Penetapan Strategi Pemasaran Dengan Pendekatan Model Pohon Keputusan Menggunakan Algoritma Iterative Dichotomizes (ID3) di Perguruan Tinggi Swasta

(1)

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3)

DI PERGURUAN TINGGI SWASTA

TESIS

Oleh

M. S A F I I

097038008 / TIF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

M E D A N

(2)

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3)

DI PERGURUAN TINGGI SWASTA

TESIS

Diajukan sebagai salah satu syarat untuk memperoleh gelar

Magister Komputer dalam Program Studi Magister

Teknik Informatika pada Program Pascasarjana

Fakultas MIPA Universitas Sumatera Utara

Oleh

M. S A F I I

097038008 / TIF

PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

M E D A N

(3)

PENGESAHAN TESIS

Judul Tesis : Penetapan Strategi Pemasaran Dengan

Pendekatan Model Pohon Keputusan Menggunakan Algoritma Iterative

Dichotomizes (ID3) di Perguruan Tinggi Swasta

Nama Mahasiswa : M. SAFII

Nomor Induk Mahasiswa : 097038008

Program Studi : Magister Teknik Informatika

Fakultas : Matematika dan Ilmu Pengetahuan Alam

Universitas Sumatera Utara

Menyetujui Komisi Pembimbing

M. Andri Budiman, ST, M.Comp, Sc.MEM Prof. Dr. Herman Mawengkang

Anggota Ketua

Ketua Program Studi,

(4)

PERNYATAAN ORISINALITAS

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3)

DI PERGURUAN TINGGI SWASTA

TESIS

Dengan ini saya nyatakan bahwa saya mengakui semua karya tesis/disertai ini adalah hasil kerja saya sendiri kecuali kutipan dan ringkasan yang tiap satunya telah di jelaskan sumbernya dengan benar.

Medan, April 2011

M. S A F I I

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan

di bawah ini:

Nama : M. S A F I I

NIM : 097038008

Program Studi : Magister Teknik Informatika

Jenis Karya Ilmiah : TESIS

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada

Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive

Royalty free Right) atas Tesis saya yang berjudul:

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN

MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZER 3 (ID3)

DI PERGURUAN TINGGI SWASTA

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti

Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media,

memformat, mengelola dalam bentuk data_base, merawat dan mempublikasikan

Tesis/Disertasi saya tanpa meminta izin dari saya selama tetap mencantumkan

nama saya sebagai penulis dan sebagai pemegang dan atau sebagai pemilik hak

cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, April 2011

M. S A F I I

(6)

Telah diuji pada

Tanggal : Tanggal Bulan April Tahun 2011

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Herman Mawengkang

Anggota : 1. Prof. Dr. Muhammad Zarlis

2. M. Andri Budiman, ST, M.Comp.Sc, MEM

3. Ade Candra, ST, M.Kom

(7)

RIWAYAT HIDUP

DATA PRIBADI

Nama lengkap berikut gelar : M. Safii, S.Kom

Tempat dan Tanggal Lahir : Pematangsiantar, 10 Juni 1980

Alamat Rumah : Perumahan Sibatu-batu Indah Blok G

No. 11 Pematangsiantar

Telepon/Faks/HP : +6262222431 / +6281361242311

Email : syafii_atb@yahoo.com

Instansi Tempat Bekerja : AMIK Tunas Bangsa Pematangsiantar

Alamat Kantor : Jl. Jend. Sudirman Blok A No.1,2 & 3

Pematangsiantar

Telepon/Faks/HP : +6262222431 / +6227436800

DATA PENDIDIKAN

SD : Negeri No.423195 Tamat : 1992

SMP : Muhammadiyah-19 Tamat : 1995

SMA : Yayasan Perguruan Keluarga Tamat : 1998

STRATA-1 : STMIK Multimedia Prima Tamat : 2005

(8)

KATA PENGANTAR

Alhamdulillah, puji syukur senantiasa kita panjatkan ke hadirat Allah

SWT atas segala limpahan karunia-Nya kepada kita sehingga Tesis ini dapat

diselesaikan. Kami mengucapkan terima kasih yang sebesar-besarnya kepada:

Ketua Yayasan Muhammad Nasir AMIK Tunas Bangsa Pematangsiantar

H.M.Ahmad Ridwan Syah yang telah memberikan ijin, bantuan moril dan materil

dan kesempatan kepada penulis untuk mengikuti pendidikan pada program

pascasarjana FMIPA USU.

Rektor Universitas Sumatera Utara, Prof. Dr. dr. Syahril Pasaribu,

D.T.M.&H, M.Sc.(CTM), Sp.A.(K) atas kesempatan yang diberikan kepada kami

untuk mengikuti dan menyelesaikan pendidikan Program Magister.

Dekan Fakultas MIPA Universitas Sumatera Utara, Dr. Sutarman, M.Sc.

atas kesempatan yang diberikan kepada kami menjadi mahasiswa Program

Magister pada Program Pascasarjana FMIPA Universitas Sumatera Utara.

Ketua Program Studi Magister (S2) Teknik Informatika, Prof. Dr.

Muhammad Zarlis, Sekretaris Program Studi Magister (S2) Teknik Informatika

Mohammad Andri Budiman, ST, M.Comp.Sc, M.E.M beserta seluruh Staff

Pengajar pada Program Studi Magister (S2) Teknik Informatika Program

Pascasarjana Fakultas MIPA Universitas Sumatera Utara.

Terimakasih yang tak terhingga dan penghargaan setinggi-tingginya kami

ucapkan kepada Prof. Dr. Herman Mawengkang selaku Pembimbing Utama yang

dengan penuh perhatian dan telah memberikan dorongan, bimbingan dan arahan,

demikian juga kepada Mohammad Andri Budiman, ST, M.Comp.Sc, M.E.M

selaku Pembimbing Anggota yang dengan penuh kesabaran menuntun dan

membimbing kami hingga selesainya penelitian ini.

Seluruh Staf Pengajar dan Administrasi, Program Studi Magister (S2)

Teknik Informatika Program Pascasarjana Fakultas MIPA Universitas Sumatera

Utara yang telah memberikan bantuan dan pelayanan yang baik kepada penulis

(9)

Kepada Ayahanda Surdi , Ibunda Asri, Bapak / Ibu Mertua dan isteri

tersayang Widya Astuti beserta kedua anak tercinta Sasha Aiko Leana dan Akilah

Aish, terimakasih atas segala pengorbanan berupa moril maupun materil, budi

baik ini tidak dapat dibalas hanya diserahkan kepada Allah SWT, Tuhan Yang

maha Esa.

Seluruh Mahasiswa Angkatan Pertama Program Studi Magister (S2)

Teknik Informatika Komputer FMIPA Universitas Sumatera Utara dan Rekan

Sejawat di AMIK Tunas Bangsa Pematangsiantar yang telah banyak membantu

penulis selama mengikuti perkuliahan.

Kepada semua pihak yang tidak dapat penulis sebutkan satu persatu dalam

tesis ini, terima kasih atas segala bantuan yang diberikan. Sekecil apapun yang

Anda berikan untuk penulis turut menghantarkan penulis untuk menyelesaikan

pendidikan yang ditempuh selama ini. Dengan segala kekurangan dan kerendahan

hati, semoga kiranya Allah SWT Tuhan Yang Maha Kuasa membalas segala

bantuan, kebaikan yang telah diberikan.

Semoga karya ilmiah yang kami susun dapat memberikan manfaat bagi

banyak pihak, sekaligus dicatat sebagai bagian dari amal kebajikan kita, Amien.

