PENGGUNAAN ALGORITHMA APRIORI DALAM
PENGGUNAAN ALGORITHMA APRIORI DALAM
MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH
MENGANALISA PRILAKU MAHASISWA DALAM MEMILIH
MATA
MATA KULIAH
KULIAH ( STU
( STUDI KA
DI KASUS
SUS
: FKIP UPI “YPTK”: FKIP UPI “YPTK”))
SA
SAR
RJJON DE
ON DE FF II T
T
Fakultas Ilmu Komputer Universitas Putra Indo
Fakultas Ilmu Komputer Universitas Putra Indonesia “YPTK”nesia “YPTK” E-mail :
E-mail : sarjond@yahoo.co.uk sarjond@yahoo.co.uk
A
AB
BST
STR
RAK
AK
Algoritma
Algoritma Apriori Apriori merupakan merupakan salah salah satu satu algoritma algoritma dalam dalam data data miningmining untuk jenis rule asosiasi. Dalam penelitian ini, Apriori digunakan untuk untuk jenis rule asosiasi. Dalam penelitian ini, Apriori digunakan untuk menganalisa prilaku mahasiswa dalam memilih mata kuliah. Pengujian telah menganalisa prilaku mahasiswa dalam memilih mata kuliah. Pengujian telah dilakukan menggunakan data mahasiswa Program Studi teknik Informatika dan dilakukan menggunakan data mahasiswa Program Studi teknik Informatika dan Komputer
Komputer FKIP FKIP UPI UPI “YPTK” “YPTK” Padang. Padang. Hasil Hasil pengujian pengujian memperlihatkan memperlihatkan bahwabahwa algoritma Apriori dapat menghasilkan rule asosiasi yang diinginkan dan algoritma Apriori dapat menghasilkan rule asosiasi yang diinginkan dan selanjutnya
selanjutnya digunakan digunakan untuk untuk menganalisa menganalisa prilaku prilaku mahasiswa mahasiswa dalam dalam memilihmemilih mata kuliah.
mata kuliah.
Kata Kunci: Data Mining, Rule Asosiasi, Apriori, Mata Kuliah Kata Kunci: Data Mining, Rule Asosiasi, Apriori, Mata Kuliah
A
AB
BST
STR
RAC
AC T
T
Apriori
Apriori algorithm algorithm is is one one of of algorithms algorithms in in data data mining mining for for rule rule association.association. In
In this this research, research, Apriori Apriori algorithm algorithm is is used used to to analyze analyze student’s student’s behavior behavior inin sel
sel ection subjects. Testing has been conducted by using student’s data ofection subjects. Testing has been conducted by using student’s data of Information
Information Technology Technology Program Program Study, Study, FKIP-YPTK FKIP-YPTK Padang. Padang. The The result result showsshows that Apriori algorithm can generate association rules required to analyze that Apriori algorithm can generate association rules required to analyze student’s behavior in selecting subjec
student’s behavior in selecting subjects.ts.
Keywords: Data Mining, Association Rules, Apriori, Subject Keywords: Data Mining, Association Rules, Apriori, Subject 1.
1. PENDAHULUANPENDAHULUAN Data Mining
Data Mining merupakan proses merupakan proses iteratif dan interaktif untuk iteratif dan interaktif untuk menemukan pola atau model baru menemukan pola atau model baru yang sempurna, bermanfaat dan yang sempurna, bermanfaat dan dapat di mengerti dalam suatu dapat di mengerti dalam suatu database yang sangat besar (Fajar, database yang sangat besar (Fajar, A.H.
A.H. 2013, 2013, Kusrini Kusrini & & Emha, Emha, T.L.T.L. 2009) Berbagai metode atau 2009) Berbagai metode atau algoritma yang diterapkan
algoritma yang diterapkan datadata
mining.
mining. Salah satu metode Salah satu metode datadata mining
mining untuk menghasilkan bentukuntuk menghasilkan bentuk pola
pola yang yang dihasilkandihasilkan data mining data mining adalah
adalah Association Association Rule. Rule. AssociationAssociation Rule
Rule dikenal juga sebagai salah satu dikenal juga sebagai salah satu teknik dasar pada
teknik dasar pada data miningdata mining yangyang digunakan untuk menemukan pola digunakan untuk menemukan pola dari sekumpulan data.
dari sekumpulan data. Untuk menemukan
Untuk menemukan associationassociation rule
yang digunakan, salah satunya adalah algoritma Apriori karena algoritma Apriori termasuk jenis aturan asosiasi pada data mining. Penerapan algoritma Apriori sudah digunakan seperti analisis keranjang belanja, transaksi penjualan, penyusunan buku perpustakaan, menampilkan informasi tingkat kelulusan, dan pemilihan program studi, serta perancangan sistem informasi dengan algoritma apriori.
