3.1. Kerangka Pemikiran Penelitian
Informasi merupakan suatu unsur kunci yang penting di dalam suatu sistem konseptual. Suatu informasi dapat terbentuk melalui berbagai cara salah satunya adanya data, jika data tersebut diolah dapat digunakan sebagai sumberdaya informasi yang berharga. Tetapi terkadang data digunakan hanya pada saat dibutuhkan kemudian dijadikan arsip dan disimpan dengan harapan dapat berguna di masa yang akan datang. Keberadaaan data tersebut jumlahnya sangat banyak dan bervariasi, hal ini sesuai dengan keadaan data dari berbagai bagian yang mendukung organisasi tersebut. Adanya sistem informasi manajemen memungkinkan untuk membangkitkan data-data yang ada dalam suatu organisasi. Pembangkitan data diperlukan untuk mengetahui pola serta struktur dari suatu data, sehingga dapat mempermudah dan membantu manajemen. Struktur dan pola data yang ditampilkan dapat digunakan sebagai informasi baik bersifat strategis maupun manajerial agar dapat memperkecil resiko dalam pengambilan keputusan.
Dalam penjaringan calon mahasiswa, IPB menerapkan sistem Undangan Seleksi Masuk IPB atau disebut USMI. Sistem seleksi tersebut tidak menggunakan tes masuk, melainkan melihat catatan kompetensi akademik siswa SLTA selama 5 (lima) semester. Kompetensi akademik tersebut dinilai dan dibobotkan, sehingga terjaring didapatkan peserta didik yang layak masuk ke IPB. Dasar yang digunakan dari kompetensi akademik siswa SLTA dalam penyaringan mahasiswa baru didasarkan 4 (empat) mata ajaran yaitu fisika, biologi, matematika dan kimia. Data kompetensi siswa SLTA ini oleh panitia penerimaan mahasiswa baru IPB hanya digunakan untuk proses penyeleksian mahasiswa baru, setelah itu data tersebut diarsipkan untuk kebutuhan administratif. Data-data tersebut tersimpan dalam bentuk fisik ataupun softfile di dalam database. Database mahasiswa USMI dari tahun ke tahun menumpuk dan dapat terjadi gunung data dalam database, sehingga tidak memberikan manfaat bagi pemilik data. Penelitian
ini dapat memanfaatkan data-data tersebut untuk diekstraksi dan dapat diambil nilai kemenarikannya.
Penelitian yang dilakukan mencoba melihat pola-pola yang dibentuk dari kompetensi akademik SLTA dengan keberhasilan mahasiswa tersebut dalam mengikuti mayor yang ada di IPB. Beberapa faktor juga diduga dapat mempengaruhi dari keberhasilan mahasiswa tersebut dalam perkuliahan seperti jenis kelamin dan asal daerah. Berdasarkan latar belakang, perumusan masalah, tujuan penelitian, focus group discusion diperoleh sebuah kaidah asosiasi untuk melihat pola asosiasinya. Setelah pola terbentuk dari aturan-aturan yang ditentukan dapat dilihat nilai hubungan dari pola yang tersebut, sehingga panitia penerimaan mahasiswa baru dapat menggunakannya sebagai informasi. Informasi tersebut dapat berguna untuk berbagai macam keputusan baik strategis maupun manajerial.
Gambar. 4 Kerangka Penelitian Analisis Asosiasi Pilihan Mayor dengan Kompetensi Akademik Siswa SLTA dengan Menggunakan Market Basket Analysis Studi Kasus: Mahasiswa USMI IPB
3.2 Metodologi Penelitian
3.2.1 Lokasi dan waktu Penelitian
Lokasi penelitian dilakukan di Institut Pertanian Bogor bertempat di gedung Andi Hakim Nasoetion, Kampus IPB Darmaga. pada bulan November 2009 – Februari 2010. Dua bagian yang dijadikan tempat penelitian yaitu Sekretariat Panitia Penerimaan Mahasiswa Baru dan Direktorat Administrasi Pendidikan Institut Pertanian Bogor.
3.2.2 Jenis dan Metode Pengumpulan Data
Jenis data yang digunakan merupakan data primer dan sekunder, Data primer didapatkan dengan konsultasi dan wawancara langsung dengan pihak-pihak yang terlibat dalam manajemen Penerimaan Mahasiswa Baru dan Mahasiswa USMI IPB. Data Sekunder dibutuhkan dengan mengumpulkan data nilai usmi dan biodata mahasiswa mayor-minor IPB serta nilai akademik mahasiswa, studi pustaka mengenai market basket analysis dan data yang berkaitan dengan Nilai USMI dan IPK Mahasiswa USMI IPB pada tahun 2005 – 2008.
