2.2.3 Prosedur Untuk Mendapatkan Beasiswa 1. Mahasiswa harus mengajukan permohonan kepada Rektor Universitas
Sumatera Utara melalui Pembantu Dekan III masing-masing, dan dilampiri dengan:
2. Rekomendasi dari Pembantu Dekan III. 3. Transkip Nilai dan fotokopi Kartu Hasil Ujian KHS yang di legalisir untuk
mahasiswa lama atau STTB SMU sederajat yang dilegalisir untuk mahasiswa baru.
4. Fotokopi Kartu Keluarga KK yang dilegalisir. 5. Surat Keterangan Penghasilan Orang tua yang disahkan oleh pejabat yang
berwenang. 6. Surat pernyataan yang berisi:
o Belum memproleh beasiswa lain dan tidak sedang dalam proses
pengajuan beasiswa lain. o
Belum bekerja dan berkeluarga. o
Tidak akan mengambil penundaan kegiatan akademik. 7. Fotokopi NO. Rekening yang bersangkutan pada PT. Bank BNI Persero Tbk
cabang USU. 8. Fotokopi Kartu Tanda Mahasiswa KTM.
9. Fotokopi pembayaran SPP yang terakhir. 10. Surat keterangan berkelakuan baik dari pimpinan FakultasProdi.
2.3 Data Mining
Data mining adalah proses yang mempekerjakan suatu atau lebih teknik pembelajaran computer machine learning untuk menganalisis dan mengekstraksi pengetahuan
knowledge secara otomatis. Knowledge Discoveri in Database KDD adalah penerapan metode saintifik pada data mining. Operasi data mining menurut sifatnya
dibedakan menjadi dua yaitu bersifat prediksi prediction driven untuk menjawab pertanyaan “apa ?” dan sesuatu yang bersifat remang-remang atau transparan.
Penemuan discovery driven bersipat transparan dan untuk menjawab pertanyaan “mengapa ?”.
Universitas Sumatera Utara
Tahapan proses dalam penggunaan data mining yang merupakan proses knowledge Discovery in Database KDD seperti yang terllihat pada gambar 2.1 dapat
di uraikan sebagai berikut Hermawati, 2009 : 1. Memahami domain aplikasi untuk mengetahui dan menggali pengetahuan awal
serta apa sasaran pengguna. 2. Membuat target data-set yang meliputi pemililhan data dan fokus pada sub-set
data. 3. Pembersihan dan transformasi data meliputi eliminasi derau, outliers, missing
value serta pemilihan fitur dan reduksi dimensi. 4. Penggunaan algoritma data mining yang terdiri dari asosiasi, sekuensial,
klasifikasi, klasterisasi, danlainnya. 5. Interpretasi, evaluasi dan visualisasi pola untuk melihatapakah ada sesuatu
yang baru dan menarik dan dilakukan iterasi jika diperlukan.
Data
Gambar 2.1 Proses Knowledge Discovery in Database KDD Sumber : Hermawati, 2009
Data mining berpotensi tinggi jika data yang tepat di kumpulkan dan disimpan dalam sebuah gudang data data warehouse. Data warehouse baik untuk
mengintegrasikan keseluruhan data sebuah perusahaan, tanpa memperhatikan lokasi, format atau kebutuhan komunikasi yang memungkinkan untuk memasukkan informasi
tambahan atau ahli. Menghubungkan secara logis antara apa yang dilihat oleh manajer dalam aplikasi sistem informasi pendukung keputusan dan aktifitas operasional
Knowledge
… … … .. … … … ..
selection Preprocessing
Transformation Data Mining
Interpretation Evaluation
Target Data
Preprocessed Data
Transformed Data
Patterns
Universitas Sumatera Utara
perusahaan. Data warehouse menyediakan data yang siap di transformasi yang disimpulkan sedemikian hingga membuat sesuai untuk aplikasi DSS dan SIM yang
efisien Hermawati, 2009. 2.3.1 Teknik Data Mining
Beberapa teknik dan sifat data mining adalah Classification yaitu menentukan sebuah record data baru ke salah satu dari beberapa kategori atau klas. Regresi yang
memprediksi nilai dari suatu variable kontinu yang diberikan berdasarkan nilai dari variable yang lain, dengan mengasumsikan sebuah model ketergantungan linier atau
non linier. Clustering
mempartisi data-set menjadi beberapa sub-set atau kelompok sedemikian rupa sehingga elemet-element dari suatu kelompok tertentu memuliki set
property yang di share bersama, dengan tingkat similaritas yang tinggi dalam satu kelompok dan tingkat similaritas antar kelompok yang rendah. Jika diberikan
sejumlah titik data yang masing-masing mempunyai sejumlah atribut, dan dengan menggunakan satu ukuran similaritas, dapat ditemukan klaster-klaster hingga titik-
titik data dalam satu klaster mempunyai similaritas yang lebih besar dan titik-titik data dalam klaster yang berbeda mempunyai similaritas yang kecil. Ukuran similaritas
yang digunakan adalah Euclidean Distance
jika atributnya kontinu dalam permasalahan lain dengan ukuran tertentu.
Kaidah asosiasi Association Rules mendeteksi kumpulan atribut-atribut yang muncul bersamaan co-occur dalam frekuensi yang sering, dan membentuk sejumlah
kaidah dari kumpulan-kumpulan tersebut. Pencarian pola sekuensial sequence mining mencari sejumlah event yang secara umum terjadi bersama-sama. Jika
diberikan sekumpulan objek, dengan masing-masing objek dihubungkan dengan waktu kejadiannya maka didapatkan pola yang akan memprediksi ketergantungan
sekuensial sequential dependencis yang kuat di antara kejadian-kejadian yang beerbeda Hermawati, 2009.
A B
C D
E Pola-pola sekuensial pertama, pada dasarnya dibentuk dengan cara mencari semua
kemungkinan pola yang ada. Nilai-nilai kejadian dalam pola diatur berdasarkan urutan waktu kejadian.
A B
C D
E
Universitas Sumatera Utara
2.4 Metode Clustering