PEMANFAATAN DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA (STUDI KASUS : STKIP-PGRI LUBUKLINGGAU)

Transkripsi

1 PEMANFAATAN DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA (STUDI KASUS : STKIP-PGRI LUBUKLINGGAU) Novrian Triputra 1, Muhamad Akbar 2,Laili Adha 3 Dosen Universitas Bina Darma 2,3, Mahasiswa Universitas Bina Darma 1 Jalan Jenderal Ahmad Yani No.12 Palembang Novrian3putra@gmail.com 1, akbartea@yahoo.com 2, adha.laili@gmail.com 3 Abstract:While the development of technology and the high level of competition in the business world is a challenge that must be faced by all parties. Mastery and application of technology becomes the determining factor for the company to gain a competitive advantage, particularly in the field of information technology, In the day and age of each university / high school has been using computerized data storage, the data input is important. In this case the data of students of vocational high school science education. In every year the number of students of vocational high school science education (STKIP-PGRI) continues to increase. However, this is a problem when the number of students who have not completed / graduate on time, and to find out quickly the students who will graduate is to predict student data that already exists. To provide a useful information for the future. From the above conclusion the authors take utilize data mining to predict graduation rates of students who will come by using a decision tree method to the university / school can take a decision on the candidates subsequent scholars. Utilization of data mining will be used to predict graduation application DTREG students utilizing student data three years earlier. The methods used in the analysis of the system in accordance with the stages of Knowledge Discovery in Databases (KDD). Keywords:Data mining, student data, Knowledge Discovery in Databases (KDD). Abstrak: Disaat ini perkembangan teknologi dan tingginya tingkat persaingan dalam dunia usaha merupakan sebuah tantangan yang harus dihadapi oleh semua pihak. Penguasaan dan penerapan teknologi menjadi faktor yang menentukan bagi perusahaan untuk memperoleh keunggulan bersaing, khususnya dalam bidang teknologi informasi, Pada zaman sekarang tiap universitas/sekolah tinggi telah menggunakan penyimpanan data dengan sistem komputerisasi, dalam menginput data-data yang penting.dalam hal ini data mahasiswa sekolah tinggi kejuruan ilmu pendidikan.pada setiap tahunya jumlah mahasiswa sekolah tinggi kejuruan ilmu pendidikan (STKIP- PGRI) terus meningkat. Namun, kendala saat ini adalah banyaknya mahasiswa yang belum selesai/sarjana pada waktunya, dan untuk mengetahui cepat lambatnya mahasiswa yang akan sarjana adalah dengan memprediksi data-data mahasiswa yang sudah ada. Untuk memberi sebuah informasi yang berguna untuk dimasa yang akan datang. Dari kesimpulan diatas penulis mengambil memanfaatkan data mining untuk memprediksi tingkat kelulusan mahasiswa yang akan datang dengan menggunakan metode pohon keputusan agar pihak universitas/sekolah dapat mengambil keputusan pada calon-calon para sarjana berikutnya. Pemanfaatan data mining ini akan menggunakan aplikasi DTREG untuk memprediksi kelulusan mahasiswa dengan memanfaatkan data mahasiswa tiga tahun sebelumnya. Adapun metode yang digunakan dalam analisis sistem sesuai dengan tahapan Knowledge Discovery in Database (KDD). Kata kunci: Data mining, Data mahasiswa, Knowledge Discovery in Database (KDD). 1. PENDAHULUAN Dewasa ini perkembangan teknologi dan tingginya tingkat persaingan dalam dunia usaha merupakan sebuah tantangan yang harus dihadapi oleh semua pihak.penguasaan dan penerapan teknologi menjadi faktor yang

