APLIKASI DATA MINING UNTUK MEMPREDIKSI K
APLIKASI DATA MINING UNTUK MEMPREDIKSI KELULUSAN
MAHASISWA DENGAN ALGORITMA NAIVE BAYES
DI STMIK DUTA BANGSA SURAKARTA
PROPOSAL SKRIPSI
Diajukan Untuk Melengkapi Persyaratan
Menyelesaikan Pendidikan Program Strata 1
Program Studi Sistem Informasi
Oleh
ADITYA DHIMAS SULISTYANTO
140101006
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
STMIK DUTA BANGSA
SURAKARTA
2018
HALAMAN PERSETUJUAN
Proposal ini diajukan oleh :
Nama
: Aditya Dhimas Sulistyanto
NIM
: 140101006
Program Studi : Sistem Informasi
Judul
: Aplikasi Data Mining Untuk Memprediksi Kelulusan Mahasiswa
Dengan Algoritma Naive Bayes di STMIK Duta Bangsa Surakarta
Telah disetujui oleh Pembimbing Skripsi sebagai bagian persyaratan yang
diperlukan untuk Seminar Proposal Skripsi pada Program Studi Sistem Informasi.
Hari/Tanggal :
Menyetujui,
Pembimbing I
Pembimbing II
Wijiyanto, S.Kom., M.Pd., M.Kom
Herliyani Hasanah, MT
HALAMAN PENGESAHAN
Proposal ini diajukan oleh :
Nama
: Aditya Dhimas Sulistyanto
NIM
: 140101006
Program Studi : Sistem Informasi
Judul
: Aplikasi Data Mining Untuk Memprediksi Kelulusan Mahasiswa
Dengan Algoritma Naive Bayes di STMIK Duta Bangsa Surakarta
Telah berhasil dipertahankan di hadapan Dewan Penguji dalam Seminar Proposal
Skripsi pada Program Studi Sistem Informasi.
Hari/Tanggal :
Mengesahkan,
Penguji I
Penguji II
Wijiyanto, S.Kom., M.Pd., M.Kom
Herliyani Hasanah, MT
Mengetahui,
Ketua Program Studi
Eko Purwanto, M.Kom
1. Judul
“Aplikasi Data Mining Untuk Memprediksi Kelulusan Mahasiswa Dengan
Algoritma Naive Bayes di STMIK Duta Bangsa Surakarta”
2. Latar Belakang
STMIK Duta Bangsa Surakarta merupakan salah satu perguruan tinggi
swasta yang mengalami perkembangan yang sangat pesat. Hal itu dibuktikan
dengan diraihnya akreditasi B terhadap keempat program studi yang ada. Program
studi tersebut diantaranya adalah Sistem Informasi dan Teknik Informatika untuk
jenjang strata 1, serta Manajemen Informasi dan Teknik Komputer untuk jenjang
diploma 3. Selain itu STMIK Duta Bangsa Surakarta juga meraih penghargaan
sebagai “Smart Campus” urutan ke-33 dari Tesca Indonesia.
Namun seiring terjadinya perkembangan, maka jumlah mahasiswa baru
yang terdaftar juga semakin banyak. Sebagai contoh mahasiswa angkatan tahun
2014 yang terdaftar sebanyak 379 mahasiswa. Sedangkan pada tahun 2015
sebanyak 431 mahasiswa. Dan untuk tahun 2016 sebanyak 531 mahasiswa
(STMIK Duta Bangsa, 2016). Artinya terjadi peningkatan dari tahun ke tahun
rata-rata mencapai 14% hingga 20%. Hasil tersebut didapatkan dari jumlah
akumulasi terhadap mahasiswa dari keempat program studi.
Dengan terjadinya peningkatan jumlah mahasiswa yang terdaftar, maka
dapat dipastikan institusi memiliki jumlah data mahasiswa yang cukup besar. Data
mahasiswa tersebut mencangkup mahasiswa yang belum maupun yang sudah
lulus. Berdasarkan data yang ada, pada tahun 2015 jumlah kelulusan mahasiswa
mencapai 277 mahasiswa. Sedangkan pada tahun 2016 sebanyak 397 mahasiswa.
Dan untuk tahun 2017 sebanyak 424 mahasiswa (STMIK Duta Bangsa, 2017).
Dari tiga periode kelulusan tersebut didapatkan perincian persentase
kelulusan mahasiswa yang lulus tepat waktu sebesar 51,7% dan yang tidak tepat
waktu sebesar 48,3% untuk tahun 2015. Sedangkan pada tahun 2016 persentase
kelulusan tepat waktu sebesar 65,9% dan tidak tepat waktu sebesar 34,1%.
Kemudian untuk tahun 2017 persentase kelulusan tepat waktu sebesar 62,5% dan
tidak tepat waktu sebesar 37,5% (STMIK Duta Bangsa, 2018).
Artinya
perbandingan antara persentase kelulusan yang tepat dan tidak tepat masih bersifat
fluktuatif. Sehingga hal tersebut menjadi dasar acuan dilakukannya proses
klasifikasi melalui pendekatan data mining.
Data mining adalah proses yang menggunakan teknik statistik, matematika,
kecerdasan
buatan,
dan
machine
learning
untuk
mengekstraksi
dan
mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari
berbagai database besar (Turban dan Liang dalam Mujib Ridwan, 2013). Salah
satu informasi baru yang dapat digali adalah tentang kelulusan mahasiswa pada
angkatan selanjutnya.
Hal ini dapat digunakan sebagai bahan evaluasi bagi mahasiswa untuk dapat
mencapai kelulusan tepat waktu dengan nilai optimal dan mempertahankan
akreditasi bagi institusi. Mengingat salah satu elemen penting dalam penilaian
oleh Badan Akreditasi Nasional Perguruan Tinggi (BAN-PT) adalah tentang
presentase kelulusan mahasiswa. Namun pada kenyataannya, institusi belum
menerapkan sistem atau aplikasi serupa maupun suatu perhitungan sejenis yang
tujuannya untuk memprediksi kelulusan mahasiswa.
3. Perumusan Masalah
Berdasarkan latar belakang masalah diatas, maka dapat dirumuskan
permasalahannya adalah bagaimana cara membangun aplikasi data mining
untuk memprediksi kelulusan mahasiswa menggunakan algoritma naive bayes di
STMIK Duta Bangsa Surakarta?
4. Batasan Masalah
Batasan masalah pada aplikasi data mining yang akan dibangun adalah
sebagai berikut :
a. Pendekatan data mining yang akan dilakukan adalah pendekatan klasifikasi
melalui algoritma naive bayes untuk memprediksi kelulusan mahasiswa
b. Data yang dibutuhkan sebagai data training adalah data kelulusan
mahasiswa dari periode wisuda 9-14 pada keempat program studi di STMIK
Duta Bangsa Surakarta.
c. Data uji yang digunakan adalah data mahasiswa angkatan 2014-2015 pada
keempat program studi di STMIK Duta Bangsa Surakarta. Dengan batasan
untuk angkatan 2014 hanya mencangkup program studi Sistem Informasi
dan Teknik Informatika, sedangkan untuk angkatan 2015 mencangkup
keempat program studi.
d. Atribut yang digunakan untuk menghitung nilai probabilitas atribut meliputi
data mahasiswa mengenai program studi yang dipilih, jenis kelamin, status
pekerjaan, dan nilai IPK terakhir.
e. Sedangkan untuk kelas yang digunakan sebagai target klasifikasi adalah
status kelulusan yang meliputi tepat waktu dan tidak tepat waktu.
f. Aplikasi ini dirancang dengan teknik permodelan menggunakan Unified
Modeling Language (UML) dan didukung pemrograman web.
g. Aplikasi ini dibangun dengan mengacu tahapan metode pengembangan
phased development.
h. Tingkat akurasi proses klasifikasi diuji menggunakan RapidMiner versi 8.1
5. Tujuan Penelitian
Berdasarkan
rumusan
dan
batasan
masalah
diatas,
maka
dapat
dideskripsikan tujuan dari penelitian ini adalah mampu menghasilkan sebuah
aplikasi data mining untuk memprediksi kelulusan mahasiswa menggunakan
algoritma naive bayes di STMIK Duta Bangsa Surakarta.
