BAB IV HASIL DAN PEMBAHASAN

 54
BAB IV
HASIL DAN PEMBAHASAN
4.1.
Business Understanding
Tahap awal dari pembangunan data mining ini berfokus pada pemahaman
mengenai tujuan masalah kebutuhan dari bisnis Universtas Bina Nusantara. Tahap ini
penting dilakukan agar dapat mengubah pengetahuan yang diperoleh menjadi suatu
definisi data mining dan merancang rencana awal untuk mencapai tujuan Universitas
Bina Nusantara.
4.1.1. Determine Business Objection
Untuk memahami tujuan bisnis dari Universitas Bina Nusantara perlu
dilakukan observasi ke Universitas Bina Nusantara langsung untuk mengetahui
kondisi bisnis disana. Untuk mengetahui informasi yang lebih spesifik, dilakukan
wawancara pada Manager Marketing Universitas Bina Nusantara.
4.1.1.1.
Background
Perjalanan sejarah Universitas Bina Nusantara dimulai pada tanggal 21
Oktober 1974. Awal mulanya Universitas Bina Nusantara berasal dari kursus jangka
pendek bernama Modern Computer Course, yang kemudian diperluas karena pondasi
yang kuat dan visi yang komprehensif.
Karena tingginya permintaan dan perkembangan yang sangat cepat, maka
pada tanggal 1 Juli 1981, Modern Computer Course telah berkembang menjadi
Akademi Teknik Komputer (ATK) dengan jurusan Manajemen Informatika. ATK
54
55
didaftarkan pada tanggal 13 Juli 1984 dan setahun setelah itu, tepatnya pada tanggal
1 Juli 1985, ATK berubah menjadi AMIK Jakarta. Pada tanggal 21 September 1985,
AMIK Jakarta berganti nama lagi menjadi AMIK Bina Nusantara.
AMIK Bina Nusantara mencatat prestasi yang luar biasa di usia yang relatif
muda ketika terpilih sebagai Akademi Komputer terbaik oleh Departemen
Pendidikan dan Kebudayaan melalui The Higher Education Board District III pada
tanggal 17 Maret 1986. Pada tanggal 1 Juli 1986 secara resmi terdaftar sebagai
Sekolah Tinggi Manajemen Informatika dan Komputer(STMIK) Bina Nusantara.
Pada tanggal 9 November 1987, AMIK Bina Nusantara dan STMIK Bina
Nusantara bergabung. Lembaga ini mengadakan Diploma (D-3) dan Sarjana (S-1)
program. Pada tanggal 18 Maret 1992 Status akreditasi disamakan untuk semua
jurusan. Pada tahun berikutnya, STMIK Bina Nusantara membuka program Master
(S-2) Manajemen Sistem Informasi yang portama kali di Indonesia. Program ini
secara resmi terdaftar pada tanggal 10 Mei 1993.
Setelah melalui bertahun-tahun kerja keras dan ketekunan, Universitas Bina
Nusantara secara resmi terdaftar dan didirikan pada tanggal 8 Agustus 1996. STMIK
Bina Nusantara kemudian bergabung ke Universitas Bina Nusantara pada tanggal 20
Desember 1998. Pada saat itu, Universitas Bina Nusantara memiliki Fakultas Ilmu
Komputer, Fakultas Ekonomi , Fakultas Teknik, Fakultas Sastra, Fakultas MIPA dan
Program Master (S-2) Manajemen Sistem Informasi. Pada tanggal 20 April 2007,
Universitas Bina Nusantara menambahkan Fakultas Psikologi serta Fakultas
Komunikasi dan Multimedia.
Sementara itu, pada Program Master (S-2), Universitas Bina Nusantara resmi
menambahkan program lain yaitu, Magister Teknik Informatika, pada tanggal 31
56
Agustus 2009. Pada tanggal 7 September 2011, Universitas Bina Nusantara
melakukan beberapa perubahan struktural dalam organisasi, yaitu:
-
Fakultas Ekonomi dan Bisnis berubah menjadi Fakultas Ekonomi dan
Komunikasi.
-
Fakultas Psikologi dan Fakultas Sastra & Budaya tergabung dalam Fakultas
Humaniora.
-
Fakultas Sains dan Teknologi berubah menjadi Fakultas Teknik.
-
Jurusan Teknologi Informasi berubah menjadi School of Computer Science.
-
Jurusan Sistem Informasi berubah menjadi School of Information System.
-
Jurusan Manajemen berubah menjadi School of Business Management.
-
Fakultas Komunikasi dan Multimedia berubah menjadi School of Design.
-
Jurusan Sistem Komputer, yang sebelumnya terdaftar pada Fakultas Ilmu
Komputer, sekarang terdaftar pada Fakultas Sains dan Teknologi
-
Jurusan Matematika dan Statistik, yang sebelumnya terdaftar pada Fakultas Sains
dan Teknologi, sekarang terdaftar di School of Information System.
-
Jurusan Akuntansi berubah menjadi School of Accounting and Finance.
Program Master pada Sistem Informasi dan Teknik Informatika sekarang
berada di bawah koordinasi Program Pascasarjana BINUS, yang juga mengawasi
Doctoral of Research in Magement.
Berikut merupakan visi dan misi dari Universitas Bina Nusantara:
• Visi
Visi Universitas Bina Nusantara adalah mencapai “A world-class
Institution… in continous pursuit of innovation and enterprise” dimana
Universitas
Bina
Nusantara
ingin
menjadikan
kualitas
lulusan
57
mahasiswanya dapat diterima didalam pasar global berkelas dunia dan
entreprenuership
• Misi
Misi Universitas Bina Nusantara adalah untuk berkontribusi pada
komunitas global melalui penyediaan pendidikan kelas dunia dengan:
-
Memberikan pengakuan dan penghargaan kepada talenta –
talenta yang paling kreatif dan paling memberikan nilai
tambah.
-
Menyediakan pengalaman pengajaran, pembelajaran dan
penelitian bertaraf dunia yang menekankan pada keunggulan
dalam
penemuan
ilmu
pengetahuan,
inovasi
dan
kewirausahaan.
-
Menghasilkan pemimpin – pemimpin komunitas global yang
unggul.
-
Menyelenggarakan layanan professional melalui penekanan
berbasis penerapan ilmu pengetahuan di masyarakat.
-
Meningkatkan kualitas hidup bagi bangsa Indonesia dan
komunitas internasional.
58
Gambar 4.1. Visi dan Misi Universitas Bina Nusantara
Universitas Bina Nusantara sebagai salah satu perguruan tinggi di
Indonesia juga berupaya untuk meningkatkan kualitas pendidikan di
Indonesia, upaya tersebut dilakukan dengan cara memberikan pengajaran
yang terbaik untuk mahasiswa-mahasiswanya. Tetapi dengan semakin
banyaknya perguruan tinggi di Indonesia maka jumlah siswa yang mendaftar
otomatis akan semakin berkurang karena persaingan antar perguruan tinggi
untuk mendapatkan calon mahasiswa akan semakin meningkat, sehingga
kesempatan Universitas Bina Nusantara untuk mendapatkan calon mahasiswa
yang berpotensial dalam bidang akademis juga berkurang. Untuk mengatasi
masalah persaingan tersebut, maka Universitas Bina Nusantara perlu
membuat beberapa strategi diantaranya adalah melakukan data mining pada
calon mahasiswa yang mendaftar di Universitas Bina Nusantara untuk
mengetahui calon mahasiswa mana yang memiliki kualitas akademis yang
baik, lalu mahasiswa-mahasiswa dengan pola tersebut bisa menjadi bibit
59
unggul sehingga tidak perlu mengikuti proses seleksi calon mahasiswa baru
lagi.
4.1.1.2.
Business Objectives
Universitas Bina Nusantara begerak dalam bidang pendidikan. Universitas
Bina Nusantara bekerja di dalam visi dan misi untuk menjadi lembaga pendidikan
terkemuka, inovatif, dan selangkah lebih maju dalam pengembangan teknologi
informasi. Universitas Bina Nusantara memberikan pendidikan, untuk siap dalam
menghadapi tantangan global. Universitas Bina Nusantara selama 26 tahun telah
melayani pendidikan kepada masyarakat nasional dan internasional dari pra-sekolah
sampai pendidikan tinggi.
Universitas Bina Nusantara menawarkan program studi, yang memberikan
ruang dan waktu kepada mahasiswa untuk memutuskan dalam mengambil dengan
mempertimbangkan beberapa kombinasi yang inovatif. Beberapa fasilitas telah
disiapkan untuk mendukung kegiatan belajar dan mengajar di kampus agar tercipta
suasana yang dinamis dan nyaman.
Universitas Bina Nusantara telah menjadi sebuah institusi pendidikan dapat
diterima dan dihargai oleh seluruh rakyat Indonesia. Universitas Bina Nusantara
sebagai lembaga pendidikan telah menunjukkan komitmen yang berkesinambungan
untuk menjadi yang terbaik dalam memberikan pendidikan berkualitas yang relevan
dengan kebutuhan industri.
Berikut merupakan system yang sedang berjalan di Universitas Bina Nusantara:
60
Gambar 4.2. Sistem yang sedang berjalan di Universitas Bina Nusantara
Pada setiap tahunnya di Universitas Bina Nusantara mengadakan kegiatan
penerimaan mahasiswa baru. Kegiatan pertama yang dilakukan dalam rangkaian
proses penerimaan mahasiswa baru adalah kegiatan promosi yang dilakukan oleh
pihak marketing Universitas Bina Nusantara. Kegiatan marketing meliputi expo,
open house maupun special events yang dilakukan di berbagai tempat di seluruh
Indonesia. Setelah melakukan kegiatan-kegiatan marketing tersebut, hal selanjutnya
yang dilakukan adalah melakukan penjualan formulir pendaftaran untuk pendaftaran
61
manual. Untuk pendaftaran secara online bisa langsung dilakukan di website binus
(www.binus.ac.id/daftaronline) dan pembayaran formulirnya dilakukan dengan cara
transfer melalui ATM.
