ISSN 2089 – 628X
PROSESOR Vol. IV Edisi 07 / Juni 2013
DATA MINING MENGGUNAKAN METODE ROUGH SET UNTUK MENENTUKAN BAKAT MINAT MAHASISWA Muhammad Lukman Hakim dan Muhammad Rusli Staf Pengajar AMIK INTeL Com GLOBAL INDO
ABSTRAK Data Mining adalah serangkaian proses untk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. Objek penelitian ini adalah mahasiswa untuk mengetahui bakat dan minat mereka selama berkuliah sehingga bisa membawa manfaat bagi mereka dengan menggunakan metode Rough Set dimana metode ini menggunakan software pembantu rosetta untuk menentukan rule-rulenya Rough Set menawarkan dua bentuk representase data yaitu information sistem dan decision sistem. Dan didalam penelitian ini e1,e2,….e50 adalah mahasiswa yang dijadikan objek penelitian, sedangkan a1adalah Nilai web, a2 Nilai Program, a3 adalah Nilai Desain, a4 adalah UAS dan hasil akhirnya Minat kemudian diuji dengan software yang sudah tersedia. Disini penulis mencoba menggali barang berharga tersebut dari sekumpulan data yang ada di kampus, dimana sebenarnya dari kebiasaan-kebiasaan mahasiswa dapat diambil kesimpulan untuk memprediksi apakah mahasiswa yang bersangkutan akan berminat dengan matakuliah atau tidak pada saat mengikuti kuliah sampai akhir masa perkuliahan. Kata kunci : Data Mining, Teknik Rough Set, Informasi Sistem, Decision Sistem, Rosett
I.
LATAR BELAKANG
Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggu nakan teknik atau metode tertentu.Teknik,metode,atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat tergantung pada tujuan dan proses KDD secara keselur uhan. Hasil dari analisis rough set digunakan dalam proses data mining dan knowledge discovery. Teori rough set adalah sebuah teknik matematik yang dikembangkan oleh Pawlack pada tahun (1980). Teknik ini digunakan untuk menangani masalah uncert ainly Imprecision dan Vagueness dalam aplikasi Artificial Intelligence (AI). Teknik ini merupakan sebuah teknik yang paling efesien untuk knowledge Discovery in Database (KDD) proses dan data mining. Ada juga informasi sistem yang digunakan rough set dalam data mining. Tabel yang terdiri dari baris yang merepresentasikan data dari kolom yang mempresentasikan atribut atau variabel dari data. Informasi sistem pada data mining dikenal dengan nama dataset. Decision system adalah information system dengan atribut tambahan yang dinamakan dengan decision atribute, dalam data mining dikenal dengan nama kelas atau target. Dalam dunia pendidikan, sekolah menegah pertama maupun dalam perguruan tinggi tentu akan ada bakat terhadap kemampuan mahasiswa dalam menyerap ilmu pengetahuan yang selama ini telah diberikan oleh dosen ataupun guru dalam setiap kegiatan belajar
mengajar. Sehingga dapat diukur sejauh mana keberhasilan seorang dosen atau guru dalam memberikan atau mentransfer ilmu pengetahuan kepada murid atau mahasiswanya masing-masing, yang pada akhirnya semua itu akan menjadi dasar untuk membuat sebuah keputusan apakah seorang mahasiswa ini layak untuk memiliki ilmu yang selama ini diperoleh semasa mengikuti perkuliahan atau sebaliknya mahasiswa tersebut tidak ada bakat sama sekali yang diperoleh selama kuliah yaitu sen sor-sensor optic,motor stepper dan mikrokontroler, dimana kesemuaannya dapat dioperasikan secara otomatis melalui input data-data program yang telah dimasukkan kedalam mikrokontroler. Negara Indonesia sangat peduli terhadap duniaPen didikan. Demi dunia kemajuan pendidikan negara kita siap mengeluarkan dana yang begitu be sar.Untuk itu pihak sekolah ataupun perguruan ting gi harus mengevaluasi belajar mahasiswanya deng an tujuan agar perguruan tinggi juga sekolah dapat mencapai tujuannya selain menciptakan mahasiswa yang berkualitas dan juga mampu bersaing. Semakin banyak mahasiswa lulus dengan ilmu yang pasti dan berkualitas maka nama dari perguru an tinggi pun menjadi baik. Tetapi juga sebaliknya semakin rendah kualitas lulusan maka akan menur unkan citra dari perguruan tinggi tersebut. Untuk membantu dalam mengevaluasi belajar mahasiswa tersebut maka diperlukan sebuah metode yang dapat digunakan untuk membantu masalah tersebut. Salah satu cabang ilmu yang berkembang saat ini juga dapat membantu manusia dalam melakukan proses pembelajaran .
