IMPLEMENTASI DATA MINING UNTUK MENEMUKAN POLA HUBUNGAN TINGKAT KELULUSAN MAHASISWA DENGAN DATA INDUK MAHASISWA. Beta Noranita 1, Nurdin Bahtiar 2

Transkripsi

1 IMPLEMENTASI DATA MINING UNTUK MENEMUKAN POLA HUBUNGAN TINGKAT KELULUSAN MAHASISWA DENGAN DATA INDUK MAHASISWA Beta Noanita 1, Nudin Bahtia 2 1,2 Pogam Studi Teknik Infomatika FMIPA UNDIP 1 betta@undip.ac.id, 2 nudinbahtia@gmail.com Abstak Pemanfatan teknologi infomasi memungkinkan tejadinya akumulasi data dalam jumlah yang besa. Univesitas Diponegoo meupakan oganisasi yang memanfaatkan teknologi infomasi, khususnya basis data, akan mengalami akumulasi data dalam jumlah besa tiap tahunnya. Basis data di UNDIP beisi data dalam jumlah besa dengan banyak vaiasi, tetapi belum dimanfaatkan secaa optimal. Dipelukan suatu sistem yang bisa memanfaatkan gunungan data menjadi infomasi yang benilai stategis. Dalam makalah ini dibahas suatu sistem pendukung bagi peguuan tinggi yang menggambakan hubungan data induk, khususnya jalu masuk calon bau dengan tingkat kelulusan, dilihat dai IPK dan lama studi. Sistem yang dibangun menggunakan teknik data mining betujuan untuk menggali dan menemukan pola-pola yang tesembunyi antaa data induk dengan tingkat kelulusan. Untuk mempeoleh kaidah asosiasi yang menggambakan hubungan anta item pada database digunakan metode apioi. Hasil dai poses mining ini dapat membantu untuk mengetahui sejauh mana tingkat kebehasilan PSSB dan SPMB tehadap tingkat kelulusan.infomasi yang dihasilkan dapat digunakan sebagai dasa analisis dalam pengambilan keputusan. Kata Kunci: data mining, tingkat kelulusan, data induk, metode apioi. 1. Pendahuluan Ketesediaan data sudah bukan hal yang sulit dipeoleh lagi dewasa ini apalagi ditunjang dengan banyaknya kegiatan yang sudah dilakukan secaa komputeisasi. Namun data ini seingkali dipelakukan hanya sebagai ekaman tanpa pengolahan lebih lanjut sehingga tidak mempunyai nilai guna lebih untuk kepeluan masa mendatang. Peguuan tinggi saat ini dituntut untuk memiliki keunggulan besaing dengan memanfaatkan semua sumbe daya yang dimiliki. Peguuan tinggi haus mampu melakukan poses evaluasi, peencanaan dan pengelolaan secaa baik untuk dapat memenangkan pesaingan di ea globalisasi ini. Selain sumbe daya saana, pasaana, dan manusia, sistem infomasi adalah salah satu sumbe daya yang dapat digunakan untuk meningkatkan keunggulan besaing. Sistem infomasi dapat digunakan untuk mendapatkan, mengolah dan menyebakan infomasi untuk menunjang kegiatan opeasional sehai-hai sekaligus menunjang kegiatan pengambilan keputusan stategis. Dalam makalah ini akan di bahas bagaimana suatu aplikasi dapat menghasilkan infomasi yang beguna tentang hubungan tingkat kelulusan dengan data induk dengan teknik data mining. Tidak semua data induk siswa akan dicai hubungannya dengan data kelulusan, hanya bebeapa atibut yang kia-kia beguna dan sebaannya tidak telalu acak. Kaena data yang telalu acak akan membuat poses mining memakan waktu lama dan tingkat hubungannya pun endah. 6 Data induk yang akan dicai hubungannya meliputi poses masuk, asal, kota asal, dan pogam studi. Adapun yang akan diposes mining adalah hubungan tingkat kelulusan dengan poses masuk calon bau. Tingkat kelulusan dapat dilihat dai lama studi dan IPK (Indeks Pestasi Kumulatif). 2. Data Mining Data mining adalah penambangan atau penemuan infomasi bau dengan mencai pola atau atuan tetentu dai sejumlah data yang sangat besa [2]. Data mining juga disebut sebagai seangkaian poses untuk menggali nilai tambah beupa pengetahuan yang selama ini tidak diketahui secaa manual dai suatu kumpulan data [5]. Data mining, seing juga disebut sebagai knowledge discovey in database (KDD). KDD adalah kegiatan yang meliputi pengumpulan, pemakaian data, histois untuk menemukan keteatuan, pola atau hubungan dalam set data beukuan besa [6]. Kaakteistik Data mining sebagai beikut [2]: Data mining behubungan dengan penemuan sesuatau yang tesembunyi dan pola data tetentu yang tidak diketahui sebelumnya. Data mining biasa menggunakan data yang sangat besa. Biasanya data yang besa digunakan untuk membuat hasil lebih dipecaya.

