Lili Tanti. STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Tj. Mulia Medan ABSTRACT

Transkripsi

1 Lili, Penerapan Data Mining Untuk 35 PENERAPAN DATA MINING UNTUK MENENTUKAN JUMLAH MAHASISWA PADA SATU DAERAH DENGAN MENGGUNAKAN METODE ALGORITMA APRIORI Lili Tanti lili@potensi-utama.ac.id STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km. 6,5 No. 3A Tj. Mulia Medan ABSTRACT Data Mining is a technigue for finding useful information from a large database. One of the approahes to find out the information is to identify the association rules that show the relationship among different items. In this study, the writer uses an aappoach of association rules that is apriori algorithm for analyzing students data. The purpose of this study is to see the trend of management and informatic computer school student Potensi Utama-Medan than can provide information to the institution in finding the target area for marketing their products. The data obtained from the field research are processed using a program designed by the writer using data mining application program. Keyword : data mining, metode algorithma apriori, association rules PENDAHULUAN Pada umumnya perusahaan/institusi mengumpulkan informasi melalui sistem database yang berguna untuk menampung data transaksi, kemudian nantinya data tersebut diolah sehingga dapat diketahui tingkat dan volume suatu pemasaran produknya pada suatu waktu tertentu dan sebagainya, sehingga seorang manajer perusahaan/institusi dapat mengatur strategi pemasaran bagi perusahaannya. Terkadang hasil dari pengolahan data dengan cara sederhana (query) tidak mendapatkan hasil yang efektif karena demikian besarnya volume data yang diolah dan kesulitan untuk melihat asosiasi data tersebut. Dengan demikian perlu adanya suatu sistem yang dapat mendukung manajer dalam mengambil keputusan, secara cepat dan juga tepat, oleh karena itu diperlukan suatu sistem pengolahan database dengan aplikasi data mining dengan metode Algoritma Apriori yang bekerja dengan cara, mencari dan menemukan pola pola yang berasosiasi diantara produk-produk yang ditawarkan/dipasarkan, misalnya : menemukan perioritas jumlah mahasiswa untuk satu daerah. Data mining adalah menemukan knowledge dari data yang terkandung didalam database. Data mining merupakan suatu teknik yang digunakan untuk mengekstrak knowledge dalam database secara otomatis dan lebih baik. assosiation rule adalah teknik data mining yang digunakan untuk menemukan aturan assosiatif antara suatu kombinasi item untuk menemukan support dan confidence di dalam database. (li pingxiang, 1999) Algoritma apriori merupakan algoritma yang banyak digunakan untuk menggali itemsets yang sering muncul (frequent itemsets) untuk Boolean association rules. (Leo Willyanto Santoso, 1999). Assosiation rule analysis yang merupakan salah satu cara untuk melakukan data mining. Hasil yang didapatkan dari proses data mining ini nantinya dijadikan suatu knowledge baru yang dapat digunakan oleh sebuah institusi untuk meningkatkan produksi maupun pemasaran produk-produknya. Misalkan jika manajer institusi tersebut telah mengetahui perioritas daerah mahasiswa, maka salah satu tindakan konkrit yang dapat diambil oleh pihak institusi dapat mengatur strategi untuk pemasaran produknya sesuai dengan informasi dan pengetahuan yang telah didapatkannya tadi. Tindakan lainnya, mungkin institusi bisa juga meningkatkan lagi pengiklanan item-item yang berasosiasi tersebut, semua ini tergantung kepada bagaimana strategi institusi dalam menghadapi pasar. Dengan adanya data mining terhadap data transaksi pemasaran produknya, perguruan tersebut minimal mengetahui dengan lebih

