4 HASIL DA PEMBAHASA

Ukuran: px
Mulai penontonan dengan halaman:

Download "4 HASIL DA PEMBAHASA"

Transkripsi

1 4 HASIL DA PEMBAHASA 4.1 Pengumpulan Data Pada proses pengumpulan data, diperoleh data awal berjumlah 5883 mahasiswa non aktif Program Studi Matematika FMIPA-UT dengan 33 atribut kategori dan numerik. Struktur data awal dapat dilihat pada Lampiran 1. Data mahasiswa non aktif Program Studi Matematika dipilih sebagai objek penelitian didasarkan pada adanya persentase jumlah mahasiswa non aktif yang sangat besar. Terdapat 86 % mahasiswa non aktif dari keseluruhan mahasiswa yang tercatat pada semester satu tahun Pembersihan Data Pertama kali yang dilakukan pada praproses data adalah pembersihan data terhadap nilai tidak lengkap, nilai kosong, dan nilai tidak konsistern. Nilai tidak lengkap terjadi pada atribut Tanggal lahir, nilai kosong terdapat pada atribut IPK dan SKS, sedangkan nilai tidak konsisten terjadi pada atribut Registrasi Akhir, IPK dan SKS. Tabel 7, Tabel 8, dan Tabel 9 berturut-turut menampilkan contoh record yang memiliki nilai tidak lengkap, nilai kosong, dan nilai tidak konsisten, disajikan dalam beberapa atribut. Tabel 7 Contoh record dengan data tanggal lahir tidak lengkap NIM Juru Asal UPBJJ St Kerja Kabko Tanggal Registrasi Umur Lahir Awal /07/ /00/ /00/ / / /08/ Tabel 8 Contoh record dengan IPK dan SKS kosong NIM UPBJJ St Registrasi Registrasi Lama IPK SKS Kerja Awal Akhir Studi

2 41 Tabel 9 Contoh record dengan nilai tidak konsisten NIM UPBJJ Umur IPK SKS Registrasi Registrasi Lama Awal Akhir Studi Pada Tabel 7 terlihat bahwa ketidaklengkapan pengisian tanggal lahir terutama pada bagian tahun lahir, mengakibatkan kesalahan dalam perhitungan umur mahasiswa karena atribut Umur dihitung berdasarkan tahun lahir dikurangi dengan tahun dimana mahasiswa melakukan registrasi pertama. Data seperti ini seharusnya diperbaiki oleh bagian kemahasiswaan berdasarkan dokumen resmi yang digunakan sebagai persyaratan ketika mendaftar menjadi mahasiswa UT, yaitu ijazah terakhir mahasiswa. Data tersebut, jika disertakan dalam proses data mining akan mempengaruhi hasil akhir secara negatif. Oleh karenanya, data demikian dihapus dan tidak disertakan dalam proses data mining. Atribut IPK dan SKS bernilai kosong dapat terjadi karena mahasiswa hanya melakukan pendaftaran sebagai mahasiswa UT tetapi tidak pernah mengikuti ujian, atau mahasiswa mengikuti ujian tetapi belum pernah lulus satupun matakuliah. Terlihat pada Tabel 8 bahwa atribut Registrasi Akhir kelima mahasiswa memiliki nilai yang sama dengan atribut Registrasi Awal. Itu berarti kelima mahasiswa tersebut hanya sekali melakukan registrasi yaitu pada saat pendaftaran menjadi mahasiswa UT. Tidak dapat dibedakan apakah kelima mahasiswa tersebut memiliki nilai kosong karena tidak mengikut ujian ataukah mengikuti ujian tetapi tidak lulus? Penelitian ini antara lain mengamati faktor prestasi akademik yang diukur dengan perolehan IPK dan SKS. Data dengan IPK dan SKS kosong tidak memberikan informasi yang memadai terkait dengan prestasi akademik. Oleh karenanya, data demikian harus dihapus dan tidak disertakan dalam proses data mining. Pada Tabel 9 terlihat bahwa nilai tidak konsisten terdapat pada atribut Registrasi Akhir yang berisi 19000, dimiliki oleh Mahasiswa dengan NIM Atribut Registrasi akhir seharusnya berisi tahun (4 digit) dan semester (1 atau 2), dan terisi secara otomatis oleh sistem sesuai dengan masa

3 42 registrasi ketika mahasiswa melakukan registrasi ulang. Tidak konsistennya registrasi akhir kemungkinan terjadi karena mahasiswa tersebut mengikuti ujian khusus, semacam semester pendek. Lama studi mahasiswa dihitung berdasarkan masa registrasi akhir dikurangi dengan masa registrasi awal, sehingga ketidakkonsistenan pada registrasi akhir mengakibatkan mahasiswa memiliki lama studi Nilai tidak konsisten juga terjadi pada atribut IPK dalam kaitannya dengan SKS. Pada Tabel 9 dapat dilihat bahwa mahasiswa dengan NIM telah menempuh dan lulus beberapa matakuliah dengan total 42 SKS, tetapi IPK yang didapat = 0. Ada kemungkinan terjadi kesalahan teknis ketika dilakukan perhitungan IPK dan SKS. Selain itu, nilai tidak konsisten juga terjadi pada atribut SKS dalam kaitannya dengan atribut Lama Studi: pada Tabel 9 dapat dilihat bahwa mahasiswa dengan NIM lulus beberapa matakuliah dengan total 61SKS, ditempuh hanya dalam satu semester, -hal yang sesungguhnya tidak mungkin terjadi-. Dibutuhkan pengecekan lebih lanjut untuk mengetahui penyebab ketidakkonsistenan tersebut. Sebagaimanan data dengan IPK dan SKS kosong, tidak konsistennya IPK, SKS, dan regiatrasi akhir tidak memberikan informasi yang memadai terkait dengan prestasi akademik. Oleh karenanya, data demikian harus dihapus dan tidak disertakan dalam proses data mining. Pada proses pembersihan data, ditemukan 6 record memiliki nilai tidak lengkap, 1728 record memiliki nilai kosong, dan 17 record memiliki nilai tidak konsisten, atau terdapat total 1751 record yang dihapus karena memiliki atribut dengan nilai tidak lengkap, kosong, dan tidak konsisten. oisy dan data duplikat tidak ditemukan dalam data objek penelitian. 4.3 Pengurangan Data. Dari 33 atribut yang dimiliki, terdapat 23 atribut yang tidak digunakan karena tidak relevan dengan kebutuhan penelitian. Atribut yang tidak digunakan tersebut adalah: NIM, Kode Guru, Kode Pos, Status DP, Agama, Kab/Kota, Nama, Alamat, Tempat Lahir, Kewarganegaraan, Nomor Telepon, , Batch, SS, Status Valid, PKG, No Rekening, Ibu Kandung, Tanggal Lahir, Registrasi Awal, Registrasi Akhir, Tahun Ijazah.

4 43 Dalam penelitian ini faktor yang diamati meliputi demografi, latar belakang pendidikan, dan prestasi akademik. Oleh karenanya atribut yang digunakan adalah atribut yang relevan dengan faktor yang telah disebutkan. Atribut Umur, UPBJJ, Status Kerja, Status Kawin, dan Jenis Kelamin mewakili faktor demografi, atribut Pendidikan Akhir dan Jurusan Asal mewakili faktor latar belakang pendidikan, dan atribut IPK, SKS, dan Lama Studi mewakili faktor prestasi akademik. Atribut Kab/Kota, walaupun atribut tersebut ada hubungannya dengan demografi tetapi tidak digunakan karena sudah diwakili oleh atribut UPBJJ. Sedangkan atribut Tanggal lahir tidak lagi diperlukan karena sudah diwakili oleh atribut Umur. Setelah pembersihan dan pengurangan data, data yang dianggap bersih dan siap untuk diproses berjumlah 4132 record dengan 10 atribut bertipe campuran yang terdiri dari enam atribut kategori dan empat atribut numerik. Data tersebut diberi nama DataMhs, dengan struktur sebagai berikut: 1. Jurusan Asal (atribut kategori), berisi kode numerik yang menerangkan jurusan dari pendidikan terakhir yang dimiliki mahasiswa. Sebagai contoh, jika mahasiswa memiliki pendidikan terakhir SLTA, maka bisa jadi berasal dari jurusan IPA, IPS atau STM. Terdapat 79 status jurusan asal dalam data penelitian, disajikan pada Lampiran UPBJJ (atribut kategori), berisi kode numerik yang menerangkan wilayah keberadaan mahasiswa di unit perwakilan UT di daerah. Terdapat 39 status UPBJJ dalam data penelitian, disajikan pada Lampiran Pendidikan Akhir (atribut kategori), berisi kode numerik yang menerangkan pendidikan terakhir dari mahasiswa sebelum yang bersangkutan menjadi mahasiswa UT. Terdapat enam kode status pendidikan terakhir dalam data penelitian: 1(SLTA), 2(D1), 3(D2), 4(D3), 5(S1), dan 6(S2) 4. Status Kerja (atribut kategori), berisi kode numerik yang menerangkan status atau jenis pekerjaan dari mahasiswa. Terdapat lima kode status jenis pekerjaan dalam data penelitian: 2(PNS), 3(Swasta), 4(Wiraswasta), 5(Tidak Bekerja), dan 6(Bekerja).