Semua calon
mahasiswa baru melakukan pendaftaran di Universitas Bina
Nusantara baik secara online (www.binus.ac.id/daftaronline) ataupun secara manual
dengan mengisi formulir hard copy yang berisi data diri mahasiswa tersebut. Untuk
pendaftaran manual, formulir dikembalikan ke bagian registration service, lalu data
diinput kedalam database calon mahasiswa. Untuk pendaftaran online, data diri
calon mahasiswa langsung masuk kedalam database calon mahasiswa.
Semua calon mahasiswa yang telah melakukan pendaftaran akan dihubungi oleh
pihak registration service untuk melakukan tes seleksi di Universitas Bina Nusantara
dengan menggunakan sistem. Tes yang dilakukan ada dua macam yaitu Aptitude Test
dan English Test (BUEPT). Karena tes seleksi yang dilakukan di Universitas Bina
Nusantara sudah menggunakan sistem maka proses penilaian juga dilakukan oleh
system. Untuk tes seleksi ini terdapat standard nilai, jadi yang berhasil lolos sebagai
mahasiswa Universitas Bina Nusantara adalah calon mahasiswa yang berhasil
memenuhi nilai standard. Pihak registration service akan menghubungi calon
mahasiswa yang berhasil lolos seleksi untuk memberitahukan hasil tes seleksi dan
masalah pembayaran.
Bagi calon mahasiswa yang telah lolos tes seleksi dapat melakukan pembayaran
dengan cara transfer melalui ATM. Bagi calon mahasiswa yang telah melakukan
pendaftaran bisa melakukan pendaftaran ulang di bagian registration service
Universitas Bina Nusantara. Kemudian data calon mahasiswa yang telah melakukan
pendaftaran ulang tersebut akan diberikan kepada bagian Student Registration and
62
Service Center (SRSC) dan Student Advisory Center (SAC) untuk dibuatkan NIM
dan jadwal calon mahasiswa tersebut.
Setelah calon mahasiswa mendapatkan NIM dan jadwal maka mereka resmi
menjadi BINUSIAN dan bisa mengikuti kegiatan FEP (Freshmen Enrichment
Program) yaitu kegiatan yang khusus diadakan untuk mahasiswa baru di Universitas
Bina Nusantara. Setelah melakukan kegiatan FEP maka mahasiswa baru tersebut bias
mengikuti perkuliahan di Universitas Bina Nusantara.
4.1.1.2.1. Data Flow Diagram
Menurut Marakas (2006,p117) Data flow diagram (DFD) adalah graphical
tool yang menggambarkan rentetan peristiwa dari proses, fungsi dan aliran data yang
terdapat dalam suatu system.
4.1.1.2.1.1. Diagram Konteks
Gambar 4.3. Diagram Konteks Sistem Penerimaan Mahasiswa Baru
63
4.1.1.2.1.2. Diagram Nol
Berikut ini adalah gambar diagram
nol yang menggambarkan sistem
penerimaan mahasiswa baru di Universitas Bina Nusantara secara lebih rinci.
Gambar 4.4. Diagram Nol Sistem Penerimaan Mahasiswa Baru
4.1.1.3.
Business Success Criteria
Pengembangan data mining ini dikatakan berhasil jika dapat menghasilkan
pola-pola yang akurat mengenai mahasiswa yang berpotensial dalam bidang
akademis di Universitas Bina Nusantara dan pola-pola tersebut dapat digunakan oleh
pihak marketing Universtitas Bina Nusantara dalam pengambilan keputusan untuk
proses bisnis. Untuk criteria keberhasilan akan dinilai oleh pihak dari tiap jurusan di
64
Universitas Bina Nusantara apakah benar calon mahasiswa dengan kriteria tersebut
berpotensial dalam bidang akademis.
4.1.2. Assess Situation
Untuk memperdalam tujuan analisis data dan rencana proyek perlu diketahui
fakta lebih rinci dari kegiatan bisnis.
4.1.2.1.
Inventory of Resources
- Struktur Organisasi
Berikut merupakan struktur organisasi pada Divisi Marketing Universitas Bina
Nusantara:
Gambar 4.5. Struktur Organisasi Divisi Marketing Universitas Bina
Nusantara
65
Berikut merupakan tugas dan wewenang untuk masing-masing jabatan:
•
Marketing Manager
-
Bertugas untuk merumuskan strategi , perencanaan , pelaksanaan dan
evaluasi dari semua kegiatan pemasaran di Universitas Bina Nusantara
-
Memantau pencapaian target dalam metric penjualan
-
Mengelola dan memonitor persiapan dan pelaksanaan kegiatan promosi
dan acara di Universitas Bina Nusantara
-
Mengelola dan memonitor persiapan dan pelaksanaan kegiatan
telemarketing di Universitas Bina Nusantara
-
Mengelola dan memonitor persiapan dan pelaksanaan kegiatan
manajemen akuntansi di Universitas Bina Nusantara
-
Mengelola dan memonitor persiapan dan pelaksanaan kegiatan
penerimaan mahasiswa baru di Universitas Bina Nusantara
-
Mengelola dan memonitor kegiatan mengenali pengetahuan produk dan
apa kegiatan pemasaran yang harus diambil
-
Mendesain operasional kegiatan pemasaran dan acara di Universitas Bina
Nusantara serta meninjau kegiatan tersebut secara berkala
-
Membangun komunikasi yang baik dengan para stakeholders
-
Memastikan keunggulan layananan pada saat kegiatan pemasaran
-
Bekerjasama dengan Marketing Function Department dan departemen
pemasaran lainnya yang berkaitan untuk kegiatan pemasaran dan acara di
Universitas Bina Nusantara
66
-
Mereview dan mengotorisasi semua kegiatan pemasaran di Universitas
Bina Nusantara
-
Mereview dan mengotorisasi evaluasi kinerja tim pemasaran di
Universitas Bina Nusantara
•
Head of Admission
-
Mengontrol perencanaan, pelaksanaan dan evaluasi untuk seluruh
kegiatan penerimaan mahasiswa baru di Universitas Bina Nusantara
-
Memantau pencapaian target dalam metrik penjualan
-
Mengatur tim yang ditugaskan untuk menyiapkan dan melaksanakan
kegiatan penerimaan dan pendaftaran mahasisswa baru
-
Memastikan layanan terbaik untuk pelanggan yang prospektif
-
Bekerjasama dengan head of sales dan head of promotion and events
mengenai penyesuaian jadwal dan informasi yang akan disampaikan ke
pelanggan yang prospektif
•
Head of Sales
-
Mengontrol perencanaan, pelaksanaan dan evaluasi untuk seluruh
kegiatan penjualan di Universitas Bina Nusantara
-
Monitor target pencapaian dari penjualan metrik
-
Mengkoordinasikan tim yang ditugaskan untuk menyiapkan dan
melaksanakan kegiatan telemarketing
-
Mengkoordinasikan tim yang ditugaskan untuk menyiapkan dan
melaksanakan kegiatan manajemen akuntansi
67
-
Bekerjasama dengan Marketing Function Department dalam hal kegiatan
direct sales
-
Bekerja sama dengan Marketing Intelligence dalam hal survei penjualan
-
Membangun dan memelihara hubungan dengan saluran distribusi dan
industri
-
Berkolaborasi dengan BINUS Internasional untuk bergabung dalam acara
dan kegiatan penjualan
•
-
Mengevaluasi kinerja dari saluran distribusi
-
Mengevaluasi proposal yang masuk dari sponsor
-
Bertanggungjawab untuk biaya dikeluarkan dalam mencapai sasaran
Head of Promotion & Events
-
Bertanggung jawab untuk perencanaan, pelaksanaan , dan evaluasi semua
promosi dan acara
-
Monitor target pencapaian dari metric penjualan
-
Memonitor brand awareness level pada setiap kegiatan promosi dan
memutuskan tindakan apa yang harus diambil
-
Bekerjasama dengan Marketing Communication Department yang
berhubungan dengan materi promosi dan iklan
-
Berkoordinasi dengan Corporate Communication Department dalam
halam implementasi kegiatan penjualan tidak langsung
-
Bekerja sama dengan Marketing Intelligence dalam hal survei penjualan
68
-
Membangun dan memelihara hubungan dengan saluran distribusi dan
industri
-
Berkolaborasi dengan BINUS Internasional untuk bergabung dalam acara
dan kegiatan penjualan
•
-
Mengevaluasi kinerja dari saluran distribusi
-
Mengevaluasi proposal yang masuk dari sponsor
-
Bertanggungjawab untuk biaya dikeluarkan dalam mencapai sasaran
Admission Officer
-
Memberikan informasi yang berkaitan dengan produk dan layanan
-
Melakukan kegiatan penjualan formulir pendaftaran, pendaftaran dan tes
penerimaan
-
Memastikan kelengkapan dokumen pelanggan yang prospektif
-
Mem-follow up calon mahasiswa yang telah lulus tes penerimaan
-
Melakukan kegiatan pendaftaran pada acara pemasaran
-
Memastikan custumer service yang terbaik
-
Melakukan proses entri data calon mahasiswa dan memastikan
keakurasian pada proses entri data
-
Mengupdate dan memonitor database sekolah
-
Mengevaluasi sistem informasi pemasaran
69
-
Menganalisis kegiatan penerimaan mahasiswa baru di Universitas Bina
Nusantara sacara berkala
-
Berkoordinasi dengan unit lain yang membutuhkan data penerimaan
mahasiswa baru
•
Admission Staff
-
Memastikan kelengkapan dokumen pelanggan yang prospektif
-
Mem-follow up calon mahasiswa yang telah lulus tes penerimaan
-
Melakukan kegiatan pendaftaran pada acara pemasaran
-
