ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK Dody Herdiana, S.T., M. Kom. Dosen PNS DPK pada Program Studi Teknik Informatika STMIK Sumedang Abstrak Pembelajaran yang aktif menggunakan metode kelompok memiliki tujuan untuk meningkatkan penguasaan atau pemahaman mahasiswa terhadap materi perkuliahan melalui keterlibatan aktif mahasiswa dalam proses pembelajaran. Datamining merupakan serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui. Penerapan teknik datamining pada pengelompokkan kelas perkuliahan dengan metode klasifikasi untuk mengetahui jumlah pembagian kelompok kelas perkuliahan mahasiswa, dapat dilakukan dengan prosedur sebagai berikut : (1) mengalisis dokumen, (2) menentukan kriteria, (3) menentukan hasil dari pembobotan kriteria, dan (4) dari hasil pembobotan kriteria dilakukan proses penerapan teknik datamining dengan metode klasifikasi. Penggunan datamining diharapkan dapat membantu para ketua program studi untuk mendapatkan informasi yang lebih akurat dan bermakna sebagai salah satu sarana untuk mengoptimalkan pengimplementasian dan pengembangan model “active learning” dengan metode kelompok. Kata kunci : Datamining, Active Learning, Pengelompokkan kelas. 1. Pendahuluan Model pembelajaran yang dapat meningkatkan kualitas proses perkuliahan strategi pembelajaran di Perguruan Tinggi dari segi keaktifan mahasiswa dalam proses interaksi pembelajaran adalah model pembelajaran “active learning” dengan metode kelompok. Suatu model pembelajaran yang didasarkan pada konsep dan prinsip-prinsip teori belajar berbasis kerja otak, teori belajar konstruktivistik, dan teori belajar kolaborasif/ kooperatif. Pembelajaran yang aktif menggunakan metode kelompok memiliki tujuan untuk meningkatkan penguasaan atau pemahaman mahasiswa terhadap materi perkuliahan melalui keterlibatan aktif mahasiswa dalam proses pembelajaran. Metode ini dapat diimplementasikan secara optimal dengan adanya sistem pendukung pembelajaran berupa sarana dan prasarana pembelajaran yang memadai. STMIK Sumedang merupakan salah satu Perguruan Tinggi yang turut serta mengimplementasikan dan mengembangkan model pembelajaran “active learning” dengan metode kelompok, telah berupaya Jurnal Infoman’s > Jurnal Ilmu-ilmu Informatika dan Manajemen STMIK Sumedang
81
mendorong dan memfasilitasi upaya implementasi dan pengembangan model tersebut. Dalam mengoptimalkan implementasi model pembelajaran tersebut, dalam hal ini STMIK Sumedang, terus berupaya meningkatkan sistem pendukung pembelajaran. Khususnya, dalam hal pengalokasian waktu dan sarana pembelajaran yang menentukan pengalokasian total SKS yang boleh diambil oleh mahasiswa dalam satu semester. Hal ini, yang merupakan kendala yang sering dihadapi oleh STMIK Sumedang dalam mengimplementasikan “active learning” dengan metode kelompok. Faktor pengalokasian waktu dan sarana pembelajaran membutuhkan pengolahan data yang akurat. Hal ini disebabkan pertumbuhan yang pesat dari akumulasi data itu telah menciptakan kondisi yang sering disebut sebagai “rich of data but poor of knowledge”, karena data yang terkumpul itu hanya digunakan untuk kebutuhan operasional saja, bahkan tidak jarang kumpulan data itu dibiarkan begitu saja seakan-akan menjadi “kuburan data” (data tombs). Dalam pengelompokka kelas perkuliahan data utama yang digunakan sangat besar yaitu data mahasiswa, registrasi, dan Indeks Prestasi Komulatif (IPK) mahasiswa. Untuk melakukan analisa data dalam jumlah besar yang tersimpan pada database, biasanya digunakan teknik datamining. Penggunan datamining diharapkan dapat membantu para ketua program studi untuk mendapatkan informasi yang lebih akurat dan bermakna sebagai salah satu sarana untuk mengoptimalkan pengimplementasian dan pengembangan model “active learning” dengan metode kelompok. 2. Datamining Datamining merupakan serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basisdata. Informasi yang dihasillkan didapat dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat dalam database. Datamining digunakan untuk mencari pengetahuan yang terdapat dalam basis data yang besar sehingga sering disebut Knowledge Discovery in Databases (KDD). Dalam penerapannya datamining memerlukan berbagai software analisis data untuk menemukan pola dan relasi data agar dapat digunakan untuk membuat prrediksi dengan akurat. Proses data mining yang terdiri dari beberapa tahap yang diilustrasikan di gambar 1: a. Pembersihan data (data cleaning), untuk membersihkan noise dan data yang tidak konsisten. Dalam kasus ini membersihkan data-data yang sudah dihapus dan identitas yang tidak lengkap); b. Integrasi data, penggabungan data dari berbagai sumber; c. Transformasi data, data diubah menjadi bentuk yang sesuai untuk dimining; d. Aplikasi teknik data mining, proses inti dimana teknik data mining diterapkan untuk mengekstrak pola-pola tertentu pada data; Jurnal Infoman’s > Jurnal Ilmu-ilmu Informatika dan Manajemen STMIK Sumedang
82
e. f.