AMIK INTeL Com GLOBAL INDO
-5
ISSN 2089 – 628X
PROSESOR Vol. IV Edisi 07 / Juni 2013
II.
LANDASAN TEORI
2.1. Tahap-Tahap Data Mining Pada tahap ini akan diuraikan tahap-tahap umum dari data mining sedikit juga disinggung tentang data warehouse karena dalam prakteknya, data warehouse sering menjadi bagian integral dari proses data mining.
Definisi diatas memperlihatkan bahwa sebuah Information Sistem terdiri dari sekumpilan example seperti {E1,E2……….Em} dan attribute kondisi {A1,A2…An}. Sebuah Information Sistem yang sederhana langsung. Jika LED menyala, maka katoda adalah pena yang terhubung ke kaki negatif atau ground. Education
……
Work
E1
Poor
SMU
……
Poor
None
E2
Poor
SMU
……
Good
Low
E3
Moderate
SMU
……
Poor
Low
E4
Moderate
Diploma
……
Poor
Low
E5
Poor
SMU
……
Poor
None None
Example
Studies
Income
E6
Poor
SMU
……
Poor
E7
Moderate
Diploma
……
Poor
Low
E8
Good
Msc
……
Good
Medium
E9
Good
Msc
……
Good
Medium
E10
Good
Msc
……
Good
High
……
…..
…..
……
E99
Poor
SMU
……
Good
Low
E100
Moderate
Diploma
……
Poor
Low
Tabel 2.2. Decision System Gambar 2.1. Tahap-Tahap Data Mining 2.1.2. Equivalence Class 2.1.1. Rough Set Rough Set menawarkan dua bentuk representase data yaitu Information Sistem (IS) dan Decision Sistem (DS). Definisi Information Sistem adalah sebuah Information Sistem (IS) adalah pasangan IS = {U,A}, dimana U = {E1,E2……..Em} dan A = {A1,A2……….An} yang merupakan sekumpulan example dan attribute kondisi secara berurutan. Example
Studies
Education
……
Work
E1 E2 E3 E4 E5 E6 E7 E8 E9 E10 …… E99 E100
Poor Poor Moderate Moderate Poor Poor Moderate Good Good Good ….. Poor Moderate
SMU SMU SMU Diploma SMU SMU Diploma Msc Msc Msc ….. SMU Diploma
…… …… …… …… …… …… …… …… …… …… …… …… ……
Poor Good Poor Poor Poor Poor Poor Good Good Good Good Poor
Tabel 2.1. Information Sistem Definisi Decision Sistem adalah sebuah decision sistem (DS) adalah pasangan DS = { U { A, C }, dimana U = {E1,E2……..Em} dan A = {A1,A2……….An} dan C = { C1, C2…….Cp }. yang merupakan sekumpulan example dan attribute kondisi secara berurutan. Diman U objek dan A Attribute kondisi sementara C Decision Attribute. Decision Sistem (DS) yang sederhana
Equivalence class adalah mengelompokan objekobjek yang sama untuk attribute A = (U,A). Diberikan decision sistem pada tabel 2 kita dapat memperoleh equivalence class (EC1-EC5). Class EC1 EC2 EC3 EC4 EC5,1 EC5,2
Studies (A) Poor Poor Moderate Moderate Good Good
Education (B) SMU SMU SMU Diploma Msc Msc
Work (C) Poor Good Poor Poor Good Good
Income None Low Low Low Medium High
Num objek 50 5 30 10 4 1
Tabel 2.3. Equivalence Class 2.1.3. Numerical Representation Class EC5 adalah sebuah indeterminacy yang memnerikan dua keputusan yang berbeda. Situasi ini dapat ditangani dengan teknik data cleaning. Kolom yang paling kanan mengindikasikan jumlah objek yang ada ialah decision sistem untuk class yang sama. Contoh dalam tabel 3 di sederhanakan ke dalam numerical representation. Tabel 4 memperlihatkan numerical representation dari equivalence class dari tabel 3. Studies (A) 1 1 2 2 3 3
Class EC1 EC2 EC3 EC4 EC5,1 EC5,2