6. Manfaat Penelitian
a. Manfaat teoritis
Penelitian ini dapat digunakan sebagai bahan referensi pengetahuan, dan
pembanding dalam melakukan pengembangan di masa yang akan datang.
b. Manfaat praktis
Memberikan
suatu
solusi
dengan
merancang,
membangun,
dan
mengimplementasikan aplikasi data mining yang telah dibuat sebagai
penunjang proses klasifikasi dan prediksi kelulusan mahasiswa di STMIK
Duta Bangsa Surakarta sebagai bahan evaluasi akademik.
7. Tinjauan Pustaka
Beberapa literatur sejenis yang digunakan untuk mendukung penelitian
diantaranya :
a. Jurnal
ilmiah
dengan
judul
“KLASIFIKASI
POTENSI
STATUS
MAHASISWA DENGAN MENGGUNAKAN ALGORITMA C4.5 PADA
MAHASISWA
PROGRAM
STUDI
SISTEM
INFORMASI
DI
UNIVERSITAS DIAN NUSWANTORO” oleh Satria Bagus Pamungkas
(2016) dari Universitas Dian Nuswantoro. Penelitian ini bertujuan untuk
mengklasifikasikan status mahasiswa yang berpotensi mangkir sebagai
pemicu menurunnya presentase mahasiswa yang lulus tepat waktu. Pada
penelitian ini digunakan algoritma C4.5 dengan menerapkan dua pengujian
yaitu Confusion Matrix dan ROC Curve. Dengan dilakukannya penelitian
ini dihasilkan prototype aplikasi memiliki tingkat akurasi 93.05% (termasuk
dalam good classification) dan nilai AUC sebesar 0.505.
b. Skripsi dengan judul “PEMBUATAN APLIKASI DATA MINING
UNTUK
MEMPREDIKSI
MENGGUNAKAN
MASA
ALGORITMA
STUDI
K-NEAREST
MAHASISWA
NEIGHBORHOOD
(Studi Kasus Data Akademik Jurusan Teknik Komputer-S1 Universitas
Komputer Indonesia)”
oleh Astrid Darmawan (2012) dari Universitas
Komputer Indonesia. Penelitian ini bertujuan untuk dapat memprediksi
kelulusan dan presentase kelulusan mahasiswa di jurusan Teknik Komputer
khususnya S1. Pada penelitian ini digunakan algoritma K-Nearest
Neighborhood dengan menghitung nilai Euclidean Distance pada setiap
indeks prestasi semester mahasiswa. Hasil penelitian ini menunjukkan nilai
k terbaik tergantung dari jumlah data yang digunakan.
c. Skripsi dengan judul “IMPLEMENTASI METODE NAIVE BAYES
UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DI PROGRAM
STUDI TEKNIK INFORMATIKA FT UN PGRI KEDIRI” oleh Yayak
Kartika Sari (2016) dari Universitas Nusantara PGRI Kediri. Penelitian ini
bertujuan untuk dapat melihat tingkat kelulusan mahasiswa pada satu
program studi teknik informatika. Pada penelitian ini digunakan algoritma
naive bayes dengan menggunakan nilai mata kuliah per semester dan nilai
kedekatan nilai mata kuliah terhadap nilai standar sebagai variabelnya.
Dengan dilakukannya penelitian ini dihasilkan nilai kedekatan pada setiap
mata kuliah sebesar 0,01 dan nilai probabilitas akhir dari perdiksi lulus tepat
sebesar 0,1485 sedangkan probabilitas terlambat sebesar 0,099.
Berikut ini tabel perbandingan dari ketiga tinjauan pustaka dengan penelitian yang diajukan.
Tabel 1 Perbandingan Tinjauan Pustaka Dengan Penelitian Yang Diajukan
Penulis, Tahun
Satria Bagus
Pamungkas, 2016
Judul
Klasifikasi Potensi
Status Mahasiswa
Dengan Menggunakan
Algoritma C4.5 Pada
Mahasiswa Program
Studi Sistem Informasi
Di Universitas Dian
Nuswantoro
Metode
Hasil Penelitian
Perbedaan
penelitian ini
menggunakan algoritma
C4.5 dengan
menerapkan dua
pengujian yaitu
Confusion Matrix dan
ROC Curve
aplikasi memiliki
tingkat akurasi 93.05%
(termasuk dalam good
classification) dan nilai
AUC sebesar 0.505
a. Penelitian ini menggunakan algoritma
C4.5 dengan atribut jenis sekolah, status
sekolah, kota asal, pekerjaan orang tua,
gaji orang tua, dan IP semester 1 s/d 4.
Proses klasifikasi juga dilakukan satu
persatu data mahasiswa dan tidak
dilengkapi pembuatan laporan hasil
keputusan.
b. Pada penelitian yang diajukan
menggunakan algoritma Naive Bayes
dengan atribut program studi yang
dipilih, jenis kelamin, status pekerjaan,
nilai IPK terakhir, serta status kelulusan.
Proses mining juga dilakukan secara
multiple data (banyak data sekaligus)
serta dilengkapi pula dengan fitur
pembuatan laporan berdasarkan program
studi dan tahun angkatan masuk.
Penulis, Tahun
Astrid Darmawan, 2012
Yayak Kartika Sari,
2016
Judul
Metode
Hasil Penelitian
Perbedaan
Pembuatan Aplikasi
Data Mining Untuk
Memprediksi Masa
Studi Mahasiswa
Menggunakan
Algoritma K-Nearest
Neighborhood (Studi
Kasus Data Akademik
Jurusan Teknik
Komputer-S1
Universitas Komputer
Indonesia)
penelitian ini
menggunakan algoritma
K-Nearest
Neighborhood dengan
menghitung nilai
Euclidean Distance
pada setiap indeks
prestasi semester
mahasiswa
ukuran nilai k yang
besar/kecil belum tentu
menjadi nilai k terbaik
untuk memprediksi
masa studi mahasiswa
dengan tingkat
keberhasilan yang
tinggi. Tetapi nilai k
terbaik tergantung pada
jumlah data yang
digunakan
a. Penelitian ini menggunakan algoritma KNearest Neighborhood dengan atribut IP
semester 1 s/d 6. Proses klasifikasi juga
dilakukan satu persatu data mahasiswa
dan tidak dilengkapi pembuatan laporan
hasil keputusan.
Implementasi Metode
Naive Bayes Untuk
Memprediksi Kelulusan
penelitian ini digunakan
algoritma naive bayes
dengan menggunakan
nilai kedekatan pada
setiap mata kuliah
sebesar 0,01 dan nilai
a. Penelitian ini menggunakan algoritma
Naive Bayes dengan atribut nilai mata
kuliah semester 1 s/d 8 dan nilai
b. Pada penelitian yang diajukan
menggunakan algoritma Naive Bayes
dengan proses mining multiple data
(banyak data sekaligus) dan dilengkapi
fitur pembuatan laporan berdasarkan
program studi & tahun angkatan masuk.
Mahasiswa Di Program
Studi Teknik
Informatika FT UN
PGRI Kediri
nilai mata kuliah per
semester dan nilai
kedekatan nilai mata
kuliah terhadap nilai
standar sebagai
variabelnya
probabilitas akhir dari
perdiksi lulus tepat
sebesar 0,1485
sedangkan probabilitas
terlambat sebesar 0,099
kedekatan nilai mata kuliah terhadap nilai
standar sebagai variabelnya.
b. Pada penelitian yang diajukan
menggunakan algoritma Naive Bayes
dengan atribut program studi yang
dipilih, jenis kelamin, status pekerjaan,
nilai IPK terakhir, serta status kelulusan.
8. Landasan Teori
a. Data Mining
Data mining adalah teknik untuk menemukan dan mendeskripsikan polapola yang ada dalam data sebagai sebuah alat untuk membantu menjelaskan
data tersebut dan membuat prakiraan dari data itu (Witten & Eibe Frank
dalam Mauriza, Ahmad dan Yusuf Sulistyo, 2014).
Sedangkan menurut Turban dan Liang dalam Mujib Ridwan dkk (2013)
menjelaskan bahwa data mining adalah proses yang menggunakan teknik
statistik, matematika, kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait dari berbagai database besar.