Evaluasi pola yang ditemukan; Presentasi pengetahuan, menggunakan teknik visualisasi untuk menampilkan hasil data mining kepada pengguna (user).
Gambar 1. Tahapan dalam proses datamining Menurut Larose dalam Kusrini dkk. (Algoritma Datamining:10:2009) Teknik teknik yang dapat digunakan dalam analisis data adalah sebagai berikut: a. Deskripsi Suatu cara dalam menganalisis suatu data untuk menemukan dan menggambarkan pola kecenderungan yang terdapat daam data. b. Estimasi Estimasi hampir sama dengan klasifikasi,perbedaannya yaitu variabel dalam estimasi berupa numerik bukan berupa kategori. Model dibangun dengan menggunakan record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi. c. Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, pada prediksi nilai dari hasil aka nada di masa yang akan datang. d. Klasifikasi dan Regresi Menentukan sebuah record data baru ke salah satu dari beberapa kategori (atau klas) yang telah didefinisikan sebelumnya. sedangkan Regresi berkaitan dengan prediksi fields bernilai real. e. Pengklusteran Pengklasteran merupakan pengelompokka record, pengamatan, atau membentuk kelas objek-objek yang memiliki kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain. f. Kaidah assosiasi rule Menurut Menurut Budi santoso (Datamining teknik pemanfaatan data untuk keperluan bisnis : 226 : 2009) aturan assosiasi memberikan informasi dalam bentuk “if-then” atau “jika-maka” aturan ini dihitung dari data yang sifatnya probalistik, dan membentuk sejumlah kaidah dari kumpulan-kumpulan tersebut. g. Pencarian pola sekuensial (Sequence Mining) Pencarian pola sekuensial merupakan suatu cara teknik untuk mencari urutan sejumlah events yang secara umum terjadi bersamasama. Jurnal Infoman’s > Jurnal Ilmu-ilmu Informatika dan Manajemen STMIK Sumedang
83
h.
i.
Pelacakan similaritas Untuk suatu database dari sejumlah objek dan sebuah “query” terhadap objek yang diberikan, dapatkan objek-objek yang berada dalam jarak yang ditentukan pengguna dari objek yang dilakukan query. Deteksi deviasi Suatu teknik dalam data mining untuk mendapatkan record(s) yang yang paling berbeda dari records lainnya; atau dengan kata lain dapatkan semua “ouliers”. Outliers ini dapat diabaikan sebagai data atau mungkin merupakan informasi yang “menarik”.
Pada teknik-teknik pengelompokkan datamining terdapat metode lainnya yang bisa digunakan untuk menganalisis data sesuai dengan masalah yang akan diteliti. Metode tersebut yaitu sebagai berikut : a. Aturan dan pohon keputusan (Decision tree) Decisiom tree di gunakan untuk menganalisis masalah-masalah yang bernilai diskrit. b. Neural networks Neural networks atau Artificial neural network (ANN) atau jringan saraf tiruan, adalah suatu pendekatan konvensional yang biasanya kurang fleksibel terhadap perubahan struktur masalah. c. Genetic algorithms Genetic algorithms adalah algoritma yang memanfaatkan proses seleksi ilmiah yang dikenal dengan seleksi evolusi, dalam proses evolusi suatu individu secara terus menerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya atau beradaptasi. d. Bayesian networks Bayesian network merupakan sebuah directed acyclic graph dimana masing-masing node merepresentasikan sebuah variabel acak, dan masing-masing garis menggambarkan probabilitas ketergantungan dari node sebelumnya (node parent-nya). 3. Penerapan Teknik Datamining dengan Metode Klasifikasi 3.1. Pemilihan Data Dari beberapa dokumen yang tersedia di STMIK Sumedang hanya akan diambil beberapa tabel saja yang mendukung dalam proses datamining sesuai kebutuhan dan informasi yang ingin dihasilkan, maka data yang diambil adalah : Tabel 1 Tabel variabel data No Variabel Kriteria 1. Perwalian Sudah/belum perwalian 2. IPK >3.00/2.75/2.00/<2.00