2 Data mining beguna untuk membuat keputusan yang kitis, teutama dalam stategi. Sebagai suatu angkaian poses, data mining dapat dibagi menjadi bebeapa tahap yang diilustasikan di Gamba 1. Gamba 1. Poses Data Mining Tahap-tahap data mining yaitu [3] : 1. Pembesihan data (data cleaning) Pembesihan data meupakan poses menghilangkan noise dan data yang tidak konsisten atau data tidak elevan. 2. Integasi data (data integation) Integasi data meupakan penggabungan data dai bebagai database ke dalam satu database bau. 3. Seleksi Data (Data Selection) Data yang ada didalam database seingkali tidak semuanya dipakai, oleh kaena itu hanya data yang sesuai untuk dianalisis yang akan diambil dai database. Sebagai 4. Tansfomasi data (Data Tansfomation) Data diubah atau digabung ke dalam fomat yang sesuai untuk diposes dalam data mining. 5. Aplikasi teknik Data mining, Meupakan suatu poses utama di mana metode diteapkan untuk menemukan pengetahuan behaga dan tesembunyi dai data. 6. Evaluasi pola (patten evaluation), Untuk mengidentifikasi pola-pola menaik untuk di epesentasikan kedalam knowledge based yang ditemukan. Dalam tahap ini hasil dai teknik data mining beupa pola-pola yang khas maupun model pediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tecapai. 7. Pesentasi pengetahuan (knowledge pesentation), Meupakan visualisasi dan penyajian pengetahuan mengenai teknik yang digunakan untuk mempeoleh pengetahuan yang dipeoleh pengguna. Tahap teakhi dai poses data mining adalah bagaimana memfomulasikan keputusan atau aksi dai hasil analisa yang didapat. 3. Association ules Association ules (atuan asosiasi) atau affinity analysis (analisis afinitas) bekenaan dengan studi tentang apa besama apa. Atuan asosiasi ingin membeikan infomasi tesebut dalam bentuk hubungan if-then atau jika-maka. Atuan ini dihitung dai data yang sifatnya pobabilistik [6]. Penting tidaknya suatu atuan assosiatif dapat diketahui dengan dua paamete, suppot (nilai penunjang) yaitu posentase kombinasi item tesebut. dalam database dan confidence (nilai kepastian) yaitu kuatnya hubungan anta item dalam atuan assosiatif. Analisis asosiasi didefinisikan suatu poses untuk menemukan semua atuan assosiatif yang memenuhi syaat minimum untuk suppot (minimum suppot) dan syaat minimum untuk confidence (minimum confidence) [5]. Dai jumlah besa atuan yang mungkin dikembangkan, pelu memiliki atuan-atuan yang cukup kuat tingkat ketegantungan anta item dalam antecedent dan consequent. Untuk menguku kekuatan atuan asosiasi ini, digunakan ukuan suppot dan confidence. Suppot adalah asio antaa jumlah tansaksi yang memuat antecedent dan consequent dengan jumlah tansaksi. jumlah tansaksi yang meliputi semua item dalam antecedent dan consequent dengan jumlah tansaksi yang meliputi semua item dalam antecedent. 4. Algoitma Apioi Algoitma apioi adalah algoitma untuk menemukan pola fekuensi tinggi. Pola fekuensi tinggi adalah pola-pola item di dalam suatu database yang memiliki fekuensi atau suppot di atas ambang batas tetentu yang disebut dengan istilah minimum suppot atau theshold. Pola fekuensi tinggi ini digunakan untuk menyusun atuan assosiatif dan juga bebeapa teknik data mining lainnya. Algoitma apioi dibagi menjadi bebeapa tahap yang disebut iteasi. Tiap iteasi menghasilkan pola fekuensi tinggi dengan panjang yang sama dimulai dai pass petama yang menghasilkan pola fekuensi tinggi dengan panjang satu. Di iteasi petama ini, suppot dai setiap item dihitung dengan men-scan database. Setelah 7

