IMPLEMENTASI ALGORITMA CT-PRO DAN DATA WAREHOUSE SKEMA GALAXY UNTUK SISTEM INFORMASI EVALUASI DIRI(STUDI KASUS : FAKULTAS INFORMATIKA IT TELKOM)
|
|
- Glenna Oesman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 IMPLEMENTASI ALGORITMA CT-PRO DAN DATA WAREHOUSE SKEMA GALAXY UNTUK SISTEM INFORMASI EVALUASI DIRI(STUDI KASUS : FAKULTAS INFORMATIKA IT TELKOM) Raden Mochamad Rizky Zulfikar 1, Shaufiah, S.T., M.T. 2, Hetti Hidayati, S.Kom., M.T. 3 1,2,3 Fakultas Informatika Telkom University Jalan Telekomunikasi 1, Dayeuh Kolot Bandung Indonesia 1 rizkyzulfikars@gmail.com, 2 ufi@ittelkom.ac.id, 3 htt@ittelkom.ac.id Abstrak Evaluasi diri merupakan proses evaluasi internal pada suatu program studi di suatu perguruan tinggi yang bertujuan untuk meningkatkan jaminan mutu pendidikannya, perencanaan, perbaikan suatu program studi dan untuk mempersiapkan evaluasi eksternal atau akreditasi. Sistem yang dinamakan Sistem Informasi Evaluasi Diri ditujukan untuk pimpinan program studi dan pihak-pihak terkait untuk membantu melakukan proses evaluasi diri di fakultas Informatika IT Telkom berdasarkan tiga komponen evaluasi diri yang dipilih, yaitu Mahasiswa dan Lulusan, Sumber Daya Manusia, dan Penelitian, Pelayanan/Pengabdian Masyarakat, dan Kerjasama. Sistem Informasi Evaluasi Diri dibangun menggunakan DATA WAREHOUSE yang dirancang dengan skema GALAXY dan Data mining dengan algoritma CT-Pro. DATA WAREHOUSE skema GALAXY merupakan salah satu metode perancangan skema DATA WAREHOUSE dimana suatu tabel dimensi dapat terhubung dengan dua atau lebih tabel fakta. Data mining dengan algoritma CT-PRO merupakan modifikasi dari algoritma association rule lainnya yaitu fp-growth. Perbedaan algoritma CT-PROdengan algoritma FP-growth terletak pada proses pembuatan tree nya. Tree pada CT-PRO(CFP-Tree) lebih sedikit node nya daripada Tree pada FPgrowth (FP-Tree). Tujuan menggunakan algoritma Data mining CT-PROadalah untuk menemukan pola-pola rules dari data-data komponen evaluasi diri yang ada agar dapat menjadi knowledge untuk evaluasi diri dan juga akreditasi. Pencarian pola-pola rules tersebut bergantung pada minimum support dan minimum confidence. Pengujian pada DATA WAREHOUSE menunjukkan bahwa DATA WAREHOUSE yang dibangun pada sistem telah memenuhi keempat karakteristik DATA WAREHOUSE, yaitu subject oriented, integrated, time variant,dan non-volatile. Pengujian pada Data mining CT-PRO menunjukkan bahwa association rule pada data mahasiswa kurang dapat diambil knowledge nya karena atribut yang ada pada data mahasiswa kurang lengkap. Kata Kunci : DATA WAREHOUSE,Skema GALAXY, Data mining, CT-Pro 1. Pendahuluan Seiring dengan berkembangnya teknologi informasi saat ini dimana semakin banyak pula informasi yang disajikan memicu tingginya kebutuhan seseorang akan informasi. Namun hal ini tidak diimbangi dengan penyediaan informasi yang cepat dan akurat. Begitu juga di perguruan tinggi, untuk meningkatkan mutu pendidikannya dibutuhkan informasi dari datadata yang sudah ada di perguruan tinggi tersebut. Evaluasi diri merupakan proses evaluasi internal pada suatu program studi di suatu perguruan tinggi yang bertujuan untuk meningkatkan jaminan mutu pendidikannya, perencanaan, perbaikan suatu program studi dan untuk mempersiapkan evaluasi eksternal atau akreditasi. Di IT Telkom data yang dibutuhkan untuk melakukan evaluasi diri masih tersebar sehingga dibutuhkan suatu sistem yang dapat menyatukan dan menyajikan secara langsung pengolahan data dari data yang dibutuhkan untuk evaluasi diri tersebut sehingga memudahkan pihak yang terkait dalam melakukan proses evaluasi diri. Sistem yang dinamakan Sistem Informasi Evaluasi Diri ini ditujukan untuk pimpinan program studi dan pihak-pihak terkait untuk melakukan proses evaluasi diri di fakultas Informatika IT Telkom. Sistem informasi evaluasi diri dibangun menggunakan DATA WAREHOUSE yang dirancang dengan skema GALAXY dan Data mining dengan algoritma CTPro. DATA WAREHOUSE skema GALAXY atau biasa disebut skema fact constellations merupakan salah satu metode perancangan skema DATA WAREHOUSE dimana suatu tabel dimensi dapat terhubung dengan dua tabel fakta. Data mining dengan metode CT-PRO merupakan modifikasi dari algoritma association rule lainnya yaitu fpgrowth. Perbedaan algoritma CT-PRO dengan algoritma FP-growth terletak pada proses pembuatan tree nya. Tree pada CT- PRO(CFPTree) lebih sedikit node nya daripada Tree pada FP-growth (FP-Tree). Tujuan menggunakan algoritma Data mining CT-PROadalah untuk menemukan pola-pola rules dari data-data komponen evaluasi diri yang ada agar dapat menjadi knowledge untuk evaluasi diri dan juga akreditasi. Pencarian pola-pola rules tersebut bergantung pada minimum support dan minimum confidence. 63
2 2. Dasar Teori 2.1 DATA WAREHOUSE Skema GALAXY DATA WAREHOUSE merupakan metode perancangan database yang menunjang DSS (Decision Support System) dan EIS (Executive Information System). Fungsi utama DATA WAREHOUSE adalah mengubah data menjadi informasi untuk mengambil keputusan DATA WAREHOUSE menyatukan dan menggabungkan data dalam bentuk multidimensi. Pembangunan DATA WAREHOUSE meliputi pembersihan data, penyatuan data, dan transformasi data dan dapat dilihat sebagai praproses yang penting untuk digunakan dalam data mining. Selain itu DATA WAREHOUSE mendukung On-Line Analytical Processing (OLAP), sebuah kakas yang digunakan untuk menganalisis secara interaktif dari bentuk multidimensi yang mempunyai data yang rinci. Sehingga dapat memfasilitasi secara efektif data generalization dan Data mining [1]. Metode-metode dalam data mining, seperti association, classification, dan clustering dapat diintegrasikan dengan operasi OLAP. Maka dari itu, DATA WAREHOUSE dan OLAP merupakan hal yang penting dalam proses data mining. Karakteristik DATA WAREHOUSE ada empat, yaitu: a. Subject Oriented, sebuah DATA WAREHOUSE disusun dalam subjek utama, seperti pelanggan, suplier, produk, dan sales. Meskipun DATA WAREHOUSE terkonsentrasi pada operasi harian dan proses transaksi dalam perusahaan, DATA WAREHOUSE fokus pada pemodelan dan analisis data untuk pembuat keputusan. Oleh karena itu DATA WAREHOUSE mempunyai karakter menyediakan secara singkat dan sederhana gambaran seputar subjek lebih detail yang dibuat dari data luar yang tidak berguna dalam proses pendukung keputusan [1]. b. Integrated, DATA WAREHOUSE biasanya dibangun dari bermacam-macam sumber yang berbeda, seperti database relasional, flat files, dan on-line transaction records. Pembersihan dan penyatuan data diterapkan untuk menjamin konsistensi dalam penamaan, struktur kode, ukuran atribut, dan yang lainnya [1]. c. Time Variant, data disimpan untuk menyajikan informasi dari sudut pandang masa lampau (misal 5 10 tahun yang lalu). Setiap struktur kunci dalam DATA WAREHOUSE mempunyai elemen waktu baik secara implisit maupun eksplisit [1]. d. Nonvolatile, sebuah DATA WAREHOUSE secara fisik selalu disimpan terpisah dari data aplikasi operasional. Penyimpanan yang terpisah ini, DATA WAREHOUSE tidak memerlukan proses transaksi, recovery dan mekanisme pengendalian konkurensi. Biasanya hanya membutuhkan dua operasi dalam akses data yaitu initial load of data dan access of data [1]. DATA WAREHOUSE skema GALAXY, sering juga disebut Fact Constellations yaitu skema pada DATA WAREHOUSE dimana tidak hanya terdapat satu tabel fakta saja yang terhubung dengan tabel dimensi Dalam DATA WAREHOUSE, ada yang disebut dengan ETL (Extract, Transform, dan Load). ETL bisa dikatakan merupakan komponen utama dalam pembangunan DATA WAREHOUSE. ETL memiliki tiga proses, yaitu: [8] 1. Extraction, merupakan proses mengumpulkan data dari berbagai sumber data (Data Source) [8]. 