Data Clustering Menggunakan Metodologi CRISP-DM Untuk Pengenalan Pola Proporsi Pelaksanaan Tridharma

Budiman, Irwan; Prahasto, Toni; Christyono, Yuli

doi:10.21456/vol1iss3pp129-134

Cited by 12 publications

(14 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Evaluasi dilakukan agar hasil pada tahap permodelan sesuai dengan target yang ingin dicapai pada tahap business understanding (Budiman et al, 2012). Evaluasi dilakukan dengan Confusion Matrix seperti ditunjukkan pada Tabel 6.…”

Section: Klasifikasi Kelulusan Mahasiswaunclassified

Pemanfaatan Data PDDIKTI sebagai Pendukung Keputusan Manajemen Perguruan Tinggi

Ngatmari

Musthafa

Rahmad

et al. 2020

JTIIK

View full text Add to dashboard Cite

Pangkalan Data Pendidikan Tinggi (PDDIKTI) merupakan sebuah sistem penyimpan data yang dikelola Pusat Data dan Informasi (Pusdatin) Kementrian Ristek dan Pendidikan Tinggi. Data yang tersedia di PDDIKTI merupakan data yang akurat, karena proses pelaporan data akademik secara berkala dua kali setiap. Data yang telah berlimpah tersebut, tentu sangat disayangkan jika tidak digunakan untuk keperluan yang lebih bermanfaat, misal untuk mengetahui pola akademik kelulusan mahasiswa dan prestasi akademik mahasiswa. Untuk memperoleh informasi-informasi penting tersebut bisa dilakukan dengan cara penggalian informasi (knowledge discovery). Teknik dalam memberikan solusi masalah tersebut adalah teknik klasifikasi untuk membantu pengambilan keputusan, misalkan Decission Tree (C4.5, ID3, CHAID, rule induction) dan teknik peramalan (forecasting) menggunakan metode simple moving average (SMA). Tujuan dari penambangan data PDDIKTI adalah untuk melakukan deteksi dini terhadap mahasiswa, sehingga dosen bisa memberikan masukan-masukan ketika mahasiswa tersebut telah diklasifikan sebagai mahasiswa yang lulus tidak tepat waktu serta memprediksi jumlah mahasiswa yang akan masuk pada perguran tinggi pada salah satu prodi X, sehingga manajemen baik tingkat program studi maupun universitas bisa melakukan langkah-langkah yang dianggap penting guna meningkatkan jumlah mahasiswa. Pengujian pada 2.601 record akademik mahasiswa dengan atribut ipk_sem1, ipk_sem2, ipk_sem3, ipk_sem4, pekerjaan_ortu, ket_lulus, rerata_ipk, penghasilan_ayah, untuk klasifikasi kelulusan mahasiswa menghasilkan nilai accuracy 86,54 % nilai precission 93,37% dan nilai recall 89,27% serta pengujian prediksi jumlah peminat program studi diperoleh nilai accuracy 78,25 % dan MAPE sebesar 21,75 %. Abstract The Higher Education Database (PDDIKTI) is a data storage system managed by the Center for Data and Information (Pusdatin) of the Ministry of Research and Technology and Higher Education. The data available at PDDIKTI is accurate data, because the process of reporting academic data regularly twice each. The abundant data is certainly unfortunate if not used for more useful purposes, for example to find out the academic patterns of student graduation and student academic achievement. To obtain important information can be done by extracting information (knowledge discovery). Techniques in providing solutions to these problems are classification techniques to assist decision making, for example Decission Tree (C4.5, ID3, CHAID, rule induction) and forecasting techniques using simple moving average (SMA) methods. The purpose of PDDIKTI data mining is to conduct early detection of students, so that lecturers can provide input when the students have been classified as students who graduate not on time and predict the number of students who will enter the tertiary institutions in one of the X study programs, so that management both the level of study program and university can take steps that are considered important to increase the number of students. Tests on 2601 student academic records with the attributes ipk_sem1, ipk_sem2, ipk_sem3, ipk_sem4, occupation_ortu, graduated, average_ipk, income_ayah, for the graduation classification of students resulted in an accuracy value of 86.54% a value of 93.37% and a recall value of 89.27% and a test of 89.27% and a test of graduation prediction of the number of study program enthusiasts obtained an accuracy value of 78.25% and MAPE of 21.75%.

show abstract

Section: Klasifikasi Kelulusan Mahasiswaunclassified

Pemanfaatan Data PDDIKTI sebagai Pendukung Keputusan Manajemen Perguruan Tinggi

Ngatmari

Musthafa

Rahmad

et al. 2020

JTIIK

View full text Add to dashboard Cite

show abstract

“…Sebagai contoh, jika proses berada pada fase modeling. Berdasar pada perilaku dan karakteristik model, proses mungkin kembali kepada fase data preparation untuk perbaikan lebih lanjut terhadap data atau berpindah maju kepada fase evaluation [3].…”

Section: Crips-dmunclassified

Penerapan Algoritma Naïve Bayes Pada Sistem Prediksi Tingkat Kelulusan Peserta Sertifikasi Microsoft Office Specialist (MOS)

