LAPO PENELI PENGGUNAAN EDUCATIONAL DA

advertisement
Penelitian Pemula
LAPORAN AKHIR
PENELITIAN PEMULA
PENGGUNAAN EDUCATIONAL DATA MINING (EDM) UNTUK MENDETEKSI
KETERLAMBATAN MASA STUDI MAHASISWA
(STUDI KASUS UDINUS)
Dibiayai oleh DIKTI dengan No. Kontrak 023/A.35-02/UDN.09/V/2016
(Ketua) Defri Kurniawan, M.Kom
(Anggota 1) Wibowo Wicaksono, S.T, M.Kom
(Anggota 2) Yani Parti Astuti, S.Si, M.Kom
NIDN: 0613128502
NIDN: 0629107603
NIDN: 0606107401
Universitas Dian Nuswantoro
Semarang
2016
HALAMAN PENGESAHAN
RINGKASAN
Setiap universitas pasti mempunyai target kualitas dalam hal pendidikan, salah
satunya adalah masa studi mahasiswanya. Semakin banyak mahasiswa yang lulus tepat
waktu, maka bisa dikatakan bahwa universitas tersebut mempunyai sistem pengajaran yang
baik. Untuk itu semua universitas pasti akan berupaya terus agar mahasiswanya bisa lulus
tepat waktu. Dalam hal ini terdapat beberapa cara untuk melakukan pengolahan data, salah
satunya dengan pendekatan Education Data Mining (EDM). Pendekatan ini dilakukan untuk
memprediksi kinerja akademik dengan cara klasifikasi. Metode klasifikasi yang digunakan
adalah Metode Decision Tree (Pohon Keputusan) dengan Algoritma C4.5 digunakan untuk
menemukan pola (pattern) klasifikasi terhadap penggolongan masastudimahasiswayaitu tepat
waktu atau tidak tepat. Datayang diperoleh dari program studiTeknikInformatika S-1
UDINUS dengan menggabungkan data profil mahasiswa dan data akademik mahasiswa dari
tahun 2008 sampai dengan 2012. Penggunaan Algoritma C4.5 mampu menunjukkan hasil
pola klasifikasi kinerja akademik mahasiswamelalui pohon keputusan yang terbentuk dan
memberikan tingkat akurasi klasifikasi yang baik yaitu mencapai 73,68% (tujuh puluh tiga
koma enam delapan persen). Dalam penelitian ini akan menghasilkan luaran berupa satu
jurnal nasional ber-ISSN pada Unwahas bernama Jurnal Ilmiah Momentum, prosiding
Seminar Nasional di Universitas PGRI Semarang (UPGRIS) dan satu materi / bahan ajar
dengan format power point tentang Algoritma C 45 pada mata kuliah data mining.
Kata Kunci: Masa Studi Mahasiswa, Educational Data Mining, Data Mining,
Algoritma C4.5
PRAKATA
Puji syukur kehadirat Allah SWT. Shalawat dan salamselalu tercurahkan kepada
Rasulullah SAW. Berkat limpahan dan rahmat-Nya sehingga penyusun mampu
menyelesaikanpenelitian dosen pemula ini.Dalam penyusunan laporan ini,tidak sedikit
hambatan yang penulis hadapi. Namun penulis menyadari bahwa kelancaran dalam
penyusunan materi ini tidak lain berkat bantuan, dorongan, dan bimbingan rekan kerja,
sehingga kendala-kendala yang penulis hadapi teratasi.Penelitian ini disusun agar pembaca
dapat memperluas ilmu tentang data mining terutama algoritma, yang penulis sajikan
berdasarkan pengamatan dari berbagai sumber informasi, referensi, dan berita.Penelitian ini
disusun oleh penyusun dengan berbagai rintangan.Baik itu yang datang dari diri penyusun
maupun yang datang dari luar.Namun dengan penuh kesabaran dan terutama pertolongan dari
Allah akhirnya penelitian ini dapat terselesaikan.Semoga penelitian ini dapat memberikan
wawasan yang lebih luas dan menjadi sumbangan pemikiran kepada pembaca khususnya para
mahasiswa dan dosenseluruh Indonesia.Penulis sadar akan kekurangan dan ketidak
sempurnaan dalam penulisan laporan ini.Oleh karena itu, penulis meminta masukan dan saran
demi perbaikan pembuatan penelitian di masa mendatang.
Semarang, Agustus 2016
Penyusun
DAFTAR ISI
Halaman Pengesahan ................................................................................................................ iv
Ringkasan....................................................................................................................................v
PRAKATA................................................................................................................................ vi
DAFTAR ISI............................................................................................................................ vii
DAFTAR TABEL.......................................................................................................................1
BAB 1. PENDAHULUAN .........................................................................................................2
1.1 Latar Belakang Masalah ......................................................................................2
1.2 Rumusan Masalah................................................................................................3
1.3 Tujuan Penelitian .................................................................................................4
1.4 Urgensi Penelitian................................................................................................4
1.5 Luaran Yang Diharapkan.....................................................................................4
BAB 2. STUDI PUSTAKA ........................................................................................................5
2.1 Data Mining .........................................................................................................5
2.2 Algoritma C4.5 ....................................................................................................8
2.3 Penelitian Serupa yang Pernah Dilakukan Sebelumnya ....................................10
BAB 3 TUJUAN DAN MANFAAT PENELITIAN ................................................................11
3.1.
Metode Penelitian .......................................................................................11
3.2.