2. Transformation, merupakan proses pengubahan dari data yang diperoleh dari proses extraction menjadi data dengan format sesuai standar yang telah ditetapkan sebelumnya [8]. 3. Load, merupakan proses pemasukkan data ke dalam DATA WAREHOUSE setelah melalui proses transformation sebelumnya [8]. 2.1 Data mining Algoritma CT-PRO Secara sederhana Data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining juga disebut sebagai serangkaian 64
3 proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data. Data mining, sering juga disebut sebagai Knowledge Discovery in Database(KDD). KDD adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar [1]. Association rule,(aturan asosiasi) merupakan teknik dalam Data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Association rule berkenaan dengan kalimat apa dengan apa. Dalam association rule terdapat istilah antecedent dan consequent. Antecedent berarti kalimat yang mendahului, dan consequent berarti kalimat berikutnya. Hal ini erat kaitannya dengan hubungan sebab-akibat. Antecedent sebagai sebab dan consequent sebagai akibat. Penting dan tidaknya suatu aturan asosiasi dapat diketahui dengan dua buah parameter, yaitu support (nilai penunjang) yaitu prosentase kombinasi item tersebut dalam database dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiasi. Analisis asosiasi didefinisikan sebagai suatu proses untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence) [1]. Lift merupakan sebuah angka ratio yang menunjukkan berapa banyak kemungkinanmenemukan sebuah atribut muncul bersama dengan atribut lainnya dibandingkan dengan seluruh kejadian adanya atribut yang terpenuhi. Lift didefinisikan sebagai berikut [15] : Dimana, Expected Confidence = (Jumlah Transaksi memiliki item consequent) / (Total jumlah transaksi) Salah satu algoritma dalam teknik association rule adalah algoritma CT-PROyang merupakan hasil modifikasi dan berakar dari algoritma sebelumnya, yaitu algoritma FPGrowth. Perbedaan algoritma CT- PROdengan algoritma FP-growth terletak pada proses pembuatan tree nya. Tree pada CT-PRO(CFPTree) lebih sedikit node nya daripada Tree pada FP-growth (FP-Tree). Algoritma CT-PROmerupakan salah satu penerapan algoritma dari teknik association rule pada data mining. Algoritma ini berakar dari algoritma FP-growth dimana modifikasi yang dilakukan adalah pada struktur data yang digunakan. Struktur data yang digunakan adalah Compressed FP-Tree (CFP-Tree) dimana informasi dari sebuah FP-Tree diringkas dengan struktur yang lebih kecil, sehingga baik pembentukan tree maupun frequent itemset mining dapat dilakukan lebih cepat (lihat Gambar 2.3) [9]. Gambar 2.3 Compressed FP-Tree (FP-Tree) [9] 2.3 Evaluasi Diri Evaluasi diri merupakan evaluasi internal suatu program studi yang ditujukan untuk semua perguruan tinggi. Evaluasi-diri diperlukan untuk proses akreditasi oleh BANPT. Bagi beberapa program studi/perguruan tinggi, evaluasi-diri merupakan sesuatu yang baru, belum pernah dilaksanakan, bahkan belum dipahami. Sementara itu, banyak program studi/perguruan tinggi yang telah pernah bahkan sering melakukan evaluasi-diri untuk berbagai maksud. Bagi beberapa program studi/perguruan tinggi, evaluasi-diri telah menjadi agenda berkelanjutan, dan telah menjadi budaya dalam kehidupan akademiknya. Sistem dan prosedur evaluasidiri yang telah dilaksanakan itu kadang-kadang berbeda satu dengan yang lainnya, bergantung kepada keperluan yang dirasakan sendiri oleh perguruan tinggi, atau kepada hal-hal yang dipersyaratkan oleh masingmasing pihak yang meminta laporan evaluasi-diri program studi atau perguruan tinggi [13]. Komponen evaluasi-diri seperti yang tertulis pada pedoman evaluasi-diri yang diterbitkan oleh BAN- PT, yaitu [13]: 1. Visi, Misi, Tujuan dan Sasaran, serta Strategi Pencapaiannya 65
4 2. Tata Pamong, Kepemimpinan, Sistem Pengelolaan, dan Penjaminan Mutu 3. Mahasiswa dan Lulusan. 4. Sumber Daya Manusia 5. Kurikulum, Pembelajaran, dan Suasana Akademik. 6. Pembiayaan, Sarana, dan Prasarana, serta Sistem Informasi. 7. Penelitian, Pelayanan/Pengabdian kepada Masyarakat, dan Kerjasama. 3. Perancangan Sistem 3.1 Gambaran Umum Sistem Penjelasan dari gambar 3.1 yaitu: 1. Data Source merupakan sumber data utama yang akan diolah. Sebelum masuk ke proses selanjutnya, Data Source dalam format *.xlsx dilakukan preprocessing terlebih dahulu. 2. Sebelum diproses di aplikasi SQL Server Management Studio, dilakukan proses ETL (Extract, Transform, Load) terlebih dahulu di aplikasi SQL Server Data Tools. 3. Setelah dilakukan proses ETL pada tiap source data, selanjutnya skema GALAXY yang telah dirancang secara terpisah diterapkan di DATA WAREHOUSE. 4. Tahap selanjutnya yaitu masuk pada tahap Data mining dengan menggunakan algoritma CT-PRO dari DATA WAREHOUSE dengan skema GALAXY. 5. Tahap terakhir yaitu proses penampilan informasi hasil olahan di Sistem Informasi Evaluasi Diri. Tahap preprocessing terhadap Data Source harus dilakukan sebelum masuk ke dalam tahap ETL (Extract, Transform, Load). Tahap preprocessing dilakukan dengan tujuan agar Data Source siap untuk diproses ke dalam tahap selanjutnya. Data-data yang dibutuhkan disesuaikan dengan skema GALAXY yang telah dirancang dan disesuaikan dengan tiga dari tujuh standar evaluasi diri, yaitu standar 3 (Mahasiswa dan Lulusan), standar 4 (Sumber Daya Manusia), dan standar 7 (Penelitian, Pelayanan/Pengabdian Kepada Masyarakat, dan Kerjasama). Ketiga standar tersebut dipilih karena datanya yang dapat terukur untuk proses DATA WAREHOUSE dan data mining. Data-data didapatkan dari berbagai sumber yang berbedabeda sehingga format penulisan pada file excel nya pun berbeda-beda. Maka dari itu perlu dilakukan tahap preprocessing ini.tahap-tahap yang dilakukan adalah: 1. Memisahkan mahasiswa dan dosen dari fakultas Informatika dengan mahasiswa dan dosen dari fakultas lain. 2. Menghapus atribut pada kolom yang tidak diperlukan. 