Evaluasi Pola - ANALISIS HASIL - Implementasi algoritma reduct based decision tree untuk mengen

BAB V ANALISIS HASIL

V.1 Evaluasi Pola

Dalam penelitian ini atribut yang digunakan sebagai data input pada penelitian ini berjumlah 16. Dari seluruh atribut tersebut setelah melalui proses reduct menggunakan metode RCA (Reduct Computation Algoritm) didapat 11 atribut yang menjadi pembeda. Atribut tersebut meliputi tahun, programStudi, jenisKelamin, asalKabupaten, penalaran verbal (pv), penalaran mekanik (pm), hubungan ruang (hr), bahasa inggris (bi), gelombang, asal SMA dan status. Sedangkan atribut kemampuan numerik (kn), diterima, jenis SMA, dan kabupaten SMA tidak dapat dijadikan sebagai pembeda.

Sistem yang dibangun dalam penelitian ini menghasilkan output berupa pola klasifikasi dalam bentuk pohon keputusan. Sistem telah berhasil dibangun dan diimplementasikan. Dari pohon keputusan yang terbentuk menghasilkan 1258 pola dari 2192 record data, dimana 227 pola memiliki nilai atribut status SISIP_PROGRAM. Karena banyaknya pola yang dihasilkan maka hanya sebagian Output yang ditampilkan pada Gambar 5.1. Untuk detail keseluruhan pola klasifikasi disajikan pada lampiran 5, sedangkan output yang dihasilkan oleh sistem secara keseluruhan disajikan pada lampiran 6.

Gambar 5.1 Contoh Pola Klasifikasi Data PMB 2007-2009 Jalur Reguler.

Dari pola yang terbentuk menggunakan atribut hasil proses reduct, atribut asal SMA menjadi simpul akar dalam menentukan status mahasiswa. Atribut asal SMA memiliki gain ratio paling besar dibandingkan dengan atribut yang lainnya sehingga atribut asal SMA menjadi simpul akar dari pohon keputusan yang ditunjukkan pada gambar 5.1. Selain atribut asal SMA atribut lain yang muncul dalam pohon keputusan dengan hasil akhir SISIP_PROGRAM sangat beragam yaitu tahun, jenis kelamin, program studi, asal kabupaten, gelombang pendaftaran, nilai penalaran mekanik (pm), nilai hubungan ruang (hr), nilai penalaran verbal (pv), dan nilai bahasa inggris (bi).

Apabila pola klasifikasi tersebut ditinjau dari sudut pandang lainnya, presentase mahasiswa yang berasal dari SMA_N_2_MIMIKA lebih banyak mengalami sisip program. Untuk membuktikan analisis tersebut berikut ini disajikan perbandingan komposisi data asal SMA pada tabel 5.1. Karena banyaknya data asal SMA mahasiswa maka komposisi data yang disajikan adalah data dengan jumlah presentase kejadian sisip program >= 10 %. Untuk komposisi

100

data asal SMA secara lengkap disajikan pada lampiran 4. Tabel 5.1 dibawah ini digunakan untuk membantu memperoleh informasi yang menarik dari hasil pola klasifikasi yang telah dibentuk. Pada tabel 5.1 kolom asal SMA berisi asal SMA dari mahasiswa. Kolom jumlah SISIP_PROGRAM berisi jumlah kejadian sisip program dari setiap asal SMA pada saat pembentukan pola. Kolom tolal berisi total mahasiswa dari setiap SMA, sedangkan kolom presentase merupakan presentase mahasiswa yang mengalami sisip program. Nilai tersebut diperoleh dari hasil bagi antara jumlah kejadian sisip program dibagi jumlah total mahasiswa dan dikalikan dengan 100 %.

Tabel 5.1 Komposisi Data Asal SMA Mahasiswa.

Asal SMA Jumlah Total Mahasis wa SISIP_ PROGR AM Presentase SMA_N_2_MIMIKA 4 3 75 % SMA_N_1_OKBIBAB 10 7 70 % SMA_K_SANTO_MIKAEL_WARAK 23 10 43,47 % SMA_KRISTEN_1_MAGELANG 7 3 42,85 % SMA_N_1_JOGONALAN 19 3 15,78 % SMA_PANGUDI_LUHUR_YOGYAKARTA 33 4 12,12 % SMA_STELLA_DUCE_1_YOGYAKARTA 35 4 11,42 %

