Penentuan Penerimaan Mahasiswa Baru UNJA (1)

(1)

Penentuan Penerimaan Mahasiswa Baru UNJANI

dengan Metode ID3

Azmi, Yamina1_{, Nuraeni, Neni}2_{, Rizky, Hary}3_.

1_{Program Studi Informatika FMIPA UNJANI Jalan Terusan Jenderal Sudirman PO BOX 148} 2_{Program Studi Informatika FMIPA UNJANI Jalan Terusan Jenderal Sudirman PO BOX 148} 2_{Program Studi Informatika FMIPA UNJANI Jalan Terusan Jenderal Sudirman PO BOX 148}

yaminaazmi01@gmail.com, neninuraeni512@gmail.com, ...

1. Latar Belakang

Mahasiswa merupakan input bagi Universitas yang sangat penting. Kualitas perguruan tinggi salah satunya dilihat dari presentase mahasiswa yang berminat masuk ke perguruan tinggi dengan yang diterima di perguruan tinggi tersebut. Pengambilan keputusan penerimaan mahasiswa baru merupakan kebijakan yang sangat penting demi kemajuan dan berkembangnya suatu perguruan tinggi, Agar kegiatan pendidikan yang akan dilaksanakan maupun yang sedang berjalan tetap berada pada jalur yang benar dan akan memberikan dampak positif bagi universitas.

Dalam pengambilan keputusan penerimaan mahasiswa baru di Unjani ini dibatasi dengan memperhatikan lima atribut yaitu nilai USM, UN, PSIKOTEST, GAJI_ORTU dan STATUS_MAHASISWA. Metode yang digunakan adalah metode Decision Tree menggunakan ID3 (Iterative Dichotomiser 3). Pengambilan keputusan ini dapat memberikan data yang lengkap sehingga akan lebih mudah bagi pihak universitas menentukan peserta/calon mahasiswa diterima atau tidak di Universitas Jendral Achmad Yani.

2. Tujuan

Untuk menentukan peserta/calon mahasiswa yang akan diterima atau tidak di Universitas Jendral Achmad Yani berdasarkan hasil dari presentase atribut yang dimasukkan.

3. Manfaat

Memberikan data yang lengkap sehingga akan mempermudah dalam pengambilan keputusan untuk penerimaan peserta/calon mahasiswa baru. 4. Batasan Masalah

Hanya terdapat 5 atribut/ data masukan untuk penentuan penerimaan peserta/calon mahasiswa baru yang terdiri dari :

(2)

5. Metode yang digunakan 5.1. Data Masukan

Data masukan atau dataset yang digunakan pada penelitian ini terdiri dari 5 atribut. Atribut dari dataset tersebut adalah USM, UN, PSIKOTEST, GAJI_ORTU dan STATUS_MAHASISWA. SE berarti melengkapi kalimat, WA berarti mencari kata yang berbeda, AN berarti mencari hubungan kata, GE berarti mencari kata yang mencakup dua pengertian, RA berarti hitungan sederhana, ZR berarti deret angka, FA berarti menyusun bentuk, WU berarti kubus, dan ME berarti mengingat kata. Sedangkan atribut peminatan sendiri merupakan kelas yang nanti nya atribut ini berfungsi untuk menentukan siswa atau siswi SMA tersebut masuk kedalam jurusan IPA, IPS, atau Bahasa.

Dimana range yang digunakan untuk melengkapi atribut tersebut adalah rendah, sedang, dan tinggi. Dan data yang digunakan untuk penelitian ini berjumlah 90 siswa atau siswi yang ada didalam satu SMA.

5.2. Algoritma ID3

Algoritma ID3 atau Iterative Dichotomiser 3 (ID3) merupakan sebuah metode yang digunakan untuk membangkitkan pohon keputusan, algoritma pada metode ini menggunakan konsep dari entropy informasi. Pemilihan atribut dengan menggunakan Information Gain. Pemilihan atribut pada ID3 dilakukan dengan properti statistik, yang disebut dengan information gain.

Gain mengukur seberapa baik suatu atribut memisahkan training example ke dalam kelas target. Atribut dengan informasi tertinggi akan dipilih. Dengan tujuan untuk mendefinisikan gain, pertama-tama digunakanlah ide dari teori informasi yang disebut entropy.

(3)

6. Desain dan Implementasi

7. Analisa

Hasil dari penelitian Penentuan Penerimaan Mahasiswa Baru di Universitas Jenderal Achmad Yani dengan Metode ID3 di dapatkan nilai Entropy terbesar berada di atribut nilai UN, sehingga berdasarkan nilai UN dengan menggunakan sample mahasiswa sebanyak 60 calon Mahasiswa didapatkan nilai akurasi sebesar 70%.

=== Stratified cross-validation === === Summary ===

Correctly Classified Instances 42 70 % Incorrectly Classified Instances 18 30 % Kappa statistic 0.4

Mean absolute error 0.2306 Root mean squared error 0.4144 Relative absolute error 46.1111 %

(4)

Root relative squared error 82.8877 % Total Number of Instances 60

=== Detailed Accuracy By Class ===

TP Rate FP Rate Precision Recall F-Measure ROC Area Class

0.767 0.367 0.676 0.767 0.719 0.841 LULUS

0.633 0.233 0.731 0.633 0.679 0.841 TIDAK

Weighted Avg. 0.7 0.3 0.704 0.7 0.699 0.841

8. Kesimpulan

Dengan adanya sistem ini dapat membantu pihak Penerimaan Mahasiswa Baru di Universitas Jenderal Achmad Yani untuk menyeleksi setiap calon Mahasiwa baru yang sudah mendaftar dan siap untuk menanti kelulusannya. Sehingga kinerja dari pihak Penerimaan Mahasiswa Baru di Universitas Jenderal Achmad Yani bisa lebih di tingkatkan dan hasil yang di terima oleh calon Mahasiswa mengenai kelulusannya bisa di dapatkan dengan waktu yang relative cepat.

9. Daftar Pustaka

[1]. Munawaroh, Holisatul, Bain Khusnul K, S.T., M.Kom, dan Yeni Kustiyahningsih, S.Kom., M.Kom, Perbandingan Algoritma ID3 dan C5.0 dalam Indentifikasi Penjurusan Siswa SMA. Jurnal Sarjana Teknik Informatika Vol. 1, No. 1, Juni 2013.

[2]. Kristanto, Obbie, Penerapan Algoritma Klasifikasi Data Mining ID3 Untuk Menentukan Penjurusan Siswa SMAN 6 Semarang. Semarang.