Pencarian Association Rules Pada Data Lulusan Mahasiswa Perguruan Tinggi Menggunakan Algoritma FP-Growth

SHARFINA FAZA 101402088

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

PERGURUAN TINGGI MENGGUNAKAN ALGORITMA FP-GROWTH

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi

SHARFINA FAZA 101402088

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

Judul : PENCARIAN ASSOCIATION RULES PADA DATA ._LULUSAN MAHASISWA PERGURUAN TINGGI ._MENGGUNAKAN ALGORITMA FP-GROWTH

Kategori : SKRIPSI

Nama : SHARFINA FAZA

Nomor Induk Mahasiswa : 101402088

Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI ..UNIVERSITAS SUMATERA UTARA

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dedy Arisandi, ST.,M.Kom Dr. Erna Budhiarti Nababan, M.IT NIP. 19790831200912 1 002 NIP. –

Diketahui/Disetujui oleh

Program Studi S1 Teknologi Informasi Ketua,

Muhammad Anggia Muchtar, ST., MM.IT NIP. 19800110200801 1 010

PERNYATAAN

PENCARIAN ASSOCIATION RULES PADA DATA LULUSAN MAHASISWA PERGURUAN TINGGI MENGGUNAKAN ALGORITMA FP-GROWTH

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 15 Januari 2015

Sharfina Faza 101402088

Puji dan syukur penulis panjatkan kepada Allah SWT yang telah memberikan rahmat, karunia, taufik dan hidayah-Nya, serta segala sesuatu dalam hidup, sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi (S1)Teknologi Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi.

Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis dalam menyelesaikan skripsi ini baik secara langsung maupun tidak langsung. Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:

1. Keluarga penulis, Ayahanda Ir. Silmi, MT., Ibunda Ir. Rina Anugrahwaty, MT., Kakak penulis Insidini Fawwaz, S.Kom, dan adik penulis Faizzufar Taqy beserta keluarga besar yang selalu memberikan dukungan, perhatian serta doa kepada penulis sehingga dapat menyelesaikan skripsi ini.

2. Ibu Dr. Erna Budhiarti Nababan, M.IT. selaku Dosen Pembimbing I dan Bapak Dedy Arisandi, ST., M.Kom, selaku Dosen Pembimbing II yang telah banyak meluangkan waktunya serta memberikan bimbingan dan dukungan kepada penulis dalam penyusunan dan penulisan skripsi ini.

3. Bapak Romi Fadillah Rahmat, B.Comp.Sc., M.Sc. selaku Dosen Penguji I dan Bapak Dani Gunawan, ST., MT. selaku Dosen Penguji II yang telah memberikan kritik dan saran yang membangun dalam penyempurnaan skripsi ini.

4. Bapak Muhammad Anggia Muchtar, ST., MM.IT. selaku Ketua Program Studi S1 Teknologi Informasi dan Bapak Mohammad Fadly Syahputra, B.Sc., M.Sc.IT. selaku Sekretaris Program Studi S1 Teknologi Informasi.

5. Seluruh Dosen Program Studi S1 Teknologi Informasi yang telah memberikan ilmu yang bermanfaat bagi penulis dari awal perkuliahan.

6. Teman-teman penulis, Rahma Diana, Dian Puspitasari Sebayang, Nurul Putri Ibrahim, Rini Jannati, Maslimona Harimita Ritonga, Tri Annisa, Novi, Amel, dan Andrew yang telah memberikan semangat dan menjadi teman diskusi penulis dalam menyelesaikan skripsi ini.

7. Seluruh staf TU (Tata Usaha) serta pegawai di Program Studi S1 Teknologi Informasi

8. Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini.

Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Akhir kata penulis ucapkan terima kasih.

ABSTRAK

Beragamnya atribut pada data lulusan mahasiswa membuat pihak perguruan tinggi sulit mencari dan mengetahui kombinasi atribut yang sering muncul dan memiliki keterhubungan tinggi antar atribut. Association rules mining merupakan teknik data mining untuk menentukan hubungan diantara data atau bagaimana suatu kelompok data mempengaruhi suatu kelompok data lain. Dengan kata lain, dapat dicarinya keterhubungan antar data pada data skala besar. Algoritma Frequent Pattren-Growth (FP-Growth) adalah salah satu teknik association rules mining untuk menentukan himpunan item yang paling sering muncul (frequent itemset) dalam sekumpulan data dalam bentuk FP-Tree. Dari hasil pencarian association rules pada data lulusan mahasiswa perguruan tinggi didapat kombinasi atribut yang sering muncul dan memiliki keterhubungan tinggi adalah kombinasi dari jenis sekolah SMA/MA Negeri Luar Medan, jalur masuk SNMPTN, nilai IPK antara 3.00 s/d 3.49, dan lama studi lebih dari 4 tahun.

ABSTRACT

The attribute diversity of data graduate students makes it difficult for the university to find and know combination of attributes that apperar most frequently and have high connectivity between attributes. Association rules mining is a data mining techniques to determine a relationship between data or how a group of data affects another group of data. In other words, it can be find a connectivity between data in large scale of data. Frequent pattren-Growth Algorithm (FP-Growth) is one of the association rules mining techniques to determine a set of items that appear most frequently (frequent itemset) in a set of data in the form FP-Tree. From the results of searching association rules of data graduate students university, combination of attributes that appear most frequently and have high connectivity obtained is a combination of the type of State Senior High School Outside Medan, university entrance test SNMPTN , GPA between 3.00 - 3.49 , and times of study more than 4 years .

DAFTAR ISI

Hal.

PERSETUJUAN ii

PERNYATAAN iii

UCAPAN TERIMA KASIH iv

ABSTRAK v

ABSTRACT vi

DAFTAR ISI vii

DAFTAR TABEL x

DAFTAR GAMBAR xi

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 4

1.4 Tujuan Penelitian 4

1.5 Manfaat Penelitian 4

1.6 Metodologi 5

1.7 Sistematika Penulisan 6

BAB 2 LANDASAN TEORI 7

2.1 Data Mining 7

2.1.1 Knowledge discovery in database (KDD) 7

2.1.2 Teknik data mining 10

2.2 Association Rule Mining 11

2.2.1 Algoritma FP-Growth 13

2.2.2 Pencarian association rules dengan algoritma FP-Growth 13

2.3 Penelitian Terdahulu 17

BAB 3 ANALISIS DAN PERANCANGAN SISTEM 19

3.1 Data yang Digunakan 19

3.3.1 Data mining 24

3.3.2 Analisis frequent itemset 26

3.3.3 Pembentukan association rules 32

3.3.4 Pencocokan saran 33

3.4 Analisis Komponen Sistem 35

3.4.1 Data Flow Diagram (DFD) 35

3.4.1.1 DFD level-0 36

3.4.1.2 DFD level-1 37

3.4.1.3 DFD level-2 38

3.4.2 Flowchart 40

3.4.3 Sitemap aplikasi 41

3.5 Database Relationship 42

3.6 Perancangan Sistem 43

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 49

4.1 Implementasi Sistem 49

4.1.1 Spesifikasi software dan hardware yang digunakan 49 4.1.2 Implementasi Perancangan Antarmuka 49 4.1.2.1 Halaman home pengguna sebagai user 50 4.1.2.2 Halaman home pengguna sebagai admin 50 4.1.2.3 Halaman input lulusan mahasiswa 51 4.1.2.4 Halaman daftar lulusan mahasiswa 52

4.1.2.5 Halaman parameter 52

4.1.2.6 Halaman jumlah mahasiswa 53

4.2 Pengujian Sistem 54

4.2.1 Rencana pengujian sistem 54

4.2.2 Kasus dan hasil pengujian sistem 54

4.2.3 Pengujian kinerja sistem 56

BAB 5 KESIMPULAN DAN SARAN 73

5.2 Saran 73

DAFTAR PUSTAKA 74

Hal.

Tabel 2.1 Penelitian Terdahulu 18

Tabel 3.1 Jumlah lulusan mahasiswa per fakultas 20 Tabel 3.2 Pengelompokan prestasi keberhasilan 22 Tabel 3.3 Jumlah lulusan mahasiswa berdasarkan prestasi 22

Tabel 3.4 Data Lulusan mahasiswa 24

Tabel 3.5 Kode untuk setiap item atribut 25 Tabel 3.6 Data lulusan mahasiswa dengan itemset 25

Tabel 3.7 Nilai support per item 26

Tabel 3.8 Data itemset lulusan mahasiswa 27 Tabel 3.9 Nilai support dari suffix M 31 Tabel 3.10 Nilai support dari suffix N 32 Tabel 3.11 Nilai support dari suffix O 32 Tabel 3.12 Nilai confidence dari frequentitemset 32

Tabel 4.1 Rencana pengujian 54

Tabel 4.2 Hasil pengujian 55

DAFTAR GAMBAR

Hal. Gambar 2.1 Proses KDD (Han & Kamber 2006) 8 Gambar 2.2 Arsitektur sistem data mining (Han & Kamber 2006) 9 Gambar 2.3 Transaction data set (Tan, et al. 2005) 14 Gambar 2.4 Tree setelah membaca TID1 (Tan, et al. 2005) 14 Gambar 2.5 Tree setelah membaca TID2 (Tan, et al. 2005) 15 Gambar 2.6 Tree setelah membaca TID10 (Tan, et al. 2005) 15 Gambar 2.7 Tree yang mengandung suffix e (Tan, et al. 2005) 16 Gambar 2.8 Tree yang mengandung suffix d (Tan, et al. 2005) 16 Gambar 3.1 Proses analisis association rules 19 Gambar 3.2 Tree setelah pembacaan itemset-1 28 Gambar 3.3 Tree setelah pembacaan itemset-2 28 Gambar 3.4 Tree setelah pembacaan itemset-3 29 Gambar 3.5 Tree setelah pembacaan itemset-30 29 Gambar 3.6 Conditional FP-tree dengan suffix M 30 Gambar 3.7 Conditional FP-tree dengan suffix N 30 Gambar 3.8 Conditional FP-tree dengan suffix O 30

Gambar 3.9 DFD level 0 36

Gambar 3.10 DFD level 1 37

Gambar 3.11 DFD level 2 : proses management data mahasiswa 38 Gambar 3.12 DFD level 2 : proses management parameter 38 Gambar 3.13 DFD level 2 : proses management pengguna 39 Gambar 3.14 DFD level 2 : proses pencarian association rules 39 Gambar 3.15 Flowchartassociation rules dengan algoritma FP-growth 40

Gambar 3.16 Sitemap aplikasi 41

Gambar 3.17 Database relationship 42

Gambar 3.18 Rancangan tampilan home pengguna sebagai user 43 Gambar 3.19 Rancangan tampilan hasil proses pencarian 43

Gambar 3.23 Rancangan tampilan daftar lulusan mahasiswa 46 Gambar 3.24 Rancangan tampilan parameter data 47 Gambar 3.25 Rancangan tampilan jumlah mahasiswa 47 Gambar 3.26 Rancangan tampilan kelola pengguna 48 Gambar 4.1 Halaman home pengguna sebagai user 50 Gambar 4.2 Halaman home pengguna sebagai admin 51 Gambar 4.3 Halaman input lulusan mahasiswa 51 Gambar 4.4 Halaman daftar lulusan mahasiswa 52