Medan, April 2011 Penulis,

(10)

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3) DI PERGURUAN TINGGI SWASTA

ABSTRAK

Pencapaian target jumlah mahasiswa baru pada perguruan tinggi swasta adalah hal yang prioritas disebabkan banyaknya perguruan tinggi swasta di Indonesia. Sesuai dengan data dikti.go.id keberadaan perguruan tinggi swasta saat ini adalah 2.913 PTS di seluruh Indonesia dan 234 di Sumatera Utara. Dengan jumlah tersebut maka pihak perguruan tinggi harus bisa mempertahankan pasar dan menciptakan

brand image dimasyarakat. Konsep pohon merupakan salah satu konsep teori graf yang paling penting. Pemanfaatan struktur pohon dalam kehidupan sehari-hari adalah untuk menggambarkan hierarki dan memodelkan persoalan, contohnya pohon keputusan (decision tree). Algoritma Iterative dichotomizes 3 ( ID3 )

merupakan suatu metode dalam learning yang akan membangun sebuah pohon keputusan untuk pemodelan dalam mencari solusi dari persoalan. Kegiatan analisis kemahasiswaan diperlukan untuk mendapatkan keputusan yang bersifat menguntungkan demi maju dan berkembangnya suatu perguruan tinggi dan analisis penerimaan mahasiswa baru tersebut dapat dilakukan melalui berbagai metode, salah satunya dengan decision tree menggunakan algoritma ID3 (Iterative Dichotomizes 3) yang akan memperlihatkan pemakaian pohon keputusan untuk memudahkan pengambilan keputusan penerimaan mahasiswa baru pada perguruan tinggi. Dari beberapa metode teknik pemasaran yang diimplementasikan akan diperoleh penetapan strategi yang paling efektif.

(11)

DETERMINING MARKETING STRATEGIES WITH RULES MODEL APPROACH OF DECISION TREE USING ALGORITHM

ITERATIVE DICHOTOMIZES (ID3) AT PRIVATE UNIVERSITIES

ABSTRACT

Achieving the target number of new students in private colleges is a priority because there are many private universities in Indonesia. In accordance with the data issued from dikti.go.id, the availability of private universities today is 2.913 throughout Indonesia and 234 in North Sumatra. With this number the university should be able to sustain the market and create a brand image in the community. The Tree concept of is one of the most important concept of graph theory. The utilization of tree structure in everyday life is to describe hierarchy and to model problem, for example, decision tree. Iterative algorithms dichotomizes 3 (ID3) is a method of learning that will build a decision tree for modeling in finding solutions to problems. Student analysis activity is required to obtain a beneficial decision for the advance and development of a college can be carried out through various methods, one of which is with decision tree algorithm ID3 (Iterative Dichotomizes 3) which will demonstrate the use of decision trees to facilitate decision making for new student admission at universities. Of several methods marketing techniques implemented will be obtained the most effective determining strategy.

(12)

DAFTAR ISI

Halaman

KATA PENGANTAR i

ABSTRAK iii

DAFTAR ISI iv

DAFTAR TABEL vi

DAFTAR GAMBAR vii

DAFTAR LAMPIRAN viii

BAB I PENDAHULUAN 1

1.1. Latar Belakang Masalah 1

1.2. Rumusan Masalah 3

1.3. Batasan Masalah 4

1.4. Tujuan 4

1.5. Manfaat 4

BAB II TINJAUAN PUSTAKA 6

2.1. Data Mining 6

2.2. Teknik Data Mining 9

2.3. Pohon Keputusan 10

2.4. Algoritma Iterative Dichotomizes Versi 3 (ID3) 13

2.5. Entropy 14

2.6. Information Gain 16

2.7. Riset-riset Terkait 17

BAB III METODOLOGI PENELITIAN 19

3.1. Lokasi dan Waktu Penelitian 19

3.2. Rancangan Penelitian 20

3.3. Prosedur Pengumpulan Data 21

3.4. Alat Analisis Data 21

3.5. Instrumen Penelitian 22

(13)

3.7. Perancangan Model 23

3.8. Model Text 23

BAB IV. ANALISIS DAN HASIL 24

4.1. Analisis 24

4.2. Hasil Percobaan 24

4.2.1. Hasil Percobaan Training Data 27

4.2.2. Hasil Percobaan Testing Data 28

4.2.3. Signifikansi 31

4.2.4. Multicollinearity 32

4.2.5. Implementasi ID3 33

4.2.6. Hasil Percobaan Decision Tree 35

BAB V. KESIMPULAN DAN SARAN 41

5.1. Kesimpulan 41

5.2. Saran 42

Daftar Pustaka 43

(14)

DAFTAR TABEL

Nomor J u d u l Halaman

4.1. Kuesioner Fasilitas Kampus ... 25

4.2. Statistic Reliabilitas data... 30

4.3. Korelasi Signifikan ... 31

4.4. Signifikan Variabel Prediktor Minat ... 32

4.5. Multocollinearity Diagnostik ... 32

4.6. Pengukuran Terhadap Minat ... 33

(15)

DAFTAR GAMBAR

2.1. Tahap-tahap KDD didalam Database ... 8

2.2. Model Pohon Keputusan ... 12

2.3. Algoritma ID3 ... 14

3.1. Program Sistem Informasi PMB ... 20

3.2. Aturan (Rule) Penerimaan Mahasiswa Baru ... 20

3.3. Alur Kerangka Kerja Penelitian ... 22

3.4. Graph View Data ... 23

3.5. Model Text ... 23

4.1. Formula Cronbach Alpha ... 24

4.2. Nilai Uji Reliabilitas ... 26

4.3. Reliability Statistics Fasilitas Kampus... 27

4.4. Reliability Statistics Dukungan Pihak Sekolah ... 27

4.5. Reliability Statistics Dukungan Keluarga ... 28

4.6. Reliability Statistics Dukungan Minat ... 28

4.7. Reliability Statistics Fasilitas Kampus ... 29

4.8. Reliability Statistics Dukungan Pihak Sekolah... 29

4.9. Reliability Statistics Dukungan Keluarga ... 30

4.10. Reliability Statistics Dukungan Minat ... 30

4.11. Manual Decision Tree ... 34

4.12. Grafik Decision Tree ... 35

4.13. Model Aturan Teks Decision Tree Terhadap Minat... 36

4.14. Model Aturan Induction rule Terhadap Minat ... 37

4.15. Grafik Decision Tree Media Publikasi ... 37

4.16. Model Aturan Teks Media Publikasi... 39

(16)

DAFTAR LAMPIRAN

A Contoh Formulir Penerimaan Mahasiswa Baru L- 1

B Contoh Kuesioner L- 2

C Hasil Percobaan Training Data L- 4

D Hasil Percobaan Testing Data L-14

(17)

PENETAPAN STRATEGI PEMASARAN DENGAN PENDEKATAN MODEL ATURAN POHON KEPUTUSAN MENGGUNAKAN

ALGORITMA ITERATIVE DICHOTOMIZES 3 (ID3) DI PERGURUAN TINGGI SWASTA

ABSTRAK

Pencapaian target jumlah mahasiswa baru pada perguruan tinggi swasta adalah hal yang prioritas disebabkan banyaknya perguruan tinggi swasta di Indonesia. Sesuai dengan data dikti.go.id keberadaan perguruan tinggi swasta saat ini adalah 2.913 PTS di seluruh Indonesia dan 234 di Sumatera Utara. Dengan jumlah tersebut maka pihak perguruan tinggi harus bisa mempertahankan pasar dan menciptakan

brand image dimasyarakat. Konsep pohon merupakan salah satu konsep teori graf yang paling penting. Pemanfaatan struktur pohon dalam kehidupan sehari-hari adalah untuk menggambarkan hierarki dan memodelkan persoalan, contohnya pohon keputusan (decision tree). Algoritma Iterative dichotomizes 3 ( ID3 )

merupakan suatu metode dalam learning yang akan membangun sebuah pohon keputusan untuk pemodelan dalam mencari solusi dari persoalan. Kegiatan analisis kemahasiswaan diperlukan untuk mendapatkan keputusan yang bersifat menguntungkan demi maju dan berkembangnya suatu perguruan tinggi dan analisis penerimaan mahasiswa baru tersebut dapat dilakukan melalui berbagai metode, salah satunya dengan decision tree menggunakan algoritma ID3 (Iterative Dichotomizes 3) yang akan memperlihatkan pemakaian pohon keputusan untuk memudahkan pengambilan keputusan penerimaan mahasiswa baru pada perguruan tinggi. Dari beberapa metode teknik pemasaran yang diimplementasikan akan diperoleh penetapan strategi yang paling efektif.

