IMPLEMENTASI DATA MINING UNTUK MENEMUKAN POLA HUBUNGAN TINGKAT KELULUSAN MAHASISWA DENGAN DATA INDUK MAHASISWA Beta Noranita1, Nurdin Bahtiar2 1,2
Program Studi Teknik Informatika FMIPA UNDIP
[email protected],
[email protected]
1
Abstrak Pemanfatan teknologi informasi memungkinkan terjadinya akumulasi data dalam jumlah yang besar. Universitas Diponegoro merupakan organisasi yang memanfaatkan teknologi informasi, khususnya basis data, akan mengalami akumulasi data mahasiswa dalam jumlah besar tiap tahunnya. Basis data mahasiswa di UNDIP berisi data dalam jumlah besar dengan banyak variasi, tetapi belum dimanfaatkan secara optimal. Diperlukan suatu sistem yang bisa memanfaatkan gunungan data menjadi informasi yang bernilai strategis. Dalam makalah ini dibahas suatu sistem pendukung bagi perguruan tinggi yang menggambarkan hubungan data induk mahasiswa, khususnya jalur masuk calon mahasiswa baru dengan tingkat kelulusan mahasiswa, dilihat dari IPK dan lama studi. Sistem yang dibangun menggunakan teknik data mining bertujuan untuk menggali dan menemukan pola-pola yang tersembunyi antara data induk mahasiswa dengan tingkat kelulusan mahasiswa. Untuk memperoleh kaidah asosiasi yang menggambarkan hubungan antar item pada database digunakan metode apriori. Hasil dari proses mining ini dapat membantu untuk mengetahui sejauh mana tingkat keberhasilan PSSB dan SPMB terhadap tingkat kelulusan mahasiswa.Informasi yang dihasilkan dapat digunakan sebagai dasar analisis dalam pengambilan keputusan. Kata Kunci: data mining, tingkat kelulusan mahasiswa, data induk mahasiswa, metode apriori. Data induk mahasiswa yang akan dicari 1. Pendahuluan hubungannya meliputi proses masuk, asal sekolah, Ketersediaan data sudah bukan hal yang sulit kota asal sekolah, dan program studi. Adapun yang diperoleh lagi dewasa ini apalagi ditunjang dengan akan diproses mining adalah hubungan tingkat banyaknya kegiatan yang sudah dilakukan secara kelulusan dengan proses masuk calon mahasiswa komputerisasi. Namun data ini seringkali baru. Tingkat kelulusan mahasiswa dapat dilihat diperlakukan hanya sebagai rekaman tanpa dari lama studi dan IPK (Indeks Prestasi pengolahan lebih lanjut sehingga tidak mempunyai Kumulatif). nilai guna lebih untuk keperluan masa mendatang. Perguruan tinggi saat ini dituntut untuk 2. Data Mining memiliki keunggulan bersaing dengan memanfaatkan semua sumber daya yang dimiliki. Data mining adalah penambangan atau Perguruan tinggi harus mampu melakukan proses penemuan informasi baru dengan mencari pola atau evaluasi, perencanaan dan pengelolaan secara baik aturan tertentu dari sejumlah data yang sangat untuk dapat memenangkan persaingan di era besar [2]. Data mining juga disebut sebagai globalisasi ini. Selain sumber daya sarana, serangkaian proses untuk menggali nilai tambah prasarana, dan manusia, sistem informasi adalah berupa pengetahuan yang selama ini tidak diketahui salah satu sumber daya yang dapat digunakan secara manual dari suatu kumpulan data [5]. Data untuk meningkatkan keunggulan bersaing. Sistem mining, sering juga disebut sebagai knowledge informasi dapat digunakan untuk mendapatkan, discovery in database (KDD). KDD adalah mengolah dan menyebarkan informasi untuk kegiatan yang meliputi pengumpulan, pemakaian menunjang kegiatan operasional sehari-hari data, historis untuk menemukan keteraturan, pola sekaligus menunjang kegiatan pengambilan atau hubungan dalam set data berukuran besar [6]. keputusan strategis. Dalam makalah ini akan di Karakteristik Data mining sebagai berikut [2]: bahas bagaimana suatu aplikasi dapat menghasilkan Data mining berhubungan dengan penemuan informasi yang berguna tentang hubungan tingkat sesuatau yang tersembunyi dan pola data kelulusan dengan data induk mahasiswa dengan tertentu yang tidak diketahui sebelumnya. teknik data mining. Tidak semua data induk siswa Data mining biasa menggunakan data yang akan dicari hubungannya dengan data kelulusan, sangat besar. Biasanya data yang besar hanya beberapa atribut yang kira-kira berguna dan digunakan untuk membuat hasil lebih sebarannya tidak terlalu acak. Karena data yang dipercaya. terlalu acak akan membuat proses mining memakan waktu lama dan tingkat hubungannya pun rendah. 156
untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisa yang didapat.
