Pengertian kurikulum mayor minor adalah kurikulum berbasis kompetensi dimana setiap mahasiswa mengikuti pendidikan dalam salah satu mayor sebagai bidang keahlian (kompetensi) utama dan dapat mengikuti pendidikan dalam salah satu bidang minor sebagai bidang keahlian (kompetensi) pelengkap. Dasar penerimaan mahasiswa pada program mayor pilihannya adalah :
1. Prestasi akademik yang memenuhi persyaratan yang telah ditetapkan IPB. 2. Kemampuan memenuhi syarat khusus
yang ditentukan oleh mayor yang menjadi pilihan mahasiswa tersebut.
3. Daya tampung mayor yang
bersangkutan.
(Panduan Program Sarjana 2006).
Indeks Prestasi (IP)
Penilaian keberhasilan studi semester dilakukan pada tiap akhir semester. Penilaian ini meliputi semua mata kuliah yang direncanakan oleh mahasiswa dalam KRS. Rumus perhitungan Indeks Prestasi (IP) adalah sebagai berikut :
n i i n i i i k k N IP 1 1dengan IP = Indeks Prestasi n = banyaknya mata kuliah Ni = Nilai mutu mata kuliah i ki = bobot sks mata kuliah i (Panduan Program Sarjana 2004)
Hubungan Data Mining dan Knowledge
Data Discovery (KDD)
Data miningsecara garis besar dapat dibagi menjadi dua, yaitu data mining terkait dengan pendugaan suatu nilai (predictive data mining) dan data mining terkait dengan deskripsi data (descriptive data mining). Pada umumnya metodologi yang sering
PENDAHULUAN
Latar BelakangInstitut Pertanian Bogor (IPB) adalah perguruan tinggi negeri pertama yang mempelopori jalur masuk melalui PMDK (Penelusuran Minat dan Kemampuan) atau yang dikenal dengan jalur USMI (Undangan Seleksi Masuk IPB). Persentase mahasiswa USMI yang lebih besar dibandingkan mahasiswa dari jalur lain, berdampak pada besarnya pengaruh mahasiswa USMI terhadap prestasi akademik IPB secara keseluruhan. Sehingga untuk meningkatkan prestasi IPB, panitia penerimaan mahasiswa baru IPB haruslah selektif memilih calon mahasiswa yang memiliki potensi akademik yang baik.
Penelitian ini secara garis besar ingin mengetahui apa yang menjadi penciri keberhasilan mahasiswa jika dilihat dari nilai SMU dikaitkan dengan prestasinya satu tahun pertama di Tingkat Persiapan Bersama (TPB), kemudian pengaruh prestasi setelah lulus TPB dikaitkan prestasi setelah masuk departemen pilihan. Dalam penelitian ini akan digunakan suatu metode yang dapat menggali informasi dari sekumpulan data yang besar, atau sering disebut Data Mining. Data mining (penambangan data), sesuai dengan namanya, berkonotasi sebagai pencarian informasi yang
berharga dari basis data yang sangat besar. Menurut Kantardzic (2003), Data Mining
adalah suatu proses dalam menemukan berbagai model, ringkasan data, dan nilai-nilai yang berharga dari sekumpulan data. Pada dasarnya data mining bukanlah suatu hal yang baru, yang membuatnya baru adalah pendekatannya dari berbagai disiplin ilmu dan teknologi yang digunakan.
Pada penelitian kali ini, beberapa metode data mining digunakan untuk proses pencarian informasi dari data USMI (Undangan Seleksi Masuk IPB) program mayor minor angkatan 42 dan 43 (tahun masuk 2005 dan 2006). Mahasiswa IPB angkatan 42 dan 43 adalah mahasiswa yang mengikuti sistem dimana ketika diterima di IPB, mahasiswa yang bersangkutan belum memilih departemen. Mahasiswa baru memilih departemen setelah lulus dari TPB dengan nilai IPK minimum 2.00. Data USMI dalam penelitian ini terdiri dari 3281 record data mahasiswa dengan 28 peubah.
Tujuan
Penelitian ini bertujuan untuk :
1. Memberikan informasi berharga yang dapat dijadikan masukan IPB dalam meningkatkan kualitas mahasiswa USMI
2. Mengeksplorasi data USMI program mayor minor angkatan 42 dan 43. 3. Melihat hubungan antara latar belakang
mahasiswa dengan nilai akademik selama di TPB.
4. Mengetahui hubungan antara nilai akademik mata kuliah di TPB dan prestasinya setelah masuk departemen.
TINJAUAN PUSTAKA
Program Kurikulum Mayor MinorPengertian kurikulum mayor minor adalah kurikulum berbasis kompetensi dimana setiap mahasiswa mengikuti pendidikan dalam salah satu mayor sebagai bidang keahlian (kompetensi) utama dan dapat mengikuti pendidikan dalam salah satu bidang minor sebagai bidang keahlian (kompetensi) pelengkap. Dasar penerimaan mahasiswa pada program mayor pilihannya adalah :
1. Prestasi akademik yang memenuhi persyaratan yang telah ditetapkan IPB. 2. Kemampuan memenuhi syarat khusus
yang ditentukan oleh mayor yang menjadi pilihan mahasiswa tersebut.
