Penerapan Teknik Data Mining Dengan Metode Smooth Support Vector Machine (SSVM) Untuk Memprediksi Mahasiswa Yang Berpeluang Drop Out (Studi Kasus Mahasiswa Politeknik Negeri Medan)

(1)

PENERAPAN TEKNIK DATA MINING DENGAN METODE SMOOTH

SUPPORT VECTOR MACHINE (SSVM) UNTUK MEMPREDIKSI

MAHASISWA YANG BERPELUANG DROP OUT

(Studi Kasus Mahasiswa Politeknik Negeri Medan)

TESIS

Oleh

HABIBI RAMDANI SAFITRI

097038022 / TINF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

(2)

PENERAPAN TEKNIK DATA MINING DENGAN METODE SMOOTH SUPPORT VECTOR MACHINE (SSVM) UNTUK MEMPREDIKSI

MAHASISWA YANG BERPELUANG DROP OUT (Studi Kasus Mahasiswa Politeknik Negeri Medan)

TESIS

Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar

Magister Komputer Dalam Program Studi Magister Teknik

Informatika Pada Program Pascasarjana Fakultas MIPA

Universitas Sumatera Utara

Oleh

HABIBI RAMDANI SAFITRI

097038022 / TINF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA MEDAN

(3)

PENGESAHAN TESIS

Menyetujui Komisi Pembimbing,

Ketua

Prof. Dr. Muhammad Zarlis

Ketua Program Studi Dekan

Prof. Dr. Muhammad Zarlis

NIP : 19570701 198601 1 003 NIP : 19631026 199103 1 001 Dr. Sutarman, M.Sc

Judul Tesis : PENERAPAN TEKNIK DATA MINING DENGAN METODE SMOOTH SUPPORT VECTOR MACHINE (SSVM) UNTUK MEMPREDIKSI MAHASISWA YANG BERPELUANG DROP OUT (Studi Kasus Mahasisawa Politeknik Negeri Medan)

Nama Mahasiswa : HABIBI RAMDANI SAFITRI Nomor Induk Mahasiswa : 097038022

Program Studi : TEKNIK INFORMATIKA

Fakultas : MATEMATIKA dan ILMU

PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

(4)

PERNYATAAN ORISINALITAS

PENERAPAN TEKNIK DATA MINING DENGAN METODE SMOOTH SUPPORT VECTOR MACHINE (SSVM) UNTUK MEMPREDIKSI

MAHASISWA YANG BERPELUANG DROP OUT (Studi Kasus Mahasiswa Politeknik Negeri Medan)

TESIS

Dengan ini penulis nyatakan bahwa penulis mengakui semua karya tesis ini adalah hasil karya penulis sendiri kecuali kutipan dan ringkasan yang tiap bagiannya telah dijelaskan sumbernya dengan benar.

Medan, 29 Juli 2011

HABIBI RAMDANI SAFITRI NIM. 097038022

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertandatangan di bawah ini:

NamaMahasiswa : HABIBI RAMDANI SAFITRI

NomorIndukMahasiswa : 097038022

Program Studi : Magister (S2) Teknik Informatika JenisKaryaIlmiah : TESIS

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas Tesis saya yang berjudul :

PENERAPAN TEKNIK DATA MINING DENGAN METODE SMOOTH SUPPORT VECTOR MACHINE (SSVM) UNTUK MEMPREDIKSI

MAHASISWA YANG BERPELUANG DROP OUT (Studi Kasus Mahasiswa Politeknik Negeri Medan)

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusifini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan Tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan atau sebagai pemilik hak cipta.

Medan, 29 Juli 2011

HABIBI RAMDANI SAFITRI NIM. 097038022

(6)

Telah diuji pada Tanggal : Juli 2011

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Muhammad Zarlis Anggota : 1. Prof. Dr. Herman Mawengkang

(7)

3. Prof. Dr. Tulus

DATA PRIBADI

RIWAYAT HIDUP

NamaLengkap Habibi Ramdani Safitri TempatdanTanggalLahir Medan, 17 September 1976

AlamatRumah Jl. Pintu Air IV N0. 121 Komp. Polmed Padang Bulan Medan.

Email Politeknik Nege

InstansiTempatBekerja Politeknik Negeri Medan

Alamat Kantor Jl. Almamater N0.1 Kampus USU Padang Bulan Medan.

(8)

DATA PENDIDIKAN

SD NEGERI 060853 Tamat Tahun 1989

SMP NEGERI 11 MEDAN SAMPALI Tamat Tahun 1992 SMA SWASTA PAB 1 MEDAN ESTATE Tamat Tahun 1995

D1 PTKK POLITEKNIK USU Tamat Tahun 1996

(9)

KATA PENGANTAR

Pertama-tama kami panjatkan puji syukur kehadirat Allah SWT atas segala limpahan rahmad dan karuniaNya sehingga Tesis ini dapat diselesaikan melalui bimbingan, arahan dan bantuan yang diberikan berbagai pihak khususnya pembimbing, pembanding, para dosen, teman mahasiswa, khususnya mahasiswa Program Studi Magister (S2) Teknik Informatika Universitas Sumatera Utara.

Tesis dengan judul : Penerapan Teknik Data Mining Dengan Metode Smooth Support Vector Machine (SSVM) Untuk Memprediksi Mahasiswa Yang Berpeluang Drop Out (Studi Kasus Mahasiswa Politeknik Negeri Medan) adalah merupakan syarat untuk memperoleh gelar Magister Komputer pada Program Pascasarjana Magister Teknik Informatika FMIPA USU.

Dengan selesainya tesis ini, perkenankanlah penulis mengucapkan terima kasih yang sebesar-besarnya kepada:

1. Ketua Program Studi Magister (S2) Teknik Informatika, Prof. Dr. Muhammad Zarlis. Sekretaris Program Studi Magister (S2) Teknik Informatika M. Andri Budiman, ST, M.Comp. Sc, M.EM,

2. Pembimbing Utama Prof. Dr. Muhammad Zarlis selaku pembimbing Utama yang dengan penuh kesabaran membimbing, memotivasi, memberikan dukungan moril, kritik dan saran serta memberikan bahan-bahan yang berkaitan dengan penyusunan tesis ini sehingga tesis ini dapat terselesaikan dengan baik.

3. Prof. Dr. Herman Mawengkang, M. Andri Budiman, ST, M.Comp. Sc, M.EM, dan Prof. Dr. Tulus, selaku pembanding yang telah memberikan saran, masukan dan arahan yang baik demi penyelesaian tesis ini

4. Direktur Politeknik Negeri Medan Ir. Zulkifli Lubis, M.I.Komp, Bambang Sugianto, MP selaku Pudir I, Ir. Sahruddin, MT Selaku Pudir II, Cipta Dharma, M.Si, Selaku Pudir III, Salamat Sibarani, MT, Selaku Pudir IV, yang telah memberikan izin penulis untuk mengikuti perkuliahan

(10)

5. Rekan-rekan di STT-Harapan untuk segala pengertiannya dan perhatiannya, khusus Dra. Herlina Harahap,M.Si, Ratna Simatupang, MT, Yetty Meutia, MT, Rahmawati, MT, terima kasih untuk semua bantuan dan dukungan yang diberikan.

6. Rekan-rekan angkatan pertama S2 Teknik Informatika USU, khususnya buat kak Arie Santi Siregar atas dukungannya selama ini dengan segala pengalaman yang telah dilewati. umumnya untuk semua bantuan, dukungan, dan kebahagian selama perkuliahan.

7. Staf dan karyawan S2 Teknik Informatika, yang sudah membantu dalam perkuliahan ini, terima kasih atas kebaikan, keramahan semoga sukses selalu. 8. Teristimewa seluruh keluarga besar yaitu Ibunda Hj. Mariani Oesman, Alm.

H. Ahmad Ridwan Nst, Bang Izul, Bang Fendi, Kak Lelan, Kak Adah, Kak Fatmah, Ponakan-ponakan atas dorongan moril dan materil yang telah diberikan selama perkuliahan sampai penulisan tesis ini.

Kepada semua pihak yang tidak dapat penulis sebutkan satu persatu dalam tesis ini, terima kasih atas segala bantuan yang diberikan.

Medan, Juli 2011

HABIBI RAMDANI SAFITRI NIM 097038022

(11)

PENERAPAN TEKNIK DATA MINING DENGAN METODE SMOOTH SUPPORT VECTOR MACHINE (SSVM) UNTUK MEMPREDIKSI

MAHASISWA YANG BERPELUANG DROP OUT (Studi Kasus Mahasiswa Politeknik Negeri Medan)

ABSTRAK

Support Vector Machines (SVM) adalah Algoritma baru dari Teknik data mining, meningkatnya popularitas dalam pembelajaran mesin dan statistic masyarakat. SVM telah diperkenalkan oleh Vapnik untuk memecahkan masalah pengenalan pola dan fungsi nonlinear estimasi. SVM telah menjadi alat pilihan untuk masalah klasifikasi dasar pembelajaran mesin dan data mining. Tidak seperti metode tradisional yang meminimalkan kesalahan pelatihan empiris, SVM bertujuan meminimalkan batas atas kesalahan generalisasi melalui memaksimalkan margin antara hyperplane memisahkan data. Hal ini dapat dianggap sebagai pelaksanaan perkiraan prinsip minimisasi risiko struktur, Metode smoothing, banyak digunakan untuk memecahkan masalah pemrograman matematis dan aplikasi penting, yang diterapkan disini untuk menghasilkan dan memecahkan sebuah reformulasi tak terbatas dari mesin vector dukungan untuk klasifikasi pola. Meskipun banyak varian SVM telah diusulkan, masih merupakan masalah penelitian aktif dalam rangka meningkatkan untuk klasifikasi yang lebih efektif. SSVM merupakan pengembangan dari SVM yang menggunakan teknik smoothing. Metode ini pertama kali diperkenalkan oleh Lee pad a tahun 2001. Ide dasar dari SSVM adalah untuk mengkonversi SVM primal formulasi untuk masalah minimisasi non mulus tanpa kendala. Penelitian Support Vector Machine (SSVM) adalah bidang aktif dalam data mining. Penulis mengembangkan metode untuk meningkatkan keakuratan hasil dari database masalah drop out mahasiswa Politeknik Negeri Medan khususnya jurusan Teknik Mesin dan Teknik Konversi Energi.

