JURNAL ITSMART Vol 3. No 2. Desember 2014 ISSN :

Transkripsi

1 IMPLEMENTASI ALGORITMA ITERATIVE DIHOTOMISER PADA PENYELEKSIAN PROGRAM MAHASISWA WIRAUSAHA UNS Tisna Dedi Utama Sari Widya Sihwi Afrizal Doewes Jurusan Informatika Jurusan Informatika Jurusan Informatika Universitas Sebelas Maret Universitas Sebelas Maret Universitas Sebelas Maret Jl. Ir. Sutami. 6 A Surakarta Jl. Ir. Sutami. 6 A Surakarta Jl. Ir. Sutami. 6 A Surakarta thama.vix@mail.com sari.widya.sihwi@mail.com afrizal.doewes@mail.com ABSTRAT Student Entrepreneur Proram (PMW) is a proram of Sebelas Maret University (UNS) in an effort to train students in the field of entrepreneurship. This proram has a lot of interest which are required to make a start up bussiness. After five years of runnin the proram, the accumulation of bussiness plan participants. This data maybe used to pile to be extracted and processed into useful information usin classification. This classification process is expected to be used to consider the selection process. It is intended that the provision of venture capital funds can be tareted and there was warnin or anticipation to students who could potentially fail or o without after ettin capital funds. The process classification of data later in the minin heap usin iterative dechotomiser (ID) alorithm. The data in this minin process will form to the pattern that can be known linkaes between participants attribute the success cateory. This pattern is expected to be used in the PMW for the selection process. From the test results on the data PMW UNS, averae accuracy percentae owned by 77.49% when tested with the 0% which do random testin of data as much as ten times and 96,% for all trainin data. keyword : Data minin, Decision tree, Iterative Dichotomiser, lassification. ABSTRAK Proram Mahasiswa Wirausaha (PMW) merupakan proram Universitas Sebelas Maret (UNS) dalam upaya melatih mahasiswa dalam bidan wirausaha. Proram ini memiliki banyak peminat yan diharuskan membuat start up bussiness. Setelah lima tahun proram berjalan, terjadi tumpukan data bussiness plan dari para peserta. Padahal tumpukan data ini dapat dimanfaatkan untuk diali dan diolah menjadi informasi yan beruna menunakan klasifikasi. Proses klasifikasi ini diharapkan dapat diunakan untuk mempertimbankan proses penyeleksian. Hal ini bertujuan aar pemberian dana modal usaha dapat tepat sasaran dan ada perinatan dini atau antisipasi kepada mahasiswa yan berpotensi aal atau peri tanpa kabar setelah mendapatkan dana modal. Proses klasifikasi dari tumpukan data kemudian di minin denan menunakan aloritma iterative dechotomiser (ID). Data yan di minin ini akan membentuk pola sehina dapat diketahui keterkaitan antara atribut denan keberhasilan peserta. Pola inilah yan diharapkan dapat diunakan pada PMW untuk mempertimbankan proses penyeleksian. Dari hasil penujian pada data PMW UNS, persentase keakuratan rata-rata yan dimiliki sebesar 77,49% saat diuji denan 0% data testin yan dilakukan random sebanyak sepuluh kali dan 96,% pada seluruh data trainin. Kata kunci : Data minin, Decision tree, Iterative Dichotomiser, Klasifikasi.. PENDAHULUAN Proram Mahasiswa Wirausaha (PMW) diusun sejak tahun 009 oleh Departemen Pendidikan Nasional (DIKNAS). Proram ini bertujuan untuk menumbuhkembankan jiwa wirausaha dan meninkatkan aktivitas kewirausahaan para calon lulusan peruruan tini []. UNS telah memulai PMW melalui Pusat Penembanan Kewirausahaan (PPKwu). PPKwu merupakan pusat penembanan dibawah Lembaa Penelitian dan Penabdian Kepada Masyarakat (LPPM). Lima tahun perekrutan PMW ini, terjadi penempukan data dari business plan dan kateori peserta, padahal dapat dimanfaatkan sebaai informasi yan strateis. Informasi ini dapat diunakan untuk mendukun keputusan atau membantu dalam menentukan kateori mahasiswa. Terbentuk empat kateori peserta dari proram ini. Kateori pertama adalah diterima kemudian menjalankan usahanya. Kedua adalah diterima namun menalami kebankrutan. Ketia diterima namun tidak menjalankan usahanya dan peri tanpa kabar. Sedankan kateori keempat adalah tidak diterima. Salah satu cara untuk menali informasi strateis dari tumpukan data adalah denan menunakan Data Minin. Data Minin merupakan suatu proses di dalam menali informasi berhara yan terpendam atau tersembunyi pada suatu koleksi data (database). Dari proses tersebut ditemukan suatu pola yan menarik yan sebelumnya tidak diketahui[]. Analisa data minin berjalan pada data yan cenderun terus membesar dan teknik terbaik yan diunakan. Kemudian berorientasi kepada data berukuran sanat besar untuk mendapatkan kesimpulan dan keputusan palin layak. Denan penunaan data minin, diharapkan penumpukan data yan selama ini terjadi dapat diperunakan untuk menali informasi yan pentin. Sehina memberikan manfaat dan penetahuan yan sebelumnya tersembunyi. Berdasarkan funsinya data minin memiliki beberapa 74

2 teknik yan dapat diunakan yaitu deskripsi, estimasi, prediksi, klasifikasi, penklusteran, asosiasi []. Salah satu metode dalam klasifikasi Data Minin adalah Decision Tree (pohon keputusan). Klasifikasi tersebut membai data ke kelas kelas yan berbeda menurut model klasifikasi yan ditetapkan. Metode Decision Tree dapat jua dikatakan salah satu metode klasifikasi yan palin popular karena mudah untuk diinterpretasi oleh manusia [4]. Konsep dasar Decision Tree adalah menubah data menjadi pohon keputusan dan aturan-aturan keputusan (rule), di mana setiap node merepresentasikan atribut, cabannya merepresentasikan nilai dari atribut, dan daun merepresentasikan kelas. de yan palin atas dari Decision Tree disebut sebaai root. Ada banyak aloritma dari Decision Tree, salah satu diantaranya adalah aloritma ID. Menurut penelitian yan dilakukan oleh S.Archana & Dr. K.Elanovan denan judul Survey of lassification Techniques in Data Minin [5], aloritma ID merupakan aloritma yan lebih akurat dibandinkan aloritma klasifikasi yan lain yaitu 4.5, 5.0, Naïve Bayes, SVM dan KNN. Aloritma ID menunakan nilai atribut dalam klasifikasi tanpa menhilakan value atribut tersebut. Aloritma ID melakukan pencarian secara menyeluruh pada semua kemunkinan karena aloritma ini berusaha membanun Decision Tree secara top-down (dari atas ke bawah), denan menevaluasi semua atribut yan ada denan menunakan suatu ukuran statistik (yan banyak diunakan adalah information ain) untuk menukur efektivitas suatu atribut dalam menklasifikasikan kumpulan sampel data. Penelitian lain yan dilakukan Sofi Defiyanti yan