3.3 Perancangan DATA WAREHOUSE Pada perancangan DATA WAREHOUSE ini terdapat delapan proses bisnis dan delapan grain yang disesuaikan dengan ketiga standar yang dipilih dan ketersediaan data yang ada. Delapan proses bisnis tersebut adalah Evaluasi Mahasiswa, Pemantauan Lulusan, Prestasi, Pelatihan atau Seminar, Pengabdian Kepada Masyarakat, Penelitian, Publikasi, Dan Kerjasama dengan Instansi Lain. Dimensi-dimensi yang terdapat pada DATA WAREHOUSE Sistem Informasi Evaluasi Diri adalah sebagai berikut. a. Dimensi untuk proses bisnis Evaluasi Mahasiswa adalah NIM, angkatan, jalur masuk mahasiswa ke IT Telkom, IPS (Indeks Prestasi Semester), dan tahun ajaran. b. Dimensi untuk proses bisnis Pemantauan Lulusan adalah NIM, IPK, waktu lulus, waktu mulai bekerja, nama perusahaan tempat bekerja, bidang pekerjaan, dan range gaji. c. Dimensi untuk proses bisnis Prestasi adalah peraih prestasi, prestasi, tingkat, nama event, penyelenggara, waktu. d. Dimensi untuk proses bisnis Pelatihan atau Seminar adalah nama pelatihan atau seminar, NIP, nama dosen, waktu pelatihan, tempat pelatihan, dan keterangan pelatihan. e. Dimensi untuk proses bisnis Pengabdian Kepada Masyarakat adalah judul, jumlah dosen yang terlibat, NIP, nama dosenwaktu, sumber dana, dan skema pengabdian kepada masyarakat. f. Dimensi untuk proses bisnis Penelitian adalah judul penelitian, NIP, nama dosen, waktu, skema penelitian, dan sumber dana penelitian. 66
5 g. Dimensi untuk proses bisnis Publikasi adalah judul publikasi, jenis publikasi, NIP, nama dosen, seminar publikasi, tempat seminar publikasi, dan waktu. h. Dimensi untuk proses bisnis Kerjasama dengan Instansi Lain adalah deskripsi kerjasama, nomor kerjasama, nama partner, tingkat, dan tahun. Atribut Pengukuran (Measurement) yang Terdapat pada setiap Tabel Fakta pada Sistem Informasi Evaluasi Diri adalah sebagai berikut. a. Atribut pengukuran untuk proses bisnis Evaluasi Mahasiswa adalah IP. b. Atribut pengukuran untuk proses bisnis Pemantauan Lulusan adalah IPK, rata-rata masa tunggu, dan jumlah lulusan. c. Atribut pengukuran untuk proses bisnis Prestasi adalah jumlah prestasi. d. Atribut pengukuran untuk proses bisnis Pelatihan atau Seminar adalah jumlah pelatihan atau seminar. e. Atribut pengukuran untuk proses bisnis Pengabdian Kepada Masyarakat adalah jumlah pengabdian kepada masyarakat dan jumlah dana pengabdian kepada masyarakat f. Atribut pengukuran untuk proses bisnis Penelitian adalah jumlah penelitian dan jumlah dana penelitian. g. Atribut pengukuran untuk proses bisnis Publikasi adalah jumlah publikasi. h. Atribut pengukuran untuk proses bisnis Kerjasama adalah jumlah kerjasama. 4. Pengujian dan Analisis 4.1 Pengujian dan Analisis Empat Karakteristik DATA WAREHOUSE Analisis hasil pengujian keempat karakteristik DATA WAREHOUSE dengan DATA WAREHOUSE pada sistem ini yaitu: 1. Subject Oriented DATA WAREHOUSE dibangun dengan karakteristik yang beriorientasi subjek, yang berarti DATA WAREHOUSE didesain untuk menganalisa data berdasarkan subjek-subjek tertentu. Dalam penelitian ini, DATA WAREHOUSE dibangun dengan beberapa subjek utama berdasarkan ketiga standar Evaluasi Diri yang dipilih, yaitu Mahasiswa, Lulusan, Sumber Daya Manusia, Penelitian, Pengabdian Masyarakat, dan Kerjasama dengan Instansi Lain. Karena dibangun berdasarkan subjek subjek ini dan dirancang sebuah skema DATA WAREHOUSE, maka data akan lebih mudah dianalisis. 2. Integrated DATA WAREHOUSE dapat menyimpan data dari berbagai sumber terpisah menjadi saling terintegrasi. Begitu juga dengan sistem ini, data yang dibangun pada sistem ini berasal dari delapan file excel yang berbeda, yaitu Mahasiswa, Lulusan, Prestasi, Pelatihan atau Seminar, Kerjasama, Abdimas (Pengabdian Masyarakat), Penelitian, dan Publikasi. 3. Time Variant DATA WAREHOUSE yang dibangun pada sistem ini merupakan data yang terdiri dari data historis beberapa waktu. Dari setiap skema terdapat data yang menunjukkan hitungan waktu. Pada penelitian ini, hanya terdapat satu tabel yang berisi waktu, yaitu tabel dimensi time yang berisi tahun dari beberapa data. Penggabungan tahun ini dilakukan karena pada penelitian ini diimplementasikan skema GALAXY dimana boleh terdapat satu tabel dimensi yang terhubung ke beberapa tabel fakta. Tabel dimensi time pada penelitian ini terdapat pada gambar 4.1 berikut. Gambar 4.1 Tabel dimensi time Dapat dilihat pada gambar 4.1, tahunnya tidak berurut dari tahun yang lebih kecil ke tahun yang lebih besar. Hal tersebut dikarenakan data tahun yang lebih dahulu masuk ke dalam tabel dimensi time tidak berisi tahun 2005, 2006, 2007, dan Ini membuktikan juga bahwa DATA WAREHOUSE menyimpan data historis yang dilihat dari id baris datanya. 4. Nonvolatile Data yang terdapat pada DATA WAREHOUSE tidak di-update secara real time, tapi direfresh dari sistem operasional secara reguler. Sebagai contoh pada sistem ini, digunakan data Lulusan. Pada mulanya data Lulusan terdiri dari 385 baris data seperti pada gambar 4.2 berikut. 67
6 Pada gambar 4.1 data terakhir terdapat di baris ke-386 karena baris pertama pada file excel merupakan judul tiap atribut data. Setelah dimasukkan ke dalam DATA WAREHOUSE melalui proses ETL (Extract, Transform, Load), data yang masuk juga terdiri dari 385 baris data seperti pada gambar 4.3 berikut. berikut Selanjutnya ditambahkan satu baris data baru pada data Lulusan di file excel seperti pada gambar 4.4 Selanjutnya dilihat lagi pada DATA WAREHOUSE apakah data yang baru saja dimasukkan ke file excel masuk apa tidak. Tentu saja tidak dilakukan proses ETL pada pengujian ini. DATA WAREHOUSE setelah dimasukkan baris data baru pada file excel terdapat pada gambar 4.5 berikut. Dari hasil pengujian tersebut, dapat dibuktikan bahwa data yang terdapat pada DATA WAREHOUSE tidaklah di-update secara real time, namun harus melalui proses ETL terlebih dahulu agar baris data yang baru bisa masuk data. Oleh karena itu sistem ini memenuhi sifat DATA WAREHOUSE yang terakhir, yaitu nonvolatile. Berdasarkan uraian dari keempat karakteristik DATA WAREHOUSE tersebut, dapat dikatakan bahwa DATA WAREHOUSE yang dibangun sudah memenuhi keempat karakteristik DATA WAREHOUSE. 4.2 Pengujian dan Analisis Kebenaran Proses ETL (Extract, Transform, Load) Berikut merupakan hasil pengujian kebenaran proses ETL (Extract, Transform, Load) yaitu dengan cara mengecek jumlah baris data yang terdapat pada file excel dengan jumlah data yang masuk ke DATA WAREHOUSE setelah melalui proses ETL. Sebagai contoh, yaitu data pelatihan yang terdiri dari 116 jumlah baris data. Selanjutnya dilakukan proses ETL menggunakan SQL Server Data Tools. Setelah proses ETL berhasil dilakukan, data yang masuk ke DATA WAREHOUSE juga tetap 116 baris yang berarti jumlah baris data pada sumber data (file excel) sama dengan jumlah baris data yang masuk ke DATA WAREHOUSE. Proses ETL data kerjasama dapat dilihat pada gambar 4.6 berikut. 68