2 Lili, Penerapan Data Mining Untuk 36 baik bagaimana mereka harus mengatur strategi pemasaran agar dapat meningkatkan kemajuan institusi tersebut. PEMBAHASAN Analisa dan perancangan Masalah utama adalah menemukan bagaimana cara yang termudah dalam pencarian knowledge mengenai data mahasiwa STMIK Potensi Utama Medan. Oleh karena itu penulis merancang sebuah Program Data Mining yang User-friendly, agar dapat memudahkan institusi dalam mengatur strategi untuk memasarkan produk-produknya. 1. Data Preparation Data yang didapatkan merupakan data primer yaitu data yang didapatkan langsung dari data mahasiswa STMIK Potensi Utama Medan. Biodata ini didapat dari formulir pendaftaran mahasiswa. Terdapat sekitar 11 bagian yang harus diisi oleh mahasiswa yaitu : (1) Nama Mahasiswa, (2) Tempat/Tanggal Lahir, (3) Alamat, (4) Jenis Kelamin, (5) Tamatan, (6) Kota/Kabupaten, (7) Program Studi, (8) Data Orang Tua : (a) Nama Bapak, (b) Nama Ibu, (c) Alamat. a. Select Data Dari 10 bagian pada data mahasiswa, yang dapat dijadikan parameter pada penelitian ini hanya ada beberapa parameter yaitu : Kotamadya/Kabupaten, Konsentrasi_Tamatan. Di mana kita hanya melihat pola mahasiswa STMIK Potensi Utama. Untuk mempermudah proses perhitungan secara manual maka masing-masing item tersebut diubah kedalam bentuk huruf sebagai berikut : Tabel 1. Klasifikasi Kotamadya/Kabupaten Kode Nama daerah A Binjai B Deli Serdang C Labuhan Deli D Medan Alasan pengelompokkan Kotamadya/Kabupaten menjadi empat bagian adalah diambil dari pengelompokkan mahasiswa STMIK Potensi Utama. Tabel 2. Klasifikasi Konsentrasi Asal Sekolah Kode Kosentrasi E MAN F MAS G SMA H SMK Alasan pengelompokan Konsentrasi menjadi empat bagian adalah diambil dari pengelompokkan bidang konsentrasi asal sekolah (tamatan) mahasiswa STMIK Potensi Utama. b. Integrate Data Data-data yang dikumpulkan dalam proses data mahasiswa seringkali ditempatkan pada lokasi yang berbeda-beda. Maka dari itu dibutuhkan kemampuan dari sistem untuk dapat mengumpulkan data dengan cepat. c. Modelling Model yang akan dipergunakan pada penelitian ini adalah association rules mining dengan menggunakan program apriori yang merupakan implementasi dari algoritma apriori. Pada program

3 Lili, Penerapan Data Mining Untuk 37 apriori yang digunakan dalam penelitian ini, hasil dari association rules mining akan dinyatakan dalam bentuk support dan confidence dari masing-masing rules yang dihasilkan. Frequent itemset juga akan ditampilkan dalam bentuk tabel. Hasil dari program inilah yang nantinya akan penulis analisa lebih lanjut, akan dilihat rule-rule apa saja yang sering muncul. 2. Analisa Data dengan Algoritma Apriori Data-data yang telah mengalami tahapan data mining, selanjutnya diolah dengan teknik association rule menggunakan algoritma apriori. Nilai minimum support yang dipergunakan adalah 70% dan minimum confidence adalah 100%. Berikut ini adalah langkah-langkah dalam algoritma apriori untuk mengekstrak association rule : Tabel 3. Contoh Database Mahasiswa Kode Item MI Pagi-A A B C D F G H MI Pagi-B B D G H SI Pagi-A A B C D F G Si Pagi-B A B C D E F G SI Pagi-C B D E G H TI Pagi-A A B C D G H TI Pagi-B A B C D G H TI Pagi-C B D G H Pada tabel 3 berisi item daerah yang telah dirubah kedalam bentuk kode untuk mempermudah pembacaan data tersebut dan dikelompokkan berdasarkan program studi dan kelas. Data tabel 3 akan dipakai untuk memperlihatkan cara kerja algoritma apriori. Tahapan-tahapan dalam yang akan dilakukan dalam algoritma apriori adalah sebagai berikut : Tahap 1 : Menelusuri seluruh record di basis data mahasiswa dan menghitung support count dari masing-masing item. Ini adalah kandidat 1-itemset, C1. Tabel 4. Candidate 1-itemset Candidate 1-Item Set A 5 /8 =63% B 8 /8 =100% C 5 /8 =63% D 8 /8 =100% E 2 /8 =25% F 3 /8 =38% G 8 /8 =100% H 6 /8 =75% Pada tabel 4 menerangkan pencarian nilai support dimana support count dari data mahasiswa dari masing-masing item dan kemudian dibagi dengan total transaksi(kode) dikali dengan 100 %. Tahap 2 : Large 1_itemset L1 dibangun dengan menyaring C1 dengan support count yang lebih besar sama dengan minimum support untuk dimasukkan ke dalam L1. Tabel 5. Frequent 1-itemset Frequent 1-itemset B 8 /8 =100% D 8 /8 =100% G 8 /8 =100% H 6 /8 =75%

