studi kasus: stmik budidarma medan

Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X
SISTEM APLIKASI FORECASTING TINGKAT KELULUSAN
MAHASISWA DENGAN ALGORITMA APRIORI
(STUDI KASUS: STMIK BUDIDARMA MEDAN)
Rahayu Boang Manalu
Mahasiswa Teknik Informatika STMIK Budi Darma
Jl. Sisingamangaraja No. 338 Simpang Limun, Medan
ABSTRAK
Pertumbuhan yang pesat dari akumulasi data telah menciptakan kondiskan data tapi minim informasi. Peramalan
(Forecasting) adalah perkiraan atau prediksi mengenai terjadinya suatu kejadian atau peristiwa diwaktu yang akan datang
atau merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola yang sistematis. Dengan
memanfaatkan data induk mahasiswa dandatakelulusanmahasiswa, diharapkandapat menghasilkaninformasitentangtingkat
kelulusan dengan data induk mahasiswa melalui teknik Forecasting. Kategori tingkat kelulusan di ukur dari lama studi dan
IPK. Algoritma yang digunakan adalah algoritma apriori, informasi yang ditampilkan berupa nilai support dan confidence
dari masing- masing kategori tingkat kelulusan.
Kata kunci: Forecasting, algoritma apriori, tingkat kelulusan,data induk mahasiswa
mahasiswa. secara efesien dan juga tepat, diperlukan
suatu sistem pengolahan datamelalui aplikasi
forecastingdengan algoritma apriori yang bekerja
dengan cara mencari dan menemukan pola–pola
yang berasosiasi diantara mahasiswa. Algoritma
apriori termasuk jenis aturan asosiasi pada data
mining.
I. PENDAHULUAN
Forecasting adalah suatu proses untuk
memperkirakan berapa kebutuhan dimasa datang
yang meliputi Peramalan kebutuhan dalam ukuran
kuantitas, kualitas, waktu dan lokasi yang
dibutuhkan dalam rangka memenuhi permintaan
barang ataupun jasa. Forecasting yang akurat
merupakan informasi yang sangat dibutuhkan dalam
pengambilan keputusan manajemen.
Langkah-langkah
peramalan
adalah
pengumpulan data masa lalu. Data masa lalu untuk
peramalan logistik secara normal adalah 1 tahun atau
lebih, data masa lalu yang dikumpulkan adalah data
aktual yang dapat berupa data demand, data
penjualan dan sebagainya. Analisa data dapat
dilakukan dengan membuat plot dari data masa lalu,
kemudian dilihat pola dari plot data tersebut.
Pemanfaatan data yang ada didalam sistem
informasi untuk menunjang kegiatan pengambilan
keputusan, tidak cukup hanya mengandalkan data
operasional saja, diperlukan suatu analisis data untuk
menggali potensi-potensi informasi yang ada. Para
pengambil keputusan berusaha untuk memanfaatkan
gudang data yang sudah dimiliki untuk menggali
informasi yang berguna membantu mengambil
keputusan, hal ini mendorong munculnyacabang
ilmu baru untuk mengatasi masalah penggalian
informasi atau polayang penting atau menarik dari
data dalam jumlah besar, yang disebut dengan
datamining.
Penggunaan teknik data mining diharapkan
dapat memberikan pengetahuan-pengetahuan yang
sebelumnya tersembunyi di dalam gudang data
sehinnga menjadi informasi yang berharga.
Berdasarkan latar belakang tersebut maka
diterapkan suatu aplikasi forecasting sistem yang
memiliki kemampuan meramalkan tingkat kelulusan
II. LANDASAN TEORI
A. Peramalan (Forecasting)
Peramalan adalah perkiraan atau prediksi mengenai
terjadinya suatu kejadian atau peristiwa diwaktu yang
akan datang atau merupakan studi terhadap data historis
untuk menemukan hubungan, kecenderungan dan pola
yang sistematis. Ramalan tersebut dapat didasarkan atas
berbagai macam metode, yaitu metode pemulusan
exsponensial, metode box-jenkins dan metode regresi,
semua itu dikenal dengan metode peramalan.
Metode peramalan adalah cara untuk memperkirakan
secara kuantatif apa yang akan terjadi pada masa yang
akan datang dengan dasar data yang relevan pada masa
lalu. Dengan kata lain metode peramalan ini digunakan
dalam peramalan yang bersifat objektif. Disamping itu
metode peramalan memberikan urutan pengerjaan dan
pemecahan atas pendekatan suatu masalah dalam
peramalan sehingga apabila digunakan pendekatan yang
sama dalam suatu permasalahan dalam kegiatan
peramalan, maka akan didapat dasar pemikiran dan
pemecahan yang sama.
