Pembuatan Aplikasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma K-Nearest Neighborhood

PEMBUATAN APLIKASI DATA MINING UNTUK

MEMPREDIKSI MASA STUDI MAHASISWA

MENGGUNAKAN

ALGORITMA K-NEAREST NEIGHBORHOOD

(Studi Kasus Data Akademik Jurusan Teknik Komputer-S1 Universitas Komputer Indonesia)

Oleh:

Astrid Darmawan 10207104 Pembimbing:

Selvia Lorena Br. Ginting, M.T Wendi Zarman, M.Si

JURUSAN TEKNIK KOMPUTER

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

Pendahuluan

Latar Belakang

Maksud dan Tujuan

Batasan Masalah

Latar Belakang

4

Maksud:

•

Membuat perancangan aplikasi untuk

mengklasifikasi masa studi mahasiswa di

Jurusan

Teknik

Komputer

dengan

menggunakan

Algoritma

K-Nearest

Neighborhood.

Tujuan:

•

Untuk memprediksi tingkat kelulusan dan

persentase kelulusan mahasiswa di Jurusan

Teknik Komputer khususnya S1.

Batasan Masalah



Data yang digunakan hanya data Indeks Prestasi (IP)

mahasiswa jurusan Teknik Komputer Program Sarjana

(S1) dari semester 1 sampai semester 6.



Data yang digunakan telah dibersihkan secara manual

sebelum diproses

mining.



Visual Basic 6.0 sebagai aplikasi sistem antarmuka.



Pengolahan basis data menggunakan

database

Microsoft

Access 2007.



Data yang digunakan adalah data akademik mahasiswa

Dasar Teori

Data Mining

Klasifikasi

Algoritma Nearest

Neighborhood

Data Mining

Data mining

merupakan proses menemukan pengetahuan

yang baru dari data yang berjumlah besar yang disimpan di



Pengelompokan Data Mining

8

Data Mining

Predictive

Descriptive

Classification

(Klasifikasi)

Regression

(Regresi)

Time Series Analysis

_Clustering

Summarization

Association Rules

Klasifikasi

Klasifikasi: tugas pembelajaran sebuah fungsi target f yang

memetakan setiap himpunan atribut x ke salah satu

class

label

y yang telah didefinisikan sebelumnya.

Classification

model

Atribut Set (x)

Input

Output

Class

Label y

Gambar.2.2 Model Klasifikasi

Algoritma Nearest Neighborhood (NN)

10

Pendekatan untuk

mencari kasus dengan

menghitung kedekatan

antara kasus baru (

testing

data

) dengan kasus lama

(

training sample

).

Nearest-neighbor

1-NN, yaitu

pengklasifikasikan

dilakukan terhadap 1

labeled data

terdekat.

K-NN, yaitu

pengklasifikasikan

dilakukan terhadap k

labeled data

terdekat

dengan K>1.

Jenis

algoritma

Nearest-neighbor:

Ecludian Distance:

Algoritma K-Nearest Neighborhood (KNN)

Atribut

Data

Training

Atribut

Data

Testing

Mulai

Euclidian

Sorting

Selesai Cari K data

terdekat Tentukan K

Hasil Cari label mayoritas

Mulai

For I = 1 to n-1

Sorted=true

For j= 0 to (n-1)-i

A[j]>a[j+1]

Temp=a[j] A[j]=a[j+1] A[j+1]=Temp

Sorted=false

j

Sorted=true

i Ya

Tidak

Tidak

Ya

Perancangan

Aplikasi data mining yang dibuat terdiri dari dua data, yaitu:



_{Data Testing}

1.

NIM

2.

Indeks Prestasi (IP) mahasiswa dari semester satu sampai

enam.



Data Training

1.

NIM

2.

Indeks Prestasi (IP) mahasiswa dari semester satu sampai

enam.

3.

Keterangan (Kategori Kelulusan)

Data training memiliki kategori sebagai berikut:

Lulus Kategori

Lulus <= 5 Tahun Ya

Lulus > 5 Tahun Tidak

14

Perancangan Aplikasi Data Mining untuk 1 Data

Mahasiswa

Data Training Logo UNIKOM Hapus Kembali Keluar Cari Hitung Pilih Data Training

NIM Nilai K

Pilih Data Testing

Pilih Semester Semester 1&2 Semester 1,2,3 &4 Semester 1,2,3,4 & 6

IP Semester 1 IP Semester 2

IP Semester 3 IP Semester 4

IP Semester 5 IP Semester 6

Hasil Jarak Sebelum di sorting Hasil Jarak yang sudah di sorting

Jarak yang termasuk kelompok nilai K

Persentase Peluang Kelulusan

Hasil kategori

Hasil Kecocokan APLIKASI DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA

K-NEAREST NEIGHBORHOOD (STUDI KASUS DATA AKADEMIK JURUSAN TEKNIK KOMPUTER UNIVERSITAS KOMPUTER INDONESIA)

1 2 3 4 5 6 13 7 8 9 14 10 11 12 15 No Keterangan

1 Data Grid untuk menampilkan data training.

2 Pemilihan Tabeldatabase data testing

3 Option untuk memilih semester.

4 Button untuk mencari NIM.

5 Listbox untuk keluaran hasil perhitungan jarak

sebelum di sorting.

6 Listbox untuk keluaran hasil perhitungan jarak

setelah di sorting.

7 Listbox untuk kategori

8 Listbox untuk peluang kelulusan

9 Button untuk hitung jarak.

10 Button untuk keluar

11 Button untuk menghapus.

12 Button untuk kembali ke Form Utama.

13 Listbox untuk hasil kecocokan hasil data uji tehadap

data asli.

14 Listbox untuk hasil dari nilai K

15 Pemilihan Tabeldatabase data training

Perancangan Aplikasi Data Mining untuk 1

Database

Record data Logo UNIKOM Hapus Kembali Keluar Hitung Pilih Data Training Pilih Data Testing Pilih Semester 1&2

Semester 1,2,3 &4 Semester 1,2,3,4 & 6

Hasil Jarak Sebelum di sorting Hasil Jarak yang sudah di sorting

Jarak yang termasuk kelompok nilai K

Persentase Kelulusan

Persentase Tingkat Keberhasilan Sistem APLIKASI DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD (STUDI KASUS DATA AKADEMIK JURUSAN TEKNIK

KOMPUTER UNIVERSITAS KOMPUTER INDONESIA)

1 Peluang Kelulusan Nilai k 2 4 5

6 7 8

9 3 14 13 12 10 11 No Keterangan

1 Data Grid untuk menampilkan datatrainingdan data

testing.

2 Option untuk pemilihan semester .

3 combobox untuk memilih Tabel data testing.

4 List box untuk hasil jarak baru sebelum disorting

5 List box untuk menampilkan hasil jarak yang sudah

disorting.

6 Button untuk kembali ke form utama.

7 Button untuk menghapus.

8 Button untuk keluar dari aplikasi data mining.

9 Buttin untuk menghitung jarak

10 Listbox untuk keluaran hasil klasifikasi.

11 Listbox untuk hasil pengelompokan nilai K.

12 combobox untuk memilih Tabel data training.

13 Listbox untuk menampilkan persentase kecocokan data.

14 Listbox untuk menampilkan persentase prediksi

kelulusan.

Contoh Kasus

M

SEMESTER

Y=Klasifikasi X11 = 1 X12=2 X13=3 X14=4 X15=5 X16=6

1 3.94 4 4 4 3.89 3.58 Ya

2 1.68 1.84 1.53 2.32 2.88 2.69 Tidak

3 2.63 1.63 2.42 2.58 3 3.56 Tidak

4 3.21 3.42 3.84 2.79 3.6 3.75 Ya

5 3.11 3.58 3.35 3 3.11 3.21 Ya

6 2.68 2.79 3.16 2.95 3.23 3.68 Ya

7 2 1.53 2.11 2.16 2 1.88 Tidak

16

Tabel .1 data

training

M

SEMESTER

Y=Klasifikasi

X₂₁ = 1 X₂₂=2 X₂₃=3 X₂₄=4 X₂₅=5 X₂₆=6

1 2.95 2.76 2.32 1.8 2.75 2.87 ?

Tabel 3.6 Data Testing

Proses



Parameter yang dipakai adalah K=5



Menghitung kuadrat jarak

Euclid

(

query instance

)

masing-masing objek terhadap sampel data atau

training sample

yang diberikan dengan menggunakan rumus:



M=1

Tabel 3.7

Square Instance to Query Distance

20

M

SEMESTER

Square instance to query distance X₁₁ =1 X₁₂=2 X₁₃=3 X₁₄=4 X₁₅=5 X₁₆=6

1 3.94 4 4 4 3.89 3.58 3.46

2 1.68 1.84 1.53 2.32 2.88 2.69 1.84

3 2.63 1.63 2.42 2.58 3 3.56 1.59

4 3.21 3.42 3.84 2.79 3.6 3.75 2.3

5 3.11 3.58 3.35 3 3.11 3.21 1.86

6 2.68 2.79 3.16 2.95 3.23 3.68 1.73



_{Kemudian mengurutkan objek-objek tersebut ke dalam}

kelompok yang mempunyai jarak

Euclid

terkecil.

Tabel 3.8 Mengurutkan Objek ke dalam Kelompok ke Jarak Euclid Terkecil

m

SEMESTER

Square instance to query distance

Jarak terkecil

Apakah termasuk

nearest-neighbor

(k) X11 = 1 X12=2 X13=3 X14=4 X15=5 X16=6

1 3.94 4 4 4 3.89 3.58 3.46 7

-2 1.68 1.84 1.53 2.32 2.88 2.69 1.84 3 Ya

3 2.63 1.63 2.42 2.58 3 3.56 1.59 1 Ya

4 3.21 3.42 3.84 2.79 3.6 3.75 2.3 6

-5 3.11 3.58 3.35 3 3.11 3.21 1.86 4 Ya



_{Mengumpulkan label}

_class

_{Y (klasifikasi}

_nearest

neighbor

).

