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

Transkripsi

1 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

2 PER YATAA ME GE AI TESIS DA SUMBER I FORMASI Dengan ini saya menyatakan bahwa Tesis Analisis Karakteristik Mahasiswa Non Akitf Universitas Terbuka Dengan Pendekatan Cluster Ensemble, adalah karya saya sendiri dan belum diajukan dalam bentuk apapun kepada Perguruan Tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Bogor, Agustus 2009 Dyah Paminta Rahayu NRP. G

3 ABSTRACT DYAH PAMINTA RAHAYU. Characteristics Analysis of Non-Active Universitas Terbuka Students using Cluster Ensemble. Under supervision of Yeni Herdiyeni and Hari Agung Adrianto. One of the main problems in Universitas Terbuka (UT) is a significant number of non-active students. This problem may potentially be minimized if the students characteristics are understood. The educational databases often have hidden knowledge about the students. This knowledge can be utilized as the materials to improve the treatment program for students. This research proposes a data mining method by means of cluster analysis to analyze student characteristics using cluster ensemble algorithm, so called, algcebmdc, a clustering algorithm for mixed categorical and numerical data. The experiment data obtained from the Computer Center of UT in first semester 2008/2009, consists of 4,132 non-active students of Mathematics Study Program of UT. The experiment results show that there are certain groups of students with similar characteristics which could provide the management with insights as bases to construct further strategy of treatment for non-active students. Keywords: non-active students, data mining, cluster analysis, cluster ensemble algcebmdc

4 RI GKASA DYAH PAMINTA RAHAYU. Analisis Karakteristik Mahasiswa Non Aktif Universitas Terbuka Dengan Pendekatan Cluster Ensemble. Dibimbing oleh Yeni Herdiyeni and Hari Agung Adrianto. Universitas Terbuka (UT) adalah Perguruan Tinggi Negeri yang didirikan dengan tujuan antara lain untuk memberikan kesempatan kepada warga Indonesia di mana pun mereka berada, yang karena suatu dan lain hal tidak dapat mengikuti pendidikan tinggi tatap muka. UT menerapkan sistem belajar jarak jauh dan terbuka. Jarak jauh berarti proses belajar mengajar tidak dilaksanakan secara tatap muka melainkan menggunakan media baik cetak maupun non cetak. Terbuka, berarti tidak ada pembatasan usia, tahun ijazah, masa belajar, waktu registrasi, frekwensi mengikuti ujian, dan sebagainya. Batasan yang ada hanyalah bahwa setiap mahasiswa UT harus sudah menamatkan jenjang pendidikan menengah atas. Keterbukan yang ditawarkan UT berdampak pada besarnya jumlah mahasiswa UT. Sayangnya jumlah mahasiswa yang berstatus non aktif juga besar. Sesungguhnya penelitian yang terkait dengan mahasiswa non aktif sudah banyak dilakukan, termasuk cara penanganannya. Namun penanganan yang selama ini diusulkan memperlakukan semua mahasiswa non aktif ditangani dengan cara yang relatif sama tanpa mempertimbangkan karakteristik yang mereka miliki. Akibatnya, program pelayanan penanganan mahasiswa non aktif menjadi kurang efektif dan efisien. Penelitian ini dimaksudkan untuk menggali informasi penting yang tersimpan di dalam basis data mahasiswa non aktif UT, menemukan kelompokkelompok berdasarkan karakteristik yang mirip dan mengenali karakteristik kelompok-kelompok tersebut. Informasi tersebut dapat digunakan oleh pihak institusi untuk menyusun dan mengembangkan program pelayanan secara lebih tepat, efektif dan efisien. Faktor yang diamati dalam penelitian ini meliputi demografi, latar belakang pendidikan, dan prestasi akademik. Metode data mining yang dapat digunakan untuk menemukan dan menganalisis karakteristik data adalah analisis klaster. Analisis klaster mengelompokkan data berdasarkan kemiripan atribut dari data objek sedemikian sehingga data objek yang berada di dalam klaster yang sama memiliki kemiripan satu sama lain tetapi mereka tidak mirip dengan data objek yang berada dalam klaster yang lainnya. Proses dimulai dengan pengumpulan data. Data input yang didapat, harus melalui praproses untuk memperoleh data yang bersih dan sesuai dengan kebutuhan penelitian. Proses berikutnya adalah data mining. Teknik data mining yang digunakan dalam penelitian ini adalah analisis klaster dengan menerapkan algoritma klastering yang dikembangkan untuk memproses data dengan tipe campuran, yaitu algoritma algcebmdc, suatu algoritma klastering dengan pendekatan cluster ensemble. Proses klastering dilakukan dalam tiga tahap: tahap pertama, klastering terhadap data kategori menggunakan algoritma QROCK, tahap kedua klastering terhadap data numerik menggunakan algoritma AGNES, dan tahap ketiga klastering terhadap data yang diperoleh dari gabungan hasil dari

