan dan Perikanan, Kesehatan Masyarakat, Pertanian,
Peternakan, Sains dan Teknik
Jalur masuk Merupakan jenis jalur masuk yang diikuti mahasiswa yang bersangkutan berupa
SNMPTN, SBMPTN, Seleksi Mandiri PTN(Reguler), Seleksi Mandiri
PTN(Ekstension), Seleksi Mandiri PTN(PDD Ngada), Afirmasi Dikti NTT,
PMDK-Penelusuran minat dan kemampuan (akademik)
Penerima Merupakan mahasiswa yang bersangkutan menerima atau tidak menerima bantuan
beasiswa biaya kuliah yang diberikan baik dari pemerintah maupun dari instansi lain
Jenis tempat Merupakan jenis tempat tinggal mahasiswa yang bersangkutan meliputi asrama,
tinggal bersama orang tua, kost, panti asuhan, wali, lainnya
Tabel 2.2 Lanjutan

Atribut Keterangan
Jurusan Merupakan jurusan mahasiswa yang bersangkutan berupa Agribisnis,
Agroteknologi, Akuntansi, Bimbingan Konseling, Biologi, Budidaya
Perairan, Ekonomi Pembangunan, Fisika, Ilmu Administrasi, Ilmu
Administrasi Bisnis, Ilmu Administrasi Negara, Ilmu Hukum, Ilmu
Kesehatan Masyarakat, Ilmu Komputer, Ilmu Komunikasi, Ilmu
Lingkungan, Ilmu Linguistik, Ilmu Politik, Ilmu Ternak, Kedokteran
Hewan, Kehutanan, Kesehatan Masyarakat, Kimia, Manajemen,
Manajemen Sumberdaya Perairan, Matematika, Pendidikan Jasmani,
Kesehatan Dan Rekreasi, Pendidikan Bahasa dan Sastra Indonesia,
Pendidikan Bahasa Inggris, Pendidikan Biologi, Pendidikan Dokter,
Pendidikan Ekonomi, Pendidikan Fisika, Pendidikan Geografi,
Pendidikan Guru Anak Usia Dini, Pendidikan Guru Sekolah Dasar,
Pendidikan IPS, Pendidikan Kimia, Pendidikan Luar Sekolah, Pendidikan
Matematika, Pendidikan Pancasila dan Kewarganegaraan, Pendidikan
Sejarah, Pendidikan Teknik Bangunan, Pendidikan Teknik Elektro,
Pendidikan Teknik Mesin, Peternakan, Psikologi, Sosiologi, Teknik
Arsitektur, Teknik Elektro, Teknik Mesin, Teknik Pertambangan, Teknik
Sipil.
Tipe ijazah Merupakan tipe ijazah pendidikan terakhir mahasiswa yang bersangkutan
meliputi SMA/SMU, SMK, Paket C, Transfer, MA
Ijazah ayah Merupakan pendidikan terakhir ayah dari mahasiswa yang bersangkutan
meliputi D1, D2, D3, D4, Paket A, Paket B, Paket C, Paud, Profesi, Putus
SD, S1, S2, S3, SD/Sederajat, SMP/Sederajat, SMA/Sederajat, Tidak
Sekolah, TK/Sederajat
Ijazah ibu Merupakan pendidikan akhir ibu dari mahasiswa yang bersangkutan
meliputi D1, D2, D3, D4, Paket A, Paket B, Paket C, Paud, Profesi, Putus
SD, S1, S2, S3, SD/Sederajat, SMP/Sederajat, SMA/Sederajat, Tidak
Sekolah, TK/Sederajat
Penghasilan ayah Merupakan upah kerja ayah dari mahasiswa yang bersangkutan meliputi
kurang dari Rp 500.000, Rp 500.000 – Rp 999.999, Rp 1.000.000 –
1.999.999, Rp 2.000.000 – Rp4.999.999, Rp 5.000.000 – Rp 20.000.000
dan lebih dari Rp 20.000.000
Penghasilan ibu Merupakan upah kerja ibu dari mahasiswa yang bersangkutan meliputi
kurang dari Rp 500.000, Rp 500.000 – Rp 999.999, Rp 1.000.000 –
1.999.999, Rp 2.000.000 – Rp4.999.999, Rp 5.000.000 – Rp 20.000.000
dan lebih dari Rp 20.000.000
Sumber biaya Merupakan sumber biaya kuliah dari mahasiswa yang bersangkutan
meliputi Beasiswa, Keluarga, Orang Tua, Sendiri, Lainnya.
14
2.6.2. Data yudisium mahasiswa
Data yudisium merupakan laporan data mahasiswa yang sudah dinyatakan
lulus yaitu dengan syarat sudah selesai menyelesaikan program tugas akhir atau
skripsi. Data yang dicatat dapat dilihat pada Tabel 2.3.
Tabel 2.3 Data yudisium mahasiswa
Atribut Keterangan
Nim Nim atau yang dikenal dengan istilah Nomor Induk Mahasiswa merupakan
kode yang dimiliki mahasiswa sebagai nomor unik identitas perguruan tinggi
Nama mahasiswa Merupakan nama mahasiswa yang bersangkutan
Tabel 2.3 Lanjutan
Atribut Keterangan
Fakultas Merupakan fakultas mahasiswa yang bersangkutan berupa Ekonomi Bisnis,
Hukum, Ilmu Sosial dan Ilmu Politik, Kedokteran, Kedokteran Hewan,
Keguruan dan Ilmu Pendidikan, Kelautan dan Perikanan, Kesehatan
Masyarakat, Pertanian, Peternakan, Sains dan Teknik
Jurusan Merupakan jurusan mahasiswa yang bersangkutan berupa Agribisnis,
Agroteknologi, Akuntansi, Bimbingan Konseling, Biologi, Budidaya
Perairan, Ekonomi Pembangunan, Fisika, Ilmu Administrasi, Ilmu
Administrasi Bisnis, Ilmu Administrasi Negara, Ilmu Hukum, Ilmu Kesehatan
Masyarakat, Ilmu Komputer, Ilmu Komunikasi, Ilmu Lingkungan, Ilmu
Linguistik, Ilmu Politik, Ilmu Ternak, Kedokteran Hewan, Kehutanan,
Kesehatan Masyarakat, Kimia, Manajemen, Manajemen Sumberdaya
Perairan, Matematika, Pendidikan Jasmani, Kesehatan Dan Rekreasi,
Pendidikan Bahasa dan Sastra Indonesia, Pendidikan Bahasa Inggris,
Pendidikan Biologi, Pendidikan Dokter, Pendidikan Ekonomi, Pendidikan
Fisika, Pendidikan Geografi, Pendidikan Guru Anak Usia Dini, Pendidikan
Guru Sekolah Dasar, Pendidikan IPS, Pendidikan Kimia, Pendidikan Luar
Sekolah, Pendidikan Matematika, Pendidikan Pancasila dan
Kewarganegaraan, Pendidikan Sejarah, Pendidikan Teknik Bangunan,
Pendidikan Teknik Elektro, Pendidikan Teknik Mesin, Peternakan, Psikologi,
Sosiologi, Teknik Arsitektur, Teknik Elektro, Teknik Mesin, Teknik
Pertambangan, Teknik Sipil.
Lama studi Merupakan lama studi mahasiswa yang dihitung sejak tahun awal masuk
sampai tahun akhir yudisium
IPK akhir Merupakan nilai akhir dari mahasiswa yang bersangkutan
2.7. Aplikasi RapidMiner versi 9.10.1

Menurut C dkk. (2013), RapidMiner adalah perangkat lunak yang bersifat open
source yang dapat menyelesaikan solusi dan melakukan analisis untuk
penambangan data, penambangan teks, dan analisis prediksi. RapidMiner
menggunakan berbagai teknik deskripsi dan prediksi untuk membantu pengguna
membuat keputusan baru. RapidMiner memiliki sekitar 500 operator penambangan
data, termasuk operator untuk input, output, preprocessing, dan visualisasi.
Operator-operator yang digunakan dalam menyelesaikan proses perhitungan
15
Apriori dapat dilihat pada Tabel 2.4.
Tabel 2.4 Operator yang digunakan pada proses perhitungan

Operator Keterangan
Operator retrieve berfungsi untuk mengakses informasi yang
tersimpan di repository dan memuatnya ke dalam proses.
Tabel 2.4 Lanjutan

Operator Keterangan
Operator ini mengubah tipe atribut numerik yang dipilih ke tipe
binominal. Operator ini juga memetakan semua nilai dari atribut-
atribut ini ke nilai binominal yang sesuai.
Operator ini memodifikasi pemetaan nilai internal atribut

binominal menurut nilai negatif dan positif yang ditentukan.
Operator FP-Growth secara efisien berfungsi untuk menghitung

semua itemset yang sering muncul dalam ExampleSet,
menggunakan struktur data FP-tree.
Operator create association rules menghasilkan sekumpulan

aturan asosiasi dari sekumpulan frequent itemset yang diberikan.
2.8. Hipotesis
Berdasarkan penelitian yang dilakukan sebelumnya, penulis membuat
hipotesis untuk mengetahui apakah rule atau aturan asosiasi yang dibentuk valid
atau tidak valid.
H0: Nilai lift <1 rule atau aturan asosiasi yang dibentuk tidak valid
H1: Nilai lift ≥1 rule atau aturan asosiasi yang dibentuk valid
16
17
BAB III
METODOLOGI PENELITIAN
3.1. Lokasi Penelitian

Penelitian dilakukan di sub bagian kemahasiswaan yang beralamat di gedung
rektorat Universitas Nusa Cendana lantai 1.
3.2. Sumber Data

Terdapat 2 sumber data yang digunakan dalam penelitian ini yaitu:
1. Narasumber, yaitu pegawai sub bagian kemahasiswaan Universitas Nusa
Cendana.
2. Dokumen arsip, yaitu arsip data kelulusan mahasiswa yang didapatkan dari tahun
2013-2019.
3.3. Jenis Data

Terdapat 2 jenis data yang digunakan dalam penelitian ini yaitu:
1. Data primer
Data yang diperoleh melalui wawancara langsung dengan pegawai sub bagian
kemahasiswaan Universitas Nusa Cendana terkait data kelulusan mahasiswa
untuk digunakan dalam menerapkan metode yang digunakan.
2. Data sekunder
Data yang diperoleh dari kumpulan jurnal-jurnal penelitian, buku pedoman
penulisan dan data kelulusan mahasiswa yang didapatkan dari pegawai sub
bagian kemahasiswaan.
18
3.4. Tahapan Penelitian
Tahapan penelitian yang digunakan dalam penelitian ini dapat dilihat pada
Gambar 3.1.
Mulai
Identifikasi Masalah
Tinjauan Kepustakaan
(Literature)
Pengumpulan Data
Proses CRISP-DM
Bussines Data Data

Modeling Evaluation Deployment
Understanding Understanding Preparation
Hasil dan Pembahasan
Kesimpulan dan Saran
Selesai
Gambar 3.1 Tahapan penelitian
3.5. Metode Pengolahan Data

Metode pengolahan data yang dilakukan mengikuti tahapan dalam metode
CRISP-DM (Cross Industry Standard Process for Data Mining).
3.5.1. Business understanding (pemahaman bisnis)

Penerapan data mining pada penelitian ini berhubungan langsung dengan data
kelulusan mahasiswa. Tujuan yang dilakukan yaitu untuk menggali pengetahuan
tentang hubungan data pribadi dan data yudisium dalam menentukan pola kelulusan
mahasiswa. Tahap ini juga melihat atribut-atribut apa saja yang mempengaruhi pola
kelulusan mahasiswa tersebut. Manfaat pola data kelulusan ini dapat memberikan
pertimbangan terhadap strategi pembelajaran untuk tercapainya kelulusan yang
lebih baik.
19
3.5.2. Data understanding (pemahaman data)
Penelitian ini menggunakan data yang berasal dari sub bagian kemahasiswaan
Universitas Nusa cendana. Data tersebut terdiri atas 4 tabel, yaitu tabel data
mahasiswa, tabel data wisuda, tabel data yudisium dan tabel data kelulusan
mahasiswa dari periode 2013 sampai 2019 dengan jumlah data keseluruhan
mencakup 7.625 data. Tabel data mahasiswa dapat dilihat pada Gambar 3.2.
Gambar 3.2 Tabel data mahasiswa

Tabel data wisuda dapat dilihat pada Gambar 3.3.
Gambar 3.3 Tabel data wisuda
20
Tabel data yudisium dapat dilihat pada Gambar 3.4.
Gambar 3.4 Tabel data yudisium

Tabel data kelulusan mahasiswa dapat dilihat pada Gambar 3.5.
Gambar 3.5 Tabel data kelulusan mahasiswa

3.5.3. Data preparation (persiapan data)
Pada tahap ini dilakukan persiapan data yang melibatkan tugas-tugas dalam hal
penggabungan kumpulan data, mendapatkan atribut baru, menyortir data untuk
pemodelan, menghapus atau menggantikan nilai yang kosong atau hilang serta
membagi menjadi set data pelatihan dan pengujian.
1. Selecting data
Tahap seleksi data digunakan untuk memilih data yang relevan dan sesuai dengan
tujuan data mining. Pada tahap ini data yang digunakan untuk pemrosesan data
mining selanjutnya menggunakan tabel data kelulusan mahasiswa yang
ditunjukkan pada Gambar 3.5. Tabel data kelulusan mahasiswa yang digunakan
merupakan hasil pemilihan atribut-atribut dari tabel data mahasiswa, data wisuda
dan data yudisium yang relevan dan sesuai dengan tujuan penulis.
21
2. Cleaning data
Pada tahap ini dilakukan pembersihan pada tabel data kelulusan mahasiswa yang
terdapat noise atau kekosongan data. Proses pembersihan pada data tabel excel
kelulusan mahasiswa menggunakan cara filter. Filter yang digunakan untuk
mencari data kosong atau blanks. Jumlah data yang telah dibersihkan berjumlah
6.810 dari total data awal sebanyak 7.625 data. Gambar 3.6 merupakan proses
filter pada kekosongan tabel data excel kelulusan mahasiswa.
Gambar 3.6 Proses filter pada tabel data kelulusan mahasiswa

Setelah melalui tahap filter selanjutnya dilakukan pemangkasan terhadap atribut
yang tidak digunakan dalam analisis, yang dapat dilihat pada Tabel 3.1.
Tabel 3.1 Atribut data kelulusan yang tidak digunakan
No Atribut
1. Nim
2. Nama
3. Jurusan
4. Ijazah ayah, ibu dan wali
5. Pekerjaan ayah, ibu dan wali
6. Sumber biaya
3. Constructing new data

Pada tahap ini dilakukan pembuatan database baru atau menghasilkan atribut
baru sesuai kebutuhan data mining. Database baru yang dibuat menggunakan
Microsoft excel. Microsoft excel digunakan untuk menyimpan data kelulusan
mahasiswa. Dalam data kelulusan mahasiswa memuat data pribadi dan data
22
yudisium. Atribut pada data pribadi yang digunakan antara lain fakultas (F), jalur
masuk (M), beasiswa (B), jenis tempat tinggal (T), penghasilan orang tua (PO)
dan tipe ijazah (I). Atribut pada data yudisium yang digunakan berupa atribut
lama studi dan IPK akhir. Total atribut yang digunakan adalah 8 atribut. Gambar
3.7 merupakan atribut tabel data kelulusan yang siap digunakan untuk proses
pemodelan.
Gambar 3.7 Atribut data kelulusan yang digunakan untuk pemodelan