Gambar 4.5 Halaman parameter 53

Gambar 4.6 Halaman jumlah mahasiswa 53

Gambar 4.7 Proses pencarian association rules 57

Gambar 4.8 Hasil uji coba pencarian 57

Gambar 4.9 Hasil proses pencarian 58

Gambar 4.10 Hasil pencarian fakultas kedokteran 61 Gambar 4.11 Hasil pencarian fakultas kedokteran gigi 62 Gambar 4.12 Hasil pencarian fakultas farmasi 62 Gambar 4.13 Hasil pencarian fakultas kesehatan masyarakat 63 Gambar 4.14 Hasil pencarian fakultas keperawatan 64 Gambar 4.15 Hasil pencarian fakultas MIPA 65 Gambar 4.16 Hasil pencarian fakultas Ilkom-Ti 66 Gambar 4.17 Hasil pencarian fakultas teknik 66 Gambar 4.18 Hasil pencarian fakultas psikologi 67 Gambar 4.19 Hasil pencarian fakultas pertanian 68 Gambar 4.20 Hasil pencarian fakultas hukum 69 Gambar 4.21 Hasil pencarian fakultas ilmu budaya 70 Gambar 4.22 Hasil pencarian fakultas ekonomi 70 Gambar 4.23 Hasil pencarian fakultas ilmu sosial dan politik 71

ABSTRAK

Beragamnya atribut pada data lulusan mahasiswa membuat pihak perguruan tinggi sulit mencari dan mengetahui kombinasi atribut yang sering muncul dan memiliki keterhubungan tinggi antar atribut. Association rules mining merupakan teknik data mining untuk menentukan hubungan diantara data atau bagaimana suatu kelompok data mempengaruhi suatu kelompok data lain. Dengan kata lain, dapat dicarinya keterhubungan antar data pada data skala besar. Algoritma Frequent Pattren-Growth (FP-Growth) adalah salah satu teknik association rules mining untuk menentukan himpunan item yang paling sering muncul (frequent itemset) dalam sekumpulan data dalam bentuk FP-Tree. Dari hasil pencarian association rules pada data lulusan mahasiswa perguruan tinggi didapat kombinasi atribut yang sering muncul dan memiliki keterhubungan tinggi adalah kombinasi dari jenis sekolah SMA/MA Negeri Luar Medan, jalur masuk SNMPTN, nilai IPK antara 3.00 s/d 3.49, dan lama studi lebih dari 4 tahun.

ABSTRACT

The attribute diversity of data graduate students makes it difficult for the university to find and know combination of attributes that apperar most frequently and have high connectivity between attributes. Association rules mining is a data mining techniques to determine a relationship between data or how a group of data affects another group of data. In other words, it can be find a connectivity between data in large scale of data. Frequent pattren-Growth Algorithm (FP-Growth) is one of the association rules mining techniques to determine a set of items that appear most frequently (frequent itemset) in a set of data in the form FP-Tree. From the results of searching association rules of data graduate students university, combination of attributes that appear most frequently and have high connectivity obtained is a combination of the type of State Senior High School Outside Medan, university entrance test SNMPTN , GPA between 3.00 - 3.49 , and times of study more than 4 years .

PENDAHULUAN

1.1. Latar Belakang

Association rules mining merupakan teknik data mining untuk menentukan hubungan diantara data atau bagaimana suatu kelompok data mempengaruhi suatu kelompok data lain (Ruldeviyani & Fahrian 2008). Dengan kata lain, dapat dicarinya keterhubungan antar data maupun antar kategori pada data skala besar.

Data dengan skala besar biasanya sering terdapat pada perusahaan maupun instansi-instansi pendidikan seperti perguruan tinggi. Dari beberapa data yang ada pada suatu perguruan tinggi salah satunya adalah data lulusan mahasiswa. Pada data lulusan mahasiswa terdapat berbagai macam atribut yang ada pada data diri mahasiswa yang dikumpulkan pada masa registrasi awal masuk perguruan tinggi dan data akademik yang dikumpulkan pada masa perkuliahan hingga akhir perkuliahan. Data diri mahasiswa yang dikumpulkan pada masa registrasi awal meliputi data pribadi, data asal sekolah, data keluarga, dan data masuk program studi. Data akademik yang dikumpulkan adalah data nilai mahasiswa pada setiap semesternya dengan nama lain sebagai indeks prestasi (IP) yang nantinya akan diakumulasi menjadi indeks prestasi kumulatif (IPK).

Dari data mahasiswa yang ada, terdapat beberapa atribut yang dapat menjadi faktor lamanya masa studi seorang mahasiswa seperti jenis sekolah, jalur masuk, fakultas, dan IPK. Jenis sekolah sebagai tempat mahasiswa itu mendapat pengajaran sebelumnya, jalur masuk sebagai suatu penyeleksian untuk masuk perguruan tinggi, fakultas sebagai pilihan konsentrasi mahasiswa yang memungkinkan mengakibatkan perbedaan dalam segi akademik, dan IPK sebagai suatu penilaian terhadap hasil pencapaian seorang mahasiswa dari awal perkuliahan hingga akhir perkuliahan.

Setiap tahunnya perguruan tinggi meluluskan mahasiswa dari berbagai fakultas. Mahasiswa yang telah lulus dan mendapat gelar sarjana dari perguruan tinggi berasal dari jalur masuk dan asal pendidikan yang berbeda-beda pada awalnya, serta memiliki IPK dan lama masa studi yang berbeda-beda pula. Pencapaian gelar sarjana membutuhkan waktu normal selama empat tahun, akan tetapi dalam praktiknya banyak mahasiswa yang tidak selalu dapat menuntaskan studinya selama waktu normal yang ditentukan.

Beragamnya atribut seperti jenis sekolah, jalur masuk, IPK, dan masa studi membuat pihak perguruan tinggi sulit mencari dan mengetahui kombinasi atribut mana yang sering muncul dan memiliki keterhubungan tinggi antar atribut pada data lulusan mahasiswa. Maka dari itu, dibutuhkan suatu pendekatan untuk mendapatkan kombinasi atribut yang sering muncul dan memiliki keterhubungan tinggi antar atribut dengan melakukan association rules mining pada data lulusan mahasiswa. Association rules mining dapat menghasilkan kombinasi atribut yang memiliki keterhubungan tinggi antar atribut dalam bentuk rules dengan melakukan pencarian kombinasi atribut yang sering muncul terlebih dahulu.

Terdapat beberapa penelitian pada data mahasiswa yang telah dilakukan, yaitu mengetahui keterhubungan data mahasiswa untuk meningkatkan indeks prestasi menggunakan algoritma C 4.5 (Hartama, 2011), dan pengelompokan mahasiswa potensial drop out menggunakan metode clustering (Guchi, 2013). Untuk penelitian pada kasus yang sama yang telah dilakukan yaitu : mengetahui hubungan proses masuk dengan tingkat kelulusan mahasiswa menggunakan algoritma Apriori(Ma’ruf, 2013) yang menghasilkan informasi tentang keberhasilan proses masuk mahasiswa itu berasal dari mana untuk menjadi acuan dalam memaksimalkan iklan pada daerah tertentu, pada penelitiannya memiliki kekurangan dari segi algoritma dan data, algoritma yang digunakan adalah algoritma apriori yang melakukan candidate generate dari setiap item sehingga memerlukan banyak perulangan pencarian ke database, juga data yang digunakan pada penilitian ini belum menggunakan data yang cukup banyak, sehingga hasil yang diperoleh masih belum signifikan. Penelitian selanjutnya yaitu penentu keterhubungan antara data mahasiswa dan masa studi

dengan algoritma regresi linier berganda (Siregar, 2011) yang menghasilkan sebanyak 61% keterhubungan antara data mahasiswa terhadap masa studi, pada penilitian ini memiliki kekurangan pada data yang masih sedikit, berdasarkan kedua penelitian sebelumnya penulis akan menganalisis data lulusan mahasiswa dengan mengambil algoritma lain pada teknik association rules mining yaitu algoritma FP-Growth sebagai algoritma yang akan digunakan pada penelitian penulis, dan menggunakan data yang lebih banyak dari penelitian sebelumnya.

Algoritma Frequent Pattern-Growth (FP-Growth) merupakan salah satu algoritma yang dapat digunakan pada teknik association rules mining untuk menentukan himpunan item yang paling sering muncul (frequent itemset) dalam sekumpulan data (Hutasoit, 2010). Algoritma ini hanya melakukan dua kali proses scanning database untuk menentukan frequent itemset dalam bentuk FP-Tree. Algoritma FP-Growth telah digunakan pada data mining seperti pencarian association rules terhadap barang sebuah butik (Hutasoit, 2010), dan penentuan kelayakan sertifikasi guru berdasarkan keterkaitan NUPTIK (Ramdanie, et al. 2013).

Pada penelitian ini, penulis akan menganalisis data lulusan mahasiswa suatu perguruan tinggi yang didalamnya terdapat atribut jenis sekolah, jalur masuk, fakultas, IPK, dan masa studi menggunakan algoritma FP-Growth. Hasil yang didapat nantinya berupa rules yang sering muncul dan memiliki keterhubungan tinggi antar atribut pada data lulusan mahasiswa perguruan tinggi.

1.2. Rumusan Masalah

Beragamnya atribut pada data lulusan mahasiswa seperti jenis sekolah, jalur masuk, fakultas, IPK, dan masa studi membuat pihak perguruan tinggi sulit mencari dan mengetahui rules yang berisikan kombinasi atribut yang sering muncul dan memiliki keterhubungan tinggi antar atribut. Oleh karena itu, dibutuhkan suatu pendekatan untuk mendapatkan association rules pada data lulusan mahasiswa.

1.3. Batasan Masalah

Pada penelitian ini, penulis memberi batasan sebagai berikut.

1. Hanya meneliti lulusan mahasiswa S1 reguler dari suatu perguruan tinggi.

2. Parameter yang digunakan adalah jenis sekolah, jalur masuk, IPK, dan lama studi. 3. Jalur masuk yang digunakan adalah PMP, UMB, SNMPTN, dan SPMPRM 1.4. Tujuan Penelitian

Tujuan dari penelitian ini adalah mendapatkan association rules atau gabungan dari kombinasi atribut yang sering muncul dan memiliki keterhubungan tinggi antar atribut pada data lulusan mahasiswa perguruan tinggi menggunakan algoritma FP-Growth. 1.5. Manfaat Penelitian

Manfaat dari penelitian ini adalah sebagai berikut.

1. Mendapatkan informasi tentang bagaimana lulusan mahasiswa yang sering muncul dan memiliki keterhubungan antar atribut yang tinggi berdasarkan rules yang didapat.

2. Rules yang dihasilkan dapat digunakan sebagai bahan dasar untuk memprediksi masa studi mahasiswa, sehingga dapat membantu pihak perguruan tinggi maupun fakultas untuk dapat memberikan arahan kepada mahasiswa yang memiliki kemiripan atribut terhadap salah satu rules untuk meningkatkan pembelajaran sehingga dapat meningkatkan tingkat kelulusan.

