Penelitian Pemula
LAPORAN AKHIR PENELITIAN PEMULA
PENGGUNAAN EDUCATIONAL DATA MINING (EDM) UNTUK MENDETEKSI KETERLAMBATAN MASA STUDI MAHASISWA (STUDI KASUS UDINUS)
Dibiayai oleh DIKTI dengan No. Kontrak 023/A.35-02/UDN.09/V/2016
(Ketua) Defri Kurniawan, M.Kom (Anggota 1) Wibowo Wicaksono, S.T, M.Kom (Anggota 2) Yani Parti Astuti, S.Si, M.Kom
NIDN: 0613128502 NIDN: 0629107603 NIDN: 0606107401
Universitas Dian Nuswantoro Semarang 2016
HALAMAN PENGESAHAN
RINGKASAN Setiap universitas pasti mempunyai target kualitas dalam hal pendidikan, salah satunya adalah masa studi mahasiswanya. Semakin banyak mahasiswa yang lulus tepat waktu, maka bisa dikatakan bahwa universitas tersebut mempunyai sistem pengajaran yang baik. Untuk itu semua universitas pasti akan berupaya terus agar mahasiswanya bisa lulus tepat waktu. Dalam hal ini terdapat beberapa cara untuk melakukan pengolahan data, salah satunya dengan pendekatan Education Data Mining (EDM). Pendekatan ini dilakukan untuk memprediksi kinerja akademik dengan cara klasifikasi. Metode klasifikasi yang digunakan adalah Metode Decision Tree (Pohon Keputusan) dengan Algoritma C4.5 digunakan untuk menemukan pola (pattern) klasifikasi terhadap penggolongan masastudimahasiswayaitu tepat waktu atau tidak tepat. Datayang diperoleh dari program studiTeknikInformatika S-1 UDINUS dengan menggabungkan data profil mahasiswa dan data akademik mahasiswa dari tahun 2008 sampai dengan 2012. Penggunaan Algoritma C4.5 mampu menunjukkan hasil pola klasifikasi kinerja akademik mahasiswamelalui pohon keputusan yang terbentuk dan memberikan tingkat akurasi klasifikasi yang baik yaitu mencapai 73,68% (tujuh puluh tiga koma enam delapan persen). Dalam penelitian ini akan menghasilkan luaran berupa satu jurnal nasional ber-ISSN pada Unwahas bernama Jurnal Ilmiah Momentum, prosiding Seminar Nasional di Universitas PGRI Semarang (UPGRIS) dan satu materi / bahan ajar dengan format power point tentang Algoritma C 45 pada mata kuliah data mining. Kata Kunci: Masa Studi Mahasiswa, Educational Data Mining, Data Mining, Algoritma C4.5
PRAKATA Puji syukur kehadirat Allah SWT. Shalawat dan salamselalu tercurahkan kepada Rasulullah SAW. Berkat limpahan dan rahmat-Nya sehingga penyusun mampu menyelesaikanpenelitian dosen pemula ini.Dalam penyusunan laporan ini,tidak sedikit hambatan yang penulis hadapi. Namun penulis menyadari bahwa kelancaran dalam penyusunan materi ini tidak lain berkat bantuan, dorongan, dan bimbingan rekan kerja, sehingga kendala-kendala yang penulis hadapi teratasi.Penelitian ini disusun agar pembaca dapat memperluas ilmu tentang data mining terutama algoritma, yang penulis sajikan berdasarkan pengamatan dari berbagai sumber informasi, referensi, dan berita.Penelitian ini disusun oleh penyusun dengan berbagai rintangan.Baik itu yang datang dari diri penyusun maupun yang datang dari luar.Namun dengan penuh kesabaran dan terutama pertolongan dari Allah akhirnya penelitian ini dapat terselesaikan.Semoga penelitian ini dapat memberikan wawasan yang lebih luas dan menjadi sumbangan pemikiran kepada pembaca khususnya para mahasiswa dan dosenseluruh Indonesia.Penulis sadar akan kekurangan dan ketidak sempurnaan dalam penulisan laporan ini.Oleh karena itu, penulis meminta masukan dan saran demi perbaikan pembuatan penelitian di masa mendatang.
Semarang, Agustus 2016
Penyusun
DAFTAR ISI
Halaman Pengesahan ................................................................................................................ iv Ringkasan....................................................................................................................................v PRAKATA................................................................................................................................ vi DAFTAR ISI............................................................................................................................ vii DAFTAR TABEL.......................................................................................................................1 BAB 1. PENDAHULUAN .........................................................................................................2 1.1 Latar Belakang Masalah ......................................................................................2 1.2 Rumusan Masalah................................................................................................3 1.3 Tujuan Penelitian .................................................................................................4 1.4 Urgensi Penelitian................................................................................................4 1.5 Luaran Yang Diharapkan.....................................................................................4 BAB 2. STUDI PUSTAKA ........................................................................................................5 2.1 Data Mining .........................................................................................................5 2.2 Algoritma C4.5 ....................................................................................................8 2.3 Penelitian Serupa yang Pernah Dilakukan Sebelumnya ....................................10 BAB 3 TUJUAN DAN MANFAAT PENELITIAN ................................................................11 3.1.
Metode Penelitian .......................................................................................11
3.2.
