Penetapan Strategi Pemasaran Dengan Pendekatan Model Pohon Keputusan Menggunakan Algoritma Iterative Dichotomizes (ID3) di Perguruan Tinggi Swasta

(1)

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3)

DI PERGURUAN TINGGI SWASTA

TESIS

Oleh

M. S A F I I

097038008 / TIF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

M E D A N

(2)

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3)

DI PERGURUAN TINGGI SWASTA

TESIS

Diajukan sebagai salah satu syarat untuk memperoleh gelar

Magister Komputer dalam Program Studi Magister

Teknik Informatika pada Program Pascasarjana

Fakultas MIPA Universitas Sumatera Utara

Oleh

M. S A F I I

097038008 / TIF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

M E D A N

(3)

PENGESAHAN TESIS

Judul Tesis : Penetapan Strategi Pemasaran Dengan

Pendekatan Model Pohon Keputusan Menggunakan Algoritma Iterative

Dichotomizes (ID3) di Perguruan Tinggi Swasta

Nama Mahasiswa : M. SAFII

Nomor Induk Mahasiswa : 097038008

Program Studi : Magister Teknik Informatika

Fakultas : Matematika dan Ilmu Pengetahuan Alam

Universitas Sumatera Utara

Menyetujui Komisi Pembimbing

M. Andri Budiman, ST, M.Comp, Sc.MEM Prof. Dr. Herman Mawengkang

Anggota Ketua

Ketua Program Studi,

Prof. Dr. Muhammad Zarlis NIP : 195707011986011003

(4)

PERNYATAAN ORISINALITAS

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3)

DI PERGURUAN TINGGI SWASTA

TESIS

Dengan ini saya nyatakan bahwa saya mengakui semua karya tesis/disertai ini adalah hasil kerja saya sendiri kecuali kutipan dan ringkasan yang tiap satunya telah di jelaskan sumbernya dengan benar.

Medan, April 2011

M. S A F I I

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

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

Nama : M. S A F I I

NIM : 097038008

Program Studi : Magister Teknik Informatika Jenis Karya Ilmiah : TESIS

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

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZER 3 (ID3)

DI PERGURUAN TINGGI SWASTA

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

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, April 2011

M. S A F I I

(6)

Telah diuji pada

Tanggal : Tanggal Bulan April Tahun 2011

PANITIA PENGUJI TESIS

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

2. M. Andri Budiman, ST, M.Comp.Sc, MEM 3. Ade Candra, ST, M.Kom

(7)

RIWAYAT HIDUP

DATA PRIBADI

Nama lengkap berikut gelar : M. Safii, S.Kom

Tempat dan Tanggal Lahir : Pematangsiantar, 10 Juni 1980 Alamat Rumah : Perumahan Sibatu-batu Indah Blok G

No. 11 Pematangsiantar

Telepon/Faks/HP : +6262222431 / +6281361242311

Email : syafii_atb@yahoo.com

Instansi Tempat Bekerja : AMIK Tunas Bangsa Pematangsiantar Alamat Kantor : Jl. Jend. Sudirman Blok A No.1,2 & 3

Pematangsiantar

Telepon/Faks/HP : +6262222431 / +6227436800

DATA PENDIDIKAN

SD : Negeri No.423195 Tamat : 1992

SMP : Muhammadiyah-19 Tamat : 1995

SMA : Yayasan Perguruan Keluarga Tamat : 1998 STRATA-1 : STMIK Multimedia Prima Tamat : 2005

(8)

KATA PENGANTAR

Alhamdulillah, puji syukur senantiasa kita panjatkan ke hadirat Allah SWT atas segala limpahan karunia-Nya kepada kita sehingga Tesis ini dapat diselesaikan. Kami mengucapkan terima kasih yang sebesar-besarnya kepada:

Ketua Yayasan Muhammad Nasir AMIK Tunas Bangsa Pematangsiantar H.M.Ahmad Ridwan Syah yang telah memberikan ijin, bantuan moril dan materil dan kesempatan kepada penulis untuk mengikuti pendidikan pada program pascasarjana FMIPA USU.

Rektor Universitas Sumatera Utara, Prof. Dr. dr. Syahril Pasaribu, D.T.M.&H, M.Sc.(CTM), Sp.A.(K) atas kesempatan yang diberikan kepada kami untuk mengikuti dan menyelesaikan pendidikan Program Magister.

Dekan Fakultas MIPA Universitas Sumatera Utara, Dr. Sutarman, M.Sc. atas kesempatan yang diberikan kepada kami menjadi mahasiswa Program Magister pada Program Pascasarjana FMIPA Universitas Sumatera Utara.

Ketua Program Studi Magister (S2) Teknik Informatika, Prof. Dr. Muhammad Zarlis, Sekretaris Program Studi Magister (S2) Teknik Informatika Mohammad Andri Budiman, ST, M.Comp.Sc, M.E.M beserta seluruh Staff Pengajar pada Program Studi Magister (S2) Teknik Informatika Program Pascasarjana Fakultas MIPA Universitas Sumatera Utara.

Terimakasih yang tak terhingga dan penghargaan setinggi-tingginya kami ucapkan kepada Prof. Dr. Herman Mawengkang selaku Pembimbing Utama yang dengan penuh perhatian dan telah memberikan dorongan, bimbingan dan arahan, demikian juga kepada Mohammad Andri Budiman, ST, M.Comp.Sc, M.E.M selaku Pembimbing Anggota yang dengan penuh kesabaran menuntun dan membimbing kami hingga selesainya penelitian ini.

Seluruh Staf Pengajar dan Administrasi, Program Studi Magister (S2) Teknik Informatika Program Pascasarjana Fakultas MIPA Universitas Sumatera Utara yang telah memberikan bantuan dan pelayanan yang baik kepada penulis selama mengikuti perkuliahan.

(9)

Kepada Ayahanda Surdi , Ibunda Asri, Bapak / Ibu Mertua dan isteri tersayang Widya Astuti beserta kedua anak tercinta Sasha Aiko Leana dan Akilah Aish, terimakasih atas segala pengorbanan berupa moril maupun materil, budi baik ini tidak dapat dibalas hanya diserahkan kepada Allah SWT, Tuhan Yang maha Esa.

Seluruh Mahasiswa Angkatan Pertama Program Studi Magister (S2) Teknik Informatika Komputer FMIPA Universitas Sumatera Utara dan Rekan Sejawat di AMIK Tunas Bangsa Pematangsiantar yang telah banyak membantu penulis selama mengikuti perkuliahan.

Kepada semua pihak yang tidak dapat penulis sebutkan satu persatu dalam tesis ini, terima kasih atas segala bantuan yang diberikan. Sekecil apapun yang Anda berikan untuk penulis turut menghantarkan penulis untuk menyelesaikan pendidikan yang ditempuh selama ini. Dengan segala kekurangan dan kerendahan hati, semoga kiranya Allah SWT Tuhan Yang Maha Kuasa membalas segala bantuan, kebaikan yang telah diberikan.

Semoga karya ilmiah yang kami susun dapat memberikan manfaat bagi banyak pihak, sekaligus dicatat sebagai bagian dari amal kebajikan kita, Amien.

Medan, April 2011 Penulis,

(10)

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3) DI PERGURUAN TINGGI SWASTA

ABSTRAK

Pencapaian target jumlah mahasiswa baru pada perguruan tinggi swasta adalah hal yang prioritas disebabkan banyaknya perguruan tinggi swasta di Indonesia. Sesuai dengan data dikti.go.id keberadaan perguruan tinggi swasta saat ini adalah 2.913 PTS di seluruh Indonesia dan 234 di Sumatera Utara. Dengan jumlah tersebut maka pihak perguruan tinggi harus bisa mempertahankan pasar dan menciptakan

brand image dimasyarakat. Konsep pohon merupakan salah satu konsep teori graf yang paling penting. Pemanfaatan struktur pohon dalam kehidupan sehari-hari adalah untuk menggambarkan hierarki dan memodelkan persoalan, contohnya pohon keputusan (decision tree). Algoritma Iterative dichotomizes 3 ( ID3 )

merupakan suatu metode dalam learning yang akan membangun sebuah pohon keputusan untuk pemodelan dalam mencari solusi dari persoalan. Kegiatan analisis kemahasiswaan diperlukan untuk mendapatkan keputusan yang bersifat menguntungkan demi maju dan berkembangnya suatu perguruan tinggi dan analisis penerimaan mahasiswa baru tersebut dapat dilakukan melalui berbagai metode, salah satunya dengan decision tree menggunakan algoritma ID3 (Iterative Dichotomizes 3) yang akan memperlihatkan pemakaian pohon keputusan untuk memudahkan pengambilan keputusan penerimaan mahasiswa baru pada perguruan tinggi. Dari beberapa metode teknik pemasaran yang diimplementasikan akan diperoleh penetapan strategi yang paling efektif.

Kata kunci: Brand Image, Pemasaran, PTS, Decision tree, Iterative Dichotomizes 3.

(11)

DETERMINING MARKETING STRATEGIES WITH RULES MODEL APPROACH OF DECISION TREE USING ALGORITHM

ITERATIVE DICHOTOMIZES (ID3) AT PRIVATE UNIVERSITIES

ABSTRACT

Achieving the target number of new students in private colleges is a priority because there are many private universities in Indonesia. In accordance with the data issued from dikti.go.id, the availability of private universities today is 2.913 throughout Indonesia and 234 in North Sumatra. With this number the university should be able to sustain the market and create a brand image in the community. The Tree concept of is one of the most important concept of graph theory. The utilization of tree structure in everyday life is to describe hierarchy and to model problem, for example, decision tree. Iterative algorithms dichotomizes 3 (ID3) is a method of learning that will build a decision tree for modeling in finding solutions to problems. Student analysis activity is required to obtain a beneficial decision for the advance and development of a college can be carried out through various methods, one of which is with decision tree algorithm ID3 (Iterative Dichotomizes 3) which will demonstrate the use of decision trees to facilitate decision making for new student admission at universities. Of several methods marketing techniques implemented will be obtained the most effective determining strategy. Keywords: Brand Image, Marketing, PTS, Decision tree, Iterative Dichotomizes

(12)

DAFTAR ISI

Halaman

KATA PENGANTAR i

ABSTRAK iii

DAFTAR ISI iv

DAFTAR TABEL vi

DAFTAR GAMBAR vii

DAFTAR LAMPIRAN viii

BAB I PENDAHULUAN 1

1.1. Latar Belakang Masalah 1

1.2. Rumusan Masalah 3

1.3. Batasan Masalah 4

1.4. Tujuan 4

1.5. Manfaat 4

BAB II TINJAUAN PUSTAKA 6

2.1. Data Mining 6

2.2. Teknik Data Mining 9

2.3. Pohon Keputusan 10

2.4. Algoritma Iterative Dichotomizes Versi 3 (ID3) 13

2.5. Entropy 14

2.6. Information Gain 16

2.7. Riset-riset Terkait 17

BAB III METODOLOGI PENELITIAN 19

3.1. Lokasi dan Waktu Penelitian 19

3.2. Rancangan Penelitian 20

3.3. Prosedur Pengumpulan Data 21

3.4. Alat Analisis Data 21

3.5. Instrumen Penelitian 22

(13)

