Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)

Yogyakarta, 15 Maret 2014

ISSN: 2089-9813

ANALISA SEBARAN SEKOLAH ASAL MENGGUNAKAN METODE

HIERARCHICAL CLUSTERING
ANALYSIS KASUS MAHASISWA BARU UNIS TANGERANG
Oleh Soleh1, Ikrima Catrik2, Tri Nugroho3, Ichwan Putra Arianto4
Program Study Teknik Informatika, Universitas Islam Syekh Yusuf Tangerang
Jl. Maulana Yusuf Babakan Kota Tangerang, 15118 Telp. 552969
2 ) 3) 4)
Sistem Informasi STMIK Raharja Tangerang
Jl Jendral Sudirman No. 40, Modernland, Tangerang
Email : olehsoleh@gmail.com1) ikrima_catrik@yahoo.co.id2), trinugroho24004@gmail.com3),
ichwan.arianto@yahoo.com4)
1)

ABSTRAK
Dalam proses penerimaan mahasiswa baru, para calon mahasiswa baru akan mengisi profile, termasuk sekolah
asal. Dalam satu periode akan menghasilkan jumlah data yang banyak sehingga membutuhkan proses yang lama
dalam menganalisa data tersebut bila menggunakan metode analisa manual. Untuk itu perlu adanya metode
analisa data menggunakan metode simple dan terstruktur. Begitu juga pada Universitas Islam Syekh-Yusuf, yang
masih menggunakan metode analisa manual. Data-data hasil analisa akan sangat berguna bagi pihak Universitas
untuk mengetahui perkembangan penerimaan mahasiswa baru, serta dapat menemukan informasi yang berharga.
Dengan menentukan sekolah asal mahasiswa baru sebagai objek yang akan diteliti, tahap awal pengumpulan data
yaitu dengan observasi, wawancara, dan studi pustaka dan dibantu Data Mining dengan teknik Hierarchical
Clustering Anaysis, kemudian dipresentasikan dengan diagram dan grafik. Hasil penelitian ini diharapkan dapat
memberikan informasi yang berharga kepada pihak kampus sehingga akan membantu dalam pengambilan
keputusan.
Kata Kunci: analisa, sebaran, hierarchical

ABSTRACT
In the new admissions process, the new students will fill out the profile, including the school of origin. In one
period will generate a lot of that requires a long process of analyzing such data when using manual analysis
methods. So we need method using simple and structured. So also at the University Islam Syekh-Yusuf, still using
manual analysis methods. The data analysis results will be very useful for the university to know the
development of new admissions, as well as be able to find valuable information. By determining the school of
origin new students as an object to be studied, the first stage of collecting data through observation, interviews,
and literature and assisted Data Mining with Hierarchical Clustering techniques analysis, then presented with a
charts and graphs. The results of this study are expected to provide valuable information to the campus that will
assist in decision making.
Keywords : analysis, distribution, hierarchical
membutuhkan proses yang lama dalam menganalisa
data tersebut. Data-data hasil analisa ini sangat
berguna sekali bagi pihak Universitas untuk
mengetahui perkembangan proses penerimaan
mahasiwa baru, baik perkembangan jumlah
mahasiswa baru, jumlah pendaftar perfakultas
sampai daftar sekolah asal mahasiswa baru.
Setiap periode penerimaan mahasiswa baru
menghasilkan data calon mahasiswa yang relatif
banyak yang tentunya membutuhkan proses analisa
yang lama bila menggunakan metode analisa
manual. Untuk itu perlu adanya metode penggalian
atau analisa data menggunakan metode yang simple
dan sudah terstruktur. Penggalian informasi pada
sebuah data yang berukuran besar (mempunyai
jumlah record dan field yang cukup banyak) tidak
dapat dilakukan dengan mudah. Data mining
merupakan salah satu alat bantu untuk menganalisa
data pada basis data berukuran besar dan dengan

1. PENDAHULUAN
1.1 Latar Belakang
Perkembangan kemajuan teknologi informasi
dan komunikasi sangatlah pesat di era globalisasi
dan modernisasi saat ini. Perubahan yang
berkembang di jaman ini adalah munculnya
komputer sebagai alat bantu untuk mempermudah
dalam menyelesaikan suatu pekerjaan sehingga lebih
efektif dan efisien. Aspek-aspek kehidupan dalam
bidang pendidikan, bisnis, kesehatan, militer, dan
aspek kehidupan di bidang lainnya saat ini sangat
membutuhkan peran komputer.
Dalam proses penerimaan mahasiswa baru dalam
sebuah perguruan tinggi tentunya setiap para calon
mahasiswa baru akan mengisi profile seperti, nama,
alamat, tanggal lahir dan lain-lain, termasuk data
mengenai sekolah asal. Dalam suatu periode
penerimaan mahasiswa baru akan menghasilkan
jumlah data yang banyak sehingga mengakibatkan
223

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)

Yogyakarta, 15 Maret 2014

ISSN: 2089-9813

the deriving some meaning from them. (Seidman,

2010:1)Yang berarti bahwa data mining, juga
dikenal sebagai Knowledge Discovery (KD), adalah
proses yang dibantu komputer menggali melalui dan
menganalisis set besar data, menemukan pola yang
belum ditemukan sebelumnya, dan berasal makna
dari mereka. (Seidman, 2010:1)
Sebagai suatu rangkaian proses, data mining
dapat dibagi menjadi beberapa tahap yaitu (Noranita
dan Bahtiar, 2010:157) :
1. Pembersihan data (data clearing)
Pembersihan data merupakan proses
menghilangkan noise dan data yang tidak
konsisten atau data tidak relevan.
2. Integrasi data (data integrartion)
Integrasi data merupakan penggabungan
data dari berbagai database ke dalam satu
database baru.
3. Seleksi Data (Data Selection)
Data yang ada didalam database
seringkalitidak semuanya dipakai, oleh
karena itu hanyadata yang sesuai untuk
dianalisis yang akandiambil dari database.
4. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam format
yang sesuai untuk diproses dalam data
mining.
5. Aplikasi teknik Data mining,
Merupakan suatu proses utama di mana
metode
diterapkan
untuk
menemukanpengetahuan berharga dan
tersembunyi daridata.
6. Evaluasi pola (pattern evaluation),
Untuk mengidentifikasi pola-pola menarik
untuk
di
representasikan
kedalam
knowledgebased yang ditemukan. Dalam
tahap ini hasildari teknik data mining
berupa pola-pola yangkhas maupun model
prediksi dievaluasi untukmenilai apakah
hipotesa yang ada memangtercapai.
7. Presentasi
pengetahuan
(knowledgepresentation)
Merupakan visualisasi dan penyajian
pengetahuan mengenai teknik yang
digunakan untuk memperoleh pengetahuan
yang diperoleh pengguna. Tahap terakhir
dari proses data mining adalah bagaimana
memformulasikan keputusan atau aksi dari
hasi analisa yang didapat.

