Implementasi Teknik Data Mining Terhadap Data Pola Minat Mahasiswa Menggunakan Metode Apriori
DOI:
https://doi.org/10.35473/jamastika.v5i1.4732Abstract
Kebutuhan akan informasi yang terus meningkat menuntut berbagai pihak untuk lebih cermat dalam memanfaatkan serta memilih teknologi yang tersedia. Data dapat digunakan dalam proses analisis maupun penelitian guna menghasilkan informasi yang bernilai. Pada institusi pendidikan, data mengenai minat mahasiswa dapat dikelola sebagai aset penting. Melalui data mining, analisis dapat dilakukan secara berkelanjutan sehingga keputusan dapat diambil dengan lebih optimal. Data mahasiswa dapat diolah menggunakan metode apriori untuk mengetahui kecenderungan minat mereka terhadap mata kuliah pilihan. Dengan mengenali kombinasi mata kuliah yang diminati, pihak kampus dapat merancang program studi yang lebih menarik dan sesuai kebutuhan. Melalui penggunaan aplikasi RapidMiner, diperoleh tingkat confidence sebesar 70% terhadap pilihan mahasiswa pada mata kuliah Pemrograman CMS, Realitas Virtual, dan Data Mining.
Kata Kunci: Data mining; apriori; minat mahasiswa.
The growing need for information requires various parties to be more careful in utilizing and selecting the available technologies. Data can be used in analytical processes and research to generate valuable information. In educational institutions, data on student interests can be managed as an important asset. Through data mining, continuous analysis can be carried out so that decisions can be made more optimally. Student data can be processed using the Apriori method to identify their interest tendencies toward elective courses. By identifying combinations of courses that students prefer, universities can design study programs that are more engaging and aligned with their needs. Using the RapidMiner application, a confidence level of 70% was obtained for student preferences in the CMS Programming, Virtual Reality, and Data Mining courses.
Keywords: Data mining; apriori; studen interest
References
Agrawal, R., & Srikant, R. (1994). Algoritma cepat untuk menambang aturan asosiasi. Dalam Prosiding Konferensi Internasional ke-20 tentang Basis Data Sangat Besar (VLDB) (hlm. 487–499). Morgan Kaufmann.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). Proses KDD untuk mengekstraksi pengetahuan berguna dari volume data. AI Magazine, 17(3), 37–54. https://doi.org/10.1609/aimag.v17i3.1230
Han, J., Kamber, M., & Pei, J. (2012). Data mining: Konsep dan teknik (edisi ke-3). Morgan Kaufmann.
Larose, D. T. (2015). Data mining dan analitik prediktif. Wiley.
Shmueli, G., Bruce, P., Gedeck, P., & Patel, N. (2017). Data mining untuk analitik bisnis. Wiley.
Tan, P.-N., Steinbach, M., & Kumar, V. (2018). Pengenalan data mining (edisi ke-2). Pearson.
Turban, E., Sharda, R., & Delen, D. (2011). Sistem pendukung keputusan dan intelijen bisnis (edisi ke-9). Pearson.
Witten, I. H., Frank, E., & Hall, M. A. (2016). Data mining: Alat dan teknik pembelajaran mesin praktis (edisi ke-4). Morgan Kaufmann.
Mierswa, I., Wurst, M., Klinkenberg, R., Scholz, M., & Euler, T. (2006). YALE: Prototipe cepat untuk tugas data mining kompleks. Prosiding Konferensi Internasional ACM SIGKDD ke-12 tentang Penemuan Pengetahuan dan Penambangan Data, 1–8. https://doi.org/10.1145/1150402.1150413
Hofmann, M., & Klinkenberg, R. (2014). RapidMiner: Studi kasus data mining dan aplikasi analitik bisnis. CRC Press.
KDnuggets. (2011). Survei: Perangkat lunak data mining terpopuler. https://www.kdnuggets.com/polls/top-software.html
Hand, D., Mannila, H., & Smyth, P. (2001). Principles of data mining. MIT Press.
Frawley, W. J., Piatetsky-Shapiro, G., & Matheus, C. J. (1992). Knowledge discovery in databases: An overview. AI Magazine, 13(3), 57–70.
Berry, M. J. A., & Linoff, G. (2004). Data mining techniques: For marketing, sales, and customer relationship management (2nd ed.). Wiley.
Kotsiantis, S. B., Zaharakis, I., & Pintelas, P. (2007). Supervised machine learning: A review of classification techniques. Emerging Artificial Intelligence Applications in Computer Engineering, 160, 3–24.
Witten, I. H., & Frank, E. (2005). Data mining: Practical machine learning tools and techniques (2nd ed.). Morgan Kaufmann.