5 proses klastering tahap pertama dan klastering tahap kedua menggunakan algoritma QROCK. Pada setiap tahapan dilakukan evaluasi untuk memperoleh hasil klastering terbaik. Evaluasi yang digunakan pada proses klastering tahap pertama dan ketiga adalah ukuran nilai kohesi, sedangkan evaluasi yang digunakan pada proses klastering tahap kedua adalah ukuran nilai cophenet. Klastering terhadap data kategori dilakukan 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. Hasil klastering 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 UPBJJ 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 kedua objek dipastikan akan berada dalam klaster yang berbeda. Klastering terhadap data numerik menggunakan Eucliden distance dan Cityblock distance sebagai ukuran jarak antar objek, dan metode penggabungan Single link, Complete link, dan Average link sebagai ukuran jarak antar klaster. Terdapat 6 kemungkinan kombinasi ukuran jarak antar objek dan metode penggabungan antar klaster yang digunakan sebagai input dari algoritma AGNES. Dari keenam kombinasi tersebut, hasil klastering terbaik, dengan nilai cophenet tertinggi 0.822, diperoleh dari kombinasi ukuran jarak Cityblock distance dan metode penggabungan Average link. Dendrogram dari hasil klastering terbaik dipotong pada jarak 2,8, dan menghasilkan 69 klaster. Dengan dipotongnya dendrogam pada jarak 2,8, berarti jarak antar objek dalam masing-masing klaster yang dihasilkan, tidak lebih dari 2,8. 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. Data gabungan dibangun dari irisan enam klaster besar hasil klastering data kategori dan enam klaster besar hasil klastering data numerik. Klastering data gabungan dilakukan dengan lima variasi nilai threshold : 0,6, 0,7, 0,8, 0,9 dan 1,0. Hasil klastering terbaik data gabungan diperoleh pada threshold 1,0. Setelah melalui tiga tahapan proses klastering, mahasiswa non aktif UT terbagi ke dalam 35 kelompok dimana anggota masing-masing kelompok memiliki kesamaan karakteristik di dalam kelompoknya, yang berbeda dengan karakteristik yang dimiliki oleh anggota dari kelompok lain. Kelompok kelompok yang terbentuk, memiliki persamaan karakteristik pada pendidikan terakhir, status pekerjaan, status perkawinan, dan jenis kelamin. Dapat dikatakan bahwa karakteristik klaster yang terbentuk dipengaruhi oleh faktor pendidikan terakhir, status pekerjaan, status perkawinan, dan jenis kelamin. Faktor yang lain tidak mempengaruhi terbentuknya klaster. Faktor prestasi akademik menunjukkan hasil yang sama dengan hasil klastering data numerik, bahwa dua semester pertama merupakan masa kritis bagi mahasiswa UT. Tingkat kelulusan matakuliah dan perolehan IPK pada dua

6 semester pertama sangat rendah. Mahasiswa non aktif mengikuti perkuliahan di UT hanya selama dua semester. Hasil pengelompokan ini seharusnya dapat digunakan oleh manajemen UT sebagai dasar untuk membuat program penanganan terhadap mahasiswa non aktif lebih tepat dan efisien. Karakteristik kelompok tertentu yang dihasilkan, -baik hasil klastering tahap pertama, tahap kedua, maupun hasil klastering tahap ketiga-, dapat menjadi panduan untuk membuat rancangan penanganan pelayanan mahasiswa, sedangkan jumlah anggota kelompok dapat dijadikan dasar untuk mengukur besaran program pelayanan tersebut. Prioritas dapat disusun berdasarkan urutan jumlah anggota kelompok atau berdasarkan karakteristik kelompok yang dirasa penting dan berpotensi untuk melakukan registrasi ulang. Dengan kata lain, adanya hasil klastering ini akan mempermudah penanganan mahasiswa non aktif UT. Kata kunci : mahasiswa non aktif, data mining, analisis klaster, cluster ensemble algcebmdc

7 Hak cipta milik IPB, tahun 2009 Hak cipta dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh Karya tulis dalam bentuk apapun tanpa izin IPB

8 A ALISIS KARAKTERISTIK MAHASISWA O AKTIF U IVERSITAS TERBUKA DE GA PE DEKATA CLUSTER E SEMBLE DYAH PAMI TA RAHAYU Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Ilmu Komputer SEKOLAH PASCASARJA A I STITUT PERTA IA BOGOR BOGOR 2009

9 Penguji Luar Komisi pada Ujian Tesis: Dr. Ir. Agus Buono, M.Si, M.Kom

10 Judul Tesis Nama NIM : Analisis Karakteristik Mahasiswa Non Aktif Universitas Terbuka Dengan Pendekatan Cluster Ensemble : Dyah Paminta Rahayu : G Disetujui Komisi Pembimbing Yeni Herdiyeni, S.Si, M.Kom Ketua Hari Agung Adrianto, S.Kom, M.Si Anggota Diketahui Ketua Program Studi Ilmu Komputer Dekan Sekolah Pascasarjana Dr. Sugi Guritman Prof. Dr.Ir. Khairil Anwar Notodiputro, MS Tanggal Ujian: Tanggal Lulus: