belum tentu akan menyelesaikan jenjang studinya karena dengan beberapa variabel yang juga dikenal dengan atribut.
faktor tersebut. Oleh karena itu, diperlukan sebuah sistem Setiap masukan dalam database menyajikan sebuah objek dari
yang dapat memberikan rekomendasi seleksi calon mahasiswa domain yang disebut dengan variabel bebas. Sebuah atribut
yang akan mengikuti perkuliahan sampai lulus atau wisuda. didesain untuk mengklasifikasikan objek yang disebut dengan
Pada penelitian terdahulu metode AHP digunakan variabel tidak bebas. Proses klasifikasi dilakukan dari node
untuk menentukan mahasiswa lulusan terbaik di perguruan paling atas yaitu akar pohon (roof). Dilanjutkan ke bawah
tinggi menghasilkan rekomendasi keputusan dengan bobot melalui cabang-cabang sampai dihasilkan node daun (leafes)
sebesar 0.297 [1], penentuan alokasi dana kegiatan dimana node daun ini menunjukkan hasil akhir klasifikasi.
mendapatkan hasil yang sama dengan perhitungan secara Sebuah objek yang diklasifikasi dalam pohon harus dites nilai
manual oleh pihak bidang kemahasiswaan dan bidang entropinya. Entropi adalah ukuran dari teori informasi yang
keuangan [2], penentuan lokasi pendirian warnet, pemilihan dapat mengetahui karakteristik impurity dan homogeneity dari
karyawan terbaik menghasilkan rekomendasi keputusan kumpulan data. Entropy dapat dihitung menggunakan
dengan bobot sebesar 0.2193 [3], pemberian pinjaman uang di persamaan berikut:
koperasi simpan pinjam eka mulya dengan tingkat
keberhasilan sebesar 65,2% [4]. ( )= − ( ) 2 ( ). . . . . . . . . . (1)
Penggunaan ID3 pada penelitian ini untuk mempermudah 1
dalam pencarian data yang dapat meminimalkan jumlah akses dimana:
ke disk. Pada penelitian terdahulu metode ID3 digunakan 𝑝 ( 𝑠) adalah proporsi kelas ke-i dalam semua data latih
untuk pemilihan criteria splitting untuk penentuan kualitas yang diproses di node s, didapatkan dari jumlah semua baris
beras dengan tingkat akurasi antara 0.90-1.00 [5], penentuan data dengan label kelas i dibagi jumlah baris semua data.
penjurusan siswa SMAN 6 Semarang dengan tingkat akurasi Sementara m adalah jumlah nilai berbeda dalam data. Dari
sebesar 80% [6], klasifikasi kelulusan mahasiswa pada nilai entropi tersebut kemudian dihitung nilai information gain
Universitas Dian Nuswantoro Semarang dengan tingkat (IG) masing-masing atribut independent terhadap atribut
akurasi sebesar 80% [7]. Penelitian ini membuat sistem yang dependent-nya. Gain digunakan untuk memperkirakan
dapat melakukan pencarian kemiripan data menggunakan pemilihan fitur yang tepat untuk menjadi pemecah pada node
metode ID3 dan melakukan pengambilan keputusan dengan tersebut. Gain sebuah fitur ke-j dihitung menggunakan
menggunakan metode analytical hierarchy process (AHP). persamaan berikut:
Setelah mendapatkan calon mahasiswa mana yang Langkah selanjutnya mencari bobot dari setiap kriteria
diprediksikan akan lulus atau wisuda di Unjani, langkah dengan menggunakan metode Analytical Hierarchy Process
selanjutnya melakukan perangkingan berdasarkan kelompok (AHP). Matriks perbandingan dari level dua yaitu kriteria
program studi pilihan dengan menentukan kriteria penentuan dengan memperhatikan keterkaitannya dengan level satu.