Manfaat Penelitian......................................................................................11
BAB 4. METODE PENELITIAN ............................................................................................12
4.1 Metode Penelitian ..............................................................................................12
4.2 Tahapan, Luaran, dan Indikator Penelitian ........................................................12
4.3 Desain Penelitian ...............................................................................................13
4.4 Metode yang Diusulkan .....................................................................................14
BAB V HASIL YANG DICAPAI............................................................................................16
5.1
Laporan Akhir Penelitian ...............................................................................16
5.1.1 Indikator Pencapaian.......................................................................................16
5.1.2
5.2
Laporan Akhir.............................................................................................16
Implementasi Hasil Penelitian........................................................................17
BAB VI KESIMPULAN DAN SARAN ....................................................................................1
6.1
Kesimpulan.......................................................................................................1
6.2 Saran ....................................................................................................................1
DAFTAR PUSTAKA .................................................................................................................2
LAMPIRAN-LAMPIRAN .........................................................................................................4
Lampiran 1. Justifikasi Penggunaan Anggaran Penelitian ........................................4
Lampiran 2 Susunan Organisasi Tim Peneliti dan Pembagian Tugas .......................6
Lampiran 3 Biodata Ketua Pelaksana ........................................................................6
Lampiran 4 Biodata Anggota Peneliti........................................................................9
Lampiran 5 Biodata Anggota Peneliti......................................................................12
Lampiran 6 Makalah Seminar Nasional di UPGRIS ..............................................14
Lampiran 7 Materi Bahan Ajar Algoritma C4.5 Data Mining................................20
Lampiran 8 Jurnal Nasional Momentum di Unwahas ............................................24
Lampiran 9 Formulir Evaluasi Atas Capaian Luaran Kegiatan...............................29
Lampiran 10 Rekapitulasi Penggunaan Dana Penelitian .........................................31
DAFTAR GAMBAR
Gambar 1 Data Mining Roots ....................................................................................................6
Gambar 2 Contoh konsep pohon keputusan untuk menentukan pembelian komputer
berdasarkan atribut age, student dan credit rating.....................................................................8
Gambar 3 Metode Penelitian ...................................................................................................12
Gambar 4 Desain Penelitian.....................................................................................................14
Gambar 5 Hasil Pengolahan Data Awal ..................................................................................17
Gambar 6 Hasil Classification Accuracy (CA) Algoritma C4.5..............................................18
Gambar 7 Hasil Tabel Confusion Matrix Algoritma C4.5 ......................................................18
DAFTAR TABEL
Tabel 1Penelitian terkait...........................................................................................................10
Tabel 2Tahapan, Luaran, dan Indikator Penelitian yang Akan Dilakukan ..............................13
Tabel 3Confussion Matrix ........................................................................................................15
Tabel 4Uraian Laporan Kemajuan ...........................................................................................16
BAB 1. PENDAHULUAN
1.1 Latar Belakang Masalah
Universitas Dian Nuswantoro (UDINUS) memiliki Fakultas Ilmu Komputer
(Fasilkom) yang merupakan fakultas terbesar dari 4 (empat) fakultas yang ada.Hal ini dapat
dilihat dari jumlah program studi yang ada, Fasilkom memiliki 6 (enam) program studi.Salah
satu program studi dengan mahasiswa terbesar ada pada Teknik Informatika S-1.Jumlah
mahasiswa yang besar tersebut harus dapat diimbangi dengan kualitas sistem pendidikan yang
diberikan kepada mahasiswa. Salah satu cara untuk mencapai tingkat kualitas tertinggi dalam
sistem pendidikan tinggi adalah dengan menemukan pengetahuan dari data pendidikan untuk
mempelajari atribut utama yang dapat mempengaruhi kinerja siswa (Abu Tair & Al-Helees,
2012). Atribut masa studi merupakan hal penting bagi pengelola akademik, bagaimana
mahasiswa dapat lulus dengan tepat waktu merupakan suatu upaya yang terus dilakukan.
Masih banyaknya mahasiswa yang tidak lulus tepat waktu merupakan masalah serius bagi
universitas. Dengan dapat memprediksi masa studi mahasiswa yang tidak tepat waktu, pihak
universitas dapat meminimalisir kegagalan kelulusan mahasiswa dengan membuat
perencanaan, pengawalan studi dan bimbingan lebih intensif. Menganalisa kinerja mahasiswa
(student performance), mengidentifikasi keunikan-keunikan yang ada pada mahasiswa dan
membangun suatu strategi pengembangan lebih lanjut dan tindakan-tindakan di masa depan,
merupakan tantangan utama bagi universitas modern saat ini (Kabakchieva, 2013).
Data miningdapat diusulkan sebagai salah satu pendekatan yang dapat dilakukan
untuk memprediksi kinerja siswa (Osmanbegovic & Suljic, 2012). Hal ini didukung dengan
adanya data yang melimpah pada universitas.Data mining merupakan suatu cara dalam
menggali informasi dari sejumlah data yang biasanya tersimpan dalam repositori dengan
menggunakan teknologi pengenalan pola, statistik dan teknik matematika(Larose,
2006).Penerapan metode data miningdalam menganalisis data yang tersedia di lembaga
pendidikan didefinisikan sebagai Educational Data Mining (EDM) (Romero & Ventura,
2007). Dan merupakan suatu aliran yang relatif baru dalam penelitian data mining.EDM
menggunakan beberapa teknik seperti Decision Trees, Neural Networks, Naïve Bayes, KNearest Neighbordan lainnya(Yadav & Pal, 2012). EDM berkaitan dengan pengembangan
metode untuk mengeksplorasi jenis yang unik dari data-data pada pengelolaan pendidikan dan
menggunakannya
untuk
lebih
memahami
siswa
dan
pengelolaannya(Baker,
2010).Pengetahuan yang ditemukan dari data mining dapat digunakan untuk menawarkan
suatu rekomendasi kepada perencana akademik di lembaga pendidikan tinggi dalam
meningkatkan proses pengambilan keputusan (decision making), meningkatkan kinerja
akademik dan memangkas tingkat kegagalan siswa serta lebih memahami perilaku para
siswa(Abu Tair & Al-Helees, 2012). Hal tersebutmerupakan tujuan-tujuan yang ingin dicapai
dalam pemanfaatan data mining di bidang pendidikan.
Penetian mengenai data mining pada lembaga pendidikan telah banyak dilakukan oleh
para peneliti.Dorina Kabakchieva melakukan penelitian yang bertujuan untuk menganalisis
kinerja algoritma klasifikasi data mining yang berbeda menggunakan Decision Tree classifier,
Bayes classifiers dan Nearest Neighbour classifier pada University of National and World
Economy (UNWE), Bulgaria (Kabakchieva, 2013). Hasil performa pengklasifikasi
menunjukkan bahwa klasifikasi pohon keputusan / Decision Tree classifier (J48) memiliki
akurasi keseluruhan tertinggi, diikuti oleh rule learner (JRip) dan k-NN classifier serta Bayes
classifier kurang akurat daripada yang lain. Penelitian yang lainyaitu Marselina Silvia
Suhartinah dan Ernastuti melakukan penelitian untuk memprediksi mahasiswa yang lulus atau
tidak lulus sesuai dengan waktu studi menggunakan algoritma C4.5 dan Naive Bayes serta
membandingkan hasil akurasi kedua algoritma tersebut(Suhartinah & Ernastuti, 2010). Hasil
penelitian ini, menunjukkan bahwa akurasi algoritma C4.5 lebih baik 85,7% dari Naive
Bayes80,85%. Pada penelitian Surjeet Kumar Yadav dan Saurabh Pal membandingkan
metode pengklasifikasi Decision Tree ID3, CART dan C4.5 untuk memprediksi performas
siswa (Yadav & Pal, 2012).Hasil penelitian menunjukkan bahwa algoritma C4.5 memiliki
akurasi tertinggi dari algoritma ID3 dan CART serta algoritma C4.5 menunjukkansebagai
model yang berhasil mengidentifikasi siswa yang cenderung gagal. Dari penelitian di atas,
decision treemenunjukkan keunggulan dibandingkan dengan algoritma yang lain. Karena
pada algoritma C4.5setiap nilai dalam suatu atribut ditelusuri dan diproses untuk
mendapatkan entropi masing-masing nilai yang akan digunakan untuk mencari ukuran purity
masing-masing atribut yang dinyatakan dengan information gain. (Suhartinah & Ernastuti,
2010)Proses penelusuran ini akan membentuk sebuah pola berupa pohon keputusan. Dari
keunggulan-keunggulan di atas, pada penelitian ini algoritma C4.5 diusulkan untuk
memprediksi masa studi mahasiswa di program studi Teknik Informatika S-1 UDINUS.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, didapatkan rumusan masalah meliputi:
Sulitnya memahami dan menemukan pola studi mahasiswa terhadap atribut data
mahasiswa dan data perkuliahan yang berpengaruh pada masa studi mahasiswa dalam jumlah
data besar.
Pertanyaan penelitian:
Atribut manakah yang merupakan penentu, mahasiswa dapat lulus tepat waktu atau
tidak apabila algoritma C4.5 diterapkan dalam membangun pohon keputusan?