membahas tentan Perbandinan Kinerja Aloritma ID dan.45 dalam Klasifikasi Spam-Mail [6]. Penukuran kinerja kedua aloritma yan dilakukan berdasarkan pada jumlah atribut, yan menunjukkan aloritma ID memiliki kinerja (precision, recall, dan accuracy) yan lebih baik dibandinkan denan aloritma 4.5. Pada penelitian ini akan dilakukan Data Minin untuk memudahkan menklasifikasi kateori peserta PMW. Penklasifikasian kateori peserta diperoleh dari data penilaian business plan mahasiswa yan mendaftar PMW. Penelitian ini menunakan metode Decision Tree aloritma ID.. DASAR TEORI. Data Minin.. Penertian Data Minin Data minin adalah suatu proses menemukan hubunan yan berarti, pola, dan kecenderunan denan memeriksa dalam sekumpulan besar data yan tersimpan dalam penyimpanan denan menunakan teknik penenalan pola seperti teknik statistik dan matematika.[].. Penelompokan Data Minin Data minin dibai menjadi beberapa kelompok berdasarkan tuas yan dapat dilakukan, yaitu [] :. Deskripsi: diunakan untukmenambarkan pola dan kecenderunan yan terdapat dalam data. 75. Estimasi: model menunakan record lenkap yan menyediakan nilai dari variabel taret sebaai nilai prediksi.. Prediksi: prediksi nilai dari hasil akan ada di masa mendatan. 4. Klasifikasi: contoh kasusnya adalah penolonan pendapatan dapat dipisahkan dalam tia kateori, yaitu pendapatan tini, pendapatan sedan, dan pendapatan rendah. 5. Penklusteran: merupakan penelompokan record, penamatan, atau memperhatikan dan membentuk kelas objek-objek yan memiliki kemiripan. 6. Asosiasi: Tuas asosiasi dalam data minin adalah menemukan atribut yan muncul dalan satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjan belanja... Tahap-tahap Data Minin Berikut adalah tahapan dalam data minin [7] :. Data Selection Pemilihan (seleksi) data dari sekumpulan data operasional. Data hasil seleksi akan diunakan untuk proses data minin, dan disimpan dalam suatu berkas dan terpisah dari basis data operasional.. leanin Data Proses cleanin dilakukan denan menhilankan noise, membuan duplikasi data, memeriksa data yan tidak konsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tiporafi).. Transformasi Data Tahap ini merupakan proses transformasi pada data yan telah dipilih, sehina data tersebut sesuai untuk proses data minin. 4. Data minin Data minin merupakan proses mencari pola atau informasi yan sanat menarik dalam data terpilih denan menunakan teknik atau metode tertentu. 5. Interpretation/Evalution Tahap ini mencakup pemeriksaan apakah pola atau informasi yan ditemukan bertentanan denan fakta atau hipotesis yan ada sebelumnya.. Klasifikasi Klasifikasi merupakan proses penemuan model yan menambarkan dan membedakan kelas data atau konsep yan bertujuan aar bisa diunakan untuk memprediksi kelas dari obyek yan label kelasnya tidak diketahui.[8]. Decision Tree (Pohon Keputusan) Decicion tree merupakan salah satu metode klasifikasi yan sanat menarik yan melibatkan konstruksi pohon keputusan yan terdiri dari node keputusan yan di hubunkan denan caban-caban dari simpul akar sampai ke node daun (akhir). Pada node keputusan atribut akan diuji, dan setiap hasil akan menhasilkan caban. Setiap caban akan diarahkan ke node lain atau ke node akhir untuk menhasilkan suatu keputusan []. Pohon keputusan biasanya diunakan untuk mendapatkan informasi untuk tujuan penambilan sebuah keputusan. Pohon keputusan dimulai denan sebuah root node (titik awal) yan diapakai oleh user untuk