7 4.3 Pengujian dan Analisis Pengaruh Nilai Minimum Support dan Minimum Confidence Terhadap Kekuatan Rule Kekuatan rule diukur dengan maksud untuk menentukan nilai minimum support dan nilai minimum confidence yang akan digunakan pada sistem. Kekuatan rule dari algoritma CTPro dihitung dengan menggunakan hasil perkalian nilai support dan confidence nya dan nilai lift yang dihasilkan. Tabel 4.1 Kekuatan rule mahasiswa tahun ajaran 2006/2007 yang dihasilkan dengan nilai minimum confidence 20% Tabel 4.2 Kekuatan rule mahasiswa tahun ajaran 2007/2008 yang dihasilkan dengan nilai minimum confidence 10% 69
8 Gambar 4.9 Grafik association rule mahasiswa tahun ajaran 2008/2009 yang dihasilkan dengan nilai minimum confidence 10% Dilihat dari tabel 4.2, 4.3, dan 4.4 serta grafik pada gambar 4.8, 4.9, dan 4.10, semakin besar persentase nilai minimum support, maka semakin besar pula nilai rata-rata support dikalikan confidence nya. Maka dapat disimpulkan bahwa semakin besar nilai minimum support, semakin besar pula kekuatan dari association rule yang dihasilkan. Sementara itu, dapat dilihat juga untuk nilai rata-rata lift ratio nilainya tidak dapat ditentukan oleh besarnya nilai minimum confidence, nilainya cenderung sama yaitu 1. Hanya pada kasus Mahasiswa tahun ajaran 2006/2007 saja terdapat penurunan nilai lift ratio seiring dengan naiknya nilai minimum support. Namun nilai lift ratio lebih besar atau sama dengan 1 dapat diartikan bahwa rule bisa dikatakan berkorelasi positif. Untuk pemilihan nilai minimum support dan nilai confidence, harus diperhatikan juga jumlah rule yang dihasilkan. Jika jumlah rule yang dihasilkan terlalu sedikit, maka atribut yang akan dianalisis juga semakin sedikit. Maka dari itu harus dipilih yang jumlah rule nya cukup, tidak terlalu banyak dan juga tidak terlalu sedikit, serta dengan nilai minimum support yang tinggi. Maka nilai minimum support dan minimum confidence yang dipilih dari Mahasiswa dapat dilihat pada tabel 4.5 berikut. Dari nilai minimum support dan minimum confidence yang dipilih tersebut, didapatkan aturan asosiasi yang dapat bermanfaat dalam melakukan analisis dan pendukung pengambilan keputusan. Aturan asosiasi tersebut dapat dilihat pada tabel berikut 70
9 71
10 Pada tabel 4.5, 4.6, dan 4.7 yang merupakan aturan asosiasi mahasiswa pada tahun ajaran 2006/2007, 2007/2008, dan 2008/2009, dapat dilihat berbagai rule. Sebagai contoh pada tahun ajaran 2006/2007 ternyata banyak mahasiswa yang masuk melalui jalur UTG-1 Regular dan range IPS 0,00-2,75 dilihat dari tingginya nilai support dan confidence nya. Pada tahun ajaran 2007/2008 terjadi peningkatan range IPS terbanyak yaitu antara 2,75-3,50 dan 3,50-4,00. Lalu pada tahun ajaran 2008/2009 terjadi penurunan range IPS terbanyak dilihat dari nilai support dan confidence nya, yaitu antara 2,75-3,50. Dari ketiga tahun ajaran tersebut dapat di evaluasi mengapa IPS mahasiswa setiap tahunnya naik turun. Dari aturan-aturan asosiasi tersebut, jika memungkinkan dan jika datanya tersedia akan lebih baik jika misalnya terdapat atribut penghasilan orang tua, jumlah prestasi yang dimiliki, dan lainnya yang dapat menunjang proses pengambilan keputusan pada aturan asosiasi mahasiswa. 5. Kesimpulan dan Saran 5.1 Kesimpulan Kesimpulan dari penyusunan penelitian ini adalah sebagai berikut. 1. DATA WAREHOUSE dengan skema GALAXY berhasil dibangun dari enam buah data untuk sistem informasi evaluasi diri fakultas Informatika IT Telkom. Namun terdapat dua buah data yang tidak dapat dijadikan skema GALAXY, yaitu data Mahasiswa dan data Lulusan karena tidak memiliki atribut yang dapat disatukan menjadi skema GALAXY. 2. Algoritma CT-PROberhasil diimplementasikan untuk sistem informasi evaluasi diri fakultas Informatika IT Telkom dan menghasilkan aturan asosiasi (association rule). 3. Pengaruh nilai minimum support dan minimum confidence pada algoritma CTPro pada kasus sistem informasi evaluasi diri fakultas Informatika IT Telkom yaitu semakin besar nilai minimum support dan minimum confidence, aturan asosiasi yang dihasilkan akan semakin sedikit. Maka dari itu dilakukan pengujian untuk menentukan besar nilai minimum support dan minimum confidence yang tepat. 5.2 Saran Saran dari penyusunan penelitian ini adalah sebagai berikut. 1. Untuk merancang DATA WAREHOUSE dengan skema GALAXY dibutuhkan data historis yang lengkap dengan atribut yang bisa saling terkait antara beberapa tabel fakta dan dimensinya. 72
11 2. Menggunakan sumber data dengan data historis yang lebih lama lagi agar pola aturan asosiasi dapat lebih lengkap lagi. 3. Proses pengisian sumber data harus konsisten, benar, dan teliti agar tidak terjadi duplikasi data. Misalnya penyingkatan nama yang berbeda-beda dari berbagai sumber data. 6. Daftar Pustaka [1] Amiruddin, Purnama, I. K. E., Purnomo, M. H. Penerapan Association rule Mining pada Data Nomor Unik Pendidikan dan Tenaga Kependidikan untuk Menemukan Pola Sertifikasi Guru. [2] Badan Akreditasi Nasional Perguruan Tinggi. (2010). Pedoman Evaluasi-Diri, Jakarta. [3] Huda, N. M. (2010). Aplikasi Data mining untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa (Studi Kasus di Fakultas MIPA Universitas Dipenogoro), Universitas Dipenogoro, Indonesia. [4] Kaniclides, A., Kimble, C. (1995). A Framework for the Development and Use of Executive Information Systems, The university of York, England. [5] Kimball, Ralph. (2002). The DATA WAREHOUSE Toolkit Second Edition, Wiley. [6] Kurz, A., Tjoa, A. M. (1997). Data Warehousing within Intranet: Prototype of a Web-based Executive Information System, Vienna University of Technology, Austria, IEEE. [7] McFadden, F. R. (1996). DATA WAREHOUSE for EIS: Some Issues and Impacts, University of Colorado, USA, IEEE. [8] Mejia-Lavalle, M., Arroyo-Figueroa, G. (2009). A Corporate Information System: from Legacy Systems to Exective Digital Dashboards, Instituto de Investigaciones Electricas, IEEE. [9] Prestashya, S. (2009). Implementasi dan Analisis Sistem OLAP pada Text-Rich Document oleh Multidimensional Database Menggunakan Skema GALAXY dan Skema Star, Institut Teknologi Telkom, Bandung, Indonesia. [10] Qu, S., Liu, K., Wang, Q., Zou, Y. (2007). DATA WAREHOUSE Design for Chinese Intelligent Question Answering System Based on Data mining, University of Jinan, China, IEEE. [11] Rakhmawati. (2007). Data Warehousing sebagai Pendukung SIEDA (Sistem Informasi Executive Daerah) Pemerintah Daerah Propinsi Jawa Barat, Institut Teknologi Telkom, Bandung, Indonesia. [12] Ruldeviyani, Y., Fahrian, M. (2008). Implementasi Algoritma-Algoritma Association rules Sebagai Bagian dari Pengembangan Data mining Algorithms Collection, Universitas Indonesia, Indonesia. [13] Sucahyo, Y. G., Gopalan, R. P. (2004). CTPRO: A Bottom-Up Non Recursive Frequent Itemset Mining Algorithm Using Compressed FP-Tree Data Structure, Curtin University of Technology, Western Australia. [14] Taleghani, M. (2011). Executive Information Systems Development Lifecycle, Islamic Azad University, Iran, IEEE. [15] Watson, H., Walls, J. (1993). Executive Information Systems Introduction to MiniTrack, IEEE. 73
BAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Data Mining Data mining adalah kegiatan menemukan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari-hari kebutuhan akan informasi yang akurat sangat dibutuhkan dalam perkembangan masyarakat saat ini dan waktu mendatang. Namun kebutuhan informasi
Lebih terperincihttp://www.brigidaarie.com Apa itu database? tempat penyimpanan data yang saling berhubungan secara logika Untuk apa database itu?? untuk mendapatkan suatu informasi yang diperlukan oleh suatu organisasi
Lebih terperinci[Data Warehouse] [6/C2 & 6/D2]
[Data Warehouse] [6/C2 & 6/D2] [ Chapter 2] Jenis dan Karakteristik Data Warehouse Dedy Alamsyah, S.Kom, M.Kom [NIDN : 0410047807] Jenis Data Warehouse 1. Functional Data Warehouse (Data Warehouse Fungsional)
Lebih terperinciRANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang)
RANCANG BANGUN APLIKASI DATA MINING ANALISIS TINGKAT KELULUSAN MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus Di Politeknik Negeri Malang) Naufal Farras Hilmy 1, Banni Satria Andoko 2 Program Studi Teknik
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika. Knowledge Discovery in Databases (KDD)
Universitas Putra Indonesia YPTK Padang Fakulas Ilmu Komputer Program Studi Teknik Informatika Knowledge Discovery in Databases (KDD) Knowledge Discovery in Databases (KDD) Definisi Knowledge Discovery
Lebih terperinciPERTEMUAN 14 DATA WAREHOUSE
PERTEMUAN 14 DATA WAREHOUSE Data Warehouse Definisi : Data Warehouse adalah Pusat repositori informasi yang mampu memberikan database berorientasi subyek untuk informasi yang bersifat historis yang mendukung
Lebih terperinciJurnal Ilmiah Widya Teknik Volume 15 Nomor
Jurnal Ilmiah Widya Teknik Volume 15 Nomor 2 2016 PEMBANGUNAN ONLINE ANALYTICAL PROCESSING YANG TERINTEGRASI DENGAN SISTEM INFORMASI HARGA BAHAN POKOK KOTA YOGYAKARTA C. Hutomo Suryolaksono 1, Paulina
Lebih terperinciDATA WAREHOUSE PERTEMUAN I S1 TEKNIK INFORMATIKA TITUS KRISTANTO, S.KOM
DATA WAREHOUSE PERTEMUAN I 22032013 S1 TEKNIK INFORMATIKA TITUS KRISTANTO, S.KOM METODE PEMBELAJARAN Kuliah Diskusi Presentasi Latihan Tugas Quiz UTS UAS BUKU ACUAN Apress Building A Data Warehouse With
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Dasar Teori 2.1.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah Proses yang menggunakan
Lebih terperinciDATA WAREHOUSING AND ONLINE ANALYTICAL PROCESSING (OLAP)
DATA WAREHOUSING AND ONLINE ANALYTICAL PROCESSING (OLAP) Overview Data Warehouse dan OLAP merupakan elemen penting yang mendukung decision support. Terutama bagi perusahaan perusahaan besar dengan database
Lebih terperinciKARAKTERISTIK DATA WAREHOUSE
KARAKTERISTIK DATA WAREHOUSE Karakteristik data warehouse menurut Inmon, yaitu : 1. Subject Oriented (Berorientasi subject) Data warehouse berorientasi subject artinya data warehouse didesain untuk menganalisa
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Association rules mining merupakan teknik data mining untuk menentukan hubungan diantara data atau bagaimana suatu kelompok data mempengaruhi suatu kelompok data lain
Lebih terperinciPERSYARATAN PRODUK. 1.1 Pendahuluan Latar Belakang Tujuan
BAB 1 PERSYARATAN PRODUK Bab ini membahas mengenai hal umum dari produk yang dibuat, meliputi tujuan, ruang lingkup proyek, perspektif produk, fungsi produk dan hal umum yang lainnya. 1.1 Pendahuluan Hal
Lebih terperinciPERANCANGAN DATA WAREHOUSE CALON MAHASISWA BARU POLITEKNIK NEGERI LHOKSEUMAWE
PERANCANGAN DATA WAREHOUSE CALON MAHASISWA BARU POLITEKNIK NEGERI LHOKSEUMAWE Nanang Prihatin 1 1 Dosen Politeknik Negeri Lhokseumawe ABSTRAK Bagi sebuah perguruan tinggi, penerimaan calon mahasiswa merupakan
Lebih terperinciBAB II TINJAUAN PUSTAKA. yang akan dibuat adalah sebagai berikut : Sistem Monitoring Pertumbuhan Balita Berbasis Web. Wahyuningsih
BAB II TINJAUAN PUSTAKA A. Telaah Penelitian Penelitian sebelumnya yang berhubungan dengan sistem informasi yang akan dibuat adalah sebagai berikut : Wahyuningsih (2011) telah melakukan penelitian yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi informasi selalu dituntut untuk dapat memenuhi berbagai kebutuhan di segala bidang kehidupan yang semakin lama semakin meningkat dan
Lebih terperinciPerancangan Basis Data
Modul ke: Perancangan Basis Data Fakultas FASILKOM DATA WAREHOUSE Program Studi Sistem Informasi www.mercubuana.ac.id Anita Ratnasari, S.Kom, M.Kom DATA WAREHOUSE Definisi Data Warehouse Salah satu efek
Lebih terperinciBAB 2 LANDASAN TEORI. Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun.
BAB 2 LANDASAN TEORI Pada bab ini akan dibahas tentang konsep dasar dan teori-teori pendukung yang berhubungan dengan sistem yang akan dibangun. 2.1. Data Mining Data mining adalah suatu istilah yang digunakan
Lebih terperinciBAB II KONSEP DATA WAREHOUSING
BAB II KONSEP DATA WAREHOUSING Komptensi yang diharapkan: Peserta pembelajaran memahami konsep-konsep, berbagai istilah, karakteristik, manfaat, tujuan, tugas-tugas data warehouseing. A. Pengertian Beberapa
Lebih terperinciPERANCANGAN DATA WAREHOUSE PENGOLAHAN PERSEDIAAN BUKU PT. GRAMEDIA ASRI MEDIA MAKASSAR
PERANCANGAN DATA WAREHOUSE PENGOLAHAN PERSEDIAAN BUKU PT. GRAMEDIA ASRI MEDIA MAKASSAR Erick A. Lisangan 1, N. Tri Suswanto Saptadi 2 1 erick_lisangan@yahoo.com 2 ntsaptadi@yahoo.com Abstrak Proses dan
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN: PERANCANGAN DATA WAREHOUSE PADA PERPUSTAKAAN YAYASAN LENTERA INSAN
PERANCANGAN DATA WAREHOUSE PADA PERPUSTAKAAN YAYASAN LENTERA INSAN Aulia Paramita Program Studi Teknik Informatika, Universitas Indraprasta PGRI Email: aulia.pps@gmail.com Abstrak Data merupakan suatu
Lebih terperinci2.2 Data Mining. Universitas Sumatera Utara
Basis data adalah kumpulan terintegrasi dari occurences file/table yang merupakan representasi data dari suatu model enterprise. Sistem basisdata sebenarnya tidak lain adalah sistem penyimpanan-record
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Data Data adalah sebuah rekaman dari fakta-fakta, konsep-konsep, atau instruksiinstruksi pada media penyimpanan untuk komunikasi perolehan, dan pemrosesan dengan cara otomatis
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Untuk dapat meningkatkan penjualan, pengambil keputusan / manajer toko harus dapat memperhatikan faktor-faktor yang mempengaruhi secara langsung. Salah satu
Lebih terperincijumlah keluarga, dan jumlah rumah. Data diambil dari hasil sensus potensi desa yang dilakukan BPS tahun 1996, 1999, 2003, dan 2006.