Berdasarkan pengertian tersebut, maka dapat disimpulkan bahwa data
mining merupakan serangkaian proses ekstraksi dan identifikasi dengan
melalui tahap perhitungan untuk mendapatkan informasi baru berdasarkan
data yang telah ada.
(1) Pengelompokan data mining
Menurut Larose dalam Kusrini dan Emha Taufiq Luthfi (2009), data
mining dikelompokkan dalam beberapa bentuk diantaranya :
(a) Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba
mencari cara untuk menggambarkan pola dan kecendrungan yang
terdapat dalam data. Deskripsi dari pola dan kecenderungan sering
memberikan kemungkinan penjelasan untuk suatu pola atau
kecenderungan.
(b)
Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target
estimasi lebih ke arah numerik dari pada ke arah kategori. Model
dibangun menggunakan record lengkap yang menyediakan nilai dari
variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan
berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai
variabel prediksi.
(c) Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa
dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa
teknik dan metode yang digunakan dalam klasifikasi dan estimasi
dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.
(d)
Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori.
(e) Pengklusteran
Pengklusteran merupakan pengelompokan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki
kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan
satu dengan yang lainnya dan tidak memiliki kemiripan dengan
record-record dalam kluster lain.
(f) Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang
muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut
analisis keranjang belanja
(2) Tahapan data mining
Menurut Fayyad dalam Riadi, Muchlisin (2014) terdapat beberapa
tahapan dalam data mining, diantaranya :
(a) Data selection
Pemilihan (seleksi) data dari sekumpulan data operasional perlu
dilakukan sebelum tahap penggalian informasi dalam KDD dimulai.
Data hasil seleksi yang digunakan untuk proses data mining, disimpan
dalam suatu berkas, terpisah dari basis data operasional.
(b) Pre-processing / cleaning
Sebelum proses data mining dapat dilaksanakan, perlu dilakukan
proses cleaning pada data yang menjadi fokus KDD. Proses cleaning
mencakup antara lain membuang duplikasi data, memeriksa data yang
inkonsisten, dan memperbaiki kesalahan pada data.
(c) Transformation
Coding adalah proses transformasi pada data yang telah dipilih,
sehingga data tersebut sesuai untuk proses data mining. Proses coding
dalam KDD merupakan proses kreatif dan sangat tergantung pada
jenis atau pola informasi yang akan dicari dalam basis data.
(d) Data mining
Data mining adalah proses mencari pola atau informasi menarik
dalam data terpilih dengan menggunakan teknik atau metode tertentu.
Teknik, metode, atau algoritma dalam data mining sangat bervariasi.
Pemilihan metode atau algoritma yang tepat sangat bergantung pada
tujuan dan proses KDD secara keseluruhan.
(e) Interpretation / evalution
Pola informasi yang dihasilkan dari proses data mining perlu
ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang
berkepentingan. Tahap ini merupakan bagian dari proses KDD yang
disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola
atau informasi yang ditemukan bertentangan dengan fakta atau
hipotesis yang ada sebelumnya.
b. Algoritma Naive Bayes
Menurut Prasetyo, Eko (2012) naive bayes adalah pengklasifikasian statistik
yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu
class. Naive bayes didasarkan pada teorema Bayes yang memiliki
kemampuan klasifikasi serupa dengan decision tree dan neural network.
Naive bayes terbukti memiliki akurasi dan kecepatan yang tinggi saat
diaplikasikan ke dalam database dengan data yang besar.
Prediksi Bayes didasarkan pada formula teorema Bayes dengan formula
umum sebagai berikut :
VNB = argmaxvjV P(vj) P(ai | vj)
Keterangan
P(v) = probabilitas kelas
P(a | v) = probabilitas atribut terhadap kelas
c. Prediksi
Menurut Kamus Besar Bahasa Indonesia versi V, prediksi diartikan sebagai
ramalan atau prakiraan. Sehingga apabila mendapat imbuhan me- ataupun
me- dan -kan maka dapat diartikan sebagai sebuah aktivitas meramal atau
memprediksikan.
Sedangkan menurut Anonim (2014), prediksi dapat diartikan kedalam
beberapa pengertian yaitu :
(1) Ramalan atau pernyataan bahwa sesuatu akan terjadi sebelum sesuatu
itu terjadi sebagaimana dalam ramalan, divinasi, pre-kognisi.
(2)
Dan dapat juga diartikan sebagai pengetahuan inferensial yang
dnyatakan sebelum terjadi sesuatu yang sungguh-sungguh tiba dan atau
diharapkan tiba, yang dibuat berdasarkan kebiasaan-kebiasaan dalam
pengalaman-pengalaman lalu.
d. Kelulusan Studi Mahasiswa
Mahasiswa dapat dikatakan lulus apabila telah memenuhi persyaratan pada
setiap program studi di masing-masing perguruan tinggi yang ada. Terdapat
dua istilah yang terdapat dalam kelulusan studi mahasiswa, diantaranya
adalah yudisium dan wisuda. Menurut Anonim (2017) yudisium adalah
proses akademik yang menyangkut penerapan nilai dan kelulusan
mahasiswa dari seluruh proses akademik. Yudisium juga berarti
pengumuman nilai kepada mahasiswa sebagai proses penilaian akhir dari
seluruh mata kuliah yang telah di ambil mahasiswa dan penetapan nilai
dalam transkrip akademik, serta memutuskan lulus atau tidaknya mahasiswa
dalam menempuh studi selama jangka waktu tertentu, yang ditetapkan oleh
pejabat berwenang yang dihasilkan dari keputusan rapat yudisium.
Sedangkan wisuda adalah proses akhir dalam rangkaian kegiatan akademik
pada perguruan tinggi. Yakni sebagai tanda pengukuhan atas selesainya
studi yang diadakan prosesi pelantikan melalui rapat senat terbuka dan
ditujukan untuk semua lulusan program studi (Anonim, 2017).
e. Phased Development
Dennis dalam Konstantinou mengatakan, phased development merupakan
metode pengembangan sistem yang membagi keseluruhan bentuk sistem
kedalam
beberapa
seri
versi
yang
dibangun
secara
berurutan.
Pengembangan akan dilakukan setelah versi 1.0 dari sistem berhasil
diimplementasikan dengan baik. Kemudian, dilanjutkan pada versi 2.0, dan
seterusnya hingga versi terakhir yang merupakan versi terlengkap dari
sistem selesai dibangun.
Gambar 1 Phased Development Methodology
(Sumber : Dennis, 2006:55)
Namun, perlu diketahui bahwa pengembangan pada metode phased
dilakukan dengan memberikan penambahan fungsi pada versi sebelumnya.
Sehingga tidak membuat sistem baru dan tidak mengurangi requirements
yang terdapat pada versi 1.0.
f. RapidMiner
RapidMiner merupakan perangkat lunak yang bersifat terbuka (open
source). RapidMiner adalah sebuah solusi untuk melakukan analisis
terhadap data mining, text mining, dan analisis prediksi (Dennis Aprilla,
2013). RapidMiner menggunakan berbagai teknik deskriptif dan prediksi
dalam memberikan wawasan kepada pengguna sehingga dapat membuat
keputusan yang paling baik. RapidMiner memiliki kurang lebih 500
operator data mining, termasuk operator untuk input, output, data
preprocessing dan visualisasi. RapidMiner merupakan software yang berdiri
sendiri untuk analisis data dan sebagai mesin data mining yang dapat
diintegrasikan pada produknya sendiri. RapidMiner ditulis dengan
menggunakan bahasa java sehingga dapat bekerja di semua sistem operasi.
9. Tempat Penelitian
Penelitian ini dilakukan di STMIK Duta Bangsa yang beralamat di Jalan
Bhayangkara Nomor 55-57, Tipes, Serengan, Surakarta, Jawa Tengah. Telepon
(0271) 719552.
10. Metodologi Penelitian
a. Tahapan Penelitian (Kerangka Pikir)
Pada penelitian ini, tahapan penelitian dilakukan melalui beberapa kegiatan
mengacu pada tahapan data mining dengan dikombinasikan metode
pengembangan aplikasi menggunakan metode phased development.