Jurnal Infoman’s > Jurnal Ilmu-ilmu Informatika dan Manajemen STMIK Sumedang
84
3.2. Pembersihan data dan integrasi data (cleaning and integration) Proses pembersihan data digunakan untuk membuang data yang tidak konsisten dan bersifat noise dari data yang terdapat di berbagai basisdata yang mungkin berbeda format maupun platform yang kemudian diintegrasikan dalam satu database datawarehouse. Format dalam tabel data penentuan kelompok kelas di STMIK Sumedang masih ada yang bersifat noise yang jika akan diproses dengan datamining belum konsisten, yaitu terdapat dua (2) tabel dengan format berbeda dengan objek yang sama yang digunakan, maka akan di buat tabel perobjek bisa dilihat pada tabel dibawah ini :
Nim
No
Tabel 1 Data Normatif Penentuan Kelompok Kelas Mahasiswa Indikator/ Perwalian Kriteria Nama Mahasiswa 1 2 3 4 5 6 Sudah Belum
Kelas
Tabel 2 Tabel perwalian No
Nim
1 2 3 4 5 6 7 8 9 10
A2.1000001 A2.1000002 A2.1000003 A2.1000004 A2.1000005 A2.1000006 A2.1000007 A2.1000008 A2.1000009 A2.1000010
Nama Mahasiswa
Perwalian Sudah Belum
Total SKS
ABDUL HAFIDZ BAHARUDIN AGUN GUNAWAN AI HENDRIANI AI ROHATI AI ZAHRA NURAENI ALEX TRIANTORO ANDIAR ANDREEAN TAUFIQ ANDRI PURNAMA ANDRIYANI HERYANI
Jurnal Infoman’s > Jurnal Ilmu-ilmu Informatika dan Manajemen STMIK Sumedang
85
No 1 2 3 4 5 6 7 8 9 10
Nim A2.1000001 A2.1000002 A2.1000003 A2.1000004 A2.1000005 A2.1000006 A2.1000007 A2.1000008 A2.1000009 A2.1000010
Tabel 3 Tabel IPK Mahasiswa Nama Mahasiswa ABDUL HAFIDZ BAHARUDIN AGUN GUNAWAN AI HENDRIANI AI ROHATI AI ZAHRA NURAENI ALEX TRIANTORO ANDIAR ANDREEAN TAUFIQ ANDRI PURNAMA ANDRIYANI HERYANI
IPK
Tabel 4 Indikator kriteria No
Nim
Nama Mahasiswa
1 2 3 4 5 6 7 8 9 10
A2.1000001 A2.1000002 A2.1000003 A2.1000004 A2.1000005 A2.1000006 A2.1000007 A2.1000008 A2.1000009 A2.1000010
Indikator Kelompok Kriteria Kelas
ABDUL HAFIDZ BAHARUDIN AGUN GUNAWAN AI HENDRIANI AI ROHATI AI ZAHRA NURAENI ALEX TRIANTORO ANDIAR ANDREEAN TAUFIQ ANDRI PURNAMA ANDRIYANI HERYANI Tabel 5 Kelompok Kelas
No
Nim
Nama Mahasiswa
1 2 3 4 5 6 7 8 9 10
A2.1000001 A2.1000002 A2.1000003 A2.1000004 A2.1000005 A2.1000006 A2.1000007 A2.1000008 A2.1000009 A2.1000010
ABDUL HAFIDZ BAHARUDIN AGUN GUNAWAN AI HENDRIANI AI ROHATI AI ZAHRA NURAENI ALEX TRIANTORO ANDIAR ANDREEAN TAUFIQ ANDRI PURNAMA ANDRIYANI HERYANI
Kelompok Kelas
Jurnal Infoman’s > Jurnal Ilmu-ilmu Informatika dan Manajemen STMIK Sumedang
86
3.3. Seleksi dan transformasi data (selection and transformation) Format data yang dipakai dalam penelitian ini berupa data-data berupa daftar normatif mengenai data penentuan kelompokan kelas yang dapat dilihat pada tabel 1 yang merupakan output hasil dari penentuan kelompok kelas. Dari data penentuan kelompok kelas yang diambil keputusannya adalah pada kolom sudah perwalian, sedangkan kolom yang diambil sebagai penentu yaitu pada kolom : 1. NIM 2. Nama Mahasiswa 3. Indikator kriteria Tabel 6 Format data penentuan kelompok kelas berdasarkan variabel terpilih Indikator No Nim Nama Mahasiswa Kriteria 1 A2.1000001 ABDUL HAFIDZ BAHARUDIN 2 A2.1000002 AGUN GUNAWAN 3 A2.1000003 AI HENDRIANI 4 A2.1000004 AI ROHATI 5 