3 menambil tindakan. Dari node root ini, user memecahkan sesuai denan aloritma Decision Tree. Hasil akhirnya adalah sebuah pohon keputusan denan setiap cabannya menunjukkan kemunkinan skenario dari keputusan yan diambil hasilnya..4 Aloritma ID Aloritma ID merupakan aloritma decision tree yan palin dasar. Aloritma ini melakukan pencarian secara rakus/menyeluruh (reedy) pada semua kemunkinan pohon keputusan [9]..4. Entropy Entropy adalah ukuran dari teori informasi yan dapat menetahui karakteristik dari impurity dan homoenity dari kumpulan data. Entropy dapat dirumuskan seperti berikut: () Dimana: S: himpunan kasus n: jumlah partisi S p i : proporsi dari Si terhadap S.4. Information Gain Setelah mendapat nilai entropy untuk suatu kumpulan data, maka kita dapat menukur efektivitas suatu atribut dalam menklasifikasikan data. Ukuran efektifitas ini disebut information ain. Secara matematis, infomation ain dari suatu atribut A, dirumuskan sebaai berikut: () Dimana: S: himpunan kasus A: atribut V: menyatakan suatu nilai yan munkin untuk atribut A Si : jumlah kasus pada partisi ke-i S : jumlah kasus dalam S Entropy (Si): entropy untuk sampel-sampel yan memilki nilai i. METODOLOGI PENELITIAN Penelitian akan dilaksanakan berdasarkan tahap penelitian yan ditunjukkan pada Gambar.. Penumpulan Data leanin Data Transformasi Data Implementasi aloritma ID Penujian 76 Gambar. Proses Tahap Penelitian. Penumpulan Data Dalam tahapan ini, terdapa dua teknik yan diunakan:.. Studi literatur Metode ini dilaksanakan denan melakukan studi kepustakaan untuk mendapatkan data literatur tambahan melalui membaca buku-buku, jurnal, karya ilmiah maupun artikel-artikel yan terkait denan data minin, teknik klasifikasi, decision tree dan aloritma ID... Penumpulan Data Penelitian ini menunakan data peserta PMW di PPKWu UNS dari tahun 009 sampai tahun 0 denan jumlah data 68 mahasiswa denan limabelas atribut pada masin-masin mahasiswa. Atribut yan diunakan terdapat pada Tabel.. Tabel. Data Atribut Jenis Atribut Alias keberadaan usaha (lama berjalannya usaha) pansa pasar (potensi pasar untuk direalisasikan) daya sain (banyaknya persainan usaha yan sejenis, Semakin banyak pesain yan sudah eksis, maka perinkat rendah) 4 prediksi keuntunan (prediksi keuntunan yan didapatkan tini maka perinkatnya jua tini) 4 5 omzet yan didapat perbulan 5 6 Back ash (B) ratio 6 7 kebutuhan Sumber Daya Manusia(SDM) (kesesuaian SDM yan dibutuhkan untuk operasional usaha denan omzet yan di dapat) 7 8 kualifikasi SDM 8 9 rasionalisme dana (perbandinan tinkat rasionalisme dana denan jenis usaha yan diusulkan) 9 0 keuletan 0 interitas komitmen hasil dari psikotest, sebaai penilaian derajat keoptimisan 4 jurusan mahasiswa peserta PMW 4 5 lama mahasiswa kuliah di UNS 5. leanin Data Dalam kasus PMW ini, data yan diperunakan adalah data yan telah bersih, sehina data tidak perlu melalui proses cleanin.. Transformasi Data Transformasi data merupakan proses penubahan atau penabunan data ke dalam format yan sesuai untuk diproses dalam data minin.

