1. PENDAHULUAN. Metris, Vol. 13 No. 2, September 2012: ISSN:

Transkripsi

1 Metris, Vol. 13 No. 2, September 2012: Perancangan Proporsi Skor Transkrip Aktivitas Kemahasiswaan (TAK) Institut Teknologi Telkom berdasarkan Knowledge Conversion dengan Metode 5C4C dan SECI Ihsan Rizkaluthfi, Amelia Kurniawati, Muhammad Iqbal Jurusan Teknik Industri, Fakultas Teknik Institut Teknologi Telkom Abstract. Transkrip Aktivitas Kemahasiswaan (TAK) is an active student assessment parameters in non academic that is imposed a rule to student by Telkom Institute of Technology and it is an effective ideas for the development of softskill students in order to improve the quality of it s graduates and become a fulfillment of the obligations of universities in education, research and community service that are listed in Tridharma University. Because of that, it required the development for the proportion of TAK scores that each value of chain Tridharma University can be fulfilled by each student and grooves form of submission TAK score is written and cleary as supporting good management of TAK activities. Development of TAK proporstion score conducted by converting data into information and information into knowledge. This research uses knowledge conversion 5C and 4C method, the raw data is converted into information through the stages of Contextualized, Categorized, Calculated, Corrected and Condensed with helped by data mining tool and then information is converted into knowledge through the stage of Comparison, Consequense, Connection and Conversation. And also this research uses SECI method through the stages of Socialization, Externalization, Combination and Internalization that function to find out the opinion of the sections relating to student activities of institution such as tacit knowledge as the analysis for decision making of relevant proportion TAK score. Based on the analysis and results of processing the data, some conclusions are obtained that the relevant proportion of TAK scores according to Tridharma established by the result of graduates, that formed into three segment that are student want continue to work with proportion of education and research category 22%, interest and talents 73%, society service 5%, and then student want continue to entrepreneurship and work with proportion of education and research category 20%, interest and talents 75%, society service 5% and the last is student want continue to school with proportion education and research category 30%, interest and talents 65%, society service 5% then the result of proportion TAK score can be internalized to the institution. Keywords: Transkrip Aktivitas Kemahasiswaan (TAK), Tridharma,data conversion, information and knowledge, SECI method and data mining. 1. PENDAHULUAN Pada era perkembangan dunia pendidikan di Indonesia saat ini, seorang mahasiswa sebagai pelaku akademik tidak lagi hanya berhubungan dengan pendidikan tetapi dituntut untuk dapat berguna bagi bangsa dan negara Indonesia dengan menghidupkan perkembangan riset serta peduli terhadap lingkungan sekitar dan peka terhadap sosial masyarakat. Hal-hal tersebut menjadi kewajiban yang harus dilakukan di setiap perguruan tinggi di Indonesia yang dituliskan dalam Tridharma Perguruan Tinggi. Dimulai dari tujuan pendidikan berdasarkan PP No. 60 tahun 1999 tentang Perguruan Tinggi (PT) pasal 1.Tujuan pendidikan yang pertama adalah menyiapkan peserta didik menjadi anggota masyarakat yang memiliki kemampuan akademik dan/atau profesional yang dapat menerapkan, mengembangkan dan/atau menciptakan ilmu pengetahuan, teknologi, dan kesenian.kedua, mengembangkan dan menyebarluaskan ilmu pengetahuan, teknologi, dan/atau kesenian serta mengupayakan penggunaannya untuk meningkatkan taraf hidup masyarakat dan memperkaya kebudayaan nasional. Selain itu terdapat pada UU RI No. 20 tahun 2003 tentang sistem pendidikan nasional pasal 20 yaitu perguruan tinggi berkewajiban menyelenggarakan pendidikan, penelitian dan pengabdian. Ketiga kewajiban tersebut biasa dikenal dengan nama Tridharma Perguruan Tinggi yang memiliki tiga mata rantai pendidikan dan pengajaran, penelitian, dan pengabdian kepada masyarakat, hal ini menjadi misi pokok perguruan tinggi. Menurut Perkins, (1986 : 25) Tridharma PT mengacu pada tiga aspek

