ANALISIS KESENJANGAN ANTARA TOPIK SKRIPSI MAHASISWA DAN TOPIK RISET DI PUBLIKASI ILMIAH

Seminar Nasional Sistem Informasi 2017, 14 September 2017 Fakultas Teknologi Informasi – UNMER Malang

ANALISIS KESENJANGAN ANTARA TOPIK SKRIPSI MAHASISWA DAN TOPIK RISET DI PUBLIKASI ILMIAH Fardanuddin Sufyan1), Tubagus Mohammad Akhriza2), Evy Sophia3) 1)

Sistem Informasi, STMIK Pradnya Paramita (STIMATA) Malang Email : [email protected] 2) Teknik Informatika, STMIK Pradnya Paramita (STIMATA) Malang Email : [email protected] 3) Sistem Informasi, STMIK Pradnya Paramita (STIMATA) Malang Email : [email protected]

Abstrak Tingkat penyerapan mahasiswa terhadap perkembangan teknologi dapat diamati salah satunya dari topik skripsi yang diambil oleh mahasiswa dimaksud. Permasalahan yang sering dihadapi oleh perguruan tinggi adalah bagaimana metode yang secara efektif dan efisien mampu mengukur kesenjangan antara topik skripsi mahasiswa dengan perkembangan teknologi terkini. Penelitian ini mengusulkan metode untuk mengukur kesenjangan dimaksud dengan cara membandingkan topik skripsi dengan topik yang diangkat di publikasi ilmiah baik nasional maupun internasional. Metode yang digunakan adalah association rule mining, dimana kata-kata yang paling sering disebut (frequent termset) di dalam abstrak skripsi dan abstrak riset yang di publikasi ilmiah dieksploitasi. Dari frequent termset yang dikumpulkan, hubungan antara satu kata dengan yang lain ditemukan, untuk kemudian, perbedaan antara topik yang dibahas di dalam skripsi dengan yang diangkat oleh publikasi ilmiah dianalisis dan disimpulkan. Hasil analisis akan menunjukkan topik yang sering diangkat pada skripsi namun topik tersebut tidak pernah diangkat di riset, dan sebaliknya. Kata kunci: association rule, data mining, topik skripsi, topik publikasi ilmiah Abstract The level of student absorption on technological developments can be observed through their choice on their thesis topics. The problems commonly faced by universities are how to effectively and efficiently measure the gap between students' thesis topics and the latest technological development. This research proposes a method to measure the gap by comparing the students’ research topics with the scientific publication topics both nationally and internationally. The method used is association rule mining, where the most frequent words (frequent termset) in abstracts of the thesis and abstracts of scientific publications are exploited. From the frequent termset collected, the relationship between one word and the others is found, to then, the difference between the topics discussed in the thesis with those raised by the scientific publications is analyzed and summarized. The result of the analysis will show the topics usually found in thesis but rarely found in published researches and vice versa. Keyword: association rule, data mining, thesis topics, scientific publication topics.

1) pendidikan dan pengajaran 2) penelitian PENDAHULUAN Secara global, tugas perguruan tinggi

dan

pengembangan

3)

pengabdian

masyarakat (Djojodibroto, 2004). Salah satu

ada 3 yang tertuang dalam tri dharma, yaitu Copyright © SENASIF 2017

ISSN : 2597 - 4696

490


tugas perguruan tinggi adalah penelitian dan

TIK yang mutakhir. Para peneliti tersebut

pengembangan yang dilakukan oleh dosen

menggunakan

dan mahasiswa. Penelitan mahasiswa dapat

visualisasi informasi untuk menggambarkan

dilihat dari hasil skripsi mereka. Selain itu

kesenjangan antara topik penelitian dengan

penelitian mahasiswa melalui skripsi juga

topik yang dibicarakan di jejaring social

merupakan tolak ukur tingkat penyerapan

media.

