Pola Keterkaitan Nilai Mahasiswa Ilmu Komputer IPB Alih Jenis Dengan Komponen EPBM Menggunakan Algoritme SPADE

POLA KETERKAITAN NILAI MAHASISWA ILMU
KOMPUTER IPB ALIH JENIS DENGAN KOMPONEN EPBM
MENGGUNAKAN ALGORITME SPADE

ZICO AGUSTIAN RUSDY

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pola KeterkaitanNilai
Mahasiswa Ilmu Komputer IPB Alih Jenis dengan Komponen EPBM
Menggunakan Algoritme SPADEadalah benar karya saya denganarahan dari
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Mei 2014
Zico Agustian Rusdy
NIM G64104051

ABSTRAK
ZICO AGUSTIAN RUSDY. Pola Keterkaitan Nilai Mahasiswa Ilmu Komputer
IPB Alih Jenis dengan Komponen EPBM Menggunakan Algoritme SPADE.
Dibimbing oleh ANNISA.
Penelitian ini bertujuan untuk mengimplementasikan algoritme SPADE
untuk melihat keterkaitan antara beberapa komponen pemicu nilai akhir mata
kuliah dengan berbagai kumpulan data. Algoritme Sequential Pattern Discovery
using Equivalence Class (SPADE) merupakan salah satu algoritme yang
digunakan untuk melakukan penemuan cepat pola sekuensial. SPADEmemiliki 3
masukan data untuk diolah agar menghasilkan pola sekuensial yaitu sid, eid, dan
items.Mata kuliah menjadi masukan data untuk sid, angkatan untuk eid, dan
pemicu nilai akhir mata kuliah seperti nilai mahasiswa, nilai EPBM, nilai
diploma, dan status kerja sebagai items. Hasil dari penelitian ini menghasilkan
kemunculan bersama maupun pola sekuensial dari pemicu nilai akhir mata kuliah

mahasiswa. Dari hasil peneletian ini ditemukan bahwa angkatan 4 paling sering
mengungguli angkatan-angkatan sebelumnya dengan meraih nilai baik, dan
ditemukan jugasebuah hubungan erat antara cara mengajar dosen yang baik
dengan nilai akhir mata kuliah dari mahasiswa yang baik.
Kata kunci: penentuan pola, sequential pattern mining, SPADE

ABSTRACT
ZICO AGUSTIAN RUSDY. Association Pattern between Course Grades and
Course Evaluation Score in Computer Science Extension Program using SPADE.
Supervised by ANNISA.
This study aims to implement the SPADE algorithm to see the associations
between some components that trigger course grades and a variety of data
collections. Sequential Pattern Discovery using Equivalence Class (SPADE)
algorithm is one of the most effective algorithm to determine sequential pattern of
data. SPADE has 3 input data to be processed to generate a sequential pattern, i.e.,
sid, eid, and items. The course becomes the input for sid, the student batch for eid,
and value triggers of course grade become such as student grade, EPBM score,
previous GPA, and employment status become the inputs for items. This research
resulted in event atoms and sequential patterns amongs components that
determine the course grade. It was found that 4th batch is the most frequent to

outperform the previous batches to achieving better grades, and it has found a
close connection between a good lecturers evaluation score and the good course
grades.
Keywords: pattern discovery, sequential pattern mining, SPADE

POLA KETERKAITAN NILAI MAHASISWA ILMU
KOMPUTER IPB ALIH JENIS DENGAN KOMPONEN EPBM
MENGGUNAKAN ALGORITME SPADE

ZICO AGUSTIAN RUSDY
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR

2014

Judul Skripsi

:

Nama
NIM

:
:

Pola Keterkaitan Nilai Mahasiswa Ilmu Komputer IPB Alih
Jenis Dengan Komponen EPBM Menggunakan Algoritme
SPADE
Zico Agustian Rusdy
G64104051

Disetujui oleh

Annisa, SKom, MKom
Pembimbing I

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen Ilmu Komputer

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah Subhanahuwata’alaatas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Agustus 2012 ini terkait
asosiasi penentuan pola sekuensial, dengan judul Pola Keterkaitan Nilai
Mahasiswa Ilmu Komputer IPB Alih Jenis dengan Komponen EPBM
Menggunakan Algoritme SPADE.
Terima kasih penulis ucapkan kepada Ibu Annisa, SKom, MKom selaku
pembimbing yang telah memberikan arahan, dan saran selama penelitian ini
berlangsung. Ungkapan terima kasih juga disampaikan kepada orangtua, adik,

serta seluruh keluarga, atas segala doa dan kasih sayangnya. Ucapan terima kasih
juga penulis sampaikan kepada seluruh teman-teman mahasiswa Departemen Ilmu
Komputer IPB Alih Jenis angkatan 5 dan teman-teman satu bimbingan yang telah
membantu dalam penyelesaian penelitian ini.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan
skripsi ini.Penulis berharap penelitian dan tulisan ini dapat memberikan manfaat
untuk masyarakat Indonesia pada umumnya dan pihak akademik IPB pada
khususnya.

Bogor, Mei 2014
Zico Agustian Rusdy

DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
Latar Belakang
Tujuan Penelitian
Manfaat Penelitian

Ruang Lingkup Penelitian
TINJAUAN PUSTAKA
Knowledge Discovery from Data (KDD)
Sequential Pattern Mining
Algoritme SPADE
METODE
Pengumpulan Data
Pembersihan Data
Seleksi Data
Transformasi Data
Data Mining
Lingkungan Pengembangan
HASIL DAN PEMBAHASAN
Pengumpulan Data
Pembersihan Data
Seleksi Data
Transformasi Data
Data Mining
SIMPULAN DAN SARAN
Simpulan

Saran
DAFTAR PUSTAKA
LAMPIRAN
RIWAYAT HIDUP

vi
vi
vi
1
1
1
2
2
2
2
3
3
6
6
7

7
7
8
9
10
10
12
12
14
14
19
19
19
19
20
27

DAFTAR TABEL
1
2

3
4
5
6
7

Sampel database vertikal (Zaki 2001)
Id-list item A (Zaki 2001)
Sampel data nilai yang telah dilakukan proses pembersihan data
Rentang nilai mata kuliah mahasiswa
Rentang nilai EPBM
Bentuk input data setelah dikonversi menjadi beberapa kode data
Hasil jumlah pola kemunculan dari hasil pengujian dengan masingmasing minimum support