2 Metris, Vol. 13 No. 2, September 2012: pendidikan yang cenderung memasuki wilayah pendidikan dan pengajaran. Tiga aspek tersebut adalah pemerolehan atau penggalian pengetahuan (aquicition of knowledge), pemindahan pengetahuan (transmission of knowledge), dan penerapan pengetahuan(application of knowledge). Ketiganya akan memiliki ketergantungan dan keterkaitan yang melengkapi. Menurut Sonhadji, A. (2002 : 3-5), knowledge digali, diperoleh, dan dikembangkan melalui penelitian lalu knowledge yang diperoleh tersebut harus ditransmisikan supaya dapat dipelihara kelangsungan eksistensinya, selanjutnya knowledge yang diperoleh dan dialihkan tersebut harus diterapkan agar tidak hilang dan dapat diaplikasikan. Jadi perguruan tinggi sekaligus mampu melakukan tiga macam transformasi yang memiliki hubungan antara aspek knowledge dan misi pokok sebagaimana diilustrasikan pada Tabel 1. Berdasarkan hal-hal tersebut Institut Teknologi Telkom (IT Telkom). ingin menerapkan pola keaktifan kepada mahasiswa dengan menggunakan sistem skor Transkip Aktivitas Kemahasiswaan (TAK), yaitu suatu parameter penilaian keaktifan mahasiswa dalam kegiatan non akademik atau kegiatan kemahasiswaan diluar kelas dalam bidang organisasi, kepanitiaan, riset, lomba, kewirausahaan, magang, pengabdian masyarakat dan prestasi lainnya yang dapat mengembangkan dan mengasah softskill serta keaktifan mahasiswa disesuaikan dengan proporsi skor tersebut dengan berdasarkan keaktifan tingkat kampus, daerah ataupun nasional yang harus terpenuhi sebanyak skor yang ditentukan pada angkatannya sebagai syarat untuk mengikuti wisuda. SkorTAK ini dikelola oleh Bagian Kemahasiswaan IT Telkom. Bagian Kemahasiswaan (BK) merupakan bagian divisi kerja dari institusi pendidikan Institut Teknologi Telkom.Program kerjanya mengelola seluruh kegiatan mahasiswa yang bersifat di luar kelas kuliah seperti kepanitiaan, keorganisasian, lomba dan beasiswa.salah satu usaha Bagian Kemahasiswaan untuk merepresentasikan bentuk keaktifan mahasiswa tersebut dengan TAK yang bertujuan untuk mendorong mahasiswa menjadi lebih aktif di luar kelas yang menjadi tuntutan kebutuhan di dunia kerja nanti. Seiring dijalankan aturan TAK ini tidak luput dengan permasalahan yang dihadapi oleh BK yaitu, sistem pengelelolaan TAK yang masih belum menemukan alur yang efektif dan efisien untuk pihak BK maupun mahasiswa. Menurut informasi yang didapat dari hasil wawancara bersama Bapak Iqbal selaku Asisten Manager Bagian Kemahasiswaan Institut Teknologi Telkom pada 23 Januari 2012, pada proses sistem TAK ini masih mengalami kendala yaitu proporsi skor TAK yang diberikan di antara tiap kegiatan kemahasiswaan bidang akademik atau penalaran, bidang organisasi atau minat bakat dan bidang pengabdian masyarakat masih belum relevan perbandingan skor tersebut satu dengan yang lainnya sehingga proporsi dalam total pemenuhannya perlu dilakukan agar mahasiswa tidak memenuhi syarat TAK dalam satu bidang keaktifan yang terkadang TAK hanya dianggap sebagai pemenuhan kewajiban. Setelah didapatkan informasi tersebut lalu dibuat kuesioner onlinetentang proporsi skor TAK pada BK kepada mahasiswa IT Telkom sebagai responden untuk memperkuat dan membuktikan pendapat dari bagian kemahasiswaan. Kuesioner ini disajikan secara isian terbuka atau essay di setiap pertanyaannya dan ditujukan kepada 50 responden sebagai sample untuk mewakili pendapat mahasiswa IT Telkom yang diambil secara acak. Responden terdiri dari mahasiswa berbagai program studi, yaitu S1 Teknik Industri, S1 Teknik Informatika, S1 Teknik Telekomunikasi, S1 Ilmu Komputasi, S1 Sistem Informasi, S1 Sistem Komputer, S1 Teknik Fisika, D3 Teknik Informatika. Gambar 1 menyajikan hasil pengisian kuesioner yang diisikan oleh mahasiswa IT Telkom. 4% 50% Jumlah Mahasiswa 46% Relevan Tidak Relevan Tidak Tahu Gambar 1. Data Jumlah Mahasiswa Terhadap Relevansi Proporsi Skor TAK Berdasarkan Gambar 2 dapat diketahui bahwa terdapat 23% mahasiswa yang menganggap proporsi skor TAK relevan sedangkan dibandingkan dengan 25 mahasiswa menganggap proporsi skor TAK masih belum relevan memiliki jumlah yang lebih besar dan sisanya 2 mahasiswa menyatakan tidak tahu. Menurut hasil tersebut dapat dinyatakan bahwa proporsi skor TAK yang diberikan Bagian Kemahasiswaan untuk setiap bidang-bidang aktivitas kegiatan kemahasiswaan masih belum relevan antara akademik, penelitian dan pengabdian masyarakat atau kepanitian. Dari Gambar 2 juga terlihat bahwa terdapat 22 alumni setuju, 7 alumni tidak setuju dan 3 alumni tidak tahu terkait perlu dibentuknya proporsi skor TAK.