(12)

APPLICATION OF DATA MINING TECHNIQUE TO VECTOR

MACHINEMETHOD SMOOTH SUPPORT(SSVM) TO PREDICT

STUDENTS WHO DROP OUT CHANCE

(Case Study Mahasisawa Polytechnic Medan)

ABSTRACT

Support Vector Machines (SVM) is a new algorithm of data mining techniques, the increasing popularity in machine learning and statistics communities. SVM has been introduced by Vapnik to solve the problem of pattern recognition and nonlinear function estimation. SVM has become the tool of choice for the basic classification problem machine learning and data mining. Unlike traditional methods that minimize the empirical training error, SVM aims at minimizing the upper bound of generalization error through maximizing the margin between the hyperplane separating the data. This can be regarded as the implementation of the principle minimisasi risikostruktur estimates, smoothing method, widely used to solve mathematical programming problems and important applications, which are applied here to generate and solve an infinite reformulation of support vector machines for pattern classification. Although many variants of SVM have been proposed, is still an active research problem in order to improve for a more effective classification. SSVM is a development of the SVM that uses a smoothing technique. This method was first introduced by Leepad atahun 2001. The basic idea is to convert from SSVM SVM primal formulation for non-smooth minimization problem without constraint. Research Support Vector Machine (SSVM) is active in the field of data mining. The author developed a method to improve the accuracy of the results from the database drop-out problem Polytechnic students majoring in particular field of Mechanical Engineering and Energy Conversion Techniques.

(13)

DAFTAR ISI

Halaman LEMBAR PENGESAHAN ...

LEMBAR PERNYATAAN ORISINALITAS ... LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS...

KATA PENGANTAR ………. i

ABSTRAK ………... iii

ABSTRACT ………. iv

DAFTAR ISI ……… v

DAFTAR GAMBAR ……… vii

DAFTAR TABEL ………. viii

BAB I PENDAHULUAN ... 1

I.1 Latar Belakang ... 1

I.2 Perumusan Masalah ... 3

I.3 Batasan Masalah ... 3

I.4 Tujuan Penelitian ... 3

I.5 Manfaat Penelitian ... 4

I.6 Hipotesa ... 4

BAB II TINJAUAN PUSTAKA ... 5

II.1 Data Mining ... 5

II.2 Pengertian Teknik Data Mining ... 6

II.2.1 Teknik Data Mining ... 7

A.Classification ... 7

B.Association ... 8

C.Clustering ... 9

(14)

II.4 Tahapan Data Mining ... 10

II.5 Arsitektur Sistem Data mining ... 14

II.6 Tugas-tugas dalam Data mining ... 17

II.7 Pengertian SSVM (Smooth Support Vector Machine) .. 19

II.7.1 Karateristik SVM ………. 20

II.7.2 Kelebihan dan Kekurangan SVM ………. 20

BAB III METODOLOGI PENELITIAN ... 23

III.1 Tempat dan Waktu Penelitian ... 23

III.2 Pelaksanaan Penelitian ... 24

III.3 Variabel Yang Diamati ... 24

III.4 Prosedure Pengumpulan Data ... 24

III.5 Alat Analisis Data ... 23

III.6 Diagram Aktifitas Kerja Penelitian ... 28

BAB IV HASIL DAN PEMBAHASAN ... 30

IV.1 Pendahuluan ……… 30

IV.2 Hasil Percobaan Data Sample ………. 30

IV.3 Tampilan Hasil Program Prediksi Mahasiswa Drop Out 33

BAB V KESIMPULAN DAN SARAN ... 44

IV.1 Kesimpulan ... 44

IV.2 Saran ... 44 LAMPIRAN ...

(15)

DAFTAR GAMBAR

Halaman

1. Gambar 2.1. Contoh decision tree ... 8

2. Gambar 2.2 Contoh klasterisasi ... 10

3. Gambar 2.3 Tahap-Tahap Data Mining ... 11

(16)

DAFTAR TABEL

1. Tabel 3.1 Tabel Prodi Teknik Mesin Semester A T.A 2008/2009 ... 21 2. Tabel 3.2 Tabel Prodi Teknik Konversi Energi Semester A

T.A 2008/2009 ... 21 3. Tabel 3.3 Tabel Prodi Teknik Mesin Semester B T.A 2008/2009 ... 21 4. Tabel 3.4 Tabel Prodi Teknik Konversi Energi Semester B

T.A 2008/2009 ... 22 5. Tabel 3.5 Tabel Prodi Teknik Mesin Semester A T.A 2009/2010 ... 22 6. Tabel 3.6 Tabel Prodi Teknik Konversi Energi Semester A

T.A 2009/2010 ... 22 7. Tabel 3.7 Tabel Prodi Teknik Mesin Semester B T.A 2009/2010 ... 23 8. Tabel 3.8 Tabel Prodi Teknik Konversi Energi Semester A

(17)

PENERAPAN TEKNIK DATA MINING DENGAN METODE SMOOTH SUPPORT VECTOR MACHINE (SSVM) UNTUK MEMPREDIKSI

MAHASISWA YANG BERPELUANG DROP OUT (Studi Kasus Mahasiswa Politeknik Negeri Medan)

ABSTRAK

(18)

APPLICATION OF DATA MINING TECHNIQUE TO VECTOR

MACHINEMETHOD SMOOTH SUPPORT(SSVM) TO PREDICT

STUDENTS WHO DROP OUT CHANCE

(Case Study Mahasisawa Polytechnic Medan)

ABSTRACT

(19)

BAB I

PENDAHULUAN

I.1 Latar Belakang.

Teknologi Informasi telah merambah ke seluruh sektor kehidupan, mulai dari digunakannya Teknologi Informasi ini hanya sebagai pengganti mesin ketik sampai dengan yang sudah mendukung dalam pengambilan keputusan manajemen. Teknologi Informasi telah berkembang begitu pesat. Hal ini tentu saja membawa dampak perubahan seluruh sektor kehidupan manusia. Pada dasarnya Teknologi informasi adalah perangkat yang berharga karena dapat memberikan berbagai manfaat baik langsung maupun tidak langsung. Pengetahuan tentang Teknologi informasi ini sangat penting, hal ini disebabkan karena teknologi informasi berada dimana-mana dan dapat membantu manusia menjadi lebih produktif sehingga menggairahkan dan dapat memberikan perubahan, mempertinggi karir, dan dapat memberikan kesempatan luas kepada manusia di dunia ini.

Politeknik Negeri Medan saat ini dituntut untuk memiliki keunggulan bersaing dengan memanfaatkan semua sumber daya yang dimiliki. Selain sumber daya sarana, prasarana, dan manusia, sistem informasi adalah salah satu sumber daya yang dapat digunakan untuk meningkatkan keunggulan bersaing. Saat ini Politeknik Negeri Medan belum mempunyai ketentuan yang akurat untuk memprediksi mahasiswa yang berpotensi drop out sehingga diperoleh sebuah model yang dapat memprediksi mahasiswa yang berpotensi drop out. Informasi yang diperoleh dengan sistem ini sangat bermanfaat atau berguna bagi manajemen untuk dapat melakukan tindakan-tindakan yang dianggap perlu untuk mencegah agar mahasiswa tersebut tidak sampai mengalami drop out.

SSVM (Smooth Support Vector Machine) merupakan pengembangan dari SVM ( Support Vector Machine) yang sudah cukup dikenal karena kehandalannya dalam mengeksplorrasi data yang berdimensi tinggi yang mana sudah banyak

(20)

diaplikasikan diberbagai bidang. Misalnya : Image Processing, Bio Informatik, Perbangkan, Pendidikan dan Industri.

SSVM merupakan pengembangan dari SVM yang menggunakan teknik smoothing. Metode inipertama kali diperkenalkan oleh Lee[3] pada tahun 2001. Ide dasar dari SSVM adalah untuk mengkonversi SVM primal formulasi untukmasalahminimisasinonmulustanpa kendala. Karenafungsi tujuandarimasalah optimisasi tidak dibatasi tidak dua kali differentiable, fungsi smoothing dapat diterapkan untuk halus masalah initidak dibatasi. Lee [3]

Support Vector Machine (SVM) pertama kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam bidang pattern recognition. Sebagai salah satu metode pattern recognition,usia SVM terbilang masih relatif muda. Walaupun demikian, evaluasi kemampuannya dalam berbagai aplikasinyamenempatkannya sebagai state of the art dalam pattern recognition, dan dewasa ini merupakan salah satu tema yangberkembang dengan pesat.

telah mengusulkan integral dari fungsi sigmoid untuk mendekati fungsi ditambah. Kemudian, Yuan telah mengusulkan fungsi polinom dan fungsi spline.

Metode Smoothing, banyak digunakan untuk memecahkan penting matematika masalah pemrograman ematical dan aplikasi, yang diterapkan di sini untuk menghasilkan dan memecahkan sebuah reformulasi mulustak terbatas dari dukungan vektor mesin untuk klasifikasi pola menggunakan sepenuhnya sewenang-wenangkernel. Seperti reformulasi jangka dukungan kelancaran vecto rmesin (SSVM). Algoritma Newton-Armijo cepat untuk memecahkan SSVM konvergen global dan kuadratik. Numerik hasil dan perbandingan diberikan untuk menunjukkan efektivitas dan kecepatan algoritma. Pada enam dataset tersedia untuk umum, sepuluh kali lipat lintas validation kebenaran SSVM adalah yang tertinggi dibandingkan dengan empat lain nyametode serta tercepat, SSVM dapatjuga menghasilkan permukaan yang memisahkan sangat nonlinear seperti pemeriksa papan.

(21)

I.2 Perumusan Masalah

Dalam perumusan masalah ini mahasiswa yang berpotensi drop out merupakan salah satu informasi yang sangat penting bagi manajemen di Politeknik Negeri Medan dalam meminimalisasikan angka drop out mahasiswa sehingga diperlukan suatu cara atau metode yang dapat memprediksi mahasiswa yang cendrung drop out secara akurat.

Permasalahan dalam penelitian ini secara detail dirumuskan sbb :

1. Bagaimana membuat sebuah model untuk memprediksi mahasiswa yang cendrung atau berpotensi drop out khususnya Teknik Mesin Prodi Teknik mesin dan Teknik Konversi Energi

2. Bagaimana mengaplikasikan SSVM (SmoothSupport Vektor Machine) untuk memprediksi mahasiswa yang berpotensidrop out di politeknik Negeri Medan.

I.3 Batasan Masalah

Dalam penelitian ini penulis melakukan beberapa batasan permasalahan, mengingat waktu dalam penelitian sangat singkat. Maka disini penulis membatasi antara lain :

1. Penulis hanya memprediksi mahasiswa yang berpotensi drop out apa bila mahasiswa tersebut melanggar beberapa peraturan yang telah ditetapkan oleh Politeknik Negeri Medan, khususnya Teknik Mesin prodi Teknik Mesin dan Teknik Konversi Enegi.