1.3 Tujuan Penelitian
Penelitian ini bertujuan untuk:
1. Menerapkan pendekatan data mining dengan menggunakan algoritma C4.5 untuk
memprediksi masa studi mahasiswa di program studi Teknik Informatika S-1
UDINUS.
2. Menemukan suatu pola berupa pohon keputusan yang dapat membantu universitas
dalam proses pengambilan keputusan sebagai antisipasi kegagalan studi
mahasiswa.
1.4 Urgensi Penelitian
Mengingat kelulusan merupakan suatu upaya yang menjadi target dalam kegiatan
belajar mengajar. Maka menemukan faktor yang mempengaruhi kelulusan mahasiswa
menjadi penting. Faktor apa yang menjadi parameter dalam menentukan mahasiswa bisa lulus
tepat waktu atau tidak. Sehingga pihak akademik / pengelola kampus dapat membuat strategistrategi atau kebijakan-kebijakan tertentu dalam meningkatkan kinerja mahasiswa.
1.5 Luaran Yang Diharapkan
Secara spesifik luaran yang akan dicapai pada penelitian ini, yaitu:
1. Bahan Ajar Perkuliahan
Hasil penelitian ini dapat digunakan sebagai studi kasus dalam perkuliahan data
mining.
2. Publikasi Ilmiah
Hasil penelitian ini akan dipublikasikan secara ilmiah melalui konferensi nasional
dan dalam jurnal ilmiah terakreditasi.
BAB 2. STUDI PUSTAKA
2.1 Data Mining
Data mining merupakan suatu cara dalam penggalian informasi dari sejumlah data
yang biasanya tersimpan dalam repositori dengan menggunakan teknologi pengenalan pola,
statistik dan teknik matematika (Larose, 2006). Penggunaan data mining telah muncul untuk
diterapkan di berbagai bidang, baik dari bidang akademis, bisnis ataupun kegiatan medis pada
khususnya(Gurunescu, 2011). Secara umum, data mining dikenal dengan proses penggalian
data.
Data mining diperlukan untuk mengungkapkan informasi yang tersembunyi, dimana
adanya
keterbatasan
kemampuan
analisis
manusia
dan
cara
tradisional
yang
dilakukan(Gurunescu, 2011). Tekanan adanya metode baru ini muncul, seiring dengan
berkembangnya ilmu komputer dan kemampuan komputasi.Data mining juga dikenal
sebagai "knowledgediscovery
in
databases"(KDD), memiliki
tiga akar generik
meliputi(Gurunescu, 2011):
1. Statistik
Merupakan akar tertua, tanpa adanya statistik data mining tidak akan pernah ada.
Pada statistik terdapat teknik analisis yaitu Exploratory Data Analysis (EDA)yang
digunakan untuk mengidentifikasi hubungan antara variabel yang berbeda. Teknik EDA
pada data mining bisa disebutkan dengan:

Metode Komputasi (computational methods) yaitu dengan adanya parameter statistik
klasik meliputi means, median, standar deviasi, dan lain-lain. Teknik eksplorasi
multivariant (analisis klaster, faktor analisis, analisis komponen utama dan
klasifikasi,analisis diskriminan, pohon klasifikasi, analisis korespondensi), advanced
linear / non linier models (linear / non-linear regresi, time series / peramalan dan lainlain).

Visualisasi Data (Data Visualization) bertujuan untuk mewakili informasi dalam
bentuk visual. Di antara teknik-teknik visualisasi yang paling umum, dapat ditemukan:
histogram dari segala jenis (kolom, silinder, kerucut, piramida, pie, bar, dan lain-lain),
kotak plot, scatter plot, plot kontur, plot matriks.
2. Kecerdasan Buatan (Artificial Intelligence)
Kecerdasan Buatan memberikan kontribusi dengan teknik pengolahaninformasi
yang mendasarkan pada penalaran model manusia terhadap pengembangan data
mining. Terkait dengan Kecerdasan Buatan, Machine Learning (ML) merupakan disiplin
ilmu yang sangat penting dalam pembangunan data mining. ML menggunakan teknik
yang memungkinkan mesin dalam hal ini komputer untuk belajar melalui suatu proses
training ataupelatihan. Dalam konteks ini, dapat dipertimbangkan pula Natural
Computing (NC) sebagai akar tambahan yang kuat untuk data mining.
3. Sistem Basis Data (Database Systems)
Dianggap
sebagai
akar
ketiga
pada
data
mining,
menyediakan
informasi yang akan 'ditambang' menggunakan metode-metode yang disebutkan di atas.
Artificial Intelligence
Machine Learning
Statistics
Natural Computing
DATA
MINING
Database Systems
Gambar 1 Data Mining Roots
Keperluan akandata mining dapat terlihat pada area atau sektor kehidupan nyata yang
membutuhkan teknik-teknik investigasi tersebut yaitu:

Ekonomi (Bisnis-Keuangan)
Ada sejumlah besar data yang telah dikumpulkan di berbagai bidang seperti: data
web, e-commerce, super / hypermarket data, keuangan dan transaksi perbankan, dll, siap
untuk dianalisis dalam rangka mengambil keputusan yang optimal.

Perawatan Kesehatan
Saat ini terdapat banyak database dalam perawatan kesehatan baik dari medis
maupun dari farmasi. Namun sebagian hanya dianalisis, terutama dengan adanya alat
medis tertentu yang berisi informasi yang besar namun tidak cukup dieksplorasi.

Penelitian Ilmiah
Ada database besar dikumpulkan selama bertahun-tahun di berbagai bidang baik
pada astronomi, meteorologi, biologi, linguistik, dan lain-ainl yang tidak dapat
dieksplorasi dengan cara tradisional.
Proses ‘penambangan data’ dapat diidentifikasi dengan tiga langkah karekteristik dari
proses data mining yang meliputi(Gurunescu, 2011):
1. Eksplorasi Data (Exploring data)
Penjelajahan data yang terdiri dari cleaning atau pembersihan data, transformasi
data, dimensi pengurangan, seleksi fitur subset dan lain-lain.
2. Membangun Model dan Melakukan Validasi (Building the model and its validation)
Membangun modeldan melakukan validasi yang mengacu pada analisis dari
berbagai modeldan memilih yang memiliki kinerja terbaik dari perkiraan model evaluasi
yang kompetitif.
3. Menerapkan (Applying)
Menerapkan model data baru untuk menghasilkan perkiraan yang benar/perkiraan
untuk masalah yang diselidiki.
Data mining dapat digunakan untuk menyelesaikan tugas – tugas yang paling umum,
berhubungan dengan tugas seperti (Larose, 2006):
1. Description (Deskripsi)
Hasil dari data mining dapat menjelaskan pola yang ditemukan dengan jelas yang
mengarah pada suatu hasil yang transparan dengan berbagai metode yang dapat
digunakan.
2. Estimation (Estimasi)
Model yang dibagun menggunakan catatan lengkap yang memberikan nilai dari
variabel sasaran serta prediktornya.Ketika ada pengamatan baru, perkiraan dari nilai
variabel target yang dibuat didasarkan pada nilai-nilai prediktornya.
3. Prediction (Peramalan)
Prediksi mirip dengan klasifikasi dan estimasi, hal ini dapat dilihat dari metode
dan teknik yang digunakan untuk klasifikasi dapat juga digunakan untuk memprediksi
suatu keadaan dengan tepat.