Diantaranya dimulai dari planning yang mencangkup pengumpulan data
dan gambaran struktur project yang dijalankan. Kemudian dilanjutkan
analysis, lalu design, dan terakhir implementasi. Berikut ini gambaran alur
penelitian yang dilakukan.
Gambar 2 Tahapan Penelitian
b. Jenis dan Sumber Data
Pada penelitian ini, data dikelompokkan berdasarkan cara mendapatkannya
diantaranya :
(1) Jenis data primer
Data primer merupakan data yang didapat secara langsung dari sumber
data. Dalam hal ini meliputi data akademik mahasiswa aktif, dan data
kelulusan mahasiswa yang tujuannya untuk dapat dipelajari guna
memberikan informasi untuk dapat mendukung penelitian yang akan
dilakukan.
(2) Jenis data sekunder
Beberapa data yang termasuk data sekunder meliputi dokumen dan jurnal
terkait yang berguna sebagai bahan pembanding antara penelitian yang
sudah ada dengan penelitian yang akan dilakukan.
c. Metode Pengumpulan Data
Teknik pengumpulan data yang digunakan adalah sebagai berikut :
(1) Wawancara
Metode ini dilakukan dengan mengajukan beberapa pertanyaan kepada
staff / karyawan bagian BAAK yaitu Sdr/i Dany Aurin, S.Kom dan
Pradita Mei Nuryani, S.Kom yang berkaitan dengan :
(a) Apakah sudah menerapkan sistem atau aplikasi atau perhitungan
serupa untuk memprediksi kelulusan mahasiswa pada setiap angkatan
dan program studi yang ada?
(b) Bagaimana perkembangan tingkat kelulusan mahasiswa dari tahun ke
tahun?
(c) Bagaimana perkembangan dan berapa banyak jumlah mahasiswa baru
yang terdaftar selama 3 tahun terakhir?
(2) Observasi
Pengamatan secara langsung dilakukan dengan mengamati dan
mempelajari tingkat kelulusan mahasiswa untuk mendapatkan aspek apa
saja yang dapat dijadikan tolok ukur dalam menentukan atribut-atribut
untuk pendekatan data mining .
(3) Dokumentasi
Data mahasiswa, kelulusan, dan akademik merupakan beberapa contoh
dokumen yang digunakan dalam melakukan pembangunan aplikasi data
mining untuk memprediksi kelulusan mahasiswa menggunakan algoritma
naive bayes di STMIK Duta Bangsa Surakarta.
(4) Studi Literatur
Metode ini digunakan dengan mengumpulkan data dan informasi dari
berbagai sumber bacaan seperti paper, jurnal, artikel dan bacaan-bacaan
terkait untuk mendukung proses penulisan kode program maupun dalam
penyusunan laporan akhir.
d. Metode Pengembangan Sistem
Aplikasi dibangun dengan menggunakan metode phased dengan tahapan
menurut Dennis (2006:12) sebagai berikut :
(1) Planning
Pada tahap ini berfokus pada identifikasi alasan kenapa membangun
aplikasi ini dan bagaimana struktur project aplikasi berjalan. Beberapa
kegiatannya meliputi identifikasi peluang, menganalisa kemungkinan,
membuat workplan, dan menyusun bahan pokok project.
(2) Analysis
Pada tahap ini berfokus pada pertanyaan apa, siapa, dimana, dan kapan
aplikasi ini digunakan. Beberapa kegiatannya meliputi membuat analisa
strategi, menggambarkan use case model, membuat model proses, dan
membuat model data.
(3) Design
Pada tahap ini berfokus pada bagaimana aplikasi ini bekerja termasuk
membahas mengenai spesifikasi aplikasi. Beberapa kegiatannya meliputi
desain physical system, desain antarmuka, desain program, dan desain
basis data serta files.
(4) Implementasi
Pada tahap ini berfokus pada pelepasan dan support system. Beberapa
kegiatannya meliputi penulisan kode program (coding), penerapan
aplikasi, pengujian aplikasi, pemeliharan aplikasi, dan validasi akurasi.
11. Sistematika Penulisan
BAB I. PENDAHULUAN
Mencangkup latar belakang, rumusan masalah, batasan masalah, tujuan,
manfaat, tinjauan pustaka, metodologi penelitian dan sistematika penulisan.
BAB II. LANDASAN TEORI
Mencangkup teori-teori tentang data mining, algoritma naive bayes,
prediksi, kelulusan studi mahasiswa, metode phased development, dan
RapidMiner.
BAB III. ANALISIS DAN PERANCANGAN SISTEM
Mencangkup analisis permasalahan, prosedur penelitian, dan perancangan
sistem.
BAB IV. IMPLEMENTASI SISTEM
Mencangkup implementasi baik dari segi perancangan basis data sampai
dengan pembuatan desain antarmuka, pembahasan, pengujian, dan
pemeliharaan.
BAB V. PENUTUP
Menguraikan kesimpulan hasil penelitian dan saran-saran sebagai bahan
pertimbangan untuk pengembangan di masa yang akan datang.
12. Jadwal Penelitian
Tabel 2 Jadwal Penelitian
Bulan / Minggu
No
Bulan 1
Kegiatan
Bulan 2
Bulan 3
Bulan 4
Bulan 5
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1
Planning
2
Analysis
3
Design
4
Implementation
13. Daftar Pustaka
Anonim.
2014.
Pengertian
-
Arti
Prediksi.
http://arti-definisi-
pengertian.info/pengertian-arti-prediksi/. Tanggal akses 30 November
2017.
_______.
2017.
Yudisium
dan
Wisuda.
https://www.uny.ac.id/akademik/yudisium-dan-wisuda. Tanggal akses 4
Oktober 2017.
Astrid Darmawan. 2012. Pembuatan Aplikasi Data Mining Untuk
Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma KNearest Neighborhood (Studi Kasus Data Akademik Jurusan Teknik
Komputer-S1 Universitas Komputer Indonesia). Skripsi. Universitas
Komputer Indonesia. Bandung.
Dennis, A., at al. 2006. System Analysis and Design. 5th. New York : Ed.
John Willey & Sons.
Dennis Aprilla, dkk. 2013. Belajar Data Mining Dengan RapidMiner.
Jakarta : Gramedia Pustaka Utama.
Kamus Besar Bahasa Indonesia versi V
Konstantinou, Parthenopi. Rapid Application Development. International
Society for Ecological Economics (ISEE). ISAM 5635. Page 2-4.
Kusrini dan Emha Taufiq Luthfi. 2009. Algoritma Data Mining. Yogyakarta
: Penerbit ANDI.
Mauriza, Ahmad dan Yusuf Sulistyo. 2014. Implementasi Data Mining
Untuk Memprediksi Kelulusan Mahasiswa Fakultas Komunikasi
dan Informatika UMS Menggunakan Metode Naive Bayes. Skripsi.
Universitas Muhammadiyah Surakarta. Surakarta.
Mujib Ridwan dkk. 2013. Penerapan Data Mining Untuk Evaluasi
Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive
Bayes Classifier. Jurnal EECCIS Vol. 7, No. 1.
Prasetyo, Eko. 2012. Data Mining : Konsep dan Aplikasi Menggunakan
MATLAB. 1st ed. Yogyakarta : Andi.
Riadi,
Muchlisin.
2014.
Data
Mining.
http://www.kajianpustaka.com/2017/09/data-mining.html. Tanggal akses
29 November 2017.
Satria Bagus Pamungkas. 2016. Klasifikasi Potensi Status Mahasiswa
Dengan Menggunakan Algoritma C4.5 Pada Mahasiswa Program
Studi Sistem Informasi Di Universitas Dian Nuswantoro. Jurnal
Ilmiah. Universitas Dian Nuswantoro. Semarang.
STMIK Duta Bangsa. 2016. DAFTAR MAHASISWA MASUK. BAAK :
Surakarta
________________. 2017. DAFTAR LULUS. BAAK : Surakarta
________________. 2018. Mahasiswa lulus-baru sampai angkatan tahun
2013. BAAK : Surakarta
Yayak Kartika Sari. 2016. Implementasi Metode Naive Bayes Untuk
Memprediksi Kelulusan Mahasiswa Di Program Studi Teknik
Informatika FT UN PGRI Kediri. Skripsi. Universitas Nusantara
Persatuan Guru Republik Indonesia. Kediri.