4 Serinkali data yan akan diunakan dalam proses data minin mempunyai format yan belum lansun bisa diunakan, oleh karena itu perlu dirubah formatnya. Dalam penelitian ini, data yan ditransformasikan yaitu menubah parameter psikotest, fakultas, lama study dan hasil kateori yan dapat dilihat pada tabel., tabel., tabel.4 dan tabel.5. Tabel. Transformasi Data Atribut Psikotest Interval Psikotest () Kateori Nilai alpha<99= Rendah (Tidak Optimis) Nilai 00<alpha<4 = ukup (Optimis) Nilai alpha>5= Tini (Sanat Optimis) Tabel. Transformasi Data Atribut Fakultas Fakultas (4) Kateori F Ekonomi M Mipa H Hukum G Kedokteran I Teknik K KIP SSRS D FISIP F Pertanian Tabel.4 Transformasi Data Atribut Lama Study Interval lama study Kateori (5) tahun ke tahun ke tahun ke 4 tahun ke 4 5 tahun ke 5 Tabel.5 Transformasi Data Hasil Interval Hasil Akhir Kateori diterima menjalankan 4 diterima aal (bankrut) ditrima tidak ada kabar (peri setelah menerima uan) tidak diterima. Implementasi aloritma ID Secara umum lankah aloritmaid untuk membanun pohon keputusan adalah sebaai berikut:. Pilih atribut sebaai akar. Buat caban untuk tiap nilai. Bai kasus dalam caban 4. Ulani proses untuk setiap caban sampai semua kasus pada caban memiliki kelas. Untuk memilih atribut sebaai akar, didasarkan pada nilai ain tertini dari masin-masin atribut yan ada. Untuk menhitun ain diunkan rumus seperti dalam persamaan (). Sedankan perhitunan nilai entropy dapat dilihat pada persamaan ().. Penujian Pada tahap ini akan dilakukan penujiaan data. Penujian dilakukan dua kali,yaitu menunakan data 77 testin denan komposisi adalah 90% data trainin dan 0% data testin. Untuk penujian data testin, dilakukan secara random denan penujian sebanyak sebanyak sepuluh kali, sedanakan penujian data trainin, dilakukan penujian denan seluruh data trainin. Presentase keakurasian hasil output sistem dihitun menunakan rumus sebaai berikut: Akurasi (%) = jumlah data benar jumlah data yan diuji x 00% () Kemudian hasil akurasi dari penujian ini adalah rata-rata akurasi setiap percobaan yan dapat diambarkan pada rumus berikut: Rata rata akurasi (%) = Total akurasi jumlah penujian (4) 4. PEMBAHASAN Pada implementasi aloritma ID ini melalui beberapa tahapan. Dimulai dari Penumpulan Data, Transformasi Data, Implementasi Aloritma ID, dan Penujian. 4. Penumpulan Data Data yan diunakan dalam penelitian ini adalah data seleksi PMW yan sudah dilaksanakan oleh PPKWu dari tahun 009 sampai denan tahun 0. Keseluruhan data yan terkumpul sebanyak 68 data mahasiswa peserta PMW. 4. leanin Data Dalam kasus PMW ini data yan diunakan sudah bersih, sehina tidak memerlukan proses cleanin terhadap data yan terkumpul. 4. Transformasi Data Data yan telah didapatkan kemudian melalui proses transformasi data. Hal ini bertujuan aar data menjadi satu format yan sama untuk mempermudah proses minin. 4.4 Implementasi aloritma ID Untuk menambarkan pembentukan decision tree denan menunakan aloritma ID maka berikut ini diberikan contoh sebaai kasus menunakan lima data PMW UNS. Mahasiswa Tabel 4. ontoh Data PMW UNS M M M M M Tabel 4. ontoh Data PMW UNS (Lanjutan) 4 5 Hasil KIP tahun ke menjalankan usaha 5 4 Mipa tahun ke menjalankan usaha Teknik tahun ke menalami kebankrutan 97 SSRS tahun ke tidak ada

