PROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3

32

PROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3 Yo’el Pieter Sumihar*1, Idris Efendi 2 1,2,3

Jurusan Komputer, Teknik Informatika, Fakultas Sains dan Komputer, Universitas Kristen Immanuel Jalan Solo Km. 11 PO Box 4 YKAP Yogyakarta, ph: (0274) 496256-296247 fax: (0274) 496258

e-mail: *[email protected], 2 [email protected]

Abstrak Proses seleksi dosen berprestasi yang dilakukan oleh Direktorat Jenderal Pendidikan Tinggi Indonesia menuntut analisa yang seksama dan memberikan kesempatan yang rata bagi semua dosen. Penelitian ini memiliki tujuan untuk merancang, membangun dan mengaplikasikan metode pohon pembuat keputusan iterative dechotomiser 3 (ID3) untuk mempermudah proses penyeleksian dosen berprestasi. Metode ID3 merupakan salah satu algoritma pohon keputusan yang bekerja dengan cara mengambil sebuah pengetahuan malalui proses data mining. Sebuah data set akan dievaluasi untuk dikenali polanya, kemudian pola tersebut dijadikan sebuah pengetahuan yang dijadikan dasar dalam membuat aturan-aturan. Berdasarkan hasil pengujian, maka diperoleh sebuah program bantu menggunakan metode iterative dichotomizer 3 (ID3) yang dapat dilatih untuk membangun pohon keputusan untuk menentukan apakah seorang dosen berprestasi atau tidak berprestasi. Program bantu metode iterative dichotomizer 3 (ID3) memudahkan proses klasifikasi data dosen berprestasi, karena petugas hanya perlu memasukkan atribut-atribut yang diperlukan dan sistem secara otomatis mencocokkan data yang dimasukkan dengan aturan yang telah dibuat sebelumnya serta menghasilkan keputusan. Kata Kunci: aplikasi, simpus(sistem pelayanan puskesmas), framework kohana

1. PENDAHULUAN Dosen merupakan tenaga akademik yang bertugas merencanakan dan melaksanakan proses pembelajaran, menilai hasil pembelajaran, melakukan pembimbingan dan pelatihan, serta melakukan penelitian dan pengabdian kepada masyarakat. Dalam rangka menumbuh kembangkan suasana akademik yang dapat mempercepat perkembangan masyarakat ilmiah masa kini dan masa depan sesuai dengan yang diharapkan, Direktorat Jenderal Pendidikan Tinggi Indonesia memberikan penghargaan dosen berprestasi setiap tahunnya. Sistem penghargaan terkait dengan aspirasi dan motivasi di kalangan dosen ini diharapkan menjadi salah satu cara dalam pengembangan manajemen akademik di masing-masing perguruan tinggi. Namun, proses pemilihan dosen berprestasi memiliki beberapa masalah. Proses seleksi dosen berprestasi menjadi hal yang cukup rumit dilakukan. Proses seleksi memerlukan suatu analisis yang baik dan seksama terhadap semua aspek yang dapat menunjang proses pemilihan dosen berprestasi. Bagian penilaian harus meneliti kondisi calon dosen berprestasi, menilai, mengklasifikasikan serta mengumpulkan data-data yang akan dievaluasi sebagai bagian dari riwayat karir dosen yang akan dipertimbangkan sebelum proses pengambilan keputusan. Dosen tidak mendapatkan kesempatan yang sama dalam memperoleh penghargaan. Sebagian pihak tidak obyektif dalam proses pemilihan, dosen yang memiliki kesempatan hanya dosen yang dikenali oleh pihak atas. Penyimpangan terjadi karena data real tidak sampai kepada pembuat keputusan. Meninjau permasalahan diatas peneliti ingin membuat sebuah sistem yang mampu memudahkan pemilihan dosen berprestasi dengan menggunakan pohon keputusan, suatu sistem yang dapat membantu penilai dalam menganalisa pada proses pemilihan dosen berprestasi. Pohon keputusan adalah salah satu Majalah Ilmiah Vol. 07, No. 02, Juli 2015