3. Menjadi bahan rujukan pada peneliti selanjutnya dalam bidang association rules mining dan penggalianpada data kemahasiswaan.

1.6. Metodologi

Terdapat beberapa tahapan dalam penelitian ini untuk menghasilkan suatu sistem yang sesuai dengan yang diharapkan.

1. Studi Literatur

Kegiatan mempelajari dokumentasi literatur dan teori yang berkaitan dengan penelitian. Dalam tahap ini merupakan proses pengumpulan referensi, baik buku, jurnal, tesis, makalah dan sumber-sumber lain termasuk yang diperoleh dari internet sebagai sumber data dan informasi yang berkaitan dengan data mining, association rules mining, algoritma FP-Growth, dan data lulusan mahasiswa perguruan tinggi di Sumatera Utara

2. Analisis Permasalahan

Pada tahap ini dilakukan analisis terhadap data yang telah dikumpulkan sebelumnya untuk mendapatkan pemahaman mengenai teknik association rules mining dan algoritma FP-Growth yang akan digunakan dalam membangun sistem data mining.

3. Perancangan

Pada tahap ini dilakukan perancangan perangkat lunak yang dibangun, seperti perancangan proses dan antarmuka.

4. Implementasi

Pada tahap ini dilakukannya pembangunan program dengan pengkodean perangkat lunak sesuai dengan alur yang ditentukan.

5. Pengujian

Pada tahap ini dilakukannya pengujian terhadap perangkat lunak yang dibangun, dan bagaimana keakuratan dari sistem yang dibuat.

6. Penyusunan Laporan

Pada tahap ini dilakukannya penulisan dokumentasi dan laporan mengenai perangkat lunak yang dikembangkan.

1.7. Sistematika Penulisan

Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut. BAB 1 : PENDAHULUAN

Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.

BAB 2 : LANDASAN TEORI

Bab ini berisi teori-teori yang digunakan untuk memahami permasalahan yang dibahas pada penelitian ini. Pada bab ini dijelaskan data mining secara umum, association rules mining, dan algoritma FP-Growth.

BAB 3 : ANALISIS DAN PERANCANGAN

Bab ini membahas tentang perancangan sistem seperti data flow, dan perancangan sistem untuk melakukan pencarian association rules.

BAB 4 : IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan perangkat lunak yang disusun pada Bab 3 dan pengujian terhadap sistem yang dibangun.

BAB 5 : KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dari keseluruhan uraian bab-bab sebelumnya dan saran-saran yang diajukan untuk pengembangan selanjutnya.

LANDASAN TEORI

Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun.

2.1. Data Mining

Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan didalam database. Data mining merupakan suatu proses kegiatan yang meliputi pengumpulan dan pemakaian data historis untuk menemukan keteraturan pola maupun hubungan dalam suatu set data berukuran besar (Santosa, 2007). Data mining adalah tentang memecahkan suatu masalah dengan menganalisis data yang sudah ada. Data mining juga didefinisikan sebagai proses menemukan pola dalam data, dimana pola yang didapat harus memiliki beberapa keuntungan (Witten & Frank 2005).

Data mining sering disebut knowledge discovery in database (KDD), yaitu kegiatan yang meliputi kumpulan pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari data mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan. Sehingga istilah pattern recognition sekarang jarang digunakan karena ia termasuk bagian dari datamining (Santosa, 2007).

2.1.1. Knowledge discovery in database (KDD)

Menurut Han & Kamber (2006) proses KDD secara garis besar terdiri dari urutan yang berulang dari langkah-langkah berikut.

1. Data Cleaning (untuk menghilangkan noise dan data yang tidak konsisten) 2. Data Integration (mengkombinasikan beberapa dari sumber data)

4. Data Transformation (pengubahan data atau mengkonsolidasikan data kedalam bentuk yang sesuai untuk dilakukannya proses mining, seperti ringkasan atau agregasi operasi)

5. Data Mining (proses penting dimana metode cerdas diterapkan untuk mengekstrak pola)

6. Pattern Evaluation (mengidentifikasi pola-pola menarik yang mewakili pengetahuan berdasarkan proses data mining sebelumnya)

7. Knowledge presentation (menggunakan pengetahuan teknik representasi dan visualisasi untuk menyajikan pengetahuan kepada pengguna)

Gambar 2.1 Proses KDD (Han & Kamber 2006)

Langkah 1 sampai 4 merupakan berbagai bentuk precrocessing data, dimana data disusun untuk proses mining. Langkah data mining dapat berinteraksi dengan pengguna atau basis pengetahuan.Berdasarkan pandangan ini, berikut komponen utama dari arsitektur sistem data mining pada gambar 2.2 (Han & Kamber 2006).

Gambar 2.2 Arsitektur sistem data mining (Han & Kamber 2006)

Database, Data Warehouse, World Wide Web, dan Other Info Repositories merupakan satu atau kumpulan dari database, gudang data, spreadsheet atau jenis lain dari informasi repository. Cleaning data, integrasi data dan pemilihan data dapat dilakukan pada data.

Database atau Data Warehouse Server: bertanggung jawab untuk mengambil data yang relevan berdasarkan permintaan data mining pengguna.

Knowledge Base : merupakan domain pengetahuan yang digunakan untuk memandu pencarian atau mengevaluasi pola yang dihasilkan. Pengetahuan tersebut dapat mecakup hierarki konsep yang digunakan untuk mengatur atribut atau nilai atribut kedalam berbagai tingkat abstraksi.

Data Mining Engine : penting untuk sistem data mining seperti untuk tugas-tugas karakteristik, asosiasi dan analisis korelasi, klasifikasi, prediksi, analisis cluster, analisis outlier, dan analisis evolusi.

Pattern Evaluation : melakukan pemfokusan pencarian terhadap pola yang menarik dengan berinteraksi dengan modul data mining, atau dapat diintegrasikan dengan modul pertambangan, tergantung pada pelaksanaan metode data mining yang digunakan.

User Interface : diperlukan sebagai perantara pengguna dengan sistem untuk berkomunikasi yang memungkinkan pengguna untuk berinteraksi dengan sistem dengan menentukan pemberian tugas, memberi informasi untuk membantu memfokuskan pencarian. Selain itu juga memungkinkan pengguna untuk menelursuri database dan skema data warehouse atau struktur data, mengevaluasi pola, dan memvisualisasikan pola dalam bentuk yang berbeda.

2.1.2. Teknik data mining

Terdapat beberapa teknik dan sifat data mining sebagai berikut (Hermawati, 2009) : 1. Klasifikasi (clasification)

Klasifikasi adalah menentukan sebuah record data baru ke salah satu dari beberapa kategori (atau klas) yang telah didefinisikan sebelumnya. Contoh aplikasinya adalah pada penjualan langsung, yaitu untuk mengurangi cost surat menyurat dengan menentukan satu set konsumen yang mempunyai kesamaandalam membeli produk telepon selular baru.

2. Regresi (regression)

Memprediksi nilai dari suatu variable kontinyu yang diberikan berdasarkan nilai dari variable yang lain, dengan mengasumsikan sebuah model ketergantungan linier atau nonlinier. Contoh aplikasinya adalah : memprediksi kecepatan angin sebagai suatu fungsi suhu, kelembaban, tekanan udara, dan lainnya.

3. Klasterisasi (clustering)

Mempartisi data-set menjadi beberapa sub-set atau kelompok sedemikian rupa sehingga elemen-elemen dari suatu kelompok tertentu memiliki set property yang dishare bersama dengan tingkat similaritas yang tinggi dalam satu kelompok dan tingkat similaritas kelompok yang rendah. Contoh aplikasinya adalah : document clustering, dengan tujuan untuk mendapatkan kelompok dokumen yang mempunyai kesamaan berdasarkan kata-kata penting yang muncul dalam dokumen.

4. 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. Contoh aplikasinya adalah pada supermarket shelf management, dengan tujuan untuk mengenali item-item yang dibeli bersama-sama oleh cukup banyak pelanggan.

5. Pencarian Pola sekuensial (sequence mining)

Mencari sejumlah event yang secara umum terjadi bersama-sama. Sebagai contoh dalam suatu set urutan DNA, ACGTC diikuti oleh GTCA setelah suatu celah selebar 9 dengan probabilitas sebesar 30 %.

2.2 Association Rule Mining

Assotiation rule mining atau aturan asosiasi sering dinamakan market basket analysis, karena awalnya berasal dari studi tentang database transaksi pelanggan uantuk menentukan kebiasaan suatu produk dibeli bersama produk apa (Santosa,2007). Sebagai contoh studi transaksi di supermarket, seseorang yang membeli susu bayi juga membeli sabun mandi. Disini berarti susu bayi bersama dengan sabun mandi.

Dalam menentukan suatu association rule, terdapat suatu interestingness measure (ukuran ketertarikan) yang didapatkan dari hasil pengelolaan data dengan perhitungan tertentu. Terdapat dua ukuran (Han & Kamber 2006). yaitu:

1. Support (nilai penunjang/pendukung): suatu ukuran yang menunjukkan seberapa besar tingkat kemunculan suatu item/itemset dari keseluruhan transaksi. Ukuran ini menentukan apakah suatu itemset layak untuk dicari confidence pada tahapan selanjutnya.

2. Confidence (nilai kepastian/keyakinan): suatu ukuran yang menunjukkan hubungan antara 2 item secara conditional.

Keduan ukuran tersebut akan digunakan dalam menentukan interesting association rules, yaitu untuk dibandingkan dengan batasan (threshold) yang ditentukan oleh user. Batasan tersebut umumnya terdiri dari minimum support dan minimum confidence, yang digunakan pada proses pencarian association rules. Menurut Hermawati (2009), tujuan dari association rules mining adalah untuk menentukan semua aturan yang mempunyai support >= min_support dan confidence >= min_confidence. Sebuah association rule dengan confidence sama atau lebih besar dari minimum confidence dapat dikatakan sebagai valid association rule (Agrawal & Srikant, 1994).

Proses pencarian association rules terbagi menjadi dua tahap yaitu analisis frequent itemset dan pembentukan association rules (Han & Kamber 2006).

1. Analisis Frequent Item

Tahapan ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus 2.1 atau 2.2, yaitu:

� � =Jumlah Transaksi yang Mengandung A

Total Transaksi � 100

% (2.1)

Sedangkan nilai support dari 2 item diperoleh dengan rumus sebagai berikut:

� � , =Jumlah Transaksi yang Mengandung A dan B

2. Pembentukan Asosiation Rules

Setelah semua pola frekuensi tinggi ditemukan, kemudian dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence

aturan asositif A→B. Nilai confidencedari aturan A→B diperoleh dari rumus 2.3,

� → = Jumlah Transaksi yang Mengandung A dan B

Jumlah Transaksi yang Mengandung A � 100%

(2.3)

2.2.1. Algoritma FP-growth

Algoritma FP-Growth mempresentasikan transaksi dengan menggunakan struktur data FP-Tree (Han, et al. 2000). FP-growth adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang sering muncul (frequent itemset) dalam sebuah kumpulan data (Samuel, 2008).