5 44 5. Status Kawin (atribut kategori), berisi kode numerik yang menerangkan status perkawinan dari mahasiswa. Terdapat dua kode status perkawinan: 0(Tidak Kawin) dan 1(Kawin). 6. Jenis Kelamin (atribut kategori), berisi kode numerik yang menerangkan jenis kelamin dari mahasiswa. Terdapat dua kode status jenis kelamin: 0(Perempuan) dan 1(Laki-laki). 7. IPK (atribut numerik), berisi Indeks Prestasi Komulatif dari matakuliah yang sudah berhasil ditempuh dan lulus dengan nilai minimal D. Dalam data penelitian, atribut IPK memiliki rentang nilai antara 1 s/d SKS (atribut numerik), berisi jumlah Satuan Kredit Semester dari semua matakuliah yang sudah berhasil ditempuh dan lulus dengan nilai minimal D. Dalam data penelitian, atribut SKS memiliki rentang nilai antara 3 s/d Umur (atribut numerik), menerangkan usia mahasiswa ketika pertama kali mendaftar sebagai mahasiswa UT. Dalam data penelitian, atribut Umur memiliki rentang nilai antara 6 s/d 66 tahun. 10. Lama Studi (atribut numerik), menerangkan berapa semester mahasiswa mengikuti perkuliahan di UT. Dalam data penelitian, atribut Lama Studi memiliki rentang nilai antara 1 s/d 34 semester. Pada Tabel 10 diberikan Contoh 10 record pertama dalam DataMhs. Tabel 10 Contoh DataMhs Jurusan Pend Status Status Jenis Lama UPBJJ IPK SKS Umur Asal Akhir Kerja Kawin Kelamin Studi

6 Pemisahan Data Untuk kebutuhan penelitian, DataMhs harus berdasarkan tipe dari atributnya : dipisah menjadi dua Data yang memiliki atribut dengan tipe kategori diberi nama DataKategori, memiliki 6 atribut kategori: Jurusan Asal, UPBJJ, Pendidikan Akhir, Status Kerja, Status Kawin, dan Jenis Kelamin. Data yang memiliki atribut dengan tipe numerik diberi nama DataNumerik, memiliki 4 atribut numerik: IPK, SKS, Umur, dan Lama Studi. Contoh DataKategori dan DataNumerik masing-msing disajikan pada Tabel 11 dan Tabel 12. Tabel 11 Contoh DataKategori Jurusan Pend ST Jenis UPBJJ St Kawin Asal Akhir Kerja Kelamin Tabel 12 Contoh DataNumerik IPK SKS Umur Lama Studi Transformasi Data Pada Tabel 13 ditampilkan contoh hasil transformasi data kategori yang dimuat pada Tabel 11, sedangkan pada Tabel 14 ditampilkan contoh hasil normasisasi data numerik yang dimuat pada Tabel 14.

7 46 Tabel 13 Hasil transformasi data kategori yang dimuat pada Tabel 11 Jurusan Pend ST Jenis UPBJJ St Kawin Asal Akhir Kerja Kelamin Tabel 14 Hasil normalisasi data numerik yang dimuat pada Tabel 12 IPK SKS Umur Lama Studi Beberapa atribut dari data kategori memiliki nilai dengan kode numerik yang sama. Sebagai contoh: atribut Pendidikan Akhir D1 memiliki kode numerik yang sama dengan kode numerik yang dimiliki oleh atribut Status Kerja PNS, yaitu 2. Sedangkan atribut Pendidikan akhir SLTA memiliki kode numerik yang sama dengan atribut Status Kawin Kawin, dan atribut Jenis Kelamin Perempuan, yaitu 1. Dapat dilihat pada Tabel 5 bahwa atribut Pendidikan akhir, Status Kawin, dan Jenis Kelamin dari record ke-3 memiliki kode numerik yang sama, yaitu 1. Untuk fungsi just_qrock_edit, hal demikian dapat mengacaukan hasil perhitungan ukuran kemiripan antar objek. Oleh karenanya perlu dilakukan transformasi terhadap semua atau sebagian atribut yang memiliki kode numerik sama, sedemikian sehingga kode numerik yang dimiliki oleh suatu atribut, tidak sama dengan kode numerik yang dimiliki oleh atribut yang lain. Pada penelitian ini, atribut dari data kategori yang dikenai transformasi adalah atribut Status Kerja (2 menjadi 32, 3 menjadi 33, 4 menjadi 34, 5 menjadi 35, dan 6 menjadi 36), Status Kawin (1 menjadi 9, 0 tidak diubah),

8 dan Jenis Kelamin (1 menjadi 8, 0 menjadi 7). Pada Tabel 13 tampak bahwa setiap data objek tidak lagi memiliki atribut dengan kode numerik yang sama. Data numerik memiliki rentang nilai yang sangat berbeda pada masingmasing atributnya. Sebagai contoh, atribut IPK memiliki rentang nilai antara 0 s/d 4, sedangkan SKS memiliki rentang nilai antara 3 s/d 175 (tahun). Jika diperhatikan record pertama dan record terakhir dari data yang terdapat pada Tabel 12, terlihat bahwa selisih nilai IPK kedua record adalah 0.09, sedangkan selisih nilai SKS kedua record adalah 171. Perbedaan yang cukup signifikan tersebut dapat mengacaukan hasil perhitungan proximity antar data objek, karena atribut SKS akan menjadi sangat dominan dan akan mempengaruhi hasil secara tidak proporsional. Oleh karenanya, perlu dilakukan standarisasi terhadap semua atribut sehingga setiap atribut memiliki kontribusi secara proporsional terhadap hasil akhir suatu proses data mining. Transformasi data yang dilakukan terhadap data numerik adalah normalisasi, dimana data numerik dinormalisasi menjadi DataZscore menggunakan z-score normalization. 4.6 Klastering Data Kategori Pada tahap ini dilakukan percobaan klastering terhadap data kategori, dengan sebelas variasi nilai threshold : 0,90, 0,91, 0,92, 0,93, 0,94, 0,95, 0,96, 0, 97, 0,98, 0,99, dan 1,0. Contoh hasil klastering pada threshold 0,92 disajikan pada Tabel 15, sedangkan hasil klastering data kategori untuk keseluruhan threshold dirangkum dan disajikan pada Tabel 16. Tabel 15 Hasil klastering data kategori pada threshold 0,92 Klaster Anggota Klaster Kohesi Separasi [ ] 232, [ ] 500, [ ] 182, [ ] 48, [ ] [61] [90] [ ] 0, [526] [527] [ ] [ ] 0, [3379] 0 0 Jumlah

9 48 Tabel 16 Hasil klastering data kategori Threshold Jumlah Klaster yang dihasilkan Total Nilai Kohesi 0, ,63 0, ,23 0, ,54 0, ,19 0, ,00 0, ,00 0, ,00 0, ,00 0, ,00 0, ,00 1, ,50 Dapat dilihat pada Tabel 15, bahwa klastering data kategori pada threshold 0.92 menghasilkan 13 klaster. Jumlah anggota tiap-tiap klaster adalah : Klaster-1 =828 (kohesi=232,52), Klaster-2 = 2180 (kohesi=500,37), Klaster-3 = 846 (kohesi=182,62), Klaster-4 = 256 (kohesi=48,03), Klaster-5 = 7 (kohesi =3,00), Klaster-6=1(dengan kohesi =0), Klaster-7 = 1 (kohesi =0), Klaster-8=2 (kohesi =0,5), Klaster-9 = 1(kohesi=0), Klaster-10 = 1 (kohesi=0), Klaster-11 = 3 (kohesi=1), Klaster-12 = 2 (kohesi=0,5), dan Klaster-13 = 1 (kohesi =0). Total nilai kohesi = , sedangkan nilai separasi akan selalu bernilai 0 karena klaster-klaster yang terbentuk tidak lagi mengandung link, dan terpisah secara sempurna. Pada Tabel 16 tampak bahwa nilai kohesi tertinggi, 2044, dicapai oleh threshold 0,94 s/d 0,98. Hasil klastering terbaik adalah kelompok klaster yang memiliki total nilai kohesi tertinggi yang dihasilkan oleh threshold tertinggi pula. Dengan demikian dapat dikatakan bahwa hasil klastering data kategori terbaik diperoleh pada threshold 0,98, menghasilkan 44 klaster. Klaster-klaster yang dihasilkan oleh klastering data kategori memiliki karakteristik yang dipengaruhi oleh pendidikan akhir, status pekerjaan, status perkawinan, dan jenis kelamin mahasiswa. Sedangkan jurusan asal dan UBBJJ tidak mempengaruhi karakteristik klaster yang dihasilkan. Dengan kata lain, dua objek akan berada dalam klaster yang sama hanya jika memiliki kesamaan pendidikan akhir, status pekerjaan, status perkawinan, dan jenis kelamin, tetapi dapat memiliki jurusan asal dan/atau UPBJJ yang tidak sama. Sebaliknya, walaupun jurusan asal dan/atau UPBJJ sama tetapi jika salah satu dari pendidikan akhir, status pekerjaan, status perkawinan, atau jenis kelamin tidak sama, maka

10 kedua objek dipastikan akan berada dalam klaster yang berbeda. Contoh klaster hasil klastering data kategori, yaitu Klaster 21 dan Klaster 23 masing-masing ditampilkan pada Tabel 17 dan Tabel 18. Tabel 17 Klaster 21 hasil klastering data kategori pada threshold 0,98 Nomor Jurusan Pendidikan Status Status Jenis UPBJJ Urut Objek Asal Akhir Kerja Kawin Kelamin Tabel 18 Klaster 23 hasil klastering data kategori pada threshold 0,98 Nomor Jurusan Pendidikan Status Status Jenis UPBJJ Urut Objek Asal Akhir Kerja Kawin Kelamin Terlihat pada Tabel 17 bahwa Klaster 21 memiliki 11 anggota, merupakan kelompok mahasiswa dengan pendidikan akhir S1 (kode = 5), bekerja (kode = 6), tidak kawin (kode = 0), dan berjenis kelamin perempuan (kode = 0). Kesebelas mahasiswa tersebut memiliki pendidikan terakhir, status pekerjaan, jenis kelamin, dan status perkawinan yang sama, tetapi berasal dari jurusan dan UPBJJ yang bervariasi. Klaster 23 memiliki 17 anggota, merupakan kelompok mahasiswa dengan pendidikan akhir D1 (kode = 2), bekerja (kode = 6), tidak kawin (kode = 0), dan berjenis kelamin perempuan (kode = 0). Ketujuhbelas mahasiswa tersebut