33

jawaban akan sebuah sistem yang dikembangkan untuk membantu mencari dan membuat keputusan untuk permasalahan dengan memperhitungkan berbagai macam faktor yang ada di dalam lingkup masalah. Pohon keputusan memiliki beberapa keunggulan yaitu, manusia dapat dengan mudah mengidentifikasi dan melihat hubungan antara faktor-faktor yang mempengaruhi suatu masalah dan dapat mencari penyelesaian terbaik dengan memperhitungkan faktor-faktor tersebut. Pohon keputusan ini juga dapat menganalisa nilai resiko dan nilai suatu informasi yang terdapat dalam suatu alternatif pemecahan masalah. Pada penelitian ini, peneliti mengambil judul „PROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3 (ID3)‟. 2. METODE PENELITIAN 2.1 Pohon Keputusan

Pohon keputusan adalah pohon yang menganalisa pemecahan masalah dengan cara memetakan alternatif-alternatif pemecahan masalah yang dapat diambil. Pohon tersebut juga memperlihatkan faktorfaktor kemungkinan yang akan mempengaruhi alternatif-alternatif keputusan tersebut, disertai dengan estimasi hasil akhir yang akan didapat bila kita mengambil alternatif keputusan tersebut. Pohon keputusan telah dikembangkan sejak perkembangan teori pohon yang dilandaskan pada teori graf sebagai alat bantu dalam mengambil keputusan (decision support tool). Pohon keputusan dikembangkan untuk membantu mencari hubungan antar variabel yang mempengaruhi suatu lingkup masalah dengan memperhitungkan fakta dan mengubahnya menjadi aturan-aturan sehingga ia mampu mencari penyelesaian terbaik dan membuat prediksi keputusan. Gambar 2.2 dibawah ini menunjukkan konsep dari sebuah keputusan. DATA

POHON KEPUTUSAN

ATURAN

Gambar 2.1Konsep Pohon Keputusan Pohon keputusan juga dapat menganalisa nilai resiko dan nilai suatu informasi yang terdapat dalam suatu alternatif pemecahan masalah. Pohon keputusan mudah dipahami karena ia menggunakan bahasa alami. Pohon keputusan juga dapat diekspresikan dalam bentuk bahasa basis data seperti Structured Query Language untuk mencari record pada kategori tertentu. Manfaat Pohon Keputusan 2.1.1 Manfaat Pohon Keputusan

Pohon keputusan adalah salah satu metode klasifikasi dengan model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk membongkar proses pengambilan keputusan yang kompleks menjadi lebih mudah dipahami sehingga pengambil keputusan akan lebih mudah menginterpretasikan solusi dari permasalahan. Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah variabel masukan dengan sebuah variabel target. Pohon keputusan memadukan antara eksplorasi data dan pemodelan, sehingga ia sangat bagus sebagai langkah awal dalam proses pemodelan. 2.1.2 Kelebihan Pohon Keputusan Metode pohon keputusan memiliki beberapa kelebihan bila dibanding dengan metode lain, diantaranya: 1. Mengubah daerah pengambilan keputusan menjadi lebih spesifik. 2. Mengeliminasi perhitungan yang tidak diperlukan, data pelatihan diuji berdasarkan kriteria atau kelas tertentu. 3. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan masing-masing kriteria. Fleksibilitas metode pohon keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional. Majalah Ilmiah Vol. 07, No. 02, Juli 2015

34

4. Metode pohon keputusan dapat menghindari munculnya distribusi tinggi ataupun parameter tertentu dari distribusi analisis multivariat dengan menggunakan kriteria yang jumlahnya lebih sedikit pada setiap internal node tanpa banyak mengurangi kualitas keputusan yang dihasilkan. 5. Mudah dipahami dan ditafsirkan 6. Mempertimbangkan detail-detail kecil yang mungkin dilewatkan 7. Menghemat waktu, setelah terbentuk akan sangat mudah diimplementasikan

