commit to user Expression
4.4.3. Implementasi Pe mbuatan Report OLAP
Dalam pembuatan report OLAP sesuai dengan kebutuhan yang diinginkan. Pembuatan report OLAP ini menggunakan tool Sharepoint 2010.
commit to user
Gambar 4.63 Penggunaan OLAP Dalam Sharepoint
Gambar 4.63 merupakan tampilan dalam pembuatan report OLAP menggunakan sharepoint yang terbagi menjadi beberapa bagian yaitu :
1. Bagian A adalah data connections OLAP yang akan digunakan untuk membuat report.
2. Bagian B adalah Performancepoint yang dapat diisi tabel atau grafik sesuai dengan kebutuhan report.
3. Bagian C adalah Details yang berisi tabel fakta dan dimensi yang berasal dari data connections OLAP.
4. Bagian D adalah Rows dan Colomn dimana pada bagian ini nanti akan diisi tabel fakta dan dimensi pada bagian C sesuai dengan kebutuhan report. 5. Bagian E adalah design tampilan hasil dari bagian D yang sudah diisi. Pada
bagian E ini dapat berupa grafik atau tabel sesuai dengan kebutuhan report. Berikut ini merupakan hasil dari tampilan laporan sesuai dengan fungsi sistem:
a. Melihat jumlah mahasiswa dari dimensi fakultas, prodi, tahun masuk, provinsi dan kabupaten seperti pada Gambar 4.64
commit to user
Gambar 4.64 Dashboard Laporan Alamat Mahasis wa
b. Melihat jumlah mahasiswa dari dimensi fakultas, prodi, tahun masuk dan asal SMTA seperti pada Gambar 4.65
Gambar 4.65 Dashboard Laporan Asal SMTA Mahasiswa
c. Melihat jumlah mahasiswa dari dimensi fakultas, prodi, tahun masuk dan gender seperti pada Gambar 4.66
commit to user
Gambar 4.66 Dashboard Laporan Gender Mahasiswa
d. Melihat jumlah lulusan dari dimensi fakultas, prodi, tahun wisuda, provinsi dan kabupaten seperti pada Gambar 4.67
Gambar 4.67 Dashboard Laporan Alamat Lulusan
e. Melihat jumlah lulusan dari dimensi fakultas, prodi, tahun wisuda dan asal SMTA seperti pada Gambar 4.68
commit to user
f. Melihat jumlah lulusan dari dimensi fakultas, prodi, tahun wisuda dan gender seperti pada Gambar 4.69
Gambar 4.69 Dashboard Laporan Gender Lulusan
g. Melihat jumlah lulusan dari dimensi fakultas, prodi, tahun wisuda dan status seperti pada Gambar 4.70
Gambar 4.70 Dashboard Laporan Status Lulusan
h. Melihat profil IPK lulusan yang terdiri dari nilai ipk minimal, ipk maksimal, rata-rata IPK dan persentase IPK yang dilihat dari dimensi fakultas, prodi dan tahun wisuda seperti pada Gambar 4.71
commit to user
Gambar 4.71 Dashboard Laporan Profil IPK
i. Melihat profil lama studi lulusan yang terdiri dari lama studi terlama, lama studi tercepat, rata-rata lama studi dan persentase lama studi yang dilihat dari dimensi fakultas, prodi, angkatan dan tahun wisuda seperti pada Gambar 4.42
Gambar 4.72 Dashboard Laporan Profil Lama Studi
j. Melihat data calon mahasiswa baru dari dimensi fakultas, prodi, tahun dan SMTA seperti pada Gambar 4.73
commit to user
Gambar 4.73 Dashboard Laporan asal SMTA Camaba
k. Melihat data calon mahasiswa baru dari dimensi fakultas, prodi, tahun dan gender seperti pada Gambar 4.74
Gambar 4.74 Dashboard Laporan Gender Camaba
l. Melihat data calon mahasiswa baru dari dimensi fakultas, prodi, tahun dan agama seperti pada Gambar 4.75
commit to user
m. Melihat data calon mahasiswa baru dari dimensi fakultas, prodi, tahun, jumlah pilihan 1, jumlah pilihan 2, jumlah pilihan 3, total camaba yang melakukan registrasi seperti pada Gambar 4.76
Gambar 4.76 Dashboard Laporan Pilihan Camaba
n. Melihat data beban sks dosen dari dimensi fakultas, prodi, dosen dan tahun ajaran seperti pada Gambar 4.77
Gambar 4.77 Dashboard Laporan Beban SKS Dosen
o. Melihat data pemakaian ruang dari dimensi fakultas, prodi, ruang, tahun ajaran dan semester seperti pada Gambar 4.78
commit to user
Gambar 4.78 Dashboard Laporan Pe makaian Ruang
p. Melihat nilai IP mahasiswa dari dimensi fakultas, prodi, NIM, tahun ajaran dan semester seperti pada Gambar 4.79
Gambar 4.79 Dashboard Laporan Nilai IP Mahasis wa 4.4.4. Implementasi K-means Clustering
K-means clustering digunakan untuk mengelompokkan data-data alumni UNS sesuai dengan attribute yang digunakan. Dalam penggunaan K-means ini attribute yang digunakan adalah lama studi dan nilai IPK setiap alumni UNS.
Dalam penelitian ini, data yang digunakan untuk melakukan clustering adalah data alumni jurusan S1 Informatika Fakultas MIPA dari tahun lulus 2013 sampai 2014 dengan jumlah cluster sebanyak 3 buah.
Berikut ini adalah perhitungan K-means menggunakan sample data seperti pada Tabel 4.10:
commit to user
Tabel 4.10 Sample Data K-means
NIM_LULUSAN LAMA_STUDI IPK
M0509006 4.5 3.22
1. Langkah pertama dalam proses perhitungan ini adalah menentukan k cluster yang diinginkan yaitu 3 buah.
2. Langkah kedua adalah menentukan centroid setiap cluster. a. Pusat cluster 1 (4.48 ; 3.17)
b. Pusat cluster 2 (4.29 ; 3.43) c. Pusat cluster 3 (4.10 ; 3.69)
3. Langkah ketiga adalah menghitung jarak obyek ke pusat cluster (centriod). Tabel 4.11 merupakan hasil perhitungan jarak obyek ke pusat cluster (centriod).
P1(xi j) = 4.5 4.48 2+ 3.22 3.17 2 = 0.0004 + 0.0025
= 0.053852
Tabel 4.11 Hasil perhitungan jarak obyek ke centroid
Pusat Lama Studi IPK Jarak
P1 4.48 3.17 0.053852
P2 4.29 3.43 0.296985
P3 4.10 3.69 0.617171
4. Kemudian data dikelompokkan berdasarkan jarak minimum obyek ke pusat cluster. Tabel 4.11 merupakan tabel hasil perhitungan jarak obyek ke pusat cluster. Dari tabel tersebut diketahui bahwa jarak terdekat sample data adalah dengan pusat cluster 1 (P1) sehingga sample data masuk kedalam kelompok cluster 1.
5. Selanjutnya dilakukan pengecekan kelompok data sample terhadap kelompok data sebelumnya, apabila data mengalami perubahan cluster maka nilai centriod akan diperbarui dimana nilai centroid yang baru diperoleh dari rata-rata kelompok cluster yang sama. Kemudian kembali ke langkah nomer 3.
1 = 1 1
commit to user
=18 .244 = 4.56 1 = 1 1=
3.22 +3.06 +3.05+3.364 =12.694 = 3.173Tabel 4. 12 Hasil Perhitungan Pusat Cluster Baru
Pusat Lama Baru
P1 (4.48 ; 3.17) (4.56 ; 3.173)
P2 (4.29 ; 3.43) (4.29 ; 3.405)
P3 (4.10 ; 3.69) (4.11 ; 3.660)
Jika sudah tidak ada lagi data yang berpindah kelompok pada masing-masing cluster maka proses dinyatakan selesai.
Berikut adalah report hasil dari proses k- means clustering : a. Chart hasil clustering
Gambar 4.80 Chart hasil K-means Clustering
Pada Gambar 4.80 diatas merupakan tampilan hasil clustering yang ditampilkan dalam bentuk chart. Dalam chart tersebut terdapat pusat cluster dan data-data yang telah dikelompokkan. Setiap warna dalam chart tersebut menunjukkan sebuah kelompok. Warna biru menunjukkan
commit to user
kelompok 1, warna hijau menunjukkan kelompok 2, sedangkan warna merah menujukkan kelompok 3.
b. Pusat Cluster Terakhir
Gambar 4.81 Hasil Pusat Cluster
Dari pusat cluster pada Gambar 4.81 tersebut, terlihat bahwa kelompok 1 merupakan kelompok yang buruk karena mempunyai IPK paling rendah dan lama studi paling lama. kemudian kelompok 2 merupakan kelompok biasa/sedang. Sedangkan kelompok 3 merupakan kelompok yang paling bagus karena mempunyai lama studi paling cepat dan IPK paling tinggi.
c. Dimensi IPK
Gambar 4.82 Dimensi IPK Hasil Clustering
Pada Gambar 4.82 merupakan tampilan hasil clustering dimensi IPK lulusan. Dalam tabel tersebut data yang ada dalam masing- masing kelompok akan ditampilkan sesuai dengan isi dimensi IPK lulusan yang terbagi menjadi 3 yaitu rentang IPK 2.00 sampai 2.75, IPK 2.76 sampai 3.50 dan IPK 3.51 sampai 4.00.