(18)

DETERMINING MARKETING STRATEGIES WITH RULES MODEL APPROACH OF DECISION TREE USING ALGORITHM

ITERATIVE DICHOTOMIZES (ID3) AT PRIVATE UNIVERSITIES

ABSTRACT

Achieving the target number of new students in private colleges is a priority because there are many private universities in Indonesia. In accordance with the data issued from dikti.go.id, the availability of private universities today is 2.913 throughout Indonesia and 234 in North Sumatra. With this number the university should be able to sustain the market and create a brand image in the community. The Tree concept of is one of the most important concept of graph theory. The utilization of tree structure in everyday life is to describe hierarchy and to model problem, for example, decision tree. Iterative algorithms dichotomizes 3 (ID3) is a method of learning that will build a decision tree for modeling in finding solutions to problems. Student analysis activity is required to obtain a beneficial decision for the advance and development of a college can be carried out through various methods, one of which is with decision tree algorithm ID3 (Iterative Dichotomizes 3) which will demonstrate the use of decision trees to facilitate decision making for new student admission at universities. Of several methods marketing techniques implemented will be obtained the most effective determining strategy.

(19)

BAB 1

PENDAHULUAN

1.1. Latar Belakang Masalah

Akademi Manajemen Informatika Komputer Tunas Bangsa atau disingkat dengan

AMIK Tunas Bangsa adalah salah satu perguruan tinggi swasta di Sumatera Utara

yang menyelenggarakan perkuliahan jenjang Diploma 3 dengan program studi

manajemen informatika dan komputerisasi akuntansi. Sejak berdiri tahun 2003

sampai saat ini jumlah mahasiswa/I kedua program sudi tersebut telah mencapai

±1.400 orang (EPSBED,2010). Dalam mempertahankan dan meningkatkan

jumlah mahasiswa perlu dibuat sebuah metode dalam proses penerimaan

mahasiswa baru setiap tahunnya. Tanpa adanya jumlah mahasiswa yang memadai

maka mustahil bagi perguruan tinggi swasta dapat menjalankan manajemennya.

Saat ini keberadaan perguruan tinggi swasta adalah 2.913 PTS di seluruh

Indonesia dan 234 di Sumatera Utara (sumber: www.dikti.go.id).

Proses penerimaan mahasiswa baru (PMB) di Akademi Manajeman

Informatika Komputer (AMIK) Tunas Bangsa terdiri dari 3 (tiga) proses yaitu

Informasi, Daftar dan Registrasi. Proses Informasi adalah apabila calon

mahasiswa tersebut berkunjung ke kampus dan mengisi formulir biodata tanpa

melakukan pembayaran apapun. Peran presenter disini sangat menentukan apakah

calon tersebut akan melakukan proses daftar atau registrasi. Proses Daftar adalah

apabila calon mahasiswa berkunjung ke kampus dan mengisi biodata serta

melakukan pembayaran yaitu biaya daftar. Pada kondisi ini calon mahasiswa

belum bisa dimasukan kedalam kelompok kelas. Proses registrasi adalah apabila

calon mahasiswa berkunjung ke kampus dan mengisi biodata serta melakukan

pembayaran biaya daftar, uang kuliah, dan biaya lainnya. Dan pada posisi ini

(20)

kelas. Kelompok kelas adalah penempatan calon mahasiswa kedalam kelas

tertentu yang merupakan bagian didalam kelompok belajar.

Pada tahap pengisian biodata, calon mahasiswa harus mengisi data seperti

asal sekolah, alamat, penghasilan orang tua, dan sumber informasi. Dari kondisi

tersebut maka bisa dilakukan pengelompokan sumber data sehingga dapat dibuat

suatu metode yang tepat untuk mempercepat pencapaian target. Sedangkan data

pedukungnya adalah kuisioner yang terdiri dari 4 (empat) kelompok pertanyaan

yaitu fasilitas kampus, dukungan sekolah, dukungan keluarga dan minat calon

mahasiswa.

Untuk mengelola data tersebut dibutuhkan sebuah metode yang bisa

digunakan untuk menggali informasi tersembunyi dari data tersebut. Metode

tersebut dikenal dengan data mining. Dengan bantuan perangkat lunak, data

mining akan melakukan proses analisis data untuk menemukan pola atau aturan

tersembunyi dalam lingkup himpunan data tersebut. Pada studi kasus ini, analisis

data mining dilakukan dengan metode pohon keputusan yang mengunakan

algoritma ID3.

Konsep pohon merupakan salah satu konsep teori graf yang paling

penting. Pemanfaatan struktur pohon dalam kehidupan sehari-hari adalah untuk

menggambarkan hierarki dan memodelkan persoalan, contohnya pohon keputusan

(decision tree). Algoritma Iterative dichotomizes 3 ( ID3 ) merupakan suatu

metode dalam learning yang akan membangun sebuah pohon keputusan untuk

pemodelan dalam mencari solusi dari persoalan. Kegiatan analisis kemahasiswaan

diperlukan untuk mendapatkan keputusan yang bersifat menguntungkan demi

maju dan berkembangnya suatu perguruan tinggi dan analisis penerimaan

mahasiswa baru tersebut dapat dilakukan melalui berbagai metode, salah satunya

dengan decision tree menggunakan algoritma ID3 (Iterative Dichotomizes 3).

Salah satu solusi memprediksi validitas alamat adalah dengan membuat

suatu sistem yang dianggap mampu melakukan prediksi suatu alamat secara tepat.

Metode decision tree dengan algoritma ID3 merupakan salah satu metode dari

data mining yang digunakan untuk mengklasifikasikan data sampel ke dalam

(21)

dilakukan penelitian untuk menganalisis keefektifitasan metode ini dalam

melakukan prediksi alamat menggunakan kelas yang terbentuk dari metode ini.

Bentuk penelitian yang dilakukan adalah dengan melihat tingkat kebenaran yang

dihasilkan oleh metode ini dalam melakukan validitas prediksi suatu alamat pada

sekumpulan data uji yang diteliti (Nugroho,2007).

Salah satu metode yang paling banyak digunakan untuk inferensi induksi

adalah Decision Tree Learning, merupakan metode untuk menganalisa fungsi

target yang bernilai diskrit, dimana fungsi pembelajarannya direpresentasikan

dalam bentuk pohon keputusan. Algoritma ID3 (Iterative Dichotomizes versi 3)

adalah algoritma yang paling banyak digunakan untuk men-generate pohon

keputusan. Algoritma ini dikenalkan oleh Ross Quinlan, menggunakan teori

informasi untuk menentukan atribut yang paling informatif. Kelemahan dari

algoritma ID3 adalah ketidakstabilannya dalam melakukan klasifikasi data apabila

terjadi sedikit perubahan pada data training (Setiawan,2007).

Berdasarkan latar belakang masalah diatas, maka penulis tertarik untuk

meneliti bidang ini dengan mengambil judul “Penetapan Strategi Pemasaran

Dengan Pendekatan Model Pohon Keputusan Algoritma Iterative

Dichotomizes 3 (ID3) di Perguruan Tinggi Swasta”.

1.2. Perumusan Masalah

Dalam kegiatan penerimaan mahasiswa baru pencapaian jumlah mahasiswa

adalah hal yang prioritas bagi perguruan tinggi swasta. Untuk peningkatan dan

pencapaian target perlu dilakukan teknik dan menetapkan metode yang sesuai

didalam mempertahankan minat calon mahasiswa. Dalam hal tersebut PTS

mengalami permasalahan yang menyangkut kebutuhan data dan informasi tentang

calon Mahasiswa, sehingga sulit untuk melakukan kegiatan-kegiatan promosi.

Permasalahan yang diangkat adalah bagaimana menetapkan metode pemasaran

dengan mengidentifikasi minat data calon mahasiswa baru yang akan diterima

pada perguruan tinggi swasta dalam hal ini penerapan media publikasi terhadap

(22)

Metode solusi yang digunakan adalah membentuk pohon keputusan dengan

algoritma Iterative Dichotomizes versi 3 (ID3).

1.3. Batasan Masalah

Untuk menghindari salah pengertian dalam penulisan tesis ini dan untuk lebih

menfokuskan terhadap permasalahan, maka fokus permasalahan dititik beratkan

pada pemanfaatan data mining dengan pendekatan model pohon keputusan

menggunakan algoritma ID3 untuk penetapan strategi pemasaran pada perguruan

tinggi swasta, meliputi:

1. Data yang akan digunakan dalam studi kasus ini adalah data calon

mahasiswa baru yang kemudian akan diolah berdasarkan proses-proses

yang ada dalam data mining.