1 Latar Belakang PENDAHULUAN Kemajuan teknologi komputer semakin memudahkan proses penyimpanan dan pengolahan data berukuran besar. Namun demikian, seringkali data yang sudah tersimpan belum dimanfaatkan
Lebih terperinciPERKEMBANGAN BASIS DATA SAAT INI
PERKEMBANGAN BASIS DATA SAAT INI Sejak tahun 1960-an penggunaan basis data sudah digunakan untuk bidang komersial, dimana pemrosesan file-nya masih berbasis manajemen file tradisional. Perkembangan komputer
Lebih terperinciBusiness Intelligence. Data Warehousing, Data Acquisition, Data Mining, Business Analytics, and Visualization
Business Intelligence Data Warehousing, Data Acquisition, Data Mining, Business Analytics, and Visualization DEFINISI DATA WAREHOUSE Data warehouse adalah database yang saling bereaksi yang dapat digunakan
Lebih terperinciSKRIPSI TI S1 FIK UDINUS 1
SKRIPSI TI S FIK UDINUS PENERAPAN ASSOCIATION RULE DENGAN ALGORITMA APRIORI UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA TEKNIK INFORMATIKA S FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Untuk mencapai tujuan dalam rangka mewujudkan Visi dan Misi perguruan tinggi perlu dimanfaatkan secara optimal seluruh sumber daya yang dimiliki oleh perguruan tinggi
Lebih terperinciDATA MINING INFORMASI TINGKAT KELULUSAN MAHASISWA STMIK PELITA NUSANTARA MEDAN. Anita Sindar RM Sinaga
DATA MINING INFORMASI TINGKAT KELULUSAN MAHASISWA STMIK PELITA NUSANTARA MEDAN Anita Sindar RM Sinaga Program Studi Teknik Informatika STIMIK Pelita Nusantara, Jl. Iskandar Muda No. 1 Medan, Indonesia
Lebih terperinciANALISIS DAN PERANCANGAN DATA WAREHOUSE PENJUALAN, PEMBELIAN, DAN PERSEDIAAN UNTUK MENDUKUNG EKSEKUTIF DALAM PENGAMBILAN
ANALISIS DAN PERANCANGAN DATA WAREHOUSE PENJUALAN, PEMBELIAN, DAN PERSEDIAAN UNTUK MENDUKUNG EKSEKUTIF DALAM PENGAMBILAN KEPUTUSAN PADA PT. PUSAKA KALI AGUNG Penulis : Rustam Steven Edwin Laurentino Palit
Lebih terperinciBasis Data Oracle - Business Intelligence System. Ramos Somya, M.Cs.
Basis Data Oracle - Business Intelligence System Ramos Somya, M.Cs. Menurut W.H. Inmon dan Richard D.H., data warehousing adalah koleksi data yang mempunyai sifat berorientasi subjek, terintegrasi, time-variant,
Lebih terperinciPERANCANGAN DATA WAREHOUSE UNTUK DEMOGRAFI, PERKEMBANGAN PRODUK DAN PROMOSI PADA MANDIRI TABUNGAN RENCANA DI PT.BANK MANDIRI(PERSERO) TBK.
PERANCANGAN DATA WAREHOUSE UNTUK DEMOGRAFI, PERKEMBANGAN PRODUK DAN PROMOSI PADA MANDIRI TABUNGAN RENCANA DI PT.BANK MANDIRI(PERSERO) TBK. Nita Uswatun Hasanah Alfiana Binus University, Jakarta, DKI Jakarta,
Lebih terperinciMODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING
MODEL DATA MINING DALAM PENGKLASIFIKASIAN KETERTARIKAN BELAJAR MAHASISWA MENGGUNAKAN METODE CLUSTERING Marlindawati1), Andri2) 1), 2) Sistem Informasi UNIVERSITAS BINA DARMA Palembang Jl, Jend. A.Yani
Lebih terperinciBAB II TINJAUAN PUSTAKA. Turban mendefinisikan Decision Support System sebagai sekumpulan
BAB II TINJAUAN PUSTAKA 2.1 Decision Support System Turban mendefinisikan Decision Support System sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para pengambilan
Lebih terperinciAPLIKASI DATA MINING UNTUK POLA PERMINTAAN DARAH DI UDD ( UNIT DONOR DARAH ) PMI KOTA SURABAYA MENGGUNAKAN METODE APRIORI
APLIKASI DATA MINING UNTUK POLA PERMINTAAN DARAH DI UDD ( UNIT DONOR DARAH ) PMI KOTA SURABAYA MENGGUNAKAN METODE APRIORI Budanis Dwi Meilani, dan Dermawan Cahyo Utomo Jurusan Teknik Informatika, Fakultas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
Lebih terperinciPEMBANGKITAN BORANG AKREDITASI NASIONAL DI PERGURUAN TINGGI BERBASIS OLAP PADA DATA SDM, PENELITIAN, KEUANGAN, SARANA&PRASARANA.
Oleh : Tugas Akhir PEMBANGKITAN BORANG AKREDITASI NASIONAL DI PERGURUAN TINGGI BERBASIS OLAP PADA DATA SDM, PENELITIAN, KEUANGAN, SARANA&PRASARANA Kurnia Widyaningtias NRP. 5107100607 Pembimbing 1 Pembimbing
Lebih terperinciAnggota Kelompok 3 :
Anggota Kelompok 3 : Customer relationship management (CRM) Adalah manajemen hubungan antara perusahaan dengan pelanggan sehingga baik perusahaan maupun pelanggannya akan menerima nilai maksimum dari hubungan
Lebih terperinciBAB IV PERANCANGAN SISTEM
BAB IV PERANCANGAN SISTEM Pembahasan BAB IV mengenai proses perancangan data warehouse meliputi proses integrasi, pemodelan database dan dashboard interface. 4.1 Perencanaan Tahap perencanaan penelitian
Lebih terperinciPENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING
PENGKLASIFIKASIAN MINAT BELAJAR MAHASISWA DENGAN MODEL DATA MINING MENGGUNANAKAN METODE CLUSTERING Marlindawati 1) Andri 2) 1) Manajemen Informatika Universitas Bina Darma Jl. Ahmad Yani No. 3, Palembang
Lebih terperinciPERANCANGAN DATA MART BAGIAN PENJUALAN MOTOR BEKAS(USED MOTOR CYCLE ) PADA CV. ATLAS MOTOR
PERANCANGAN DATA MART BAGIAN PENJUALAN MOTOR BEKAS(USED MOTOR CYCLE ) PADA CV. ATLAS MOTOR Randy Permana, S. Kom, M. Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang e-mail : randy.permana@rocketmail.com
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam periode enam tahun terakhir (tahun 2007 2012), jumlah gerai ritel modern di Indonesia mengalami pertumbuhan rata-rata 17,57% per tahun. Pada tahun 2007, jumlah
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 Edisi...Volume..., Bulan 20..ISSN : PEMBANGUNAN INDEPENDENT DATA MART PADA OPTIK YUDA
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 PEMBANGUNAN INDEPENDENT DATA MART PADA OPTIK YUDA Dinar Priskawati 1, Dian Dharmayanti 2 Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciOPTIMALISASI DATA PADA BAGIAN PENJUALAN DENGAN MENGGUNAKAN DATA MART DI PT. XYZ
OPTIMALISASI DATA PADA BAGIAN PENJUALAN DENGAN MENGGUNAKAN DATA MART DI PT. XYZ Hendro Poerbo Prasetiya 1), Yogi Eka Sakti 2) 1), 2) Sistem Informasi Universitas Ma Chung Jl Villa Puncak Tidar N-01, Malang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Pada bab pendahuluan ini penulis akan membahas tentang latar belakang, perumusan masalah, batasan masalah, metodogi penelitian, tujuan dan manfaat serta sistematika penulisan dalam tugas
Lebih terperinciBAB I PENDAHULUAN. Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang akurat
BAB I PENDAHULUAN 1.1 Latar Belakang Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga informasi akan menjadi