3.7. Perancangan Model 23

3.8. Model Text 23

BAB IV. ANALISIS DAN HASIL 24

4.1. Analisis 24

4.2. Hasil Percobaan 24

4.2.1. Hasil Percobaan Training Data 27

4.2.2. Hasil Percobaan Testing Data 28

4.2.3. Signifikansi 31

4.2.4. Multicollinearity 32

4.2.5. Implementasi ID3 33

4.2.6. Hasil Percobaan Decision Tree 35

BAB V. KESIMPULAN DAN SARAN 41

5.1. Kesimpulan 41

5.2. Saran 42

Daftar Pustaka 43

(14)

DAFTAR TABEL

Nomor J u d u l Halaman

4.1. Kuesioner Fasilitas Kampus ... 25

4.2. Statistic Reliabilitas data... 30

4.3. Korelasi Signifikan ... 31

4.4. Signifikan Variabel Prediktor Minat ... 32

4.5. Multocollinearity Diagnostik ... 32

4.6. Pengukuran Terhadap Minat ... 33

(15)

DAFTAR GAMBAR

Nomor J u d u l Halaman

2.1. Tahap-tahap KDD didalam Database ... 8

2.2. Model Pohon Keputusan ... 12

2.3. Algoritma ID3 ... 14

3.1. Program Sistem Informasi PMB ... 20

3.2. Aturan (Rule) Penerimaan Mahasiswa Baru ... 20

3.3. Alur Kerangka Kerja Penelitian ... 22

3.4. Graph View Data ... 23

3.5. Model Text ... 23

4.1. Formula Cronbach Alpha ... 24

4.2. Nilai Uji Reliabilitas ... 26

4.3. Reliability Statistics Fasilitas Kampus... 27

4.4. Reliability Statistics Dukungan Pihak Sekolah ... 27

4.5. Reliability Statistics Dukungan Keluarga ... 28

4.6. Reliability Statistics Dukungan Minat ... 28

4.7. Reliability Statistics Fasilitas Kampus ... 29

4.8. Reliability Statistics Dukungan Pihak Sekolah... 29

4.9. Reliability Statistics Dukungan Keluarga ... 30

4.10. Reliability Statistics Dukungan Minat ... 30

4.11. Manual Decision Tree ... 34

4.12. Grafik Decision Tree ... 35

4.13. Model Aturan Teks Decision Tree Terhadap Minat... 36

4.14. Model Aturan Induction rule Terhadap Minat ... 37

4.15. Grafik Decision Tree Media Publikasi ... 37

4.16. Model Aturan Teks Media Publikasi... 39

(16)

DAFTAR LAMPIRAN

Nomor J u d u l Halaman A Contoh Formulir Penerimaan Mahasiswa Baru L- 1 B Contoh Kuesioner L- 2 C Hasil Percobaan Training Data L- 4 D Hasil Percobaan Testing Data L-14 E Korelasi Signifikan Data L-22

(17)

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3) DI PERGURUAN TINGGI SWASTA

ABSTRAK

Kata kunci: Brand Image, Pemasaran, PTS, Decision tree, Iterative Dichotomizes 3.

(18)

DETERMINING MARKETING STRATEGIES WITH RULES MODEL APPROACH OF DECISION TREE USING ALGORITHM

ITERATIVE DICHOTOMIZES (ID3) AT PRIVATE UNIVERSITIES

ABSTRACT

(19)

BAB 1

PENDAHULUAN

1.1. Latar Belakang Masalah

Akademi Manajemen Informatika Komputer Tunas Bangsa atau disingkat dengan AMIK Tunas Bangsa adalah salah satu perguruan tinggi swasta di Sumatera Utara yang menyelenggarakan perkuliahan jenjang Diploma 3 dengan program studi manajemen informatika dan komputerisasi akuntansi. Sejak berdiri tahun 2003 sampai saat ini jumlah mahasiswa/I kedua program sudi tersebut telah mencapai ±1.400 orang (EPSBED,2010). Dalam mempertahankan dan meningkatkan jumlah mahasiswa perlu dibuat sebuah metode dalam proses penerimaan mahasiswa baru setiap tahunnya. Tanpa adanya jumlah mahasiswa yang memadai maka mustahil bagi perguruan tinggi swasta dapat menjalankan manajemennya. Saat ini keberadaan perguruan tinggi swasta adalah 2.913 PTS di seluruh Indonesia dan 234 di Sumatera Utara (sumber: www.dikti.go.id).

Proses penerimaan mahasiswa baru (PMB) di Akademi Manajeman Informatika Komputer (AMIK) Tunas Bangsa terdiri dari 3 (tiga) proses yaitu Informasi, Daftar dan Registrasi. Proses Informasi adalah apabila calon mahasiswa tersebut berkunjung ke kampus dan mengisi formulir biodata tanpa melakukan pembayaran apapun. Peran presenter disini sangat menentukan apakah calon tersebut akan melakukan proses daftar atau registrasi. Proses Daftar adalah apabila calon mahasiswa berkunjung ke kampus dan mengisi biodata serta melakukan pembayaran yaitu biaya daftar. Pada kondisi ini calon mahasiswa belum bisa dimasukan kedalam kelompok kelas. Proses registrasi adalah apabila calon mahasiswa berkunjung ke kampus dan mengisi biodata serta melakukan pembayaran biaya daftar, uang kuliah, dan biaya lainnya. Dan pada posisi ini maka sudah dipastikan bahwa calon mahasiswa ini masuk ke dalam kelompok

(20)

kelas. Kelompok kelas adalah penempatan calon mahasiswa kedalam kelas tertentu yang merupakan bagian didalam kelompok belajar.

Pada tahap pengisian biodata, calon mahasiswa harus mengisi data seperti asal sekolah, alamat, penghasilan orang tua, dan sumber informasi. Dari kondisi tersebut maka bisa dilakukan pengelompokan sumber data sehingga dapat dibuat suatu metode yang tepat untuk mempercepat pencapaian target. Sedangkan data pedukungnya adalah kuisioner yang terdiri dari 4 (empat) kelompok pertanyaan yaitu fasilitas kampus, dukungan sekolah, dukungan keluarga dan minat calon mahasiswa.

Untuk mengelola data tersebut dibutuhkan sebuah metode yang bisa digunakan untuk menggali informasi tersembunyi dari data tersebut. Metode tersebut dikenal dengan data mining. Dengan bantuan perangkat lunak, data mining akan melakukan proses analisis data untuk menemukan pola atau aturan tersembunyi dalam lingkup himpunan data tersebut. Pada studi kasus ini, analisis

data mining dilakukan dengan metode pohon keputusan yang mengunakan algoritma ID3.

Konsep pohon merupakan salah satu konsep teori graf yang paling penting. Pemanfaatan struktur pohon dalam kehidupan sehari-hari adalah untuk menggambarkan hierarki dan memodelkan persoalan, contohnya pohon keputusan (decision tree). Algoritma Iterative dichotomizes 3 ( ID3 ) merupakan suatu metode dalam learning yang akan membangun sebuah pohon keputusan untuk pemodelan dalam mencari solusi dari persoalan. Kegiatan analisis kemahasiswaan diperlukan untuk mendapatkan keputusan yang bersifat menguntungkan demi maju dan berkembangnya suatu perguruan tinggi dan analisis penerimaan mahasiswa baru tersebut dapat dilakukan melalui berbagai metode, salah satunya dengan decision tree menggunakan algoritma ID3 (Iterative Dichotomizes 3).

Salah satu solusi memprediksi validitas alamat adalah dengan membuat suatu sistem yang dianggap mampu melakukan prediksi suatu alamat secara tepat. Metode decision tree dengan algoritma ID3 merupakan salah satu metode dari

data mining yang digunakan untuk mengklasifikasikan data sampel ke dalam kelas-kelas tertentu. Berdasarkan kemampuan dari metode ini, kemudian

(21)

dilakukan penelitian untuk menganalisis keefektifitasan metode ini dalam melakukan prediksi alamat menggunakan kelas yang terbentuk dari metode ini. Bentuk penelitian yang dilakukan adalah dengan melihat tingkat kebenaran yang dihasilkan oleh metode ini dalam melakukan validitas prediksi suatu alamat pada sekumpulan data uji yang diteliti (Nugroho,2007).

Salah satu metode yang paling banyak digunakan untuk inferensi induksi adalah Decision Tree Learning, merupakan metode untuk menganalisa fungsi target yang bernilai diskrit, dimana fungsi pembelajarannya direpresentasikan dalam bentuk pohon keputusan. Algoritma ID3 (Iterative Dichotomizes versi 3) adalah algoritma yang paling banyak digunakan untuk men-generate pohon keputusan. Algoritma ini dikenalkan oleh Ross Quinlan, menggunakan teori informasi untuk menentukan atribut yang paling informatif. Kelemahan dari algoritma ID3 adalah ketidakstabilannya dalam melakukan klasifikasi data apabila terjadi sedikit perubahan pada data training (Setiawan,2007).

Berdasarkan latar belakang masalah diatas, maka penulis tertarik untuk meneliti bidang ini dengan mengambil judul “Penetapan Strategi Pemasaran Dengan Pendekatan Model Pohon Keputusan Algoritma Iterative

Dichotomizes 3 (ID3) di Perguruan Tinggi Swasta”.

1.2. Perumusan Masalah

Dalam kegiatan penerimaan mahasiswa baru pencapaian jumlah mahasiswa adalah hal yang prioritas bagi perguruan tinggi swasta. Untuk peningkatan dan pencapaian target perlu dilakukan teknik dan menetapkan metode yang sesuai didalam mempertahankan minat calon mahasiswa. Dalam hal tersebut PTS mengalami permasalahan yang menyangkut kebutuhan data dan informasi tentang calon Mahasiswa, sehingga sulit untuk melakukan kegiatan-kegiatan promosi. Permasalahan yang diangkat adalah bagaimana menetapkan metode pemasaran dengan mengidentifikasi minat data calon mahasiswa baru yang akan diterima pada perguruan tinggi swasta dalam hal ini penerapan media publikasi terhadap fasilitas kampus, dukungan dari pihak sekolah dan dukungan dari pihak keluarga.

(22)

Metode solusi yang digunakan adalah membentuk pohon keputusan dengan algoritma Iterative Dichotomizes versi 3 (ID3).

1.3. Batasan Masalah

Untuk menghindari salah pengertian dalam penulisan tesis ini dan untuk lebih menfokuskan terhadap permasalahan, maka fokus permasalahan dititik beratkan pada pemanfaatan data mining dengan pendekatan model pohon keputusan menggunakan algoritma ID3 untuk penetapan strategi pemasaran pada perguruan tinggi swasta, meliputi:

1. Data yang akan digunakan dalam studi kasus ini adalah data calon mahasiswa baru yang kemudian akan diolah berdasarkan proses-proses yang ada dalam data mining.

2. Mengklasifikasikan penetapan metode pemasaran berdasakan sarana publikasi kampus terhadap fasilitas kampus, dukungan pihak sekolah dan dukungan keluarga.

3. Membangun sebuah pohon keputusan untuk pemodelan dalam mencari solusi dari persoalan penerimaan mahasiswa baru.

4. Sebagai prototype sistem, studi kasus dilakukan di AMIK Tunas Bangsa Pematangsiantar.

5. Analisis penerimaan mahasiswa baru tersebut dilakukan dengan

decision tree menggunakan algoritma Iterative Dichotomizes v.3 (ID3).