Data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi. Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap yang diilustrasikan di Gambar 1. 3.
Gambar 1. Proses Data Mining Tahap-tahap data mining yaitu [3] : 1. Pembersihan data (data cleaning) Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. 2. Integrasi data (data integration) Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. 3. Seleksi Data (Data Selection) Data yang ada didalam database seringkali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database. Sebagai 4. Transformasi data (Data Transformation) Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. 5. Aplikasi teknik Data mining, Merupakan suatu proses utama di mana metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data. 6. Evaluasi pola (pattern evaluation), Untuk mengidentifikasi pola-pola menarik untuk di representasikan 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. 7. Presentasi pengetahuan (knowledge presentation), Merupakan visualisasi dan penyajian pengetahuan mengenai teknik yang digunakan
Association rules
Association rules (aturan asosiasi) atau affinity analysis (analisis afinitas) berkenaan dengan studi tentang “apa bersama apa”. Aturan asosiasi ingin memberikan informasi tersebut dalam bentuk hubungan “if-then” atau “jika-maka”. Aturan ini dihitung dari data yang sifatnya probabilistik [6]. 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) [5]. Dari jumlah besar aturan yang mungkin dikembangkan, perlu memiliki aturan-aturan yang cukup kuat tingkat ketergantungan antar item dalam antecedent dan consequent. Untuk mengukur kekuatan aturan asosiasi ini, digunakan ukuran support dan confidence. Support adalah rasio antara jumlah transaksi yang memuat antecedent dan consequent dengan jumlah transaksi.
jumlah transaksi yang meliputi semua item dalam antecedent dan consequent dengan jumlah transaksi yang meliputi semua item dalam antecedent.
4.
Algoritma Apriori Algoritma apriori adalah algoritma 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. Pola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif dan juga beberapa teknik data mining lainnya. 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 157
support dari setiap item didapat, item yang memiliki support diatas minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset. Singkatan k-itemset berarti satu set yang terdiri dari k item. Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. Pertama dibuat kandidat 2-itemset dari kombinasi semua 1-itemset. Lalu untuk tiap kandidat 2-itemset ini dihitung support-nya dengan men-scan database. Support disini artinya jumlah transaksi dalam database yang mengandung kedua item dalam kandidat 2-itemset. Setelah support dari semua kandidat 2-itemset didapatkan, kandidat 2-itemset yang memenuhi syarat minimum support dapat ditetapkan sebagai 2-itemset yang juga merupakan pola frekuensi tinggi dengan panjang 2. Untuk selanjutnya pada iterasi ke-k dapat dibagi lagi menjadi beberapa bagian [5]: 1. Pembentukan kandidat itemset Kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu ciri dari algoritma Apriori adalah adanya pemangkasan kandidat kitemset yang subset-nya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1. 2. Penghitungan support dari tiap kandidat kitemset Support dari tiap kandidat k-itemset didapat dengan men-scan database untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset tersebut. Ini adalah juga ciri dari algoritma Apriori dimana diperlukan penghitungan dengan scan seluruh database sebanyak k-itemset terpanjang. 3. Tetapkan pola frekuensi tinggi Pola frekuensi tinggi yang memuat k item atau k-itemset ditetapkan dari kandidat k-itemset yang support-nya lebih besar dari minimum support. Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak, maka k ditambah satu dan kembali ke bagian 1. 5.
Sumber Data
Sumber data pada pembangunan aplikasi data mining ini diperoleh dari dua database terpisah yang tidak saling terkait satu sama lain. untuk itu diperlukan suatu data warehouse yang dapat menampung dari kedua sumber data tersebut. Selain itu penggunaan data warehouse juga bertujuan agar data transaksional dalam kedua database sumber tidak terganggu.