3 Metris, Vol. 13 No. 2, September 2012: Tabel.1 Aspek Pengetahuan, Misi Pokok dan Transformasi di Perguruan Tinggi Aspek Knowledge Misi Pokok Transformasi Penggalian atau pengembangan knowledge Penelitian Transformasi iptek Pemindahan knowledge Pendidikan dan pengajaran Transformasi SDM Aplikasi knowledge Pengabdian kepada Transformasi sosial dan masyarakat tata nilai Sumber: Sonhadji, A., (2002 : 3-5) Kuesioner online ditujukan juga kepada alumni, bertujuan untuk melihat pentingnya pembentukan proporsi skor TAK sebagai pengaruh softskill terhadap kompetisi pada dunia pekerjaan atau berwirausaha.kuesioner ini disajikan secara isian terbuka atau essay di setiap pertanyaannya dan ditujukan kepada 30 responden sebagai sampling untuk mewakili pendapat alumni IT Telkom.Responden terdiri dari 10 alumni program studi S1 Teknik Telekomunikasi, 10 alumni S1 Teknik Industri dan 10 alumni S1 Teknik Informatika. Gambar 2 Hasil Kuesioner Perlunya Pembentukan Relevansi Proporsi Skor TAK Jumlah Alumni yang Berpendapat Tentang Perlunya Pembentukan Relevansi Proporsi Skor TAK 7% 23% Penuh 100% pada 1 bidang 70% kosong 0% pada 1 bidang Jumlah Mahasiswa Setuju Tidak Setuju Tidak Tahu Bidang Penalaran Bidang Minat Bakat & Keorganisasian Bidang Pengabdian Masyarakat Gambar 3 Jumlah Alumni yang Memenuhi TAK Pada Satu Bidang Keaktifan Oleh karena hal tersebut, perlu dibentuknya proporsi skor TAK sebagai penunjang softskill mahasiswa untuk kebutuhan setelah lulus kuliah yaitu bila ingin bekerja atau berwirausaha. Hasil kuesioner ini kemudian diperkuat dengan data TAK alumni angkatan yang diambil melalui website BK pada Gambar 3. Pada Gambar 3 didapatkan dari data TAK alumni yang diambil melalui website BK dan memiliki status pada data tracer alumni sebanyak total 954 mahasiswa. Selanjutnya dilakukan pembagian TAK berdasarkan bidangnya pada setiap alumni maka didapatkan informasi bahwa sebanyak 32 alumni memiliki penuh 100% dan 162 alumni memiliki kosong 0% skor TAK pada bidang penalaran. Terdapat juga informasi bahwa 156 alumni memiliki penuh 100% dan 37 alumni memiliki kosong 0% skor TAK pada bidang minat bakat dan keorganisasian serta 0 alumni mengisi penuh 100% dan 866 alumni mengisi 0% skor TAK pada bidang pengabdian masyarakat. Maka data ini membuktikan ketidakmerataan keaktifan mahasiswa terhadap kegiatan kegiatan keaktifan yang seharusnya berdasarkan Tridharma Perguruan Tinggi dan kebenaran pendapat dari wawancara Bagian Kemahasiswaan tentang perlu dibentuknya proporsi skor TAK.Oleh karena itu, data-data tersebut membuktikan bahwa belum tercapainya tujuan TAK sebagai pemenuhan kewajiban Tridharma Perguruan Tinggi dan sebagai wahana efektif pengembangan softskill mahasiswa. Mengacu kepada hal dan fakta tersebut maka Bagian Kemahasiswaan IT Telkom perlu memproporsikan skor TAK agar tujuan dari IT Telkom terhadap TAK tercapai. Langkah yang dapat dilakukan pihak institusi untuk mengevaluasi proses pengelolaan skor TAK adalah bagaimana merancang proporsi skor TAK yang relevan berdasarkan data skor TAK alumni dan pendapat para perwakilan fakultas. Selain itu diperlukan nilai pembanding lain sebagai data pendukung untuk membantu pengambilan keputusan output yang lebih baik,yaitu status alumni yang TAK nya akan diproporsikan setelah melewati jenjang perkuliahan atau lulus, sehingga diperlukan data-data terkait proporsi TAK dikombinasikan dengan data tracer alumni IT Telkom. Hal ini bertujuan untuk

4 Metris, Vol. 13 No. 2, September 2012: meninjau proporsi TAK yang dimiliki mahasiswa berdasarkan hasil lulusannya.data-data tersebut dipersiapkan untuk dikonversikan menjadi informasi.informasi tersebut kemudian dikonversi menjadi knowledge yang diproses menggunakan knowledge conversion 5C4C menurut Liebowitz (1999). Metode yang digunakan untuk pemecahan masalah tersebut adalah dengan menggunakan metode SECI dan knowledge conversion 5C dan 4C. Metode SECI pada proses sosialisasi bertujuan untuk mengetahui pendapat para perwakilan fakultas dan CDC tentang proporsi skor TAK lalu dilakukan proses eksternalisasi untuk mendokumentasi pendapat tersebut. Di samping itu data mentah tentang skor TAK dari Bagian Kemahasiswaan dan data tracer alumni dari CDC IT Telkom digabungkan yang kemudian dikonversi menggunakan knowledge conversion 5C dan 4C menjadi sebuah informasi yang nantinya