2. Dalam penelitian ini penulis hanya menggunakan teknik data maining dengan metode SSVM (SmoothSupport Vektor Machine).

I.4 Tujuan Penelitian

Tujuan yang ingin dicapai oleh penulis adalah menghasilakan prediksi potensial terhadap mahasiswa yang cendrung drop out dan agar mahasiswa mampu metaati peraturan yang ada dengan menggunakan Teknik Data Mining.

(22)

I.5 Manfaat Penelitian

1. Dengan adanya informasi penting yang diterima oleh setiap mahasiswa baru, maka mahasiswa mampu mentaati peraturan-peraturan yang ada selama menjalankan perkulihan dipoliteknik negeri medan.

2. Membuat sistem prediksi terhadap mahasiswa yang bersifat potensial Droup Out yang ada pada Politeknik Negeri Medan.

I.6 Hipotesa

Variabel yang diusulkan adalah memiliki hubungan antara mahasiswa dan jurusan dalam menyampaikan informasi penting yang harus diterima mahasiswa baru pada saat penerimaan mahasiswa baru dimulai

(23)

BAB II

TINJAUAN PUSTAKA

II.1 Data Mining

Data mining merupakan teknologi yang menggabungkan metoda analisis tradisional dengan algoritma yang canggih untuk memproses data dengan volume besar. Data mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalamdatabase.Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasanbuatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan berguna yang bermanfaat yang tersimpan di dalam database besar. (Turban et al, 2005 ).

Beberapa definisi awal dari data mining meyertakan focus pada proses otomatisasi. Berry danLinoff, (2004) dalam buku Data Mining Technique for Marketing, Sales, and Customer Support mendefinisikan data mining sebagai suatu proses eksplorasi dan analisis secara otomatis maupun semi otomatis terhadap data dalam jumlah besar dengan tujuan menemukan pola atau aturan yang berarti (Larose, 2006).

Analisis yang diotomatisasi yang dilakukanoleh data mining melebihi yang dilakukan oleh sistem pendukung keputusan tradisional yang sudah banyak digunakan. Data Mining dapat menjawab pertanyaan-pertanyaan bisnis yang dengan caratradisional memerlukan banyak waktu dan cost tinggi. Data Mining mengeksplorasi basis datauntuk menemukan pola-pola yang tersembunyi, mencari informasi untuk memprediksi yangmungkin saja terlupakan oleh para pelaku bisnis karena terletak di luar ekspektasi mereka.

Perkembangan yang cepat dalam teknologi pengumpulan dan penyimpanan data telah memudahkan organisasi untuk mengumpulkan sejumlah data berukuran besar, sehingga menghasilkan gunung data. Data Maining adalah proses pencarian secara otomatis informasi yang berguna dalam tempat

(24)

penyimpanan data berukuran besar. Istilah lain yang sering digunakan diantaranya knowledge discovery (mining) indatabases (KDD).

Istilah data mining dan Knowledge Discovery in Database (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan proses KDD adalah data mining.

II.2 Pengertian Teknik Data Mining

Ada beberapa definisi dari data mining yang dikenal diiantaranya adalah :

1. Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual.

2. Data mining adalah analisa otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaannya

3. Data mining atau Knowledge Discovery in Databases (KDD) adalah pengambilan informasi

yang tersembunyi, dimana informasi tersebut sebelumnya tidak dikenal dan berpotensibermanfaat. Proses ini meliputi sejumlah pendekatan teknis yang berbeda, seperti clustering, data summarization, learning classification rules.

Teknik Data Maining digunakan untuk memeriksa basis data berukuran besar sebagai cara untuk menemukan pola yang baru dan berguna. Tidak semua pekerjaan pencarian informasi dinyatakan sebagai Data Maining. Sebagai contoh, pencarian record individual menggunakan database management system atau pencarian web tertentu melalui query kesemua searce engine adalah pekerjaan pencarian informasi yang erat kaitannya dengan information retrieval. Teknik-teknik data maining dapat digunakan untuk meningkatkan kemampuan sistem-sistem information retrieval.

(25)

II.2.1 Teknik Data Mining

Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulandata berupa pengetahuan yang selama ini tidak diketahui secara manual. Perlu diingat bahwa katamining sendiri berarti usaha untuk mendapatkan sedikit data berharga dari sejumlah besar datadasar. Karena itu data mining sebenarnya memiliki akar yang panjang dari bidang ilmu sepertikecerdasan buatan (artificial intelligent), machine learning, statistik dan basisdata. Beberapa teknikyang sering disebut-sebut dalam literatur data mining antara lain yaitu association rule mining,clustering, klasifikasi, neural network, genetic algorithm dan lain-lain.

Model maupun hasil analisanya, salah satunya dengan kemampuan pembelajaran yang dimiliki beberapa teknik data mining seperti klasifikasi.Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulandata berupa pengetahuan yang selama ini tidak diketahui secara manual. Perlu diingat bahwa katamining sendiri berarti usaha untuk mendapatkan sedikit data berharga dari sejumlah besar datadasar. Karena itu data mining sebenarnya memiliki akar yang panjang dari bidang ilmu sepertikecerdasan buatan (artificial intelligent), machine learning, statistik dan basisdata. Beberapa teknikyang sering disebut-sebut dalam literatur data mining antara lain yaitu association rule mining,clustering, klasifikasi, neural network, genetic algorithm dan lain-lain.

A. Classification

Suatu teknik dengan melihat pada kelakuan dan atribut dari kelompok yang telahdidefinisikan.Teknik ini dapat memberikan klasifikasi pada data baru dengan memanipulasi datayang ada yang telah diklasifikasi dan dengan menggunakan hasilnya untuk memberikan sejumlahaturan. Aturan-aturan tersebut digunakan pada data-data baru untuk diklasifikasi. Teknik inimenggunkan supervised induction, yang memanfaatkan kumpulan pengujian dari record yangterklasifikasi untuk menentukan kelas-kelas tambahan. Salah satu contoh yang mudah dan populeradalah dengan Decision tree yaitu salah satu metode klasifikasi yang paling populer karena mudahuntuk diinterpretasi. Decision tree adalah model

(26)

prediksi menggunakan struktur pohon atau strukturberhirarki.Decision tree adalah struktur flowchart yang menyerupai tree (pohon), dimana setiapsimpul internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan hasil tes, dansimpul daun merepresentasikan kelas atau distribusi kelas. Alur pada decision tree di telusuri darisimpul akar ke simpul daun yang memegang prediksikelas untuk contoh tersebut. Decision tree mudah untuk dikonversi ke aturan klasifikasi(classification rules)

Gambar 2.1 Contoh decision tree

B. Association

Digunakan untuk mengenali kelakuan dari kejadian-kejadian khusus atau proses dimanalink asosiasi muncul pada setiap kejadian. Contoh dari aturan assosiatif dari analisa pembelian disuatu pasar swalayan adalah bisa diketahui berapa besar kemungkinan seorang pelanggan membeliroti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengaturpenempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon

(27)

untukkombinasi barang tertentu.Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, supportyaitu prosentasi kombinasi atribut tersebut dalam basisdata dan confidence yaitu kuatnya hubunganantar atribut dalam aturan asosiatif.Motivasi awal pencarian association rule berasal dari keinginanuntuk menganalisa data transaksi supermarket, ditinjau dari perilaku customer dalam membeliproduk. Association rule ini menjelaskan seberapa sering suatu produk dibeli secara bersamaan.Sebagai contoh, association rule “beer =>diaper (80%)” menunjukkan bahwa empat dari limacustomer yang membeli

beer juga membeli diaper. Dalam suatu association rule X =>Y, X disebutdengan antecedent dan Y disebut dengan consequent.Rule.

C. Clustering

Digunakan untuk menganalisis pengelompokkan berbeda terhadap data, mirip denganklasifikasi, namun pengelompokkan belum didefinisikan sebelum dijalankannya tool data mining. Biasanya menggunkan metode neural network atau statistik. Clustering membagi item menjadi kelompok-kelompok berdasarkan yang ditemukan tool data mining.Prinsip dari clustering adalah memaksimalkan kesamaan antar anggota satu kelas danmeminimumkan kesamaan antar cluster. Clustering dapat dilakukan pada data yang memilikibeberapa atribut yang dipetakan sebagai ruang multidimensi.

Ilustrasi dari clustering dapat dilihatdi Gambar 3 dimana lokasi, dinyatakan dengan bidang dua dimensi, dari pelanggan suatu tokodapat dikelompokkan menjadi beberapa cluster dengan pusat cluster ditunjukkan oleh tanda positif(+).

Banyak algoritma clustering memerlukan fungsi jarak untuk mengukur kemiripan antar data,diperlukan juga metoda untuk normalisasi bermacam atribut yang dimiliki data.

(28)

II.3 Definisi Data Mining

Kemajuan dalam pengumpulan data dan teknologi penyimpanan yang cepatmemungkinkan organisasi menghimpun jumlah data yang sangat luas. Alat dan teknik analisis datayang tradisional tidak dapat digunakan untuk mengektrak informasi dari data yang sangat besar.Untuk itu diperlukan suatu metoda baru yang dapat menjawab kebutuhan tersebut. Data miningmerupakan teknologi yang menggabungkan metoda analisis tradisional dengan algoritma yangcanggih untuk memproses data dengan volume besar.

II.4 Tahapan Data Mining

Salah satu tuntutan dari data mining ketika diterapkan pada data berskala besar adalahdiperlukan metodologi sistematis tidak hanya ketika melakukan analisa saja tetapi juga ketikamempersiapkan data dan juga melakukan interpretasi dari hasilnya sehingga dapat menjadi aksiataupun keputusan yang bermanfaat.Data mining seharusnya dipahami sebagai suatu proses, yang memiliki tahapan-tahapantertentu dan juga ada umpan balik dari setiap tahapan ke tahapan sebelumnya. Pada umumnyaproses data mining berjalan interaktif karena tidak jarang hasil data mining pada awalnya tidaksesuai dengan harapan analisnya sehingga perlu dilakukan desain ulang prosesnya.

(29)

Gambar 2.3. Tahap-Tahap Data Mining

Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap yangdiilustrasikan di Gambar 1. Tahap-tahap tersebut. bersifat interaktif di mana pemakai terlibatlangsung atau dengan perantaraan knowledge base.

1. Pembersihan data, Digunakan untuk membuang data yang tidakkonsisten dan noise

2. Intergrasi Data, Data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Hasil integrasi data sering diwujudkan dalam sebuah datawarehouse karena dengan data warehouse, data dikonsolidasikan dengan struktur khusus yangefisien. Selain itu data warehouse juga memungkinkan tipe analisa seperti OLAP.

(30)

3. Transformasi data,Transformasi dan pemilihan data ini untuk menentukan kualitas dari hasil data mining, sehinggadata diubah menjadi bentuk sesuai untuk di-Mining.