1.4. Tujuan

Tujuan penelitian ini adalah :

1. Menganalisis data calon mahasiswa dengan decision tree

menggunakan algoritma ID3 (Iterative Dichotomizes v.3).

2. Memberikan keputusan penetapan strategi pemasaran yang paling efektif digunakan untuk pencapaian target jumlah mahasiswa baru.

1.5. Manfaat

Kegunaan penelitian ini sangat bermanfaat dan berguna, baik secara teoritis maupun praktis, yaitu :

(23)

1. Manfaat Teoritis

Sebagai sumbangan penting dan memperluas bagi kajian ilmu komputer dalam bidang data mining sehingga dapat dijadikan rujukan untuk membangun dalam kasus yang berbeda dimasa yang akan datang.

2. Manfaat Praktis

a. Hasil penelitian ini menghasilkan suatu keputusan didalam penetapan strategi pemasaran dalam penerimaan mahasiswa baru di perguruan tinggi swasta.

b. Penelitian ini dapat menghasilkan keterhubungan antara fasilitas perguruan tinggi dengan dukungan pihak sekolah dan keluarga terhadap minat calom mahasiswa pada penerimaan mahasiswa baru.

c. Hasil penelitian ini dapat digunakan sebagai tolak ukur kinerja dari komputer untuk melakukan pencapaian target mahasiswa.

d. Hasil penelitian ini dapat meningkatkan perkembangan dunia pendidikan khususnya di Indonesia.

(24)

BAB II

TINJAUAN PUSTAKA

2.1. Data Mining

Dengan perkembangan pesat teknologi informasi termasuk diantaranya teknologi pengelolaan data, penyimpanan data, pengambilan data disertai kebutuhan pengambilan keputusan yang komprehensif, cepat, dan akurat menjadikan data ada dimana-mana disekitar kita. Data terstruktur dikelola oleh database, termasuk bagaimana me-retrieve datanya. Query yang kompleks yang dibutuhkan analis, dan pengambilan keputusan ditangani oleh OLAP (Online Analytical Processing) dengan didukung data warehouse.

Data mining merupakan sebuah analisis dari observasi data dalam jumlah besar untuk menemukan hubungan yang tidak diketahui sebelumnya dan metode baru untuk meringkas data agar mudah dipahami serta kegunaannya untuk pemilik data (Hand,2001). Dengan kecanggihan teknologi yang semakin meningkat, kini database mampu untuk menyimpan data berkapasitas terabytes. Dalam kumpulan data yang sangat banyak ini, tersimpan informasi tersembunyi yang merupakan strategi penting.

Data mining sesunggunghnya merupakan salah satu rangkaian dari proses pencarian pengetahuan pada database (Knowledge Discovery in Database/KDD). KDD berhubungan dengan teknik integrasi dan penemuan ilmiah, interprestasi dan visualisasi dari pola-pola sejumlah kumpulan data. KDD adalah keseluruhan proses non-trivial untuk mencari dan mengidentifikasi pola (pattern) dalam data, dimana pola yang ditemukan bersifat sah, baru, dapat bermanfaat dan dapat dimengerti. Serangkaian proses tersebut yang memiliki tahap sebagai berikut (Tan,2004):

(25)

1. Pembersihan data dan integrasi data (cleaning and integration)

Proses ini digunakan untuk membuang data yang tidak konsisten dan bersifat noise dari data yang terdapat diberbagai basisdata yang mungkin berbeda format maupun platform yang kemudian diintegrasikan dalam satu database data warehouse.

2. Seleksi dan transformasi data (selection and transformation)

Data yang terdapat dalam database data warehouse kemudian direduksi dengan berbagai teknik. Proses reduksi diperlukan untuk mendapatkan hasil yang lebih akurat dan mengurangi waktu komputasi terutama untuk masalah dengan skala besar (large scale problem). Beberapa cara seleksi, antara lain:

a. Sampling, adalah seleksi subset representatif dari populasi data yang besar.

b. Denoising, adalah proses menghilangkan noise dari data yang akan ditransformasikan

c. Feature extraction, adalah proses membuka spesifikasi data yang signifikan dalam konteks tertentu.

Transformasi data diperlukan sebagai tahap pre-procecing, dimana data yang diolah siap untuk ditambang. Beberapa cara transformasi, antara lain (Santosa,2007):

1. Centering, mengurangi setiap data dengan rata-rata dari setiap atribut yang ada.

2. Normalization, membagi setiap data yang dicentering dengan standar deviasi dari atribut bersangkutan.

(26)

Gambar 2.1: Tahap-tahap Knowledge Discovery in Database

3. Penambangan data (data mining)

Data yang telah diseleksi dan ditransformasi ditambang dengan berbagai teknik. Proses data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan fungsi-fungsi tertentu. Fungsi atau algoritma dalam data mining sangat bervariasi. Pemilihan fungsi atau algoritma yang tepat sangat bergantung pada tujuan dan proses pencarian pengetahuan secara keseluruhan.

4. Evaluasi pola dan presentasi pengetahuan

Tahap ini merupakan bagian dari proses pencarian pengetahuan yang mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya. Langkah terakhir KDD adalah mempresentasikan pengetahuan dalam bentuk yang mudah dipahami oleh pengguna.

(27)

2.2. Teknik Data Mining

Beberapa teknik Data Mining yang sering digunakan antara lain (Dunham,2002) :

1. Clustering

Analisis cluster merupakan salah satu teknik data mining yang bertujuan untuk mengidentifikasi sekelompok obyek yang mempunyai kemiripan karakteristik tertentu yang dapat dipisahkan dengan kelompok obyek lainnya, sehingga obyek yang berada dalam kelompok yang sama relatif lebih homogen daripada obyek yang berada pada kelompok yang berbeda. Clustering adalah salah satu teknik unsupervised learning dimana kita tidak perlu melatih metode tersebut atau dengan kata lain, tidak ada fase learning. Tujuan dari metode clustering adalah untuk mengelompokkan sejumlah data atau objek kedalam klaster sehingga setiap klaster akan terisi data yang semirip mungkin (Santosa,2007).

2. Association Rule (Market Basket Analysis)

Association Rule adalah teknik data mining yang digunakan untuk menemukan aturan associative antara suatu kombinasi item. Salah satu contoh penerapan Association Rule adalah Market Basket Analysis.

3. Classification

Klasifikasi merupakan proses untuk menemukan sekumpulan model yang menjelaskan dan membedakan kelas-kelas data, sehingga model tersebut dapat digunakan untuk memprediksi nilai suatu kelas yang belum diketahui pada sebuah objek.

4. Regression (Predictive)

Analisis regresi merupakan teknik untuk membantu menganalisis hubungan antara suatu peristiwa atau keadaan yang terjadi akibat peristiwa yang lain.

(28)

2.3. Pohon Keputusan

Pohon Keputusan (Decision tree) adalah salah satu metode yang sangat populer dan banyak digunakan secara praktis. Metode ini merupakan metode yang berusaha menemukan fungsi-fungsi pendekatan yang bernilai diskrit dan tahan terhadap data yang terdapat kesalahan (noisy data) serta mampu mempelajari ekspresi-ekspresi disjunctive (ekspresi OR).

Decision tree adalah struktur flowchart yang mempunyai tree (pohon), dimana setiap simpul internal menandakan suatu tes atribut, setiap cabang merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas atau distribusi kelas (Neymark,2007).

Decision tree (pohon keputusan) adalah sebuah diagram alir yang mirip dengan struktur pohon, dimana setiap internal node menotasikan atribut yang diuji, setiap cabangnya mempresentasikan hasil dari atribut tes tersebut dan leaf node mepresentasikan kelas-kelas tertentu atau distribusi dari kelas-kelas (Han,2001).

Alur pada decision tree ditelusuri dari simpul ke akar ke simpul daun yang memegang prediksi kelas untuk contoh tersebut. decision tree mudah untuk dikonversi ke aturan klasifikasi (classification rule). Konsep data dalam decision tree dinyatakan dalam bentuk tabel dengan atribut dan record.

Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan memadukan antara eksplorasi data dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk memprediksi anggota mana yang berpotensi

(29)

untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.

Kelebihan dari metode pohon keputusan adalah:

1. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.

2. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas tertentu.

3. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional

4. Dalam analisis multivariant, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

Sedangkan kekurangan dari pohon keputusan adalah :

1. Terjadi overlap terutama ketika kelas-kelas dan kriteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan.

2. Pengakumulasian jumlah error dari setiap tingkat dalam sebuah pohon keputusan yang besar.

3. Kesulitan dalam mendesain pohon keputusan yang optimal.

4. Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan

(30)

Bagian awal dari pohon keputusan ini adalah titik akar (root), sedangkan setiap cabang dari decision tree merupakan pembagian berdasarkan hasil uji, dan titik akhir (leaf) merupakan pembagian kelas yang dihasilkan. Pada umumnya proses dari sistem decision tree adalah mengadopsi strategi pencarian top-down

untuk solusi ruang pencariannya. Pada proses mengklasifikasikan sampel yang tidak diketahui, nilai atribut akan diuji pada decision tree dengan cara melacak jalur dari titik akar sampai titik akhir, kemudian akan diprediksikan kelas yang ditempati sampel baru tersebut. Decision tree mempunyai 3 tipe simpul yaitu:

1. Simpul akar dimana tidak memiliki cabang yang masuk dan memiliki cabang lebih dari satu, terkadang tidak memiliki cabang sama sekali.

2. Simpul internal dimana hanya memiliki 1 cabang yang masuk, dan memiliki lebih dari 1 cabang yang keluar.

3. Simpul daun atau simpul akhir dimana hanya memiliki 1 cabang yang masuk, dan tidak memiliki cabang sama sekali dan menandai bahwa simpul tersebut merupakan label kelas.

Gambar 2.2: Model Pohon Keputusan

Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya. Dimulai dari node root, menggunakan tes terhadap atribut dari record

(31)

dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node daun. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node

daun. Pada pohon keputusan setiap simpul daun menandai label kelas. Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule).

2.4. Algoritma Iterative Dichotomizes versi 3 (ID3)

Iterative Dichotomizes 3 (ID3) adalah algoritma decision tree learning (algoritma pembelajaran pohon keputusan) yang paling dasar. Algoritma ini melakukan pencarian secara rakus /menyeluruh (greedy) pada semua kemungkinan pohon keputusan. Salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative Dichotomizes 3). ID3 dikembangkan oleh J. Ross Quinlan. Algoritma ID3 dapat diimplementasikan menggunakan fungsi rekursif (fungsi yang memanggil dirinya sendiri). Algoritma ID3 berusaha membangun decision tree (pohon keputusan) secara top-down (dari atas ke bawah), mulai dengan pertanyaan : “atribut mana yang pertama kali harus dicek dan diletakkan pada root?” pertanyaan ini dijawab dengan mengevaluasi semua atribut yang ada dengan menggunakan suatu ukuran

statistic (yang banyak digunakan adalah information gain) untuk mengukur efektivitas suatu atribut dalam mengklasifikasikan kumpulan sampel data (David,2004)

Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah decision tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu.