diubah agar dapat dipergunakan menjadi knowledge melalui bantuan data mining dengan software Clementine. Setelah itu, knowledge proporsi skor TAK hasil pengolahan data dan menurut pendapat para perwakilan fakultas dan CDC akan dikombinasikan dan dianalisis pada tahapan kombinasi sehingga pada tahapan selanjunya yakni internalisasi akan mendapatkan hasil akhir yaitu proporsi skor TAK yang relevan kemudian diberlakukan pada Bagian Kemahasiswaan dan disosialisasi kepada mahasiswa menjadi aturan baru skor TAK. Penelitian ini bertujuan untuk merancang proporsi skor TAK Bagian Kemahasiswaan IT Telkom yang relevan terhadap setiap bidang kegiatan keaktifan menurut Tridharma Perguruan Tinggi. Adapun batasan-batasan masalah dari penelitian ini adalah sebagai berikut : 1. Data skor TAK alumni yang digunakan pada penelitian ini adalah alumni angkatan Data tracer alumni yang digunakan pada penelitian ini adalah data tracer CDC pada periode Pengolahaan data pada metode knowledge conversion 5C dan 4C menggunakan data mining dengan metode clustering dan hanya menggunakan algoritma K-Means dengan bantuan tools software Clementine. 2. METODOLOGI 2.1 Model Konseptual Model konseptual untuk penelitian ini disajikan pada Gambar 4. Mahasiswa Masuk Mahasiswa Lulus Ideal - Hardskill & Softskill berdasarkan Tridarma Perguruan Tinggi) Bagian TAK Proporsi skor Kemahasiswaan TAK yang relevan Data TAK angkatan Tacit Knowledge (Wawancara proporsi skor TAK) Socializtion Externalization CDC Data Tracer Alumni Periode Knowledge Conversion 5C dan 4C Internalitation Metode SECI Combination Perwakilan Fakultas Bidang Kemahasiswaan Tacit Knowledge (Wawancara proporsi skor TAK) Gambar 4. Model Konseptual

5 Metris, Vol. 13 No. 2, September 2012: TAHAP INISIALISASI DAN INFORMASI Studi Pendahuluan Studi Literatur Studi Lapangan -Knowledge Conversion 5C dan 4C -Wawancara -Knowledge Management -Kuesioner -Metode SECI -Data Mining -Transkrip Aktivitas Kemahasiswaan (TAK) Perumusan Masalah Tujuan Penelitian TAHAP PENGUMPULAN DATA DAN PENGOLAHAN DATA Socialization 1. Wawancara identifikasi tacit knowldge proporsi skor TAK yang relevan pada perwakilan fakultas elektro telekomunikasi, rekayasa industri dan informatika serta pada CDC dan BK Externalization 1. Pendokumentasian tacit knowledge proporsi skor TAK yang relevan menurut pendapat perwakilan fakultas elektro telekomunikasi, rekayasa industri dan informatika serta CDC dan BK menjadi explicit knowledge. Data to Information Data yang digunakan yaitu data skor TAK dari BK dan data tracer alumni dari CDC a.contextualized : memahami manfaat data skor TAK dan data tracer alumni. b.categorized : memahami atribut utama dan atribut pendukung dalam data untuk digunakan. c.calculated : menganalisis data dengan menggunakan bantuan tools data mining dengan tahapan: 1.Developing and understanding the application domain 2.Creating a data set 3.Data cleansing and preprprocessing 4.Data reduction and projection 5.Chosing the data mining task 6.Chosing the data mining algorithm 7.Data mining 8.Interpreting mined patterns 9.Consolidating discovered knowledge d.corrected : menghilangkan kesalahan dari hasil data prediksi data mining. e.condensed : meringkas data hasil prediksi data mining. Tidak Valid? Ya Information to Knowledge a. Comparison : membandingkan informasi hasil proporsi skor TAK dengan keadaan lain. b. Consequence : menemukan implikasi-implikasi dari informasi hasil proporsi skor TAK untuk pengambilan keputusan dan tindakan. c. Connections : menemukan hubungan-hubungan antara informasi di dalam hasil proporsi skor TAK yang telah diprediksi. d. Conversations : membicarakan pandangan, pendapat serta tindakan Bagian Kemahasiswaan dan mahasiswa terkait informasi skor TAK yang didapat. Combination 1. Klarifikasi dokumentasi pendapat para dekan fakultas, BK dan CDC tentang proporsi skor TAK fakultas. 2. Penentuan informasi proporsi skor TAK relevan berdasarkan pengolahan data mining. 3. Kombinasi hasil explicit knowledge pada proses konversi knowledge proporsi skor TAK dengan dokumentasi pendapat para dekan fakultas, BK dan CDC tentang proporsi skor TAK fakultas. 4. Proporsi skor TAK yang relevan berdasarkan Tridharma Perguruan Tinggi. Internalization 1. Internalisasi proporsi pemberian skor TAK yang relevan berdasarkan Tridharma Perguruan Tinggi kepada Bagian Kemahasiswaan IT Telkom. 2. Mengaplikasikan aturan baru proporsi skor TAK. TAHAP ANALISIS DAN REKOMENDASI Analisis Data dan Rekomendasi TAHAP KESIMPULAN DAN SARAN Kesimpulan dan Saran Gambar 5 Langkah-Langkah Pemecahan Masalah

