Kata kunci: prediksi, masa studi, data mining, algoritmeC4.5 PENDAHULUAN - IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITME C4.5 (STUDI KASUS: JURUSAN TEKNIK INFORMATIKA, INSTITUT SAINS & TEKNOLOGI AKPRIND YOGYAKARTA)

17

IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITME C4.5 (STUDI KASUS: JURUSAN TEKNIK INFORMATIKA,

INSTITUT SAINS & TEKNOLOGI AKPRIND YOGYAKARTA)

Dwi Asih Sapta Arga1_{, Uning Lestari}2_{, Edy Sutanta}3

1,2,3_{Teknik Informatika, Fakultas Teknologi Industri, IST AKPRIND Yogyakarta}

saptarga@gmail.com1_{, uning@akprind.ac.id}2_{, edhy_sst@yahoo.com}3

ABSTRACT

Prediction modeling is one model of data mining that can be applied to predict the study period of students. One of the algorithms that can be applied in prediction modeling is C4.5. Using the C4.5 algorithm, the Study Program can predict a student's study period based on existing case data. The data of the case can be the number of credits that have been taken at semester 7, the student's GPA during semester 7, the concentration course taken by the students and the origin of the study program students can know what factors affect the study period of the students, and expected to predict the time Study of a student.

Based on the evaluation of the software built, the C4.5 algorithm is able to classify students into predefined classes with error value of 27.75% and 72,25% accuracy.

Keywords: prediction, study period, data mining, algorithm C4.5

INTISARI

Pemodelan prediksi merupakan salah satu model data mining yang dapat diterapkan untuk memprediksi masa studi mahasiswa. Salah satu algoritme yang dapat diterapkan dalam prediction modelling adalah C4.5. Dengan menggunakan algoritmeC4.5, Program Studi dapat memprediksi masa studi mahasiswa berdasarkan data kasus yang sudah ada.Data kasus tersebut dapat berupa jumlah SKS yang sudah ditempuh saat semester 7, IPK mahasiswa saat semester 7, matakuliah konsentrasi yang diambil mahasiswa dan asal sekolah mahasiswa Program Studi dapat mengetahui faktor-faktor apa saja yang mempengaruhi masa studi mahasiswa, dan diharapkan dapat memprediksi waktu masa studi seorang mahasiswa.

Berdasarkan hasil evaluasi terhadap perangkat lunak yangdibangun, algoritme C4.5 mampu mengklasifikasikan mahasiswa ke dalam kelas-kelasyang telah ditentukan sebelumnya dengan nilai error 27.75% dan nilai akurasi 72,25%.

Kata kunci: prediksi, masa studi, data mining, algoritmeC4.5

PENDAHULUAN

Pada saat ini perguruan tinggi dituntut untuk memiliki kualitas dan keunggulan bersaing yang tinggi. Pada tahun 2015 Kementrian Riset, Teknologi, dan Pendidikan Tinggi (Kemenristekdikti) menetapkan 5 indikator yang digunakan untuk mengklasifikasi dan menentukan peringkat perguruan tinggi di Indonesia yaitu kualitas dosen (12%), kecukupan dosen (18%), kualitas manajemen (30%), kualitas kegiatan kemahasiswaan (10%), dan kualitas kegiatan penelitian (30%). Rata-rata rasio lama studi aktual terhadap lama studi menurut kurikulum pada satu periode menjadi salah satu aspek dalam penilaian kualitas manajemen suatu perguruan tinggi (SK KemenristekdiktiNomor 492.a/M/KP/VIII/2015).

Salah satu tujuan Program Studi Teknik Informatika adalah mahasiswa dapat menguasai dasar-dasar ilmiah dan ketrampilan di bidang teknik informatika sehingga mampu memahami, menjelaskan, menganalisis, merumuskan cara penyelesaian masalah dan memiliki ketrampilan yang diperlukan untuk melaksanakan tugas pekerjaan dan praktek dalam kawasan keahlian Teknik Informatika.Dalam melaksanakan kewajibannya, Program Studi dapat memanfaatkan teknik data mining untuk membantu dalam memantau dan mengevaluasi perkembangan mahasiswa. Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database.

