Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa

APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT

KELULUSAN MAHASISWA

(Studi Kasus di Fakultas MIPA Universitas Diponegoro)

Disusun Oleh :

Nama : Elviana Simanjuntak

Npm : 09050196

Kelas : P 7

SISTEM INFORMASI

INFORMATICS & BUSINESS INSTITUTE DARMAJAYA

BANDAR LAMPUNG

2012

BAB I

PENDAHULUAN

I. 1. Latar Belakang

Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang

akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga informasi akan menjadi

suatu elemen penting dalam perkembangan masyarakat saat ini dan waktu mendatang.

Namun kebutuhan informasi yang tinggi kadang tidak diimbangi dengan penyajian

informasi yang memadai, sering kali informasi tersebut masih harus di gali ulang dari

data yang jumlahnya sangat besar. Kemampuan teknologi informasi untuk

mengumpulkan dan menyimpan berbagai tipe data jauh meninggalkan kemampuan untuk

menganalisis, meringkas dan mengekstrak pengetahuan dari data. Metode tradisional

untuk menganalisis data yang ada, tidak dapat menangani data dalam jumlah besar.

Sistem informasi dapat digunakan untuk mendapatkan, mengolah dan

menyebarkan informasi untuk menunjang kegiatan operasional sehari-hari sekaligus

menunjang kegiatan pengambilan keputusan strategis. Para pengambil keputusan

berusaha untuk memanfaatkan gudang data yang sudah dimiliki untuk menggali

informasi yang berguna membantu mengambil keputusan, hal ini mendorong munculnya

cabang ilmu baru untuk mengatasi masalah penggalian informasi atau pola yang penting

atau menarik dari data dalam jumlah besar, yang disebut dengan data mining.

Penggunaan teknik data mining diharapkan dapat memberikan pengetahuan-pengetahuan

yang sebelumnya tersembunyi di dalam gudang data sehingga menjadi informasi yang

berharga.

Perguruan tinggi saat ini dituntut untuk memiliki keunggulan bersaing dengan

memanfaatkan semua sumber daya yang dimiliki. Selain sumber daya sarana, prasarana,

dan manusia, sistem informasi adalah salah satu sumber daya yang dapat digunakan

untuk meningkatkan keunggulan bersaing. Di dalam peraturan akademik Universitas

Diponegoro bidang pendidikan tahun 2009 pada BAB I pasal 1 ayat 2 di sebutkan bahwa

“Program Sarjana (S1) reguler adalah program pendidikan akademik setelah pendidikan

menengah, yang memiliki beban studi sekurang-kurangnya 144 (seratus empat puluh

empat) sks (satuan kredit semester) dan sebanyak-banyaknya 160 (seratus enam puluh )

sks yang dijadwalkan untuk 8 (delapan) semester dan dapat ditempuh dalam waktu

kurang dari 8 (delapan) semester dan paling lama 14 (empat belas) semester” (Peraturan

Akademik, 2009). Berdasarkan buku wisuda angkatan ke-115, 48 dari 80 peserta wisuda

Program Sarjana (S1) reguler di Fakultas Matematika dan Ilmu Pengetahuan Alam

(MIPA) menempuh masa studi lebih dari 8 semester. Hal ini menunjukkan bahwa masih

banyak mahasiswa Program Sarjana (S1) reguler di Fakultas MIPA yang menempuh

lama studi lebih dari 8 semester dari yang dijadwalkan 8 semester. Oleh karena itu,

dengan memanfaatkan data induk mahasiswa dan data kelulusan mahasiswa, dapat

diketahui informasi tingkat kelulusan mahasiswa melalui teknik data mining.

I. 2. Rumusan Masalah

1. Bagaimana Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan

Mahasiswa?

2. Apakah Manfaat Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan

Mahasiswa?

I. 3. Tujuan

1. Menghasilkan aplikasi untuk mendapatkan informasi yang berguna tentang

tingkat kelulusan mahasiswa dengan teknik data mining. Perguruan tinggi saat ini

dituntut untuk memiliki keunggulan bersaing dengan memanfaatkan semua

sumber daya yang dimiliki. Selain sumber daya sarana, prasarana, dan manusia,

sistem informasi adalah salah satu sumber daya yang dapat digunakan untuk

meningkatkan keunggulan bersaing.