158
Gambar 2. Aliran data dalam proses data mining Data yang digunakan dalam penulisan tugas akhir ini terdiri dari dua sumber data, 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 di sebarkan ke fakultas masing-masing. Data yang dicatat dapat dilihat dalam tabel 1. Tabel 1. Tabel data induk mahasiswa Atribut Keterangan NIM (Nomor Nomor Induk Mahasiswa atau yang Induk disingkat dengan NIM adalah kode Mahasiswa) yang dimiliki mahasiswa sebagai nomer unik identitas diperguruan tinggi. Jenis kelamin Merupakan jenis kelamin mahasiswa yang bersangkutan Nama Merupakan nama lengkap mahasiswa mahasiswa yang bersangkutan Kota lahir Merupakan kota kabupaten atau kotamadya tempat mahasiswa bersangkutan dilahirkan Tanggal lahir Merupakan tanggal mahasiswa yang bersangkutan dilahirkan Agama Merupakan agama yang dianut mahasiswa yang bersangkutan Proses masuk Merupakan jenis jalur masuk ke perguruan tinggi yang diikuti mahasiswa bersangkutan. Proses masuk Universitas Diponegoro dalam rentang tahun 2000-2003 masih menggunakan SPMB (Seleksi Penerimaan Mahasiswa Baru) dan PSSB (Penjaringan Siswa-Siswa Berprestasi). Atribut Keterangan
Alamat mahasiswa Nama wali Alamat wali
Pendidikan Wali Nama asal sekolah Kota asal sekolah Tahun lulus asal sekolah Status asal sekolah Jurusan asal sekolah 2.
Merupakan alamat mahasiswa asal yang bersangkutan. Merupakan nama orang tua atau wali mahasiswa yang bersangkutan. Merupakan alamat orang tua atau walai mahasiswa yang bersangkutan Merupakan pendidikan orang tua atau wali mahasiswa yang bersangkutan Merupakan asal sekolah menengah lanjutan dari mahasiswa yang bersangkutan Merupakan kota asal sekolah menengah lanjutan dari mahasiswa yang bersangkutan Merupakan tahun lulus dari asal sekolah menengah lanjutan mahasiswa yang bersangkutan Merupakan status asal sekolah menengah lanjutan mahasiswa yang bersangkutan. Merupakan jurusan di asal sekolah menengah lanjutan
Indeks Prestasi Kumulatif (IPK)
Lama studi
Nama wali
Alamat wali
Data Kelulusan Data Kelulusan adalah data mahasiswa yang telah dinyatakan lulus. Data yang dicatat adalah identitas mahasiswa dan data kelengkapan kelulusan. Data yang dicatat dapat dilihat pada tabel 2. Tabel 2. Atribut data kelulusan Atribut Keterangan NIM Nomor Induk Mahasiswa (NIM) adalah kode yang dimiliki mahasiswa sebagai nomer unik identitas diperguruan tinggi. Terdiri dari 9 digit yang merepresentasikan fakultas, jurusan, dan angkatan masuk. Nama Merupakan nama lengkap Mahasiswa mahasiswa yang bersangkutan Atribut Keterangan Tempat, Merupakan kota kabupaten Tanggal lahir atau kotamadya tempat dan tanggal mahasiswa yang bersangkutan dilahirkan Program Studi Program studi dari mahasiswa yang bersangkutan Tanggal lulus Merupakan tanggal dimana mahasiswa yang bersangkutan dinyatakan lulus
Judul skripsi
Periode wisuda
Indeks Prestasi Kumulatif (IPK) adalah ukuran kemampuan mahasiswa sampai pada waktu tertentu yang dapat dihitung berdasarkan jumlah (satuan kredit semester) SKS mata kuliah yang diambil sampai pada periode tertentu dikalikan dengan nilai bobot masing-masing mata kuliah dibagi dengan jumlah seluruh SKS mata kuliah (Peraturan Akademik, 2009). Merupakan lama tempuh studi dihitung dimulai saat terdaftar sebagai mahasiswa sampai dinyatakan lulus. Merupakan nama orang tua atau wali mahasiswa yang bersangkutan. Merupakan alamat orang tua atau walai mahasiswa yang bersangkutan Merupakan judul skripsi dari mahasiswa yang bersangkutan Merupakan periode wisuda yang diikuti oleh mahasiswa yang bersangkutan. Di universitas diponegoro terdapat 4 periode wisuda.