4. Aplikasi Teknik Data Mining,Aplikasi teknik data mining sendiri hanya merupakan salah satu bagian dari proses data mining Ada beberapa teknik data mining yang sudah umum dipakai.

5. Evaluasi pola yang ditemukan,Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksidievaluasi untuk menilai apakah hipotesa yang ada memang tercapai.

6. Presentasi Pengetahuan,Presentasi pola yang ditemukan untuk menghasilkan aksi tahap terakhir dari proses data miningadalah bagaimana memformulasikan keputusan atau aksi dari hasil analisa yang didapat.

Sesuai yang tercantum dalam buku “Advances in Knowledge Discovery danData mining” terdapat definisi sebagai berikut: Knowledge discovery (data mining) in databases (KDD) adalah keseluruhan proses non-trivial untuk mencari dan mengidentifikasi pola (pattern) dalam data, dimana pola yang ditemukan bersifat sah (valid), baru (novel), dapat bermanfaat (potentially usefull), dapat dimengerti (ultimately understandable)[2].

1. Data Selection

Istilah data mining dan knowledge discovery in databases (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbedaakan tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan proses KDD adalah data mining. Proses KDD secara garis besar dapat dijelaskan sebagai berikut[2]:

Pemilihan (seleksi) data dan sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisahdari basis data operasional.

(31)

2. Pre-processing/ Cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaningpada data yang menjadi focus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. 3. Transformation

Codinga dalah proses transformasipada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data

4. Data mining

Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan.

5. Interpretation/ Evaluation

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut dengan interpretation.

Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya.Proses KDD secara garis besar memang terdiri dari 5 tahap seperti yang telah dijelaskan sebelumnya. Akan tetapi, dalam proses KDD yang sesungguhnya, dapat saja terjadi iterasi atau pengulangan pada tahap-tahap tertentu. Pada setiap tahap dalam proses KDD, seorang analis dapat saja kembali ketahap sebelumnya. Sebagai

(32)

contoh, pada saat coding atau data mining, analis menyadari proses cleaning belum dilakukan dengan sempurna, atau mungkin saja analis menemukan data atau informasi baru untuk “memperkaya” data yang sudah ada.

II.5 Arsitektur Sistem Data mining

Data mining merupakan proses pencarian pengetahuan yang menarik dari data berukuran besar yang disimpan dalam basis data, data warehouse atau tempat penyimpanan informasi lainnya. Dengan demikian arsitektur sistem data mining memiliki komponen-komponen utama yaitu:

1. Basis data, data warehouse atau tempat penyimpanan informasi lainnya. 2. Basis data dan data warehouse server. Komponen ini bertanggung jawab

dalam pengambilan relevant data, berdasarkan permintaan pengguna. 3. Basis pengetahuan. Komponen ini merupakan domain knowledge yang

digunakan untuk memandu pencarian atau mengevaluasi pola-pola yang dihasilkan. Pengetahuan tersebut meliputi hirarki konsep yang digunakan untuk mengorganisasikan atribut atau nilai atribut ke dalam level abstraksi yang berbeda. Pengetahuan tersebut juga dapat berupa kepercayaan pengguna (user belief), yang dapat digunakan untuk menentukan kemenarikan pola yang diperoleh. Contoh lain dari domain knowledge adalah threshold dan metadata yang menjelaskan data dari berbagai sumber yang heterogen.

4. Data mining engine. Bagian ini merupakan komponen penting dalam arsitektur sistem data mining. Komponen ini terdiri modul-modul fungsional data mining seperti karakterisasi, asosiasi, klasifikasi, dan analisis cluster.

5. Modul evaluasi pola. Komponen ini menggunakan ukuran-ukuran kemenarikan dan berinteraksi dengan modul data mining dalam pencarian pola-pola menarik. Modul evaluasi pola dapat menggunakan threshold kemenaikan untuk mem-filter pola-pola yang diperoleh.

(33)

6. Antarmuka pengguna grafis. Modul ini berkomunikasi dengan pengguna dan sistem data mining. Melalui modul ini, pengguna berinteraksi dengan sistem mengan menentukan kueri atau task data mining. Antarmuka juga menyediakan informasi untuk memfokuskan pencarian dan melakukan eksplorasi data mining berdasarkan hasil data mining antara. Komponen ini juga memungkinkan pengguna untuk mencari (browse) basis data dan skema data warehouse atau struktur data, evaluasi pola yang diperoleh dan visualisasi pola dalam berbagai bentuk.

Data mining dapat diaplikasikan pada berbagai jenis penyimpanan data seperti basis data relational, data warehouse, transactional database, object-oriented and object-relational databases, spatial databases, time-series data and temporal data, text databases and multimedia databases, heterogeneous and legacy databases dan WWW.

1. Basis data Relasional Basis data relasional merupakan koleksi dari table. Setiap table berisi atribut (field) dan biasanya menyimpan sejumlah besar tuple (record). Setiap tuple dalam table relasional merepesentasikan sebuah objek yang diidentifikasikan oleh kunci unik dan dideskripsikan oleh sekumpulan nilai atribut. Data relasional dapat diakses oleh kueri basis data yang ditulis dalam bahasa kueri relasional seperti SQL atau dengan bantuan antarmuka pengguna grafis.

2. Data warehouse Data warehouse merupakan tempat penyimpanan informasi yang dikumpulkan dari berbagai sumber, disimpan dalam skema yang dipersatukan (unified schema) dan biasanya bertempat pada tempat penyimpanan tunggal. Data warehouse dikonstruksi melalui sebuah proses data cleaning, data transformation, data integration, data loading dan periodic data refreshing.

Untuk memfasilitasi proses pembuatan keputusan, data dalam data warehouse diorganisasikan ke dalam subjek utama seperti customer, item,

(34)

supplier atau aktivitas. Data disimpan untuk menyediakan informasi dari perspektif sejarah (seperti 5-10 tahun yang lalu) dan biasanya data tersebut diringkas (summarized). Sebagai contoh, daripada menyimpan data rinci dari transaksi penjualan, data warehouse dapat menyimpan ringkasan dari transaksi per tipe item untuk setiap toko atau diringkas dalam level yang lebih tinggi seperti daerah pemasaran.

Data warehouse biasanya dimodelkan oleh struktur basis data multidimensional, dimana setiap dimensi berkaitan dengan sebuah atribut atau sekumpulan atribut dalam skema, dan setiap sel menyimpan nilai dari ukuran agregasi seperti count dan sales_amount. Struktur fisik dari data warehouse dapat berupa penyimpanan basis data relasional atau sebuah kubus data multidimensional.

Selain data warehouse, terdapat istilah penyimpanan data yang lain yaitu data mart. Sebuah data warehouse mengumpulkan informasi mengenai subjek-subjek yang menjangkau seluruh organisasi, dengan demikian cakupannya enterprise-wide. Sedangkan data mart merupakan sub bagian dari data warehouse. Fokus data mart adalah pada subjek yang dipilih dan dengan demikian cakupannya adalah department-wide.

3. Basis data Transaksional Secara umum, basis data transaksional terdiri dari sebuah file dimana setiap record merepresentasikan transaksi. Sebuah transaksi biasanya meliputi bilangan identitas transaksi yang unik (trans_id), dan sebuah daftar dari item yang membuat transaksi (seperti item yang dibeli dalam sebuah took). Basis data transaksi dapat memiliki tabel tambahan, yang mengandung informasi lain berkaitan dengan penjualan seperti tanggal transaksi, customer ID number, ID number dari sales person dan dari kantor cabang (branch) dimana penjualan terjadi.

(35)

II.6 Tugas-tugas dalam Data mining

Tugas-tugas dalam data mining secara umum dibagi ke dalam dua kategori utama: 1. Prediktif. Tujuan dari tugas prediktif adalah untuk memprediksi nilai dari atribut tertentu berdasarkan pada nilai dari atribut-atribut lain. Atribut yang diprediksi umumnya dikenal sebagai target atau variabel tak bebas, sedangkan atribut-atribut yang digunakan untuk membuat prediksi dikenal sebagai explanatory atau variabel bebas.

2. Deskriptif. Tujuan dari tugas deskriptif adalah untuk menurunkan pola-pola (korelasi, trend, cluster, trayektori, dan anomali) yang meringkas hubungan yang pokok dalam data. Tugas data mining deskriptif sering merupakan penyelidikan dan seringkali memerlukan teknik postprocessing untuk validasi dan penjelasan hasil.

Berikut adalah tugas-tugas dalam data mining: 1. Analisis Asosiasi (Korelasi dan kausalitas)

Analisis asosiasi adalah pencarian aturan-aturan asosiasi yang menunjukkan kondisi-kondisi nilai atribut yang sering terjadi bersama-sama dalam sekumpulan data. Analisis asosiasi sering digunakan untuk menganalisa market basket dan data transaksi.

Aturan-aturan asosiasi memiliki bentuk X ⇒ Y, bahwa A1 ∧ A2 ∧ … ∧ Am → B1 ∧ B2 ∧ … ∧ Bn, dimana Ai (untuk i = 1, 2, …, m) dan Bj (untuk j = 1, 2, …,

n) adalah pasangan-pasangan nilai atribut. Aturan asosiasi X ⇒ Y diinterpretasikan sebagai tuple-tuple basis data yang memenuhi kondisi-kondisi dalam X juga mungkin memenuhi kondisi-kondisi dalam Y.

Contoh dari aturan asosiasi adalah age(X, “20..29”) ^ income(X, “20..29K”) ⇒ buys(X, “PC”) [support = 2%, confidence = 60%]

(36)

Klasifikasi dan Prediksi Klasifikasi adalah proses menemukan model (fungsi) yang menjelaskan dan membedakan kelas-kelas atau konsep, dengan tujuan agar model yang diperoleh dapat digunakan untuk memprediksikan kelas atau objek yang memiliki label kelas tidak diketahui. Model yang turunkan didasarkan pada analisis dari training data (yaitu objek data yang memiliki label kelas yang diketahui). Model yang diturunkan dapat direpresentasikan dalam berbagai bentuk seperti aturan IF-THEN klasifikasi, pohon keputusan, formula matematika atau jaringan syarf tiruan.

Dalam banyak kasus, pengguna ingin memprediksikan nilai-nilai data yang tidak tersedia atau hilang (bukan label dari kelas). Dalam kasus ini biasanya nilai data yang akan diprediksi merupakan data numeric. Kasus ini seringkali dirujuk sebagai prediksi. Di samping itu, prediksi lebih menekankan pada identifikasi trend dari distribusi berdasarkan pada data yang tersedia.

