SISTEM PENDUKUNG KEPUTUSAN REKOMENDASI PEMILIHAN PROGRAM STUDI DI FAKULTAS TEKNIK UNIVERSITAS TANJUNGPURA Lisna Octa Vinanda Program Studi Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik Universitas Tanjungpura
[email protected]
Abstract - Current educational needs are increasing with the rising of community economic rate. This causes high school students' interest are also increasing to continue their study to a higher state. However, most of the students find it hard to make a decision of which course is suitable for them, so they are likely to choose it by considering parents' or friends' suggestion without understanding the course itself. The mistake in choosing a course could lead to negative impacts of their study, such as the longer school term they should bear, or mostly, the lower grade point average (GPA) they should face. This problem happens to the upcoming Engineering students too, so it takes a decision support system (DSS) that is able to provide recommendations by considering their major in high school, the study results, as well as their interest on choosing the courses in Engineering Faculty. This system uses K-Nearest Neighbor method, by comparing the data of new students with the graduated students of Engineering Faculty, so it can generate a course recommendation, the length of the school term prediction and also the prediction of their GPA. Keyword : decision support system, k-nearest neighbor, engineering faculty, study recommendation, GPA prediction, year of study prediction.
1. Pendahuluan Minat Siswa SMA/SMK/MA untuk melanjutkan pendidikan ke jenjang perguruan tinggi semakin besar. Akan tetapi, seringkali siswa mengalami kesulitan dalam memilih program studi yang akan diambil sehingga cenderung hanya mengikuti saran orangtua ataupun sekedar ikut-ikutan teman. Kesalahan dalam memilih program studi dapat berdampak negatif terhadap hasil studi mahasiswa, baik dalam nilai IPK maupun lamanya masa kuliah (Sumber: Pudji Susilowati, 2008)[1].
Masalah tersebut juga terjadi pada mahasiswa Fakultas Teknik Universitas Tanjungpura. Banyak mahasiswa yang telah lulus seleksi masuk Fakultas Teknik memilih untuk mengundurkan diri karena merasa tidak cocok dengan program studi yang diambil. Oleh karena itu, dibutuhkan suatu sistem pendukung keputusan yang dapat memberikan rekomendasi program studi, prediksi masa kuliah dan IPK kepada siswa SMA/SMK/MA untuk dapat menjadi bahan pertimbangan sebelum memilih program studi di Fakultas Teknik. Sistem yang dibuat menggunakan metode K-Nearest Neighbor dengan membandingkan data siswa berupa nilai UAN atau try out, minat terhadap program studi di Fakultas Teknik serta jurusan yang diambil semasa SMA/SMK/MA dengan data mahasiswa maupun alumni Fakultas Teknik Untan. 2. Landasan Teori 2.1 Fakultas Teknik Fakultas Teknik berdiri pada tahun 1963. Sejak berdirinya hingga tahun 1982, Fakultas Teknik hanya memiliki dua jurusan yaitu Teknik Elektro dan Teknik Sipil. Pada tahun 2013, Program Studi di Fakultas Teknik telah berkembang menjadi 11 program studi yaitu, Teknik Elektro, Teknik Informatika, Teknik Industri, Teknik Sipil, Teknik Lingkungan, Teknik Arsitektur, Teknik Mesin, Teknik Kimia, Teknik Perencanaan Wilayah dan Kota, Teknik Pertambangan dan Teknik Kelautan (Sumber: http://ft.untan.web.id)[2].