2.1.3 Kekurangan Pohon Keputusan Pohon keputusan memiliki beberapa kekurangan, diantaranya: 1. Terjadi overlap terutama ketika kelas-kelas dan kriteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan. 2. Pengakumulasian jumlah error dari setiap tingkat dalam sebuah pohon keputusan yang besar. 3. Kesulitan dalam merancang pohon keputusan yang optimal. 4. Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut dirancang. 2.1.4 Model Pohon Keputusan Model pohon keputusan memungkinkan pengembangan sistem klasifikasi yang memprediksi atau mengklasifikasikan pengamatan masa depan berdasarkan seperangkat aturan keputusan. Data yang digunakan untuk membangun aturan-aturan dibagi kedalam kelas-kelas terpisah untuk mengklasifikasikan kasus lama atau baru dengan akurasi maksimum. Pendekatan ini, kadang-kadang dikenal sebagai aturan induksi. Aturan induksi memiliki beberapa keunggulan yaitu, proses penalaran belakang model ini jelas terlihat ketika menelusuri pohon. Hal ini berbeda dengan teknik pemodelan black box lain dimana logika internal bisa sulit untuk diuji. Berikut ini adalah contoh pohon keputusan yang memiliki akar prestasi yang memiliki variabel 4 tahun terakhir dan 3 tahun terakhir. Prestasi 4 tahun terakhir

3 tahun terakhir

Internasional Ya YA

YA Tidak TIDAK

Gambar 2.2 Contoh Model Pohon Keputusan Pada gambar 2.2 kita bisa simpulkan bahwa seseorang yang memiliki prestasi di 3 tahun terakhirnya dia akan dimasukkan dalam kategori YA, sedangkan seseorang yang memiliki prestasi lebih dari 3 tahun terakhir dan kurang dari 4 tahun terakhir akan diperiksa apakah prestasinya tingkat internasional atau bukan. Jika prestasi seseorang yang diuji memiliki atribut internasional maka seseorang masuk kedalam kategori YA sedangkan yang tidak akan masuk kedalam kategori TIDAK. 2.2 ID3 Salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative Dichotomiser 3). ID3 adalah algoritma pembelajaran pohon keputusan (decision tree learning algorithm) yang paling dasar. Algoritma ini melakukan pencarian secara rakus/menyeluruh (greedy) pada semua kemungkinan pohon keputusan.. Algoritma yang dikembangkan oleh J. Ross Quinlan ini dapat diimplementasikan menggunakan fungsi rekursif, yaitu fungsi yang memanggil dirinya sendiri. Algoritma ID3 berusaha membangun pohon keputusan secara top-down (dari atas ke bawah), mulai dengan pertanyaan : “atribut mana yang pertama kali harus dicek dan diletakkan pada root?” pertanyaan ini dijawab dengan mengevaluasi semua atribut yang ada dengan menggunakan suatu ukuran statistik untuk mengukur efektivitas suatu atribut dalam Majalah Ilmiah Vol. 07, No. 02, Juli 2015

35

mengklasifikasikan kumpulan sampel data. Gambar 2.4 dibawah ini adalah rancangan proses pembangkitan pohon keputusan ID3