3 suppot dai setiap item didapat, item yang memiliki suppot diatas minimum suppot dipilih sebagai pola fekuensi tinggi dengan panjang 1 atau seing disingkat 1-itemset. Singkatan k-itemset beati satu set yang tedii dai k item. Iteasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. Petama dibuat kandidat 2-itemset dai kombinasi semua 1-itemset. Lalu untuk tiap kandidat 2-itemset ini dihitung suppot-nya dengan men-scan database. Suppot disini atinya jumlah tansaksi dalam database yang mengandung kedua item dalam kandidat 2-itemset. Setelah suppot dai semua kandidat 2-itemset didapatkan, kandidat 2-itemset yang memenuhi syaat minimum suppot dapat ditetapkan sebagai 2-itemset yang juga meupakan pola fekuensi tinggi dengan panjang 2. Untuk selanjutnya pada iteasi ke-k dapat dibagi lagi menjadi bebeapa bagian [5]: 1. Pembentukan kandidat itemset Kandidat k-itemset dibentuk dai kombinasi (k-1)-itemset yang didapat dai iteasi sebelumnya. Satu cii dai algoitma Apioi adalah adanya pemangkasan kandidat k- itemset yang subset-nya yang beisi k-1 item tidak temasuk dalam pola fekuensi tinggi dengan panjang k Penghitungan suppot dai tiap kandidat k- itemset Suppot dai tiap kandidat k-itemset didapat dengan men-scan database untuk menghitung jumlah tansaksi yang memuat semua item di dalam kandidat k-itemset tesebut. Ini adalah juga cii dai algoitma Apioi dimana dipelukan penghitungan dengan scan seluuh database sebanyak k-itemset tepanjang. 3. Tetapkan pola fekuensi tinggi Pola fekuensi tinggi yang memuat k item atau k-itemset ditetapkan dai kandidat k-itemset yang suppot-nya lebih besa dai minimum suppot. Bila tidak didapat pola fekuensi tinggi bau maka seluuh poses dihentikan. Bila tidak, maka k ditambah satu dan kembali ke bagian Sumbe Data Sumbe data pada pembangunan aplikasi data mining ini dipeoleh dai dua database tepisah yang tidak saling tekait satu sama lain. untuk itu dipelukan suatu data waehouse yang dapat menampung dai kedua sumbe data tesebut. Selain itu penggunaan data waehouse juga betujuan aga data tansaksional dalam kedua database sumbe tidak teganggu. 8 Gamba 2. Alian data dalam poses data mining Data yang digunakan dalam penulisan tugas akhi ini tedii dai dua sumbe data, yaitu data Induk Mahasiswa dan data Kelulusan. 1. Data Induk Mahasiswa Data induk adalah data yang didata ketika petama kali masuk peguuan tinggi setelah melakukan egistasi ulang. Data yang dicatat adalah identitas pibadi dan identitas asal. Poses pendataan dilakukan di tingkat univesitas, setelah diekapitulasi kemudian di sebakan ke fakultas masing-masing. Data yang dicatat dapat dilihat dalam tabel 1. Tabel 1. Tabel data induk Atibut Keteangan NIM (Nomo Induk Mahasiswa) Nomo Induk Mahasiswa atau yang disingkat dengan NIM adalah kode yang dimiliki sebagai nome unik identitas dipeguuan tinggi. Jenis kelamin Meupakan