Manfaat Penelitian......................................................................................11
BAB 4. METODE PENELITIAN ............................................................................................12 4.1 Metode Penelitian ..............................................................................................12 4.2 Tahapan, Luaran, dan Indikator Penelitian ........................................................12 4.3 Desain Penelitian ...............................................................................................13 4.4 Metode yang Diusulkan .....................................................................................14 BAB V HASIL YANG DICAPAI............................................................................................16
5.1
Laporan Akhir Penelitian ...............................................................................16
5.1.1 Indikator Pencapaian.......................................................................................16 5.1.2 5.2
Laporan Akhir.............................................................................................16 Implementasi Hasil Penelitian........................................................................17
BAB VI KESIMPULAN DAN SARAN ....................................................................................1 6.1
Kesimpulan.......................................................................................................1
6.2 Saran ....................................................................................................................1 DAFTAR PUSTAKA .................................................................................................................2 LAMPIRAN-LAMPIRAN .........................................................................................................4 Lampiran 1. Justifikasi Penggunaan Anggaran Penelitian ........................................4 Lampiran 2 Susunan Organisasi Tim Peneliti dan Pembagian Tugas .......................6 Lampiran 3 Biodata Ketua Pelaksana ........................................................................6 Lampiran 4 Biodata Anggota Peneliti........................................................................9 Lampiran 5 Biodata Anggota Peneliti......................................................................12 Lampiran 6 Makalah Seminar Nasional di UPGRIS ..............................................14 Lampiran 7 Materi Bahan Ajar Algoritma C4.5 Data Mining................................20 Lampiran 8 Jurnal Nasional Momentum di Unwahas ............................................24 Lampiran 9 Formulir Evaluasi Atas Capaian Luaran Kegiatan...............................29 Lampiran 10 Rekapitulasi Penggunaan Dana Penelitian .........................................31
DAFTAR GAMBAR
Gambar 1 Data Mining Roots ....................................................................................................6 Gambar 2 Contoh konsep pohon keputusan untuk menentukan pembelian komputer berdasarkan atribut age, student dan credit rating.....................................................................8 Gambar 3 Metode Penelitian ...................................................................................................12 Gambar 4 Desain Penelitian.....................................................................................................14 Gambar 5 Hasil Pengolahan Data Awal ..................................................................................17 Gambar 6 Hasil Classification Accuracy (CA) Algoritma C4.5..............................................18 Gambar 7 Hasil Tabel Confusion Matrix Algoritma C4.5 ......................................................18
DAFTAR TABEL Tabel 1Penelitian terkait...........................................................................................................10 Tabel 2Tahapan, Luaran, dan Indikator Penelitian yang Akan Dilakukan ..............................13 Tabel 3Confussion Matrix ........................................................................................................15 Tabel 4Uraian Laporan Kemajuan ...........................................................................................16
BAB 1. PENDAHULUAN 1.1 Latar Belakang Masalah Universitas Dian Nuswantoro (UDINUS) memiliki Fakultas Ilmu Komputer (Fasilkom) yang merupakan fakultas terbesar dari 4 (empat) fakultas yang ada.Hal ini dapat dilihat dari jumlah program studi yang ada, Fasilkom memiliki 6 (enam) program studi.Salah satu program studi dengan mahasiswa terbesar ada pada Teknik Informatika S-1.Jumlah mahasiswa yang besar tersebut harus dapat diimbangi dengan kualitas sistem pendidikan yang diberikan kepada mahasiswa. Salah satu cara untuk mencapai tingkat kualitas tertinggi dalam sistem pendidikan tinggi adalah dengan menemukan pengetahuan dari data pendidikan untuk mempelajari atribut utama yang dapat mempengaruhi kinerja siswa (Abu Tair & Al-Helees, 2012). Atribut masa studi merupakan hal penting bagi pengelola akademik, bagaimana mahasiswa dapat lulus dengan tepat waktu merupakan suatu upaya yang terus dilakukan. Masih banyaknya mahasiswa yang tidak lulus tepat waktu merupakan masalah serius bagi universitas. Dengan dapat memprediksi masa studi mahasiswa yang tidak tepat waktu, pihak universitas dapat meminimalisir kegagalan kelulusan mahasiswa dengan membuat perencanaan, pengawalan studi dan bimbingan lebih intensif. Menganalisa kinerja mahasiswa (student performance), mengidentifikasi keunikan-keunikan yang ada pada mahasiswa dan membangun suatu strategi pengembangan lebih lanjut dan tindakan-tindakan di masa depan, merupakan tantangan utama bagi universitas modern saat ini (Kabakchieva, 2013). Data miningdapat diusulkan sebagai salah satu pendekatan yang dapat dilakukan untuk memprediksi kinerja siswa (Osmanbegovic & Suljic, 2012). Hal ini didukung dengan adanya data yang melimpah pada universitas.Data mining merupakan suatu cara dalam menggali informasi dari sejumlah data yang biasanya tersimpan dalam repositori dengan menggunakan teknologi pengenalan pola, statistik dan teknik matematika(Larose, 2006).Penerapan metode data miningdalam menganalisis data yang tersedia di lembaga pendidikan didefinisikan sebagai Educational Data Mining (EDM) (Romero & Ventura, 2007). Dan merupakan suatu aliran yang relatif baru dalam penelitian data mining.EDM menggunakan beberapa teknik seperti Decision Trees, Neural Networks, Naïve Bayes, KNearest Neighbordan lainnya(Yadav & Pal, 2012). EDM berkaitan dengan pengembangan metode untuk mengeksplorasi jenis yang unik dari data-data pada pengelolaan pendidikan dan menggunakannya
untuk
lebih
memahami
siswa
dan
pengelolaannya(Baker,
2010).Pengetahuan yang ditemukan dari data mining dapat digunakan untuk menawarkan suatu rekomendasi kepada perencana akademik di lembaga pendidikan tinggi dalam meningkatkan proses pengambilan keputusan (decision making), meningkatkan kinerja
akademik dan memangkas tingkat kegagalan siswa serta lebih memahami perilaku para siswa(Abu Tair & Al-Helees, 2012). Hal tersebutmerupakan tujuan-tujuan yang ingin dicapai dalam pemanfaatan data mining di bidang pendidikan. Penetian mengenai data mining pada lembaga pendidikan telah banyak dilakukan oleh para peneliti.Dorina Kabakchieva melakukan penelitian yang bertujuan untuk menganalisis kinerja algoritma klasifikasi data mining yang berbeda menggunakan Decision Tree classifier, Bayes classifiers dan Nearest Neighbour classifier pada University of National and World Economy (UNWE), Bulgaria (Kabakchieva, 2013). Hasil performa pengklasifikasi menunjukkan bahwa klasifikasi pohon keputusan / Decision Tree classifier (J48) memiliki akurasi keseluruhan tertinggi, diikuti oleh rule learner (JRip) dan k-NN classifier serta Bayes classifier kurang akurat daripada yang lain. Penelitian yang lainyaitu Marselina Silvia Suhartinah dan Ernastuti melakukan penelitian untuk memprediksi mahasiswa yang lulus atau tidak lulus sesuai dengan waktu studi menggunakan algoritma C4.5 dan Naive Bayes serta membandingkan hasil akurasi kedua algoritma tersebut(Suhartinah & Ernastuti, 2010). Hasil penelitian ini, menunjukkan bahwa akurasi algoritma C4.5 lebih baik 85,7% dari Naive Bayes80,85%. Pada penelitian Surjeet Kumar Yadav dan Saurabh Pal membandingkan metode pengklasifikasi Decision Tree ID3, CART dan C4.5 untuk memprediksi performas siswa (Yadav & Pal, 2012).Hasil penelitian menunjukkan bahwa algoritma C4.5 memiliki akurasi tertinggi dari algoritma ID3 dan CART serta algoritma C4.5 menunjukkansebagai model yang berhasil mengidentifikasi siswa yang cenderung gagal. Dari penelitian di atas, decision treemenunjukkan keunggulan dibandingkan dengan algoritma yang lain. Karena pada algoritma C4.5setiap nilai dalam suatu atribut ditelusuri dan diproses untuk mendapatkan entropi masing-masing nilai yang akan digunakan untuk mencari ukuran purity masing-masing atribut yang dinyatakan dengan information gain. (Suhartinah & Ernastuti, 2010)Proses penelusuran ini akan membentuk sebuah pola berupa pohon keputusan. Dari keunggulan-keunggulan di atas, pada penelitian ini algoritma C4.5 diusulkan untuk memprediksi masa studi mahasiswa di program studi Teknik Informatika S-1 UDINUS.
1.2 Rumusan Masalah Berdasarkan latar belakang di atas, didapatkan rumusan masalah meliputi: Sulitnya memahami dan menemukan pola studi mahasiswa terhadap atribut data mahasiswa dan data perkuliahan yang berpengaruh pada masa studi mahasiswa dalam jumlah data besar.
Pertanyaan penelitian: Atribut manakah yang merupakan penentu, mahasiswa dapat lulus tepat waktu atau tidak apabila algoritma C4.5 diterapkan dalam membangun pohon keputusan?