MAHASISWA DENGAN ALGORITMA NAIVE BAYES
DI STMIK DUTA BANGSA SURAKARTA
PROPOSAL SKRIPSI
Diajukan Untuk Melengkapi Persyaratan
Menyelesaikan Pendidikan Program Strata 1
Program Studi Sistem Informasi
Oleh
ADITYA DHIMAS SULISTYANTO
140101006
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
STMIK DUTA BANGSA
SURAKARTA
2018
HALAMAN PERSETUJUAN
Proposal ini diajukan oleh :
Nama
: Aditya Dhimas Sulistyanto
NIM
: 140101006
Program Studi : Sistem Informasi
Judul
: Aplikasi Data Mining Untuk Memprediksi Kelulusan Mahasiswa
Dengan Algoritma Naive Bayes di STMIK Duta Bangsa Surakarta
Telah disetujui oleh Pembimbing Skripsi sebagai bagian persyaratan yang
diperlukan untuk Seminar Proposal Skripsi pada Program Studi Sistem Informasi.
Hari/Tanggal :
Menyetujui,
Pembimbing I
Pembimbing II
Wijiyanto, S.Kom., M.Pd., M.Kom
Herliyani Hasanah, MT
HALAMAN PENGESAHAN
Proposal ini diajukan oleh :
Nama
: Aditya Dhimas Sulistyanto
NIM
: 140101006
Program Studi : Sistem Informasi
Judul
: Aplikasi Data Mining Untuk Memprediksi Kelulusan Mahasiswa
Dengan Algoritma Naive Bayes di STMIK Duta Bangsa Surakarta
Telah berhasil dipertahankan di hadapan Dewan Penguji dalam Seminar Proposal
Skripsi pada Program Studi Sistem Informasi.
Hari/Tanggal :
Mengesahkan,
Penguji I
Penguji II
Wijiyanto, S.Kom., M.Pd., M.Kom
Herliyani Hasanah, MT
Mengetahui,
Ketua Program Studi
Eko Purwanto, M.Kom
1. Judul
“Aplikasi Data Mining Untuk Memprediksi Kelulusan Mahasiswa Dengan
Algoritma Naive Bayes di STMIK Duta Bangsa Surakarta”
2. Latar Belakang
STMIK Duta Bangsa Surakarta merupakan salah satu perguruan tinggi
swasta yang mengalami perkembangan yang sangat pesat. Hal itu dibuktikan
dengan diraihnya akreditasi B terhadap keempat program studi yang ada. Program
studi tersebut diantaranya adalah Sistem Informasi dan Teknik Informatika untuk
jenjang strata 1, serta Manajemen Informasi dan Teknik Komputer untuk jenjang
diploma 3. Selain itu STMIK Duta Bangsa Surakarta juga meraih penghargaan
sebagai “Smart Campus” urutan ke-33 dari Tesca Indonesia.
Namun seiring terjadinya perkembangan, maka jumlah mahasiswa baru
yang terdaftar juga semakin banyak. Sebagai contoh mahasiswa angkatan tahun
2014 yang terdaftar sebanyak 379 mahasiswa. Sedangkan pada tahun 2015
sebanyak 431 mahasiswa. Dan untuk tahun 2016 sebanyak 531 mahasiswa
(STMIK Duta Bangsa, 2016). Artinya terjadi peningkatan dari tahun ke tahun
rata-rata mencapai 14% hingga 20%. Hasil tersebut didapatkan dari jumlah
akumulasi terhadap mahasiswa dari keempat program studi.
Dengan terjadinya peningkatan jumlah mahasiswa yang terdaftar, maka
dapat dipastikan institusi memiliki jumlah data mahasiswa yang cukup besar. Data
mahasiswa tersebut mencangkup mahasiswa yang belum maupun yang sudah
lulus. Berdasarkan data yang ada, pada tahun 2015 jumlah kelulusan mahasiswa
mencapai 277 mahasiswa. Sedangkan pada tahun 2016 sebanyak 397 mahasiswa.
Dan untuk tahun 2017 sebanyak 424 mahasiswa (STMIK Duta Bangsa, 2017).
Dari tiga periode kelulusan tersebut didapatkan perincian persentase
kelulusan mahasiswa yang lulus tepat waktu sebesar 51,7% dan yang tidak tepat
waktu sebesar 48,3% untuk tahun 2015. Sedangkan pada tahun 2016 persentase
kelulusan tepat waktu sebesar 65,9% dan tidak tepat waktu sebesar 34,1%.
Kemudian untuk tahun 2017 persentase kelulusan tepat waktu sebesar 62,5% dan
tidak tepat waktu sebesar 37,5% (STMIK Duta Bangsa, 2018).
Artinya
perbandingan antara persentase kelulusan yang tepat dan tidak tepat masih bersifat
fluktuatif. Sehingga hal tersebut menjadi dasar acuan dilakukannya proses
klasifikasi melalui pendekatan data mining.
Data mining adalah proses yang menggunakan teknik statistik, matematika,
kecerdasan
buatan,
dan
machine
learning
untuk
mengekstraksi
dan
mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari
berbagai database besar (Turban dan Liang dalam Mujib Ridwan, 2013). Salah
satu informasi baru yang dapat digali adalah tentang kelulusan mahasiswa pada
angkatan selanjutnya.
Hal ini dapat digunakan sebagai bahan evaluasi bagi mahasiswa untuk dapat
mencapai kelulusan tepat waktu dengan nilai optimal dan mempertahankan
akreditasi bagi institusi. Mengingat salah satu elemen penting dalam penilaian
oleh Badan Akreditasi Nasional Perguruan Tinggi (BAN-PT) adalah tentang
presentase kelulusan mahasiswa. Namun pada kenyataannya, institusi belum
menerapkan sistem atau aplikasi serupa maupun suatu perhitungan sejenis yang
tujuannya untuk memprediksi kelulusan mahasiswa.
3. Perumusan Masalah
Berdasarkan latar belakang masalah diatas, maka dapat dirumuskan
permasalahannya adalah bagaimana cara membangun aplikasi data mining
untuk memprediksi kelulusan mahasiswa menggunakan algoritma naive bayes di
STMIK Duta Bangsa Surakarta?
4. Batasan Masalah
Batasan masalah pada aplikasi data mining yang akan dibangun adalah
sebagai berikut :
a. Pendekatan data mining yang akan dilakukan adalah pendekatan klasifikasi
melalui algoritma naive bayes untuk memprediksi kelulusan mahasiswa
b. Data yang dibutuhkan sebagai data training adalah data kelulusan
mahasiswa dari periode wisuda 9-14 pada keempat program studi di STMIK
Duta Bangsa Surakarta.
c. Data uji yang digunakan adalah data mahasiswa angkatan 2014-2015 pada
keempat program studi di STMIK Duta Bangsa Surakarta. Dengan batasan
untuk angkatan 2014 hanya mencangkup program studi Sistem Informasi
dan Teknik Informatika, sedangkan untuk angkatan 2015 mencangkup
keempat program studi.
d. Atribut yang digunakan untuk menghitung nilai probabilitas atribut meliputi
data mahasiswa mengenai program studi yang dipilih, jenis kelamin, status
pekerjaan, dan nilai IPK terakhir.
e. Sedangkan untuk kelas yang digunakan sebagai target klasifikasi adalah
status kelulusan yang meliputi tepat waktu dan tidak tepat waktu.
f. Aplikasi ini dirancang dengan teknik permodelan menggunakan Unified
Modeling Language (UML) dan didukung pemrograman web.
g. Aplikasi ini dibangun dengan mengacu tahapan metode pengembangan
phased development.
h. Tingkat akurasi proses klasifikasi diuji menggunakan RapidMiner versi 8.1
5. Tujuan Penelitian
Berdasarkan
rumusan
dan
batasan
masalah
diatas,
maka
dapat
dideskripsikan tujuan dari penelitian ini adalah mampu menghasilkan sebuah
aplikasi data mining untuk memprediksi kelulusan mahasiswa menggunakan
algoritma naive bayes di STMIK Duta Bangsa Surakarta.