Dengan kondisi Perguruan Tinggi yang menggunakan sistem SKS, maka pemilihan mata kuliah sangat penting karena berkaitan dengan bidang minat dan pengambilan tugas akhir mahasiswa tersebut, Namun mahasiswa selalu mengalami pertimbangan yang sulit dalam memilih mata kuliah karena disamping perlunya mempelajari prasyarat pengambilan mata kuliah, tujuan dan fungsi mata kuliah yang akan di pilih, serta kesesuaian bidang minat dengan program studi dari jurusan yang ada. Oleh karena itu, perlu dilakukan analisa pola pemilihan mata kuliah.
Dengan memanfaatkan data Kartu Rencana Studi (KRS) sebagai sumber data yang akan digunakan kedalam proses algoritma Apriori, akan dapat diketahui pola pemilihan mata kuliaht. Studi kasus ini sangat diperlukan sehingga dapat diketahui kecenderungan prilaku mahasiswa dalam memilih mata kuliah yang sesuai dengan bidang minat ataupun yang tidak sesuai dengan bidang minat yang diharapkan dan dapat diketahui tingkat keyakinan mahasiswa secara berkelompok
maupun secara perorangan dalam memilih mata kuliah.
Dari uraian diatas, dalam jurnal ini, maka penulis melakukan penelitian dengan judul “ Penggunaan Algoritma Apriori Dalam Menganalisa Prilaku Mahasiswa Dalam Memilih Mata Kuliah”
2. LANDASAN TEORI 2.1 Data Mining
Data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar (Beta, N., & Nurdin, B. 2010, Sani, S., & Dedy,
S. 2010).
Data mining sering juga disebut knowledge discovery in database (KDD), adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk
menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari data mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan. Sehingga istilah pattern recognition sekarang jarang digunakan karena termasuk bagian dari data mining (Budi, S. 2007).
Knowledge Discovery in Database (KDD) adalah penerapan metode saintifik pada data mining . Dalam konteks ini data mining merupakan satu langkah dari proses KDD (Fajar, A.H. 2013, Randy, O.P. 2012). Menurut Turban dalam bukunya yang berjudul ” Decision Support Systems and Intelligent Systems”, data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan
di dalam basis data. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai basis data besar (Goldie, G., & Dana, I.S. 2012).
2.2 Rule Asosiasi
Association rules merupakan salah satu metode yang bertujuan mencari pola yang sering muncul diantara banyak transakasi, dimana setiap transaksi terdiri dari beberapa item.
Pada transaksi yang terdapat item X terdapat kemungkinan ada item Y juga didalamnya, di notasikan X Y, dimana X dan Y adalah disjoint itemset, dinotasikan X Y, kumpulan dari transaksi-transaksi ini disebut dengan itemset, yang di notasikan dengan Ik (k=1, 2, ... m).
Jika terdapat itemset, yang mempunyai item sebanyak k, maka disebut dengan k-itemset (Nugroho, W., Rully, A.H., & Ahmad, M. 2012).
Associantion rule ini akan menghasilkan rule yang menggunakan seberapa besar hubungan antar X dan Y, dan diperlukan dua ukuran untuk rule ini, yakni support dan confidence. Support merupakan kemungkinan X dan Y muncul bersamaan yang dinotasikan:
Sedangkan confidence merupakan kemungkinan munculnya Y ketika X juga muncul, dinotasikan:
Langkah pertama pada association rule adalah menghasilkan semua itemset yang memungkinkan dengan kemungkinan itemset yang muncul dengan m-item adalah 2m. Karena besarnya komputasi untuk menghitung frequent itemset, yang membandingkan setiap kandidat itemset dengan setiap transaksi, maka ada beberapa pendekatan untuk mengurangi komputasi tersebut, salah satunya dengan algoritma apriori.
Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan asosiasi antara suatu kombinasi item. Interestingness measure yang dapat digunakan dalam data mining adalah (Goldie, G., & Dana, I.S. 2012) : a. Support , adalah suatu ukuran
yang menunjukkan seberapa besar tingkat dominasi suatu item atau itemset dari keseluruhan transaksi.
b. Confidence, adalah suatu ukuran yang menunjukkan hubungan antar dua item secara conditional (berdasarkan suatu kondisi tertentu).
Metodologi dasar analisis asosiasi terbagi menjadi 2 tahap, yakni melakukan analisa pola frekuensi tinggi ( frequent pattern)
dan berikutnya adalah proses pembentukan aturan asosiasi.
Permasalahan association rule dapat dikomposisikan menjadi dua sub masalah, yaitu (Magdalena, K., Dhinta, D., & Dana, S.K. 2007, Dana, S.K., Moch.A.B., & Dhinta, D. 2003) :
a. Penemuan semua item-item, yang disebut frequent-itemset, yang support-nya lebih besar daripada minimum support. b. Gunakan frequent-itemset
untuk membangkitkan aturan yang diinginkan. Idenya adalah, katakan, ABCD dan AB sering muncul dalam transaksi, maka aturan AB akan dipenuhi jika perbandingan antara support (ABCD) terhadap support (AB) minimum sebesar minimum confidence. Semua rule akan mempunyai minimum support karena ABCD sering
muncul dalam transaksi.
Setelah memilih dataset dan menentukan nilai minimum support dan minimum confidence yang akan digunakan dalam proses, baru dilakukan proses perhitungan association rule. Setelah selesai proses perhitungan selesai, sistem akan menampilkan rule yang dihasilkan dan nilai confidencenya (Eko, W.T.D. 2008).
2.3 Algorithma Apriori
Algoritma Apriori adalah suatu algoritma dasar yang diusulkan oleh Agrawal & Srikant pada tahun 1994 untuk penentuan frequent itemsets
untuk aturan asosiasi boolean (Goldie, G., & Dana, I.S. 2012).
Apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian frequent itemset dengan menggunakan teknik association rule. Algoritma Apriori menggunakan knowledge mengenai frequent itemset yang telah diketahui sebelumnya, untuk memproses informasi selanjutnya. Pada algoritma Apriori untuk menentukan kandidat kandidat yang mungkin muncul dengan cara memperhatikan minimum support (Erwin. 2009).
Adapun dua proses utama yang di lakukan dalam algortima Apriori, yaitu:
a. Join (penggabungan)
Pada proses ini setiap item dikombinasikan dengan item yang lainnya sampai tidak berbentuk kombinasi lagi. b. Prune (Pemangkasan)
Pada proses ini, hasil dari item yang telah dikombinasikan tadi lalu dipangkas dengan menggunakan minimum support yang telah ditentukan
oleh user.
Walaupun algoritma Apriori mudah untuk dipahami dan dimplementasikan dibandingkan dengan algoritma lainnya yang memang diterapkan untuk proses association rule, akan tetapi algoritma Apriori juga memiliki kekurangan yaitu, untuk melakukan pencarian frequent itemset, algoritma Apriori harus melakukan scanning database berulang kali untuk setiap kombinasi item. Hal tersebut menyebabkan banyaknya waktu yang dibutuhkan utnuk melakukan
scanning database. Selain itu, dibutuhkan generate candidate yang besar untuk mendapatkan kombinasi
item dari database.
Algoritma apriori termasuk jenis aturan asosiasi pada data mining . Selain apriori, yang termasuk pada golongan ini adalah metode Generalized Rule Induction dan Algoritma Hash Based. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market analysis. Analisa asosiasi atau association rule minig adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item (Kusrini & Emha, T.L. 2009, Yogi, Y.W., F. Rian, P., & Gerry, T. (2006).
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi. Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjangyang sama dimulai dari pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu. Di iterasi pertama ini, support dari setiap item dihitung dengan men- scan database. Setelah support dari setiap item kandidapat, item yang memiliki support diatas minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset. Singkatan k-itemset berarti satu set yang terdiri dari k item (Beta, N., & Nurdin, B. 2010, Kusrini & Emha,
T.L. 2009).
Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. Pertama dibuat kandidat 2-itemset dari kombinasi semua 1-itemset. Lalu untuk tiap kandidat 2-itemset
ini dihitung support-nya dengan men- scan database. Support disini artinya jumlah transaksi dalam database yang mengandung kedua item dalam kandidat 2-itemset. Setelah support dari semua kandidat itemset didapatkan, kandidat 2-itemset yang memenuhi syarat minimum support dapat ditetapkan sebagai 2-itemset yang juga merupakan pola frekuensi tinggi dengan panjang 2.
Untuk selanjutnya pada iterasi ke-k dapat dibagi lagi menjadi beberapa bagian:
1. Pembentukan kandidat itemset Kandidat itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu ciri dari algoritma Apriori adalah adanya pemangkasan kandidat k-itemset yang subnet-nya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1
2. Penghitungan support dari tiap kandidat k-itemset Support dari tiap kandidat k-itemset didapat dengan men- scan database untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset tersebut. Ini adalah juga ciri dari algoritma Apriori dimana diperlukan perhitungan dengan scan seluruh database sebanyak k-itemset terpanjang. 3. Tetapkan pola frekuensi tinggi
Pola frekuensi tinggi yang memuat k item atau k-itemset ditetapkan dari kandidat k-itemset yang support-nya lebih besar dari minimum support.
Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak, maka k ditambah satu dan kembali ke bagian 1.
Apabila dituliskan dalam bentuk pseudocode, algoritma apriori adalah sebagai berikut (Leo, W.S. 2003):
F1 = {Frequent1 – Item sets}; K = 2;
While (Fk-1 tidak kosong) {
Ck = Apriori_generate(Fk-1); Untuk semua transaksi dalam T {
Subset(Ck, t); }
Fk = { C in Ck s.t. c.count >= min_sprt}; }
Answer = Union dari semua set Fk; Apriori_generate (F (k-1))
{
join Fk-1 dengan sehingga Fk-1,
c1 = (i1, i2, …, Ik -1) dan c2 = (J1, J2, …, Jk-1) join bersama-sama jika Ip = Jp
untuk 1<=p<=k-1,
dan kemudian candidate baru, c, punya bentuk c=(i1, i2, …, Ik -1, Jk-1).
c kemudian ditambahkan ke struktur hash tree.
}
3. ANALISA DAN PEMBAHASAN
3.1 Analisa Data
Data mentah yang digunakan dalam penelitian ini adalah data Kartu Rencana Studi, disebut KRS. KRS merupakan kartu yang berisi daftar mata kuliah yang akan diikuti oleh mahasiswa dalam satu semester seperti terlihat pada table 3.1 di lampiran.
Jumlah SKS yang diambil oleh mahasiswa berdasarkan Peraturan Akademik FKIP UPI “YPTK” Padang berdasarkan Indeks Prestasi Semester (IPS) yang dikategorikan seperti terlihat pada tabel 3.2 di lampiran.
Data yang digunakan dalam analisa ini hanya menggunakan data Mata Kuliah Pilihan Wajib Jurusan Semester IV seperti terlihat tabel 3.3 di lampiran.
Berdasarkan mata kuliah diatas, untuk proses selanjutnya pada tabel 3.4 di lampiran diberikan data transaksi pengambilan mata kuliah oleh Mahasiswa dalam satu semester. 3.2 Analisa Algorithma
APRIORI
Berdasarkan algorithma Appriori yang diberikan diatas, langkah-langkah algoritma Apriori dapat digambarakan seperti gambar 1 di bawah ini:
Mulai
Dapatkan Frekuensi items Data
Mencari Candidate itemsets
Pangkas Candidate itemset untuk memenuhi Frekuensi itemsets
Memenuhi atau tidak ?
Aturan Asosiasi
Selesai Y T
Mencari Lift Rasio
Aturan Asosiasi yang di peroleh
Gambar 3.1. Flowchart Apriori
3.2.1. Pembentukan Pola Frekuensi Tinggi (Frequent Itemset)
Pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang memiliki frekuensi atau support diatas ambang batas tertentu yang disebut dengan istilah minimum support atau threshold. Jika jumlah transaksi kurang dari threshold maka kombinasi item tidak akan diikutkan perhitungan selanjutnya.
Dari tabel 3.4 di lampiran, misalkan minimum support = 20%, diperoleh frequent itemsets seperti pada tabel 3.5, 3.6 dan 3.7 berikut:
Tabel 3.5. Tabel Frequent Itemset (1-Item, C1) Itemsets (C1)
Support (
%) TK 20 PBW 30 TM 55 OA 50 PBO 60 TP 20 SD 20Tabel 3.6. Tabel Frequent Itemset (2-Itemset, C2) Itemsets (C2)
Support (%)
TK, PBW 20,000 PBW, TP 20,000 PBW, SD 20,000 TM, OA 45,000 TM, PBO 45,000 OA, PBO 45,000 TP, SD 20,000Tabel 3.7. Tabel Frequent Itemset (3-Itemset, C3)
Itemsets (C3) Support % TM, OA, PBO 40,000 TP, SD, PBW 20,000
Tabel 3.7 diatas tidak dilanjutkan lagi ke pembentukan C4 karena tidak ada lagi item yang bisa dikombinasikan dengan ketentuan minimal support 20%, jadi proses pembentukan C-itemset dihentikan.
3.2.2 Pembentukan Rule Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari
aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiasi X Y, misal Minimum Confidence 80%.
Berdasarkan tabel 3.6 dan 3.7 diatas, dengan Algoritma Apriori, didapatkan Rule Asosiasi seperti tabel 3.8.
Tabel 3.4. Rule Asosiasi
Rule Asosiasi Support Confidence TK PBW 20 100 TPPBW 20 100 SDPBW 20 100 TMOA 45 82 OATM 45 90 TMPBO 45 82 OAPBO 45 90 TPSD 20 100 SDTP 20 100 TM,OAPBO 40 88 PBO,OATM 40 88 OAPBO,TM 40 80 PBO,TMOA 40 89 TP,SDPBW 20 100 PBW,TPSD 20 100 SDPBW, TP 20 100 TPPBW,SD 20 100 PBW,SDTP 20 100
Dari tabel 3.8 di atas dihasilkan 18 Rule Asosiasi yang memenuhi minimum Support dan Minumum Confidence, diantaranya:
Jika mengambil TK maka mengambil PBW [S = 20%, C = 100%]
Jika mengambil TPmaka mengambil PBW [S= 20%, C = 100%]
Data yang digunakan diatas juga sudah diimplementasikan dengan menggunakan software Data Mining Tanagra yang menghasilkan rule asosiasi seperti pada gambar 3.2 dibawah.
Gambar 4.2: Rule Asosiasi dengan TANAGRA
4. KESIMPULAN
Berdasarkan hasil analisa dna pengujian yang telah dilakukan dapat
disimpulkan sebagai berikut:
1. Algoritma Apriori dapat digunakan untuk menganalisa pola prilaku mahasiswa dalam
memilih mata kuliah
2. Pola prilaku yang diperoleh dapat digunakan sebagai acuan bagi Program Studi untuk menganalisa kecendrungan mahasiswa dalam memilih mata kuliah wajib Program Studi.
Daftar Pustaka
Beta, N., & Nurdin, B. (2010). Implementasi data Mining Untuk Menemukan Pola Hubungan Tingkat Kelulusan Mahasiswa Dengan Data Induk Mahasiswa. Prosiding Seminar dan Call Paper Munas APTIKOM Politeknik Telkom Bandung, 09 Oktober 2010 .
Budi, S. (2007). Data Mining : Teknik Pemanfaatan Data untuk Keperluan Bisnis Teori & Aplikasi. Graha Ilmu.
Dana, S.K., Moch.A.B., & Dhinta, D. (2003). Data Mining Dengan Algoritma Apriori Pada RDBMS Oracle. Jurnal Penelitian dan Pengembangan TELEKOMUNIKASI, Juni 2003, Vol.8 No. 1.
Eko, W.T.D. (2008). Penerapan Metode Association Rule Menggunakan Algoritma Apriori Untuk Analisa Pola data Hasil Tangkapan Ikan. Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi Untuk Indonesia, 21-23 Mei 2008, Jakarta.
Erwin. (2009). Analisis Market Basket Dengan Algoritma Apriori dan FP-Growth. Jurnal Generic. ISSN 1907-4093.
Fajar, A.H. (2013). Data Mining . Penerbit Andi.
Goldie, G., & Dana, I.S. (2012). Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori dan Frequent Pattern Growth (FP-Growth) : Studi Kasus Percetakan PT. Gramedia. Jurnal Telematika MKOM Vol. 4 No.1 Maret 2012. ISSN: 2085-725X
Kusrini & Emha, T.L. (2009). Algoritma Data Mining . Penerbit Andi Yogyakarta.
Leo, W.S. (2003). Pembuatan Perangkat Lunak data Mining Untuk Penggalian Kaidah Asosiasi Menggunakan Metode Apriori. Jurnal INFORMATIKA Vol. 4 No. 2, November 2003.