1.3 Tujuan Penelitian Penelitian ini bertujuan untuk: 1. Menerapkan pendekatan data mining dengan menggunakan algoritma C4.5 untuk memprediksi masa studi mahasiswa di program studi Teknik Informatika S-1 UDINUS. 2. Menemukan suatu pola berupa pohon keputusan yang dapat membantu universitas dalam proses pengambilan keputusan sebagai antisipasi kegagalan studi mahasiswa.
1.4 Urgensi Penelitian Mengingat kelulusan merupakan suatu upaya yang menjadi target dalam kegiatan belajar mengajar. Maka menemukan faktor yang mempengaruhi kelulusan mahasiswa menjadi penting. Faktor apa yang menjadi parameter dalam menentukan mahasiswa bisa lulus tepat waktu atau tidak. Sehingga pihak akademik / pengelola kampus dapat membuat strategistrategi atau kebijakan-kebijakan tertentu dalam meningkatkan kinerja mahasiswa.
1.5 Luaran Yang Diharapkan Secara spesifik luaran yang akan dicapai pada penelitian ini, yaitu: 1. Bahan Ajar Perkuliahan Hasil penelitian ini dapat digunakan sebagai studi kasus dalam perkuliahan data mining. 2. Publikasi Ilmiah Hasil penelitian ini akan dipublikasikan secara ilmiah melalui konferensi nasional dan dalam jurnal ilmiah terakreditasi.
BAB 2. STUDI PUSTAKA 2.1 Data Mining Data mining merupakan suatu cara dalam penggalian informasi dari sejumlah data yang biasanya tersimpan dalam repositori dengan menggunakan teknologi pengenalan pola, statistik dan teknik matematika (Larose, 2006). Penggunaan data mining telah muncul untuk diterapkan di berbagai bidang, baik dari bidang akademis, bisnis ataupun kegiatan medis pada khususnya(Gurunescu, 2011). Secara umum, data mining dikenal dengan proses penggalian data. Data mining diperlukan untuk mengungkapkan informasi yang tersembunyi, dimana adanya
keterbatasan
kemampuan
analisis
manusia
dan
cara
tradisional
yang
dilakukan(Gurunescu, 2011). Tekanan adanya metode baru ini muncul, seiring dengan berkembangnya ilmu komputer dan kemampuan komputasi.Data mining juga dikenal sebagai "knowledgediscovery
in
databases"(KDD), memiliki
tiga akar generik
meliputi(Gurunescu, 2011): 1. Statistik Merupakan akar tertua, tanpa adanya statistik data mining tidak akan pernah ada. Pada statistik terdapat teknik analisis yaitu Exploratory Data Analysis (EDA)yang digunakan untuk mengidentifikasi hubungan antara variabel yang berbeda. Teknik EDA pada data mining bisa disebutkan dengan:
Metode Komputasi (computational methods) yaitu dengan adanya parameter statistik klasik meliputi means, median, standar deviasi, dan lain-lain. Teknik eksplorasi multivariant (analisis klaster, faktor analisis, analisis komponen utama dan klasifikasi,analisis diskriminan, pohon klasifikasi, analisis korespondensi), advanced linear / non linier models (linear / non-linear regresi, time series / peramalan dan lainlain).
Visualisasi Data (Data Visualization) bertujuan untuk mewakili informasi dalam bentuk visual. Di antara teknik-teknik visualisasi yang paling umum, dapat ditemukan: histogram dari segala jenis (kolom, silinder, kerucut, piramida, pie, bar, dan lain-lain), kotak plot, scatter plot, plot kontur, plot matriks.
2. Kecerdasan Buatan (Artificial Intelligence) Kecerdasan Buatan memberikan kontribusi dengan teknik pengolahaninformasi yang mendasarkan pada penalaran model manusia terhadap pengembangan data mining. Terkait dengan Kecerdasan Buatan, Machine Learning (ML) merupakan disiplin
ilmu yang sangat penting dalam pembangunan data mining. ML menggunakan teknik yang memungkinkan mesin dalam hal ini komputer untuk belajar melalui suatu proses training ataupelatihan. Dalam konteks ini, dapat dipertimbangkan pula Natural Computing (NC) sebagai akar tambahan yang kuat untuk data mining.
3. Sistem Basis Data (Database Systems) Dianggap
sebagai
akar
ketiga
pada
data
mining,
menyediakan
informasi yang akan 'ditambang' menggunakan metode-metode yang disebutkan di atas.
Artificial Intelligence Machine Learning
Statistics Natural Computing
DATA MINING
Database Systems
Gambar 1 Data Mining Roots
Keperluan akandata mining dapat terlihat pada area atau sektor kehidupan nyata yang membutuhkan teknik-teknik investigasi tersebut yaitu:
Ekonomi (Bisnis-Keuangan) Ada sejumlah besar data yang telah dikumpulkan di berbagai bidang seperti: data web, e-commerce, super / hypermarket data, keuangan dan transaksi perbankan, dll, siap untuk dianalisis dalam rangka mengambil keputusan yang optimal.
Perawatan Kesehatan Saat ini terdapat banyak database dalam perawatan kesehatan baik dari medis maupun dari farmasi. Namun sebagian hanya dianalisis, terutama dengan adanya alat medis tertentu yang berisi informasi yang besar namun tidak cukup dieksplorasi.
Penelitian Ilmiah Ada database besar dikumpulkan selama bertahun-tahun di berbagai bidang baik pada astronomi, meteorologi, biologi, linguistik, dan lain-ainl yang tidak dapat dieksplorasi dengan cara tradisional. Proses ‘penambangan data’ dapat diidentifikasi dengan tiga langkah karekteristik dari
proses data mining yang meliputi(Gurunescu, 2011): 1. Eksplorasi Data (Exploring data) Penjelajahan data yang terdiri dari cleaning atau pembersihan data, transformasi data, dimensi pengurangan, seleksi fitur subset dan lain-lain. 2. Membangun Model dan Melakukan Validasi (Building the model and its validation) Membangun modeldan melakukan validasi yang mengacu pada analisis dari berbagai modeldan memilih yang memiliki kinerja terbaik dari perkiraan model evaluasi yang kompetitif. 3. Menerapkan (Applying) Menerapkan model data baru untuk menghasilkan perkiraan yang benar/perkiraan untuk masalah yang diselidiki. Data mining dapat digunakan untuk menyelesaikan tugas – tugas yang paling umum, berhubungan dengan tugas seperti (Larose, 2006): 1. Description (Deskripsi) Hasil dari data mining dapat menjelaskan pola yang ditemukan dengan jelas yang mengarah pada suatu hasil yang transparan dengan berbagai metode yang dapat digunakan. 2. Estimation (Estimasi) Model yang dibagun menggunakan catatan lengkap yang memberikan nilai dari variabel sasaran serta prediktornya.Ketika ada pengamatan baru, perkiraan dari nilai variabel target yang dibuat didasarkan pada nilai-nilai prediktornya. 3. Prediction (Peramalan) Prediksi mirip dengan klasifikasi dan estimasi, hal ini dapat dilihat dari metode dan teknik yang digunakan untuk klasifikasi dapat juga digunakan untuk memprediksi suatu keadaan dengan tepat. 4. Classification (Klasifikasi) Pada tugas klasifikasi ada variabel target yang dibuat kategoris, misalkan variabel pendapatan dapat dikategorikan menjadi tiga kelas: pendapatan tinggi, menengah dan
rendah. Ketika ada data baru untuk mengklasifikasikan data tersebut masuk kategori yang mana. Maka dengan menggunakan algoritma akan memeriksa variabel prediktor kemudian menggolongkan data baru tersebut pada suatu klasifikasi. 5. Clustering (Pengelompokan) Clustering berbeda dengan klasifikasi, dimana clustering tidak punya tujuan untuk mengklasifikasi, estimasi, atau prediksi.Clustering mencoba untuk mengelompokkan segmen dari beberapa data yang memiliki suatu kesamaan / homogen. 6. Association (Asosiasi) Tugas asosiasi adalah menemunkan suatu pola dari hubungan beberapa variabel.Dalam dunia bisnis lazim dikenal dengan Market Based Analysis.Dengan aturan dari asosiasi yaitu “if antecedent, then consequent”.