FP-Tree merupakan struktur penyimpanan data yang dibentuk oleh sebuah akar yang diberi label null (Han & Kamber 2006). Pada FP-Tree, item dipetakan ke item lainnya pada setiap lintasan. Pada setiap itemset yang dipetakan mungkin saja terdapat item yang sama, sehingga pada FP-Tree ini memungkinkan untuk saling menimpa. FP-Tree akan semakin efektif apabila semakin banyak pula item yang sama pada setiap itemset (Samuel, 2008).

2.2.2. Pencarian association rules dengan algoritma FP-growth

Proses pencarian association rules terbagi menjadi dua tahap yaitu analisis pola frekuensi tinggi dan pembentukan aturan assosiasi (Han & Kamber 2006).

1. Analisis frequent itemset, atau analisis pola frekuensi tinggi untuk mencari kombinasi item yang memenuhi syarat minimum dari nilai support itemset, dimana nilai support menunjukkan perhitungan frekuensi kemunculan pada suatu data. Proses pencarian frequent itemset pada sistem ini menggunakan algoritma FP-Growth yang melalui tiga tahapan.

a. Pencarian frequent item

Melakukan pencarian item yang paling sering muncul dengan cara menghitung nilai support pada setiap item, apabila terdapat item yang tidak

frequent atau kemunculan sedikit maka item akan dibuang. Nilai support dapat diperoleh dengan rumus (2.1)

b. Pembangunan FP-Tree

Pembangunan FP-tree diawali dengan pembangunan tree pada setiap itemset. Pembangunan tree diawali dengan prefix atau awalan yang sama dari setiap itemset. Apabila terdapat itemset yang memiliki prefix berbeda, maka itemset berikutnya dibangun pada lintasan berbeda (Tan, et al. 2005).

Sebagai contoh dapat dilihat pada Gambar 2.3, Gambar 2.4 dan Gambar 2.5.

Gambar 2.3 Transaction data set (Tan, et al. 2005) FP-tree yang dapat dibangun dari itemset yang ada adalah sebagai berikut :

Gambar 2.5 Setelah membaca TID 2 (Tan, et al. 2005)

Setiap item pada setiap lintasan diberi nilai awal 1 sebagai support count, apabila itemset berikutnya memiliki prefix yang sama maka akan ditambahkan nilai support count pada item yang sama. Walaupun b ada pada lintasan pertama, namun karena berbeda prefix, maka penambahan support count tidak bisa dilakukan. Proses terus dilanjutkan sampai semua itemset selesai dibaca seperti pada Gambar 2.5.

Gambar 2.6 Setelah membaca TID 10 (Tan, et al. 2005) c. Pencarian frequent itemset

Frequent itemset didapat melalui tiga tahapan (Tan, et al. 2005).

1. Pembangkitan conditional FP-tree, yaitu yang hanya mengandung akhiran (suffix) item yang sama pada setiap itemset seperti pada Gambar 2.6 dan Gambar 2.7.

Gambar 2.7 Tree yang mengandung suffix e (Tan, et al. 2005)

Gambar 2.8 Tree yang mengandung suffix d (Tan, et al. 2005) 2. Mengecek kembali nilai support dari suffix item lebih besar atau tidak dari

minimum support yang telah diinput oleh pengguna sebelumnya. Apabila memenuhi, maka item tersebut termasuk frequent itemset. Nilai support setiap itemnya pada tahap ini dihitung dengan rumus (2.1).

3. Apabila terdapat item yang frequent, maka akan dilanjutkan dengan metode divide and conquer untuk memecahkan subproblem yang lebih kecil, yaitu untuk menemukan frequent itemset yang berakhir dengan dua item dari frequent item yang didapat sebelumnya. Kemudian membangun kembali tree yang diakhiri dengan dua item kombinasinya, dimana nilai support pada itemset hanya mengandung nilai yang diakhiri dari frequent item. Begitu pula selanjutnya sampai prefix dari kombinasi.

2. Pembentukan association rules atau aturan assosiasi untuk mencari aturan assositif

A→B yang memenuhi syarat minimum nilai confidence. Pencarian nilai

confidence dapat dihitung dengan rumus (2.3)

Dimana A adalah antecendent (item setelah jika) dan B adalah consequent (item setelah maka). Untuk antecendent dapat terdiri lebih dari satu unsur, akan tetapi consequent hanya terdiri dari satu unsur. Ini digunakan untuk mengetahui keterhubungan anatr item dalam suatu itemset. Sebagai contoh, pada penelitian ini akan mencari seberapa keterhubungannya jalur masuk, asal pendidikan, fakultas, dan IPK terhadap masa studi seorang mahasiswa.

Rules yang telah didapat dilakukan pencocokan untuk memberikan saran kepada pengguna, dengan kata lain rules yang didapat akan diterjemahkan kedalam informasi yang dapat dimengerti oleh pengguna, yaitu berupa informasi kategori apa saja yang paling banyak muncul dan memiliki keterhubungan pada data lulusan mahasiswa perguruan tinggi serta saran/arahan yang dapat dilakukan oleh perguruan tinggi maupun fakultas.

2.3 Penelitian Terdahulu

Terdapat beberapa penelitian pada data mahasiswa yang telah dilakukan, yaitu penentu keterhubungan antara data mahasiswa dan masa studi dengan algoritma regresi linier berganda (Siregar, 2011). Pada penelitian ini menghasilkan sebanyak 61% keterhubungan antara data mahasiswa terhadap masa studi, Parameter yang digunakan dalam penentu keterhubungan adalah IPK, rata-rata UN, jumlah SKS, dan pendidikan orang tua. Data yang digunakan sebanyak 500 data mahasiswa, dan mengahasilkan sebuah prediksi tanpa belum mengetahui kombinasi dari parameter mana yang sering muncul.

Penelitian selanjutya oleh Ma’ruf (2013) yaitu aplikasi data mining untuk

mengetahui hubungan proses masuk dengan tingkat kelulusan mahasiswa. Pada penelitian ini menggunakan algoritma apriori dan menghasilkan informasi tentang

keberhasilan proses masuk mahasiswa itu berasal dari mana untuk menjadi acuan dalam memaksimalkan iklan pada daerah tertentu, pada penelitian ini algoritma yang digunakan adalah algoritma apriori yang melakukan candidate generate dari setiap item sehingga memerlukan banyak perulangan pencarian ke database, juga data yang digunakan pada penilitian ini belum menggunakan data yang cukup banyak, sehingga hasil yang diperoleh masih belum signifikan.

Selanjutnya Huda (2010) membangun aplikasi data mining untuk menampilkan informasi tingkat kelulusan mahasiswa. Pada penelitian ini juga menggunakan algoritma apriori, hasil dari proses data mining pada penelitian ini dapat digunakan sebagai pertimbangan dalam mengambil keputusan lebih lanjut tentang faktor yang mempengaruhi tingkat kelulusan khususnya faktor dalam data induk mahasiswa pada satu fakultas. Data induk mahasiswa yang diproses mining meliputi data proses masuk, data asal sekolah, data kota mahasiswa, dan data program studi. Pada penelitian ini menganjurkan peneliti selanjutnya untuk menggunakan algoritma FP-Growth, dikarenakan algoritma apriori memerlukan banyak perulangan pencarian ke database. Ringkasan penelitian terdahulu dapat dilihat pada Tabel 2.1.

Tabel 2.1. Penelitian Terdahulu No Peneliti

(Tahun)

Teknik yang

digunakan Keterangan

1 Siregar (2011) Regresi linier berganda

Menghasilkan prediksi tanpa belum mengetahui kombinasi dari parameter mana yang sering muncul

2 Ma'ruf (2013) Apriori

Hasil yang didapat belum signifikan, dikarenakan data yang belum cukup banyak, dan algoritma apriori yang melakukan proses scanning database berulang

3 Huda (2010) Apriori

Hanya meneliti pada satu fakultas, dan algoritma apriori yang melakukan proses scanning database berulang

ANALISIS DAN PERANCANGAN SISTEM

Analisis sistem yang akan dibangun meliputi data yang digunakan, praproses data, pemrosesan data, dan analisis komponen sistem. Penyelesaian berupa pencarian association rules berdasarkan association rules mining menggunakan algoritma FP-Growth. Pada tahap perancangan sistem dibahas perancangan Data Flow Diagram (DFD), perancangan alur kerja sistem (flowchart), dan perancangan antarmuka pemakai (userinterface). Proses analisis dapat dilihat pada Gambar 3.1.

Praproses Data

Penentuan Atribut

Pemrosesan Data

Pencocokan Saran Data Mining

Pengelompokan Atribut

Analisis Frequent Itemset (menggunakan algoritma FP-Growth)

Pembentukan Association Rules

Gambar 3.1. Proses analisis association rules 3.1 Data yang Digunakan

Data diambil dari Univeritas Sumatera Utara bagian acara akademik biro akademik sebanyak 14.884 data. Data berupa data mahasiswa yang telah lulus dari periode III tahun ajaran 2009/2010 sampai periode II tahun ajaran 2013/2014 meliputi data diri dan data akademik. Setelah data terkumpul, dilakukan analisa data yang sesuai dengan kebutuhan sistem, yaitu melakukan pencarian association rules dimana sistem menghasilkan rules dengan keterhubungan yang tinggi antar atribut dan paling sering

muncul, maka dari itu dibutuhkan beberapa atribut dari data diri mahasiswa dan data akademik dari data lulusan mahasiswa.

Pada awal masuk perkuliahan, mahasiswa mengisi data diri seperti nama, tempat dan tanggal lahir, asal sekolah, fakultas maupun program studi yang dimasukinya, dan lainnya. Pada masa perkuliahan mahasiswa mendapatkan nilai pada setiap semester dan akan diakumulasi menjadi IPK (Indeks Prestasi Akademik) yang disimpan kedalam data akademik. Mahasiswa yang telah lulus akan tersimpan pada data lulusan mahasiswa dengan menginformasikan berapa lama masa studi mahasiswa tersebut. Dari data lulusan mahasiswa, terdapat beberapa atribut yang merupakan faktor lama masa studi seorang mahasiswa, sehingga akhir pada sistem ini juga dapat memberikan bahan prediksi masa studi bagi mahasiswa.

Jumlah data Lulusan Mahasiswa Universitas Sumatera Utara sebanyak 14.884 data yang terdiri dari beberapa fakultas dan jumlah yang berbeda pada setiap fakultasnya. Jumlah mahasiswa per fakultas dapat dilihat pada Tabel 3.1.

Tabel 3.1. Jumlah lulusan mahasiswa per fakultas

Fakultas Jumlah Lulusan

Mahasiswa

Kedokteran 1143

Kedokteran Gigi 627

Farmasi 262

Kesehatan Masyarakat 657

Keperawatan 254

Matematika dan Ilmu Pengetahuan Alam 818 Ilmu Komputer dan Teknologi Informasi 508

Teknik 1949

Psikologi 402

Pertanian 2292

Hukum 1281

Ilmu Budaya 1041

Ekonomi 2064

3.2. Praproses Data

Tahap praproses data merupakan tahap seleksi data yang bertujuan untuk mendapatkan data yang hanya digunakan dalam penelitian dengan membuang beberapa record yang tidak akan dianalisis dikarenakan tidak dapat menjadi faktor dari lama studi seorang mahasiswa. Pada data lulusan mahasiswa, terdapat beberapa record seperti nim, no alumni, nama, jenis kelamin, tempat-tanggal-lahir, agama, kota, kode pos, asal sekolah, jenis sekolah, fakultas, program studi, jalur masuk, ipk, lama studi, dan periode wisuda. Record yang tidak dianalisis adalah nim, no alumni, nama, jenis kelamin, tempat-tanggal lahir, agama, kota, kode pos, asal sekolah, program studi, dan periode wisuda. Sedangkan record yang akan dianalisis adalah jenis sekolah, fakultas, jalur masuk, ipk, dan lama studi.

