PENERAPAN PENGGALIAN ATURAN ASOSIASI UNTUK SISTEM REKOMENDASI PENGAMBILAN MATA KULIAH DI JURUSAN SISTEM INFORMASI ITS SURABAYA

Paraf pembimbing I : ______________ Paraf pembimbing II : ______________

hal : 1/22

JURUSAN SISTEM INFORMASI

FAKULTAS TEKNOLOGI INFORMASI

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

USULAN TUGAS AKHIR

IDENTITAS PENGUSUL

NAMA : PUTRI CAHYANING BWANANESIA

NRP : 5210 100 142

DOSEN PEMBIMBING I : Prof. Ir. Arif Djunaidy, M.Sc., PhD.

DOSEN PEMBIMBING II : Renny Pradina Kusumawardani, S.T., M.T.

LAB : Sistem Pendukung Keputusan dan Intelegensia Bisnis

1. JUDUL TUGAS AKHIR

PENERAPAN PENGGALIAN ATURAN ASOSIASI UNTUK SISTEM REKOMENDASI

PENGAMBILAN MATA KULIAH DI JURUSAN SISTEM INFORMASI ITS

SURABAYA

2. ABSTRAK

Pengambilan mata kuliah pada tiap semester hendaknya disesuaikan dengan

kemampuan individu tiap mahasiswa sehingga mahasiswa dapat menyelesaikan perkuliahan

selama satu semester dengan baik. Oleh karena itu, mahasiswa sering kali membutuhkan

arahan untuk memilih mata kuliah yang tepat. Tugas akhir ini bertujuan untuk membuat

sistem rekomendasi pengambilan mata kuliah berdasarkan data-data akademik mahasiswa

Jurusan Sistem Informasi – Fakultas Teknologi Informasi – Institut Teknologi Sepuluh

Nopember (ITS) Surabaya dengan menggunakan teknik penggalian aturan asosiasi

(association rule mining). Variabel yang akan dieksplorasi antara lain mata kuliah yang

diambil tiap semester, nilai mata kuliah yang diambil tiap semester, mata kuliah pra syarat,

jumlah SKS yang diambil tiap semester, mata kuliah yang diulang, Indeks Prestasi Semester

(IPS), Indeks Prestasi Kumulatif (IPK), dan semester tempuh mahasiswa.

Kata kunci : penggalian data, penggalian aturan asosiasi, sistem rekomendasi berbasis

aturan, rekomendasi mata kuliah


hal : 2/22

3. PENDAHULUAN

Pada bab pendahuluan ini akan dibahas latar belakang, rumusan permasalahan, batasan

permasalahan, tujuan, dan manfaat dari pengerjaan tugas akhir.

3.1. Latar Belakang

Salah satu tri dharma Perguruan Tinggi yang wajib dijalankan oleh setiap

instansi Perguruan Tinggi di Indonesia adalah menyelenggarakan pendidikan.

Dengan semakin tingginya tuntutan dunia kerja akan lulusan berkualitas dari

Perguruan Tinggi serta semakin ketatnya persaingan global, maka Perguruan Tinggi

dituntut untuk dapat menyusun sebuah sistem penjaminan mutu internal. Sistem

penjaminan mutu internal tersebut diharapkan dapat menjadi pedoman bagi

Perguruan Tinggi untuk menyelenggarakan pendidikan yang berkualitas bagi

mahasiswanya, sehingga Perguruan Tinggi dapat menghasilkan lulusan yang

berkualitas pula. Kualitas sistem pendidikan tersebut dapat ditinjau dari beberapa

aspek, salah satunya adalah performa mahasiswa. Perguruan Tinggi harus terus

melakukan evaluasi terhadap performa mahasiswanya agar dapat mencapai standar

pendidikan nasional yang telah ditetapkan oleh pemerintah (Sailah, 2010).

Peningkatan performa mahasiswa salah satunya dapat dimulai dengan memilih mata

kuliah yang tepat untuk mahasiswa tersebut, sesuai dengan bidang minat dan

kemampuannya. Perguruan Tinggi telah menyediakan banyak mata kuliah yang dapat

dipilih oleh mahasiswa untuk diikuti namun sering kali mahasiswa mengalami

kebingungan untuk memilih mata kuliah yang tepat baginya. Keputusan untuk

memilih atau mengambil kuliah tertentu biasanya berdasarkan pada saran yang

diberikan oleh teman atau dosen wali (Bendakir & Aimeur, 2006). Mahasiswa

cenderung mengambil mata kuliah yang diikuti oleh sebagian besar teman-temannya

atau mata kuliah yang disarankan oleh dosen wali berdasarkan penilaian pribadi

dosen wali terhadap mahasiswa tersebut. Padahal, saran yang diberikan oleh teman

atau dosen wali bisa saja tidak sesuai dengan kemampuan mahasiswa tersebut. Hal

ini dapat disebabkan karena teman yang memberikan rekomendasi mungkin saja

tidak mengetahui informasi-informasi mengenai mata kuliah yang akan diambil dan

dosen wali bisa saja salah dalam menilai kemampuan dari mahasiswa tersebut karena

penilaian tidak didukung oleh data-data yang menyatakan kemampuan mahasiswa.