3.3 Metode Pengolahan dan Analisis Data
Pengolahan dan analisis data yang akan diteliti menggunakan tehnik data mining dengan menggunakan metode Market Basket Analysis yaitu dengan cara menemukan asosiasi dan korelasi dari berbagai macam faktor yang sering berkaitan dan terdapat hubungan. Pengolahan data menggunakan tahap-tahap sebagai berikut (Han dan Kamber, 2006):
1. Metode Analisis : yaitu dengan melakukan survei dan observasi untuk mengumpulkan data yang digunakan
2. Pembersihan data : membuang data, informasi atau field yang tidak konsisten dan data yang mengandung noise.
3. Integrasi data : merupakan proses memilih dan memisahkan data berdasarkan kriteria
4. Menyeleksi data : mengambil data yang relevan yang dapat digunakan untuk proses analisis
5. Transformasi data : data di rubah dalam bentuk yang useable dan dapat di-mining.
6. Data mining : melakukan penambangan data sehingga mendapatkan pola-pola dari data
7. Evaluasi Pola : Evaluasi Pola diperlukan untuk mengidentifikasi pola-pola yang menarik dalam merepresentasikan pengetahuan.
8. Presentasi pengetahuan : setelah menemukan pola data dapat dipresentasikan dengan tehnik visualisasi agar user dapat mudah memahaminya. .
Tahapan penelitian diawali dengan melakukan pembersihan data, data yang akan digunakan adalah data yang dinilai kemenarikannya dan relevan untuk diekstraksi. Data yang mengandung noise ataupun kosong yang diakibatkan oleh pengentrian data dapat dibersihkan sehingga tidak mengganggu ekstraksi data.
Data yang digunakan dalam penelitian ini hanya berupa data kompetensi akademik dari SLTA dan sebagian dari data diri yaitu jenis kelamin, asal daerah dan tahun masuk. Selain data yang dibutuhkan atau terdapat data yang sama maka data tersebut akan dihapus. Pemasukan data harus didasarkan rule yang ditentukan sehingga jika ada data yang tidak sama terhadap aturan yang ditentukan data tersebut dibersihkan.
Pembersihan data dilakukan dengan penghapusan data dari database dan perbaikan data, bagian data yang dihapus adalah data yang mengandung noise, data kosong ,dan data dari atribut yang tidak dinilai kemenarikannya. Data juga dapat diperbaiki jika terdapat data yang terdapat noise tetapi dapat diperbaiki.
Setelah dilakukan pembersihan data, selanjutnya dilakukan integrasi data, proses ini diperlukan untuk memperoleh data yang dapat di-mining sesuai kemenarikannya. Data diperoleh dari dua bagian yang berbeda yaitu PPMB IPB yang mempunyai data tentang kompetensi akademik SLTA mahasiswa USMI IPB tahun 2005-2008 dan data dari Direktorat
Administrasi Pendidikan yang memiliki data Indeks Prestasi mahasiswa tersebut selama masa perkuliahan.
Proses pengintegrasian data dimulai dengan konversi nilai akademik 4 mata ajaran Matematika, Fisika, Biologi, dan Kimia yang menjadi dasar pertimbangan penilaian di jalur USMI untuk dikelompokkan menjadi 2 (dua) kelompok besar yaitu A dan B. Konversi dilakukan juga terhadap Indeks Prestasi Mahasiswa, sesuai kisaran yang telah ditentukan untuk penelitian ini adalah IP dengan nilai 3,51–4,00; 2,76 – 3,50; 2,01 – 2,75; dan < 2,0 dan selanjutnya akan diberi Kode ”CL” untuk nilai 3,51–4,00, ”SM” untuk nilai 2,76 -3,50, ”M” untuk 2,01-2,75 dan ”DS” jika memiliki nilai <2,0.
Proses integrasi data dilakukan pada tabel dan diidentifikasi berdasarkan Nomor Induk Mahasiswa (NIM), atribut pada data akan diberikan kode-kode untuk membedakan. Hasil tabel gabungan akan memiliki seluruh atribut gabungan dari mahasiswa. Informasi tahun masuk mahasiswa USMI juga akan disertakan dalam atribut untuk tetap menjaga informasi. Setelah diintregasikan diperoleh data sebanyak 74.243 tuple.
Atribut yang digunakan dalam penelitian ini berupa Indeks prestasi TPB diberikan kode ”IPKB”, Indeks prestasi akhir dengan kode ”IPKA”. Untuk kompetensi akademik SLTA menggunakan variabel dari nilai yang digunakan sebagai dasar pemilihan mahasiswa USMI yaitu nilai kimia diberikan kode ”KIMUS”, nilai fisika ”FISUS” nilai matematika ”MATUS” dan nilai biologi ”BIOUS”. Atribut jenis kelamin yang disingkat ”JK” digunakan juga untuk melihat pengaruh yang diakibatkan jika terdapat faktor gender, untuk laki-laki diberikan kode ”1” dan perempuan deberikan kode ”0”. Mayor akan diberikan kode ”DEPT” , kode mayor yang dipilih mahasiswa tersebut akan didasarkan kode mayor yang ada di IPB dan untuk asal daerah akan disingkat dengan ”ASDAE” diberikan kode seperti pada Tabel 7 dibawah ini :
Tabel 7. Kode Asal Daerah Mahasiswa USMI Tahun 2005-2008 Kode Asal Daerah
1 Sumatera
2 DKI Jakarta
3 Jawa Barat
4 Jawa Tengah
5 Jawa Timur dan
Madura
6 Bali dan Nusa
Tenggara
7 Kalimantan
8 Sulawesi
9 Irian Jaya
10 Luar Negeri
Data yang sudah diintegrasikan akan diubah kedalam bentuk data yang mudah untuk dilakukan penambangan. Data tersebut harus sesuai dengan alat atau software yang digunakan. Dalam penelitian ini digunakan ”Magnum Opus” yang dikeluarkan oleh G.I. Webb & Associates pty Ltd., yang merupakan software untuk mengolah data dengan menggunakan tehnik market basket analysis.