2 menentukan bagi perusahaan untuk memperoleh keunggulan bersaing, khususnya dalam bidang teknologi informasi.dalam dunia pendidikan perubahan dan perkembangan teknologi yang demikian pesat seperti otomatisasi dan komputerisasi kalangan ilmuwan bidang teknologi informasi dan para praktisi yang berkecimpung di dalamnya untuk lebih siap menghadapi kemajuan yang ada. Ketersediaan data yang melimpah, kebutuhan akan informasi (atau pengetahuan) sebagai pendukung pengambilan keputusan untuk membuat solusi bisnis, dan dukungan infrastruktur di bidang teknologi informasi merupakan cikal-bakal dari lahirnya teknologi data mining. Data mining dimaksudkan untuk memberikan solusi nyata bagi para pengambil keputusan di dunia bisnis, untuk mengembangkan bisnis mereka. Data Mining merupakan teknologi yang sangat berguna untuk membantu perusahaanperusahaan menemukan informasi yang sangat penting dari gudang data mereka.data mining meramalkan trend dan sifat-sifat perilaku bisnis yang sangat berguna untuk mendukung pengambilan keputusan penting.analisis yang diotomatisasi yang dilakukan oleh data mining melebihi yang dilakukan oleh sistem pendukung keputusan tradisional yang sudah banyak digunakan.data Mining mengeksplorasi basis data untukmenemukan pola-pola yang tersembunyi, mencari informasi pemrediksi yang mungkin saja terlupakan oleh para pelaku bisnis karena terletak di luar ekspektasi mereka.(sentosa, 2002). Sekolah Tinggi Kejuruan Ilmu Pendidikan (STKIP -PGRI) Lubuklinggau merupakan salah satu perguruan tinggi di kota Lubuklinggau yang telah meluluskan 1295 orang sarjana. Saat ini sekolah tinggi kejuruan ilmu pendidikan (STKIP) memiliki cukup banyak jumlah mahasiswa, Dan setiap tahunnya menerima ratusan mahasiswa yang terdiri dari berbagai disiplin ilmu yaitu pendidikan Bahasa Indonesia, Sejarah, Matematika, Bahasa Inggris dan Fisika. Namun, kendala saat ini adalah banyaknya mahasiswa yang belum selesai/sarjana pada waktunya, dan untuk mengetahui cepat lambatnya mahasiswa yang akan sarjana adalah dengan memprediksi datadata mahasiswa yang sudah ada. Hal ini dapat menghasilkan banyak informasi yang sangat penting bagi universitas/sekolah tinggi agar dapat memanfaatkannya untuk pengetahuanpengetahuan baru, yang dapat membantu memprediksi cepat lambatnya calon mahasiswa yang akan sarjana tiap tahunnya maupun yang akan datang. Dengan begitu universitas/sekolah tinggi dapat mengabil tindakan untuk calon sarjana berikutnya dan meberikan informasi tingkat kelulusan di program pendidikan ilmu fisika. Untuk itu dalam penelitian ini penulis mengambil pembahasan dengan judul Pemanfaatan Data Mining dalam Memprediksi Tingkat Kelulusan Mahasiswa agar dapat diketahui tingkat kelulusan mahasiswa setiap akhir masa pendidikan. 2. METODOLOGI PENELITIAN 2.1 Tempat Dan Waktu Penelitian Penelitian ini dilakukan di sekolah tinggi kejuruan ilmu pendidikan (STKIP -PGRI)

3 Lubuklinggau, dimulai pada bulan nopember sampai bulan desember 2013 dari jam WIB dan WIB. yang disusun oleh para ahli untuk melengkapi data yang diperlukan dalam penelitian. 2.2 Metode Penelitian Dalam penelitian ini, penulis menggunakan metode deskriptif karena permasalahan yang sedang diteliti saat ini berdasarkan fakta-fakta yang ada mengenai data mahasiswa yang sampai saat ini sedang menjalani perkuliahan. 2.3 Metode Pengumpulan Data Metode yang dilakukan yaitu dengan mempertimbangkan penggunanya berdasarkan jenis data dan sumbernya antara lain dengan cara sebagai berikut: 1. Observasiyaitu merupakan metode pengumpulan data dengan cara mengadakan pengamatan secara langsung kepada objek penelitian mengenai data mahasiswa sekolah tinggi kejuruan ilmu pendidikan (STKIP-PGRI) Lubuklinggau. 2. Wawancarayaitu merupakan teknik pengumpulan data dengan cara mengadakan Tanya Jawab langsung kepada bagian pengolahan data pada sekolah tinggi kejuruan ilmu pendidikan (STKIP - PGRI) Lubuklinggau. 3. Studi Pustakayaitu mengumpulkan data dengan mempelajari masalah yang berhubungan dengan objek yang diteliti serta bersumber dari buku- buku pedoman, literatur 2.4 Metode Analisis Data Metode pengembangan yang digunakan penulis dalam penelitian ini menggunakan metode Knowledge Discovery in Database (KDD).Istilah data mining dan knowledge discovery in database (KDD) seringkali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu tahapan dalam keseluruhan proses KDD adalah data mining. Proses KDD secara garis besar dapat dijelaskan sebagai berikut (Kursini, 2009). 1. Pembersihan data Digunakan untuk membuang data yang tidak konsisten dan noise. 2. Intergrasi data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Hasil integrasi data sering diwujudkan dalam sebuah data warehouse karena dengan data warehouse, data dikonsolidasikan dengan struktur khusus yang efisien. 3. Transformasi data dan pemilihan data ini untuk menentukan kualitas dari hasil data mining, sehingga data diubah menjadi bentuk sesuai untuk di-mining. 4. Aplikasi teknik data mining aplikasi teknik data mining sendiri hanya merupakan salah satu bagian dari proses data mining. Ada