Tahapan selanjutnya yang dikerjakan adalah melakukan perubahan terhadap beberapa tipe data pada atribut dataset dengan tujuan untuk mempermudah pemahaman terhadap isi record.

3.2.1 Penentuan atribut

Beberapa atribut yang digunakan untuk pembentukan rules adalah sebagai berikut: 1. Jenis Sekolah

Sebagai tempat mendapatkan pengajaran sebelumnya sebelum masuk perguruan tinggi bagi setiap mahasiswa. Terdapat beragamnya jenis sekolah dari mahasiswa yang masuk perguruan tinggi seperti sekolah negeri maupun swasta, dan sekolah dalam maupun luar kota.

2. Jalur Masuk

Sebagai jalur penyeleksian masuk perguruan tinggi yang memiliki beberapa tahapan, dimana calon mahasiswa yang berhak masuk pada tahap pertama adalah calon mahasiswa yang memiliki nilai tinggi.

3. IPK

Indeks Prestasi Kumulatif, sebagai akumulasi nilai yang didapat oleh mahasiswa dari setiap semesternya. Berikut pengelompokan prestasi keberhasilan

berdasarkan buku panduan mahasiswa Universitas Sumatera Utara yang dapat dilihat pada Tabel 3.2.

Tabel 3.2. Pengelompokan prestasi keberhasilan Nilai Prestasi Bobot Prestasi Golongan Prestasi

A 4.00 Sangat Baik

B+ 3.50 Baik

B 3.00 Baik

C+ 2.50 Cukup

C 2.00 Cukup

D 1.00 Kurang

E 0.00 Gagal

Beragam prestasi yang dicapai setiap mahasiswa yaitu pada setiap mata kuliah yang diambil maupun setelah prestasi diakumulasi, berikut jumlah mahasiswa yang diambil secara acak ±20% dari jumlah keseluruhan data lulusan mahasiswa berdasarkan pengelompokan prestasi pada Tabel 3.3.

Tabel 3.3. Jumlah lulusan mahasiswa berdasarkan prestasi Nilai

Prestasi

Bobot

Prestasi Golongan Prestasi

Jumlah Mahasiswa

A 4.00 Sangat Baik 6

B+ 3.50 Baik 1012

B 3.00 Baik 1060

C+ 2.50 Cukup 920

C 2.00 Cukup 85

D 1.00 Kurang 4

E 0.00 Gagal 0

Berdasarkan data pada Tabel 3.3. dapat dilihat kelompok prestasi dengan jumlah mahasiswa yang tinggi yaitu B+, B, dan C+ dengan nilai 3.50, 3.00, dan 2.50.

4. Lama Studi

Waktu yang ditempuh oleh setiap mahasiswa sampai akhir masa perkuliahannya. Waktu standart seorang mahasiswa lulus dari perguruan tinggi adalah empat tahun, akan tetapi banyak mahasiswa yang menyelesaikan studinya lebih dari

empat tahun, dan tidak sedikit pula mahasiswa yang menyelesaikan studinya kurang dari empat tahun.

3.2.2. Pengelompokan atribut

Terdapat beberapa kelompok item pada setiap atribut seperti berikut: 1. Jenis Sekolah

a. SMA/MA Negeri Dalam Medan b. SMA/MA Negeri Luar Medan c. SMA/MA Swasta Dalam Medan d. SMA/MA Swasta Luar Medan

e. SMTA Lain-lain (semua sekolah selain empat diatas) 2. Jalur Masuk

a. PMP b. SNMPTN c. SPMPRM d. UMB 3. IPK

a. IPK < 3.00 b. IPK = 3.00-3.49 c. IPK > 3.49 4. Lama Studi

a. < 4 Tahun b. 4 Tahun c. > 4 Tahun 3.3. Pemrosesan Data

Terdapat beberapa tahapan dalam pengolahan data yang harus dilalui agar menghasilkan data yang diinginkan, yaitu gabungan aturan atau association rules dari data lulusan mahasiswa.

3.3.1. Data mining

Tahapan ini adalah proses untuk menghasilkan association rules. Berikut merupakan data lulusan mahasiswa sebanyak 30 mahasiswa yang mewakili keseluruhan data dari salah satu fakultas yang akan dilakukan proses pencarian association rules yang dapat dilihat pada Tabel 3.4.

Tabel 3.4. Data lulusan mahasiswa Id

Mahasiswa Jenis Sekolah

Jalur

Masuk IPK

Lama Studi 1 SMA/MA Negeri Luar Medan SNMPTN 2.97 > 4 Tahun 2 SMA/MA Swasta Dalam Medan SNMPTN 2.92 > 4 Tahun 3 SMA/MA Negeri Luar Medan SNMPTN 3.29 4 Tahun 4 SMA/MA Negeri Dalam Medan SNMPTN 3.41 < 4 Tahun 5 SMA/MA Negeri Dalam Medan SPMPRM 2.92 < 4 Tahun 6 SMA/MA Negeri Dalam Medan SNMPTN 2.78 > 4 Tahun 7 SMA/MA Negeri Dalam Medan SPMPRM 3.05 > 4 Tahun 8 SMA/MA Negeri Dalam Medan SNMPTN 3.22 < 4 Tahun 9 SMA/MA Negeri Luar Medan SNMPTN 3.30 < 4 Tahun 10 SMA/MA Negeri Luar Medan SNMPTN 3.10 < 4 Tahun 11 SMA/MA Negeri Luar Medan SNMPTN 3.36 < 4 Tahun 12 SMTA Lain-lain SNMPTN 3.07 > 4 Tahun 13 SMA/MA Negeri Luar Medan SNMPTN 3.02 > 4 Tahun 14 SMA/MA Negeri Dalam Medan SPMPRM 3.06 < 4 Tahun 15 SMA/MA Negeri Dalam Medan SNMPTN 3.29 < 4 Tahun 16 SMA/MA Negeri Luar Medan SNMPTN 3.44 < 4 Tahun 17 SMA/MA Negeri Luar Medan SNMPTN 3.24 < 4 Tahun 18 SMA/MA Negeri Dalam Medan SNMPTN 3.08 < 4 Tahun 19 SMA/MA Swasta Dalam Medan SNMPTN 3.03 > 4 Tahun 20 SMA/MA Negeri Dalam Medan SNMPTN 3.46 4 Tahun 21 SMA/MA Negeri Dalam Medan SPMPRM 2.97 > 4 Tahun 22 SMTA Lain-lain SNMPTN 3.59 4 Tahun 23 SMA/MA Negeri Dalam Medan SPMPRM 2.79 > 4 Tahun 24 SMA/MA Negeri Luar Medan SNMPTN 2.95 > 4 Tahun 25 SMA/MA Swasta Dalam Medan SNMPTN 3.02 4 Tahun 26 SMA/MA Negeri Luar Medan SNMPTN 2.99 4 Tahun 27 SMA/MA Swasta Luar Medan SNMPTN 3.04 4 Tahun 28 SMA/MA Negeri Luar Medan SNMPTN 3.54 4 Tahun 29 SMA/MA Swasta Dalam Medan SNMPTN 2.90 > 4 Tahun 30 SMA/MA Negeri Luar Medan SNMPTN 3.06 4 Tahun

Dari Tabel 3.4. terdapat 30 lulusan mahasiswa yang masing-masing memiliki kelompok atribut yang berbeda-beda. Maka dari itu, diberikan kode setiap item atribut agar mempermudah proses pencarin rules seperti pada Tabel 3.5.

Tabel 3.5. Kode untuk setiap item atribut

Atribut Item Kode

Jenis Sekolah SMA/MA Negeri Dalam Medan A

SMA/MA Negeri Luar Medan B

SMA/MA Swasta Dalam Medan C

SMA/MA Swasta Luar Medan D

SMTA Lain-lain E

Jalur Masuk PMP F

SNMPTN G

SPMPRM H

UMB I

IPK IPK < 3.00 J

IPK = 3.00-3.49 K

IPK > 3.49 L

Lama Studi < 4 Tahun M

4 Tahun N

> 4 Tahun O

Berdasarkan Tabel 3.5, dapat dilihat itemset dari data lulusan mahasiswa ataupun kumpulan item berdasarkan kode pada Tabel 3.6.

Tabel 3.6. Data lulusan mahasiswa dengan itemset Id Mahasiswa Itemset

1 BGJO

2 CGJO

3 BGKN

4 AGKM

5 AHJM

6 AGJO

7 AHKO

8 AGKM

9 BGKM

10 BGKM

11 BGKM

12 EGKO

13 BGKO

14 AHKM

15 AGKM

16 BGKM

Tabel 3.6. Data lulusan mahasiswa dengan itemset (lanjutan) Id Mahasiswa Itemset

18 AGKM

19 CGKO

20 AGKN

21 AHJO

22 EGLN

23 AHJO

24 BGJO

25 CGKN

26 BGJN

27 DGKN

28 BGLN

29 CGJO

30 BGKN

3.3.2. Analisis frequent itemset

Bedasarkan data ada Tabel 3.6 dapat dicari itemset yang sering muncul, misalkan diberi nilai minimum support = 10% dan kemudian dilakukan pencarian nilai support pada masing-masing item dengan rumus (2.1).

Langkah 1 : Mencari frequent item

Tabel 3.7. Nilai support per item

No Kode Jumlah Support

1 A 11 11/30 * 100% = 36%

2 B 12 12/30 * 100% = 40%

3 C 4 4/30 * 100% = 13%

4 D 1 1/30 * 100% = 3%

5 E 2 2/30 * 100% = 6%

6 F 0 0/30 * 100% = 0%

7 G 25 25/30 * 100% = 83%

8 H 5 5/30 * 100% = 16%

9 I 0 0/30 * 100% = 0%

10 J 9 9/30 * 100% = 30%

11 K 19 19/30 * 100% = 63%

12 L 2 2/30 * 100% = 6%

13 M 11 11/30 * 100% = 36%

14 N 8 8/30 * 100% = 26%

Berdasarkan data pada Tabel 3.7, frequent item yang memenuhi nilai minimum support yaitu sebanyak 10% adalah jenis sekolah A, B, dan C, jalur masuk G dan H, IPK J dan K, dan lama studi M, N dan O.

Langkah 2 : Pembangunan FP-Tree

FP-tree merupakan struktur penyimpanan data yang dibentuk oleh sebuah akar yang diberi label null (Han &Kamber 2006). Fp-tree yang dibangun terdiri dari frequent item pada setiap mahasiswa, maka item yang tidak frequent atau tidak sering muncul dihilangkan. Berikut data mahasiswa dengan itemset dapat dilihat pada Tabel 3.8.