Education Work Income (B) (C) 2 3 1 2 1 2 2 3 2 3 3 2 5 1 3 5 1 4
Tabel 2.4. Numerical Representation
AMIK INTeL Com GLOBAL INDO
-6
Num objek 50 5 30 10 4 1
ISSN 2089 – 628X
PROSESOR Vol. IV Edisi 07 / Juni 2013
2.1.4. Rule Generation
2.3. Alat Ukur Variabel Motivasi Belajar
Proses utama untuk menemukan pengetahuan dalam database adalah ektrasi aturan dari sistem keputusan. Metode rough set bisa menghasilkan aturan keputusan dari tabel keputusan didasarkan hitungan reduct menunjukan proses aturan pembangkit menggunakan reduct dan equivalence class.
Ciri-ciri orang yang memiliki Motivasi Belajar adalah :
1. { Studies, Work }
2. Ulet menghadapi kesulitan a. Tidak putus asa b. Tidak cepat puas dengan prestasi
IF Studies = Poor AND Work = Poor INCOME = None IF Studies = Poor AND Work = Good INCOME = Low IF Studies = Moderate AND Work = Poor INCOME = Low IF Studies = Good AND Work = Good INCOME = Medium
THEN THEN THEN THEN
1. Tekun menghadapi tugas a. Mengerjakan tugas sampai tuntas b. Senang mencari dan memecahkan soal-soal
3. Memiliki minat terhadap bermacam-macam masalah a. Responsif terhadap masalah b. Memikirkan pemecahan masalah 4. Mandiri dalam belajar
2. { Education, Work } IF Education = SMU AND Work = Poor THEN INCOME =None Or Low IF Education = SMU AND Work = Good THEN INCOME = Low IF Education = Diploma AND Work = Poor THEN INCOME = Low IF Education = Msc AND Work = Good THEN INCOME = Medium Or High 3. { Studies } IF Studies = Poor then Income = None Or Low IF Studies = Moderate Then Income = Low IF Studies = Good Then Income = Medium Or High 4. { Education } IF Education = SMU Then Income = None Or Low IF Education = Diploma Then Income = Low IF Education = Msc Then Income = Medium Or High 2.2. Alat Ukur Penelitian Motivasi Belajar Skala yang digunakan adalah dengan menyediakan lima alternatif jawaban menurut skala likert yang terdiri dari pernyataan positif (favorable) dan pernyataan negatif (unfavorable) dimana setiap jawaban akan diberi nilai dengan rentang nilai 1-5 dapat dilihat melalui tabel berikut ini : Jawaban
SS
S
R
TS
STS
Favorable
5
4
3
2
1
Unfavorable
1
2
3
4
5
Tabel 2.5. Skala Likert Untuk Mengumpulkan Data Variabel Motivasi Belajar
5. Cepat bosan pada rutinitas a. Cepat bosan pada tugas yang berulangulang b. Hal-hal yang tidak kreatif 6. Mempertahankan pendapatnya Dari tabel 5 dapat disimpulkan kriteria sebagai berikut : 1 – 25
= Kurang
25 – 55
= Cukup
56 – 75
= Baik
76 – 100
= Sangat Baik
Kedisiplinan belajar mahasiswa sangat berpengaruh dan berdampak pada hasil proses belajar. Untuk kedisiplinan belajar dalam penelitian ini dapat dilihat dari segi kehadiran. Pada pembelajaran yang dilakukan semester ganjil maupun semester genap dalam dunia pendidikan ditentukan atau mengacu pada kalender pendidikan, dalam penelitian ini penulis mengelompokan kedisiplinan kedalam tiga kelompok sesuai dengan kehadiran ( absensi ) yaitu : a. Rajin : apabila tingkat kehadiran mencapai 75 % - 100 % b. Sedang : apabila tingkat kehadiran mencapai 50 % - 74 % c. Malas : apabila tingkat kehadiran mencapai dibawah 50%. Penelitian ini memerlukan data pendukung mengenai tugas mahasiswa tersebut. Salah satu data yang diambil adalah nilai tugas dari Nilai pilihan pada tiap semester yaitu Baik, Cukup,