Setelah komposisi data pada tabel 5.1 tersebut ditinjau kembali berdasarkan pola klasifikasi, didapat bahwa mahasiswa yang berasal dari SMA_N_2_MIMIKA dan SMA_N_1_OKBIBAB memiliki presentase kejadian sisip program > 50 %. Untuk mahasiswa yang berasal dari SMA_N_2_MIMIKA terdapat tiga mahasiswa mengalami sisip program dimana satu mahasiswa berasal dari program studi PEND._BAHASA_INGGRIS dan dua mahasiswa berasal dari program studi PEND._SEJARAH. Untuk mahasiswa yang berasal dari SMA_N_1_OKBIBAB terdapat satu mahasiswa berasal dari program studi PEND._BAHASA_INGGRIS, satu mahasiswa berasal dari program studi PEND._AKUNTANSI, satu mahasiswa berasal dari program studi AKUNTANSI, tiga mahasiswa berasal dari program studi MANAJEMEN dan satu mahasiswa berasal dari program studi TEKNIK_INFORMATIKA. Hal tersebut menunjukkan bahwa mahasiswa yang berasal dari SMA_N_2_MIMIKA dan berasal dari

101

SMA_N_1_OKBIBAB dengan program studi yang bervariasi memiliki kemungkinan sisip program. Untuk membuktikan analisis tersebut berikut ini disajikan tabel 5.2 yang berisi detail pola klasifikasi untuk tabel 5.1.

Tabel 5.2 Detail Pola Klasifikasi Mahasiswa Sisip Program Untuk Tabel 5.1.

No Aturan (rule) Status Jumlah data 1 IF asalSma=SMA_N_2_MIMIKA AND programStudi=PEND._BAHASA_INGGRIS SISIP_PROGRAM 1 2 IF asalSma=SMA_N_2_MIMIKA AND programStudi=PEND._SEJARAH SISIP_PROGRAM 2 3 IF asalSma= SMA_N_1_OKBIBAB AND tahun=2008 AND