(32)

Function ID3 (kumpulanSampel, AtributTarget, KumpulanAtribut)

1. Buat simpul root

2. If semua sampel adalah kelas I, maka return pohon satu simpul

root dengan label i

3. If kumpulanAtribut = = 0, return pohon satu simpul Root

dengan label = nilai atribut target yang paling sering muncul

Else

 Hitung Information gain tiap atribut

 A adalah Information gain terbesar. Jadikan A sebagai

Root

 For Vi (setiap nilai pada atribut A)

- Tambahkan cabang untuk tiap nilai Vi

- Buat suatu variabel, misal sampel Vi, Sebagai

himpunan bagian dari kumpulan sampel yang bernilai Vi pada atribut A

- If sampel Vi kosong, maka tambahkan simpul daun

dengan label = nilai atribut yang paling sering muncul.

Else

Dibawah cabang tambahkan subtree dengan memanggil fungsi ID3 (SampelVi, AtributTarget,

Atribut-[A])  Rekursif. End

End End

4. Return Root

Gambar 2.3: Algoritma ID3

2.5. Entropy

Sebuah obyek yang diklasifikasikan dalam pohon harus dites nilai entropy-nya.

Entropy adalah ukuran dari teori informasi yang dapat mengetahui karakteristik dari impurity dan homogeneity dari kumpulan data. Dari nilai entropy tersebut

kemudian dihitung nilai information gain (IG) masing-masing

(33)

Gambar 2.4: Entropy

Entropy(S) = - P+2 logP + -P-2logP- dimana :

 S adalah ruang (data) sample yang digunakan untuk training.

 P+ adalah jumlah yang bersolusi positif (mendukung) pada data

sample untuk kriteria tertentu.

 P+ adalah jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu.

Dari rumus entropy diatas dapat disimpulkan bahwa definisi entropy (S) adalah jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas (+ atau -) dari sejumlah data acak pada suatu ruang sampel S.

Entropy bisa dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai entropy maka semakin baik digunakan dalam mengekstraksi suatu kelas. Panjang kode untuk menyatakan informasi secara optimal adalah –2logP bits untuk messages yang mempunyai probabilitas P. Sehingga jumlah bit yang diperkirakan untuk mengekstraksi S ke dalam kelas adalah : - P+2log P+ - P- 2log P-.

(34)

2.6. Information Gain

Setelah mendapat nilai entropy untuk suatu kumpulan data, maka kita dapat mengukur efektivitas suatu atribut dalam mengklasifikasikan data. Ukuran efektifitas ini disebut information gain. Secara matematis, information gain dari suatu atribut A, dituliskan sebagai berikut: (Gambetta,2003)

Gain (S,A)=Entropy(S) -  Entropy(Sv) vValues (A)

| Sv |

| S |

dimana :

A : atribut

V : suatu nilai yang mungkin untuk atribut A

Values (A) : himpunan yang mungkin untuk atribut A |Sv| : jumlah sampel untuk nilai v

|S| : jumlah seluruh sampel data

(35)

2.7. Riset-riset Terkait

Terdapat beberapa riset yang telah dilakukan oleh banyak peneliti berkaitan dengan Decision Tree dengan Algoritma ID3 seperti yang akan dijelaskan di bawah ini.

Nugroho (2007), dalam risetnya menjelaskan bahwa untuk suatu perusahaan yang secara khusus yang bergerak dibidang jasa, permasalahan yang dihadapi adalah ketika pihak perusahaan mengirimkan barang dengan tujuan alamat yang diperoleh dari pihak pelanggan, seringkali pihak pelanggan tidak memberikan alamat pengiriman secara tepat sehingga pihak perusahaan harus memprediksi alamat tersebut secara manual. Dalam melakukan hal ini, membutuhkan waktu yang tidak sedikit sehingga mengurangi kualitas pelayanan terhadap pelanggan. Dari permasalahan ini, diperlukan suatu solusi yang dapat membantu perusahaan dalam melakukan prediksi suatu alamat yang benar. Salah satu solusi memprediksi validitas alamat adalah dengan membuat suatu sistem yang dianggap mampu melakukan prediksi suatu alamat secara tepat. Metode

decision tree dengan algoritma ID3 merupakan salah satu metode dari data mining

yang digunakan untuk mengklasifikasikan data sampel kedalam kelas-kelas tertentu. Berdasarkan kemampuan dari metode ini, kemudian dilakukan penelitian untuk menganalisis keefektifitasan metode ini dalam melakukan prediksi alamat menggunakan kelas yang terbentuk dari metode ini. Bentuk penelitian yang dilakukan adalah dengan melihat tingkat kebenaran yang dihasilkan oleh metode ini dalam melakukan validitas prediksi suatu alamat pada sekumpulan data uji yang diteliti.

Wahyudin (2009) dalam risetnya juga menjelaskan Konsep pohon merupakan salah satu konsep teori graf yang paling penting. Pemanfaatan struktur pohon dalam kehidupan sehari-hari adalah untuk menggambarkan hierarki dan memodelkan persoalan, contohnya pohon keputusan (decision tree). Iterative dichotomizes 3 ( ID3 ) merupakan suatu metode dalam learning yang akan membangun sebuah pohon keputusan untuk pemodelan dalam mencari solusi dari persoalan. Dalam jurnal ini akan dibahas pemakaian pohon keputusan dalam bidang pendidikan , yaitu dalam hal penerimaan mahasiswa baru. Kegiatan

(36)

analisis kemahasiswaan diperlukan untuk mendapatkan keputusan yang bersifat menguntungkan demi maju dan berkembangnya suatu universitas dan analisis penerimaan mahasiswa baru tersebut dapat dilakukan melalui berbagai metode, salah satunya dengan decision tree menggunakan ID3 (Iterative Dichotomizes 3).

Sofi Defiyanti dan D. L. Crispina Pardede (2009) dalam risetnya menyampaikan tentang klasifikasi spam mail digunakan untuk memisahkan spam-mail dari non spam mail (legitimate mail). Klasifikasi spam mail berguna untuk menghemat waktu dan biaya yang digunakan untuk menghapus spam mail dari

inbox. Untuk itu diperlukan metode yang paling baik untuk melakukan klasifikasi

spam mail. Algoritma decision tree merupakan salah satu metode untuk klasifikasi spam mail. Algoritma decision tree telah banyak mengalami pengembangan. Algoritma ID3 dan C4.5 adalah salah satu pengembangan dari algoritma decision tree. Penelitian ini membandingkan kinerja dari dua algoritma tersebut dalam melakukan klasifikasi spam mail. Pengukuran dilakukan menggunakan sekelompok data uji untuk mengetahui persentase precision, recall

dan accuracy. Hasil pengukuran menunjukkan algoritma ID3 memiliki kinerja yang lebih baik dibandingkan algoritma C4.5.

(37)

BAB III

METODOLOGI PENELITIAN

Data merupakan bahan baku informasi untuk memberikan gambaran spesifik mengenai obyek penelitian. Berdasarkan sumbernya, data penelitian dapat dikelompokkan dalam dua jenis yaitu data primer dan data sekunder.

a. Data Primer adalah data yang diperoleh atau dikumpulkan secara langsung dari sumber datanya. Data primer disebut juga sebagai data asli atau data baru yang memiliki sifat up to date. Teknik yang dapat digunakan untuk mengumpulkan data primer antara lain observasi, wawancara, diskusi terfokus (focus group discussion - FGD) dan penyebaran kuesioner.

b. Data Sekunder adalah data yang diperoleh atau dikumpulkan dari berbagai sumber yang telah ada. Data sekunder dapat diperoleh dari berbagai sumber seperti buku, laporan, jurnal, dan lain-lain.

Tujuan dari usulan tesis ini adalah untuk membuat model dengan pohon keputusan menggunakan algoritma Iterative Dichotomizes Versi 3 (ID3) dalam pembuatan keputusan untuk penetapan strategi pemasaran pada perguruan tinggi swasta dalam tesis ini mengambil kasus di AMIK Tunas Bangsa.

3.1. Lokasi dan Waktu Penelitian

Penelitian dilakukan di Kampus AMIK Tunas Bangsa Jl. Jend. Sudirman Blok A No.1,2 & 3 Pematangsiantar-Sumatera Utara. Lamanya waktu yang dibutuhkan untuk menyelesaikan penelitian ini yaitu selama 6 (Enam) bulan yang dimulai pada bulan Nopember 2010 s/d April 2011.

(38)

3.2. Rancangan Penelitian

Rancangan penelitian ini pertama kali dilakukan dengan melakukan pengamatan (observasi) untuk mempelajari data calon mahasiswa baru. Hasil pengamatan kemudian dibuat skenario-skenario yang mendukung, selanjutnya dilakukan eksperimen data dengan menggunakan software rapid miner untuk menguji data yang diambil dari database program sistem penerimaan mahasiswa baru di AMIK Tunas Bangsa.

Tahapan untuk melakukan klasifikasi data dari database antara lain :

1. Mengambil data dari database program sistem penerimaan mahasiswa baru

Gambar 3.1 : Program Sistem Informasi PMB

2. Meng‐export data dari database ke Microsoft excel

3. Membuat aturan (rule) dengan menggunakan software rapid miner

(39)

3.3. Prosedur Pengumpulan Data

Dalam studi kasus ini, data dibagi menjadi 2 (dua) dataset. Dataset yang pertama berasal dari database penerimaan mahasiswa baru dengan jumlah sampel data 1.200 data. Sedangkan dataset yang kedua diambil dari data kuesioner dengan sampel sebanyak 1.200 sampel data. Dataset kedua ini untuk mengukur korelasi antara jenis publikasi yang diterapkan terhadap minat calon mahasiswa dengan fasilitas kampus, dukungan pihak sekolah dan dukungan keluarga. Dari keempat kategori pertanyaan tersebut koresponden menjawab 20 (dua puluh) pertanyaan.

3.4. Alat Analisis Data

Dalam studi kasus ini penulis menggunakan software-software untuk mengalisis data, antara lain:

1. Paket statistik ilmu sosial

Software yang digunakan adalah SPSS Versi 16.0 untuk menampilkan analisis regresi pada data mahasiswa baru yang penulis teliti. SPSS adalah aplikasi untuk mempermudah perhitungan statistik.

2. Rapid Miner

Rapid Miner 5.0 digunakan pada studi ini untuk menampilkan kelompok calon mahasiswa pada kumpulan data dan memperlihatkan matriks presentasi yang tersebar dari kelompok-kelompok. Rapid Miner

membuktikan lebih dari 400 operator dari segala aspek data mining.

Operator Meta secara otomatis mengoptimalkan desain eksperimen dan pengguna tidak memerlukan waktu yang panjang untuk menentukan langkah dan parameter yang lebih panjang. Sejumlah besar teknik visualisasi dan kemungkinan untuk meletakkan breakpoints setelah masing masing operator memberikan pandangan tentang keberhasilan desain bahkan untuk menjalankan percobaan (http://www.rapidminer.com).

(40)

3.5. Instrumen Penelitian

Instrumen atau alat ukur yang digunakan dalam penelitian ini adalah dengan melakukan beberapa dataset file spreadsheet transformasi dari bentuk aslinya (xls) divalidasi menggunakan software SPSS yang kemudian diolah dengan menggunakan rapid miner untuk membuat pohon keputusan dan rule

dengan algoritma ID3.