11 memiliki pendidikan terakhir, status pekerjaan, status perkawinan, dan jenis kelamin yang sama, tetapi berasal dari jurusan dan UPBJJ yang bervariasi. Kemiripan dua objek dalam Klaster 21(sebagai contoh: objek nomor 118 dan objek nomor 141) dan kemiripan dua objek dalam Klaster 23 (sebagai contoh: objek nomor 556 dan objek nomor 660) akan dihitung untuk mengetahui seberapa mirip kedua pasangan tersebut. Rumus ukuran kemiripan yang digunakan oleh algoritma QROCK adalah similarity berbobot yang ditulis pada persamaan (4). Objek 118 dan 141 dalam Klaster 21 memiliki persamaan pada empat atribut (Pendidikan Akhir, Status Kerja, Status Kawin, dan Jenis Kelamin), dan memiliki perbedaan pada dua atribut: Jurusan Asal yang memiliki 79 nilai, dan UPBJJ yang memiiki 39 nilai. Sedangkan objek 556 dan 660 pada Klaster 23 memiliki persamaan pada lima atribut (UPBJJ, Pendidikan Akhir, Status Kerja, Status Kawin, dan Jenis Kelamin), dan hanya memiliki perbedaan pada atribut satu Jurusan Asal. Ukuran kemiripan kedua pasangan objek dalam masingmasing klaster adalah : 4 sim ( 118,141) = = 0, ( + ) sim ( 556,660) = = 0, ( ) 79 Terlihat bahwa pasangan objek yang berada dalam klaster yang sama memiliki ukuran kemiripan lebih besar atau sama dengan 0,98, yaitu threshold hasil klastering terbaik. Sekarang akan dihitung kemiripan dari dua objek yang berada dalam klaster yang berbeda, sebagai contoh objek nomor 1898 yang berada dalam Klaster 21, dan objek nomor 1975 yang berada dalam Klaster 23. Kedua objek memiliki persamaan pada lima atribut, yaitu Jurusan asal, UPBJJ, Status Kerja, Jenis Kelamin, dan Status Kawin, dan memiliki perbedaan hanya pada satu atribut Pendidikan Akhir. Ukuran kemiripan dari kedua objek tersebut adalah :

12 51 5 sim ( 1898,1975) = = 0, ( ) 6 Terlihat bahwa walaupun objek 556 dan 660 memiliki persamaan pada lima atribut dari enam atribut yang ada, tetapi karena perbedaan terjadi pada atribut Pendidikan Akhir, yaitu salah satu dari empat atribut yang berpengaruh, maka tingkat kemiripan yang dimilikinya lebih kecil dari 0,98, yaitu threshold hasil klasteing terbaik. Oleh karenanya, kedua objek tersebut berada pada klaster yang berbeda. Algoritma QROCK menggunakan rumus similarity berbobot untuk menghitung tingkat kemiripan antar pasangan objek. Berdasarkan persamaan tersebut, ukuran kemiripan antar pasangan objek dipengaruhi oleh letak perbedaan atribut. Hal tersebut bisa dipahami karena kemungkinan bahwa dua objek memiliki nilai tidak sama akan berbeda untuk setiap atribut (Dutta et al. 2005). Atribut Jurusan Asal dan UPBJJ masing-masing memiliki 79 dan 39 status, sedangkan atribut Pendidikan Akhir, Status Kerja, Status Kawin, dan Jenis Kelamin masing-masing memiliki 6, 5, 2, 2 status. Jika perbedaan antara pasangan objek terletak pada atribut Jurusan Asal atau UPBJJ yang memiliki status cukup banyak, maka kedua objek memiliki tingkat kemiripan tinggi yang memungkinkan kedua objek berada dalam klaster yang sama. Sebaliknya jika perbedaan terletak pada atribut Pendidikan Akhir atau Status Kerja atau Status Kawin atau Jenis Kelamin yang memiliki status sedikit, maka kedua objek akan memiliki tingkat kemiripan kecil yang membuat kedua objek berada dalam klaster yang berbeda. Oleh sebab itu bisa dipahami bahwa terbentuknya klaster dipengaruhi oleh empat atribut seperti yang sudah disampaikan sebelumnya. Hasil klastering secara keseluruhan direpresentasikan dengan diagram yang ditampilkan pada Gambar 7.

13 52 Gambar 7 Diagram hasil klastering data kategori pada threshold 0,98 Pada Gambar 7 tampak bahwa dari 44 klaster yang terbentuk, terdapat enam klaster yang memiliki anggota terbanyak, yang meliputi 84% dari keseluruhan data observasi. Berdasarkan urutan jumlah anggota, keenam klaster tersebut adalah: Klaster 3, Klaster 2, Klaster 6, Klaster 7, Klaster 4, dan Klaster Klaster 3 merupakan klaster dengan anggota terbanyak, 1113 mahasiswa atau sekitar 27% dari keseluruhan data observasi. Karakteristik anggota Klaster 3 adalah mahasiswa laki-laki yang bekerja, tidak kawin, dengan pendidikan terakhir SLTA, dari beberapa jurusan asal dan UPBJJ. 2. Klaster 2 beranggotakan 882 mahasiswa, sekitar 21% dari keseluruhan data observasi, merupakan kelompok mahasiswa laki-laki yang tidak bekerja, tidak kawin, dengan pendidikan terakhir SLTA, dari beberapa jurusan asal dan UPBJJ. 3. Klaster 6 beranggotakan 609 mahasiswa, sekitar 15% dari keseluruhan data observasi, merupakan kelompok mahasiswa laki-laki yang tidak bekerja, kawin, dengan pendidikan terakhir SLTA, dari beberapa jurusan asal dan UPBJJ.

14 53 4. Klaster 7 beranggotakan 391 mahasiswa, sekitar 9%, dari keseluruhan data observasi, merupakan kelompok mahasiswa perempuan yang tidak bekerja, tidak kawin, dengan pendidikan terakhir SLTA, dari beberapa jurusan asal dan UPBJJ. 5. Klaster 4 beranggotakan 365 mahasiswa, sekitar 9%, dari keseluruhan data observasi, merupakan kelompok mahasiswa perempuan yang bekerja, tidak kawin, dengan pendidikan terakhir SLTA, dari beberapa jurusan asal dan UPBJJ. 6. Klaster 11 beranggotakan 139 mahasiswa, sekitar 3%, dari keseluruhan data observasi, merupakan kelompok mahasiswa perempuan yang bekerja, kawin, dengan pendidikan terakhir SLTA, dari beberapa jurusan asal dan UPBJJ. Walaupun data objek penelitian berasal dari beberapa latar belakang pendidikan akhir, tetapi 87% dari mereka memiliki latar belakang pendidikan akhir SLTA, termasuk enam klaster besar sebagaimana disebutkan diatas. Untuk selanjutnya, hanya enam klaster terbesar tersebut yang akan diproses lebih lanjut untuk mendapatkan hasil akhir. Karakteristik anggota klaster hasil klastering data kategori secara lengkap disajikan pada Lampiran Klastering Data umerik Hasil perhitungan nilai cophenet dari keenam kemungkinan kombinasi ukuran jarak dan metode penggabungan yang digunakan sebagai input dari algoritma AGNES disajikan pada Tabel 19. Tabel 19 Hasil perhitungan nilai cophenet Jarak antar Objek Metode Nilai Penggabungan Cophenet Single link Euclid Average link Complete link Single link Cityblock Average link Complete link Pada Tabel 19 terlihat bahwa hasil klastering terbaik, dengan nilai cophenet tertinggi 0.822, diperoleh dari kombinasi ukuran jarak Cityblock distance dan

15 54 metode penggabungan Average link. Dendrogram dari hasil klastering terbaik disajikan pada Gambar Data objek Jarak Penggabungan Gambar 8 Dendrogram hasil klastering data numerik Jumlah klaster diperoleh dengan cara memotong dendrogram pada jarak dimana terjadi loncatan jarak penggabungan. Mencari loncatan jarak penggabungan dilakukan dengan bantuan diagram batang daun dari semua jarak penggabungan yang ada. Diagram batang daun yang terbentuk memiliki rentang antara 0 s/d 15,211. Berdasarkan pengamatan pada diagram batang daun dari semua jarak penggabungan, loncatan terjadi pada jarak 2,8. Oleh karenanya, dilakukan pemotongan dendrogram pada jarak 2,8 (Gambar 8), dan menghasilkan 69 klaster. Dengan dipotongnya dendrogam pada jarak 2,8, itu berarti bahwa jarak antar objek dalam masing-masing klaster yang dihasilkan, tidak lebih dari 2,8. Pada Tabel 20 diberikan contoh satu klaster hasil klastering data numerik, yaitu Klaster 10. Tabel 20 Klaster 10 hasil klastering data numerik Nomor Urut Objek IPK SKS Umur Lama Studi Rata-rata

16 55 Klaster 10 beranggotakan enam mahasiswa dengan usia antara 33 s/d 41 tahun ketika mendaftar menjadi mahasiswa UT, kuliah selama 10 s/d 16 semester, IPK 1,12 s/d 1,41, dan telah lulus matakuliah 17 s/d 33 SKS. Akan ditunjukkan bahwa jarak antar objek dalam Klaster 10 tidak lebih dari 2,8. Jarak antar data objek dalam Klaster 10 dihitung berdasarkan angka hasil normalisasi data numerik, yang ditampilkan pada Tabel 21. Sedangkan hasil perhitungan jarak antar objek berdasarkan cityblock distance ditampilkan pada Tabel 22. Tabel 21 Anggota Klaster 10 hasil normalisasi Nomor Lama IPK SKS Umur Urut Objek Studi Tabel 22 Jarak cityblock antar data objek dalam Klaster 10 d(xy) Terlihat pada Tabel 22 bahwa jarak antar objek dalam Klaster 10 tidak lebih dari 2,8, yaitu jarak yang digunakan untuk memotong dendrogram untuk menentukan jumlah klaster. Secara umum, hasil klastering data numerik menunjukkan bahwa lebih dari 78% mahasiswa non aktif belajar di UT hanya selama dua semester. Tingkat kelulusan matakuliah dalam dua semester pertama sangat rendah, hal ini ditunjukkan dengan rendahnya SKS dan IPK yang dicapai. Dapat dikatakan bahwa dua semester pertama merupakan masa kritis bagi mahasiswa UT. Namun demikian sesungguhnya terdapat beberapa klaster kecil yang dapat dikategorikan sebagai outlier tetapi perlu mendapat perhatian, karena merupakan informasi penting bagi pengelola UT. Sebagai contoh, Klaster 4 dan Klaster 16. Klaster 4 hanya beranggotakan 1 mahasiswa yang sudah menempuh 145 SKS dengan IPK