I. 4. Manfaat Penelitian

2. Adapun beberapa manfaat yang diharapkan pada pembuatan tugas akhir ini

adalah:

Bagi penulis

Penulis dapat lebih mengetahui cara menerapkan ilmu-ilmu yang telah dipelajari

selama ini dalam merancang dan membuat aplikasi sistem dengan teknik data

mining, serta sebagai syarat dalam memperoleh gelar sarjana komputer.

Bagi Fakultas MIPA

Diharapkan dengan adanya aplikasi ini dapat membantu menyajikan informasi

tentang hubungan tingkat kelulusan dengan data induk mahasiswa. Pihak fakultas

dapat mengetahui tingkat kelulusan mahasiswanya dan mengetahui faktor yang

mempengaruhi tingkat kelulusan.

BAB II

LANDASAN TEORI

II. 1. Data warehouse

Data warehouse adalah sebuah sistem yang mengambil dan menggabungkan data

secara periodik dari sistem sumber data ke penyimpanan data bentuk dimensional atau

normal (Rainardi, 2008). Data warehouse merupakan penyimpanan data yang

berorientasi objek, terintegrasi, mempunyai variant waktu, dan menyimpan data dalam

bentuk nonvolatile sebagai pendukung manejemen dalam proses pengambilan keputusan

(Han, 2006).

Data warehouse menyatukan dan menggabungkan data dalam bentuk

multidimensi. Pembangunan data warehouse meliputi pembersihan data, penyatuan data

dan transformasi data dan dapat dilihat sebagai praproses yang penting untuk digunakan

dalam data mining. Selain itu data warehouse mendukung On-line Analitycal Processing

(OLAP), sebuah kakas yang digunakan untuk menganalisis secara interaktif dari bentuk

multidimensi yang mempunyai data yang rinci. Sehingga dapat memfasilitasi secara

efektif data generalization dan data mining.

Banyak metode-metode data mining yang lain seperti asosiasi, klasifikasi,

prediksi, dan clustering, dapat diintegrasikan dengan operasi OLAP untuk meningkatkan

proses mining yang interaktif dari beberapa level dari abstraksi. Oleh karena itu data

warehouse menjadi platform yang penting untuk data analisis dan OLAP untuk dapat

menyediakan platform yang efektif untuk proses data mining.

Empat karakteristik dari data warehouse meliputi :

1. Subject oriented : sebuah data warehouse disusun dalam subjek utama, seperti

pelanggan, suplier, produk, dan sales. Meskipun data warehouse terkonsentrasi pada

operasi harian dan proses transaksi dalam perusahaan, data warehouse

fokus pada pemodelan dan analisis data untuk pembuat keputusan. Oleh karena itu data

warehouse mempunyai karakter menyediakan secara singkat dan sederhana gambaran

seputar subjek lebih detail yang dibuat dari data luar yang tidak berguna dalam proses

pendukung keputusan.

2. Integrated : Data warehouse biasanya dibangun dari bermacam-macam sumber yang

berbeda, seperti database relasional, flat files, dan on-line transaction records.

Pembersihan dan penyatuan data diterapkan untuk menjamin konsistensi dalam

penamaan, struktur kode, ukuran atribut, dan yang lainnya.

3. Time Variant : data disimpan untuk menyajikan informasi dari sudut pandang masa

lampau (misal 5 – 10 tahun yang lalu). Setiap struktur kunci dalam data warehouse

mempunyai elemen waktu baik secara implisit maupun eksplisit

4. Nonvolatile : sebuah data warehouse secara fisik selalu disimpan terpisah dari data

aplikasi operasional. Penyimpanan yang terpisah ini, data warehouse tidak memerlukan

proses transaksi, recovery dan mekanisme pengendalian konkurensi. Biasanya hanya

membutuhkan dua operasi dalam akses data yaitu initial load of data dan access of data

Dari pengertian tersebut, sebuah data warehouse merupakan penyimpanan data tetap

sebagai implementasi fisik dari pendukung keputusan model data. Data warehouse juga

biasanya dilihat sebagai arsitektur, pembangunan dan penyatuan data dari bermacam

macam sumber data yang berbeda untuk mendukung struktur dan atau query tertentu,

laporan analisis, dan pembuatan keputusan (Han, 2006).