6. Manfaat Penelitian
a. Manfaat teoritis
Penelitian ini dapat digunakan sebagai bahan referensi pengetahuan, dan
pembanding dalam melakukan pengembangan di masa yang akan datang.
b. Manfaat praktis
Memberikan
suatu
solusi
dengan
merancang,
membangun,
dan
mengimplementasikan aplikasi data mining yang telah dibuat sebagai
penunjang proses klasifikasi dan prediksi kelulusan mahasiswa di STMIK
Duta Bangsa Surakarta sebagai bahan evaluasi akademik.
7. Tinjauan Pustaka
Beberapa literatur sejenis yang digunakan untuk mendukung penelitian
diantaranya :
a. Jurnal
ilmiah
dengan
judul
“KLASIFIKASI
POTENSI
STATUS
MAHASISWA DENGAN MENGGUNAKAN ALGORITMA C4.5 PADA
MAHASISWA
PROGRAM
STUDI
SISTEM
INFORMASI
DI
UNIVERSITAS DIAN NUSWANTORO” oleh Satria Bagus Pamungkas
(2016) dari Universitas Dian Nuswantoro. Penelitian ini bertujuan untuk
mengklasifikasikan status mahasiswa yang berpotensi mangkir sebagai
pemicu menurunnya presentase mahasiswa yang lulus tepat waktu. Pada
penelitian ini digunakan algoritma C4.5 dengan menerapkan dua pengujian
yaitu Confusion Matrix dan ROC Curve. Dengan dilakukannya penelitian
ini dihasilkan prototype aplikasi memiliki tingkat akurasi 93.05% (termasuk
dalam good classification) dan nilai AUC sebesar 0.505.
b. Skripsi dengan judul “PEMBUATAN APLIKASI DATA MINING
UNTUK
MEMPREDIKSI
MENGGUNAKAN
MASA
ALGORITMA
STUDI
K-NEAREST
MAHASISWA
NEIGHBORHOOD
(Studi Kasus Data Akademik Jurusan Teknik Komputer-S1 Universitas
Komputer Indonesia)”
oleh Astrid Darmawan (2012) dari Universitas
Komputer Indonesia. Penelitian ini bertujuan untuk dapat memprediksi
kelulusan dan presentase kelulusan mahasiswa di jurusan Teknik Komputer
khususnya S1. Pada penelitian ini digunakan algoritma K-Nearest
Neighborhood dengan menghitung nilai Euclidean Distance pada setiap
indeks prestasi semester mahasiswa. Hasil penelitian ini menunjukkan nilai
k terbaik tergantung dari jumlah data yang digunakan.
c. Skripsi dengan judul “IMPLEMENTASI METODE NAIVE BAYES
UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DI PROGRAM
STUDI TEKNIK INFORMATIKA FT UN PGRI KEDIRI” oleh Yayak
Kartika Sari (2016) dari Universitas Nusantara PGRI Kediri. Penelitian ini
bertujuan untuk dapat melihat tingkat kelulusan mahasiswa pada satu
program studi teknik informatika. Pada penelitian ini digunakan algoritma
naive bayes dengan menggunakan nilai mata kuliah per semester dan nilai
kedekatan nilai mata kuliah terhadap nilai standar sebagai variabelnya.
Dengan dilakukannya penelitian ini dihasilkan nilai kedekatan pada setiap
mata kuliah sebesar 0,01 dan nilai probabilitas akhir dari perdiksi lulus tepat
sebesar 0,1485 sedangkan probabilitas terlambat sebesar 0,099.
Berikut ini tabel perbandingan dari ketiga tinjauan pustaka dengan penelitian yang diajukan.
Tabel 1 Perbandingan Tinjauan Pustaka Dengan Penelitian Yang Diajukan
Penulis, Tahun
Satria Bagus
Pamungkas, 2016
Judul
Klasifikasi Potensi
Status Mahasiswa
Dengan Menggunakan
Algoritma C4.5 Pada
Mahasiswa Program
Studi Sistem Informasi
Di Universitas Dian
Nuswantoro
Metode
Hasil Penelitian
Perbedaan
penelitian ini
menggunakan algoritma
C4.5 dengan
menerapkan dua
pengujian yaitu
Confusion Matrix dan
ROC Curve
aplikasi memiliki
tingkat akurasi 93.05%
(termasuk dalam good
classification) dan nilai
AUC sebesar 0.505
a. Penelitian ini menggunakan algoritma
C4.5 dengan atribut jenis sekolah, status
sekolah, kota asal, pekerjaan orang tua,
gaji orang tua, dan IP semester 1 s/d 4.
Proses klasifikasi juga dilakukan satu
persatu data mahasiswa dan tidak
dilengkapi pembuatan laporan hasil
keputusan.
b. Pada penelitian yang diajukan
menggunakan algoritma Naive Bayes
dengan atribut program studi yang
dipilih, jenis kelamin, status pekerjaan,
nilai IPK terakhir, serta status kelulusan.
Proses mining juga dilakukan secara
multiple data (banyak data sekaligus)
serta dilengkapi pula dengan fitur
pembuatan laporan berdasarkan program
studi dan tahun angkatan masuk.
Penulis, Tahun
Astrid Darmawan, 2012
Yayak Kartika Sari,
2016
Judul
Metode
Hasil Penelitian
Perbedaan
Pembuatan Aplikasi
Data Mining Untuk
Memprediksi Masa
Studi Mahasiswa
Menggunakan
Algoritma K-Nearest
Neighborhood (Studi
Kasus Data Akademik
Jurusan Teknik
Komputer-S1
Universitas Komputer
Indonesia)
penelitian ini
menggunakan algoritma
K-Nearest
Neighborhood dengan
menghitung nilai
Euclidean Distance
pada setiap indeks
prestasi semester
mahasiswa
ukuran nilai k yang
besar/kecil belum tentu
menjadi nilai k terbaik
untuk memprediksi
masa studi mahasiswa
dengan tingkat
keberhasilan yang
tinggi. Tetapi nilai k
terbaik tergantung pada
jumlah data yang
digunakan
a. Penelitian ini menggunakan algoritma KNearest Neighborhood dengan atribut IP
semester 1 s/d 6. Proses klasifikasi juga
dilakukan satu persatu data mahasiswa
dan tidak dilengkapi pembuatan laporan
hasil keputusan.
Implementasi Metode
Naive Bayes Untuk
Memprediksi Kelulusan
penelitian ini digunakan
algoritma naive bayes
dengan menggunakan
nilai kedekatan pada
setiap mata kuliah
sebesar 0,01 dan nilai
a. Penelitian ini menggunakan algoritma
Naive Bayes dengan atribut nilai mata
kuliah semester 1 s/d 8 dan nilai
b. Pada penelitian yang diajukan
menggunakan algoritma Naive Bayes
dengan proses mining multiple data
(banyak data sekaligus) dan dilengkapi
fitur pembuatan laporan berdasarkan
program studi & tahun angkatan masuk.
Mahasiswa Di Program
Studi Teknik
Informatika FT UN
PGRI Kediri
nilai mata kuliah per
semester dan nilai
kedekatan nilai mata
kuliah terhadap nilai
standar sebagai
variabelnya
probabilitas akhir dari
perdiksi lulus tepat
sebesar 0,1485
sedangkan probabilitas
terlambat sebesar 0,099
kedekatan nilai mata kuliah terhadap nilai
standar sebagai variabelnya.
b. Pada penelitian yang diajukan
menggunakan algoritma Naive Bayes
dengan atribut program studi yang
dipilih, jenis kelamin, status pekerjaan,
nilai IPK terakhir, serta status kelulusan.
8. Landasan Teori
a. Data Mining
Data mining adalah teknik untuk menemukan dan mendeskripsikan polapola yang ada dalam data sebagai sebuah alat untuk membantu menjelaskan
data tersebut dan membuat prakiraan dari data itu (Witten & Eibe Frank
dalam Mauriza, Ahmad dan Yusuf Sulistyo, 2014).
Sedangkan menurut Turban dan Liang dalam Mujib Ridwan dkk (2013)
menjelaskan bahwa data mining adalah proses yang menggunakan teknik
statistik, matematika, kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait dari berbagai database besar.