Data induk mahasiswa yang diambil dalam sampel adalah data mahasiswa angkatan 2000, 2002 dan 2003. Hal ini didasarkan pada kebutuhan data dimana data akan di hubungkan dengan data kelulusan dengan asumsi bahwa mahasiswa angaktan 2000 -2003 akan lulus dari rentang waktu tahun 2004-2008. Sedangkan data kelulusan yang diambil adalah data kelulusan dari tahun 2004 sampai 2008. 6.
Integrasi Data
Di asumsikan bahwa data yang diambil sudah berupa tabel-tabel dalam satu server, untuk proses mining, data kelulusan dan data induk mahasiswa digabungkan dengan primary key NIM. Setelah itu baru dilakukan proses mining. Proses integrasi data dilakukan ketika proses ETL (ekstract, transform, and Load) ketika membangun data warehouse, dalam proses ETL data dalam data source digabungkan menjadi satu dalam data warehouse dengan key NIM.
159
7.
Transformasi Data
Tabel 4. Data Awal Kategori Proses kelulusan masuk J2A003002 A1 PSSB J2A003003 A2 SPMB J2A003004 A1 PSSB J2A003005 A3 SPMB J2A003006 B2 SPMB NIM Kategori Proses kelulusan masuk J2A003007 A3 SPMB J2A003008 A3 SPMB J2A003009 A2 PSSB J2A003011 A2 PSSB J2A003012 A2 PSSB J2A003013 B2 SPMB NIM
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. Berdasarkan Peraturan Akademik Universitas Diponegoro [1], data kelulusan 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 3.
Kategori A1
A2
A3
B1 B2 B3
Tabel 3. Transformasi data Keterangan lama studi 4 tahun atau kurang dari 4 tahun dan IPK 3,51 – 4,00 lama studi 4 tahun atau kurang dari 4 tahun dan IPK 2,76 – 3,50 lama studi 4 tahun atau kurang dari 4 tahun dan IPK 2,00 – 2,75 lama studi lebih dari 4 tahun dan IPK 3,51 – 4,00 lama studi lebih dari 4 tahun dan IPK 2,76 – 3,50 lama studi lebih dari 4 tahun dan IPK 2,00 – 2,75
Dari kombinasi yang terdapat di tabel 3 terdapat enam tingkatan untuk mengukur tingkat kelulusan mahasiswa. 8.
Tabel 5. Kandidat Pertama (C1) Item set Count A1 2 A2 4 A3 3 B2 2 PSSB 5 SPMB 6 Disini ditetapkan threshold = 3, maka kandidat yang nilainya dibawah 3 akan dihapus. Sehingga, didapat hasil seperti pada tabel 6 : Tabel 6. hasil setelah threshold ditetapkan (L1) Itemset Count A2 4 A3 3 PSSB 5 SPMB 6 Dari table 6 didapat kandidat kedua (C2) seperti pada tabel 7. Tabel 7. Kandidat kedua (C2) Itemset Count A2, PSSB 3 A2, SPMB 1 A3, PSSB 0 A3, SPMB 3
Penggunaan Algoritma Apriori
Proses mining untuk mengetahui hubungan tingkat kelulusan dengan proses masuk. Misal data seperti pada tabel 4.
