perpustakaan.uns.ac.id digilib.uns.ac.id commit to user 22 BAB III

perpustakaan.uns.ac.id
digilib.uns.ac.id
BAB III
METODOLOGI PENELITIAN
3.1 Kerangka Kerja
Data yang digunakan dalam penelitian ini yaitu data alumni mahasiswa
Universitas Sebelas Maret (UNS). Data tersebut selama ini belum dipergunakan
secara maksimal, contohnya informasi tentang kualitas kelulusan dari data alumni
mahasiswa UNS. Informasi yang didapat dari penelitian ini diharapkan dapat
membantu pihak Universitas dalam membuat kebijakan – kebijakan yang terbaik
untuk pendidikan khususnya di UNS.
Dalam memperoleh informasi kelulusan tersebut, terdapat dua variable
penting yaitu IPK (Indeks Prestasi Komulatif) dan masa studi. Untuk
mempermudah dalam menggali informasi tentang kualitas kelulusan, maka
dibutuhkan sebuah proses transformasi data agar lebih mudah dalam menambang
informasi yang dibutuhkan. Pada atribut IPK diubah menjadi A dan masa studi
diubah menjadi B.
Untuk mempermudah menyelesaikan masalah diatas akan dibuat kategori
kualitas kelulusan yang dapat dilihat pada table berikut :
Tabel 3.1 Interval Kategori Kualitas Kelulusan
Interval
Kategori
A1
IPK dengan kelulusan antara 3.51 – 4.00
A2
IPK dengan kelulusan antara 2.76 – 3.50
A3
IPK dengan kelulusan antara 2.00 – 2.75
B1
Masa Studi (tahun) 3 – 4
B2
Masa Studi (tahun) 5 – 6
B3
Masa Studi (tahun) lebih dari 6
commit to user
22
23
digilib.uns.ac.id
perpustakaan.uns.ac.id
Kualitas kelulusan tertinggi ditunjukkan dengan hasil pola data yang berupa
IPK antara 3.51 – 4.00 dan masa studi 3 – 4 tahun (A1, B1). Namun, apabila pola
data menunjukkan A3 dan B3, data dari atribut tersebut harus diwaspadai. Karena
A3 dan B3, menunjukkan bahwa rendahnya kualitas kelulusan dari atribut tersebut
yaitu IPK antara 2.00 – 2.75 serta lama masa studi lebih dari 6 tahun.
Dalam tugas akhir ini akan dicari pola data untuk menggali informasi
tersembunyi pada data alumni mahasiswa UNS. Data yang digunakan adalah data
mahasiswa dari tahun lulus 2005 sampai tahun 2013. Dengan menggunakan
business analysis dan algoritma apriori akan dicari pola data untuk menghasilkan
informasi tentang tingkat kualitas kelulusan.
3.2
Sumber Data
Data yang telah digunakan yaitu data mahasiswa jenjang Sarjana/Strata-1
Universitas Sebelas Maret tahun lulus 2005 sampai tahun 2013.
Data tersebut terdiri dari berbagai atribut, yaitu sebagai berikut :
Tabel 3.2 Sumber Data
Atribut
Keterangan
NIM (Nomor Induk
Nomor Induk Mahasiswa adalah kode yang dimiliki mahasiswa
Mahasiswa)
sebagai nomor unik indentitas di perguruan tinggi.
Nama mahasiswa
Merupakan nama lengkap mahasiswa yang bersangkutan.
Program studi
Program studi dari mahasiswa yang bersangkutan.
Fakultas
Fakultas dari mahasiswa yang bersangkutan.
Jenis kelamin
Jenis kelamin dari mahasiswa yang bersangkutan.
Agama
Agama dari mahasiswa yang bersangkutan.
Proses masuk
Jenis proses masuk ke perguruan tinggi yang diikuti mahasiswa
bersangkutan. Terdapat beberapa proses masuk yaitu PMDK,
SWADANA, SNMPTN, UTUL.
Kota asal
Kota asal mahasiswa yang bersangkutan.
Asal sekolah
Asal sekolah mahasiswa bersangkutan.
Pekerjaan orang tua
Pekerjaan orang tua / wali mahasiswa yang bersangkutan
Gaji orang tua
Penghasilan orang
tuato/ wali
commit
usermahasiswa yang bersangkutan
24
digilib.uns.ac.id
perpustakaan.uns.ac.id
Tabel 3.2 Sumber Data
Tanggal lulus
Merupakan tanggal mahasiswa bersangkutan dinyatakan lulus.
Tanggal wisuda
Tanggal wisuda mahasiswa yang bersangkutan.
IPK (Indeks Prestasi
Ukuran kemampuan mahasiswa sampai pada waktu tertentu yang
Kumulatif)
dapat dihitung berdasarkan jumlah (satuan kredit semester) SKS
mata kuliah yang diambil sampai periode tertentu dikalikan
dengan nilai bobot masing-masing mata kuliah dibagi dengan
jumlah seluruh SKS mata kuliah.