Rifai¹,

Jatnika²,

Valentino³

2019

petir

View full text Add to dashboard Cite

This research discusses prediction pass rates the certification microsoft office specialist 2013 version (word and excel) aimed to provide information concerning to pass rates and certification give alternative solutions to determine the program certificationi appropriate to chosen before test certification. Naive bayes used for the classification certification graduation where participants know what information pass and did not finish. Naive bayes is a classification with the probability and statistics to predict opportunities in the future based on the Provided before. In this study, system development CRISP-DM to use of the become more ordered and testing done with the BlackBox to test each function is on the application built. From the study, produce values probability of 0.001042 the accuracy of 99 %. These results, proving that naïve bayes method can be used to assist in a prediction graduation rates participants (word and excel), because it produces quite high accuracy. So participants were able to determine the certification program proper chosen before test certification.

show abstract

“…Penelitian sebelumnya yang dilakukan sebelumnya antara lain adalah: 2.1 Pengenalan pola proporsi pelaksanaan tridharma Penggunaan Data clustering dengan metodologi CRISP-DM [Budiman et al, 2014]. Pada penelitian yang dilakukan oleh Irwan Budiman, Toni Prahasto dan Yuli Christyono pada tahun 2012 bertujuan untuk menggali pengetahuan (discovering knowledge) tentang pola (pattern) proporsi pelaksanaan tridharma oleh dosen sehingga diketahui tingkat produktivitas, komposisi serta keseimbangan dalam pelaksanaan tridharma.…”

Section: Metode Penelitianunclassified

Prototype Data Mining Pola Jabatan Fungsional Dosen Menggunakan Teknik Emerging Pattern: Studi Kasus Universitas Mercu Buana

Nuruliyani

Warnars

2019

PIKSEL

View full text Add to dashboard Cite

Abstract Lecture Functional position is used to ensure the development of lecturer carrier, structural position, and professionalism improvement. Every lecturer has a right to propose a functional promotion as long as their education background is linear. Data mining has been widely used to analyze data into information in term of patterns that are easily understand by the users. In order to create a functional position pattern that produces beneficial and useful results, the data mining techniques are utilized for analyzing, for example the emerging pattern. The emerging pattern technique represents very strong distinguishing knowledge between datasets and shows an accurate classification ability. The results of data mining with emerging pattern techniques were used in this study to obtain patterns of functional positions and to classify lecturers' educational linearity. The learning data results obtained a confidence value for the sex dataset confidence values for male and female itemset of 50%. Dataset functional lecturers having higher confidence was Lectors of 300 points with a confidence value of 73%. Department dataset which had higher confidence value was psychology by 85%. The highest confidence value in the dataset from tertiary institutions originates from abroad by 62% and for the age dataset that most have functional lecturer positions were aged 51-70 years with a confidence value of 55%. Keywords: Data Mining, Emerging Pattern, Fungsional Position, Lecturer, Linear Education Abstrak Suatu pola untuk menjamin pembinaan karier kepangkatan, jabatan dan peningkatan profesionalisme dosen disebut Jabatan fungsional dosen. Setiap dosen berhak untuk mengajukan kenaikan jabatan fungsional dengan syarat salah satunya adalah liniear dalam bidang ilmu. Data mining mampu menganalisis data menjadi informasi berupa pola yang mempunyai arti bagi pendukung keputusan. Agar proses dalam pencarian pola jabatan fungsional ini menghasilkan nilai tambah dan berguna maka dibutuhkan teknik data mining untuk menganalisanya. Salah satu teknik dalam data mining adalah emerging pattern. Teknik emerging pattern merepresentasikan pengetahuan pembeda yang sangat kuat antara dataset dan menunjukkan kemampuan klasifikasi yang akurat. Hasil dari data mining dengan teknik emerging pattern adalah mendapatkan pola (pattern) dalam jabatan fungsional dan mengelompokkan kelinieritasan pendidikan dosen. Dari hasil learning data diperoleh nilai confidence untuk dataset jenis kelamin nilai confidence untuk itemset Laki-laki dan perempuan sebesar 50%. Dataset jabatan fungsional dosen yang nilai confidence nya lebih besar adalah Lektor 300 dengan nilai confidence sebesar 73%. Dataset jurusan yang mempunyai nilai confidence terbesar adalah psikologi sebesar 85%. Nilai confidencen yang paling besar pada dataset asal perguruan tinggi berasal dari luar negeri sebesar 62% dan pada dataset usia yang paling banyak memiliki jabatan fungisonal dosen berada pada usia 51-70 tahun dengan nilai confidence sebesar 55%. Kata Kunci: Data Mining, Emerging Pattern, Jabatan Fungsional, Dosen, Linier.

show abstract

Data Clustering Menggunakan Metodologi CRISP-DM Untuk Pengenalan Pola Proporsi Pelaksanaan Tridharma

Cited by 12 publications

References 0 publications

Pemanfaatan Data PDDIKTI sebagai Pendukung Keputusan Manajemen Perguruan Tinggi

Pemanfaatan Data PDDIKTI sebagai Pendukung Keputusan Manajemen Perguruan Tinggi

Penerapan Algoritma Naïve Bayes Pada Sistem Prediksi Tingkat Kelulusan Peserta Sertifikasi Microsoft Office Specialist (MOS)

Prototype Data Mining Pola Jabatan Fungsional Dosen Menggunakan Teknik Emerging Pattern: Studi Kasus Universitas Mercu Buana

Contact Info

Product

Resources

About