jenis kelamin yang besangkutan Meupakan nama lengkap yang besangkutan Nama Kota lahi Meupakan kota kabupaten atau kotamadya tempat besangkutan dilahikan Tanggal lahi Meupakan tanggal yang besangkutan dilahikan Agama Meupakan agama yang dianut yang besangkutan Poses masuk Atibut Meupakan jenis jalu masuk ke peguuan tinggi yang diikuti besangkutan. Poses masuk Univesitas Diponegoo dalam entang tahun masih menggunakan SPMB (Seleksi Peneimaan Mahasiswa Bau) dan PSSB (Penjaingan Siswa-Siswa Bepestasi). Keteangan

4 Alamat Nama wali Alamat wali Pendidikan Wali Nama asal Kota asal Tahun lulus asal Status asal Juusan asal Meupakan alamat asal yang besangkutan. Meupakan nama oang tua atau wali yang besangkutan. Meupakan alamat oang tua atau walai yang besangkutan Meupakan pendidikan oang tua atau wali yang besangkutan Meupakan asal menengah lanjutan dai yang besangkutan Meupakan kota asal menengah lanjutan dai yang besangkutan Meupakan tahun lulus dai asal menengah lanjutan yang besangkutan Meupakan status asal menengah lanjutan yang besangkutan. Meupakan juusan di asal menengah lanjutan 2. Data Kelulusan Data Kelulusan adalah data yang telah dinyatakan lulus. Data yang dicatat adalah identitas dan data kelengkapan kelulusan. Data yang dicatat dapat dilihat pada tabel 2. Tabel 2. Atibut data kelulusan Atibut Keteangan NIM Nomo Induk Mahasiswa (NIM) adalah kode yang dimiliki sebagai nome unik identitas dipeguuan tinggi. Tedii dai 9 digit yang meepesentasikan fakultas, juusan, dan angkatan masuk. Nama Meupakan nama lengkap Mahasiswa yang besangkutan Atibut Keteangan Tempat, Tanggal lahi Meupakan kota kabupaten atau kotamadya tempat dan tanggal yang besangkutan dilahikan Pogam Studi Pogam studi dai yang besangkutan Tanggal lulus Meupakan tanggal dimana yang besangkutan dinyatakan lulus Indeks Pestasi Kumulatif (IPK) Lama studi Nama wali Indeks Pestasi Kumulatif (IPK) adalah ukuan kemampuan sampai pada waktu tetentu yang dapat dihitung bedasakan jumlah (satuan kedit semeste) SKS mata kuliah yang diambil sampai pada peiode tetentu dikalikan dengan nilai bobot masing-masing mata kuliah dibagi dengan jumlah seluuh SKS mata kuliah (Peatuan Akademik, 2009). Meupakan lama tempuh studi dihitung dimulai saat tedafta sebagai sampai dinyatakan lulus. Meupakan nama oang tua atau wali yang besangkutan. Alamat wali Meupakan alamat oang tua atau walai yang besangkutan Judul skipsi Meupakan judul skipsi dai yang besangkutan Peiode wisuda Meupakan peiode wisuda yang diikuti oleh yang besangkutan. Di univesitas diponegoo tedapat 4 peiode wisuda. Data induk yang diambil dalam sampel adalah data angkatan 2000, 2002 dan Hal ini didasakan pada kebutuhan data dimana data akan di hubungkan dengan data kelulusan dengan asumsi bahwa angaktan akan lulus dai entang waktu tahun Sedangkan data kelulusan yang diambil adalah data kelulusan dai tahun 2004 sampai Integasi Data Di asumsikan bahwa data yang diambil sudah beupa tabel-tabel dalam satu seve, untuk poses mining, data kelulusan dan data induk digabungkan dengan pimay key NIM. Setelah itu bau dilakukan poses mining. Poses integasi data dilakukan ketika poses ETL (ekstact, tansfom, and Load) ketika membangun data waehouse, dalam poses ETL data dalam data souce digabungkan menjadi satu dalam data waehouse dengan key NIM. 9