Data yang diperoleh dari IPB berformat basis data Foxpro (.dbf) sehingga perlu di transformasi menjadi format yang disediakan oleh ”Magnum Opus” yaitu Identifier-Item File (.idi), Item List File (.itl), Name File (.nam). Data yang diperoleh dari Panitia Penerimaan Mahasiswa Baru (PPMB) IPB dan Direktorat Administrasi Pendidikan adalah basis data Foxpro (.dbf) dan sudah di konversi dalam tabel microsoft exel (.xls). Format data yang diberikan mirip dengan format Identifier-Item File (.idi) yang ada di magnum opus, sehingga data yang diperoleh dikonversi menjadi (.idi) dengan format (NIM, Atribut).
Setelah semua atribut diintegrasikan didapatkan 68 atribut yang digunakan. Atribut tersebut akan diibaratkan sebuah transaksi, setiap transaksi berisi tentang data kompetensi akademik saat SLTA, data diri mahasiswa, serta data pilihan mayor dan indeks prestasinya. Untuk memudahkan proses atribut tersebut diberikan kode sebagai berikut :
Tabel. 8 Atribut Biner Penilaian Kompetensi Mahasiswa USMI IPB Tahun 2005-2008
Analisis data dilakukan dengan menggunakan kaidah asosiasi (Association Rules), yang biasa digunakan dalam metode market basket analysis untuk menghasilkan aturan asosiasi dengan pola ”if condition – then result” (Agarwal et al, 1993). Association Rules digunakan dengan
1. IPKB CL 35. DEPT A3 2. IPKB SM 36. DEPT A4 3. IPKB M 37. DEPT B0 4. IPKB DS 38. DEPT C1 5. IPKA CL 39. DEPT C2 6. IPKA SM 40. DEPT C3 7. IPKA M 41. DEPT C4 8. IPKA DS 42. DEPT C5 9. ASDAE 1 43. DEPT D1 10. ASDAE 2 44. DEPT D2 11. ASDAE 3 45. DEPT E1 12. ASDAE 4 46. DEPT E2 13. ASDAE 5 47. DEPT E3 14. ASDAE 6 48. DEPT E4 15. ASDAE 7 49. DEPT F1 16. ASDAE 8 50. DEPT F2 17. ASDAE 9 51. DEPT F3 18. ASDAE 10 52. DEPT F4 19. JK 1 53. DEPT G1 20. JK 0 54. DEPT G2 21. MATUS A 55. DEPT G3 22. MATUS B 56. DEPT G4 23. KIMUS A 57. DEPT G5 24. KIMUS B 58. DEPT G6 25. FISUS A 59. DEPT G7 26. FISUS B 60. DEPT G8 27. BIOUS A 61. DEPT H1 28. BIOUS B 62. DEPT H2 29. TAHUN 05 63. DEPT H3 30. TAHUN 06 64. DEPT H4 31. TAHUN 07 65. DEPT I1 32. TAHUN 08 66. DEPT I2 33. DEPT A1 67. DEPT I3 34. DEPT A2 68. DEPT D0
tujuan menemukan frequent itemsets yang dijalankan pada sekumpulan data. Ukuran objektif yang dapat digunakan untuk menemukan aturan asosiasi adalah dengan menggunakan dua ukuran kepercayaan (interestingness measure) (Srikant dan Agrawal, 1996) yaitu :
a. Support adalah suatu ukuran yang menunjukkan presentase banyaknya kejadian kombinasi item A dalam basis data.
Support = jika asosiasi X → Y =
b. Confidence adalah presentase menunjukkan keakuratan dari hubungan antar 2 item atau lebih dalam aturan asosiasi (Han dan Kamber 2006).
Confidence= jika asosiasi X → Y =
Data yang diperoleh dari database ditentukan pola yang menarik dan dilihat karakteristiknya. Setelah mengetahui karakteristik data dilakukan integrasi data sehingga mudah untuk di-mining. Aturan yang akan diterapkan dalam penelitian ini adalah ” jika mahasiswa berasal dari daerah...., dan memiliki nilai USMI...., memilih mayor....,→ maka Indeks prestasi mahasiswa...”. Dalam proses data mining juga dapat menggunakan fasilitas query dalam basis data sehingga dapat digunakan sebagai alat untuk mengkombinasikan antar item dalam itemset. Penelitian ini menggunakan software khusus untuk metode market basket analysis yaitu ”magnum opus” dari G.I. Webb & Associates pty Ltd.
... (6)