AMIK INTeL Com GLOBAL INDO
-7
ISSN 2089 – 628X
PROSESOR Vol. IV Edisi 07 / Juni 2013
Kurang. Pada kerajinan ini akan dibagi atas lima himpunan yaitu : 1. Sangat Kurang = Hanya mampu menyebutkan dan menjelaskan kegunaan. 2. Kurang = Hanya mampu menyebutkan Ikonikon yang ada pada toolbar menu. 3. Cukup = Mampu menyebut dan menjelaskan kegunaan ikon-ikon pada toolbar menu. 4. Baik = Mampu menyebutkan dan menjelaskan kegunaan dan mampu memainkan. 5. Sangat Baik = Sudah bisa menjalankan dan menjelaskan apa yang telah di perbuat III. PERANCANGAN SISTEM Setelah dilakukan analisa terhadap data yang ada, maka untuk tahap berikutnya dilakukan desain sistem. Desain sistem dilakukan berdasarkan variabel-variabel input, proses, output,. Pada bagian desain sistem ini penulis akan membahas mengenai perancangan dari model yang akan digunakan dalam mengevaluasi belajar mahasiswa, sehingga bisa diketahui sejauh mana mahasiswa tersebut memahami materi pembelajaran. Pada perancangan ini penulis akan menentukan pengkodean dari item-item yang akan digunakan dalam melakukan evaluasi belajar mahasiswa. Berikut ini akan ditampilkan bagaimana sistem Rough Set dapat melakukan evaluasi belajar mahasiswa pada gambar 2. Nilai Web
Nilai Desain
Rough Set
MINAT
Nilai Program
IPK
Gambar 3.1. Proses Rough Set Evaluasi Belajar Mahasiswa 3.1. Perbandingan Sistem Yang Lama Dengan Sistem Yang Baru Setelah dilakukan perbandingan ternyata sistem yang dirancang dapat menghasilkan keputusan yang singkat sehingga akan membantu dalam memprediksi lulus dalam minat kuliah atau tidak pada saat mengikuti ujian. Dibandingkan dengan sistem yang sudah ada pada sebelumnya, maka sistem ini mempunyai kelebihan sebagai berikut :
3.1. Untuk Pencarian Informasi Pada sistem yang lama pencarian informasi memakan waktu yang lama, karena bentuk laporan yang disajikan oleh bagian administrasi tidak memuat data yang lengkap dan terperinci, sementara dengan sistem yang sedang dibahas sekarang informasinya dapat diperoleh dengan cepat karena laporan yang dihasilkan oleh sistem ini sudah disajikan dalam bentuk keputusan penilaian dari setiap attribut dan juga diberikan rulesnya yang dapat memperkuat penilaian dari keputusan tersebut. Dengan sistem yang baru ini pencarian informasi tidak memakan waktu yang lama, karena pada pada laporan yang disajikan sudah diberikan suatu bentuk keputusan yang harus diambil oleh para guru atau dosen, mahasiswa dan orang tua agar dapat membicarakan keputusan di saat melihat laporan sehingga dapat mengantisipasi kemungkinan terburuk. 