hal : 3/22

Oleh karena itu, sistem rekomendasi pengambilan mata kuliah akan sangat berguna

bagi mahasiswa untuk menentukan mata kuliah apa yang tepat atau sesuai dengan

kemampuannya sehingga mahasiswa tersebut dapat memperoleh nilai yang

memuaskan pada tiap semester dan dapat menyelesaikan studinya dengan tepat

waktu. Sistem rekomendasi ini akan dibangun berdasarkan data histori mahasiswa-

mahasiswa yang telah mengambil mata kuliah pada periode sebelumnya. Lalu,

rekomendasi pengambilan mata kuliah akan dilakukan dengan cara mencocokkan

profil mahasiswa yang akan menerima rekomendasi untuk mengambil mata kuliah

tertentu dengan profil mahasiswa yang telah menyelesaikan mata kuliah tersebut pada

periode sebelumnya. Profil mahasiswa yang dimaksud adalah kemampuan akademik

mahasiswa berdasarkan data-data akademik yang disimpan pada sistem.

Pembuatan sistem rekomendasi pengambilan mata kuliah dapat dilakukan

dengan menggunakan teknik penggalian data, salah satunya dengan menerapkan

penggalian aturan asosiasi (association rule mining). Dengan menggunakan

penggalian aturan asosiasi, data-data mahasiswa akan dianalisis untuk mencari

informasi tersembunyi dalam data. Hasil dari proses analisis tersebut adalah aturan

yang digunakan untuk merekomendasikan mata kuliah yang tepat bagi mahasiswa.

Hasil dari tugas akhir ini diharapkan dapat membantu Jurusan Sistem Informasi ITS

untuk membantu tugas dosen wali setiap awal semester saat harus menyusun rencana

studi bersama mahasiswa, sehingga dosen wali akan lebih mudah membimbing

mahasiswa dalam menentukan mata kuliah apa yang harus diambil pada tiap

semester.

3.2. Perumusan Masalah

Permasalahan yang akan diselesaikan dalam tugas akhir ini adalah bagaimana

membuat sistem rekomendasi pengambilan mata kuliah bagi mahasiswa Jurusan

Sistem Informasi ITS dengan metode penggalian aturan asosiasi (association rule

mining) ?


hal : 4/22

3.3. Batasan Tugas Akhir

Adapun batasan masalah yang digunakan pada tugas akhir ini, antara lain :

a. Data yang digunakan merupakan data mahasiswa dan alumni yang menempuh

studi pada jenjang sarjana program reguler di Jurusan Sistem Informasi – Fakultas

Teknologi Informasi – Institut Teknologi Sepuluh Nopember (ITS) Surabaya.

b. Data yang digunakan adalah data akademik mulai tahun 2008 sampai tahun 2012.

c. Metode yang digunakan untuk membuat sistem rekomendasi pengambilan mata

kuliah adalah penggalian aturan asosiasi.

d. Aplikasi yang digunakan untuk melakukan penggalian aturan asosiasi adalah

WEKA (Waikato Environment for Knowledge Analysis) versi 3.6.10.

e. Aplikasi yang digunakan untuk membuat sistem rekomendasi pengambilan mata

kuliah adalah NetBeans versi 7.4 dengan menggunakan bahasa pemrograman

Java.

3.4. Tujuan Tugas Akhir

Tujuan yang hendak dicapai dalam pembuatan tugas akhir ini adalah membuat sistem

rekomendasi pengambilan mata kuliah bagi mahasiswa Jurusan Sistem Informasi ITS

dengan menggunakan teknik penggalian aturan asosiasi.

3.5. Relevansi atau Manfaat Tugas Akhir

Bagi penulis

a. Mengetahui implementasi teknik penggalian data dengan metode penggalian

aturan asosiasi untuk membuat sistem rekomendasi pengambilan mata kuliah.

Bagi institur sebagai klien

a. Hasil dari Tugas Akhir ini dapat menjadi rekomendasi bagi dosen wali ketika

melakukan persetujuan (validasi) mata kuliah saat awal semester.

b. Membantu mahasiswa Jurusan Sistem Informasi ITS untuk menentukan mata

kuliah yang harus diambil pada semester tertentu.

4. TINJAUAN PUSTAKA DAN DASAR TEORI

Pada bab tinjauan pustaka dan dasar teori akan dijelaskan mengenai teori-teori yang

digunakan sebagai referensi untuk pengerjaan tugas akhir ini.


hal : 5/22

4.1. Penggalian data

Kemajuan di bidang penerimaan data digital dan teknologi penyimpanan data

menyebabkan semakin besarnya jumlah data yang harus disimpan dalam database

(Hand, Heikki, & Padhraic, 2001). Dengan jumlah data yang sangat besar, diperlukan

sebuah teknik khusus untuk menganalisis informasi yang tersembunyi dalam data-

data tersebut sehingga dapat menghasilkan keputusan yang berguna bagi pihak

pengambil keputusan. Menurut Gartner Group, penggalian data merupakan proses

menemukan sebuah hubungan, pola dan tren (kecenderungan) dengan menyaring

data dalam jumlah besar yang disimpan dalam sebuah repositori, menggunakan

teknik pemahaman pola, statistika dan matematika (Larose, 2005). Sedangkan

menurut buku Principles of Data Mining, penggalian data adalah analisis pengamatan

sekumpulan data (terkadang dalam jumlah besar) untuk mencari hubungan tidak

terduga dan meringkas data dalam cerita yang dipahami dan berguna bagi pemilik

data (Hand, Heikki, & Padhraic, 2001). Berdasarkan fakta yang diungkapkan pada

MIT Technology Review, penggalian data disebutkan sebagai salah satu dari 10

teknologi berkembang yang akan mengubah dunia (Larose, 2005). Hal ini juga

didukung dengan semakin banyaknya perusahaan yang menyimpan datanya di

tempat penyimpanan data (data warehouse) secara online. Banyak perusahaan yang

saat ini telah menggunakan strategi data warehouse dan mereka ingin mencari tahu

apa yang dapat mereka lakukan dengan semua data yang disimpan dalam data

warehouse tersebut. Beberapa faktor yang mendorong semakin berkembang pesatnya

bidang penggalian data menurut Daniel T. Larose dalam buku Discovering

Knowledge in Data, antara lain :