2. Mengklasifikasikan penetapan metode pemasaran berdasakan sarana

publikasi kampus terhadap fasilitas kampus, dukungan pihak sekolah

dan dukungan keluarga.

3. Membangun sebuah pohon keputusan untuk pemodelan dalam mencari

solusi dari persoalan penerimaan mahasiswa baru.

4. Sebagai prototype sistem, studi kasus dilakukan di AMIK Tunas

Bangsa Pematangsiantar.

5. Analisis penerimaan mahasiswa baru tersebut dilakukan dengan

decision tree menggunakan algoritma Iterative Dichotomizes v.3 (ID3).

1.4. Tujuan

Tujuan penelitian ini adalah :

1. Menganalisis data calon mahasiswa dengan decision tree

menggunakan algoritma ID3 (Iterative Dichotomizes v.3).

2. Memberikan keputusan penetapan strategi pemasaran yang paling

efektif digunakan untuk pencapaian target jumlah mahasiswa baru.

1.5. Manfaat

Kegunaan penelitian ini sangat bermanfaat dan berguna, baik secara teoritis

(23)

1. Manfaat Teoritis

Sebagai sumbangan penting dan memperluas bagi kajian ilmu

komputer dalam bidang data mining sehingga dapat dijadikan rujukan

untuk membangun dalam kasus yang berbeda dimasa yang akan

datang.

2. Manfaat Praktis

a. Hasil penelitian ini menghasilkan suatu keputusan didalam

penetapan strategi pemasaran dalam penerimaan mahasiswa baru di

perguruan tinggi swasta.

b. Penelitian ini dapat menghasilkan keterhubungan antara fasilitas

perguruan tinggi dengan dukungan pihak sekolah dan keluarga

terhadap minat calom mahasiswa pada penerimaan mahasiswa

baru.

c. Hasil penelitian ini dapat digunakan sebagai tolak ukur kinerja dari

komputer untuk melakukan pencapaian target mahasiswa.

d. Hasil penelitian ini dapat meningkatkan perkembangan dunia

(24)

BAB II

TINJAUAN PUSTAKA

2.1. Data Mining

Dengan perkembangan pesat teknologi informasi termasuk diantaranya teknologi

pengelolaan data, penyimpanan data, pengambilan data disertai kebutuhan

pengambilan keputusan yang komprehensif, cepat, dan akurat menjadikan data

ada dimana-mana disekitar kita. Data terstruktur dikelola oleh database, termasuk

bagaimana me-retrieve datanya. Query yang kompleks yang dibutuhkan analis,

dan pengambilan keputusan ditangani oleh OLAP (Online Analytical Processing)

dengan didukung data warehouse.

Data mining merupakan sebuah analisis dari observasi data dalam jumlah

besar untuk menemukan hubungan yang tidak diketahui sebelumnya dan metode

baru untuk meringkas data agar mudah dipahami serta kegunaannya untuk

pemilik data (Hand,2001). Dengan kecanggihan teknologi yang semakin

meningkat, kini database mampu untuk menyimpan data berkapasitas terabytes.

Dalam kumpulan data yang sangat banyak ini, tersimpan informasi tersembunyi

yang merupakan strategi penting.

Data mining sesunggunghnya merupakan salah satu rangkaian dari proses

pencarian pengetahuan pada database (Knowledge Discovery in Database/KDD).

KDD berhubungan dengan teknik integrasi dan penemuan ilmiah, interprestasi

dan visualisasi dari pola-pola sejumlah kumpulan data. KDD adalah keseluruhan

proses non-trivial untuk mencari dan mengidentifikasi pola (pattern) dalam data,

dimana pola yang ditemukan bersifat sah, baru, dapat bermanfaat dan dapat

dimengerti. Serangkaian proses tersebut yang memiliki tahap sebagai berikut

(25)

1. Pembersihan data dan integrasi data (cleaning and integration)

Proses ini digunakan untuk membuang data yang tidak konsisten dan

bersifat noise dari data yang terdapat diberbagai basisdata yang mungkin

berbeda format maupun platform yang kemudian diintegrasikan dalam

satu database data warehouse.

2. Seleksi dan transformasi data (selection and transformation)

Data yang terdapat dalam database data warehouse kemudian direduksi

dengan berbagai teknik. Proses reduksi diperlukan untuk mendapatkan

hasil yang lebih akurat dan mengurangi waktu komputasi terutama untuk

masalah dengan skala besar (large scale problem). Beberapa cara seleksi,

antara lain:

a. Sampling, adalah seleksi subset representatif dari populasi data yang

besar.

b. Denoising, adalah proses menghilangkan noise dari data yang akan

ditransformasikan

c. Feature extraction, adalah proses membuka spesifikasi data yang

signifikan dalam konteks tertentu.

Transformasi data diperlukan sebagai tahap pre-procecing, dimana data

yang diolah siap untuk ditambang. Beberapa cara transformasi, antara lain

(Santosa,2007):

1. Centering, mengurangi setiap data dengan rata-rata dari setiap

atribut yang ada.

2. Normalization, membagi setiap data yang dicentering dengan

standar deviasi dari atribut bersangkutan.

(26)

Gambar 2.1: Tahap-tahap Knowledge Discovery in Database

3. Penambangan data (data mining)

Data yang telah diseleksi dan ditransformasi ditambang dengan berbagai

teknik. Proses data mining adalah proses mencari pola atau informasi

menarik dalam data terpilih dengan menggunakan fungsi-fungsi tertentu.

Fungsi atau algoritma dalam data mining sangat bervariasi. Pemilihan

fungsi atau algoritma yang tepat sangat bergantung pada tujuan dan proses

pencarian pengetahuan secara keseluruhan. 4. Evaluasi pola dan presentasi pengetahuan

Tahap ini merupakan bagian dari proses pencarian pengetahuan yang

mencakup pemeriksaan apakah pola atau informasi yang ditemukan

bertentangan dengan fakta atau hipotesa yang ada sebelumnya. Langkah

terakhir KDD adalah mempresentasikan pengetahuan dalam bentuk yang

(27)

2.2. Teknik Data Mining

Beberapa teknik Data Mining yang sering digunakan antara lain (Dunham,2002) :

1. Clustering

Analisis cluster merupakan salah satu teknik data mining yang

bertujuan untuk mengidentifikasi sekelompok obyek yang mempunyai

kemiripan karakteristik tertentu yang dapat dipisahkan dengan

kelompok obyek lainnya, sehingga obyek yang berada dalam

kelompok yang sama relatif lebih homogen daripada obyek yang

berada pada kelompok yang berbeda. Clustering adalah salah satu

teknik unsupervised learning dimana kita tidak perlu melatih metode

tersebut atau dengan kata lain, tidak ada fase learning. Tujuan dari

metode clustering adalah untuk mengelompokkan sejumlah data atau

objek kedalam klaster sehingga setiap klaster akan terisi data yang

semirip mungkin (Santosa,2007).

2. Association Rule (Market Basket Analysis)

Association Rule adalah teknik data mining yang digunakan untuk

menemukan aturan associative antara suatu kombinasi item. Salah satu

contoh penerapan Association Rule adalah Market Basket Analysis.

3. Classification

Klasifikasi merupakan proses untuk menemukan sekumpulan model

yang menjelaskan dan membedakan kelas-kelas data, sehingga model

tersebut dapat digunakan untuk memprediksi nilai suatu kelas yang

belum diketahui pada sebuah objek.

4. Regression (Predictive)

Analisis regresi merupakan teknik untuk membantu menganalisis

hubungan antara suatu peristiwa atau keadaan yang terjadi akibat

(28)

2.3. Pohon Keputusan

Pohon Keputusan (Decision tree) adalah salah satu metode yang sangat populer

dan banyak digunakan secara praktis. Metode ini merupakan metode yang

berusaha menemukan fungsi-fungsi pendekatan yang bernilai diskrit dan tahan

terhadap data yang terdapat kesalahan (noisy data) serta mampu mempelajari

ekspresi-ekspresi disjunctive (ekspresi OR).

