Professional Documents
Culture Documents
net/publication/309872191
CITATIONS READS
0 1,731
3 authors:
1 PUBLICATION 0 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Dony Susandi on 11 November 2016.
32
Tri Ferga Prasetyo, Dony Susandi, Ida Siti Widianingrum
Seminar Nasional Telekomunikasi dan Informatika 2016
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) ISSN : 2503-2844
Bandung, 28 Mei 2016
33
Tri Ferga Prasetyo, Dony Susandi, Ida Siti Widianingrum
Seminar Nasional Telekomunikasi dan Informatika 2016
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) ISSN : 2503-2844
Bandung, 28 Mei 2016
III. METODE PENELITIAN memakan waktu lama. Data mahasiswa yang akan
dicari hubungannya meliputi jenis kelamin, usia
saat mendaftar, kota asal mahasiswa, jurusan asal
sekolah, agama, IPK dan fakultas. Adapun yang
akan diproses mining meliputi :
1. Hubungan tingkat kelulusan dengan jenis
kelamin;
2. Hubungan tingkat kelulusan dengan jurusan asal
sekolah;
3. Hubungan tingkat kelulusan dengan usia saat
mendaftar;
4. Hubungan tingkat kelulusan dengan IPK;
5. Hubungan tingkat kelulusan dengan agama;
6. Hubungan tingkat kelulusan dengan kota asal
mahasiswa;
7. Hubungan tingkat kelulusan dengan fakultas;
III.3 Data Yang Digunakan
Pada penulisan penelitian i n i mencari
hubungan beberapa atribut dari data induk
mahasiswa dengan tingkat kelulusan. Karena
tidak semua tabel digunakan maka perlu
dilakukan pembersihan data agar data yang akan
diolah benar-benar relevan dengan yang dibutuhkan.
Pembersihan ini penting guna meningkatkan
performa dalam proses mining.
Setelah melalukan proses pembersihan data,
didapatkan data lulusan dan data mahasiswa dengan
tidak menampilkan data NPM (Nomor Pokok
Mahasiswa) dan nama dari mahasiswa dengan
Gambar 1. Kerangka Pemikiran alasan merupakan data pribadi
Dari jumlah sampel sebanyak 382 data yang
III.1 Tujuan Penelitian
terbagi atas data training dan data testing, dengan
Tujuan pelaksanaan penelitian ini adalah: pembagian 75% sebagai data training dan 25% data
1. Mencari dan menemukan pola algoritma yang testing. Jumlah data training sebanyak 286 data
yang terbaik dengan objek data mahasiswa lulusan dan jumlah data testing sebanyak 96 data
berdasarkan beberapa variabel yang mahasiswa.
ditentukan dalam menentukan kelulusan tepat
waktu;
2. Membandingkan hasil dari tingkat akurasi IV. ANALISIS DAN PERANCANGAN
dan teknik atau model data mining yang IV. 1 Pengujian Model Algoritma Data Mining
terpilih dari dua algoritma;
3. Mendapatkan hasil prediksi kelulusan Dalam menyelesaikan penelitian tentang
mahasiswa dengan basis pengetahuan dari prediksi kelulusan mahasiswa perguruan tinggi
data mahasiswa yang telah diolah dengan. kabupaten majalengka, model yang digunakan
menggunakan k-nearest neighbor dan back
III.2 Analisis Data Mining propagation nueral network dengan 8 parameter
yaitu 7 atribut dan 1 label yang terdiri dari jenis
Pada penelitian ini data mahasiswa dalam
kelamin, kota asal, agama, IPK, Fakultas, jurusan
kondisi acak dan tidak semua data mahasiswa akan
asal sekolah dan label tepat wkatu dan tidak tepat
dicari hubungannya dengan data kelulusan, hanya
waktu. Pengujian metode dilakukan dengan cara
beberapa atribut yang kira-kira berguna. Karena data
yang terlalu acak akan membuat proses mining confusion matrix dan k-fold cross validation, untuk
34
Tri Ferga Prasetyo, Dony Susandi, Ida Siti Widianingrum
Seminar Nasional Telekomunikasi dan Informatika 2016
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) ISSN : 2503-2844
Bandung, 28 Mei 2016
menguji metode yang diuji menggunakan tools menghasilkan tingkat presisi yang sangat baik dengan
RapidMiner 5.3. nilai precision sebesar 100,00% dan hasil recall k-nn
IV. 2 Pengujian Model Algoritma k-Nearest yang diperoleh melalui proses validasi sebesar 25,00
Neighbor % nilai ini meunjukkan bahwa hasil yang diperoleh
1. Proses Pengujian Model adalah baik.
Pengujian model k-nearest neighbor dengan
IV. 3 Pengujian Model Algoritma Backpropagation
menggunakan rapid miner akan menguji akurasi
Neural Network
metode k-nearest neighbor, seberapa besar akurasi
1. Proses Pengujian Model
yang akan dihasilkan nantinya hasil pengujian
Pengujian model backpropagation neural
akurasi akan dibandingkan dengan metode lainnya.
network dengan menggunakan rapid miner akan
Adapun langkah-langkah yang akan dilakukan dalam
menguji akurasi metode backpropagation neural
pengujian ini menggunakan performa untuk
network, seberapa besar akurasi yang akan dihasilkan
menghasilkan tingkat akurasi dan dari metode yang
yang nantinya hasil pengujian akurasi akan
digunakan. Pengujian model k-nearest neighbor
dibandingkan dengan metode lainnya. Adapun
dengan menggunakan data training dan data testing
langkah-langkah yang akan dilakukan dalam
seperti ditunjukan pada gambar 2.
pengujian ini menggunakan k-fold cross validation
untuk menghasilkan tingkat akurasi dan dari metode
yang digunakan. Pengujian model backpropagation
neural network dengan menggunakan data training
seperti ditunjukan pada gambar 4.
35
Tri Ferga Prasetyo, Dony Susandi, Ida Siti Widianingrum
Seminar Nasional Telekomunikasi dan Informatika 2016
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) ISSN : 2503-2844
Bandung, 28 Mei 2016
Precision yang dihasilkan dari metode Tabel 2. Contoh Tabel Aturan Produksi Kelulusan
backpropagation neural network yang diproses “Tidak Tepat Waktu”
dengan rapidminer menghasilkan presisi yang sangat
baik dengan nilai precision sebesar 99,64% dan hasil
recall k-nn yang diperoleh melalui proses validasi
sebesar 12,50 % nilai ini meunjukkan bahwa hasil
yang diperoleh adalah baik.
IV. 4 Hasil Pengujian Model Algoritma
Setelah melakukan proses pengujian pada
masing-masing metode algoritma data mining,
diketahui bahwa algoritma k-nearest neighbor lebih
akurat atau lebih tinggi akurasinya dibandingkan
dengan algoritma backpropagation neural network.
Secara keseluruhan nilai hasil performance IV. 6 Implementasi Program Knowledge Based
menggunakan kinerja model confusion matrix dengan System
nilai jarak (k-2) serta menggunakan 7 variabel nilai Program mengambil keputusan berdasarkan
akurasinya adalah accuracy = 97,90%, precision = aturan-aturan yang dibangkitkan dari setiap
100,00%, dan recall = 25,00%, Hasil pengujian pertanyaan yang diajukan pada mahasiswa. Proses
algoritma k-nearest neighbor dengan menggunakan running tampilan antar muka komputer dan user
akurasi seperti pada tabel 1 terlihat seperti pada gambar 7 untuk prediksi “tepat
Tabel 1 Hasil Akurasi K-Nearest Neighbor waktu” dan gambar 8 untuk prediksi “tidak tepat
waktu”. Setiap mahasiswa dihadapkan pada
k-nearest neighbor pertanyaan yang mengharuskan untuk menjawab
Accuracy 97,90 % dengan menuliskan “y” atau “t”.
Precision 100,00 %
Recall 25,00 %
36
Tri Ferga Prasetyo, Dony Susandi, Ida Siti Widianingrum
Seminar Nasional Telekomunikasi dan Informatika 2016
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016) ISSN : 2503-2844
Bandung, 28 Mei 2016
rule-rule pada aturan produksi tepat waktu. Dari proses pengujian dengan confusion matrix
diketahui bahwa metode algoritma k-nearest
neighbor menghasilkan nilai akurasi tertinggi yang
diperoleh dengan nilai jarak (k-100) serta
menggunakan 7 variabel terhadap data baru yaitu
sebesar 97,90 %. Penerapan rule dari algoritma k-
nearest neighbor yang digunakan dalam klasifikasi
kelulusan mahasiswa kedalam aplikasi knowledge
based system menggunakan CLIPS, dapat membantu
dalam proses prediksi kelulusan mahasiswa.
REFERENSI
Gambar 8. Running Prediksi “Tidak Tepat Waktu” Dikti, 2015. Grafik Mahasiswa Berdasarkan Jenjang.
Diperoleh dari Website Kemenristekdikti :
Pada gambar 8 dapat dilihat program running
http://forlap.dikti.go.id/mahasiswa/homegra
untuk prediksi “tidak tepat waktu”. Analisa dari
phjenjang. Diakses tanggal 17 Mei 2015.
proses prediksi yang tergambar pada aturan produksi
menjelaskan bahwa ketika program menanyakan Hastuti, K. (2012). Analisis komparasi algoritma
“apakah Anda seorang laki-laki ? (y/t)” maka jenis klasifikasi data mining untuk prediksi
saat mahasiswa menjawab “y”, program akan mahasiswa Non aktif. Semantik, 2(1).
berjalan ke pertanyaan berikutnya sesuai dari
El-Halees, A. (2009). Mining students data to analyze
algoritma pengumpulan data. Pertanyaan berikutnya
e-Learning behavior: A Case Study.
akan muncul sesuai dari algoritma yang sudah dibuat
Department of Computer Science, Islamic
dipengumpulan data, terus memproses sampai
University of Gaza PO Box, 108.
memenuhi kondisi yang ada pada algoritmanya.
Hall, M., Witten, I., & Frank, E. (2011). Data mining:
Sehingga pada saat data seorang mahasiswa di
Practical machine learning tools and
inputkan sebagai mahasiswa berjenis kelamin laki-
techniques. Kaufmann, Burlington.
laki, mendaftar pada usia yang lebih dari 26 tahun,
berasal dari kota majalengka, beragama islam, Larose, D. T. (2005). Discovering Knowledge in
sekolah asalnya SMK dan memilki jumlah IPK yang Databases. New Jersey: John Willey & Sons
kurang dari 2,01 maka mahasiswa tersebut diprediksi Inc.
lulus “TIDAK TEPAT WAKTU”. Rule diatas sesuai
Meinanda, M. H., Annisa, M., Muhandri, N., &
dengan rule-rule yang sudah dikemukakan pada
Suryadi, K. (2009). Prediksi masa studi
aturan produksi.
sarjana dengan artificial neural network.
Internetworking Indonesia Journal, 1(2), 31-
35.
V. KESIMPULAN
Jananto, A. (2010). Perbandingan Performansi
Proses penentuan pola lama studi mahasiswa dapat
Algoritma Nearest Neighbor dan SLIQ
dilakukan dengan menerapkan algoritma data mining
untuk Prediksi Kinerja Akademik
dengan metode algoritma k-nearest neighbor.
Mahasiswa Baru. Dinamik-Jurnal Teknologi
Dengan metode tersebut, ketepatan masa studi
Informasi, 15(2).
mahasiswa dapat diprediksi berdasarkan hasil
klasifikasi data mining dan menghasilkan prediksi Mustafa, M. S., & Simpen, I. W. (2014).
sesuai dengan data akademik dan latar belakang Perancangan Aplikasi Prediksi Kelulusan
sekolah sebelumnya. Pengujian dengan bantuan Tepat Waktu Bagi Mahasiswa Baru Dengan
Rapidminer dapat digunakan untuk membandingkan Teknik Data Mining (Studi Kasus: Data
antara algoritma k-nearest neighbor dengan agoritma Akademik Mahasiswa STMIK Dipanegara
backpropagation neural network. Makassar). Creative Information Technology
Journal, 1(4), 270-281.
37
Tri Ferga Prasetyo, Dony Susandi, Ida Siti Widianingrum
Seminar Nasional Telekomunikasi dan Informatika 2016