6 Metris, Vol. 13 No. 2, September 2012: Model konseptual pada Gambar 4 memaparkan proses pengerjaan penelitian mulai dari mahasiswa baru masuk berkuliah di kampus IT Telkom lalu perlu memenuhi skor TAK yang menjadi syarat untuk mengikuti wisuda. Pengelolaan skor TAK tersebut menjadi tanggung jawab dari Bagian Kemahasiswaan IT Telkom sebagai divisi pengawasan terhadap setiap kegian keaktifan mahasiswa. Pada kondisi existing pengelolaan TAK terdapat permasalahan yang harus diselesaikan yaitu perlunya perancangan proporsi total skor TAK tiap bidang keaktifan mahasiswa menurut Tridharma Perguruan Tinggi. Berdasarkan kondisi existing akan dilakukan pengumpulan tacit knowledge dengan wawancara pada setiap wakil dekan fakultas telekomunikasi, informatika dan industri serta BK dan CDC untuk mengetahui pendapat tentang proporsi skor TAK fakultas dengan menggunakan metode SECI melalui proses socialization, kemudian informasi tersebut didokumentasikan menjadi explicit knowledge pada proses externalization, untuk melanjutkan ke proses selanjutnya dibutuhkan knowledge tentang proporsi skor TAK yang sesuai berdasarkan data. Maka diperlukan pencarian data terkait bidang keaktifan mahasiswa yaitu data TAK pada website Bagian Kemahasiswaan dan data tracer alumni IT Telkom sebagai data pendukung untuk pengambilan keputusan pada CDC IT Telkom, kemudian data-data mentah tersebut diolah menggunakan metode knowledge conversion 5C dan 4C dengan bantuan alat dari data mining sehingga data tersebut dikonversi menjadi sebuah informasi yang kemudian dikonversikan kembali menjadi sebuah knowledge yang dapat dimanfaatkan untuk pendukung pengambilan keputusan. Selanjutnya hasil knowledge conversion dari data skor TAK dan explicit knowledge dari perwakilan setiap fakultas, CDC serta BK dikombinasikan pada proses combination pada metode SECI untuk dianalisis sehingga mendapatkan menjadi sebuah explicitknowledge baru. Hasil akhir ini akan menjadi proporsi skor TAK yang akan menjadi landasan dan acuan untuk digunakan sebagai aturan baru pada Bagian Kemahasiswaan, kemudian dilakukan internalization kepada perwakilan organisasi mahasiswa dan seluruh mahasiswa IT Telkom. Pada akhirnya mahasiswa diharapkan lulus ideal memiliki hardskill dan softskill menurut Tridharma Perguruan Tinggi. 2.2 Sistematika Pemecahan Masalah Langkah-langkah dalam pemecahan masalah dalam penelitian ini disajikan pada Gambar HASIL DAN PEMBAHASAN 3.1 Konversi Data Menjadi Informasi Contextualized (Memahami Manfaat Data yang Dikumpulkan) Data yang dikumpulkan berfungsi sebagai tolak ukur untuk memprediksi persebaran proporsi skor TAK dari alumni dan membentuk polanya kemudian akan digunakan sebagai landasan aturan baru proporsi skor TAK pada Bagian Kemahasiswaan agar pemenuhan skor TAK lebih bermanfaat bagi mahasiswa di setiap bidang keaktifan.data-data skor TAK keseluruhan dan perindividu berfungsi untuk mengetahui berapa banyak TAK yang dikumpulkan oleh setiap alumni dan komposisi setiap bidang keaktifan mahasiswa yaitu bidang penalaran, bidang minat bakat keorganisasian dan bidang pengabdian masyarakat. Data-data tracer alumni bertujuan untuk memperkuat karakter tiap TAK individu alumni dan menambah atribut pendukung sebagai data tambahan untuk membantu dalam pembentukan pola data yang ingin diketahui. Tabel 2. Data Jumlah Alumni yang Mengisi TAK pada Web BK No. Jurusan Angkatan Jumlah Alumni S1 Teknik Telekomunikasi S1 Teknik Industri S1 Teknik Informatika D3 Teknik Telekomunikasi D3 Teknik Informatika Total 4830 Alasan data yang diambil dari angkatan 2005 sampai 2008 sebab pada database web BK skor TAK mulai disimpan pada angkatan Data yang digunakan dan didokumentasikan per individu tidak seluruhnya tetapi yang sudah memiliki keterangan lulus pada website BK. Atribut dalam data TAK tersebut adalah biodata pribadi mahasiswa seperti NIM, nama, , jurusan, angkatan, tanggal lahir, asal, deskripsi, keahlian, nomer telepon, organisasi, tanggal lulus, lalu atribut tentang TAK-nya yaitu total TAK, faktor penilaian kegiatan keaktifan dan skor TAK yang harus dipenuhi.