programStudi= PEND._BAHASA_INGGRIS

SISIP_PROGRAM 1 4 IF asalSma= SMA_N_1_OKBIBAB AND tahun=2008 AND

programStudi= PEND._AKUNTANSI

SISIP_PROGRAM 1 5 IF asalSma= SMA_N_1_OKBIBAB AND tahun=2008 AND

programStudi= AKUNTANSI

SISIP_PROGRAM 1 6 IF asalSma= SMA_N_1_OKBIBAB AND tahun=2008 AND

programStudi= MANAJEMEN

SISIP_PROGRAM 3 7 IF asalSma= SMA_N_1_OKBIBAB AND tahun=2008 AND

programStudi= TEKNIK_INFORMATIKA

SISIP_PROGRAM 1 8 IF asalSma= SMA_K_SANTO_MIKAEL_WARAK AND

asalKabupaten=Aceh_Barat

SISIP_PROGRAM 1 9 IF asalSma= SMA_K_SANTO_MIKAEL_WARAK AND

asalKabupaten= Banjarmasin

SISIP_PROGRAM 1 10 IF asalSma= SMA_K_SANTO_MIKAEL_WARAK AND

asalKabupaten= Bekasi

SISIP_PROGRAM 1 11 IF asalSma= SMA_K_SANTO_MIKAEL_WARAK AND

asalKabupaten= Cirebon

SISIP_PROGRAM 2 12 IF asalSma= SMA_K_SANTO_MIKAEL_WARAK AND

asalKabupaten= Palembang

SISIP_PROGRAM 1 13 IF asalSma= SMA_K_SANTO_MIKAEL_WARAK AND

asalKabupaten= Sleman AND bi= B

102

14 IF asalSma= SMA_K_SANTO_MIKAEL_WARAK AND asalKabupaten= Sleman AND bi= D AND pm= A

SISIP_PROGRAM 1 15 IF asalSma= SMA_K_SANTO_MIKAEL_WARAK AND

asalKabupaten= Yapen_Waropen AND tahun=2009

SISIP_PROGRAM 1 16 IF asalSma= SMA_K_SANTO_MIKAEL_WARAK AND

asalKabupaten= Yogyakarta

SISIP_PROGRAM 1 17 IF asalSma= SMA_KRISTEN_1_MAGELANG AND pm= D AND

jenisKelamin = Laki-laki

SISIP_PROGRAM 3 18 IF asalSma= SMA_N_1_JOGONALAN AND pv= D AND

tahun=2007 AND programStudi= PSIKOLOGI

SISIP_PROGRAM 1 19 IF asalSma=SMA_N_1_JOGONALAN AND pv= D AND

tahun=2009

SISIP_PROGRAM 2 20 IF asalSma= SMA_PANGUDI_LUHUR_YOGYAKARTA AND

programStudi= PEND._BAHASA_INGGRIS AND bi= B

SISIP_PROGRAM 1 21 IF asalSma= SMA_PANGUDI_LUHUR_YOGYAKARTA AND

programStudi= AKUNTANSI AND tahun=2008

SISIP_PROGRAM 1 22 IF asalSma= SMA_PANGUDI_LUHUR_YOGYAKARTA AND

programStudi= TEKNIK_MESIN

SISIP_PROGRAM 1 23 IF asalSma= SMA_PANGUDI_LUHUR_YOGYAKARTA AND

programStudi= TEKNIK_INFORMATIKA AND tahun=2008

SISIP_PROGRAM 1 24 IF asalSma= SMA_STELLA_DUCE_1_YOGYAKARTA AND

programStudi= BIMBINGAN_DAN_KONSELING

SISIP_PROGRAM 1 25 IF asalSma= SMA_STELLA_DUCE_1_YOGYAKARTA AND

programStudi=AKUNTANSI AND asalKabupaten= Yogyakarta

SISIP_PROGRAM 1 26 IF asalSma= SMA_STELLA_DUCE_1_YOGYAKARTA AND

programStudi=PSIKOLOGI AND gelombang= Gelombang_1 AND tahun=2009

SISIP_PROGRAM 1

27 IF asalSma= SMA_STELLA_DUCE_1_YOGYAKARTA AND programStudi=PSIKOLOGI AND gelombang= Gelombang_3

SISIP_PROGRAM 1

Dari tabel 5.1 komposisi data asal SMA mahasiswa dan tabel 5.2 detail pola klasifikasi mahasiswa sisip program yang disajikan tersebut terdapat pola menarik, untuk mahasiswa yang berasal dari SMA_K_SANTO_MIKAEL_WARAK memiliki populasi jumlah kejadian sisip program paling banyak yaitu 10 mahasiswa.

103

Berdasarkan pola klasifikasi yang terbentuk setelah dilakukan penelusuran untuk atribut program studi terhadap data input dalam penelitian ini (data PMB mahasiswa Universitas Sanata Dharma periode 2007 – 2009) adalah sebagai berikut :

Tabel 5.3 Hasil Penelusuran Atribut Program Studi Terhadap Data Input.

no Aturan

(rule)

Status Hasil Penulusuran Atribut Program Studi 1 IF asalSma= SMA_K_SANTO_MIKAEL_WARAK AND asalKabupaten=Aceh_Barat SISIP_PROGRAM PEND._ MATEMATIKA 2 IF asalSma= SMA_K_SANTO_MIKAEL_WARAK AND asalKabupaten= Banjarmasin

SISIP_PROGRAM ILMU_SEJARAH

3 IF asalSma=

SMA_K_SANTO_MIKAEL_WARAK AND asalKabupaten= Bekasi

SISIP_PROGRAM PEND._AKUNTANSI

4 IF asalSma=

SMA_K_SANTO_MIKAEL_WARAK AND asalKabupaten= Cirebon

SISIP_PROGRAM PEND._BAHASA_ INGGRIS

5 IF asalSma=

SMA_K_SANTO_MIKAEL_WARAK AND asalKabupaten= Cirebon

SISIP_PROGRAM AKUNTANSI

6 IF asalSma=

SMA_K_SANTO_MIKAEL_WARAK AND asalKabupaten= Palembang

SISIP_PROGRAM MANAJEMEN

7 IF asalSma=

SMA_K_SANTO_MIKAEL_WARAK AND asalKabupaten= Sleman AND bi= B

SISIP_PROGRAM MANAJEMEN

8 IF asalSma=

SMA_K_SANTO_MIKAEL_WARAK AND asalKabupaten= Sleman AND bi= D AND pm= A

104

Setelah dilakukan penelusuran atribut program studi terhadap data input untuk pola klasifikasi mahasiswa yang berasal dari SMA_K_SANTO_MIKAEL_ WARAK dan terkena sisip program ternyata berasal dari bergai prodi yang beragam.

Dalam penelitian ini untuk mengukur akurasi dalam pembentukan pola klasifikasi, penulis menggunakan metode cross-validation. Dalam k-fold cross- validation, data akan dipartisi secara acak ke dalam k partisi, D1, D2, …Dk, masing-masing D mempunyai jumlah yang sama. Pada iterasi ke – i partisi Di digunakan sebagai data uji, sedangkan sisa partisi digunakan sebagai data pelatihan. Pada penelitian ini pengujian menggunakan metode k-fold cross- validation ini juga dilakukan dengan mengganti nilai k yang bervariasi. Berikut ini diberikan hasil pengujian menggunakan metode k-fold cross-validation :

Tabel 5.4 Tabel pengujian cross-validation dengan bervariasi nilai fold

Pada tabel 5.2 terlihat bahwa dari percoban yang dilakukan dengan mengganti nilai k yang bervariasi terlihat bahwa percobaan dengan nila k = 10