Extract, transform, dan load (ETL) merupakan sebuah sistem yang dapat membaca

data dari suatu data store, merubah bentuk data, dan menyimpan ke data store yang lain.

Data store yang dibaca ETL disebut data source, sedangkan data store yang disimpan

ETL disebut target. Proses pengubahan data digunakan agar data sesuai dengan format

dan kriteria, atau sebagai validasi data dari source system. Proses ETL tidak hanya

menyimpan data ke data warehouse, tetapi juga digunakan untuk berbagai proses

pemindahan data.

II. 2. Pengertian Data Mining

Secara sederhana data mining adalah penambangan atau penemuan informasi

baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar

(Davies, 2004). Data mining juga disebut sebagai serangkaian proses untuk menggali

nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari

suatu kumpulan data (Pramudiono, 2007).

Data mining, sering juga disebut sebagai knowledge discovery in database

(KDD). KDD adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis

untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar

(Santoso, 2007).

Data mining adalah kegiatan menemukan pola yang menarik dari data dalam

jumlah besar, data dapat disimpan dalam database, data warehouse, atau penyimpanan

informasi lainnya. Data mining berkaitan dengan bidang ilmu – ilmu lain, seperti

database system, data warehousing, statistik, machine learning, information retrieval,

dan komputasi tingkat tinggi. Selain itu, data mining didukung oleh ilmu lain seperti

neural network, pengenalan pola, spatial data analysis, image database, signal

processing (Han, 2006).

Data mining didefinisikan sebagai proses menemukan pola-pola dalam data.

Proses ini otomatis atau seringnya semiotomatis. Pola yang ditemukan harus penuh arti

dan pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data

yang dibutuhkan dalam jumlah besar (Witten, 2005).

Karakteristik data mining sebagai berikut :

Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data

tertentu yang tidak diketahui sebelumnya.

Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar

digunakan untuk membuat hasil lebih dipercaya.

Data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi

(Davies, 2004).

Berdasarkan beberapa pengertian tersebut dapat ditarik kesimpulan bahwa data

mining adalah suatu teknik menggali informasi berharga yang terpendam atau

tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan

suatu pola yang menarik yang sebelumnya tidak diketahui. Kata mining sendiri berarti

usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasar.

Karena itu data mining sebenarnya memiliki akar yang panjang dari bidang ilmu seperti

kecerdasan buatan (artificial intelligent), machine learning, statistik dan database.

Beberapa metode yang sering disebut-sebut dalam literatur data mining antara lain

clustering, classification, association rules mining, neural network, genetic algorithm

dan lain-lain (Pramudiono, 2007).

II. 2. 1. Tahap-Tahap Data mining

Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap

yang diilustrasikan.Tahap-tahap tersebut bersifat interaktif, pemakai terlibat langsung

atau dengan perantaraan knowledge base.

Tahap-tahap data mining ada 6 yaitu :

1. Pembersihan data (data cleaning)

Pembersihan data merupakan proses menghilangkan noise dan data yang tidak

konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari database

suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna

seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain

itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang

dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang. Pembersihan data juga

akan mempengaruhi performasi dari teknik data mining karena data yang ditangani akan

berkurang jumlah dan kompleksitasnya.

2. Integrasi data (data integration)

Integrasi data merupakan penggabungan data dari berbagai database ke dalam

satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak hanya

berasal dari satu database tetapi juga berasal dari beberapa database atau file teks.

Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan entitas-entitas yang

unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data

perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan

hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya. Sebagai

contoh bila integrasi data berdasarkan jenis produk ternyata menggabungkan produk dari

kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya

tidak ada.