A2.1000005 AI ZAHRA NURAENI 6 A2.1000006 ALEX TRIANTORO 7 A2.1000007 ANDIAR 8 A2.1000008 ANDREEAN TAUFIQ 9 A2.1000009 ANDRI PURNAMA 10 A2.1000010 ANDRIYANI HERYANI Setelah data dalam format di atas pada tabel 6, dilajutkan dengan proses klasifikasi terhadap indikator kriteria. yang terpilih. Untuk indikator kriteria yang terpilih, didapat lima (5) indikator penentu dalam penentuan kelompok kelas. kriterianya sebagai berikut : 1. Sudah perwalian (1) 2. IPK > 3.00 (5) 3. IPK 2.75 (4) 4. IPK 2.00 (3) 5. IPK < 2.00 (2) 6. Belum melakukan perwalian (0). Tabel 7 Klasifikasi indikator kriteria Kriteria 6 4-5 2-3 <2
Klasifikasi Kelas A Kelas B Kelas C Kelas D
Jurnal Infoman’s > Jurnal Ilmu-ilmu Informatika dan Manajemen STMIK Sumedang
87
Pengelompokan kriteria adalah proses pemasukan variabel yang mempengaruhi sebagai penentu variabel terpilihnya atau kriteria yang terpilih oleh setiap mahasiswa. 3.4. Informasi yang dihasilkan dengan metode klasifikasi Dari pengumpulan data yang dilakukan didapat data mahasiswa program studi Teknik Informatika yang dijadikan sampel berjumlah 667 mahasiswa. Tabel 8 Hasil informasi data Kelompok Kelas Kelompok Kelas Tingk at A B C D I 43 46 51 55 II 41 43 49 51 III 39 40 42 52 IV 38 42 35 0 Informasi yang ditampilkan dalam tabel di atas meliputi data mahasiswa per kelompok kelas pada setiap tingkat. Berdasarkan informasi pada tabel 8 dihasilkan informasi berupa alternatif pengalokasian total sks yang boleh diambil menurut status kriteria, informasinya pada tabel 9 berikut :
Tabel 9 Kriteria dengan kategori total SKS Kelas Total SKS A 22-24 B 20-22 C 16-20 D 16 Dari tabel 9 kriteria di atas, kriteria status total SKS menentukan dalam pemberian total SKS yang boleh diambil sesuai dengan kemampuan mahasiswa tersebut, total SKS didapat dari proses perhitungan IPK mahasiswa dengan menentukan terlebih dahulu kriteria mahasiswa. 4. Kesimpulan Berdasarkan pembahasan di atas, maka dapat disimpulkan sebagai berikut : a. Model pembelajaran yang dapat meningkatkan kualitas proses perkuliahan strategi pembelajaran di Perguruan Tinggi dari segi keaktifan mahasiswa dalam proses interaksi pembelajaran adalah model pembelajaran “active learning” dengan metode kelompok. Jurnal Infoman’s > Jurnal Ilmu-ilmu Informatika dan Manajemen STMIK Sumedang
88
b.
c.
Penggunan datamining dapat membantu para ketua program studi untuk mendapatkan informasi yang lebih akurat dan bermakna sebagai salah satu sarana untuk mengoptimalkan pengimplementasian dan pengembangan model “active learning” dengan metode kelompok. Dengan datamining didapat alternatif informasi kelompok kelas dan total SKS yang boleh diambil sesuai dengan kemampuan mahasiswa tersebut, total SKS didapat dari proses perhitungan IPK mahasiswa dengan menentukan terlebih dahulu kriteria mahasiswa.
Daftar Pustaka Kusrini, Luthfi. E.T., 2009. Algoritma Datamining, Yogyakarta : Andi Publiser. Santoso, Budi. 2007. Datamining Teknik Pemanfaata Data untuk Keperluan Bisnis, Yogyakarta : Graha Ilmu. Friedman JH: Data Mining and Statistics: What's the Connection? Dept. of Statistics and Stanford Linear Accelerator Center, Stanford University, Stanford, CA, http://stat.stanford.edu/~jhf/ftp/dm-stat.ps Dody Herdiana, S.T., M. Kom., adalah Dosen Dpk. Kopertis Wilayah IV Jawa Barat-Banten pada Program Studi Teknik Informatika STMIK Sumedang.
Jurnal Infoman’s > Jurnal Ilmu-ilmu Informatika dan Manajemen STMIK Sumedang
89