3. Daya tampung mayor yang
bersangkutan.
(Panduan Program Sarjana 2006).
Indeks Prestasi (IP)
Penilaian keberhasilan studi semester dilakukan pada tiap akhir semester. Penilaian ini meliputi semua mata kuliah yang direncanakan oleh mahasiswa dalam KRS. Rumus perhitungan Indeks Prestasi (IP) adalah sebagai berikut :
n i i n i i i k k N IP 1 1dengan IP = Indeks Prestasi n = banyaknya mata kuliah Ni = Nilai mutu mata kuliah i ki = bobot sks mata kuliah i (Panduan Program Sarjana 2004)
Hubungan Data Mining dan Knowledge
Data Discovery (KDD)
Data miningsecara garis besar dapat dibagi menjadi dua, yaitu data mining terkait dengan pendugaan suatu nilai (predictive data mining) dan data mining terkait dengan deskripsi data (descriptive data mining). Pada umumnya metodologi yang sering
digunakan dalam data mining adalah analisis klasifikasi (Classification), analisis regresi (Regression), analisis gerombol (Clustering), analisis deskriptif (Summarization), pemodelan kebergantungan (Dependency Modeling), dan pendeteksian perubahan dan deviasi (Change and Deviation Detection).
Pada aplikasinya data mining adalah bagian dari knowledge data discovery (KDD), namun istilah data mining biasanya lebih dikenal para pelaku bisnis. Sebagai komponen dalam KDD, data mining terutama berkaitan dengan ekstraksi dan penghitungan pola-pola dari data yang ditelaah. Secara garis besar, langkah-langkah utama dalam proses KDD adalah:
1. Pemahaman terhadap domain dari aplikasi dan relevansinya terhadap pengetahuan yang ada.
2. Pemilihan himpunan data target atau memfokuskan pada subset variabel atau sampel data dimana penemuan (discovery) akan dilakukan.
3. Pemrosesan pendahuluan (data preparation) dan pembersihan data (data cleaning), operasi dasar seperti penghapusan noise dilakukan.
4. Proyeksi dan pengurangan data (data reduction), pencarian fitur-fitur yang berguna untuk mempresentasikan data bergantung kepada tujuan yang ingin dicapai.
5. Pemilihan tugas data mining dari proses KDD misalnya klasifikasi, regresi, pengelompokkan, dll.
6. Proses data mining, yaitu pencarian pola-pola dari data.
7. Penterjemahan pola-pola yang dihasilkan dari data mining.
(Moertini 2002)
Beberapa teknik statistika yang digunakan dalam penelitian ini antara lain : analisis korelasi Pearson, uji kebebasan chi-square, analisis korespondensi, analisis gerombol, dan analisis korelasi kanonik.
Analisis Korespondensi
Analisis korespondensi merupakan analisis yang menyajikan prosedur grafik untuk merepresentasikan hubungan dari tabel kontingensi atau tabel frekuensi. (Johnson dan Wichern 1982).
Analisis korespondensi diterapkan untuk melihat kedekatan profil dalam suatu peubah kategorik. Plot baris yang berdekatan menunjukkan kategori baris yang memiliki profil yang sama dan plot kolom yang berdekatan menunjukkan kategori kolom yang
memiliki profil yang sama. Matriks korespondensi didefinisikan sebagai berikut : axb
P
= P
ijxn
ij,
i= 1,2,...,I; j=1,2,...,J dimana : axbP
= matriks P berukuran a x b ijP
= elemen matriks P baris ke-i kolom ke-jij
x
= frekuensi sel tabel kontingensi baris ke-i kolom ke-jn
= total frekuensi pada tabel kontingensi Vektor yang unsur-unsurnya merupakan jumlah unsur dari vektor-vektor baris matriks Padalah r = P1;ri> 0, i = 1, 2, .., I sedangkan vektor yang unsur-unsurnya merupakan jumlah unsur dari vektor-vektor kolom matriks P adalah c = P’1;ci> 0, i = 1, 2, .., J. Matriks profil baris didefinisikan sebagai R = Dr-1 P dan matriks profil kolom didefinisikan sebagai C = Dc-1 P’. Untuk mereduksi dimensi data berdasarkan keragaman data (inersia) dengan mempertahankan informasi optimum, diperlukan Penguraian Nilai Singular (PNS). Pada PNS didapat bahwa :P-rc’ = ADμB’
dengan syarat A’ Dr-1A = B’ Dc -1 B = I dimana : A =Dr 1/2 U dan B = Dc 1/2 V
U = Matriks yang elemennya adalah vektor eigen dari matriks TT’
V = Matriks yang elemennya adalah vektor eigen dari matriks T’T
Dμ= Matriks diagonal μ dengan μ2 nilai eigen tak nol
Dr = diag (r) dan Dc = diag (c)
1/2 2 / 1'
D
rP rc D
cT
Maka profil baris matriks R yang posisi relatifnya sama dengan profil baris matriks
R – 1c’ diberikan oleh F = Dr-1ADμ. Sedangkan profil kolom matriks C yang posisi relatifnya sama dengan profil kolom matriks C – 1r’ diberikan oleh G = Dc-1BDμ.