5 7. Tansfomasi Data Tansfomasi data meupakan poses pengubahan atau penggabungan data ke dalam fomat yang sesuai untuk diposes dalam data mining. Seingkali data yang akan digunakan dalam poses data mining mempunyai fomat yang belum langsung bisa digunakan, oleh kaena itu pelu diubah fomatnya. Bedasakan Peatuan Akademik Univesitas Diponegoo [1], data kelulusan bedasakan IPK dapat dikategoikan menjadi tiga yaitu : 1. IPK memuaskan dengan IPK 2,00 2,75 2. IPK sangat memuaskan dengan IPK 2,76 3,50 3. IPK tipe dengan pujian dengan IPK 3,51 4,00 Pengkategoian data kelulusan bedasakan lama studi yaitu : 1. Sesuai jadwal, bila lama studi 4 tahun atau kuang dai 4 tahun 2. Tidak sesuai jadwal, bila lama studi lebih dai 4 tahun Dai dua pengkategoian tesebut dapat dibuat kategoi bedasakan kombinasi keduanya, sepeti yang dapat dilihat pada tabel 3. Tabel 3. Tansfomasi data Kategoi Keteangan A1 lama studi 4 tahun atau kuang dai 4 tahun dan IPK 3,51 4,00 A2 lama studi 4 tahun atau kuang dai 4 tahun dan IPK 2,76 3,50 A3 lama studi 4 tahun atau kuang dai 4 tahun dan IPK 2,00 2,75 B1 lama studi lebih dai 4 tahun dan IPK 3,51 4,00 B2 lama studi lebih dai 4 tahun dan IPK 2,76 3,50 B3 lama studi lebih dai 4 tahun dan IPK 2,00 2,75 Dai kombinasi yang tedapat di tabel 3 tedapat enam tingkatan untuk menguku tingkat kelulusan. 8. Penggunaan Algoitma Apioi Poses mining untuk mengetahui hubungan tingkat kelulusan dengan poses masuk. Misal data sepeti pada tabel 4. Tabel 4. Data Awal NIM Kategoi Poses kelulusan masuk J2A A1 PSSB J2A A2 SPMB J2A A1 PSSB J2A A3 SPMB J2A B2 SPMB NIM Kategoi kelulusan J2A A3 SPMB J2A A3 SPMB J2A A2 PSSB J2A A2 PSSB J2A A2 PSSB J2A B2 SPMB Poses masuk Dai data awal tesebut didapat kandidat petama (C1) sepeti pada tabel 5. : Tabel 5. Kandidat Petama (C1) Item set Count A1 2 A2 4 A3 3 B2 2 PSSB 5 SPMB 6 Disini ditetapkan theshold = 3, maka kandidat yang nilainya dibawah 3 akan dihapus. Sehingga, didapat hasil sepeti pada tabel 6 : Tabel 6. hasil setelah theshold ditetapkan (L1) Itemset Count A2 4 A3 3 PSSB 5 SPMB 6 Dai table 6 didapat kandidat kedua (C2) sepeti pada tabel 7. Tabel 7. Kandidat kedua (C2) Itemset Count A2, PSSB 3 A2, SPMB 1 A3, PSSB 0 A3, SPMB 3 Setelah ditetapkan theshold menghasilkan data sepeti pada tabel 8. Tabel 8. Hasil kedua (L2) Itemse Count A2, PSSB 3 A3, SPMB 3 160

6 Dai data-data diatas dapat diambil hasil sebagai beikut : Suppot A2, PSSB = A2,PSSB/Total data = 3/11 Suppot A3, SPMB = A3, SPMB /Total data = 3/11 Confidence A2, PSSB = A2,PSSB/A2 = 3/4 Confidence A3, SPMB = A3,SPMB/A3 = 3/3 Dapat lihat bahwa poses mining hubungan tingkat kelulusan dengan poses masuk dengan theshold 3 menghasilkan hubungan A2, PSSB mempunyai nilai suppot = 3/11 Confidence = 3/5 dan hubungan A3, SPMB mempunyai nilai suppot = 3/11 Confidence = 3/5 mempunyai PSSB mempunyai tingkat kelulusan A2 dan SPMB mempunya tingkat kelulusan A3 sehingga dapat disimpulkan bahwa yang melalui poses masuk PSSB mempunya tingkat kelulusan lebih bagus dibanding yang melalui poses masuk SPMB. Setelah poses mining akan disajikan hasil dai datamining beupa tabel hubungan kekuatan dengan nilai suppot dan confidence masing-masing atibut seta theshold yang digunakan. 