3. Seleksi Data (Data Selection)

Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu

hanya data yang sesuai untuk dianalisis yang akan diambil dari database. Sebagai contoh,

sebuah kasus yang meneliti faktor kecenderungan orang membeli dalam kasus market

basket analysis, tidak perlu mengambil nama pelanggan, cukup dengan id pelanggan saja.

4. Transformasi data (Data Transformation)

Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam

data mining. Beberapa metode data mining membutuhkan format data yang khusus

sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar seperti analisis

asosiasi dan clustering hanya bisa menerima input data kategorikal. Karenanya data

berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval. Proses

ini sering disebut transformasi data.

5. Proses mining,

Merupakan suatu proses utama saat metode diterapkan untuk menemukan

pengetahuan berharga dan tersembunyi dari data.

6. Evaluasi pola (pattern evaluation),

Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang

ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas

maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang

tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada beberapa alternatif

yang dapat diambil seperti menjadikannya umpan balik untuk memperbaiki proses data

mining, mencoba metode data mining lain yang lebih sesuai, atau menerima hasil ini

sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat.

7. Presentasi pengetahuan (knowledge presentation),

Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang

digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap terakhir dari

proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil

analisis yang didapat. Ada kalanya hal ini harus melibatkan orang-orang yang tidak

memahami data mining. Karenanya presentasi hasil data mining dalam bentuk

pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam

proses data mining. Dalam presentasi ini, visualisasi juga bisa membantu

mengkomunikasikan hasil data mining (Han, 2006).

II. 2. 2. Metode Data mining

Dengan definisi data mining yang luas, ada banyak jenis metode analisis yang

dapat digolongkan dalam data mining.

Association rules

Association rules (aturan asosiasi) atau affinity analysis (analisis afinitas)

berkenaan dengan studi tentang “apa bersama apa”. Sebagai contoh dapat berupa berupa

studi transaksi di supermarket, misalnya seseorang yang membeli susu bayi juga membeli

sabun mandi. Pada kasus ini berarti susu bayi bersama dengan sabun mandi. Karena

awalnya berasal dari studi tentang database transaksi pelanggan untuk menentukan

kebiasaan suatu produk dibeli bersama produk apa, maka aturan asosiasi juga sering

dinamakan market basket analysis. Aturan asosiasi ingin memberikan informasi tersebut

dalam bentuk hubungan “if-then” atau “jika-maka”. Aturan ini dihitung dari data yang

sifatnya probabilistik (Santoso, 2007).

Analisis asosiasi dikenal juga sebagai salah satu metode data mining yang

menjadi dasar dari berbagai metode data mining lainnya. Khususnya salah satu tahap dari

analisis asosiasi yang disebut analisis pola frekuensi tinggi (frequent pattern mining)

menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien. Penting

tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai

penunjang) yaitu prosentase kombinasi item tersebut. dalam database dan confidence

(nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif. Analisis

asosiasi didefinisikan suatu proses untuk menemukan semua aturan assosiatif yang

memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk

confidence (minimum confidence) (Pramudiono, 2007).

II. 3. Pengenalan Pola, Data Mining, dan Machine Learning

Pengenalan pola adalah suatu disiplin ilmu yang mempelajari cara-cara

mengklasifikasikan obyek ke beberapa kelas atau kategori dan mengenali kecenderungan

data. Tergantung pada aplikasinya, obyek-obyek ini bisa berupa pasien, mahasiswa,

pemohon kredit, image atau signal atau pengukuran lain yang perlu diklasifikasikan atau

dicari fungsi regresinya (Santoso, 2007).

Data mining, sering juga disebut knowledge discovery in database (KDD), adalah

kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan

keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari data

mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan.

Sehingga istilah pattern recognition jarang digunakan karena termasuk bagian dari data

mining (Santoso, 2007).

