MAHASISWA
(STUDI KASUS: UNIVERSITAS NUSA CENDANA KUPANG)
SKRIPSI
Oleh
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
Kata Kunci: data kelulusan, data mining, association rule, algoritma Apriori,
RapidMiner
*Pembimbing I
**Pembimbing II
vi
ABSTRACT
*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
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
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.
3
BAB II
TINJAUAN PUSTAKA
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.
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.
(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)
(2.3)
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.
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
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
15
Apriori dapat dilihat pada Tabel 2.4.
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
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
Selesai
20
Tabel data yudisium dapat dilihat pada Gambar 3.4.
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.
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.
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
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.
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
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
29
0
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴4, 𝑀1) = 𝑥 100%
20
Nilai support untuk perhitungan 2 – itemset dapat dilihat pada Tabel 3.16.
Tabel 3.16 Nilai kombinasi 2 – itemset
No Itemset Count Support (%)
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
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
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
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
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.
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.
34
BAB IV
HASIL DAN PEMBAHASAN
37
5. Format tabular hubungan penghasilan orang tua
Format tabular hubungan penghasilan orang tua terhadap tingkat kelulusan dapat
dilihat pada Gambar 4.6.
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.
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.
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.
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)
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.
0
Support 10% Support 15%
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
tahun dan IPK 2,76 – 3,50
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.
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
dilihat pada Tabel 4.2.
Tabel 4.2 Hasil pengujian hubungan fakultas (support 15%)
Keterangan Hasil
Hasil pembentukan rules hubungan fakultas terhadap
tingkat kelulusan dengan nilai minimum confidence
30%
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
Support 10% Support 15%
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
tahun ≤5 tahun dan IPK 2,76 – 3,50
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.
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%
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.
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 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%)
Itemset Support Keterangan
M2 0,478 SBMPTN
A8 0,290 Lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
A11 0,261 Lama studi >5 tahun dan IPK 2,76 – 3,50
M1 0,252 SNMPTN
M4 0,176 Seleksi Mandiri PTN (Reguler)
A7 0,172 Lama studi >4 tahun ≤5 tahun dan IPK >3,50
A4 0,110 Lama studi >3,5 tahun ≤4 tahun dan IPK >3,50
A5 0,073 Lama studi >3,5 tahun ≤4 tahun dan IPK 2,76 – 3,50
A10 0,041 Lama studi >5 tahun dan IPK >3,50
M5 0,034 Seleksi Mandiri PTN (Ekstension)
M6 0,033 Seleksi Mandiri PTN (PDD Ngada)
A1 0,027 Lama studi ≤3,5 tahun dan IPK >3,50
A2 0,023 Lama studi ≤3,5 tahun dan IPK 2,76 – 3,50
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.
53
Berikut merupakan tabel hasil pengujian aturan asosiasi dengan nilai support
15% yang dikombinasikan dengan nilai confidence 30%, 40% dan 50%, dapat
dilihat pada Tabel 4.6.
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.
54
Gambar 4.33 Hasil nilai lift ≥ hubungan jalur masuk (support 10%)
Hasil dari proses mining menggunakan algoritma Apriori terhadap hubungan
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%)
No Itemset Lift Hasil
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
dengan support 10% terhadap confidence 40% dan confidence 50%, dapat dilihat
pada Gambar 4.34 dan Gambar 4.35.
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%
0
Support 10% Support 15%
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
paling banyak memiliki lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50.
Hasil dari nilai minimum support yang ditentukan yaitu 10%, jumlah itemset
yang terbentuk sampai dengan 2 itemset, dimana kombinasi hubungan 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%)
Itemset Support Keterangan
B1 0,863 Bukan penerima beasiswa
A8 0,290 Lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
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
B2 0,137 Penerima beasiswa
B1 0,863 Bukan penerima beasiswa
A8 0,290 Lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
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
B2 0,137 Penerima beasiswa
A4 0,110 Lama studi >3,5 tahun ≤4 tahun dan IPK >3,50
A5 0,073 Lama studi >3,5 tahun ≤4 tahun dan IPK 2,76 – 3,50
A10 0,041 Lama studi >5 tahun dan IPK >3,50
A1 0,027 Lama studi ≤3,5 tahun dan IPK >3,50
A2 0,023 Lama studi ≤3,5 tahun dan IPK 2,76 – 3,50
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
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%.
59
Tabel 4.10 Hasil pengujian hubungan beasiswa (support 15%)
Keterangan Hasil
Hasil pembentukan rules hubungan
beasiswa terhadap tingkat kelulusan dengan
nilai minimum confidence 30%
0
Support 10% Support 15%
60
Gambar 4.42 Hasil nilai lift ≥ 1 hubungan beasiswa (support 10%)
Hasil dari proses mining menggunakan algoritma Apriori terhadap hubungan
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%)
No Itemset Lift Hasil
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
dengan support 10% terhadap confidence 40% dan confidence 50%, dapat dilihat
pada Gambar 4.43 dan 4.44.
61
Tabel 4.12 Hasil nilai lift ≥1 hubungan beasiswa (support 15%)
Keterangan Hasil
Hasil pembentukan aturan asosiasi
final hubungan beasiswa terhadap
tingkat kelulusan dengan nilai
minimum confidence 30%
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.
Hasil dari nilai minimum support yang ditentukan yaitu 10%, jumlah itemset
yang terbentuk sampai dengan 2 itemset, dimana kombinasi hubungan yang
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%)
Itemset Support Keterangan
T3 0,539 Kos
T2 0,318 Bersama orang tua
A8 0,290 Lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
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
A4 0,110 Lama studi >3,5 tahun ≤4 tahun dan IPK >3,50
T5 0,097 Wali
A5 0,073 Lama studi >3,5 tahun ≤4 tahun dan IPK 2,76 – 3,50
A10 0,041 Lama studi >5 tahun dan IPK >3,50
A1 0,027 Lama studi ≤3,5 tahun dan IPK >3,50
T1 0,023 Asrama
T6 0,023 Lainnya
A2 0,023 Lama studi ≤3,5 tahun dan IPK 2,76 – 3,50
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.
65
Berikut merupakan tabel hasil pengujian aturan asosiasi dengan nilai support
15% yang dikombinasikan dengan nilai confidence 30%, 40% dan 50%, dapat
dilihat pada Tabel 4.14.
Tabel 4.14 Hasil pengujian hubungan tempat tinggal (support 15%)
Keterangan Hasil
Hasil pembentukan rules hubungan
tempat tinggal terhadap tingkat kelulusan
dengan nilai minimum confidence 30%
Langkah selanjutnya adalah mencari nilai lift dari hubungan tempat tinggal
terhadap tingkat kelulusan, dapat dilihat pada Gambar 4.51.
0
Support 10% Support 15%
66
Hasil yang didapatkan bahwa aturan asosiasi dengan nilai lift ≥1 terbanyak
adalah pada support 10% dan confidence 30% dengan jumlah 7 aturan asosiasi
final, dilihat pada Gambar 4.52.
Gambar 4.52 Hasil nilai lift ≥ 1 hubungan tempat tinggal (support 10%)
Hasil dari proses mining menggunakan algoritma Apriori terhadap hubungan
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%)
No Itemset Lift Hasil
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
tahun ≤5 tahun dan IPK 2,76 – 3,50
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 4.56 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
paling banyak memiliki lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50.
Hasil dari nilai minimum support yang ditentukan yaitu 10%, jumlah itemset
yang terbentuk sampai dengan 2 itemset, dimana kombinasi hubungan 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%)
Itemset Support Keterangan
PO1 0,369 Kurang dari Rp 500.000
A8 0,290 Lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
PO4 0,261 Rp 2.000.000 – Rp 4.999.999
A11 0,261 Lama studi >5 tahun dan IPK 2,76 – 3,50
PO3 0,180 Rp 1.000.000 – Rp 1.999.999
A7 0,172 Lama studi >4 tahun ≤5 tahun dan IPK >3,50
PO2 0,169 Rp 500.000 – Rp 999.999
A4 0,110 Lama studi >3,5 tahun ≤4 tahun dan IPK >3,50
A5 0,073 Lama studi >3,5 tahun ≤4 tahun dan IPK 2,76 – 3,50
A10 0,041 Lama studi >5 tahun dan IPK >3,50
A1 0,027 Lama studi ≤3,5 tahun dan IPK >3,50
A2 0,023 Lama studi ≤3,5 tahun dan IPK 2,76 – 3,50
Penghasilan orang tua kurang dari Rp 500.000 memiliki lama studi >4
PO1,A8 0,130
tahun ≤5 tahun dan IPK 2,76 – 3,50
Penghasilan orang tua kurang dari Rp 500.000 memiliki lama studi >5
PO1,A11 0,097
tahun dan IPK 2,76 – 3,50
Penghasilan orang tua kurang dari Rp 500.000 memiliki lama studi >4
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
tahun ≤4 tahun dan IPK 2,76 – 3,50
Penghasilan orang tua Rp 2.000.000 – Rp 4.999.999 memiliki lama
A8,PO4 0,060
studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
Penghasilan orang tua Rp 1.000.000 – Rp 1.999.999 memiliki lama
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
Penghasilan orang tua Rp 2.000.000 – Rp 4.999.999 memiliki lama
PO4,A11 0,063
studi >5 tahun dan IPK 2,76 – 3,50
Penghasilan orang tua Rp 2.000.000 – Rp 4.999.999 memiliki lama
PO4,A7 0,051
studi >5 tahun dan IPK 2,76 – 3,50
Penghasilan orang tua Rp 2.000.000 – Rp 4.999.999 memiliki lama
PO4,A4 0,034
studi >4 tahun ≤5 tahun dan IPK >3,50
Penghasilan orang tua Rp 1.000.000 – Rp 1.999.999 memiliki lama
A11,PO3 0,051
studi >5 tahun dan IPK 2,76 – 3,50
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
Itemset Support Keterangan
Penghasilan orang tua Rp 1.000.000 – Rp 1.999.999 memiliki lama
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
71
Gambar 4.59 Hasil itemset hubungan penghasilan orang tua (support 15%)
Berikut merupakan tabel hasil pengujian aturan asosiasi dengan nilai support
15% yang dikombinasikan dengan nilai confidence 30%, 40% dan 50%, dapat
dilihat pada Tabel 4.30.
Tabel 4.18 Hasil pengujian hubungan penghasilan orang tua (support 15%)
Keterangan Hasil
Hasil pembentukan rules hubungan penghasilan
orang tua terhadap tingkat kelulusan dengan
nilai minimum confidence 30%
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
Support 10% Support 15%
Gambar 4.60 Grafik hasil nilai lift hubungan penghasilan orang tua
Hasil yang didapatkan bahwa aturan asosiasi dengan nilai lift ≥1 terbanyak
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%)
Hasil dari proses mining menggunakan algoritma Apriori terhadap hubungan
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%)
No Itemset Lift Hasil
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.
0
Support 10% Support 15%
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%)
Itemset Support Keterangan
I1 0,834 SMA/SMU
A8 0,290 Lama studi >4 tahun ≤5 tahun dan IPK 2,76 – 3,50
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
I3 0,141 SMK
A4 0,110 Lama studi >3,5 tahun ≤4 tahun dan IPK >3,50
A5 0,073 Lama studi >3,5 tahun ≤4 tahun dan IPK 2,76 – 3,50
A10 0,041 Lama studi >5 tahun dan IPK >3,50
A1 0,027 Lama studi ≤3,5 tahun dan IPK >3,50
A2 0,023 Lama studi ≤3,5 tahun dan IPK 2,76 – 3,50
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
minimum support 10% terhadap confidence 30%, 40% dan 50%, dapat dilihat pada
Gambar 4.65 dan Gambar 4.66.