4. Formatting data
Pada tahap ini dilakukan perubahan pada data pribadi dan data yudisium
mahasiswa ke dalam format tertentu sebelum membangun model yang
diinginkan. Proses format dilakukan pada setiap atribut data pribadi dan data
yudisium. Proses format digunakan untuk membantu memudahkan proses
penyortiran atau proses bekerjanya suatu algoritma yang digunakan. Maka
dengan melakukan penyortiran itu sendiri dapat menghemat waktu pemrosesan
kerja dalam perhitungan algoritma yang diinginkan. Berikut merupakan proses
format yang dibuat dan dibagi dalam 2 bagian, sebagai berikut:
1. Data yudisium
Pada data yudisium atribut IPK dikategorikan berdasarkan predikat kelulusan
yaitu memuaskan, sangat memuaskan dan dengan pujian (cumlaude) seperti
pada Tabel 3.2.
Tabel 3.2 Predikat IPK
Predikat IPK
Memuaskan 2,00 – 2,75
Sangat memuaskan 2,76 – 3,50
Dengan pujian (cumlaude) > 3,50
23
Selanjutnya dilakukan pengkategorian terhadap atribut lama studi.Atribut lama
studi dikategorikan berdasarkan kategori terlambat, sedang, cepat dan sangat
cepat seperti pada Tabel 3.3.
Tabel 3.3 Kategori lama studi
Kategori Tahun
Terlambat > 5 Tahun
Sedang > 4 Tahun<= 5 Tahun
Cepat >3,5 Tahun<= 4 Tahun
Sangat cepat <= 3,5 Tahun
Dari dua pengkategorian tersebut dapat dibuat kode tingkat kelulusan
berdasarkan kombinasi keduanya, seperti dilihat pada Tabel 3.4.
Tabel 3.4 Kode tingkat kelulusan
Kode Keterangan
A1 Lama studi≤ 3,5 Tahun dan IPK> 3,50
A2 Lama studi≤ 3,5 Tahun dan IPK 2,76 – 3,50
A3 Lama studi≤ 3,5 Tahun dan IPK 2,00 – 2,75
A4 Lama studi>3,5 Tahun≤ 4 Tahun dan IPK> 3,50
A5 Lama studi>3,5 Tahun≤ 4 Tahun dan IPK 2,76 – 3,50
A6 Lama studi>3,5 Tahun≤ 4 Tahun dan IPK 2,00 – 2,75
A7 Lama studi> 4 Tahun≤ 5 Tahun dan IPK> 3,50
A8 Lama studi> 4 Tahun≤ 5 Tahun dan IPK 2,76 – 3,50
A9 Lama studi> 4 Tahun≤ 5 Tahun dan IPK 2,00 – 2,75
A10 Lama studi> 5 Tahun dan IPK> 3,50
A11 Lama studi> 5 Tahun dan IPK 2,76 – 3,50
A12 Lama studi> 5 Tahun dan IPK 2,00 – 2,75
2. Data pribadi mahasiswa

Pada data pribadi pengkodean untuk atribut fakultas ditunjukkan pada Tabel
3.5.
Tabel 3.5 Kode fakultas
Kode fakultas Keterangan
F1 Fakultas Ekonomi dan Bisnis
F2 Fakultas Hukum
F3 Fakultas Ilmu Sosial dan Ilmu Politik
F4 Fakultas Kedokteran
F5 Fakultas Kedokteran Hewan
F6 Fakultas Keguruan dan Ilmu Pendidikan
F7 Fakultas Kelautan dan Perikanan
F8 Fakultas Kesehatan Masyarakat
F9 Fakultas Pertanian
F10 Fakultas Peternakan
F11 Fakultas Sains dan Teknik
Terdapat beberapa proses masuk pada Universitas Nusa Cendana, yaitu
SNMPTN, SBMPTN, Afirmasi Dikti NTT, Seleksi Mandiri PTN (Reguler),
Seleksi Mandiri PTN (Ekstension), Seleksi Mandiri PTN (PDD Ngada),
24
PMDK-Penelusuran Minat dan Kemampuan (akademik). Pengkodean untuk
atribut jalur masuk dapat dilihat pada Tabel 3.6.
Tabel 3.6 Kode jalur masuk
Kode jalur masuk Keterangan
M1 SNMPTN
M2 SBMPTN
M3 Afirmasi Dikti NTT
M4 Seleksi Mandiri PTN (Reguler)
M5 Seleksi Mandiri PTN (Ekstension)
M6 Seleksi Mandiri PTN (PDD Ngada)
M7 Seleksi Mandiri PTN (Transfer)
M8 PMDK - Penelusuran minat dan kemampuan (akademik)
Atribut kode beasiswa dikelompokkan berdasarkan penerima beasiswa (ya)

atau yang bukan penerima beasiswa (tidak) yang ditunjukkan pada Tabel 3.7.
Tabel 3.7 Kode beasiswa
Kode beasiswa Keterangan
B1 Tidak
B2 Ya
Pengkodean untuk atribut jenis tempat tinggal ditunjukkan pada Tabel 3.8.
Tabel 3.8 Kode jenis tempat tinggal
Kode jenis tempat tinggal Keterangan
T1 Asrama
T2 Bersama orang tua
T3 Kos
T4 Panti asuhan
T5 Wali
T6 Lainnya
Pengkodean untuk atribut penghasilan orang tua ditunjukkan pada Tabel 3.9.
Tabel 3.9 Kode penghasilan orang tua
Kode Keterangan
PO1 Kurang dari Rp 500.000
PO2 Rp 500.000 – Rp 999.999
PO3 Rp 1.000.000 – Rp 1.999.999
PO4 Rp 2.000.000 – Rp 4.999.999
PO5 Rp 5.000.000 – Rp 20.000.000
PO6 Lebih dari Rp 20.000.000
Pengkodean untuk atribut tipe ijazah berupa SMA/SMU, MA, SMK, paket C,
transfer yang ditunjukkan pada Tabel 3.10.
Tabel 3.10 Kode tipe ijazah
Kode tipe ijazah Keterangan
I1 SMA/SMU
I2 MA
I3 SMK
25
Tabel 3.10 Lanjutan
Kode tipe ijazah Keterangan
I4 Paket C
I5 Transfer
3.5.4. Modelling
Pemodelan asosiasi pada penelitian ini menggunakan teknik association rule
dengan menerapkan algoritma Apriori. Tools yang digunakan yaitu RapidMiner
9.10.1.
3.5.5. Evaluation
Evaluasi pada penelitian ini lebih difokuskan pada model atau pola yang
dihasilkan oleh algoritma Apriori. Model yang dihasilkan, dianalisis untuk
mengetahui apakah pola yang dihasilkan sudah sesuai dengan hipotesis yang ada
sebelumnya. Pola yang dihasilkan berupa pola informasi hubungan kelulusan
mahasiswa dengan data pribadi dan data yudisium mahasiswa dari proses data
mining berupa rules yang didapat dari perhitungan Apriori.
3.5.6. Deployment
Tahap evaluasi digunakan untuk menilai secara detail hasil dari sebuah model
yang telah dibangun, sehingga dapat menghasilkan suatu hasil yang sesuai dengan
target awal tahap CRISP-DM. Hasil akhir dari tahap evaluasi adalah pembuatan
laporan.
3.6. Ilustrasi Perhitungan Algoritma Apriori

Pada tahap ini data yang telah terkumpul diolah melalui tahapan praproses dan
data yang digunakan untuk proses algoritma Apriori ini adalah sebagian data
kelulusan mahasiswa seperti pada Tabel 3.11.
Tabel 3.11 Contoh data kelulusan mahasiswa
Nim
No Tgl_masuk Tgl_yudisium Tahun IPK Jalur masuk
pengganti
1 8366709218 01/09/2013 30/12/2020 7.3 3.24 SBMPTN
Seleksi Mandiri PTN
2 8646391712 01/09/2015 05/08/2019 3.9 3.19
(Reguler)
3 7748907564 01/09/2013 30/12/2020 7.3 2.97 SBMPTN
4 6360015110 01/09/2015 28/06/2019 3.8 3.8 SBMPTN
Seleksi Mandiri PTN
5 6016759269 01/09/2013 23/10/2018 5.1 2.91
(PDD Ngada)
6 2892661958 01/09/2015 28/06/2019 3.8 3.65 SBMPTN
26
Tabel 3.11 Lanjutan
Nim
No Tgl_masuk Tgl_yudisium Tahun IPK Jalur masuk
pengganti
Seleksi Mandiri PTN
7 4487075098 01/09/2015 16/12/2019 4.3 3.61
(Reguler)
Seleksi Mandiri PTN
8 4456902506 01/09/2015 05/08/2019 3.9 3.03
(Transfer)
Seleksi Mandiri PTN
9 9034119387 01/09/2013 13/05/2019 5.7 3.42
(Ngada)
10 9364995648 01/09/2015 23/10/2019 4.1 3.11 SBMPTN
Seleksi Mandiri PTN
11 8964497683 01/09/2015 30/06/2020 4.8 3.44
(PDD Ngada)
12 7212872538 01/09/2016 07/06/2020 3.8 3.40 SBMPTN
13 8514338981 01/09/2015 04/10/2019 4.1 3.55 SNMPTN
14 1314072286 01/09/2013 07/10/2019 6.1 3.66 SBMPTN
15 2577804589 01/09/2014 26/10/2019 5.2 3.16 SBMPTN
16 2037125593 01/09/2014 28/01/2019 4.4 3.50 SBMPTN
17 4291361567 01/09/2015 28/06/2019 3.8 3.8 SBMPTN
18 8809675498 01/09/2013 17/10/2018 5.1 3.33 SBMPTN
19 6901343050 01/09/2016 30/06/2020 3.8 3.92 SBMPTN
20 5322801754 01/09/2015 30/09/2020 5.1 3.24 SNMPTN
Tahap selanjutnya yaitu membuat kategori tingkat kelulusan dan jalur masuk yang
ditunjukkan pada Tabel 3.12.
Tabel 3.12 Transformasi tingkat kelulusan dan jalur masuk
No Nim pengganti Tingkat kelulusan Jalur masuk
1 8366709218 A11 M2
2 8646391712 A5 M4
3 7748907564 A11 M2
4 6360015110 A4 M2
5 6016759269 A11 M6
6 2892661958 A4 M2
7 4487075098 A7 M4
8 4456902506 A5 M7
9 9034119387 A11 M6
10 9364995648 A8 M2
11 8964497683 A8 M6
12 7212872538 A5 M2
13 8514338981 A7 M1
14 1314072286 A10 M2
15 2577804589 A11 M2
16 2037125593 A8 M2
17 4291361567 A4 M2
18 8809675498 A11 M2
19 6901343050 A4 M2
20 5322801754 A11 M1
3.6.1. Tabulasi data

Langkah pertama yang dilakukan adalah membuat tabulasi data dari tabel 3.12
yang selanjutnya di breakdown ke dalam Tabel 3.13.
27
Tabel 3.13 Tabular data kelulusan mahasiswa
No A4 A5 A7 A8 A10 A11 M1 M2 M4 M6 M7
1 0 0 0 0 0 1 0 1 0 0 0
2 0 1 0 0 0 0 0 0 1 0 0
3 0 0 0 0 0 1 0 1 0 0 0
4 1 0 0 0 0 0 0 1 0 0 0
5 0 0 0 0 0 1 0 0 0 1 0
6 1 0 0 0 0 0 0 1 0 0 0
7 0 0 1 0 0 0 0 0 1 0 0
8 0 1 0 0 0 0 0 0 0 0 1
9 0 0 0 0 0 1 0 0 0 1 0
10 0 0 0 1 0 0 0 1 0 0 0
11 0 0 0 1 0 0 0 0 0 1 0
12 0 1 0 0 0 0 0 0 0 0 0
13 0 0 1 0 0 0 1 0 0 0 0
14 0 0 0 0 1 0 0 1 0 0 0
15 0 0 0 0 0 1 0 1 0 0 0
16 0 0 0 1 0 0 0 1 0 0 0
17 1 0 0 0 0 0 0 1 0 0 0
18 0 0 0 0 0 0 0 1 0 0 0
19 1 0 0 0 0 0 0 1 0 0 0
20 0 0 0 0 0 1 1 0 0 0 0
3.6.2. Analisa pola frekuensi tinggi dengan algoritma Apriori

Pada tahap ini dilakukan penentuan pola frekuensi tertinggi yang dilakukan
dalam beberapa iterasi. Setiap iterasi menghasilkan pola frekuensi tinggi dengan
panjang yang sama. Dalam penelitian ini ditetapkan minimum support = 10% dan
minimum confidence = 50%.
Pada iterasi pertama dilakukan perhitungan nilai support pada setiap item.
Salah satu contoh perhitungan nilai support untuk item A4 (Lama studi > 3,5 Tahun
&≤ 4 Tahun dan IPK> 3,50) dengan jumlah kemunculan data yang mengandung A4
adalah 4, dari total data kelulusan mahasiswa yaitu 20 mahasiswa. Hasil
perhitungan untuk nilai support (A4) dengan menggunakan Persamaan (2.1)
sebagai berikut:
∑𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) = 𝑥 100%
∑𝑇𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
4
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴4) = 𝑥 100%
20
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴4) = 20%

Nilai support untuk perhitungan 1 – itemset dapat dilihat pada Tabel 3.14.
28
Tabel 3.14 Nilai support 1 – itemset
No Itemset Count Support (%)
1. A4 4 20
2. A5 3 15
3. A7 2 10
4. A8 3 15
5. A10 1 5
6. A11 7 35
7. M1 2 10
8. M2 12 60
9. M4 2 10
10. M6 3 15
11. M7 1 5
Hasil perhitungan nilai support untuk iterasi pertama menghasilkan 11

kombinasi dengan panjang 1 atau 1-itemset. Selanjutnya dipilih item yang
mempunyai nilai support lebih besar atau sama dengan nilai minimum support yang
telah ditentukan. Pola frekuensi tinggi dengan panjang 1 untuk 11 kombinasi
pertama menghasilkan 9 kombinasi yang memenuhi minimum support = 10% dapat
dilihat pada Tabel 3.15.
Tabel 3.15 Hasil support 1 – itemset (L1)
1. A4 4 20
2. A5 3 15
3. A7 2 10
4. A8 3 15
5. A11 7 35
6. M1 2 10
7. M2 12 60
8. M4 2 10
9. M6 3 15
3.6.3. Pembentukan pola kombinasi 2 – itemset

Pada iterasi yang kedua, dicari nilai support dari kandidat 2 – itemset yang
diperoleh dari mengkombinasikan semua item dalam L1 menjadi 2 – item tiap set-
nya. Berikut merupakan contoh perhitungan nilai support untuk kombinasi 2
itemset pada item A4 dan M1 dengan jumlah kemunculan data yang mengandung
A4 dan M1 adalah 1. Hasil perhitungan untuk nilai support (A4,M1) menggunakan
Persamaan (2.2) sebagai berikut:
∑𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) = ∑𝑇𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
𝑥 100%
29
0
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴4, 𝑀1) = 𝑥 100%
20
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴4, 𝑀1) = 0%
Nilai support untuk perhitungan 2 – itemset dapat dilihat pada Tabel 3.16.
Tabel 3.16 Nilai kombinasi 2 – itemset
1. A4,M1 0 0
2. A4,M2 4 20
3. A4,M4 0 0
4. A4,M6 0 0
5. A5,M1 0 0
6. A5,M2 1 5
7. A5,M4 0 0
8. A5,M6 0 0
9. A7,M1 1 5
10. A7,M2 0 0
11. A7,M4 0 0
12. A7,M6 0 0
13. A8,M1 0 0
14. A8,M2 2 10
15. A8,M4 1 5
16. A8,M6 1 5
17. A11,M1 1 5
18. A11,M2 4 20
19. A11,M4 0 0
20. A11,M6 2 10
Hasil perhitungan nilai support untuk kombinasi 2 – itemset menghasilkan 20

kombinasi. Kombinasi 2 – itemset yang tidak memenuhi nilai minimum support
akan dihapus, sehingga didapatkan kombinasi 2 – itemset sebanyak 4 ditunjukkan
pada Tabel 3.17.
Tabel 3.17 Hasil kombinasi 2 – itemset (L2)
1. A4,M2 4 20
2. A8,M2 2 10
3. A11,M2 4 20
4. A11,M6 2 10
Dari 20 sampel data kelulusan yang dicoba dengan perhitungan manual

terhadap hubungan tingkat kelulusan dengan jalur masuk, diperoleh hasil bahwa
pembentukan kombinasinya sampai pada 2 itemset, yang kemudian digunakan
untuk pembentukan aturan asosiasi (confidence).
30
3.6.4. Perhitungan nilai confidence
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi
yang memenuhi syarat minimum untuk confidence (50%) dengan menghitung
confidence A ke B menggunakan Persamaan (2.3) sebagai berikut:
∑𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 𝑃(𝐴|𝐵) = 𝑥 100%
∑𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
4
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 𝑃(𝐴4|𝑀2) = 𝑥 100%
4
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴4, 𝑀2) = 100%

Nilai confidence untuk beberapa kandidat aturan asosiasi yang terbentuk dapat
Tabel 3.18 Nilai confidence aturan asosiasi
No Itemset Count Confidence (%)
1. A4→M2 4 4/4 100
2. M2→A4 4 4/12 33,33
3. A8→M2 2 2/3 66,67
4. M2→A8 2 2/12 16,67
5. A11→M2 4 4/7 54,14
6. M2→A11 3 3/12 25
7. A11→M6 2 2/7 28,57
8. M6→A11 2 2/3 66,67
Hasil aturan asosiasi yang tidak memenuhi nilai minimum confidence akan
dihapuskan, sehingga terbentuk aturan asosiasi yang ditunjukkan pada Tabel 3.19.
Tabel 3.19 Aturan asosiasi
No Itemset Count Support (%) Confidence (%)
1. A4→M2 4 20 4/4 100
2. A8→M2 2 10 2/3 66,67
3. A11→M2 4 20 4/7 54,14
4. M6→A11 2 10 2/3 66,67
3.6.5. Perhitungan nilai lift

Pada tahap ini, aturan asosiasi yang dibentuk akan dicari nilai lift masing-
masing itemset untuk mengetahui kekuatan dari aturan asosiasi yang terbentuk.
Berikut merupakan contoh perhitungan nilai lift untuk aturan A4→M2
menggunakan Persamaan (2.4) sebagai berikut:
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴→𝐵)
𝐿𝑖𝑓𝑡 (𝐴 → 𝐵) = 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐵)
100
𝐿𝑖𝑓𝑡 (𝐴4 → 𝑀2) = 60
𝐿𝑖𝑓𝑡 (𝐴4 → 𝑀2) = 1,67
31
Nilai lift untuk beberapa aturan asosiasi ditunjukkan pada Tabel 3.20.
Tabel 3.20 Nilai lift aturan asosiasi
No Itemset Count Support (%) Confidence (%) Lift
1. A4→M2 4 20 100 1,67
2. A8→M2 2 10 66,67 1,11
3. A11→M2 4 20 54,14 0,95
4. M6→ A11 2 10 66,67 1,90
Hasil aturan asosiasi yang mempunyai lift kurang dari 1 akan dihapuskan. Aturan
asosiasi dengan nilai lift ≥ 1 ditunjukkan pada Tabel 3.21.
Tabel 3.21 Hasil nilai lift aturan asosiasi
No Itemset Count Support (%) Confidence (%) Lift
1. A4→ M2 4 20 100 1,67
2. A8→ M2 2 10 66,67 1,11
3. M6→ A11 2 10 66,6 1,90
3.6.6. Aturan asosiasi final

Aturan asosiasi final terurut berdasarkan minimum support (10%), minimum
confidence (50%) dan lift ≥ 1 ditunjukkan pada Tabel 3.22.
Tabel 3.22 Aturan asosiasi final
Support Confidence
No Itemset Count Lift
(%) (%)
Jika lama studi >3,5 tahun≤ 4 tahun dan IPK
1. 4 20 100 1,67
> 3,50 maka jalur masuknya SBMPTN
Jika lama studi> 4 tahun≤ 5 tahun dan IPK
2. 2 10 66,67 1,11
2,76 – 3,50 maka jalur masuknya SBMPTN
Jika jalur masuknya melalui Seleksi Mandiri
3. PTN (PDD Ngada) maka lama studi> 5 2 10 66,67 1,90
Tahun dan IPK 2,76 – 3,50
Hasil dari proses mining menggunakan algoritma Apriori terhadap hubungan

tingkat kelulusan dengan jalur masuk, menghasilkan 3 hubungan A4→M2 dengan
support = 20% dan confidence = 100% dan A8→M2 dengan support = 10% dan
confidence = 66,667%, M6→A11 dengan support= 10 dan confidence = 66,667.
Hasil yang diperoleh bahwa mahasiswa yang mempunyai jalur masuk SBMPTN
mempunyai tingkat kelulusan dengan kisaran lama studi >3,5 tahun sampai dengan
lama studi ≤5 Tahun dengan IPK berkisar 2,76 sampai dengan IPK>3,50. Jika jalur
masuk melalui Seleksi Mandiri PTN (PDD Ngada) maka lama studi > 5 Tahun
dengan IPK 2,76 – 3,50.
32
3.7. Konsep Pengujian dengan Aplikasi RapidMiner
Pada tahap pengujian aplikasi dengan RapidMiner, data yang digunakan sama
seperti pada perhitungan manual sebelumnya. Namun perbedaannya hanya pada
prosesnya, dimana data yang sudah diubah ke dalam format tabular pada excel
selanjutnya langsung diolah pada aplikasi RapidMiner. Tahapannya sebagai
berikut:
1. Import data
Proses pengujian diawali dengan mengimport file excel ke dalam aplikasi
RapidMiner. File excel yang telah di-import akan ditampilkan pada Gambar 3.8.
Gambar 3.8 Tampilan data yang telah di-import

2. Operator yang digunakan
Tahap selanjutnya yaitu tarik file excel ke dalam area proses dan hubungkan file
excel dengan operator yang digunakan. Operator-operatornya antara lain:
Discretize by Frequent, Numerical to Binominal, FP – Growth dan Create
Association Rule. Tampilan prosesnya dapat dilihat pada Gambar 3.9.
Gambar 3.9 Tampilan proses
33
3. Penentuan minimum support dan minimum confidence
Penentuan minimum support dilakukan pada operator FP – Growth, sedangkan
untuk penentuan minimum confidence dilakukan pada operator create association
rule. Tampilan untuk menentukan nilai minimum support dan confidence
dilakukan pada tab parameter, yang ditunjukkan pada Gambar 3.10.
Gambar 3.10 Tampilan parameter nilai minimum support dan confidence
4. Hasil proses RapidMiner

Setelah data diproses, maka akan ditampilkan hasil perhitungan yang dilakukan
oleh aplikasi RapidMiner. Hasil proses perhitungan akan ditampilkan pada tab
result seperti yang ditunjukkan pada Gambar 3.11.
Gambar 3.11 Tampilan hasil perhitungan
34
BAB IV
HASIL DAN PEMBAHASAN
4.1. Hasil Implementasi pada RapidMiner

Hasil implementasi data mining pada kelulusan mahasiswa menggunakan
aplikasi RapidMiner 9.10.1 dengan menggunakan algoritma Apriori. Adapun hasil
yang diperoleh yaitu mengetahui pola kelulusan mahasiswa yang terjadi
berdasarkan hubungan antara data pribadi dan data yudisium mahasiswa di
Universitas Nusa Cendana.
4.1.1. Format tabular data
Pada tahap ini, dilakukan perubahan bentuk data kelulusan mahasiswa ke
dalam format tabular 1 dan 0. Data tabular yang telah diolah selanjutnya disimpan
ke dalam format file excel, untuk selanjutnya diuji menggunakan tools RapidMiner
9.10.1. Tampilan data dengan format excel dapat dilihat pada Gambar 4.1.
Gambar 4.1 Format keseluruhan data tabular excel
Format tabular data kelulusan mahasiswa di atas selanjutnya dibagi ke dalam

6 hubungan data pribadi terhadap tingkat kelulusan.
1. Format tabular hubungan fakultas
Format tabular hubungan fakultas terhadap tingkat kelulusan dapat dilihat pada
Gambar 4.2.
35
Gambar 4.2 Format tabular hubungan fakultas
2. Format tabular hubungan jalur masuk

Format tabular hubungan jalur masuk terhadap tingkat kelulusan dapat dilihat
pada Gambar 4.3.
Gambar 4.3 Format tabular hubungan jalur masuk
3. Format tabular hubungan beasiswa

Format tabular hubungan beasiswa terhadap tingkat kelulusan dapat dilihat pada
Gambar 4.4.
36
Gambar 4.4 Format tabular hubungan beasiswa
4. Format tabular hubungan tempat tinggal

Format tabular hubungan tempat tinggal terhadap tingkat kelulusan dapat dilihat
pada Gambar 4.5.
Gambar 4.5 Format tabular hubungan jenis tempat tinggal
37
5. Format tabular hubungan penghasilan orang tua
Format tabular hubungan penghasilan orang tua terhadap tingkat kelulusan dapat
dilihat pada Gambar 4.6.
Gambar 4.6 Format tabular hubungan penghasilan orang tua
6. Format tabular hubungan tipe ijazah

Format tabular hubungan tipe ijazah terhadap tingkat kelulusan dapat dilihat
pada Gambar 4.7.
Gambar 4.7 Format tabular hubungan tipe ijazah
38
4.1.2. Model pengujian dengan RapidMiner
Model langkah-langkah pengujian dengan aplikasi RapidMiner adalah sebagai
berikut:
1. Import data
Data dalam format file excel yang telah disiapkan selanjutnya data tersebut
dimasukkan ke dalam aplikasi RapidMiner melalui menu “import data” dan
disimpan ke dalam “local repository”. Tampilannya dapat dilihat pada Gambar
4.8.
Gambar 4.8 Tampilan data pada local repository

2. Drag and drop file yang sudah di-import tadi ke dalam area proses seperti pada
Gambar 4.9.
Gambar 4.9 Tampilan data yang telah di-import
3. Masukkan operator-operator yang akan digunakan dengan cara drag and drop ke
dalam area process. Operator yang digunakan antara lain: Numerical to
39
Binominal, FP-Growth dan Create Association Rule. Kemudian hubungkan
database dengan operator Numerical to Binominal lalu hubungkan juga setiap
operator sampai result. Tampilan susunan operator yang digunakan dapat dilihat
pada Gambar 4.10.
Gambar 4.10 Susunan operator untuk algoritma Apriori

4. Menentukan nilai minimum support untuk operator FP-Growth pada tab
parameters, seperti pada Gambar 4.11.
Gambar 4.11 Menentukan nilai support
5. Menentukan nilai minimum confidence untuk operator Create Association Rule

pada tab parameters, seperti pada Gambar 4.12.
40
Gambar 4.12 Menentukan nilai confidence
6. Klik ikon Run seperti pada Gambar 4.13 untuk menampilkan hasil asosiasi atau
pola dari model proses Apriori yang dibuat.
Gambar 4.13 Menjalankan proses Apriori
Setelah menunggu beberapa saat akan muncul tampilan results yang menampilkan
hasil Frequent Item Sets (Fp-Growth) seperti pada Gambar 4.14 dan tampilan
Association Rule (Create Association Rule) seperti pada Gambar 4.15.
41
Gambar 4.14 Hasil frequent item sets (fp-growth)
Gambar 4.15 Hasil association rule (create association rule)
4.2. Hasil Pengujian RapidMiner

Pada tahap ini, penulis melakukan pengujian terhadap 6 hubungan data pribadi
terhadap tingkat kelulusan mahasiswa. Nilai minimum support dan nilai minimum
confidence yang ditentukan pada pengujian ini berbeda, mulai dari nilai minimum
support tertinggi dan nilai minimum confidence terendah. Nilai minimum support
yang digunakan adalah 10% dan 15%, sedangkan untuk nilai minimum confidence
adalah 30%, 40% dan 50%. Tujuan dilakukan pengujian dengan nilai minimum
support dan minimum confidence yang berbeda adalah untuk membandingkan
42
setiap hasil pengujian pada hubungan data pribadi terhadap tingkat kelulusan di
Undana. Berikut ini hasil pengujian yang dilakukan dari 6 hubungan data pribadi
terhadap tingkat kelulusan mahasiswa.
4.2.1. Hasil pengujian hubungan fakultas

Hasil pengujian hubungan fakultas terhadap tingkat kelulusan dapat dilihat
pada Gambar 4.16.
Perbandingan hasil rules pada pengujian hubungan

beasiswa terhadap tingkat kelulusan
9 8 8
10 7 6 6
5
0
Support 10% Support 15%
Confidence 30% Confidence 40% Confidence 50%
Gambar 4.16 Grafik hasil rules pengujian hubungan fakultas
Berdasarkan hasil pengujian di atas dapat dilihat bahwa untuk kombinasi nilai
support 10% dengan nilai confidence 30% menghasilkan jumlah rules terbanyak
dibandingkan dengan nilai support 15% dan confidence yang dikombinasikan.
Grafik di atas juga dapat disimpulkan bahwa semakin tinggi nilai support dan nilai
confidence yang dikombinasikan, maka rules yang dihasilkan juga semakin sedikit.
Berikut ini adalah hasil pengujian dari setiap kombinasi nilai minimum support dan
nilai minimum confidence terhadap 6.810 data kelulusan mahasiswa. Hasil
pengujian dengan nilai support 10% dan 15% yang dikombinasikan dengan nilai
confidence 30%, 40% dan 50%, pembentukan itemset dan rules yang dihasilkan
dapat dilihat pada Gambar 4.17.
43
Gambar 4.17 Hasil itemset hubungan fakultas (support 10%)
Pada Gambar 4.17 di atas, item dengan nilai support tertinggi adalah A8 yang
berarti bahwa hubungan fakultas dengan kelulusan mahasiswa memiliki lama studi
>4 tahun ≤5 tahun dan IPK 2,76 – 3,50 yang paling banyak tingkat kelulusannya.
Item selanjutnya yang memiliki nilai support tertinggi berikutnya adalah F6
(Fakultas Keguruan dan Ilmu Pendidikan), yang berarti bahwa Fakultas Keguruan
dan Ilmu Pendidikan memiliki peminat atau jumlah mahasiswa terbanyak.
Hasil dari nilai minimum support yang ditentukan yaitu 10%, jumlah itemset
yang terbentuk sampai dengan 2 itemset, dimana kombinasi hubungan yang
terbentuk berjumlah 13 kombinasi. Kombinasi A8→F6 memiliki nilai support
tertinggi yaitu 0,088 yang berarti Fakultas Keguruan dan Ilmu Pendidikan memiliki
tingkat kelulusan dengan lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50. 2-
itemset yang memiliki nilai support tertinggi kedua yaitu kombinasi F6→A11
44
dengan nilai 0,086. Berarti bahwa Fakultas Keguruan dan Ilmu Pendidikan
memiliki tingkat kelulusan dengan lama studi >5 tahun dan IPK 2,76 – 3,50.
Pembahasan hasil pembentukan itemset hubungan fakultas dengan support 10%
dapat dilihat pada Tabel 4.1.
Tabel 4.1 Pembahasan hasil hubungan fakultas (support 10%)
Itemset Support Keterangan
A8 0,290 Lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
F6 0,284 Fakultas Keguruan dan Ilmu Pendidikan
A11 0,261 Lama studi >5 tahun dan IPK 2,76 – 3,50
A7 0,172 Lama studi >4 tahun ≤5 tahun dan IPK >3,50
F3 0,149 Fakultas Ilmu Sosial dan Ilmu Politik
F11 0,130 Fakultas Sains dan Teknik
A4 0,110 Lama studi >3,5 tahun ≤4 tahun dan IPK >3,50
F2 0,086 Fakultas Hukum
F9 0,078 Fakultas Pertanian
A5 0,073 Lama studi >3,5 tahun ≤4 tahun dan IPK 2,76 – 3,50
F1 0,072 Fakultas Ekonomi dan Bisnis
F10 0,067 Fakultas Peternakan
F8 0,057 Fakultas Kesehatan Masyarakat
A10 0,041 Lama studi >5 tahun dan IPK >3,50
F4 0,039 Fakultas Kedokteran
A1 0,027 Lama studi ≤3,5 tahun dan IPK >3,50
F7 0,023 Fakultas Kelautan dan Perikanan
A2 0,023 Lama studi ≤3,5 tahun dan IPK 2,76 – 3,50
A8, F6 0,088 Fakultas Keguruan dan Ilmu Pendidikan memiliki lama studi >4 tahun ≤5
tahun dan IPK 2,76 – 3,50
A8, F3 0,030 Fakultas Ilmu Sosial dan Ilmu Politik memiliki lama studi >4 tahun ≤5
A8, F11 0,039 Fakultas Sains dan Teknik memiliki lama studi >4 tahun ≤5 tahun dan IPK
2,76 – 3,50
A8, F9 0,028 Fakultas Pertanian memiliki lama studi >4 tahun ≤5 tahun dan IPK 2,76 –
3,50
A8, F1 0,024 Fakultas Ekonomi dan Bisnis memiliki lama studi >4 tahun ≤5 tahun dan
IPK 2,76 – 3,50
A8, F10 0,036 Fakultas Peternakan memiliki lama studi >4 tahun ≤5 tahun dan IPK 2,76
– 3,50
F6, A11 0,086 Fakultas Keguruan dan Ilmu Pendidikan memiliki lama studi >5 tahun dan
IPK 2,76 – 3,50
F6, A7 0,067 Fakultas Keguruan dan Ilmu Pendidikan memiliki lama studi >4 tahun ≤5
tahun dan IPK > 3,50
A11, 0,058 Fakultas Sains dan Teknik memiliki lama studi >5 tahun dan IPK 2,76 –
F11 3,50
A11, F2 0,021 Fakultas Hukum memiliki lama studi >5 tahun dan IPK 2,76 – 3,50
A11, F8 0,022 Fakultas Kesehatan Masyarakat memiliki lama studi >5 tahun dan IPK
2,76 – 3,50
F3, A4 0,039 Fakultas Ilmu Sosial dan Politik memiliki lama studi >3,5 tahun ≤4 tahun
dan IPK >3,50
F3, A5 0,023 Fakultas Ilmu Sosial dan Politik memiliki lama studi >3,5 tahun ≤4 tahun
dan IPK 2,76 – 3,50
45
Tampilan hasil pembentukan aturan asosiasi hubungan fakultas dengan nilai
minimum support 10% terhadap confidence 30%, 40% dan 50%, dapat dilihat pada
Gambar 4.18, Gambar 4.19 dan Gambar 4.20.
Gambar 4.18 Hasil rules fakultas (support 10%→30%)

Hasil dari ke 3 gambar di atas, bahwa pembentukan aturan asosiasi atau rules
yang dihasilkan untuk nilai minimum confidence 30% adalah sebanyak 12 rules.
Nilai minimum confidence 40% menghasilkan 2 rules dan nilai minimum
confidence 50% menghasilkan 1 rules. Salah satu rules yang memiliki nilai
confidence tertinggi adalah kombinasi F10→A8 dengan nilai confidence 0,538.
Berarti bahwa Fakultas Peternakan memiliki tingkat kelulusan dengan lama studi
>4 tahun ≤5 tahun dan IPK 2,76 – 3,50 dengan nilai kepastian 53,8%.
Berikut merupakan hasil pengujian dengan nilai support 15% yang

dikombinasikan dengan nilai confidence 30%, 40% dan 50%. Pembentukan itemset
dan rules yang dihasilkan dapat dilihat pada Gambar 4.21.
46
Gambar 4.21 Hasil itemset hubungan fakultas (support 15%)
Berikut merupakan tabel hasil pengujian aturan asosiasi dengan nilai support
15% yang dikombinasikan dengan nilai confidence 30%, 40% dan 50%, dapat
Tabel 4.2 Hasil pengujian hubungan fakultas (support 15%)
Keterangan Hasil
Hasil pembentukan rules hubungan fakultas terhadap
tingkat kelulusan dengan nilai minimum confidence
30%

40%
50%
Langkah selanjutnya adalah mencari nilai lift dari masing-masing itemset yang
telah dibentuk. Berikut merupakan nilai lift dari hubungan fakultas terhadap tingkat
kelulusan, dilihat pada Gambar 4.22.
47
Perbandingan hasil lift pada pengujian hubungan fakultas
terhadap tingkat kelulusan
15 12
10 8
5 2 2
1 1
0
Lift (Confidence 30%) Lift (Confidence 40%) Lift (Confidence 50%)
Gambar 4.22 Grafik hasil nilai lift hubungan fakultas

Hasil yang didapatkan bahwa aturan asosiasi dengan nilai lift ≥1 terbanyak
adalah pada support 10% dan confidence 30% dengan jumlah 12 aturan asosiasi
final. Hasil pembentukan nilai lift hubungan fakultas dengan support 10% dapat
Gambar 4.23 Hasil nilai lift hubungan fakultas (support 10%)

fakultas terhadap tingkat kelulusan, menghasilkan 12 hubungan dengan nilai lift
tertinggi yaitu 2,357 pada kombinasi A4→F3. Pada nilai lift yang ada, terdapat 2
kombinasi nilai lift yang sama seperti pada kombinasi A11→F6, F6→A11 dengan
nilai lift 1,157 dan kombinasi A8→F6, F6→A8 dengan nilai lift 1,061. Maka dari
itu, penulis mengambil salah satu dari kombinasi tersebut sehingga jumlahnya
menjadi 10 kombinasi hubungan nilai lift yang dapat dilihat pada Tabel 4.3.
48
Tabel 4.3 Hasil nilai lift ≥1 hubungan fakultas (support 10%→30%)
No Itemset Lift Hasil
1. A4→F3 2,357 Jika lama studi >3,5 tahun ≤ 4 tahun dan IPK >3,50 maka
fakultasnya adalah Fakultas Ilmu Sosial dan Ilmu Politik (FISIP)
2. A5→F3 2,177 Jika lama studi >3,5 tahun ≤4 tahun dan IPK 2,76 – 3,50 maka
fakultasnya adalah Fakultas Ilmu Sosial dan Ilmu Politik (FISIP)
3. F10→A8 1,855 Jika fakultasnya adalah Fakultas Peternakan maka lama studi >4
tahun ≤5 tahun dan IPK 2,76 – 3,50
4. F11→A11 1,714 Jika fakultasnya adalah Fakultas Sains dan Teknik (FST) maka
lama studi >5 tahun dan IPK 2,76 – 3,50
5. F8→A11 1,442 Jika fakultasnya adalah Fakultas Kesehatan Masyarakat (FKM)
maka lama studi >5 tahun dan IPK 2,76 – 3,50
6. A7→F6 1,377 Jika lama studi >4 tahun ≤5 tahun dan IPK >3,50 maka
fakultasnya adalah Fakultas Keguruan dan Ilmu Pendidikan
(FKIP)
7. F9→A8 1,244 Jika fakultasnya adalah Fakultas Pertanian maka lama studi >4
8. F6→A11 1,157 Jika fakultasnya adalah Fakultas Keguruan dan Ilmu Pendidikan
(FKIP) maka lama studi >5 tahun dan IPK 2,76 – 3,50
9. F1→A8 1,135 Jika fakultasnya adalah Fakultas Ekonomi dan Bisnis (FEB)
maka lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
10. F6→A8 1,061 Jika fakultasnya adalah Fakultas Keguruan dan Ilmu Pendidikan
(FKIP) maka lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
Hasil pembentukan aturan asosiasi final hubungan fakultas untuk nilai lift
dengan support 10% terhadap confidence 40% dan confidence 50%, dapat dilihat
pada Gambar 4.24 dan Gambar 4.25.
Gambar 4.24 Nilai lift hubungan fakultas (support 10%→40%)
Gambar 4.25 Nilai lift hubungan fakultas (support 10%→50%)

Berikut merupakan hasil pengujian aturan asosiasi dengan dengan nilai lift ≥1
dengan nilai support 15% yang dikombinasikan dengan nilai confidence 30%, 40%
dan 50% yang dapat dilihat pada Tabel 4.4.
49
Tabel 4.4 Hasil nilai lift ≥1 hubungan fakultas (support 15%)
Keterangan Hasil
Hasil pembentukan aturan asosiasi final
hubungan fakultas terhadap tingkat kelulusan
dengan nilai minimum confidence 30%

4.2.2. Hasil pengujian hubungan jalur masuk

Hasil pengujian hubungan jalur masuk terhadap tingkat kelulusan dapat dilihat
pada Gambar 4.26.

jalur masuk terhadap tingkat kelulusan
10 7 6 6 5
2 1
0
Gambar 4.26 Grafik hasil rules pengujian hubungan jalur masuk

Berdasarkan hasil pengujian hubungan jalur masuk terhadap tingkat kelulusan
tersebut, dapat dilihat bahwa untuk kombinasi nilai support 10% dengan nilai
confidence 30% menghasilkan jumlah rules terbanyak dibandingkan dengan nilai
support 15% dan confidence yang dikombinasikan. Berikut ini adalah hasil
pengujian dari nilai support 10% yang dikombinasikan dengan nilai confidence
30%, 40% dan 50%, pembentukan itemset dan rules yang dihasilkan dilihat pada
Gambar 4.27.
50
Gambar 4.27 Hasil itemset hubungan jalur masuk (support 10%)
Pada Gambar 4.27 di atas, item dengan nilai support tertinggi adalah M2, ini
berarti bahwa jalur masuk SBMPTN mempunyai peminat jalur masuk yang
terbanyak. Item selanjutnya yang memiliki nilai support tertinggi berikutnya adalah
A8 yang berarti bahwa hubungan jalur masuk terhadap kelulusan mahasiswa yang
paling banyak memiliki lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50.
terbentuk berjumlah 13 kombinasi. Kombinasi M2→A8 memiliki nilai support
tertinggi yaitu 0,141 yang berarti jalur masuk SBMPTN memiliki tingkat kelulusan
dengan lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50. Kombinasi 2-itemset
yang memiliki nilai support tertinggi kedua yaitu kombinasi M2→A11 dengan nilai
0,130. Berarti bahwa jalur masuk SBMPTN memiliki tingkat kelulusan dengan
lama studi >5 tahun dan IPK 2,76 – 3,50 dst. Pembahasan hasil pembentukan
itemset hubungan fakultas dengan support 10% dapat dilihat pada Tabel 4.5.
51
Tabel 4.5 Pembahasan hasil hubungan jalur masuk (support 10%)
M2 0,478 SBMPTN
M1 0,252 SNMPTN
M4 0,176 Seleksi Mandiri PTN (Reguler)
M5 0,034 Seleksi Mandiri PTN (Ekstension)
M6 0,033 Seleksi Mandiri PTN (PDD Ngada)
M2,A8 0,141 Jalur masuk SBMPTN memiliki lama studi >4 tahun ≤5 tahun dan IPK
2,76 – 3,50
M2,A11 0,130 Jalur masuk SBMPTN memiliki lama studi >5 tahun dan IPK 2,76 – 3,50
M2,A7 0,087 Jalur masuk SBMPTN memiliki lama studi >4 tahun ≤5 tahun dan IPK
>3,50
M2,A4 0,051 Jalur masuk SBMPTN memiliki lama studi >3,5 tahun ≤4 tahun dan IPK
>3,50
M2,A5 0,032 Jalur masuk SBMPTN memiliki lama studi >3,5 tahun ≤4 tahun dan IPK
2,76 – 3,50
M2,A10 0,022 Jalur masuk SBMPTN memiliki lama studi >5 tahun dan IPK >3,50
A8,M1 0,068 Jalur masuk SNMPTN memiliki lama studi >4 tahun ≤5 tahun dan IPK
2,76 – 3,50
A8,M4 0,055 Jalur masuk Seleksi Mandiri PTN (Reguler) memiliki lama studi >4 tahun
≤5 tahun dan IPK 2,76 – 3,50
A11,M1 0,066 Jalur masuk SNMPTN memiliki lama studi >5 tahun dan IPK 2,76 – 3,50
A11,M4 0,042 Jalur masuk Seleksi Mandiri PTN (Reguler) memiliki lama studi >5 tahun
dan IPK 2,76 – 3,50
M1,A7 0,046 Jalur masuk SNMPTN memiliki lama studi >4 tahun ≤5 tahun dan IPK
>3,50
M1,A4 0,030 Jalur masuk SNMPTN memiliki lama studi >3,5 tahun ≤4 tahun dan IPK
>3,50
M4,A7 0,022 Jalur masuk Seleksi Mandiri PTN (Reguler) memiliki lama studi >4 tahun
≤5 tahun dan IPK >3,50
Tampilan hasil pembentukan aturan asosiasi hubungan jalur masuk dengan
nilai minimum support 10% terhadap confidence 30%, 40% dan 50%, dapat dilihat
pada Gambar 4.28, Gambar 4.29 dan Gambar 4.30.
Gambar 4.28 Hasil rules hubungan jalur masuk (support 10%→30%)

52

Hasil dari ketiga gambar di atas bahwa pembentukan aturan asosiasi atau rules
Untuk nilai minimum confidence 40% menghasilkan 6 rules dan untuk nilai
minimum confidence 50% menghasilkan 2 rules. Salah satu rules yang memiliki
nilai confidence tertinggi adalah kombinasi A10→M2 dengan nilai confidence
0,521. Berarti bahwa jika lama studi >5 tahun dan IPK >3,50 maka jalur masuknya
adalah SBMPTN dengan nilai kepastian 52,1%.
Gambar 4.31 Hasil itemset hubungan jalur masuk (support 15%)
53
Tabel 4.6 Hasil pengujian hubungan jalur masuk (support 15%)
Keterangan Hasil
Hasil pembentukan rules hubungan jalur
masuk terhadap tingkat kelulusan dengan
nilai minimum confidence 30%


Langkah selanjutnya adalah mencari nilai lift dari hubungan jalur masuk
terhadap tingkat kelulusan, dapat dilihat pada Gambar 4.32.
Perbandingan hasil lift pada pengujian hubungan

jalur masuk terhadap tingkat kelulusan
10
5 4 4
5 2 3
1
0
Gambar 4.32 Grafik hasil nilai lift hubungan jalur masuk

Hasil yang didapatkan bahwa aturan asosiasi dengan nilai lift ≥1 terbanyak adalah
pada support 10% dan confidence 30% dengan jumlah 5 aturan asosiasi final, yang
54
Gambar 4.33 Hasil nilai lift ≥ hubungan jalur masuk (support 10%)
jalur masuk terhadap tingkat kelulusan, menghasilkan 5 hubungan dengan nilai lift
tertinggi yaitu 1,091 pada kombinasi A10→M2. Kombinasi hubungan nilai lift ≥1,
dapat dilihat pada Tabel 4.7.
Tabel 4.7 Hasil nilai lift ≥1 hubungan jalur masuk (support 10%→30%)
1. A10→M2 1,091 Jika lama studi >5 tahun dan IPK >3,50 maka jalur masuknya adalah
SBMPTN
2. M4→A8 1,074 Jika jalur masuknya adalah Seleksi Mandiri PTN (Reguler) maka
lama studinya >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
3. A7→M2 1,065 Jika lama studi >4 tahun ≤5 tahun dan IPK >3,50 maka jalur
masuknya adalah SBMPTN
4. A11→M2 1,043 Jika lama studi >5 tahun dan IPK 2,76 – 3,50 maka jalur masuknya
adalah SBMPTN
5. A8→M2 1,015 Jika lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50 maka jalur
masuknya adalah SBMPTN
Hasil pembentukan aturan asosiasi final hubungan jalur masuk untuk nilai lift
pada Gambar 4.34 dan Gambar 4.35.
Gambar 4.34 Nilai lift hubungan jalur masuk (support 10%→40%)
Gambar 4.35 Nilai lift hubungan jalur masuk (support 10%→50%)

dan 50%, dapat dilihat pada Tabel 4.8.
55
Tabel 4.8 Hasil nilai lift ≥1 hubungan jalur masuk (support 15%)
Keterangan Hasil
Hasil pembentukan aturan asosiasi
final hubungan jalur masuk terhadap
tingkat kelulusan dengan nilai
minimum confidence 30%


4.2.3. Hasil pengujian hubungan beasiswa

Hasil pengujian hubungan beasiswa terhadap tingkat kelulusan dapat dilihat
pada Gambar 4.36.
Perbandingan hasil rules pada pengujian

hubungan beasiswa terhadap tingkat kelulusan
9 8 8
10 7 6 6
0
Gambar 4.36 Grafik hasil rules pengujian hubungan beasiswa

Berdasarkan hasil pengujian hubungan beasiswa terhadap tingkat kelulusan
tersebut, dapat dilihat bahwa untuk kombinasi nilai support 10% dengan nilai
confidence 30% menghasilkan jumlah rules terbanyak. Berikut ini adalah hasil
30%, 40% dan 50%, pembentukan itemset dan rules yang dihasilkan dilihat pada
Gambar 4.37.
56
Gambar 4.37 Hasil itemset hubungan beasiswa (support 10%)
Pada Gambar 4.37 di atas, item dengan nilai support tertinggi adalah B1, ini
berarti bahwa yang bukan penerima beasiswa mempunyai jumlah mahasiswa
terbanyak. Item selanjutnya yang memiliki nilai support tertinggi berikutnya adalah
A8 yang berarti bahwa hubungan beasiswa terhadap kelulusan mahasiswa yang
terbentuk berjumlah 11 kombinasi. Kombinasi B1→A8 memiliki nilai support
tertinggi yaitu 0,246 yang berarti bukan penerima beasiswa memiliki tingkat
kelulusan dengan lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50. Kombinasi 2-
itemset yang memiliki nilai support tertinggi kedua yaitu kombinasi B1→A11
dengan nilai 0,232. Berarti bahwa bukan penerima beasiswa memiliki tingkat
kelulusan dengan lama studi >5 tahun dan IPK 2,76 – 3,50 dst. Pembahasan hasil
pembentukan itemset hubungan fakultas dengan support 10% dapat dilihat pada
Tabel 4.9.
57
Tabel 4.9 Pembahasan hasil hubungan beasiswa (support 10%)
B1 0,863 Bukan penerima beasiswa
B2 0,137 Penerima beasiswa
B1 0,863 Bukan penerima beasiswa
B2 0,137 Penerima beasiswa
B1,A8 0,246 Bukan penerima beasiswa memiliki lama studi >4 tahun ≤5 tahun dan IPK
2,76 – 3,50
B1,A11 0,232 Bukan penerima beasiswa memiliki lama studi >5 tahun dan IPK 2,76 –
3,50
B1,A7 0,148 Bukan penerima beasiswa memiliki lama studi >4 tahun ≤5 tahun dan IPK
>3,50
B1,A4 0,094 Bukan penerima beasiswa memiliki lama studi >3,5 tahun ≤4 tahun dan
IPK >3,50
B1,A5 0,059 Bukan penerima beasiswa memiliki lama studi >3,5 tahun ≤4 tahun dan
IPK 2,76 – 3,50
B1,A10 0,038 Bukan penerima beasiswa memiliki lama studi >5 tahun dan IPK >3,50
B1,A1 0,023 Bukan penerima beasiswa memiliki lama studi ≤3,5 tahun dan IPK >3,50
B1,A2 0,021 Bukan penerima beasiswa memiliki lama studi ≤3,5 tahun dan IPK 2,76 –
3,50
A8,B2 0,044 Penerima beasiswa memiliki lama studi >4 tahun ≤5 tahun dan IPK 2,76 –
3,50
A11,B2 0,029 Penerima beasiswa memiliki lama studi >5 tahun dan IPK 2,76 – 3,50
A7,B2 0,024 Penerima beasiswa memiliki lama studi >4 tahun ≤5 tahun dan IPK >3,50
Tampilan hasil pembentukan aturan asosiasi hubungan beasiswa dengan nilai

Gambar 4.38 dan Gambar 4.39.
Gambar 4.38 Hasil rules hubungan beasiswa (support 10→30%)
58
Gambar 4.39 Hasil rules hubungan jalur masuk (support 10%→40%,50%)
Hasil pembentukan aturan asosiasi atau rules yang dihasilkan untuk nilai
minimum confidence 30% adalah sebanyak 9 rules, sedangkan untuk nilai minimum
confidence 40% dan 50% menghasilkan nilai yang sama dengan jumlah 8 rules.
Salah satu rules yang memiliki nilai confidence tertinggi adalah kombinasi A2→B1
dengan nilai confidence 0,942. Berarti bahwa jika lama studi ≤ 3,5 tahun dan IPK
2,76 - 3,50 maka bukan penerima beasiswa dengan nilai kepastian 94,2%.

Gambar 4.40 Hasil itemset hubungan beasiswa (support 15%)

59
Tabel 4.10 Hasil pengujian hubungan beasiswa (support 15%)
Keterangan Hasil
Hasil pembentukan rules hubungan
beasiswa terhadap tingkat kelulusan dengan


Langkah selanjutnya adalah mencari nilai lift hubungan beasiswa terhadap

tingkat kelulusan, dapat dilihat pada Gambar 4.41.
Perbandingan hasil lift pada pengujian hubungan

beasiswa terhadap tingkat kelulusan
5 4
3 3 3
2 2
0
Gambar 4.41 Grafik hasil nilai lift hubungan beasiswa

final, dapat dilihat pada Gambar 4.42.
60
Gambar 4.42 Hasil nilai lift ≥ 1 hubungan beasiswa (support 10%)
beasiswa terhadap tingkat kelulusan, menghasilkan 4 hubungan dengan nilai lift
tertinggi yaitu 1,112 pada kombinasi B2→A8. Kombinasi hubungan nilai lift ≥1,
yang dilihat pada Tabel 4.22.
Tabel 4.11 Hasil nilai lift ≥1 hubungan beasiswa (support 10%→30%)
1. B2→A8 1,112 Jika penerima beasiswa maka lama studi >4 tahun ≤5 tahun dan IPK
2,76 – 3,50
2. A2→B1 1,091 Jika lama studinya ≤3,5 tahun dan IPK 2,76 – 3,50 maka bukan
penerima beasiswa
3. A10→B1 1,056 Jika lama studi >5 tahun dan IPK >3,50 maka maka bukan penerima
beasiswa
4. A11→B1 1,030 Jika lama studi >5 tahun dan IPK 2,76 – 3,50 maka maka bukan
penerima beasiswa
Hasil pembentukan aturan asosiasi final hubungan beasiswa untuk nilai lift
pada Gambar 4.43 dan 4.44.
Gambar 4.43 Nilai lift hubungan beasiswa (support 10%→40%)
Gambar 4.44 Nilai lift hubungan beasiswa (support 10%→50%)

dan 50%, dilihat pada Tabel 4.12.
61
Tabel 4.12 Hasil nilai lift ≥1 hubungan beasiswa (support 15%)
Keterangan Hasil
final hubungan beasiswa terhadap

final hubungan beasiswa terhadap
minimum confidence 40% dan
confidence 50% hasilnya sama
4.2.4. Hasil pengujian hubungan tempat tinggal

Hasil pengujian hubungan tempat tinggal terhadap tingkat kelulusan dapat

tempat tinggal terhadap tingkat kelulusan
15
11
9
10
5 4 5 4
5
0
Gambar 4.45 Grafik hasil rules pengujian hubungan tempat tinggal

Berdasarkan hasil pengujian hubungan tempat tinggal terhadap tingkat
kelulusan tersebut, dapat dilihat bahwa untuk kombinasi nilai support 10% dengan
nilai confidence 30% menghasilkan jumlah rules terbanyak. Berikut ini adalah hasil
30%, 40% dan 50%, pembentukan itemset dan rules yang dihasilkan dapat dilihat
pada Gambar 4.46.
62
Gambar 4.46 Hasil itemset hubungan tempat tinggal (support 10%)
Hasil yang didapatkan pada Gambar 4.46 di atas, bahwa item dengan nilai
support tertinggi adalah T3, ini berarti bahwa mahasiswa peminat jenis tempat
tinggalnya adalah kos mempunyai jumlah mahasiswa terbanyak. Item selanjutnya
yang memiliki nilai support tertinggi berikutnya adalah T2 yang berarti bahwa
mahasiswa peminat jenis tempat tinggalnya adalah bersama orang tua mempunyai
jumlah mahasiswa terbanyak kedua.
terbentuk berjumlah 12 kombinasi. Kombinasi T3→A8 memiliki nilai support
tertinggi yaitu 0,164 yang berarti jenis tempat tinggalnya adalah kos memiliki
tingkat kelulusan dengan lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50.
Kombinasi 2-itemset yang memiliki nilai support tertinggi kedua yaitu kombinasi
T3→A11 dengan nilai 0,143. Berarti bahwa jenis tempat tinggalnya adalah kos
memiliki tingkat kelulusan dengan lama studi >5 tahun dan IPK 2,76 – 3,50 dst.
Pembahasan hasil pembentukan itemset hubungan tempat tinggal dengan support
10% dapat dilihat pada Tabel 4.13.
63
Tabel 4.13 Pembahasan hasil hubungan tempat tinggal (support 10%)
T3 0,539 Kos
T2 0,318 Bersama orang tua
T5 0,097 Wali
T1 0,023 Asrama
T6 0,023 Lainnya
T3,A8 0,164 Tempat tinggal kos memiliki lama studi >4 tahun ≤5 tahun dan IPK 2,76 –
3,50
T3,A11 0,143 Tempat tinggal kos memiliki lama studi >5 tahun dan IPK 2,76 – 3,50
T3,A7 0,094 Tempat tinggal kos memiliki lama studi >4 tahun ≤5 tahun dan IPK >3,50
T3,A4 0,052 Tempat tinggal kos memiliki lama studi >3,5 tahun ≤4 tahun dan IPK >3,50
T3,A5 0,038 Tempat tinggal kos memiliki lama studi >3,5 tahun ≤4 tahun dan IPK 2,76
– 3,50
T2,A8 0,085 Tempat tinggal bersama orang tua memiliki lama studi >4 tahun ≤5 tahun
dan IPK 2,76 – 3,50
T2,A11 0,083 Tempat tinggal bersama orang tua memiliki lama studi >5 tahun dan IPK
2,76 – 3,50
T2,A7 0,052 Tempat tinggal bersama orang tua memiliki lama studi >4 tahun ≤5 tahun
dan IPK >3,50
T2,A4 0,039 b Tempat tinggal bersama orang tua memiliki lama studi >3,5 tahun ≤4
tahun dan IPK >3,50
T2,A5 0,025 Tempat tinggal bersama orang tua memiliki lama studi >3,5 tahun ≤4 tahun
dan IPK 2,76 – 3,50
A8,T5 0,031 Tempat tinggal wali memiliki lama studi >4 tahun ≤5 tahun dan IPK 2,76 –
3,50
A11,T5 0,,026 Tempat tinggal wali memiliki lama studi studi >5 tahun dan IPK 2,76 –
3,50
Tampilan hasil pembentukan aturan asosiasi hubungan tempat tinggal dengan
nilai minimum support 10% terhadap confidence 30%, 40% dan 50%, dapat dilihat
pada Gambar 4.47, Gambar 4.48 dan Gambar 4.49.
Gambar 4.47 Hasil rules hubungan tempat tinggal (support 10%→30%)

64

Hasil pembentukan aturan asosiasi atau rules yang dihasilkan untuk nilai
minimum confidence 30% adalah sebanyak 11 rules. Nilai minimum confidence
40% adalah sebanyak 5 rules dan confidence 50% menghasilkan 4 rules. Salah satu
rules yang memiliki nilai confidence tertinggi adalah kombinasi A8→T3 dengan
nilai confidence 0,566. Berarti bahwa jika lama studi >4 tahun ≤ 5 tahun dan IPK
2,76 - 3,50 maka tempat tinggalnya adalah kos dengan nilai kepastian 56,6%.

Gambar 4.50 Hasil itemset hubungan tempat tinggal (support 15%)
65
Tabel 4.14 Hasil pengujian hubungan tempat tinggal (support 15%)
Keterangan Hasil


Langkah selanjutnya adalah mencari nilai lift dari hubungan tempat tinggal
terhadap tingkat kelulusan, dapat dilihat pada Gambar 4.51.
Perbandingan hasil lift pada pengujian hubungan tempat

tinggal terhadap tingkat kelulusan
10 7
5
5 3 3 3 3
0
Gambar 4.51 Grafik hasil nilai lift hubungan tempat tinggal
66
final, dilihat pada Gambar 4.52.
Gambar 4.52 Hasil nilai lift ≥ 1 hubungan tempat tinggal (support 10%)
tempat tinggal terhadap tingkat kelulusan, menghasilkan 7 hubungan dengan nilai
lift tertinggi yaitu 1,103 pada kombinasi A4→T2. Pada nilai lift yang ada, terdapat
1 kombinasi nilai lift yang sama seperti pada kombinasi T3→A8, A8→T3 dengan
nilai lift 1,050. Maka dari itu, penulis mengambil salah satu dari kombinasi tersebut
sehingga jumlahnya menjadi 6 kombinasi hubungan nilai lift yang dapat dilihat
pada Tabel 4.15.
Tabel 4.15 Hasil nilai lift ≥1 hubungan tempat tinggal (support 10%→30%)
1. A4→T2 1,112 Jika lama studi >3,5 tahun ≤4 tahun dan IPK > 3,50 maka
tempat tinggalnya adalah bersama orang tua
2. T5→A8 1,091 Jika tempat tinggalnya adalah wali maka lama studinya >4
3. A5→T2 1,056 Jika lama studi >3,5 tahun ≤4 tahun dan IPK IPK 2,76 – 3,50
maka tempat tinggalnya adalah bersama orang tua
4. T3→A8 1,030 Jika tempat tinggalnya adalah kos maka lama studinya >4 tahun
≤5 tahun dan IPK 2,76 – 3,50
5. A11→T3 1,017 Jika lama studi >5 tahun dan IPK IPK 2,76 – 3,50 maka tempat
tinggalnya adalah kos
6. A7→T3 1,013 Jika lama studi >4 tahun ≤5 tahun dan IPK >3,50 maka tempat
tinggalnya adalah kos
Hasil pembentukan aturan asosiasi final hubungan tempat tinggal untuk nilai
lift dengan support 10% terhadap confidence 40% dan confidence 50%, dapat
dilihat pada Gambar 4.53 dan 4.54.
Gambar 4.53 Nilai lift hubungan tempat tinggal (support 10%→40%)

67
Gambar 4.54 Nilai lift hubungan tempat tinggal (support 10%→50%)
Tabel 4.16 Hasil lift ≥1 hubungan tempat tinggal (support 15%)
Keterangan Hasil
hubungan tempat tinggal terhadap tingkat
kelulusan dengan nilai minimum
confidence 30%

confidence 40%

confidence 50%
4.2.5. Hasil pengujian hubungan penghasilan orang tua

Hasil pengujian hubungan penghasilan orang tua terhadap tingkat kelulusan

penghasilan orang tua terhadap tingkat kelulusan
10 7 6
5
1 0 1 0
0
Gambar 4.55 Grafik hasil pengujian hubungan penghasilan orang tua

Berdasarkan hasil pengujian hubungan penghasilan orang tua terhadap tingkat
kelulusan tersebut, dapat dilihat bahwa untuk kombinasi nilai support 10% dengan
nilai confidence 30% menghasilkan jumlah rules terbanyak dibandingkan dengan
nilai support dan confidence lain yang dikombinasikan. Berikut ini adalah hasil
68
30%, 40% dan 50%, pembentukan itemset dan rules yang dihasilkan dapat dilihat
pada Gambar 4.56.
Gambar 4.56 Hasil itemset hubungan penghasilan orang tua (support 10%)
Hasil yang didapatkan pada Gambar 4.56 di atas, bahwa item dengan nilai
support tertinggi adalah PO1, ini berarti bahwa mahasiswa dengan penghasilan
orang tua adalah kurang dari Rp 500.000 mempunyai jumlah mahasiswa terbanyak.
Item selanjutnya yang memiliki nilai support tertinggi berikutnya adalah A8 yang
berarti bahwa hubungan penghasilan orang tua terhadap kelulusan mahasiswa yang
terbentuk berjumlah 16 kombinasi. Kombinasi PO1→A8 memiliki nilai support
tertinggi yaitu 0,130 yang berarti bahwa mahasiswa yang penghasilan orangtuanya
adalah kurang dari Rp 500.000, memiliki tingkat kelulusan dengan lama studi >4
69
tahun ≤5 tahun dan IPK 2,76 – 3,50. Kombinasi 2-itemset yang memiliki nilai
support tertinggi kedua yaitu kombinasi PO1→A11 dengan nilai 0,097. Berarti
bahwa mahasiswa yang penghasilan ayahnya adalah kurang dari Rp 500.000,
memiliki tingkat kelulusan dengan lama studi >5 tahun dan IPK 2,76 – 3,50.
Pembahasan hasil pembentukan itemset hubungan penghasilan orang tua dengan
support 10% dapat dilihat pada Tabel 4.17.
Tabel 4.17 Pembahasan hasil hubungan penghasilan ayah (support 10%)
PO1 0,369 Kurang dari Rp 500.000
PO4 0,261 Rp 2.000.000 – Rp 4.999.999
PO3 0,180 Rp 1.000.000 – Rp 1.999.999
PO2 0,169 Rp 500.000 – Rp 999.999
Penghasilan orang tua kurang dari Rp 500.000 memiliki lama studi >4
PO1,A8 0,130
PO1,A11 0,097
PO1,A7 0,056
tahun ≤5 tahun dan IPK >3,50
Penghasilan orang tua Rp 2.000.000 – Rp 4.999.999 memiliki lama
PO1,A4 0,034
studi >3,5 tahun ≤4 tahun dan IPK >3,50
Penghasilan orang tua kurang dari Rp 500.000 memiliki lama studi >3,5
PO1,A5 0,028
A8,PO4 0,060
studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
A8,PO3 0,047
studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
Penghasilan orang tua Rp 500.000 – Rp 999.999 memiliki lama studi
A8,PO2 0,051
>5 tahun dan IPK 2,76 – 3,50
PO4,A11 0,063
studi >5 tahun dan IPK 2,76 – 3,50
PO4,A7 0,051
PO4,A4 0,034
studi >4 tahun ≤5 tahun dan IPK >3,50
A11,PO3 0,051
Penghasilan orang tua Rp 500.000 – Rp 999.999 memiliki lama studi
A11,PO2 0,046
>5 tahun dan IPK 2,76 – 3,50
Penghasilan orang tua 1.000.000 – Rp 1.999.999 memiliki lama studi
PO3,A7 0,031
>4 tahun ≤5 tahun dan IPK >3,50
70
Tabel 4.17 Lanjutan
PO3,A4 0,021
studi >3,5 tahun ≤4 tahun dan IPK >3,50
Penghasilan orang tua Rp 500.000 – Rp 999.999 memiliki lama studi >4
A7,PO2 0,030
tahun ≤5 tahun dan IPK >3,50
Tampilan hasil pembentukan aturan asosiasi hubungan penghasilan orang tua

dengan nilai minimum support 10% terhadap confidence 30% dan confidence 40%,
dapat dilihat pada Gambar 4.57 dan Gambar 4.58.
Gambar 4.57 Hasil rules hubungan penghasilan orang tua (support

10%→30%)
Gambar 4.58 Hasil rules hubungan penghasilan orang tua (support

10%→40%)
Hasil dari kedua gambar di atas, bahwa pembentukan aturan asosiasi atau rules
Nilai minimum confidence 40% adalah sebanyak 1 rules dan confidence 50% tidak
ada rules yang terbentuk. Salah satu rules yang memiliki nilai confidence tertinggi
adalah kombinasi A8→PO1 dengan nilai confidence 0,448. Berarti bahwa jika lama
studi >4 tahun ≤ 5 tahun dan IPK 2,76 - 3,50 maka penghasilan orang tua adalah
kurang dari Rp 500.000 dengan nilai kepastian 44,8%.
71
Gambar 4.59 Hasil itemset hubungan penghasilan orang tua (support 15%)
Tabel 4.18 Hasil pengujian hubungan penghasilan orang tua (support 15%)
Keterangan Hasil
Hasil pembentukan rules hubungan penghasilan
orang tua terhadap tingkat kelulusan dengan
Hasil pembentukan rules hubungan penghasilan

Hasil pembentukan rules hubungan penghasilan Tidak ada rules yang dihasilkan
Langkah selanjutnya adalah mencari nilai lift dari hubungan penghasilan orang
tua terhadap tingkat kelulusan, dapat dilihat pada Gambar 4.60.
72
Perbandingan hasil lift pada pengujian hubungan penghasilan
orang tua terhadap tingkat kelulusan
6 5
4
4
2 1 1
0 0
0
Gambar 4.60 Grafik hasil nilai lift hubungan penghasilan orang tua
terdapat pada support 10% dan confidence 30% dengan jumlah 5 aturan asosiasi
final, dapat dilihat pada Gambar 4.61.
Gambar 4.61 Hasil nilai lift ≥ 1 hubungan penghasilan orang tua (support
10%)
penghasilan orang tua terhadap tingkat kelulusan, menghasilkan 5 hubungan
dengan nilai lift tertinggi yaitu 1,214 pada kombinasi PO1→A8. Pada nilai lift yang
ada, terdapat 1 kombinasi nilai lift yang sama seperti pada kombinasi PO1→A8,
A8→PO1 dengan nilai lift 1,214. Maka dari itu, penulis mengambil salah satu dari
kombinasi tersebut menjadi 4 kombinasi hubungan nilai lift, yang dilihat pada Tabel
4.19.
Tabel 4.19 Hasil nilai lift ≥1 penghasilan orang tua (support 10%→30%)
1. PO1→A8 1,214 Jika penghasilan orang tua kurang dari Rp 500.000 maka lama
studinya >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
2. A4→PO4 1,194 Jika lama studi >3,5 tahun ≤4 tahun dan IPK >3,50 maka
penghasilan orang tua adalah Rp 2.000.000 – Rp 4.999.999
3. A5→PO1 1,052 Jika lama studi >3,5 tahun ≤4 tahun dan IPK 2,76 – 3,50 maka
penghasilan orang tua adalah kurang dari Rp 500.000
4. A11→PO1 1,008 Jika lama studi >5 tahun dan IPK 2,76 – 3,50 maka penghasilan
orang tua adalah kurang dari Rp 500.000
73
Hasil pembentukan aturan asosiasi final hubungan penghasilan orang tua untuk
nilai lift dengan support 10% dan confidence 40%, dapat dilihat pada Gambar 4.62.
Gambar 4.62 Nilai lift hubungan penghasilan orang tua (support

10%→40%)
Tabel 4.20 Hasil nilai lift ≥1 hubungan penghasilan orang tua (support 15%)
Keterangan Hasil
hubungan penghasilan orang tua terhadap
tingkat kelulusan dengan nilai minimum
confidence 30%

confidence 40%
Hasil pembentukan aturan asosiasi final Tidak ada rules yang dihasilkan
confidence 50%
4.2.6. Hasil pengujian hubungan tipe ijazah

Hasil pengujian hubungan tipe ijazah terhadap tingkat kelulusan dapat dilihat
pada Gambar 4.63.

tipe ijazah terhadap tingkat kelulusan
9 8
10 7 7 6 6
5
0
Gambar 4.63 Grafik hasil pengujian hubungan tipe ijazah

Berdasarkan hasil pengujian atas, dapat dilihat bahwa untuk kombinasi nilai
support 10% dengan nilai confidence 30% menghasilkan jumlah rules terbanyak
74
dari nilai support 15% dan confidence yang dikombinasikan. Grafik di atas juga
dapat disimpulkan bahwa semakin tinggi nilai support dan nilai confidence yang
dikombinasikan, maka rules yang dihasilkan juga akan semakin sedikit. Hasil
pengujian dengan nilai support 10% dan 15% yang dikombinasikan dengan nilai
confidence 30%, 40% dan 50%, pembentukan itemset dan rules yang dihasilkan
bisa dilihat pada Gambar 4.64.
Gambar 4.64 Hasil itemset hubungan tipe ijazah (support 10%)

Pada Gambar 4.64 di atas, item dengan nilai support tertinggi adalah I1, ini
berarti bahwa tipe ijazah SMA/SMU memiliki jumlah mahasiswa terbanyak. Item
selanjutnya yang memiliki nilai support tertinggi berikutnya adalah A8 dengan
kelulusan mahasiswa memiliki lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
yang paling banyak tingkat kelulusannya.
terbentuk berjumlah 9 kombinasi. Kombinasi I1→A8 memiliki nilai support
tertinggi yaitu 0,238 yang berarti tipe ijazah SMA/SMU memiliki tingkat kelulusan
dengan lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50. 2-itemset yang memiliki
nilai support tertinggi kedua yaitu kombinasi I1→A11 dengan nilai 0,202. Berarti
75
bahwa tipe ijazah SMA/SMU memiliki tingkat kelulusan dengan lama studi >5
tahun dan IPK 2,76 – 3,50. Pembahasan hasil pembentukan itemset hubungan
penghasilan ibu dengan support 10% dapat dilihat pada Tabel 4.21.
Tabel 4.21 Pembahasan hasil hubungan tipe ijazah (support 10%)
I1 0,834 SMA/SMU
I3 0,141 SMK
I1,A8 0,238 Tipe ijazah SMA/SMU memiliki lama studi >4 tahun ≤5 tahun dan IPK
2,76 – 3,50
I1,A11 0,202 Tipe ijazah SMA/SMU memiliki lama studi >5 tahun dan IPK 2,76 –
3,50
I1,A7 0,153 Tipe ijazah SMA/SMU memiliki lama studi >4 tahun ≤5 tahun dan IPK
> 3,50
I1,A4 0,097 Tipe ijazah SMA/SMU memiliki lama studi >3,5 tahun ≤4 tahun dan IPK
>3,50
I1,A5 0,060 Tipe ijazah SMA/SMU memiliki lama studi >3,5 tahun ≤4 tahun dan
IPK 2,76 – 3,50
I1,A10 0,036 Tipe ijazah SMA/SMU memiliki lama studi >5 tahun dan IPK >3,50
I1,A1 0,025 Tipe ijazah SMA/SMU memiliki lama studi ≤3,5 tahun dan IPK >3,50
A8,I3 0,046 Tipe ijazah SMK memiliki lama studi lama studi >4 tahun ≤5 tahun dan
IPK 2,76 – 3,50
A11, 0,053 Tipe ijazah SMK memiliki lama studi lama studi >5 tahun dan IPK 2,76
I3 – 3,50
Tampilan hasil pembentukan aturan asosiasi hubungan tipe ijazah dengan nilai
Gambar 4.65 dan Gambar 4.66.
Gambar 4.65 Hasil rules hubungan tipe ijazah (support 10%→30%)

76
Gambar 4.66 Hasil rules hubungan tipe ijazah (support 10%→40, 50%)
Hasil dari gambar di atas, bahwa pembentukan aturan asosiasi atau rules yang
dihasilkan untuk nilai minimum confidence 30% adalah sebanyak 9 rules. Untuk
nilai minimum confidence 40% dan 50% menshasilkan rules yang sama dengan
jumlah 7 rules. Salah satu rules yang memiliki nilai confidence tertinggi adalah
kombinasi A1→I1 dengan nilai confidence 0,909. Berarti bahwa Fakultas
Peternakan memiliki tingkat kelulusan dengan lama studi ≤3,5 tahun dan IPK >3,50
dengan nilai kepastian 90,9%.
Berikut merupakan tabel hasil pengujian dengan nilai support 15% yang
Gambar 4.67 Hasil itemset hubungan tipe ijazah (support 15%)

77
Tabel 4.22 Hasil pengujian hubungan tipe ijazah (support 15%)
Keterangan Hasil
Hasil pembentukan rules hubungan tipe
ijazah terhadap tingkat kelulusan dengan
Hasil pembentukan rules hubungan tipe

ijazah terhadap tingkat kelulusan dengan
nilai minimum confidence 40% dan 50%
hasilnya sama
Langkah selanjutnya adalah mencari nilai lift dari hubungan fakultas terhadap
tingkat kelulusan, dapat dilihat pada Gambar 4.68.
Perbandingan hasil lift pada pengujian hubungan tipe ijazah

terhadap tingkat kelulusan
10
6 5
4 4 3 3
5
0
Gambar 4.68 Grafik hasil nilai lift hubungan tipe ijazah

final, dilihat pada Gambar 4.69.
Gambar 4.69 Hasil nilai lift hubungan tipe ijazah (support 10%)
78
tipe ijazah terhadap tingkat kelulusan, menghasilkan 6 hubungan dengan nilai lift
tertinggi yaitu 1,428 pada kombinasi I3→A11. Hasil aturan asosiasi final dapat
Tabel 4.23 Hasil nilai lift ≥1 hubungan tipe ijazah (support 10%→30%)
1. I3→A11 1,428 Jika tipe ijazah SMK maka lama studi >5 tahun dan IPK 2,76 –
3,50
2. I3→A8 1,115 Jika tipe ijazah SMK maka fakultasnya adalah lama studi >4
3. A1→I1 1,090 Jika tipe ijazah SMA/SMU maka lama studi ≤3,5 tahun dan IPK
>3,50
4. A7→I1 1,071 Jika tipe ijazah SMA/SMU maka lama studi >4 tahun ≤5 tahun
dan IPK >3,50
5. A4→I1 1,055 Jika tipe ijazah SMA/SMU maka lama studi >3,5 tahun ≤4
tahun dan IPK >3,50
6. A10→I1 1,050 Jika tipe ijazah SMA/SMU maka lama studi >5 tahun dan IPK
>3,50
Hasil pembentukan aturan asosiasi final hubungan tipe ijazah untuk nilai lift
dengan support 10% terhadap confidence 40% dan 50%, dapat dilihat pada Gambar
4.70.
Gambar 4.70 Nilai lift hubungan tipe ijazah (support 10%→40, 50%)
Tabel 4.24 Hasil nilai lift ≥1 hubungan tipe ijazah (support 15%)
Keterangan Hasil
hubungan tipe ijazah terhadap tingkat
confidence 30%

hubungan tipe ijazah terhadap tingkat
confidence 40% dan 50% hasilnya sama
79
4.3. Pembahasan
Pembahasan ini akan menjelaskan hasil aturan asosiasi final pada setiap
hubungan data pribadi terhadap tingkat kelulusan berdasarkan nilai lift ≥1 untuk
mendapatkan hasil aturan asosiasi yang valid.
4.3.1. Hasil aturan hubungan fakultas

Berdasarkan hasil nilai lift yang diperoleh dari pengujian dengan RapidMiner,
bahwa ada fakultas yang memiliki tingkat kelulusan lebih dari 1. Oleh karena itu,
penulis menggabungkan hasil lift tersebut menjadi aturan asosiasi final hubungan
fakultas terhadap tingkat kelulusan yang dapat dilihat pada Tabel 4.25.
Tabel 4.25 Hasil aturan final hubungan fakultas
Itemset Confidence Lift Aturan asosiasi
Jika Fakultas Ilmu Sosial dan Ilmu Politik maka terdapat
F3,A4 35,1% 2,356 35,1% kemungkinan mahasiswa lulus dengan lama studi 3,5
tahun atau kurang dari 4 tahun dengan IPK lebih dari 3,50
Jika Fakultas Ilmu Sosial dan Ilmu Politik maka terdapat
32,4% kemungkinan mahasiswa lulus dengan lama studi 3,5
F3,A5 32,4% 2,177
tahun atau kurang dari 4 tahun dengan IPK kisaran 2,76
sampai 3,50
Rata-rata 33,75% kemungkinan Fakultas Ilmu Sosial dan Ilmu Politik lulus dengan lama studi
3,5 tahun atau kurang dari 4 tahun dengan IPK kisaran 2,76 sampai lebih besar 3,50.
Jika Fakultas Peternakan maka terdapat 53,8% kemungkinan
F10,A8 53,8% 1,855 mahasiswa lulus dengan lama studi lebih dari 4 tahun atau
kurang dari 5 tahun dengan IPK kisaran 2,76 sampai 3,50
Jika Fakultas Sains dan Teknik maka terdapat 44,7%
F11,A11 44,7% 1,714 kemungkinan mahasiswa lulus dengan lama studi lebih dari
5 tahun dengan IPK kisaran 2,76 sampai 3,50
Jika Fakultas Kesehatan Masyarakat maka terdapat 37,6%
F8,A11 37,6% 1,422 kemungkinan mahasiswa lulus dengan lama studi lebih dari
5 tahun dengan IPK kisaran 2,76 sampai 3,50
Jika Fakultas Keguruan dan Ilmu Pendidikan maka terdapat
39,1% kemungkinan mahasiswa lulus dengan lama studi
F6,A7 39,1% 1,377
lebih dari 4 tahun atau kurang dari 5 tahun dengan IPK lebih
dari 3,50
F6,A11 30,2% 1,157 30,2% kemungkinan mahasiswa lulus dengan lama studi
lebih dari 5 tahun dengan IPK kisaran 2,76 sampai 3,50
30,2% kemungkinan mahasiswa lulus dengan lama studi
F6,A8 30,2% 1,061
lebih dari 4 tahun atau kurang dari 5 tahun dengan IPK
kisaran 2,76 sampai 3,50
Rata-rata 33,16% kemungkinan Fakultas Keguruan dan Ilmu Pendidikan lulus dengan lama studi
lebih dari 4 tahun sampai lebih dari 5 tahun dengan IPK kisaran 2,76 sampai lebih dari 3,50
Jika Fakultas Pertanian maka terdapat 36,1% kemungkinan
F9,A8 36,1% 1,244 mahasiswa lulus dengan lama studi lebih dari 4 tahun atau
80
Tabel 4.25 Lanjutan
Itemset Confidence Lift Aturan asosiasi
Jika Fakultas Ekonomi dan Bisnis maka terdapat 32,9%
kemungkinan mahasiswa kemungkinan mahasiswa tersebut
F1,A8 32,9% 1,135
akan lulus dengan lama studi lebih dari 4 tahun atau kurang
dari 5 tahun dengan IPK kisaran 2,76 sampai 3,50
Berikut beberapa hasil yang diperoleh dari analisa yang dibuat, sebagai berikut:
1. Hasil hubungan fakultas terhadap kelulusan mahasiswa yang diperoleh, bahwa
Fakultas Ilmu Sosial dan Ilmu Politik memiliki lama studi 3,5 tahun atau kurang
dari 4 tahun atau tepat waktu. Berbeda halnya dengan Fakultas Peternakan,
Fakultas Sains dan Teknik, Fakultas Keguruan Dan Ilmu Pendidikan dan
Fakultas Kesehatan Masyarakat yang memiliki lama studi lebih dari 5 tahun atau
tidak tepat waktu.
2. Pihak fakultas dapat melakukan evaluasi terhadap kegiatan belajar mengajar
dosen maupun mahasiswa dalam proses bimbingan tugas akhir, sehingga dapat
meminimalisir lama studi mahasiswa.
4.3.2. Hasil aturan hubungan jalur masuk

bahwa ada jalur masuk yang memiliki tingkat kelulusan lebih dari 1. Oleh karena
itu, penulis menggabungkan hasil lift tersebut menjadi aturan asosiasi final
hubungan jalur masuk terhadap tingkat kelulusan yang dapat dilihat pada Tabel
4.26.
Tabel 4.26 Hasil aturan final hubungan jalur masuk
Itemset Confidence Lift Hasil
Jika jalur masuk SBMPTN maka terdapat 52,1%
M2,A10 52,1% 1,091 kemungkinan mahasiswa lulus dengan lama studi lebih dari 5
tahun dengan IPK lebih dari 3,50
tahun dengan IPK kisaran 2,76 sampai 3,50
kemungkinan mahasiswa lulus dengan lama studi lebih dari 4
M2,A8 48,5% 1,015
tahun atau kurang dari 5 tahun dengan IPK kisaran 2,76
sampai 3,50
Rata-rata 50,3% kemungkinan jalur masuk SBMPTN lulus dengan lama studi lebih dari 4 tahun
sampai lebih dari 5 tahun dengan IPK kisaran 2,76 sampai lebih dari 3,50
81
Tabel 4.26 Lanjutan
Jika jalur masuk Seleksi Mandiri PTN (Reguler) maka
terdapat 31,2% kemungkinan mahasiswa lulus dengan lama
M4,A8 31,2% 1,074
studi lebih dari 4 tahun atau kurang dari 5 tahun dengan IPK
1. Mahasiswa yang masuk universitas melalui jalur SBMPTN memiliki lama
studi lebih dari 5 tahun atau tidak tepat waktu.
2. Pihak universitas dapat memperbanyak kuota masuk melalui jalur Seleksi
Mandiri PTN (Reguler) dan meminimalisir kuota masuk jalur SBMPTN.
4.3.3. Hasil aturan hubungan beasiswa

bahwa ada beasiswa yang memiliki tingkat kelulusan lebih dari 1. Oleh karena itu,
beasiswa terhadap tingkat kelulusan yang dapat dilihat pada Tabel 4.27.
Tabel 4.27 Hasil aturan final hubungan beasiswa
Jika penerima beasiswa maka terdapat 32,3% kemungkinan
B2,A8 32,3% 1,112 mahasiswa lulus dengan lama studi lebih dari 4 tahun atau
Jika bukan penerima beasiswa maka terdapat 94,2%
B1,A2 94,2% 1,091 kemungkinan mahasiswa lulus dengan lama studi 3,5 tahun
atau kurang dari 4 tahun dengan IPK kisaran 2,76 sampai 3,50
B1,A10 91,1% 1,056 kemungkinan mahasiswa lulus dengan lama studi lebih dari 5
tahun dengan IPK lebih dari 3,50
B1,A11 88,9% 1,030 kemungkinan mahasiswa lulus dengan lama studi lebih dari 5
tahun dengan IPK kisaran 2,76 sampai 3,50
Rata-rata 91,4% kemungkinan mahasiswa yang bukan penerima beasiswa lulus dengan lama
studi 3,5 tahun sampai lebih dari 5 tahun dengan IPK kisaran 2,76 sampai lebih dari 3,50
1. Mahasiswa penerima beasiswa tidak mempengaruhi kelulusan tepat waktu.
2. Pihak universitas meninjau kembali syarat-syarat penerima beasiswa dengan
melakukan pemantauan dalam jangka waktu tertentu standar belajar
mahasiswa menurun maka beasiswa itu dicabut atau diberikan kepada
mahasiswa yang lain.
82
4.3.4. Hasil aturan hubungan tempat tinggal
bahwa ada tempat tinggal yang memiliki tingkat kelulusan lebih dari 1. Oleh karena
itu, penulis menggabungkan hasil lift tersebut menjadi aturan asosiasi final
hubungan tempat tinggal terhadap tingkat kelulusan yang dapat dilihat pada Tabel
4.28.
Tabel 4.28 Hasil aturan final hubungan tempat tinggal
Jika tempat tinggal bersama orang tua maka terdapat 35,1%
T2,A4 35,1% 1,112 kemungkinan mahasiswa lulus dengan lama studi lebih dari 3,5
Jika tempat tinggal bersama orang tua maka terdapat 33,8%
kemungkinan mahasiswa lulus dengan lama studi lebih dari 3,5
T2,A5 33,8% 1,056
tahun atau kurang dari 4 tahun dengan IPK kisaran 2,76 sampai
3,50
Rata-rata 34,4% kemungkinan mahasiswa yang tempat tinggal bersama orang tua lulus dengan lama
studi lebih dari 3,5 tahun atau kurang dari 4 tahun dengan IPK kisaran 2,76 sampai lebih dari 3,50
Jika tempat tinggal bersama wali maka terdapat 31,5%
T5,A8 31,5% 1,091 kemungkinan mahasiswa lulus dengan lama studi lebih dari 4 tahun
atau kurang dari 5 tahun dengan IPK kisaran 2,76 sampai 3,50
Jika tempat tinggal kos maka terdapat 30,5% kemungkinan
T3,A8 43,5% 1,030 mahasiswa lulus dengan lama studi lebih dari 4 tahun atau kurang
dari 5 tahun dengan IPK kisaran 2,76 sampai 3,50
T3,A11 54,8% 1,017 mahasiswa lulus dengan lama studi lebih dari 5 tahun dengan IPK
T3,A7 54,6% 1,013 mahasiswa lulus dengan lama studi lebih dari 4 tahun atau kurang
dari 5 tahun dengan IPK lebih dari 3,50
Rata-rata 46,6% kemungkinan mahasiswa yang tempat tinggal kos lulus dengan lama studi lebih
dari 4 tahun sampai lebih dari 5 tahun dengan IPK kisaran 2,76 sampai lebih dari 3,50
1. Mahasiswa yang tempat tinggalnya bersama orang tua lebih cenderung lulus
tepat waktu dibandingkan dengan mahasiswa yang tempat tinggalnya di kos
dan atau bersama wali.
2. Berdasarkan analisa dapat ditinjau bahwa mahasiswa yang tinggal bersama
orang tua mendapatkan pengawasan lebih dibandingkan mahasiswa yang
tinggal di kos dan atau bersama wali. Mahasiswa yang tinggal bersama orang
tua dan mahasiswa yang tinggal di kos dan atau bersama wali memiliki
perbedaan prioritas terhadap perkuliahan di kampus yang berakibat pada faktor
kelulusan yang tepat waktu dan tidak tepat waktu.
83
4.3.5. Hasil aturan hubungan penghasilan orang tua
bahwa ada penghasilan orang tua yang memiliki tingkat kelulusan lebih dari 1. Oleh
karena itu, penulis menggabungkan hasil lift tersebut menjadi aturan asosiasi final
hubungan penghasilan orang tua terhadap tingkat kelulusan yang dapat dilihat pada
Tabel 4.29.
Tabel 4.29 Hasil aturan final hubungan penghasilan orang tua
Jika penghasilan orang tua kurang dari Rp 500.000 maka
terdapat 40% kemungkinan mahasiswa lulus dengan lama
PO1,A8 40% 1,214
studi lebih dari 4 tahun atau kurang dari 5 tahun dengan IPK
terdapat 38,9% kemungkinan mahasiswa lulus dengan lama
PO1,A5 38,9% 1,052
studi lebih dari 3,5 tahun atau kurang dari 4 tahun dengan
IPK kisaran 2,76 sampai 3,50
PO1,A11 37,2% 1,008 terdapat 37,2% kemungkinan mahasiswa lulus dengan lama
studi lebih dari 5 tahun dengan IPK kisaran 2,76 sampai 3,50
Rata-rata 38,7% kemungkinan mahasiswa yang penghasilan orang tua kurang dari Rp 500.000
lulus dengan lama studi lebih dari 3,5 tahun sampai lebih dari 5 tahun dengan IPK kisaran 2,76
sampai 3,50
Jika penghasilan orang tua kisaran Rp 2.000.000 sampai Rp
4.999.999 maka terdapat 31,2% kemungkinan mahasiswa
PO4,A4 31,2% 1,194
lulus dengan lama studi lebih dari 3,5 tahun atau kurang dari
4 tahun dengan IPK lebih besar 3,50
1. Penghasilan orang tua yang minim tidak mempengaruhi tekad mahasiswa
untuk menyelesaikan kuliahnya.
2. Pihak universitas dapat memberikan beasiswa kepada mahasiswa yang
penghasilan orang tua kurang dari 500.000 dan dapat dilihat dari
IPK/prestasinya selama kuliah, serta adanya pengawasan terhadap progres
belajar bagi penerima beasiswa.
4.3.6. Hasil aturan hubungan tipe ijazah