Y

Gambar 2.3 Diagram alir Pohon Keputusan ID3

Data pelatihan sebagai informasi awal dimasukkan, kemudian nilai entropy dan information gain dihitung dari masing-masing atribut data pelatihan yang ada. Setelah nilai diketahui buat simpul akar dari atribut yang memiliki information gain terbesar. Lakukan proses perhitungan nilai entropy dan information gain dari masing-masing atribut dengan menghilangkan atribut yang telah dipilih sebelumnya, kemudian buat simpulnya. Periksa apakah semua atribut sudah dibentuk pada pohon. Jika belum, maka ulangi proses pembentukan simpul, jika sudah maka lanjut pada proses berikutnya. Proses yang terakhir adalah membentuk aturan keputusan berdasarkan pohon yang telah dibentuk sebelumnya. ID3 memiliki syarat untuk dapat menggunakan data pelatihan, yaitu: a. Deskripsi atribut-nilai. Atribut yang sama harus mendeskripsikan tiap contoh dan memiliki jumlah nilai yang sudah ditentukan. b. Kelas yang sudah didefinisikan sebelumnya. Suatu atribut contoh harus sudah didefinisikan, karena mereka tidak dipelajari oleh ID3. c. Kelas-kelas yang diskrit. Kelas harus digambarkan dengan jelas. Kelas yang continue dipecah-pecah menjadi kategorikategori yang relatif. d. Jumlah contoh (example) yang cukup. Majalah Ilmiah Vol. 07, No. 02, Juli 2015

36

Karena pembangkitan induktif digunakan, maka dibutuhkan data case yang cukup untuk membedakan pola yang valid dari peluang suatu kejadian. 2.3.1 Entropi Entropi adalah ukuran yang sering digunakan dalam algoritma data mining yang mengukur gangguan dari satu data set. Entropi digunakan dalam algoritma ID3 karena algoritma ini membutuhkan informasi tentang derajat kesalahan sebagai bahan pertimbangan dalam menentukan besar information gain yang dapat diraih dari sekumpulan data set. Rumus dalam menghitung entropi adalah: c

E(S) = ∑ - Pi log2 Pi i=1

Dimana: E = Entropi S = jumlah keseluruhan data set. c = adalah jumlah goals. Pi = jumlah yang sesuai kriteria dibagi seluruh data set log2 = perhitungan logaritma basis 2. Entropi dihitung menggunakan logaritma untuk mendapatkan hasil yang diharapkan (target). Target yang diinginkan adalah apakah data itu mengandung kesalahan atau tidak maka range yang digunakan adalah antara 0 sampai 1. Saat derajat ketidakpastian bernilai setengah itu berarti tingkat keputusan yang paling sulit, maka dari itu perhitungan entropi menggunakan logaritma basis 2 supaya menghasilkan nilai 1 sebagai pernyataan bahwa data tersebut mengandung nilai kesalahan yang sangat tinggi dan jika entropi bernilai 0 maka data yang diuji tidak memiliki nilai kesalahan. 2.3.2 Information Gain Information gain adalah berkurangnya entropi yang disebabkan oleh partisi pelatihan sesuai dengan atribut yang diberikan. Information gain digunakan sebagai acuan dalam membuat node atau simpul dari sebuah pohon keputusan. Pilih atribut yang memiliki nilai atribut yang paling besar. Untuk

menghitung information gain dapat menggunakan rumus: Dimana, S = ruang (data) sample yang digunakan untuk training. A = atribut. V = suatu nilai yang mungkin untuk atribut A. Nilai(A) = himpunan yang mungkin untuk atribut A. |Sv| = jumlah sample untuk nilai V. |S| = jumlah seluruh sample data. Entropy(Sv) = entropy untuk sample-sample yang memiliki nilai V. 2.3 Dosen Berprestasi Dosen berprestasi merupakan penghargaan insan akademik yang diselenggarakan setiap tahun oleh Direktorat Jenderal Pendidikan Tinggi Indonesia (DIRJEN DIKTI). Penghargaan dosen berprestasi merupakan bentuk apresiasi untuk pengamalan ilmu dan pengabdian tenaga akademik. Penghargaan dosen berprestasi diharapkan mampu menumbuhkan semangat tenaga pendidik untuk terus berkarya. 3. HASIL DAN PEMBAHASAN 3.1 Data Pelatihan

Data yang digunakan dalam tugas akhir ini merupakan data kategorikal. Jumlah data yang digunakan sebanyak 250 data dimana 106 data memiliki kelas berprestasi dan 144 memiliki kelas tidak berprestasi. Tabel 3.1 menunjukkan beberapa data yang telah dimasukkan sebagai data pelatihan. Majalah Ilmiah Vol. 07, No. 02, Juli 2015

37

Tabel 3.1 Contoh Data Pelatihan Dosen 3.2 Implementasi Sistem Apabila sistem berjalan sesuai dengan rancangan awal maka akan muncul tampilan-tampilan seperti pada gambar di bawah ini: Pada halaman index.php akan muncul halaman seperti pada gambar 3.1.