1. Perkembangan yang pesat di bidang pengumpulan data.

2. Penyimpanan data yang beralih pada data warehouse.

3. Ketersediaan dari peningkatan akses ke data dari navigasi web dan intranet.

4. Tekanan kompetitif untuk meningkatkan market share dalam ekonomi global.

5. Pengembangan aplikasi-aplikasi komersial yang mendukung penggunaan

penggalian data.

6. Perkembangan bidang komputasi dan kapasitas penyimpanan yang sangat

dahsyat.


hal : 6/22

Penggalian data dikenal juga dengan sebutan knowledge discovery in

databases (KDD). Sebutan ini mulanya berasal dari bidang penelitian artificial

intelligence (AI). Terdapat beberapa tahapan dalam KDD, yaitu : menentukan target

data, pra proses data, transformasi data (jika diperlukan), melakukan penggalian data

untuk menemukan pola dan hubungan dalam data, serta menerjemahkan dan menilai

pola yang ditemukan (Hand, Heikki, & Padhraic, 2001).

4.1.1 Tugas Penggalian Data

Menurut buku Principles of Data Mining, penggalian data dapat

dikelompokkan menjadi beberapa bagian berdasarkan jenis tugas yang dapat

dilakukan, antara lain :

a. Exploratory Data Analysis (EDA)

EDA bertujuan untuk mengeksplorasi data tanpa mengetahui apa yang

akan dicari (tidak ada target yang ditentukan). Teknik ini lebih interaktif

dan visual, namun ketika jumlah dimensi bertambah banyak, maka akan

lebih susah untuk divisualisasikan. Contoh penerapan EDA yaitu pie

chart.

b. Pemodelan Deskriptif

Tujuan dari pemodelan deskriptif adalah mendeskripsikan semua data

atau proses dalam menghasilkan data. Contoh penerapan pemodelan

deskriptif antara lain : estimasi densitas, analisis cluster, dan segmentasi.

c. Pemodelan Prediktif : Klasifikasi dan Regresi.

Tujuan dari pemodelan prediktif adalah membangun sebuah model yang

akan memprediksi nilai dari suatu variabel berdasarkan nilai dari

variabel-variabel lain yang telah diketahui. Pada klasifikasi, variabel yang

akan diprediksi adalah variabel categorical, sedangkan pada regresi,

variabel yang akan diprediksi adalah variabel kuantitatif. Perbedaan

pemodelan deskriptif dan pemodelan prediktif adalah pemodelan

prediktif mempunyai sebuah variabel unik yang menjadi target variabel

yang akan diprediksi, sedangkan pada pemodelan deskriptif, tidak ada

satu variabel yang menjadi target dari model yang digunakan.

d. Menemukan Pola dan Hubungan


hal : 7/22

Ketiga tugas penggalian data yang telah disampaikan sebelumnya adalah

berfokus pada membangun model dari data. Penerapan lain dari

penggalian data yaitu bidang yang fokus pada deteksi pola pada data.

Selain itu, penggalian data juga dapat digunakan untuk mencari

kombinasi beberapa item yang sering muncul pada transaksi-transaksi

yang terdapat pada database. Teknik ini biasanya diselesaikan dengan

menggunakan algoritma penggalian aturan asosiasi.

e. Pengambilan Berdasarkan Isi

Tugas penggalian data pada bagian ini adalah ketika pengguna telah

mempunyai sebuah pola ketertarikan tertentu dan ingin mencari

kemiripan pola pada data. Penerapan pengambilan berdasarkan isi

biasanya banyak digunakan untuk data yang berbentuk teks atau gambar.

Untuk data berbentuk teks, pola yang dicari dapat berupa kata kunci dan

pengguna ingin mencari dokumen-dokumen yang relevan dengan kata

kunci tersebut. Sedangkan untuk data berbentuk gambar, pengguna

biasanya mempunyai contoh gambar atau deskripsi gambar dan pengguna

ingin mencari gambar-gambar yang sejenis (mirip) dari sekumpulan data

gambar.