5 kabar Mipa tahun ke 4 tidak ditrima Kemudian data pada Tabel 4. dilakukan transformasi sesuai pada tabel., tabel., tabel.4 dan tabel.5. Hasil transformasi dat ditunjukan pada tabel 4. Tabel 4. Hasil Transformasi Data 7 Nama Mahasiswa M M M M M5 4 4 Tabel 4. Hasil Transformasi Data(Lanjutan) Hasil K M I M 4 4 Dari data-data pada tabel 4. akan dibanun sebuah classifier berdasarkan limabelas atribut denan empat kelas yaitu,,, 4. Penjelasan menenai tiap-tiap lankah dalam pembentukan pohon keputusan denan menunakan aloritma ID dapat dilihat melalui penjelasan berikut: a. Menentukan de Akar Menhitun informasi ain dan entropy dari limabelas atribut data untuk menentukan root/akar awal dari tree. Hasil perhitunan ditunjukkan oleh Table 4.. N o d e 4 Tabel 4. Perhitunan de Jml (S) Entropy Gain Total de Tabel 4. Perhitunan de (Lanjutan) Jml (S) 4 Entropy Gain Total

6 N o d e Tabel 4. Perhitunan de (Lanjutan) Jml (S) 4 Entropy Gain Total F M E G I K D H Baris Total kolom Entropy pada Tabel 4. dihitun denan persamaan () sebaai berikut: Entropy(Total) = ( 5 lo ( 5 )) + ( 5 lo ( 5 )) + Entropy(Total) = ( 5 lo ( 5 )) + ( 5 lo ( 5 )) Sementara itu, nilai Gain pada baris dihitun denan menunakan persamaan () sebaai berikut: n Gain(Total, ) = Entropy(Total) Total Entropy() i= Gain(Total, ) = (( 5 0) + ( 5 0) + ( 5 ) + ( 5 0)) = Untuk nilai Gain atribut yan lain jua dihitun seperti nilai Gain atribut. Dari hasil pada Tabel 4. dapat diketahui bahwa atribut denan Gain tertini adalah (Keberadaan Usaha), yaitu sebesar Denan demikian, dapat menjadi node akar. Ada empat nilai ratin atribut dari, yaitu,, 4, dan 5. Dari keempat ratin atribut tersebut, ratin nilai atribut, 4, dan 5 sudah menklasifikasi kasus menjadi ratin kelas 4, ratin 4 kelas dan ratin 5 kelas. Dari hasil klasifikasi tersebut maka ratin, 4, dan 5 dari atribut tidak perlu dilakukan perhitunan lebih lanjut. Akan tetapi untuk nilai ratin di atribut masih perlu dilakukan perhitunan lai. Dari hasil tersebut diambarkan pohon keputusan sementaranya tampak seperti Gambar 4.. Gambar 4. Pohon Keputusan Perhitunan de b. Menentukan de Daun

7 Setelah mendapatkan atribut sebaai node akar, kemudian dilakukan perhitunan untuk mencari node daun. de daun ini dihitun dari ratin yan samasama mempunyai ratin, namun kateori hasil nya masih berbeda. Hasil perhitunan node ditunjukkan oleh Tabel 4.4. Tabel 4.4 Perhitunan de. de Jml (S) 4 Entropy Gain Tabel 4.4 Perhitunan de. (lanjutan) de Jml (S) 4 Entropy Gain F M E G I K

8 de D H Tabel 4.4 Perhitunan de. (lanjutan) Jml (S) 4 Entropy Gain Dari hasil pada Tabel 4. dapat diketahui bahwa atribut denan Gain tertini bernilai. (pansa pasar) dapat menjadi node caban dari ratin atribut (keberadaan usaha) karena atribut tersebut terletak lebih awal dari atribut lain yan memiliki nilai sama sebesar. Ada dua nilai ratin dari atribut, yaitu dan 4. Dari kedua ratin tersebut, ratin dan 4 sudah menklasifikasikan kasus menjadi ratin kelas dan ratin 4 kelas, sehina tidak perlu dilakukan perhitunan lebih lanjut. Pohon keputusan yan terbentuk dari kasus ini: Gambar 4. Pohon Keputusan Hasil Perhitunan de. Gambar 4. di atas merupakan hasil akhir dari proses pembentukan tree. Setelah pembentukan tree selesai, kemudian dapat dilakukan proses pembuatan aturan berdasarkan tree yan terbentuk. Aturan dari tree yan terbentuk adalah sebaai berikut: - Jika Keberadaan Usaha () lebih dari tahun maka mahasiswa tersebut