1. Analisis Cluster Tidak seperti klasifikasi dan prediksi, yang menganalisis objek data yang diberi label kelas, clustering menganalisis objek data dimana label kelas tidak diketahui. Clustering dapat digunakan untuk menentukan label kelas tidak diketahui dengan cara mengelompokkan data untuk membentuk kelas baru. Sebabai contoh clustering rumah untuk menemukan pola distribusinya. Prinsip dalam clustering adalah memaksimumkan kemiripan intra-class dan meminimumkan kemiripan interclass.

2. Analisis Outlier Outlier merupakan objek data yang tidak mengikuti perilaku umum dari data. Outlier dapat dianggap sebagai noise atau pengecualian. Analisis data outlier dinamakan outlier mining. Teknik ini berguna dalam fraud detection dan rare events analysis.

3. Analisis Trend dan Evolusi Analisis evolusi data menjelaskan dan memodelkan trend dari objek yang memiliki perilaku yang berubah setiap

(37)

waktu. Teknik ini dapat meliputi karakterisasi, diskriminasi, asosiasi, klasifikasi, atau clustering dari data yang berkaitan dengan waktu.

Data mining merupakan bidang interdisplin. Disiplin ilmu ini banyak dipengaruhi oleh disiplin sistem basis data, statistika, ilmu informasi, mesinpembelajaran, dan visualisasi. Sistem data mining dapat diklasifsikasikan berdasarkan beberapa kategori, yaitu :

1. Klasifikasi berdasarkan data yang akan di-mine seperti relational, transactional, object-oriented, object-relational, spatial, time-series, text, multi-media dan www.

2. Klasifikasi berdasarkan pengetahuan yang akan di-mine, yaitu berdasarkan fungsionalitas data mining seperti karakterisasi, diskriminasi, asosiasi, klasifikasi, clustering, analisis outlier dan analisis evolusi. Sistem data mining yang komprehensif biasanya menyediakan beberapa fungsi-fungsi data mining.

3. Klasifikasi berdasarkan teknik yang akan digunakan seperti database-oriented, data warehouse (OLAP), machine learning, Statistics, Visualization dan neural network.

4. Klasifikasi berdasarkan aplikasi yang diadaptasi, sebagai contoh system data mining untuk keuangan, telekomunikasi, DNA, dan e-mail.

II.7 Pengertian SSVM (Smooth Support Vektor Machine).

Support Vector Machine (SVM) pertama kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaianharmonis konsep-konsep unggulan dalam bidang pattern recognition. Sebagai salah satu metode pattern recognition,usia SVM terbilang masih relatif muda. Walaupun demikian, evaluasi kemampuannya dalam berbagai aplikasinyamenempatkannya sebagai state of the art dalam pattern recognition. SVM adalah metode learning machine yang bekerja atas prinsip Structural RiskMinimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada inputspace. Tulisan ini membahas

(38)

teori dasar SVM dan aplikasinya dalam bioinformatika, khususnya pada analisaekspresi gen yang diperoleh dari analisa microarray.Konsep SVM dapat dijelaskan secara sederhanasebagai usaha mencari hyperplaneterbaik yangberfungsi sebagai pemisah dua buah class padainput space.

Konsep dasar SVMsebenarnya merupakan kombinasi harmonis dariteori-teori komputasi yang telah ada puluhantahun sebelumnya, seperti margin hyperplane(Duda & Hart tahun 1973, Cover tahun 1965,Vapnik 1964, dsb.), kernel diperkenalkan olehAronszajn tahun 1950, dan demikian jugadengan konsep-konsep pendukung yang lain.

Akan tetapi hingga tahun 1992, belum pernahada upaya merangkaikan komponen-komponentersebut.

II.7.1 KARAKTERISTIK SVM

Karakteristik SVM sebagaimana telah dijelaskanpada bagian sebelumnya, dirangkumkan sebagaiberikut:

1. Secara prinsip SVM adalah linear classifier

2. Pattern recognition dilakukan denganmentransformasikan data pada input

spaceke ruang yang berdimensi lebih tinggi, danoptimisasi dilakukan pada ruang vector yangbaru tersebut. Hal ini membedakan SVMdari solusi pattern recognition padaumumnya, yang melakukan optimisasiparameter pada ruang hasil transformasiyang berdimensi lebih rendah daripadadimensi input space.

3. Menerapkan strategi Structural RiskMinimization (SRM)

4. Prinsip kerja SVM pada dasarnya hanyamampu menangani klasifikasi dua class.

II.7. 2 KELEBIHAN DAN KEKURANGAN SVM

Dalam memilih solusi untuk menyelesaikansuatu masalah, kelebihan dan kelemahanmasing-masing metode harus diperhatikan.Selanjutnya metode yang tepat dipilih denganmemperhatikan karakteristik data yang diolah.Dalam hal SVM, walaupun berbagai studi telahmenunjukkan kelebihan metode SVMdibandingkan metode konvensional lain, SVMjuga memiliki berbagai kelemahan. KelebihanSVM antara lain sbb.

(39)

1. Generalisasi

Generalisasi didefinisikan sebagaikemampuan suatu metode (SVM, neuralnetwork, dsb.) untuk mengklasifikasikansuatu pattern, yang tidak termasuk data yangdipakai dalam fase pembelajaran metode itu.Vapnik menjelaskan bahwa generalizationerror dipengaruhi oleh dua faktor: errorterhadap training set, dan satu faktor lagiyang dipengaruhi oleh dimensi VC(Vapnik-Chervokinensis). Strategipembelajaran pada neural network danumumnya metode learning machinedifokuskan pada usaha untukmeminimimalkan error pada training-set.Strategi ini disebut Empirical RiskMinimization (ERM). Adapun SVM selainmeminimalkan error pada training-set, jugameminimalkan faktor kedua. Strategi inidisebut Structural Risk Minimization (SRM),dan dalam SVM diwujudkan denganmemilih hyperplane dengan margin terbesar.Berbagai studi empiris menunjukkan bahwapendekatan SRM pada SVM memberikanerror generalisasi yang lebih kecil daripadayang diperoleh dari strategi ERM padaneural network maupun metode yang lain.

2. Curse of dimensionality.

Curse of dimensionality didefinisikansebagai masalah yang dihadapi suatumetode pattern recognition dalammengestimasikan parameter (misalnyajumlah hidden neuron pada neural network,stopping criteria dalam proses pembelajarandsb.) dikarenakan jumlah sampel data yangrelatif sedikit dibandingkan dimensionalruang vektor data tersebut. Semakin tinggidimensi dari ruang vektor informasi yang diolah, membawa konsekuensi dibutuhkannya jumlah data dalam proses pembelajaran. ada kenyataannya seringkali terjadi, data yang diolah berjumlah terbatas, dan untuk mengumpulkan data yang lebih banyak tidak mungkin dilakukan karena kendala biaya dan kesulitan teknis. Dalam kondisi tersebut, jika metode itu “terpaksa”harus bekerja pada data yang berjumlah relatif sedikit dibandingkan dimensinya,akan membuat proses estimasi parameter metode menjadi sangat sulit.Curse of dimensionality sering dialami dalam aplikasi di

(40)

bidang biomedicalengineering, karena biasanya data biologi yang tersedia sangat terbatas, dan penyediaannya memerlukan biaya tinggi.Vapnik membuktikan bahwa tingkat generalisasi yang diperoleh oleh SVM tidak dipengaruhi oleh dimensi dari input vector. Hal ini merupakan alasan mengapa SVM merupakan salah satu metode yang tepat dipakai untuk memecahkan masalah berdimensi tinggi, dalam keterbatasan sampel data yang ada.

3. Landasan teoriSebagai metode yang berbasis statistik,SVM memiliki landasan teori yang dapatdianalisa dengan jelas, dan tidak bersifat.

(41)

BAB III

METODOLOGI PENELITIAN

Tujuan dari Tesis ini adalah untuk membuat model penerapan dalam memprediksi mahasiswa yang berpeluang drop out dengan keterhubungan data mahasiswa dengan jurusan untuk meningkatkan disiplin mahasiswa yang lebih baik dengan menyediakan data prestasi akademik mahasiswa berupa indeksprestasi yang dapat digunakan sebagai pedoman analisis dalam pembuatan keputusan.

Pada bagian ini kita mulai dengan menggambarkan studi kasus data mining pada system penilaian akademik di perguruan tinggi dan prosedur bagaimana mengumpulkan data yang dapat digunakan pada penelitian ini.

Data dikumpulkan dari database pendidikan akademik dan mensurvei mahasiswa diploma yang telah menempuh semester 1sampaidengantahun 2011 di Politeknik Negeri Medan. Instrumen penelitian yang digunakan harus mempunyai ukuran yang akurat. Secara terperinci, bagaimana mendapatkan input yang lebih baik dalam proses data mining yang digambarkan pada bagian sebelum pemprosesan data. Penulis memberikan tinjauan singkat dari beberapa analysis data yang digunakan pada penelitian ini.

III.1 Tempat dan Waktu Penelitian

Penelitian ini diambil dilokasi Politeknik Negeri Medan Jln. Almamater No.1 Kampus USU Padang Bulan Medan. Penelitian ini dimulai pada bulan Pebruari - Juni 2010, dan penelitian ini membutuhkan waktu selama 5 bulan dalam menyelesaikan penelitian ini.

III.2 Pelaksanaan Penelitian

Penelitian ini memanfaatkan daftar nilai akhir mahasiswa,daftar kehadiran mahasiswa, melanggar peraturan akademik antara lain : pencurian, merusak nama baik institusi.

(42)

III.3 Variabel Yang Diamati

Berdasarkan pembahasan diatas dapat dikemukakan kerangka konsep penelitian sebagai berikut:

1. Daftar kehadiran mahasiswa 2. Ujian harian

3. Latihan 4. Laboratorium 5. UTS

6. UAS

III.4 Prosedur Pengumpulan Data

Rancangan penelitian ini dilakukan sesuai dengan pengamatan (observasi) untuk mempelajari tingkat kedisiplinan mahasiswa dalam mengikuti perkuliahan. Hasil pengamatan kemudian dibuat percobaan yang mendukung, selanjutnya dilakukan eksperimen data.

Dalam melakukan penelitian ini, dikumpulkan beberapa data atau daftar mahasiswa yang drop out (DO) pada jurusan Teknik Mesin pada Semester A Tahun Akademik 2008/2009 hingga 2009/ 2010. Berikut daftar mahasiswa sbb:

Tabel 3.1 Prodi Teknik Mesin.

