pergerakan trend ini bersifat spekulasi namun cukup mampu memberikan keuntungan.
Sunjana 2010b menjelaskan dalam risetnya tentang klasifikasi data nasabah sebuah asuransi menggunakan algoritma C 4.5, berikut adalah
kesimpulan yang dapat diambil dari data nasabah asuransi setelah dilakukan analisis menggumakan metode algoritma C 4.5 :
1. Aplikasi dapat menyimpulkan bahwa rata-rata nasabah memiliki status L dikarenakan pembayaran premi yang melebihi 10 dari penghasilam
2. Dengan persentase atribut premi dasar dan penghasilan, maka dapat diketahui rata-rata status nasabah memiliki nilai P atau L
Bhargavi at al 2008 menjelaskan dalam risetnya tetang menguraikan pengetahuan menggunakan aturan dengan pendekatan decision tree.
Al-Radaideh et al 2006 menjelaskan dalam risetnya tentang pemanfaatan data mining terhadap data mahasiswa menggunakan decision tree.
Adeyemo dan Kuye 2006 menjelaskan dalam risetnya untuk memprediksi kinerja mahasiswa di bidang akademik menggunakan algoritma decision tree.
Dedy Hartama 2011 menjelaskan model aturan keterhubungan data mahasiswa menggunakan Algoritma C 4.5 untuk meningkatkan indeks prestasi.
2.10. Persamaan dengan Riset-Riset Lain
Kruck dan Lending 2003 dalam penelitiannya menjelaskan sebuah model untuk memprediksi kinerja di tingkat perguruan tinggi dalam mata kuliah pengantar
sistem informasi.
Universitas Sumatera Utara
Ogor 2007 dalam penelitiannya menggunakan teknik data mining yang digunakan untuk membangun prototype Penilaian Kinerja Monitoring Sistem
PAMS untuk mengevaluasi kinerja mahasiswa. Sajadin et al 2009 menggunakan teknik data mining dalam pemantauan
dan memprediksi peningkatan prestasi mahasiswa berdasarkan minat, prilaku belajar, pemanfaatan waktu dan dukungan orang tua di perguruan tinggi.
2.11. Perbedaan dengan Riset-Riset Lain
Dari beberapa riset yang dilakukan peneliti sebelumnya, terdapat beberapa titik perbedaan dengan riset yang akan dilakukan ini :
Analisa dalam proses pengambilan keputusan dalam melakukan tindakan preventif terhadap mahasiswa yang cenderung gagal kuliah atau drop-out,
diperlukan sebuah model profil mahasiswa yang dapat menggambarkan situasi ril mahasiswa tersebut pada saat mengikuti perkuliahan, selanjutnya bagaimana
model ini dapat dijadikan sebagai indikator untuk deteksi dini kondisi mahasiswa yang cenderung drop-out.
Pada penelitian ini hasil akhir yang diharapkan dengan analisa model profil mahasiswa dan model prediksi yang diperoleh dari penelitian ini juga dapat
dipergunakan oleh institusi-institusi pendidikan tinggi yang memiliki program sarjana, sebagai sistem informasi pendukung dalam proses pengambilan
keputusan untuk melakukan tindakan preventif terhadap mahasiswa diploma tiga yang cenderung drop-out.
Universitas Sumatera Utara
2.12. Kontribusi Riset
Penelitian ini memberikan kontribusi pada pemahaman kita tentang hubungan para dosen untuk lebih mengenal situasi para mahasiswanya, dan dapat dijadikan
sebagai pengetahuan dini dalam proses pengambilan keputusan untuk tindakan preventif dalam hal mengantisipasi mahasiswa drop-out, untuk meningkatkan
prestasi mahasiswa, untuk meningkatkan kurikulum, meningkatkan proses kegiatan belajar dan mengajar dan banyak lagi keuntungan lain yang bisa
diperoleh dari hasil penambangan data yang telah ditentukan oleh perguruan tinggi.
Beberapa kemungkinan lain mungkin dianggap penting adalah dosen wali dapat menggunakan informasi yang diberikan dalam mengambil beberapa
tindakan untuk meningkatkan kinerja mahasiswa dalam meningkatkan predikat kelulusan.
Pembuat keputusan bisa menggunakan model profil mahasiswa yang potensial drop out menggunakan Teknik kernel k-mean clustering dan Decision
tree untuk meningkatkan kualitas pengambilan keputusan. Penelitian ini memperkenalkan aplikasi metode Kernel K-Means Clustering untuk lembaga
pendidikan tinggi
Universitas Sumatera Utara
BAB III METODOLOGI PENELITIAN
Dalam Bab ini akan digunakan dalam penelitian yang meliputi waktu dan tempat, rancangan penelitian, aktivitas penelitian dan teknik pengumpulan data serta
analisis data
3.1. Lokasi dan Waktu Penelitian
Penelitian dilakukan di D3 Teknik Informatika FMIPA USU, Jl. Bioteknologi No. 1 Kampus USU Padang Bulan Medan. Lamanya waktu yang
dibutuhkan untuk menyelesaikan penelitian ini selama 3 bulan yang dimulai pada Februari 2012 sampai dengan bulan April 2012
3.2. Rancangan Penelitian
Pada tahap awal penelitian dilakukan dengan cara menyebarkan kuesioner angket pada Mahasiswa D3 Teknik Informatika FMIPA USU Medan yang
menjadi subjek penelitian. Kuesioner berisikan tentang Minat Belajar, Kepercayaan Diri, Prilaku Belajar, Dukungan Orang tua dan Waktu Belajar. Hasil
kuesioner ini diolah dengan menggunakan software Rapidminer untuk mendapatkan pengelompokkan mahasiswa berdasarkan 4 kriteria yaitu Dengan
Pujian DP, Sangat memuaskan SM, Memuaskan M, Buruk B. Keempat komponen ini dibuat dengan memperhatikan Indeks Prestasi
mahasiswa D3 Teknik Informatika FMIPA USU Medan.
Universitas Sumatera Utara