9. Spesifikasi Kebutuhan Fungsional Spesifikasi kebutuhan fungsional pada aplikasi data miningini meujuk pada kebutuhan akan peancangan data mining, sepeti yang tetea beikut ini : 1. Dapat menggabungkan data yang akan diposes mining dai data kelulusan dan data induk 2. Dapat menghapus data-data yang tidak elevan seta atibut yang tidak dipakai 3. Dapat meubah data menjadi data yang siap diposes 4. Dapat memposes data untuk dimining yaitu hubungan tingkat kelulusan dengan poses masuk 5. Dapat menampilkan hasil poses mining dengan nilai suppot dan confidence 10. Pemodelan Fungsi Pemodelan fungsi digambakan dengan DCD (Data Context Diagam), DFD (Data Flow Diagam) dan kamus data (Data Dictionay). use epot mining asal epot mining poses masuk Aplikasi Datamining epot mining pogam studi epot mining asal kota Gamba 3 DFD Level data Kelulusan data induk database kelulusan database induk Gamba 3.7 meupakan DCD / DFD level-0 pada aplikasi data mining yang tedii dai 2 input dan 1 output. Extenalentity beupa pengguna atau use dan dua database yaitu database Kelulusan dan database Induk Mahasiswa. 1.3 mining poses masuk [epot mining poses masuk] [epot mining asal ] 1.4 mining asal data kelulusan dan poses masuk use [epot mining asal kota] data kelulusan dan asal data kelulusan dan asal kota [epot mining pogam studi] 1.5 mining asal kota 1.6 mining pogam studi data kelulusan dan pogam studi 1.2 Cleaning Selection Integation Tansfomation data gabungan database induk Gamba 4. DFD Level-1 [data induk ] database kelulusan [data Kelulusan] data kelulusan dan data induk Poses-poses yang tedapat pada aplikasi data mining: 1. Impot Data Poses impot data adalah poses load data dai database kelulusan dan database induk ke data waehouse. Semua data akan dimasukkan tanpa ada penyaingan. 2. Cleaning, Integasi, Selection, dan tansfomasi a) Dalam tahap ini semua data yang akan di gunakan baik data kelulusan, data induk maupun data nilai semeste dibesihkan dai ecod data yang tidak mempunyai atibut lengkap. Selain pembesihan ecod data yang tidak valid, juga dilakukan penghapusan atibut yang tidak dipakai, misalnya atibut gaji oang tua, nama oang tua dan lain-lain. Pembesihan data juga akan mempengauhi pefomasi dai sistem data mining kaena data yang ditangani akan bekuang jumlah dan kompleksitasnya. b) Data induk, data nilai dan data kelulusan tidak disimpan dalam satu database, Integasi data dilakukan pada atibut-aibut yang mengidentifikasikan entitas-entitas dengan satu atibut unik yaitu NIM 1.1 impot data data waehouse 161

7 c) Selection data adalah poses menyeleksi atibut apa yang akan diposes pada mining selanjutnya. d) Tansfomasi data meupakan poses mengubah data atau digabung ke dalam fomat yang sesuai untuk diposes dalam data mining. Data yang diubah yaitu lama studi dan IPK untuk menguku tingkat kelulusan. Atibut lama studi dan IPK dibagi menjadi bebeapa inteval. 3. Poses mining poses masuk meupakan poses mining untuk mengetahui hubungan tingkat kelulusan dengan poses masuk. 4. Poses mining asal meupakan poses mining untuk mengetahui hubungan tingkat kelulusan dengan asal yang melalui jalu PSSB 5. Poses mining asal kota meupakan poses mining untuk mengetahui hubungan tingkat kelulusan dengan asal kota, disini digunakan data kota asal dengan asumsi kota asal meupakan kota asal 6. Poses mining pogam studi meupakan poses mining untuk mengetahui hubungan tingkat kelulusan dengan pogam studi. 11. Implementasi Data Implementasi ancangan data meupakan tansfomasi ancangan data yang dihasilkan dai poses peancangan data menjadi suatudatabase.databasedisini meupakan suatu data waehouse dengan nama datamining yang dibangun untuk menyimpan data kelulusan dan data induk yang disatukan dengan key NIM dan disimpan dalam tabel data gabungan. Penjelasan tabel data gabungan beseta field field di dalamnya dapat dilihat pada tabel 9. Tabel 9. Stuktu tabel data gabungan Nama Field Type NIM nvacha jeniskelamin nvacha namamahasisw nvacha a tempatlahi nvacha tanggallahi date agama nvacha posesmasuk nvacha alamatmahasis nvacha wa namawali nvacha pendidikanwal nvacha i namasekolah nvacha KotaSekolah nvacha tahunlulus yea statussekolah nvacha juusansekolah nvacha pogamstudi nvacha tanggallulus Date IPK Float lamastudithn Intege lamastudibln Intege judulskipsi Text peiodewisuda intege Panjan Ket g Field 10 Not Null Analisa Hasil Hasil dai poses mining dapat dilihat dai fom yang dihasilkan oleh aplikasi, beupa tabel item set dengan atibut item set, cacah jumlah item set atau count, suppot, dan confidence dai item set tesebut. Selain itu tedapat nilai masing-masing kategoi yang mempunyai nilai confidence tetinggi dan suppot tetinggi. Dai gamba 5 dapat lihat bahwa poses mining hubungan tingkat kelulusan dengan poses 162

8 masuk juusan matematika Univesitas Diponegoo dengan theshold 0 menghasilkan hubungan A1, PSSB mempunyai nilai suppot = Confidence = 50% dan hubungan A1, UMPTN mempunyai nilai suppot = Confidence = 50%. sehingga dapat disimpulkan bahwa yang melalui poses masuk PSSB mempunya tingkat kelulusan sama dibanding yang melalui poses masuk SPMB. Gamba 5. Analisa Hasil 13. Kesimpulan Kesimpulan adalah aplikasi data mining ini dapat digunakan untuk mengetahui hubungan tingkat kelulusan dengan data induk. Hubungan tesebut di uku oleh nilai suppot dan confidence anta item. Data induk yang di poses mining meliputi poses masuk, asal, kota, dan pogam studi. Hasil dai poses data mining ini dapat digunakan sebagai petimbangan dalam mengambil keputusan lebih lanjut tentang fakto yang mempengauhi tingkat kelulusan khususnya fakto dalam data induk. Dafta Pustaka [1] Anonim, 2009 Peatuan Akademik Univesitas Diponegoo Bidang Pendidikan, Semaang. [2] Davies, and Paul Beynon, 2004, Database Systems Thid Edition, New Yok. Palgave Macmillan. [3] Han, J. and Kambe, M, 2006, Data Mining Concepts and Techniques Second Edition. San Fancisco, Mogan Kauffman. [4] Kusini, dan Emha Taufik Luthfi, 2009, Algoitma Data Mining, Yogyakata, Penebit Andi. [5] Pamudiono, I Penganta Data Mining: Menambang Pemata Pengetahuan di Gunung [6] Santosa, Budi, 2007, DataMiningTeknik Pemanfaatan Data untuk Kepeluan Bisnis, Yogyakata, Gaha Ilmu. 163