Decision tree adalah struktur flowchart yang mempunyai tree (pohon),

dimana setiap simpul internal menandakan suatu tes atribut, setiap cabang

merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas atau

distribusi kelas (Neymark,2007).

Decision tree (pohon keputusan) adalah sebuah diagram alir yang mirip

dengan struktur pohon, dimana setiap internal node menotasikan atribut yang

diuji, setiap cabangnya mempresentasikan hasil dari atribut tes tersebut dan leaf

node mepresentasikan kelas-kelas tertentu atau distribusi dari kelas-kelas

(Han,2001).

Alur pada decision tree ditelusuri dari simpul ke akar ke simpul daun yang

memegang prediksi kelas untuk contoh tersebut. decision tree mudah untuk

dikonversi ke aturan klasifikasi (classification rule). Konsep data dalam decision

tree dinyatakan dalam bentuk tabel dengan atribut dan record.

Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya

untuk mem-break down proses pengambilan keputusan yang kompleks menjadi

lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi

dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data,

menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan

sebuah variabel target. Pohon keputusan memadukan antara eksplorasi data dan

pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan

bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Sering

terjadi tawar menawar antara keakuratan model dengan transparansi model.

Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah

satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat

(29)

untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa

model tersebut bekerja.

Kelebihan dari metode pohon keputusan adalah:

1. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.

2. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya

berdasarkan kriteria atau kelas tertentu.

3. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain

dalam node yang sama. Kefleksibelan metode pohon keputusan ini

meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika

menggunakan metode penghitungan satu tahap yang lebih konvensional

4. Dalam analisis multivariant, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan

baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi

kelas tersebut. Metode pohon keputusan dapat menghindari munculnya

permasalahan ini dengan menggunakan kriteria yang jumlahnya lebih

sedikit pada setiap node internal tanpa banyak mengurangi kualitas

keputusan yang dihasilkan.

Sedangkan kekurangan dari pohon keputusan adalah :

1. Terjadi overlap terutama ketika kelas-kelas dan kriteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan

meningkatnya waktu pengambilan keputusan dan jumlah memori yang

diperlukan.

2. Pengakumulasian jumlah error dari setiap tingkat dalam sebuah pohon keputusan yang besar.

3. Kesulitan dalam mendesain pohon keputusan yang optimal.

4. Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan

(30)

Bagian awal dari pohon keputusan ini adalah titik akar (root), sedangkan

setiap cabang dari decision tree merupakan pembagian berdasarkan hasil uji, dan

titik akhir (leaf) merupakan pembagian kelas yang dihasilkan. Pada umumnya

proses dari sistem decision tree adalah mengadopsi strategi pencarian top-down

untuk solusi ruang pencariannya. Pada proses mengklasifikasikan sampel yang

tidak diketahui, nilai atribut akan diuji pada decision tree dengan cara melacak

jalur dari titik akar sampai titik akhir, kemudian akan diprediksikan kelas yang

ditempati sampel baru tersebut. Decision tree mempunyai 3 tipe simpul yaitu: 1. Simpul akar dimana tidak memiliki cabang yang masuk dan memiliki

cabang lebih dari satu, terkadang tidak memiliki cabang sama sekali.

2. Simpul internal dimana hanya memiliki 1 cabang yang masuk, dan

memiliki lebih dari 1 cabang yang keluar.

3. Simpul daun atau simpul akhir dimana hanya memiliki 1 cabang yang

masuk, dan tidak memiliki cabang sama sekali dan menandai bahwa

simpul tersebut merupakan label kelas.

Gambar 2.2: Model Pohon Keputusan

Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan

tiap ujung pohon menyatakan kelas data. Setelah sebuah pohon keputusan

dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada

kelasnya. Dimulai dari node root, menggunakan tes terhadap atribut dari record

(31)

dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki

satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus

melakukan tes lagi terhadap atribut atau node daun. Record yang kelasnya tidak

diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node

daun. Pada pohon keputusan setiap simpul daun menandai label kelas. Proses

dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon

(tree) kemudian mengubah model pohon tersebut menjadi aturan (rule).

2.4. Algoritma Iterative Dichotomizes versi 3 (ID3)

Iterative Dichotomizes 3 (ID3) adalah algoritma decision tree learning (algoritma

pembelajaran pohon keputusan) yang paling dasar. Algoritma ini melakukan

pencarian secara rakus /menyeluruh (greedy) pada semua kemungkinan pohon

keputusan. Salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative

Dichotomizes 3). ID3 dikembangkan oleh J. Ross Quinlan. Algoritma ID3 dapat

diimplementasikan menggunakan fungsi rekursif (fungsi yang memanggil dirinya

sendiri). Algoritma ID3 berusaha membangun decision tree (pohon keputusan)

secara top-down (dari atas ke bawah), mulai dengan pertanyaan : “atribut mana

yang pertama kali harus dicek dan diletakkan pada root?” pertanyaan ini dijawab

dengan mengevaluasi semua atribut yang ada dengan menggunakan suatu ukuran

statistic (yang banyak digunakan adalah information gain) untuk mengukur

efektivitas suatu atribut dalam mengklasifikasikan kumpulan sampel data

(David,2004)

Decision Tree adalah sebuah struktur pohon, dimana setiap node pohon

merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu

pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas

tertentu. Level node teratas dari sebuah decision tree adalah node akar (root) yang

biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas

(32)

Function ID3 (kumpulanSampel, AtributTarget, KumpulanAtribut)

1. Buat simpul root

2. If semua sampel adalah kelas I, maka return pohon satu simpul

root dengan label i

3. If kumpulanAtribut = = 0, return pohon satu simpul Root

dengan label = nilai atribut target yang paling sering muncul

Else

 Hitung Information gain tiap atribut

 A adalah Information gain terbesar. Jadikan A sebagai

Root

 For Vi (setiap nilai pada atribut A)

- Tambahkan cabang untuk tiap nilai Vi

- Buat suatu variabel, misal sampel Vi, Sebagai

himpunan bagian dari kumpulan sampel yang bernilai Vi pada atribut A

- If sampel Vi kosong, maka tambahkan simpul daun

dengan label = nilai atribut yang paling sering muncul.

Else

Dibawah cabang tambahkan subtree dengan memanggil fungsi ID3 (SampelVi, AtributTarget,

Atribut-[A])  Rekursif. End

End End

4. Return Root

Gambar 2.3: Algoritma ID3

2.5. Entropy

Sebuah obyek yang diklasifikasikan dalam pohon harus dites nilai entropy-nya.

Entropy adalah ukuran dari teori informasi yang dapat mengetahui karakteristik

dari impurity dan homogeneity dari kumpulan data. Dari nilai entropy tersebut

kemudian dihitung nilai information gain (IG) masing-masing

(33)

Gambar 2.4: Entropy

Entropy(S) = - P+2 logP + -P-2logP- dimana :

 S adalah ruang (data) sample yang digunakan untuk training.

 P+ adalah jumlah yang bersolusi positif (mendukung) pada data

sample untuk kriteria tertentu.

 P+ adalah jumlah yang bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu.

Dari rumus entropy diatas dapat disimpulkan bahwa definisi entropy (S) adalah

jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas (+

atau -) dari sejumlah data acak pada suatu ruang sampel S.

Entropy bisa dikatakan sebagai kebutuhan bit untuk menyatakan suatu

kelas. Semakin kecil nilai entropy maka semakin baik digunakan dalam

mengekstraksi suatu kelas. Panjang kode untuk menyatakan informasi secara

optimal adalah –2logP bits untuk messages yang mempunyai probabilitas P. Sehingga jumlah bit yang diperkirakan untuk mengekstraksi S ke dalam kelas

(34)

2.6. Information Gain

Setelah mendapat nilai entropy untuk suatu kumpulan data, maka kita dapat

mengukur efektivitas suatu atribut dalam mengklasifikasikan data. Ukuran

efektifitas ini disebut information gain. Secara matematis, information gain dari

suatu atribut A, dituliskan sebagai berikut: (Gambetta,2003)

Gain (S,A)=Entropy(S) -  Entropy(Sv) vValues (A)

| Sv |

| S |

dimana :

A : atribut

V : suatu nilai yang mungkin untuk atribut A

Values (A) : himpunan yang mungkin untuk atribut A

|Sv| : jumlah sampel untuk nilai v

|S| : jumlah seluruh sampel data

(35)

2.7. Riset-riset Terkait

Terdapat beberapa riset yang telah dilakukan oleh banyak peneliti berkaitan

dengan Decision Tree dengan Algoritma ID3 seperti yang akan dijelaskan di

bawah ini.