Memastikan custumer service yang terbaik
-
Melakukan proses entri data calon mahasiswa dan memastikan
keakurasian pada proses entri data
•
Regional Account Management Officer
-
Bertanggungjawab dalam proses perekrutan konselor pendidikan
-
Memonitoring kinerja dari kegiatan konselor pendidikan
-
Meng-update pengetahuan produk dari konselor pendidikan
-
Menjaga hubungan dengan saluran distribusi
-
Mencari kesempatan untuk melakukan kegiatan promosi di sekolah dan
industri
-
Mengalokasikan tugas untuk konselor pendidikan
-
Menerima dan menindaklanjuti inputan dari saluran distribusi
70
•
-
Membuat laporan dari kemajuan penjualan dari semua saluran distribusi
-
Memonitor kemajuan penjualan dari konselor pendidikan
Regional Account Management Staff
-
Melakukan dan menyelesaikan tugas-tugas diberikan oleh manajer
-
Memberikan laporan berkala kepada atasan langsung
-
Memberikan saran perbaikan untuk proses yang terkait dengan kegiatan
promosi
-
Melakukan kegiatan yang berhubungan dengan system manajemen mutu
-
Mencatat dan memelihara semua dokumen yang berkaitan dengan
program promosi
•
Sales Support Staff
-
Menyediakan data rekapitulasi penjatahan untuk memproduksi nomor
formulir COD
-
Melaksanakan proses penjatahan nomor formulir, produksi dan distribusi
nomor formulir dalam sistem yang disediakan
•
Membantu koordinasi proses pengembalian formulir dari semua COD
Promotion and Events Officer
-
Menganalisis kegiatan promosi secara berkala
-
Memberikan masukan / solusi untuk keefektivitasan kegiatan promosi
-
Berkoordinasi dengan unit lain untuk mendukung keefektivitasan
kegiatan promosi
71
-
Melakukan dan menyelesaikan tugas yang diberikan oleh manajer
-
Memberikan laporan berkala kepada atasan langsung
-
Memberikan saran perbaikan untuk proses yang terkait dengan kegiatan
promosi
-
Melakukan kegiatan yang berkaitan dengan sistem manajemen mutu
-
Mencatat dan memelihara semua dokumen yang berkaitan dengan
program promosi
•
Promotion and Events Staff
-
Melakukan kegiatan promosi
-
Melakukan semua kegiatan persiapan promosi
-
Bertanggung jawab atas peralatan yang akan digunakan dalam acara-acara
promosi
-
Berkoordinasi dengan unit lain untuk mempersiapkan materi promosi
-
Mempersiapkan dan mengirim surat undangan untuk semua acara
promosi
-
Menyediakan database pelanggan yang prospektif untuk kegiatan
telemarketing
-
Melakukan proses rekrutmen untuk tim promotion and event
-
Meng-update product knowledge untuk tim promotion and event
-
Mengalokasikan tugas tim tim promotion and event
72
•
Promotion and Events Support Staff
-
Mengatur dan menyediakan transportasi untuk kegiatan tim promotion
and event
-
Memberikan saran untuk meningkatkan kegiatan tim promotion and event
kepada atasan langsung
-
Melakukan kegiatan yang berkaitan dengan sistem manajemen mutu
Data yang Digunakan
Berikut merupakan gambar Entity Relationship Diagram untuk data yang akan
digunakan:
73
Gambar 4.6. Entity Relationship Diagram
-
Analisis Perangkat Lunak
Dalam thesis ini perangkat lunak yang digunakan berbasis desktop dengan
menggunakan database lokal. Pembangunan model dengan menggunakan data
mining untuk dapat digunakan sebagai landasan pengambilan keputusan untuk
meningkatkan keefesienan dan keefektifan dalam proses seleksi mahasiswa baru
pada Universitas Bina Nusantara sehingga mengoptimalkan proses seleksi calon
mahasiswa baru. Karena data yang digunakan adalah data diri mahasiswa yang
74
bersifat rahasia maka hanya kepada pihak yang berwenang yang dapat mengakses
data ini.
Untuk pengembangan data mining digunakan software tools WEKA dengan
versi 3.7.10 dengan data yang memiliki format *.csv atau *.arff. Berikut merupakan
tampilan utama dari WEKA 3.7.10:
Spesifikasi perangkat lunak minimum yang diperlukan dalam proses data
mining ini adalah sebagai berikut:
• Microsoft SQL Server Management Studio 2013
• Microsoft SQL Server Data Tools 2013
• WEKA 3.7.10
•
-
Sistem Operasi Microsoft™ Windows 7
Analisis Perangkat Keras
Spesifikasi perangkat keras minimum yang diperlukan dalam pengembangan
data mining ini adalah sebagai berikut:
•
Processer Intel Core 2 Duo E7500
•
4 GB RAM
•
Harddisk 500 Gb
•
100/100 mbps NIC (Network Interface Card)
•
Monitor LCD 19”
75
4.1.2.2.
-
Requirements, Assumptions and Constrain
Spesifikasi Kebutuhan Fungsional
Spesifikasi kebutuhan fungsional yang dibutuhkan dalam proses data mining
adalah:
1. Dapat menghapus atribut-atribut yang tidak digunakan serta data-data
yang tidak relevan.
2. Dapat mengubah dari data asli menjadi datayang siap digunakan untuk
proses mining.
3. Dapat menggabungkan data yang akan digunakan untuk proses mining.
4. Dapat memproses data yang akan digunakan untuk proses mining, yaitu:
•
Hubungan prestasi mahasiswa dengan nilai rata-rata UN
•
Hubungan prestasi mahasiswa dengan umur calon mahasiswa
pada saat mendaftar
•
Hubungan prestasi mahasiswa dengan kota sekolah
•
Hubungan prestasi mahasiswa dengan jenis kelamin
5. Dapat menampilkan pola dari hasil dari proses mining.
4.1.2.3.
Risk and Contigencies
Berikut merupakan daftar risiko atau kejadian yang dapat menunda proses
pengembangan data mining ini:
76
Tabel 4.1. Tabel Daftar Risiko dan Tindakan
No
Risiko
Tindakan
Pengumpulan data yang membutuhkan
Menggunakan data dummy untuk
waktu lama
sementara untuk melakukan tes data
File yang ada tidak dapat digunakan di
Mengubah file yang ada menjadi format
software tools
yang sama
1
2
4.1.2.4.
Terminology
Berikut merupakan daftar istilah terminology yang relevan dengan proyek
pengembangan data mining ini:
Tabel 4.2. Tabel Istilah Terminologi
No
Terminologi
Definisi
1
DM
Data Mining
2
DWH
Data Warehouse
3
CRISP-DM
Cross Industry Standard Process for
Data Mining
4.1.2.5.
Cost and Benefits
Dalam pengembangan data mining ini tidak ada biaya yang perlu dikeluarkan
tetapi dengan adanya data mining ini maka dapat membantu pihak marketing
Universitas Bina Nusantara dalam melakukan promosi sehingga dapat mengurangi
biaya yang diperlukan untuk melakukan promosi ke sekolah-sekolah di seluruh
Indonesia.
77
4.1.3. Determine Data Mining Goals
Tahap berikutnya adalah menjelaskan tujuan dari kegiatan bisnis pada Universitas
Bina Nusantara. Dengan diketahuinya tujuan dari kegiatan bisnis maka dapat
diketahui pula tujuan dari dilakukannya pengembangan data mining ini.
4.1.3.1.
Data Mining Goals
Sesuai dengan visi Universitas Bina Nusantara yaitu meningkatkan daya
saing lulusan maka dibutuhkan calon mahasiswa yang memiliki kualitas pendidikan
yang baik oleh karena itu pihak marketing perlu mengetahui sasaran calon
mahasiswa di Universitas Bina Nusantara sehingga dapat meminimalkan proses
promosi dan proses penyeleksian calon mahasiswa baru. Untuk mengetahui criteria
dari calon mahasiswa yang berpotensial dalam bidang pendidikan dapat
menggunakan proses mining pada data mahasiswa yang memiliki IPK kelulusan
yang tinggi dengan data diri mahasiswa sesuai dengan jurusan masing-masing.
Dengan menggunakan data mining, kita akan dapat mengetahui pola-pola siswasiswa yang berpotensial di bidang akademik sehingga pihak marketing dapat focus
untuk melakukan kegiatan marketing di daerah tertentu dan calon mahasiswa yang
memiliki pola-pola tersebut tidak perlu melewati proses seleksi calon mahasiswa
baru Universitas Bina Nusantara.
4.1.3.2.
Data Mining Success Criteria
Pengembangan data mining ini dikatakan berhasil jika dapat menghasilkan
pola-pola yang akurat mengenai mahasiswa yang berpotensial dalam bidang
akademis di Universitas Bina Nusantara dan pola-pola tersebut dapat digunakan oleh
78
pihak marketing Universtitas Bina Nusantara dalam pengambilan keputusan untuk
proses bisnis.
4.1.4. Produce Project Plan
Untuk menjalankan proyek pengembangan data mining di Universitas Bina
Nusantara ini perlu disiapkan perencanaan mulai dari awal hingga akhir proyek
termasuk pemilihan tools dan tekniknya. Untuk pemilihan tools dan teknik telah
dilakukan studi literatur untuk menemukan tools dan teknik apakah yang sesuai
untuk digunakan dalam pengembangan data mining ini.
4.1.4.1.
Project Plan
Berikut merupakan jadwal pengerjaan untuk thesis data mining ini:
Tabel 4.3. Tabel Project Plan
Activit
Bula
y
n1
Bulan Bulan
Bula
Bula
Bula
n4
n5
n6
No
1.
Hasil
Studi
literature
2
3
Mencari
√
literature
dengan
membaca buku
dan jurnal yang
berhubungan
dengan data
mining
2.
Identifikasi
Masalah
√
Melakukan
observasi ke
lapangan dan
mencari solusi
untuk
permasalahan
79
yang ada
3.
Meminta data
√
Pengumpul
an Data
yang
dibutuhkan ke
pihak marketing
dan IT
4.
Pembangun
Melakukan
√
an Data
proses data
Mining
mining untuk
menemukan
pola
5.
Evaluasi
√
Melakukan
evaluasi atas
pola data
mining yang
telah ditemukan
4.1.4.2.
Initial Assesment of Tools and Technique
Untuk melakukan proses data mining dapat menggunakan beberapa pilihan tools.
Berdasarkan penelitian sebelumnya
(Aher & L.M.R.J., 2011) dan melakukan
perbandingan tools, maka tools yang dipilih untuk digunakan dalam memining data
mahasiswa di Universitas Bina Nusantara ini adalah WEKA.
Tabel 4.4. Tabel Perbandingan Tools untuk Data Mining
WEKA
Microsoft
Aplikasi Bisnis,
Matlab
Penelitian,
Aplikasi
Kegunaan
Pengembangan
Aplikasi
Pengembangan
Bisnis
Algoritma
Lisensi
Open Source
Format
csv, arff, libsvm,
Import
bsi
RapidMiner
Bisnis
Algoritma
Commercial
Commercial
Open Source
xls,csv
arff, xls, csv
xls, csv
80
Portabilitas, karena
sepenuhnya
diimplementasikan
Diprogram
dalam bahasa
Lebih mudah Tersedia untuk
dalam bahasa
pemrograman Java
untuk
semua
java sehingga
dan dengan
integrasi
platform.
dapat berjalan
demikian berjalan
database
di berbagai
pada hampir semua
platform.
platform komputasi
yang modern.
Memiliki 400
prosedur
Memiliki
Keunggulan
(operator) data
Koleksi yang
ratusan fungsimining,
komprehensif data
fungsi
-
preprocessing dan
termasuk
matematika,
operator untuk
teknik pemodelan
fisika, statistik,
input, output,
dan visualisasi.
preprocessing
dan visualisasi
Kemudahan
Handal untuk
Kemudahan
penggunaan
komputasi yang penggunaan
penggunaan karena
karena
terkait dengan
karena
antarmuka grafis
antarmuka
array atau
antarmuka
yang user
grafis yang
matriks dan
grafis yang
user
operasi
user
Kemudahan
81
hitungnya
cepat.
Bisa terjadi
overloading data
Harus
jika database yang
Berjalan
di masukkan
pada OS
melebihi kuota
windows
menggunakan
Kelemahan
script
programming.
yang di tentukan
WEKA.
Algoritma
Pemrosesan
data mining
lebih lambat
-
masih
dibanding
terbatas
compiler
Setelah melakukan perbandingan untuk memilih tools, hal selanjutnya yang
perlu dilakukan adalah memilih teknik data mining yang akan digunakan, terdapat
beberapa teknik yang tersedia untuk melakukan proses pengembangan data mining,
namun setelah diuji coba dengan menggunakan data mahasiswa Universitas Bina
Nusantara, teknik yang sesuai digunakan untuk mengetahui pola mahasiswa yang
berpotensial berdasarkan data dirinya adalah teknik association rules.
4.2.
Data Understanding
Setelah permasalahan bisnis dijabarkan menjadi permasalahan data mining
maka langkah selanjutnya adalah mendapatkan dan menentukan sumber data yang
akan dijadikan sebagai sumberdata yang akan dijadikan sebagai sumber pembuatan
82
model data mining. Sumber data yang digunakan pada proses pengembangan data
mining diambil dari database data diri Universitas Bina Nusantara (Lampiran 1.)
dan database nilai Universitas Bina Nusantara (Lampiran 2.) periode 2006-2008.
Lalu dari database tersebut setelah melalui proses ETL (Extract, Transform, and
Load) diubah menjadi data warehouse yang berisi data-data yang dibutuhkan.
4.2.1. Collect Initial Data
4.2.1.1.
Initial Data Collection Report
Dari sekian banyak data diri calon mahasiswa, hanya beberapa atribut yang
akan kita gunakan dalam mencari hubungan dengan data nilai calon mahasiswa. Data
yang akan digunakan adalah data yang sebarannya tidak terlalu acak karena data
yang sebarannya terlalu acak akan menghasilkan tingkat hubungan yang rendah dan
memakan waktu yang lama dalam melakukan proses mining-nya.
Berikut merupakan data-data diri calon mahasiswa yang akan dicari hubungannya,
yaitu:
-
No. Formulir
-
Jurusan kuliah
-
IPK pada saat lulus
-
Nilai rata-rata UN
-
Tahun Pendaftaran
-
Tahun Lahir
-
Kota sekolah
-
Jenis kelamin
83
Adapun yang akan diproses mining meliputi:
1. Hubungan prestasi mahasiswa dengan nilai rata-rata UN
Dari atribut nilai rata-rata UN dapat diketahui hubungan antara prestasi
mahasiswa dengan nilai rata-rata UN sehingga bisa dapat diketahui
tingkat prestasi mahasiswa.
2. Hubungan prestasi mahasiswa dengan umur calon mahasiswa pada saat
mendaftar
Atribut umur dihasilkan dari tahun pendaftaran dikurang tahun lahir calon
mahasiswa, dari atribut umur ini dapat diketahui hubungan antara prestasi
mahasiswa dengan umur calon mahasiswa pada saat mendaftar sehingga
bias dapat diketahui tingkat prestasi mahasiswa.
3. Hubungan prestasi mahasiswa dengan kota sekolah
Dari atribut kota sekolah dapat diketahui hubungan antara prestasi
mahasiswa dengan kota sekolah sehingga bisa dapat diketahui calon
mahasiswa dari kota mana yang memiliki prestasi yang bagus.
4. Hubungan prestasi mahasiswa dengan jenis kelamin
Dari atribut jenis kelamin dapat diketahui hubungan antara prestasi
mahasiswa dengan kota sekolah sehingga bisa dapat diketahui calon
mahasiswa dengan jenis kelamin apa yang memiliki prestasi yang bagus.
Data yang digunakan pada thesis ini adalah data calon mahasiswa yang
mendaftar di Universitas Bina Nusantara pada tahun 2006, 2007 dam 2008 dan lulus
pada tahun 2010, 2011 dan 2102 untuk jenjang S1 dari beberapa jurusan di
Universitas Bina Nusantara. Data-data ini diperoleh dari bagian marketing
Universitas Bina Nusantara.
84
Berdasarkan hasil analisis dari data yang didapatkan maka bisa didapatkan
dugaan sementara untuk mahasiswa yang berpotensial dalam bidang akademik di
Universitas Bina Nusantara adalah mahasiswa dengan karakteristik sebagai berikut:
a. Memiliki rata-rata nilai NEM >= 85.
b. Masuk kuliah pada usia normal yaitu 19-21 tahun.
c. Berasal dari kota Jakarta.
d. Berjenis kelamin wanita.
4.2.2. Describe Data
4.2.2.1.