4.1.2 Cross-Industry Standard Process for Data Mining (CRISP-DM)

CRISP-DM merupakan sebuah standar proses dalam penggalian data

yang dikembangkan pada tahun 1996 oleh para analis yang mewakili

DaimlerChrysler, SPSS, dan NCR (Larose, 2005). Standar ini tersedia secara

bebas dan dapat digunakan sebagai acuan untuk meletakkan penggalian data

secara tepat ke dalam strategi pemecahan masalah general dari suatu bisnis

atau unit penelitian tertentu. Berdasarkan CRISP-DM, sebuah proyek

penggalian data mempunyai siklus yang terdiri dari enam fase, seperti yang

dapat dilihat pada Gambar 1. Namun keenam fase tersebut tidak bersifat

permanen tetapi dapat disesuaikan dengan proyek penggalian data yang

dikerjakan.


hal : 8/22

Gambar 1. Siklus CRISP-DM yang terdiri dari enam fase (Wirth & Hipp)

Berikut adalah penjabaran dari keenam fase CRISP-DM :

a. Fase Pemahaman Bisnis

Mendefinisikan tujuan proyek penggalian data dan

menjelaskan kebutuhan proyek secara lengkap dalam hal bisnis

atau unit penelitian secara keseluruhan.

Menerjemahkan tujuan-tujuan dan menentukan batasan dalam

rumusan masalah yang akan diselesaikan dengan penggalian

data.

Menyiapkan strategi awal untuk mencapai tujuan yang telah

ditentukan.

b. Fase Pemahaman Data

Mengumpulkan data dan mengeksplorasi data yang diperoleh.

Eksplorasi dapat dilakukan dengan mencari tahu gambaran

awal dari data yang diperoleh serta memahami variabel-

variabel yang melekat pada data.

Mengevaluasi kualitas data. Evaluasi terhadap kualitas data

dapat dilakukan dengan Evaluasi tersebut dapat dilihat dari

beberapa aspek, antara lain : missing values, noise dan outliers,

redudansi data, dan lain-lain (Tan, Steinbach, & Kumar, 2004).


hal : 9/22

Jika perlu, pilih beberapa bagian yang memiliki pola yang

dapat ditindaklanjuti.

c. Fase Penyiapan Data

Mempersiapkan data set akhir dari data awal yang diperoleh.

Data set akhir inilah yang akan digunakan sebagai data yang

dianalisis pada fase-fase berikutnya.

Menentukan studi kasus dan variabel yang tepat untuk

dianalisis.

Melakukan transformasi pada variabel-variabel tertentu jika

diperlukan.

Melakukan pra proses data pada data set akhir sehingga siap

untuk digunakan pada tool pemodelan.

d. Fase Pemodelan

Memilih dan menggunakan teknik pemodelan yang sesuai.

Menyesuaikan pengaturan model sehingga menghasilkan hasil

yang optimal.

Beberapa teknik penggalian data yang berbeda biasanya dapat

digunakan pada kasus penggalian data yang sama.

Jika perlu, kembali ke fase persiapan data untuk menyiapkan

data yang sesuai dengan teknik penggalian data yang

digunakan.

e. Fase Evaluasi

Mengevaluasi satu atau lebih model yang dihasilkan pada fase

pemodelan untuk mencari model yang paling berkualitas dan

efisien sebelum model tersebut diimplementasikan.

Menilai apakah model yang dihasilkan dapat menjawab tujuan

yang ditentukan pada fase pertama.

Menentukan apakah ada aspek penting dari permasalahan

bisnis yang belum terselesaikan.

Menentukan keputusan mengenai penggunaan hasil

penggalian data.


hal : 10/22

f. Fase Implementasi Model

Memanfaatkan model yang telah dihasilkan sesuai dengan

tujuan yang ingin dicapai.

4.2. Penggalian aturan asosiasi

Pada penjelasan sebelumnya, telah disebutkan bahwa penggalian data dapat

melakukan beberapa tugas. Bagian ini akan menjelaskan secara lebih rinci mengenai

salah satu tugas yang dapat dilakukan melalui penggalian data, yaitu asosiasi.

Asosiasi yang dilakukan melalui penggalian data adalah suatu proses pencarian

atribut-atribut yang sering muncul secara bersamaan. Pada dunia bisnis, proses ini

sering disebut sebagai analisis afinitas atau market basket analysis. Tugas dari

asosiasi adalah membentuk aturan yang ditentukan berdasarkan hubungan antar dua

atau lebih atribut. Aturan asosiasi ditentukan sebagai “Jika antecedent (penyebab),

maka consequent (akibat)”, dengan perhitungan support dan confidence untuk

masing-masing aturan. Contohnya, pada sebuah supermarket terdapat 1000

pelanggan yang berbelanja pada hari kamis malam, 200 orang membeli popok dan

dari 200 orang yang membeli popok, 50 diantaranya juga membeli bir. Dari sana

dapat dibentuk sebuah aturan “Jika membeli popok, maka membeli bir” dengan nilai

support 200/1000 = 20% dan confidence 50/200 = 25%. Saat melakukan penggalian

aturan asosiasi, terdapat dua bentuk (format) data yang dapat digunakan, yaitu format

data transaksional dan format data tabular. Format data transaksional mempunyai dua

kolom, yaitu ID dan konten, setiap baris merepresentasikan sebuah item tunggal.

Tabel 1 menunjukkan contoh format data transaksional.

Tabel 1. Format Data Transaksional

ID Mahasiswa Mata kuliah yang diambil

1 KS1309

1 KS1310

2 KS1309

2 KS1311

... ...


hal : 11/22

Sedangkan format data tabular merepresentasikan data dengan memisahkan setiap

transaksi dengan memberikan nilai 1 atau 0 pada setiap item.

Tabel 2. Format Data Tabular

ID Mahasiswa KS1309 KS1310 KS1311

1 1 1 0

2 1 0 1

...