N0 Nama NIM Kelas N0 Surat Tgl Surat Ket

1 Desmon P. Sinaga 0805012133 ME-1H 1552/K2/AK/2008 02 Desember 2008 Absen 2 Irsal Suhaimi 062301056 ME-5A 1553/K2/AK/2008 02 Desember 2008 Absen 3 Royandi Sinaga 0805011080 ME-IC 1554/K2/AK/2008 02 Desember 2008 Absen 4 Edy Andiko Gersing 0805011237 ME-1H 1555/K2/AK/2008 02 Desember 2008 Absen 5 Hotasi L. Gaol 0705012146 ME-3G 1556/K2/AK/2008 02 Desember 2008 Absen 6 Erick Kennedy 0705012132 ME-3H 1557/K2/AK/2008 02 Desember 2008 Absen 7 Fadli Rizki A. Nasution 0705012134 ME-3E 87/K2/AK/2009 22 Januari 2009 Absen 8 Ahmad Marzuki 0805011014 ME-1D 88/K2/AK/2009 23 Januari 2009 Absen

(43)

9 Dedi Situmeang 0805011023 ME-1B 470/K2/AK/2009 14 April 2009 Nilai 10 Abdul Kodir Siregar 0805011001 ME-1C 471/K2/AK/2009 14 April 2009 Nilai 11 Sahat D. Sihombing 0805012198 ME-1H 472/K2/AK/2009 14 April 2009 Nilai 12 Jimmi Amse Ginting 062301061 ME-3B 473/K2/AK/2009 14 April 2009 Nilai

Tabel 3.2 Prodi Teknik Konversi Energi.

N0 Nama NIM Kelas N0 Surat Tgl Surat Ket

1 Tona Bontor Melki, S 0805052098 EN-1D 1549/K2/AK/2008 02 Desember 20008 Absen 2 Faridz Al Kindi 0705051019 EN-3B 1550/K2/AK/2008 02 Desember 20008 Absen 3 Ali Imran 0705051001 EN-3B 1551/K2/AK/2008 02 Desember 20008 Absen 4 Muhammad Abdul T 0805051027 EN-1B 89/K2/AK/2009 22 Januari 2009 Absen 5 Josia Sembiring 0805051018 EN-1A 476/K2/AK/2009 14 April 2009 Nilai 6 Ricky Satriaji 0705051088 EN-3A 477/K2/AK/2009 14 April 2009 Nilai

Daftar mahasiswa yang drop out pada Semester B Tahun Akademik 2008/2009 Tabel 3.3 Prodi Teknik Mesin

N0 Nama NIM Kelas N0 Surat Tgl Surat Ket

1 Yose Nainggolan 0805011102 ME-2B 1961/K2/AK/2009 22 Desember 2009 Nilai 2 Dwi Irawan 0705011026 ME-4A 1962/K2/AK/2009 23 Desember 2009 Nilai 3 Alfred Siallagan 0805012110 ME-2A 1963/K2/AK/2009 24 Desember 2009 Nilai 4 Yusdarlin 0805011104 ME-2G 1964/K2/AK/2009 25 Desember 2009 Nilai 5 M. Rizki Diapari S. 0805011060 ME-2D 1965/K2/AK/2009 26 Desember 2009 Nilai 6 Desmon Abdi J.G 0805011025 ME-2D 1966/K2/AK/2009 27 Desember 2009 Nilai 7 Ridho Saputra 0805012189 ME-2D 1967/K2/AK/2009 28 Desember 2009 Nilai 8 Suwardi Dwi Pramita 0805011089 ME-2C 1968/K2/AK/2009 29 Desember 2009 Nilai 9 Marcos Simorangkir 0805011065 ME-2C 1969/K2/AK/2009 30 Desember 2009 Nilai

Tabel 3.4 Prodi Teknik Konversi Energi

N0 Nama NIM Kelas N0 Surat Tgl Surat Ket

1 Syaiful Amri Sinaga 0805051047 EN-2A 1960/K2/AK/2009 22 Desember 2009 Nilai

III.5 AlatAnalisis Data

Dalam smooth support vector machine ini, dimenggambarkan garis besar reformulasi standar SVM untuk kelancaran SVM [3].Maka akan dimulai dengan

(44)

kasus linear yang dapat dikonversi ke masalah optimasi tanpa kendala., menganggap masalah mengklasifikasikan poin m n-dimensi ruang Rn nyata, diwakili oleh matriks m'n A, sesuai dengan keanggotaan dari masing-masing Ai titik dalam kelas 1 atau -1 sebagaimana ditentukan oleh matriks m 'm diberikan diagonal D dengan yang atau yang dikurangi di sepanjang diagonal. Untuk masalah ini SVM standar diberikan oleh program kuadrat berikut:

min

₁

) , ,

(wγ y ∈Rn+ +m

ve′y+ 2 1 w′w

min

₁ ) , ,

(wγ y ∈Rn+ +m

s.t.D(Aw-eγ) + y ≥ e (1) y ≥ 0

dimana:

v=Sebuahberatyangpositif y=variableSlack

e=Kolomvectorsatudimensi

Dalam pendekatan SSVM [3], masalah SVM dimodifikasi dihasilkan sebagai berikut:

min

₁

) , ,

(w γ y ∈Rn+ +m 2

y′y + 2 1

(w′w + γ2

s.t.D(Aw-eγ) + y ≥ e

) (2)

y ≥ e

Dengan demikian, kita dapat mengganti y dalam kendala dengan dan mengkonversi masalah SVM menjadi SVM setara yang merupakan masalah optimasi tanpa kendala sebagai berikut:

(45)

) , ( min γ w ₂ v 2 2 )) (

(e−D Aw−eγ ₊ +

2 1

(w′w + γ2) (3)

Fungsiinidengan parameter pemulusan yang digunakan di siniuntukmenggantikanfungsi plus untukmendapatkan Vector Machine Dukunganhalus (SSVM) 1 ) , (

min

+ ∈ n R

w γ ₂

v 2

)), (

(e D Aw eγ α

p − − +

2 1

(w′w + γ2) (4) Sama seperti sebelumnya, itu adalah memperoleh SSVM untuk masalah terpisahkan: ) , (

min

γ u ₂ v 2 2 ' ), ) , ( (

(e D K A A Du eγ α

p − − +

2 1

(u′u + γ2) (5)

Beberapa Knot Spline-SSVM (MKS-SSVM):. Vector Machines halus Dukungan (SSVM) yang telah diusulkan oleh Lee dkk [3] adalah sangat penting dan Hasil yang signifikan untuk SVM karena banyak algoritma dapat digunakan untuk menyelesaikannya. Dalam SSVM, fungsi halus dalam fungsi tujuan (13) adalah integral dari sigmoid fungsi (9). Dalam studi ini, kami mengusulkan sebuah fungsi baru yang disebut mulus Beberapa Knot Spline (MKS) fungsi. Formulasi dan analisis kinerja kelancaran fungsi baru dan bagaimana membangun yang baru SSVM akan dijelaskan sebagai berikut:

Beberapa simpul spline fungsi: Dalam studi ini, fungsi mulus baru diusulkan. Ini adalah fungsi spline Knot Beberapa sebagai berikut:

(46)

m(x) =               ≥ < ≤ < ≤ − < ≤ − <             + + + − + + + + + + k x x k x k x k x x k x kx x k k x kx x k k x kx x k 1 k 1 5 2 5k 2 2 5k 2 -1 k 1 -, , 6 1 2 1 2 6 , 10 1 9 4 4 5 18 25 , 6 1 2 1 2 6 , 0 2 3 2 2 3 2 2 3 2 (6)

III.6 Diagram Aktifitas Kerja Penelitian.

Berikut ini alur kerja yang akan dilakukan pada penelitian ini yang digambarkan dalam diagram aktivitas.

PENELITI PERANGKAT LUNAK

Data Dari Format xls START Identifikasi Masalah Menetapkan Tujuan Penelitian Mengumpulkan Data Mahasiswa dari A B

(47)

Gambar 3.1 Activity Diagram

Dari gambar 3.1 diatas dapat dijelaskan bahwa yang dilakukan pertama sekali oleh peneliti adalah mengidentifikasi masalah yang diteliti untuk diselesaikan yang mana tujuannya adalah menghasilkan prediksi potensial terhadap mahasiswa yang cendrung drop out, selanjutnya adalah mengumpulkan data mahasiswa yang diambil dari Akademin / jurusan. Data diambil dalam bentuk format xls, kemudian didapatkan hasil dalam bentuk program Visual Basic untuk dapat Kemudian dilakukan analisa dalam implementasi model kedalam Visual Basic. Setelah diperoleh hasil analisa maka di dapatlah kesimpulan dari hasil penelitian.

A B

Membuat Analisa

Membuat Kesimpulan dan Saran

Implementasi Model ke dalam Visual Basic

(48)

BAB IV

HASIL DAN PEMBAHASAN

IV.1 Pendahuluan

Bab ini menyajikan hasil penelitian sesuai dengan pertanyaan-pertanyaan yang diajukan pada permulaan. Penelitian dilaksanakan untuk pertama, penulis menggunakan dataset nilai dan absensi mahasiswa diambil dari database Jurusan Teknik Mesin dan Teknik Konversi Energi

Teknik Mesin dan Teknik Konversi Energi. Data set bersifat nominal yang terdiri dari Absensi, Rata-rata Nialai Mata Kuliah kurikulum berbasis kompetensi dan semester. Kemudian data ditransformasikan keformat data Excel 2003.

IV.2 Hasil Percobaan Data Sample

Prestasi Akademik mahasiswa untuk setiap matakuliah ditentukan oleh skala nilai berdasarkan tabel sebagai berikut:

Tabel 4.1 Skala Nilai

Nilai Angka Huruf Bobot

86 – 100 A 4

75 – 85 B+ 3,5

66 – 74 B 3

59 – 65 C+ 2,5

50 – 58 C 2

31 – 49 D 1

10 - 30 E 0

Dalam patokan angka tingkah laku (ATL) mahasiswa adalah :

Baik : 3

Sedang : 2 Kurang : 1

(49)

Dalam perhitungan nilai formula nilai akhir subyek mata kuliah yang baku ditetapkan oleh direktur dengan persetujuan senat, sebagai matakuliah sebagai berikut :

1. Nilai Matakuliah Teori

Keterangan :

NA : Nilai Akhir

NEK :Nilai Elemen Kompetensi ( Tugas-tugas, Latihan, Ujian Formatif)

NUTS : Nilai Ujian Tengah Semester NUAS : Nilai Ujian Akhir Semester

2. Nilai Matakuliah Praktek Laboratorium

Keterangan : NA : Nilai Akhir

NPL : Nilai Praktek Laboratorium

NLP : Nilai Laporan Praktek Laboratorium NUPL : Nilai Ujian Praktek Laboratorium

3. Nilai Matakuliah Praktek Bengkel

Keterangan : NA : Nilai Akhir

NPB : Nilai Praktek Bengkel

NLPB : Nilai Laporan Praktek Bengkel NUPB : Nilai Ujian Praktek Bengkel

(50)

Indeks prestasi mahasiswa dalam semester dihitung dengan rumus :

N = Bobot nilai setiap matakuliah yang telah diselesaikan dalam satu semester.