4. Classification (Klasifikasi)
Pada tugas klasifikasi ada variabel target yang dibuat kategoris, misalkan variabel
pendapatan dapat dikategorikan menjadi tiga kelas: pendapatan tinggi, menengah dan
rendah. Ketika ada data baru untuk mengklasifikasikan data tersebut masuk kategori yang
mana. Maka dengan menggunakan algoritma akan memeriksa variabel prediktor
kemudian menggolongkan data baru tersebut pada suatu klasifikasi.
5. Clustering (Pengelompokan)
Clustering berbeda dengan klasifikasi, dimana clustering tidak punya tujuan untuk
mengklasifikasi, estimasi, atau prediksi.Clustering mencoba untuk mengelompokkan
segmen dari beberapa data yang memiliki suatu kesamaan / homogen.
6. Association (Asosiasi)
Tugas asosiasi adalah menemunkan suatu pola dari hubungan beberapa
variabel.Dalam dunia bisnis lazim dikenal dengan Market Based Analysis.Dengan aturan
dari asosiasi yaitu “if antecedent, then consequent”.
2.2 Algoritma C4.5
Pohon keputusan mirip sebuah sebuah struktur pohon dimana terdapat node internal
(bukan daun) yang mendeskripsikan atribut-atribut, setiap cabang menggambarkan hasil dari
atribut yang diuji, dan setiap daun menggambarkan kelas. Pohon keputusan bekerja mulai dari
akar paling atas, jika diberikan sejumlah data uji, misalnya X dimana kelas dari data X belum
diketahui, maka pohon keputusan akan menelusuri mulai dari akar sampai node dan setiap
nilai dari atribut sesuai data X diuji apakah sesuai dengan aturan pohon keputusan, kemudian
pohon keputusan akan memprediksi kelas dari tupel X (Firmansyah, 2011).
Gambar 2 Contoh konsep pohon keputusan untuk menentukan pembelian komputer
berdasarkan atribut age, student dan credit rating.
Gambar 2 menggambarkan pohon keputusan untuk memprediksi apakahseseorang
membeli komputer. Node internal disimbolkan dengan persegi, cabangdisimbolkan dengan
garis, dan daun disimbolkan dengan oval.
Algoritma C4.5 dan pohon keputusan merupakan dua model yang takterpisahkan,
karena untuk membangun sebuah pohon keputusan, dibutuhanalgoritma C4.5. Di akhir tahun
1970 hingga di awal tahun 1980-an, J. RossQuinlan seorang peneliti di bidang mesin
pembelajaran mengembangkan sebuahmodel pohon keputusan yang dinamakan ID3 (Iterative
Dichotomiser), walaupunsebenarnya proyek ini telah dibuat sebelumnya oleh E.B. Hunt, J.
Marin, dan P.T.Stone. Kemudian Quinlan membuat algoritma dari pengembangan ID3
yangdinamakan C4.5 yang berbasis supervised learning.
Ada beberapa tahap dalam membuat sebuah pohon keputusan denganalgoritma C4.5
(Kusrini & Luthfi, 2009), yaitu :
1. Menyiapkan data training. Data training biasanya diambil dari data histori yangpernah
terjadi sebelumnya dan sudah dikelompokkan ke dalam kelas-kelastertentu.
2. Menentukan akar dari pohon. Akar akan diambil dari atribut yangterpilih,dengan cara
menghitung nilai Gain dari masing-masing atribut, nilaiGain yang paling tinggi yang
akan menjadi akar pertama. Sebelum menghitungnilai Gain dari atribut, hitung dahulu
nilai entropy yaitu :
Keterangan :
S : himpunan kasus
n : jumlah partisi S
pi: proporsi dari Si terhadap S
3. Kemudian hitung nilai Gain dengan metode information gain :
( , )=
Keterangan :
( )−
| |
∗
| |
S : himpunan kasus
A : atribut
n : jumlah partisi atribut A
|Si| : jumlah kasus pada partisi ke-i
|S| : jumlah kasus dalam S
4. Ulangi langkah ke-2 hingga semua tupel terpartisi.
5. Proses partisi pohon keputusan akan berhenti saat :
( )
a. Semua tupel dalam node N mendapat kelas yang sama.
b. Tidak ada atribut di dalam tupel yang dipartisi lagi.
Tidak ada tupel di dalam cabang yang kosong.
2.3 Penelitian Serupa yang Pernah Dilakukan Sebelumnya
Penelitian yang dilakukan dengan menggunakan pendekatan data mining untuk
memprediksi kinerja siswa (student performance) telah dilakukan oleh peneliti-peneliti
sebelumnya. Berikut merupakan beberapa penelitian terkait baik international maupun
nasional yang pernah dilakukan, meliputi:
Tabel 1 Penelitian terkait
Tahun Peneliti
2012
Surjeet Kumar
Yadav dan
Saurabh Pal
Judul Penelitian
Publikasi
Data Mining A Prediction forPerformance
World of Computer
Improvement ofEngineering Students
Science and
usingClassification
Information
Technology Journal
(WCSIT)
2012
Edin
Data mining approach for predicting
Economic Review –
Osmanbegović
student performance
Journal of Economics
dan Mirza
and Business
Suljić
2013
2010
Dorina
Predicting Student Performance by
Cybernetics And
Kabakchieva
Using Data Mining Methods for
Information
Classification
Technologies
Diana Laily
Sistem Pendukung Keputusan Untuk
Prosiding SNATIF Ke-1
Fithri dan Eko
Memprediksi KelulusanMahasiswa
Tahun 2014
Darmanto
Menggunakan Metode Naïve Bayes
BAB 3 TUJUAN DAN MANFAAT PENELITIAN
3.1. Metode Penelitian
Penelitian ini mempunyai tujuan utama untuk mengetahui kinerja Algoritma C 45
untuk memprediksi kelulusan mahasiswa.Dalam hal ini dibutuhkan beberapa variable untuk
mengevaluasi algoritma tersebut. Untuk itu penulis menggunakan data mahasiswa Universitas
Dian Nuswantoro sebagai studi kasus sehingga penelitian ini bisa bermanfaat dalam waktu
sekarang dan masa yang akan datang.
3.2. Manfaat Penelitian
Bagi Pembaca

Memperkenalkan Algoritma C4.5 sebagai algoritma yang bisa digunakan sebagai masalah
prediksi.

Diharapkan dapat digunakan sebagai sumber informasi untuk penelitian lebih lanjut.

Dapat dijadikan acuan sebagai materi pembanding performa Algoritma C 5 dengan
algoritma lain dalam hal prediksi
Bagi Penulis

Dengan penelitian ini diharapkan teknik tersebut menjadi sarana menerapkan materimateri yang telah didapat selama ini dan mengembangkan ilmu.

Mengetahui performa Algoritma C 45 untuk masalah prediksi.

Melatih penulis dalam memahami permasalahan yang ada tentang bagaimana prosedur
pengolahan data yang baik dan benar berdasarkan kaedah dan aturan sistem yang ada.