9 IF asalSma=

SMA_K_SANTO_MIKAEL_WARAK AND asalKabupaten=

Yapen_Waropen AND tahun=2009

SISIP_PROGRAM TEKNIK_ELEKTRO

10 IF asalSma=

SMA_K_SANTO_MIKAEL_WARAK AND asalKabupaten= Yogyakarta

SISIP_PROGRAM PEND._AKUNTANSI

No Nilai fold (k) Akurasi

1 3 54.88506 %

2 5 56.11659 %

3 10 56.527096 %

4 15 56.22496 %

105

memiliki tingkat akurasi paling tinggi dari seluruh percobaan, sehingga dalam penelitian ini pendekatan yang dilakukan untuk mengukur kinerja akrurasi pola klasifikasi menggunakan metode tenfold cross-validation. Data yang digunakan untuk mengevaluasi dan mengukur akrurasi pola klasifikasi adalah data data PMB jalur reguler seluruh prodi tahun 2007 – 2009 dengan jumlah data 2436 record. Pendekatan tenfold cross-validation akan membagi jumlah data 10 bagian. Berikut ini disajikan pembagian data untuk setiap fold :

Tabel 5.5 Pembagian data untuk setiap fold

Fold Pembagian Data

Fold 1 244 Fold 2 244 Fold 3 244 Fold 4 244 Fold 5 244 Fold 6 244 Fold 7 244 Fold 8 243 Fold 9 243 Fold 10 243

Dalam penelitian ini untuk membuktikan hasil pengukuran tingkat akurasi dan menganalisis pola klasifikasi dalam bentuk pohon keputusan digunakan

tenfold cross-validation dengan metode Confusion Matrix. Berikut ini merupakan analisis hasil program dengan menggunakan tenfoldcross-validation :

Pada iterasi 1, fold 1 menjadi data data uji sedangkan fold 2- 10 menjadi data pelatihan

106

Tabel 5.6 Tabel Confusion Matrix untuk Pengujian pada Fold 1

Berdasarkan confusion matrix untuk data uji pada fold 1, dapat dihitung : a. Jumlah total record adalah 244.

b. Record yang dapat diklasifikasikan dengan benar berjumlah 141, didapat dari jumlah nilai diagonal tabel.

a. Record yang gagal diklasifikasikan dengan benar berjumlah 103, didapat dari jumlah total record dikurangi jumlah record yang dapat diklasifikasikan dengan benar.

Dalam penelitian ini untuk iterasi 2, 3 ,4 ,5 ,6 ,7 ,8 ,9 dan 10 terlampir pada lampiran 7.

Dari 10 iterasi dengan menggunakan cross-validation, terdapat 1377 record yang dapat diklasifikasikan dengan benar, dan 1059 record yang gagal diklasifikasikan dengan benar. Berikut ini adalah tabel setiap pengujian pada setiap fold .

Kelas Hasil Prediksi

total SISIP_ PROGRAM TIDAK_ SISIP_ PROGRAM NULL Kelas sebenarnya SISIP_ PROGRAM 7 9 10 26 TIDAK_SISIP_ PROGRAM 13 134 71 218 NULL 0 0 0 0 Total 20 143 81 244

107

Tabel 5.7 Pengukuran Akurasi Menggunakan 10-fold Cross Validation

Dari tabel 5.15, dapat diketahui tingkat akurasi dari seluruh pengujian menggunakan metode cross-validation merupakan jumlah record yang dapat diklasifikasikan dengan benar dari semua iterasi dibagi dengan jumlah data keseluruhan kemudian dikali 100 %.

Peng ujian Data Uji (Fold) Data Pelatihan (Fold) Total Data Pelati han (Fold) Jumlah Data Yang Diklasifika sikan Benar Jumlah Data Yang Diklasifi kasikan Salah Akurasi 1 1 2, 3, 4, 5, 6 ,7 , 8, 9, 10 244 141 103 57.78689 % 2 2 1, 3, 4, 5, 6 ,7 , 8, 9, 10 244 146 98 59.836067 % 3 3 1, 2, 4, 5, 6 ,7 , 8, 9, 10 244 131 113 53.688526 % 4 4 1, 2, 3, 5, 6 ,7 , 8, 9, 10 244 139 105 56.96721 % 5 5 1, 2, 3, 4, 6 ,7 , 8, 9, 10 244 133 111 54.508198 % 6 6 1, 2, 3, 4, 5 ,7 , 8, 9, 10 244 138 106 56.557377 % 7 7 1, 2, 3, 4, 5 ,6 , 8, 9, 10 244 135 108 55.555557 % 8 8 1, 2, 3, 4, 5 ,6 , 7, 9, 10 243 140 103 57.61317 % 9 9 1, 2, 3, 4, 5 ,6 , 7, 8, 10 243 139 104 57.20165 % 10 10 1, 2, 3, 4, 5 ,6 , 7, 8, 9 243 135 108 55.555557 % Total 1377 1059 Rata -rata Akur asi 56,527096 %

108

V.2 Presentasi Pengetahuan

Hasil dari evaluasi pola didapat bahwa mahasiswa Universitas Sanata Dharma (USD) dari Penerimaan Mahasiswa Baru (PMB) jalur reguler periode 2007 - 2009 yang berasal dari daerah Mimika memiliki presentase sisip program sebesar 75 %. Dimana presentase sisip program tersebut paling besar diantara presentase sisip program mahasiswa yang berasal dari daerah lainya. Selain itu terdapat juga data mahasiswa yang memiliki presentase sisip program cukup besar yaitu 70 % , dimana mahasiswa tersebut berasal dari daerah Okbibab. Sehingga dapat disimpulkan bahwa mahasiswa yang berasal dari propinsi Papua memiliki tingkat kecenderungan sisip program lebih tinggi.