18

tidak. Salah satu algoritme yang dapat diterapkan dalam prediction modelling adalah algoritmeC4.5. Algoritme C4.5 digunakan untuk membentuk pohon keputusan untuk mengubah fakta yang sangatbesar menjadi pohon keputusan yang mempresentasikan aturan. Pohon keputusan jugaberguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antarasejumlah calon variabel input dengan sebuah variabel target (Kusrini & Luthfi, 2009).

Kelebihan algoritme C4.5 dapat menghasilkan pohon keputusan yang mudah diinterprestasikan, memiliki tingkat akurasi yang dapat diterima, efsien dalam menangani atribut bertipe diskret dan dapat menangani atribut bertipe diskret dan numerik (Han, Kamber, & Pei, 2012). Dengan menggunakan algoritmec4.5, Program Studi dapat memprediksi masa studi dari seorang mahasiswa berdasarkan data kasus yang sudah ada.Dengan memanfaatkan data kasusberupa data jumlah SKS yang sudah ditempuh saat semester 7, IPK mahasiswa saat semester 7, matakuliah konsentrasi yang diambil mahasiswa dan asal sekolah mahasiswa. Program Studi dapat mengetahui faktor-faktor apa saja yang mempengaruhi masa studi mahasiswa, dan diharapkan dapat memprediksi waktu masa studi seorang mahasiswa.

Berdasarkan latar belakang tersebut, penelitian Skripsi ini akan membangun sebuah aplikasi data mining dengan judul “Implementasi Data Mining untuk Memprediksi Masa Studi Mahasiswa Menggunakan ALGORITME C4.5 (Studi Kasus: Program Studi Teknik Informatika, INSTITUT SAINS & TEKNOLOGI AKPRIND YOGYAKARTA)” untuk membantu Program Studi dalam memantau dan mengevaluasi perkembangan studi mahasiswa.

Manfaat dari penelitian ini adalah dapat memprediksi waktu masa studi mahasiswa, dan dapat melakukan tindakan pencegahan terhadap mahasiswa yang memiliki kecendrungan menyelesaikan studi tidak tepat waktu dan diharapkan memudahkan Program Studi dalam mengawasi dan mengevaluasi perkembangan studi mahasiswa.

TINJAUAN PUSTAKA

Penelitian ini menggunakan beberapa referensi yang berhubungan dengan pembahasan aplikasi transliterasi. Referensi diambil dari buku yang berhubungan dengan penelitian dan literature atau hasil penelitian yang telah dilakukan seperti:

Penelitian sentiment analysis dengan memanfaatkan data saran kuesioner menggunakan metode Naive Bayes Classifier (NBC) pernah dilakukan oleh (Hamzah, 2014). Dalam penelitian tersebut, peneliti memanfaatkan teknik data mining untuk menganalisis opini mahasiswa dalam evaluasi pembelajaran menggunakan metodeNBC. Penelitian tersebut bertujuan melakukan kajianpenerapan teknik sentiment analysis untuk menganaliasa data saran/opini mahasiswa, sehinggasaran-saran dan opini tersebut dapat dimanfaatkan untuk mendukung hasil evaluasi menggunakan skorkuesioner. Aplikasi data mining dalam penelitiantersebut menggunakan jenis pemrograman dekstop dengan bahasa pemrograman Java.

Penelitian (Meinanda, Annisa, Muhandri, & Suryadi, 2009)membahas prediksi masa studi mahasiswa dengan menggunakan algotitme Artifical Neural Ntwork (ANN) dengantujuan untuk menentukan faktor akademis yang berpengaruh terhadap masa studi dan membangun model prediksi menggunakan teknik data mining. Kriteria pemilihan model yang digunakan adalah meminimalkan Sum Square Error (SSE).Dalampenelitian tersebut ditemukan bahwa lama masa studi dipengaruhi oleh Indeks Prestasi Kumulatif (IPK), jumlah mata kuliah yang diambil, jumlah mata kuliah mengulang, dan jumlah pengambilan mata kuliah tertentu.