menjalankan usahanya (). - Jika Keberadaan Usaha (),5 sampai tahun maka mahasiswa tersebut menjalankan usahanya (). - Jika Keberadaan Usaha () belum mulai maka mahasiswa tersebut tidak mendapatkan dana/tidak diterima (4). - Jika Keberadaan Usaha () kuran dari tahun dan pansa pasar () tidak potensial maka mahasiswa tersebut menalami keaalan atau kebankrutan (). - Jika Keberadaan Usaha () kuran dari tahun dan pansa pasar () potensial maka mahasiswa tersebut di indikasikan tidak ada kabar (peri setelah menerima uan) (). Dari lankah-lankah pada tahap tersebut, kemudian akan diimplementasikan ke dalam sistem sehina menhasilkan model pohon keputusan. Gambar 4. adalah tampilan tree yan terbentuk dari sistem setelah menjalankan proses klasifikasi. Gambar 4. Pohon Keputusan sistem 4.5 Penujian Setelah mendapatkan model pohon keputusan dari data trainin, kemudian dilakukan penujian terhadap hasil model pohon keputusan data trainin tersebut. Tabel 4.5 merupakan penujian data testin, dilakukan secara random denan penujian sebanyak sebanyak sepuluh kali, sedanakan Tabel 4.6 penujian data trainin, dilakukan penujian denan seluruh data trainin. Tabel 4.5 Hasil Penujian Menunakan Data Testin denan 0 kali Penujian Percobaan ke- Hasil Akurasi (%) Rata-rata Akurasi = 77,49% 8

9 Tabel 4.6 Hasil Penujian Menunakan Data Trainin Keseluruhan Jenis Data Data Trainin Jumlah Data Klasifika si Benar Klasifika si Salah Akuras i ,% [9] Wahyudin Metode Iterative Dichotomizer (ID) Untuk PenyeleksianPenerimaan Mahasiswa Baru. Jurnal Pendidikan Teknoloi Informasi Dan Komunikasi (Ptik). Vol.,. Dari Tabel 4.5 di atas dapat disimpulkan bahwa denan 0% data testin random porposional yan dilakukan sepuluh kali percobaan hasil rata-rata akurasi adalah 77,49%, Sedankan Tabel 4.6 akurasi penujian menunakan seluruh data trainin sebesar 96,%. 5. KESIMPULAN Berdasarkan hasil penelitian dapat disimpulkan bahwa pohon keputusan denan aloritma ID dapat dipertimbankan untuk diunakan dalam hal penyeleksian penerimaan Proram Mahasiswa Wirausaha. Hal ini ditunjan dari hasil penujian sistem yan menunakan aloritma ID memiliki rata-rata akurasi 77,49% denan 0% data testin random porposional yan dilakukan sepuluh kali dan persentase akurasi 96,% untuk penujian menunakan seluruh data trainin. Saran yan dapat diberikan dari penelitian ini yaitu adanya penambahan aloritma lain untuk membandinkan apakah aloritma ID memiliki keakuratan yan tini dibandinkan aloritma lain dalam kasus penelitian ini. 6. DAFTAR PUSTAKA [] Dikti Pedoman Proram Mahasiswa Wirausaha (PMW). Kementrian Pendidikan Nasional Direktorat Jendral Pendidikan Tini. [] Han, J and Kamber, M Data Minin oncepts and Techniques Second Edition. San Francisco : Moran Kauffman [] Larose, D. T Discoverin Knowlede in Data: An Introduction to Data minin. John Willey and Sons, Inc. [4] Kusrini & Luthfi, E.T Aloritma Data Minin. Andi: Yoyakarta [5] S. Archana & Dr. K.Elanovan. 04. Survey of lassification Techniques in Data Minin. International Journal of omputer Science and Mobile Applications, Vol. Issue., p [6] Sofi Defiyanti Perbandinan Kinerja Aloritma ID dan.45 dalam Klasifikasi Spam- Mail. [7] Fayyad, U Advances in Knowlede Discovery and Data Minin. MIT Press. [8] Hamidah, I. 0. Aplikasi Data Minin Untuk Memprediksi Masa Studi Mahasiswa Menunakan Aloritma 4.5. Bandun. 8

10