Data Description Report
Berikut merupakan penjelasan mengenai struktur dan definisi table pada ERD diatas:
Database
: MahasiswaBinus
Table
: DataDiri
Primary Key : ThnPendaftaran, NomorFormulir
Foreign Key : KodeJur, KodeStu, JurSMU, KodeWng, KodeKab, KodePro,
KodeNeg, KodeJenisKel, KodeAgama, KodeSMU
Tabel 4.5. Deskripsi Table DataDiri
Field
Length and
Description
Type
ThnPendaftaran
Char (4)
Mengidentifikasi
tahun
pendaftaran
mahasiswa baru
NomorFormulir
Char (10)
Mengidentifikasi nomor formulir secara
85
unik
SemPendaftaran
Char (10)
Mengidentifikasi
semester
saat
mahasiswa melakukan pendaftaran
KotaPendaftar
Varchar (50)
Mengidentinfikasi
kota
dimana
mahasiswa baru melakukan pendaftaran
TglLahir
Numeric (18,0) Mengidentifikasi
tanggal
lahir
mahasiswa baru yang mendaftar
BulanLahir
Numeric (18,0) Mengidentifikasi bulan lahir mahasiswa
baru yang mendaftar
TahunLahir
Numeric (18,0) Mengidentifikasi tahun lahir mahasiswa
baru yang mendaftar
TptLahir
Varchar (50)
Mengidentifikasi
tempat
kelahiran
mahasiswa baru yang mendaftar
NilaiNEM
Float
Mengidentifikasi nilai mahasiwa baru
yang mendaftar
KodeJur
Char (15)
Mengidentifikasi kode jurusan
dipilih
oleh
mahasiswa
baru
yang
saat
melakukan pendaftaran
KodeStu
Char (15)
Mengidentifikasi kode studi yang dipilih
oleh mahasiswa baru saat melakukan
pendaftaran
JurSMU
Char (15)
Mengidentifikasi
jurusan
SMU
mahasiswa baru
KodeWng
Char (15)
Mengidentifikasi kode warga Negara
mahasiswa baru
86
KodeKab
Char (15)
Mengidentifikasi
kode
kabupaten
mahasiswa baru
KodePro
Char (15)
Mengidentifikasi
kode
provinsi
kode
Negara
jenis
kelamin
mahasiswa baru
KodeNeg
Char (15)
Mengidentifikasi
mahasiswa baru
KodeJenisKel
Char (15)
Mengidentifikasi
mahasiswa baru
KodeAgama
Char (15)
Mengidentifikasi
kode
agama
mahasiswa baru
KodeSMU
Char (15)
Mengidentifikasi kode SMU mahasiswa
baru
Database
: Mahasiswa
Table
: DataAyah
Primary Key : NomorFormulir
Foreign Key :NomorFormulir, ThnPendaftaran, SemPendaftaran, KodePekerjaan,
KodePendidikan
Tabel 4.6. Deskripsi Table DataAyah
Field
Length and
Description
Type
NomorFormulir
Char (10)
Mengidentifikasi nomor formulir secara
unik
ThnPendaftaran
Char (4)
Mengidentifikasi tahun pendaftaran
mahasiswa baru
87
NamaAyah
Varchar (20)
Mengidentifikasi nama ayah dari calon
mahasiswa baru
SemPendaftaran
Char (10)
Mengidentifikasi
semester
saat
mahasiswa melakukan pendaftaran
KodePendidikan
Char (15)
Mengidentifikasi
kode
pendidikan
kode
pekerjaan
mahasiswa baru
KodePekerjaan
Char (15)
Mengidentifikasi
mahasiswa baru
Database
: Mahasiswa
Table
: Agama
Primary Key : KodeAgama
Foreign Key : -
Tabel 4.7. Deskripsi Table Agama
Field
Length and
Description
Type
KodeAgama
Char (15)
Mengidentifikasi kode agama mahasiswa
baru
NamaAgama
Varchar (20)
Mengidentifikasi
mahasiswa baru
Database
: Mahasiswa
Table
: JenisKelamin
Primary Key : KodeJenisKel
nama
agama
88
Foreign Key : -
Tabel 4.8. Deskripsi Table JenisKelamin
Field
Length and
Description
Type
KodeJenisKel
Char (15)
Mengidentifikasi kode jenis kelamin
mahasiswa baru
NamaJenisKel
Varchar (50)
Mengidentifikasi nama jenis kelamin
mahasiswa baru
Database
: Mahasiswa
Table
: Jurusan
Primary Key
: KodeJurusan
Foreign Key
:Tabel 4.9. Deskripsi Table Jurusan
Field
Length and
Description
Type
KodeJur
Char (15)
Mengidentifikasi kode jurusan yang
dipilih oleh mahasiswa baru saat
melakukan pendaftaran
NamaJur
Varchar (100)
Mengidentifikasi
nama
jurusan
singkatan
jurusan
mahasiswa baru
SingkatanJur
Char (20)
Mengidentifikasi
mahasiswa baru
89
Database
: Mahasiswa
Table
: JurusanSMU
Primary Key : JurSMU
Foreign Key : Tabel 4.10. Deskripsi Table JurusanSMU
Field
Length and
Description
Type
JurSMU
Char (15)
Mengidentifikasi jurusan SMU
mahasiswa baru
NamaJurSMU
Varchar (20)
Mengidentifikasi nama jurusan SMU
mahasiswa baru
Database
: Mahasiswa
Table
: Kabupaten
Primary Key : KodeKab
Foreign Key : KodePro
Tabel 4.11. Deskripsi Table KodeKab
Field
Length and
Description
Type
KodeKab
Char (15)
Mengidentifikasi kode kabupaten
mahasiswa baru
NamaKab
Varchar (50)
Mengidentifikasi
nama
kabupaten
mahasiswa baru
KodePro
Char (15)
Mengidentifikasi
kode
propinsi
90
mahasiswa baru
Database
: Mahasiswa
Table
: NamaMahasiswa
Primary Key : NomorIndukMahasiswa
Foreign Key : NomorFormulir
Tabel 4.12. Deskripsi Table NamaMahasiswa
Field
Length and
Description
Type
NomorIndukMahasiswa Char (15)
Mengidentifikasi nomor induk
mahasiswa secara unik
NamaMahasiswa
Varchar (50)
Mengidentifikasi nama mahasiswa baru
NomorFormulir
Char (10)
Mengidentifikasi
nomor
secara unik
Database
: Mahasiswa
Table
: Negara
Primary Key : KodeNeg
Foreign Key : Tabel 4.13. Deskripsi Table Negara
Field
Length and
Description
Type
KodeNeg
Char (15)
Mengidentifikasi kode Negara
mahasiswa baru
formulir
91
NamaNeg
Varchar (50)
Mengidentifikasi
nama
Negara
mahasiswa baru
Database
: Mahasiswa
Table
: Nilai
Primary Key : TahunAjaran, SemesterAjaran, NomorIndukMahasiswa
Foreign Key : NomorIndukMahasiswa
Tabel 4.14. Deskripsi Table Nilai
Field
Length and
Description
Type
TahunAjaran
Char (4)
Mengidentifikasi tahun lulus mahasiswa
SemesterAjaran
Char (6)
Mengidentifikasi
semester
ajaran
nomor
induk
mahasiswa
NomorIndukMahasiswa Char (15)
Mengidentifikasi
mahasiswa secara unik
IPSemester
Float
Mengidentifikasi
IP
semester
IP
kumulatif
SKS
semester
SKS
kumulatif
NIM
mahasiswa
mahasiswa
IPKumulatif
Float
Mengidentifikasi
mahasiswa
SKSSemester
Int
Mengidentifikasi
mahasiswa
SKSKumulatif
Int
Mengidentifikasi
mahasiswa
NIM
Char (15)
Mengidentifikasi
92
secara unik
Database
: Mahasiswa
Table
: PekerjaanAyah
Primary Key : KodePekerjaan
Foreign Key : -
Tabel 4.15. Deskripsi Table PekerjaanAyah
Field
Length and
Description
Type
KodePekerjaan
Char (15)
Mengidentifikasi kode pekerjaan ayah
mahasiswa baru
NamaPekerjaan
Varchar (50)
Mengidentifikasi nama pekerjaan ayah
mahasiswa baru
Database
: Mahasiswa
Table
: PendidikanAyah
Primary Key : KodePendidikan
Foreign Key : Tabel 4.16. Deskripsi Table PendidikanAyah
Field
Length and
Description
Type
KodePendidikan
Char (15)
Mengidentifikasi kode pendidikan ayah
mahasiswa baru
NamaPendidikan
Varchar (50)
Mengidentifikasi nama pendidikan ayah
93
mahasiswa baru
Database
: Mahasiswa
Table
: Perusahaan
Primary Key : Foreign Key : ThnPendaftaran, SemPendaftaran, NomorFormulir
Tabel 4.17. Deskripsi Table Perusahaan
Field
Length and
Description
Type
NomorFormulir
Char (10)
Mengidentifikasi nomor formulir
mahasiswa baru
NamaPerusahaan
Varchar (50)
Mengidentifikasi
nama
perusahaan
alamat
perusahaan
tahun
pendaftaran
mahasiswa baru
AlamatPerusahaan
Varchar (100)
Mengidentifikasi
mahasiswa baru
ThnPendaftaran
Char (4)
Mengidentifikasi
mahasiswa baru
SemPendaftaran
Char (10)
Mengidentifikasi semester pendaftaran
mahasiswa baru
Database
: Mahasiswa
Table
: Provinsi
Primary Key : KodePro
Foreign Key : Tabel 4.18. Deskripsi Table Provinsi
94
Field
Length and
Description
Type
KodePro
Char (15)
Mengidentifikasi kode provinsi
mahasiswa baru
NamaPro
Varchar (50)
Mengidentifikasi
nama
provinsi
mahasiswa baru
Database
: Mahasiswa
Table
: SMU
Primary Key : KodeSMU
Foreign Key : KodeKab
Tabel 4.19. Deskripsi Table SMU
Field
Length and
Description
Type
KodeSMU
Char (15)
Mengidentifikasi kode SMU mahasiswa
baru
NamaSMU
Varchar (50)
Mengidentifikasi nama SMU mahasiswa
baru
AlamatSMU
Varchar (100)
Mengidentifikasi
alamat
SMU
mahasiswa baru
KotaSMU
Varchar (100)
Mengidentifikasi kota SMU mahasiswa
baru
KodeKab
Char (15)
Mengidentifikasi
mahasiswa baru
kode
kabupaten
95
Database
: Mahasiswa
Table
: Studi
Primary Key : KodeStu
Foreign Key : Tabel 4.20. Deskripsi Table Studi
Field
Length and
Description
Type
KodeStu
Char (15)
Mengidentifikasi kode studi yang dipilih
oleh mahasiswa baru saat melakukan
pendaftaran
NamaStu
Varchar (50)
Mengidentifikasi nama studi mahasiswa
baru
SingkatanStu
Char (15)
Mengidentifikasi
singkatan
studi
mahasiswa baru
Database
: Mahasiswa
Table
: Warganegara
Primary Key : KodeWng
Foreign Key : Tabel 4.21. Deskripsi Table Warganegara
Field
Length and
Description
Type
KodeWng
Char (15)
Mengidentifikasi kode warga Negara
mahasiswa baru
NamaWng
Varchar (40)
Mengidentifikasi nama warga Negara
96
mahasiswa baru
4.2.3. Explore Data
4.2.3.1.
Data Exploration Report
Data yang digunakan untuk proses data mining adalah data calon mahasiswa
yang mendaftar di Universitas Bina Nusantara pada tahun 2006, 2007 dan 2008
beserta data nilai mereka pada saat lulus yaitu 2010, 2011 dan 2012. Jadi mahasiswa
yang mendaftar pada tahun 2006, 2007 dan 2008 tapi tidak lulus tepat waktu
(4tahun) tidak dimasukkan datanya. Total jumlah data yang digunakan adalah 18859.
4.2.4. Verify Data Quality
4.2.4.1.
Data Quality Report
Data yang digunakan adalah data yang memiliki kualitas baik karena
sebelumnya sudah melalui proses cleansing. Atribut yang memiliki nilai kosong juga
tidak dimasukkan ke dalam data mart.