17 , dan telah mengikuti pendidikan di UT selama 12 semester. Jika hanya dilihat dari SKS dan IPK yang diperoleh, seharusnya mahasiswa tersebut sudah memenuhi syarat kelulusan. Perlu pemeriksaan lebih lanjut apa yang menyebabkan mahasiswa tersebut berstatus non aktif. Sedangkan Klaster 16 beranggotakan 2 mahasiswa yang sudah menempuh 129 dan 132 SKS dengan IPK 2.32 dan Kedua mahasiswa dalam klaster 16 sesungguhnya berpotensi besar untuk menyelesaikan studinya karena sudah menempuh dan lulus cukup banyak matakuliah dengan IPK yang cukup memuaskan. Hasil klastering data numerik direpresentasikan dengan diagram yang ditampilkan pada Gambar 9. Gambar 9 Diagram hasil klastering data numerik Pada Gambar 9 tampak bahwa dari 69 klaster yang terbentuk, terdapat enam klaster yang memiliki anggota terbanyak, yang meliputi sekitar 88% dari data observasi. Berdasarkan urutan jumlah anggota, keenam klaster tersebut adalah: Klaster 18, Klaster 62, Klaster 28, Klaster 23, Klaster 12 dan Klaster Klaster 18 merupakan klaster dengan anggota terbanyak, 2340 mahasiswa atau sekitar 57% dari keseluruhan data observasi. Karakteristik anggota klaster 18 adalah mahasiswa yang ketika mendaftar sebagai mahasiswa UT

18 57 rata-rata berusia 23 tahun, menjadi mahasiswa UT rata-rata selama 1,8 semester, memiliki rata-rata IPK 1,52, dan lulus matakuliah rata-rata 13 SKS. 2. Klaster 62 beranggotakan 641 mahasiswa atau sekitar 16% dari keseluruhan data observasi. Karakteristik anggota klaster 62 adalah mahasiswa yang ketika mendaftar sebagai mahasiswa UT rata-rata berusia 31 tahun, menjadi mahasiswa UT rata-rata selama 2,5 semester, memiliki rata-rata IPK 1,64, dan lulus matakuliah rata-rata 16 SKS. 3. Klaster 28 beranggotakan 229 mahasiswa, sekitar 6% dari keseluruhan data observasi, merupakan kelompok mahasiswa yang ketika mendaftar sebagai mahasiswa UT rata-rata berusia 22 tahun, menjadi mahasiswa UT rata-rata selama 5,7 semester, memiliki rata-rata IPK 2,03, dan lulus matakuliah ratarata 44 SKS. 4. Klaster 23 beranggotakan 136 mahasiswa, sekitar 3% dari keseluruhan data observasi, merupakan kelompok mahasiswa yang ketika mendaftar sebagai mahasiswa UT rata-rata berusia 42 tahun, menjadi mahasiswa UT rata-rata selama 1,9 semester, memiliki rata-rata IPK 1,40, dan lulus matakuliah ratarata 10 SKS. 5. Klaster 12 beranggotakan 122 mahasiswa, sekitar 3% dari keseluruhan data observasi, merupakan kelompok mahasiswa yang ketika mendaftar sebagai mahasiswa UT rata-rata berusia 21 tahun, menjadi mahasiswa UT rata-rata selama 1,6 semester, memiliki rata-rata IPK 2,96, dan lulus matakuliah ratarata 12 SKS. 6. Klaster 47 beranggotakan 116 mahasiswa, sekitar 3% dari keseluruhan data observasi, merupakan kelompok mahasiswa yang ketika mendaftar sebagai mahasiswa UT rata-rata berusia 23 tahun, menjadi mahasiswa UT rata-rata selama 7 semester, memiliki rata-rata IPK 1,42, dan lulus matakuliah ratarata 29 SKS Untuk selanjutnya, hanya enam klaster tersebut yang akan diproses lebih lanjut untuk mendapatkan hasil akhir. Karakteristik anggota klaster hasil klastering data numerik secara lengkap disajikan pada Lampiran 5.

A ALISIS KARAKTERISTIK MAHASISWA O AKTIF U IVERSITAS TERBUKA DE GA PE DEKATA CLUSTER E SEMBLE DYAH PAMI TA RAHAYU

A ALISIS KARAKTERISTIK MAHASISWA O AKTIF U IVERSITAS TERBUKA DE GA PE DEKATA CLUSTER E SEMBLE DYAH PAMI TA RAHAYU A ALISIS KARAKTERISTIK MAHASISWA O AKTIF U IVERSITAS TERBUKA DE GA PE DEKATA CLUSTER E SEMBLE DYAH PAMI TA RAHAYU SEKOLAH PASCASARJA A I STITUT PERTA IA BOGOR BOGOR 2009 PER YATAA ME GE AI TESIS DA SUMBER

Lebih terperinci

ANALISIS KARAKTERISTIK KELOMPOK DENGAN MENGGUNAKAN PENDEKATAN CLUSTER ENSEMBLE

ANALISIS KARAKTERISTIK KELOMPOK DENGAN MENGGUNAKAN PENDEKATAN CLUSTER ENSEMBLE ANALISIS KARAKTERISTIK KELOMPOK DENGAN MENGGUNAKAN PENDEKATAN CLUSTER ENSEMBLE Dyah Paminta Rahayu(dyahp@ut.ac.id) Jurusan Matematika FMIPA Universitas Terbuka ABSTRAK Pengelompokkan merupakan salah satu

Lebih terperinci

1 PE DAHULUA. 1.1 Latar Belakang

1 PE DAHULUA. 1.1 Latar Belakang 1 PE DAHULUA 1.1 Latar Belakang Universitas Terbuka (UT) adalah Perguruan Tinggi Negeri yang didirikan dengan tujuan antara lain untuk memberikan kesempatan memperoleh pendidikan tinggi kepada warga Indonesia

Lebih terperinci

Panduan Aplikasi. System Registrasi Online (SRO) Non Pendas. Pusat Komputer - Universitas Terbuka Kementrian Pendidikan dan Kebudayaan

Panduan Aplikasi. System Registrasi Online (SRO) Non Pendas. Pusat Komputer - Universitas Terbuka Kementrian Pendidikan dan Kebudayaan Panduan Aplikasi System Registrasi Online (SRO) Non Pendas Pusat Komputer - Universitas Terbuka Kementrian Pendidikan dan Kebudayaan Agustus, 2012 1.0 MULAI Untuk membuka website System Registrasi Online

Lebih terperinci

HASIL DAN PEMBAHASAN. Data

HASIL DAN PEMBAHASAN. Data Transformasi data, mengubah data ke bentuk yang dapat di-mine sesuai dengan perangkat lunak yang digunakan pada penelitian. Penentuan Data Latih dan Data Uji Dalam penelitian ini data terdapat dua metode

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sejalan dengan perkembangan teknologi informasi, semakin bertambah pula kemampuan komputer dalam membantu menyelesaikan permasalahanpermasalahan di berbagai

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Peminatan atau konsenterasi merupakan fokus mahasiswa terhadap suatu bidang studi tertentu yang sesuai dengan minatnya. Tujuannya yaitu untuk lebih memfokuskan

Lebih terperinci

Jakarta, Juli 2009 Rektor Universitas Terbuka. Prof. Ir. Tian Belawati, M.Ed, Ph.D NIP

Jakarta, Juli 2009 Rektor Universitas Terbuka. Prof. Ir. Tian Belawati, M.Ed, Ph.D NIP KATA PENGANTAR Sistem pendidikan yang inovatif seperti Penyelenggaraan Program Pendidikan Berkelanjutan melalui pendidikan jarak jauh adalah merupakan pijakan tepat bagi Universitas Terbuka untuk mengembangkan

Lebih terperinci

BAB 3 METODE PENELITIAN. Jenis sumber data yang didapatkan peneliti adalah data primer dan data sekunder.

BAB 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 terperinci

khazanah Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Metode Naive Bayes

khazanah Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Metode Naive Bayes 29 khazanah informatika Jurnal Ilmu Komputer dan Informatika Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Muh Amin Nurrohmat

Lebih terperinci

II. REGISTRASI DAN BIAYA PENDIDIKAN

II. REGISTRASI DAN BIAYA PENDIDIKAN 4 Katalog Universitas Terbuka 2013 FEKON, FISIP, FMIPA, dan FKIP Non Pendas Kota/Kabupaten, Pondok Pesantren, Kowani, POLRI, Badan Kepegawaian Negara (BKN), dan beberapa instansi lainnya. UT menyelenggarakan

Lebih terperinci

BAB I PENDAHULUAN. waktu mendatang. Perkembangan teknologi informasi membuat pencarian. data data sangat mudah bahkan cenderung berlebihan.

BAB I PENDAHULUAN. waktu mendatang. Perkembangan teknologi informasi membuat pencarian. data data sangat mudah bahkan cenderung berlebihan. BAB I PENDAHULUAN A. Latar Belakang Dengan kemajuan teknologi informasi dewasa ini kebutuhan akan informasi yang akurat sangat dibutuhkan, dikarenakan informasi akan menjadi suatu elemen penting dalam

Lebih terperinci

KEPUTUSAN REKTOR UNIVERSITAS INDONESIA NOMOR: 838A/SK/R/UI/2007 REKTOR UNIVERSITAS INDONESIA,

KEPUTUSAN REKTOR UNIVERSITAS INDONESIA NOMOR: 838A/SK/R/UI/2007 REKTOR UNIVERSITAS INDONESIA, KEPUTUSAN REKTOR UNIVERSITAS INDONESIA NOMOR: 838A/SK/R/UI/2007 TENTANG ADMINISTRASI HASIL BELAJAR MAHASISWA UNIVERSITAS INDONESIA REKTOR UNIVERSITAS INDONESIA, Menimbang: a bahwa Universitas Indonesia

Lebih terperinci

FORMULIR BEASISWA ARTAJASA 2014

FORMULIR BEASISWA ARTAJASA 2014 FORMULIR BEASISWA ARTAJASA 2014 Seluruh jawaban harap diketik di komputer, lalu di print Untuk jawaban Essay hanya diperbolehkan maksimal sebanyak 250 kata untuk setiap pertanyaan 1. Nama Lengkap : 2.

Lebih terperinci

KONSEP DASAR MEMBANGUN SISTEM INFORMASI AKADEMIK JURUSAN /PRODI

KONSEP DASAR MEMBANGUN SISTEM INFORMASI AKADEMIK JURUSAN /PRODI KONSEP DASAR MEMBANGUN SISTEM INFORMASI AKADEMIK JURUSAN /PRODI Desain Pengembangan Pengembangan meliputi data awal yang diperlukan dalam pengembangan system, proses program serta hasil akhir yang diharapkan.