Tabel 3.8. Data itemset lulusan mahasiswa Id Mahasiswa Itemset

1 BGJO

2 CGJO

3 BGKN

4 AGKM

5 AHJM

6 AGJO

7 AHKO

8 AGKM

9 BGKM

10 BGKM

11 BGKM

12 GKO

13 BGKO

14 AHKM

15 AGKM

16 BGKM

17 BGKM

18 AGKM

19 CGKO

20 AGKN

21 AHJO

22 GN

23 AHJO

24 BGJO

25 CGKN

26 BGJN

27 GKN

28 BGN

29 CGJO

Fp-tree yang dapat dibangun dari itemset yang ada dapat dilihat pada Gambar 3.2, Gambar 3.3, Gambar 3.4, dan Gambar 3.5.

G

O J B null

1 1 1 1

Gambar 3.2. Tree setelah pembacaan itemset-1 (BGJO)

Pada Gambar 3.2 pembacaan itemset pertama yaitu BGJO, dimana masing-masing item memiliki nilai awal 1.

G

O J B

null

1 1 1 1

G

O J 1 1

1 C

1

Gambar 3.3 Tree Setelah pembacaan itemset-2 (CGJO)

Pada Gambar 3.3 itemset kedua tidak memiliki prefix yang sama dengan prefix pada itemset pertama yaitu B, maka itemset kedua membuat lintasan baru.

G O J B null 1 1 2 2 G O J 1 1 1 K 1 N 1 C 1

Gambar 3.4 Tree setelah pembacaan itemset-3 (BGKN)

Pada Gambar 3.4 itemset ketiga memiliki prefix yang sama dengan prefix itemset pertama, sehingga B dan G berada dalam lintasan yang sama dengan itemset pertama, akan tetapi K dan N membuat lintasan baru. Proses terus dilakukan sampai pembacaan itemset ke 30 seperti pada Gambar 3.5.

G O J A null M K O J M B G O K M N G N K 11 3 2 1 5 1 2 3 6 12 3 12 8 1

1 4 2 5 1 O

K O M 2 1 1 H 5 N 1 O 1 N 1 J N 1

1 2 N

C G J O K N O 1 1 2 2 2 4 4 ...

Gambar 3.5 Tree setelah pembacaan itemset-30 (BGKN) Langkah 3 : Pencarian frequent itemset

Pencarian frequent itemset dilakukan melalui beberapa tahapan.

1. Pembangkitan conditional Fp-tree, yaitu yang hanya mengandung akhiran (suffix) item yang sama pada setiap itemset seperti pada Gambar 3.6, Gambar 3.7, dan Gambar 3.8.

G A null M K J M B G M K 6 1 4 ₁ 4 5 5 5 4 5 K M 1 1 H 2

Gambar 3.6 Conditional FP-tree dengan suffix M

G A null K B G K G N K 1 1 1 1 1 4 2 4 1 N 1 N 1 J N 1 2 N N 1 2 G C K N 1 1 1 1

Gambar 3.7 Conditional FP-tree dengan suffix N

G O J A null O J B G O J K G O K 4 2 2 1 1 2 1 3 1 3 1 1

1 2 1 O

K O 1 1 H 3 C G J O K O 2 2 1 1 3 3

2. Mengecek kembali nilai support dari suffix itemset lebih besar atau tidak dari minimum support yaitu 10% dengan rumus (2.1), apabila memenuhi dilakukan kembali pengecekan terhadap suffix kedua selanjutnya hingga prefix dengan rumus (2.2). Pengecekan nilai support pada suffix M hingga prefix dapat dilihat pada Tabel 3.9.

Tabel 3.9. Nilai support dari suffix M

No Suffix Jumlah Support

1 M 11 11/30 * 100% = 36%

2 KM 10 10/30 *100% = 33%

3 JM 1 1/30 * 100% = 3%

4 GKM 9 9/30 * 100% = 30% 5 HKM 1 1/30 * 100% = 3% 6 AGKM 4 4/30 * 100% = 13% 7 BGKM 5 5/30 * 100% = 16%

Dari Tabel 3.9 dilakukan pengecekan awal terhadap M (suffix), nilai support M memenuhi minimum support, sehingga dilakukan pengecekan kembali terhadap dua suffix terakhir yaitu KM dan JM. Nilai support dari KM memenuhi minimum support, sehingga dilakukan pengecekan terhadap tiga suffix terakhir yang mengandung KM yaitu GKM dan HKM. Nilai support GKM memenuhi minimum support, selanjutnya dilakukan kembali pengecekan nilai support yang mengandung GKM yaitu AGKM dan BGKM. Nilai support AGKM dan BGKM memenuhi minimum support, maka AGKM dan BGKM merupakan frequentitemset.

Selanjutnya dilakukan juga pengecekan terhadap suffix N dan O dengan cara yang sama seperti pada pengecekan terhadap suffix M sebelumnya. Nilai support dari suffix N dan O dapat dilihat pada Tabel 3.10 dan Tabel 3.11.

Tabel 3.10. Nilai support dari suffix N No Suffix Jumlah Support

1 N 7 7/30 * 100% = 23% 2 GN 2 2/30 *100% = 6% 3 JN 1 1/30 * 100% = 3% 4 KN 5 5/30 * 100% = 16% 5 GKN 5 5/30 * 100% = 16% 6 AGKN 1 1/30 * 100% = 3% 7 BGKN 2 2/30 * 100% = 6% 8 CGKN 1 1/30 * 100 % = 3%

Dari Tabel 3.10 tidak ditemukan frequent itemset dengan empat kombinasi karena nilai support dari itemset tidak memenuhi minimum support.

Tabel 3.11 Nilai support dari suffix O No Suffix Jumlah Support

1 O 11 11/30 * 100% = 36% 2 JO 7 7/30 *100% = 23% 3 KO 4 4/30 * 100% = 13% 4 GJO 5 5/30 * 100% = 16% 5 HJO 2 2/30 * 100% = 6% 6 AGJO 1 1/30 * 100% = 3% 7 BGJO 2 2/30 * 100% = 6%

Dari Tabel 3.11 tidak ditemukan frequent itemset dengan empat kombinasi karena nilai support dari itemset tidak memenuhi minimum support. Sehingga itemset dengan kemunculan tinggi hanya AGKM dan BGKM.

3.3.3. Pembentukan association rules

Pembentukan association rules atau aturan assosiasi dilakukan untuk mencari aturan assotitif A→B yang memenuhi syarat minimum nilai confidence, yaitu untuk mencari keterhubungan antar item dalam suatu itemset, pada kasus ini mencari seberapa keterhubungan lama masa studi seorang mahasiswa terhadap jenis sekolah, jalur masuk, dan IPK. Misalkan diberi nilai confidence 60%, pencarian nilai confidence dapat dihitung dengan rumus (2.3) dan dapat dilihat pada Tabel 3.12.

Tabel 3.12. Nilai confidence dari frequent itemset

No Itemset A → B Confidence

1 AGKM AGK → M 5/8 * 100% = 62% 2 BGKM BGK → M 4/5 * 100% = 80%

Berdasarkan Tabel 3.12, itemset AGKM dan BGKM memiliki nilai confidence yang memenuhi nilai minimum confidence. Maka AGKM dan BGKM dapat dijadikan rules dari suatu data lulusan mahasiswa tersebut, dimana memiliki tingkat kemunculan tinggi dan keterhubungan yang tinggi pada suatu data lulusan mahasiswa. Association rules yang didapat :

1. Mahasiswa yang berasal dari SMA/MA Negeri Dalam Medan dengan jalur masuk SNMPTN yang memiliki IPK antara 3.00 s/d 3.50, memiliki lama studi < 4 tahun. 2. Mahasiswa yang berasal dari SMA/MA Negeri Luar Medan dengan jalur masuk SNMPTN yang memiliki IPK antara 3.00 s/d 3.50, memiliki lama studi < 4 tahun. 3.3.4. Pencocokan saran

Dari hasil association rules yang didapat, dapat dilakukan pencocokan saran untuk perguruan tinggi maupun fakultas dengan melihat suffix (akhiran) pada rules yaitu berdasarkan lama studi. Saran yang diberikan dapat berguna untuk perguruan tinggi dalam meningkatkan kelulusan pada setiap waktu kelulusan, ataupun dapat mengurangi tingkat mahasiswa dengan lama studi > 4 tahun.

Pencocokan saran dilihat dari rules yang didapat berdasarkan lama studi, apabila lama studi < 4 tahun atau = 4 tahun, maka dua kombinasi awal dari rules yang didapat yaitu jenis sekolah dan jalur masuk dapat menjadi saran untuk fakultas. Saran untuk jenis sekolah dari rules yang didapat adalah fakultas dapat memberikan informasi atau menawarkan kepada calon mahasiswa dari jenis sekolah yang didapat agar memilih fakultas tersebut. Saran untuk jalur masuk dari rules yang didapat adalah perguruan tinggi dapat membuka lebar kesempatan bagi calon mahasiswa pada jalur masuk yang didapat untuk masuk ke fakultas tersebut.

Apabila lama studi > 4 tahun, maka saran untuk jenis sekolah dari rules yang didapat adalah fakultas dapat memberikan informasi atau melakukan promosi kepada calon mahasiswa dari jenis sekolah selain yang didapat agar memilih fakultas tersebut, dan saran untuk jalur masuk dari rules yang didapat agar perguruan tinggi sedikit membuka kesempatan bagi calon mahasiswa pada jalur masuk yang didapat untuk masuk ke fakultas tersebut.

Pencocokan saran juga melihat IPK dari rules yang didapat, tetapi tanpa berdasarkan lama studi. Apabila IPK pada rules yang didapat dibawah 3.00 maka fakultas diberi saran untuk dapat memberikan pengajaran lebih kepada mahasiswa dan arahan untuk mulai memikirkan serta mendalami materi yang akan diambil pada tugas akhir nantinya. Apabila nilai IPK antara 3.00 s/d 3.49, fakultas diberi saran untuk dapat memberikan arahan kepada mahasiswa untuk meningkatkan IPK dan mulai memikirkan serta mendalami materi yang akan diambil pada tugas akhir. Apabila nilai IPK diatas 3.50, fakultas diberi saran untuk dapat memberikan arahan kepada mahasiswa untuk mempertahankan IPK dan mulai memikirkan serta mendalami materi yang akan diambil pada tugas akhir. Mahasiswa yang ditujukan saran adalah mahasiswa yang telah menjalani perkuliahan lebih dari setahun dan belum mengambil tugas akhir.

Dari hasil association rules yang didapat, sistem dapat memberikan saran kepada perguruan tinggi maupun fakultas sebagai berikut.

1. AGKM

( Jenis Sekolah : SMA/MA Negeri Dalam Medan, Jalur Masuk : SNMPTN,

IPK : IPK = 3.00-3.49 Lama Studi : < 4 Tahun) Saran :

1. Fakultas dapat memberikan informasi atau menawarkan kepada calon mahasiswa yang berasal dari SMA/MA Negeri Dalam Medan untuk memilih fakultas tersebut.

2. Fakultas lebih membuka lebar kesempatan bagi calon mahasiswa baru yang berasal dari jalur masuk SNMPTN untuk masuk fakultas tersebut.