3.2. Pengolahan Data Dengan metode Rough Set pengolahan data memprediksi keputusan minat atau tidak minat dapat dilakukan dengan cepat dan akurat. Sehingga dapat membantu para dosen dan orang tua untuk dapat memberikan penanganan terhadap permasalahan belajar sejak dini. 3.3. Desain Sistem Dalam membentuk desain sistem pada penelitian ini dilakukan dengan menggunakan Rough Set. Dimana Rough Set menawarkan dua bentuk representasi data yaitu Information System (IS) dan Decision System (DS). Definisi Information System adalah Sekumpulan sistem informasi yang terdiri dari pasangan IS = {U,A}, dimana U = {E1,E2, …Em} dan A = {A1,A2, …An} yang merupakan sekumpulan example dan attribute kondisi secara berurutan. Dan dalam penelitian ini E1, E2, …, E50 adalah mahasiswa yang akan dijadikan objek penelitian , sedangakan A1 adalah Nilai Web, A2 adalah Nilai Desain, A3 adalah Nilai Program, A4 adalah Nilai IPK. EC1 = IF Nilai web =>Cukup And nilai program =>Kurang Then MINAT => web EC2 =>IF Nilai web =>Cukup And nilai desain =>Sedang Then MINAT =>web EC3 =>IF Nilai web =>Cukup And nilai desain =>Sedang And IPK=>cukup Then MINAT=>program EC4 =>IF Nilai web =>Cukup And nilai desain =>Rajin And nilai program =>Baik Then MINAT =>program EC5 =>IF Nilai web =>Cukup And nilai desain =>Rajin and IPK =>Lulus Then MINAT =>desain
AMIK INTeL Com GLOBAL INDO
-8
ISSN 2089 – 628X
PROSESOR Vol. IV Edisi 07 / Juni 2013
EC6 =>IF Nilai web =>Kurang and Nilai Desain =>Malas And IPK =>Kurang Then MINAT=>Tidak ada EC7 =>IF Nilai web=>Kurang and Nilai Desain =>Malas And Nilai Program =>Cukup Then MINAT =>program EC8 = >IF Nilai web =>Kurang And Nilai Program =>Cukup Then MINAT =>Program EC9 =>IF Nilai web =>Baik And Nilai Desain =>Rajin And Nilai Program =>Baik Then MINAT =>Program EC10 =>IF Nilai web =>Baik And Nilai Desain =>Rajin And Nilai Program =>Sangat Baik Then MINAT =>Program EC11 =>IF Nilai web=>sangat baik And Nilai Desain =>Rajin And Nilai Program =>Baik Then MINAT =>Web EC12 =>IF Nilai web =>Sangat Baik And Nilai Desain =>Rajin And Nilai Program =>Sangat Baik Then MINAT =>program Setelah di dapat rule-rule seperti yang di atas kita bisa menyimpulkan dengan cepat bahwa mahasiswa tersebut mampu menguasai Motivasi Belajar dengan menggunakan metode Rough Set karena sudah kita analisa seperti pada mahasiswa AMIK INTeL Com GLOBAL INDO dan attribut yang kita pakai ada Nilai Web, Nilai Desain, Nilai Program, dan keputusan yang kita ambil adalah minat. Jadi setelah dilakukan proses seperti pada tabel-tabel di atas kita dapat memutuskan Nilai web Cukup Nilai Desain baik dan Nilai Program baik sehingga keputusan minat terakhirnya desain dan program. IV. HASIL Setelah dilakukan analisis terhadap sistem maka dilakukan terhadap program yang dibuat, dengan tujuan untuk mengetahui apakah sasaran yang diinginkan telah dapat dicapai setelah dilakukan perancangan sistem pendukung keputusan tidak punya bakat pada mahasiswa ternyata sistem yang dihasilkan dapat membantu proses pengambilan keputusan yang lebih optimal. Informasi yang telah dihasilkan sebelumnya tidak jelas yang selama ini hanya menampilkan berdasarkan atas dasar variabel penilaian yaitu dilihat dari nilai hasil instrumen Nilai Desain, Nilai Web, Nilai Program, Minat, sehingga nantinya dapat diprediksikan apakah seseorang mahasiswa akan berhasil mengikuti bakat minatnya selama ini atau tidak sama sekali.