2.2 Sistem Pendukung Keputusan Konsep Decision Support System (DSS) atau biasa disebut Sistem Pendukung Keputusan (SPK) adalah sistem yang berbasis komputer yang ditujukan untuk membantu pengambil keputusan dalam memanfaatkan data dan model tertentu untuk memecahkan berbagai masalah yang semi terstruktur dan tidak terstruktur (Daihani, 2001)[3]. Sistem Pendukung Keputusan (SPK) memiliki 3 komponen utama atau subsistem, yaitu: 1) Subsistem Data (Data Subsystem) Subsistem data merupakan komponen SPK yang menyediakan data yang dibutuhkan oleh sistem. Data yang dimaksud disimpan di dalam database yang diorganisasikan oleh suatu sistem yang disebut DBMS (Database Management System). Melalui DBMS, memungkinkan data yang diperlukan dapat diekstraksi secara cepat. 2) Subsistem Model (Model Subsystem) Subsistem model merupakan cara bagaimana data yang diambil dari DBMS akan diolah dengan model-model yang dibuat sehingga menghasilkan suatu pemecahan atau hasil yang diinginkan. 3) Subsistem Dialog (User System Interface) Subsistem dialog adalah fasilitas yang mampu mengintegrasikan sistem yang terpasang dengan user secara interaktif. Melalui subsistem dialog inilah sistem diartikulasi dan diimplementasikan sehingga pengguna dapat berkomunikasi dengan sistem yang dirancang. Hubungan antara ketiga komponen tersebut dapat dilihat pada Gambar 2.1 di bawah ini:
Gambar 2.1 Komponen Utama SPK (Sumber: Daihani, 2001)[3]. 2.3 K-Nearest Neighbor K-Nearest Neighbor (KNN) adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan bobot dari sejumlah fitur yang ada. KNearest Neighbor menghitung tingkat kemiripan (jarak) suatu kasus terhadap kasus lain berdasarkan beberapa atribut yang didefinisikan berdasar pembobotan tertentu dan kemudian tingkat kemiripan (jarak) dari keseluruhan atribut akan dijumlahkan. Kasus khusus dimana klasifikasi diprediksikan berdasarkan data pembelajaran yang paling dekat (dengan kata lain, k = 1) disebut algoritma nearest neighbor (Sumber: Kusrini dan Luthfi E.T, 2009)[4]. K-Nearest Neighbor didefinisikan berdasar persamaan sebagai berikut : (
)
Keterangan : S : similarity (nilai kemiripan) W : weight (bobot yang diberikan)
3. Perancangan Sistem 3.1 Perancangan Diagram Arus Data 3.1.1 Diagram Konteks Diagram konteks adalah diagram yang memberikan gambaran umum terhadap kegiatan yang berlangsung dalam sistem. Gambar 1 berikut ini menunjukkan diagram konteks dari sistem ini. Info login, info admin, info user, info kriteria, info jurusan, info program studi, info nilai kedekatan, info data sampel
ADMIN
Data login, data admin, data kriteria, data jurusan, data program studi, data nilai kedekatan, data sampel
SISTEM REKOMENDASI PEMILIHAN PROGRAM STUDI FAKULTAS TEKNIK
Data user
3.2 Perancangan Basis Data 3.2.1 Perancangan Entity Relationship Diagram Entity Relationship Diagram (ERD) merupakan gambaran hubungan antarentitas yang dipergunakan dalam sistem. Gambar 3 berikut ini menunjukan diagram ER dari sistem ini.
1
minat
1
JURUSAN
USER
USER
1
Hasil rekomendasi
memiliki
M
1 Kode_jurusan*
Program_studi
Bidang_studi
Gambar 1 Diagram Konteks Sistem 3.1.2 Diagram Overview Diagram overview adalah diagram yang menjelaskan urutan-urutan proses dari diagram konteks. Diagram overview sistem dapat dilihat pada Gambar 2 berikut. Data admin
1.0 LOGIN
ADMIN
Data admin
Validasi login
Info program studi Data program studi Info kriteria Data kriteria
Data kriteria Info kriteria
tb_admin Data program studi Info program studi Info admin
Data admin
Info rekomendasi Info user Info data sampel Data sampel Info nilai kedekatan Data nilai kedekatan Info jurusan Data jurusan
Validasi login
Data jurusan Info jurusan
tb_kriteria
Data nilai kedekatan Info nilai kedekatan
rekomend asi
Kode_user**
Kode_prodi**
Kode_prodi*
3.2.2 Perancangan Diagram Hubungan Antar Tabel Hubungan antar tabel pada sistem ini dapat dilihat pada Gambar 4 berikut. tb_data_smpl
tb_prodi PK
kode_prodi
PK
id prodi
FK2 FK1
tb_nilaikedekatan
Data sampel Info data sampel
Hasil rekomendasi
nama kode_jurusan kode_prodi biologi fisika kimia sosiologi ekonomi geografi matematika bahasa_indonesia bahasa_inggris kompetensi_keahlian
PK
kode_jurusan id bidang_studi program_studi
FK1
FK2
Tb_user
tb_rekomendasi
Tb_rekomendasi
Info user
3.0 PENGAMBILAN KEPUTUSAN
Data user
Hasil rekomendasi
Hasil rekomendasi
Info user
PK
kode_user nama tgl_akses asal_sekolah kode_jurusan biologi fisika kimia sosiologi ekonomi geografi matematika bahasa_indonesia bahasa_inggris kompetensi_keahlian kode_prodi
Info data sampel
Info user Data user
tb_data_smpl
tb_user
tb_jurusan
NIM
tb_jurusan
Data user
prodi
Gambar 3 Diagram Entity Relationship Diagram
tb_prodi
2.0 MANAJEMEN DATA
PROGRAM STUDI
M
USER
Gambar 2 Diagram Overview Sistem
PK,FK2
kode_user
FK1
kode_prodi
tb_nilaikedekatan PK
kode_nilai sub_kriteria1 sub_kriteria2 nilai_kedekatan
tb_kriteria PK
kode_kriteria kriteria bobot
tb_admin PK
id username password
Gambar 4 Diagram Hubungan Antar Tabel 4. Hasil Perancangan Halaman rekomendasi yaitu halaman input form data user (siswa SMA/SMK/MA) untuk kemudian diproses dengan menggunakan metode K-Nearest Neighbor sehingga dapat menghasilkan hasil rekomendasi berupa program studi, serta prediksi IPK dan masa kuliah.