2.2 Algoritma C4.5 Pohon keputusan mirip sebuah sebuah struktur pohon dimana terdapat node internal (bukan daun) yang mendeskripsikan atribut-atribut, setiap cabang menggambarkan hasil dari atribut yang diuji, dan setiap daun menggambarkan kelas. Pohon keputusan bekerja mulai dari akar paling atas, jika diberikan sejumlah data uji, misalnya X dimana kelas dari data X belum diketahui, maka pohon keputusan akan menelusuri mulai dari akar sampai node dan setiap nilai dari atribut sesuai data X diuji apakah sesuai dengan aturan pohon keputusan, kemudian pohon keputusan akan memprediksi kelas dari tupel X (Firmansyah, 2011).
Gambar 2 Contoh konsep pohon keputusan untuk menentukan pembelian komputer berdasarkan atribut age, student dan credit rating.
Gambar 2 menggambarkan pohon keputusan untuk memprediksi apakahseseorang membeli komputer. Node internal disimbolkan dengan persegi, cabangdisimbolkan dengan garis, dan daun disimbolkan dengan oval. Algoritma C4.5 dan pohon keputusan merupakan dua model yang takterpisahkan, karena untuk membangun sebuah pohon keputusan, dibutuhanalgoritma C4.5. Di akhir tahun 1970 hingga di awal tahun 1980-an, J. RossQuinlan seorang peneliti di bidang mesin pembelajaran mengembangkan sebuahmodel pohon keputusan yang dinamakan ID3 (Iterative Dichotomiser), walaupunsebenarnya proyek ini telah dibuat sebelumnya oleh E.B. Hunt, J. Marin, dan P.T.Stone. Kemudian Quinlan membuat algoritma dari pengembangan ID3 yangdinamakan C4.5 yang berbasis supervised learning. Ada beberapa tahap dalam membuat sebuah pohon keputusan denganalgoritma C4.5 (Kusrini & Luthfi, 2009), yaitu : 1. Menyiapkan data training. Data training biasanya diambil dari data histori yangpernah terjadi sebelumnya dan sudah dikelompokkan ke dalam kelas-kelastertentu. 2. Menentukan akar dari pohon. Akar akan diambil dari atribut yangterpilih,dengan cara menghitung nilai Gain dari masing-masing atribut, nilaiGain yang paling tinggi yang akan menjadi akar pertama. Sebelum menghitungnilai Gain dari atribut, hitung dahulu nilai entropy yaitu :
Keterangan : S : himpunan kasus n : jumlah partisi S pi: proporsi dari Si terhadap S 3. Kemudian hitung nilai Gain dengan metode information gain : ( , )=
Keterangan :
( )−
| | ∗ | |
S : himpunan kasus A : atribut n : jumlah partisi atribut A |Si| : jumlah kasus pada partisi ke-i |S| : jumlah kasus dalam S 4. Ulangi langkah ke-2 hingga semua tupel terpartisi. 5. Proses partisi pohon keputusan akan berhenti saat :
( )
a. Semua tupel dalam node N mendapat kelas yang sama. b. Tidak ada atribut di dalam tupel yang dipartisi lagi. Tidak ada tupel di dalam cabang yang kosong.
2.3 Penelitian Serupa yang Pernah Dilakukan Sebelumnya Penelitian yang dilakukan dengan menggunakan pendekatan data mining untuk memprediksi kinerja siswa (student performance) telah dilakukan oleh peneliti-peneliti sebelumnya. Berikut merupakan beberapa penelitian terkait baik international maupun nasional yang pernah dilakukan, meliputi:
Tabel 1 Penelitian terkait Tahun Peneliti 2012
Surjeet Kumar Yadav dan Saurabh Pal
Judul Penelitian
Publikasi
Data Mining A Prediction forPerformance
World of Computer
Improvement ofEngineering Students
Science and
usingClassification
Information Technology Journal (WCSIT)
2012
Edin
Data mining approach for predicting
Economic Review –
Osmanbegović
student performance
Journal of Economics
dan Mirza
and Business
Suljić 2013
2010
Dorina
Predicting Student Performance by
Cybernetics And
Kabakchieva
Using Data Mining Methods for
Information
Classification
Technologies
Diana Laily
Sistem Pendukung Keputusan Untuk
Prosiding SNATIF Ke-1
Fithri dan Eko
Memprediksi KelulusanMahasiswa
Tahun 2014
Darmanto
Menggunakan Metode Naïve Bayes
BAB 3 TUJUAN DAN MANFAAT PENELITIAN 3.1. Metode Penelitian Penelitian ini mempunyai tujuan utama untuk mengetahui kinerja Algoritma C 45 untuk memprediksi kelulusan mahasiswa.Dalam hal ini dibutuhkan beberapa variable untuk mengevaluasi algoritma tersebut. Untuk itu penulis menggunakan data mahasiswa Universitas Dian Nuswantoro sebagai studi kasus sehingga penelitian ini bisa bermanfaat dalam waktu sekarang dan masa yang akan datang. 3.2. Manfaat Penelitian Bagi Pembaca
Memperkenalkan Algoritma C4.5 sebagai algoritma yang bisa digunakan sebagai masalah prediksi.
Diharapkan dapat digunakan sebagai sumber informasi untuk penelitian lebih lanjut.
Dapat dijadikan acuan sebagai materi pembanding performa Algoritma C 5 dengan algoritma lain dalam hal prediksi
Bagi Penulis
Dengan penelitian ini diharapkan teknik tersebut menjadi sarana menerapkan materimateri yang telah didapat selama ini dan mengembangkan ilmu.
Mengetahui performa Algoritma C 45 untuk masalah prediksi.
Melatih penulis dalam memahami permasalahan yang ada tentang bagaimana prosedur pengolahan data yang baik dan benar berdasarkan kaedah dan aturan sistem yang ada.