K = Nilai SKS setiap matakuliah yang telah diselesaikan dalam satu semester.

Indeks prestasi kumulatif (IPK) merupakan ukuran keberhasilan studi mahasiswa untuk seluruh semester yang sudah diselesaikan dengan rumusan:

N = Bobot nilai setiap matakuliah yang telah diselesaikan selama pendididkan.

K = Nilai SKS setiap matakuliah yang telah diselesaikan selama pendidikan.

(51)

Setelah didapatkan berupa data-data pendukung dalam menyelesaikan penelitian ini, maka tindakan berikutnya adalah melakukan pengolahan data dalam bentuk

(52)

Excel. Dari sekumpulan data yang telah diperoleh maka dilakukan dengan menggunakan Program Visual Basic dalam melihat hasil akhir data mahasiswa, dihasilkan model keterhubungan data mahasiswa dengan masa studi.

Pengujian ini digunakan untuk menghasilkan model ssvm dalam memprediksi mahasiswa apakah mahasiswa tersebut drop out akhirnya atau tidak dapat disimpulkan hasil akhir program yang telah ada.

Pada Label NIM ditulis secara manual, NIM dibuat secara manual, setelah label NIM dibuat maka secara otomatis nama, program studi, stambuk dan no urut akan tampil.

Label yang akan diisi secara manual antara lain adalah NIM, Nomer Surat, Tanggal Surat, Nilai Ujian (Rata-rata) , Kelas dan SKS, hingga Akhirnya akan mendapatkan hasil secara keseluruhan, dan akan menghasilkan report untuk bahan pertimbangan, sehingga mendapatkan hasil IP apakah mahasiswa tersebut perlu dipertimbangkan atau tidak.

Dalam menentukan hasil nilai mahasiswa ditentukan dari rumus-rumus yang sudah dijabarkan.

Listing program

(53)

If KeyAscii = 13 Then TxtNilai.SetFocus End Sub

Private Sub CmdIP_Click() 'cari IP

TxtIP.Text = TxtTMutu.Text / TxtTSKS.Text

End Sub

Private Sub Command1_Click() End

End Sub

Private Sub Command2_Click()

MsgBox "KEMBALI?..", vbOKOnly, "PESAN" TxtMK.Text = ""

TxtNilai.Text = "" TxtNAngka.Text = "" TxtNHuruf.Text = "" TxtMUTU.Text = "" TxtKeterangan.Text = "" End Sub

Private Sub Command3_Click() TxtNilai.Text = " "

TxtNHuruf.Text = " " TxtNAngka.Text = " " TxtMUTU.Text = " " TxtKeterangan.Text = " " TxtTSKS.Text = " " TxtMK.Text = " "

(54)

TxtNIM.Text = " " TxtNama.Text = " " TxtPRODI.Text = " " TxtNoUrut.Text = " " TxtNoUrut.Text = " " TxtSTAMBUK.Text = " " End Sub

Private Sub Form_Activate() TxtNIM.SetFocus

End Sub

Private Sub Form_Load() cboSKS.AddItem 10 cboSKS.AddItem 9 cboSKS.AddItem 8 cboSKS.AddItem 7 cboSKS.AddItem 6 cboSKS.AddItem 5 cboSKS.AddItem 4 cboSKS.AddItem 3 cboSKS.AddItem 2 cboSKS.AddItem 1 End Sub

Private Sub TxtMK_KeyPress(KeyAscii As Integer) If KeyAscii = 13 Then cboSKS.SetFocus

End Sub

Private Sub TxtMUTU_KeyPress(KeyAscii As Integer) If KeyAscii = 13 Then

(55)

'untuk mengisi listbox

LstMk.AddItem TxtMK.Text LstSKS.AddItem cboSKS.Text LstNhuruf.AddItem TxtNHuruf.Text LstNAngka.AddItem TxtNAngka.Text LstMutu.AddItem TxtMUTU.Text

'cari total sks

For y = 0 To LstSKS.ListCount - 1

totalsks = totalsks + Val(LstSKS.List(y)) Next y

TxtTSKS.Text = totalsks

'cari total mutu

For x = 0 To LstMutu.ListCount - 1

totalmutu = totalmutu + Val(LstMutu.List(x)) Next x

TxtTMutu.Text = totalmutu

End If End Sub

Private Sub TxtNilai_KeyPress(KeyAscii As Integer) If KeyAscii = 13 Then 'Jika Di Enter

If TxtNilai.Text >= 90 Then TxtNHuruf.Text = "A" TxtNAngka.Text = 4

ElseIf TxtNilai.Text >= 85 Then TxtNHuruf.Text = "A-"

TxtNAngka.Text = 3.5

(56)

TxtNHuruf.Text = "B+" TxtNAngka.Text = 3.25

ElseIf TxtNilai.Text >= 75 Then TxtNHuruf.Text = "B"

TxtNAngka.Text = 3

ElseIf TxtNilai.Text >= 70 Then TxtNHuruf.Text = "B-"

TxtNAngka.Text = 2.5

ElseIf TxtNilai.Text >= 65 Then TxtNHuruf.Text = "c+"

TxtNAngka.Text = 2.25

ElseIf TxtNilai.Text >= 60 Then TxtNHuruf.Text = "C"

TxtNAngka.Text = 2

ElseIf TxtNilai.Text >= 55 Then TxtNHuruf.Text = "C-"

TxtNAngka.Text = 1.5

ElseIf TxtNilai.Text >= 50 Then TxtNHuruf.Text = "D"

TxtNAngka.Text = 1 Else

TxtNHuruf.Text = "E" TxtNAngka.Text = 0

End If

'cari keterangan

If TxtNHuruf.Text = "D" Or TxtNHuruf.Text = "E" Then TxtKeterangan.Text = "Gagal"

Else

(57)

End If

'Cari Mutu

TxtMUTU.Text = Val(cboSKS.Text) + Val(TxtNAngka.Text)

TxtMUTU.SetFocus

End If

End Sub

Private Sub TxtNIM_KeyPress(KeyAscii As Integer) If KeyAscii = 13 Then 'Enter

TxtSTAMBUK.Text = Left(TxtNIM.Text, 2)

If Right(TxtNIM.Text, 3) = "133" Then TxtNama.Text = "DESMON P.SINAGA" ElseIf Right(TxtNIM.Text, 3) = "056" Then TxtNama.Text = "IRSAL SUHAIMI" ElseIf Right(TxtNIM.Text, 3) = "080" Then TxtNama.Text = "ROYANDI SINAGA" ElseIf Right(TxtNIM.Text, 3) = "237" Then TxtNama.Text = "EDY ANDIKO GERSING" ElseIf Right(TxtNIM.Text, 3) = "146" Then TxtNama.Text = "HOTASI L.GAOL" ElseIf Right(TxtNIM.Text, 3) = "132" Then TxtNama.Text = "ERICK KENNEDY" ElseIf Right(TxtNIM.Text, 3) = "134" Then TxtNama.Text = "FADLI RIZKI A.NASUTIO" ElseIf Right(TxtNIM.Text, 3) = "014" Then TxtNama.Text = "AHMAD MARZUKI" ElseIf Right(TxtNIM.Text, 3) = "023" Then

(58)

TxtNama.Text = "DEDI SITUMEANG" ElseIf Right(TxtNIM.Text, 3) = "001" Then TxtNama.Text = "ABDUL KODIR SIREGAR" ElseIf Right(TxtNIM.Text, 3) = "198" Then TxtNama.Text = "SAHAT D.SIHOMBING" ElseIf Right(TxtNIM.Text, 3) = "061" Then TxtNama.Text = "JIMMI AMSE GINTING" ElseIf Right(TxtNIM.Text, 3) = "098" Then TxtNama.Text = "TONA BONTOR MELKI,S" ElseIf Right(TxtNIM.Text, 3) = "019" Then TxtNama.Text = "FARIDZ ALKINDI" ElseIf Right(TxtNIM.Text, 3) = "027" Then TxtNama.Text = "MUHAMAD ABDUL T" ElseIf Right(TxtNIM.Text, 3) = "018" Then TxtNama.Text = "JOSIA SEMBIRING" ElseIf Right(TxtNIM.Text, 3) = "088" Then TxtNama.Text = "RIKY SATRIAJI"

ElseIf Right(TxtNIM.Text, 3) = "102" Then TxtNama.Text = "YOSE NAINGGOLAN" ElseIf Right(TxtNIM.Text, 3) = "026" Then TxtNama.Text = "DWI IRAWAN"

ElseIf Right(TxtNIM.Text, 3) = "110" Then TxtNama.Text = "ALFRED SIALLAGAN" ElseIf Right(TxtNIM.Text, 3) = "104" Then TxtNama.Text = "YUSDARLIN"

ElseIf Right(TxtNIM.Text, 3) = "060" Then TxtNama.Text = "M.RIZKI DIAPARI S." ElseIf Right(TxtNIM.Text, 3) = "025" Then TxtNama.Text = "DESMON ABDI J.G" ElseIf Right(TxtNIM.Text, 3) = "189" Then TxtNama.Text = "REDHO SAPUTRA"

(59)

ElseIf Right(TxtNIM.Text, 3) = "089" Then TxtNama.Text = "SUWARDI DWI PRAMITA" ElseIf Right(TxtNIM.Text, 3) = "065" Then TxtNama.Text = "MARKOS SIMORANGKIR" ElseIf Right(TxtNIM.Text, 3) = "047" Then TxtNama.Text = "SAIPUL AMRI SINAGA" ElseIf Right(TxtNIM.Text, 2) = "25" Then TxtNama.Text = "DIAZ A.J SINAGA" ElseIf Right(TxtNIM.Text, 3) = "070" Then TxtNama.Text = "MUNTASHIR"

ElseIf Right(TxtNIM.Text, 3) = "076" Then TxtNama.Text = "REYNALDO RAJAGUKGUK" ElseIf Right(TxtNIM.Text, 2) = "70" Then

TxtNama.Text = "M.REZA PALEVI" ElseIf Right(TxtNIM.Text, 3) = "030" Then TxtNama.Text = "EFRIN SIMBOLON" ElseIf Right(TxtNIM.Text, 3) = "303" Then TxtNama.Text = "BAMABANG GUSPENDO" ElseIf Right(TxtNIM.Text, 3) = "004" Then TxtNama.Text = "AMRI WIRANTO" ElseIf Right(TxtNIM.Text, 3) = "079" Then TxtNama.Text = "RIKO RITONGA" ElseIf Right(TxtNIM.Text, 3) = "131" Then TxtNama.Text = "DENNI FEBRIYANTO" ElseIf Right(TxtNIM.Text, 3) = "207" Then TxtNama.Text = "ZEM PARDOMUAN PURBA" ElseIf Right(TxtNIM.Text, 3) = "097" Then TxtNama.Text = "SUDARSO SIMATUPANG" ElseIf Right(TxtNIM.Text, 2) = "23" Then TxtNama.Text = "DEDI N.SINAGA" ElseIf Right(TxtNIM.Text, 3) = "181" Then