3.6. Kerangka Kerja

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

Peneliti Software

Identifikasi

Menetapkan Tujuan Penelitian

Mengumpulkan Data dari database PMB

Convert dari database SQL ke MS.Excel

Valid

Membuat Validasi Data dengan SPSS

Olah Data dengan Rapid Miner

Membuat Rule & Analisa

Membuat Kesimpulan dan Saran

(41)

3.7. Peracangan Model

Perancangan model yang dibuat adalah dengan model decision tree dengan hasil sebagai berikut:

Gambar 3.4. Graph view data

3.8. Model Text

Perancangan model text dengan hasil sebagai berikut:

FASILITAS KAMPUS = 16 | DUKUNGAN SEKOLAH = 16

| | DUKUNGAN KELUARGA = 13: Tidak Berminat {Sangat Berminat=8, Berminat=1, Tidak Berminat=12}

FASILITAS KAMPUS = 17 | DUKUNGAN KELUARGA = 13

| | DUKUNGAN SEKOLAH = 17: Sangat Berminat {Sangat Berminat=4, Berminat=1, Tidak Berminat=2}

| DUKUNGAN KELUARGA = 14

| | DUKUNGAN SEKOLAH = 17: Tidak Berminat {Sangat Berminat=2, Berminat=1, Tidak Berminat=9}

FASILITAS KAMPUS = 18 | DUKUNGAN KELUARGA = 14

| | DUKUNGAN SEKOLAH = 18: Tidak Berminat {Sangat Berminat=5, Berminat=0, Tidak Berminat=12}

| DUKUNGAN KELUARGA = 15: Sangat Berminat {Sangat Berminat=2, Berminat=0, Tidak Berminat=0}

FASILITAS KAMPUS = 19

| DUKUNGAN SEKOLAH = 18: Sangat Berminat {Sangat Berminat=1, Berminat=0, Tidak Berminat=0}

| DUKUNGAN SEKOLAH = 19

| | DUKUNGAN KELUARGA = 15: Berminat {Sangat Berminat=22, Berminat=54, Tidak Berminat=10}

FASILITAS KAMPUS = 20 | DUKUNGAN SEKOLAH = 19

| | DUKUNGAN KELUARGA = 15: Berminat {Sangat Berminat=1, Berminat=11, Tidak Berminat=1}

| DUKUNGAN SEKOLAH = 20

| | DUKUNGAN KELUARGA = 15: Berminat {Sangat Berminat=1, Berminat=2, Tidak Berminat=0}

| | DUKUNGAN KELUARGA = 16: Berminat {Sangat Berminat=33, Berminat=35, Tidak Berminat=5}

FASILITAS KAMPUS = 21 | DUKUNGAN SEKOLAH = 20

| | DUKUNGAN KELUARGA = 16: Sangat Berminat {Sangat Berminat=11, Berminat=1 Tidak Berminat=1}

(42)

BAB IV

HASIL DAN PEMBAHASAN

4.1. Analisis

Analisis sistem adalah penguraian dari suatu sistem perangkat lunak yang utuh kedalam bagian komponen-komponennya dengan tujuan untuk mengidentifikasikan dan mengevaluasi permasalahan, hambatan dan kebutuhan yang diharapkan dalam penetapan strategi pemasaran dengan pendekatan model pohon keputusan menggunakan algoritma Iterative Dichotomizes versi 3 (ID3).

Bab ini menyajikan hasil penelitian yang penulis lakukan dengan mengolah dua dataset yaitu dataset yang berasal dari database penerimaan mahasiswa baru dan dataset kedua adalah kuesioner yang terdiri dari empat kategori pertanyaan yaitu fasilitas kampus, dukungan sekolah, dukungan keluarga dan dukungan minat. Dalam percobaan ini dibuat model aturan pohon keputusan dengan algoritma ID3 menggunakan software Rapid Miner. Untuk validasi dan korelasi data penulis membuat analisa dengan software SPSS.

4.2. Hasil Percobaan

Dalam percobaan ini penulis menguji reliabilitas data hasil kuesioner yang dijawab oleh calon mahasiswa dengan menggunakan metode Cronbach's Alpha

untuk data training yang terdiri dari 300 data, sedangkan untuk keseluruhan data sebagai data testing penulis menggunakan sebanyak 1.200 data. Rumus untuk menghitung koefisien reliabilitas instrument dengan menggunakan Cronbach Alpha adalah sebagai berikut:

(43)

Gambar 4.1. Formula Crobach Alpha

Keterangan:

r = koefisien reliabilitas instrument (cronbach alpha) k = banyaknya butir pertanyaan atau banyaknya soal



∑2

= total varians butir

t 2

= total varians

Adapun hasil percobaan training dan testing data secara manual dapat dilihat pada contoh dibawah ini : Kuesioner untuk fasilitas kampus

Tabel 4.1. Kuesioner Fasilitas Kampus

No.Quest Q1 Q2 Q3 Q4 Q5 Total Total

Kuadrat

1 4 3 3 4 5 19 361

2 5 5 5 5 4 24 576

3 5 5 5 5 5 25 625

4 5 3 3 5 4 20 400

5 4 3 4 4 5 20 400

6 4 3 4 5 5 21 441

7 5 4 5 5 5 24 576

8 3 3 3 4 4 17 289

9 4 3 3 4 5 19 361

10 4 3 3 3 4 17 289

Jumlah 43 35 38 44 46 206 4318

Jlh Kuadrat 189 129 152 198 214

Menghitung total varians ( ∑2) varians butir pertama:

∑2

= _______________ 432 189 -

10 10 = 0,41

Varians butir ke-2 sampai ke-5 sama seperti diatas, sehingga total varians butir adalah:

(44)

( ∑2= 0,41 + 0,65 + 0,76 + 0,44 + 0,24) = 2,5

Menghitung total varians (2 )

2062 4318- =

10 = 7,44

Menghitung Koefisien Cronbach Alpha

r = [ ][ ] 2,5 1- 7 44 5

(5-1)

= 0,829 Keterangan:

1. Nilai-nilai untuk pengujian reliabilitas berasal dari skor-skor item angket yang valid. Item yang tidak valid tidak dilibatkan dalam pengujian reliabilitas. 2. Instrumen memiliki tingkat reliabilitas yang tinggi jika nilai koefisien yang

diperoleh >0,60. Ada pendapat lain yang mengemukakan baik/ buruknya reliabilitas instrument dapat dikonsultasikan dengan nilai r tabel.

3. Interpretasi reliabilitas bisa juga menggunakan pertimbangan gambar di bawah ini:

________________________________________________________ 0 Reliabilitas Rendah 0,5 Reliabilitas Tinggi 1

/buruk /baik

(45)

4.2.1. Hasil Percobaan Training Data

Dalam pengujian data training yang terdiri dari 300 data dapat dilihat pada gambar dibawah ini :

Reliability Statistics Cronbach's Alpha Based on

Standardized Items Cronbach's

Alpha N of Items ,769 ,768 5

Gambar 4.3. Reliability Statistics Fasilitas Kampus

Dari Gambar 4.3. menunjukan bahwa cronbach’s Alpha dari Reliability Statistics fasilitas kampus dengan 300 sampel data yang dihasilkan adalah 0,769.

Reliability Statistics

Cronbach's Alpha

Cronbach's Alpha Based on

Standardized

Items N of Items ,841 ,845 5

Gambar 4.4. Reliability Statistics Dukungan Pihak Sekolah

Dari Gambar 4.4. menunjukan bahwa cronbach’s Alpha dari Reliability Statistics dukungan sekolah dengan 300 sampel data yang dihasilkan adalah 0,841.

(46)

Gambar 4.5. Reliability Statistics Dukungan Keluarga

Reliability Statistics

Cronbach's Alpha

Cronbach's Alpha Based on

Standardized

Items N of Items ,806 ,807 5

Dari Gambar 4.5. menunjukan bahwa cronbach’s Alpha dari Reliability Statistics dukungan keluarga dengan 300 sampel data yang dihasilkan adalah 0,806.

Reliability Statistics

Cronbach's Alpha

Cronbach's Alpha Based on

Standardized

Items N of Items ,843 ,847 5

Gambar 4.6. Reliability Statistics terhadap Minat

Dari Gambar 4.6. menunjukan bahwa cronbach’s Alpha dari Reliability Statistics terhadap minat dengan 300 sampel data yang dihasilkan adalah 0,843.

4.2.2. Hasil Percobaan Testing Data

Dalam pengujian Testing data digunakan data keseluruhan setelah dilakukan cleaning data dengan cara menghilangkan data yang inconsistent, data

testing menggunakan data sebanyak 1.200 data, hasil pengujiannya dapat dilihat pada gambar dibawah ini :

(47)

Reliability Statistics

Cronbach's Alpha

Cronbach's Alpha Based on

Standardized

Items N of Items ,764 ,763 5

Gambar 4.7. Reliability Statistics Fasilitas Kampus

Dari Gambar 4.7. menunjukan bahwa cronbach’s Alpha dari Reliability Statistics fasilitas kampus yang dihasilkan adalah 0,764.

Gambar 4.8. Reliability Statistics Dukungan Pihak Sekolah

Dari Gambar 4.8. menunjukan bahwa cronbach’s Alpha dari Reliability Statistics dukungan sekolah yang dihasilkan adalah 0,843.

Reliability Statistics

Cronbach's Alpha

Cronbach's Alpha Based on

Standardized

Items N of Items ,843 ,847 5

Reliability Statistics

Cronbach's Alpha

Cronbach's Alpha Based on

Standardized

Items N of Items ,807 ,809 5

Gambar 4.9. Reliability Statistics Dukungan Keluarga

Dari gambar 4.9. menunjukan bahwa cronbach’s Alpha dari Reliability Statistics dukungan keluarga yang dihasilkan adalah 0,807.

(48)

Reliability Statistics

Cronbach's Alpha

Cronbach's Alpha Based on

Standardized

Items N of Items ,843 ,847 5

Gambar 4.10. Reliability Statistics Terhadap Minat

Dari Gambar 4.10. menunjukan bahwa cronbach’s Alpha dari Reliability Statistics terhadap minat yang dihasilkan adalah 0,843.

Dari perbedaan data training dan testing dapat dilihat pada tabel di bawah ini :

Tabel 4.2. Statistik Reliabilitas data

No Variabel dalam skala

Cronbach's alpha Data Training

300 Data

Cronbach's alpha Data Testing

1200 Data

1 Fasilitas Kampus ,769 ,764

2 Dukungan Sekolah ,841 ,843

3 Dukungan Keluarga ,806 ,803

4 Dukungan Minat ,843 ,843

Dari Tabel 4.2. diatas dapat dijelaskan bahwa Statistik Signifikan dan Reliabilitas data training memiliki nilai diatas >0,60. Cronbach's alpha diberikan survei untuk mengukur konsistensi internal. Menurut Mitchell dan Jolley (1999),

Cronbach's alpha di atas 0,60 dapat diterima sebagai bukti reliabilitas internal. Dari hasil training dan testing dapat disimpulkan bahwa data yang penulis gunakan adalah valid dan dapat dipercaya.

(49)

4.2.3. Signifikansi

Untuk menguji korelasi dari tiga predictor variabel (fasilitas kampus, dukungan sekolah dan dukungan keluarga) terhadap dependent variabel (daerah) untuk penetapan strategi pemasaran penerimaan mahasiswa baru penulis menggunakan metode analisis regresi berganda dengan model fit. Dari metode ini akan diketahui variabel yang paling memberikan kontribusi. Seperti terlihat pada tabel 4.3. dibawah ini :

Tabel 4.3. Korelasi signifikan dari tiga prediktor

Change Statistics Model R R Squar e Adjusted R Square Std. Error of the Estimate R Square Change F

Change df1 df2

Sig. F Chang

Durbin-Watson 1 ,898a ,807 ,806 ,362 ,807 4996,384 1 1198 ,000

2 ,913b ,834 ,834 ,335 ,027 197,588 1 1197 ,000 dimension0

3 ,915c ,838 ,838 ,331 ,004 29,791 1 1196 ,000 1,828

a. Predictors: (Constant), FASILITAS KAMPUS

b. Predictors: (Constant), FASILITAS KAMPUS, DUKUNGAN SEKOLAH

c. Predictors: (Constant), FASILITAS KAMPUS, DUKUNGAN SEKOLAH, DUKUNGAN KELUARGA d. Dependent Variable: MINAT

Dari Tabel 4.3. kita dapat melihat bahwa variable terbaik dari predictor R1 atau Fasilitas Kampus yang memberikan kontribusi 80,7% (R Square change). Keempat variabel memberikan kontribusi yang signifikan R2 = 0,828. Dengan demikian, kita dapat menyimpulkan bahwa tiga variabel tersebut di atas dapat dijadikan sebagai penaksir model aturan untuk penetapan staretgi pemasaran pada penerimaan mahasiswa baru seperti yang terdapat pada tabel 4.4. dibawah ini:

Tabel 4.4. Signifikan Dari Tiga Variabel Prediktor Predikat Change Statistics Model R R Squar e Adjusted R Square Std. Error of the Estimate R Square Change F

Change df1 df2

Sig. F Chang

Durbin-Watson

dimension0 1 ,915

,838 ,838 ,331 ,838 2062,768 3 1196 ,000 1,828

(50)

Tabel 4.4. Signifikan Dari Tiga Variabel Prediktor Predikat Change Statistics Model

R Std. Error _R _{Sig. F}

Squar Adjusted of the _Square _F _Chang Durbin-R e R Square Estimate _Change _Change _df1 _df2 _e Watson ,915a

1 ,838 ,838 ,331 ,838 2062,768 3 1196 ,000 1,828 dimension0

a. Predictors: (Constant), DUKUNGAN KELUARGA, FASILITAS KAMPUS, DUKUNGAN SEKOLAH b. Dependent Variable: MINAT

4.2.4. Multicollinearity

Multikolinearitas adalah masalah umum dalam analisis korelasi banyak, terjadi ketika variabel yang berlebihan dan dapat mengganggu penafsiran yang tepat dari hasil regresi berganda. Cara sederhana untuk mengidentifikasi

collinearity adalah Toleransi dan Varian Inflation Factor (VIF). Toleransi adalah jumlah variabilitas variabel independen yang dipilih. Toleransi nilai mendekati 0.00 menunjukkan variabel sangat collinear dengan variabel prediktor lainnya. Faktor inflasi varian berbanding terbalik dengan nilai toleransi. Sebuah nilai VIF yang besar, (biasanya ambang 10,0) menunjukkan tingkat tinggi collinearity atau multikolinieritas antar variabel independent, seperti pada tabel 4.5.

Collinearity Statistics Model

Beta In

t Sig. Partial Correlation

Tabel 4.5. Multikolinearity Diagnostik

Tolerance VIF Minimum Tolerance DUKUNGAN

SEKOLAH

,762a 14,057 ,000 ,376 ,047 21,212 ,047 1

DUKUNGAN KELUARGA

,756a 14,801 ,000 ,393 ,052 19,107 ,052

2 DUKUNGAN KELUARGA

,501b 5,458 ,000 ,156 ,016 62,131 ,014

a. Predictors in the Model: (Constant), FASILITAS KAMPUS

b. Predictors in the Model: (Constant), FASILITAS KAMPUS, DUKUNGAN SEKOLAH

(51)

4.2.5. Implementasi ID3

Contoh dari manual implementasi ID3 terhadap pengukuran minat adalah sebagai berikut:

Tabel 4.6. Pengukuran Terhadap Minat Calon Mahasiswa Fasilitas Kampus Dukungan Sekolah Dukungan Keluarga Dukungan Minat

C1 Baik Tinggi Tinggi Minat

C2 Baik Sedang Tinggi Minat

C3 Baik Sedang Rendah Minat

C4 Baik Rendah Rendah Tidak Minat

C5 Cukup Tinggi Tinggi Minat

C6 Cukup Sedang Tinggi Minat

C7 Cukup Sedang Rendah Minat

C8 Cukup Rendah Rendah Tidak Minat

C9 Buruk Tinggi Tinggi Minat

C10 Buruk Sedang Rendah Tidak Minat

C11 Buruk Rendah Tinggi Minat

Dari data diatas disimpulkan:

a. Jumlah class target (apakah minat?) = 2 (“Minat” dan “Tidak”) b. Jumlah sampel untuk kelas 1 (“minat”) = 8  P1

c. Jumlah sampel untuk kelas 2 (“tidak minat”) = 3  P2

Entropy (S) = -( ) log8 2 ( ) – ( ) log2 ( ) = 0.8454

11 8 11 3 11 3 11

Information Gain berdasarkan Fasilitas Kampus (FK):

Values (FK) = “Baik”, “Cukup”, “Buruk” S = [8+, 3-]; |S| = 11

Sbaik = [3+, 1-]; |Sbaik| = 4

Scukup = [3+, 1-]; |Scukup| = 4

Sburuk = [2+, 1-]; |Sburuk| = 3

Entropy(S) = Entropy(S) = -( ) log2 ( ) – ( ) log2 ( ) = 0.8454 Entropy(Sbaik) = -( 3/4) log2 ( 3/4 ) – ( 1/4 ) log2 ( 1/4 ) = 0.8113

8 11 8 11 3 11 3 11

Entropy(Scukup) = -( 3/4) log2 ( 3/4 ) – ( 1/4 ) log2 ( 1/4 ) = 0.8113 Entropy(Sburuk) = -( 2/3) log2 ( 2/3 ) – ( 1/3 ) log2 ( 1/3 ) = 0.9183

(52)

Gain (S,FK)=Entropy(S)-  | Sv | Entropy(Sv)=

| S |

v{Baik,Cukup,buruk}

Entropy(S) – (4/11) Entropy-(Sbaik) – (4/11)Entropy(Scukup)-(3/11)Entropy(Sburuk)

= 0.8454 - (4/11)0.8113 - (4/11)0.8113 – (3/11)0.9183 = 0.0049

Begitu juga dengan perhitungan gain untuk Dukungan Sekolah dan Dukungan Keluarga, sehingga diperoleh hasil sebagai berikut:

Gain (S,FK) = 0.0049

Gain (S,DS) = 0.2668

Gain (S,DK) = 0.4040

Dari perolehan information gain diperoleh tree sebagai berikut:

tinggi rendah

minat

tinggi rendah

Dukungan Sekolah Dukungan Keluarga

tidak minat sedang tidak minat Fasilitas Kampus

baik buruk

minat cukup tidak minat

minat

Gambar 4.11. Manual Decision Tree Terhadap Minat (DK=tinggi) V

((DK=rendah)^(DS=sedang)^(FK=baik)) V

((DK=rendah)^(DS=sedang)^(FK=cukup))  dukungan minat = minat

Berdasarkan implementasi manual dari algoritma ID3 tersebut diatas diperoleh rule sebagai berikut:

Jika DK ’tinggi’ atau

Jika DK ‘rendah’ dan DS ‘sedang’ dan FK ‘baik’ atau

Jika DK ‘rendah’ dan DS ’sedang’ dan FK ‘cukup’ maka dukungan minat adalah Minat.

(53)

4.2.6. Hasil Percobaan Decision Tree

Model Decision Tree dengan Model Grafik yang akan digunakan digambarkan sebagai berikut:

Gambar 4.12. Grafik Decision Tree

Dari grafik diatas dapat dijelaskan bahwa fasilitas kampus memiliki pengaruh paling besar terhadap minat. Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk text seperti pada gambar 4.13.

FASILITAS KAMPUS = 13 | DUKUNGAN SEKOLAH = 16 | | DUKUNGAN KELUARGA = 16

| | | Asal Sekolah = Pematangsiantar: Sangat Berminat {Sangat Berminat=10, Berminat=1, Tidak Berminat=9}

| | | Asal Sekolah = Simalungun: Tidak Berminat {Sangat Berminat=5, Berminat=3, Tidak Berminat=11}

| DUKUNGAN SEKOLAH = 17

| | Asal Sekolah = Pematangsiantar

| | | DUKUNGAN KELUARGA = 17: Sangat Berminat {Sangat Berminat=5, Berminat=3, Tidak Berminat=3}

| | Asal Sekolah = Simalungun: Sangat Berminat {Sangat Berminat=5, Berminat=0, Tidak Berminat=0}

FASILITAS KAMPUS = 14 | DUKUNGAN SEKOLAH = 17 | | DUKUNGAN KELUARGA = 17

| | | Asal Sekolah = Pematangsiantar: Tidak Berminat {Sangat Berminat=4, Berminat=2, Tidak Berminat=8}

| | | Asal Sekolah = Simalungun: Tidak Berminat {Sangat Berminat=2, Berminat=2, Tidak Berminat=4}

| DUKUNGAN SEKOLAH = 18

| | Asal Sekolah = Pematangsiantar

| | | DUKUNGAN KELUARGA = 18: Berminat {Sangat Berminat=5, Berminat=6, Tidak Berminat=3}

| | Asal Sekolah = Simalungun

| | | DUKUNGAN KELUARGA = 18: Tidak Berminat {Sangat Berminat=10, Berminat=1, Tidak Berminat=10}

FASILITAS KAMPUS = 15 | DUKUNGAN SEKOLAH = 18 | | DUKUNGAN KELUARGA = 18

| | | Asal Sekolah = Pematangsiantar: Sangat Berminat {Sangat Berminat=2, Berminat=0, Tidak Berminat=1}

| | DUKUNGAN KELUARGA = 19: Sangat Berminat {Sangat Berminat=1, Berminat=0, Tidak Berminat=0}

| DUKUNGAN SEKOLAH = 19 | | DUKUNGAN KELUARGA = 19

| | | Asal Sekolah = Pematangsiantar: Sangat Berminat {Sangat Berminat=40, Berminat=36, Tidak Berminat=11}

(54)

| | | Asal Sekolah = Simalungun: Berminat {Sangat Berminat=29, Berminat=34, Tidak Berminat=11}

| | DUKUNGAN KELUARGA = 20

| | | Asal Sekolah = Pematangsiantar: Berminat {Sangat Berminat=4, Berminat=5, Tidak Berminat=0}

| | | Asal Sekolah = Simalungun: Berminat {Sangat Berminat=4, Berminat=10, Tidak Berminat=4}

| DUKUNGAN SEKOLAH = 20 | | DUKUNGAN KELUARGA = 20

| | | Asal Sekolah = Pematangsiantar: Sangat Berminat {Sangat Berminat=2, Berminat=1, Tidak Berminat=0}

| | | Asal Sekolah = Simalungun: Sangat Berminat {Sangat Berminat=2, Berminat=1, Tidak Berminat=1}