3. Fakultas dapat memberikan arahan terhadap mahasiswa yang memiliki nilai IPK antara 3.00 s/d 3.49 untuk meningkatkan IPK, dan arahan untuk mulai memikirkan serta mendalami materi yang akan diambil pada tugas akhir.

2. BGKM

( Jenis Sekolah : SMA/MA Negeri Luar Medan, Jalur Masuk : SNMPTN,

IPK : IPK = 3.00-3.49 Lama Studi : < 4 Tahun)

Saran :

1. Fakultas dapat memberikan informasi atau menawarkan kepada calon mahasiswa yang berasal dari SMA/MA Negeri Luar Medan untuk memilih fakultas tersebut.

2. Fakultas lebih membuka lebar kesempatan bagi calon mahasiswa baru yang berasal dari jalur masuk SNMPTN untuk masuk fakultas tersebut.

3. Fakultas dapat memberikan arahan terhadap mahasiswa yang memiliki nilai IPK antara 3.00 s/d 3.49 untuk meningkatkan IPK, dan arahan untuk mulai memikirkan serta mendalami materi yang akan diambil pada tugas akhir.

3.4. Analisis Komponen Sistem 3.4.1 Data flow diagram (DFD)

Diagram Alir Data (DAD) atau Data Flow Diagram adalah representasi grafik yang menggambarkan informasi dan transformasi informasi yang diaplikasikan sebagai data yang mengalir dari masukan (input) dan keluaran (output).

DFD dapat digunakan untuk merepresenasikan sebuah sistem atau perangkatlunak pada beberapa level abstraksi. DFD dibagi menjadi beberapa level

yang lebih detail untuk mrepresentasikan aliran informasi atau fungsi yang lebih detail. DFD menyediakan mekanisme untuk pemodelan fungsional ataupun pemodelan aliran informasi. Oleh karena itu, DFD lebih sesuai digunakan untuk memodelkan fungsi perangkat lunak yang akan diimplementasikan menggunakan pemrograman terstruktur karena pemrograman terstruktur membagi-bagi bagiannya dengan fungsi fungsi dan prosedur-prosedur.

3.4.1.1. DFD level-0

DFD Level 0 biasanya disebut dengan diagram sistem inti (fundamental system model) atau biasa disebut juga diagram konteks (contex diagram), berikut adalah dfd level 0 dari sistem pencarian association rules pada Gambar 3.9.

USER Sistem Pencarian

Association Rules Login

Minimum support & confidence

Pesan Login Association rules

Saran / masukan

ADMIN Login

Data mahasiswa Management parameter Management pengguna

Minimum support & confidence

Pesan login Data mahasiswa

Data Parameter Data pengguna Association rules

Saran / masukan

3.4.1.2. DFD Level-1

Berikut adalah gambar DFD level 1 dari sistem pencarian association rules yang dapat dilihat pada Gambar 3.9.

ADMIN 2.0 Management data mahasiswa Data mahasiswa parameter Minimum support & minimum confidence

3.0 Management Parameter 5.0 Pencarian Association Rules Mahasiswa Lama studi IPK Jalur masuk Jenis sekolah Data mahasiswa Parameter Association rules & saran Data mahasiswa Jenis sekolah Jenis sekolah Jalur masuk Jalur masuk IPK IPK Data Mahasiswa Lama studi Lama studi

Data lulusan mahasiswa

Association rules 1.0

Login Login

Pesan Login login

Login Pesan login 4.0 Management Pengguna Pengguna Data pengguna pengguna Data pengguna USER Login Pesan login

Minimum support & minimum confidence Association rules & saran

3.4.1.3. DFD level-2

Berikut adalah gambar DFD Level 2 dari proses management data mahasiswa, management parameter, management pengguna, dan pencarian association rules yang dapat dilihat pada Gambar 3.11, Gambar 3.12, Gambar 3.13, dan Gambar 3.14.

2.1 Input data mahasiswa Data

mahasiswa Mahasiswa

Pesan berhasil diinput

Data mahasiswa Data Mahasiswa 2.2 Edit data mahasiswa Data mahasiswa

Pesan berhasil diperbaharui

Data mahasiswa Data Mahasiswa 2.3 Hapus data mahasiswa Data Mahasiswa

Pesan berhasil dihapus

Data Mahasiswa Data mahasiswa ADMIN

Gambar 3.11. DFD level 2 : proses management data mahasiswa

3.1 Edit parameter Edit parameter Pesan Berhasil diperbaharui 3.2 Hapus parameter Pilih data parameter

Pesan berhasil dihapus ADMIN Lama studi IPK Jalur masuk Jenis sekolah Jenis sekolah Jalur masuk Jalur masuk IPK IPK Jenis sekolah Lama studi Lama studi Jenis sekolah Jenis sekolah Jalur masuk Jalur masuk

Hapus IPK IPK

Hapus parameter parameter

4.1 Input data pengguna Data

pengguna Login

Pesan berhasil diinput

Data pengguna Data pengguna 4.2 Edit data pengguna Data pengguna

Pesan berhasil diperbaharui

Data pengguna Data pengguna 4.3 Hapus data pengguna Data pengguna

Pesan berhasil dihapus

Data pengguna Data pengguna ADMIN

Gambar 3.13. DFD level 2 : proses management pengguna

5.2 Pencarian Association rules ADMIN Fakultas Mahasiswa 5.1 Pemilihan fakultas 5.3 Penyesuaian saran Fakultas Fakultas Association rules min. support & min.confidence

Saran / masukan

parameter parameter Fakultas Fakultas USER Fakultas Fakultas

min. support & min.confidence Association rules

Saran / masukan

3.4.2. Flowchart

Perancangan sistem dibangun menggunakan bahasa pemrograman PHP dengan database menggunakan mysql dan akan dianalisis dengan algoritma FP-Growth. Flowchart algoritma FP-Growth dapat dilihat pada Gambar 3.15.

Mulai

Frequent itemset

Pembangunan FP-tree

Pengecekan nilai support

pada setiap item

Pembentukan

association rules

Pencarian frequent itemset

Selesai Pembangkitan

conditional FP-tree

Minimum support & minimum confidence

Association rules

3.4.3. Sitemap aplikasi

Sitemap aplikasi merupakan gambaran nyata bagaimana user dapat menjalankan aplikasi, menu-menu apa saja yang dapat diakses dan bagaimana caranya. Sitemap dari sistem pencarian association rules dapat dilihat pada Gambar 3.16.

Jumlah Mahasiswa

Hasil Rule Pencarian

Association Rules

Parameter Data

Daftar Lulusan Mahasiswa Edit Lulusan Mahasiswa Input Lulusan Mahasiswa

Detail

Edit Jenis Sekolah

Jumlah per Fakultas

Login Home

admin

Edit Lama Studi Edit IPK Edit Jalur Masuk

Hasil Rule Pencarian

Association Rules

Info Association Rules

Detail Home user

3.5. Database Relationship

Database atau basis data adalah kumpulan data yang disimpan secara sistematis didalam komputer dan dapat diolah atau dimanipulasi menggunakan perangkat lunak untuk menghasilkan informasi. Tabel-tabel yang ada pada database dapat dihubungkan satu dengan lainnya (database relationship). Database relationship dari sistem pencarian association rules yang dapat dilihat pada Gambar 3.17.

3.6. Perancangan Sistem

Pada tampilan awal pengguna sebagai user, terdapat dua menu yaitu menu home dan menu info. Rancangan tampilan awal sebagai user dapat dilihat pada Gambar 3.18.

HEADER

FOOTER PROSES

Fakultas Minimum support

v

Minimum confidence Logout

Pencarian Association Rules

Menu 1 Menu 2

B A

Gambar 3.18. Racangan tampilan home pengguna sebagai user Keterangan :

A. Menu home dan menu info. Menu home untuk balik kehalaman utama, dan menu info sebagi informasi untuk pengguna tentang pencarian associationrules.

B. Form pencarian association rules, dimana pengguna dapat memilih fakultas yang akan diproses, serta memasukkan nilai minimum support dan minimum confidence sebagai patokan nilai untuk rules yang nantinya dihasilkan.

Rancangan tampilan dari hasil proses pencarian dapat dilihat pada Gambar 3.19.

HEADER

FOOTER

Pencarian Association Rules

Menu 1

B A

Keterangan :

A. Menu home dan menu info. Menu home untuk balik kehalaman utama, dan menu info sebagai informasi untuk pengguna tentang pencarian association rules.

B. Berupa hasil pencarian association rules, yaitu tabel rules dengan nilai support dan confidence. Serta saran yang diberikan oleh sistem untuk perguruan tinggi maupun fakultas, dan informasi lainnya.

Rancangan tampilan menu info dapat dilihat pada Gambar 3.20.

HEADER

FOOTER

Association Rules

Menu 2

B A

Gambar 3.20. Rancangan tampilan halaman info Keterangan :

A. Menu info

B. Berupa text dan tabel sebagi informasi untuk pengguna tentang sistem pencarian association rules, parameter yang digunakan dan lainnya yang menyangkut pencarian association rules pada data lulusan mahasiswa

Pada tampilan awal pengguna sebagai admin, terdapat beberapa menu yaitu menu home, menu file dengan sub-menu input lulusan mahasiswa, daftar lulusan mahasiswa, dan parameter data, menu jumlah mahasiswa, dan menu kelola dengan sub-menu kelola pengguna. Rancangan tampilan awal pengguna sebagai admin dapat dilihat pada Gambar 3.21.

HEADER FOOTER PROSES Fakultas Minimum support v Minimum confidence Logout

Pencarian Association Rules

Menu 1 Menu 2 Menu 3 Menu 4 A

B

Gambar 3.21. Rancangan tampilan home pengguna sebagai admin Keterangan :

A. Menu home, menu file dengan sub-menu input lulusan mahasiswa, daftar lulusan mahasiswa, dan parameter data, menu jumlah mahasiswa, dan menu kelola dengan sub-menu kelola pengguna.

B. Form pencarian association rules, dimana pengguna dapat memilih fakultas yang akan diproses, serta memasukkan nilai minimum support dan minimum confidence sebagai patokan nilai untuk rules yang nantinya dihasilkan.

Rancangan tampilan halaman input lulusan mahasiswa dari sub-menu file dapat dilihat pada Gambar 3.22.

HEADER

FOOTER Input Data Lulusan Mahasiswa

Menu 2 NIM No. Alumni Nama Jenis Kelamin Tempat Lahir Tanggal Lahir Agama Kota Kode Pos Asal Sekolah Jenis Sekolah Fakultas Program Studi Jalur Masuk Bulan Tahun Laki-laki Perempuan A B

Keterangan :

A. Menu file dengan sub-menu input lulusan mahasiswa, daftar lulusan mahasiswa, dan parameter data.

B. Form input data lulusan mahasiswa, dimana pengguna harus menginput data seperti NIM, No.Alumni, Nama dan lainnya.

Rancangan tampilan halaman daftar lulusan mahasiswa dari sub-menu file dapat dilihat pada Gambar 3.23.