BAB 4. METODE PENELITIAN 4.1 Metode Penelitian Metode penelitian yang dilakukan adalah metode penelitian eksperimen dengan tahapan penelitian sebagai berikut(Santoso, 2007):
PENGUMPULAN DATA Data yang dikumpulkan adalah data identitas mahasiswa dan data KRS Teknik Informatika S-1 Semester 1-8 Angkatan 2008 s.d 2011 UDINUS
PENGOLAHAN AWAL DATA Data yang didapatkan selanjutnya diolah (preprocessing) dengan penerapan data integrasi dan data reduction
MODEL/METODE YANG DIUSULKAN Metode menggunakan Decission Tree dengan Algoritma C4.5
EKSPERIMEN DAN PENGUJIAN MODEL Pengujian dilakukan dengan menggunakan sebagian data untuk training dansebagian lagi digunakan sebagai data testing
EVALUASI DAN VALIDASI HASIL Evaluasi dilakukan dengan mengamati hasil prediksi menggunakan Algoritma C4.5 danvalidasi dilakukan dengan mengukur hasil prediksi dibandingkan dengan data asal
Gambar 3 Metode Penelitian
4.2 Tahapan, Luaran, dan Indikator Penelitian Bagian ini membahas mengenai tahapan yang akan dilakukan, luaran yang diharapkan. Beberapa indikator keberhasilan dapat dijabarkan pada Tabel 1:
Tabel 2 Tahapan, Luaran, dan Indikator Penelitian yang Akan Dilakukan Tahapan
Luaran
Indikator
1. Perancangan Algoritma Analisa masalah
Identifikasi masalah yang ada dan
Teori pendukung yang sesuai
dan studi pustaka
pengembangan teori pendukung
dalam menyelesaikan masalah
Desain Algoritma
Memilih dan perancangan algoritma
Kesesuaian desain algoritma
yang sesuai dengan permasalahan dan
dengan kebutuhan sistem dalam
kebutuhan sistem
penyelesaian masalah
2. Preprocessing (Pengolahan Data Awal) Data Integration
Mengintegrasikan data mahasiswa
Mendapatkan data utuh yaitu profil
dengan data akademik (ipk, masa studi)
mahasiswa beserta ipk dan masa studinya
Data Reduction
Mengeliminasi recordpada kolom jenis
Mendapatkan data yang valid yaitu
sekolah asal dan lokasi tinggal yang
data yang tidak mempunyai nilai
tidak terisi pada data mahasiswa
kosong
3. Sampling dan Implementasi Algoritma Pengambilan
Melakukan sampling data dengan
Mendapatkan data untuk training
Sample Data
menggunakan random sampling dengan
dan testing
komposisi data training 80% dan data testing 20% dari data valid yang didapat Penerapan
Menerapkan algoritma C4.5 dengan
Mendapatkan graph pohon
Algoritma C4.5
software Orange
keputusan dan variabel penentu klasifikasi masa studi mahasiswa
4. Pengujian dan Evaluasi Pengujian dan
Menguji dan mengevaluasi model
Mendapatkan hasil nilai akurasi
Evaluasi
kinerja algoritma C4.5
klasifikasi algoritma C4.5 dan tabel confusion matrix
4.3 Desain Penelitian Desain penelitian ini adalah proses perencanaan yang akan dilakukan dalam penelitian. Penelitiakan memperoleh informasi lebih lanjut sehingga hipotesis yang dihasilkan dapat diuji dengan baik. Setiap tahap dibuat untuk menentukan keberhasilan penelitian yang dilakukan, mulai dari pengumpulan data sampai dengan cara memperoleh pernyataan yang sah sesuai dengan hasil pengujian. Gambar 4 mengilustrasikan langkah - langkah yang akan diterapkan dalam penelitian ini. Rincian informasi yang akan ditampilkan pada bagian berikut:
Rumusan Masalah Sulitnya memahami dan menemukan pola studi mahasiswa terhadap atribut data mahasiswa dan data perkuliahan yang berpengaruh pada masa studi mahasiswa dalam jumlah data yang besar.
Pendekatan Data Mining dengan algoritma C4.5
Implementasi Menggunakan software Orange untuk melakukan pekerjaan klasifikasi dan prediksi masa studi mahasiswa berdasarkan data identitas mahasiswa dan data krs
Pengukuran Menggunakan Confussion matrix untuk mendapatkan nilai akurasi dari algoritma C4.5
Gambar 4 Desain Penelitian
4.4 Metode yang Diusulkan Metode yang diusulkan dalam penelitian ini adalahDecision Treealgoritma C4.5 untuk memprediksi masa studi mahasiswa Teknik Informatika S-1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang. Tahapan eksperimen pada penelitian ini adalah: 1. Menyiapkan data untuk melakukan eksperimen 2. Preprocessing data dengan mereduksi data – data yang kosong 3. Eksperimen menggunakan metode C4.5 dengan Software Orange 4. Menghitung akurasi dari penggunaan metode C4.5 5. Menganalisa hasil dari penggunaan metode C4.5 Pengujian terhadap model klasifikasi yang dihasilkan akan diukur dengan menggunakan confussion matrix. Confussion matrix merupakan alat ukur yang digunakan
untuk mengukur performa klasifikasi. Dalam hal ini akan digunakan confussion matrix dua kelas sebagai berikut: Tabel 3 Confussion Matrix Kelas Prediksi
Kelas Aktual
Kelas Tepat
Kelas Tidak Tepat
Waktu
Waktu
Kelas tepat waktu
TP (True Positive)
FN (False Negative)
Kelas tidak tepat waktu
FP(False Positive)
TN (True negative)
Matriks baris pertama menunjukkan data – data mahasiswa yang berada di kelas tepat waktu, di mana data yang diklasifikasikan dengan benar sejumlah TP dan jumlah data yang salah diklasifikasikan sebagai kelas tidak tepat waktu sejumlah FN. Matriks baris kedua menunjukkan data – data mahasiswa yang berada di kelas tidak tepat waktu, di mana data yang diklasifikasikan benar sejumlah TN dan jumlah data yang salah diklasifikasikan sebagai kelas tepat waktu sejumlah FP. Dari confussion matrix tersebut akan dilakukan pengukuran tentang akurasi, presisi dan recall dari model yang dihasilkan. Selanjutnya untuk dianalisa dari pengukuran tersebut.