Rumus yang digunakan untuk menghitung support dari sebuah penggalian aturan

asosiasi AB (Jika A, maka B) adalah proporsi dari semua transaksi D yang berisi

A dan B, sehingga :

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 = 𝑠 = 𝑃(𝐴 ∩ 𝐵) =𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑏𝑒𝑟𝑖𝑠𝑖 𝐴 𝑑𝑎𝑛 𝐵

𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑡𝑜𝑡𝑎𝑙

Sedangkan untuk menghitung nilai confidence dari sebuah penggalian aturan asosiasi

AB (Jika A, maka B) adalah persentase dari transaksi D yang berisi A dan juga

berisi B, sehingga :

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = 𝑐 = 𝑃(𝐵|𝐴) =𝑃(𝐴 ∩ 𝐵)

𝑃(𝐴)=

𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑏𝑒𝑟𝑖𝑠𝑖 𝐴 𝑑𝑎𝑛 𝐵

𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑏𝑒𝑟𝑖𝑠𝑖 𝐴

Analis akan mengehendaki aturan yang mempunyai nilai support dan confidence

yang tinggi. Aturan yang kuat (bagus) adalah aturan yang dapat melampaui nilai

minimum support dan confidence yang ditentukan. Pada kasus penggalian aturan

asosiasi, terdapat itemset yang terdiri dari kumpulan item yang tersimpan pada I dan

k-itemset adalah itemset yang terdiri dari k item. Frekuensi dari sebuah itemset

dihitung dari banyaknya jumlah transaksi yang mengandung itemset tersebut. Sebuah

itemset dikatakan sebagai itemset yang sering muncul (frequent itemset), jika itemset

tersebut dapat melampaui nilai minimum kemunculan itemset yang ditetapkan.

Secara ringkas, penggalian aturan asosiasi mempunyai dua tahapan yang harus

dilakukan, yaitu mencari semua itemset yang sering muncul, lalu dari itemset yang

sering muncul tersebut akan dihasilkan aturan asosiasi yang melampaui nilai

minimum support dan confidence.

Masalah yang kemungkinan akan muncul saat menerapkan penggalian aturan

asosiasi adalah dimensionalitas. Jumlah aturan yang dihasilkan akan semakin banyak


hal : 12/22

sesuai dengan bertambahnya jumlah atribut. Algoritma apriori adalah salah satu

algoritma yang dapat digunakan dalam penggalian aturan asosiasi. Algoritma

tersebut dapat mereduksi jumlah aturan menjadi jumlah yang lebih sedikit dengan

mengurangi jumlah kemungkinan itemset yang sering muncul. Algoritma ini

menyatakan jika Z adalah sebuah itemset yang tidak sering muncul, maka

menambahkan item A pada itemset Z tidak akan membuat Z menjadi lebih sering

muncul. Oleh karena itu, jika Z tidak sering muncul, maka Z ∪ A akan menjadi

itemset yang tidak sering muncul. Dengan kata lain, tidak ada superset dari Z (itemset

yang berisi Z) yang akan sering muncul. Algoritma ini akan sangat berguna untuk

mengurangi ruang pencarian dalam menentukan itemset yang sering muncul (Larose,

2005).

Ketika penggalian aturan asosiasi dengan menggunakan algoritma apriori

telah selesai dilakukan, maka akan dihasilkan beberapa aturan. Dalam rangka menilai

efektifitas dari setiap aturan yang dihasilkan tersebut, maka dilakukan evaluasi

terhadap tiap aturan. Evaluasi ini dilakukan untuk menilai apakah sistem rekomendasi

yang hendak dibangun dapat merekomendasikan mata kuliah tertentu dengan hanya

mempertimbangkan satu mata kuliah atau dua mata kuliah pertama yang disebutkan.

Ukuran yang digunakan untuk melakukan evaluasi tersebut adalah coverage dan

akurasi. Nilai coverage menyatakan kemampuan sistem untuk menghasilkan semua

mata kuliah yang kemungkinan akan direkomendasikan bagi mahasiswa. Secara

matematis, rumus perhitungan coverage yaitu :

𝐶𝑜𝑣𝑒𝑟𝑎𝑔𝑒 = |𝑅 (𝑠𝑖) ∩ 𝑇 (𝑠𝑖)|

|𝑇 (𝑠𝑖)|

Sedangkan akurasi menyatakan kemampuan sistem untuk menyediakan rekomendasi

yang benar bagi mahasiswa. Secara matematis, rumus perhitungan akurasi yaitu :

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = |𝑅 (𝑠𝑖) ∩ 𝑇 (𝑠𝑖)|

|𝑅 (𝑠𝑖)|

Dengan 𝑅 (𝑠𝑖) = mata kuliah yang direkomendasikan dan 𝑇 (𝑠𝑖) = sisa mata kuliah

yang harus diambil. Apabila analis ingin menghasilkan performa sistem rekomendasi

yang optimal, maka perlu dicari nilai rekomendasi coverage dan akurasi yang tepat.

Semakin tinggi nilai coverage dan akurasi yang dihasilkan, maka sistem rekomendasi


hal : 13/22

akan semakin baik dalam memprediksi mata kuliah apa yang harus

direkomendasikan (Bendakir & Aimeur, 2006).