160
Dari data awal tersebut didapat kandidat pertama (C1) seperti pada tabel 5. :
Setelah ditetapkan threshold menghasilkan data seperti pada tabel 8. Tabel 8. Hasil kedua (L2) Itemse Count A2, PSSB 3 A3, SPMB 3
Dari data-data diatas dapat diambil hasil sebagai berikut : Support A2, PSSB = A2,PSSB/Total data = 3/11 Support A3, SPMB = A3, SPMB /Total data = 3/11 Confidence A2, PSSB = A2,PSSB/A2 = 3/4 Confidence A3, SPMB = A3,SPMB/A3 = 3/3 Dapat lihat bahwa proses mining hubungan tingkat kelulusan dengan proses masuk mahasiswa dengan threshold 3 menghasilkan hubungan A2, PSSB mempunyai nilai support = 3/11 Confidence = 3/5 dan hubungan A3, SPMB mempunyai nilai support = 3/11 Confidence = 3/5 mempunyai PSSB mempunyai tingkat kelulusan A2 dan SPMB mempunya tingkat kelulusan A3 sehingga dapat disimpulkan bahwa mahasiswa yang melalui proses masuk PSSB mempunya tingkat kelulusan lebih bagus dibanding mahasiswa yang melalui proses masuk SPMB. Setelah proses mining akan disajikan hasil dari datamining berupa tabel hubungan kekuatan dengan nilai support dan confidence masing-masing atribut serta threshold yang digunakan. Spesifikasi Kebutuhan Fungsional Spesifikasi kebutuhan fungsional pada aplikasi data miningini merujuk pada kebutuhan akan perancangan data mining, seperti yang tertera berikut ini : 1. Dapat menggabungkan data yang akan diproses mining dari data kelulusan dan data induk mahasiswa 2. Dapat menghapus data-data yang tidak relevan serta atribut yang tidak dipakai 3. Dapat merubah data menjadi data yang siap diproses 4. Dapat memproses data untuk dimining yaitu hubungan tingkat kelulusan dengan proses masuk 5. Dapat menampilkan hasil proses mining dengan nilai support dan confidence
Gambar 3.7 merupakan DCD / DFD level-0 pada aplikasi data mining yang terdiri dari 2 input dan 1 output. Externalentity berupa pengguna atau user dan dua database yaitu database Kelulusan dan database Induk Mahasiswa. database kelulusan
user
database induk mahasiswa [data Kelulusan] [report mining proses masuk] 1.3
[data induk mahasiswa]
[report mining asal sekolah]
mining proses masuk
[report mining asal kota] 1.1 [report mining program studi]
1.4
import data
mining asal sekolah 1.5 mining asal kota
data kelulusan dan proses masuk data kelulusan dan asal sekolah
1.6 mining program studi
data kelulusan dan data induk
data kelulusan dan asal kota data kelulusan dan program studi 1.2 Cleaning Selection Integration Transformation
data gabungan data warehouse
9.
10. Pemodelan Fungsi Pemodelan fungsi digambarkan dengan DCD (Data Context Diagram), DFD (Data Flow Diagram) dan kamus data (Data Dictionary). database kelulusan
report mining asal sekolah report mining proses masuk user
report mining program studi report mining asal kota
1
data Kelulusan
Aplikasi Datamining
+
data induk mahasiswa database induk mahasiswa
Gambar 3 DFD Level-0
Gambar 4. DFD Level-1 Proses-proses yang terdapat pada aplikasi data mining: 1. Import Data Proses import data adalah proses load data dari database kelulusan dan database induk mahasiswa ke data warehouse. Semua data akan dimasukkan tanpa ada penyaringan. 2. Cleaning, Integrasi, Selection, dan transformasi a) Dalam tahap ini semua data yang akan di gunakan baik data kelulusan, data induk mahasiswa maupun data nilai semester dibersihkan dari record data yang tidak mempunyai atribut lengkap. Selain pembersihan record data yang tidak valid, juga dilakukan penghapusan atribut yang tidak dipakai, misalnya atribut gaji orang tua, nama orang tua dan lain-lain. Pembersihan data juga akan mempengaruhi performasi dari sistem data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya. b) Data induk mahasiswa, data nilai dan data kelulusan tidak disimpan dalam satu database, Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan entitas-entitas dengan satu atribut unik yaitu NIM 161
c)
3.
4.
5.
6.
Selection data adalah proses menyeleksi atribut apa yang akan diproses pada mining selanjutnya. d) Transformasi data merupakan proses mengubah data atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. Data yang dirubah yaitu lama studi dan IPK untuk mengukur tingkat kelulusan. Atribut lama studi dan IPK dibagi menjadi beberapa interval. Proses mining proses masuk merupakan proses mining untuk mengetahui hubungan tingkat kelulusan dengan proses masuk mahasiswa. Proses mining asal sekolah merupakan proses mining untuk mengetahui hubungan tingkat kelulusan dengan asal sekolah yang melalui jalur PSSB Proses mining asal kota merupakan proses mining untuk mengetahui hubungan tingkat kelulusan dengan asal kota mahasiswa, disini digunakan data kota asal sekolah dengan asumsi kota asal sekolah merupakan kota asal mahasiswa Proses mining program studi merupakan proses mining untuk mengetahui hubungan tingkat kelulusan dengan program studi.