Nilai Desain
Nilai Program
IPK
MINAT
kurang
baik
sangat baik
cukup
Program
baik
baik
cukup
Baik
Web
Suherman
baik
cukup
cukup
Kurang
Web
Andri Syahputra
cukup
baik
Baik
Baik
desain program
Muhammad Irfan
cukup
baik
Baik
cukup
Desain program
Diky Arya Pratomo
baik
baik
Baik
Baik
Web Desain program
Citra Kurnia Ramadhani
baik
sangat baik
Baik
Baik
Desain
Riza Fazaria
baik
baik
Baik
Baik
Andri Suprayogi
baik
baik
Baik
Baik
Sulia Dewi
kurang
baik
Baik
Kurang
baik
sangat baik
Baik
Nama Sulastri Kiki Nanda Syahputra
Suheri
Nilai Web
baik
Web desain program Web Desain program Desain program program
Tabel 4.1. Data Penilaian Jalankan software rosetta lakukan proses sehingga data yang ada di microsoft excel di import ke software rosetta sebagai data source nya. Untuk menampilkan dalam sofware rosetta double klik sehingga keluar tampilan gambar seperti gambar berikut ini :
Gambar 4.2. Tampilan Awal Rosetta
Setelah keluar tampilan seperti gambar kemudian kita akan membuat data excel untuk diimport ke software rosetta sebagai database nya seperti pada gambar berikut ini :
Keterangan : Setelah kita mengasilkan sebuah database yang telah kita import ke rosetta maka langkah selanjutnya kita akan melihat hasil import excel klik kanan pada structures dan sheet1$ maka data excel yang telah kita import akan menjadi seperti pada gambar berikut ini :
AMIK INTeL Com GLOBAL INDO
-9
ISSN 2089 – 628X
PROSESOR Vol. IV Edisi 07 / Juni 2013
Gambar 4.4. Proses Generating Rules
Gambar 4.1. Hasil Import data ke program Rosetta
Setelah dilakukan proses genarating rules maka hasil generating rules mendapatkan rule seperti pada gambar berikut ini :
Klik kanan sheet1$ untuk menampilkan sub menu Reduct, kemudian pilih sub menu Exhaustive Calculation (RSES) yang berfungsi untuk menampilkan komponen Reduct. Dari proses yang didapat pada gambar 4 dihasilkan Reduct caranya klik tanda + yang ada pada sheet1$ kemudian keluar logo R untuk Reduct kemudian klik maka akan mengeluarkan tampilan seperti gambar berikut ini :
Gambar 4.5. Generating Rules Dari hasil data yang lengkap reduct dan rules yang dapat terbukti hasilnya sesuai dengan hasil perhitungan yang dilakukan secara manual. V. Gambar 4.2. Proses Reduct Setelah didapat reduct, maka dilakukan proses generating rules seperti gambar berikut ini :
Setelah dihasilkan rules dari software yang merupakan keputusan sesuai dengan data yang ada pada database penentuan minat pada matakuliah yang ada pada kampus masing-masing mahasiswa, maka rule nya sebagai berikut : 1.
2. 3. 4. 5.
6. Gambar 4.3. Proses Generating Rules
TEKNIK PENGUJIAN
IF Nilai Web (kurang) AND Nilai Desain (baik) AND Nilai Program (sangat baik) => Minat (program). IF Nilai Web (baik) AND Nilai Desain (baik) AND Nilai Program (cukup) => Minat (web). IF Nilai Web (baik) AND Nilai Desain (cukup) AND Nilai Program (cukup) => Minat (web). IF Nilai Web (cukup) AND Nilai Desain (baik) AND Nilai Program (baik) => Minat (desain,program). IF Nilai Web (baik) AND Nilai Desain (baik) AND Nilai Program (baik) => Minat (web,desain,program).
AMIK INTeL Com GLOBAL INDO
- 10
ISSN 2089 – 628X
PROSESOR Vol. IV Edisi 07 / Juni 2013
7.
8.
9.