Analisis dan penerapan algoritme c4.5 dalam data mining untukmemprediksi masa studi mahasiswa berdasarkan data nilai akademik juga pernah dilakukan oleh (Ginting, Zarman, & Hamidah, 2014). Dalam penelitian tersebut, data yang dimanfaatkan adalah nilai akademik mahasiswa yang sudah lulus (yang digunakan sebagai data kasusdan data testing) dan data nilai akademik mahasiswa yang belumlulus atau sedang menempuh studi (yang digunakan untuk memprediksi masa studimasing-masing mahasiswa). Hasil dari penelitian tersebut adalah persentase kecocokan hasil pengujian yang didapatkan dari 112 data kasuslebih kecil dibandingkan dengan pengujian menggunakan 70 data kasus untuk berapapun kombinasi atribut. Hal ini juga terjadi pada semuakonfigurasi atribut, yaitu persentase kecocokan hasil pengujian menggunakan 112 data kasus lebih kecil dibandingkan dengan pengujian menggunakan 70 data kasus.

19

ini bertujuan menemukan hubungan antara proses masuk dengan tingkat kelulusan yang sebelumnyatersembunyi di dalam gudang data sehingga menjadi informasi yang berharga dan bermanfaat bagi kampus STMIK AMIKOM Yogyakarta supaya dapat mengetahuitingkat kelulusan mahasiswanya dan faktor yang mempengaruhi tingkat kelulusan. Hasil dari proses data mining ini dapat digunakan sebagai pertimbangandalam mengambil keputusan lebih lanjut tentang faktor yang mempengaruhitingkat kelulusan,khususnya faktor dalam data induk mahasiswa. Denganmengggunakanaplikasi tersebut, maka akan didapatkaninformasi tentang keberhasilan proses masuk mahasiswa berdasarkan faktor asal daerah, asal sekolah, nama sekolah, dan ProgramStudi mahasiswa. Dari atribut Program Studi dapat diketahuiProgram Studi yang diunggulkan dan dianggap berhasil dalammencetak lulusan mahasiswa di STMIK AMIKOM Yogyakarta.

Beberapa landasan teori tersebut meliputi konsep dasar dan definisi-definisi yang berkaitan dengan perangkat lunak yang digunakan serta faktor-faktor pendukung dalam pelaksanaan perancangannya, antara lain:

1. Data Mining

Secara sederhana,data mining adalah penambangan atau penemuan informasibaru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining juga disebut sebagai serangkaian proses untukmenggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secaramanual dari suatu kumpulan data(Pramudiono, 2017).

2. Pohon Keputusan

Pohon Keputusan juga berguna untuk mengeksplorasi data,menemukan hubungan tersembunyi antara sejumlah calonatribut input dengan sebuah atribut target. Sebuah pohon keputusan adalah sebuah struktur yangdapat digunakan untuk membagi kumpulan data yangbesar menjadi himpunan-himpunan record yang lebih kecildengan menerapkan serangkaian aturan keputusan.Dengan masing-masing rangkaian pembagian, anggotahimpunan hasil menjadi mirip satu dengan yang lain(Kusrini & Luthfi, 2009).

3. Algoritme C4.5

AlgoritmeC4.5 merupakan salah satu algoritmeyang digunakan untukmembentuk pohon keputusan. Secara umum tahapan dalam algoritmeC4.5 untuk membangun pohonkeputusan ada beberapa tahapan yaitu pilih node sebagai akar, buat cabang untuk masing-masing nilai, bagi kasus dalam cabang dan ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama(Kusrini & Luthfi, 2009)

METODOLOGI PENELITIAN

Lokasi/objek penelitian Skripsi ini dilakukan diInstitut Sains & Teknologi AKPRIND Yogyakarta yang terletak di Jl. Kalisahak No.28 Komplek Balapan Yogyakarta.

