overlapping yang berbeda, meskipun dalam praktek pemisahan yang sempurna biasanya tidak bisa dicapai
Dalam Peraturan Akademik Politeknik Negeri Medan seorang mahasiswa dinyatakan lulus dengan ketentuan 2,00
≤ IPK ≤ 2,75 dengan kriteria Memuaskan. Dengan mengetahui kategori karakteristik mahasiswa diharapkan para pengambil
kebijakan dapat mendorong para mahasiswa untuk memperbaiki prestasi akademiknya sebelum masa studi berakhir.
Oyelade, 2010.
Kemampuan untuk memprediksi prestasi akademik mahasiswa sangat penting dalam sistem lembaga pendidikan. Dalam penelitian ini, digunakan teknik data mining
yaitu algoritma Kernel K-Means Clustering umtuk membuat model aturan dalam memprediksi prestasi akademik mahasiswa. Data yang digunakan dalam penelitian ini
adalah data mahasiswa pada jurusan Teknik Elektro Politeknik Negeri Medan. Algoritma K-Means mengklusterkan ukuran jarak Euclidean, di mana
jarak dihitung adalah untuk mencari kuadrat dari jarak antara masing-masing nilai, menjumlahkan kuadrat dan menemukan akar kuadrat dari jumlah tersebut Fahim,
2006. Kernel K-Means adalah pengembangan dari algoritma K-Means yang
menggunakan metode Kernel untuk memetakan data yang berdimensi tinggi pada space yang baru sehinga dapat dipisahkan secara linear. Hal ini dilakukan untuk
meningkatkan akurasi hasil klaster. Didalam Kernel K-Means diharapkan data bisa dipisahkan dengan lebih baik karena data yang overlap atau data outlier bisa menjadi
linier di ruang dimensi baru Santosa, 2007. Berdasarkan masalah diatas maka penelitian ini akan memaparkan algoritma
Kernel K-Means Clustering untuk membuat model aturan dalam memprediksi prestasi akademik mahasiswa jurusan Teknik Elektro Politeknik Negeri Medan.
1.2 Perumusan Masalah
Universitas Sumatera Utara
Dari uraian diatas maka p
1. Bagaimana menggunakan metode Kernel pada data akademik,
ermasalahan yang dicoba untuk diselesaikan dalam tesis ini secara detail adalah sebagai berikut :
2. Bagaimana menggunakan metode Kernel K-Means untuk membuat model
aturan dalam memprediksi prestasi akademik mahasiswa sebelum masa studi berakhir.
1.3 Batasan Masalah
Untuk memfokuskan pada permasalahan diatas, maka permasalahan dalam penelitian ini dibatasi sebagai berikut :
1.
2. Data diambil dari mahasiswa angkatan 2008-2009 pada jurusan Teknik Elektro
di Politeknik Negeri Medan.
3. Variabel yang digunakan dalam penelitian ini merupakan atribut data
mahasiswa seperti nilai rata-rata teori, nilai rata-rata praktek, ipk, kehadiran dan data demografi seperti jenis kelamin, agama dan program studi.
Pengujian data menggunakan perangkat lunak RapidMiner 5.1.
1.4 Tujuan Penelitian
Tujuan yang ingin dicapai dari penelitian ini adalah : 1.
Mengimplementasikan metode Kernel pada data yang bersumber dari perguruan tinggi.
2. Membangun sebuah model aturan dalam memprediksi prestasi akademik
mahasiswa sebelum masa studi berakhir menggunakan Kernel K-Means Clustering.
Universitas Sumatera Utara
1.5 Manfaat Penelitian
Adapun manfaat yang diharapkan dalam penelitian ini adalah : 1.
Hasil penelitian ini dapat dijadikan sebagai model untuk memprediksi prestasi akademik mahasiswa di Politeknik Negeri Medan.
2. Penelitian ini dapat dijadikan masukan bagi pengambil keputusan di Politeknik
Negeri Medan untuk meningkatkan prestasi akademik mahasiswa. 3.
Penelitian ini dapat dijadikan sebagai referensi bagi peneliti berikutnya yang berkaitan dengan penggunaan metode Kernel didunia akademik.
Universitas Sumatera Utara
BAB 2
TINJAUAN PUSTAKA
2.1 Pendahuluan
Revolusi digital telah membuat manusia makin mudah untuk menangkap, memproses, menyimpan, mendistribusikan, dan mengirimkan informasi digital. Dengan kemajuan
yang signifikan dalam komputasi dan teknologi yang terus berkembang, sejumlah besar karakteristik data yang beragam terus terkoleksi dan disimpan dalam database.
volume data yang tersimpan berkembang sangat fenomenal. Penemuan pengetahuan dari volume data yang sangat besar merupakan sebuah tantangan
Ke .
canggihan teknologi manajemen database dewasa ini memungkinkan untuk mengintegrasikan berbagai jenis data seperti video, gambar, teks, dan data numerik
maupun non
-
numerik lainnya dalam database tunggal untuk memfasilitasi pengolahan multimedia. Akibatnya gabungan teknik statistik dan alat-alat manajemen data
tradisional tidak lagi memadai untuk menganalisis koleksi data campuran ini. Teknik data mining merupakan solusi yang mungkin Chakrabarti et al.2009
.
2.2 Data Mining : Knowledge Discovery Databases KDD