3.3
Preprocesing
Tahap prepocesing ini dilakukan dalam beberapa tahap, yaitu :
1. Data Cleaning
Dalam tahap ini semua data yang akan digunakan dibersihkan dari record
data yang tidak mempunyai atribut lengkap seperti, NIM kosong dan tahun lulus
yang tidak valid. Data yang digunakan merupakan data mahasiswa UNS yang lulus
dari tahun 2005 – tahun 2013 yang terdiri dari 19942 record data dan berbagai
atribut yang dapat dilihat pada Tabel 3.2. Karena tidak semua tabel digunakan maka
perlu dilakukan pembersihan data agar data yang akan diolah benar – benar relevan
dengan yang dibutuhkan. Pembersihan ini penting dilakukan agar meningkatkan
kinerja dakam proses mining. Cara pembersihan dilakukan dengan menghapus
atribut yang tidak dipakai. Atribut yang digunakan dalam data alumni mahasiswa
untuk proses mining meliputi :
1. Atribut jenis kelamin digunakan untuk mengetahui kualitas kelulusan pada
setiap jenis kelamin mahasiswa.
2. Atribut kota asal digunakan untuk mengetahui kualitas kelulusan berdasarkan
daerah asal mahasiswa.
3. Atribut IPK digunakan sebagai parameter kualitas kelulusan.
4. Atribut masa studi (tahun) digunakan sebagai parameter kualitas kelulusan.
5. Atribut proses masuk digunakan untuk megetahui tingkat keberhasilan pada
setiap jalur masuk mahasiswa.commit to user
25
digilib.uns.ac.id
perpustakaan.uns.ac.id
6. Atribut penghasilan orang tua/wali digunakan untuk mengetahui kualitas
kelulusan berdasarkan penghasilan orang tua/wali setiap mahasiswa.
7. Atribut program studi digunakan untuk mengetahui kualitas kelulusan setiap
program studi.
2. Transformasi Data
Transformasi data merupakan proses pengubahan atau penggabungan data
ke dalam format yang sesuai untuk diproses dalam data mining. Seringkali data
yang akan digunakan dalam proses data mining mempunyai format yang belum
langsung bisa digunakan, oleh karena itu perlu dirubah formatnya. Dalam
penelitian ini, data yang ditransformasikan yaitu mengubah parameter kualitas
kelulusan IPK dan masa studi (tahun) yang dapat dilihat pada Tabel 3.1.
3. Insialisasi Awal
Dalam penerapan algoritma Apriori diberikan inisialisasi awal yaitu
minimum support dan minimum confidence. Inisialisasi awal tersebut digunakan
untuk mempercepat pada saat proses komputasi. Pada aplikasi ini, nilai minimum
support dan minimum confidence dapat dirubah sesuai dengan keputusan expert
analyst.
4. Penerapan algoritma Apriori
Algoritma apriori merupakan algoritma paling terkenal untuk menemuka
pola frekuensi tiggi. Pola frekuensi tinggi adalah pola – pola item di dalam suatu
database yang memiliki frekuensi atau support di atas ambang batas tertentu yang
disebut dengan istilah minimum support. Minimum support adalah batas
minimum transaksi. Jika jumlah transaksi kurang dari minimum support maka
item atau kombinasi item tidak akan diikutkan perhitungan selanjutnya.
Penggunaan minimum support dapat mempercepat perhitungan.
commit to user
26
digilib.uns.ac.id
perpustakaan.uns.ac.id
5. Rule atau Pola Data
Setelah melakukkan proses training menggunakan data yang telah
diperoleh serta menggunakan tujuh atribut tersebut, maka akan dihasilkan pola
data atau rule yang dibentuk oleh algoritma apriori. Rule yang dihasilkan berupa
kombinasi atribut yang didukung dengan nilai support dan nilai confidence.
6.
Penyajian Analisis Pola Data
Pada peneletian ini untuk melakukan proses mining pertama, pengguna
harus menentukan minimum support dan minimum confidence. Setelah proses
mining akan disajikan hasil dari data mining berupa grafik yang menampilkan
hubungan kekuatan dengan nilai support dan confidence masing – masing atribut.
Semakin tinggi confidence dan support maka semakin kuat nilai hubungan antar
atribut.
3.4
Analisa
Analisa ini bertujuan untuk menganalisa sistem yang saat ini sedang
berjalan, kemudian memberikan usulan perbaikan sistem berdasarkan kebutuhan
dan diberikan gambaran mengenai sistem yang sedang berjlan tersebut.
3.4.1
Deskripsi Perangkat Lunak
Deskripsi Perangkat Lunak merupakan gambaran dari sistem yang dibuat.
3.4.2
Pemodelan Fungsi
Pemodelan fungsi dari aplikasi BA digambarkan dengan decomposision
diagram, context diagram, data flow diagram, Flowchart.
3.4.3
Rancangan User Interface
Pada tahap ini dirancang sebuah tampilan user interface yang akan
digunakan oleh eksekutif untuk berhubungan dengan sistem yang dirancang.
commit to user
27
digilib.uns.ac.id
perpustakaan.uns.ac.id
3.5
Tampilan Aplikasi Business Analytic (BA)
Tampilan aplikasi BA merupakan hasil implementasi dari sistem yang telah
dibuat.
3.6
Evaluasi
Berhubung penelitian ini pengambilan data dari UNS dan berhubungan
dengan bidang akademik, maka untuk mengetahui tentang kepuasan penggunaan
aplikasi perlu evaluasi diantaranya oleh
1. Prof. Drs. Sutarno, M.Sc., Ph.D sebagai Pembantu Rektor I bidang
akademik UNS.
2. Dr. Sutanto, DEA sebagai Pembantu Dekan I bidang akademik FMIPA
commit to user