Baik tidaknya suatu peramalan yang disusun,
disamping ditentukan oleh metode yang digunakan, juga
ditentukan baik tidaknya informasi yang digunakan.
Selama informasi yang digunakan tidak dapat
meyakinkan, maka hasil peramalan yang disusun juga
akan sulit dipercaya ketepatannya. Kegunaan dari
peramalan akan terlihat pada saat pengambilan keputusan.
Keputusan yang baik adalah keputusan yang didasarkan
atas pertimbangan apa yang akan terjadi pada waktu
keputusan itu dilaksanakan. Ramalan diperlukan untuk
224
225
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X
memberikan informasi sebagai dasar untuk membuat
keputusan dalam berbagai kegiatan.
B. Algoritma Apriori
Algoritmaapriori adalah suatu algoritma dasar yang
diusulkan oleh Agrawal & Srikant pada tahun 1994
penentuan frequent itemsets untuk aturan asosiasi boolean.
Algoritmaapriori termasuk jenis aturan asosiasi pada data
mining. Algoritma apriori adalah salah satu algoritma yang
melakukan
pencarian
frequent
itemset
dengan
menggunakan teknik association rule.
Algoritma Apriori menggunakan pengetahuan
frekuensi atribut yang telah diketahui sebelumnya untuk
memproses informasi selanjutnya. Pada algoritma apriori
menentukan kandidat yang mungkin muncul dengan cara
memperhatikan minimum support dan minimum
confidence. Support adalah nilai pengunjung atau
persentase kombinasi sebuah item dalam database.
Sedangkan confidence adalah nilai kepastian yaitu kuatnya
hubungan antar item dalam sebuah apriori.
AlgoritmaApriori yang bertujuan untuk menemukan
frequent itemset dijalankan pada sekumpulan data.
Analaisis apriorididefenisikan suatu proses untuk
menemukan semua aturan apriori yang memenuhi syarat
minimum untuk support dan syarat minimum untuk
confidence.
Analisis Pola Frekuensi Tingkat Tinggi dengan Algoritma
Apriori
Tahap ini mencari kombinasi item yang memenuhi
syarat minimum dari nilai support dalam database.
Nilai support sebuah item diperoleh dengan menggunakan
rumus :
Support (A) = Jumlah transaksi mengandung A
Total Transaksi
.........(1)
Nilai support dari 2 item diperoleh dengan menggunakan
rumus :
Support (A, B) = P (A ∩ B)
Support (A, B) = ∑ Transaksi mengandung A dan B
∑ Transaksi
...........(2)
Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi ditemukan,
barulah dicari aturan asosiasi yang memenuhi syarat
minimum untuk confidence dengan menghitung
confidence aturan asosiatif A
B.
Nilai confidence dari aturan A
B
diperoleh dengan rumus:
Confidence = P (B|A) = ∑ Transaksi mengandung A dan B
∑ Transaksi mengandung A ......( 3)
III. ANALISA
A. Analisa Masalah
Analisa Kelulusan mahasiswa adalah suatu proses
yang sistematik dari pengembangan kelulusan .Analisa
kebutuhan merupakan cara yang efektif untuk
mengidentifikasi masalah-masalah yang muncul dalam
sebuah penelitian. Dalam analisa kebutuhan perlu
dilakukan perencanaan, pengumpulan data dan analisa
data.Dalam penulisan skripsi ini akan dicari nilai support
dan confidence dari hubungan tingkat kelulusan dengan
data induk mahasiswa. Tidak semua data induk siswa akan
dicari hubungannya dengan data kelulusan, hanya
beberapa atribut yang kira-kira berguna dan sebarannya
tidak terlalu acak. Karena data yang terlalu acak akan
membuat proses forecasting memakan waktu lama dan
tingkat hubungannya pun rendah. Data induk mahasiswa
yang akan dicari hubungannya meliputi proses masuk, asal
sekolah, kota asal sekolah, dan program studi. Adapun
yang akan diproses forecasting meliputi :
1. Hubungan tingkat kelulusan dengan proses masuk
Hasil dari proses forecasting ini dapat membantu
untuk mengetahui sejauh mana tingkat kelulusan
mahasiswa
2. Hubungan tingkat kelulusan dengan asal sekolah dan
proses masuk
Dari atribut proses masuk dan asal sekolah dicari
hubungan tingkat kelulusan dengan asal sekolah yang
melalui proses masuk mahasiswa dengan harapan
dapat mengetahui tingkat keberhasilan mahasiswa
dengan sekolah tertentu.
3. Hubungan tingkat kelulusan dengan kota asal sekolah
Hubungan tingkat kelulusan dengan asal kota
bermanfaat untuk mengetahui daerah-daerah mana
yang mempunyai tingkat keberhasilan tinggi ataupun
rendah. Diasumsikan bahwa kota asal sekolah
merupakan kota tempat asal mahasiswa.
4. Hubungan tingkat kelulusan dengan program studi
Dari atribut program studi dapat diketahui hubungan
tingkat kelulusun dan program studi untuk megetahui
tingkat kelulusan program studi
Transformasi Data
Tabel 1. Predikat Kelulusan
Indeks Prestasi
Predikat
Kumulatif
2,00 – 2,75
Memuaskan
2,76 – 3,50
Sangat memuaskan
3,51 – 4,00
Dengan pujian (cumlaude)
Dari tabel 1 data kelulusan berdasarkan IPK dapat
dikategorikan menjadi tigayaitu :
1. IPK memuaskan denganIPK 2,00 – 2,75
2. IPK sangat memuaskan denganIPK 2,76– 3,50
3. IPK tipe dengan pujian denganIPK 3,51 – 4,00
Pengkategorian data kelulusan berdasarkan lama
studiyaitu :
1. Sesuai jadwal, bila lamastudi 4 tahun atau kurang
dari 4 tahun
2. Tidak sesuai jadwal, bilalama studi lebih dari 4
tahun
Dari dua pengkategorian tersebut dapat dibuat
kategori berdasarkan kombinasi
Proses forecasting untuk mengetahui hubungan
tingkat kelulusan dengan proses masuk. Misal data
Tabel 2.
Tabel 2. Data Awal
NIM
Lama Studi
Kategori
kelulusan
0811421 4 tahun (Reguler) A1
0811435 4 tahun(Reguler)
A1
0911659 3 tahun(Transfer) A2
0811070 4 tahun(Reguler)
A1
0811741 5 tahun(Reguler)
A3
226
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X
NIM
Lama Studi
1002343
1111544
0911804
0911508
0911386
0911504
4 tahun(Reguler)
4 tahun(Reguler)
5 tahun(Reguler)
4 tahun(Reguler)
4 tahun(Reguler)
4 tahun(Reguler)
Kategori
kelulusan
A1
A1
A2
A1
A1
A1
Dari data awal tersebut didapat kandidat pertama
(C1) seperti pada tabel 2.
Tabel 3. Kandidat Pertama (C1)
Itemset
Count
A1
8
A2
2
A3
1
Reguler
12
Transfer
1
Ditetapkan threshold = 3, maka kandidat yang
nilainya kurang dari 3 akan dihapus. Sehingga,
didapat hasil seperti pada tabel 3 (L1).
Tabel 4. Hasil setelah threshold ditetapkan (L1)
Itemset
Count
A1
8
Reguler
12
Transfer
1
Dari tabel 3 didapat kandidat kedua (C2) seperti
pada tabel 4
Ditetapkan threshold = 3, maka kandidat yang
nilainya kurang dari 3 akan dihapus. Sehingga,
didapat hasil seperti pada tabel 3 (L1).
Tabel 5. Hasil setelah threshold ditetapkan (L1)
Itemset
Count
A1
8
Reguler
12
Transfer
1
= 3/8
Confidence A2, Transfer
=Count(A,Transfer)/Count(A3)
= 3/1
Dapat dilihat bahwa proses forecasting hubungan
tingkat kelulusan dengan proses masuk mahasiswa
dengan threshold 3 menghasilkan hubungan A1,
Reguler mempunyai nilai support = 8/11 dan
mempunyai tingkat kelulusan A2 sehingga dapat
disimpulkan bahwa mahasiswa yang melalui proses
masuk Reguler mempunyai tingkat kelulusan lebih
bagus .
Contoh kedua dari proses forecasting untuk
mengetahui hubungan tingkat kelulusan dengan
proses masuk dan asal sekolah. Misalkan data
seperti pada table :
Tabel 7. Data awal contoh kedua
NIM
Lama studi
Kategori Asal
Kelulusan Sekolah
0811421 4 tahun (Reguler) A1
Tarutung
0811435 4 tahun(Reguler)
A1
Balige
0911659 3 tahun(Transfer) A2
Borong-Borong
0811070 4 tahun(Reguler)
A1
Samosir
0811741 5 tahun(Reguler)
A3
Dolok Sanggul
1002343 4 tahun(Reguler)
A1
Kuta cane
1111544 4 tahun(Reguler)
A1
Riau
0911804 5 tahun(Reguler)
A2
Medan
0911508 4 tahun(Reguler)
A1
Medan
0811386 4 tahun(Reguler)
A1
Medan
0911504 4 tahun(Reguler)
A1
Medan
IV. IMPLEMENTASI
Implementasi dari sistem yang dirancang,
menggunakan antar muka pengolahan data dari
pengujian.