77
Tabel 4.22 Hasil pengujian hubungan tipe ijazah (support 15%)
Keterangan Hasil
Hasil pembentukan rules hubungan tipe
ijazah terhadap tingkat kelulusan dengan
nilai minimum confidence 30%
Langkah selanjutnya adalah mencari nilai lift dari hubungan fakultas terhadap
tingkat kelulusan, dapat dilihat pada Gambar 4.68.
0
Support 10% Support 15%
Gambar 4.69 Hasil nilai lift hubungan tipe ijazah (support 10%)
78
Hasil dari proses mining menggunakan algoritma Apriori terhadap hubungan
tipe ijazah terhadap tingkat kelulusan, menghasilkan 6 hubungan dengan nilai lift
tertinggi yaitu 1,428 pada kombinasi I3→A11. Hasil aturan asosiasi final dapat
dilihat pada Tabel 4.23.
Tabel 4.23 Hasil nilai lift ≥1 hubungan tipe ijazah (support 10%→30%)
No Itemset Lift Hasil
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
tahun ≤5 tahun dan IPK 2,76 – 3,50
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%)
Berikut merupakan hasil pengujian aturan asosiasi dengan dengan nilai lift ≥1
dengan nilai support 15% yang dikombinasikan dengan nilai confidence 30%, 40%
dan 50%, dilihat pada Tabel 4.24.
Tabel 4.24 Hasil nilai lift ≥1 hubungan tipe ijazah (support 15%)
Keterangan Hasil
Hasil pembentukan aturan asosiasi final
hubungan tipe ijazah terhadap tingkat
kelulusan dengan nilai minimum
confidence 30%
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.
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.
81
Tabel 4.26 Lanjutan
Itemset Confidence Lift Hasil
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
kisaran 2,76 sampai 3,50
Berikut beberapa hasil yang diperoleh dari analisa yang dibuat, sebagai berikut:
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.
Berikut beberapa hasil yang diperoleh dari analisa yang dibuat, sebagai berikut:
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
Berdasarkan hasil nilai lift yang diperoleh dari pengujian dengan RapidMiner,
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
Itemset Confidence Lift Hasil
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
tahun atau kurang dari 4 tahun dengan IPK lebih dari 3,50
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
Jika tempat tinggal kos maka terdapat 54,9% kemungkinan
T3,A11 54,8% 1,017 mahasiswa lulus dengan lama studi lebih dari 5 tahun dengan IPK
kisaran 2,76 sampai 3,50
Jika tempat tinggal kos maka terdapat 54,6% kemungkinan
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
Berikut beberapa hasil yang diperoleh dari analisa yang dibuat, sebagai berikut:
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
Berdasarkan hasil nilai lift yang diperoleh dari pengujian dengan RapidMiner,
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
Itemset Confidence Lift Hasil
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
kisaran 2,76 sampai 3,50
Jika penghasilan orang tua kurang dari Rp 500.000 maka
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
Jika penghasilan orang tua kurang dari Rp 500.000 maka
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
Berikut beberapa hasil yang diperoleh dari analisa yang dibuat, sebagai berikut:
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.
84
Tabel 4.30 Hasil aturan final hubungan tipe ijazah
Itemset Confidence Lift Hasil
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
kurang dari 5 tahun dengan IPK kisaran 2,76 sampai 3,50
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
kurang dari 4 tahun dengan IPK kisaran 2,76 sampai 3,50
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
Jika tipe ijazah SMA/SMU maka terdapat 89,3%
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
Jika tipe ijazah SMA/SMU maka terdapat 87,6%
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
Berikut beberapa hasil yang diperoleh dari analisa yang dibuat, sebagai berikut:
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.
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.
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.
Nofriansyah, D. & Nurcahyo, G.W. 2015. Algoritma Data Mining Dan Pengujian.
Yogyakarta: CV BUDI UTAMA.www.deepublish.co.id Tersedia di
www.deepublish.co.id.
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.
Sri, A., Nurdien, Kistanto & Taufik, A. 2018. Pengantar Konsep Informasi, Data,
dan Pengetahuan.
91