HEADER

FOOTER Menu 2

Lulusan Mahasiswa

B A

Gambar 3.23. Rancangan tampilan daftar lulusan mahasiswa Keterangan :

A. Menu file dengan sub-menu input lulusan mahasiswa, daftar lulusan mahasiswa, dan parameter data.

B. Tabel yang berisikan seluruh data lulusan mahasiswa

Rancangan tampilan halaman parameter data dari sub-menu file dapat dilihat pada Gambar 3.24.

HEADER

FOOTER

Jenis Sekolah

Menu 2

Jalur Masuk

C B A

Gambar 3.24. Rancangan tampilan parameter data Keterangan :

A. Menu file dengan sub-menu input lulusan mahasiswa, daftar lulusan mahasiswa, dan parameter data.

B. Tabel yang berisikan parameter yang digunakan pada sistem pencarian association rules.

Rancangan tampilan halaman jumlah mahasiswa dapat dilihat pada Gambar 3.25.

HEADER

FOOTER

Jumlah Mahasiswa

Menu 3

B A

Keterangan :

A. Menu jumlah mahasiswa

B. Tabel yang berisikan jumlah mahasiswa per fakultasnya, dan juga per parameter yang digunakan.

Rancangan tampilan halaman kelola pengguna dari sub-menu kelola dapat dilihat pada Gambar 3.26.

HEADER

FOOTER Simpan

Status Username Password Input Pengguna Menu 4

Admin User B

A

Gambar 3.26. Rancangan tampilan kelola pengguna Keterangan :

A. Menu kelola dengan sub-menu kelola pengguna

B. Form input pengguna, dimana admin dapat menginput pengguna baru sebagai admin maupun user dengan memilih status dan memasukkan username dan password pengguna baru.

IMPLEMENTASI DAN PENGUJIAN SISTEM

Pada bab ini akan dijelaskan tentang proses pengimplementasian association rules mining dengan algoritma FP-Growth pada sistem, sesuai dengan perancangan sistem yang telah dilakukan di Bab 3 serta melakukan pengujian sistem yang telah dibangun. 4.1. Implementasi Sistem

Tahap implementasi sistem merupakan proses pengubahan spesifikasi sistem menjadi sistem yang dapat dijalankan. Implementasi dan analisis dan perancangan sistem ini berbasis web dengan menggunakan bahasa pemrograman PHP.

4.1.1. Spesifikasi hardware dan software yang digunakan

Spesifikasi perangkat keras (hardware) dan perangkat lunak (software) yang digunakan dalam membangun sistem pencaian association rules ini adalah sebagai berikut.

1. Sistem operasi Windows 7 Home Premium 64-bit (6. 1, Build 7601).

2. Processor Intel(R) Core(TM) i7-3612QM CPU @ 2.10GHz (8 CPUs), ~2.1GHz. 3. Memory 4096MB RAM

4. Kapasitas hardisk 120 GB. 5. XAMPP versi 1.8.3-1 6. MySQL versi 5.6.16 7. Notepad ++

4.1.2. Implementasi Perancangan Antarmuka

Aplikasi data mining pada sistem pencarian association rules pada data lulusan mahasiswa menggunakan algoritma FP-Growth dapat dijalankan. Untuk menjalankannya, terlebih dahulu install XAMPP pada komputer (PC) atau laptop,

Pada Gambar 4.22, rules yang dihasilkan dari Fakultas Ekonomi adalah BGKM dengan saran yang dihasilkan sebagai berikut.

1. Fakultas dapat memberikan informasi atau menawarkan kepada calon mahasiswa yang berasal dari SMA/MA Negeri Luar Medan untuk memilih Fakultas Ekonomi.

2. Perguruan tinggi lebih membuka lebar kesempatan kepada calon mahasiswa dari jalur masuk SNMPTN untuk masuk Fakultas Ekonomi.

3. Fakultas Ekonomi dapat memberikan arahan kepada mahasiswa yang memiliki nilai IPK antara 3.00 s/d 3.49 untuk meningkatkan IPK dan arahan untuk mulai memikirkan serta mendalami materi yang akan diambil pada tugas akhir.

n. Fakultas Ilmu Sosial dan Politik

Dari hasil pencarian association rules pada Fakultas Ilmu Sosial dan Politik, didapat itemset BGKO dengan nilai support 8,08 dan nilai confidence 57,14 seperti pada Gambar 4.23.

Gambar 4.23. Hasil pencarian Fakultas Ilmu Sosial dan Politik

Pada Gambar 4.23, rules yang dihasilkan dari Fakultas Ilmu Sosial dan Politik adalah BGKO dengan saran yang dihasilkan sebagai berikut.

1. Fakultas dapat memberikan informasi atau menawarkan kepada calon mahasiswa yang berasal selain dari SMA/MA Negeri Luar Medan untuk memilih Fakultas Ilmu Sosial dan Politik.

72

2. Perguruan tinggi sedikit membuka lebar kesempatan kepada calon mahasiswa dari jalur masuk SNMPTN untuk masuk Fakultas Ilmu Sosial dan Politik. 3. Fakultas Ilmu Sosial dan Politik dapat memberikan arahan kepada mahasiswa

yang memiliki nilai IPK antara 3.00 s/d 3.49 untuk meningkatkan IPK dan arahan untuk mulai memikirkan serta mendalami materi yang akan diambil pada tugas akhir.

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Kesimpulan yang dapat diambil dari hasil proses pencarian association rules menggunakan algoritma FP-Growth antara lain:

1. Pencarian association rules menggunakan algoritma FP-Growth menghasilkan

association rules atau aturan asosiasi dengan menggunakan nilai minimum

support dan minimum confidence sebagai nilai acuan.

2. Kombinasi atribut yang sering muncul dan memiliki keterhubungan tinggi antar atribut pada seluruh fakultas yaitu jenis sekolah SMA/MA Negeri Luar Medan, jalur masuk SNMPTN, nilai IPK antara 3.00 s/d 3.49, dan lama studi > 4 Tahun. 3. Hampir seluruh fakultas memiliki tingkat kemunculan mahasiswa dengan lama

studi > 4 tahun yang tinggi selain Fakultas Kedokteran, Keperawatan, dan Ekonomi dengan tingkat kemunculan lama studi < 4 tahun yang tinggi.

4. Fakultas dapat melihat jenis sekolah mana yang dapat dijadikan tempat promosi, sehingga dapat menawarkan kepada calon mahasiswa yang berasal dari jenis sekolah tertentu untuk memilih fakultas tersebut.

5. Perguruan tinggi dapat melihat jalur masuk mana yang berpengaruh terhadap tingkat kelulusan sehingga dapat menentukan kuota calon mahasiswa yang akan diterima disetiap fakultas.

5.2. Saran

Beberapa saran penulis untuk peneliti selanjutnya yaitu :

1. Penelitian selanjutnya dapat melakukan prediksi lama studi seorang mahasiswa menggunakan metode prediksi dengan melihat hasil dari penelitian ini.

2. Penelitian selanjutnya dapat menambahkan parameter seperti nilai UN SMTA, jurusan SMTA, dan lainnya yang dapat menjadi faktor dari lama studi mahasiswa.

74

DAFTAR PUSTAKA

Agrawal R & Srikant R. 1994. Fast Algorithms for Mining Association Rules. Proceedings of the 20th International Conference on Very Large Data Bases

(VLDB), pp. 487-499.

Gea, D. 2011. Analisa Penerapan Optimalisasi Kinerja Website. Prosiding Seminar

Nasioanl Aplikasi Teknologi Informasi (SNATI 2011), pp. 1-5.

Guchi, N.M. 2013. Pengelompokan mahasiswa potensial drop out menggunakan metode clustering pada program strata 1 ilmu komputer dan teknologi informasi Universitas Sumatera Utara. Skripsi. Universitas Sumatera Utara.

Han, J. & Kamber, M. 2006.Data Mining: Concepts and Techniques. Second Edition.Elsevier: The United States of America.

Han, J., Pei, J., & Yin, Y. 2000. Mining Frequent Patterns without Candidate Generation. Proceedings of the ACM SIGMOD International Conference on

Management of Data, pp. 1-12.

Hartama, D. 2011. Model aturan keterhubungan data mahasiswa menggunakan algoritma C 4.5 untuk meningkatkan indeks prestasi. Tesis. Universitas Sumatera Utara.

Hermawati, F.A. 2009. Data Mining. Andi: Surabaya.

Huda, N.M. 2010. Aplikasi data mining untukmenampilkan informasi tingkat kelulusan mahasiswa. Skripsi.Universitas Diponegoro.

Hutasoit, A.W. 2010. Pencarian association rule terhadap data penjualan barang sebuah butik. Skripsi. Universitas Pembangunan Nasional “Veteran” Jakarta. Lubis, M.S. & Syahputra, M.F. 2011. Teknologi Pengembangan Aplikasi Web. USU

Pres: Medan.

Ma’ruf, F.A. 2013. Aplikasi data mining untuk mengetahui hubungan proses masuk dengan tingkat kelulusan mahasiswa (studikasus: STMIK AMIKOM Yogyakarta). Naskah Publikasi. Sekolah Tinggi Manajemen Informatika dan Komputer AMIKOM.

Prasetyo, E. 2008.Pemrograman Web PHP & MySQL.Cetakan Pertama. GrahaIlmu: Yogyakarta.

Ramdanie, A., Muflikhah, L., & Indriati. 2013. Penentuan kelayakan sertifikasi guru berdasarkan data keterkaitan NUPTIK menggunakan algoritma FP-Growth. Skripsi.Universitas Brawijaya.

Ruldeviyani Y & Fahrian M. 2008. Implementasi algoritma-algoritma association rules sebagai bagian dari pengembangan data mining algorithms collection.

Prosiding Konferensi Nasional Sistem dan Informatika (KNS&I), pp. 08-043.

Sakur, S.B. 2010. Php 5 Pemrograman Berorientasi Objek. Andi : Yogyakarta

Samuel, D. 2008. Penerapan stuktur FP-Tree danalgoritma FP-Growth dalam optimasi

penentuan frequent itemset. (Online).

http://informatika.stei.itb.ac.id/~rinaldi.munir/Matdis/2007/2008/Makalah/Maka lahIF2153-0708-006.pdf (2 April 2014).

Santosa, B.2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Cetakan Pertama. GrahaIlmu: Yogyakarta.

Shofia, M. &Sawaluddin. 2011. Modul Praktikum Bahasa Query.Modul. Universitas Sumatera Utara.

Siregar, A.S. 2011. Perancangan aplikasi penentu keterhubungan antara data mahasiswa dan masa studi dengan algoritma regresi linier berganda (studi kasus mahasiswa STT Harapan Medan). Tesis. Universitas Sumatera Utara.

Suteja, B.R., Prijono, A. &Agustaf, R. 2005. Mudah dan Cepat Menguasai

Pemrograman Web. Cetakan Kedua. Informatika: Bandung.

Tan, P-N., Steinbach, M. & Kumar, V. 2005. Introduction to DataMining. Addison-Wesley: United States.

Witten, I.H. & Frank, E. 2005.Data Mining Partical Machine Learning Tools and

Techniques. Second Edition. Elsevier: The United States of America.

Witten, I.H., Frank, E. & Hall, M.A. 2011.Data Mining Partical Machine Learning

76