Tabel 3.9 Label Class Y

22

M

SEMESTER

Square instance to query distance

Jarak terkecil

Apakah termasuk

nearest-neighbor

(k)

Y=Klasifikasi

X₁₁ =1 X₁₂=2 X₁₃=3 X₁₄=4 X₁₅=5 X₁₆=6

1 3.94 4 4 4 3.89 3.58 3.46 7 - Ya

2 1.68 1.84 1.53 2.32 2.88 2.69 1.84 3 Ya Tidak

3 2.63 1.63 2.42 2.58 3 3.56 1.59 1 Ya Tidak

4 3.21 3.42 3.84 2.79 3.6 3.75 2.3 6 - Ya

5 3.11 3.58 3.35 3 3.11 3.21 1.86 4 Ya Ya

6 2.68 2.79 3.16 2.95 3.23 3.68 1.73 2 Ya Ya



_{Mencari Mayoritas Kategori}

m

SEMESTER

Square instance to

query distance

Jarak terkecil

Apakah termasuk

nearest-neighbor (k)

Y=Klasifikasi

X₁₁ =1 X₁₂=2 X₁₃=3 X₁₄=4 X₁₅=5 X₁₆=6

1 3.94 4 4 4 3.89 3.58 3.46 7 - Ya

2 1.68 1.84 1.53 2.32 2.88 2.69 1.84 3 Ya Tidak

3 2.63 1.63 2.42 2.58 3 3.56 1.59 1 Ya Tidak

4 3.21 3.42 3.84 2.79 3.6 3.75 2.3 6 - Ya

5 3.11 3.58 3.35 3 3.11 3.21 1.86 4 Ya Ya

6 2.68 2.79 3.16 2.95 3.23 3.68 1.73 2 Ya Ya

7 2 1.53 2.11 2.16 2 1.88 2.03 5 Ya Tidak

Ya=2

Tidak=3

Jadi, Data Testing tersebut termasuk kategori Lulus > 5

Tabel 6 Hasil Akhir

PENGUJIAN



Pengujian terdiri dari 2 proses yaitu:

1.

Pengujian 1

database

mahasiswa (data

training = 30

)

2.

Pengujian 1

database

mahasiswa (data

training = 61

)

Masing-masing proses pengujian tersebut menggunakan Indeks Prestasi

(IP)

1.

Dua semester (semester 1 dan 2),

2.

Empat semester (semester 1-4) dan

3.

Enam semester (semester 1-6)

Menggunakan nilai k yang berbeda.

Untuk mengetahui tingkat keberhasilan pada sistem ini maka penulis

menggunakan rumus:

26

Kesimpulan

4. Untuk menggunakan data training yang berjumlah 30

data dengan menguji data testing berjumlah 60 data, maka didapatkan nilai k yang terbaik untuk

memprediksi masa studi mahasiswa yaitu sebagai berikut:

• Untuk dua semester yaitu nilai k yang terbaik untuk memprediksi masa studi mahasiswa adalah nilai k=10 dengan tingkat keberhasilan 80%.

• Untuk empat semester, nilai k yang terbaik untuk memprediksi masa studi mahasiswa adalah nilai k=30 dengan tingkat keberhasilan 78.33%.

• Untuk enam semester, nilai k yang terbaik untuk memprediksi masa studi mahasiswa adalah nilai k=20 dan k=30 dengan tingkat keberhasilan 85%.

5. Setelah melakukan pengujian dengan melakukan

perubahan pada nilai k, maka akan menghasilkan prediksi kelulusan yang bervariasi.

6. Nilai k yang terbaik juga tergantung pada jumlah data

yang digunakan. Ukuran nilai k yang besar

untukmemprediksi masa studi mahasiswa belum tentu menjadi nilai k yang terbaik dengan tingkat

keberhasilan yang tinggi begitupun juga sebaliknya. 1. Aplikasi data mining ini telah berhasil membuat

aplikasi yang dapat memprediksi masa studi mahasiswa menggunakan algoritma k-nearest neighborhood yang akan diterapkan di Jurusan Teknik Komputer.

2. Aplikasi data mining ini dapat memprediksi dengan menggunakan 1 data mahaisawa atau 1 database

mahasiswa.

3. Untuk menggunakan data training yang berjumlah 30 data dengan menguji data testing berjumlah 60 data, maka didapatkan nilai k yang terbaik untuk memprediksi masa studi mahasiswa yaitu sebagai berikut:

• Untuk dua semester yaitu nilai k yang terbaik untuk digunakan memprediksi studi mahasiswa adalah nilai k=10 dengan tingkat keberhasilan 81.66%.

• Untuk empat semester yaitu nilai k yang terbaik untuk digunakan memprediksi studi mahasiswa adalah nilai k=10 dengan tingkat keberhasilan 76.66%.

• Untuk enam semester yaitu nilai k=10merupakan nilai k yang terbaik untuk digunakan memprediksi masa studi mahasiswa dengan tingkat keberhasilan 81.66%.

SARAN



Aplikasi

data mining

ini dapat dibuat

dengan menggunakan jaringan LAN

sehingga nanti tidak hanya digunakan

oleh satu

pengguna

di satu tempat saja

tetapi dapat digunakan oleh banyak

pengguna (para dosen dan pihak

jurusan ) di tempat yang berbeda.



Aplikasi

data mining

ini belum

memperhitungkan faktor luar yang

terjadi

pada

mahasiswa

tersebut

sehingga mahasiswa tersebut tidak

lulus tepat waktu. Faktor luar tersebut

dapat menjadi sebuah parameter baru

dalam aplikasi ini.

28



Kasus ini dapat diterapkan dengan

menggunakan metode algoritma

data

mining

yang lainnya, misalnya ID3.



Penulis juga menyarankan agar

aplikasi

data mining

ini dapat

diterapkan menggunakan teknik data

warehouse,

sehingga tidak hanya

menggunakan data akademik 1

jurusan

saja

tetapi

dapat

menggunakan banyak data akademik

dari jurusan lain

.

PEMBUATAN APLIKASI DATA MINING

UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD

TUGAS AKHIR

Disusun untuk memenuhi syarat kelulusan pada

Program Studi Sistem Komputer Strata Satu di Jurusan Teknik Komputer

Oleh

ASTRID DARMAWAN 10207104

Pembimbing

Selvia Lorena Br Ginting, M.T Wendi Zarman, M.Si

JURUSAN TEKNIK KOMPUTER

FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS KOMPUTER INDONESIA

BANDUNG 2012

vi

ABSTRAK

Data mining merupakan serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu database. Data mining juga memanfaatkan pengalaman atau bahkan kesalahan di masa lalu untuk meningkatkan kualitas dari model maupun hasil analisanya, salah satunya dengan kemampuan pembelajaran yang dimiliki teknik data mining yaitu klasifikasi. Klasifikasi merupakan tugas pembelajaran yang memetakan sebuah objek baru ke dalam salah satu label class atau kategori pada objek lama yang telah didefinisikan sebelumnya. Klasifikasi ini menggunakan salah satu metode algoritma data mining yaitu k-Nearest Neighborhood (k-NN). Algoritma k-NN bekerja berdasarkan jarak terpendek antara dua objek dengan menentukan nilai k. Nilai k merupakan parameter untuk menentukan jarak terdekat antara objek baru terhadap objek lama. Dengan menggunakan teknik data mining tersebut maka di perguruan tinggi dapat memanfaatkan data akademik mahasiswa yaitu Indeks Prestasi (IP) untuk memprediksi masa studi mahasiswa. Dalam aplikasi data mining ini terdiri dari data testing dan data training dengan inputan NIM dan nilai k. Nilai k yang terbaik, tergantung pada jumlah data yang digunakan. Ukuran nilai k yang besar untuk memprediksi masa studi mahasiswa belum tentu menjadi nilai k yang terbaik dengan tingkat keberhasilan yang tinggi begitupun juga sebaliknya. Sehingga diharapkan hasil akhir dari aplikasi data mining ini dapat menghasilkan prediksi masa studi mahasiswa.

vii

ABSTRACT

Data mining is a set of processes to explore the added value of information that has not known manually from a database. Data mining also take advantage of the experience or even mistakes in the past to enhance the quality of models and analysis results. One of them with learning capabilities possessed by data mining techniques called as classification. Classification is a learning task, mapping a new object into one class or category label on old objects that have been defined previously. This classification using one of the method of data mining algorithms, that is k-Nearest Neighborhood (k-NN). k-NN algorithm works based on the shortest distance between two objects to determine the value of k. The k-value is a parameter to determine the shortest distance between a new object to the old object. By using these data mining techniques then college can utilize student's academic data, that is performance index (IP) to predict the student's study periode. In this data mining application consists of the testing data and training data with the input of NIM and the k-value. The best k-values, depends on the number of used data. A large k-value to predict the student's study periode may not necessarily be the best k value with a high success rate and otherwise. So it is expected the result of this data mining applications can generate predictions of the student's study periode.

iv

KATA PENGANTAR

Segala puji bagi Allah SWT., Pencipta dan Pemelihara alam semesta, shalawat serta salam semoga terlimpah bagi Muhammad SAW., keluarga dan para pengikutnya yang setia hingga akhir masa.

Atas rahmat Allah SWT., akhirnya Penulis dapat menyelesaikan Tugas Akhir ini, meskipun proses belajar sesungguhnya tak akan pernah berhenti. Tugas Akhir ini sesungguhnya bukanlah sebuah kerja individual dan akan sulit terlaksana tanpa bantuan banyak pihak yang tak mungkin Penulis sebutkan satu persatu, namun dengan segala kerendahan hati, Penulis mengucapkan terima kasih kepada

1. Kedua orang tua, adik dan keluarga besar tercinta yang senantiasa tidak

henti-hentinya mencurahkan cinta, kasih sayang, perhatian, nasihat, serta motivasi kepada penulis selama studi.

2. Ibu Sri Nurhayati, M.Si., selaku Ketua Jurusan Teknik Komputer,

Universitas Komputer Indonesia dan Dosen Wali kelas 07 TK-3.

3. Ibu Selvia Lorena Br. Ginting, M.T., selaku Pembimbing I yang telah

banyak memberikan arahan, saran, nasihat, motivasi dan bimbingan kepada Penulis selama menempuh studi.

4. Bapak Wendi Zarman, M.Si., selaku Pembimbing II dan Koordinator Lab.

Fisika yang telah memberikan arahan, bantuan, saran, nasihat, motivasi dan bimbingan kepada penulis.

5. Bapak dan Ibu seluruh staff dosen Jurusan Teknik Komputer dan yang

pernah mengajar penulis serta seluruh Staff Administrasi Universitas Komputer Indonesia, yang telah banyak memberikan ilmu, motivasi dan bantuan kepada penulis.

6. Keluarga besar Laboratorium Fisika serta seluruh Asisten Laboratorium

Jurusan Teknik Komputer, terima kasih atas motivasi, saran, kerjasamanya dan bantuannya selama ini.