4.3. Peraturan Akademik ITS

Berdasarkan Peraturan Akademik Institut Teknologi Sepuluh Nopember

Tahun 2009-2014 pasal 14, untuk membantu setiap mahasiswa mengembangkan

kemampuannya agar dapat menyelesaikan pendidikan dengan baik dan tepat waktu,

ditetapkan seorang tenaga pengajar tetap sebagai dosen wali. Dosen wali bertugas

memantau perkembangan studi mahasiswa. Setiap awal semester, mahasiswa harus

menyusun rencana studinya bersama dosen wali dan rencana studi tersebut

dituangkan dalam FRS (Formulir Rencana Studi) online. Mahasiswa berhak

mendapat bimbingan dosen wali dalam hal mendapatkan informasi tentang program

pendidikan di ITS, pengarahan dalam menyusun rencana studi untuk semester yang

akan berlangsung, dan bantuan dalam menyelesaikan masalah akademik. Pada pasal

19, ukuran keberhasilan pembelajaran dinyatakan dengan Indeks Prestasi. Indeks

Prestasi (IP) dihitung sebagai berikut :

𝐼𝑃 =𝑏𝑜𝑏𝑜𝑡 𝑚𝑎𝑡𝑎 𝑘𝑢𝑙𝑖𝑎ℎ

𝑡𝑜𝑡𝑎𝑙 𝑠𝑘𝑠=

∑ 𝐾𝑖 × 𝑁𝑖𝑛𝑖=1

∑ 𝐾𝑖𝑛𝑖=1

Dengan :

n = jumlah mata kuliah yang telah diambil.

N = nilai numerik hasil evaluasi masing-masing mata kuliah;

Skala pengukuran hasil evaluasi pembelajaran mahasiswa dinyatakan sebagai

berikut :

Tabel 3. Hasil evaluasi pembelajaran

Nilai Angka Nilai Huruf Nilai Numerik Sebutan

81 – 100 A 4 Istimewa

71 – 80 AB 3,5 Sangat baik

66 – 70 B 3 Baik

61 – 65 BC 2,5 Cukup baik

56 – 60 C 2 Cukup

41 – 55 D 1 Kurang

0 – 40 E 0 Sangat kurang


hal : 14/22

K = besar SKS masing-masing mata kuliah;

Menurut Peraturan Akademik ITS Tahun 2009-2014 Pasal 4, sistem

penyelenggaraan pendidikan menggunakan Sistem Kredit Semester (SKS) yang

diartikan sebagai suatu sistem penyelenggaraan pendidikan dengan

menggunakan satuan kredit semester untuk menyatakan beban mahasiswa, beban

kerja dosen, dan beban penyelenggaraan program. Satu SKS untuk

penyelenggaraan mata kuliah diartikan sebagai beban studi mahasiswa untuk

mengikuti keseluruhan tiga kegiatan per minggu, yaitu 50 menit kegiatan tatap

muka terjadwal dengan tenaga pengajar, 50 – 100 menit kegiatan akademik

terstruktur, dan 50 – 100 menit kegiatan akademik mandiri dalam satu semester

(18 minggu perkuliahan).

Pada setiap semester, terdapat ukuran keberhasilan pembelajaran yang

dinyatakan dengan Indeks Prestasi Semester )IPS). IPS adalah IP yang dihitung dari

semua mata kuliah yang diambil dalam semester yang bersangkutan. Beban studi

yang dapat diambil pada tiap semester ditentukan oleh IPS yang dicapai pada

semester berikutnya, dengan acuan sebagai berikut :

Tabel 4. Beban studi berdasarkan IPS

IPS Beban studi maksimal yang dapat diambil

𝐼𝑃𝑆 < 2,00 16 SKS

2,00 ≤ 𝐼𝑃𝑆 < 3,00 20 SKS

𝐼𝑃𝑆 ≥ 3,00 24 SKS

Sedangkan untuk mahasiswa baru program sarjana wajib mengambil seluruh beban

studi pada semester 1 dan sekurang-kurangnya seluruh beban studi pada semester 2.

Pengambilan mata kuliah harus memperhatikan mata kuliah prasyaratnya, dengan

nilai mata kuliah prasyarat sekurang-kurangnya D untuk program sarjana (Institut

Teknologi Sepuluh Nopember, 2009).

5. METODE PENGERJAAN TUGAS AKHIR

Bagian metode pengerjaan tugas akhir ini menjabarkan langkah-langkah yang akan

dilakukan dalam proses mengerjakan tugas akhir. Permasalahan pada tugas akhir ini akan

diselesaikan dengan metode yang mengacu pada Cross Industry Standard Process for Data


hal : 15/22

Mining (CRISP-DM). Gambar 2 di bawah ini menunjukkan tahapan dari metode pengerjaan

tugas akhir berdasarkan CRISP-DM serta keluaran dari setiap proses tersebut.

Penjelasan untuk setiap tahap dalam metode tersebut adalah sebagai berikut.

a. Penentuan Tujuan

Tahap penentuan tujuan adalah tahap untuk memahami permasalahan yang terjadi di

Jurusan Sistem Informasi ITS, menetapkan tujuan, dan menentukan batasan dari

permasalahan yang akan diselesaikan melalui tugas akhir yang dikerjakan. Selain itu,

pada tahap ini juga dapat dilakukan studi literatur untuk mencari strategi pemecahan

masalah dengan menggunakan teknik penggalian data tertentu. Studi literatur tersebut

digunakan sebagai dasar teori yang digunakan sebagai referensi / acuan dalam pengerjaan

tugas akhir. Referensi utama yang digunakan pada tugas akhir ini adalah paper berjudul

Using Association Rules for Course Recommendation. Paper tersebut ditulis oleh

Narimel Bendakir dan Esma Aïmeur dari Université de Montréal sebagai hasil workshop

yang diselenggarakan oleh Association for the Advancement of Artificial Intelligence

pada tahun 2006. Referensi lain yang digunakan pada tugas akhir ini adalah referensi

mengenai konsep penggalian data, CRISP-DM, dan teknik penggalian aturan asosiasi.

