penentuan faktor kelulusan mahasiswa pada data … · data mining merupakan proses pengekstrakan...

PENENTUAN FAKTOR KELULUSAN MAHASISWA

PADA DATA INDUK DAN DATA KELULUSAN

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SEBELAS MARET

MENGGUNAKAN ALGORITME APRIORI

oleh

DURRI INDY MAHBUBAH

NIM. M0111024

SKRIPSI

ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar

Sarjana Sains Matematika



SURAKARTA

2016

perpustakaan.uns.ac.id digilib.uns.ac.id

commit to user

PENENTUAN FAKTOR KELULUSAN MAHASISWA

PADA DATA INDUK DAN DATA KELULUSAN



MENGGUNAKAN ALGORITME APRIORI

oleh

DURRI INDY MAHBUBAH

M0111024

SKRIPSI

ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar

Sarjana Sains Matematika



SURAKARTA

2016

i


commit to user

ii


commit to user

ABSTRAK

Durri Indy Mahbubah. 2016. PENENTUAN FAKTOR KELULUSANMAHASISWA PADA DATA INDUK DAN DATA KELULUSAN FAKULTASMATEMATIKA DAN ILMU PENGETAHUANALAMUNIVERSITAS SEBELASMARET MENGGUNAKAN ALGORITME APRIORI. Fakultas Matematikadan Ilmu Pengetahuan Alam. Universitas Sebelas Maret.

Data mining merupakan proses pengekstrakan informasi yang berasal da-ri basis data berukuran besar untuk membantu dalam pengambilan keputusan.Salah satu metode data mining yang biasanya digunakan adalah aturan asosi-asi. Algoritme apriori merupakan aturan asosiasi menggunakan frequent item.Algoritme apriori dapat diterapkan pada data kelulusan mahasiswa untuk me-nemukan aturan asosiasi. Tujuan penelitian ini untuk menentukan hubungansemua variabel yang memenuhi syarat minimum untuk support dan syarat mini-mum untuk confidence. Penelitian ini dilakukan dengan terlebih dahulu melihathubungan antara data induk mahasiswa dan data kelulusan mahasiswa FakultasMatematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret. Hubunganantara data induk mahasiswa dan data kelulusan mahasiswa dapat dilihat darinilai support, confidence dan lift yang diperoleh. Penelitian dilakukan denganmenggunakan atribut IPK, lama studi, jenis kelamin, jalur masuk universitas,program studi, dan asal sekolah. Dari pembahasan dapat disimpulkan bahwa50.818% kelulusan mahasiswa terjadi pada mahasiswa dengan lama studi lebihdari 4 tahun dan dengan IPK diantara 2.76 sampai dengan 3.50.Kata kunci: data mining, aturan asosiasi, algoritme apriori.

iii


commit to user

ABSTRACT

Durri Indy Mahbubah. 2016. STUDENT PASSING ON EXAMINATIONFACTOR DETERMINATION IN MASTER DATA AND GRADUATE DATAOF FACULTY OF MATHEMATICS AND NATURAL SCIENCES SEBELASMARET UNIVERSITY USING APRIORI ALGORITHM. Faculty of Mathe-matics and Natural Sciences. Sebelas Maret University.

Data mining is a process of extracting information from big database whichcan help us in decision process. One method of data mining is the associationrules. The first algorithm of association rule using frequent item is apriori algori-thm. The purpose of this research is to determine the relationship of all variablesthat are eligible for minimum support and minimum confidence. In this researchfirstly we find the relationship between master data and graduate students da-ta. This can be seen from the obtained value of support, confidence, and lift.This research was conducted using the atributes of cumulative achievement in-dex, long study, gender, university admission, study program, and the origin ofschool. From the discussion, it can be concluded that 50.818% of graduate stu-dent takes more than 4 years study period and with the cumulative achievementindex 2.76-3.50.Keywords: data mining, association rule, apriori algorithm.

iv


commit to user

PERSEMBAHAN

Saya persembahkan karya ini untuk

kedua orang tua saya, Ibu Zahrotul Ummah dan Abah Noor Hidayat,

Kakek Rastam dan Nenek Ngaijah,

Budhe Sumiati dan Pakdhe Purnomo.

v


commit to user

KATA PENGANTAR

Segala puji dan syukur penulis panjatkan kepada kehadirat Allah SWT yang

telah melimpahkan rahmat dan hidayah-Nya sehingga penulis berhasil menyele-

saikan skripsi ini. Sholawat serta salam tak lupa penulis haturkan kepada Nabi

Muhammad SAW yang menjadi panutan dan tauladan yang baik dalam kehidu-

pan ini. Dalam penyusunan skripsi ini penulis telah mendapatkan bantuan dari

banyak pihak. Oleh karena itu penulis mengucapkan terima kasih kepada

1. Bapak Drs. Isnandar Slamet, M.Sc., Ph.D. sebagai Pembimbing I yang te-

lah mengarahkan dan memberikan bimbingan dalam menyelesaiakn skripsi.