bahwa ada tipe ijazah yang memiliki tingkat kelulusan lebih dari 1. Oleh karena itu,
tipe ijazah terhadap tingkat kelulusan yang dapat dilihat pada Tabel 4.30.
84
Tabel 4.30 Hasil aturan final hubungan tipe ijazah
Jika tipe ijazah SMK maka terdapat 37,3% kemungkinan
I3,A11 37,3% 1,428 mahasiswa lulus dengan lama studi lebih dari 4 tahun atau
Jika tipe ijazah SMK maka terdapat 32,4% kemungkinan
I3,A8 32,4% 1,115 mahasiswa lulus dengan lama studi lebih dari 3,5 tahun atau
Rata-rata 34,8% kemungkinan mahasiswa yang tipe ijazah SMK lulus dengan lama studi lebih
dari 3,5 tahun sampai kurang dari 5 tahun dengan IPK kisaran 2,76 sampai 3,50
Jika tipe ijazah SMA/SMU maka terdapat 90,9%
I1,A1 90,9% 1,090 kemungkinan mahasiswa lulus dengan lama studi lebih dari
3,5 tahun atau kurang dari 4 tahun dengan IPK lebih dari 3,50
I1,A7 89,3% 1,071 kemungkinan mahasiswa lulus dengan lama studi lebih dari 4
tahun atau kurang dari 5 tahun dengan IPK lebih besar 3,50
Jika tipe ijazah SMA/SMU maka terdapat 88% kemungkinan
I1,A4 88% 1,055 mahasiswa lulus dengan lama studi lebih dari 3,5 tahun atau
kurang dari 4 tahun dengan IPK lebih besar 3,50
I1,A10 87,6% 1,050 kemungkinan mahasiswa lulus dengan lama studi lebih dari 5
tahun dengan IPK lebih besar 3,50
Rata-rata 88,9% kemungkinan mahasiswa yang tipe ijazah SMA/SMU lulus dengan lama studi
lebih dari 3,5 tahun sampai lebih dari 5 tahun dengan IPK kisaran 2,76 sampai lebih dari 3,50
1. Tipe ijazah sangat berpengaruh terhadap tingkat kelulusan. Hal ini dibuktikan
bahwa tipe ijazah SMK memiliki lama studi kurang dari 5 tahun sedangkan
tipe ijazah SMA/SMU memiliki lama studi lebih dari 5 tahun.
2. Pihak universitas dapat menambah kuota dari calon mahasiswa jalur SMK dan
persyaratan kepada calon mahasiswa agar memilih program studi sesuai
dengan jurusan SMA.
85
BAB V
KESIMPULAN DAN SARAN
5.1. Kesimpulan
Berdasarkan hasil penelitian yang dilakukan maka dapat disimpulkan bahwa
algoritma Apriori mampu menghasilkan variabel yang mempengaruhi pola
kelulusan mahasiswa. Penelitian ini berhasil menganalisa data kelulusan mahasiswa
dari tahun 2013 – 2019 dengan jumlah data keseluruhan sebanyak 6.810 data. Data
kelulusan mahasiswa yang ada, setelah dianalisis diperoleh hasil dengan
membandingkan 6 hubungan data pribadi mahasiswa dengan minimum support dan
minimum confidence yang berbeda. Pengujian menggunakan RapidMiner dengan
support 10% dan 15% terhadap confidence 30%, 40%, 50% dengan hasil yang
didapatkan bahwa jika nilai support dan confidence makin besar, maka rules yang
dihasilkan sedikit.
Hasil aturan asosiasi final dengan nilai lift ≥1 menyatakan bahwa aturan
tersebut valid. Salah satu contohnya yaitu fakultas dengan lulusan terbanyak adalah
Fakultas Keguruan dan Ilmu Pendidikan dengan nilai support tertinggi sebesar 28%
dengan aturan asosiasi yang terbentuk adalah jika fakultas Peternakan maka
kemungkinan lulus dengan lama studi lebih dari 5 tahun dan IPK kisaran 2,76
hingga 3,50 dengan nilai confidence tertinggi sebesar 53%. Adapun hasil yang
diperoleh dari 6 hubungan data pribadi mahasiswa terhadap kelulusan mahasiswa,
sebagai berikut:
1. Hasil hubungan fakultas terhadap kelulusan mahasiswa yang diperoleh, bahwa
Fakultas Ilmu Sosial dan Ilmu Politik memiliki lama studi 3,5 tahun atau kurang
dari 4 tahun atau tepat waktu. Berbeda halnya dengan Fakultas Peternakan,
Fakultas Sains dan Teknik, Fakultas Keguruan Dan Ilmu Pendidikan dan
Fakultas Kesehatan Masyarakat yang memiliki lama studi lebih dari 5 tahun atau
tidak tepat waktu.
2. Hasil hubungan jalur masuk terhadap kelulusan mahasiswa yang diperoleh,
bahwa mahasiswa yang masuk universitas melalui jalur SBMPTN memiliki lama
studi lebih dari 5 tahun atau tidak tepat waktu. Berbeda dengan jalur masuk
86
Seleksi Mandiri PTN (Reguler) yang memiliki lama studi lebih dari 4 tahun atau
kurang dari 5 tahun atau tepat waktu.
3. Hasil hubungan beasiswa terhadap kelulusan mahasiswa yang diperoleh, bahwa
mahasiswa penerima beasiswa tidak mempengaruhi kelulusan tepat waktu
dengan lama studi lebih dari 4 tahun atau kurang dari 5 tahun. Hal ini dapat dilihat
perbandingan dengan mahasiswa yang bukan penerima beasiswa yang memiliki
kelulusan dengan lama studi 3,5 tahun atau kurang dari 4 tahun.
4. Hasil hubungan tempat tinggal terhadap kelulusan mahasiswa yang diperoleh,
bahwa mahasiswa yang tempat tinggalnya bersama orang tua lebih cenderung
lulus tepat waktu dibandingkan dengan mahasiswa yang tempat tinggalnya di kos
dan atau bersama wali. Hal ini dibuktikan bahwa mahasiswa yang tempat tinggal
bersama orang tua memiliki lama studi lebih dari 3,5 tahun atau kurang dari 4
tahun, berbeda halnya dengan mahasiswa yang tempat tinggalnya kos dan atau
bersama wali yang memiliki lama studi lebih dari 5 tahun.
5. Hasil hubungan penghasilan orang tua terhadap kelulusan mahasiswa yang
diperoleh, bahwa penghasilan orang tua yang minim tidak mempengaruhi tekad
mahasiswa untuk menyelesaikan kuliahnya. Hal ini dibuktikan dengan
penghasilan orang tua Rp 500.000 memiliki lama studi lebih dari 3,5 tahun atau
kurang dari 4 tahun.
6. Hasil hubungan tipe ijazah terhadap kelulusan mahasiswa yang diperoleh, bahwa
tipe ijazah sangat berpengaruh terhadap tingkat kelulusan. Hal ini dibuktikan
bahwa tipe ijazah SMK memiliki lama studi kurang dari 5 tahun sedangkan tipe
ijazah SMA/SMU memiliki lama studi lebih dari 5 tahun.
Berdasarkan hasil aturan yang diperoleh, hubungan data pribadi mahasiswa
berpengaruh terhadap lama studi. Informasi ini dapat berguna untuk meningkatkan
kelulusan tepat waktu dengan mengetahui hubungan atau faktor yang menyebabkan
lama studi dari mahasiswa tersebut. Hal ini dapat membantu pihak universitas
dalam membuat keputusan atau memberikan rekomendasi paket kelulusan.
87
5.2. Saran
Adapun saran yang dapat diberikan untuk penelitian selanjutnya adalah:
1. Pada penelitian selanjutnya, jumlah data kelulusan mahasiswa yang dianalisis
dapat ditingkatkan agar pola yang didapat atau pembentukan itemset lebih
beragam sehingga kemungkinan rules yang dihasilkan juga semakin kuat.
2. Pada penelitian selanjutnya, dapat menggunakan metode lain untuk mendapatkan
analisa dari sudut berbeda, misalnya clustering, klasifikasi dan lain-lain.
88
DAFTAR PUSTAKA
Agung, M.T. & Nurhadiyono, B. 2015. Penerapan Data Mining Pada Data
Transaksi Penjualan Untuk Mengatur Penempatan Barang Menggunakan
Algoritma Apriori. Dokumen Karya Ilmiah, 9.
Ardani, N.R. & Fitrina, N. 2016. Sistem Rekomendasi Pemesanan Sparepart

Dengan Algoritma Fp-Growth (Studi Kasus Pt. Rosalia Surakarta). Seminar
Nasional Teknologi Informasi dan Multimedia, 97–103: 6.
Astuti, I.P. 2019. Algoritma Apriori Untuk Menemukan Hubungan Antara Jurusan
Sekolah Dengan Tingkat Kelulusan Mahasiswa. JURNAL TEKNIK
INFORMATIKA, 12(1): 69–78.https://doi.org/10.15408/jti.v12i1.10525.
Atoriq, R. 2017. Pengertian Yudisium. Diwarta

News.https://www.diwarta.com/2017/02/14/pengertian-yudisium.html
Tersedia di https://www.diwarta.com/2017/02/14/pengertian-yudisium.html
[Accessed 8 Maret 2022].
Badrul, M. 2016. Algoritma Asosiasi Dengan Algoritma Apriori Untuk Analisa

Data Penjualan. Jurnal Pilar Nusa Mandiri, XII: 121–129.
C, D.A., Baskoro, D.A., Ambarwati, L. & Wicaksana, I.W.S. 2013. Belajar Data
Mining Dengan Rapidminer. Jakarta.
Dengen, C.N., Kusrini & Luthfi, E.T. 2019. Penentuan Association Rule Pada
Kelulusan Mahasiswa Menggunakan Algoritma Apriori. 3: 20–29.
Farhan, G.M., Januarita, D., Krisnamurti, B.A., Praja, A.B. & Prasetya, R. 2019.
Penerapan Association Rule Mining Untuk Menentukan Pola Kelulusan
Mahasiswa Menggunakan Algoritma Apriori. J. OF CENTIVE. 2019, 158–
166.
Fauzy, M., Saleh W, K.R. & Asror, I. 2016. Penerapan Metode Association Rule
Menggunakan Algoritma Apriori Pada Simulasi Prediksi Hujan Wilayah Kota
Bandung. Jurnal Ilmiah Teknologi Informasi Terapan,
2(3).https://doi.org/10.33197/jitter.vol2.iss3.2016.111 Tersedia di
http://journal.widyatama.ac.id/index.php/jitter/article/view/111 [Accessed 15
Maret 2022].
89
Firnando, I., Dixsen, Tony, Wijaya, V., Surianto, Yanto, E. & Jollyta, D. 2019.
Implementasi Algoritma Apriori Dan Forecasting Pada Transaksi Penjualan.
Jurnal Mantik Penusa, 3: 25–29.
Gunawan, R. & Mustofa, K. 2016. Pencarian Aturan Asosiasi Semantic Web Untuk
Obat Tradisional Indonesia. Jurnal Nasional Teknik Elektro dan Teknologi
Informasi (JNTETI), 5(3).https://doi.org/10.22146/jnteti.v5i3.256 Tersedia di
http://ejnteti.jteti.ugm.ac.id/index.php/JNTETI/article/view/256 [Accessed 15
Maret 2022].
Jollyta, D., Ramdhan, W. & Zarlis, M. 2020. Konsep Data Mining Dan Penerapan.
Yogyakarta: CV BUDI UTAMA.www.deepublish.co.id Tersedia di
www.deepublish.co.id.
Latifah, V.N., Furqon, M.T. & Santoso, N. 2018. Implementasi Algoritme

Modified-Apriori Untuk Menentukan Pola Penjualan Sebagai Strategi
Penempatan Barang Dan Promo. Jurnal Pengembangan Teknologi Informasi
dan Ilmu Komputer, 2: 3829–3834.
Mulachela, H. 2022. Yudisium Adalah Penentuan Nilai, Ini Bedanya dengan

Wisuda.https://katadata.co.id/safrezi/berita/61f227ad33976/yudisium-adalah-
penentuan-nilai-ini-bedanya-dengan-wisuda Tersedia di
https://katadata.co.id/safrezi/berita/61f227ad33976/yudisium-adalah-
penentuan-nilai-ini-bedanya-dengan-wisuda [Accessed 8 Maret 2022].
Nofriansyah, D. 2014. Konsep Data Mining Vs Sistem Pendukung Keputusan.

Nofriansyah, D. & Nurcahyo, G.W. 2015. Algoritma Data Mining Dan Pengujian.
Nurjoko & Kurniawan, H. 2016. Aplikasi Data Mining Untuk Memprediksi Tingkat
Kelulusan Mahasiswa Menggunakan Algoritma Apriori Di Ibi Darmajaya
Bandar Lampung. Jurnal TIM Darmajaya, 02: 79–93.
Pracoyo, S. & Seniwati, E. 2019. Algoritma Apriori Untuk Penempatan Buku Di

Perpustakaan Smk Ma’arif 1 Wates. INFOS Journal, 1: 5.
Pramudiono, I. 2003. Pengantar Data Mining: Menambang Permata Pengetahuan

di Gunung Data. 4.
90
Saputra, R., Heroza, R.I. & Raflesia, S.P. 2017. Perancangan Data Mart Untuk
Analisis Tingkat Kelulusan Mahasiswa Menggunakan Teknik Data Mining
Association Rule. 181–186.
Sri, A., Nurdien, Kistanto & Taufik, A. 2018. Pengantar Konsep Informasi, Data,
dan Pengetahuan.
Sulastri 2017. Implementasi Data Mining Menggunakan Algoritma Apriori. 372–

382.
Wulansari, Z. & Chulkamdi, M.T. 2022. Penerapan Algoritma Apriori untuk

Menentukan Tata Letak Menempatkan Barang Dagangan “Toko Mekar Sari”
Di Blitar. Generation Journal, 6: 45–57.
91

Analisis Algoritma Apriori Pada Kelulusan Mahasiswa (Studi Kasus: Universitas Nusa Cendana Kupang)

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Algoritma Apriori Pada Kelulusan Mahasiswa (Studi Kasus: Universitas Nusa Cendana Kupang)

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS ALGORITMA APRIORI PADA KELULUSAN

Diajukan untuk memenuhi persyaratan

ALFONSA REGINA WONA

PROGRAM STUDI ILMU KOMPUTER

Teriring ucapan terima kasih kepada:

ANALISIS ALGORITMA APRIORI PADA KELULUSAN MAHASISWA

Alfonsa Regina Wona, Emerensye S. Y. Pandie*, Bertha S. Djahi**

Data kelulusan mahasiswa yang dimiliki perguruan tinggi atau universitas

ANALYSIS OF APRIORI ALGORITHM ON STUDENT GRADUATION

Alfonsa Regina Wona, Emerensye S. Y. Pandie*, Bertha S. Djahi**

Student graduation data owned by colleges or universities increases every year

Keywords: graduation data, data mining, association rule, A priori algorithm,

Gambar 2.1 Tahapan CRISP-DM ........................................................................... 9

1.1. Latar Belakang

1.2. Rumusan Masalah

1.4. Tujuan Penelitian

1.5. Manfaat Penelitian

2.1. Penelitian Terdahulu

2.2. Data Mining

2.1.1. Karakteristik data mining

Gambar 2.1 Tahapan CRISP-DM

2.4. Association Rule

2.5. Algoritma Apriori

2.5.1. Analisis pola frekuensi tinggi (support)

2.5.2. Pembentukan aturan asosiasi (confidence)

2.5.3. Lift ratio

2.6.1. Data pribadi mahasiswa

Tabel 2.2 Lanjutan

2.7. Aplikasi RapidMiner versi 9.10.1

Tabel 2.4 Operator yang digunakan pada proses perhitungan

Tabel 2.4 Lanjutan

Operator ini memodifikasi pemetaan nilai internal atribut

Operator FP-Growth secara efisien berfungsi untuk menghitung

Operator create association rules menghasilkan sekumpulan

3.1. Lokasi Penelitian

3.2. Sumber Data

3.3. Jenis Data

Bussines Data Data

Hasil dan Pembahasan

Kesimpulan dan Saran

Gambar 3.1 Tahapan penelitian

3.5. Metode Pengolahan Data

3.5.1. Business understanding (pemahaman bisnis)

Gambar 3.2 Tabel data mahasiswa

Gambar 3.3 Tabel data wisuda

Gambar 3.4 Tabel data yudisium

Gambar 3.5 Tabel data kelulusan mahasiswa

Gambar 3.6 Proses filter pada tabel data kelulusan mahasiswa

3. Constructing new data

Gambar 3.7 Atribut data kelulusan yang digunakan untuk pemodelan

2. Data pribadi mahasiswa

Atribut kode beasiswa dikelompokkan berdasarkan penerima beasiswa (ya)

3.6. Ilustrasi Perhitungan Algoritma Apriori

3.6.1. Tabulasi data

3.6.2. Analisa pola frekuensi tinggi dengan algoritma Apriori

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴4) = 20%

Hasil perhitungan nilai support untuk iterasi pertama menghasilkan 11

3.6.3. Pembentukan pola kombinasi 2 – itemset

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴4, 𝑀1) = 0%

Hasil perhitungan nilai support untuk kombinasi 2 – itemset menghasilkan 20

Dari 20 sampel data kelulusan yang dicoba dengan perhitungan manual

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴4, 𝑀2) = 100%

3.6.5. Perhitungan nilai lift