kampus terhadap perkembangan teknologi

Artikel

teknik

ini

clustering

mengusulkan

dan

metode

yang terjadi saat ini. Namun demikian

untuk mengukur kesenjangan antara topik

perkembangan

penelitian

teknologi

informasi

dan

skripsi

mahasiswa

dengan

komunikasi (TIK) begitu cepat dan massif,

perkembangan TIK mutakhir dengan cara

dan masih sulit bagi mahasiswa khususnya

membandingkan

program

mengikuti

abstrak riset yang di publikasi ilmiah baik

Sebagai

jurnal maupun prosiding konferensi. Dataset

Sarjana

perkembangan

TIK

untuk dimaksud.

abstrak

skripsi

dengan

akibatnya,

terjadi

kesenjangan

antara

skripsi mahasiswa program Sarjana diambil

penelitian

skripsi

mahasiswa

dengan

dari STMIK Pradnya Paramita Malang

perkembangan TIK.

(STIMATA), sedangkan dataset abstrak riset

Permasalahan yang sering dihadapi

dikumpulkan dari IEEE Explore. Pendekatan

oleh perguruan tinggi adalah bagaimana

eksploitasi Association Rule (AR mining)

metode yang secara efektif dan efisien

digunakan untuk menemukan hubungan kata-

mampu

kata yang sering muncul (frequent termset)

mengukur

penelitian

skripsi

kesenjangan mahasiswa

antara dengan

dari kedua dataset tersebut.

perkembangan TIK terkini.

Hasil implementasi metode yang

Di sisi lain, informasi mengenai

diusulkan berhasil menemukan topik-topik

perkembangan TIK dapat diperoleh dari

penelitian yang sering dibahas di jurnal dan

berbagai sumber. Penelitian Akhriza dkk

prosiding konferensi namun belum pernah

(2017) dan litecky dkk (2010) menggunakan

dibahas di penelitian skripsi mahasiswa; dan

iklan

sebaliknya.

lowongan

kerja

sebagai

sumber

informasi mengenai skillset yang dibutuhkan oleh industry TIK. Di penelitian lain, Son dkk (2015) menggunakan social media sebagai sumber informasi perkembangan Copyright © SENASIF 2017

ISSN : 2597 - 4696

491


KAJIAN LITERATUR

menghitung

Association rule

asosiatif A → B.

bagaimana

suatu

ntara data atau

kelompok

aturan

Nilai confidence dari aturan A → B

Association rules digunakan untuk menemukan hubungan di

confidence

diperoleh dari rumus berikut. Confidence = P (B|A) = ∑ Transaksi mengandung A dan B

data

∑ Transaksi mengandung A

mempengaruhi suatu keberadaan data yang Apriori

lain. Metode ini dapat membantu mengenali

Apriori

pola-pola tertentu di dalam kumpulan data

adalah

dalam

algoritma

yang besar. Dalam association rules, suatu

digunakan

kelompok item dinamakan itemset. Support

frequent itemset untuk mendapatkan aturan

dari itemset X adalah persentase transaksi di

asosiasi. Sesuai dengan namanya, algortima

D yang mengandung X, biasa ditulis dengan

ini menggunakan prior knowledge mengenai

supp(X).

frequent

Metodologi dasar analisis asosiasi terbagi

diketahui

menjadi dua tahap:

informasi selanjutnya. Apriori menggunakan

itemset

melakukan

yang

properties

sebelumnya

pencarian

yang

telah

untuk memproses

pendekatan secara iterative yang disebut juga

1. Analisis pola frekuensi tinggi Tahapan ini mencari kombinasi item

sebagai level-wish search dimana k-itemset

yang memenuhi syarat minimum dari

digunakan untuk mencari (k+1)- itemset.

nilai support dalam database. Nilai

Pertama-tama dicari set dari frequent 1-

support sebuah item diperoleh dengan

itemset, set ini dinotasikan sebagai L1. L1

rumus berikut.