11. Implementasi Data Implementasi rancangan data merupakan transformasi rancangan data yang dihasilkan dari proses perancangan data menjadi suatudatabase.Databasedisini merupakan suatu data warehouse dengan nama “dataMining”yang dibangun untuk menyimpan data kelulusan mahasiswa dan data induk mahasiswa yang disatukan dengan key NIM dan disimpan dalam tabel data gabungan. Penjelasan tabel data gabungan beserta field–field di dalamnya dapat dilihat pada tabel 9.
Tabel 9. Struktur tabel data gabungan
Nama Field NIM jenisKelamin namaMahasisw a tempatLahir tanggalLahir agama prosesMasuk alamatMahasis wa namaWali pendidikanWal i namaSekolah KotaSekolah tahunLulus statusSekolah
Type nvarcha r nvarcha r nvarcha r nvarcha r date nvarcha r nvarcha r nvarcha r nvarcha r nvarcha r nvarcha r nvarcha r year
tanggalLulus
nvarcha r nvarcha r nvarcha r Date
IPK lamaStudiThn lamaStudiBln judulSkripsi periodeWisuda
Float Integer Integer Text integer
jurusanSekolah programStudi
Panjan g Field 10
Ket Not Null
10 50 25
15 15 100 50 15 50 30
15 15 20
12. Analisa Hasil Hasil dari proses mining dapat dilihat dari form yang dihasilkan oleh aplikasi, berupa tabel item set dengan atribut item set, cacah jumlah item set atau count, support, dan confidence dari item set tersebut. Selain itu terdapat nilai masing-masing kategori yang mempunyai nilai confidence tertinggi dan support tertinggi. Dari gambar 5 dapat lihat bahwa proses mining hubungan tingkat kelulusan dengan proses 162
masuk mahasiswa jurusan matematika Universitas Diponegoro dengan threshold 0 menghasilkan hubungan A1, PSSB mempunyai nilai support = 0.8547 Confidence = 50% dan hubungan A1, UMPTN mempunyai nilai support = 0.8547 Confidence = 50% . sehingga dapat disimpulkan bahwa mahasiswa yang melalui proses masuk PSSB mempunya tingkat kelulusan sama dibanding mahasiswa yang melalui proses masuk SPMB.
Gambar 5. Analisa Hasil 13. Kesimpulan Kesimpulan adalah aplikasi data mining ini dapat digunakan untuk mengetahui hubungan tingkat kelulusan dengan data induk mahasiswa. Hubungan tersebut di ukur oleh nilai support dan confidence antar item. Data induk mahasiswa yang di proses mining meliputi proses masuk, asal sekolah, kota mahasiswa, dan program studi. Hasil dari proses data mining ini dapat digunakan sebagai pertimbangan dalam mengambil keputusan lebih lanjut tentang faktor yang mempengaruhi tingkat kelulusan khususnya faktor dalam data induk mahasiswa. Daftar Pustaka [1] Anonim, 2009 “Peraturan Akademik Universitas Diponegoro Bidang Pendidikan”, Semarang. [2] Davies, and Paul Beynon, 2004, “Database Systems Third Edition”, New York. Palgrave Macmillan. [3] Han, J. and Kamber, M, 2006, “Data Mining Concepts and Techniques Second Edition”. San Francisco, Morgan Kauffman. [4] Kusrini, dan Emha Taufik Luthfi, 2009, “Algoritma Data Mining”, Yogyakarta , Penerbit Andi. [5] Pramudiono, I. 2007. Pengantar Data Mining: Menambang Permata Pengetahuan di Gunung [6] Santosa, Budi, 2007, “DataMiningTeknik Pemanfaatan Data untuk Keperluan Bisnis”, Yogyakarta, Graha Ilmu. 163