BAB V HASIL YANG DICAPAI
5.1 Laporan Akhir Penelitian 5.1.1 Indikator Pencapaian Adapun pencapaian yang telah didapat antara lain: a. Evaluasi Algoritma C4.5 dengan menggunakan aplikasi Orange sebesar 73,68% b. Pemaparan prosiding seminar nasional di Upgris (Universitas PGRI Semarang) pada tanggal 03 September 2016 c. Satu buah materi perkuliahan pada matakuliah data mining tentang algoritma C4.5. d. Jurnal telah dipublikasikan tanggal 02 oktober 2016 pada"MOMENTUM" (Jurnal Ilmiah yang dikelola oleh Fakultas Teknik Universitas Wahid Hasyim dengan ISSN 0216-7395)
5.1.2
Laporan Akhir
Adapun laporan akhir yang dapat dilaporkan antara lain: a. Kegiatan penelitian berjalan sesuai dengan jadwal penelitian yang telah ditetapkan. b. Akhir dari penelitian yang sudah diperoleh hingga laporan akhir disusun diuraikan pada Tabel 4. Tabel 4 Uraian Laporan Akhir PENYELESAIAN NO
KEGIATAN
1
Permintaan Data ke Bagian Akademik (Pengumpulan Data)
2
Pengumpulan Dan Revisi Laporan Kemajuan
3
Pengolahan Data Awal
4
Eksperimen, Pengujian dan Evaluasi Model
MULAI
SELESAI
05-Mei
22-Jun
05-Mei 15-Mei 02-Jun
CAPAIAN 100%
100% 06-Agt-16 27-Jul
100% 100%
11-Agt
5
Pembuatan Jurnal Nasional
02-Jul
05-Agt
100%
6
Pembuatan Makalah Seminar Nasional
17-Jun
10-Agt
100%
7
Pembuatan Materi Ajar Perkuliahan
19-Jul
15-Agt
100%
8
Pendaftaran dan Pemaparan Seminar Hasil
10-Agt
100% 10-Agt
9
Publikasi Jurnal Nasional
18-Ags
21-Nov
100%
10
Pembuatan Laporan Akhir
16-Ags
25-nov
100%
11
Pembuatan Laporan Keuangan
19-Ags
04-Okt
100%
12
Pembuatan Poster
21-Ags
16-Okt
100%
5.2 Implementasi Hasil Penelitian Data yang didapat pada bagian akademik dari tahun 2008 sampai dengan 2011 sejumlah 1473 records. Data yang diperoleh diolah dengan mengintegrasikan data profil mahasiswa dengan data akademik. Data yang tidak terisi selanjutnya dieliminasi yaitu dari atribut lokasi tinggal dan nama sekolah asal (data profil mahasiswa) yang sering sekali tidak lengkap. Atribut lokasi tinggal digunakan untuk menentukan status tinggal mahasiswa Bersama Orang Tua atau Tidak Bersama Orang Tua. Atribut sekolah asal digunakan untuk mengkategorikan jenis sekolah SMA, SMK, Sekolah Lanjut, MA, Pesantren. Hasil pengolahan data awal (preprocessing) mengahasilkan data valid sejumlah 948 records.
Gambar 5 Hasil Pengolahan Data Awal Data valid yang telah didapatkan, selanjutnya dibagi 2 (dua) menjadi data training dan data testingdengan komposisi 80% untuk training dan 20% untuk testing. Validasi method yang digunakan untuk pengambilan data sampling, menggunakan random sampling. Dari
pengolahan data tersebut, didapatkan tingkat akurasi klasifikasi (CA) algoritma C4.5sebesar 73,68% (tujuh puluh tiga koma enam delapan).
Gambar 6 Hasil Classification Accuracy (CA) Algoritma C4.5 Akurasi klasifikasi didapatkan berdasarkan tabel confusion matrix. Confusion matrix membagi data berdasarkan output kelas klasifikasi yaitu Tepat Waktu dan Tidak Tepat Waktu sepeti pada gambar dibawah ini:
Gambar 7 Hasil Tabel Confusion Matrix Algoritma C4.5
BAB VI KESIMPULAN DAN SARAN 6.1 Kesimpulan Berdasarkan penelitian yang telah selesai dilakukan, maka dapat diambil suatu kesimpulan bahwa Algoritma C 4.5 mampu memprediksi masa studi mahasiswa yang tepat waktu dan tidak tepat waktu. Akurasi algoritma C 4.5 dalam penelitian ini mencapai 73,68%. Pada algoritma ini membentuk pohon keputusan (Decision Tree) yang dapat digunakan oleh pengelola akademik di dalam memetakan mahasiswa yang berpotensi mengalami keterlambatan masa studi di masa mendatang. Penerapan Educational Data Mining (EDM) memberikan kemajuan dan kontribusi pada dunia pendidikan dan pada bidang riset data mining.
6.2 Saran Dalam penelitian ini masih jauh dari kesempurnaan. Sehingga diharapkan untuk ada algoritma lain atau optimasi dari algoritma C 4.5 agar dicapai tingkat akurasi yang lebih tinggi. Algoritma baru yang disarankan adalah algoritma C 5.0 sebagai pengembangan dari algoritma C 4.5.
DAFTAR PUSTAKA Abu Tair, M. M., & Al-Helees, A. M. (2012). Mining Educational Data to Improve Students’ Performance: A Case Study. International Journal of Information and Communication Technology Research , 2. B.K, B., & S, P. (2011). Data Mining: A prediction for performance improvement using classification. International Journal of Computer Science and Information Security (IJCSIS) , 9 (4), pp. 136-140. Baker, R. (2010). Data Mining for Education (3rd Edition ed.). UK: Elsevier. Firmansyah. (2011). Penerapan Algoritma Klasifikasi C4.5 Untuk Penentuan Kelayakan Pemberian Kredit Koperasi. Gurunescu, F. (2011). Data Mining Consepts, Models and Techniques (Volume 12 ed.). Verlag Berlin Heidelberg, Germany: Springer. Han, J., & Kamber, M. (2007). Data Mining Concepts and Techniques (2nd ed.). San Francisco, United State America: Morgan Kaufmann Publishers. J. R, Q. (1992). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, Inc. Kabakchieva, D. (2013). Predicting Student Performance by Using Data Mining. Cybernetics and Information Technologies . Kusrini, & Luthfi. (2009). Algoritma Data Mining. Yogyakarta: Andi Publishing. Larose, D. T. (2006). Data Mining Methods and Models. Hoboken, New Jersey, United State of America: John Wiley & Sons, Inc. Osmanbegovic, E., & Suljic, M. (2012). Data Mining Approach For Predicting Student Performance. Journal of Economics and Business , X (1). Pandey, U., & Pal, S. (2011). Data Mining: A prediction of performer or underperformer using classification. (IJCSIT) International Journal of Computer Science and Information Technology , 2(2) (ISSN:0975-9646), 686-690. Romero, C., & Ventura, S. (2007). Educational Data Mining: A Review of the Stateof-the-Art. IEEE Transactions On Systems, Man, And Cybernatics . Santoso, B. (2007). Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. Suhartinah, M. S., & Ernastuti. (2010). Graduation Prediction Of Gunadarma University Students Using C4.5 Algorithm And Naive Bayes Algorithm. Yadav, S. K., & Pal, S. (2012). Data Mining A Prediction for Performance Improvement of Engineering Students using Classification. World of Computer Science and Information Technology Journal (WCSIT) , 2, 51-56.
Z. J, K. (2010). Early prediction of student success: Mining student enrollment data. Proceedings of Informing Science & IT Education Conference.