4
4
12
15
15
15

15

DAFTAR GAMBAR
Original input-sequence database (Zaki 2001)
Tahapan penelitian
Contoh data nilai mata kuliah
Contoh biodata mahasiswa yang diperoleh
Contoh data EPBM yang diperoleh
Contoh data yang tidak lolos seleksi dari biodata mahasiswa
Contoh nilai yang diperoleh angkatan 4 pada mata kuliah KOM322
Sampel Frequent Sequences yang terbentuk dari masukan data akademik
yang dimasukkan dengan minimum support 50%
9 Tampilan antarmuka aplikasi utama
10 Tampilan rentetan pemicu nilai akhir mata kuliah antar angkatan
1
2
3
4
5
6
7
8

5
6
10
11
13
13
14
16
16
17

DAFTAR LAMPIRAN
1 Tiga puluh mata kuliah yang diambil
2 Sampel data nilai mata kuliah
3 Data nilai mutu mata kuliah, EPBM, dan nilai diploma setelah praproses
4 Sampel data nilai diploma dan status kerja
5 Data input program algoritme SPADE

20
21
22
23
24

PENDAHULUAN
Latar Belakang
Setiap perguruan tinggi selalu melakukan evaluasi dari hasil proses
perkuliahan yang telah dilakukan. Institut Pertanian Bogor menggunakan data
Evaluasi Proses Belajar Mengajar (EPBM) sebagai salah satu sumber data yang
digunakan untuk melakukan evaluasi. Terkait prestasi akademik mahasiswa
sendiri, terdapat beberapa faktor yang mempengaruhi hasil belajar seperti
karakteristik mahasiswa, konteks akademik, dan persepsi mahasiwa mengenai
lingkungan belajar (Aditomo & Ayuningtyas 2008).
Dengan ketersediaan data yang melimpah tersebut, penemuan pengetahuan
yang berguna dari suatu database yang besar semakin popular dan menarik
perhatian (Sijabat 2011). Setiap semester terdapat data Evaluasi Proses Belajar
Mengajar (EPBM). Informasi yang diperoleh dari data EPBM tiap semester
adalah performa para pengajar suatu mata kuliah, belum lagi informasi lain yang
diperoleh dari data mahasiswa sendiri. Dalam data EPBM dapat diketahui penilai
performa pengajar dari berbagai aspek seperti apakah dosen menyiapkan materi
pengajaran dengan baik, sikap mengajar, dan etika yang ditampilkan dosen saat
mengajar. Penemuan pengetahuan yang berguna terkait nilai akhir mata kuliah
mahasiswa tersebut dapat dilakukan menggunakan teknik data mining. Data
mining merupakan proses ekstraksi informasi atau pola dalam database yang
berukuran besar (Han & Kamber 2011). Salah satu teknik data mining adalah
sequential pattern mining yang berguna untuk menemukan pola sekuensial yang
terdapat pada database yang pertama kali diperkenalkan oleh Agrawal dan Srikant
pada tahun 1995.
Sebagai contoh, mahasiswa angkatan x cenderung mendapat hasil yang
bagus pada suatu mata kuliah, dikarenakan cara mengajar dosen yang baik.
Kejadian seperti ini sebenarnyaterekam dalam database, hanya saja belum tergali
informasi tentang hal itu. Hal ini dapat dimanfaatkan oleh para pejabat akademik
perguruan tinggi sebagai bahan evaluasi dan peningkatan kualitas perkuliahan.
Oleh karena itu, algoritme SPADE dapat digunakan untuk mencari
keterkaitan prestasi akademik mahasiswa Departemen Ilmu Komputer alih jenis
IPB dalam suatu mata kuliahyang kaitannya dengan aspek-aspek pemicu nilai
mata kuliahyang telah dibahas sebelumnya.
Tujuan Penelitian
Tujuan penelitian ini adalah mengimplementasikan algoritme SPADE untuk
melihat keterkaitan antara beberapa komponen pemicu nilai akhir mata kuliah
dengan berbagai kumpulan data. Komponen pemicu tersebut antara lain latar
belakang mahasiswa, proses perkuliahan, dan nilai akhir mata kuliah. Komponen
pemicu tersebut diperoleh dari kumpulan data seperti EPBM, data nilai mahasiswa
dan biodata mahasiswa. Pada biodata mahasiswa diketahui latar belakang
mahasiswa yaitu status kerja dan nilai diploma, dari data EPBM diperoleh nilai
dosen, dan dari data nilai mahasiswa diperoleh nilai akhir mahasiswa pada tiap
mata kuliah. Kumpulan data tersebut menghasilkan pengetahuan tentang

2

kemunculan bersama maupun deretan pola sekuensial antar-pemicu prestasi dan
nilai mata kuliah dari tiap angkatan.

Manfaat Penelitian
Hasil dari penelitian ini mampu memberikan informasi keterkaitan antara
kumpulan komponen EPBM yang mempengaruhi nilai akhir mata kuliah
mahasiswa. Pola keterkaitan yang dihasilkan dari tiap angkatan tersebut dapat
digunakan sebagai bahan evaluasi untuk meningkatkan kualitas perkuliahan.
Ruang Lingkup Penelitian
1

2
3

Ruang lingkup dari penelitian ini adalah sebagai berikut:
Implementasi algoritmeSPADE dengan menggunakan data akademik
mahasiswaProgram SarjanaIlmu Komputer alih jenis angkatan ke-1 sampai
angkatan ke-4.
Data akademik tersebut terdiri dari beberapa data antara lain data nilai
mahasiswa, biodata mahasiswa, dan data EPBM Dosen.
Penelitian ini mencari pola kemunculan bersama dari komponen EPBM, dan
data mahasiswa lainnya yang terkait dengan nilai mahasiswa pada suatu
mata kuliah.

TINJAUAN PUSTAKA
Knowledge Discovery from Data (KDD)
Knowledge Discovery in Databases (KDD) adalah sebuah proses iteratif
untuk ekstraksi pengetahuan dan data mining merupakan bagian dari proses KDD
(Han & Kamber 2011). Data mining adalah proses penemuan pengetahuan yang
menarik dari kumpulan data yang tersimpan pada database, data warehouse, dan
media penyimpanan informasi lainnya.
Deskripsi mengenai tahapan proses KDD adalah sebagai berikut:
1

Pembersihan Data (Data Cleaning)
Pembersihan data dilakukan untuk membuang noise dan data yang tidak
konsisten.

2

Seleksi Data (Data Selection)
Seleksi data merupakan proses pengambilan data yang relevan dengan
proses analisis yang dilakukan.

3

Transformasi Data (Data Transformation)
Transformasi data adalah proses mengubah bentuk data ke dalam bentuk
yang sesuai untuk dilakukan proses mining dengan cara melakukan
peringkasan atau operasi agregasi.

3

4

Data Mining
Data mining merupakan proses penting yang menerapkan metode-metode
cerdas untuk mengekstraksi pola-pola dalam data.