4 Lili, Penerapan Data Mining Untuk 38 Pada tabel 5 menyaring itemset dari tabel 4.4 dengan nilai support lebih besar sama dengan nilai minimum support 70%. Tahap 3 : Untuk membangun L2, algoritma apriori menggunakan proses join untuk menghasilkan C2. Untuk candidat 2-itemset, dari 5 item dapat menghasilkan kombinasi 2-itemset yang memungkinkan sebanyak : 2 4! C4 6 kombinasi 2!(4 2)! Tabel 6. Candidate 2-itemset Candidate 2-itemset B, D 8 /8 =100% B, G 8 /8 =100% B, H 6 /8 =75% D, G 8 /8 =100% D, H 6 /8 =75% G, H 6 /8 =75% Pada tabel 6 menerangkan pencarian nilai support dimana support count dari data mahasiswa dari kombinasi 2 item dan kemudian dibagi dengan total transaksi(kode) dikali dengan 100% dan dapat dilihat pada rumus berikut ini : B D Support B D JumlahTransaksi 8 Support B D 100% 8 Tahap 4 : Dari C2, 2-itemset yang memiliki support count yang lebih besar sama dengan minimum support akan disimpan kedalam L2. Tabel 7. Frequent 2-itemset Frequent 2-itemset B, D 8 /8 =100% B, G 8 /8 =100% B, H 6 /8 =75% D, G 8 /8 =100% D, H 6 /8 =75% G, H 6 /8 =75% Pada tabel 7 menyaring itemset dari tabel 4.6 dengan nilai support lebih besar sama dengan nilai minimum support 70% Tahap 5 : Untuk membangun L3, algoritma apriori menggunakan proses join untuk menghasilkan C3. Untuk candidat 3-itemset, dari 5 item dapat menghasilkan kombinasi 3-itemset Tabel 8. Candidate 3-itemset Candidate 3-itemset B, D, G 8 /8 =100% B, D, H 6 /8 =75% B, G, H 6 /8 =75% D, G, H 6 /8 =75%

5 Lili, Penerapan Data Mining Untuk 39 Pada tabel 8 menerangkan pencarian nilai support dimana support count dari data mahasiswa dari kombinasi 3 item dan kemudian dibagi dengan total transaksi(kode) dan dapat dilihat pada rumus berikut ini : B D G Support B D G JumlahTransaksi 8 Support B D G 100% 8 Tahap 6 : Dari C3, 3-itemset yang memiliki support count yang lebih besar sama dengan minimum support akan disimpan kedalam L3. Tabel 9. Frequent 3-itemset Frequent 3-itemset B, D, G 8 /8 =100% B, D, H 6 /8 =75% B, G, H 6 /8 =75% D, G, H 6 /8 =75% Pada tabel 9 menyaring itemset dari tabel 4.8 dengan nilai support lebih besar sama dengan nilai minimum support 70% Tahap 7 : Untuk membangun L4, algoritma apriori menggunakan proses join untuk menghasilkan C4. Untuk candidat 4-itemset, dari 5 item dapat menghasilkan kombinasi 4-itemset. Tabel 10. Candidate 4-itemset Candidate 4-itemset B,D, G, H 6 /8 =75% Pada tabel 10 menerangkan pencarian nilai support dimana support count dari data mahasiswa dari kombinasi 4 item dan kemudian dibagi dengan total transaksi(kode) dan dapat dilihat pada rumus berikut ini : B D G H Support B D G H JumlahTransaksi Support B D G H % Tahap 8 : Dari C4, 4-itemset yang memiliki support count yang lebih besar sama dengan minimum support akan disimpan kedalam L4. Tabel 11. Frequent 4-itemset Frequent 4-itemset B,D, G, H 6 /8 = 75% Pada tabel 11 menyaring itemset dari tabel 4.10 dengan nilai support lebih besar sama dengan nilai minimum support 70% Tahapan-tahapan algoritma apriori dihentikan pada tahap ke-9, karena pada tahap berikutnya untuk candidate 6-itemset tidak ditemukan lagi frequent itemset yang memenuhi syarat minimum support sebesar 70%. Hasil maksimal frequent itemset adalah {B, D, G, H}.