Lebih terperinciBAB I PENDAHULUAN. Data mining memungkinkan penemuan pola-pola yang menarik, informasi yang
1 BAB I PENDAHULUAN Bab pendahuluan ini membahas tentang latar belakang masalah yaitu fenomena perkembangan data yang terus bertambah tetapi informasi yang dihasilkan monoton, sehingga diperlukan data
Lebih terperinciPERANCANGAN DATA WAREHOUSE E-PROCUREMENT PADA INSTANSI PEMERINTAHAN
PERANCANGAN DATA WAREHOUSE E-PROCUREMENT PADA INSTANSI PEMERINTAHAN Luky Hidayat 1), Adhistya Erna Permanasari 2), Igi Ardiyanto 3) 1),2),3 ) Departemen Teknik Elektro dan Teknologi Informasi, Fakultas
Lebih terperinci6/26/2011. Menurut W.H. Inmon dan Richard D.H. Menurut Vidette Poe
Menurut W.H. Inmon dan Richard D.H. koleksi data yang mempunyai sifat berorientasi subjek,terintegrasi,time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan management
Lebih terperinciBab 4 Hasil Implementasi dan Analisis
Bab 4 Hasil Implementasi dan Analisis 4.1 Pengantar Pada bagian keempat ini akan dibahas implementasi dari perancangan skenario perbandingan yang sudah dibuat pada bagian sebelumnya, yaitu implementasi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang. Perkembangan teknologi informasi yang semakin pesat turut memacu
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi informasi yang semakin pesat turut memacu perkembangan pada dunia bisnis untuk mampu mengikuti perubahan yang terjadi dan menjadi lebih maju
Lebih terperinciPerancangan Dan Implementasi Aplikasi Olap Dengan Metode Pengembangan Waterfall Dan Evolutionary Untuk Analisis Data Pada Perguruan Tinggi
Perancangan Dan Implementasi Aplikasi Olap Dengan Metode Pengembangan Waterfall Dan Evolutionary Untuk Analisis Data Pada Perguruan Tinggi I Nyoman Mahayasa Adiputra, J. Wahyu Nugroho Joshua Sekolah Tinggi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi informasi yang semakin pesat ditunjukkan dengan munculnya beragam perangkat teknologi yang mempermudah manusia dalam memonitor perkembangan usahanya
Lebih terperinciANALISA DATA TRANSAKSIONAL PADA E-COMMERCE DENGAN TEKNOLOGI OLAP (ON-LINE ANALYTICAL PROCESS)
ANALISA DATA TRANSAKSIONAL PADA E-COMMERCE DENGAN TEKNOLOGI OLAP (ON-LINE ANALYTICAL PROCESS) Budi Santosa 1), Dessyanto Boedi P 2), Markus Priharjanto 3) 1,2,3) Jurusan Teknik Informatika UPN "Veteran"
Lebih terperinciDATA WAREHOUSE KONSEP Konsep dasar data warehouse adalah perbedaan antara data dan informasi. Data terdiri dari fakta-fakta yang dapat diamati dan
DATA WAREHOUSE KONSEP Konsep dasar data warehouse adalah perbedaan antara data dan informasi. Data terdiri dari fakta-fakta yang dapat diamati dan direkam yang sering ditemukan dalam sistem operasional
Lebih terperinciBAB I PENDAHULUAN. Berkembangnya teknologi dan informasi saat ini telah menghasilkan kumpulan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Berkembangnya teknologi dan informasi saat ini telah menghasilkan kumpulan data diberbagai bidang ilmu pengetahuan, bisnis ataupun pemerintahan. Pada proses penyediaan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Pembuatan data warehouse telah banyak dilakukan oleh perusahaanperusahaan industri yang berorientasi profit. Data warehouse diharapkan mampu
Lebih terperinciDESAIN DATAWAREHOUSE AKADEMIK UNTUK MENDUKUNG SISTEM ADMINISTRASI DATA AKADEMIK DI UNIVERSITAS TADULAKO. Mohammad Yazdi 1
DESAIN DATAWAREHOUSE AKADEMIK UNTUK MENDUKUNG SISTEM ADMINISTRASI DATA AKADEMIK DI UNIVERSITAS TADULAKO Mohammad Yazdi 1 1 Jurusan Matematika FMIPA Universitas Tadulako Jl. Soekarno-Hatta Palu, Indonesia
Lebih terperinciSistem Basis Data Lanjut DATA WAREHOUSE. Data Warehouse 1/20
DATA WAREHOUSE Data Warehouse 1/20 Outline Konsep dan Arsitektur Data Warehouse Alur Data Warehouse Teknologi dan Peralatan Data Warehouse Perancangan Data Warehouse Penggunaan Oracle pada Data Warehouse
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perusahaan ritel yang menyediakan berbagai kebutuhan berkembang pesat bukan hanya di kota besar saja tetapi juga di kota-kota kecil. Untuk memperoleh keuntungan yang
Lebih terperinciPERANCANGAN DATA WAREHOUSE PADA PERPUSTAKAAN UNIVERSITAS NASIONAL
PERANCANGAN DATA WAREHOUSE PADA PERPUSTAKAAN UNIVERSITAS NASIONAL Heni Jusuf 1, Ariana Azimah 2 Jurusan Sistem Informasi, Fakultas Teknologi Komunikasi dan Informatika, Universitas Nasional Jl. Sawo Manila,
Lebih terperinciBAB II LANDASAN TEORI. Dasar-dasar teori tersebut akan digunakan sebagai landasan berpikir dalam
BAB II LANDASAN TEORI Dalam merancang dan membangun suatu sistem informasi, dasar-dasar teori yang akan digunakan sangatlah penting untuk diketahui terlebih dahulu. Dasar-dasar teori tersebut akan digunakan
Lebih terperinciLecture s Structure. Bagaimana Strukturnya. Data Warehouse Methodology (I) Yudi Agusta, PhD Data Warehouse and Data Mining, Lecture 5
Data Warehouse Methodology (I) Yudi Agusta, PhD Data Warehouse and Data Mining, Lecture 5 Copyright Yudi Agusta, PhD 2006 Lecture s Structure Teknik Data Warehouse Pengidentifikasian Keperluan Pengambilan,
Lebih terperinciData Warehousing dan Decision Support
Bab 9 Data Warehousing dan Decision Support POKOK BAHASAN: Hubungan antara Data Warehouse dan Decision Support Model Data Multidimensi Online Analytical Processing (OLAP) Arsitektur Data Warehouse Implementasi
Lebih terperinciKata kunci : Perpustakaan, Sistem Rekomendasi, Knowledge Discovery from Database (KDD), Association Rule Mining, Algoritma CT-PRO
PENERAPAN ASSOCIATION RULE MINING UNTUK REKOMENDASI PENELUSURAN BUKU DENGAN ALGORITMA CT-PRO Dwi Maryati Suryana, Sri Setyaningsih, Lita Karlitasari e-mail : dwimaryatisuryana@yahoo.com Program Studi Ilmu
Lebih terperinciData Warehouse dan Decision Support System. Arif Basofi
Data Warehouse dan Decision Support System Arif Basofi Referensi Data Warehouse, STMIK Global Informatika MDP. M. Syukri Mustafa,S.Si., MMSI, Sistem Basis Data II (Data Warehouse), 2008. Hanim MA, Data
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI Dalam bab ini akan dijelaskan tentang beberapa konsep tentang supra desa, business intelligence, data warehouse, staging area, ETL, OLAP, ROLAP, Pentaho Data Integration, dan PHP.