2. Bapak Bowo Winarno, S.Si., M.Kom sebagai Pembimbing II yang telah

memberi bimbingan dan masukan dalam penulisan skripsi.

3. Nadya Al Fitriani, Dian Rizki Nuraini, Laela Nur Aeni, Lutvia Undari,

Regina Margiana dan M. Andi Saputro yang telah memberikan saran dan

semangat.

Penulis berharap semoga laporan ini bermanfaat.

Surakarta, Juni 2016

Penulis

vi


commit to user

DAFTAR ISI

HALAMAN JUDUL . . . . . . . . . . . . . . . . . . . . . . . . . . . . i

ABSTRAK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii

ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv

PERSEMBAHAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v

KATA PENGANTAR . . . . . . . . . . . . . . . . . . . . . . . . . . . vi

DAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii

DAFTAR TABEL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x

DAFTAR GAMBAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi

I PENDAHULUAN 1

1.1 Latar Belakang Masalah . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Perumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.3 Tujuan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.4 Manfaat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

II LANDASAN TEORI 4

2.1 Tinjauan Pustaka . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.2 Teori Penunjang . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.2.1 Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.2.2 Algoritme Apriori . . . . . . . . . . . . . . . . . . . . . . . 8

2.3 Software Tanagra . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.4 Kerangka Pemikiran . . . . . . . . . . . . . . . . . . . . . . . . . 11

IIIMETODE PENELITIAN 14

vii


commit to user

IVHASIL DAN PEMBAHASAN 16

4.1 Atribut Data pada Data Induk Mahasiswa dan Data Kelulusan

Mahasiswa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

4.2 Seleksi Atribut . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

4.3 Perhitungan Nilai Support . . . . . . . . . . . . . . . . . . . . . . 22

4.4 Perhitungan Nilai Confidence . . . . . . . . . . . . . . . . . . . . 29

4.5 Perhitungan Nilai Lift . . . . . . . . . . . . . . . . . . . . . . . . 30

4.6 Aturan Asosiasi Final . . . . . . . . . . . . . . . . . . . . . . . . . 32

V PENUTUP 33

5.1 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

5.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

DAFTAR PUSTAKA 34

LAMPIRAN 36

Lampiran 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

Lampiran 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

Lampiran 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

Lampiran 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

Lampiran 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

Lampiran 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

Lampiran 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Lampiran 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

viii


commit to user

DAFTAR TABEL

4.1 Data Induk Mahasiswa . . . . . . . . . . . . . . . . . . . . . . . . 16

4.2 Data Kelulusan Mahasiswa . . . . . . . . . . . . . . . . . . . . . . 17

4.3 Predikat Kelulusan . . . . . . . . . . . . . . . . . . . . . . . . . . 19

4.4 Kode IPK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

4.5 Kode Lama Studi . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

4.6 Kode Program Studi . . . . . . . . . . . . . . . . . . . . . . . . . 20

4.7 Kode Jalur Masuk . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4.8 Kode Jenis Kelamin . . . . . . . . . . . . . . . . . . . . . . . . . 20

4.9 Kode Asal sekolah . . . . . . . . . . . . . . . . . . . . . . . . . . 21

4.10 Nilai support kandidat 1− itemset (C1) . . . . . . . . . . . . . . . 22

4.11 1− itemset (L1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23


4.13 2− itemset (L2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24


4.15 3− itemset (L3) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25


4.17 4− itemset (L4) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27


4.19 5− itemset (L5) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

4.20 Pola frekuensi tinggi . . . . . . . . . . . . . . . . . . . . . . . . . 29

4.21 Nilai confidence kandidat aturan asosiasi . . . . . . . . . . . . . . 30

4.22 Aturan asosiasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

4.23 Nilai lift aturan asosiasi . . . . . . . . . . . . . . . . . . . . . . . 31

4.24 Aturan asosiasi dengan nilai lift≥1 . . . . . . . . . . . . . . . . . 31

ix


commit to user

4.25 Aturan asosiasi final . . . . . . . . . . . . . . . . . . . . . . . . . 32

x


commit to user

DAFTAR GAMBAR

2.1 Menu dalam Tanagra . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.2 Flowchart Algoritme Apriori . . . . . . . . . . . . . . . . . . . . . 12

2.3 Lanjutan flowchart Algoritme Apriori . . . . . . . . . . . . . . . . 13

xi


commit to user

penentuan faktor kelulusan mahasiswa pada data … · data mining merupakan proses pengekstrakan...

Documents