6 Lili, Penerapan Data Mining Untuk 40 Untuk pembangkitan aturan asosiasi dari large itemset, harus memenuhi minimum support dan minimum confidence yang telah ditentukan. Confidence dari setiap aturan yang dibangkitkan dapat dihitung dengan menggunakan rumus : Confidence (A B)= P(B/A) = support count (A B)/support count(a) Dimana, support count (A B) adalah jumlah transaksi yang berisi itemset A dan B support count (A) adalah jumlah transaksi yang berisi itemset A. Berdasarkan rumus diatas aturan asosiasi dapat dibangkitkan dengan langkah : Support count (1) / support count (s) = minimum confidence a. Untuk setiap itemset 1, bangkitkan seluruh subset 1 yang tidak kosong. b. Untuk setiap subset s dari 1 yang tidak kosong, buat aturan s (s-1) jika support count (1) / support count (s) >= minimum confidence. Tahap 9 : Gunakan frequent itemset untuk membangun kaidah asosiasi. Tabel 12. Kaidah Asosiasi Item Support Confidence B D 100% 100% D B 100% 100% B G 100% 100% G B 100% 100% B H 75% 75% H B 75% 100% D G 100% 100% G D 100% 100% D H 75% 75% H D 75% 100% G H 75% 75% H G 75% 100% B, D G 100% 100% B,G D 100% 100% D, G B 100% 100% B, D H 75% 75% B, H D 75% 100% D, H B 75% 100% B, G H 75% 75% B, H G 75% 100% G, H B 75% 100% D, G H 75% 75% D, H G 75% 100% G, H D 75% 100% B, D, G H 75% 75% B, D, H G 75% 100% B, G, H D 75% 100% D, G, H B 75% 100% Pada tabel 12 menampilkan kaidah asosiasi dengan algoritma apriori dimana menampilkan nilai support dan nilai confidence. Tabel 13. Best Associaton Rules Item Support Confidence B D 100% 100% D B 100% 100%

7 Lili, Penerapan Data Mining Untuk 41 B G 100% 100% G B 100% 100% H B 75% 100% D G 100% 100% G D 100% 100% H D 75% 100% H G 75% 100% B, D G 100% 100% B,G D 100% 100% D, G B 100% 100% B, H D 75% 100% D, H B 75% 100% B, H G 75% 100% G, H B 75% 100% D, H G 75% 100% G, H D 75% 100% B, D, H G 75% 100% B, G, H D 75% 100% D, G, H B 75% 100% Dari pengamatan diatas dapat diambil kesimpulan dengan nilai minimum support 70 % dan nilai minimum confidence 100 % sebagai berikut : Rule Pertama : Nilai support 100% menunjukkan bahwa mahasiswa berasal dari Deli Serdang, Medan dan Tamatan dari SMA. Sedangkan nilai confidence 100% menunjukkan bahwa 100% mahasiswa Potensi Utama berasal dari daerah Labuhan Deli, Deli Serdang, Medan dan juga Tamatan dari SMA. Rule Kedua : Nilai support 100% menunjukkan bahwa mahasiswa berasal dari Deli Serdang, SMA dan Medan. Sedangkan nilai confidence 100% menunjukkan bahwa 100 % mahasiswa Potensi Utama berasal dari daerah Deli Serdang, SMA dan juga Medan. Rule Ketiga : Nilai support 100% menunjukkan bahwa mahasiswa berasal dari Medan, SMA dan Deli Serdang. Sedangkan nilai confidence 100% menunjukkan bahwa 100 % mahasiswa Potensi Utama berasal dari daerah Medan, SMA dan juga Deli Serdang. Rule Keempat : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari Deli Serdang, SMK dan Medan. Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal dari daerah Medan, SMA dan juga Deli Serdang. Rule Kelima : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari Medan, SMK dan Deli Serdang. Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal dari daerah Medan, SMK dan juga Deli Serdang Rule Keenam : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari Deli Serdang, SMK dan SMA. Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal dari daerah Deli Serdang, SMK dan juga SMA. Rule Ketujuh : Nilai support 75 % menunjukkan bahwa mahasiswa berasal dari SMK dan SMA, SMK dan Deli Serdang Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal dari daerah Deli Serdang, SMK dan juga SMA. Rule Kedelapan : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari Medan, SMK dan SMA Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal dari daerah Medan, SMK dan juga SMA.

8 Lili, Penerapan Data Mining Untuk 42 Rule Kesembilan : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari SMK dan SMA dan Medan Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal SMK dan SMA dan juga Medan. Rule Kesepuluh : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari SMK dan SMA dan Medan Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal SMK dan SMA dan juga Medan. Rule Kesebelas : Nilai support 75% menunjukkan bahwa mahasiswa berasal dari Medan, SMK dan SMA dan Deli Serdang Sedangkan nilai confidence 100% menunjukkan bahwa 75% mahasiswa Potensi Utama berasal SMK dan SMA dan juga Medan. Penambangan Aturan Data mahasiswa STMIK Potensi utama. Tujuan dari penelitian ini adalah untuk mengetahui apakah sistem ini dapat digunakan untuk menambang aturan dari data yang nyata. Kemudian mencari jawaban ciri-ciri dari mahasiswa STMIK Potensi Utama setiap tahunnya, sehingga dapat menghasilkan suatu keputusan untuk lebih meningkatkan perioritas pemasaran produk-produk di pasaran agar dapat diperoleh hasil yang lebih maksimal dan efektif. Implementasi Untuk pengujian dari data mahasiswa digunakan Program Apriori yang bertujuan menganalisa pola mahasiswa.

9 Lili, Penerapan Data Mining Untuk 43 Simpulan dan Saran Simpulan Berdasarkan hasil pengujian sistem, maka dapat diambil kesimpulan sebagai berikut : Dengan adanya sistem yang diterapkan dengan menggunakan metode algoritma apriori memberikan kemudahan dalam mengetahui knowledge di dalam data mahasiswa setiap tahunnya sehingga dapat memberikan decision kepada institusi untuk menetapkan target pasar didalam memasarkan produk-produknya. Di dalam data mahasiswa yang selama ini tidak begitu digunakan, sebenarnya terkandung informasi yang penting untuk institusi STMIK Potensi Utama. Saran Adapun saran-saran yang akan diberikan penulis dalam penelitian ini adalah sebagai berikut: Metode algoritma apriori sudah dapat menggali data yang tersembunyi dengan baik. Tetapi lebih baik lagi bila digabung dengan beberapa teknik data mining sehingga dapat diperoleh hasil yang lebih maksimal lagi. Berdasarkan pada pengujian yang telah dilakukan masih banyak kekurangan, kelemahan dan jauh dari kesempurnaan. Sehingga perlu beberapa pengembangan lagi agar kinerjanya lebih baik dan tentunya yang paling penting dapat menghasilkan informasi yang baik dan perhitungan yang akurat. DAFTAR RUJUKAN Willyanto Santoso, Leo (1999), Jurnal Pembuatan Perangkat Lunak Data Mining Untuk Penggalian Kaidah Asosiasi Menggunakan Metode Apriori, Pingxiang, Li dkk (2007), Journal A Developed Algorithm Of Apriori BasedOn association Analysis Ayub, Mewati (2007), Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer, Bandung