Analisis Gerombol
Analisis gerombol adalah salah satu analisis peubah ganda yang bertujuan untuk mengelompokkan sekumpulan objek ke dalam satu atau lebih gerombol sehingga objek-objek yang berada dalam satu gerombol memiliki homogenitas yang tinggi (within cluster) dan memiliki heterogenitas yang tinggi antar cluster (between cluster) (Santoso,2006).
Proses yang digunakan pada analisis gerombol pertama kali adalah mengukur kesamaan (similarity) antar peubah melalui korelasi dan jarak antar objek. Jika peubah tidak memiliki korelasi yang tinggi, maka digunakan jarak Euclid, yang didefinisikan Johnson dan Wichern (1982) sebagai berikut :
2 1 1 2
p k jk ik ij x x d dimana : ijd
= jarak antar objek ke-i dan objek ke-jik
x
= nilai objek ke-i pada peubah ke-kjk
x
= nilai objek ke-j pada peubah ke-k p = banyaknya peubah yang diamatiSecara umum terdapat dua metode penggerombolan, yaitu metode berhirarki dan metode tak berhirarki. Metode berhirarki dimulai dengan mengelompokkan dua atau lebih objek yang mempunyai kesamaan paling dekat, kemudian proses berlanjut ke objek berikutnya yang memiliki kedekatan kedua. Demikian seterusnya hingga gerombol terlihat membentuk hirarki (tingkatan) yang jelas antar objek. Dendogram biasanya digunakan untuk membantu memperjelas hirarki tersebut. Ada beberapa metode untuk proses penggerombolan secara hirarki, yaitu Single Linkage, Complete Linkage, Average Linkage, Ward’s Method, dan Centroid Method. Sedangkan pada metode tak berhirarki proses dimulai dengan menentukan terlebih dahulu jumlah k, dimana k adalah banyaknya gerombol yang dibentuk. Metode ini biasa disebut dengan K-Means Cluster.
Analisis Korelasi Kanonik
Analisis korelasi kanonik digunakan untuk mengukur tingkat keeratan hubungan antara dua gugus peubah. Pemikiran dasar tentang korelasi kanonik adalah menggunakan kombinasi linear dari dua gugus peubah. Kombinasi linear yang dibentuk oleh X1, X2,..., Xm dan Y1, Y2,...,Yp masing-masing dinyatakan sebagai berikut :
X* = a1X1+ a2X2+ ... + am Xm Y* = b1Y1 + b2Y2 + ... + bp Yp
Dalam bentuk vektor kombinasi linear peubah X dan peubah Y dituliskan Johnson dan Wichern (1982) sebagai berikut :
U = a'X
V = b'Y
Pasangan U dan V disebut peubah kanonik. Jika q minimum di antara m dan p, ditulis q = min (m,p), yang berarti sebanyak q
buah pasangan kombinasi linear yang dibentuk oleh peubah penduga dan peubah respon. Kombinasi linear Uq dan Vq digunakan untuk mencari korelasi kanonik, yakni dengan menentukan pasangan kombinasi linear yang memiliki sifat U1 dan V1 terbesar korelasinya, korelasi U2 dan V2 terbesar kedua dan tidak berkorelasi dengan pasangan kanonik pertama, korelasi U3 dan V3 terbesar ketiga dan tidak berkorelasi dengan pasangan kanonik pertama dan kedua, Demikian seterusnya untuk semua pasangan yang mungkin yang banyaknya adalah q = min (m, p).
Korelasi antara U dan V yang dinyatakan sebagai fungsi a' dan b'
dirumuskan sebagai berikut :
b b a a b a V U Corr YY XX XY ' ' ' , dimana :a
= vektor koefisien pembobot peubah kanonik X'
a
= transpose vektor koefisien pembobot peubah kanonik Xb
= vektor koefisien pembobot peubah kanonik Y'
b
= transpose vektor koefisien pembobot peubah kanonik Y
XY= matriks koragam gugus peubah X dan gugus peubah Y
XX = matriks ragam dari peubah X
YY= matriks ragam dari peubah YDengan menggunakan ketaksamaan
Cauchy Schwarz diperoleh
2 2 2 2
1 ... p
yang merupakan akar ciri (eigenvalues) dari matriks
1/2 1 1/2 XX YX YY XY XX yangberpadanan dengan vektor ciri e1, e2, ..., ep,
selain itu 2 2
2 2
1 ... p
juga merupakan
akar ciri dari matriks
1/2 1 1/2 YY XY XX YX YY yangberpadanan dengan vektor f1, f2, ..., fp. Vektor
a
'danb
'diperoleh dari persamaan berikut :
1/2 XX i i e a
1/2 YY i i f bAkar positif dari eigen value
i 2adalah |