4.3.
Data Preparation
4.3.1. Select Data
4.3.1.1.
Rationale for Inclusion/Exclusion
Pada tahapan data preparation dilakukan proses pemilihan data yang ada di
dalam data warehouse yang berhubungan dan akan digunakan dalam pengembangan
model data mining yang dapat bermanfaat bagi Universitas Bina Nusantara.
97
Dalam thesis ini tidak semua atribut digunakan untuk mencari hubungan
antara data nilai dan data diri calon mahasiswa, oleh karena itu perlu dilakukan
pembersihan data agar dapat meningkatkan performa dari proses mining.
Atribut pada data calon diri mahasiswa yang digunakan pada proses mining:
1. Atribut nomor formulir digunakan sebagai primary key untuk
menghubungkan dengan data nilai dan data sekolah.
2. Atribut umur digunakan untuk proses mining dalam mengetahui
hubungan antara nilai calon mahasiswa dengan umur calon mahasiswa
pada saat mendaftar.
3. Atribut kota sekolah digunakan untuk proses mining dalam mengetahui
hubungan antara nilai calon mahasiswa dengan kota sekolah asal.
4. Atribut jenis kelamin digunakan untuk proses mining dalam mengetahui
hubungan antara nilai calon mahasiswa dengan jenis kelamin.
5. Atribut nilai UN dan nilai IP digunakan sebagai ukuran nilai calon
mahasiswa.
Sebelum melakukan proses mining, hal pertama yang dilakukan adalah
membangun data warehouse terlebih dahulu sebagai sarana untuk menampung data
dari database calon mahasiswa dan database nilai. Tujuan dibuatnya data warehouse
ini adalah untuk memudahkan dalam menggabungkan data dari database-database
tersebut.
Untuk membuat data warehouse perlu dilakukan proses ETL (Extract,
Transform and Load). Proses ETL dapat digambarkan seperti pada gambar berikut.
98
Gambar 4.7. Sumber Data yang Digunakan
Berikut merupakan tahapan-tahapan dalam membuat data warehouse mahasiswa:
Gambar 4.8. Control Flow
99
Gambar 4.9. Data Flow
100
Gambar 4.10. Proses Mapping
Berikut query untuk membuat data warehouse mahasiswa:
101
102
Gambar 4.11. Query Data Warehouse
103
Gambar 4.12. Star Schema DWHMahasiswa
104
Berikut ini adalah penjelasan mengenai struktur dan definisi table pada star
schema DWHMahasiswa:
Table
: DataDiri
Primary Key : ThnPendaftaran, NomorFormulir
Foreign Key : KodeJur, KodeStu, JurSMU, KodeJenisKel, KodeAgama, KodSMU
Tabel 4.22. Metadata Table DataDiri
Nama Field
Length and
Field Sumber
Tabel Sumber
Prosedur
Type
ThnPendaftaran
Char (4)
ThnPendaftaran
DataDiri
Copy
NomorFormulir
Char (10)
NomorFormulir
DataDiri
Copy
SemPendaftaran
Char (10)
SemPendaftaran
DataDiri
Copy TahunLahir
Numeric (18,0)
TahunLahir
DataDiri
Copy TptLahir
Varchar (50)
TptLahir
DataDiri
Copy NilaiNEM
Float
NilaiNEM
DataDiri
Copy KodeJur
Char (15)
KodeJur
DataDiri
Copy KodeStu
Char (15)
KodeStu
DataDiri
Copy JurSMU
Char (15)
JurSMU
DataDiri
Copy KodeJenisKel
Char (15)
KodeJenisKel
DataDiri
Copy KodeAgama
Char (15)
KodeAgama
DataDiri
Copy
KodeSMU
Char (15)
KodeSMU
DataDiri
Copy
Table
: Agama
Primary Key : KodeAgama
Foreign Key : -
105
Tabel 4.23. Metadata Table Agama
Nama Field
Length and
Field Sumber
Tabel Sumber
Prosedur
Type
KodeAgama
Char (15)
KodeAgama
Agama
Copy
NamaAgama
Varchar (20)
NamaAgama
Agama
Copy
Table
: JenisKelamin
Primary Key : KodeJenisKel
Foreign Key : Tabel 4.24. Metadata Table JenisKelamin
Nama Field
Length and
Field Sumber
Tabel Sumber
Prosedur
Type
KodeJenisKel
Char (15)
KodeJenisKel
JenisKelamin
Copy
NamaJenisKel
Varchar (50)
NamaJenisKel
JenisKelamin
Copy
Table
: Jurusan
Primary Key : KodeJurusan
Foreign Key : Tabel 4.25. Metadata Table Jurusan
Nama Field
Length and
Field Sumber
Tabel Sumber
Prosedur
Type
KodeJur
Char (15)
KodeJur
Jurusan
Copy
NamaJur
Varchar (100)
NamaJur
Jurusan
Copy
SingkatanJur
Char (20)
SingkatanJur
Jurusan
Copy
Table
: JurusanSMU
106
Primary Key : JurSMU
Foreign Key : Tabel 4.26. Metadata Table JurusanSMU
Nama Field
Length and
Field Sumber
Tabel Sumber
Prosedur
Type
JurSMU
Char (15)
JurSMU
JurusanSMU
Copy
NamaJurSMU
Varchar (20)
NamaJurSMU
JurusanSMU
Copy
Table
: Nilai
Primary Key : TahunAjaran, SemesterAjaran, NomorIndukMahasiswa
Foreign Key : NomorIndukMahasiswa
Tabel 4.27. Metadata Table Nilai
Nama Field
Length and
Field Sumber
Tabel Sumber
Prosedur
Type
TahunAjaran
Char (4)
TahunAjaran
Nilai
Copy
SemesterAjaran
Char (6)
SemesterAjaran
Nilai
Copy
NomorIndukMah Char (15)
NomorIndukMah Nilai Copy asiswa
asiswa
IPSemester
Float
IPSemester
Nilai Copy IPKumulatif
Float
IPKumulatif
Nilai Copy SKSSemester
Int
SKSSemester
Nilai Copy SKSKumulatif
Int
SKSKumulatif
Nilai Copy Table
: PekerjaanAyah
Primary Key : KodePekerjaan
107
Foreign Key : Tabel 4.28. Metadata Table PekerjaanAyah
Nama Field
Length and
Field Sumber
Tabel Sumber
Prosedur
Type
KodePekerjaan
Char (15)
KodePekerjaan
PekerjaanAyah
Copy
NamaPekerjaan
Varchar (50)
NamaPekerjaan
PekerjaanAyah
Copy
Table
: Studi
Primary Key : KodeStu
Foreign Key : Tabel 4.29. Metadata Table Studi
Nama Field
Length and
Field Sumber
Tabel Sumber
Prosedur
Type
KodeStu
Char (15)
KodeStu
Studi
Copy
NamaStu
Varchar (50)
NamaStu
Studi
Copy
SingkatanStu
Char (15)
SingkatanStu
Studi
Copy
Table
: FaktaMahasiswa
Primary Key : Foreign Key : -
108
Tabel 4.30. Metadata Table FaktaMahasiswa
Nama Field
Length and
Field Sumber
Tabel Sumber
Prosedur
Type
NIM
char(15)
NomorIndukMah Nilai
Copy
asiswa
Jurusan
varchar(100)
KodeJur
Jurusan
Copy
KlasifikasiIPK
varchar(20)
SemPendaftaran
IPKumulatif
Transform KlasifikasiNEM
varchar(10)
NilaiNEM
DataDiri
Transform KlasifikasiJurSM varchar(10)
U
JurSMU
JurusanSMU
Transform KlasifikasiPekerj
aanAyah
varchar(50)
KodePekerjaan
PekerjaanAyah
Transform Usia
varchar(20)
TahunPendaftara
DataDiri
Create n
TahunLahir
Kota
varchar(50)
KotaPendaftar
DataDiri
Copy JenisKelamin
varchar(50)
KodeJenisKelam
JenisKelamin
Copy in
Agama
varchar(20)
KodeAgama
Agama
Copy TahunPendaftara
n
char(4)
TahunPendaftara
DataDiri
Copy
n
109
4.3.2. Clean Data
4.3.2.1.
Data Cleaning Report
Untuk proyek pengembangan data mining ini data yang digunakan tidak perlu
melewati proses cleaning lagi karena data yang digunakan sudah bersih.
4.3.3. Integrate Data
4.3.3.1.
Merged Data
Dalam thesis ini yang dilakukan proses transformasi data yaitu proses penggabungan
atau pengubahan data asli menjadi data yang yang dibutuhkan untuk proses data
mining. Adapun transformasi data yang dibutuhkan untuk memudahkan proses
mining adalah::
1. Keterkaitan antara tingkat prestasi mahasiswa dengan IPK. Untuk
memudahkan proses mining maka IPK perlu dikategorikan. Proses untuk
pengkategorian IPK dilakukan berdasarkan pada ketentuan yang ada pada
Student Advisory Center (SAC) di Universitas Bina Nusantara, yaitu
sebagai berikut:
Tabel 4.31. Klasifikasi IPK
IPK
Keterangan
0.00 – 2.00
Non Reguler
2.01 – 3.00
Reguler
3.01 – 4.00
High Achiever
110
Berikut sebaran data untuk klasifikasi IPK:
4.13. Gambar Sebaran Data Klasifikasi IPK
2. Keterkaitan antara tingkat prestasi mahasiswa dengan nilai rata-rata UN.
Untuk memudahkan proses mining maka nilai rata-rata UN perlu
dikategorikan. Karena tidak ada ketentuan tertentu dari pihak Universitas
Bina Nusantara mengenai kategori nilai rata-rata UN maka proses
pengkategorian dilakukan berdasarkan analisa sebaran data dari nilai ratarata UN sehingga kategori menjadi sebagai berikut:
Tabel 4.32. Klasifikasi UN
Nilai Rata-Rata UN
Keterangan
<= 5.00
E
5.01 – 6.49
D
6.50 – 7.49
C
111
7.50 – 8.49
B
8.50 – 10.00
A
Berikut sebaran data untuk klasifikasi NEM:
4.14. Gambar Sebaran Data Klasifikasi NEM
3. Keterkaitan antara tingkat prestasi mahasiswa dengan Umur.
Untuk
memudahkan proses mining maka jenis umur perlu dikategorikan. Dari
penelitian yang telah dilakukan sebelumnya dilakukan di Fasilkom
UNSIKA (Defiyanti, 2014), maka pengkategorian untuk umur menjadi
sebagai berikut:
112
Tabel 4.33. Klasifikasi Umur
Umur
Keterangan
<=18
Early
19-21
Normal
>=22
Late
Setelah data asli yang didapatkan dari bagian Marketing Universitas Bina Nusantara
diklasifikasikan berdasarkan table 4.31, table 4.32, table 4.33 diatas maka didapatkan
data transformasi yang akan digunakan untuk proses pengembangan data mining
(lampiran 3.).