7 Metris, Vol. 13 No. 2, September 2012: No Tabel 3 Data jumlah alumni mengisi FormTracer Laporan Tracer Alumni Periode Maret 2009 (Wisuda Maret 2008) Periode Oktober 2009 (Wisuda Oktober 2008) Periode Maret 2010 (Wisuda Maret 2009) Periode Oktober 2010 (Wisuda Oktober 2009) Periode Maret 2011 (Wisuda Maret 2010) Jumlah Alumni Lulus Jumlah Alumni Mengisi Form Tracer Periode Oktober 2011 (Wisuda Oktober 2010) Total Menurut Tabel 3 di atas menunjukkan bahwa total alumni yang mengisi formtracer alumni sebanyak 1878 dibanding total yang lulus sebanyak 2789, bila dipersentasekan sekitar 67,34% sudah cukup mewakili data keseluruhan alumni. Pada data tracer alumni yang dikumpulkan terdapat banyak atribut keterangan dari setiap alumni mulai dari identitas alumni seperti nama, NIM, jenis kelamin, nomer telepon, , serifikat yang dimiliki, program studi, tanggal lulus, delay, IPK, pertanyaan umum, status alumni setelah lulus. Lalu bila bekerja terdapat atribut jenis kategori perusahaan bekerja, salary perusahaan bekerja, status kontrak bekerja, nama perusahaan bekerja, posisi perusahaan bekerja. Bagi atribut jenis kategori perusahaan data yang diambil yaitu perusahaan yang terakhir ditempati oleh alumni. Apabila melanjutkan kuliah terdapat atribut nama perguruan tinggi, program studi, biaya kuliah. Kemudian bila melakukan usaha terdapat atribut jenis usaha, profesi utama atau sampingan dan omset usahanya. Categorized (Memahami Unit Analisis atau Komponen Kunci Data) Pada data skor TAK atribut yang penting digunakan yaitu NIM, nama, total TAK, angkatan, jurusan, total TAK yang harus dipenuhi dan proporsi skor tiap bidang keaktifan yaitu bidang penalaran, bidang minat bakat keorganisasian dan bidang pengabdian masyarakat. Komponen atribut utama dalam perhitungan kali ini adalah proporsi skor TAK tiap bidang keaktifan yang didapatkan melalui memproporsikan secara manual dari poinpoin penilaian tiap faktor penilaian kegiatan keaktifan dengan memisahkan dan mengelompokan berdasarkan bidangnya. Calculated (Menganalisis Data Secara Matematik atau Statistik) Melalui proses penggabungan data menjadi satu set data dilakukan penyaringan kembali berdasarkan kelengkapan data alumni yang memiliki data atribut yang lengkap dari data skor TAK dengan tracer alumni. Artinya alumni yang menjadi objek harus terdata dalam website BK IT Telkom skor TAK-nya dan memiliki data tracer alumni atau mengisi formtracer alumni pada website CDC, keadaan ini dapat disebut objek yang memiliki data berpasangan. Berdasarkan hal tersebut didapatkan jumlah objek data atribut berpasangan sebanyak 954 data alumni yang akan digunakan dalam perhitungan prediksi pola proporsi skor TAK.Pengolahan data skor TAK mahasiswa dan data tracer alumni agar dapat melihat pola yang ada perlu menggunakan toolsdata mining dengan bantuan software Clementine Sebelum masuk ke proses data mining perlu dilakukan persiapan data dengan menggunakan softwaremicrosoft Excel.Penelitian ini menggunakan model clusteringdengan pendekatan partisi atau nonhierarchial data clustering maka algoritma yang digunakan untuk membantu proses data mining adalah algoritma K-Means yaitu algoritma berhitung dengan mempartisi data ke dalam cluster atau kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain. Corrected (Menghilangkan Kesalahan Data) Algoritma K-Means tidak dapat dipastikan akurasinya sebab sampai saat ini belum ada metode yang dapat menghitung tingkat keakuratan algoritma K-Means.Maka dari itu hasil pengolahan dari data mining algoritma K-Means ini tidak dapat dikatakan salah. Condensed (Meringkas Data Dalam Bentuk Singkat dan Jelas) Informasi hasil prediksi pola yang dihasilkan dari software Clementine, kemudian akandiringkas sehingga pembaca dapat lebih mudah membaca informasinya. Ringkasan yang dibentuk berdasarkan nilai-nilai centroid atau rata-rata pada atribut yang bersifat numerik sedangkan untuk atribut bersifat pilihan disingkat berdasarkan tiga nilai persentase peringkat teratas dari atribut tersebut. 3.2 Konversi Informasi Menjadi Knowledge Comparison (Membandingkan Informasi Pada Situasi Tertentu Dengan Situasi-Situasi yang Lain yang Telah Diketahui) Hasil kelas yang diinginkan sebagai output dari perhitungan data mining dari peneltian ini yang dilakukan saat penentuan cluster menggunakan rasionalitas yaitu diinginkannya prediksi cluster menjadi 4 kelas berdasarkan atribut status lulusan alumni utama yang ditentukan oleh CDC yaitu alumni yang melanjutkan berkuliah, melanjutkan

8 Metris, Vol. 13 No. 2, September 2012: berwirausaha, melanjutkan bekerja dan belum melanjutkan kuliah ataupun bekerja. Tetapi jika dibandingkan hasil prediksi pola yang dilakukan software Clementine yaitu 2 cluster berisi karakteristik alumni yang melanjutkan berkuliah, 1 cluster berisi karakteristik alumni yang melanjutkan berwirausaha dan berkuliah serta 1 cluster berisi karakteristik alumni yang melanjutkan berkuliah, maka hasil prediksi software Clementine tidak dapat dapat memberikan prediksi yang sesuai persis seperti yang diinginkan. Consequence (Menemukan Implikasi-Implikasi Dari Informasi yang Bermanfaat untuk Pengambilan Keputusan dan Tindakan) Penggabungan kelas atau segmentasi menjadi 3 segmen dilakukan dengan berdasarkan rasionalitas menurut tingkat salary dan tingkat total TAK yang tercapai paling tinggi. Tabel 4 akan menjelaskan segmentasi baru sebagai pengambilan keputusan. Tabel 4 Segmentasi Proporsi TAK Berdasarkan Hasil LulusanMahasiswa Segmentasi Mahasiswa Ingin Melanjutkan Bekerja Mahasiswa Ingin Melanjutkan Wirausaha dan Bekerja Mahasiswa Ingin Melanjutkan Kuliah Bidang Penalaran Proporsi TAK Bidang Minat Bakat dan Keorganisasian Bidang Pengabdian Masyarakat 22% 73% 5% 20% 75% 5% 30% 65% 5% Comparison (Menemukan Hubungan Bagian Kecil Dari Informasi dengan Hal-Hal Lainnya) Hasil prediksi yang dihasilkan oleh software Clementine dapat dianalisis antara hubungan informasi-informasi yang ditunjukan pada tiap karakteristik yang dimiliki setiap cluster menjadi sebuah diagram alir kemungkinan perjalanan mahasiswa setelah lulus kuliah. Conversations (Membicarakan Pandangan, Pendapat Serta Tindakan Orang Lain Terkait Informasi Tersebut) Hasil prediksi yang berupa informasi pada tahapan sebelumnya diperlihatkan kembali kepada para wakil dekan bagian kemahasiswaan dan akademik tiap fakultas, CDC serta BK untuk dijadikan bahan pertimbangan dan terhadap pengambilan keputusan sebagai knowledge proporsi skor TAK yang relevan yang akan digunakan pada tahapan selanjutnya yaitu tahap Internalization. 3.3 Hasil Metode SECI Socialization Pada tahap socialization dilakukan wawancara kepada wakil dekan bidang akademik dan kemahasiswaan setiap fakultas serta Bagian Kemahasiswaan dan CDC sehingga terjadi proses transfer knowledge dari tacit-to-tacit, yaitu proses transfer tacit knowledge yang dimiliki para wakil dekan, BK dan CDC berupa pengalaman menangani dan membimbing kegiatan kemahasiswaan dalam kemahasiswaan menjadi tacit knowledge yang diterima oleh pewawancara. Tacit knowledge yang diterima pewawancara akan dijadikan suatu input untuk tahap berikutnya yaitu tahap externalization. Externalization Pada tahap externalization, dilakukan konversi knowledge dari tacit knowledge ke explicit knowledge.knowledge pewawancara mengenai proporsi skor TAK yang relevan yang didapat dari tahap socialization akan didokumentasikan menjadi suatu dokumen proporsi skor TAK relevan berdasarkan pendapat para wakil dekan, BK dan CDC. Explicit knowledge yang telah didokumentasikan akan dipergunakan pada tahap combination sebagai analisis untuk pengambilan keputusan proporsi skor TAK yang relevan. Combination Pada tahap combination ini dilakukan analisis penggabungan antara knowledge dari hasil wawancara perwakilan fakultas, CDC dan BK dengan knowledge dari hasil pengolahan konversi data menggunakan knowledge conversion 5C dan 4C.Pada knowledge pembentukan proporsi skor TAK dari hasil pengolahan knowledge conversion 5C dan 4C menunjukan bahwa proporsi skor TAK dapat dibentuk berdasarkan karakteristik atau variabel status lulusan alumni.oleh karena hal-hal tersebut, dapat diambil keputusan pembentukan proporsi skor TAK yang relevan berdasarkan status lulusan alumni.hasil pengambilan keputusan proporsi skor TAK menurut Tridharma yang berdasarkan status lulusan alumni pada tahap combination akan digunakan untuk tahap internalization pada Bagian Kemahasiswaan. Internalization Tahap ini dilakukan transfer knowledge dari explicit ke tacit melalui internalisasi kepada asisten manager Bagian Kemahasiswaan IT Telkom selaku yang menangani pengelolaan skor TAK. Aturan proporsi skor TAK ini akan diajukan kepada rektorat untuk dirapatkan kembali dan disetujui sebagai aturan baru skor TAK. Setelah aturan baru

9 Metris, Vol. 13 No. 2, September 2012: disetujui maka dilakukan internalisasi berupa mediasi kepada perwakilan organisasi mahasiswa. 4. KESIMPULAN Berdasarkan pada tujuan dari penelitian ini, maka terdapat beberapa kesimpulan yang dapat diambil, yaitu pembentukan proporsi skor TAKyang relevan menurut Tridharma Perguruan Tinggi serta berdasarkan status lulusan alumni berupa explicit knowledge menggunakan metode knowledge coversion 5C dan 4C dengan bantuan pengolahan data mining menggunakan metode clustering didapatkan proporsi berupa tiga segmen lulusan yaitu pertama segmen mahasiswa ingin melanjutkan bekerja dengan pemenuhan persentase proporsi bidang penalaran 22%, bidang minat bakat dan keorganisasian 73% dan bidang pengabdian masyarakat 5%, kedua segmen mahasiswa ingin melanjutkan berwirausaha dan bekerja dengan persentase proporsi bidang penalaran 20%, bidang minat bakat dan keorganisasian 75% dan bidang pengabdian masyarakat 