Nugroho (2007), dalam risetnya menjelaskan bahwa untuk suatu

perusahaan yang secara khusus yang bergerak dibidang jasa, permasalahan yang

dihadapi adalah ketika pihak perusahaan mengirimkan barang dengan tujuan

alamat yang diperoleh dari pihak pelanggan, seringkali pihak pelanggan tidak

memberikan alamat pengiriman secara tepat sehingga pihak perusahaan harus

memprediksi alamat tersebut secara manual. Dalam melakukan hal ini,

membutuhkan waktu yang tidak sedikit sehingga mengurangi kualitas pelayanan

terhadap pelanggan. Dari permasalahan ini, diperlukan suatu solusi yang dapat

membantu perusahaan dalam melakukan prediksi suatu alamat yang benar. Salah

satu solusi memprediksi validitas alamat adalah dengan membuat suatu sistem

yang dianggap mampu melakukan prediksi suatu alamat secara tepat. Metode

decision tree dengan algoritma ID3 merupakan salah satu metode dari data mining

yang digunakan untuk mengklasifikasikan data sampel kedalam kelas-kelas

tertentu. Berdasarkan kemampuan dari metode ini, kemudian dilakukan penelitian

untuk menganalisis keefektifitasan metode ini dalam melakukan prediksi alamat

menggunakan kelas yang terbentuk dari metode ini. Bentuk penelitian yang

dilakukan adalah dengan melihat tingkat kebenaran yang dihasilkan oleh metode

ini dalam melakukan validitas prediksi suatu alamat pada sekumpulan data uji

yang diteliti.

Wahyudin (2009) dalam risetnya juga menjelaskan Konsep pohon

merupakan salah satu konsep teori graf yang paling penting. Pemanfaatan struktur

pohon dalam kehidupan sehari-hari adalah untuk menggambarkan hierarki dan

memodelkan persoalan, contohnya pohon keputusan (decision tree). Iterative

dichotomizes 3 ( ID3 ) merupakan suatu metode dalam learning yang akan membangun sebuah pohon keputusan untuk pemodelan dalam mencari solusi dari

persoalan. Dalam jurnal ini akan dibahas pemakaian pohon keputusan dalam

(36)

analisis kemahasiswaan diperlukan untuk mendapatkan keputusan yang bersifat

menguntungkan demi maju dan berkembangnya suatu universitas dan analisis

penerimaan mahasiswa baru tersebut dapat dilakukan melalui berbagai metode,

salah satunya dengan decision tree menggunakan ID3 (Iterative Dichotomizes 3).

Sofi Defiyanti dan D. L. Crispina Pardede (2009) dalam risetnya

menyampaikan tentang klasifikasi spam mail digunakan untuk memisahkan

spam-mail dari non spam mail (legitimate mail). Klasifikasi spam mail berguna untuk

menghemat waktu dan biaya yang digunakan untuk menghapus spam mail dari

inbox. Untuk itu diperlukan metode yang paling baik untuk melakukan klasifikasi

spam mail. Algoritma decision tree merupakan salah satu metode untuk

klasifikasi spam mail. Algoritma decision tree telah banyak mengalami

pengembangan. Algoritma ID3 dan C4.5 adalah salah satu pengembangan dari

algoritma decision tree. Penelitian ini membandingkan kinerja dari dua algoritma

tersebut dalam melakukan klasifikasi spam mail. Pengukuran dilakukan

menggunakan sekelompok data uji untuk mengetahui persentase precision, recall

dan accuracy. Hasil pengukuran menunjukkan algoritma ID3 memiliki kinerja

(37)

BAB III

METODOLOGI PENELITIAN

Data merupakan bahan baku informasi untuk memberikan gambaran spesifik

mengenai obyek penelitian. Berdasarkan sumbernya, data penelitian dapat

dikelompokkan dalam dua jenis yaitu data primer dan data sekunder.

a. Data Primer adalah data yang diperoleh atau dikumpulkan secara langsung

dari sumber datanya. Data primer disebut juga sebagai data asli atau data

baru yang memiliki sifat up to date. Teknik yang dapat digunakan untuk

mengumpulkan data primer antara lain observasi, wawancara, diskusi

terfokus (focus group discussion - FGD) dan penyebaran kuesioner.

b. Data Sekunder adalah data yang diperoleh atau dikumpulkan dari berbagai

sumber yang telah ada. Data sekunder dapat diperoleh dari berbagai sumber

seperti buku, laporan, jurnal, dan lain-lain.

Tujuan dari usulan tesis ini adalah untuk membuat model dengan pohon

keputusan menggunakan algoritma Iterative Dichotomizes Versi 3 (ID3) dalam

pembuatan keputusan untuk penetapan strategi pemasaran pada perguruan tinggi

swasta dalam tesis ini mengambil kasus di AMIK Tunas Bangsa.

3.1. Lokasi dan Waktu Penelitian

Penelitian dilakukan di Kampus AMIK Tunas Bangsa Jl. Jend. Sudirman

Blok A No.1,2 & 3 Pematangsiantar-Sumatera Utara. Lamanya waktu yang

dibutuhkan untuk menyelesaikan penelitian ini yaitu selama 6 (Enam) bulan yang

(38)

3.2. Rancangan Penelitian

Rancangan penelitian ini pertama kali dilakukan dengan melakukan

pengamatan (observasi) untuk mempelajari data calon mahasiswa baru. Hasil

pengamatan kemudian dibuat skenario-skenario yang mendukung, selanjutnya

dilakukan eksperimen data dengan menggunakan software rapid miner untuk

menguji data yang diambil dari database program sistem penerimaan mahasiswa

baru di AMIK Tunas Bangsa.

Tahapan untuk melakukan klasifikasi data dari database antara lain :

1. Mengambil data dari database program sistem penerimaan mahasiswa baru

Gambar 3.1 : Program Sistem Informasi PMB

2. Meng‐export data dari database ke Microsoft excel

3. Membuat aturan (rule) dengan menggunakan software rapid miner

(39)

3.3. Prosedur Pengumpulan Data

Dalam studi kasus ini, data dibagi menjadi 2 (dua) dataset. Dataset yang

pertama berasal dari database penerimaan mahasiswa baru dengan jumlah sampel

data 1.200 data. Sedangkan dataset yang kedua diambil dari data kuesioner

dengan sampel sebanyak 1.200 sampel data. Dataset kedua ini untuk mengukur

korelasi antara jenis publikasi yang diterapkan terhadap minat calon mahasiswa

dengan fasilitas kampus, dukungan pihak sekolah dan dukungan keluarga. Dari

keempat kategori pertanyaan tersebut koresponden menjawab 20 (dua puluh)

pertanyaan.

3.4. Alat Analisis Data

Dalam studi kasus ini penulis menggunakan software-software untuk

mengalisis data, antara lain: 1. Paket statistik ilmu sosial

Software yang digunakan adalah SPSS Versi 16.0 untuk menampilkan

analisis regresi pada data mahasiswa baru yang penulis teliti. SPSS adalah

aplikasi untuk mempermudah perhitungan statistik.

2. Rapid Miner

Rapid Miner 5.0 digunakan pada studi ini untuk menampilkan kelompok

calon mahasiswa pada kumpulan data dan memperlihatkan matriks

presentasi yang tersebar dari kelompok-kelompok. Rapid Miner

membuktikan lebih dari 400 operator dari segala aspek data mining.

Operator Meta secara otomatis mengoptimalkan desain eksperimen dan

pengguna tidak memerlukan waktu yang panjang untuk menentukan

langkah dan parameter yang lebih panjang. Sejumlah besar teknik

visualisasi dan kemungkinan untuk meletakkan breakpoints setelah

masing masing operator memberikan pandangan tentang keberhasilan

desain bahkan untuk menjalankan percobaan

(40)

3.5. Instrumen Penelitian

Instrumen atau alat ukur yang digunakan dalam penelitian ini adalah

dengan melakukan beberapa dataset file spreadsheet transformasi dari bentuk

aslinya (xls) divalidasi menggunakan software SPSS yang kemudian diolah

dengan menggunakan rapid miner untuk membuat pohon keputusan dan rule

dengan algoritma ID3.

3.6. Kerangka Kerja

Berikut ini alur kerja yang akan dilakukan pada penelitian ini yang

digambarkan dalam diagram aktivitas UML:

Peneliti Software

N

y

Identifikasi

Menetapkan Tujuan Penelitian

Mengumpulkan Data dari database PMB

Convert dari database SQL ke MS.Excel

Valid

Membuat Validasi Data dengan SPSS

Olah Data dengan Rapid Miner

Membuat Rule & Analisa

Membuat Kesimpulan dan Saran

(41)

3.7. Peracangan Model

Perancangan model yang dibuat adalah dengan model decision tree dengan

hasil sebagai berikut:

Gambar 3.4. Graph view data

3.8. Model Text

Perancangan model text dengan hasil sebagai berikut:

FASILITAS KAMPUS = 16 | DUKUNGAN SEKOLAH = 16

| | DUKUNGAN KELUARGA = 13: Tidak Berminat {Sangat Berminat=8, Berminat=1, Tidak Berminat=12}

FASILITAS KAMPUS = 17 | DUKUNGAN KELUARGA = 13

| | DUKUNGAN SEKOLAH = 17: Sangat Berminat {Sangat Berminat=4, Berminat=1, Tidak Berminat=2}

| DUKUNGAN KELUARGA = 14

| | DUKUNGAN SEKOLAH = 17: Tidak Berminat {Sangat Berminat=2, Berminat=1, Tidak Berminat=9}

FASILITAS KAMPUS = 18 | DUKUNGAN KELUARGA = 14

| | DUKUNGAN SEKOLAH = 18: Tidak Berminat {Sangat Berminat=5, Berminat=0, Tidak Berminat=12}

| DUKUNGAN KELUARGA = 15: Sangat Berminat {Sangat Berminat=2, Berminat=0, Tidak Berminat=0}

FASILITAS KAMPUS = 19

| DUKUNGAN SEKOLAH = 18: Sangat Berminat {Sangat Berminat=1, Berminat=0, Tidak Berminat=0}

| DUKUNGAN SEKOLAH = 19

| | DUKUNGAN KELUARGA = 15: Berminat {Sangat Berminat=22, Berminat=54, Tidak Berminat=10}

| DUKUNGAN SEKOLAH = 20

| | DUKUNGAN KELUARGA = 16: Sangat Berminat {Sangat Berminat=11, Berminat=1 Tidak Berminat=1}

(42)

BAB IV

HASIL DAN PEMBAHASAN

4.1. Analisis

Analisis sistem adalah penguraian dari suatu sistem perangkat lunak yang utuh

kedalam bagian komponen-komponennya dengan tujuan untuk

mengidentifikasikan dan mengevaluasi permasalahan, hambatan dan kebutuhan

yang diharapkan dalam penetapan strategi pemasaran dengan pendekatan model

pohon keputusan menggunakan algoritma Iterative Dichotomizes versi 3 (ID3).

Bab ini menyajikan hasil penelitian yang penulis lakukan dengan

mengolah dua dataset yaitu dataset yang berasal dari database penerimaan

mahasiswa baru dan dataset kedua adalah kuesioner yang terdiri dari empat

kategori pertanyaan yaitu fasilitas kampus, dukungan sekolah, dukungan keluarga

dan dukungan minat. Dalam percobaan ini dibuat model aturan pohon keputusan

dengan algoritma ID3 menggunakan software Rapid Miner. Untuk validasi dan

korelasi data penulis membuat analisa dengan software SPSS.

4.2. Hasil Percobaan

Dalam percobaan ini penulis menguji reliabilitas data hasil kuesioner yang

dijawab oleh calon mahasiswa dengan menggunakan metode Cronbach's Alpha

untuk data training yang terdiri dari 300 data, sedangkan untuk keseluruhan data

sebagai data testing penulis menggunakan sebanyak 1.200 data. Rumus untuk

menghitung koefisien reliabilitas instrument dengan menggunakan Cronbach

(43)

Gambar 4.1. Formula Crobach Alpha

Keterangan:

r = koefisien reliabilitas instrument (cronbach alpha)

k = banyaknya butir pertanyaan atau banyaknya soal



∑2

= total varians butir

t 2

= total varians

Adapun hasil percobaan training dan testing data secara manual dapat dilihat pada

contoh dibawah ini : Kuesioner untuk fasilitas kampus

Tabel 4.1. Kuesioner Fasilitas Kampus

No.Quest Q1 Q2 Q3 Q4 Q5 Total Total

Varians butir ke-2 sampai ke-5 sama seperti diatas, sehingga total varians butir

(44)

b

t

( ∑2= 0,41 + 0,65 + 0,76 + 0,44 + 0,24)

= 2,5

Menghitung total varians (2 )

2062 4318- =

10

= 7,44

Menghitung Koefisien Cronbach Alpha

r = [ ][ ] 2,5 1- 7 44 5

(5-1)

= 0,829

Keterangan:

1. Nilai-nilai untuk pengujian reliabilitas berasal dari skor-skor item angket yang

valid. Item yang tidak valid tidak dilibatkan dalam pengujian reliabilitas. 2. Instrumen memiliki tingkat reliabilitas yang tinggi jika nilai koefisien yang

diperoleh >0,60. Ada pendapat lain yang mengemukakan baik/ buruknya

reliabilitas instrument dapat dikonsultasikan dengan nilai r tabel.

3. Interpretasi reliabilitas bisa juga menggunakan pertimbangan gambar di

bawah ini:

________________________________________________________

0 Reliabilitas Rendah 0,5 Reliabilitas Tinggi 1

/buruk /baik

(45)

4.2.1. Hasil Percobaan Training Data

Dalam pengujian data training yang terdiri dari 300 data dapat dilihat pada

gambar dibawah ini :

Reliability Statistics

Cronbach's

Alpha Based on

Standardized

Items Cronbach's

Alpha N of Items

,769 ,768 5

Gambar 4.3. Reliability Statistics Fasilitas Kampus

Dari Gambar 4.3. menunjukan bahwa cronbach’s Alpha dari Reliability

Statistics fasilitas kampus dengan 300 sampel data yang dihasilkan adalah 0,769.

Cronbach's

Alpha

Cronbach's

Alpha Based on

Standardized

Items N of Items

,841 ,845 5

Gambar 4.4. Reliability Statistics Dukungan Pihak Sekolah

Statistics dukungan sekolah dengan 300 sampel data yang dihasilkan adalah

(46)

Gambar 4.5. Reliability Statistics Dukungan Keluarga

Cronbach's

Alpha

Cronbach's

Alpha Based on

Standardized

Items N of Items

,806 ,807 5

Statistics dukungan keluarga dengan 300 sampel data yang dihasilkan adalah

0,806.

Cronbach's

Alpha

Cronbach's

Alpha Based on

Standardized

Items N of Items

,843 ,847 5

Gambar 4.6. Reliability Statistics terhadap Minat

Statistics terhadap minat dengan 300 sampel data yang dihasilkan adalah 0,843.

4.2.2. Hasil Percobaan Testing Data

Dalam pengujian Testing data digunakan data keseluruhan setelah

dilakukan cleaning data dengan cara menghilangkan data yang inconsistent, data

testing menggunakan data sebanyak 1.200 data, hasil pengujiannya dapat dilihat

(47)

Gambar 4.7. Reliability Statistics Fasilitas Kampus

Statistics fasilitas kampus yang dihasilkan adalah 0,764.

Gambar 4.8. Reliability Statistics Dukungan Pihak Sekolah

Statistics dukungan sekolah yang dihasilkan adalah 0,843.

Gambar 4.9. Reliability Statistics Dukungan Keluarga

Dari gambar 4.9. menunjukan bahwa cronbach’s Alpha dari Reliability

(48)

Cronbach's

Alpha

Cronbach's

Alpha Based on

Standardized

Items N of Items

,843 ,847 5

Gambar 4.10. Reliability Statistics Terhadap Minat

Statistics terhadap minat yang dihasilkan adalah 0,843.

Dari perbedaan data training dan testing dapat dilihat pada tabel di bawah ini :

Tabel 4.2. Statistik Reliabilitas data

No Variabel dalam skala

Cronbach's alpha Data Training

300 Data

Cronbach's alpha Data Testing

1200 Data

1 Fasilitas Kampus ,769 ,764

2 Dukungan Sekolah ,841 ,843

3 Dukungan Keluarga ,806 ,803

4 Dukungan Minat ,843 ,843

Dari Tabel 4.2. diatas dapat dijelaskan bahwa Statistik Signifikan dan

Reliabilitas data training memiliki nilai diatas >0,60. Cronbach's alpha diberikan

survei untuk mengukur konsistensi internal. Menurut Mitchell dan Jolley (1999),

Cronbach's alpha di atas 0,60 dapat diterima sebagai bukti reliabilitas internal.

Dari hasil training dan testing dapat disimpulkan bahwa data yang penulis

(49)

4.2.3. Signifikansi

Untuk menguji korelasi dari tiga predictor variabel (fasilitas kampus,

dukungan sekolah dan dukungan keluarga) terhadap dependent variabel (daerah)

untuk penetapan strategi pemasaran penerimaan mahasiswa baru penulis

menggunakan metode analisis regresi berganda dengan model fit. Dari metode ini

akan diketahui variabel yang paling memberikan kontribusi. Seperti terlihat pada

tabel 4.3. dibawah ini :

Tabel 4.3. Korelasi signifikan dari tiga prediktor

Change Statistics

a. Predictors: (Constant), FASILITAS KAMPUS

b. Predictors: (Constant), FASILITAS KAMPUS, DUKUNGAN SEKOLAH

c. Predictors: (Constant), FASILITAS KAMPUS, DUKUNGAN SEKOLAH, DUKUNGAN KELUARGA

d. Dependent Variable: MINAT

Dari Tabel 4.3. kita dapat melihat bahwa variable terbaik dari predictor R1 atau Fasilitas Kampus yang memberikan kontribusi 80,7% (R Square change).

Keempat variabel memberikan kontribusi yang signifikan R2 = 0,828. Dengan demikian, kita dapat menyimpulkan bahwa tiga variabel tersebut di atas dapat

dijadikan sebagai penaksir model aturan untuk penetapan staretgi pemasaran pada

penerimaan mahasiswa baru seperti yang terdapat pada tabel 4.4. dibawah ini:

Tabel 4.4. Signifikan Dari Tiga Variabel Prediktor Predikat

Change Statistics

(50)

Tabel 4.4. Signifikan Dari Tiga Variabel Prediktor Predikat

Change Statistics Model

R Std. Error _R _{Sig. F}

Squar Adjusted of the _Square _F _Chang

Durbin-R e R Square Estimate _Change _Change _df1 _df2 _e Watson

,915a

1 ,838 ,838 ,331 ,838 2062,768 3 1196 ,000 1,828 dimension0

a. Predictors: (Constant), DUKUNGAN KELUARGA, FASILITAS KAMPUS, DUKUNGAN SEKOLAH

b. Dependent Variable: MINAT

4.2.4. Multicollinearity

Multikolinearitas adalah masalah umum dalam analisis korelasi banyak,

terjadi ketika variabel yang berlebihan dan dapat mengganggu penafsiran yang

tepat dari hasil regresi berganda. Cara sederhana untuk mengidentifikasi

collinearity adalah Toleransi dan Varian Inflation Factor (VIF). Toleransi adalah

jumlah variabilitas variabel independen yang dipilih. Toleransi nilai mendekati

0.00 menunjukkan variabel sangat collinear dengan variabel prediktor lainnya.

Faktor inflasi varian berbanding terbalik dengan nilai toleransi. Sebuah nilai VIF

yang besar, (biasanya ambang 10,0) menunjukkan tingkat tinggi collinearity atau

multikolinieritas antar variabel independent, seperti pada tabel 4.5.

Collinearity Statistics

Model

Beta In

t Sig. Partial Correlation

Tabel 4.5. Multikolinearity Diagnostik

Tolerance VIF Minimum Tolerance

a. Predictors in the Model: (Constant), FASILITAS KAMPUS

b. Predictors in the Model: (Constant), FASILITAS KAMPUS, DUKUNGAN SEKOLAH

(51)

4.2.5. Implementasi ID3

Contoh dari manual implementasi ID3 terhadap pengukuran minat adalah

sebagai berikut:

Tabel 4.6. Pengukuran Terhadap Minat

Calon

C11 Buruk Rendah Tinggi Minat

Dari data diatas disimpulkan:

a. Jumlah class target (apakah minat?) = 2 (“Minat” dan “Tidak”)

b. Jumlah sampel untuk kelas 1 (“minat”) = 8  P1

Information Gain berdasarkan Fasilitas Kampus (FK):

(52)

Gain (S,FK)=Entropy(S)-  | Sv | Entropy(Sv)=

| S |

v{Baik,Cukup,buruk}

Entropy(S) – (4/11) Entropy-(Sbaik) – (4/11)Entropy(Scukup)-(3/11)Entropy(Sburuk)

= 0.8454 - (4/11)0.8113 - (4/11)0.8113 – (3/11)0.9183 = 0.0049

Begitu juga dengan perhitungan gain untuk Dukungan Sekolah dan Dukungan

Keluarga, sehingga diperoleh hasil sebagai berikut:

Gain (S,FK) = 0.0049

Gain (S,DS) = 0.2668

Gain (S,DK) = 0.4040

Dari perolehan information gain diperoleh tree sebagai berikut:

tinggi rendah

minat

tinggi rendah

Dukungan Sekolah Dukungan Keluarga

tidak minat sedang tidak minat Fasilitas Kampus

baik buruk

minat cukup tidak minat

minat

Gambar 4.11. Manual Decision Tree Terhadap Minat (DK=tinggi) V

((DK=rendah)^(DS=sedang)^(FK=baik)) V

((DK=rendah)^(DS=sedang)^(FK=cukup))  dukungan minat = minat

Berdasarkan implementasi manual dari algoritma ID3 tersebut diatas diperoleh

rule sebagai berikut:

Jika DK ’tinggi’ atau

Jika DK ‘rendah’ dan DS ‘sedang’ dan FK ‘baik’ atau

Jika DK ‘rendah’ dan DS ’sedang’ dan FK ‘cukup’ maka dukungan minat adalah

(53)

4.2.6. Hasil Percobaan Decision Tree

Model Decision Tree dengan Model Grafik yang akan digunakan

digambarkan sebagai berikut:

Gambar 4.12. Grafik Decision Tree

Dari grafik diatas dapat dijelaskan bahwa fasilitas kampus memiliki pengaruh

paling besar terhadap minat. Untuk lebih jelasnya dapat dilihat pada model aturan

berbentuk text seperti pada gambar 4.13.

FASILITAS KAMPUS = 13 | DUKUNGAN SEKOLAH = 16 | | DUKUNGAN KELUARGA = 16

| | | Asal Sekolah = Pematangsiantar: Sangat Berminat {Sangat Berminat=10, Berminat=1, Tidak Berminat=9}

| | Asal Sekolah = Simalungun: Sangat Berminat {Sangat Berminat=5, Berminat=0, Tidak Berminat=0}

| | | Asal Sekolah = Pematangsiantar: Tidak Berminat {Sangat Berminat=4, Berminat=2, Tidak Berminat=8}

| | | Asal Sekolah = Pematangsiantar: Sangat Berminat {Sangat Berminat=2, Berminat=0, Tidak Berminat=1}

| | DUKUNGAN KELUARGA = 19: Sangat Berminat {Sangat Berminat=1, Berminat=0, Tidak Berminat=0}

| DUKUNGAN SEKOLAH = 19 | | DUKUNGAN KELUARGA = 19