10. 11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
IF Nilai Web (baik) AND Nilai Desain (sangat baik) AND Nilai Program (baik) => Minat (desain). IF Nilai Web (kurang) AND Nilai Desain (baik) AND Nilai Program (baik) => Minat (desain,program). IF Nilai Web (baik) AND Nilai Desain (baik) AND Nilai Program (sangat baik) => Minat (program). IF Nilai Web (kurang) AND Nilai Desain cukup) AND Nilai Program (baik) => Minat (program). IF Nilai Web (kurang) AND Nilai Desain (sangat baik) AND Nilai Program (sangat baik) => Minat (desain,program). IF Nilai Web (kurang) AND Nilai Desain (kurang) AND Nilai Program (kurang) => Minat (tidak ada). IF Nilai Web (sangat baik) AND Nilai Desain (sangat baik) AND Nilai Program (baik) => Minat (web,desain). IF Nilai Web (sangat baik) AND Nilai Desain (baik) AND Nilai Program (baik) => Minat (web). IF Nilai Web (sangat baik) AND Nilai Desain (sangat baik) AND Nilai Program (sangat baik) => Minat (web,desain,program). IF Nilai Web (kurang) AND Nilai Desain (kurang) AND Nilai Program (baik) => Minat (program). IF Nilai Web (kurang) AND Nilai Desain (sangat baik) AND Nilai Program (baik) => Minat (Desain). IF Nilai Web (baik) AND Nilai Desain (sangat baik) AND Nilai Program (cukup) => Minat (desain). IF Nilai Web (sangat baik) AND Nilai Desain (kurang) AND Nilai Program (kurang) => Minat (web). IF Nilai Web (sangat baik) AND Nilai Desain (baik) AND Nilai Program (sangat baik) => Minat (web,program). IF Nilai Web (sangat baik) AND Nilai Desain (cukup) AND Nilai Program (baik) => Minat (web). IF Nilai Web (cukup) AND Nilai Desain (baik) AND Nilai Program (sangat baik) => Minat (program).
VI. KESIMPULAN Dari penelitian yang dilakukan dapat diambil beberapa kesimpulan di antaranya yaitu : 1. Teknik Rough Set dapat dijadikan alternatif dalam melakukan keputusan agar pekerjaan dan kewajiban seorang dosen bisa terwakili, hal ini
dapat dilakukan melalui penganalisaan kepada mahasiswa yang bersangkutan dengan atributatribut yang ada, kemudian akan dihasilkan keputusan Minat atau tidak pada saat mengikuti pengujian system. 2. Teknik Rough Set dalam melakukan analisis mempunyai langkah-langkah sebagai berikut : a. Membuat table Informasi Sistem yang berisi data lengkap dengan atributatributnya. b. Selanjutnya memasukan data tersebut ke dalam Decision Table. c. Berikutnya adalah memasukan data ke dalam Equivalence Class, tabel ini dilengkapi dengan Numb_Obj yaitu menyatukan data yang sama. d. Langkah selanjutnya adalah memasukan data ke dalam tabel Numerical Equivalnce Class dengan cara merubah data yang kata berupa angka melalui proses pembobotan. e. Lalu masukan data ke dalam tabel Discernibility Matrix dengan cara membandingkan antar objek f. Setelah data melalui proses di atas langkah selanjutnya memasukan data ke dalam tabel Discernibility Matrix Modulo D yang pada akhirnya ditemukan hasil Reduct dan menghasilkan rule-rule.
DAFTAR PUSTAKA Iko Pramudiono (2003). “ Pengantar Data Mining : Menambang Permata Pengetahuan Di gunung Data,” Ilmu Komputer.com Kusrini, Taufiq luthi Emha (2009), Algoritma data Mining , Penerbit Andi, Yogyakarta Wakuliz Deza A, Paszek P (1997),” Diagnose Progressive Encephalopathy Applying The Rough Set Approach Pawlack Z (1982) Rouhg Set International Journal Of Information And Computer Sciences Pawlack Z, Grzymala Busse J, Slowinski R, Ziarko W (1995),”Rough Set Association For Computing Machinery Reda ALHAJJ ADSA, Mehmet KAYA (2003),” Integrating Fuzzines Into Olap Multidiminsional Fuzzy Association rules Mining” Oded Z. Maimon & Lior Rokach (2005),’ Decompotion Methodology for Knowledge Discovery and Data Mining. Yudi Agusta, Phd, Data Warehouse And Data Mining,lecture 9 (2006), http://Kuliah.Sticombali.net.
AMIK INTeL Com GLOBAL INDO
- 11