5%, serta segmen ketiga mahasiswa ingin melanjutkan berkuliah dengan persentase proporsi bidang penalaran 30%, bidang minat bakat dan keorganisasian 65% dan bidang pengabdian masyarakat 5%. Explicit knowledge ini akan diinternalisasikan kepada Bagian Kemahasiswaan menjadi tacit knowledge untuk dijadikan landasan dan aturan baru TAK bagi mahasiswa IT Telkom. Saran yang dapat diberikan antara lain: (1) diperlukan adanya evaluasi dan perbaikan terhadap tabel penilaian skor TAK yang diberikan untuk setiap kegiatan keaktifan yang dilakukan oleh mahasiswa serta pemenuhan persentasi proporsi TAK yang berupa range batas minimal dan maksimum dalam setiap bidangnya dan (2) Diperlukan adanya evaluasi prediksi pola TAK secara periodik untuk melihat pola dan klasisfikasi mahasiswa setiap tahunnya. Saran untuk penelitian selanjutnya antara lain: (1) Menggunakan algoritma lain selain algoritma k-means dalam metode clustering dan software lain selain Clementine yang lebih lengkap penggunaaan algoritmanya untuk mengetahui bentuk cluster lain yang dapat dihasilkan dan kemungkinan pengujian tingkat akurasi dari hasil pembentukan cluster, (2) diperlukan suatu proses bisnis untuk mengintegrasikan Bagian Kemahasiswaan dan Career Development Center terkait pengelolaan dan penggunaan fungsi TAK yang maksimal serta pengkontrolan pemenuhan proporsi TAK dalam setiap tingkat atau semester mahasiswa yang bertujuan agar tidak terjadi mahasiswa yang kekurangan TAK pada tingkat akhir untuk melaksanakan wisuda serta (3) dibuat suatu aplikasi untuk pengelolaan TAK yang berfungsi sebagai alat mempermudah dan memperkecil tingkat kesalahan pengelompokan jenis kegiatan keaktifan mahasiswa berdasarkan bidangnya, pengontrolan pemenuhan TAK tiap semester atau tingkat pada TAK setiap mahasiswa serta mempermudah proses bisnis integrasi pengelolaan TAK antara Bagian Kemahasiswaan dan Career Development Center. 5. DAFTAR PUSTAKA 1. Brown, John and Paul Duguid Organizational Learning and Communities of Practice: Toward a unified view of working, learning, and innovation. Organizational Science. 2. Chen, H Knowledge Management Systems: A Text Mining Perspective, Tucson, AZ: The University of Arizona. 3. Chen, H. and Chau, M Web Mining: Machine Learning for Web Applications, Annual Review of Information Science and Technology, 38, Dunham, M. H Data Mining: Introductory and Advanced Topics, New Jersey, USA: Prentice Hall. 5. Fayyad, U. M., Piatetsky-Shapiro, G., and Smyth, P From Data Mining toknowledge Discovery in Databases, AI Magazine, 17(3), Hasskett, M. (2000, May.). An Intro to Data Mining, Part 2: Analyzing the Tools and Techniques. Enterprise Systems Journal. 7. Horwitch, Mark & Robert Armacost Helping Knowledge Management be all it can be. Journal of Business Strategy, Boston US: Thomson Media May/June pp Jain A.K., Murty M.N. and Flynn P.J Data Clustering: A Review.ACM Computing Surveys. 31, 3 (Sep. 1999), Institut Teknologi Telkom Buku Panduan Mahasiswa Institut Teknologi Telkom Tahun 2008/2009. Bandung: Institut Teknologi Telkom. pp J. Han dan M. Kamber Data Mining: Consepts and Techniques, Second Edition, San Francisco: Elsevier Inc. 11. Krysztof J. C., Witold P., Roman W. S. dan Lukasz A. Kurgan Data Mining a Knowledge Discovery Approach, Canada: Springer Science + Business Media, LLC. 12. Liebowitz, Jay Knowledge Management Handbook, United States of America: CRC Press LLC. pp MacQueen, J. B., Some Methods for classification and Analysis of Multivariate Observations, Proceedings of 5-th Berkeley Symposium on Mathematical Statistics andprobability. Berkeley: University of California Press, 1: Nonaka, Ikujiro dan Hirotaka Takeuchi The Knowledge-Creating Company: How Japanese Companies Create the Dynamic of

10 Metris, Vol. 13 No. 2, September 2012: Innovation. New York: Oxford University Press. 15. Nonaka, Ikujiro, dalamthe Strategic Management of Intellectual Capital and Organization(ed. Chun Wei Choo & Nick Bontis) New York: Oxford University Press, Inc.pp Perkins, D.N Knowledge as Design. Hillsdale, NJ: Lawrence Erlbaum Associates. pp Republik Indonesia Peraturan Pemerintah Republik Indonesia Nomor 60 Tahun 1999.Lembaran Negara RI Tahun 1999, No Sekertariat Negara. Jakarta. 18. Republik Indonesia Undang-Undang Republik Indonesia Nomor 20 Tahun Lembaran Negara RI Tahun 2003, No. 78. Sekertariat Negara. Jakarta. 19. Sangkala Knowledge Management. Jakarta: PT Rajagrafindo Persada. 20. Sonhadji, A Laboratorium Sebagai Basis Pendidikan Teknik di Perguruan Tinggi.Pidato Pengukuhan Guru Besar Ilmu Manajemen Pendidikan dan Pelatihan Teknik.Malang: Universitas Negeri Malang, Turban, E. Aronson, J. E. dan Liang. T. P Decision Support System and Intelligent System 7 th Ed, New Jersey: Person Education. Inc. 22. Tobing, Paul L.,2007. Knowledge Management: Konsep, Arsitektur dan Implementasi, Graha Ilmu.