LAMPIRAN-LAMPIRAN Lampiran 1. Justifikasi Penggunaan Anggaran Penelitian 1. Honor Honor
Honor/ Jam (Rp)
Waktu (Jam/Minggu)
Minggu
Honor per Tahun
Ketua
19.000,-
2 jam
32 minggu
1.216.000
Anggota 1
17.500,-
2 jam
32 minggu
1.120.000
Anggota 2
17.500,-
2 jam
32 minggu
1.120.000
Sub Total (Rp)
3.456.000
Jumlah
Harga Satuan (Rp)
2. Peralatan Penunjang Material
Justifikasi
Harddisk External 1 Tb
Pengambilan data mahasiswa dan data akademik lima tahun
1 buah
873.000,-
Harga total Peralatan (Rp) 873.000,-
Flash disk 16 GB
Perpindahan data
2 buah
55.000,-
110.000,-
Log Book
Mencatat eksperimen dan diskusi
2 buah
45.000,-
90.000,-
Soddim Memory 4 GB
Peningkatan pengolahan data dan hasil eksperimen komputasi
1 buah
400.000,-
400.000,-
Modem USB
Akses Internet di Luar Kantor
1 buah
300.000,-
300.000,-
Folder File
Penyimpanan berkas-berkas penting
3 buah
45.000,-
135.000,-
Stopmap
Manajemen berkas-berkas file
5 buah
10.000,-
50.000,-
Sub Total (Rp)
1.958.000
3. Bahan Habis pakai Material
Justifikasi
Jumlah
Harga Satuan (Rp)
Harga total
Catridge printer hitam
Mencetak laporan dan dokumentasi
2 buah
180.000,-
Peralatan (Rp) 360.000,-
Catridge printer warna
Mencetak laporan dan dokumentasi
1 buah
200.000,-
200.000,-
Kertas A4 80gram
Mencetak laporan dan dokumentasi
3 rim
40.000,-
120.000,-
Jilid Laporan
Menjilid Laporan penelitian
6 buah
20.000,-
120.000,-
Pulsa Internet
Akses internet di luar kantor
8 bulan x 3 orang
52.000,-
1.248.000,-
Materai
Pengesahan Laporan
10 Lembar
7.000,-
70.000,-
Konsumsi
Koordinasi dan komunikasi
8 bulan x 3 orang
30.000,-
720.000,-
Pulsa HP
Koordinasi dan komunikasi
8 bulan x 3 orang
52.000,-
1.248.000,-
Sub Total (Rp)
4.086.000
4. Perjalanan Kegiatan
Justifikasi
Perjalanan publikasi
Tranportasi publikasi (pulang pergi)
Perjalanan dalam kota
Transportasi kegiatan sehari-hari
Jumlah
Harga Satuan (Rp)
Harga total Peralatan (Rp)
2 x 1 orang
200.000,-
400.000,-
3 orang
300.000,-
900.000,-
Sub Total (Rp)
1.300.000,-
5. Lain-lain Kegiatan Seminar nasional
Keterangan Publikasi hasil penelitian
Jumlah 1 kali
Harga Satuan (Rp)
Harga total Peralatan (Rp)
800.000,-
800.000,-
Sub Total (Rp)
800.000,-
TOTAL ANGGARAN YANG DIPERLUKAN SELURUH TAHUN (Rp)
11.600.000,-
Lampiran 2 Susunan Organisasi Tim Peneliti dan Pembagian Tugas No.
Nama/NIDN
Instansi
Bidang Ilmu
Alokasi Waktu
Asal 1.
Defri Kurniawan, M.Kom
Uraian Tugas
(Jam/Minggu)
UDINUS
Sistem
/
2 jam
Cerdas (SC)
Ketua, riset dan pengujian sistem
2.
Yani Parti Astuti,S.Si.,
UDINUS
Sistem
M.Kom. / 060610
2 Jam
Cerdas (SC)
Pembuatan
7401 3.
Wibowo Wicaksono, ST,
Anggota,
Laporan UDINUS
Sistem
M.Kom / 06
2 Jam
Cerdas (SC)
Anggota, pengujian sistem
Lampiran 3 Biodata Ketua Pelaksana A. Identitas Diri Nama 1 Lengkap
Defri Kurniawan, M.Kom.
Jenis 2 Kelamin
L
Jabatan 3 Fungsional
-
NPP 4
0686.11.2013.536
NIDN 5
0613128502
Tempat 6 dan Tanggal Lahir
Semarang, 13 Desember 1985
Alamat 7 Rumah Nomor 8 Telepon/Fax/HP
085641417048
Alamat 9 Kantor
Jl. Nakula I no 5-11
Nomor 1 Telepon/Faks
(024)– 3517261
Alamat E-mail
[email protected]
Lulusan 1 yang Telah Dihasilkan
-
Mata 1 Kuliah yang Diampu
1. Rekayasa Perangkat Lunak 2. Rekayasa Perangkat Lunak Lanjut 3. Object Oriented Analisa dan Desain 4. Sistem Informasi 5. Sistem Operasi 6. Pengantar Teknologi Informasi
B. Riwayat Pendidikan S-1 Nama Perguruan Tinggi
S-2
Universitas Dian Nuswantoro
Bidang Ilmu
Universitas Dian Nuswantoro
Teknik Informatika
Tahun Masuk –
Teknik Informatika
2004 - 2009
2009 - 2012
Lulus Judul Skripsi/Thesis
Nama Pembimbing/Promotor
Penerapan Metode Waterwall dalam Membangun Multimedia Pembelajaran Kelas III SMA IPA di Dipo Solution Semarang Kharis Widiyatmoko, M.Kom
Optimasi Algortima Support Vector Machine Menggunakan AdaBoost Untuk Penilaian Resiko Kredit Dr. Abdul Syukur Catur Supriyanto, M.Cs
C. Pengalaman Penelitian Dalam 5 Tahun Terakhir N No
T
Judul Penelitian
Pendanaan
tahun
Sumber *
-
-
-
Jml (Juta Rp)
-
-
D. Pengalaman Penulisan Artikel Ilmiah Dalam Jurnal Dalam 5 Tahun Terakhir Judul Artikel Ilmiah 1
Optimasi Algortima Support Vector Machine Menggunakan AdaBoost Untuk Penilaian ResikoKredit
Volume/Nomor/Tahun Jurnal Teknologi Informasi
Nama Jurnal Vol 9/No 1/2013
E. Pengalaman Penulisan Artikel Ilmiah Secara Secara Oral Pada Pertemuan/Seminar Ilmiah Dalam 5 Tahun Terakhir N
Nama Pertemuan
Judul Artikel Ilmiah
Ilmiah/Seminar -
-
Waktu dan Tempat
-
-
Semua dapat yang terdapat dalam biodara ini adalah benar, dan apabila dkemudian hari terdapat ketidaksesuaian maka saya sanggup menerima sanksi.Demikian biodata ini saya buat dengan sebenarnya.
Semarang, Agustus 2016 Ketua Peneliti,
Defri Kurniawan, M.Kom. NPP. 0686.11.2013.536
Lampiran 4 Biodata Anggota Peneliti A. Identitas Diri No
Nama Lengkap
Yani Parti Astuti, S.Si., M.Kom.