Lebih terperinci

ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK

ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK ANALISIS PENERAPAN TEKNIK DATAMINING DALAM PENGIMPLEMENTASIAN DAN PENGEMBANGAN MODEL ACTIVE LEARNING DENGAN METODE KELOMPOK Dody Herdiana, S.T., M. Kom. Dosen PNS DPK pada Program Studi Teknik Informatika

Lebih terperinci

Jakarta, Juli 2009 Rektor Universitas Terbuka

Jakarta, Juli 2009 Rektor Universitas Terbuka KATA PENGANTAR Kebijakan Depdiknas dalam peningkatan kompetensi melalui program pendidikan berkelanjutan, berdampak pada tumbuhnya hasrat dan minat masyarakat maupun para profesional untuk meningkatkan

Lebih terperinci

FORMULIR PENDAFTARAN PROGRAM PASCASARJANA UNIVERSITAS LAMPUNG NOMOR PENDAFTARAN :

FORMULIR PENDAFTARAN PROGRAM PASCASARJANA UNIVERSITAS LAMPUNG NOMOR PENDAFTARAN : FORMULIR PENDAFTARAN PROGRAM PASCASARJANA UNIVERSITAS LAMPUNG NAMA PROGRAM STUDI :... : Magister Ilmu Akuntansi NOMOR PENDAFTARAN : BIO DATA (Diisi dengan huruf cetak dan lengkap) 1. IDENTITAS Nama Lengkap

Lebih terperinci

STANDAR PENILAIAN PEMBELAJARAN

STANDAR PENILAIAN PEMBELAJARAN STANDAR PENILAIAN PEMBELAJARAN Kode Dokumen : Revisi ke : Tanggal : 15 April 2015 Diajukan Oleh Disetujui oleh : Tim Penjaminan Mutu : Direktur Naproni, S. T., M. Kom. NIK. 0106003 SISTEM PENJAMINAN MUTU

Lebih terperinci

PANDUAN SELEKSI CALON MAHASISWA PROGRAM NON REGULER/EKSTENSI DAN PROGRAM DIPLOMA TAHAP II (PERIODE JULI AGUSTUS) 2014

PANDUAN SELEKSI CALON MAHASISWA PROGRAM NON REGULER/EKSTENSI DAN PROGRAM DIPLOMA TAHAP II (PERIODE JULI AGUSTUS) 2014 PANDUAN SELEKSI CALON MAHASISWA PROGRAM NON REGULER/EKSTENSI DAN PROGRAM DIPLOMA TAHAP II (PERIODE JULI AGUSTUS) 2014 PANITIA SELEKSI PENERIMAAN MAHASISWA BARU UNIVERSITAS UDAYANA 2014 1 KATA PENGANTAR

Lebih terperinci

FORMULIR LAMARAN PROGRAM MAGISTER

FORMULIR LAMARAN PROGRAM MAGISTER NOMOR PENDAFTARAN : Pas Foto 3 x 4 FORMULIR LAMARAN PROGRAM MAGISTER I. DATA PRIBADI Nama Lengkap (dengan gelas S1) NIP/NIPY : /. Agama Jenis Kelamin : Pria Wanita Status Perkawinan : Kawin Belum Kawin

Lebih terperinci

PROSEDUR OPERASIONAL STANDAR PENILAIAN HASIL BELAJAR MAHASISWA. Disiapkan oleh, Diperiksa oleh, Disahkan oleh, dto

PROSEDUR OPERASIONAL STANDAR PENILAIAN HASIL BELAJAR MAHASISWA. Disiapkan oleh, Diperiksa oleh, Disahkan oleh, dto PENILAIAN HASIL BELAJAR MAHASISWA Disiapkan oleh, Diperiksa oleh, Disahkan oleh, dto dto dto Dra. Indaryanti, M.Pd. Dra. Cecil Hiltrimartin, M.Si. Dra.Nyimas Aisyah, M.Pd. Ketua Tim Standar Pembelajaran

Lebih terperinci

STANDAR PENILAIAN PEMBELAJARAN

STANDAR PENILAIAN PEMBELAJARAN STANDAR PENILAIAN PEMBELAJARAN BADAN PENJAMINAN MUTU (BAJAMTU) UNIVERSITAS GUNADARMA 2017 Deskripsi Proses pembelajaran adalah kegiatan yang diterima oleh mahasiswa selama menempuh pendidikan, baik secara

Lebih terperinci

SOSIALISASI PANDUAN AKADEMIK PROGRAM STUDI AKUNTANSI FE - UST TAHUN AKADEMIK 2015/2016

SOSIALISASI PANDUAN AKADEMIK PROGRAM STUDI AKUNTANSI FE - UST TAHUN AKADEMIK 2015/2016 SOSIALISASI PANDUAN AKADEMIK PROGRAM STUDI AKUNTANSI FE - UST TAHUN AKADEMIK 2015/2016 Akreditasi B Unggulan TAMANSISWA Nasional 2018 Asia Tenggara 2028 1. PENDIDIKAN 2. PENELITIAN 3. PENGABDIAN MASYARAKAT

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN 22 III. METODOLOGI PENELITIAN 2.5. Data Penelitian Data dalam penelitian ini menggunakan data sekunder yang diperoleh dari bagian Akademis POLBAN serta data pendukung yang merupakan data primer (persepsi)

Lebih terperinci

PANDUAN P2M KOMPTENSI KELULUSAN PENGANTAR

PANDUAN P2M KOMPTENSI KELULUSAN PENGANTAR PENGANTAR Buku panduan kompetensi lulusan ini dibuat dengan maksud dan tujuan untuk mengukur standar kelulusan mahasiswa di STTR Cepu. Hal ini dilaksanakan agar mutu lulusan STTR Cepu memiliki kompetensi

Lebih terperinci

BAB I PENDAHULUAN. keadaan dimana hampir semua hal dapat direpresentasikan dalam bentuk digital dan

BAB I PENDAHULUAN. keadaan dimana hampir semua hal dapat direpresentasikan dalam bentuk digital dan BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Revolusi digital yang dijumpai saat ini dapat dideskripsikan sebagai suatu keadaan dimana hampir semua hal dapat direpresentasikan dalam bentuk digital dan

Lebih terperinci

Standard Operating Procedure PEMBUATAN TRANSKRIP AKADEMIK

Standard Operating Procedure PEMBUATAN TRANSKRIP AKADEMIK Standard Operating Procedure PEMBUATAN TRANSKRIP AKADEMIK FAKULTAS KEDOKTERAN GIGI UNIVERSITAS BRAWIJAYA 2017 0 LEMBAR IDENTIFIKASI Nama Dokumen : Pembuatan Transkrip Akademik Kode Dokumen : UN10/F14/11/11/HK.01.02.a/102

Lebih terperinci

PEDOMAN PELAKSANAAN PRAKTIKUM PROGRAM STUDI ILMU DAN TEKNOLOGI PANGAN (S1)

PEDOMAN PELAKSANAAN PRAKTIKUM PROGRAM STUDI ILMU DAN TEKNOLOGI PANGAN (S1) PEDOMAN PELAKSANAAN PRAKTIKUM PROGRAM STUDI ILMU DAN TEKNOLOGI PANGAN (S1) PROGRAM STUDI ILMU DAN TEKNOLOGI PANGAN JURUSAN BIOLOGI FMIPA UNIVERSITAS TERBUKA 2013 I. PENDAHULUAN Program studi Ilmu dan Teknologi

Lebih terperinci

PANDUAN PENGISIAN FORMULIR GURU DAN TENAGA KEPENDIDIKAN

PANDUAN PENGISIAN FORMULIR GURU DAN TENAGA KEPENDIDIKAN PANDUAN PENGISIAN FORMULIR GURU DAN TENAGA KEPENDIDIKAN F-GTK IDENTITAS PENDIDIK DAN TENAGA KEPENDIDIKAN 1 Nama Lengkap (Tanpa Gelar) : Nama GTK sesuai dokumen resmi yang berlaku, tanpa mencantumkan gelar

Lebih terperinci

BAB I PENDAHULUAN. kelulusan. Hal ini menyebabkan rendahnya tingkat grade nilai yang dicapai oleh

BAB I PENDAHULUAN. kelulusan. Hal ini menyebabkan rendahnya tingkat grade nilai yang dicapai oleh BAB I PENDAHULUAN 1.1 LATAR BELAKANG Pemilihan jurusan oleh seorang calon mahasiswa bukanlah hal yang mudah dan dapat diremehkan, karena banyak hal yang harus dipertimbangkan seperti biaya, kemampuan diri,

Lebih terperinci

Desain Sistem SIAK Versi Dokumen 1.1

Desain Sistem SIAK Versi Dokumen 1.1 Desain Sistem SIAK Versi Dokumen 1.1 Hal. 1/29 Daftar Isi 1. DESAIN SISTEM SIAK... 4 1.1 User yang Terlibat dalam SIAK... 4 1.1.1 Level Pengguna... 4 1.1.2 Hak Akses SIAK... 4 1.2 Desain Arsitektur SIAK...