calon mahasiswa kemudian melakukan pembobotan kriteria Dalam penyelesaian AHP dilakukan pencarian bobot prioritas
mengggunakan AHP agar mendapatkan nilai bobot kriteria kriteria yaitu sebagai berikut:
berdasarkan matriks perbandingan berpasangan. Kriteria-
kriteria yang telah dihitung menghasilkan bobot dari setiap Tabel 3. 6 Pencarian Bobot Prioritas
kriteria. L Nilai Rata2
Seko Semester Pekerjaa
Terdapat kriteria tambahan yang diperlukan oleh sistem Alternatif ul
lah n Ortu
untuk menunjang seleksi calon mahasiswa yang diprediksikan us 1 2 3 4
akan lulus sampai wisuda di Unjani, yaitu kriteria “lulus” Lulus 1 3 5 5 5 5 5
yang cukup penting dari sekolah dan sangat penting dengan 1/
Sekolah 1 3 3 3 3 3
pekerjaan orangtua dan nilai rapor. Berikut ini adalah tabel 3
data calon mahasiswa yang mencakup kriteria-kriteria dan 1/
1 1/3 1 1 1 1 1
5
alternatif. 1/
Nilai 2 1/3 1 1 1 1 1
5
Rata2
Tabel 3. 4 Data Calon Mahasiswa 1/
Semester 3 1/3 1 1 1 1 1
Rata2 Nilai Rapor 5
Alte 1/
Lulu Pekerjaa Semester 4 1/3 1 1 1 1 1
rnat Sekolah 5
s n Ortu
if 1 2 3 4 1/
72 72 76 77 Pekerjaan Ortu 1/3 1 1 1 1 1
CM Sma Negeri 1 Wiraswa 5
Tdk .3 .5 .2 .0
1 Rengasdengklok sta
9 6 9 7
71 72 75 Tiap cell dari kolom dibagi dengan jumlah tiap kolom :
CM Sma Negeri 1 Wiraswa 74 1 3 5 5 5 5 5 0.3333 1 3 3 3 3 3 0.2 0.3333
Tdk .9 .4 .2
2 Rengasdengklok sta
4 4
.5
9 [
2.3333 5.6665 13 13 13 13 13 2.3333 5.6665 13 13 13 13 13 2.3333 5.6665
74 76 79
CM Sma Negeri 1
Tdk Pns Aktif 74 .4 .8 .3
3 Cirebon Hasil pembagian tiap cell dibagi dengan jumlah tiap kolom :
4 5 1
Pns Tni- 78 80 79 83 [0.4285 0.5294 0.3846 0.3846 0.3846 0.3846 0.3846 0.1428 0.1764 0.2307 0.2307 0.2
CM Sma Negeri 1
Ya Ad .6 .4 .2 .3
4 Sindang
Pensiun 9 4 3 8 Ju 1 1 1 1 1 1 1 1
79 83 81 84 mla
CM Sma Negeri 1
5
Tdk
Sindang
Pns Aktif .5 .0 .2 .8 h
6 6 3 5
Setelah bobot untuk setiap kriteria diperoleh,
proses selanjutnya yaitu melakukan perankingan
D-287
berdasarkan data setiap alternative agar [2] Meri Azmi, Yance Sonatha, and Rasyidah , "Pemanfaatan Sistem
Pendukung Keputusan untuk Penentuan Alokasi Dana Kegiatan (Studi
mendapatkan alternatif dengan nilai tertinggi. Kasus Unit Kegiatan Mahasiswa Politeknik Negeri Padang)," Jurnal
Momentum, vol. 16, no. 1, pp. 74-83, Februari 2014.
Tabel 3. 7 Perkalian Bobot dan Alternatif
[3] Jasril , Elin Haerani, and Iis Afrianty, "Sistem Pendukung Keputusan
Alt Peker Nilai Rata2 Semester
Lul Sekol (SPK) Pemilihan Karyawan Terbaik Menggunakan Metode Fuzzy AHP
ern jaan
us ah 1 2 3 4 (F-AHP)," Seminar Nasional Aplikasi Informasi 2011 (SNATI 2011), pp.
atif Ortu
0.599 0.615
36-43, Juni 2011.
0× 0.5841 0.5916
CM 0× 0× 2× 2×
0.41 × ×
1 15
0.2103 0.0755
0.0755 0.0755
0.075 0.075 [4] Khairil Adnan, Sandy Eka Permana, and Tineka Handayani, "Sistem
5 5 Pendukuung Keputusan Penentuan Pemberian Pinjaman Uang dengan
0.599 0.615 Metode AHP (Analytic Hierarchy Process) di Koperasi Simpan Pinjam
0× 0.5841 0.5916
CM 0× 0× 2× 2× Eka Mulya," Jurnal Online Ict Stmik Ikmi, vol. 10, pp. 8-12, Desember
0.41 × ×
2 15
0.2103 0.0755
0.0755 0.0755
0.075 0.075
2013.
5 5
0.599 0.615
0× 0.5841 0.5916
CM 0× 0× 2× 2× [5] Yusuf Elmande and Prabowo Pudjo Widodo, "Pemilihan Criteria Splitting
0.41 × ×
3 15
0.2103 0.0755
0.0755 0.0755
0.075 0.075 Dalam Algoritma Iterative Dichotomiser 3 (ID3) Untuk Penentuan
5 5 Kualitas Beras : Studi Kasus Pada Perum Bulog Divre Lampung," Jurnal
0.58 0.599 0.615
0.0833 0.5841 0.5916 TELEMATIKA MIKOM, vol. 4, no. 1, pp. 73-82, Maret 2012.
CM 41 × 0× 2× 2×
× × ×
4 0.41
0.2103
0.0755
0.0755 0.0755
0.075 0.075
15 5 5 [6] Obbie Kristanto, "Penerapan Algoritma Klasifikasi Data Mining ID3
0× 0.0833 0.5841 0.5916
0.599 0.615 Untuk Menentukan Penjurusan Siswa Sman 6 Semarang".
CM 0× 2× 2×
0.41 × × ×
5 15 0.2103
0.0755
0.0755 0.0755
0.075 0.075
5 5 [7] Danny Himawan, "Aplikasi Data Mining Menggunakan Algoritma ID3
Untuk Mengklasifikasi Kelulusan Mahasiswa Pada Universitas Dian
Nuswantoro Semarang".
REFERENSI
[1] Hilyah Magdalena, "Sistem Pendukung Keputusan untuk Menentukan
Mahasiswa Lulusan Terbaik di Perguruan Tinggi (Studi Kasus Stmik
Atma Luhur Pangkalpinang)," Seminar Nasional Teknologi dan
Komunikasi 2012 (SENTIKA 2012), pp. 49-56, Maret 2012.