Bahan-bahan yang digunakan sebagai penunjang dalam penelitian ini adalah sebagai berikut:

a. Data induk mahasiswa.

b. Data IPK mahasiswa saat semester 7 serta data matakuliah konsentrasi yang diambil mahasiswa.

c. Data masa studi mahasiswa pada tahun angkatan 2007 s/d 2012 (data kasus). Pengumpulan data yang dilakukan dalam penelitian inimenggunakan metode sebagai berikut:

a. Metode observasi

Metode ini digunakan untuk pengumpulandata induk mahsiswa dan data mahasiswa yang telah menyelesaikan masa studi di Institut Sains & Teknologi Akprind Yogyakarta. Data yang tekumpul digunakan sebagai data uji pada aplikasi yang dikembangkan. b. Studi kepustakaan/literatur

Metode ini digunakan dalam pengumpulan data pustaka danbahan-bahan penelitian yang dibutuhkan.

20

Simulasi dilakukan dengan cara menjalankan aplikasi yang dikembangkan menggunakan data uji dengan tujuan untuk memperoleh data hasil pengujian berupa tingkat akurasi yang dihasilkan dari proses mining.

Perancangan sistem dibuat menggunakan UML (Unified ModelingLanguage).Gambar 1 merupakan use case diagram dari aplikasi data minig. Diagram memiliki dua actor yang berhubungandengan fungsi sistem, yaitu Admin dan Ketua Program Studi.

Gambar 1 Use Case Diagram Aplikasi Data Mining C4.5

PEMBAHASAN

Pada preancangan database terdapat 8 tabel yaitu kasus, predikis, kerja, atribut, tree, user, sub_kerja, testing. Perancangan database aplikasi data mining ini ditunjukkan pada Gambar 2.

Gambar 2 Rancangan Database Aplikasi Data Mining C4.5 uc Use Case Model

Admin

Aplikasi Data Mining C4.5

Ketua Program Studi

Melakukan Training Data Mengolah data Kasus

Melakukan Proses Mining

Analisis Data Kasus

Melakukan Login

Melakukan Logout

Melihat Informasi Pola Aturan

Melakukan Ev aluasi Pola Aturan Melakukan Prediksi

Masa Studi

Melihat Hasil Ev aluasi Pola Aturan

«extend» «extend»

«extend»

«extend»

«include» «include»

«include»

21

Hasil implementasi perancangan antarmuka halaman mengolah data kasus ditunjukan pada Gambar 3. Pada halaman ini admin dapat melihat atau mengunggah data kasus mahasiswa yang nantinya akan diproses mining oleh aplikasi.

Gambar 3 Halaman Mengolah Data Kasus

Hasil implementasi perancangan antarmuka halaman proses mining ditunjukan pada Gambar 4. Pada halaman ini admin dapat memulai proses mining terhadap data kasus dengan

mengklik tombol ‘Mulai Proses’.

Gambar 4 Halaman Proses Mining

Hasil implementasi perancangan antarmuka halaman pola aturan ditunjukan pada Gambar 5. Pada halaman ini user dapat melihat pola aturan yang dihasilkan dari proses mining yang telah dilakukan sebelumnya.

Gambar 5 Halaman Pola Aturan

22

Gambar 6 Halaman Hasil Evaluasi Pola Aturan

Hasil implementasi perancangan antarmuka halaman prediksi masa studi mahasiswa ditunjukan pada Gambar 7.

Gambar 7 Halaman Prediksi Masa Studi

Kemudian dalam tahap selanjutnya akan dilakukan evaluasi terhadap pola aturan. Evaluasi pola aturan ditujukan untuk mengukur tingkat kesesuaian antara hasil klasifikasi terhadap data kasus dengan hasil klasifikasi menggunakan pola aturan yang dibentukalgoritmec4.5. Adapun evaluasiyang dilakukan menggunakan k-fold cross validation dengan nilai k = 6. Cross Validation adalahteknik validasi dengan membagi data secaraacak kedalam k bagian dan masing-masingbagian akan dilakukan proses klasifikasi (Han, Kamber, & Pei, 2012).Berikut adalah kombinasi fold yang digunakan dapat dilihat pada Tabel 1.