Lebih terperinci

Latar Belakang. Program Sertifikat Administrasi Pemerintahan Desa - 1

Latar Belakang. Program Sertifikat Administrasi Pemerintahan Desa - 1 1. Latar Belakang Saat ini terjadi ledakan kebutuhan standarisasi kualifikasi para aparatur desa khususnya Sekretaris Desa sebesar -+ 67.000 orang untuk ditingkatkan kompetensinya (Ditjen PMD, 2010). Kondisi

Lebih terperinci

PDF Compressor Pro. Petunjuk Penggunaan. Sistem Informasi Akademik Universitas HKBP Nommensen. Pengguna : Mahasiswa

PDF Compressor Pro. Petunjuk Penggunaan. Sistem Informasi Akademik Universitas HKBP Nommensen. Pengguna : Mahasiswa Petunjuk Penggunaan Sistem Informasi Akademik Universitas HKBP Nommensen Pengguna : Mahasiswa Disusun Oleh : PUSAT SISTEM INFORMASI (PSI) UNIVERSITAS HKBP NOMMENSEN MEDAN 2013 Daftar Isi Alamat Sistem

Lebih terperinci

KATA PENGANTAR P. Jakarta, Juli 2010 Rektor Universitas Terbuka. Prof. Ir. Tian Belawati, M.Ed, Ph.D NIP

KATA PENGANTAR P. Jakarta, Juli 2010 Rektor Universitas Terbuka. Prof. Ir. Tian Belawati, M.Ed, Ph.D NIP KATA PENGANTAR P enyelenggaraan Program Sertifikat BerBahasa Inggris melalui pendidikan jarak jauh merupakan pilihan yang tepat bagi Universitas Terbuka untuk mengembangkan dan melaksanakan program Pendidikan

Lebih terperinci

BAB III EVALUASI KEBERHASILAN

BAB III EVALUASI KEBERHASILAN BAB III EVALUASI KEBERHASILAN Evaluasi keberhasilan proses pendidikan ada dua hal, yaitu keberhasilan proses penyelenggaraan acara pendidikan, dan keberhasilan usaha belajar mahasiswa. Pertama meliputi

Lebih terperinci

Panduan SISKA SISTEM INFORMASI AKADEMIK STMIK KHARISMA. STMIK KHARISMA Makassar

Panduan SISKA SISTEM INFORMASI AKADEMIK STMIK KHARISMA. STMIK KHARISMA Makassar Panduan SISKA SISTEM INFORMASI AKADEMIK STMIK KHARISMA STMIK KHARISMA 2014 TENTANG SISKA Sistem Informasi Akademik STMIK KHARISMA (SISKA), merupakan program aplikasi berbasis web (on-line) yang ditujukan

Lebih terperinci

Jadwal Registrasi dan Ujian untuk Program Pascasarjana (PPs) Batas Akhir Registrasi* 3 Februari Agustus 2010

Jadwal Registrasi dan Ujian untuk Program Pascasarjana (PPs) Batas Akhir Registrasi* 3 Februari Agustus 2010 Katalog Universitas Terbuka 2010 223 5. Program Pascasarjana (PPs) a. Pendaftaran dan Registrasi 1) Calon mahasiswa dapat meminta informasi dan formulir pendaftaran di UPBJJ-UT penyelenggara program. 2)

Lebih terperinci

STANDARD OPERATING PROCEDURE PEMBIMBINGAN AKADEMIK

STANDARD OPERATING PROCEDURE PEMBIMBINGAN AKADEMIK JUDUL PEMBIMBINGAN 01 Agustus PEMBIMBINGAN JUDUL PEMBIMBINGAN 01 Agustus A. TUJUAN 1. Menjelaskan tentang tata cara pelaksanaan pembimbingan akademik oleh dosen Pembimbing Akademik kepada sejumlah mahasiswa

Lebih terperinci

Peubah yang diamati sebagai peubah respon adalah peubah indikator keberhasilan mahasiswa, sedangkan peubah lainnya digunakan sebagai peubah penjelas.

Peubah yang diamati sebagai peubah respon adalah peubah indikator keberhasilan mahasiswa, sedangkan peubah lainnya digunakan sebagai peubah penjelas. 5 diamati sebagai peubah respon adalah peubah indikator keberhasilan mahasiswa, sedangkan peubah lainnya digunakan sebagai peubah penjelas. Metode Analisis Tahapan-tahapan dilakukan dalam penelitian ini

Lebih terperinci

Kata Pengantar Alamat Universitas Terbuka

Kata Pengantar Alamat Universitas Terbuka Katalog Universitas Terbuka 2013 FEKON, FISIP, FMIPA, dan FKIP Non Pendas Edisi 2 vii Daftar Isi Kata Pengantar Alamat Universitas Terbuka Daftar Isi iii v vii I. PENDAHULUAN 1 A. Tujuan Pendirian UT 1

Lebih terperinci

BUKU PANDUAN PERSYARATAN SELEKSI CALON MAHASISWA PROGRAM NON REGULER/EKSTENSI DAN PROGRAM DIPLOMA

BUKU PANDUAN PERSYARATAN SELEKSI CALON MAHASISWA PROGRAM NON REGULER/EKSTENSI DAN PROGRAM DIPLOMA BUKU PANDUAN PERSYARATAN SELEKSI CALON MAHASISWA PROGRAM NON REGULER/EKSTENSI DAN PROGRAM DIPLOMA PANITIA UNIVERSITAS UDAYANA 2012 1 KATA PENGANTAR Buku Panduan ini disusun untuk memberikan informasi tentang

Lebih terperinci

BAB III ANALISIS DAN PERANCANGAN SISTEM

BAB III ANALISIS DAN PERANCANGAN SISTEM BAB III ANALISIS DAN PERANCANGAN SISTEM Metodologi penelitian pada Tugas Akhir dengan judul rancang bangun sistem analisis dan simulasi pengaruh nilai akademik SMA terhadap IPK mencakup beberapa hal yaitu

Lebih terperinci

PERMOHONAN MENDAFTAR PADA SEKOLAH PASCASARJANA (Harap diisi dengan huruf cetak) 1. Nama :...

PERMOHONAN MENDAFTAR PADA SEKOLAH PASCASARJANA (Harap diisi dengan huruf cetak) 1. Nama :... Formulir A PERMOHONAN MENDAFTAR PADA (Harap diisi dengan huruf cetak) 1. Nama :... Tempat lahir :...... Tanggal lahir : Kewarganegaraan : Indonesia Asing Jenis kelamin : Laki-laki Perempuan Status perkawinan

Lebih terperinci

PEDOMAN PENGISIAN FORMULIR PENDIDIK DAN TENAGA KEPENDIDIKAN (F-PTK) DIREKTORAT JENDERAL PENDIDIKAN DASAR

PEDOMAN PENGISIAN FORMULIR PENDIDIK DAN TENAGA KEPENDIDIKAN (F-PTK) DIREKTORAT JENDERAL PENDIDIKAN DASAR Pedoman Umum 1. Formulir disi dengan menggunakan ballpoint dan huruf kapital dan mudah dibaca 2. Formulir Pendidik dan Tenaga Kependidikan (F-PTK) diisi oleh masing-masing individu PTK dan bertanggungjawab

Lebih terperinci

INFORMASI PENDAFTARAN SEKOLAH PASCASARJANA UNIVERSITAS PENDIDIKAN INDONESIA TAHUN AKADEMIK 2007/2008

INFORMASI PENDAFTARAN SEKOLAH PASCASARJANA UNIVERSITAS PENDIDIKAN INDONESIA TAHUN AKADEMIK 2007/2008 INFORMASI PENDAFTARAN SEKOLAH PASCASARJANA UNIVERSITAS PENDIDIKAN INDONESIA TAHUN AKADEMIK 2007/2008 SEKOLAH PASCASARJANA UNIVERSITAS PENDIDIKAN INDONESIA Jl. Dr. Setiabudi No. 229 Bandung 40154 Telepon:

Lebih terperinci

Kata Pengantar Alamat Universitas Terbuka

Kata Pengantar Alamat Universitas Terbuka Katalog Universitas Terbuka 2013 FEKON, FISIP, FMIPA, dan FKIP Non Pendas vii Daftar Isi Kata Pengantar Alamat Universitas Terbuka Daftar Isi iii v vii I. PENDAHULUAN 1 A. Tujuan Pendirian UT 1 B. Sistem

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Penelitian Informasi merupakan suatu unsur kunci yang penting di dalam suatu sistem konseptual. Suatu informasi dapat terbentuk melalui berbagai cara

Lebih terperinci

PANDUAN PENDAFTARAN BEASISWA PENDIDIKAN PASCASARJANA (BPPS)

PANDUAN PENDAFTARAN BEASISWA PENDIDIKAN PASCASARJANA (BPPS) PANDUAN PENDAFTARAN BEASISWA PENDIDIKAN PASCASARJANA (BPPS) Pendaftaran Beasiswa Pendidikan Pascasarjana (BPPS) Direktorat Jenderal Pendidikan Tinggi dilakukan secara on-line oleh pelawan itu sendiri.

Lebih terperinci

BAB II SISTEM PENDIDIKAN

BAB II SISTEM PENDIDIKAN BAB II SISTEM PENDIDIKAN A. PENGERTIAN DASAR Sistem Kredit Semester atau disingkat SKS adalah suatu sistem penyelenggaraan pendidikan dengan menggunakan satuan kredit semester atau disingkat sks untuk

Lebih terperinci

Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN

Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN

Lebih terperinci

PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA

PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Andi Gita Novianti 1, Dian Prasetyo 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,

Lebih terperinci

PROGRAM STUDI PASCASARJANA (S2)

PROGRAM STUDI PASCASARJANA (S2) No. Mahasiswa : FORMULIR REGISTRASI PROGRAM PASCASARJANA I. PENGANTAR Yang bertanda tangan pada formulir ini minta didaftar pada : 1. Institusi : Universitas Mercu Buana 2. Program Pendidikan : Magister

Lebih terperinci

BAB V PEMBAHASAN. Data dikumpulkan dari 239 alumni Prodi Statistika FMIPA UII, sebagai

BAB V PEMBAHASAN. Data dikumpulkan dari 239 alumni Prodi Statistika FMIPA UII, sebagai 32 BAB V PEMBAHASAN Klasifikasi lama penyeesaian skripsi Prodi Statistika FMIPA UII akan digunakan sebagai contoh penerapan I-CHAID dalam klasifikasi. Data alumni diambil dari Bagian Akademik FMIPA UII

Lebih terperinci

PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5

PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,

Lebih terperinci

BUKU PANDUAN PENGGUNAAN SIMAK (SISTEM INFORMASI AKADEMIK) UNIVERSITAS UDAYANA

BUKU PANDUAN PENGGUNAAN SIMAK (SISTEM INFORMASI AKADEMIK) UNIVERSITAS UDAYANA BUKU PANDUAN PENGGUNAAN SIMAK (SISTEM INFORMASI AKADEMIK) UNIVERSITAS UDAYANA Berikut ini adalah panduan penggunaan SIMAK (Sistem Informasi Akademik) Universitas Udayana. 1. Login imissu. Setiap mahasiswa

Lebih terperinci

PANDUAN SISTEM INFORMASI AKADEMIK UNTUK MAHASISWA

PANDUAN SISTEM INFORMASI AKADEMIK UNTUK MAHASISWA PANDUAN SISTEM INFORMASI AKADEMIK UNTUK MAHASISWA SEKOLAH TINGGI ILMU EKONOMI WIDYA GAMA LUMAJANG Jl. Jend. Gatot Subroto No. 4 Lumajang DAFTAR ISI Halaman Daftar Isi... 1 1. Login pada sistem informasi

Lebih terperinci

PRESTASI BELAJAR MAHASISWA PROGRAM STATISTIKA TERAPAN FMIPA-UT YANG BERASAL DARI SMA IPA/A1/A2 DENGAN SLTA LAINNYA. Oleh: Drs.

PRESTASI BELAJAR MAHASISWA PROGRAM STATISTIKA TERAPAN FMIPA-UT YANG BERASAL DARI SMA IPA/A1/A2 DENGAN SLTA LAINNYA. Oleh: Drs. PRESTASI BELAJAR MAHASISWA PROGRAM STATISTIKA TERAPAN FMIPA-UT YANG BERASAL DARI SMA IPA/A1/A2 DENGAN SLTA LAINNYA Oleh: Drs. Ribut Alam Malau FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS

Lebih terperinci

BAB V KESIMPULAN DAN REKOMENDASI. kontribusi kualitas modul, kinerja tutor dan motivasi belajar mahasiswa

BAB V KESIMPULAN DAN REKOMENDASI. kontribusi kualitas modul, kinerja tutor dan motivasi belajar mahasiswa 186 BAB V KESIMPULAN DAN REKOMENDASI A. Kesimpulan Berdasarkan pembahasan penelitian yang dilakukan mengenai kontribusi kualitas modul, kinerja tutor dan motivasi belajar mahasiswa terhadap pemahaman konsep

Lebih terperinci

BAB I PENDAHULUAN. Perguruan tinggi yang baik dipengaruhi oleh kualitas. mahasiswa di dalamnya. Mahasiswa merupakan objek

BAB I PENDAHULUAN. Perguruan tinggi yang baik dipengaruhi oleh kualitas. mahasiswa di dalamnya. Mahasiswa merupakan objek 1 BAB I PENDAHULUAN 1.1. Latar Belakang Perguruan tinggi yang baik dipengaruhi oleh kualitas mahasiswa di dalamnya. Mahasiswa merupakan objek pembelajaran bagi perguruan tinggi sehingga jika prestasi mahasiswa

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN

BAB IV HASIL DAN PEMBAHASAN BAB IV HASIL DAN PEMBAHASAN Pada bab ini akan diuraikan mengenai pelaksanaan terhadap hasil perancangan yang telah diperoleh sebelumnya. Hasil perancangan pada tahap perancangan akan diimplemetasikan menjadi

Lebih terperinci

PIN dan SIVIL. Pedoman Penggunaan Sistem Penomoran Ijazah Nasional

PIN dan SIVIL. Pedoman Penggunaan Sistem Penomoran Ijazah Nasional PIN dan SIVIL BIMBINGAN TEKNIS PENOMORAN IJAZAH NASIONAL (PIN) & SISTEM INFORMASI VERIFIKASI IJAZAH SECARA ELEKTRONIK (SIVIL) Pedoman Penggunaan Sistem Penomoran Ijazah Nasional Didi Rustam Kepala Seksi

Lebih terperinci

PANDUAN PENGISIAN KARTU RENCANA STUDI (KRS) PROGRAM STUDI SISTEM KOMPUTER TAHUN AJARAN GENAP 2017 / 2018

PANDUAN PENGISIAN KARTU RENCANA STUDI (KRS) PROGRAM STUDI SISTEM KOMPUTER TAHUN AJARAN GENAP 2017 / 2018 PANDUAN PENGISIAN KARTU RENCANA STUDI (KRS) PROGRAM STUDI SISTEM KOMPUTER TAHUN AJARAN GENAP 2017 / 2018 FAKULTAS TEKNOLOGI INFORMASI UNIVERSITAS BUDI LUHUR 2017 PANDUAN PENGISIAN KRS UNTUK MAHASISWA ANGKATAN

Lebih terperinci

Kementerian Kesehatan RI Politeknik Kesehatan Jakarta III. Tata Cara Pendaftaran Penerimaan Mahasiswa Baru Jalur PMDP Tahun 2016

Kementerian Kesehatan RI Politeknik Kesehatan Jakarta III. Tata Cara Pendaftaran Penerimaan Mahasiswa Baru Jalur PMDP Tahun 2016 Kementerian Kesehatan RI Politeknik Kesehatan Jakarta III Tata Cara Pendaftaran Penerimaan Mahasiswa Baru Jalur PMDP Tahun 2016 TATA CARA PENDAFTARAN 1. Pendaftaran penerimaan mahasiswa baru jalur PMDP

Lebih terperinci

KEPUTUSAN REKTOR UNIVERSITAS ISLAM NAHDLATUL ULAMA JEPARA NOMOR : 176/SK/UNISNU/XII/2014 TENTANG : PEDOMAN EVALUASI KEBERHASILAN STUDI MAHASISWA

KEPUTUSAN REKTOR UNIVERSITAS ISLAM NAHDLATUL ULAMA JEPARA NOMOR : 176/SK/UNISNU/XII/2014 TENTANG : PEDOMAN EVALUASI KEBERHASILAN STUDI MAHASISWA KEPUTUSAN REKTOR UNIVERSITAS ISLAM NAHDLATUL ULAMA JEPARA NOMOR : 176/SK/UNISNU/XII/2014 TENTANG PEDOMAN EVALUASI KEBERHASILAN STUDI MAHASISWA UNIVERSITAS ISLAM NAHDLATUL ULAMA JEPARA Bismillahirrahmanirrahim

Lebih terperinci

PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE

PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK

Lebih terperinci

PERATURAN DAN PETUNJUK TEKNIS PENGUMUMAN NILAI SEMESTER GASAL DAN REGISTRASI SEMESTER GENAP TAHUN AKADEMIK 2014/2015

PERATURAN DAN PETUNJUK TEKNIS PENGUMUMAN NILAI SEMESTER GASAL DAN REGISTRASI SEMESTER GENAP TAHUN AKADEMIK 2014/2015 PERATURAN DAN PETUNJUK TEKNIS PENGUMUMAN NILAI SEMESTER GASAL DAN REGISTRASI SEMESTER GENAP TAHUN AKADEMIK 2014/2015 Jadwal Pengumuman Nilai dan Registrasi No. Kegiatan Tanggal 1 Pengumuman Nilai Semester

Lebih terperinci

MODUL PANDUAN SISTEM INFORMASI AKADEMIK TERPADU SIAKAT

MODUL PANDUAN SISTEM INFORMASI AKADEMIK TERPADU SIAKAT MODUL PANDUAN SISTEM INFORMASI AKADEMIK TERPADU SIAKAT 1. INFORMASI UMUM PROGRAM APLIKASI 1.1. PROGRAM STUDI Program Studi dimaksud adalah nam program yang ada di lingkungan Pendidikan yaitu contoh : KODE

Lebih terperinci

KODE MATAKULIAH SKS KELAS SMTR JADWAL STATUS MT.KUL

KODE MATAKULIAH SKS KELAS SMTR JADWAL STATUS MT.KUL Alamat : Jl. Mataram No. Mangli Jember - Jawa Timur Indonesia 6836 Telp : 033-487550, Fax : 033-427005 KARTU RENCANA STUDI NIM / Nama : 0833409 / MUHAMMAD YUSUF Semester : 5 Sesi / Tahun Akademik : GANJIL

Lebih terperinci

FORMULIR BIDIKMISI UIN IMAM BONJOL PADANG TAHUN 2018

FORMULIR BIDIKMISI UIN IMAM BONJOL PADANG TAHUN 2018 FORMULIR BIDIKMISI UIN IMAM BONJOL PADANG TAHUN 2018 Foto 2 x 3 IDENTITAS DIRI ID Pendaftaran SPAN-PTKIN : Nama Lengkap : Jenis Kelamin : Laki-laki Perempuan Jalur Masuk UIN Imam Bonjol : SPAN PTKIN UM

Lebih terperinci

DOKUMEN KELENGKAPAN PENDAFTARAN PROGRAM PASCASARJANA UNIVERSITAS AHMAD DAHLAN YOGYAKARTA

DOKUMEN KELENGKAPAN PENDAFTARAN PROGRAM PASCASARJANA UNIVERSITAS AHMAD DAHLAN YOGYAKARTA DOKUMEN KELENGKAPAN PENDAFTARAN PROGRAM PASCASARJANA UNIVERSITAS AHMAD DAHLAN YOGYAKARTA A. Biaya Pendaftaran Magister Psikologi Profesi Rp 750.000,00 (tujuh ratus lima puluh ribu rupiah). B. Setelah melakukan

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Sistem informasi sebagai suatu sistem yang merupakan kumpulan elemenelemen yang saling berinteraksi untuk mencapai tujuan tertentu, mempunyai beberapa komponen yang

Lebih terperinci

Peraturan Akademik ITS Tahun 2009 21

Peraturan Akademik ITS Tahun 2009 21 BAB VII EVALUASI MASA STUDI Bagian Pertama PROGRAM DIPLOMA TIGA Pasal 20 (1) Masa studi paling lama untuk mahasiswa program D III adalah 10 semester. (2) Evaluasi masa studi mahasiswa program D III dilakukan

Lebih terperinci

TRACER STUDY MAHASISWA LULUSAN PROGRAM STUDI PENDIDIKAN GEOGRAFI. Sriyono Dosen Jurusan Geografi FIS - UNNES. Abstrak

TRACER STUDY MAHASISWA LULUSAN PROGRAM STUDI PENDIDIKAN GEOGRAFI. Sriyono Dosen Jurusan Geografi FIS - UNNES. Abstrak TRACER STUDY MAHASISWA LULUSAN PROGRAM STUDI PENDIDIKAN GEOGRAFI Sriyono Dosen Jurusan Geografi FIS - UNNES Abstrak Untuk mendeteksi kualitas lulusan yang dihasilkan tidak cukup hanya melihat output-nya

Lebih terperinci

Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors

Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Perancangan Sistem Pembagian Kelas Kuliah Mahasiswa dengan Kombinasi Metode K-Means dan K-Nearest Neighbors Gede Aditra

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan

BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Berdasarkan Peraturan Pemerintah Nomor 37 tahun 2009, dosen merupakan pendidik profesional dan ilmuwan dengan tugas utama mentransformasikan, mengembangkan,

Lebih terperinci

DATA MINING. Pertemuan 4. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi

DATA MINING. Pertemuan 4. Nizar Rabbi Radliya 3 SKS Semester 6 S1 Sistem Informasi DATA MINING 3 SKS Semester 6 S1 Sistem Informasi Pertemuan 4 Nizar Rabbi Radliya nizar.radliya@yahoo.com Universitas Komputer Indonesia 2016 Similaritas dan Dissimilaritas Kemiripan (similarity) adalah

Lebih terperinci

KARTU RENCANA STUDI : / MOHAMMAD SHOLAHUDIN BAHTIAR WILLYANTO

KARTU RENCANA STUDI : / MOHAMMAD SHOLAHUDIN BAHTIAR WILLYANTO Alamat : Jl. Mataram No. Mangli Jember - Jawa Timur Indonesia 6836 Telp : 033-487550, Fax : 033-427005 KARTU RENCANA STUDI NIM / Nama : 0833433 / MOHAMMAD SHOLAHUDIN BAHTIAR Semester : 5 Sesi / Tahun Akademik

Lebih terperinci

FORMULIR USULAN BEASISWA Periode Tahun...

FORMULIR USULAN BEASISWA Periode Tahun... KEMENTERIAN RISET, TEKNOLOGI DAN PENDIDIKAN UNIVERSITAS NEGERI JAKARTA FAKULTAS ILMU PENDIDIKAN Kampus Universitas Negeri Jakarta, Jalan Rawamangun Muka, Jakarta 13220 Telp. ( 62 21 ) 4755115, 4897535

Lebih terperinci

PENERAPAN 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 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 terperinci

Panduan Penggunaan Sistem Perwalian Online (E-KRS) Untuk Mahasiswa Angkatan

Panduan Penggunaan Sistem Perwalian Online (E-KRS) Untuk Mahasiswa Angkatan Panduan Penggunaan Sistem Perwalian Online (E-KRS) Untuk Mahasiswa Angkatan 2004-2010 STMIK STIKOM Bali Tahun Ajaran 2011/2012 Panduan Penggunaan Sistem Perwalian On Line (E-KRS) (2011/2012) Pendahuluan

Lebih terperinci

PERATURAN AKADEMIK STIKOM DINAMIKA BANGSA

PERATURAN AKADEMIK STIKOM DINAMIKA BANGSA PERATURAN AKADEMIK STIKOM DINAMIKA BANGSA PERATURAN AKADEMIK TAHUN 2017 KEPUTUSAN KETUA SEKOLAH TINGGI ILMU KOMPUTER (STIKOM) DINAMIKA BANGSA JAMBI Nomor : 045/SK/K/STIKOM-DB/VIII/2017 Tentang Perubahan

Lebih terperinci

PENGELOMPOKAN TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS

PENGELOMPOKAN TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS PENGELOMPOKAN TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ALGORITMA K-MEANS Yulius Palumpun 1), Sitti Nur Alam 2) 1) Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Manajemen (FIKOM) - Universitas

Lebih terperinci

BAB I PENDAHULUAN 1.1 Tujuan 1.2 Latar Belakang

BAB I PENDAHULUAN 1.1 Tujuan 1.2 Latar Belakang BAB I PENDAHULUAN 1.1 Tujuan Merancang sebuah sistem yang dapat meringkas teks dokumen secara otomatis menggunakan metode generalized vector space model (GVSM). 1.2 Latar Belakang Dunia informasi yang

Lebih terperinci

FORMULIR BIDIKMISI IAIN IMAM BONJOL PADANG TAHUN 2017

FORMULIR BIDIKMISI IAIN IMAM BONJOL PADANG TAHUN 2017 FORMULIR BIDIKMISI IAIN IMAM BONJOL PADANG TAHUN 2017 IDENTITAS DIRI Nama Lengkap : Jenis Kelamin : Laki-laki Perempuan Jalur Masuk IAIN Imam Bonjol : SPAN PTKIN UM PTKIN SPMB Mandiri Fak./Jurusan saat

Lebih terperinci

PANDUAN PENGGUNAAN SISTEM INFORMASI SUMBERDAYA TERINTEGRASI (SISTER) UNTUK DOSEN

PANDUAN PENGGUNAAN SISTEM INFORMASI SUMBERDAYA TERINTEGRASI (SISTER) UNTUK DOSEN 0 PANDUAN PENGGUNAAN SISTEM INFORMASI SUMBERDAYA TERINTEGRASI (SISTER) UNTUK DOSEN PANDUAN PENGGUNAAN SISTEM INFORMASI SUMBERDAYA TERINTEGRASI (SISTER) UNTUK DOSEN DIREKTORAT JENDERAL SUMBER DAYA, IPTEK,

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 Latar Belakang Dropout Data mining

BAB 1 PENDAHULUAN 1.1 Latar Belakang Dropout  Data mining BAB 1 PENDAHULUAN Bab ini membahas mengenai latar belakang masalah, identifikasi masalah, ruang lingkup tugas akhir, maksud dan tujuan tugas akhir, metode penelitian tugas akhir, dan sistematika penulisan

Lebih terperinci

KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING

KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Mahasiswa merupakan bagian terpenting dalam menentukan kualitas suatu perguruan tinggi. Kualitas perguruan tinggi dapat dinilai dari mutu dosen dan tenaga kependidikan,

Lebih terperinci

MENU ENTRY Pengisian Kartu Rencana Studi (KRS) Entry judul skripsi dan data lainnya MENU INFORMASI

MENU ENTRY Pengisian Kartu Rencana Studi (KRS) Entry judul skripsi dan data lainnya MENU INFORMASI MENU ENTRY Pengisian Kartu Rencana Studi (KRS) Entry judul skripsi dan data lainnya MENU INFORMASI Informasi krs, khs dan transkrip Daftar jadual kuliah Daftar matakuliah Mencari data mahasiswa Pengumuman

Lebih terperinci

TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD

TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD Selvia Lorena Br Ginting 1), Wendi Zarman

Lebih terperinci

ALGORITMA NEAREST NEIGHBOR

ALGORITMA NEAREST NEIGHBOR ALGORITMA NEAREST NEIGHBOR A. Algoritma Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari

Lebih terperinci

4 Web server mengakses kubus data Palo server melalui Palo PHP API. Aplikasi OLAP menggunakan library JpGraph untuk menampilkan grafik.

4 Web server mengakses kubus data Palo server melalui Palo PHP API. Aplikasi OLAP menggunakan library JpGraph untuk menampilkan grafik. 5 4 Web server mengakses kubus data Palo server melalui Palo PHP API. Aplikasi OLAP menggunakan library JpGraph untuk menampilkan grafik. Lapis atas: Web browser Grafik Laptop JpGraph Line Plot Presentasi

Lebih terperinci

KEMENTRIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI REPUBLIK INDONESIA DIREKTORAT JENDERAL PENDIDIKAN TINGGI

KEMENTRIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI REPUBLIK INDONESIA DIREKTORAT JENDERAL PENDIDIKAN TINGGI KEMENTRIAN RISET, TEKNOLOGI DAN PENDIDIKAN TINGGI REPUBLIK INDONESIA DIREKTORAT JENDERAL PENDIDIKAN TINGGI Daftar Isi Daftar Isi... i Pendahuluan... 1 1 Alur Sistem PDDIKTI... 1 2 Cara Masuk Ke Aplikasi...

Lebih terperinci

Persyaratan Pendaftaran Magister Sains kelas khusus dan Magister Profesional, serta Program Doktor Kelas Khusus.

Persyaratan Pendaftaran Magister Sains kelas khusus dan Magister Profesional, serta Program Doktor Kelas Khusus. Persyaratan Pendaftaran Magister Sains kelas khusus dan Magister Profesional, serta Program Doktor Kelas Khusus. 1. Mengisi formulir pendaftaran yang disediakan SPs-IPB (Formulir A), 2. Mengisi Formulir

Lebih terperinci

STANDAR OPERATION PROCEDURE (SOP)

STANDAR OPERATION PROCEDURE (SOP) STANDAR OPERATION PROCEDURE (SOP) PENGISISAN KRS DAN KHS Kode Dokumen : Revisi : Tanggal : 28 Januari 2013 Dibuat oleh : SEKRETARIS ROPIANTO, M.KOM Dikendalikan Oleh : PUKET I STT IBNU SINA BATAM Ismail,

Lebih terperinci

FORMULIR PENDAFTARAN PROGRAM BEASISWA ANAK- ANAK TERANG TAHUN AKADEMIK /

FORMULIR PENDAFTARAN PROGRAM BEASISWA ANAK- ANAK TERANG TAHUN AKADEMIK / Yayasan Anak-Anak Terang Beasiswa dan Pendampingan http://www.anakanakterang.web.id FORMULIR PENDAFTARAN PROGRAM BEASISWA ANAK- ANAK TERANG TAHUN AKADEMIK / Foto 4 x 6 cm Diisi oleh Calon Penerima Beasiswa

Lebih terperinci

SOSIALISASI AKADEMIK PRODI MANAJEMEN FE-UST

SOSIALISASI AKADEMIK PRODI MANAJEMEN FE-UST SOSIALISASI AKADEMIK PRODI MANAJEMEN FE-UST 1 TAHUN AKADEMIK 2016/2017 Oleh: Pengelola Prodi Manajemen 7-8 Oktober 2016 VISI DAN MISI PRODI MANAJEMEN 2 Visi Menjadi program studi unggul dibidang manajemen

Lebih terperinci

SURAT KETERANGAN PENGAMBILAN IJAZAH

SURAT KETERANGAN PENGAMBILAN IJAZAH DEPARTEMEN PENDIDIKAN DAN KEBUDAYAAN SURAT KETERANGAN PENGAMBILAN IJAZAH Dekan Fakultas Kedokteran dengan ini menerangkan bahwa : N a m a No. Buku Pokok Jurusan / Prog. Studi Telah menyelesaikan segala

Lebih terperinci

USER MANUAL SIM BIDIKMISI & PENCAIRAN

USER MANUAL SIM BIDIKMISI & PENCAIRAN USER MANUAL SIM BIDIKMISI & PENCAIRAN DAFTAR ISI DAFTAR ISI...2 DEFINISI SIM BIDIKMISI...3 1. Pendaftaran...3 2. Pencalonan...3 3. Penetapan...3 4. Pencairan...3 5. Fitur Pendukung Lainnya...4 PENJELASAN

Lebih terperinci