Berdasarkan pengertian tersebut, maka dapat disimpulkan bahwa data
mining merupakan serangkaian proses ekstraksi dan identifikasi dengan
melalui tahap perhitungan untuk mendapatkan informasi baru berdasarkan
data yang telah ada.
(1) Pengelompokan data mining
Menurut Larose dalam Kusrini dan Emha Taufiq Luthfi (2009), data
mining dikelompokkan dalam beberapa bentuk diantaranya :
(a) Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba
mencari cara untuk menggambarkan pola dan kecendrungan yang
terdapat dalam data. Deskripsi dari pola dan kecenderungan sering
memberikan kemungkinan penjelasan untuk suatu pola atau
kecenderungan.
(b)
Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target
estimasi lebih ke arah numerik dari pada ke arah kategori. Model
dibangun menggunakan record lengkap yang menyediakan nilai dari
variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan
berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai
variabel prediksi.
(c) Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa
dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa
teknik dan metode yang digunakan dalam klasifikasi dan estimasi
dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.
(d)
Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori.
(e) Pengklusteran
Pengklusteran merupakan pengelompokan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki
kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan
satu dengan yang lainnya dan tidak memiliki kemiripan dengan
record-record dalam kluster lain.
(f) Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang
muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut
analisis keranjang belanja
(2) Tahapan data mining
Menurut Fayyad dalam Riadi, Muchlisin (2014) terdapat beberapa
tahapan dalam data mining, diantaranya :
(a) Data selection
Pemilihan (seleksi) data dari sekumpulan data operasional perlu
dilakukan sebelum tahap penggalian informasi dalam KDD dimulai.
Data hasil seleksi yang digunakan untuk proses data mining, disimpan
dalam suatu berkas, terpisah dari basis data operasional.
(b) Pre-processing / cleaning
Sebelum proses data mining dapat dilaksanakan, perlu dilakukan
proses cleaning pada data yang menjadi fokus KDD. Proses cleaning
mencakup antara lain membuang duplikasi data, memeriksa data yang
inkonsisten, dan memperbaiki kesalahan pada data.
(c) Transformation
Coding adalah proses transformasi pada data yang telah dipilih,
sehingga data tersebut sesuai untuk proses data mining. Proses coding
dalam KDD merupakan proses kreatif dan sangat tergantung pada
jenis atau pola informasi yang akan dicari dalam basis data.
(d) Data mining
Data mining adalah proses mencari pola atau informasi menarik
dalam data terpilih dengan menggunakan teknik atau metode tertentu.
Teknik, metode, atau algoritma dalam data mining sangat bervariasi.
Pemilihan metode atau algoritma yang tepat sangat bergantung pada
tujuan dan proses KDD secara keseluruhan.
(e) Interpretation / evalution
Pola informasi yang dihasilkan dari proses data mining perlu
ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang
berkepentingan. Tahap ini merupakan bagian dari proses KDD yang
disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola
atau informasi yang ditemukan bertentangan dengan fakta atau
hipotesis yang ada sebelumnya.
b. Algoritma Naive Bayes
Menurut Prasetyo, Eko (2012) naive bayes adalah pengklasifikasian statistik
yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu
class. Naive bayes didasarkan pada teorema Bayes yang memiliki
kemampuan klasifikasi serupa dengan decision tree dan neural network.
Naive bayes terbukti memiliki akurasi dan kecepatan yang tinggi saat
diaplikasikan ke dalam database dengan data yang besar.
Prediksi Bayes didasarkan pada formula teorema Bayes dengan formula
umum sebagai berikut :
VNB = argmaxvjV P(vj) P(ai | vj)
Keterangan
P(v) = probabilitas kelas
P(a | v) = probabilitas atribut terhadap kelas
c. Prediksi
Menurut Kamus Besar Bahasa Indonesia versi V, prediksi diartikan sebagai
ramalan atau prakiraan. Sehingga apabila mendapat imbuhan me- ataupun
me- dan -kan maka dapat diartikan sebagai sebuah aktivitas meramal atau
memprediksikan.
Sedangkan menurut Anonim (2014), prediksi dapat diartikan kedalam
beberapa pengertian yaitu :
(1) Ramalan atau pernyataan bahwa sesuatu akan terjadi sebelum sesuatu
itu terjadi sebagaimana dalam ramalan, divinasi, pre-kognisi.
(2)
Dan dapat juga diartikan sebagai pengetahuan inferensial yang
dnyatakan sebelum terjadi sesuatu yang sungguh-sungguh tiba dan atau
diharapkan tiba, yang dibuat berdasarkan kebiasaan-kebiasaan dalam
pengalaman-pengalaman lalu.
d. Kelulusan Studi Mahasiswa
Mahasiswa dapat dikatakan lulus apabila telah memenuhi persyaratan pada
setiap program studi di masing-masing perguruan tinggi yang ada. Terdapat
dua istilah yang terdapat dalam kelulusan studi mahasiswa, diantaranya
adalah yudisium dan wisuda. Menurut Anonim (2017) yudisium adalah
proses akademik yang menyangkut penerapan nilai dan kelulusan
mahasiswa dari seluruh proses akademik. Yudisium juga berarti
pengumuman nilai kepada mahasiswa sebagai proses penilaian akhir dari
seluruh mata kuliah yang telah di ambil mahasiswa dan penetapan nilai
dalam transkrip akademik, serta memutuskan lulus atau tidaknya mahasiswa
dalam menempuh studi selama jangka waktu tertentu, yang ditetapkan oleh
pejabat berwenang yang dihasilkan dari keputusan rapat yudisium.
Sedangkan wisuda adalah proses akhir dalam rangkaian kegiatan akademik
pada perguruan tinggi. Yakni sebagai tanda pengukuhan atas selesainya
studi yang diadakan prosesi pelantikan melalui rapat senat terbuka dan
ditujukan untuk semua lulusan program studi (Anonim, 2017).
e. Phased Development
Dennis dalam Konstantinou mengatakan, phased development merupakan
metode pengembangan sistem yang membagi keseluruhan bentuk sistem
kedalam
beberapa
seri
versi
yang
dibangun
secara
berurutan.
Pengembangan akan dilakukan setelah versi 1.0 dari sistem berhasil
diimplementasikan dengan baik. Kemudian, dilanjutkan pada versi 2.0, dan
seterusnya hingga versi terakhir yang merupakan versi terlengkap dari
sistem selesai dibangun.
Gambar 1 Phased Development Methodology
(Sumber : Dennis, 2006:55)
Namun, perlu diketahui bahwa pengembangan pada metode phased
dilakukan dengan memberikan penambahan fungsi pada versi sebelumnya.
Sehingga tidak membuat sistem baru dan tidak mengurangi requirements
yang terdapat pada versi 1.0.
f. RapidMiner
RapidMiner merupakan perangkat lunak yang bersifat terbuka (open
source). RapidMiner adalah sebuah solusi untuk melakukan analisis
terhadap data mining, text mining, dan analisis prediksi (Dennis Aprilla,
2013). RapidMiner menggunakan berbagai teknik deskriptif dan prediksi
dalam memberikan wawasan kepada pengguna sehingga dapat membuat
keputusan yang paling baik. RapidMiner memiliki kurang lebih 500
operator data mining, termasuk operator untuk input, output, data
preprocessing dan visualisasi. RapidMiner merupakan software yang berdiri
sendiri untuk analisis data dan sebagai mesin data mining yang dapat
diintegrasikan pada produknya sendiri. RapidMiner ditulis dengan
menggunakan bahasa java sehingga dapat bekerja di semua sistem operasi.
9. Tempat Penelitian
Penelitian ini dilakukan di STMIK Duta Bangsa yang beralamat di Jalan
Bhayangkara Nomor 55-57, Tipes, Serengan, Surakarta, Jawa Tengah. Telepon
(0271) 719552.
10. Metodologi Penelitian
a. Tahapan Penelitian (Kerangka Pikir)
Pada penelitian ini, tahapan penelitian dilakukan melalui beberapa kegiatan
mengacu pada tahapan data mining dengan dikombinasikan metode
pengembangan aplikasi menggunakan metode phased development.
Diantaranya dimulai dari planning yang mencangkup pengumpulan data
dan gambaran struktur project yang dijalankan. Kemudian dilanjutkan
analysis, lalu design, dan terakhir implementasi. Berikut ini gambaran alur
penelitian yang dilakukan.
Gambar 2 Tahapan Penelitian
b. Jenis dan Sumber Data
Pada penelitian ini, data dikelompokkan berdasarkan cara mendapatkannya
diantaranya :
(1) Jenis data primer
Data primer merupakan data yang didapat secara langsung dari sumber
data. Dalam hal ini meliputi data akademik mahasiswa aktif, dan data
kelulusan mahasiswa yang tujuannya untuk dapat dipelajari guna
memberikan informasi untuk dapat mendukung penelitian yang akan
dilakukan.
(2) Jenis data sekunder
Beberapa data yang termasuk data sekunder meliputi dokumen dan jurnal
terkait yang berguna sebagai bahan pembanding antara penelitian yang
sudah ada dengan penelitian yang akan dilakukan.
c. Metode Pengumpulan Data
Teknik pengumpulan data yang digunakan adalah sebagai berikut :
(1) Wawancara
Metode ini dilakukan dengan mengajukan beberapa pertanyaan kepada
staff / karyawan bagian BAAK yaitu Sdr/i Dany Aurin, S.Kom dan
Pradita Mei Nuryani, S.Kom yang berkaitan dengan :
(a) Apakah sudah menerapkan sistem atau aplikasi atau perhitungan
serupa untuk memprediksi kelulusan mahasiswa pada setiap angkatan
dan program studi yang ada?
(b) Bagaimana perkembangan tingkat kelulusan mahasiswa dari tahun ke
tahun?
(c) Bagaimana perkembangan dan berapa banyak jumlah mahasiswa baru
yang terdaftar selama 3 tahun terakhir?
(2) Observasi
Pengamatan secara langsung dilakukan dengan mengamati dan
mempelajari tingkat kelulusan mahasiswa untuk mendapatkan aspek apa
saja yang dapat dijadikan tolok ukur dalam menentukan atribut-atribut
untuk pendekatan data mining .
(3) Dokumentasi
Data mahasiswa, kelulusan, dan akademik merupakan beberapa contoh
dokumen yang digunakan dalam melakukan pembangunan aplikasi data
mining untuk memprediksi kelulusan mahasiswa menggunakan algoritma
naive bayes di STMIK Duta Bangsa Surakarta.
(4) Studi Literatur
Metode ini digunakan dengan mengumpulkan data dan informasi dari
berbagai sumber bacaan seperti paper, jurnal, artikel dan bacaan-bacaan
terkait untuk mendukung proses penulisan kode program maupun dalam
penyusunan laporan akhir.
d. Metode Pengembangan Sistem
Aplikasi dibangun dengan menggunakan metode phased dengan tahapan
menurut Dennis (2006:12) sebagai berikut :
(1) Planning
Pada tahap ini berfokus pada identifikasi alasan kenapa membangun
aplikasi ini dan bagaimana struktur project aplikasi berjalan. Beberapa
kegiatannya meliputi identifikasi peluang, menganalisa kemungkinan,
membuat workplan, dan menyusun bahan pokok project.
(2) Analysis
Pada tahap ini berfokus pada pertanyaan apa, siapa, dimana, dan kapan
aplikasi ini digunakan. Beberapa kegiatannya meliputi membuat analisa
strategi, menggambarkan use case model, membuat model proses, dan
membuat model data.
(3) Design
Pada tahap ini berfokus pada bagaimana aplikasi ini bekerja termasuk
membahas mengenai spesifikasi aplikasi. Beberapa kegiatannya meliputi
desain physical system, desain antarmuka, desain program, dan desain
basis data serta files.
(4) Implementasi
Pada tahap ini berfokus pada pelepasan dan support system. Beberapa
kegiatannya meliputi penulisan kode program (coding), penerapan
aplikasi, pengujian aplikasi, pemeliharan aplikasi, dan validasi akurasi.
11. Sistematika Penulisan
BAB I. PENDAHULUAN
Mencangkup latar belakang, rumusan masalah, batasan masalah, tujuan,
manfaat, tinjauan pustaka, metodologi penelitian dan sistematika penulisan.
BAB II. LANDASAN TEORI
Mencangkup teori-teori tentang data mining, algoritma naive bayes,
prediksi, kelulusan studi mahasiswa, metode phased development, dan
RapidMiner.
BAB III. ANALISIS DAN PERANCANGAN SISTEM
Mencangkup analisis permasalahan, prosedur penelitian, dan perancangan
sistem.
BAB IV. IMPLEMENTASI SISTEM
Mencangkup implementasi baik dari segi perancangan basis data sampai
dengan pembuatan desain antarmuka, pembahasan, pengujian, dan
pemeliharaan.
BAB V. PENUTUP
Menguraikan kesimpulan hasil penelitian dan saran-saran sebagai bahan
pertimbangan untuk pengembangan di masa yang akan datang.
12. Jadwal Penelitian
Tabel 2 Jadwal Penelitian
Bulan / Minggu
No
Bulan 1
Kegiatan
Bulan 2
Bulan 3
Bulan 4
Bulan 5
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1
Planning
2
Analysis
3
Design
4
Implementation
13. Daftar Pustaka
Anonim.
2014.
Pengertian
-
Arti
Prediksi.
http://arti-definisi-
pengertian.info/pengertian-arti-prediksi/. Tanggal akses 30 November
2017.
_______.
2017.
Yudisium
dan
Wisuda.
https://www.uny.ac.id/akademik/yudisium-dan-wisuda. Tanggal akses 4
Oktober 2017.
Astrid Darmawan. 2012. Pembuatan Aplikasi Data Mining Untuk
Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma KNearest Neighborhood (Studi Kasus Data Akademik Jurusan Teknik
Komputer-S1 Universitas Komputer Indonesia). Skripsi. Universitas
Komputer Indonesia. Bandung.
Dennis, A., at al. 2006. System Analysis and Design. 5th. New York : Ed.
John Willey & Sons.
Dennis Aprilla, dkk. 2013. Belajar Data Mining Dengan RapidMiner.
Jakarta : Gramedia Pustaka Utama.
Kamus Besar Bahasa Indonesia versi V
Konstantinou, Parthenopi. Rapid Application Development. International
Society for Ecological Economics (ISEE). ISAM 5635. Page 2-4.
Kusrini dan Emha Taufiq Luthfi. 2009. Algoritma Data Mining. Yogyakarta
: Penerbit ANDI.
Mauriza, Ahmad dan Yusuf Sulistyo. 2014. Implementasi Data Mining
Untuk Memprediksi Kelulusan Mahasiswa Fakultas Komunikasi
dan Informatika UMS Menggunakan Metode Naive Bayes. Skripsi.
Universitas Muhammadiyah Surakarta. Surakarta.
Mujib Ridwan dkk. 2013. Penerapan Data Mining Untuk Evaluasi
Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive
Bayes Classifier. Jurnal EECCIS Vol. 7, No. 1.
Prasetyo, Eko. 2012. Data Mining : Konsep dan Aplikasi Menggunakan
MATLAB. 1st ed. Yogyakarta : Andi.
Riadi,
Muchlisin.
2014.
Data
Mining.
http://www.kajianpustaka.com/2017/09/data-mining.html. Tanggal akses
29 November 2017.
Satria Bagus Pamungkas. 2016. Klasifikasi Potensi Status Mahasiswa
Dengan Menggunakan Algoritma C4.5 Pada Mahasiswa Program
Studi Sistem Informasi Di Universitas Dian Nuswantoro. Jurnal
Ilmiah. Universitas Dian Nuswantoro. Semarang.
STMIK Duta Bangsa. 2016. DAFTAR MAHASISWA MASUK. BAAK :
Surakarta
________________. 2017. DAFTAR LULUS. BAAK : Surakarta
________________. 2018. Mahasiswa lulus-baru sampai angkatan tahun
2013. BAAK : Surakarta
Yayak Kartika Sari. 2016. Implementasi Metode Naive Bayes Untuk
Memprediksi Kelulusan Mahasiswa Di Program Studi Teknik
Informatika FT UN PGRI Kediri. Skripsi. Universitas Nusantara
Persatuan Guru Republik Indonesia. Kediri.