4 beberapa teknik data mining yang sudah umum dipakai. 5. Evaluasi pola yang ditemukan Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. 6. Presentasi pengetahuan presentasi pola yang ditemukan untuk menghasilkan aksi tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisa yang didapat. Gambar 2.1 Tahapan Knowledge Discovery in Databases sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematika (Larose, 2005). 3. HASIL Pada data selectionmerupakan tahap awal dalam pengambilan data yang dibutuhkan dalam melakukan proses data mining, dimana data yang didapatkan berasal dari skolah tinggi/universitas STKIP-PGRI Lubuklinggau yang selama ini dikerjakan yang terdiri dari dua tabel yaitu tabel data mahasiswa serta data nilai yang memiliki penjelasan sebagai berikut : 1. Tabel data mahasiswa, terdapat biodatabiodata mahasiswa yang telah terdaftar sebagai mahasiswa di sekolah 2.5Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bemanfaat dan pengetahuan yang terkait dari berbagai database besar (Turban, dkk.2005). Selain itu juga Data mining disebut sebagai suatu proses untuk menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam tinggi/universitasstkip-pgri, dan itu dapat dilihat pada tabel 3.1 : Tabel 4.1 Data Mahasiswa 2. Data Nilai, terdapat informasi jumlah nilai tiap mahasiswa yang telah ditempuh dan dapat dilihat pada tabel 4.2 berikut :

5 atribut jumlah SKS, jumlah IPK, dan semester menjadi atribut hasil. Proses tranformasi data tersebut dapat dilihat pada gambar berikut : Table 3.2 Data Nilai DilanjutkanPreprocessingPada tahapan ini akan dilakukan proses integrasi data untuk menghubungkan tabel data mahasiswa dan tabel data nilai dan proses ini juga disebut dengan preprocessing. Preprocessing bertujuan mendapatkan dataset yang bersih sehingga dapat digunakan dalam melakukan proses data mining dengan menggunakan data tersebut bertujuan untuk memperoleh pengelompokan hasil data mahasiswa. Berikut penjelasan dari kedua proses tersebut : Gambar 3.2 Transformasi Data transformasi tersebut maka dilakukan proses klasifikasi untuk mendapatkan data yang dapat di miningkan dengan atribut pekerjaan dan membuat record menjadi dua kategori yang berupa kerja bagi yang kuliah sambil berkerja dan mahasiswa bagi mahasiswa saja atau tidak berkerja. Dapat dilihat pada gambar 3.3 : Gambar 3.1 Preprocessing Kemudian dilanjutkan tahapan transformasi data pada tahapan ini adalah melakukan proses tahapan transformasi merubah data menjadi data yang sesuai unuk melakukan proses diminingkan. Perubahan awal yang dilakukan adalah data yang awalnya didapatkan ada 12 kemudian diambil menjadi 3 yaitu nim, jenis kelamin (P/L), da n pekerjaan lalu penulis membuat suatu proses hasil yang diambil dari Gambar 3.3 Hasil Klasifikasi Karena software yang digunakan untuk data mining merupakan DTREG maka dataset di atas terlebih dahulu di-export kedalam format (.xlsx) kemudian dari format (.xlsx) akan dirubah lagi menjadi format csv (Comma

6 Delimited). Berikut dataset yang telah di-export ke dalam format (.xlsx) setelah dataset diubah format csv maka data tersebut sadah siap untuk di data mining dengan menggunakan metode Decision tree. Selanjutnya proses data mining dilakukan dengan tools DTREG menggunakan menu Create New Projeck untuk memanggil data yang telah tersimpan, seperti pada gambar 5.10 : Gambar 3.4 Pengambilan Dataa DTREG Kemudian memberi nama title of projeck, selanjutnya proses data mining dilanjutkan dengan menggunakan menu Single Decision Tree pada DTREG, seperti gambar dibawah ini : Gambar 3.5 Pemilihan Target Valiabel. Setelah selesai menentukan target dan predictornya. Seperti pada digambar 5.12 merupakan tampilan proses penentuan field yang akan menjadi target untuk menentukan hasil yang diharapkan. Seperti yang terlihat pada gambar 5.12 tersebut, field NIM dipilih sebagai target karena field tersebut memiliki primary key dari field-field yang ainnya.setelah selesai memilih target dan predictor, Proses selanjutnya data siap dilakukan RUN untuk melihat hasil analisis dari proses DTREG yang akan mengubah data kedalam bentuk pohon keputusan yang optimal, Proses selanjut memilih options RUN THE ANALYSIS untuk melanjutkan ketahap analisis data yang sudah siap. Kemudian akan memhasilkan data berupa sebuah pohon keputusan, dapat di lihat pada gambar 3.6 : Gambar 3.5 Memilih Metode Decision Tree Kemudian klik Next kemudian akan memilih variable yang akan menjadi target dan predictor, dapat dilihat pada gambar 3.5: Gambar 3.6 Hasil Analisis data Hasil dari proses data mining menggunakan DTREG terdapat Results dengan bagian bagian tertentu dari hasil analysis diantaranya seperti gambar Terdapat 4 class dan hanya 2 class yang digunakan yaitu

7 class target dan class predictor, variable NIM menjadi class target kemudian variable L/P, PEKERJAAN, dan HASIL menjadi predictor karena nilai yang dimiliki L/P, PEKERJAAN, dan HASIL masih dibawah nilai gain NIM. Seperti penjelasan diatas maka yang akan menjadi titik akar (root) adalah NIM, sedangkan JENIS KELAMIN, PEKERJAAN, dan HASIL akan menjadi cabang dari pohon keputusan yang merupakan pembagian berdasarkan hasil yang telah gunakan sebagai hasil uji, sedangkan titik akhir (leaf) merupakan pembagian kelas yang dihasilkan. Berikut gambar pertama dari hasil run dengan kriteria NIM yang akan memperlihatkan decision tree (Pohon Keputusan) seperti pada gambar 3.7 : Gambar 3.7 Hasil DTREG Setelah melakukan pengujian hasil yang diatas maka didapatkan hasil pengujian untuk semua atribut pada metode yang diuji coba, hasil dari metode tersebut dapat dilihat pada tabel 3.3dan tabel 3.4 sebagai berikut : Tabel 3.3 Hasil Cepat Tabel 3.4 Hasil Lambat Hasil dari tabel 3.3 hasil mahasiswa yang akan lulus di semester depan dengan jumlah total 175 mahasiswa. Sedangkan Hasil dari tabel 3.4 mahasiswa belum wisuda pada semester depan dengan jumlah total 206 mahasiswa. 4. SIMPULAN Berdasarkan dari penelitian yang telah dilaksanakan dan sudah diuraikan dalam data mining dari data mahasiswa tepatnya pada tahun 2007 sampai dengan 2013 sebanyak 831 mahasiswa untuk memprediksi kelulusan berdasarkan jenis kelamin dan pekerjaan pada Sekolah Tinggi Kejuruan Ilmu Pendidikan (STKIP-PGRI), maka penulis dapat menarik kesimpulan sebagai berikut : 1. Pemanfaatan data mining dengan teknik decision tree dan algoritma C4.5 yang dilakukan menghasilkan sebuah informasi mengenai calon sarjana mahasiswa berdasarkan jenis kelamin dan pekerjaan pada Sekolah Tinggi Kejuruan Ilmu Pendidikan (STKIP-PGRI). 2. Dalam pemanfaatan data mining ini dapat memberikan informasi calon sarjana mahasiswa berdasarkan jenis kelamin dan

8 pekerjaan sehingga dapat memberikan informasi jumlah calon wisuda berikutnya, dan suatu keputusan atau suatu pertimbangan pada Sekolah Tinggi Kejuruan Ilmu Pendidikan (STKIP-PGRI). 3. Perhitungan yang dilakukan secara teoritis dan aplikatif menghasilkan sebuah pohon keputusan yang ditentukan dalam pemanfaatan data mining. 4. Decision tree yang dihasilkan telah mampu menunjukkan keterkaitan suatu hasil calon sarjana dengan pekerjaan seperti yang tercatat pada rekam hasil pemanfaatan data mining. 5. Pemecahan field jenis kelamin dan pekerjaan menjadi beberapa kelompok kecil membantu user dalam mengetahui informasi yang dihasilkan dari pohon keputusan. 6. Dengan melihat hasil akhir dari tools Emha Taufiq Luthfi, (2009), Penerapan Data Mining Algoritma Asosiasi Untuk Meningkatkan Penjualan, Yogyakarta. Hermawati, F.A., (2013), Yogyakarta : Andi. Data Mining, Kurniawan dan Hidayat.T., (2009), Enur, Penerapan Data Mining Dengan Metode Interpolasi Untuk Memprediksi Minat Konsumen Asuransi (Studi Kasus Asuransi Metlife), Yogyakarta. Kusrini dan Luthfi E.T, (2009), Algirotma Data Mining, Yogyakarta : Penerbit Andi. Susanto, S. dan Suryadi, D, (2010), Pengantar Data Mining, Yogyakarta : Penerbit Andi. DTREG mahasiswa yang akan lebih lambat lulusnya adalah mahasiswa yang sambil kerja sebanyak 206 mahasiwa pria dan wanita, sedangkan mahasiswa yang lulus cepat adalah mahasiswa yang tidak kerja sebanyak 175 mahasiswa pria dan wanita. DAFTAR RUJUKAN DTREG, R, (2007), Software DTREG Predictive Modeling Software, University of Cukurova.