7. Teman–teman angkatan 2007 yang telah banyak membantu selama studi

v

8. Semua pihak yang telah banyak membantu yang tidak dapat penulis

sebutkan satu persatu, terima kasih banyak atas bantuan, dukungan dan motivasinya selama melaksanakan studi dan menyelesaikan Tugas Akhir ini.

Akhirnya, Penulis berharap semoga tugas akhir ini menjadi sumbangsih yang bermanfaat bagi dunia sains dan teknologi di Indonesia, khususnya disiplin keilmuan yang Penulis dalami.

Bandung, Agustus 2012

viii

DAFTAR ISI

KATA PENGANTAR...iv ABSTRAK ... vi ABSTRACT ... vii DAFTAR ISI ... viii DAFTAR TABEL ... x DAFTAR GAMBAR ... xii DAFTAR LAMPIRAN ... xiv BAB I ... 1 PENDAHULUAN ... 1

PENDAHULUAN ... 1 1.2 Maksud dan Tujuan ... 2 1.3 Batasan Masalah ... 2 1.4 Metode Penelitian ... 3 1.5 Sistematika Penulisan ... 4

BAB II ... 5 DASAR TEORI ... 5

2.1 Data mining ... 5 2.1.1 Pengelompokan Data mining ... 6 2.2 Klasifikasi ... 7 2.3 Algoritma Nearest Neighborhood ... 7 2.3.1 Algoritma k-Nearest Neighborhood (k-NN) ... 8 2.4 Diagram Konteks ... 9 2.4.1 DFD (Data Flow Diagram) ... 9 2.5 Software Pendukung ... 10 2.5.1 Visual Basic 6.0 ... 10 2.5.2 Microsoft Access 2007 ... 15

BAB III ... 17 PERANCANGAN ... 17

ix

3.2 Analisis Data ... 17 3.3 Penggunaan Algoritma k-Nearest Neighborhood (k-NN) ... 23 3.3.1 Analisis Kebutuhan Fungsional ... 30 3.4 Perancangan Sistem ... 47 3.4.1 Perancangan Data ... 47 3.4.2 Arsitektur Antarmuka ... 49 3.4.3 Perancangan Antarmuka ... 49 3.4.4 Flowchart ... 56

BAB IV ... 58 BAB IV ... 58

4.1 Implementasi ... 58 4.1.1 Lingkungan Implementasi ... 58 4.1.2 Implementasi Antarmuka ... 59 4.2 Pengujian ... 63 4.2.1 Pengujian Sistem ... 63

BAB V ... 77 SIMPULAN DAN SARAN ... 77

5.1 Simpulan ... 77 5.2 Saran ... 78

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pertumbuhan yang pesat dari pertambahan data akademik atau informasi telah menciptakan kondisi dimana suatu perguruan tinggi memiliki tumpukan data yang banyak. Namun pada saat ini, tumpukan data tersebut banyak yang belum dimanfaatkan secara maksimal bahkan tidak terpakai. Padahal tumpukan data tersebut dapat menjadi sebuah informasi yang bermanfaat dengan menggunakan

suatu teknik yaitu teknik data mining. Data mining adalah serangkaian proses

untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui

secara manual dari suatu database. Penggunaan teknik data mining pada

perguruan tinggi dapat berguna mengolah dan menyebarkan informasi untuk menunjang kegiatan operasional sehari-hari sekaligus menunjang kegiatan pengambilan keputusan strategis.

Dengan adanya tumpukan data di perguruan tinggi yang tidak digunakan, maka dimanfaatkan tumpukan data tersebut untuk mencari informasi baru. Tumpukan data yang digunakan merupakan data akademik di Jurusan Teknik Komputer UNIKOM, yaitu data IP (Indeks Prestasi) mahasiswa dari semester satu sampai semester enam khususnya Program Sarjana (S1) dengan menggunakan

salah satu teknik data mining yaitu metode klasifikasi menggunakan algoritma

k-Nearest Neighborhood dengan harapan dapat menemukan informasi tingkat

kelulusan dan persentase kelulusan mahasiswa sehinga dapat digunakan oleh pihak Jurusan untuk mencari solusi atau kebijakan dalam proses evaluasi pembelajaran di Jurusan Teknik Komputer.

2

1.2 Maksud dan Tujuan

Maksud dari tugas akhir ini adalah membuat perancangan aplikasi untuk mengklasifikasi masa studi mahasiswa di Jurusan Teknik Komputer dengan

menggunakan Algoritma k-Nearest Neighborhood. Sehingga diharapkan dapat

bermanfaat bagi pihak Jurusan dan dosen di Teknik Komputer.

Tujuan yang akan dicapai melalui pembuatan tugas akhir ini, yaitu aplikasi

data mining ini dapat memprediksi masa studi mahasiswa sehingga dapat

mengetahui tingkat kelulusan dan persentase kelulusan mahasiswa di Jurusan Teknik Komputer.

1.3 Batasan Masalah

Pada tugas akhir ini terdapat beberapa batasan masalah agar hasil dari tugas akhir ini sesuai dengan tujuan. Adapaun beberapa batasan masalah pada tugas akhir ini, yaitu:

1. Studi Kasus tugas akhir ini yaitu data akademik Jurusan Teknik

Komputer-S1 di Universitas Komputer Indonesia.

2. Data yang digunakan adalah data akademik mahasiswa Jurusan Teknik

Komputer tahun 2001-2006.

3. Data yang digunakan hanya data Indeks Prestasi (IP) mahasiswa Jurusan

Teknik Komputer Program Sarjana (S1) dari semester satu sampai semester enam.

4. Data yang digunakan telah dibersihkan secara manual sebelum diproses

mining. Data yang tidak lengkap nilai Indeks Prestasinya tidak akan

digunakan atau dihapus data record-nya.

5. Visual Basic 6.0 sebagai aplikasi sistem antarmuka.

3

1.4 Metode Penelitian

Dalam penyusunan Tugas Akhir ini digunakan beberapa teknik, yaitu sebagai berikut:

1. Pengambilan Data

Melakukan pengambilan data ke bagian Akademik Jurusan Teknik Komputer untuk mendapatkan data yang dibutuhkan.

2. Studi Pustaka

Merupakan sumber yang dapat dijadikan rujukan dari sumber data atau literatur-literatur, yaitu dengan membaca dan mempelajari buku-buku, karya ilmiah dan sumber-sumber lainnya yang mendukung tugas akhir ini.

3. Perancangan Perangkat Lunak

Melakukan perancangan terhadap perangkat lunak yang akan

dikembangkan.

4. Implementasi

Melakukan implementasi terhadap perangkat lunak yang akan dikembangkan beradasarkan hasil yang diperoleh dari perancangan.

5. Pengujian

Melakukan pengujian perangkat lunak dengan menggunakan studi kasus yang telah ditentukan.

6. Evaluasi

Mengevaluasi hasil konstruksi perangkat lunak yang dikembangkan.

7. Bimbingan dan Diskusi.

Mengadakan bimbingan dengan dosen pembimbing serta berdiskusi dengan sesama rekan mahasiswa.

4

1.5 Sistematika Penulisan

Sistematika dari penulisan tugas akhir ini dibagi menjadi lima bab pembahasan yaitu sebagai berikut:

BAB I PENDAHULUAN

Pada bab ini akan dijelaskan mengenai latar belakang permasalahan, rumusan masalah, maksud dan tujuan, batasan masalah, metode penelitian dan sistematika penulisan.

BAB II DASAR TEORI

Pada bab ini akan dijelaskan mengenai dasar-dasar teori, rujukan dan metode yang berhubungan dengan judul.

BAB III PERANCANGAN

Pada bab ini akan membahas tentang perancangan sistem aplikasi data

mining.

BAB IV HASIL DAN PEMBAHASAN

Pada bab ini berisi pengujian dan pembahasan tentang implementasi dari

penerapan teknik data mining serta validasi aplikasi yang penulis buat.

BAB V SIMPULAN DAN SARAN

Bab ini berisi tentang kesimpulan dari pembuatan aplikasi data mining masa

studi mahasiswa menggunakan algoritma k-nearest neighborhood dan berisi

5

BAB II

DASAR TEORI

Bab ini menjelaskan tentang dasar teori yang digunakan dalam penyusunan

tugas akhir ini, yaitu tentang pengertian data mining, pengelompokan data

mining, metode klasifikasi dan penjelasan algoritma yang digunakan, yaitu

k-Nearest Neighborhood.

2.1 Data Mining

Data mining merupakan proses menemukan pengetahuan yang menarik dari

data yang berjumlah besar yang disimpan di dalam database, gudang data atau

repositori informasi [1]. Data mining juga disebut sebagai serangkaian proses

untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data (Pramudiono, 2007).

Secara umum, data mining dapat melakukan dua hal yaitu memberikan

kesempatan untuk menemukan informasi menarik yang tidak terduga dan juga bisa menangani data berskala besar. Dalam menemukan informasi yang menarik

ini, ciri khas data mining adalah kemampuan pencarian secara hampir otomatis,

karena dalam banyak teknik data mining ada beberapa parameter yang masih

harus ditentukan secara manual atau semi manual. Data mining juga dapat

memanfaatkan pengalaman atau bahkan kesalahan di masa lalu untuk meningkatkan kualitas dari model maupun hasil analisanya, salah satunya dengan

kemampuan pembelajaran yang dimiliki beberapa teknik data mining seperti

6

2.1.1 Pengelompokan Data Mining

Data Mining

Predictive

Descriptive

Classification

Regression

Time Series Analysis

_Clustering

Summarization

Association Rules

Sequence Discovery

Gambar 2.1 Pengelompokan Data Mining

Secara umum, data mining terbagi dalam 2 sifat, yaitu:

1. Predictive: menghasilkan modal berdasarkan sekumpulan data yang dapat

digunakan untuk memperkirakan nilai data yang lain. Metode-metode yang

termasuk predictive data mining adalah:

a. Classification: pembagian data kedalam beberapa kelompok yang telah

ditentukan sebelumya.

b. Regression: memetakan data ke suatu prediction variable.

c. Time Series Analysis: pengamatan perubahan nilai atribut dari waktu ke

waktu.

2. Descriptive: mengidentifikasikan pola atau hubungan dalam data untuk

menghasilkan informasi baru. Metode yang termasuk dalam descriptive data

mining adalah:

a. Clustering: identifikasi hubungan antara data yang satu dengan lainnya.

b. Association Rules: identifikasi hubungan antara data yang satu dengan

7

c. Summarization: pemetaan data ke dalam subset dengan deskripsi

sederhana.

d. Sequence Discovery: identifikasi pola sekuensial dalam data.