Referensi mengenai ketiga topik tersebut didapatkan dari e-book yang berjudul

Introduction to Data Mining karangan Tan, Steinbach, Kumar, Discovering Knowledge

Keluaran :

Tujuan & referensi penelitian

Keluaran :

Data final yang akan digunakan

Keluaran :

Hasil dari association rule &

Desain sistem rekomendasi

Keluaran :

Hasil uji coba sistem rekomendasi

Keluaran :

Buku Tugas AkhirDokumentasi

Implementasi dan Uji Coba

Pemodelan dan Desain Sistem

Penyiapan Data

Penentuan Tujuan dan

Studi Literatur

Gambar 2. Metode pengerjaan tugas akhir


hal : 16/22

in Data karangan Daniel T. Larose, serta Principles of Data Mining karangan Hand,

Heikki, Smyth. Sedangkan referensi mengenai peraturan akademik ITS didapatkan dari

buku peraturan akademik ITS tahun 2009 yang beredar di kalangan internal ITS

Surabaya.

b. Penyiapan Data

Pada tahap penyiapan data, dilakukan pengumpulan data-data awal yang akan digunakan

dalam pengerjaan tugas akhir. Data yang digunakan pada tahap ini merupakan data-data

akademik mahasiswa yang didapat dari Pusat Data dan Pelaporan LPTSI ITS. Data yang

diambil adalah data mulai tahun 2008 sampai 2012. Sebagai batasan, data yang diambil

hanya data mahasiswa dan alumni yang menempuh studi pada jenjang sarjana program

reguler yang menempuh studi di Jurusan Sistem Informasi ITS. Tahap ini merupakan

tahap untuk memahami data yang diperoleh, yaitu memahami tipe data, variabel-variabel

yang melekat pada data, dan jumlah data. Selain itu, dilakukan pula evaluasi terhadap

kualitas data. Tahap selanjutnya adalah mempersiapkan data final yang akan digunakan

untuk proses pemodelan. Data final yang dimaksud adalah data yang telah melalui proses

pra proses sehingga menjadi data yang berkualitas baik. Bila perlu, dapat dilakukan

proses transformasi pada variabel tertentu untuk menunjang proses pemodelan. Pada

tahap ini juga dilakukan peninjauan terhadap mata kuliah yang disediakan. Mata kuliah

yang sudah tidak ditawarkan atau mata kuliah yang kodenya berubah akan disesuaikan

dengan kode mata kuliah yang digunakan saat ini (sesuai aturan ekivalensi yang berlaku

di ITS). Selain itu, akan ditambahkan variabel baru yaitu laboratorium yang dipilih

mahasiswa sesuai dengan tugas akhir yang dikerjakannya. Format data yang digunakan

akan disesuaikan dengan format masukan file WEKA yaitu ARFF (Attribute-Relation

File Format). Keluaran dari tahap ini adalah final data set yang akan digunakan pada

tahap-tahap berikutnya.

c. Pemodelan dan Desain Sistem

Pemodelan merupakan tahap pemodelan terhadap final data set yang telah disiapkan

sebelumnya. Pada tahap ini, data final tersebut dianalisis menggunakan tool yaitu WEKA

versi 3.6.10. WEKA merupakan aplikasi open source untuk penggalian data dan machine

learning. Analisis yang dilakukan melalui WEKA menggunakan metode penggalian

aturan asosiasi dengan algoritma apriori untuk menghasilkan aturan tentang rekomendasi

pengambilan mata kuliah. Algoritma apriori mempunyai dua parameter yaitu support dan


hal : 17/22

confidence yang akan mempengaruhi aturan yang akan dihasilkan. Penggalian aturan

asosiasi akan menghasilkan aturan yang mencapai atau melebihi batas minimum support

dan confidence yang ditentukan. Sedangkan algoritma apriori akan menentukan itemset

yang sering muncul dalam data set yang digunakan (Lihat Bab 4. Tinjauan Pustaka

bagian 4.2). Pada tahap ini dilakukan training pada data. Keluaran dari tahap ini adalah

aturan yang digunakan untuk merekomendasikan mata kuliah tertentu.

Setelah aturan untuk merekomendasikan mata kuliah dihasilkan, maka selanjutnya

dilakukan desain sistem rekomendasi yang akan dibangun. Sistem tersebut akan

dibangun menggunakan bahasa pemrograman Java dengan bantuan tool NetBeans versi

7.4 dan database MySQL. Sistem rekomendasi ini akan mengevaluasi aturan yang

dihasilkan berdasarkan bobot mata kuliah (Lihat Bab 4. Tinjauan Pustaka bagian 4.3).