Gambar 4.13. Model Aturan Teks Decision Tree terhadap minat

Dari gambar 4.13. diatas dapat dijelaskan bahwa model aturan terbaik untuk dukungan sangat berminat adalah pada node pertama Fasilitas kampus,

node kedua dukungan sekolah, node berikutnya adalah dukungan keluarga. Untuk melihat penyederhanaan dari decision tree dalam bentuk model aturan induction rule dapat dilihat pada gambar 4.14.

if FASILITAS KAMPUS = 18 and Asal Sekolah = Simalungun then Sangat Berminat (81 / 12 / 16)

if FASILITAS KAMPUS = 17 and DUKUNGAN KELUARGA = 22 then Sangat Berminat (77 / 11 / 14)

if DUKUNGAN SEKOLAH = 23 and DUKUNGAN KELUARGA = 23 then Sangat Berminat (74 / 10 / 12)

if DUKUNGAN KELUARGA = 21 and Asal Sekolah = Pematangsiantar then Sangat Berminat (73 / 18 / 11)

if DUKUNGAN KELUARGA = 24 and Asal Sekolah = Simalungun then Sangat Berminat (52 / 17 / 18)

if FASILITAS KAMPUS = 16 and Asal Sekolah = Simalungun then Sangat Berminat (68 / 27 / 14)

if FASILITAS KAMPUS = 18 and DUKUNGAN KELUARGA = 23 then Sangat Berminat (1 / 0 / 0)

if FASILITAS KAMPUS = 18 and DUKUNGAN SEKOLAH = 22 then Sangat Berminat (31 / 9 / 8)

if FASILITAS KAMPUS = 20 and DUKUNGAN KELUARGA = 25 then Sangat Berminat (21 / 3 / 7)

if DUKUNGAN KELUARGA = 24 and DUKUNGAN SEKOLAH = 23 then Sangat Berminat (7 / 4 / 1)

if DUKUNGAN SEKOLAH = 24 and FASILITAS KAMPUS = 20 then Sangat Berminat (9 / 4 / 4)

if Asal Sekolah = Pematangsiantar and FASILITAS KAMPUS = 15 then Sangat Berminat (48 / 42 / 12)

if FASILITAS KAMPUS = 19 and DUKUNGAN SEKOLAH = 24 then Sangat Berminat (34 / 13 / 19)

if FASILITAS KAMPUS = 17 and DUKUNGAN SEKOLAH = 21 then Sangat Berminat (14 / 5 / 5)

if DUKUNGAN SEKOLAH = 20 and FASILITAS KAMPUS = 15 then Sangat Berminat (2 / 1 / 1)

if FASILITAS KAMPUS = 16 and DUKUNGAN SEKOLAH = 20 then Sangat Berminat (38 / 39 / 8)

if FASILITAS KAMPUS = 13 and DUKUNGAN SEKOLAH = 17 then Sangat Berminat (10 / 3 / 3)

if DUKUNGAN SEKOLAH = 18 and Asal Sekolah = Simalungun then Sangat Berminat (11 / 1 / 10)

if DUKUNGAN KELUARGA = 19 and FASILITAS KAMPUS = 15 then Sangat Berminat (29 / 34 / 11)

(55)

(4 / 2 / 8)

if FASILITAS KAMPUS = 13 and Asal Sekolah = Simalungun then Tidak Berminat (5 / 3 / 11)

if FASILITAS KAMPUS = 13 and DUKUNGAN SEKOLAH = 16 then Sangat Berminat (10 / 1 / 9)

if FASILITAS KAMPUS = 15 and DUKUNGAN SEKOLAH = 19 then Berminat (4 / 10 / 4) if DUKUNGAN SEKOLAH = 18 and FASILITAS KAMPUS = 14 then Berminat (5 / 6 / 3) if FASILITAS KAMPUS = 14 then Tidak Berminat (2 / 2 / 4)

correct: 729 out of 1200 training examples.

Gambar 4.14. Model Aturan Induction Terhadap Minat

Untuk menentukan media publikasi yang efektif diimplementasikan, dapat dilihat pada model grafik dibawah ini:

Gambar 4.15. Grafik Decision Tree Media Publikasi

Dari grafik diatas dapat dijelaskan bahwa fasilitas kampus mempengaruhi terhadap minat, node pertama dukungan sekolah dan media publikasi adalah brosur. Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk text seperti pada gambar 4.16.

FASILITAS KAMPUS = 13 | DUKUNGAN SEKOLAH = 16 | | Media = Brosur

| | | Asal Sekolah = Pematangsiantar

| | | | DUKUNGAN KELUARGA = 16: Sangat Berminat {Sangat Berminat=4, Berminat=0, Tidak Berminat=4}

| | | Asal Sekolah = Simalungun

| | | | DUKUNGAN KELUARGA = 16: Tidak Berminat {Sangat Berminat=1, Berminat=1, Tidak Berminat=3}

| | Media = DIKLAT: Tidak Berminat {Sangat Berminat=0, Berminat=0, Tidak Berminat=2}

| | Media = Koran

| | | Asal Sekolah = Pematangsiantar: Sangat Berminat {Sangat Berminat=2, Berminat=0, Tidak Berminat=0}

| | | Asal Sekolah = Simalungun

| | | | DUKUNGAN KELUARGA = 16: Tidak Berminat {Sangat Berminat=3, Berminat=2, Tidak Berminat=6}

| | Media = P2P

| | | Asal Sekolah = Pematangsiantar

| | | | DUKUNGAN KELUARGA = 16: Tidak Berminat {Sangat Berminat=1, Berminat=1, Tidak Berminat=2}

| | | Asal Sekolah = Simalungun: Tidak Berminat {Sangat Berminat=0, Berminat=0, Tidak Berminat=1}

(56)

| | | DUKUNGAN KELUARGA = 16

| | | | Asal Sekolah = Simalungun: Sangat Berminat {Sangat Berminat=1, Berminat=0, Tidak Berminat=1}

| | Media = Spanduk: Sangat Berminat {Sangat Berminat=3, Berminat=0, Tidak Berminat=0}

| | Media = Teman: Tidak Berminat {Sangat Berminat=0, Berminat=0, Tidak Berminat=1}

| DUKUNGAN SEKOLAH = 17

| | | | DUKUNGAN KELUARGA = 17: Sangat Berminat {Sangat Berminat=2, Berminat=2, Tidak Berminat=0}

| | | Media = Koran

| | | | DUKUNGAN KELUARGA = 17: Sangat Berminat {Sangat Berminat=2, Berminat=1, Tidak Berminat=1}

| | | Media = P2P

| | | | DUKUNGAN KELUARGA = 17: Tidak Berminat {Sangat Berminat=1, Berminat=0, Tidak Berminat=1}

| | | Media = Spanduk: Tidak Berminat {Sangat Berminat=0, Berminat=0, Tidak Berminat=1}

| | Asal Sekolah = Simalungun: Sangat Berminat {Sangat Berminat=5, Berminat=0, Tidak Berminat=0}

FASILITAS KAMPUS = 14 | Media = Brosur

| | | | DUKUNGAN KELUARGA = 17: Tidak Berminat {Sangat Berminat=2, Berminat=0, Tidak Berminat=3}

| | | DUKUNGAN SEKOLAH = 18

| | | | DUKUNGAN KELUARGA = 18: Berminat {Sangat Berminat=2, Berminat=3, Tidak Berminat=0}

| | | | DUKUNGAN KELUARGA = 17: Tidak Berminat {Sangat Berminat=1, Berminat=0, Tidak Berminat=3}

| | | DUKUNGAN SEKOLAH = 18

| | | | DUKUNGAN KELUARGA = 18: Sangat Berminat {Sangat Berminat=6, Berminat=0, Tidak Berminat=4}

| Media = DIKLAT

| | DUKUNGAN SEKOLAH = 17: Tidak Berminat {Sangat Berminat=0, Berminat=0, Tidak Berminat=2}

| | DUKUNGAN SEKOLAH = 18: Berminat {Sangat Berminat=0, Berminat=1, Tidak Berminat=0}

| Media = Direct Mail: Berminat {Sangat Berminat=0, Berminat=1, Tidak Berminat=0}

Gambar 4.16. Model Aturan Teks Decision Tree Media Publikasi

Dari gambar 4.16. diatas dapat dijelaskan bahwa faktor yang mempengaruhi pada node pertama adalah fasilitas kampus, node kedua dukungan sekolah, node ketiga media publikasi brosur, node ke empat asal dan node kelima dukungan keluarga. Untuk melihat penyederhanaan dari decession tree dalam bentuk model aturan induction rule dapat dilihat pada gambar 4.17.

if FASILITAS KAMPUS = 18 and Media = Koran then Sangat Berminat (56 / 8 / 6) if DUKUNGAN KELUARGA = 22 and DUKUNGAN SEKOLAH = 21 then Sangat Berminat (25 / 3 / 1)

if DUKUNGAN SEKOLAH = 22 and Asal Sekolah = Simalungun then Sangat Berminat (42 / 5 / 8)

if DUKUNGAN KELUARGA = 21 and Media = Brosur then Sangat Berminat (40 / 9 / 7) if DUKUNGAN SEKOLAH = 23 and Asal Sekolah = Pematangsiantar then Sangat Berminat (62 / 9 / 11)

(1)

if DUKUNGAN KELUARGA = 21 and Media = Koran then Sangat Berminat (42 / 9 / 8) if Media = Spanduk and Asal Sekolah = Pematangsiantar then Sangat Berminat (53 / 19 / 7)

if DUKUNGAN SEKOLAH = 23 and FASILITAS KAMPUS = 19 then Sangat Berminat (13 / 4 / 0)

if Media = Brosur and Asal Sekolah = Simalungun then Sangat Berminat (82 / 37 / 30)

if FASILITAS KAMPUS = 18 and Media = DIKLAT then Sangat Berminat (4 / 0 / 0) if FASILITAS KAMPUS = 17 and Media = Radio then Sangat Berminat (4 / 0 / 0) if DUKUNGAN KELUARGA = 25 and Asal Sekolah = Simalungun then Sangat Berminat (4 / 1 / 0)

if DUKUNGAN SEKOLAH = 24 and Media = Koran then Sangat Berminat (30 / 10 / 9) if FASILITAS KAMPUS = 18 and Media = Spanduk then Sangat Berminat (3 / 0 / 0) if DUKUNGAN SEKOLAH = 22 and Media = P2P then Sangat Berminat (4 / 1 / 0) if DUKUNGAN SEKOLAH = 21 and FASILITAS KAMPUS = 17 then Sangat Berminat (7 / 4 / 1)

if Asal Sekolah = Pematangsiantar and FASILITAS KAMPUS = 18 then Sangat Berminat (14 / 5 / 6)

if FASILITAS KAMPUS = 16 and Asal Sekolah = Simalungun then Sangat Berminat (21 / 12 / 5)

if Asal Sekolah = Pematangsiantar and FASILITAS KAMPUS = 20 then Sangat Berminat (16 / 2 / 9)

if DUKUNGAN KELUARGA = 19 and Asal Sekolah = Pematangsiantar then Sangat Berminat (34 / 29 / 9)

if FASILITAS KAMPUS = 16 and Media = Radio then Sangat Berminat (7 / 2 / 2) if FASILITAS KAMPUS = 19 and Media = P2P then Sangat Berminat (6 / 1 / 2) if Media = Koran and DUKUNGAN SEKOLAH = 18 then Sangat Berminat (9 / 3 / 3) if Media = Brosur and FASILITAS KAMPUS = 13 then Sangat Berminat (6 / 2 / 4) if DUKUNGAN KELUARGA = 20 and Media = P2P then Berminat (3 / 9 / 0)