2.2 Klasifikasi

Klasifikasi adalah tugas pembelajaran sebuah fungsi target f yang

memetakan setiap himpunan atribut x ke salah satu label class y yang telah

didefinisikan sebelumnya [1]. Klasifikasi dapat juga diartikan suatu proses untuk menemukan suatu model atau fungsi yang menggambarkan dan membedakan kelas data atau konsep dengan tujuan dapat menggunakan model untuk

memprediksi kelas objek yang label class-nya tidak diketahui.

Classification model Atribut Set (x)

Input Output

Class Label y

Gambar 2.2 Model Klasifikasi

Data input untuk klasifikasi adalah isi dari record. Setiap record dikenal

sebagai instance atau contoh, yang ditentukan oleh sebuah tuple (x, y), dimana x

adalah himpunan atribut dan y adalah atribut tertentu, yang dinyatakan sebagai

label class (juga dikenal sebagai kategori atau atribut target).

Pendekatan umum yang digunakan dalam masalah klasifikasi adalah

pertama, training data berisi record yang mempunyai label class yang telah

diketahui. Training data digunakan untuk membangun model klasifikasi yang

kemudian diaplikasikan ke testing data yang berisi record-record dengan label

class yang tidak diketahui.

2.3 Algoritma Nearest Neighborhood

Algoritma Nearest Neighborhood adalah pendekatan untuk mencari kasus

8

(training data), yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang

ada.

Jenis algoritma Nearest Neighborhood ada 2, yaitu:

1. 1-NN, yaitu pengklasifikasikan dilakukan terhadap 1 labeled data

terdekat.

2. k-NN, yaitu pengklasifikasikan dilakukan terhadap klabeled data terdekat

dengan k>1.

Penulis akan menggunakan algoritma k-Nearest Neighborhood dalam tugas

akhir ini.

2.3.1 Algoritma k-Nearest Neighborhood (k-NN)

k-Nearest Neighborhood (k-NN) adalah suatu metode yang menggunakan

algoritma supervised dimana hasil dari query instance yang baru diklasifikasikan

berdasarkan mayoritas dari label class pada k-NN. Tujuan dari algoritma k-NN

adalah mengklasifikasikan objek baru berdasarkan atribut dan training data.

Algoritma k-NN bekerja berdasarkan jarak terpendek dari query instance ke

training data untuk menentukan k-NN-nya. Salah satu cara untuk menghitung

jarak dekat atau jauhnya tetangga menggunakan metode euclidian distance.

Ecludian Distance sering digunakan untuk menghitung jarak. Euclidian

Distance berfungsi menguji ukuran yang bisa digunakan sebagai interpretasi

kedekatan jarak antara dua obyek, di bawah ini merupakan rumus Ecludian

Distance:

(2.1) Dimana,

Xik = nilai X pada training data

Xjk = nilai X pada testing data

m = batas jumlah banyaknya data

Jika hasil nilai dari rumus di atas besar maka akan semakin jauh tingkat keserupaan antara kedua objek dan sebaliknya jika hasil nilainya semakin kecil

9

maka akan semakin dekat tingkat keserupaan antar objek tersebut. Objek yang

dimaksud adalah training data dan testing data.

Dalam algoritma ini, nilai k yang terbaik itu tergantung pada jumlah data.

Ukuran nilai k yang besar belum tentu menjadi nilai k yang terbaik begitupun juga

sebaliknya.

Langkah-langkah untuk menghitung algoritma k-NN:

1. Menentukan nilai k.

2. Menghitung kuadrat jarak euclid (query instance) masing-masing objek

terhadap training data yang diberikan.

3. Kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang

mempunyai jarak euclid terkecil.

4. Mengumpulkan label class Y (klasifikasi Nearest Neighborhood).

5. Dengan menggunakan kategori Nearest Neighborhood yang paling

mayoritas maka dapat dipredeksikan nilai query instance yang telah

dihitung.

2.4 Diagram Konteks

Diagram konteks adalah kasus khusus DFD (bagian dari DFD yang berfungsi memetakan model lingkungan), yang dipresentasikan dengan lingkaran tunggal yang mewakili keseluruhan sistem [6]. Diagram konteks merupakan salah satu alat bantu dalam melakukan analisis terstruktur. Diagram konteks ini menggambarkan suatu sistem secara garis besarnya atau keseluruhannya saja. Dalam diagram konteks juga digambarkan entitas eksternal yang merupakan

brainware yang menghasilkan data yang akan diolah oleh sistem maupun tujuan

dari informasi yang dihasilkan oleh sistem.

2.4.1 DFD (Data Flow Diagram)

DFD (Data Flow Diagram) merupakan model yang menggambarkan sistem

10

dan penyimpanan data [6]. DFD adalah penjelasan lebih rinci dari diagram konteks dan proses fungsional yang ada dalam sistem. DFD menjelaskan tentang aliran masuk, aliran keluar, proses serta penyuntingan file yang digunakan.

Ada 4 komponen dalam model DFD ini, yaitu: Tabel 2.1 Komponen dalam DFD

Simbol Keterangan

Proses, menunjukkan transformasi dari masukan menjadi keluaran.

Aliran, komponen ini dipresentasikan dengan menggunakan panah yang menuju kea tau dari proses. Digunakan untuk menggambarkan gerakan paket data atau informasi dari satu bagian ke bagian lain dari sistem dimana penyimpanan mewakili lokasi penyimpanan data.

Nama penyimpanan Penyimpanan, komponen ini digunakan untuk

memodelkan kumpulan data atau paket data.

Terminator, komponen berikut ini dipresentasikan menggunakan persegi panjang, yang mewakili entity luar dimana sistem berkomunikasi.

Keuntungan menggunakan DFD adalah memudahkan pengguna yang kurang atau menguasai bidang komputer untuk mengerti sistem yang akan dikerjakan atau dikembangkan.

2.5 Software Pendukung

2.5.1 Visual Basic 6.0

Visual basic 6.0 selain disebut sebagai bahasa pemrograman, juga sering

disebut sebagai sarana untuk menghasilkan program-program aplikasi berbasiskan

Windows. Visual basic pada dasarnya adalah bahasa pemrograman komputer.

Bahasa pemrograman adalah perintah-perintah atau instruksi-instruksi yang

dimengerti oleh komputer untuk melakukan tugas-tugas tertentu. Visual basic

11

dari pendahulunya yaitu bahasa pemrograman BASIC (Baginners All-purpose

Symbolic Instruction Code) yang dikembangkan pada era 1950-an. Beberapa

kemampuan atau manfaat dari visual basic diantaranya:

1. Untuk membuat program aplikasi seperti Windows.

2. Untuk membuat objek-objek pembantu program seperti misalnya: kontrol

activeX, file help, aplikasi internet, dan sebagainya.

3. Menguji program (debugging) dan menghasilkan program EXE yang

bersifat executable, atau dapat langsung dijalankan.

Langkah awal dari belajar Visual Basic adalah mengenal IDE (Integrated

Developement Environment) Visual Basic yang merupakan lingkungan

pengembangan terpadu bagi programmer dalam mengembangkan aplikasinya.

Dengan menggunakan IDE programmer dapat membuat user interface,

melakukan koding, melakukan testing dan debuging serta menkompilasi program

menjadi executable. Penguasaan yang baik akan IDE akan sangat membantu

programmer dalam mengefektifkan tugas-tugasnya sehingga dapat bekerja dengan efisien.

1. Memilih jenis Project

12

2. Jendela IDE

IDE Visual Basic 6.0 menggunakan model MDI (Multiple Document Interface).

Berikut ini adalah gambar yang menunjukan bagian-bagian dan nama-nama

jendela yang dapat tampil pada IDE Visual Basic.

Gambar 2.4 Jendela IDE

Adapun jendela-jendela yang biasa digunakan adalah sebagai berikut:

 Menu Bar, digunakan untuk memilih tugas-tugas tertentu seperti

menyimpan project, membuka project, dll

 Main Toolbar, digunakan untuk melakukan tugas-tugas tertentu dengan

13

 Jendela Project, jendela ini berisi gambaran dari semua modul yang

terdapat dalam aplikasi anda. Anda dapat menggunakan icon Toggle

Folders untuk menampilkan modul-modul dalam jendela tersebut secara di

group atau berurut berdasarkan nama. Anda dapat menggunakan Ctrl+R

untuk menampilkan jendela project, ataupun menggunakan icon Project

Explorer.

 Jendela Form Designer, jendela ini merupakan tempat anda untuk

merancang user interface dari aplikasi anda. Jadi jendela ini menyerupai

kanvas bagi seorang pelukis.

 Jendela Toolbox, jendela ini berisi komponen-komponen yang dapat anda

gunakan untuk mengembangkan user interface.

 Jendela Code, merupakan tempat bagi anda untuk menulis koding. Anda

dapat menampilkan jendela ini dengan menggunakan kombinasi Shift-F7.

 Jendela Properties, merupakan daftar properti-properti objek yang sedang

terpilih. Sebagai contohnya anda dapat mengubah warna tulisan

(foreground) dan warna latar belakang (background). Anda dapat

menggunakan F4 untuk menampilkan jendela properti.

 Jendela Color Palette, adalah fasilitas cepat untuk mengubah warna suatu

objek.

 Jendela Form Layout, akan menunjukan bagaimana form bersangkutan

14

3. Toolbox

Gambar 2.5 Toolbox

Adapun secara garis besar fungsi dari masing-masing intrinsic kontrol tersebut

adalah sebagai berikut:

 Pointer bukan merupakan suatu kontrol; gunakan icon ini ketika anda

ingin memilih kontrol yang sudah berada pada form.

 PictureBox adalah kontrol yang digunakan untuk menampilkan image

dengan format: BMP, DIB (bitmap), ICO (icon), CUR (cursor), WMF

(metafile), EMF (enhanced metafile), GIF, dan JPEG.

 Label adalah kontrol yang digunakan untuk menampilkan teks yang tidak

dapat diperbaiki oleh pemakai.

 TextBox adalah kontrol yang mengandung string yang dapat diperbaiki

oleh pemakai, dapat berupa satu baris tunggal, atau banyak baris.

 Frame adalah kontrol yang digunakan sebagai kontainer bagi kontrol

15

 CommandButton merupakan kontrol hampir ditemukan pada setiap form,

dan digunakan untuk membangkitkan event proses tertentu ketika pemakai

melakukan klik padanya.