Lebih terperinciAPLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA
APLIKASI DATA MINING UNTUK MENAMPILKAN INFORMASI TINGKAT KELULUSAN MAHASISWA Yuli Asriningtias, Rodhyah Mardhiyah Program Studi Teknik Informatika Fakultas Bisnis & Teknologi Informasi, Universitas Teknologi
Lebih terperinciBAB III METODE PENELITIAN
15 BAB III METODE PENELITIAN Sistem informasi geografis persebaran hotspot di Indonesia merupakan suatu sistem yang bertujuan untuk memantau dan memberikan informasi mengenai persebaran hotspot yang ada
Lebih terperinciAPLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang)
Hapsari Dita Anggraeni, Ragil Saputra, Beta Noranita APLIKASI DATA MINING ANALISIS DATA TRANSAKSI PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI (Studi Kasus di Apotek Setya Sehat Semarang) Hapsari Dita
Lebih terperinciBAB 4 PERANCANGAN DAN IMPLEMENTASI
BAB 4 PERANCANGAN DAN IMPLEMENTASI 4.1 Arsitektur Data Warehouse Pelaksanaan perancangan data warehouse dimulai dari perumusan permasalahan yang dihadapi oleh perusahaan kemudian dilanjutkan dengan pencarian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Umum 2.1.1 Pengertian Data Menurut (Inmon, 2005, p. 493) data merupakan kumpulan faktafakta, konsep-konsep dan instruksi-instruksi yang disimpan dalam media penyimpanan yang
Lebih terperinciPola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth
Pola Kompetensi Mahasiswa Program Studi Informatika Menggunakan FP-Growth Fitrah Rumaisa, S.T., M.Kom Prodi Teknik Informatika, Fakultas Teknik, Universitas Widyatama E-Mail: fitrah.rumaisa@widyatama.ac.id
Lebih terperinciKONSEP DATA MINING ABSTRAK
Muhammad Ihsan Evaldy (2013210046) evaldyican@gmail.com KONSEP DATA MINING ABSTRAK Pertumbuhan yang pesat dari akumulasi data telah menciptakan kondisi kaya akan data tapi minim informasi. Data mining
Lebih terperinciINTRODUCTION OF DATA WAREHOUSE. Presented by HANIM M.A M. IRWAN AFANDI.
INTRODUCTION OF DATA WAREHOUSE 1 Presented by HANIM M.A M. IRWAN AFANDI. hanim03@gmail.com, hanim_maria@yahoo.com, andy_afandi@yahoo.com 2 Acknowledgments S. Sudarshan (Comp. Science and Engineering Dept,
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Kebutuhan akan teori dalam dunia pendidikan sangat besar. Teori banyak di tulis ke dalam sebuah buku maupun jurnal. Pada universitas potensi utama,
Lebih terperinciBAB I PENDAHULUAN. perusahaan atau organisasi dalam menentukan kebijakan-kebijakan strategis
BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini informasi merupakan hal yang sangat penting bagi suatu perusahaan atau organisasi dalam menentukan kebijakan-kebijakan strategis perusahaan terkait dengan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciPerancangan Sistem Informasi Eksekutif
Perancangan Sistem Informasi Eksekutif (Studi Kasus di UGM) Arif Nurwidyantoro Jurusan Ilmu Komputer dan Elektronika, FMIPA arifn@mail.ugm.ac.id Burhanudin Hakim Pusat Sumber Daya Informasi (PSDI) udnpico@gmail.com
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belakang PENDAHULUAN Saat ini sudah banyak organisasi yang telah mengadopsi teknologi data warehouse. Penerapan teknologi ini sangat membantu sekali bagi suatu organisasi yang memiliki data yang
Lebih terperinciPERANCANGAN DATA WAREHOUSE AKADEMIK STMIK KADIRI. Abstract. Keywords: Database, DataWarehouse, ETL, PowerPivot, Star Schema.
PERANCANGAN DATA WAREHOUSE AKADEMIK STMIK KADIRI Umi Fadilah 1, Wing Wahyu Winarno 2, Armadyah Amborowati 3 1,2 Magister Teknik Informatika STMIK AMIKOM Yogyakarta farilah_07@yahoo.co.id 1, wing@amikom.ac.id
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Warehouse Mohammed (2014) mengatakan bahwa data warehouse merupakan database relasional yang dirancang untuk melakukan query dan analisis. Data warehouse biasanya berisi
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Program Studi Database Skripsi Sarjana Komputer Semester Ganjil 2006 / 2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Program Studi Database Skripsi Sarjana Komputer Semester Ganjil 2006 / 2007 PERANCANGAN DATA WAREHOUSE UNTUK MENDUKUNG MANAJEMEN PENDIDIKAN PADA JURUSAN
Lebih terperinciPENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN
PENERAPAN ASSOCIATION RULE MINING PADA DATA NOMOR UNIK PENDIDIK DAN TENAGA KEPENDIDIKAN A M I UNTUK R U D D PENETAPAN I N POLA SERTFIKASI GURU Program Pascasarjana rusan Teknik Elektro Program Studi Telematika
Lebih terperinciPENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA
PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja
Lebih terperinciBAB 1 PENDAHULUAN. berkembang dengan sangat cepat dan pesat, terutama pada bidang teknologi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era globalisasi yang semakin maju ini, ilmu pengetahuan dan teknologi berkembang dengan sangat cepat dan pesat, terutama pada bidang teknologi informasi. Kebutuhan
Lebih terperinci[Data Warehouse] [6/C2 & 6/D2]
[Data Warehouse] [6/C2 & 6/D2] [ Chapter 3] Arsitektur dan Struktur Data Warehouse Dedy Alamsyah, S.Kom, M.Kom [NIDN : 0410047807] Arsitektur Data Warehouse Menurut Poe, arsitektur adalah sekumpulan atau
Lebih terperinciDATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI
DATA MINING ANALISA POLA PEMBELIAN PRODUK DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Heroe Santoso 1), I Putu Hariyadi 2), Prayitno 3) 1), 2),3) Teknik Informatika STMIK Bumigora Mataram Jl Ismail Marzuki
Lebih terperinciBAB 3 METODE PENELITIAN. Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder.
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data 3.1.1 Sumber Data Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder. 1. Data primer Didapatkan peneliti secara langsung
Lebih terperinciPENGGALIAN KAIDAH MULTILEVEL ASSOCIATION RULE DARI DATA MART SWALAYAN ASGAP
PENGGALIAN KAIDAH MULTILEVEL ASSOCIATION RULE DARI DATA MART SWALAYAN ASGAP Teguh Pradana 1) 1) Program Studi/Prodi Teknik Informatika, STMIK Yadika, email: INTI_PERSADA_SOFTWARE@yahoo.co.id Abstrak: Perkembangan
Lebih terperinciAPLIKASI DATAMINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA APRIORI DI IBI DARMAJAYA BANDAR LAMPUNG
Jurnal TIM Darmajaya Vol. 02 No. 01 Mei 2016 Page 79 APLIKASI DATAMINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA APRIORI DI IBI DARMAJAYA BANDAR LAMPUNG Nurjoko 1 Hendra Kurniawan
Lebih terperinciAssocation Rule. Data Mining
Assocation Rule Data Mining Association Rule Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan yang menyatakan
Lebih terperinciANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret)
ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret) Miranda Nur Qolbi Aprilina 1, Wiranto 2,Widodo 3 1,2 Program Studi Informatika,
Lebih terperinciPengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket
Pengembangan Aplikasi Market Basket Analysis Menggunakan Algoritma Generalized Sequential Pattern pada Supermarket Gunawan 1), Alex Xandra Albert Sim 2), Fandi Halim 3), M. Hawari Simanullang 4), M. Firkhan
Lebih terperinciTUGAS DATA WAREHOUSE
TUGAS DATA WAREHOUSE PERANCANGAN DAN PEMBUATAN DATA WAREHOUSE DAN APLIKASI ONLINE ANALYTICAL PROCESSING UNTUK BANK X Oleh : Nama : Fitri Wahyu Apriliani Nim : 011.01.106 Kelas : Teknik Informatika VI A
Lebih terperinciBAB 1 PENDAHULUAN. Dengan kemajuan teknologi informasi sekarang ini, kebutuhan akan
BAB 1 PENDAHULUAN A. Latar Belakang Dengan kemajuan teknologi informasi sekarang ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari. Namun kebutuhan informasi yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Apriori merupakan salah satu algoritma yang terkenal dalam mencari frequent pattern dari database transaksi[8]. Prinsip dari algortima Apriori ini adalah jika sebuah
Lebih terperinci