Machine Learning adalah suatu area dalam artificial intelligence atau kecerdasan

buatan yang berhubungan dengan pengembangan teknik-teknik yang bisa diprogramkan

dan belajar dari data masa lalu. Pengenalan pola, data mining dan machine learning

sering dipakai untuk menyebut sesuatu yang sama. Bidang ini bersinggungan dengan

ilmu probabilitas dan statistik kadang juga optimasi. (Santoso, 2007).

BAB III

METODE PENELITIAN

III. 1. Analisis Data Mining

dicari nilai support dan confidence dari hubungan tingkat kelulusan dengan data

induk mahasiswa. Tidak semua data induk siswa akan dicari hubungannya dengan data

kelulusan, hanya beberapa atribut yang kira-kira berguna dan sebarannya tidak terlalu

acak. Karena data yang terlalu acak akan membuat proses mining memakan waktu lama

dan tingkat hubungannya pun rendah. Data induk mahasiswa yang akan dicari

hubungannya meliputi proses masuk, asal sekolah, kota asal sekolah, dan program studi.

Adapun yang akan diproses mining meliputi :

1. Hubungan tingkat kelulusan dengan proses masuk

Hasil dari proses mining ini dapat membantu untuk mengetahui sejauh mana tingkat

keberhasilan PSSB dan SPMB.

2 Hubungan tingkat kelulusan dengan asal sekolah dan proses masuk

Dari atribut proses masuk dan asal sekolah dicari hubungan tingkat kelulusan dengan

asal sekolah yang melalui proses masuk PSSB dengan harapan dapat mengetahui

tingkat keberhasilan mahasiswa dengan sekolah tertentu.

3. Hubungan tingkat kelulusan dengan kota asal sekolah

Hubungan tingkat kelulusan dengan asal kota bermanfaat untuk mengetahui daerah-

daerah mana yang mempunyai tingkat keberhasilan tinggi ataupun rendah.

Diasumsikan bahwa kota asal sekolah merupakan kota tempat asal mahasiswa.

4. Hubungan tingkat kelulusan dengan program studi

Dari atribut program studi dapat diketahui hubungan tingkat kelulusun dan program

studi untuk megetahui tingkat kelulusan program studi. 27

III.1.1. Sumber Data

Data yang digunakan yaitu data Induk Mahasiswa dan data Kelulusan.

1. Data Induk Mahasiswa

Data induk mahasiswa adalah data mahasiswa yang didata ketika mahasiswa

pertama kali masuk perguruan tinggi setelah melakukan registrasi ulang. Data yang

dicatat adalah identitas pribadi mahasiswa dan identitas sekolah asal mahasiswa. Proses

pendataan dilakukan di tingkat universitas, setelah direkapitulasi kemudian disebarkan ke

fakultas masing-masing.

2. Data Kelulusan

Data Kelulusan adalah data mahasiswa yang telah dinyatakan lulus. Data yang

dicatat adalah identitas mahasiswa dan data kelengkapan kelulusan.

III. 1. 2. Data Yang Digunakan

Beberapa atribut dari data induk mahasiswa dengan tingkat kelulusan. Karena

tidak semua tabel digunakan maka perlu dilakukan pembersihan data agar data yang akan

diolah benar-benar relevan dengan yang dibutuhkan. Pembersihan ini penting guna

meningkatkan performa dalam proses mining. Cara pembersihan dengan menghapus

atribut yang tidak terpakai dan menghapus data-data yang tidak lengkap isiannya. atribut

yang digunakan terdiri dari atribut pada data kelulusan dan pada data induk mahasiswa.

Atribut yang digunakan dalam data induk mahasiswa meliputi :

1. Atribut NIM digunakan sebagai primary key untuk menghubungkan dengan data

kelulusan

2. Atribut proses masuk digunakan untuk proses mining guna mengetahui hubungan

antara tingkat kelulusan dengan jalur masuk yang digunakan mahasiswa.

3. Atribut nama asal sekolah digunakan untuk proses mining guna mengetahui hubungan

antara tingkat kelulusan dengan asal sekolah.

4. Atribut kota asal sekolah digunakan untuk proses mining guna mengetahui hubungan

tingkat kelulusan dengan kota asal mahasiswa.

Atribut yang digunakan dalam data kelulusan meliputi :

1. NIM digunakan sebagai primary key untuk menghubungkan dengan data induk

mahasiswa.

2. Indeks Prestasi Kumulatif (IPK) digunakan sebagai ukuran tingkat kelulusan

mahasiswa

3.Lama studi digunakan sebagai ukuran tingkat kelulusan mahasiswa

III. 1. 3. Transformasi Data

Transformasi data merupakan proses pengubahan atau penggabungan data ke

dalam format yang sesuai untuk diproses dalam data mining. Seringkali data yang akan

digunakan dalam proses data mining mempunyai format yang belum langsung bisa

digunakan, oleh karena itu perlu dirubah formatnya.

Mencari keterkaitan antara tingkat kelulusan dengan data induk mahasiswa.

Tingkat kelulusan mahasiswa dapat dilihat dari lama studi dan IPK (Indeks Prestasi

Kumulatif). Dari dua parameter tersebut data diubah menjadi tipe data yang memudahkan

untuk diproses. Tingkat kelulusan diukur dari lama studi dan IPK, lama studi

dikategorikan berdasarkan peraturan akademik BAB I pasal 1 ayat 2 yang berbunyi

“Program sarjana (S1) reguler adalah program pendidikan akademik setelah pendidikan

menengah, yang memiliki beban studi sekurang-kurangnya 144 (seratus empat puluh

empat ) sks dan sebanyak-banyaknya 160 (seratus enam puluh) sks yang dijadwalkan

untuk 8 (delapan) semester dan dapat ditempuh dalam waktu kurang dari 8 (delapan)

semester dan paling lama 14 (empat belas) semester.” sedangkan IPK dikategorikan

berdasarkan predikat kelulusan yang diatur dalam peraturan akademik BAB IV pasal 19

ayat 1 yang berbunyi “predikat kelulusan program sarjana dan program diploma adalah

sebagi berikut :

Table predikat kelulusan

Indeks Prestasi

Kumulatif

Predikat

2,00 – 2,75

2,76 – 3,50

3,51 – 4,00

Memuaskan

Sangat memuaskan

Dengan pujian

(cumlaude)

Dari tabel data kelulusan di atas berdasarkan IPK dapat dikategorikan menjadi tiga yaitu :

1. IPK memuaskan dengan IPK 2,00 – 2,75

2. IPK sangat memuaskan dengan IPK 2,76 – 3,50

3. IPK tipe dengan pujian dengan IPK 3,51 – 4,00

Pengkategorian data kelulusan berdasarkan lama studi yaitu :

1. Sesuai jadwal, bila lama studi 4 tahun atau kurang dari 4 tahun

2. Tidak sesuai jadwal, bila lama studi lebih dari 4 tahun

Dari dua pengkategorian tersebut dapat dibuat kategori berdasarkan kombinasi

keduanya, seperti yang dapat dilihat pada tabel dibawah:

Tabel Transformasi Data

Kategori Keterangan

A1 lama studi 4 tahun atau kurang dari

4 tahun dan IPK 3,51 – 4,00

A2 lama studi 4 tahun atau kurang dari

4 tahun dan IPK 2,76 – 3,50

A3 lama studi 4 tahun atau kurang dari

4 tahun dan IPK 2,00 – 2,75

B1 lama studi lebih dari 4 tahun dan

IPK 3,51 – 4,00

B2 lama studi lebih dari 4 tahun dan

IPK 2,76 – 3,50

B3 lama studi lebih dari 4 tahun dan

IPK 2,00 – 2,75

III. 1. 4. Penggunaan Algoritma Apriori

Algoritma apriori adalah algoritma paling terkenal untuk menemukan pola

frekuensi tinggi. Pola frekuensi tinggi adalah pola-pola item di dalam suatu database

yang memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan

istilah minimum support atau threshold. Threshold adalah batas minimum transaksi. Jika

jumlah transaksi kurang dari threshold maka item atau kombinasi item tidak akan

diikutkan perhitungan selanjutnya. Penggunaan threshold dapat mempercepat

perhitungan. Algoritma apriori dibagi menjadi beberapa tahap yang disebut iterasi. Tiap

iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari pass

pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu. Di iterasi pertama

ini, support dari setiap item dihitung dengan men-scan database. Setelah support dari

setiap item didapat, item yang memiliki support lebih besar dari minimum support dipilih

sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset.

III. 2. Perancangan Perangkat fungsi

1. Fungsi Ambil data

Nomor Fungsi : 1

Nama fungsi : Ambil Data

Deskripsi isi : Digunakan untuk mengambil data kelulusan dan data induk mahasiswa

kemudian menggabungkannya dengan key NIM dan disimpan dalam tabel data

gabungan. Spesifikasi proses/algoritma :

Initial State (IS) : tabel data gabungan kosong

Final State (FS) : tabel data gabungan terisi Spesifikasi

Proses/algoritma: Ambil data kelulusan dan data induk gabungkan

dengan key NIM Simpan dalam tabel data gabungan

2. Fungsi Bersihkan data

Nomor Fungsi : 2

Nama fungsi : Bersihkan data

Deskripsi isi:digunakan untuk membersihkan data yang tidak sesuai dan tidak lengkap

isian nya

Initial State (IS) : view data gabungan bersih kosong

Final State (FS) : view data gabungan bersih terisi data gabungan yang

telah dibersihkan Spesifikasi Proses/algoritma: /*pemilihan atribut

Ambil data gabungan seleksi atribut yang dipakai dan buang atribut yang

tidak lengkap isiannya

3. Fungsi Mining Proses Masuk

Nomor Fungsi : 3

Nama fungsi : Mining Proses Masuk

Deskripsi isi : Digunakan untuk proses mining atribut proses masuk Spesifikasi

proses/algoritma :

Initial State (IS) : view data gabungan bersih terisi data bersih

Final State (FS): Keluar report hasil proses mining proses

masuk

Spesifikasi Proses/algoritma: Hitung masing–masing item

dalam Kategori Hitung masing-masing item dalam proses masuk

IF jumlah masing–masing item > threshold THEN Hitung

kombinasi masing-masing item kategori dan proses masuk

Hitung nilai support dan confidence END IF

4. Fungsi Mining Kota Asal

Nomor Fungsi : 4

Nama fungsi : Mining Kota Asal

Deskripsi isi : Digunakan untuk proses mining atribut Kota Asal Spesifikasi

proses/algoritma:

Initial State (IS) : view data gabungan bersih terisi data bersih

Final State (FS) : Keluar report hasil proses mining kota asal Spesifikasi

Proses/algoritma : Hitung masing –masing item dalam Kategori Hitung

masing-masing item dalam Kota Asal IF jumlah masing – masing item >

threshold THEN

Hitung kombinasi masing-masing item kategori dan Kota Asal Hitung

nilai support dan confidence END IF

5. Fungsi Mining Program Studi

Nomor Fungsi :5

Nama fungsi : Mining Program Studi

Deskripsi isi : Digunakan untuk proses mining atribut Program Studi Spesifikasi

proses/algoritma :

Initial State (IS) : view data gabungan bersih terisi data

bersih

Final State (FS): Keluar report hasil proses mining program

studi Spesifikasi Proses/algoritma: Hitung masing –masing

item dalam Kategori Hitung masing-masing item dalam

Program Studi IF jumlah masing – masing item > threshold

THEN Hitung kombinasi masing-masing item kategori dan

Program .end if

III. 3. Kebutuhan Antarmuka perangkat lunak

Pada bagian ini dijelaskan secara rinci semua masukan dan keluaran dari sistem

perangkat lunak.

1. Antarmuka Pengguna

Pengguna berinteraksi dengan aplikasi ini dengan menggunakan kakas sebagai

berikut :

Keyboard, digunakan oleh pengguna untuk memasukkan data maupun perintah ke

dalam aplikasi ini.

Mouse, digunakan untuk melakukan perintah terhadap aplikasi secara modus

Graphical User Interface (GUI).

Monitor, digunakan oleh pengguna untuk melihat antarmuka dan melihat report yang

merupakan output dari aplikasi ini.

2. Antarmuka Perangkat Keras

Antarmuka perangkat keras yang digunakan adalah Personal Computer dengan processor

single core dengan kecepatan diatas 2.00 Ghz, RAM 1 GB atau lebih dengan vga 256 bit.

3. Antarmuka Perangkat Lunak

Antarmuka perangkat lunak yang digunakan adalah antarmuka dengan sistem operasi

Windows XP/Vista/Seven dengan .Net Framework. Sedangkan perangkat lunak

pendukung, seperti :

1. Perangkat lunak pengolah kata

o Microsoft Office Word 2007

2. Perangkat lunak pengolah project

o Visual Studio 2008

3. DBMS

o SQL Server 2005

4. Script Editor

o Notepad ++

5. Framework

o Net Framework

4. Antarmuka Komunikasi

Antarmuka komunikasi diperlukan bila bukan database lokal, melainkan harus

meremote dari komputer lain, maka yang diperlukan untuk perangkat ini adalah suatu

protokol jaringan yang mampu dikenali oleh sistem operasi Windows. Untuk itu

diperlukan protokol komunikasi TCP/IP untuk melakukan akses satu komputer dengan

komputer lain.

III. 4. Rancangan Tampilan

Dalam Aplikasi Data Mining ini terdapat dua buah form. Form pertama

merupakanhalaman awal yang berisi perintah pengambilan data pemilihan atribut data

induk mahasiswa, input threshold, perintah proses mining dan tombol keluar aplikasi.

Form kedua merupakan halaman report data mining yang berisi hasil proses data mining

yaitu tabel nilai support dan confidence.

Perintah-perintah dalam form pertama berupa tombol ambil data untuk

melakukan proses pengambilan data, inputan teks threshold untuk memasukkan nilai

threshold, inputan combo box untuk memilih jurusan, inputan combo box untuk memilih

atribut yang akan diproses mining, tombol proses untuk perintah proses mining dan

tombol keluar untuk perintah keluar aplikasi. Selain tombol tersebut terdapat tabel data

hasil dari perintah yang diberikan. Desain tampilan form awal dari Aplikasi Data Mining:

Hasil keluaran dari proses data mining disajikan dalam form report Aplikasi Data

Mining. Form ini terdiri dari dua informasi utama, yaitu informasi atribut dengan

confidence tertinggi masing-masing kategori kelulusan dan tabel yang berisi nilai

confidence dan support masing-masing kombinasi tingkat kelulusan dan Atribut. Selain

itu terdapat dua tombol perintah yaitu tombol kembali ke menu utama dan tombol untuk

keluar aplikasi. Desain tampilan form report Aplikasi Data Mining seperti pada gambar

diata

DAFTAR PUSTAKA

1. Davies, 2004, Database Systems Third Edition, Palgrave Macmillan, New York.

2. Han, J. and Santoso, M, 2006, Data Mining Concepts and Techniques Second Edition.

Morgan Kauffman, San Francisco.

3. Pramudiono, I. 2007. Pengantar Data Mining : Menambang Permata Pengetahuan di

Gunung Data. http://www.ilmukomputer.org/wp-content/uploads/2006/08/iko-

datamining.zip Diakses pada tanggal 15 Maret 2009 jam 08.54

4. Pramudiono, I., 2007,

AlgoritmaApriori,http://datamining.japati.net/cgi-bin/indodm.cgi?bacaarsip&1172210143

Diakses pada tanggal 25 April 2009 jam 10.00

5. Rainardi, Vincent, 2008, Building a Data Warehouse with Examples in SQL

Server”,2006.Springer, New York.

6. Santosa, Budi, 2007, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis,

Graha Ilmu, Yogyakarta.

7. Witten, I. H and Frank, E. 2005. Data Mining : Practical Machine Learning Tools and

Techniques Second Edition. Morgan Kauffman : San Francisco.