5

Evaluasi Pola (Pattern Evaluation)
Merupakan suatu proses untuk mengidentifikasi pola-pola tertentu pada data
yang menarik dan merepresentasikan pengetahuan.

6

Representasi Pengetahuan (Knowledge Representation)
Penggunaan visualisasi dan teknik representasi untuk menunjukkan
penemuan pengetahuan hasil proses mining kepada pengguna.
Sequential Pattern Mining

Sequential pattern mining yang berguna untuk menemukan pola sekuensial
yang terdapat pada database yang pertama kali diperkenalkan oleh Agrawal dan
Srikant pada tahun 1995.Sequential pattern mining ini adalah mencari pola dari
sebuah data transaksi yang didalamnya terdapat sebuah pelaku transaksi, waktu
transaksi dan items yang terlibat dalam transaksi. Sebuah pola sekuensial
dikatakan maksimum apabila tidak mengandung pola sekuensial lainnya (Zaki
2001).Sebuah pola sekuensial dengan k-item disebut k-sequence. Sebagai contoh,
(A →BC) merupakan sebuah sequence dengan 3-sequence. Panjang sebuah pola
sekuensial adalah jumlah item yang terdapat pada pola sekuensial tersebut yang
dilambangkan dengan |s|.
Sebagai contoh, (A→BC) merupakan subsequence dari (A→DE→BC) atau
(D→AB→BC) tetapi bukan subsequence dari (ABC) atau (BC→A).Misalkan α
merupakan sebuah sequence dan D merupakan sebuah database,dan diberikan
sebuah user-specified thresholdσ yang disebut dengan minimum support, maka
sebuah sequence dikatakan frequent jika σ (α, D) ≥ minimum support. Misalkan D
merupakan sebuah database dan Ƒ merupakan kumpulan dari semua frequent
sequences dalam databaseD. Sebuah frequent sequence α ∈Ƒdisebut maximal
frequent sequence jika untuk masing-masing β∈Ƒ, α ≠ β, dan α bukan merupakan
⊆β.
Algoritme SPADE
Algoritme SPADE merupakan algoritme untuk mencari pola sekuensial
untuk menguraikan masalah utama menjadi submasalah yang dapat diselesaikan
secara terpisah (Zaki 2001).Sebagai contoh, perhatikan database penjualan toko
buku, dimana objek mewakili pelanggan dan atribut mewakili penulis atau buku.
Misal, database tersebut mencatat buku yang dibeli oleh tiap pelanggan selama
satu periode waktu. Pola yang ditemukan adalah urutan dari buku-buku yang
paling sering dibeli oleh pelanggan. Sebagai contoh, ”70% masyarakat yang
membeli buku Jane Austen ‘Pride and Prejudice’ juga membeli buku Emma
dalam waktu satu bulan”. Toko buku tersebut dapat menggunakan pola-pola
tersebut untuk promosi, dan penempatan rak.Algoritme ini menggunakan
representasi dari database vertikal di mana masing-masing baris berisi customer

4

id (sid), waktu transaksi (eid), dan koleksi dari item transaksi seperti yang
ditunjukkan pada Tabel 1.
Tabel 1 Sampel database vertikal (Zaki 2001)
sid
1
1
1
1
2
2
3
4
4
4

eid (date)
10
15
20
25
15
20
10
10
20
25

items
CD
ABC
ABF
ACDF
ABF
E
ABF
DGH
BF
AGH

Pasangan (sid, eid) dari suatu itemtransaksi x disebut dengan id-list yang
dinotasikan dengan L(x) = {(sid, eid)}. Contoh id-list dari item A yang terdapat
pada Tabel 1 dapat dilihat pada Tabel 2.
Tabel 2 Id-list item A (Zaki 2001)
A
SID
1
1
1
2
3
4

EID
15
20
25
15
10
25

SPADE tidak hanya meminimalisasi biaya-biaya dengan mengurangi
pemindaian database, tetapi juga meminimalisasi biaya penghitungan dengan
menggunakan skema pencarian yang efisien (Zaki 2001).Algoritme SPADE
adalah sebagai berikut:
SPADE (Atomset, min_supp, Set Ƒ):
for all atoms Ai ϵ ɛ do
Ti← {}
for all atoms Ajϵ ɛ, j ≥ i do
α = Ai⋁ Aj
L(α) = L(Ai) ∩ L(Aj)
if σ(α) ≥ min_supp then
Ti← Ti⋃{α}
Ƒ = Ƒ ⋃ α
end if
end for
Enumerate-Frequent-Sequences

5

(Ti,min_supp, Ƒ)
end for

Diberikan pada database D sebuah input-sequences dan min_sup, masalah
dari mining sequential patterns adalah mencari seluruh frequent sequences dalam
database. F1 merupakan frequent 1-sequence yang merupakan frequent sequence
pertama yang terbentuk dari suatu item yang memenuhi minimum support,
sedangkan F merupakan frequent sequences yang terbentuk dari frequent 1sequence. Database pada Gambar 1 memiliki 8 items (A sampai H), 4 transaksi,
dan 10 events. Gambar 1 juga menunjukkan seluruh frequent sequences dengan
minimum support 50% (sequence harus terjadi dalam minimal 2 transkasi). Dalam
contoh ini kita memiliki 2 maximal frequent sequences, ABF dan D  BF  A.
Contoh, dari masukan pada database pada Gambar 1.

Gambar 1 Original input-sequence database (Zaki 2001)
Dalam proses pengolahan data dengan algoritme SPADE, diperlukan
minimum support yang harus dicapai suatu itemset. Misalkan α merupakan sebuah
sequence dan D sebuah sequence database. Support atau frequency yang
dinotasikan sebagai σ(α, D) merupakan jumlah total dari sequence di dalam
databaseD yang berisi α sebagai sebuah subsequence (Zaki 2001).

6

METODE
Dalam melakukan penelitian ini, terdapat tahapan proses yang dilewati
untuk mencapai hasil penelititan. Skema penelitian yang akan dilakukan seperti
pada Gambar 2.

Gambar 2 Tahapan penelitian
Pengumpulan Data
Data akademik diperoleh dari administrasi Departemen Ilmu Komputer IPB
Alih Jenis. Data Akademik yang digunakan sebagai bahan analisis adalah data
nilai mahasiswa, data evaluasi proses belajar mengajar (EPBM) Dosen, dan
Biodata mahasiswa. Pada data mahasiswa diperoleh kumpulan atribut biodata

7

mahasiswa seperti alamat, nama orang tua, nilai IP diploma, dan status kerja.
Sedangkan pada data EPBM akan diperoleh penilaian performa mengajar dosen
dari berbagai segi seperti, persiapan materi yang disiapkan dosen, kemampuan
dosen dalam menguraikan rencana pembelajaran, hingga sikap mengajar dosen.
Data yang diperoleh adalah dalam format Microsoft Excel .xls.
PembersihanData
Pembersihan data merupakan tahap yang dilakukan untuk membuang data
yang tidak konsisten. Pada tahap ini, item yang muncul pada semester yang sama
tercatat lebih dari satu kali akan dianggap sebagai satu item. Selain itu, data yang
tidak lengkap akan dibuang.
Setelah memperoleh data akademik yang diperlukan, selanjutnya telah
dilakukan pembersihan data, seperti menghilangkan data yang null, dan salah
input. Misal, jika salah satu mahasiswa datanya tidak lengkap, seperti atribut nilai
mata kuliahnya kosong, maka data mahasiswa tersebut akan dibuang.

Seleksi Data
Proses seleksi data merupakan proses pengambilan data yang relevan
dengan proses analisis yang dilakukan. Pada tahap ini, akan dipilih atribut yang
sesuai dengan kebutuhan algoritme, yaitu sid, eid, dan items. Data masukan yang
digunakan untuk sid adalah kode dari tiap mata kuliah, eid akan diisi oleh kode
angkatan, dan items akan diisi oleh nilai mahasiswa, nilai dosen, nilai diploma,
dan status kerja yang diperoleh dari kumpulan data yang diperoleh seperti data
nilai mahasiswa, data EPBM, dan biodata mahasiswa.
Pada data yang dipilih, akan terlebih dahulu dilakukan proses
pengelompokan ke dalam beberapa kategori untuk diketahui nilai kualitatif dari
data tersebut. Misal, pada data nilai akan dilakukan proses pengelompokan ke
dalam bentuk kategori untuk mengelompokkan nilai dari suatu mata kuliah dalam
kelompok nilai baik, nilai cukup, dan nilai kurang. Selain itu dari data mahasiswa
juga dipilih atribut yang relevan, misal dari banyak atribut yang terdapat pada
biodata mahasiswa yang tidak lolos seleksi adalah alamat, nomor telpon, nama
orang tua, dan email. Sedangkan yang lolos hanya nilai diploma dan status kerja.

Transformasi Data
Data akan ditransformasikan ke dalam bentuk yang sesuai sebagai
masukan bagi algoritme SPADE. Data akan diubah ke dalam bentuk numerik dan
diurutkan secara menaik berdasarkan id mata kuliah (sid) dan angkatan (eid).
Sedangkan items akan berisi data yang diubah ke dalam bentuk berbagai singkatan
alphabet berdasarkan data yang diambil dari berbagai data antara lain Data nilai
Mahasiswa, Biodata Mahasiswa, dan Data EPBM Dosen. Pada tahap ini beberapa
atribut sudah diseleksi, atribut yang tidak diikutsertakan pada proses ini dianggap
tidak relevan dalam pencarian pola nilai mata kuliah seperti alamat, email, nomor
telpon, nama orang tua, dan nomor identitas.

8

1

2

3

Pada tahap ini dilakukan beberapa proses transformasi data, yaitu:
Konversi kumpulan mata kuliah (sid) dan urutan angkatan (eid) ke dalam
bentuk angka. Hal ini dilakukan untuk menyesuaikan format masukan data
yang dapat diolah oleh algoritme SPADE.
Konversi itemske dalam bentuk alfabet.Karena lebih beragam, bentuk
alfabet dipilih sebagai kode masukan data dari kumpulan items. Items yang
merupakan faktor-faktor pemicu prestasi akademik diubah ke dalam
bentuk alfabet dengan memberikan kode dari A hingga Y. Misal Nilai
Baik dikodekan dengan A, begitu juga dengan pemicu prestasi akademik
lainnya yang dikodekan ke dalam bentuk alfabet.
Data yang memiliki format Microsoft Excel(Nilai Angkatan.xlsx)
kemudian diubah ke dalam format text (akademiknew.txt) sebagai
masukan bagi algoritme SPADE.

Data Mining
Tahap ini merupakan inti dari analisisdata. Pada tahap ini diterapkan
penggunaan algoritmeSPADEyang diperkenalkan oleh Mohammed J. Zaki
(2001).
Tahapan-tahapan yang akan digunakan pada metode tersebut, yaitu:
1
Pemberian nilai minimum support
Pemberian nilai minimum support terhadap data merupakan syarat awal
berjalannya algoritme. Nilai minimum support digunakan untuk menyaring
nilai support bagi masing-masing frequent sequences setelah dilakukan
proses komputasi menggunakan algoritme SPADE. Nilai support yang
lebih kecil dari nilai minimum support yang diberikan tidak akan
diperhitungkan.
2
Penentuan frequent 1-sequences
Penentuan frequent 1-sequences merupakan langkah pertama dalam
tahapan algoritme SPADE. Pembentukanfrequent 1-sequences ditentukan
berdasarkannilai minimum support σ yang diberikan terhadap data. Semua
item yang memiliki support lebih besar atau sama dengan nilai minimum
support merupakan frequent items yang disebut juga frequent 1-sequences.
Perhitungan support dari item didasarkan pada jumlah sid yang berbeda
yang terdapat pada pasangan (sid, eid) atau yang disebut juga sebagai idlist dari item tersebut.
3
Pembentukan frequent sequences
Pembentukan frequent sequences merupakan tahap akhir dari algoritme
SPADE. Pada tahap ini, semua frequent sequences mulai dari frequent 2sequences hingga frequent k-sequences.
Tahapan data mining diterapkan dengan menggunakan algoritme SPADE
(Zaki 2001). Secara garis besar, proses ini dibagi menjadi 2 bagian besar, yaitu
melakukan proses komputasi untuk mendapatkan frequent 1-sequences dengan
nilai support lebih besar atau sama dengan minimum support. Frequent 1sequences yang dihasilkan akan bertindak sebagai parent class pada proses
pembentukan frequent sequences.

9

Data mining merupakan tahap akhir dari proses KDD. Sederetan
kemunculan bersama dari komponen EPBM, dan data mahasiswa yang terkait
dengan nilai mahasiswa pada suatu mata kuliah akan ditampilkan.
Lingkungan Pengembangan
Lingkungan yang digunakan untuk penelitian ini memiliki spesifikasi
sebagai berikut:
-

Perangkat Keras:
ProcessorAMD Turion 64 X22.00 GHz
RAM kapasitas 2GB
Harddisk kapasitas 160GB
Perangkat lunak:
Sistem Operasi Microsoft Windows 7 Ultimate Service Pack 1 32-bit
Microsoft Visual Studio 2010 sebagai IDE pembangunan sistem.
Microsoft Excel 2007 sebagai lembar kerja (worksheet) dalam pengolahan
data.

10

HASIL DAN PEMBAHASAN
Pengumpulan Data
Data akademik diperoleh dari administrasi Departemen Ilmu Komputer IPB
alih jenis. Data akademik yang digunakan sebagai bahan analisis adalah data nilai
mahasiswa, data EPBM Dosen, dan Biodata mahasiswa. Data yang diperoleh
adalah dalam format Microsoft Excel .xls.
Gambar 3 menunjukkan tampilan data nilai yang diperoleh dari administrasi
Departemen Ilmu Komputer IPB alih jenis. Terdapat 6 kolom atribut data yang
dipisah oleh tanda koma. Dari data tersebut diketahui nomor baris, NRP,
semester, tahun ajaran, kode mata kuliah, dan nilai mutu.

Gambar 3Contoh data nilai mata kuliah
Gambar 4 merupakan tampilan dari beberapa atribut data mahasiswa yang
diperoleh dari administrasi Departemen Ilmu Komputer IPB alih jenis. Terdapat
24 atribut, dari data tersebut diketahui nomor baris, nama institut, NRP, nama
depan, nama tengah, nama belakang, nama di kartu, status kuliah aktif atau tidak,
tahun ajaran, warga negara, domisili, agama, tempat lahir, tanggal lahir, jenis
kelamin, status perkawinan, alamat, kota, nomor telpon, kampus asal D3, IPK D3,
password, dan status pekerjaan.

11

Gambar 4 Contoh biodata mahasiswa yang diperoleh
Gambar 5 merupakan tampilan dari beberapa atribut data EPBM yang
diperoleh dari administrasi Departemen Ilmu Komputer IPB alih jenis. Terdapat
11 kolom penilaian yang diberikan oleh mahasiswa. Kriteria penilaian yang
dimuat dalam data EPBM tersebut antara lain:
1
Dosen menguraikan rencana pembelajaran dengan jelas.
2
Dosen menyiapkan materi pengajaran dengan baik.
3
Dosen memberikan penekanan tentang aspek penting yang terkait dengan
materi yang diberikan.
4
Dosen menyampaikan materi pengajaran yang meningkatkan minat
mahasiswa terhadap mata kuliah ini.
5
Dosen memberikan ilustrasi yang mencakup keterkinian perkembangan
ilmu atau aplikasi atau hasil penelitian.
6
Dosen menggunakan bahan atau alat bantu mengajar untuk membantu
proses pembelajaran.
7
Dosen memberikan kesempatan kepada mahasiswa untuk bertanya atau
menyampaikan pendapat.
8
Dosen memperlihatkan sikap dan penampilan yang baik.
9
Dosen menghormati dan menghargai mahasiswa sesuai dengan hak dan
kewajibannya.
10 Dosen mengajar dengan meyakinkan.
11 Dosen menyampaikan pesan-pesan moral, etika, dan disiplin.

12

Gambar 5 Contoh data EPBM yang diperoleh
Model pengisian pada tabel EPBM adalah dengan mengisikan kategori
penilaian dari mahasiswa terhadap 11 kriteria penilaian pada halaman
sebelumnya. Digunakan angka 1,2,3, dan 4 untuk menyatakan apakah tiap
mahasiswa sangat tidak setuju, tidak setuju, setuju, atau sangat setuju terhadap
tiap poin kriteria penilaian evaluasi proses belajar mengajar pada dosen tertentu.
Pembersihan Data
Setelah memperoleh data akademik yang diperlukan, selanjutnya telah
dilakukan pembersihan data, seperti menghilangkan data yang null, dan salah
input. Beberapa data yang ditemukan kosong adalah nilai, data yang terdapat
kekosongan langsung dibuang. Tabel 3 menunjukkan sampel data nilai yang telah
melwati proses pembersihan data.
Tabel 3 Sampel data nilai yang telah dilakukan proses pembersihan data
Angkatan 1
NO NRP

SEMESTER TAHUN

1
2
3

4
4
4

G64066001
G64066003
G64066009

2007
2007
2007

KODE
MK
KIM101
KIM101
KIM101

NILAI
MUTU
A
C
B

Seleksi Data
Pada tahapan ini dilakukan seleksi atribut yang akan digunakan sebagai
bahan analisis yang akan dimasukkan ke dalam proses data mining algoritme
SPADE. Misal, pada biodata mahasiswa, dari sekian banyak atribut, hanya atribut
nrp, nilai diploma, dan status kerja yang dipilih. Selanjutnya dilakukan proses

13

identifikasi prestasi dari tiap angkatan berdasarkan nilai diploma, dipilih rata-rata
nilai dari seluruh mahasiswa pada satu angkatan. Misal, nilai diploma suatu
angkatan masuk dalam kategori baik jika rata-rata nilai indeks prestasi dari satu
angkatan tersebut sama dengan 3.5 atau lebih tinggi. Nilai diploma suatu
angkatan dianggap baik jika sama dengan 3.1 sampai dengan 3.49. Nilai diploma
suatu angkatan dianggap cukup baik jika memiliki rentang indeks prestasi mulai
2.75 sampai dengan 3.0.
Dari Gambar 6, dapat dilihat bahwa beberapa record data yang tidak relevan
dari biodata mahasiswa untuk dijadikan sebagai masukan data untuk diolah
dengan algoritme SPADE dieliminasi.Record data yang dieliminasi dianggap
tidak relevan karena tidak mempengaruhi nilai diploma, seperti email, dan nomor
telpon.

Gambar 6 Contoh data yang tidak lolos seleksi dari biodata mahasiswa
Serupa dengan nilai diploma, nilai mata kuliah mahasiswa juga diambil dari
rata-rata nilai mata kuliah mahasiswa pada satu angkatan. Misal pada suatu
angkatan memiliki nilai mata kuliah yang baik jika memiliki rata-rata nilai 3
sampai 4. Suatu angkatan memiliki nilai mata kuliah yang cukup jika memiliki
rata-rata nilai mulai 2 sampai 2.9, terakhir suatu angkatan memiliki nilai mata
kuliah yang kurang jika masuk dalam rentang nilai mulai dari 0 sampai 1.9.
rentang nilai tersebut diperoleh dari hasil konversi nilai mutu ke dalam angka.
Untuk nilai mutu A dikonversi menjadi 4, AB menjadi 3.5, B menjadi 3, BC
menjadi 2.5, C menjadi 2, D menjadi 2, dan E menjadi 0. Sampel lengkap data
nilai mata kuliah dapat dilihat pada Lampiran 2. Tabel 4 menunjukkan rentang
nilai mahasiswa.
Tabel 4 Rentang nilai mata kuliah mahasiswa
Kategori
Nilai Baik
Nilai Cukup
Nilai Kurang

Nilai Mutu
A, AB, B
BC, C
D, E

Rentang Nilai
> 2.5
= 2.5 &> 2
= 3.3
= 3.0 &< 3.3
< 3.0

Untuk kasus mata kuliah yang diajar oleh 2 dosen, maka nilai dari kedua
dosen ditambahkan dan dibagi 2. Data nilai EPBM setelah pra-proses dapat dilihat
di Lampiran 3.
Transformasi Data
Seperti yang dijelaskan di bagian Metode, setelah dilakukan Transformasi
Data akan dihasilkan sebuah format data akhir yang akan digunakan sebagai
masukan data untuk diolah oleh algoritme SPADE.

15

Data akan diubah ke dalam bentuk numerik dan diurutkan secara menaik
berdasarkan id mata kuliah (sid) dan angkatan (eid). Format sid dan eid akan
ditransformasi ke dalam bentuk numerik sedangkan format items akan dikonversi
ke dalam bentuk alfabet. Hasil transformasi dapat dilihat pada Tabel 6. Data hasil
konversi terdiri atas 468 baris, 30 mata kuliah yang berbeda dan 10 itemsyang
berbeda.
Tabel 6Bentuk input data setelah dikonversi menjadi beberapa kode data
Kode
101
102
103
104
A
B
C
K
L
M
O
P
Q
X
Y

Keterangan
Angkatan 1
Angkatan 2
Angkatan 3
Angkatan 4
Nilai Baik
Nilai Cukup
Nilai Kurang
Dosen Baik
Dosen Cukup Baik
Dosen Kurang Baik
Nilai D3 Sangat Baik
Nilai D3 Baik
Nilai D3 Cukup Baik
Bekerja
Tidak Bekerja
Data Mining

Tahapan data mining diterapkan dengan menggunakan algoritme SPADE
(Zaki2001). Secara garis besar, proses ini dibagi menjadi 2 bagian besar, yaitu
melakukan proses komputasi untuk mendapatkan frequent 1-sequences dengan
nilai support lebih besar atau sama dengan minimum support. Frequent 1sequences yang dihasilkan akan bertindak sebagai parent class pada proses
pembentukan frequent sequences. Kedua, melakukan proses pembentukan
frequent sequences berukuran k yang didapatkan dari kombinasi frequent
sequences berukuran k-1 dengan frequent sequencesk-1 lainnya.
Gambar 8 menunjukkan beberapa sampel frequent sequence yang muncul
setelah memasukkan input dataakademik yang terdiri dari data EPBM, data nilai,
dan biodata mahasiswa dengan minimum support 50%.

16

Gambar 8 Sampel Frequent Sequences yang terbentuk dari masukan data
akademik yang dimasukkan dengan minimum support 50%
Hasil keluaran dari pola sekuensial yang dihasilkan diperlukan agar pola
yang ada mudah dimengerti dan diinterpretasikan. Berdasarkan hasil presentasi
diharapkan dapat diperoleh pengetahuan yang berharga dari koleksi data yang
telah dilakukan proses mining. Tahap representasi pengetahuan dilakukan dengan
membentuk frequent sequences menggunakan algoritme SPADE. Gambar 9
menunjukkan tampilan antarmuka aplikasi yang menampilkan kumpulan frequent
sequences yang terbentuk.

Gambar 9 Tampilan antarmuka aplikasi utama
Percobaan dilakukan terhadap data mahasiswa yang telah ditransformasi ke
dalam bentuk masukan data untuk algoritme SPADE. Dari data yang masuk,
terbentuk pola kemunculan sekuensial yang menunjukkan pemicu prestasi
akademik dari tiap angkatan.

17

Gambar 10 Tampilan rentetan pemicu nilai akhir mata kuliah antar angkatan
Pada bagian tab item sequence menampilkan rentetan pola kemunculan
bersama nilai mata kuliah dari tiap angkatan secara sekuensial. Misal pada mata
kuliah Biologi dengan kode input data 001 menunjukkan bahwa mahasiswa
angkatan pertama mampu mengungguli angkatan-angkatan berikutnya dengan
meraih nilai baik.
Dilakukan beberapa percobaan terhadap masukan data untuk algoritme
SPADE dengan menentukan beberapa variasi angka minimum support,
diantaranya 50%, 60%, dan 70% minimum support. Jumlah pola kemunculan dari
hasil percobaan ditampilkan pada Tabel 7.
Tabel 7 Hasil jumlah pola kemunculan dari hasil pengujian dengan masingmasing minimum support
Total Pola
Minimum
Frequent 1- Frequent 2Frequent 3Kemunculan yang
Support
sequence
sequences
sequences
Ditemukan
50%

244

9

72

163

60%

157

9

54

94

70%

93

9

36

48

Dengan support 50%, pola kemunculan bersama 3 itemset didominasi oleh
nilai baik yang muncul 6 kali, 3 di antaranya selalu muncul bersama dosen baik.
Misal pola yang muncul dengan support terbesar untuk 2 itemset adalah A,K
dengan support 70%, sedangkan untuk 3 itemsetadalah A,K,Y dengan support
63.33% yang berarti nilai baik muncul bersama dosen baik dan juga status tidak
bekerja.
Dari Tabel 7, diketahui masing-masing jumlah total pola kemunculan yang
ditemukan dari hasil olahan data mahasiswa, data EPBM, dan data nilai yang telah

18

ditransformasi ke dalam bentuk yang sesuai untuk algoritme SPADE. Dari pola
kemunculan bersama 3 itemset dengan masukan minimum support50% ditemukan
9 kemunculan yang melibatkan nilai baik mahasiswa, 5 di antaranya nilai baik
mahasiswa tersebut selalu muncul bersama cara mengajar dosen yang baik. Hal
ini juga ditemukan dari pola kemunculan bersama 3 itemset dengan masukan
minimum support 60% ditemukan 2 kemunculan bersama yang melibatkan nilai
baik mahasiswa, 1 di antaranya nilai baik mahasiswa muncul bersama cara
mengajar dosen yang baik, 1 pola lainnya menghubungkan nilai baik mahasiswa
dengan pemicu lain selain cara mengajar dosen yang baik yaiut nilai diploma yang
baik dan tidak bekerja. Hal ini menunjukkan cara mengajar dosen adalah pemicu
paling dominan dalam yang dapat menentukan nilai akhir mata kuliah dari
mahasiswa.

19

SIMPULAN DAN SARAN
Simpulan
Dari penelitian yang telah dilakukan dalam penentuan pola sekuensial
prestasi akademik mahasiswa jurusan ilmu komputer alih jenis IPB ini dapat
diambil beberapa kesimpulan sebagai berikut:
1
Algoritme SPADE mampu menampilkan keterkaitan pemicu-pemicu nilai
akhir mata kuliah mahasiswa secara sekuensial.
2
Angkatan 4 mahasiswa departemen ilmu komputer program alih jenis paling
sering mengungguli nilai mata kuliah angkatan-angkatan sebelumnya
dengan meraih nilai baik.
3
Nilai yang baik sangat erat kaitannya dengan performa mengajar dosen yang
baik.
Saran
Beberapa hal yang perlu dikembangkan lebih lanjut dari penelitian ini antara
lain sebagai berikut:
1
Menambah pemicu-pemicu yang memungkinkan dalam penentuan pola
sekuensial prestasi akademik.
2
Membandingkan efektifitas Algoritme SPADE dalam hal penentuan pola
sekuensial prestasi akademik dengan algoritme pencari pola sekuensial lain.

DAFTAR PUSTAKA
Aditomo A, Ayuningtyas A. 2008. Apakah Hubungan antara Orientasi Belajar
dan Prestasi Akademik Tergantung pada Konteks ?. Anima. Indonesian
Psychological Journal.
Agrawal R, Srikant R.1995. Mining Sequential Patterns. In Proc. Eleventh
International Conference on (hal 3-14).IEEE.
Han J, Kamber M, Pei J. 2011. Data Mining Concepts and Techniques. 3rd
Edition. USA.Morgan Kaufmann Publishers.
Sijabat R. 2011. Penentuan Pola Sekuensial Data Transaksi Pembelian
Menggunakan Algoritme SPADE [skripsi]. Bogor: Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Zaki M. 2001. SPADE: An efficient algorithm for mining frequent sequences.
Machine Learning, 42. hlm 31-60.

20

Lampiran 1 Tiga puluh mata kuliah yang diambil
SID
001
002
003
004
005
006
007
008
009
010
011
012
013
014
015
016
017
018
019
020
021
022
023
024
025
026
027
028
029
030

Kode
Kuliah
BIO100
KIM101
KOM204
KOM206
KOM207
KOM208
KOM301
KOM311
KOM312
KOM321
KOM322
KOM323
KOM331
KOM332
KOM333
KOM334
KOM335
KOM398
KOM401
KOM412
KOM421
KOM422
KOM431
KOM497
KOM498
KOM499
MAT215
MAT217
STK202
STK211

Mata Nama Mata Kuliah
Biologi
Kimia
Bahasa Pemrograman
Organisasi Komputer
Struktur Data
Teori Bahasa dan Otomata
Komputer Grafik
Sistem Operasi
Komunikasi Data dan Jaringan Komputer
Kecerdasan Buatan
Metode Kuantitatif
Sistem Pakar
Rekayasa Perangkat Lunak
Data Mining
Interaksi Manusia dan Komputer
Pengembangan Sistem Berorientasi Objek
Sistem Informasi
Metode Penelitian dan Telaah Pustaka
Analisis Algoritme
Pengantar Kriptografi
Pengantar Pengolahan Citra Digital
Pengantar Pemrosesan Bahasa Alami
Temu Kembali Informasi
Kolokium
Seminar
Tugas Akhir
Aljabar Linear
Kalkulus Lanjut
Pengantar Hitung Peluang
Metode Statistika

21

Lampiran 2 Sampel data nilai mata kuliah
Angkatan 1
No
NRP
1
G64066001
2
G64066003
3
G64066005
4
G64066006
5
G64066007
6
G64066008
7
G64066011
8
G64066018
Angkatan 2
No
NRP
1
G64076001
2
G64076004
3
G64076014
4
G64076019
5
G64076029
6
G64076051
7
G64076052
8
G64076056
Angkatan 3
No
NRP
1
G64086002
2
G64086004
3
G64086018
4
G64086020
5
G64086030
6
G64086036
7
G64086047
8
G64086061
Angkatan 4
No
NRP
1
G64096001
2
G64096002
3
G64096015
4
G64096019
5
G64096027
6
G64096050
7
G64096063
8
G64096070

Semester
2
2
4
2
2
2
2
2

Tahun
2006
2006
2008
2006
2006
2006
2006
2006

Kode MK
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321

Nilai Mutu
C
C
C
C
D
C
B
A

Ket
Cukup
Cukup
Cukup
Cukup
Kurang
Cukup
Baik
Baik

Semester
2
2
2
2
2
2
2
2

Tahun
2007
2007
2007
2007
2007
2007
2007
2007

Kode MK
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321

Nilai Mutu
C
B
B
A
A
D
C
C

Ket
Cukup
Baik
Baik
Baik
Baik
Kurang
Cukup
Cukup

Semester
3
3
3
3
3
3
3
3

Tahun
2009
2009
2009
2009
2009
2009
2009
2009

Kode MK
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321

Nilai Mutu
B
A
D
B
B
B
A
C

Ket
Baik
Baik
Kurang
Baik
Baik
Baik
Baik
Cukup

Semester
3
3
3
3
5
3
3
3

Tahun
2010
2010
2010
2010
2011
2010
2010
2010

Kode MK
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321
KOM321

Nilai Mutu
C
A
B
A
AB
D
B
C

Ket
Cukup
Baik
Baik
Baik
Baik
Kurang
Baik
Cukup

22

Lampiran 3 Data nilai mutu mata kuliah, EPBM, dan nilai diploma setelah praproses
MK
BIO100
KIM101
KOM204
KOM206
KOM207
KOM208
KOM301
KOM311
KOM312
KOM321
KOM322
KOM323
KOM331
KOM332
KOM333
KOM334
KOM335
KOM398
KOM401
KOM412
KOM421
KOM422
KOM431
KOM497
KOM498
KOM499
MAT215
MAT217
STK202
STK211

A1
B
C
K

C
C
C
C
C
C
B
C
C
B
B
B
B
C
B
C
C
B
B
B
B
C
C
C
B

Nilai
A2 A3
C
C
C
C
C
C
B
C
C
B
C
B
C
B
C
B
B
B
C
C
C
C
B
B
C
C
B
C
B
B
C
B
B
B
B
B
B
B
B
B
C
B
C
C
B
B
B
B
B
B
B
C
B
K
K
C
C
C
B

A4
C
C
C
C
B
C
B
B
B
C
B
B
B
B
B
B
B
B
C
B
B
B
C
B
B
B
C
C
B
B

A1
B
K
B

C
C
C
C
K
C
B
C
C
B
B
C
B
B
C
C
B
B
B
B
B
C
B
B
B

EPBM
A2 A3
C
K
C
C
C
C
B
C
C
C
K
C
C
B
B
C
C
B
C
C
B
C
C
B
B
C
C
K
B
B
B
C
C
B
B
B
B
C
C
B
B
B
B
B
B
B
B
B
B
B
B
C
K
C
C
C
C
C
C

A4
C
C
B
B
C
C
B
B
C
C
B
B
B
B
B
B
C
B
B
C
B
B
B
B
B
B
C
C
B
C

Nilai Diploma
A1 A2 A3 A4
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B
CB CB SB B

Keterangan : MK = Mata Kuliah, A1 = Angkatan 1, A2 = Angkatan 2,
A3 = Angkatan 3, B = Baik, C = Cukup, CB = Cukup Baik,
SB = Sangat Baik, K = Kurang.

23

Lampiran 4 Sampel data nilai diploma dan status kerja
Angkatan 1
No. NRP
1
G64066027
2
G64066001
3
G64066026
4
G64066030
5
G64066003
6
G64066005
7
G64066031
8
G64066029
Angkatan 2
No. NRP
1
G64076001
2
G64076007
3
G64076011
4
G64076012
5
G64076022
6
G64076040
7
G64076041
8
G64076047
Angkatan 3
No. NRP
1
G64086001
2
G64086005
3
G64086009
4
G64086014
5
G64086036
6
G64086040
7
G64086041
8
G64086042
Angkatan 4
No. NRP
1
G64096001
2
G64096003
3
G64096006
4
G64096017
5
G64096027
6
G64096031
7
G64096055
8
G64096070

IPK D3
2,87
3,28
2,79
2,31
3,26
2,75
3,01
3,08

Status Kerja
Bekerja
Bekerja
Tidak Bekerja
Bekerja
Bekerja
Bekerja
Bekerja
Tidak Bekerja

IPK D3
3,52
2,89
3,63
3,33
2,91
3,07
2,73
3,33

Status Kerja
Bekerja
Bekerja
Bekerja
Bekerja
Bekerja
Bekerja
Bekerja
Tidak Bekerja

IPK D3
3,02
3,4
3,44
3,03
3,36
3,24
2,85
3,1

Status Kerja
Bekerja
Bekerja
Tidak Bekerja
Bekerja
Bekerja
Bekerja
Bekerja
Tidak Bekerja

IPK D3
3,54
3,67
3,38
3
3,8
3,42
3,24
3,49

Status Kerja
Tidak Bekerja
Bekerja
Bekerja
Tidak Bekerja
Bekerja
Bekerja
Bekerja
Tidak Bekerja

24

Lampiran 5 Data input program algoritme SPADE
SID
001
001
001
001
002
002
002
002
003
003
003
003
004
004
004
005
005
006
006
006
006
007
007
007
007
008
008
008
008
009
009
009
009
010
010
010
010
011
011
011
011
012
012
012

EID
101
102
103
104
101
102
103
104
101
102
103
104
102
103
104
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103

A
B
B
B
B
B
B
B
C
B
B
B
A
B
B
B
A
B
A
B
B
B
B
B
A
B
A
B
A
B
A
A
A
B
A
B
B
B
B
B
A
A
B
A

ITEMS
K
Q
L
Q
M O
L
P
M Q
L
Q
L
O
L
P
K
Q
L
Q
L
O
K
P
K
Q
L
O
K
P
L
O
L
P
L
Q
L
Q
M O
L
P
L
Q
L
Q
L
O
K
P
L
Q
K
Q
K
O
K
P
L
Q
L
Q
L
O
L
P
M Q
K
Q
L
O
L
P
L
Q
L
Q
K
O
K
P
K
Q
L
Q
L
O

X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
Y
Y
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y

25

012
013
013
013
013
014
014
014
014
015
015
015
015
016
016
016
016
017
017
017
017
018
018
018
018
019
019
019
019
020
020
020
020
021
021
021
021
022
022
022
022
023
023
023
023
024

104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101

A
B
A
B
A
B
B
A
A
A
B
A
A
A
A
B
A
A
A
A
A
A
A
A
A
B
A
A
B
A
A
A
A
B
A
B
A
B
A
B
A
A
B
A
B
A

K
L
K
K
K
L
L
L
K
K
M
K
K
K
K
K
K
L
L
L
L
K
K
K
K
K
K
K
K
K
K
K
K
L
L
L
L
L
K
K
K
K
K
K
K
K

P
Q
Q
O
P
Q
Q
O
P
P
Q
O
P
Q
Q
O
P
Q
Q
O
P
Q
Q
O
P
Q
Q
O
P
Q
Q
O
P
Q
Q
O
P
Q
Q
O
P
Q
Q
O
P
Q

Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X

26

024
024
024
025
025
025
025
026
026
026
026
027
027
027
027
028
028
028
028
029
029
029
029
030
030
030
030

101
102
103
104
A
B
C
K
L
M
O
P
Q
X
Y

102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104
101
102
103
104

A
A
A
A
A
A
A
A
A
A
A
B
B
A
B
B
C
C
B
B
B
B
A
A
B
A
A

K
K
K
K
K
K
K
K
K
K
K
L
L
M
L
K
L
L
L
K
L
L
K
K
L
L
L

Q
O
P
Q
Q
O
P
Q
Q
O
P
Q
Q
O
P
Q
Q
O
P
Q
Q
O
P
Q
Q
O
P

Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y
X
Y
Y
Y

Keterangan
Angkatan 1
Angkatan 2
Angkatan 3
Angkatan 4
Nilai Baik
Nilai Cukup
Nilai Kurang
Dosen baik
Dosen Cukup Baik
Dosen Kurang Baik
Nilai D3 Sangat Baik
Nilai D3 Baik
Nilai D3 Cukup Baik
Bekerja
Tidak Bekerja

27

RIWAYAT HIDUP
Penulis dilahirkan di kota Bogor, pada tanggal 28 Agustus 1990 sebagai
anak pertama dari pasangan Rusdy Johan dan Erna Fahmi. Penulis merupakan
lulusan MAS Al Zaytun Indramayu (2004-2007), MTS Al Zaytun Indramayu
(2001-2004), dan SDN 18 Muara Enim (2000-2001).
Pada tahun 2007, penulis diterima sebagai mahasiswa Diploma III Program
Studi Teknik Informatika, Politeknik Negeri Jakarta. Setelah menyelesaikan
pendidikan Diploma III pada tahun 2010, penulis kembali melanjutkan pendidikan
Strata 1 (S1) melalui jalur Alih Jenis pada tahun 2010 dan diterima sebagai
mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor. Penulis dapat dihubungi melalui
email di alamatagustianzico@gmail.com.