Jika bobot mata kuliah kurang dari batasan penerimaan mata kuliah, maka sistem akan

menghapus mata kuliah tersebut dari aturan yang digunakan. Namun jika yang terjadi

sebaliknya, maka mata kuliah tersebut akan tetap menjadi mata kuliah yang

direkomendasikan. Hal ini dilakukan untuk meningkatkan kualitas aturan yang

dihasilkan dari proses penggalian aturan asosiasi. Secara ringkas, gambaran dari sistem

rekomendasi pengambilan mata kuliah yang akan dibuat ditunjukkan pada gambar 3.

Gambar 3. Desain sistem rekomendasi pengambilan mata kuliah

d. Implementasi dan Uji Coba

Pada tahap implementasi akan dilakukan pembuatan sistem rekomendasi pengambilan

mata kuliah dengan menggunakan Java. Tahap ini merupakan tahap lanjutan dari tahap

desain sistem, sehingga langkah-langkah yang dilakukan pada tahap implementasi

merupakan tindak lanjut tahap desain sistem. Pada awalnya, data akademik mahasiswa

yang telah melalui pra proses dimasukkan ke dalam database MySQL. Lalu dibentuklah

Input

•Data mahasiswa

•Data mata kuliah

Proses

•Penerapan penggalian aturan asosiasi

•Evaluasi aturan

Output

•Mata kuliah yang direkomen-dasikan


hal : 18/22

sistem yang dapat menyimpan aturan-aturan yang telah dihasilkan pada proses

penggalian aturan asosiasi sebelumnya. Aturan-aturan tersebut kemudian dievaluasi

untuk meningkatkan kualitas aturan yang dihasilkan. Evaluasi dilakukan berdasarkan

komparasi antara bobot mata kuliah dan batas nilai penerimaan mata kuliah yang akan

direkomendasikan. Setelah sistem menyeleksi aturan-aturan tersebut, sistem akan

memperbarui data mata kuliah yang direkomendasikan dan menghapus aturan yang tidak

sesuai. Tahap uji coba sistem akan menggunakan data testing yang berbeda dari data

training yang telah digunakan sebelumnya. Selain itu, pada tahap ini dilakukan evaluasi

apakah model yang dihasilkan sudah dapat menjawab tujuan yang ditentukan di tahap

sebelumnya. Jika masih ada tujuan yang belum terjawab, maka dapat dilakukan

peninjauan kembali terhadap model yang didapatkan.

e. Dokumentasi

Tahap dokumentasi merupakan tahap terakhir dalam proses pengerjaan tugas akhir.

Tahap ini tidak termasuk dalam enam fase CRISP-DM tetapi merupakan fase tambahan

yang dianggap penting dalam pengerjaan tugas akhir. Pada tahap ini dilakukan

pendokumentasian hasil tugas akhir serta analisis terhadap hasil yang didapatkan.

Keluaran dari tahap ini adalah buku tugas akhir.


hal : 19/22

6. DAFTAR PUSTAKA

Bendakir, N., & Aimeur, E. (2006). Using Association Rules for Course Recommendation.

AAAI Workshop on Educational Data Mining (Vol. 3). Montreal: Association for

the Advancement of Artificial Intelligence.

Hand, D., Heikki, M., & Padhraic, S. (2001). Principles of Data Mining. London: The MIT

Press.

Institut Teknologi Sepuluh Nopember. (2009). Peraturan Akademik 2009. Surabaya: ITS

Press.

Larose, D. T. (2005). Discovering Knowledge in Data. New Jersey: John Wiley & Sons,

Inc.

Sailah, I. (2010). Sistem Penjaminan Mutu Perguruan Tinggi (SPM-PT). Jakarta: Dikti.

Tan, P.-N., Steinbach, M., & Kumar, V. (2004). Introduction to Data Mining. Boston:

Pearson Education, Inc.

Wirth, R., & Hipp, J. (t.thn.). CRISP-DM : Towards a Standard Process Model for Data

Mining.


hal : 20/22

7. JADWAL KEGIATAN

Tabel 5. Jadwal kegiatan tugas akhir

No Kegiatan Februari Maret April Mei Juni

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

1. Penentuan Tujuan

a. Survey ke instansi penyedia

data akademik ITS

b. Identifikasi permasalahan

dan penentuan batasan

masalah

c. Studi literatur terkait

masalah yang akan

diselesaikan

d. Studi literatur mengenai

teknik penggalian data yang

akan digunakan

2. Penyiapan Data

a. Pengumpulan data


hal : 21/22

No Kegiatan Februari Maret April Mei Juni

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

b. Evaluasi kualitas data

c. Seleksi dan transformasi data

d. Pra proses data

4. Pemodelan dan Desain Sistem

a. Pengolahan data menggunakan

metode penggalian aturan

asosiasi

b. Desain sistem rekomendasi

pengambilan mata kuliah

5. Implementasi dan Uji Coba

6. Dokumentasi

a. Analisis hasil penggalian data

b. Penyusunan buku tugas akhir


hal : 22/22

Surabaya, 13 Maret 2014

Dosen Pembimbing 1

Prof. Ir. Arif Djunaidy, M.Sc., Ph.D.

NIP. 19581005 198603 1 003

Dosen Pembimbing 2

Renny Pradina Kusumawardani, S.T., M.T.

NIP. SI.1209.00.19

Documents

PENERAPAN PENGGALIAN ATURAN ASOSIASI UNTUK SISTEM REKOMENDASI PENGAMBILAN MATA KULIAH DI JURUSAN SISTEM INFORMASI ITS SURABAYA