Gambar 3.1 Halaman Beranda Untuk memasukkan data pelatihan dosen, kita tinggal pilih menu Input Data Pelatihan. Kemudian akan muncul halaman baru (form) dan kita bisa menggunakan form tersebut untuk memasukkan datadata pelatihan dosen. Tampilan Input Data Pelatihan akan tampak seperti gambar 3.2.

Gambar 3.2 Halaman Input Data Pelatihan Untuk melakukan perhitungan entropi dan information gain, kita tinggal pilih menu Lakukan Mining. Kemudian akan muncul halaman baru yang memberikan hasil berupa sebuah kesuksesan atau kegagalan dari sebuah perhitungan. Tampilan akan tampak seperti gambar 3.3.

Gambar 3.3 Halaman Mining Majalah Ilmiah Vol. 07, No. 02, Juli 2015

38

Untuk melihat hasil perhitungan yang didapat dari proses mining, kita tinggal pilih menu Perhitungan. Kemudian akan muncul halaman yang memberikan pilihan untuk ditampilkannya hasil perhitungan dari data pelatihan. Tampilan perhitungan akan seperti gambar 3.4.

Gambar 3.4 Halaman Perhitungan Untuk melihat pohon keputusan yang didapat dari proses mining, kita tinggal pilih menu pohon keputusan. Kemudian akan muncul halaman yang menampilkan pohon keputusan. Tampilan hasil akan seperti pada gambar 3.5.

Gambar 3.5 Halaman Pohon Keputusan Halaman halaman diatas merupakan halaman untuk membangkitkan pohon keputusan. Setelah pohon keputusan dibuat, maka langkah berikutnya adalah menyelesaikan sebuah permasalahan menggunakan aturan yang telah berhasil di generate oleh pohon keputusan, maka langkah berikutnya adalah menguji pohon. Halaman uji pohon keputusan akan tampil seperti pada gambar 3.6.

Gambar 3.6 Halaman Hasil Uji/Beranda Pilih Input Data KPU untuk memasukkan data Karya Prestasi Unggul lalu di simpan didalam tabel basis data yang berkaitan dengan halaman pengujian. Tampilan Input Data KPU akan tampak seperti pada gambar 3.7.

Majalah Ilmiah Vol. 07, No. 02, Juli 2015

39

Gambar 3.7 Halaman Input Karya Prestasi Unggul Pilih Input Data Pendidikan dan Pengajaran untuk memasukkan data Penelitian dan Pengajaran lalu di simpan didalam tabel basis data yang terkaitnya dengan halaman pengujian. Tampilan Input Data Pendidikan dan Pengajaran akan tampak seperti pada gambar 3.8.

Gambar 3.8 Halaman Input Data Pendidikan dan Pengajaran Pilih Input Data Pengabdian Masyarakat untuk memasukkan data Pengabdian Masyarakat lalu di simpan didalam tabel basis data yang terkaitnya dengan halaman pengujian. Tampilan Input Data Pengabdian Masyarakat akan tampak seperti pada gambar 3.9.

Gambar 3.9 Halaman Input Data Pengabdian Masyarakat Pilih Input Data Penelitian untuk memasukkan data Penelitian di simpan didalam tabel basis data yang terkaitnya dengan halaman pengujian. Tampilan Input Data Penelitian akan tampak seperti pada gambar 3.10.