Gambar 5 Halaman Utama Sistem Pengujian hasil rekomendasi menggunakan contoh data training sebagai berikut. Tabel 1 Contoh Data Training IPA Jurusan Minat
T. Informatika
Matematika
7.50
Biologi
5.50
Fisika
5.75
Kimia
9.25
B. Indonesia
7.80
B. Inggris
9.40
Sosiologi
0
Ekonomi
0
Geografi
0
Kompetensi
0
Seperti yang ditunjukkan pada Tabel 2, perhitungan antara sistem dengan perhitungan manual menghasilkan nilai similaritas yang sama. Setelah dihitung dengan metode KNearest Neighbor dan didapatkan nilai similaritasnya, maka tahap selanjutnya adalah mengurutkan nilai similaritas dari yang terbesar hingga yang terkecil. Pengurutan nilai similaritas dapat dilihat pada Tabel 3. Tabel 3. Pengurutan Nilai Similaritas
Hasil rekomendasi diambil dari tetangga paling dekat dengan nilai similaritas paling tinggi yaitu data sampel nomor 1 (1NN).
Keahlian Data training akan dihitung nilai similaritasnya dengan data sampel yang ada menggunakan metode K-Nearest Neighbor. Perbandingan antara perhitungan sistem dengan perhitungan secara manual dapat dilihat pada Tabel 2. Tabel 2. Perbandingan Antara Perhitungan Sistem dan Perhitungan Manual
Gambar 6 Hasil Rekomendasi (1)
Gambar 7 Hasil Rekomendasi (2) 5. Kesimpulan Berdasarkan hasil analisis dan pengujian terhadap Sistem Pendukung Keputusan Rekomendasi Pemilihan Program Studi di Fakultas Teknik Universitas Tanjungpura, dapat disimpulkan bahwa :
1. Pengujian sistem dengan menggunakan perbandingan antara hasil perhitungan nilai similaritas yang dihasilkan oleh sistem dengan perhitungan manual dari metode K-Nearest Neighbor menghasilkan nilai yang sesuai atau sama. 2. Sistem dapat menghasilkan rekomendasi program studi, prediksi IPK dan masa kuliah dengan membandingkan data user (siswa SMA/SMK/MA) dengan data mahasiswa dan alumni Fakultas Teknik yang memiliki nilai kemiripan/similaritas paling besar. Referensi [1] Susilowati, Pudji. 2008. Memilih Jurusan di Perguruan Tinggi. http://www.epsikologi.com/artikel/pendidikan/me milih-jurusan-di-perguruan-tinggi (21 Januari 2014) [2] http://ft.untan.web.id [3] Daihani, Dadan Umar. 2001. Komputerisasi Pengambilan Keputusan. Jakarta : Elex Media Komputindo. [4] Kusrini dan Luthfi E.T., 2009. Algoritma Data Mining. Yogyakarta : Andi Offset Biografi Lisna Octa Vinanda, lahir di Pontianak, Kalimantan Barat, Indonesia, 21 Oktober 1991. Memperoleh gelar Sarjana dari Program Studi Teknik Informatika Universitas Tanjungpura, Pontianak, Indonesia, pada tahun 2014.
