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 saranarahan 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 Maruf 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
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