BAB 4. METODE PENELITIAN
4.1 Metode Penelitian
Metode penelitian yang dilakukan adalah metode penelitian eksperimen dengan
tahapan penelitian sebagai berikut(Santoso, 2007):
PENGUMPULAN DATA
Data yang dikumpulkan adalah data identitas mahasiswa dan data
KRS Teknik Informatika S-1 Semester 1-8 Angkatan 2008 s.d 2011
UDINUS
PENGOLAHAN AWAL DATA
Data yang didapatkan selanjutnya diolah (preprocessing) dengan
penerapan data integrasi dan data reduction
MODEL/METODE YANG DIUSULKAN
Metode menggunakan Decission Tree dengan Algoritma C4.5
EKSPERIMEN DAN PENGUJIAN MODEL
Pengujian dilakukan dengan menggunakan sebagian data untuk
training dansebagian lagi digunakan sebagai data testing
EVALUASI DAN VALIDASI HASIL
Evaluasi dilakukan dengan mengamati hasil prediksi menggunakan
Algoritma C4.5 danvalidasi dilakukan dengan mengukur hasil
prediksi dibandingkan dengan data asal
Gambar 3 Metode Penelitian
4.2 Tahapan, Luaran, dan Indikator Penelitian
Bagian ini membahas mengenai tahapan yang akan dilakukan, luaran yang
diharapkan. Beberapa indikator keberhasilan dapat dijabarkan pada Tabel 1:
Tabel 2 Tahapan, Luaran, dan Indikator Penelitian yang Akan Dilakukan
Tahapan
Luaran
Indikator
1. Perancangan Algoritma
Analisa masalah
Identifikasi masalah yang ada dan
Teori pendukung yang sesuai
dan studi pustaka
pengembangan teori pendukung
dalam menyelesaikan masalah
Desain Algoritma
Memilih dan perancangan algoritma
Kesesuaian desain algoritma
yang sesuai dengan permasalahan dan
dengan kebutuhan sistem dalam
kebutuhan sistem
penyelesaian masalah
2. Preprocessing (Pengolahan Data Awal)
Data Integration
Mengintegrasikan data mahasiswa
Mendapatkan data utuh yaitu profil
dengan data akademik (ipk, masa studi)
mahasiswa beserta ipk dan masa
studinya
Data Reduction
Mengeliminasi recordpada kolom jenis
Mendapatkan data yang valid yaitu
sekolah asal dan lokasi tinggal yang
data yang tidak mempunyai nilai
tidak terisi pada data mahasiswa
kosong
3. Sampling dan Implementasi Algoritma
Pengambilan
Melakukan sampling data dengan
Mendapatkan data untuk training
Sample Data
menggunakan random sampling dengan
dan testing
komposisi data training 80% dan data
testing 20% dari data valid yang didapat
Penerapan
Menerapkan algoritma C4.5 dengan
Mendapatkan graph pohon
Algoritma C4.5
software Orange
keputusan dan variabel penentu
klasifikasi masa studi mahasiswa
4. Pengujian dan Evaluasi
Pengujian dan
Menguji dan mengevaluasi model
Mendapatkan hasil nilai akurasi
Evaluasi
kinerja algoritma C4.5
klasifikasi algoritma C4.5 dan
tabel confusion matrix
4.3 Desain Penelitian
Desain penelitian ini adalah proses perencanaan yang akan dilakukan dalam
penelitian. Penelitiakan memperoleh informasi lebih lanjut sehingga hipotesis yang dihasilkan
dapat diuji dengan baik. Setiap tahap dibuat untuk menentukan keberhasilan penelitian yang
dilakukan, mulai dari pengumpulan data sampai dengan cara memperoleh pernyataan yang
sah sesuai dengan hasil pengujian. Gambar 4 mengilustrasikan langkah - langkah yang akan
diterapkan dalam penelitian ini. Rincian informasi yang akan ditampilkan pada bagian
berikut:
Rumusan Masalah
Sulitnya memahami dan menemukan pola studi mahasiswa terhadap atribut data
mahasiswa dan data perkuliahan yang berpengaruh pada masa studi mahasiswa dalam
jumlah data yang besar.
Pendekatan
Data Mining dengan algoritma C4.5
Implementasi
Menggunakan software Orange untuk melakukan pekerjaan
klasifikasi dan prediksi masa studi mahasiswa berdasarkan data
identitas mahasiswa dan data krs
Pengukuran
Menggunakan Confussion matrix untuk mendapatkan nilai akurasi
dari algoritma C4.5
Gambar 4 Desain Penelitian
4.4 Metode yang Diusulkan
Metode yang diusulkan dalam penelitian ini adalahDecision Treealgoritma C4.5 untuk
memprediksi masa studi mahasiswa Teknik Informatika S-1 Fakultas Ilmu Komputer
Universitas Dian Nuswantoro Semarang.
Tahapan eksperimen pada penelitian ini adalah:
1. Menyiapkan data untuk melakukan eksperimen
2. Preprocessing data dengan mereduksi data – data yang kosong
3. Eksperimen menggunakan metode C4.5 dengan Software Orange
4. Menghitung akurasi dari penggunaan metode C4.5
5. Menganalisa hasil dari penggunaan metode C4.5
Pengujian terhadap model klasifikasi yang dihasilkan akan diukur dengan
menggunakan confussion matrix. Confussion matrix merupakan alat ukur yang digunakan
untuk mengukur performa klasifikasi. Dalam hal ini akan digunakan confussion matrix dua
kelas sebagai berikut:
Tabel 3 Confussion Matrix
Kelas Prediksi
Kelas
Aktual
Kelas Tepat
Kelas Tidak Tepat
Waktu
Waktu
Kelas tepat waktu
TP (True Positive)
FN (False Negative)
Kelas tidak tepat waktu
FP(False Positive)
TN (True negative)
Matriks baris pertama menunjukkan data – data mahasiswa yang berada di kelas tepat
waktu, di mana data yang diklasifikasikan dengan benar sejumlah TP dan jumlah data yang
salah diklasifikasikan sebagai kelas tidak tepat waktu sejumlah FN.
Matriks baris kedua menunjukkan data – data mahasiswa yang berada di kelas tidak
tepat waktu, di mana data yang diklasifikasikan benar sejumlah TN dan jumlah data yang
salah diklasifikasikan sebagai kelas tepat waktu sejumlah FP.
Dari confussion matrix tersebut akan dilakukan pengukuran tentang akurasi, presisi
dan recall dari model yang dihasilkan. Selanjutnya untuk dianalisa dari pengukuran tersebut.
BAB V
HASIL YANG DICAPAI
5.1 Laporan Akhir Penelitian
5.1.1 Indikator Pencapaian
Adapun pencapaian yang telah didapat antara lain:
a. Evaluasi Algoritma C4.5 dengan menggunakan aplikasi Orange sebesar 73,68%
b. Pemaparan prosiding seminar nasional di Upgris (Universitas PGRI Semarang) pada
tanggal 03 September 2016
c. Satu buah materi perkuliahan pada matakuliah data mining tentang algoritma C4.5.
d. Jurnal telah dipublikasikan tanggal 02 oktober 2016 pada"MOMENTUM" (Jurnal Ilmiah
yang dikelola oleh Fakultas Teknik Universitas Wahid Hasyim dengan ISSN 0216-7395)
5.1.2
Laporan Akhir
Adapun laporan akhir yang dapat dilaporkan antara lain:
a. Kegiatan penelitian berjalan sesuai dengan jadwal penelitian yang telah ditetapkan.
b. Akhir dari penelitian yang sudah diperoleh hingga laporan akhir disusun diuraikan pada
Tabel 4.
Tabel 4 Uraian Laporan Akhir
PENYELESAIAN
NO
KEGIATAN
1
Permintaan Data ke Bagian Akademik
(Pengumpulan Data)
2
Pengumpulan Dan Revisi Laporan
Kemajuan
3
Pengolahan Data Awal
4
Eksperimen, Pengujian dan Evaluasi
Model
MULAI
SELESAI
05-Mei
22-Jun
05-Mei
15-Mei
02-Jun
CAPAIAN
100%
100%
06-Agt-16
27-Jul
100%
100%
11-Agt
5
Pembuatan Jurnal Nasional
02-Jul
05-Agt
100%
6
Pembuatan Makalah Seminar Nasional
17-Jun
10-Agt
100%
7
Pembuatan Materi Ajar Perkuliahan
19-Jul
15-Agt
100%
8
Pendaftaran dan Pemaparan Seminar
Hasil
10-Agt
100%
10-Agt
9
Publikasi Jurnal Nasional
18-Ags
21-Nov
100%
10
Pembuatan Laporan Akhir
16-Ags
25-nov
100%
11
Pembuatan Laporan Keuangan
19-Ags
04-Okt
100%
12
Pembuatan Poster
21-Ags
16-Okt
100%
5.2 Implementasi Hasil Penelitian
Data yang didapat pada bagian akademik dari tahun 2008 sampai dengan 2011 sejumlah
1473 records. Data yang diperoleh diolah dengan mengintegrasikan data profil mahasiswa
dengan data akademik. Data yang tidak terisi selanjutnya dieliminasi yaitu dari atribut lokasi
tinggal dan nama sekolah asal (data profil mahasiswa) yang sering sekali tidak lengkap.
Atribut lokasi tinggal digunakan untuk menentukan status tinggal mahasiswa Bersama Orang
Tua atau Tidak Bersama Orang Tua. Atribut sekolah asal digunakan untuk mengkategorikan
jenis sekolah SMA, SMK, Sekolah Lanjut, MA, Pesantren. Hasil pengolahan data awal
(preprocessing) mengahasilkan data valid sejumlah 948 records.
Gambar 5 Hasil Pengolahan Data Awal
Data valid yang telah didapatkan, selanjutnya dibagi 2 (dua) menjadi data training dan
data testingdengan komposisi 80% untuk training dan 20% untuk testing. Validasi method
yang digunakan untuk pengambilan data sampling, menggunakan random sampling. Dari
pengolahan data tersebut, didapatkan tingkat akurasi klasifikasi (CA) algoritma C4.5sebesar
73,68% (tujuh puluh tiga koma enam delapan).
Gambar 6 Hasil Classification Accuracy (CA) Algoritma C4.5
Akurasi klasifikasi didapatkan berdasarkan tabel confusion matrix. Confusion matrix
membagi data berdasarkan output kelas klasifikasi yaitu Tepat Waktu dan Tidak Tepat Waktu
sepeti pada gambar dibawah ini:
Gambar 7 Hasil Tabel Confusion Matrix Algoritma C4.5
BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Berdasarkan penelitian yang telah selesai dilakukan, maka dapat diambil suatu
kesimpulan bahwa Algoritma C 4.5 mampu memprediksi masa studi mahasiswa yang tepat
waktu dan tidak tepat waktu. Akurasi algoritma C 4.5 dalam penelitian ini mencapai 73,68%.
Pada algoritma ini membentuk pohon keputusan (Decision Tree) yang dapat digunakan oleh
pengelola akademik di dalam memetakan mahasiswa yang berpotensi mengalami
keterlambatan masa studi di masa mendatang. Penerapan Educational Data Mining (EDM)
memberikan kemajuan dan kontribusi pada dunia pendidikan dan pada bidang riset data
mining.
6.2 Saran
Dalam penelitian ini masih jauh dari kesempurnaan. Sehingga diharapkan untuk ada
algoritma lain atau optimasi dari algoritma C 4.5 agar dicapai tingkat akurasi yang lebih
tinggi. Algoritma baru yang disarankan adalah algoritma C 5.0 sebagai pengembangan dari
algoritma C 4.5.
DAFTAR PUSTAKA
Abu Tair, M. M., & Al-Helees, A. M. (2012). Mining Educational Data to Improve
Students’ Performance: A Case Study. International Journal of Information and
Communication Technology Research , 2.
B.K, B., & S, P. (2011). Data Mining: A prediction for performance improvement
using classification. International Journal of Computer Science and Information Security
(IJCSIS) , 9 (4), pp. 136-140.
Baker, R. (2010). Data Mining for Education (3rd Edition ed.). UK: Elsevier.
Firmansyah. (2011). Penerapan Algoritma Klasifikasi C4.5 Untuk Penentuan
Kelayakan Pemberian Kredit Koperasi.
Gurunescu, F. (2011). Data Mining Consepts, Models and Techniques (Volume 12
ed.). Verlag Berlin Heidelberg, Germany: Springer.
Han, J., & Kamber, M. (2007). Data Mining Concepts and Techniques (2nd ed.). San
Francisco, United State America: Morgan Kaufmann Publishers.
J. R, Q. (1992). C4.5: Programs for Machine Learning. Morgan Kaufmann
Publishers, Inc.
Kabakchieva, D. (2013). Predicting Student Performance by Using Data Mining.
Cybernetics and Information Technologies .
Kusrini, & Luthfi. (2009). Algoritma Data Mining. Yogyakarta: Andi Publishing.
Larose, D. T. (2006). Data Mining Methods and Models. Hoboken, New Jersey,
United State of America: John Wiley & Sons, Inc.
Osmanbegovic, E., & Suljic, M. (2012). Data Mining Approach For Predicting
Student Performance. Journal of Economics and Business , X (1).
Pandey, U., & Pal, S. (2011). Data Mining: A prediction of performer or
underperformer using classification. (IJCSIT) International Journal of Computer Science and
Information Technology , 2(2) (ISSN:0975-9646), 686-690.
Romero, C., & Ventura, S. (2007). Educational Data Mining: A Review of the Stateof-the-Art. IEEE Transactions On Systems, Man, And Cybernatics .
Santoso, B. (2007). Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis.
Yogyakarta: Graha Ilmu.
Suhartinah, M. S., & Ernastuti. (2010). Graduation Prediction Of Gunadarma
University Students Using C4.5 Algorithm And Naive Bayes Algorithm.
Yadav, S. K., & Pal, S. (2012). Data Mining A Prediction for Performance
Improvement of Engineering Students using Classification. World of Computer Science and
Information Technology Journal (WCSIT) , 2, 51-56.
Z. J, K. (2010). Early prediction of student success: Mining student enrollment data.
Proceedings of Informing Science & IT Education Conference.
LAMPIRAN-LAMPIRAN
Lampiran 1. Justifikasi Penggunaan Anggaran Penelitian
1. Honor
Honor
Honor/ Jam (Rp)
Waktu
(Jam/Minggu)
Minggu
Honor per Tahun
Ketua
19.000,-
2 jam
32 minggu
1.216.000
Anggota 1
17.500,-
2 jam
32 minggu
1.120.000
Anggota 2
17.500,-
2 jam
32 minggu
1.120.000
Sub Total (Rp)
3.456.000
Jumlah
Harga Satuan (Rp)
2. Peralatan Penunjang
Material
Justifikasi
Harddisk External 1 Tb
Pengambilan data mahasiswa dan data
akademik lima tahun
1 buah
873.000,-
Harga total
Peralatan (Rp)
873.000,-
Flash disk 16 GB
Perpindahan data
2 buah
55.000,-
110.000,-
Log Book
Mencatat eksperimen dan diskusi
2 buah
45.000,-
90.000,-
Soddim Memory 4 GB
Peningkatan pengolahan data dan hasil
eksperimen komputasi
1 buah
400.000,-
400.000,-
Modem USB
Akses Internet di Luar Kantor
1 buah
300.000,-
300.000,-
Folder File
Penyimpanan berkas-berkas penting
3 buah
45.000,-
135.000,-
Stopmap
Manajemen berkas-berkas file
5 buah
10.000,-
50.000,-
Sub Total (Rp)
1.958.000
3. Bahan Habis pakai
Material
Justifikasi
Jumlah
Harga Satuan (Rp)
Harga total
Catridge printer hitam
Mencetak laporan dan dokumentasi
2 buah
180.000,-
Peralatan (Rp)
360.000,-
Catridge printer warna
Mencetak laporan dan dokumentasi
1 buah
200.000,-
200.000,-
Kertas A4 80gram
Mencetak laporan dan dokumentasi
3 rim
40.000,-
120.000,-
Jilid Laporan
Menjilid Laporan penelitian
6 buah
20.000,-
120.000,-
Pulsa Internet
Akses internet di luar kantor
8 bulan x 3 orang
52.000,-
1.248.000,-
Materai
Pengesahan Laporan
10 Lembar
7.000,-
70.000,-
Konsumsi
Koordinasi dan komunikasi
8 bulan x 3 orang
30.000,-
720.000,-
Pulsa HP
Koordinasi dan komunikasi
8 bulan x 3 orang
52.000,-
1.248.000,-
Sub Total (Rp)
4.086.000
4. Perjalanan
Kegiatan
Justifikasi
Perjalanan publikasi
Tranportasi publikasi (pulang pergi)
Perjalanan dalam kota
Transportasi kegiatan sehari-hari
Jumlah
Harga Satuan (Rp)
Harga total
Peralatan (Rp)
2 x 1 orang
200.000,-
400.000,-
3 orang
300.000,-
900.000,-
Sub Total (Rp)
1.300.000,-
5. Lain-lain
Kegiatan
Seminar nasional
Keterangan
Publikasi hasil penelitian
Jumlah
1 kali
Harga Satuan (Rp)
Harga total
Peralatan (Rp)
800.000,-
800.000,-
Sub Total (Rp)
800.000,-
TOTAL ANGGARAN YANG DIPERLUKAN SELURUH TAHUN (Rp)
11.600.000,-
Lampiran 2 Susunan Organisasi Tim Peneliti dan Pembagian Tugas
No.
Nama/NIDN
Instansi
Bidang Ilmu
Alokasi Waktu
Asal
1.
Defri Kurniawan, M.Kom
Uraian Tugas
(Jam/Minggu)
UDINUS
Sistem
/
2 jam
Cerdas (SC)
Ketua, riset dan
pengujian
sistem
2.
Yani Parti Astuti,S.Si.,
UDINUS
Sistem
M.Kom. / 060610
2 Jam
Cerdas (SC)
Pembuatan
7401
3.
Wibowo Wicaksono, ST,
Anggota,
Laporan
UDINUS
Sistem
M.Kom / 06
2 Jam
Cerdas (SC)
Anggota,
pengujian
sistem
Lampiran 3 Biodata Ketua Pelaksana
A. Identitas Diri
Nama
1 Lengkap
Defri Kurniawan, M.Kom.
Jenis
2 Kelamin
L
Jabatan
3
Fungsional
-
NPP
4
0686.11.2013.536
NIDN
5
0613128502
Tempat
6
dan Tanggal Lahir
Semarang, 13 Desember 1985
Alamat
7
Rumah
Nomor
8
Telepon/Fax/HP
085641417048
Alamat
9
Kantor
Jl. Nakula I no 5-11
Nomor
1
Telepon/Faks
(024)– 3517261
Alamat E-mail
[email protected]
Lulusan
1
yang Telah Dihasilkan
-
Mata
1 Kuliah yang Diampu
1. Rekayasa Perangkat Lunak
2. Rekayasa Perangkat Lunak Lanjut
3. Object Oriented Analisa dan Desain
4. Sistem Informasi
5. Sistem Operasi
6. Pengantar Teknologi Informasi
B. Riwayat Pendidikan
S-1
Nama Perguruan Tinggi
S-2
Universitas Dian Nuswantoro
Bidang Ilmu
Universitas Dian Nuswantoro
Teknik Informatika
Tahun Masuk –
Teknik Informatika
2004 - 2009
2009 - 2012
Lulus
Judul Skripsi/Thesis
Nama
Pembimbing/Promotor
Penerapan Metode Waterwall
dalam
Membangun
Multimedia
Pembelajaran
Kelas III SMA IPA di Dipo
Solution Semarang
Kharis Widiyatmoko,
M.Kom
Optimasi Algortima Support
Vector Machine Menggunakan
AdaBoost Untuk Penilaian
Resiko Kredit
Dr. Abdul Syukur
Catur Supriyanto, M.Cs
C. Pengalaman Penelitian Dalam 5 Tahun Terakhir
N
No
T
Judul Penelitian
Pendanaan
tahun
Sumber
*
-
-
-
Jml (Juta
Rp)
-
-
D. Pengalaman Penulisan Artikel Ilmiah Dalam Jurnal Dalam 5 Tahun Terakhir
Judul Artikel Ilmiah
1
Optimasi Algortima Support
Vector Machine Menggunakan
AdaBoost Untuk Penilaian
ResikoKredit
Volume/Nomor/Tahun
Jurnal Teknologi
Informasi
Nama Jurnal
Vol 9/No 1/2013
E. Pengalaman Penulisan Artikel Ilmiah Secara Secara Oral Pada Pertemuan/Seminar
Ilmiah Dalam 5 Tahun Terakhir
N
Nama Pertemuan
Judul Artikel Ilmiah
Ilmiah/Seminar
-
-
Waktu
dan Tempat
-
-
Semua dapat yang terdapat dalam biodara ini adalah benar, dan apabila dkemudian
hari terdapat ketidaksesuaian maka saya sanggup menerima sanksi.Demikian biodata ini saya
buat dengan sebenarnya.
Semarang, Agustus 2016
Ketua Peneliti,
Defri Kurniawan, M.Kom.
NPP. 0686.11.2013.536
Lampiran 4 Biodata Anggota Peneliti
A. Identitas Diri
No
Nama Lengkap
Yani Parti Astuti, S.Si., M.Kom.
1
Jenis Kelamin
P
2
Jabatan Fungsional
-
3
NPP
0686.11.2013.532
4
NIDN
0606107401
5
Tempat dan Tanggal Lahir
Madiun, 06 Oktober 1974
6
Alamat Rumah
Perum Kandri Pesona Asri F2/3 RT 04/IV
Gunungpati Semarang
7
Nomor Telepon/Fax/HP
02476916136 / 082133258726
8
Alamat Kantor
Jl. Nakula I no 5-11
9
Nomor Telepon/Faks
(024)– 3517261
10
Alamat E-mail
[email protected]
11
Lulusan yang Telah Dihasilkan
-
12
Mata Kuliah yang Diampu
1. Kalkulus 1
2. Kalkulus 2
3. Logika Informatika
4. Manajemen Sains
5. Matematika Diskrit
6. Matriks dan Ruang Vektor
B. Riwayat Pendidikan
S-1
S-2
Nama Perguruan Tinggi
Universitas Diponegoro
Universitas Dian Nuswantoro
Bidang Ilmu
Matematika
Teknik Informatika
Tahun Masuk – Lulus
Judul Skripsi/Thesis
1992 – 1998
2013 – 2015
Algoritma Matching Bobot Model Prediksi Calon Nasabah
Maksimum
Dalam
Graph dengan Pemasaran Langsung
Bipartite Komplit Berbobot
Menggunakan
Algoritma
Naïve Bayes Berbasis Forward
Selection
Nama
Djuwandi, SU
Catur Supriyanto, M.CS
Pembimbing/Promotor
Heru Agus santoso, P.hD
C. Pengalaman Penelitian Dalam 5 Tahun Terakhir
No
Tahun
Judul Penelitian
Pendanaan
Sumber*
1
2016
Optimasi Kriptografi Password
Jml (Juta Rp)
Universitas
Dengan Algoritma Blowfish
Rp 3.000.000,00
Dian
Nuswantoro
D. Pengalaman Pengabdian Kepada Masyarakat Dalam 5 Tahun Terakhir
No
Tahun
Judul Pengabdian Kepada Masyarakat
Pendanaan
Sumber*
1
2
2013
2014
Pembelajaran Matematika bagi Siswa
Universitas
SMP Kartini Kelas IX untuk Persiapan
Dian
Ujian Nasional 2014
Nuswantoro
Pengenalan Internet bagi Kelompok PKK
Universitas
RT 04 RW
04 Kelurahan Kandri
Gunungpati
Optimalisasi
3
2015
Dian
Nuswantoro
Penggunaan
Fitur
Rp
3.000.000,00
Rp
3.000.000,00
Universitas
Smartphone pada Kelompok PKK RT
06/I Kelurahan Petompon
Jml (Juta Rp)
Dian
Nuswantoro
Rp
1.500.000,00
Pembelajaran Komputer bagi Anak Usia 3
– 5 Tahun Berbasis Game Edukasi di TK
4
2016
Universitas
Dian
Al Firdaus Kandri gunungpati Semarang
Mandiri
Nuswantoro
E. Pengalaman Penulisan Artikel Ilmiah Dalam Jurnal Dalam 5 Tahun Terakhir
No
1
Judul Artikel Ilmiah
Optimasi Enkripsi
Password Menggunakan
Algoritma Blowfish
Volume/Nomor/Tahun
15/1/2016
Nama Jurnal
Techno.COM
F. Pengalaman Penulisan Artikel Ilmiah Secara Secara Oral Pada Pertemuan/Seminar
Ilmiah Dalam 5 Tahun Terakhir
No
Nama Pertemuan
Judul Artikel Ilmiah
Ilmiah/Seminar
1
SENDI_U
Waktu dan
Tempat
Optimasi Metode Blowfish Untuk
28 Juli 2016 di
Mengamankan Password Pada
Unisbank
Kriptografi
Semarang
Semua dapat yang terdapat dalam biodara ini adalah benar, dan apabila dkemudian
hari terdapat ketidaksesuaian maka saya sanggup menerima sanksi.Demikian biodata ini saya
buat dengan sebenarnya.
Semarang, Agustus 2016
Anggota Peneliti,
Yani Parti Astuti, S.Si, M.Kom
NPP. 0686.11.2013.532
Lampiran 5 Biodata Anggota Peneliti
A. Identitas Diri
No
Nama Lengkap
Wibowo Wicaksono, ST., M.Kom
1
Jenis Kelamin
L
2
Jabatan Fungsional
Asisten Ahli
3
NPP
0686.11.2013.531
4
NIDN
0629107603
5
Tempat dan Tanggal Lahir
Semarang, 29 Oktober 1976
6
Alamat Rumah
Jl. Borobudur Selatan Rt.07 Rw.08 No. 39
Semarang
7
Nomor Telepon/Fax/HP
08122842434
8
Alamat Kantor
Jl. Nakula I no 5-11
9
Nomor Telepon/Faks
(024)– 3517261
10
Alamat E-mail
[email protected]
11
Lulusan yang Telah Dihasilkan
S-1 = 10 orang
12
Mata Kuliah yang Diampu
1. SistemOperasi
2. Organisasi dan Arsitektur Komputer
3. Sistem Terdistribusi
4. Pengolahan Citra Digital
5. Strategi Algoritma
6. Sistem Basis Data
B. Riwayat Pendidikan
S-1
S-2
Nama Perguruan Tinggi
UniversitasIslam Indonesia
Universitas Gadjah Mada
Bidang Ilmu
Teknik Sipil
Ilmu Komputer
Tahun Masuk – Lulus
1995 – 2002
2003 – 2006
Judul Skripsi/Thesis
Perilaku Komponen Struktur
Lantai Balok T Komposit
Kayu-Beton
Aplikasi Pengolahan Citra
Digital untuk Identifikasi
Biometrik Sidik Jari dengan
Metode Fraktal
Nama
Ir. H. Susastrawan, MS.
Ir. Fatkhurrohman N., MT.
Drs. Agus Harjoko, M.Sc.,
Ph.D
Pembimbing/Promotor
C. Pengalaman Penelitian Dalam 5 Tahun Terakhir
No
Tahun
Judul Penelitian
Pendanaan
Sumber*
Jml (Juta Rp)
D. Pengalaman Pengabdian Kepada Masyarakat Dalam 5 Tahun Terakhir
No
Tahun
Judul Pengabdian Kepada Masyarakat
Pendanaan
Sumber*
1
2
2009
2010
Pelatihan Operator Komputer On Line
Siaga SATBRIMOBDA JATENG
STMIK
Himsya
Pelatihan Dasar Aplikasi Office untuk
Mendukung
Proses Belajar Mengajar Bagi Guru-Guru
SMP &
SMA Tarakan Kalimantan Timur
STMIK
Himsya
Jml (Juta Rp)
Rp
1.000.000,00
Rp
1.000.000,00
Semua dapat yang terdapat dalam biodara ini adalah benar, dan apabila dkemudian
hari terdapat ketidaksesuaian maka saya sanggup menerima sanksi.Demikian biodata ini saya
buat dengan sebenarnya.
Semarang, Agustus 2016
Anggota Peneliti,
NPP. 0686.11.2013.531
Lampiran 6 Makalah Seminar Nasional di UPGRIS
Lampiran 7 Materi Bahan Ajar Algoritma C4.5 Data Mining
BAHAN AJAR ALGORITMA C 4.5
OLEH DEFRI KURNIAWAN
Lampiran 8 Jurnal Nasional Momentum di Unwahas
Lampiran 9 Formulir Evaluasi Atas Capaian Luaran Kegiatan
Lampiran 10 Rekapitulasi Penggunaan Dana Penelitian
Download