Magdalena, K., Dhinta, D., & Dana, S.K. (2007). Aturan Asosiasi Spatial Pada Basis Data Spasial. Prosiding Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2007, Yogyakarta, 16 Juni 2007. ISSN: 1907-5022 .
Nugroho, W., Rully, A.H., & Ahmad, M. (2012). Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Penggalian Association Rule Menggunakan Algoritma Apriori (Studi Kasus Badan Perpustakaan dan Kearsipan Provinsi Jawa Timur). Jurnal Teknik ITS Vol. 1, September 2012. ISSN : 2301-9271.
Randy, O.P. (2012). Rancang Bangun Data Warehouse Untuk Analisis Kinerja Penjualan Pada Industri Dengan Model SPA-DW (Sales Performance Analysis – Data Warehouse). Tesis. Program Pascasarjana Universitas
Diponegoro.
Sani, S., & Dedy, S. (2010). Pengantar Data Mining : Menggali Pengetahuan dari Bongkahan Data. Penerbit Andi Yogyakarta.
Yogi, Y.W., F. Rian, P., & Gerry, T. (2006). Penerapan data Mining Dalam penentuan Aturan Asosiasi Antar Jenis Item. Prosiding Seminar Nasional Aplikasi
Lampiran:
Tabel 3.1 Atribut KRS
Atribut Keterangan
NPM Adalah kode yang dimiliki mahasiswa sebagai nomer unik indentitas di perguruan tinggi
Nama mahasiswa
Merupakan nama lengkap mahasiswa yang bersangkutan
Kode Mata Kuliah (KM)
Merupakan Kode unik dari suatu nama mata kuliah Nama Dosen Merupakan dosen yang mengajar atau yang
mengampu dari jenis mata kuliah. Nama Mata
kuliah
Merupakan mata kuliah yang dipilih mahasiswa sesuasi dengan syarat ketentuan dari hasil IPK mahasiswa tersebut.
Kelas Merupakan kelas yang dipilih sesuai dengan jenis mata kuliah dan nama dosen terkait.
Jurusan Merupakan nama jurusan yang dipilih mahasiswa SKS Merupakan jumlah satuan kredit semester (SKS)
mata kuliah yang diambil dengan jumlah yang ditentukan Tahun
Ajaran
Merupakan tahun pada saat mengikuti perkuliahan
Tabel 3.2. Kategori Persyaratan KRS Kate gori IP semester Jumlah SKS 1 2 3 4 5 > - 3,00 2,50 – 2,99 2.00 – 2,49 1,50 – 1,99 < 1,50 24 SKS 21 SKS 18 SKS 15 SKS < 12 SKS Tabel 3.3. Data Mata Kuliah Pilihan Wajib Jurusan N O S imbol Kode Mata Kuliah
Nama Mata kuliah SKS 1 . T K KKPT2200 1 Teknik Komputasi 3 2 . P BW KKPT2200 3 Pemrograman Berbasis Web 3
3 . T M KKPT4301 0 Teknologi Multimedia 3 4 . O A KKPT4300 8
Organisasi dan Arsitektur 2 5 . P B KKPT4300 7 Pemrograman Berorientasi 3 6 . T KM KKPT6302 4 Teknologi Komunikasi Mode 4 7 . T P KKPT2201 2 Teknologi Pembelajaran 3 8 . S D KKPT2200 2 Struktur Data
Tabel 3.4 Format Tabular Data Transaksi
No TK PBW TM OA PBO TKM TP SD 1 1 1 0 0 0 0 1 2 1 1 0 0 0 0 1 3 0 0 1 1 1 1 0 4 0 0 1 1 1 0 0 5 0 0 1 1 1 1 0 6 0 1 0 0 0 0 1 7 0 0 0 1 1 0 0 8 0 0 1 1 1 0 0 9 0 1 0 0 0 0 0 10 0 0 1 1 0 0 0 11 0 0 1 1 1 0 0 12 0 0 1 1 1 0 0 13 0 0 1 1 1 1 0 14 0 0 1 0 0 0 0 15 1 1 0 0 0 0 1 16 0 0 0 0 1 0 0 17 0 0 1 0 1 0 0 18 0 0 1 1 1 0 0 19 1 1 0 0 0 0 0 20 0 0 0 0 1 0 0 Jumlah 4 6 11 10 12 3 4