yaitu large itemset pertama yang digunakan untuk menemukan L2, kemudian set dari

Support (A) = Jumlah Transaksi Mengandung A Total Transaksi

frequent

Sementara itu, nilai support dari 2

ditemukan. Large itemset adalah itemset

∑ Transaksi

yang sering terjadi atau itemset-itemset yang

2. Pembentukan aturan asosiasi Setelah

ditemukan, asosiasi

frekuensi

barulah

yang

untuk

ada lagi frequent k-itemset yang dapat

Support (A,B) = ∑ Transaksi mengandung A dan B

pola

digunakan

menemukan L3, dan seterusnya sampai tidak

item diperoleh dari rumus 2 berikut.

semua

2-itemset

sudah melewati batas minimum support yang

tinggi

dicari

aturan

memenuhi

syarat

telah ditentukan. Adapun dua proses utama yang dilakukan dalam algoritma apriori, yaitu:

minimum untuk confidence dengan Copyright © SENASIF 2017

ISSN : 2597 - 4696

492


1. Join (penggabungan). Pada proses ini

Son dkk, (2015) pada jurnal yang

setiap item dikombinasikan dengan

berjudul Visualization of e-Health Research

item yang lainnya sampai tidak

Topics and Current Trends Using Social

terbentuk kombinasi lagi.

Network Analysis [6]. penelitian ini bertujuan

2. Prune (pemangkasan). Pada proses

untuk secara kritis meninjau topik penelitian

ini, hasil dari item yang telah

utama dan tren internasional e-kesehatan

dikombinasikan tadi lalu dipangkas

melalui analisis jaringan sosial. Dalam

dengan

penelitian

menggunakan

minimum

support yang telah ditentukan oleh

ini

menggunakan

pendekatan

clusterring atau pengelompokan.

user.

Penelitian tentang kesenjangan yang dilakukan oleh Akhriza dkk (2017), Litecky

Metode Penemuan Kesenjangan Akhriza dkk, (2017) pada jurnalnya

dkk, (2010) dan Son dkk (2015) belum

Revealing The Gap Between Skillset Of

mengukur frequent termset atau himpunan

Student And Evolving Skills Required By The

kata yang ada di dalam abstrak. Mereka

Industry

And

hanya fokus mengukur kesenjangan metode

Communication Technology dan juga Litecky

dangan menggunakan frequent itemset dan

dkk,

belum menggunakan Assocition Rule (AR

Of

(2010)

Computing

Information

pada

Jobs

jurnalnya

kedua

Mining

penelitian

ini

Mining), padahal association rule dapat

memiliki kesamaan yaitu mengeksploitasi

mengungkapkan hubungan topik yang satu

lowongan kerja yang dibutuhkan industri

dengan yang lain.

sebagai acuan perkembangan TIK, namun

Maka

diusulkan

penelitian

ini

untuk

mengungkapkan

yang membedakan, pada jurnal Akhriza dkk,

bertujuan

memiliki tujuan lain yaitu

kesenjangan tersebut dengan menggunakan

kesenjangan

siswa

Association Rule (AR Mining), dimana kata-

dengan keterampilan yang dibutuhkan pihak

kata yang paling sering muncul (frequent

industri, sehingga pihak sekolah atau kampus

termset) di dalam abstrak skripsi dan abstrak

bisa melakukan evaluasi terhadap kurikulum

riset dieksploitasi. Dari frequent termset yang

yang

dikumpulkan, hubungan antara satu kata

ada.

antara

menemukan

keterampilan

Namun

penelitian

ini

menggunakan frequent itemset saja, sehingga

dengan

hubungan keterkaitan topik satu dengan yang

kemudian, perbedaan antara topik yang

lain belum ditemukan.

dibahas di dalam skripsi dengan yang

Copyright © SENASIF 2017

yang

lain

ditemukan,

ISSN : 2597 - 4696

493

untuk




diangkat oleh publikasi ilmiah dianalisis dan

Proses ke-1 unduh abstrak skripsi dan

disimpulkan. Dari hasil simpulan tersebut,

abstrak riset. Pada proses ke-1 file

maka dibandingkan dan dihasilkan topik

abstrak di simpan dalam bentuk .txt. 

yang sering diangkat di skripsi, namun tidak pernah

diangkat

di

riset

yang

Pada proses ke-2 setelah abstrak

sudah

sudah dalam bentuk .txt dilanjutkan

dipublikasi dan sebaliknya, topik yang tidak

dengan proses pre-processing yaitu

pernah diangkat di skripsi, namun sudah

pembersihan stopword dan tanda baca

sering diangkat di riset.

pada abstrak. Sehingga abstrak berisi inti dari pembahasan skripsi dan riset

METODE PENELITIAN

jurnal. 