1
Jenis Kelamin
P
2
Jabatan Fungsional
-
3
NPP
0686.11.2013.532
4
NIDN
0606107401
5
Tempat dan Tanggal Lahir
Madiun, 06 Oktober 1974
6
Alamat Rumah
Perum Kandri Pesona Asri F2/3 RT 04/IV Gunungpati Semarang
7
Nomor Telepon/Fax/HP
02476916136 / 082133258726
8
Alamat Kantor
Jl. Nakula I no 5-11
9
Nomor Telepon/Faks
(024)– 3517261
10
Alamat E-mail
[email protected]
11
Lulusan yang Telah Dihasilkan
-
12
Mata Kuliah yang Diampu
1. Kalkulus 1 2. Kalkulus 2 3. Logika Informatika 4. Manajemen Sains 5. Matematika Diskrit 6. Matriks dan Ruang Vektor
B. Riwayat Pendidikan S-1
S-2
Nama Perguruan Tinggi
Universitas Diponegoro
Universitas Dian Nuswantoro
Bidang Ilmu
Matematika
Teknik Informatika
Tahun Masuk – Lulus Judul Skripsi/Thesis
1992 – 1998
2013 – 2015
Algoritma Matching Bobot Model Prediksi Calon Nasabah Maksimum
Dalam
Graph dengan Pemasaran Langsung
Bipartite Komplit Berbobot
Menggunakan
Algoritma
Naïve Bayes Berbasis Forward Selection
Nama
Djuwandi, SU
Catur Supriyanto, M.CS
Pembimbing/Promotor
Heru Agus santoso, P.hD
C. Pengalaman Penelitian Dalam 5 Tahun Terakhir No
Tahun
Judul Penelitian
Pendanaan Sumber*
1
2016
Optimasi Kriptografi Password
Jml (Juta Rp)
Universitas
Dengan Algoritma Blowfish
Rp 3.000.000,00
Dian Nuswantoro
D. Pengalaman Pengabdian Kepada Masyarakat Dalam 5 Tahun Terakhir No
Tahun
Judul Pengabdian Kepada Masyarakat
Pendanaan Sumber*
1
2
2013
2014
Pembelajaran Matematika bagi Siswa
Universitas
SMP Kartini Kelas IX untuk Persiapan
Dian
Ujian Nasional 2014
Nuswantoro
Pengenalan Internet bagi Kelompok PKK
Universitas
RT 04 RW
04 Kelurahan Kandri
Gunungpati Optimalisasi 3
2015
Dian Nuswantoro
Penggunaan
Fitur
Rp 3.000.000,00
Rp 3.000.000,00
Universitas
Smartphone pada Kelompok PKK RT 06/I Kelurahan Petompon
Jml (Juta Rp)
Dian Nuswantoro
Rp 1.500.000,00
Pembelajaran Komputer bagi Anak Usia 3 – 5 Tahun Berbasis Game Edukasi di TK 4
2016
Universitas Dian
Al Firdaus Kandri gunungpati Semarang
Mandiri
Nuswantoro
E. Pengalaman Penulisan Artikel Ilmiah Dalam Jurnal Dalam 5 Tahun Terakhir No 1
Judul Artikel Ilmiah
Optimasi Enkripsi Password Menggunakan Algoritma Blowfish
Volume/Nomor/Tahun 15/1/2016
Nama Jurnal Techno.COM
F. Pengalaman Penulisan Artikel Ilmiah Secara Secara Oral Pada Pertemuan/Seminar Ilmiah Dalam 5 Tahun Terakhir No
Nama Pertemuan
Judul Artikel Ilmiah
Ilmiah/Seminar 1
SENDI_U
Waktu dan Tempat
Optimasi Metode Blowfish Untuk
28 Juli 2016 di
Mengamankan Password Pada
Unisbank
Kriptografi
Semarang
Semua dapat yang terdapat dalam biodara ini adalah benar, dan apabila dkemudian hari terdapat ketidaksesuaian maka saya sanggup menerima sanksi.Demikian biodata ini saya buat dengan sebenarnya.
Semarang, Agustus 2016 Anggota Peneliti,
Yani Parti Astuti, S.Si, M.Kom NPP. 0686.11.2013.532
Lampiran 5 Biodata Anggota Peneliti A. Identitas Diri No
Nama Lengkap
Wibowo Wicaksono, ST., M.Kom
1
Jenis Kelamin
L
2
Jabatan Fungsional
Asisten Ahli
3
NPP
0686.11.2013.531
4
NIDN
0629107603
5
Tempat dan Tanggal Lahir
Semarang, 29 Oktober 1976
6
Alamat Rumah
Jl. Borobudur Selatan Rt.07 Rw.08 No. 39 Semarang
7
Nomor Telepon/Fax/HP
08122842434
8
Alamat Kantor
Jl. Nakula I no 5-11
9
Nomor Telepon/Faks
(024)– 3517261
10
Alamat E-mail
[email protected]
11
Lulusan yang Telah Dihasilkan
S-1 = 10 orang
12
Mata Kuliah yang Diampu
1. SistemOperasi 2. Organisasi dan Arsitektur Komputer 3. Sistem Terdistribusi 4. Pengolahan Citra Digital 5. Strategi Algoritma 6. Sistem Basis Data
B. Riwayat Pendidikan S-1
S-2
Nama Perguruan Tinggi
UniversitasIslam Indonesia
Universitas Gadjah Mada
Bidang Ilmu
Teknik Sipil
Ilmu Komputer
Tahun Masuk – Lulus
1995 – 2002
2003 – 2006
Judul Skripsi/Thesis
Perilaku Komponen Struktur Lantai Balok T Komposit Kayu-Beton
Aplikasi Pengolahan Citra Digital untuk Identifikasi Biometrik Sidik Jari dengan Metode Fraktal
Nama
Ir. H. Susastrawan, MS. Ir. Fatkhurrohman N., MT.
Drs. Agus Harjoko, M.Sc., Ph.D
Pembimbing/Promotor
C. Pengalaman Penelitian Dalam 5 Tahun Terakhir No
Tahun
Judul Penelitian
Pendanaan Sumber*
Jml (Juta Rp)
D. Pengalaman Pengabdian Kepada Masyarakat Dalam 5 Tahun Terakhir No
Tahun
Judul Pengabdian Kepada Masyarakat
Pendanaan Sumber*
1
2
2009
2010
Pelatihan Operator Komputer On Line Siaga SATBRIMOBDA JATENG
STMIK Himsya
Pelatihan Dasar Aplikasi Office untuk Mendukung Proses Belajar Mengajar Bagi Guru-Guru SMP & SMA Tarakan Kalimantan Timur
STMIK Himsya
Jml (Juta Rp) Rp 1.000.000,00 Rp 1.000.000,00
Semua dapat yang terdapat dalam biodara ini adalah benar, dan apabila dkemudian hari terdapat ketidaksesuaian maka saya sanggup menerima sanksi.Demikian biodata ini saya buat dengan sebenarnya. Semarang, Agustus 2016 Anggota Peneliti,
NPP. 0686.11.2013.531
Lampiran 6 Makalah Seminar Nasional di UPGRIS
Lampiran 7 Materi Bahan Ajar Algoritma C4.5 Data Mining BAHAN AJAR ALGORITMA C 4.5 OLEH DEFRI KURNIAWAN
Lampiran 8 Jurnal Nasional Momentum di Unwahas
Lampiran 9 Formulir Evaluasi Atas Capaian Luaran Kegiatan
Lampiran 10 Rekapitulasi Penggunaan Dana Penelitian