if Media = Direct Mail and FASILITAS KAMPUS = 16 then Sangat Berminat (4 / 0 / 0) if DUKUNGAN KELUARGA = 20 and Media = Teman then Berminat (0 / 3 / 0)

if Media = Brosur and DUKUNGAN KELUARGA = 20 then Sangat Berminat (9 / 11 / 2) if Media = Brosur and FASILITAS KAMPUS = 19 then Sangat Berminat (10 / 6 / 10) if Media = Radio and FASILITAS KAMPUS = 19 then Sangat Berminat (4 / 1 / 1) if FASILITAS KAMPUS = 15 and Media = Koran then Berminat (14 / 26 / 8)

if FASILITAS KAMPUS = 14 and Asal Sekolah = Simalungun then Tidak Berminat (1 / 2 / 6)

if Media = Koran and Asal Sekolah = Pematangsiantar then Sangat Berminat (14 / 11 / 6)

if DUKUNGAN SEKOLAH = 16 and Asal Sekolah = Pematangsiantar then Tidak Berminat (1 / 1 / 5)

if DUKUNGAN SEKOLAH = 16 and Media = P2P then Tidak Berminat (0 / 0 / 1) if DUKUNGAN SEKOLAH = 24 and FASILITAS KAMPUS = 20 then Tidak Berminat (1 / 0 / 3)

if Asal Sekolah = Pematangsiantar and Media = P2P then Tidak Berminat (2 / 0 / 5) if Asal Sekolah = Simalungun and Media = Radio then Sangat Berminat (8 / 5 / 3) if DUKUNGAN SEKOLAH = 17 and FASILITAS KAMPUS = 14 then Tidak Berminat (2 / 1 / 6)

else Sangat Berminat (19 / 19 / 18)

correct: 747 out of 1191 training examples.

Gambar 4.17. model aturan induction rule publikasi

Dari Gambar 4.17 tersebut dapat dijelaskan bahwa: 1. Dukungan minat adalah Sangat Berminat:

if FASILITAS KAMPUS = 18 and Media = DIKLAT then Sangat Berminat (4 / 0 / 0) atau

if FASILITAS KAMPUS = 17 and Media = Radio then Sangat Berminat (4 / 0 / 0) atau

(2)

if FASILITAS KAMPUS = 18 and Media = Spanduk then Sangat Berminat (3 / 0 / 0) atau

if Media = Direct Mail and FASILITAS KAMPUS = 16 then Sangat Berminat (4 / 0 / 0)

2. Dukungan minat adalah Berminat:

if DUKUNGAN KELUARGA = 20 and Media = Teman then Berminat (0 / 3 / 0)

3. Dukungan minat adalah Tidak Berminat:

(3)

BAB V

KESIMPULAN DAN SARAN

5.1. KESIMPULAN

Dari hasil analisis yang penulis lakukan maka penetapan strategi pemasaran dengan pendekatan model aturan pohon keputusan menggunakan algoritma

Iterative Dichotomizes versi 3 (ID3) disimpulan sebagai berikut:

1. Pohon keputusan dengan algoritma ID3 dapat digunakan untuk memperoleh pengetahuan pada bidang bisnis pendidikan khususnya memberikan keputusan dalam hal penetapan strategi pemasaran penerimaan mahasiswa baru di perguruan tinggi swasta.

2. Keunggulan Algoritma ID3 menyelesaikan kasus ini adalah diperoleh suatu model yang dapat memperlihatkan aturan keterhubungan antara

database penerimaan mahasiswa baru dengan fasilitas kampus, dukungan pihak sekolah, dukungan keluarga dan dukungan minat terhadap penetapan strategi pemasaran penerimaan mahasiswa baru.

3. Faktor yang mempengaruhi minat kuliah untuk Kotamadya Pematangsiantar adalah jika gain rasio fasilitas kampus=13, gain rasio

dukungan sekolah=16 dan gain rasio dukungan keluarga=16 dengan rule

sebagai berikut:

FASILITAS KAMPUS = 13 (gain rasio) | DUKUNGAN SEKOLAH = 16

| | DUKUNGAN KELUARGA = 16

| | | Asal Sekolah = Pematangsiantar: Sangat Berminat {Sangat Berminat=10, Berminat=1, Tidak Berminat=9}

4. Faktor sangat mempengaruhi minat kuliah untuk Kabupaten Simalungun adalah jika gain rasio fasilitas kampus=13, gain rasio dukungan

(4)

sekolah=17 dan gain rasio dukungan keluarga=17 dengan rule sebagai berikut:

DUKUNGAN SEKOLAH = 17

| | Asal Sekolah = Pematangsiantar

| | | DUKUNGAN KELUARGA = 17: Sangat Berminat {Sangat Berminat=5, Berminat=3, Tidak Berminat=3}

| | Asal Sekolah = Simalungun: Sangat Berminat {Sangat Berminat=5, Berminat=0, Tidak Berminat=0}

5. Penerapan media publikasi yang paling efektif jika gain rasio fasilitas kampus= 18 menggunakan media Diklat atau Spanduk. Jika gain rasio

fasilitas kampus= 17 menggunakan media radio dan jika gain rasio

fasilitas kampus=16 menggunakan media direct mail.

6. Dalam studi kasus pada Penerimaan Mahasiswa Baru di Akademi Manajemen Informatika Komputer (AMIK) Tunas Bangsa Pematangsiantar bahwa penetapan strategi ditentukan berdasarkan minat dan letak geografis sekolah.

7. Penelitian lanjutan penggunaan metode lain untuk penentuan strategi pemasaran ini mungkin akan memberikan hasil yang lebih baik dan lebih menggambarkan keadaan yang sebenarnya.

5.2. SARAN

Dari hasil analisis ini penulis menyarankan:

1. Penelitian ini lebih lanjut dapat dikolaborasikan dengan menggunakan metode teknik data mining yang lain seperti Association rule.

2. Untuk menganalisa kebenaran pendekatan model aturan (rule) yang telah didapat, dapat memberikan rekomendasi kepada perguruan tinggi lain untuk menguji kebenaran pendekatan aturan yang dimiliki.

3. Dari pendekatan model aturan yang didapat, menjadi perhatian khusus bagi AMIK Tunas Bangsa Pematangsiantar untuk melihat dan mengambil keputusan metode yang dapat ditetapkan pada penerimaan mahasiswa baru dimasa yang akan datang guna mempercepat pencapaian target mahasiswa dan mempertahankan pasar.

(5)

DAFTAR PUSTAKA

David, Mcg.,2004. Tutorial: The ID3 Decision Tree Algorithm, Monash Uviversity Faculty of Information Technology.

Defiyanti Sofi & Pardede Cripina D.L. Cripina. 2009. Perbandingan Kinerja Algoritma ID3 dan C4.5 Dalam Klasifikasi Spam-Mail, Universitas Gunadarma.

Dunham H. Margareth, 2002. Data Mining Introductory and Advantaced Topics, Southern Methodist University.

Gambetta Windy.2003. Pohon Keputusan, Institut Teknologi Bandung

Hiroshi Motoda and Kouzou Ohara. 2009. The Top Ten Algorithms in Data Mining, CRC Press

Hand, D., Mannila, H. and Smyth, P.; 2001. Principles of Data Mining. MIT Press.

Han, J., and Kamber M., 2003. Data Mining: Concepts and Techniques

Morgan Kaufman Publishers, New Delhi.

Ian H. and Frank, E. 2005. Data Mining – Practical Machine Learning Tools and Techniques 2nd Edition, Morgan Kaufmann Publisher

Maimon & Last. 2000. dalam Sitompul Opim Salim. 2008. Data Warehouse

dan Data Mining Untuk Sistem Pendukung Keputusan, Medan

(6)

Nugroho Fanuel S, Harianto Kristanto, Yetli Oslan.2007. Validitas Suatu Alamat Menggunakan Decission Tree Dengan Algoritma ID3, Univ.Kristen Duta Wacana.

Setiawan Bambang. 2007. Perancangan Sistem Pendukung Keputusan (SPK) Untuk Menentukan Kelaiklautan Kapal, Surabaya.

Santosa Budi. 2007. Data Mining: Teknik Pemanfaatan Data Untuk Keperluan Bisnis, Yogyakarta.

Tan, Pang-Ning, Michael Steinbach, and Vipin Kumar. 2004. Introduction to Data Mining.

Wahyudin. 2009. Metode ID3 Untuk Penyeleksian Penerimaan Mahasiswa Baru. Jurnal Pendidikan Teknologi Informasi dan Komunikasi.

Penetapan Strategi Pemasaran Dengan Pendekatan Model Pohon Keputusan Menggunakan Algoritma Iterative Dichotomizes (ID3) di Perguruan Tinggi Swasta

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3)

DI PERGURUAN TINGGI SWASTA

TESIS

Oleh

M. S A F I I

097038008 / TIF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

M E D A N

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3)

DI PERGURUAN TINGGI SWASTA

TESIS

Diajukan sebagai salah satu syarat untuk memperoleh gelar

Magister Komputer dalam Program Studi Magister

Teknik Informatika pada Program Pascasarjana

Fakultas MIPA Universitas Sumatera Utara

Oleh

M. S A F I I

097038008 / TIF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

M E D A N

PENGESAHAN TESIS

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3)

DI PERGURUAN TINGGI SWASTA

TESIS

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZER 3 (ID3)

DI PERGURUAN TINGGI SWASTA

KATA PENGANTAR

DAFTAR PUSTAKA

Parts

Dokumen yang terkait

Sistem Pendukung Keputusan Penentuan Kelayakan Calon Asisten Laboratorium Berbasis Android Menggunakan Algoritma Iterative Dichotomiser 3 (Id3)

Model Rekrutmen Calon Karyawan Dengan Algoritma Iterative Dichotomizer Three (ID3) (Studi Kasus di PT.Tiffa Mitra Sejahtera)

PEMASARAN PENDIDIKAN DI PERGURUAN TINGGI SWASTA PEMASARAN PENDIDIKAN DI PERGURUAN TINGGI SWASTA ( Studi Sites Universitas Islam Batik Surakarta ).

Strategi Pengelolaan Das Dengan Pendekatan Algoritma Iterative Dichotomizes 3 (Id3) (Studi Kasus: Perubahan Tutupan Vegetasi Terhadap Erosi Dan Debit Aliran Di Das Citanduy).

SISTEM PENDUKUNG KEPUTUSAN PENDETEKSIAN PENYAKIT DIABETES DENGAN METODE DECISION TREE MENGGUNAKAN ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3).

RANCANG BANGUN SISTEM INFORMASI PENGGAJIAN DI PERGURUAN TINGGI SWASTA

STRATEGI PEMASARAN PERGURUAN TINGGI SWASTA DI KABUPATEN SLEMAN YOGYAKARTA BERBASIS RANGSANGAN PEMASARAN

Algoritma Iterative Dichotomizer 3 ( ID3 ) Pengambilan Keputusan

Strategi Pemasaran Perguruan Tinggi Swasta

SISTEM PENDUKUNG KEPUTUSAN PENDETEKSIAN PENYAKIT DIABETES MENGGUNAKAN METODE DECISION TREE DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3)

Dokumen yang Anda mencari sudah siap untuk unduhkan