Tabel 1 Kombinasi Fold Cross Validation

Evaluasi Ke- Data Testing Data Kasus

1 2007 2008 s/d 2012

2 2008 2007, 2009, 2010,2011,2012

3 2009 2007,2008,2010,2011,2012

4 2010 2007,2008,2009,2011,2012

5 2011 2007,2008,2009,2010,2012

6 2012 2007 s/d 2011

23

Tabel 2 Perbandingan Tingkat Error dan Tingkat Akurasi

Hasil Pengujian

Data Evaluasi Tingkat Akurasi Tingkat Error

Evaluasi Ke-1 82.00% 18.00%

Evaluasi Ke-2 77.08% 22.92%

Evaluasi Ke-3 52.94% 47.06%

Evaluasi Ke-4 64.00% 36.00%

Evaluasi Ke-5 69.05% 30.95%

Evaluasi Ke-6 88.46% 11.54%

Rata-Rata 72.25% 27.75%

Berdasarkan hasil evaluasi yang dilakukan terhadap perangkat lunak yangdibangun, dapat ditarik kesimpulan bahwa pola aturan yang dibangunalgoritme C4.5 mampu mengklasifikasikan mahasiswa ke dalam kelas-kelasyang telah ditentukan sebelumnya dengan nilai error sebesar 27.75% dan nilai akurasi diatas 50% yaitu 72.25%.

Dalam penelitian ini, pola aturan yang berhasil diekstrak sebanyak 22 pola aturan, dengan

17 pola aturan mengelompokkan data ke klass ‘> 4.6 th’, dan 5 pola aturan mengelompokkan data ke klas ‘<= 4.6 th’. Sesuai data hasil evaluasi, maka tingkat akurasi yang berhasil dicapai oleh algoritme c4.5 sebesar 72.25%.Hasil Pola aturan terlihat pada pohon keputusan padaGambar 8.

Gambar 8 Pohon Keputusan Algoritme C4.5

KESIMPULAN

Berdasarkan hasil penelitian dan pembahasanyang telah dilakukan, maka kesimpulan yang dapatdiambil adalah:

1.

_{Dalam penelitian ini, pola aturan yang berhasil diekstrak sebanyak 22 pola aturan, dengan} 17 pola aturan mengelompokkan data ke klass ‘> 4.6 th’, dan 5 pola aturan

mengelompokkan data ke klas ‘<= 4.6 th’.

2.

_{Hasil evaluasi pola aturan menggunakan k-fold cross validation menunjukkan tingkat}

24

mahasiswa dengan empat atribut yaitudata jumlah SKS yang sudah diselesaikan saat semester 7, IPK mahasiswa saat semester 7, matakuliah konsenterasi yang diambil mahasiswa dan asal sekolah mahasiswa.

3.

_{Pohon keputusan yang dihasilkan dari algoritme c4.5 menunjukkan bahwa atribut IPK dan}

asal sekolah merupakan atribut yang paling dominan diantara atribut yang lain dalam menentukan masa studi mahasiswa. Hal ini terlihat dari root node pohon keputusan yang merupakan atribut IPK dan internal node ke-2 yang memiliki terminal node ‘<= 4.6 th’ merupakan atribut asal sekolah.

DAFTAR PUSTAKA

Ginting, S. L., Zarman, W., & Hamidah, I. (2014). ANALISIS DAN PENERAPAN ALGORITME C4.5 DALAM DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA BERDASARKAN DATA NILAI AKADEMIK. Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST).

Hamzah, A. (2014). Sentiment Analysis Untuk Memanfaatkan Saran Kuesioner Dalam Evaluasi Pembelajaran Dengan Menggunakan Naive Bayes Classifier (Nbc). Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014.

Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Technique. USA: Morgan Kaufman Pub.

Kusrini, & Luthfi, E. T. (2009). Algoritme Data Mining. Yogyakarta: Andi.

Ma’ruf, F. A. (2013). APLIKASI DATA MINING UNTUK MENGETAHUI HUBUNGAN PROSES

MASUK DENGAN TINGKAT KELULUSAN MAHASISWA. STMIK AMIKOM YOGYAKARTA.

Meinanda, M. H., Annisa, M., Muhandri, N., & Suryadi, K. (2009). Prediksi Masa Studi Sarjana Dengan Artifical Neural Network. Internetworking Indonesia Journal Vol.1, Vol 1, 31. Pramudiono. (2017, February 26). iko-datamining. Retrieved from ilmukomputer: