4.1 Hasil
4.1.1 Sumber Data
Sumber data pada penelitian ini menggunakan data mahasiswa
Universitas Kristen Toraja, Sulawesi Selatan dengan menggunakan
metode survey langsung ke lapangan sehingga didapatkan data dari 45
mahasiswa dari berbagai jurusan sebagai data sampling.
Kemudian dari data sampling tersebut diklasifikasikan lagi sesuai dengan kriteria
yang sudah ditetapkan oleh pihak kampus, yaitu antara lain :
a. Nama
b. NIM
c. Status mahasiswa ( masih tercatat sebagai mahasiswa aktif )
d. Temuan ( status orang tua - yatim, piatu atau yatim piatu)
e. IPK ( minimal 3,00 )
f. Penghasilan orang tua ( penghasilan dibawah 1.000.000 )
Berdasarkan dari kriteria tersebut maka dapat dibentuk tabel klasifikasinya seperti
di bawah ini :
nama IPK pendapatan orang tua Status Temuan STATUS BEASISWA
Ronal Tandi Pare 3,22 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Rudolvo victor Pakolo 3,68 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Enos Pabara 3,11 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Alasius Ardi Sende 3,75 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Perdianto Samma 3,85 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Regon Samulung 2,10 < 1.000.000 Aktif Piatu TIDAK LOLOS
Rianto Bilolo 2,60 < 1.000.000 Aktif Yatim TIDAK LOLOS
Rini Sande 3,39 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Ardinata Nika 3,80 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Jendri Tangke Massolo 3,25 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Dami Anus 2,59 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Juisa datu 3,62 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Yetri Syela Zettin 3,35 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Lenni Sepang 3,16 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Melda Palebangan 3,35 > 1.000.000 aktif Masih Hidup TIDAK LOLOS
Tia Lili Borong 3,65 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Ari Borong 3,50 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Robertus Ruben 2,75 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Greisanto Karangan 3,10 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Gideon mondi Kondorura 3,10 > 1.000.000 Aktif Piatu TIDAK LOLOS
Jelson Harun 2,18 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Jilnika sombo 3,10 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Wilyam Kondolele 3,15 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Yurnengsi Palebangan 3,20 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Ernita 3,50 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Elma Mansado 3,15 > 1.000.000 Aktif Yatim TIDAK LOLOS
Deli Belo 3,10 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Masto Renden 3,50 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Nova Pnglamba 3,50 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Asriyati paberu' 3,79 < 1.000.000 Aktif Yatim LOLOS
Julti Silambi Kuddi 3,63 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Meti Payung 3,60 > 1.000.000 Aktif Yatim TIDAK LOLOS
Orpa Deniati Pabuntang 3,39 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Yelmi Sulle 3,44 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Shinta Widodo 3,32 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Novi Manduli 3,37 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Lina Randa 3,21 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Alfrida Tumba 3,31 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Abi Tandi 3,40 < 1.000.000 Aktif Yatim LOLOS
Devi Tandi Limbong 3,00 > 1.000.000 Aktif Yatim TIDAK LOLOS
Agustina Sulo Batu 3,80 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Junaldi 3,70 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Dita Limbong Mangiwa 3,25 > 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Yelvin Toe 3,25 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Feronika Beru 3,20 < 1.000.000 Aktif Masih Hidup TIDAK LOLOS
Gain(S , A )
[ 1 ] GainRatio ( S , A )=
SplitInfo (S , A)
n
Si Si
[2] SplitInfo ( S , A )=∑ log 2
i=1 S S
Node Atribut Nilai Atribut S Layak Beasiswa tidak layak beasiswa Entrophy Gain Split Info Gain Ratio
1 IPK nilai >= 3,00 40 2 38 0,2864
0,466 0,234 0,156
2 Pendapatan < 1.000.000 20 2 18 0,469
0,697 0,566 0,255
3 Temuan temuan yatim atau piatu 8 2 6 0,81128
0,429 0,322 0,589
Berdasarkan dari tabel diatas, maka yang memiliki nilai Gain Ratio
terbesar adalah Temuan, yaitu sebesar 0,589. Maka temuan menjadi node
akar (root).
5.2. Saran
Untuk pengembangan selanjutnya, maka ada beberapa saran yang dapat
disampaikan penulis yaitu :
1. Data diskrit dan kontinyu dengan algoritma C 4.5 memiliki nilai yang
cukup besar sehingga memang harus dihitung menggunakan algoritma C
4.5
2. Pada penelitian selanjutnya dapat dikembangkan dengan metode algoritma
yang sama dimana penelitian dapat mengembangkan ke dalam objek yang
berbeda dan dengan menggunakan atribut yang lebih besar.
3. Penggunakan aplikasi orange 3 kurang akurat dikarenakan dalam
menerapkan sistem rapidnya masih terdapat selisih nilai yang lumayan
besar dengan data penghitungan manualnya, sehingga disarankan untuk
kedepannya menggunakan aplikasi RapidMiner Studio