Gambar 3.10 Halaman Input Data Penelitian Majalah Ilmiah Vol. 07, No. 02, Juli 2015

40

Pilih Input Data Penunjang untuk memasukkan data Penunjang lalu di simpan didalam tabel basis data yang terkaitnya dengan halaman pengujian. Tampilan Input Data Penunjang akan tampak seperti pada gambar 3.11.

Gambar 3.11 Halaman Penunjang Prestasi Dosen 3.3 Pengujian Sistem Berikut pohon keputusan yang dibangkitkan oleh sistem seleksi awal dosen berprestasi menggunakan metode iterative dichotomiser 3 dengan menggunakan data pelatihan dosen berprestasi seperti yang dijelaskan pada bagian 3.1: kpu = Tinggi (BERPRESTASI = 69, TIDAK BERPRESTASI = 19) : ? | penelitian = Tinggi (BERPRESTASI = 31, TIDAK BERPRESTASI = 0) : BERPRESTASI | penelitian = Sedang (BERPRESTASI = 29, TIDAK BERPRESTASI = 0) : BERPRESTASI | penelitian = Rendah (BERPRESTASI = 9, TIDAK BERPRESTASI = 19) : ? | | pengabdian = Tinggi (BERPRESTASI = 7, TIDAK BERPRESTASI = 3) : ? | | | dikjar = Tinggi (BERPRESTASI = 3, TIDAK BERPRESTASI = 0) : BERPRESTASI | | | dikjar = Sedang (BERPRESTASI = 3, TIDAK BERPRESTASI = 1) : ? | | | | penunjang = Tinggi (BERPRESTASI = 1, TIDAK BERPRESTASI = 0) : BERPRESTASI | | | | penunjang = Sedang (BERPRESTASI = 2, TIDAK BERPRESTASI = 0) : BERPRESTASI | | | | penunjang = Rendah (BERPRESTASI = 0, TIDAK BERPRESTASI = 1) : TIDAK BERPRESTASI | | | dikjar = Rendah (BERPRESTASI = 1, TIDAK BERPRESTASI = 2) : ? | | | | penunjang = Tinggi (BERPRESTASI = 1, TIDAK BERPRESTASI = 0) : BERPRESTASI | | | | penunjang = Sedang (BERPRESTASI = 0, TIDAK BERPRESTASI = 1) : TIDAK BERPRESTASI | | | | penunjang = Rendah (BERPRESTASI = 0, TIDAK BERPRESTASI = 1) : TIDAK BERPRESTASI | | pengabdian = Sedang (BERPRESTASI = 2, TIDAK BERPRESTASI = 7) : ? | | | dikjar = Tinggi (BERPRESTASI = 2, TIDAK BERPRESTASI = 1) : ? | | | | penunjang = Tinggi (BERPRESTASI = 1, TIDAK BERPRESTASI = 0) : BERPRESTASI | | | | penunjang = Sedang (BERPRESTASI = 1, TIDAK BERPRESTASI = 0) : BERPRESTASI | | | | penunjang = Rendah (BERPRESTASI = 0, TIDAK BERPRESTASI = 1) : TIDAK BERPRESTASI | | | dikjar = Sedang (BERPRESTASI = 0, TIDAK BERPRESTASI = 3) : TIDAK BERPRESTASI | | | dikjar = Rendah (BERPRESTASI = 0, TIDAK BERPRESTASI = 3) : TIDAK BERPRESTASI | | pengabdian = Rendah (BERPRESTASI = 0, TIDAK BERPRESTASI = 9) : TIDAK BERPRESTASI kpu = Sedang (BERPRESTASI = 37, TIDAK BERPRESTASI = 48) : ? | penelitian = Tinggi (BERPRESTASI = 27, TIDAK BERPRESTASI = 1) : ? | | dikjar = Tinggi (BERPRESTASI = 10, TIDAK BERPRESTASI = 0) : BERPRESTASI | | dikjar = Sedang (BERPRESTASI = 9, TIDAK BERPRESTASI = 0) : BERPRESTASI | | dikjar = Rendah (BERPRESTASI = 8, TIDAK BERPRESTASI = 1) : ? | | | pengabdian = Tinggi (BERPRESTASI = 3, TIDAK BERPRESTASI = 0) : BERPRESTASI | | | pengabdian = Sedang (BERPRESTASI = 3, TIDAK BERPRESTASI = 0) : BERPRESTASI | | | pengabdian = Rendah (BERPRESTASI = 2, TIDAK BERPRESTASI = 1) : ? | penelitian = Sedang (BERPRESTASI = 10, TIDAK BERPRESTASI = 18) : ? | penelitian = Rendah (BERPRESTASI = 0, TIDAK BERPRESTASI = 29) : TIDAK BERPRESTASI kpu = Rendah (BERPRESTASI = 0, TIDAK BERPRESTASI = 77) : TIDAK BERPRESTASI

Hasil pengujian sistem menunjukkan bahwa algoritma pohon keputusan ID3 tepat digunakan untuk seleksi awal dosen berprestasi. Sistem mampu mempresentasikan pengetahuannya dengan membuat prediksi yang cukup baik 4. KESIMPULAN Dari penelitian ini dapat diambil kesimpulan, yaitu: 1. Sebuah program bantu yang dapat dilatih untuk membangun pohon keputusan pada proses seleksi awal dosen berprestasi telah berhasil dibangun dengan menggunakan metode iterative dichotomizer 3 (ID3). 2. Program bantu metode iterative dichotomizer 3 (ID3) memudahkan proses klasifikasi data dosen berprestasi, karena petugas hanya perlu memasukkan atribut-atribut yang diperlukan tanpa harus

Majalah Ilmiah Vol. 07, No. 02, Juli 2015

41

menilai berkas, kemudian sistem secara otomatis mencocokkan data yang dimasukkan dengan aturan yang telah dibuat sebelumnya dan menghasilkan keputusan. 5. SARAN Beberapa saran yang penulis berikan untuk pengembangan sistem, yaitu: 1. Pengembangan sistem yang lebih detail pada bagian atribut dosen berprestasi. Jika pada penelitian ini hanya menggunakan lima atribut utama, maka bisa dicoba pengembangan dengan cara memecah setiap atribut kedalam atribut yang lebih detail dari setiap penilaian untuk mendapatkan hasil yang lebih baik. 2. Pengembangan sistem untuk otomatisasi inferensi aturan, mempercepat proses mining dan proses penentu keputusan dengan optimasi sistem..

DAFTAR PUSTAKA [1] Aiolli, F. Entropy and Information Gain. URL:http://www.math.unipd.it/~aiolli/corsi/0708/IR/Lez12.pdf. Diunduh: 11 Desember 2013. [2] Carter, Tom. An Introduction to Information Theory and Entropy. URL: http://astarte.csustan.edu/~ tom/SFI-CSSS. Diunduh: 10 Desember 2013. [3] Garai, Jozsef. Entropy is a Mathematical Formula. URL: http://arxiv.org/ftp/physics/papers/0301/0301048.pdf. Diunduh: 10 Desember 2013. [4] Gray, Robert M. 2013. Entrophy and Information Theory. New York: Stanford University. [5] Wahyudin, -. 2012. Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru. Bandung: UPI. [6] Wibowo, Mohammad Nugroho. Implementasi Pohon Keputusan ID3 dan C4.5. Desember 13, 2013. URL: http://nugikkool.blogspot.com/2012/08/pohon-keputusan-id3-dan-c45-menggunakan.html [7] Overview of KDD Process. Desember 13, 2013.http://www2.cs.uregina.ca/~dbd/cs831/notes/kdd/1_kdd.html [8] -

. 2012. Panduan Dosen Berprestasi 2012. Jakarta: DIKTI. URL: http://www.dikti.go.id

Majalah Ilmiah Vol. 07, No. 02, Juli 2015