Framework Penelitian kerangka

kerja

penelitian

seperti

ke proses ke-3 yaitu menjalankan

Angka yang

aplikasi apriori, dengan menentukan

tertera pada gambar adalah urutan alur proses

ambang batasnya itu minsupp dan

penelitian.

minconf yang diinginkan.

framework pada Gambar 1.

ini

Dari proses pre-processing berlanjut



Mulai

Setelah proses aplikasi Apriori, maka proses ke-4 menghasilkan frequent

Unduh abstrak skripsi

1

Unduh abstrak artikel

Pre-processing : Menghilanngkan stopword dan tanda baca

2

Pre-processing : Menghilanngkan stopword dan tanda baca

Jalankan apriori: Input minsupp dan minconf

3

Jalankan apriori: Input minsupp dan minconf

termset dari aplikasi Apriori. 

Setelah itu, hasil frequent termset dari apriori berlanjut ke tahap selanjutnya proses

ke-5

yaitu

analisis

kesenjangan antara topik skripsi dan topik riset. fokus disini adalah untuk

Himpunan apriori

4

Himpunan apriori

menemukan yang kata kunci sebelah kirinya adalah sistem informasi, yang

5. Analisis kesenjangan antara topik skripsi dan topik riset di publikasi ilmiah

disebut kesenjangan atau gap adalah seberapa banyak kata yang tidak sama

6. Hasil dan pembahasan

antara topik skripsi dan topik riset. 

Selesai

Selanjutnya

proses

ke-6,

maka

diperoleh hasil analisis kesenjangan sehingga terlihat topik keterkaitan

Gambar 1. Kerangka kerja penelitian Copyright © SENASIF 2017

ISSN : 2597 - 4696

494


topik yang dibahas. Dan akan terlihat

support”, “database” dan “web”. Filtering

topik yang sering gunakan di skripsi,

digunakan sebagai acuan untuk menentukan

namun tidak pernah digunakan di

pola tertentu.

riset ataupun topik yang jarang diangkat

tetapi

menarik

Jika filtering sudah dilakukan dengan

untuk

menggunakan kata kunci dan diperoleh hasil,

dibahas.

maka selanjutnya dilakukan pembandingan antara hasil filtering data skripsi dan filtering abstrak publikasi. Dalam penelitian ini

Rancangan Eksperimen Data abstrak yang digunakan pada

pembandingan

menggunakan

operasi

penelitian ini ada dua macam, yaitu data

matematika, yaitu irisan, sehingga dapat

abstrak skripsi dan data abstrak riset yang di

mengungkap topik yang sering digunakan di

publikasi. Data abstrak skripsi diperoleh

riset, namun tidak pernah digunakan pada

abstrak skripsi program sarjana dari STMIK

skripsi dan topik yang sering digunakan di

PPKIA

skripsi, namun belum pernah digunakan di

Pradnya

Paramita

Malang

(STIMATA) prodi sistem informasi dengan 5

riset.

hal

tersebut

dapat

mengungkap

periode terakhir dan data abstrak riset

kesenjangan dengan membandingkan topik

diperoleh dari situs www.ieee.com dengan

yang dibahas.

kata kunci "Information System" filter tahun 2012-2017, dan artikel yang diambil hanya

HASIL

yang dipublikasi di Jurnal dan Konferensi

PEMBAHASAN

yang diindeks oleh IEEE Explore.

PENELITIAN

DAN

Hasil dari penelitian ini dapat di lihat

Pada penelitian ini, ambang batas

dari tabel berikut. Pada Tabel 1 adalah hasil

data abstrak skripsi diatur minsupp 3 dan

filtering dari frequent termset AR mining

minconf 30% dan pada data abstrak riset

data abstrak skripsi. Pada tabel tersebut ada

dengan minsupp 10 dan minconf

50%,

pembahasan scaffolding  android informasi

skripsi

sistem (3, 33.3333) pada abstrak skripsi,

mengambil fokus pencarian kata kunci

artinya jika mahasiswa membahas android,

“sistem informasi”, “sistem penunjang”,

system dan informasi, maka mahasiswa juga

“sistem berbasis” dan “database”, dan pada

pasti

abstrak publikasi focus pencarian pada kata

didalam

kurung

adalah

support,

yaitu

menunjukkan

setelah

kunci

itu

pada

“system

data

abstrak

information”,

“decision


membahas

scaffolding.

Angka

menunjukkan

ISSN : 2597 - 4696

495

3

bahwa


keseluruhan

dari

mahasiswa

tentang

total

pembahasan

scaffolding

metode dari beberapa kumpulan prinsip

dengan

untuk pengembangan software di mana

android, system dan informasi muncul secara

persyaratan

bersamaan yaitu sebanyak 3 kali. Sedangkan

kolaboratif dari antar tim fungsional dan

angka 33.3% adalah confidence, artinya, ada

klien. Dan ada juga pemabahasan health 

confidence (peluang) sebesar 33.3% bahwa

decision performance information (10, 50),

orang yang membahas android informasi

hal ini memberi penilaian baru, bahwa sistem

juga membahas scaffolding. Pembahasan

keputusan bukan hanya berhubungan dengan

yang sejenis dg ini bisa menyesuaikan..

bidang industri saja, namun juga bias masuk

scaffolding sendiri adalah suatu struktur

di bidang kesehatan.

sementara yang digunakan untuk menyangga

dan

solusi

melalui

upaya

Tabel 1. Hasil filtering data abstrak skripsi

manusia dan material dalam konstruksi atau

No.

perbaikan gedung dan bangunan-bangunan

1

besar lainnya. Pembahasan tersebut notabene

Hasil scaffolding  android informasi sistem (3, 33.3333)

tidak ada hubungannya dengan TIK, namun

2

penelitian mahasiswa melalui skripsi sudah

bigbluebutton website pendukung sistem (3, 33.3333)

membahas hal tersebut. Terlihat juga ada

3

seo  saw pemilihan additive

pembahasan seo  saw pemilihan additive

simple pendukung keputusan sistem

simple pendukung keputusan sistem (3,

(3, 33.3333)

33.3333), penggabungan seo atau search

4

engine optimization dengan metode saw atau

(3, 66.6667)

simple additive weighting. Penggabungan

5

tersebut bisa dibilang jarang terjadi. 6

dari frequent termset AR mining data abstrak terdapat

7

system

information

sms  android informasi sistem (3, 33.3333)

system information (10, 50). Pembahasan dan

akademik ahp penunjang keputusan sistem (3, 33.3333)

agile  software development systems

Agile

ahp  pengambilan penunjang keputusan sistem (3, 66.6667)

Pada Tabel 2 adalah hasil filtering

riset. Pada pembahasan tersebut

saw  gerabah pendukung sistem

8

dapat

geografis  website mysql informasi sistem (3, 66.6667)

dikatakan banyak dibahas dan confidence nya terbilang tinggi 50%. Agile adalah sebuah Copyright © SENASIF 2017

ISSN : 2597 - 4696

496


Dari hal ini kita dapat mengambil Tabel 2. Hasil filtering data abstrak riset No 1

simpulan kesenjangan antara kedua topik, yaitu topik skripsi dan topik publikasi.

Hasil agile  software development

Tabel 3. hasil kesenjangan abstrstrak skripsi

systems system information (10, 50) 2

3

4

5

6

communication  realize system

dan abstrak riset

information (10, 50)

No

Hasil

health decision performance

1

Agile

information (10, 50)

2

Hierarchy

mapping  web software system

3

Evaluate

information (11, 54.5455)

4

Communication

hierarchy  assessment risk process

5

Resources

system information (11, 63.6364)

6

Resources

analysis  decisionmaking system

7

Study

information (13, 69.2308) Tabel

selanjutnya

menjelaskan

Tabel 4. hasil kesenjangan riset dan skripsi

tentang kesenjangan antara topik skripsi dan

No

topik riset yang di publikasi.seperti Pada

1

Scaffolding

Tabel 3 menjelaskan tentang topik yang

2

Bigbluebutton

dibahas publikasi, namun

tidak pernah di

3

Administrasi

angkat pada skripsi, seperti metodologi

4

Fuzzy

penelitian TIK semacam Agile software

5

Seo

development yang ternyata sudah banyak

6

Mysql

dipakai di publikasi.

7

Ahp

Hasil

Pada Tabel 4 menjelaskan tentang topik yang dibahas pada skripsi, namun

KESIMPULAN DAN SARAN

tidak ada pada topik publikasi, seperti

Kesimpulan

Bigbluebutton tidak pernah dibahas pada

Dari hasil penelitian terhadap analisis

publikasi.

kesenjangan antara topik skripsi dan topik riset


yang

di

pulikasi

menggunakan

ISSN : 2597 - 4696

497


Apotek Setya Sehat Semarang) Journal Of Informatics And Technology, vol. 2, no. 2, pp. 22 28, 2013. Djojodibroto, R. D,. 2004. Tradisi Kehidupan Akademik. Galang Press. Yogyakarta. Hernanda, Fikhri. 2016, “Agile Software Development, salah satu metode pengembangan perangkat lunak”, https://www.dictio.id/t/agilesoftware-development-salah-satumetode-pengembangan-perangkatlunak/3242 , diakses 3 agustus 2017. Kusrini dan Luthfi, E. T. 2009. Algoritma Data Mining. CV. Andi Offset. Yogyakarta. Litecky, C. Aken, A. A. dan J. Nelson. Mining For Computing Jobs, IEEE Software 27(1) (2010) 78–85. Son, Youn-jun., Jeon. Senator, Kang. ByeonGwon, Kim. Sun-Hyung, dan Lee, Soo-Kyoung. 2015. Visualization of e-Health Research Topics and Current Trends Using Social Network Analysis. Mary Ann Liebert, Inc. Vol. 21 No. 5.

eksploitasi Association rule (AR Mining) dapat di simpulkan bahwa: 1. Penelitian

ini

berhasil

mengungkap

kesenjangan antara topik skripsi dan topik riset yang di publikasi dengan efektif dan efisien, sehingga hasil analisis dapat dipergunakan untuk mahasiswa atau perguruan tinggi ke depan. 2. Pada penelitian ini pula, dapat ditemukan keterkaitan topik satu dengan yang lain, sehingga dapat menambah wawasan dan pengembangan ranah penelitian untuk selanjutnya. Saran Untuk

meningkatkan

keakuratan

hasil, data abstrak skripsi dan abstrak riset ilmiah dapat ditambahkan lebih banyak lagi. REFERENSI Akhriza, T. M. Ma, Y. H. Dan Li. J. H. 2017. Revealing The Gap Between Skillset Of Student And Evolving Skills Required By The Industry Of Information And Communication Technology. International Journal Of Software Engineering And Knowledge Engineering. Vol 27, No. 5 2017: 675-698. Abhiesa, Alif. 2016, “Cara Instal Bigbluebutton Web Conferencing”, http://www.noobsgnu.com/2015/06/ cara-instal-bigbluebutton-web.html. diakses 3 Agustus 2017 Anggraeni, H. D. Saputra, Ragil. Dan Noranita, Beta. 2013. Aplikasi Data Mining Analisis Data Transaksi Penjualan Obat Menggunakan Algoritma Apriori ( Studi Kasus di Copyright © SENASIF 2017

ISSN : 2597 - 4696

498

ANALISIS KESENJANGAN ANTARA TOPIK SKRIPSI MAHASISWA DAN TOPIK RISET DI PUBLIKASI ILMIAH

Recommend Documents