1. Menu Login
Berikut ini merupakan tampilan Menu Login
yang berfungsi untuk masuk ke nama user dan
password diproses.
Tabel 5 Kandidat kedua (C2) Dari tabel 4 didapat
kandidat kedua (C2) seperti pada tabel 5
Tabel 6. Kandidat kedua (C2)
Itemset
Count
A1, Reguler
8
Dari pada tabel 6dapat diambil hasil sebagai berikut :
Tabel 6. Hasil kedua (L2)
Itemset
Count
A1, Reguler
8
A2, Transfer
1
SupportA1, Reguler
=Count(A1,Reguler)/jumlah transaksi
= 8/11
SupportA2, Transfer
=Count(A2,
Reguler)/jumlah transaksi
= 1/11
Confidence A1, Reguler
=Count(A1,Reguler)/Count(A2)
Gambar 1. Menu Login
2. Tampilan Form Menu Utama
Berikut ini tampilan form utama dari menu
utama berfungsi untuk memanggil form-form lain
227
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X
dalam aplikasi. Form menu utama file, hasil
forecasting, help, about
Gambar 2. Tampilan Menu Utama
3. Tampilan Form Aplikasi Forecasting
Sesuai dengan perancangan form sebagai
interface pengguna dapat menampilkan hasil aplikasi
Forecasting untuk menampilkan tingkat kelulusan
mahasiswa dengan algoritma apriori, maka hasil dari
tampilannya dilakukan sesuai dengan sebelumnys
pada lihat pada gambar sebagai berikut ;
Gambar 4. Tampilan Aplikasi Forecasting
V. KESIMPULAN
Kesimpulan dari penulisan penelitian ini adalah:
1. Faktor-Faktor untuk menentukan tingkat
kelulusan mahasiswa adalah hubungan proses
masuk, hubungan tingkat kelulusaan dengan
atribut program studi .
2. Pada algoritma apriori menentukan kandidat
yang
mungkin
muncul
dengan
cara
memperhatikan
minimum
support
dan
minimum confidence.
3. Penggunaan Microsoft visual basic net 2008
dapat digunakan sebagai bahasa pemrograman
untuk merancang aplikasi form meni sistem
forecasting, perancangan form hasil aplikasi
forecasting, dan hasil tampilan forecasting
dengan algoritma apriori
DAFTAR PUSTAKA
[1] Heru Dewantara, Purnomo Budi Santoso, and Nasir Widha
Setyanto, "Perancangan Aplikasi Data Mining dengan
algoritma Apriori untuk Frekuensi Analisis Keranjang
Belanja pada Data Transaksi Penjual " jrmsi, vol., 1
no.3,pp.415-426, 2013.
[2] Robi Yanto, Riri Khoiriah, "Implementasi Data Mining
dengan Metode Algoritma Apriori dalam Menentukan Pola
Pembelian Obat," STMIK BINA NUSANTARA, Jaya
Lubuklingau, Citec Journal, Vol. 2, No. 2, Februari 2015 –
April 2015 .
[3] Dewi Kartika Pane, "Implementasi Data Mining pada
Penjualan Produk Elektronik dengan Algoritma Apriori
(Studi Kasus : Kreditplus),"STMIK BUDIDARMA, Medan,
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3,
Agustus 2013.
[4] Almon Junior Simanjuntak, "Aplikasi Data Mining untuk
Pemodelan Pembelian Barang Menggunakan Algoritma
Apriori", 2013.
[5] Kennedi Tampubolon, Hoga Saragih, dan Bobby Reza,
"Implementasi Data Mining algoritma Apriori pada Sistem
Persediaan alat-alat Kesehatan", 2013.
[6] A.A Gede Bagus Mariana dan I Made Dwi Putra Asana,
"Analisis Keranjang Belanja dengan Algoritma Apriori pada
Perusahaan retail", 2013.
[7] Wijhah Islamika, "Analisis Asosiasi Data dengan Algoritma
Apriori untuk Sistem Pendukung Keputusan Penjualan
barang berbasis WEB," Universitas Islam Negeri Sunan
Kalijaga,
[8] Larose,Daniel T,2006. Data Mining Meyhods and Models.
John Willey & Sons,Inc.New Jersey.
[9] Kusrini, Luthfi, E. T., 2009, Algoritma Data Mining, Andi
Offset, Yogyakarta.
[10 ]Buulolo, “ALGORITMA APRIORI PADA DATA
PENJUALAN DI SUPERMARKET,” in Seminar Nasional
Inovasi dan Teknologi Informasi 2015 (SNITI), 2015, no.
September 2015, pp. 4–7.