4.3.4. Formal Data
Pada proses penyiapan data ini tidak ada data yang perlu diubah formatnya.
4.3.5. Dataset
Berikut merupakan dataset yang akan digunakan untuk proses pengembangan
data mining, yaitu:
-
NIM
-
Jurusan
-
KlasifikasiIPK
-
KlasifikasiNEM
-
Usia
-
Kota
-
JenisKelamin
-
TahunPendaftaran
113
4.4.
Modelling
4.4.1. Select Modelling Techniques
Tabel 4.34. Perbandingan Teknik Data Mining
WEKA
Aplikasi Bisnis,
Kegunaan
Pengembangan
Algoritma
Lisensi
Open Source
Format
csv, arff, libsvm,
Import
bsi
Microsoft
Aplikasi
Bisnis
Matlab
Penelitian,
Pengembangan
Algoritma
RapidMiner
Aplikasi
Bisnis
Commercial
Commercial
Open Source
xls,csv
arff, xls, csv
xls, csv
Portabilitas, karena
sepenuhnya
Diprogram
diimplementasikan
dalam bahasa
Lebih mudah
pemrograman Java
untuk
dan dengan
integrasi
demikian berjalan
database
Tersedia untuk
semua
platform.
dalam bahasa
java sehingga
dapat berjalan
di berbagai
platform.
pada hampir semua
platform komputasi
Keunggulan
yang modern.
Memiliki 400
Memiliki
Koleksi yang
ratusan fungsi-
komprehensif data
fungsi
preprocessing dan
-
matematika,
fisika, statistik,
teknik pemodelan
dan visualisasi.
prosedur
(operator) data
mining,
termasuk
operator untuk
input, output,
preprocessing
dan visualisasi
Kemudahan
Kemudahan
Handal untuk
Kemudahan
114
penggunaan karena
penggunaan
komputasi yang penggunaan
antarmuka grafis
karena
terkait dengan
karena
yang user
antarmuka
array atau
antarmuka
grafis yang
matriks dan
grafis yang
user
operasi
user
hitungnya
cepat.
Bisa terjadi
overloading data
Kelemahan
jika database yang
Berjalan
di masukkan
pada OS
melebihi kuota
windows
yang di tentukan
Harus
menggunakan
script
-
programming.
WEKA.
-
Algoritma
Pemrosesan
data mining
lebih lambat
masih
dibanding
terbatas
compiler
-
Pada bab 4.1.4.2 telah dijelaskan bahwa teknik yang digunakan adalah association
rule. Namun, pada tahap ini dilakukan analisa dan pemilihan lebih spesifik yaitu
pemilihan algoritma. Berikut perbandingan algoritma pada teknik association rule:
Tabel 4.35. Perbandingan Algoritma untuk Association Rules
Fitur
Apriori
FP Growth
Kecepatan
Kurang Cepat
Cepat
Alokasi Memori
Membutuhkan
alokasi Membutuhkan
memori yang besar
alokasi
memori yang lebih sedikit
daripada apriori
115
4.4.2. Build Model
Pada tahapan ini dijelaskan mengenai proses pengembangan model data
miningdengan tools WEKA menggunakan teknik association rules dan
algoritma apriori.
Gambar 4.15. Tampilan Home Tools WEKA
Langkah pertama yang dilakukan adalah melakukan pengambilan data yang akan dimining dari data warehouse. Pengambilan data dilakukan dengan cara memilih
openDB pada tampilan WEKA Explorer.
4.16. Gambar Langkah Pengambilan Data
Setelah itu memilih data lalu data yang dpipilih di-execute agar WEKA dapat
membaca data tersebut, karena penelitian ini dilakukan untuk mencari pola
mahasiswa yang berpotensial dalam bidang akademik maka data yang dipilih akan
dilakukan berdasarkan Jurusan.
116
Gambar 4.17. Gambar Proses Pengambilan Data dari Data Warehouse untuk
Di-mining
Tahap selanjutnya adalah memilih atribut yang akan di-mining karena tidak semua
atribut yang ada di datawarehouse tersebut akan digunakan. Pemilihan atribut
dilakukan dengan cara mencetang di kotak yang ada di sebelah nama atribut. Setelah
atribut dipilih maka langskah selanjutnya adalah memilih teknik yang digunakan
yaitu Association Rules.
117
Gambar 4.18. Gambar Proses Pemilihan Atribut dan Teknik Data Mining
Setelah teknik data mining telah dipilih, langkah selanjutnya adalah
pemilihan algoritmayaitu algoritma apriori dan pengaturan parameter, lalu
klik Start.
118
Gambar 4.19. Gambar Proses Pengaturan Parameter di Association Rules
Setelah itu keluarlah rules dari hasil data mining yang nantinya akan
ditarik menjadi kesimpulan untuk dijadikan sebagai pola mahasiswa yang
berpotensial dalam bidang akademik di Universitas Bina Nusantara
119
Gambar 4.20. Rules yang Dihasilkan dengan Menggunakan
Association Rules dan Algoritma Apriori
4.4.2.1.
Models
Pada tahap ini dilakukan pembangunan model data mining sesuai dengan algoritma
yang akan digunakan. Model yang akan dibuat bertujuan untuk menemukan pola
mahasiswa yang berpotensial dalam bidang akademik di Universitas Bina Nusantara.
Teknik data mining yang digunakan adalah Association Rules dan algoritma yang
digunakan untuk mendukung fungsi ini adalah algoritma Apriori.
Tabel 4.36. Tabel Spesifikasi Parameter Model
Nama Parameter
Minimum_Support
Nilai Parameter
0.1
Keterangan
Presentase
kemunculan
jumlah
minimal
itemset untuk mendukung
setiap pola aturan
Minimum Confidence
0.5
Persentase nilai minimal
120
hubungan
antara
item
dalam setiap pola aturan
Algortihm Name
Apriori
Nama
algoritma
yang
digunakan
Maximum_Rule_Rules
10
Jumlah maksimum rules
yang
dihasilkan
untuk
tiap pola
4.5.
Evaluate
Dari hasil pembangunan model mining dengan menggunakan Teknik Association
Rules dan algoritma apriori maka didapatlah kesimpulan sebagai berikut:
Tabel 4.37. Tabel Hasil dari Data Mining
Jurusan
No
KlasifikasiIPK = High Achiever
Klasifikasi
Jenis
Usia
Kota
NEM
Kelamin
1
Manajemen dan Teknik
Industri
B
Normal DKI Jakarta
Laki-Laki
2
Sistem Komputer
B
Normal DKI Jakarta
Laki-laki
3
Teknik Industri
B
Early
DKI Jakarta
Laki-laki
4
Teknik Sipil
B
Early
DKI Jakarta
Laki-laki
5
Desain Interior
B
Nor
mal
DKI Jakarta Perempuan
6
Desain Komunikasi Visual
B
Normal DKI Jakarta Perempuan
7
Sistem Informasi dan
Akuntansi
B
Normal DKI Jakarta
Laki-laki
8
Teknik Informatika
B
Normal DKI Jakarta
Laki-laki
121
9
Teknik Informatika dan
Matematika
A
10
Teknik Informatika dan
Statistika
A
Early
Banten
Laki-laki
11
Teknik Industri Ekstensi
Astra
B
Late
Jawa Barat
Laki-laki
12
Komputerisasi Akuntansi
A
Normal DKI Jakarta
Laki-laki
13
Akuntansi
B
Normal
14
Komunikasi Pemasaran
B
Normal DKI Jakarta Perempuan
15
Sastra Inggris
B
16
Sistem Informasi
17
Normal DKI Jakarta
Early
Banten
Laki-laki
Perempuan
DKI Jakarta
Laki-laki
B
Normal DKI Jakarta
Laki-laki
Sistem Informasi dan
Manajemen
B
Normal DKI Jakarta
Laki-laki
18
Sistem Informasi Ekstensi
Astra
C
19
Psikologi
B
Normal DKI Jakarta Perempuan
20
Sastra Jepang
B
Normal
21
Manajemen
B
Normal DKI Jakarta
22
Hotel Management
C
23
Sastra China
C
Normal DKI Jakarta
Laki-laki
24
Sistem Informasi dan
Teknik Industri
A
Normal DKI Jakarta
Laki-laki
25
Arsitektur
C
Normal
Laki-laki
Late
Early
DKI Jakarta
Banten
Laki-laki
Laki-laki
Laki-laki
DKI Jakarta Perempuan
Jawa Barat
122
Tabel diatas merupakan hasil dari data mining dengan menggunakan teknik
association rules dan algoritma apriori untuk mencari hubungan antara data nilai
mahasiswa dengan data diri mahasiswa sehingga bisa menghasilkan pola mahasiswa
yang berpotensial dalam bidang akademik. Berikut merupakan penjelasan dari table
4.37:
1.
Mahasiswa jurusan Manajemen dan Teknik Industri di Universitas Bina
Nusantara memiliki klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 –
4.00 adalah mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
2.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa jurusan Sistem Komputer di Universitas Bina Nusantara memiliki
klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
123
3.
Mahasiswa jurusan Teknik Industri di Universitas Bina Nusantara memiliki
klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia early yaitu usia kurang dari
19 tahun.
4.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa jurusan Teknik Sipil di Universitas Bina Nusantara memiliki
klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia early yaitu usia kurang dari
19 tahun.
5.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa jurusan Desain Interior di Universitas Bina Nusantara memiliki
klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
tahun.
: masuk kuliah pada usia normal yaitu usia 19 – 21
124
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin perempuan.
125
6.
Mahasiswa jurusan Desain Komunikasi Visual di Universitas Bina Nusantara
memiliki klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
7.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin perempuan.
Mahasiswa jurusan Sistem Informasi dan Akuntansi di Universitas Bina
Nusantara memiliki klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 –
4.00 adalah mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
8.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa jurusan Teknik Informatika di Universitas Bina Nusantara
memiliki klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
tahun.
: masuk kuliah pada usia normal yaitu usia 19 – 21
126
9.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Teknik Informatika dan Matematika di Universitas Bina
Nusantara memiliki klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 –
4.00 adalah mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar A yaitu nilai
8.50 – 10.00.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
10.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Teknik Informatika dan Statistika di Universitas Bina Nusantara
memiliki klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar A yaitu nilai
8.50 – 10.00.
•
Usia
: masuk kuliah pada usia early yaitu usia kurang dari
19 tahun.
11.
•
Kota
: berasal dari kota Banten.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Teknik Industri Ekstensi Astra di Universitas Bina Nusantara
memiliki klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
127
12.
•
Usia
: masuk kuliah pada usia late yaitu usia diatas 21 tahun.
•
Kota
: berasal dari kota Jawa Barat.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Teknik Informatika dan Statistika di Universitas Bina Nusantara
memiliki klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar A yaitu nilai
8.50 – 10.00.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
13.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Akuntansi di Universitas Bina Nusantara memiliki klasifikasi IPK
yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah mahasiswa-mahasiswa
yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
14.
•
Kota
: berasal dari kota Banten.
•
Jenis Kelamin
: memiliki jenis kelamin perempuan.
Mahasiswa Komunikasi Pemasaran di Universitas Bina Nusantara memiliki
klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
128
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
15.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin perempuan.
Mahasiswa Sastra Inggris di Universitas Bina Nusantara memiliki klasifikasi
IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah mahasiswamahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia early yaitu usia kurang dari
19 tahun.
16.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Sistem Informasi di Universitas Bina Nusantara memiliki
klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
129
17.
Mahasiswa Sistem Informasi dan Manajemen di Universitas Bina Nusantara
memiliki klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
18.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Sistem Informasi Ekstensi Astra di Universitas Bina Nusantara
memiliki klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar C yaitu nilai
6.50 – 7.49.
•
Usia
: masuk kuliah pada usia late yaitu usia diatas 21
tahun.
19.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Psikologi di Universitas Bina Nusantara memiliki klasifikasi IPK
yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah mahasiswa-mahasiswa
yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
tahun.
: masuk kuliah pada usia normal yaitu usia 19 – 21
130
20.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin perempuan.
Mahasiswa Sastra Jepang di Universitas Bina Nusantara memiliki klasifikasi
IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah mahasiswamahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
21.
•
Kota
: berasal dari kota Banten.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Manajemen di Universitas Bina Nusantara memiliki klasifikasi
IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah mahasiswamahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar B yaitu nilai
7.50 – 8.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
22.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Hotel Management di Universitas Bina Nusantara memiliki
klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar C yaitu nilai
6.50 – 7.49.
131
•
Usia
: masuk kuliah pada usia early yaitu usia kurang dari
19 tahun.
23.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-Perempuan.
Mahasiswa Sastra China di Universitas Bina Nusantara memiliki klasifikasi
IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah mahasiswamahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar C yaitu nilai
6.50 – 7.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
24.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Sistem Informasi di Universitas Bina Nusantara memiliki
klasifikasi IPK yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah
mahasiswa-mahasiswa yang memiliki kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar A yaitu nilai
8.50 – 10.00.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
25.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Mahasiswa Arsitektur di Universitas Bina Nusantara memiliki klasifikasi IPK
yang tinggi yaitu IPK dengan range 3.01 – 4.00 adalah mahasiswa-mahasiswa
yang memiliki kriteria sebagai berikut:
132
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standar C yaitu nilai
6.50 – 7.49.
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
•
Kota
: berasal dari kota Jawa Barat.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Pola-pola yang didapatkan dari proses data mining kemudian dievaluasi untuk ditarik
menjadi suatu knowledge, evaluasi yang dilakukan adalah dengan membandingkan
pola yang dihasilkan dengan dugaan sementara yang ditentukan sebelum proses data
mining dilakukan. Berikut merupakan beberapa knowledge yang didapatkan dari
evaluasi pola-pola tersebut
Tabel 4.38. Tabel Hasil dari Data Mining Jurusan Double Degree
Jurusan
KlasifikasiIPK = High Achiever
Klasifikasi
Jenis
Usia
Kota
NEM
Kelamin
No
1
Manajemen
Industri
2
dan
Teknik
LakiLaki
B
Normal DKI Jakarta
Teknik Informatika dan
Matematika
A
Normal DKI Jakarta Laki-laki
3
Teknik Informatika dan
Statistika
A
4
Sistem Informasi dan
Akuntansi
B
Normal DKI Jakarta Laki-laki
5
Sistem Informasi dan
Manajemen
B
Normal DKI Jakarta Laki-laki
6
Sistem Informasi dan Teknik
Industri
A
Normal DKI Jakarta Laki-laki
Early
Banten
Laki-laki
Untuk mahasiswa dengan jurusan Double Degree di Universitas Bina Nusantara,
memiliki rata-rata kriteria sebagai berikut:
133
•
Klasifikasi NEM : memiliki rata-rata nilai NEM antara A dan B (7.50 10.00)
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
Tabel 4.39. Tabel Hasil dari Data Mining Jurusan Science
Jurusan
KlasifikasiIPK = High Achiever
Klasifikasi
Jenis
Usia
Kota
NEM
Kelamin
No
1
Arsitektur
2
Sistem Informasi Ekstensi
Astra
3
Sistem Komputer
4
Teknik Industri
5
Teknik Sipil
6
7
8
9
C
Normal
Jawa Barat
Lakilaki
C
Late
DKI Jakarta
Lakilaki
Normal DKI Jakarta
Lakilaki
B
B
Early
DKI Jakarta
Lakilaki
B
Early
DKI Jakarta
Lakilaki
Normal DKI Jakarta
Lakilaki
B
Teknik Informatika
Teknik Industri Ekstensi Astra
Sistem Informasi
Komputerisasi Akuntansi
Jawa Barat
Lakilaki
B
Normal DKI Jakarta
Lakilaki
A
Normal DKI Jakarta
Lakilaki
B
Late
Untuk mahasiswa dengan jurusan Science di Universitas Bina Nusantara, memiliki
rata-rata kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standard B (7.50 –
8.49).
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.
137
135
1.
Tabel 4.40. Tabel Hasil dari Data Mining Jurusan Social
Jurusan
KlasifikasiIPK = High Achiever
Klasifikasi
Jenis
Usia
Kota
NEM
Kelamin
No
1
Akuntansi
B
Normal
Banten
Perempuan
2
Komunikasi Pemasaran
B
Normal DKI Jakarta Perempuan
3
Manajemen
B
Normal DKI Jakarta
4
Hotel Management
C
Early
Laki-laki
DKI Jakarta Perempuan
Untuk mahasiswa dengan jurusan Social di Universitas Bina Nusantara, memiliki
rata-rata kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standard B (7.50 – 8.49)
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin perempuan.
4.
Tabel 4.41. Tabel Hasil dari Data Mining Jurusan Design
Jurusan
No
1
2
Desain Interior
Desain Komunikasi Visual
KlasifikasiIPK = High Achiever
Klasifikasi
Jenis
Usia
Kota
NEM
Kelamin
B
Nor mal DKI Jakarta Perempuan
B
Normal
DKI Jakarta Perempuan
Untuk mahasiswa dengan jurusan Design di Universitas Bina Nusantara, memiliki
rata-rata kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standard B (7.50 - 8.49)
136
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin perempuan.
5.
Tabel 4.38. Tabel Hasil dari Data Mining Jurusan Sastra
Jurusan
No
KlasifikasiIPK = High Achiever
Klasifikasi
Jenis
Usia
Kota
NEM
Kelamin
1
Sastra Inggris
B
Early
DKI Jakarta Laki-laki
2
Sastra Jepang
B
Normal
3
Sastra China
C
Normal DKI Jakarta Laki-laki
Banten
Laki-laki
Untuk mahasiswa dengan jurusan Sastra di Universitas Bina Nusantara, memiliki
rata-rata kriteria sebagai berikut:
•
Klasifikasi NEM : memiliki rata-rata nilai NEM standard B (7.50 - 8.49)
•
Usia
: masuk kuliah pada usia normal yaitu usia 19 – 21
tahun.
•
Kota
: berasal dari kota DKI Jakarta.
•
Jenis Kelamin
: memiliki jenis kelamin laki-laki.