109

BAB VI

PENUTUP

VI.1.Kesimpulan

Kesimpulan yang diperoleh dari penyelesaian penelitian tugas akhir ini adalah sebagai berikut :

1. Algoritma RDT berhasil diimplementasikan untuk mengenali pola klasifikasi mahasiswa yang terkena sisip program.

2. Dalam penelitian ini hasil keluaran yang dihasilkan dari proses RCA berupa atribut-atribut yang menjadi pembeda diantara atribut yang lainya. Atribut- atribut tersebut meliputi tahun, programStudi, jenisKelamin, asalKabupaten, penalaran verbal (pv), penalaran mekanik (pm), hubungan ruang (hr), bahasa inggris (bi), gelombang, asal SMA dan status.

3. Dalam penelitian ini hasil keluaran dari proses pembentukan aturan berupa pola klasifikasi dalam bentuk pohon keputusan yang dapat digunakan untuk mengklasifikasikan mahasiswa yang terkena sisip program. Dari pohon keputusan yang terbentuk menghasilkan 1258 pola dari 2192 record data, dimana 227 pola memiliki nilai atribut keputusan SISIP_PROGRAM dan 1031 pola memiliki nilai atribut keputusan TIDAK_SISIP_PROGRAM.

4. Dari pohon keputusan yang terbentuk Atribut asal SMA menjadi simpul akar karena memiliki gain ratio paling besar diantara atribut lainya. 5. Tingkat Akurasi yang didapat dari proses pengukuran menggunakan 10-

fold Cross Validation adalah 56,527096 %.

6. Dari hasil pola klasifikasi, diperoleh pola yang menarik dimana terdapat tujuh SMA yang memiliki presentase sisip program >= 10 % , dari tujuh SMA tersebut bahkan terdapat dua SMA yang memiliki presentase sisip program >=50 % dan keduanya berasal dari propinsi Papua.

110

VI.2.Saran

Saran yang diberikan untuk peneliti selanjutnya adalah sebagai berikut :

1. Sistem mampu menerima masukan tidak hanya file yang berekstensi .csv saja, tetapi juga diharapkan dapat menerima masukan file seperti .xls.

2. Sistem dapat bersifat dinamis dalam menerima masukan dengan jumlah atribut yang bervariasi dan terdapat fitur untuk memilih atribut yang digunakan sebagai atribut kondisional maupun atribut keputusan. 3. Untuk meningkatkan akurasi dari sistem dapat dicoba dilakukan proses

111

DAFTAR PUSTAKA

Han, Jiawei dan Kamber, Micheline. 2006. Data Mining Concept and Techniquies Second Edition. San Francisco: Morgan Kaufmann Publishers.

Hvidsten, Torgeir R. 2006. A tutorial-based guide to the ROSETTA system : A Rough Set Toolkit for Analysis of Data.

Kuatra, Kristianingsih. 2011. Pencarian Pola Klasifikasi Mahasiswa yang Tidak Memenuhi Sisip Program Berdasarkan Nilai Tes Masuk Penerimaan Mahasiswa Baru dan Latar Belakang Mahasiswa Universitas Sanata Dharma dengan menggunakan Algoritma C4.5. Naskah Skripsi yang tidak diterbitkan, Yogyakarta : Universitas Sanata Dharma.

Kusrini dan luthfi, EmhaTaufiq, 2009, Algoritma Data Mining,Penerbit Andi, Yogyakarta.

Lee S, Finn dan Santana, Juan. 2010. Data Mining: Meramalkan Bisnis Perusahaan, Jakarta: PT Elex Media Komputindo.

Mitra, Sushmita dan Acharya, Tinku. 2003. Data Mining: Multimedia, Soft Computing, and Bioinformatics. Canada: Wiley- Interscience.

Pawlak, Z. 1982. “Rough Sets.” Int J. of Computer and Information Sciences, 11 (5) : 341.

Said, Fairuz. El. 2009. Data Mining – Konsep Pohon Keputusan. http://fairuzelsaid.wordpress.com/2009/11/24/data-mining-konsep-pohon- keputusan/, diunduh tanggal 21 juli 2011.

Sucahyo, Yudho Giri. 2003. Data Mining Menggali Informasi yang Terpendam.http://ilmukomputer.com/populer/yudhodatamining.php,

diakses tanggal 19 juli 2011.

Supranto, Johanes. 1992, Sampling Untuk Pemeriksaan. Jakarta: Universitas Indonesia (UI-Press).

Susilo Frans. 2006. Himpunan Kasar, Makalah disajikan dalam seminar Rumpun MIPA Universitas Sanata Dharma (29 Maret 2006).

Suwardiyana..2009..Perencanaan Pembelajaran.. http:.//suwardiyanaprofesi. wordpress. com/, diakses tanggal 18 Juli 2011.

Trihendradi, C. 2005. Step by Step SPSS 13: Analisis Data Statistik. Andi, Yogyakarta.

112

Turban Efraim., R. Kelly Rainer, JR., Richard E.Potter. 2005, Introduction to Information Technology Pengantar Teknologi Informasi,Jakarta: Salemba

Infotek.

Yellasiri, Ramadevi. et al. 2008 . “Reduct Based Decision Tree (RDT).” IJCSES International Jurnal of Computer Sciences and Engineering System.

113

114

LAMPIRAN 1 SELEKSI DATA

Lampiran ini akan menampilakan contoh proses seleksi data untuk tabel 3.6 menggunakan proses Reduct Computation Algoritm (RCA) yang ada pada algoritma RDT. Sebelum dilakukan proses memasuki proses Reduct Computation Algoritm (RCA) atribut penalaran verbal, kemampuan numerik, penalaran mekanik dan hubungan ruang pada tabel 3.5 harus melalui proses transformasi terlebih dahulu. Berikut ini merupakan contoh perhitungan transformasi dari data tabel 3.5 :

a. Transformasi nilai penalaran verbal (pv)

 nilai rata-rata pv ( X pv) = 5.8421

 standar deviasi (σ pv) = 1.7082

b. Transformasi nilai kemampuan numerik (kn)

 nilai rata-rata kn ( X kn) = 4.0

 standar deviasi (σ kn) = 1.885

Interval Ketentuan Nilai Interval

D _{pv <}_X pv – 1.96 * σpv / n pv ˂ 5.073999605 C _X pv – 1.96 * σpv / n≤ pv ˂ X pv 5.073999605 ≤ pv ˂ 5.8421 B _X pv ≤ pv ˂ X pv + 1.96 * σpv / n 5.8421 ≤ pv ˂ 6.610200395 A _{pv ≥}_X pv + 1.96 * σpv / n pv ≥ 6.610200395

Interval Ketentuan Nilai Interval

D _{kn <}_X kn – 1.96 * σkn / n kn ˂ 3.15240063 C _X kn – 1.96 * σkn / n≤ kn˂ X kn 3.15240063 ≤ kn ˂ 4.0 B _X kn ≤ kn ˂ X kn + 1.96 * σkn / n 4.0 ≤ kn ˂ 4.84759937 A _kn_≥_X kn + 1.96 * σkn / n kn ≥ 4.84759937

115

c. Transformasi nilai penalaran mekanik (pm)

 nilai rata-rata pm ( X pm) = 6.1578

 standar deviasi (σpm) = 1.9794

d. Transformasi nilai hubungan ruang (hr)

 nilai rata-rata hr ( X hr) = 4.5789

 standar deviasi (σhr) = 2.09

e. Transformasi nilai bahasa inggris (bi)

 nilai rata-rata hr (X bi) = 5.0526

 standar deviasi (σbi) = 2.6765

Interval Ketentuan Nilai Interval

D _{pm < X} pm – 1.96 * σpm / n pm ˂ 5,267753213 C _X pm – 1.96 * σpm / n ≤ pm ˂ X pm 5,267753213 ≤ pm ˂ 6.1578 B _X pm ≤ pm˂ X pm + 1.96 * σpm / n 6.1578 ≤ pm ˂ 7.047846787 A _pm_≥_X pm + 1.96 * σpm / n pm ≥ 7.047846787

Interval Ketentuan Nilai Interval

D _{hr < X} hr – 1.96 * σhr / n hr ˂ 3,639121388 C _X hr – 1.96 * σhr / n ≤ hr ˂ X hr 3,639121388 ≤ hr ˂ 4.5789 B _X hr ≤ hr ˂ X hr + 1.96 * σhr / n 4.5789 ≤ hr ˂ 5,518678612 A _hr_≥_X hr + 1.96 * σhr / n hr ≥ 5,518678612

Interval Ketentuan Nilai Interval

D _{bi <}_X bi – 1.96 * σbi / n bi ˂ 3,849098825 C _X bi – 1.96 * σbi/ n ≤ bi ˂ X bi 3,849098825 ≤ bi˂ 5.0526 B _X bi ≤ bi ˂ X bi + 1.96 * σbi / n 5.0526 ≤ bi˂ 6,256101175 A _bi_≥_X bi + 1.96 * σbi / n bi ≥ 6,256101175

116

Berikut ini diberikan contoh data sebelum proses transformasi :

tahun ProgramStudi (PS) JenisKelamin (JS) AsalKabupaten (AK) pv kn pm hr bi Pilihan (P) 2008 PEND._GURU_SEKOLAH_DASAR_(S1) Laki-Laki Sleman 5 2 5 4 4 pilihan_1 2007 ILMU_SEJARAH Laki-Laki Banjarmasin 6 3 5 3 3 pilihan_3

2010 AKUNTANSI Perempuan Kebumen 7 4 4 5 5 pilihan_1

2010 TEKNIK_MESIN Laki-Laki Sanggau 4 1 8 2 1 pilihan_1 2007 PEND._AKUNTANSI Perempuan Sleman 6 3 2 6 1 pilihan_1 2010 TEKNIK_MESIN Laki-Laki Magelang 7 6 7 7 6 pilihan_2 2009 PEND._SEJARAH Perempuan Purbalingga 2 2 5 4 6 pilihan_2 2008 PEND._GURU_SEKOLAH_DASAR_(S1) Perempuan Cilacap 6 3 8 2 6 pilihan_1 2010 PEND._EKONOMI Laki-Laki Sleman 2 2 5 1 1 pilihan_2 2010 PEND._MATEMATIKA Laki-Laki Tulang_Bawang 7 3 8 6 5 pilihan_1 2007 PEND._BAHASA_INGGRIS Laki-Laki Manggarai 7 3 3 2 8 pilihan_1 2009 PEND._BAHASA_INGGRIS Perempuan Kebumen 6 5 8 7 8 pilihan_1

2009 MANAJEMEN Laki-Laki Sleman 4 3 5 2 1 pilihan_2

2007 FARMASI Perempuan Yogyakarta 8 8 7 7 7 pilihan_1 2009 PEND._BAHASA_INGGRIS Laki-Laki Sleman 7 6 6 5 8 pilihan_1 2009 PEND._BAHASA_INGGRIS Perempuan Magelang 7 6 9 6 8 pilihan_1 2009 PEND._GURU_SEKOLAH_DASAR_(S1) Laki-Laki Sleman 7 6 7 8 8 pilihan_1 2007 PEND._AKUNTANSI Laki-Laki Sleman 6 4 9 5 3 pilihan_1 2009 PEND._BAHASA_INGGRIS Laki-Laki Kulonprogo 7 6 6 5 7 pilihan_1

Diterima (D) JenisSMA (JS) Asal SMA (AS)

Gelombang_2 SMU/MA_IPS SMA_SANTO_ALBERTUS_YOGYAKARTA Gelombang_3 SMU/MA_IPS SMA_K_SANTO_MIKAEL_WARAK Gelombang_3 SMU/MA_IPS SMA_N_1_PEJAGOAN

Gelombang_1 SMK_(TEKNIK/STM) SMK_N_1_PARINDU

Gelombang_2 SMU/MA_IPS SMA_SEDES_SAPIENTIAE_JAMBU Gelombang_1 SMU/MA_IPA SMA_N_1_SLEMAN

Gelombang_3 SMU/MA_IPS SMA_N_2_PURBALINGGA Gelombang_2 SMU/MA_IPS SMA_PANGUDI_LUHUR_SEDAYU Gelombang_1 SMU/MA_IPS SMA_PANGUDI_LUHUR_SEDAYU Gelombang_2 SMU/MA_IPS SMA_PANGUDI_LUHUR_SEDAYU

Gelombang_1 SMU/MA/BUDAYA/BAHASA SMA_K_SANTO_IGNATIUS_LOYOLA_LABUAN_BAJO Gelombang_1 SMU/MA_IPA SMA_N_1_KARANGANYAR

Gelombang_2 SMU/MA_IPS SMA_N_1_GODEAN Gelombang_1 SMU/MA_IPA SMA_N_8_YOGYAKARTA Gelombang_1 SMU/MA_IPS SMA_N_9_YOGYAKARTA Gelombang_1 SMU/MA_IPS SMA_TARAKANITA_MAGELANG Gelombang_2 SMU/MA_IPA SMA_PANGUDI_LUHUR_SEDAYU Gelombang_2 SMU/MA_IPS SMA_PANGUDI_LUHUR_SEDAYU Gelombang_1 SMU/MA_IPA SMA_PANGUDI_LUHUR_SEDAYU

117

Keterangan SMA (KS) Asal Kabupaten SMA (AKS) status

swasta Sleman SISIP_PROGRAM

negeri Kebumen SISIP_PROGRAM

swasta Sanggau SISIP_PROGRAM

swasta Semarang SISIP_PROGRAM

negeri Sleman SISIP_PROGRAM

negeri Purbalingga SISIP_PROGRAM

swasta Bantul SISIP_PROGRAM

swasta Manggarai TIDAK_SISIP_PROGRAM

negeri Kebumen TIDAK_SISIP_PROGRAM

negeri Sleman TIDAK_SISIP_PROGRAM

negeri Yogyakarta TIDAK_SISIP_PROGRAM

swasta Magelang TIDAK_SISIP_PROGRAM

swasta Bantul TIDAK_SISIP_PROGRAM

Data diatas setelah melalui proses transformasi data diurutkan secara ascending sesuai dengan atribut keputusan yaitu atribut status. Hasil transformasi data ditunjukkan pada tabel berikut ini :

tahun ProgramStudi (PS)

JenisKelamin (JS)

AsalKabupaten

(AK) pv kn pm hr bi X1 _{2008 PEND._GURU_SEKOLAH_DASAR_(S1) Laki-Laki} _Sleman _D _D _D _C _C X2 2007 ILMU_SEJARAH Laki-Laki Banjarmasin B D D D D

X3 2010 AKUNTANSI Perempuan Kebumen A B D B C

X4 _{2010 TEKNIK_MESIN} _Laki-Laki _Sanggau _D _D _A _D _D

X5 _{2007 PEND._AKUNTANSI} _Perempuan _Sleman _B _D _D _A _D

X6 2010 TEKNIK_MESIN Laki-Laki Magelang A A B A B

X7 2009 PEND._SEJARAH Perempuan Purbalingga D D D C B X8 2008 PEND._GURU_SEKOLAH_DASAR_(S1) Perempuan Cilacap B D A D B

X9 _{2010 PEND._EKONOMI} _Laki-Laki _Sleman _D _D _D _D _D

X10 2010 PEND._MATEMATIKA Laki-Laki Tulang_Bawang A D A A C X11 2007 PEND._BAHASA_INGGRIS Laki-Laki Manggarai A D D D A

118

Pilihan (P) Diterima (D) Jenis SMA (JS) Asal SMA (AS)

pilihan_1 Gelombang_2 SMU/MA_IPS SMA_SANTO_ALBERTUS_YOGYAKARTA pilihan_3 Gelombang_3 SMU/MA_IPS SMA_K_SANTO_MIKAEL_WARAK pilihan_1 Gelombang_3 SMU/MA_IPS SMA_N_1_PEJAGOAN

pilihan_1 Gelombang_1 SMK_(TEKNIK/STM) SMK_N_1_PARINDU

pilihan_1 Gelombang_2 SMU/MA_IPS SMA_SEDES_SAPIENTIAE_JAMBU pilihan_2 Gelombang_1 SMU/MA_IPA SMA_N_1_SLEMAN

pilihan_2 Gelombang_3 SMU/MA_IPS SMA_N_2_PURBALINGGA pilihan_1 Gelombang_2 SMU/MA_IPS SMA_PANGUDI_LUHUR_SEDAYU pilihan_2 Gelombang_1 SMU/MA_IPS SMA_PANGUDI_LUHUR_SEDAYU pilihan_1 Gelombang_2 SMU/MA_IPS SMA_PANGUDI_LUHUR_SEDAYU

pilihan_1 Gelombang_1 SMU/MA/BUDAYA/BAHASA SMA_K_SANTO_IGNATIUS_LOYOLA_LABUAN_BAJO pilihan_1 Gelombang_1 SMU/MA_IPA SMA_N_1_KARANGANYAR

pilihan_2 Gelombang_2 SMU/MA_IPS SMA_N_1_GODEAN pilihan_1 Gelombang_1 SMU/MA_IPA SMA_N_8_YOGYAKARTA pilihan_1 Gelombang_1 SMU/MA_IPS SMA_N_9_YOGYAKARTA pilihan_1 Gelombang_1 SMU/MA_IPS SMA_TARAKANITA_MAGELANG pilihan_1 Gelombang_2 SMU/MA_IPA SMA_PANGUDI_LUHUR_SEDAYU pilihan_1 Gelombang_2 SMU/MA_IPS SMA_PANGUDI_LUHUR_SEDAYU pilihan_1 Gelombang_1 SMU/MA_IPA SMA_PANGUDI_LUHUR_SEDAYU

Ketengan SMA (KS) Asal Kabupaten SMA (AKS) Status

swasta Sleman SISIP_PROGRAM

negeri Kebumen SISIP_PROGRAM

swasta Sanggau SISIP_PROGRAM

swasta Semarang SISIP_PROGRAM

negeri Sleman SISIP_PROGRAM

Dalam dokumen Implementasi algoritma reduct based decision tree untuk mengenali pola klasifikasi mahasiswa yang terkena sisip program. (Halaman 116-200)