(60)

TxtNama.Text = "REZEKI ADE PUTRA" ElseIf Right(TxtNIM.Text, 3) = "130" Then TxtNama.Text = "EMMANUEL ANDY BOY D" ElseIf Right(TxtNIM.Text, 3) = "161" Then TxtNama.Text = "LINTONG JEFRY F.N" ElseIf Right(TxtNIM.Text, 3) = "009" Then TxtNama.Text = "DANIEL PANJAITAN" ElseIf Right(TxtNIM.Text, 3) = "038" Then TxtNama.Text = "REZA PRIMA KURNIAWAN" ElseIf Right(TxtNIM.Text, 3) = "060" Then TxtNama.Text = "ELFARIA SILABAN" ElseIf Right(TxtNIM.Text, 3) = "085" Then TxtNama.Text = "PUTRI MEINELVA H" ElseIf Right(TxtNIM.Text, 3) = "053" Then TxtNama.Text = "AGUS SAMUEL H.S" ElseIf Right(TxtNIM.Text, 3) = "109" Then TxtNama.Text = "AGUSTO K.H SIHOMBING" ElseIf Right(TxtNIM.Text, 3) = "155" Then

TxtNama.Text = "IMMANUEL C. MANURUNG" ElseIf Right(TxtNIM.Text, 3) = "208" Then

TxtNama.Text = "RICARDO PARDAMEAN" ElseIf Right(TxtNIM.Text, 3) = "188" Then TxtNama.Text = "SAMUEL SIAGIAN" ElseIf Right(TxtNIM.Text, 3) = "151" Then TxtNama.Text = "HERI JUNAIDI MANIK" ElseIf Right(TxtNIM.Text, 3) = "139" Then TxtNama.Text = "ERIK S.SITUNGKIR" ElseIf Right(TxtNIM.Text, 3) = "309" Then TxtNama.Text = "RENALDO H.SITUMEANG" End If

(61)

If Mid(TxtNIM.Text, 6, 1) = "5" Then

TxtPRODI.Text = "TEKNIK KONVERSI ENRGI" ElseIf Mid(TxtNIM.Text, 6, 1) = "1" Then

TxtPRODI.Text = "TEKNIK MESIN" ElseIf Mid(TxtNIM.Text, 6, 1) = "3" Then TxtPRODI.Text = "TEKNIK INDUSTRI" Else: TxtPRODI.Text = "TIDAK TERDAFTAR" End If

TxtNoUrut.Text = Right(TxtNIM.Text, 4) TxtMK.SetFocus

End If End Sub

(62)

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

Tesis ini menghasilkan beberapa kesimpulan sebagai berikut :

1. Diperoleh suatu model aturan yang dapat memperlihatkan aturan keterhubungan antara nilai rata-rata matakuliah dan kehadiran mahasiswa dalam mengikuti perkuliahaan.

2. Metode smoothing, banyak digunakan untuk memecahkan masalah pemrograman matematis dan aplikasi penting, diterapkan disini untuk menghasilkan dan memecahkan sebuah reformulasi mulus takterbatas dari mesin vector dukungan untuk klasifikasi pola menggunakan kernel benar-benar sewenang-wenang. Seperti reformulasi istilah vector dukungan mesin halus (SSVM).

3. Peraturan-peraturan yang telah ditetapkan oleh Politeknik Negeri Medan berlaku untuk seluruh Jurusan yang ada diPoliteknik Negeri Medan.

V.2 Saran

Adapun beberapa saran dalam perkembangan tesis ini dimana dengan menggunakan SSVM sebagai suatu pengujian dalam model pengaturan yang ada maka dengan ini ada beberapa saran untuk perkembangan tesis ini, antara lain :

1. Dalam penelitian lebih lanjut, pengujian model aturan dapat menggunakan metode SSVM (Smooth Support Vector Machine) sebagai alat pengujian akurasi kebenaran model aturan yang didapat. 2. Dari pendekatan model aturan yang didapat, perlu menjadi perhatian

khusus bagimana manajemen Politeknik Negeri Medan untuk dapat melihat dan mengambil keputusan variable mana yang harus diperhatikan untuk mendukung peningkatan kedisiplinan mahasiswa agar mendapatkan kualitas tingkat kedisiplinan mahasiswa sangat memuaskan dan dengan pujian, sehingga mahasiswa yang dapat lulus

(63)

dengan tepat waktu tanpa adanya PKA (Penundaan Kegiatan Akademik).

(64)

DAFTAR PUSTAKA

1. Lee, Y.J.. And Mangasarian, O.L, 2001, A Smooth Support Vector

Machine for classification ,Journal of Computational Optimization and Applications.20, , pp.5-22. Tgl. 08 Mei 2011, 10:00

2. Vapnik, V. 1998 Statistical Learning Theory, Wiley New York

3. Lee, Y.J. and Mangasarian, O.L., 2001. A smooth support vector machine. J. Comput. Optimiz. Appli., 20: 5-22. DOI: 10.1023/A:1011215321374. Tgl. 08 Mei 2011, 13.00

4. Embong. A, Purnami.W.S, and Zain.M.J. 2009, A New Smooth Support

Vector Machine And Its Applications in Diabetes Disease Diagnosis. Jurnal of computer science 5(12): 1006-1011, Tgl. 16 Mei 2011, 13:00

5. Yuan, Y., W. Fan and Pu, D. 2007. Spline function smooth support vector

machine for classification. J. Ind. Manage. Optimiz., 3: 529-542.

2011, 13:00

6. Mangasarian, O.L.,2000. G_{eneralized Support Vector Machines. In:}

Advances in large Margin Classifiers, Smola, A., P. Bartlett, B. Scholkopf and D. Schurrmans (Eds.). MIT Press, Cambridge, MA.,ISBN: 0-262-19448-1, pp: 35-146. Tgl. 01 Juli 2010-262-19448-1, 13:00

7. Yuh-Jye Lee and O. L. Mangasarian, SSVM: A Smooth Support Vector

Machine for Classification, University of Wisconsin 1210 West Dayton

Street Madison, WI 53706 [email protected]

Mei 2011, 10:00

8. M. N. Quadri1 Dr. N.V. Kalyankar, 2010 Drop Out Feature of Student Data for Academic Performance Using Decision Tree Techniques, 2 Vol. 10 Issue 2 (Ver 1.0), April Global Journal of Computer Science and Technology, Tgl. 15 Juni 2011

9. Oyelade, O. J Department of Computer and Information Sciences, College of Science and Technology, Covenant University, Ota, Nigeria.

(65)

and Information Sciences, College of Science and Technology, Covenant University, Ota, Nigeri Department of Computer Science Lagos State University, Lagos, Nigeria. Application of k-Means Clustering

algorithm or prediction of Students’ Academic Performance. Tgl. 21 Juni

(66)

(1)

If Mid(TxtNIM.Text, 6, 1) = "5" Then

TxtPRODI.Text = "TEKNIK KONVERSI ENRGI" ElseIf Mid(TxtNIM.Text, 6, 1) = "1" Then

TxtPRODI.Text = "TEKNIK MESIN" ElseIf Mid(TxtNIM.Text, 6, 1) = "3" Then TxtPRODI.Text = "TEKNIK INDUSTRI" Else: TxtPRODI.Text = "TIDAK TERDAFTAR" End If

TxtNoUrut.Text = Right(TxtNIM.Text, 4) TxtMK.SetFocus

End If End Sub

(2)

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

Tesis ini menghasilkan beberapa kesimpulan sebagai berikut :

1. Diperoleh suatu model aturan yang dapat memperlihatkan aturan keterhubungan antara nilai rata-rata matakuliah dan kehadiran mahasiswa dalam mengikuti perkuliahaan.

3. Peraturan-peraturan yang telah ditetapkan oleh Politeknik Negeri Medan berlaku untuk seluruh Jurusan yang ada diPoliteknik Negeri Medan.

V.2 Saran

(3)

dengan tepat waktu tanpa adanya PKA (Penundaan Kegiatan Akademik).

(4)

DAFTAR PUSTAKA

1. Lee, Y.J.. And Mangasarian, O.L, 2001, A Smooth Support Vector Machine for classification ,Journal of Computational Optimization and Applications.20, , pp.5-22. Tgl. 08 Mei 2011, 10:00

2. Vapnik, V. 1998 Statistical Learning Theory, Wiley New York

3. Lee, Y.J. and Mangasarian, O.L., 2001. A smooth support vector machine. J. Comput. Optimiz. Appli., 20: 5-22. DOI: 10.1023/A:1011215321374. Tgl. 08 Mei 2011, 13.00

4. Embong. A, Purnami.W.S, and Zain.M.J. 2009, A New Smooth Support Vector Machine And Its Applications in Diabetes Disease Diagnosis. Jurnal of computer science 5(12): 1006-1011, Tgl. 16 Mei 2011, 13:00

5. Yuan, Y., W. Fan and Pu, D. 2007. Spline function smooth support vector machine for classification. J. Ind. Manage. Optimiz., 3: 529-542. 2011, 13:00

6. Mangasarian, O.L.,2000. G_{eneralized Support Vector Machines. In:} Advances in large Margin Classifiers, Smola, A., P. Bartlett, B. Scholkopf and D. Schurrmans (Eds.). MIT Press, Cambridge, MA.,ISBN: 0-262-19448-1, pp: 35-146. Tgl. 01 Juli 2010-262-19448-1, 13:00

7. Yuh-Jye Lee and O. L. Mangasarian, SSVM: A Smooth Support Vector Machine for Classification, University of Wisconsin 1210 West Dayton

Street Madison, WI 53706 [email protected]

Mei 2011, 10:00

9. Oyelade, O. J Department of Computer and Information Sciences, College of Science and Technology, Covenant University, Ota, Nigeria.

(5)

and Information Sciences, College of Science and Technology, Covenant

University, Ota, Nigeri

Department of Computer Science Lagos State University, Lagos, Nigeria.

Application of k-Means Clustering

algorithm or prediction of Students’ Academic Performance. Tgl. 21 Juni

(6)

Penerapan Teknik Data Mining Dengan Metode Smooth Support Vector Machine (SSVM) Untuk Memprediksi Mahasiswa Yang Berpeluang Drop Out (Studi Kasus Mahasiswa Politeknik Negeri Medan)