Pemodelan Data Mining Pola Kelayakan Kemampuan Lulusan Dengan Kebutuhan Stakeholder Menggunakan Algoritma Apriori

Abstrak

Kecepatan layanan, ketepatan, keakuratan data, kemudahan penyampaian informasi serta akuntanbilitas menjadi alasan yang sangat penting bagi penerapan system informasi. Universitas Semarang (USM) merupakan perguruan tinggi swasta di Semarang yang mempunyai mahasiswa terbanyak ke 2 se Jawa Tengah. USM salah satu perguruan tinggi yang sedang berkembang dengan pesat. Banyaknya mahasiswa membuat USM mempunyai tangung jawab yang besar terhadap pendidikan mahasiswa sehingga kelak menjadi lulusan yang siap kerja sesuai dengan kebutuhan dunia usaha atau industry. Berdasarkan data tracer USM tahun 2019 menunjukkan keselarasan horizontal yaitu keselarasan seberapa erat hubungan antara bidang studi dengan pekerjaan alumni, tampak bahwa masih ada ketidaksesuaian (tidak sama sekali=1,6%, kurang=19,2%. Dan cukup besar=27,5%) kemampuan lulusan dengan stakeholder. Hal ini menjadi perhatian khusus perguruan tinggi untuk membenahi/mengatur strategi agar prosentase data tersebut berkurang. Algoritma Apriori merupakan algoritma yang paling dikenal untuk menemukan pola frekuensi tinggi. Pola frekuensi tinggi ini juga digunakan untuk menyusun aturan assosiatif dan juga beberapa teknik data mining yang lain.  Aturan yang menyatakan asosiasi antara beberapa atributsering disebut affinity analysis atau market basket analysis. Penggunaan Algoritma Apriori pada perhitungan data mining dengan menggunakan data dari tracer Universitas Semarang bahwa Batasan dari minimum support adalah 50% dan minimum confidence nya adalah sebesar 100% sehingga membentuk 4 rules. Dari keempat rules yang dihasilkan bahwa pemodelan dengan menggunakan Algoritma Apriori dapat menghasilkan beberapa formasi rules sehingga dapat memberikan evaluasi kepada pihak Universitas untuk  menyusun langkah-langkah hal ini dapat dilihat  karena rule yang dihasilkan berbeda karena pada tiap hubungan lulusan dengan stakeholder mempunyai  acuan serta gaya yang berbeda,