 CheckBox digunakan untuk pilihan yang isinya bernilai yes/no, true/false.

 OptionButton sering digunakan lebih dari satu sebagai pilihan terhadap

beberapa option yang hanya dapat dipilih satu.

 ListBox mengandung sejumlah item, dan user dapat memilih lebih dari

satu (bergantung pada propertyMultiSelect).

 ComboBox merupakan konbinasi dari TextBox dan suatu ListBox dimana

pemasukkan data dapat dilakukan dengan pengetikkan maupun pemilihan.

 HScrollBar dan VScrollBar digunakan untuk membentuk scrollbar berdiri

sendiri.

 Timer digunakan untuk proses background yang diaktifkan berdasarkan

interval waktu tertentu. Merupakan kontrol non-visual.

 DriveListBox, DirListBox, dan FileListBox sering digunakan untuk

membentuk dialog box yang berkaitan dengan file.

 Shape dan Line digunakan untuk menampilkan bentuk seperti garis,

persegi, bulatan, oval.

 Image berfungsi menyerupai image box, tetapi tidak dapat digunakan

sebagai kontainer bagi kontrol lainnya. Sesuatu yang perlu diketahui

bahwa kontrol image menggunakan resource yang lebih kecil

dibandingkan dengan PictureBox

 Data digunakan untuk data binding

 OLE dapat digunakan sebagai tempat bagi program eksternal seperti

Microsoft Excel, Word, dll.

2.5.2 Microsoft Access 2007

Microsoft Access adalah suatu program Microsoft Office pengolahan

database. Para pengguna Microsoft Access umumnya menggunakan program

16

fasilitas yang bisa digunakan untuk membuat laporan dalam bentuk tabel, query,

maupun reportdatabase secara maksimal.

Jenis-jenis Query:

1. Select queries.

Query ini menampilkan ekstrak data atau seluruh data. Data yang

ditampilkan bias dipilih sesuai kriteria tertentu. Selain itu, bisa

menampilkan field hasil perhitungan dengan formula tertentu.

2. Action queries.

Query ini digunakan untuk melakukan delete, update, insert data, dan

create tabel baru.

3. Cross tab queries.

Query ini digunakan untuk mengkakulasi data untuk keperluan analisis.

Crosstab queries menghitung sebuah count, average, sum, atau tipe total

17

BAB III

PERANCANGAN

Bab ini menjelaskan tentang analisis dan perancangan dalam membangun

aplikasi data mining untuk memprediksi masa studi mahasiswa Teknik Komputer.

Analisis meliputi analisis masalah, analisis data, analisis algoritma k-NN, analisis

fungsional serta perancangan aplikasinya.

3.1 Analisis Masalah

UNIKOM merupakan perguruan tinggi swasta di Bandung. UNIKOM memiliki beberapa Jurusan salah satunya adalah Jurusan Teknik Komputer. Jurusan ini termasuk kategori yang sangat susah untuk dapat lulus tepat waktu. Setiap tahun, Jurusan Teknik Komputer hanya menghasilkan beberapa mahasiswa yang lulus tepat 4 tahun atau 5 tahun. Karena jumlah kelulusan tiap tahunnya hanya sedikit, maka penulis memanfaatkan data nilai IP mahasiswa di Jurusan Teknik Komputer untuk menemukan informasi atau pengetahuan baru yang berguna dalam mengambil sebuah keputusan dan membantu dalam evaluasi sistem pembelajaran di Jurusan Teknik Komputer. Informasi yang dibutuhkan adalah memprediksi masa studi mahasiswa dengan atribut IP dari semester satu sampai semester enam.

3.2 Analisis Data

Dalam penulisan tugas akhir ini akan dicari nilai euclidean dari hubungan

tingkat kelulusan dengan data induk mahasiswa, yaitu dari nilai IP semester satu sampai semester enam dan akan diuji menggunakan nilai IP di dua semester, empat semester dan enam semester sehingga hasil dari proses tersebut dapat

dilihat dengan menggunakan IP disemester berapa dan nilai k yang terbaik yang

18

3.2.1.1 Sumber Data

Data yang digunakan dalam tugas akhir ini menggunakan data akademik.

Data akademik ini dibuat menjadi dua data yaitu training data dan testing data.

Training data dan testing data merupakan data mahasiswa yang didata

ketika mahasiswa tersebut telah menjadi mahasiswa di Jurusan Teknik Komputer dan yang telah lulus. Adapun atribut dari data tersebut:

Gambar 3.1 Cuplikan Salah Satu Isi Tabel yang Berada di dalam Database

Tabel 3.1 Tabel Training Data dan Testing Data

Atribut Keterangan NIM (Nomor

Induk Mahasiswa)

Nomor Induk Mahasiswa atau yang disingkat NIM adalah kode yang dimiliki mahasiswa sebagai nomor unik identitas di Perguruan Tinggi.

Nama Mahasiswa

Merupakan nama lengkap mahasiswa yang bersangkutan.

Kelas Merupakan kelas mahasiswa yang bersangkutan di Jurusan Teknik Komputer.

Tahun Masuk Merupakan tahun masuk mahasiswa yang bersangkutan ke dalam Perguruan Tinggi.

IP Semester 1 Merupakan nilai Indeks Prestasi mahasiswa bersangkutan.

IP Semester 2 Merupakan nilai Indeks Prestasi mahasiswa bersangkutan.

19

IP Semester 4 Merupakan nilai Indeks Prestasi mahasiswa bersangkutan.

IP Semester 5 Merupakan nilai Indeks Prestasi mahasiswa bersangkutan.

IP Semester 6 Merupakan nilai Indeks Prestasi mahasiswa bersangkutan.

Tanggal Lulus Merupakan tahun mahasiswa bersangkutan dinyatakan lulus.

Lama Studi Merupakan lama studi, dihitung dimulai saat terdaftar sebagai mahasiswa sampai dinyatakan lulus.

Program Studi Program studi dari mahasiswa yang bersangkutan.

IPK Indeks Prestasi Kumulatif (IPK) adalah ukuran

kemampuan mahasiswa sampai pada waktu tertentu yang dapat dihitung berdasarkan jumlah (satuan kredit semester) SKS mata kuliah yang diambil sampai pada periode tertentu dikalikan dengan nilai bobot masing-masing mata kuliah dibagi dengan jumlah seluruh SKS mata kuliah (Anonim, 2009).

Keterangan Merupakan keterangan apakah mahasiswa tersebut lulus tepat waktu atau tidak.

Judul Skripsi Merupakan judul skripsi dari mahasiswa yang bersangkutan.

Data akademik mahasiwa yang diambil adalah data mahasiswa angkatan 2001-2006. Hal ini didasarkan pada kebutuhan data yang akan dihubungkan

dengan testing data, dengan asumsi bahwa mahasiswa angkatan 2001-2006 akan

lulus dari rentang waktu tahun 2005-2010. Sedangkan data kelulusan di training

data rentang waktunya dari tahun 2004-2011. Kedua data tersebut diperoleh dari

sekretariatan Jurusan Teknik Komputer. Data yang diambil hanya dari data mahasiswa S1 di Jurusan Teknik Komputer.

3.2.1.2 Pembersihan Data

Dalam tugas akhir ini dicari hubungan beberapa atribut dari data induk mahasiswa dengan tingkat kelulusan. Karena tidak semua tabel digunakan maka perlu dilakukan pembersihan data agar data yang akan diolah benar-benar relevan dengan dibutuhkan. Pembersihan data juga akan mempengaruhi performasi dari

teknik data mining karena data yang ditangani akan berkurang jumlah dan

20

lengkap isiannya. Data yang dibersihkan berupa atribut yang berada di tabel

training data dan testing data. Atribut yang digunakan terdiri dari:

Gambar 3.2 Cuplikan Isi Tabel Testing Data

Tabel 3.2 Atribut yang digunakan dalam Testing Data

Atribut Keterangan

Atribut NIM Digunakan sebagai primary key untuk menghubungkan dengan data kelulusan.

Atribut IP semester 1-6

Digunakan untuk proses mining guna mengetahui

hubungan antara tingkat kelulusan dengan IP dari semester 1-6.

21

Gambar 3.3Cuplikan Isi Tabel Training Data

Tabel 3.3 Atribut yang digunakan dalam Training Data

Atribut Keterangan

Atribut NIM Digunakan sebagai primary key untuk menghubungkan dengan data induk mahasiswa.

Keterangan Digunakan sebagai ukuran tingkat kelulusan tepat tahun atau tidak.

Atribut IP semester 1-6

Digunakan untuk proses mining guna mengetahui

hubungan antara tingkat kelulusan dengan IP dari semester 1-6.

Field keterangan dalam tabel data training berisi tentang kategori kelulusan

mahasiswa, dapat dilihat pada Tabel 3.4.

Tabel 3.4 Kategori Kelulusan Berdasarkan Lama Studi

Lulus Kategori Lulus <= 5 Tahun Ya

22

Berikut cuplikan isi tabel training data pada Microsoft Access:

Gambar 3.4 Cuplikan Isi Training Data (61 Data)

23

3.3 Penggunaan Algoritma k-Nearest Neighborhood (k-NN)

Algoritma k-NN merupakan algoritma untuk mencari jarak terdekat antara

training data dengan testing data. Untuk menghitung jarak terdekat atau jauhnya

tetangga dapat menggunakan metode ecludian distance. Pembahasan algoritma k

-NN dan rumus ecludian distance dapat dilihat di persamaan (2.1) di Bab II.

Contoh proses data mining menggunakan algoritma k-NN yaitu sebagai

berikut:

Terdapat beberapa data yang berasal dari IP mahasiswa Teknik Komputer

yang telah lulus sebagai training data (Tabel 3.5) untuk diklasifikasikan dengan

testing data menggunakan enam atribut yaitu IP dari semester satu sampai

semester enam (Tabel 3.6) sehingga dapat menentukan masa studi mahasiswa apakah mahasiswa tersebut lulus tepat waktu atau tidak.

Tabel 3.5 Training Data

n SEMESTER Y=Klasifikasi X11 = 1 X12=2 X13=3 X14=4 X15=5 X16=6

1 3.94 4 4 4 3.89 3.58 Ya

2 1.68 1.84 1.53 2.32 2.88 2.69 Tidak

3 2.63 1.63 2.42 2.58 3 3.56 Tidak

4 3.21 3.42 3.84 2.79 3.6 3.75 Ya

5 3.11 3.58 3.35 3 3.11 3.21 Ya

6 2.68 2.79 3.16 2.95 3.23 3.68 Ya

7 2 1.53 2.11 2.16 2 1.88 Tidak

Keterangan:

X11-X16 = merupakan atribut semester 1-6 pada training data

n = merupakan banyaknya data

Training data ini merupakan data IP mahasiswa yang telah lulus kurang

24

Tabel 3.6 Testing Data

Keterangan:

X21-X26 = merupakan atribut semester 1-6 pada testing data

n = merupakan banyaknya data

Testing data merupakan sekumpulan data IP mahasiswa yang akan

diklasifikasikan dengan training data, apakah lulus <= 5 tahun atau lulus >5

tahun.

Setelah ada testing data dan training data, lalu menentukan nilai k-nya,

contoh untuk kasus di atas nilai k yang digunakan adalah k=5.

Adapun langkah-langkah menjawab permasalahan di atas, yaitu:

1. Nilai k yang digunakan adalah 5.

2. Menghitung kuadrat jarak euclid (query instance) masing-masing objek

terhadap sampel data atau training data yang diberikan dengan

menggunakan rumus 2.1 di Bab II.

 n=1

� � �� ����

= 11− 21 2 + 12− 22 2+ 13− 23 2

+ ₁₄− 24 2₊

15 − 25 2+ 16− 26 2

1 2

= 3.94−2.95 2+ 4−2.76 2+ 4−2.32 2

+ 4−1.8 2+ 3.89−2.75 2

+ 3.58−2.87 2

1

2 = 0.99 2+ 1.24 2+ 1.68 2

+ 2.2 2+ 1.14 2+ 0.71 2

1

2= 0.98 + 1.54

+ 2.82 + 4.48 + 1.30 + 0.50 12

= 11.98

1 2

= 3.46

n SEMESTER Y=Klasifikasi X21 = 1 X22=2 X23=3 X24=4 X25=5 X26=6

25

 n=2

� � �� ����

= 11− 21 2 + 12− 22 2+ 13− 23 2

+ ₁₄− ₂₄ 2₊

15− 25 2+ 16− 26 2

1 2

= 1.68−2.95 2+ 1.84−2.76 2+ 1.53−2.32 2

+ 2.32−1.8 2+ 2.88−2.75 2

+ 2.69−2.87 2 1/2 = −1.27 2+ −0.92 2

+ −0.79 2+ 0.52 2+ 0.13 2

+ 0.18 2 1/2 = 1.61 + 0.85 + 0.62 + 0.27 + 0.02

+ 0.03 1/2 _{= 3.40} 1/2 _{= 1.84}

 n=3

� � �� ����

= 11 − 21 2 + 12− 22 2+ 13− 23 2

+ 14− 24 2+ 15− 25 2

+ ₁₆− 26 2 1/2 _{= 2.63−2.95} 2

+ 1.63−2.76 2_{+ 2.42−2.32} 2_{+ 2.58−1.8} 2

+ 3−2.75 2+ 3.56−2.87 2 1/2 = −0.32 2

+ −1.13 2+ 0.1 2+ 0.78 2+ 0.25 2

+ 0.69 2 1/2 _{= 0.10 + 1.28 + 0.01 + 0.61}

26

 n=4

� � �� ����

= 11− 21 2+ 12− 22 2+ 13− 23 2

+ 14 − 24 2+ 15− 25 2

+ ₁₆ − 26 2 1/2_{= 3.21−2.95} 2

+ 3.42−2.76 2_{+ 3.84−2.32} 2_{+ 2.79−1.8} 2

+ 3.6−2.75 2+ 3.75−2.87 2 1/2 = 0.26 2

+ 0.66 2+ 1.52 2+ 0.99 2+ 0.85 2

+ 0.88 2 1/2 = 0.07 + 0.44 + 2.31 + 0.98 + 0.72

+ 0.77 1/2 = 5.29 1/2 = 2.3

 n=5

� � �� ����

= 11− 21 2+ 12− 22 2+ 13− 23 2

+ 14 − 24 2+ 15− 25 2

+ 16 − 26 2 1/2= 3.11−2.95 2

+ 3.58−2.76 2+ 3.35−2.32 2+ 3−1.8 2

+ 3.11−2.75 2+ 3.21−2.87 2 1/2 = 0.16 2

+ 0.82 2+ 1.03 2+ 1.2 2+ 0.36 2

+ 0.34 2 1/2 _{= 0.03 + 0.67 + 1.06 + 1.44 + 0.13}

27

 n=6

� � �� ����

= 11− 21 2+ 12− 22 2+ 13 − 23 2

+ 14− 24 2+ 15 − 25 2

+ ₁₆− ₂₆ 2 1/2 _{= 2.68−2.95} 2

+ 2.79−2.76 2_{+ 3.16−2.32} 2_{+ 2.95−1.8} 2

+ 3.23−2.75 2+ 3.68−2.87 2 1/2 = −0.27 2

+ 0.03 2+ 0.84 2+ 1.15 2+ 0.48 2

+ 0.81 2 1/2 = 0.07 + 0.0009 + 0.71 + 1.32

+ 0.23 + 0.66 1/2 = 2.99 1/2 = 1.73

 n=7

� � �� ����

= 11− 21 2+ 12− 22 2+ 13− 23 2

+ 14− 24 2 + 15− 25 2

+ 16 − 26 2 1/2 = 2−2.95 2+ 1.53−2.76 2

+ 2.11−2.32 2+ 2.16−1.8 2+ 2−2.75 2

+ 1.88−2.87 2 1/2 = −0.95 2+ −1.23 2

+ −0.21 2+ 0.36 2+ −0.75 2

+ −0.99 2 1/2 _{= 0.90 + 1.51 + 0.04 + 0.13}

28

Tabel 3.7 Square Instance to Query Distance

n

SEMESTER _Square instance to

query distance X11

=1 X12=2 X13=3 X14=4 X15=5 X16=6

1 3.94 4 4 4 3.89 3.58 3.46

2 1.68 1.84 1.53 2.32 2.88 2.69 1.84

3 2.63 1.63 2.42 2.58 3 3.56 1.59

4 3.21 3.42 3.84 2.79 3.6 3.75 2.3

5 3.11 3.58 3.35 3 3.11 3.21 1.86

6 2.68 2.79 3.16 2.95 3.23 3.68 1.73

7 2 1.53 2.11 2.16 2 1.88 2.03

3. Kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang

mempunyai jarak Euclid terkecil.

Tabel 3.8 Mengurutkan Objek ke dalam Kelompok ke Jarak Euclid Terkecil n SEMESTER Square instance to query distance Urutan Jarak terkecil Apakah termasuk nearest-neighbor (k) X11

= 1 X12=2 X13=3 X14=4 X15=5 X16=6

1 3.94 4 4 4 3.89 3.58 3.46 7 -

2 1.68 1.84 1.53 2.32 2.88 2.69 1.84 3 Ya

3 2.63 1.63 2.42 2.58 3 3.56 1.59 1 Ya

4 3.21 3.42 3.84 2.79 3.6 3.75 2.3 6 -

5 3.11 3.58 3.35 3 3.11 3.21 1.86 4 Ya

6 2.68 2.79 3.16 2.95 3.23 3.68 1.73 2 Ya

7 2 1.53 2.11 2.16 2 1.88 2.03 5 Ya

Pada tabel di atas, yang dimaksud dengan jarak terkecil adalah

mengurutkan hasil query instance dari yang terkecil hingga ke besar. Jika

urutan pada query instance termasuk nilai k = 5, maka yang diambil 5

jarak yang terpendek yang termasuk nilai k (Ya).

4. Mengumpulkan label class Y (klasifikasi Nearest Neighborhood).

Pada proses ke-4 ini, hasil dari pengelompokan “apakah termasuk Nearest

29

menentukan data tersebut apakah termasuk klasifikasi lulus <=5 tahun atau lulus > 5 tahun.

Tabel 3.9 Label Class Y

n SEMESTER Square instance to query distance Urutan Jarak terkecil Apakah termasuk nearest-neighbor (k) Y=Klasifikasi X11

=1 X12=2 X13=3 X14=4 X15=5 X16=6

1 3.94 4 4 4 3.89 3.58 3.46 7 - Ya

2 1.68 1.84 1.53 2.32 2.88 2.69 1.84 3 Ya Tidak

3 2.63 1.63 2.42 2.58 3 3.56 1.59 1 Ya Tidak

4 3.21 3.42 3.84 2.79 3.6 3.75 2.3 6 - Ya

5 3.11 3.58 3.35 3 3.11 3.21 1.86 4 Ya Ya

6 2.68 2.79 3.16 2.95 3.23 3.68 1.73 2 Ya Ya

7 2 1.53 2.11 2.16 2 1.88 2.03 5 Ya Tidak

Dengan menggunakan kategori Nearest Neighborhood yang paling

mayoritas maka dapat dipredeksikan nilai query instance yang telah

dihitung. Pada urutan jarak yang terdekat dari satu sampai lima (nilai k=5),

maka diketahui ada 2 yang lulus <=5 tahun dan 3 yang lulus > 5 tahun

pada Tabel 3.10. Sehingga testingdata tersebut termasuk lulus > 5 tahun.

Tabel 3.10 Hasil Akhir Klasifikasi

n SEMESTER Square instance to query distance Urutan Jarak terkecil Apakah termasuk nearest-neighbor (k) Y=Klasifikasi X11

=1 X12=2 X13=3 X14=4 X15=5 X16=6

1 3.94 4 4 4 3.89 3.58 3.46 7 - Ya

2 1.68 1.84 1.53 2.32 2.88 2.69 1.84 3 Ya Tidak

3 2.63 1.63 2.42 2.58 3 3.56 1.59 1 Ya Tidak

4 3.21 3.42 3.84 2.79 3.6 3.75 2.3 6 - Ya

5 3.11 3.58 3.35 3 3.11 3.21 1.86 4 Ya Ya

6 2.68 2.79 3.16 2.95 3.23 3.68 1.73 2 Ya Ya

30

3.3.1 Analisis Kebutuhan Fungsional

Dalam langkah ini dilakukan penentuan entitas-entitas baik entitas internal maupun entitas eksternal, data yang mengalir, serta prosedur-prosedur yang bisa dilakukan oleh masing-masing entitas.

3.3.1.1 Diagram Konteks

Gambar di bawah merupakan Diagram Konteks pada Aplikasi data mining

untuk memprediksi masa studi mahasiswa menggunakan algoritma k-Nearest

Neighborhood.

Pengguna

Aplikasi Data Mining untuk Memprediksi Masa Studi Mahasiswa

- Data Training yang akan ditambah, diperbaharui, dihapus dan dicari - Data Testing yang akan ditambah, diperbaharui, dihapus dan dicari - Masukan Nilai K untuk memprediksi masa studi mahasiswa

- Informasi Data Testing yang telah ditambah, diperbaharui, dihapus dan dicari - Informasi Tingkat keberhasilan sistem pada data testing dan training

- Informasi Hasil Prediksi Masa Studi Mahasiswa 1 data mahasiswa dan 1 database mahasiswa - Data Login User

- Memprediksi masa studi mahasiswa untuk 1 data mahasiswa - Memprediksi masa studi mahasiswa untuk 1 database mahasiswa

- Info User Login invalid

- Informasi Data Training yang telah ditambah, diperbaharui, dihapus dan dicari

Gambar 3.6 Diagram Konteks Aplikasi Data mining

3.3.1.2 DFD (Data Flow Diagram)

Setelah diagram konteks terbentuk, tahap selanjutnya adalah membuat diagram alir data (data flow diagram/DFD) untuk menjelaskan proses aplikasi

31

Pengguna

2 1 data mahasiswa

Data Login User & Password

4 Pengolahan Data

training Semester, Data Training, Data Testing & Nilai K

Hasil Prediksi, Tingkat keberhasilan & Persentase Kelulusan

1 Login

3 1 database

mahasiswa 5 Pengolahan Data testing Training Data Testing Data

Data Login Invalid

Login

Invalid

NIM, Semester, data Training & Nilai K

Data Training

Hasil Prediksi, Tingkat Keberhasilan & Kecocokan

Data Training

Login Invalid

Login Invalid

Login Invalid

Simpan, cari, tambah, hapus, memperbaharui data training

Informasi data yang telah disimpan, dicari, ditambah, dihapus dan diperbaharui

Data Training

Simpan, cari, tambah, hapus, memperbaharui data testing

Data Training

Data Testing

Data Testing

Informasi data yang telah disimpan, dicari, ditambah, dihapus dan diperbaharui

Data Testing

Gambar 3.7 DFD (Data Flow Diagram) Level1 Aplikasi Data Mining

Gambar 3.7 merupakan DFD dari Aplikasi data mining untuk menentukan

masa studi mahasiswa di jurusan Teknik Komputer yang di pecah menjadi beberapa proses guna untuk menjelaskan fungsi-fungsi dan arus data yang mengalir pada aplikasi tersebut. Berikut proses-proses yang terdapat di aplikasi

data mining untuk menentukan masa studi mahasiswa:

Proses-proses yang terdapat pada diagram alir data akan dijelaskan lebih terperinci pada spesifikasi proses, sebagaimana diperlihatkan pada Tabel 3.11:

32

Tabel 3.11 Spesifikasi Proses DFD Level1 Aplikasi Data Mining

No Proses Keterangan

1

No.Proses 1 Nama

Proses

Login

Sumber Pengguna

Input Data Login User dan Password

Output Data Login Invalid

Deskripsi Proses untuk dapat mengakses atau menjalankan aplikasi data

mining.

Logika Proses

1. Masukkan User dan Password.

2. Jika berhasil, maka akan menampilkan menu utama dan jika

tidak berhasil atau user dan passwordnya salah, maka akan menampilkan pesan.

2

No.Proses 2 Nama

Proses

1 Data Mahasiswa

Sumber Training Data

Input NIM, Nilai k.

Output Hasil prediksi, Tingkat Keberhasilan dan Kecocokan

Deskripsi Proses memprediksi menggunakan 1 data mahasiswa dengan

memilih data training yang digunakan, nilai IP per semester yang digunakan, mengisi NIM yang akan diprediksi dan

mengisi nilai k yang digunakan. Hasil dari proses ini yaitu,

peluang kelulusan, kategori kelulusan dan kecocokan data asli dengan hasil prediksi.

Logika Proses

1. Memilih data training yang digunakan.

2. Memilih tabel data testing yang akan diprediksi.

3. Memilih Semester yang nilai IP-nya akan digunakan.

4. Masukkan NIM yang akan di prediksi. Lalu klik button cari

untuk menampilkan nilai IP.

5. Masukkan Nilai k yang akan digunakan. Klik button hitung

jarak.

6. Keluar Hasil Peluang kelulusan, kategori kelulusan dan

kecocokan.

3

No.Proses 3 Nama

Proses

1 Database Mahasiswa

Sumber Training Data, Testing Data

Input Nilai k, Data Training, Data Testing.

Output Hasil prediksi, Tingkat Keberhasilan, Persentase Kelulusan

33

dengan memilih data training yang digunakan, memilih data

testing yang akan di prediksi, memilih nilai IP per semester

yang digunakan dan mengisi nilai k yang digunakan. Hasil dari

proses ini yaitu persentase kelulusan dan tingkat keberhasilan. Logika

Proses

1. Memilih data training yang digunakan.

2. Memilih tabel data testing yang akan diprediksi.

3. Memilih Semester yang nilai IP-nya akan digunakan.

4. Masukkan Nilai k yang akan digunakan. Klik button hitung

jarak.

5. Keluar Hasil Peluang kelulusan, kategori kelulusan dan

kecocokan.

4

No.Proses 4 Nama

Proses

Pengolahan Data Training

Sumber Training Data

Input Simpan, Cari, Perbaharui, Tambah dan Hapus Data

Output Informasi data yang telah disimpan, dicari, diperbaharui,

ditambah dan dihapus.

Deskripsi Proses untuk mengolah data pada tabel training data.

Logika Proses

1. Jika klik button tambah, maka mengaktifkan button simpan,

batal dan hapus.

2. Jika klik button cari, maka akan mengaktifkan button

simpan, perbaharui, batal dan hapus.

3. Jika klik button perbaharui:

Adodc1.Recordset!NIM = Text1.Text Adodc1.Recordset!Kls = Text2.Text Adodc1.Recordset!Nm_Mhs = Text3.Text Adodc1.Recordset!Tgl_Lulus = Text4.Text Adodc1.Recordset!Thn_Msk = Text5.Text Adodc1.Recordset!Lama_Studi = Text6.Text Adodc1.Recordset!IPK = Text7.Text

Adodc1.Recordset!Jdl_Skripsi = Text8.Text Adodc1.Recordset!IP_sem_1 = Text9.Text Adodc1.Recordset!IP_sem_2 = Text10.Text Adodc1.Recordset!IP_sem_3 = Text11.Text Adodc1.Recordset!IP_sem_4 = Text12.Text Adodc1.Recordset!IP_sem_5 = Text13.Text Adodc1.Recordset!IP_sem_6 = Text14.Text Adodc1.Recordset!Keterangan = Text15.Text Adodc1.Recordset.Update

Adodc1.Refresh

4. Jika klik button simpan:

If Not Adodc1.Recordset.EOF Then Adodc1.Recordset!NIM = Text1.Text Adodc1.Recordset!Kls = Text2.Text

34

Adodc1.Recordset!Nm_Mhs = Text3.Text Adodc1.Recordset!Tgl_Lulus = Text4.Text Adodc1.Recordset!Thn_Msk = Text5.Text Adodc1.Recordset!Lama_Studi = Text6.Text Adodc1.Recordset!IPK = Text7.Text

Adodc1.Recordset!Jdl_Skripsi = Text8.Text Adodc1.Recordset!IP_sem_1 = Text9.Text Adodc1.Recordset!IP_sem_2 = Text10.Text Adodc1.Recordset!IP_sem_3 = Text11.Text Adodc1.Recordset!IP_sem_4 = Text12.Text Adodc1.Recordset!IP_sem_5 = Text13.Text Adodc1.Recordset!IP_sem_6 = Text14.Text Adodc1.Recordset!Keterangan = Text15.Text MsgBox "Data Anda berhasil disimpan!" Else

MsgBox "Maaf, Anda belum mengisi NIM atau NIM yang Anda masukkan telah ada !"

End If

5. Jika klik button hapus:

Adodc1.Recordset.Delete Adodc1.Recordset.Update Adodc1.Refresh

MsgBox "Data Anda telah berhasil dihapus!"

5

No.Proses 5 Nama

Proses

Pengolahan Data Testing

Sumber Testing Data

Input Simpan, Cari, Perbaharui, Tambah dan Hapus Data

Output Informasi data yang telah disimpan, dicari, diperbaharui,

ditambah dan dihapus.

Deskripsi Proses untuk mengolah data pada tabel testing data.

Logika Proses

1. Menentukan tabel testing data yang mana yang akan diolah

datanya.

2. Jika klik button tambah, maka mengaktifkan button simpan,

batal dan hapus.

3. Jika klik button cari, maka akan mengaktifkan button

simpan, perbaharui, batal dan hapus.

4. Jika klik button perbaharui:

If Combo1.Text = " Data testing" Then Call perbaharui_testing

ElseIf Combo1.Text = "Angkatan 2007" Then Call perbaharui2007

ElseIf Combo1.Text = "Angkatan 2008" Then Call perbaharui2008

ElseIf Combo1.Text = "Angkatan 2009" Then Call perbaharui2009

35

ElseIf Combo1.Text = "Angkatan 2010" Then Call perbaharui2010

ElseIf Combo1.Text = "Angkatan 2011" Then Call perbaharui2011

End If

//procedur perbaharui

Adodc1.RecordSource = "data_testing" Adodc1.Refresh

DataGrid1.Refresh

Adodc1.Recordset!NIM = Text1.Text Adodc1.Recordset!IP_sem_1 = Text2.Text Adodc1.Recordset!IP_sem_2 = Text3.Text Adodc1.Recordset!IP_sem_3 = Text4.Text Adodc1.Recordset!IP_sem_4 = Text5.Text Adodc1.Recordset!IP_sem_5 = Text6.Text Adodc1.Recordset!IP_sem_6 = Text5.Text Adodc1.Recordset.Update

Adodc1.Refresh

5. Jika klik buttin simpan:

If Combo1.Text = " Data testing" Then Call simpan_testing

MsgBox "Data Anda berhasil disimpan!" ElseIf Combo1.Text = "Angkatan 2007" Then Call simpan2007

MsgBox "Data Anda berhasil disimpan!" ElseIf Combo1.Text = "Angkatan 2008" Then Call simpan2008

MsgBox "Data Anda berhasil disimpan!" ElseIf Combo1.Text = "Angkatan 2009" Then Call simpan2009

MsgBox "Data Anda berhasil disimpan!" ElseIf Combo1.Text = "Angkatan 2010" Then Call simpan2010

MsgBox "Data Anda berhasil disimpan!" ElseIf Combo1.Text = "Angkatan 2011" Then Call simpan2011

MsgBox "Data Anda berhasil disimpan!" End If

//procedure simpan

Adodc1.RecordSource = "data_testing" Adodc1.Refresh

36

If Not Adodc1.Recordset.EOF Then Adodc1.Recordset!NIM = Text1.Text Adodc1.Recordset!IP_sem_1 = Text2.Text Adodc1.Recordset!IP_sem_2 = Text3.Text Adodc1.Recordset!IP_sem_3 = Text4.Text Adodc1.Recordset!IP_sem_4 = Text5.Text Adodc1.Recordset!IP_sem_5 = Text6.Text Adodc1.Recordset!IP_sem_6 = Text7.Text Else

MsgBox "Maaf, NIM yang ada masukkan telah ada!" End If

6. Jika klik button hapus:

Adodc1.RecordSource = "data_testing" Adodc1.Refresh DataGrid1.Refresh Adodc1.Recordset.Delete Adodc1.Recordset.Update Adodc1.Refresh

MsgBox "Data Anda telah berhasil dihapus!"

Pengguna 2.2 Hitung Jarak 2.1 Cari 2.3 Hapus Testing Data Training Data

Pilih tabel database data testing yang digunakan dan masukkan NIM

Info Nilai IP NIM tersebut

Masukkan Nilai k yang akan digunakan

Info hasil prediksi

Layar yang akan dihapus

Info layar yang telah dihapus

Data Testing

Data Testing

Data Training

Data Training

Data Testing

Data Testing

Logi n In

valid L og_in in va_lid Login Invalid

37

Tabel 3.12 Spesifikasi ProsesDFD Level2 Proses 2 1 Data Mahasiswa

No Proses Keterangan

1

No.Proses 2.1

Nama Proses

Cari

Sumber Pengguna, Testing data

Input Pilihan tabel di database dan NIM

Output Nilai IP NIM tersebut

Deskripsi Proses untuk mencari NIM mahasiswa yang akan diprediksi,

sehingga akan keluar secara otomatis nilai IP mahasiswa tersebut.

Logika Proses

1. Memilih data training yang digunakan.

2. Memilih tabel data testing yang akan diprediksi.

3. Memilih Semester yang nilai IP-nya akan digunakan.

4. Masukkan NIM yang akan di prediksi. Lalu klik button

cari untuk menampilkan nilai IP.

2

No.Proses 2.2

Nama Proses

Hitung Jarak

Sumber Training Data, Testing Data, Pengguna

Input Nilai k.

Output Hasil prediksi, Tingkat Keberhasilan dan Kecocokan

Deskripsi Proses untuk memprediksi masa studi mahasiswa dengan

masukan nilai k.

Logika Proses

1. Masukkan Nilai k yang akan digunakan. Klik button hitung

jarak.

2. Keluar Hasil Peluang kelulusan, kategori kelulusan dan

kecocokan.

3

No.Proses 2.3

Nama Proses

Hapus

Sumber Pengguna

Input Button hapus

Output Info layar yang telah dihapus

Deskripsi Proses untuk menghapus layar atau membersihkan layar.

Logika Proses

1. Klik button hapus.

2. Setelah berhasil layar dibersihkan, maka akan keluar pesan

76

Dari hasil Gambar 4.20 hasil grafik dapat disimpulkan sebagai berikut:

1. Untuk dua semester yaitu nilai k yang terbaik untuk memprediksi masa studi mahasiswa adalah nilai k=10 dengan tingkat keberhasilan 80%. 2. Untuk empat semester, nilai k yang terbaik untuk memprediksi masa studi

mahasiswa adalah nilai k=30 dengan tingkat keberhasilan 78.33%.

3. Untuk enam semester, nilai k yang terbaik untuk memprediksi masa studi mahasiswa adalah nilai k=20 dan k=30 dengan tingkat keberhasilan 85%. 4. Masing-masing nilai k terbaik di atas hanya berlaku untuk training data

yang berjumlah 61 data dan testing data-nya 60 data.

Pada percobaan satu dan dua di atas dapat dilihat bahwa dengan mengubah nilai k akan menghasilkan prediksi kelulusan yang bervariasi. Jadi, ukuran nilai k yang besar untuk digunakan memprediksi masa studi mahasiswa belum tentu menjadi nilai k yang terbaik dengan tingkat keberhasilan yang tinggi begitupun juga sebaliknya. Nilai k yang terbaik dipengaruhi oleh jumlah data yang digunakan.

77 5.1 Simpulan

Berdasarkan pembahasan dari bab-bab sebelumnya, penelitian tugas akhir ini akhirnya dapat diambil beberapa simpulan:

1. Aplikasi data mining ini telah berhasil membuat aplikasi yang dapat

memprediksi masa studi mahasiswa menggunakan algoritma k-Nearest Neighborhood yang akan diterapkan di Jurusan Teknik

Komputer.

2. Untuk menggunakan training data yang berjumlah 30 data dengan menguji testing data berjumlah 60 data, maka didapatkan nilai k yang terbaik untuk memprediksi masa studi mahasiswa yaitu sebagai berikut: 1) Untuk dua semester yaitu nilai k yang terbaik untuk digunakan

memprediksi studi mahasiswa adalah nilai k = 10 dengan tingkat keberhasilan 81.66%.

2) Untuk empat semester yaitu nilai k yang terbaik untuk digunakan memprediksi studi mahasiswa adalah nilai k = 10 dengan tingkat keberhasilan 76.66%.

3) Untuk enam semester yaitu nilai k = 10 merupakan nilai k yang terbaik untuk digunakan memprediksi masa studi mahasiswa dengan tingkat keberhasilan 81.66%.

3. Untuk menggunakan training data yang berjumlah 61 data dengan menguji testing data berjumlah 60 data, maka didapatkan nilai k yang terbaik untuk memprediksi masa studi mahasiswa yaitu sebagai berikut: 1) Untuk dua semester yaitu nilai k yang terbaik untuk memprediksi masa

78

2) Untuk empat semester, nilai k yang terbaik untuk memprediksi masa studi mahasiswa adalah nilai k = 30 dengan tingkat keberhasilan 78.33%.

3) Untuk enam semester, nilai k yang terbaik untuk memprediksi masa studi mahasiswa adalah nilai k = 20 dan k = 30 dengan tingkat keberhasilan 85%.

5.2 Saran

Penulis memberikan saran bagi yang akan mengembangkan tugas akhir ini, yaitu sebagai berikut:

1. Aplikasi data mining ini dapat dibuat dengan menggunakan jaringan LAN sehingga nanti tidak hanya digunakan oleh satu pengguna di satu tempat saja tetapi dapat digunakan oleh banyak pengguna (para dosen dan pihak Jurusan) di tempat yang berbeda.

2. Aplikasi data mining ini belum memperhitungkan faktor luar yang terjadi pada mahasiswa tersebut sehingga mahasiswa tersebut tidak lulus tepat waktu. Faktor luar tersebut dapat menjadi sebuah parameter baru dalam aplikasi ini.

3. Kasus ini dapat diterapkan dengan menggunakan metode algoritma data mining yang lainnya, misalnya ID3.

4. Penulis juga menyarankan agar aplikasi data mining ini dapat diterapkan menggunakan teknik data warehouse, sehingga tidak hanya menggunakan data akademik 1 Jurusan saja tetapi dapat menggunakan data akademik di Jurusan lain.

79

[1] Han, J., & Kamber, M. (2006). Data mining Concepts and Techniques Second Edition. San Fransisco: Morgan Kauffman.

[2] Karima, Rahmanita M., Atsomya, Mutyafani, Kurnianti, Ria, & Tyas, Rizkhy Ayuning. (2011). Data mining Metode KNN Min-Max-Normalization. Diakses tanggal 3 April 2012, dari

www.ziddu.com/download/17466288/KNN-MIN_MAX_NORMALIZATION-CONTOHOERHITUNGAN.pdf.html.

[3] Kurnia, Adi. (2004). Pemrograman Microsoft Visual Basic 6.0. Jakarta: Elex Media Komputindo.

[4] Kusrini, & Emha Taufik Luthfi. (2009). Algoritma Data mining. Yogyakarta: Andi.

[5] Pohan, Husni Iskandar & Kusnassriyanto Saiful Bahri. (1997). Pengantar Perancangan Sistem. Jakarta: Erlangga.

[6] Pramudiono, I. (2007). Pengantar Data Mining: Menambang Permata Pengetahuan di Gunung Data. Diakses tanggal 3 April 2012, dari

http://www.ilmukomputer.org/wp-content/uploads/2006/08/iko-datamining.zip.

[7] Rismawan, Tedy, dkk. (2008). Sistem Pendukung Keputusan Berbasis Pocket PC sebagai Penentu Status Gizi Menggunakan Metode KNN (K-Nearest Neighbor). Diakses tanggal 3 April 2012, dari journal.uii.ac.id/index.php/jurnal-teknoin/article/view/793/711

[8] Rusmawan, Uus. (2008). Koleksi VB 6.0 Konsep ADO untuk Tugas Akhir dan Skripsi. Jakarta: PT Elex Media Komputindo.

80

[9] Huda, Nuqson Masykur. (2010). Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa. Semarang: Universitan Diponegoro.

Nama : Astrid Darmawan

Tempat, tanggal lahir : Lhokseumawe, 19 Mei 1989

Jenis kelamin : Perempuan

Agama : Islam

Alamat Sementara : Jl. Ir. H.Juanda No.25 A, RT 09

RW.01 Bandung 40135

Alamat Tetap : Jl. Seulawah No.17 Komplek PIM

Kruenggeukuh-Aceh Utara

No. telepon : 085722091001/082118491989

Email : astriddarmawan@gmail.com

Pendidikan Formal

2007 – 2012 : Universitas Komputer Indonesia, Bandung.

Fakultas Teknik dan Ilmu Komputer, Jurusan Teknik Komputer.

2004 – 2007 : SMA Negri 1 Lhokseumawe, NAD 2001 – 2004 : SMP Iskandar Muda, NAD

2001 : SD YKPP 2, Plaju

1995 – 2000 : SD Iskandar Muda, NAD 1993 – 1995 : TK Tunas Harapan, NAD