spesifikasi tingkat kerumitan. Salah satu teknik yang

dikenal dalam data mining yaitu cluastering.
Clustering
dalam
data
mining
adalah
pengelompokan sejumlah data atau objek ke dalam
cluster(group) sehingga setiap dalam cluster tersebut
akan berisi data yang semirip mungkin dan berbeda
dengan objek dalam cluster yang lainnya. Ada dua
metode clustering yang kita kenal, yaitu hierachical
clustering dan partitioning. Metode hierarchical
clustering sendiri terdiri dari complete linkage
clustering, single linkage clustering, average linkage
clustering dan centroid linkage clustering.
Sedangkan metode partitioning sendiri terdiri dari kmeans dan fuzzy k-means. Pada studi kasus ini,
analisa dilakukan dengan metode clustering yang
menggunakan metode hierarchical clustering yang
kemudian diteruskan dengan metode single linkage
clustering. Hasil single linkage clustering kemudian
disajikan dalam bentuk dendogram atau diagram
pohon.
1.2 Masalah
Berdasarkan latar belakang di atas, maka dapat
diuraikan beberapa permasalahan yang dihadapi,
sebagai berikut:
a) Komponen apa saja yang terlibat dalam
menganalisa sebaran mahasiswa baru pada
UNIS Tangerang?
b) Bagaimana metode Hierarchy berkerja dalam
menganalisa sebaran mahasiswa baru pada
UNIS Tangerang?
c) Apa saja kendala yang ada pada pengisian data
sekolah asal mahasiswa baru di UNIS
Tangerang untuk tahun ajaran 2013/2014?
d) Informasi apa yang dapat digali dari data
sekolah asal mahasiswa baru?
e) Keputusan apa yang dapat diambil jika sudah
mengetahui informasi dari data yang sudah
diolah?
f) Berapa banyak data sekolah asal mahasiswa
baru di UNIS Tangerang untuk tahun ajaran
2013/2014?
2. TINJAUAN PUSTAKA
2.1 Definisi
Analisa sistem sangat bergantung pada teori
sistem umum sebagai sebuah landasan konseptual.
Tujuannya adalah untuk memperbaiki berbagai
fungsi didalam sistem yang sedang berjalan agar
menjadi lebih efisien, mengubah sasaran sistem yang
sedang berjalan, merancang, menganti output yang
sedang digunakan, untuk mencapai tujuan yang
sama dengan seperangkat input yang lain. (Agus
Mulyanto, 2009:2)

Cluster analysis is a set of methodologies for

automatic classification of samples into a number of
groups using a measure of association so that the
samples in one group are similar and samples
belonging to different groups are not similar.
(Kantardzic, 2011:250) Yang berarti bahwa,Cluster
Analysis adalah seperangkat metodologi untuk
klasifikasi otomatis sampel menjadi beberapa
kelompok dengan menggunakan ukuran asosiasi
sehingga sampel dalam satu kelompok yang sama

Data Mining, also known as knowledge

Discovery (KD), is the computer-assisted process of
digging through and analyzing enormous sets of
data, finding previously undiscovered patterns, and
224

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)

Yogyakarta, 15 Maret 2014

dan sampel milik kelompok yang berbeda tidak

sama. (Kantardzic, 2011:250)
Terdapat 2 metode pengelompokan, yaitu
(Muharti, dkk, 2012:7) :
a. Hierarki : Metode yang memulai
pengelompokannya dengan dua atau lebih
obyek yang mempunyai kesamaan paling
dekat, kemudian proses dilanjutkan ke
obyek lain yang mempunyai kedekatan
kedua. Sedemikian seterusnya sehingga
cluster akan membentuk semacam pohon
dimana ada hierarki (tingkatan) yang jelas
antar obyek, dari yang paling mirip sampai
dengan yang paling tidak mirip.
b. Non Hierarki : Metode yang dimulai
dengan menentukan terlebih dahulu jumlah
cluster yang diinginkan dan kemudian baru
dilakukan proses cluster.

c.

Sebaran memiliki sinonim distribusi, menurut

Kamus Besar Bahasa Indonesia (KBBI) online pada
website http://kbbi.web.id/distribusi:
Berdasarkan beberapa pengertian diatas dapat
ditarik kesimpulan bahwa yang dimaksud dengan
sebaran sekolah asal adalah semua posisi yang
ditempati oleh bangunan atau lembaga untuk belajar
mengajar serta tempat menerima dan memberi
pelajaran yang semula atau sebelumnya pernah
ditempati.
2.2
a.

b.

Literature Review
Penelitian yang dilakukan oleh Lina
Rahmawati, Abadyo dan Trianingsih Eni
Lestari menganalisis kelompok dengan
menggunakan
metode
hirarki
untuk
pengelompokan Kabupaten/Kota di Jawa
Timur berdasarkan indikator kesehatan.
Pengelompokan dilakukan pada 29 kabupaten
dan 9 kota di Jawa Timur. Metode yang
digunakan, yaitu: Single Linkage, Complete
Linkage, Average Linkage, Wards, dan
Centroid serta untuk mengetahui nilainya,
ditambah menggunakan indeks validitas.
Penelitian yang dilakukan sudah cukup
berhasil yaitu untuk mengetahui informasi
tentang tingkatan kesehatan di Jawa Timur
dan
didapatlah
5
kelompok
yang
diklasifikasikan dalam tingkatan kesehatan
sangat tinggi yaitu pada kelompok 5,
tingkatan kesehatan tinggi pada kelompok 1,
tingkatan kesehatan sedang pada kelompok 2,
tingkatan kesehatan rendah pada kelompok 4,
dan tingkatan kesehatan sangat rendah pada
kelompok 3. Dengan nilai indeks terkecil
sebesar 13,947.
Penelitian yang dilakukan oleh Rudi S.
Suyono
membahas tentang penggunaan
metode proses hirarki analitik dalam
pemilihan lokasi untuk relokasi bandara

d.

ISSN: 2089-9813

Rahadi Oesman Ketapang Kalimantan Barat.

Klasifikasi dilakukan dengan berdasarkan 3
kriteria, yaitu : kriteria teknis, kriteria
operasional dan keselamatan operasi dan
kriteria
lingkungan.
Penelitian
yang
dilakukan sudah berhasil dengan didapatnya
Desa
Tempuran
yang
memiliki
bobot/presentasi paling tinggi.
Penelitian yang dilakukan oleh
Deden
Djaenudin Indartik dan Krisdianti L. Ginoga
membahas
tentang
faktor
penentu
keberhasilan implementasi emisi dari
deforestasi dan degredasi hutan : studi kasus
Riau. Alat analisis yang digunakan adalah
Analytical Hierarchy Process (AHP) dan
digambarkan
dengan
diagram
AHP.
Penelitian dilakukan di Propinsi Riau yaitu di
Kabupaten Rokan Hilir dan Siak, pada tahun
2008. Hasil penelitian menunjukkan bahwa
untuk menciptakan efektifitas implementasi
REDD perlu penekanan lebih terhadap aspek
infrastruktur teknis berupa ketersediaan data
dasar dan teknologi penghitungan karbon
serta aspek institusi berupa keberadaan
peraturan perundangan dan sumber daya
manusia dengan jumlah memadai dan
bermutu. Disamping itu perlu juga
diperhatikan aspek sosial berupa peningkatan
pemahaman masyarakat berkaitan dengan
deforestasi, serta aspek ekonomi berupa
peningkatan intensitas lapangan pekerjaan
berbasis jasa hutan dan non kayu.
Penelitian yang dilakukan oleh Fitria Rahma
Sari dan Dana Indra Sensuse membahas
tentang penerapan metode analytic hierarchy
process dalam sistem penunjang keputusan
untuk pemilihan asuransi. Penelitian ini
dilakukan untuk mengetahui apakah metode
AHP dapat digunakan dalam suatu sistem
penunjang keputusan. Berdasarkan skenario
pengujian yang dibuat, diperoleh hasil bahwa
solusi yang diberikan oleh sistem cukup
akurat dan mendekati kemampuan manusia
dalam mengambil keputusan, sehingga AHP
dapat digunakan dalam suatu sistem
penunjang keputusan. Dengan demikian,
metode AHP merupakan metode yang sesuai
untuk digunakan dalam pengambilan
keputusan yang melibatkan banyak kriteria.

3. BAHASAN UTAMA
3.1 Analisa Sistem
Banyaknya jumlah calon mahasiswa baru
sebagai berikut:
- 1.506 calon mahasiswa baru
- 1.008
calon
mahasiswa
yang
diterima/masuk
- 498 calon mahasiswa yang batal

225

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)

Yogyakarta, 15 Maret 2014

didapat pengelompokan sekolah asal adalah MA,

PonPes, SMA, SMK dan Universitas.
MA : Madrasah Aliyah
PonPes : Pondok Pesantren
SMA : Sekolah Menengah Atas
SMK : Sekolah Menengah Kejuruan
Universitas

3.2

Masalah yang dihadapi

Setiap periode penerimaan mahasiswa baru
menghasilkan data calon mahasiswa yang relatif
banyak yang tentunya membutuhkan proses analisa
yang lama bila menggunakan metode analisa
manual, sehingga mengakibatkan membutuhkan
proses yang lama dalam menganalisa data tersebut.
Untuk itu perlu adanya metode penggalian atau
analisa data menggunakan metode yang simple dan
sudah terstruktur. Penggalian informasi pada sebuah
data yang berukuran besar (mempunyai jumlah
record dan field yang cukup banyak) tidak dapat
dilakukan dengan mudah.
3.3
a.
b.

c.
d.
e.
f.
g.

ISSN: 2089-9813

Pembahasan Sebaran
Flow dalam membuat hierarchi :
Pengumpulan data yang akan di analisa, misal
dari berbagai sumber database maka
dikumpulkan menjadi satu database baru.
Menyeleksi data, karena tidak semua data
yang ada didalam database bisa dipakai, oleh
karena itu hanya data yang sesuai untuk
dianalisis yang akan diambil dari database.
Melakukan pembersihan data (data clearing)
dengan menghilangkan noise dan data
yangtidak konsisten atau data tidak relevan.
Data diubah atau digabung ke dalam format
yang sesuai untuk diproses.
Menerapkan metode clustering hierarchical
pada data.
Mempresentasikan hasil data yang sudah
dianalisa dengan menggunakan diagram dan
grafik clustering hierarchical.
Tahap akhir adalah memformulasikan
keputusan atau aksi dari hasi analisa yang
didapat.

Gambar 2. Diagram data pengelompokan calon

mahasiswa yang diterima

Berikut adalah diagram data pengelompokan

calon mahasiswa baru UNIS :

Gambar 3 Diagram Detail Calon Mahasiswa

Sekolah AsalMadrasah Aliyah yang Diterima

Gambar 1. Diagram data pengelompokan calon

mahasiswa
Berdasarkan gambar 1. Hierarchy Diagram dapat
dilihat bahwa data dibagi kedalam 2 kelompok besar
dimana data pertama data calon mahasiswa yang
diterima dan kelompok kedua calon mahasiswa yang
batal. Selanjutnya masing-masing dari kedua
kelompok tadi dikelompokan berdasarkan sekolah
asal dari calon mahasiswa tadi.
Pengelompokan berdasarkan asal sekolah tadi
dibagi berdasarkan sekolah asal yang mana
dilakukan penyeleksian terhadap data tersebut dan

Gambar 4 Diagram Detail Calon Mahasiswa

Sekolah Asal Pondok Pesantren yang Diterima

226

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)

Yogyakarta, 15 Maret 2014

ISSN: 2089-9813

Pengelompokan calon mahasiswa yang diterima

berdasarkan asal sekolah terdiri dari 11 MA, 3
Pondok pesantren, 72 asal sekolah SMA, 49 sekolah
SMK dan 8 dari Universitas. Sementara jumlah
calon mahasiswa tersebut yang diterima dari
masing-masing sekolah asal di atas adalah MA 99
orang, Ponpes 14 orang, SMA 520 orang, SMK 330
orang dan 45 orang dari universitas.

Gambar 8. Diagram data pengelompokan calon

mahasiswa yang batal

Gambar 5 Diagram Detail Calon Mahasiswa

Sekolah Asal SMA yang Diterima

Gambar 9 Diagram Detail Calon Mahasiswa

Sekolah Asal Madrasah Aliyah yang batal

Gambar 10 Diagram Detail Calon

Mahasiswa Sekolah Asal Pondok Pesantren yang
batal

Gambar 6 Diagram Detail Calon Mahasiswa

Sekolah Asal SMK yang Diterima

Gambar 7 Diagram Detail Calon Mahasiswa

Sekolah Asal Universitas/sederajat yang Diterima
Keterangan :

Gambar 11 Diagram Detail Calon Mahasiswa

Sekolah Asal SMA yang batal

: Sekolah asal dengan jumlah calon

mahasiswa terbanyak
: Sekolah asal dengan jumlah calon
mahasiswa paling sedikit

227

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)

Yogyakarta, 15 Maret 2014

ISSN: 2089-9813

Gambar 12 Diagram Detail Calon Mahasiswa

Sekolah Asal SMK yang batal
Gambar 15. Grafik Clustering Jumlah Siswa Dari
Sekolah Asal
Tabel 1: Data Jumlah Sekolah Asal yang diterima
JUMLAH
NO
JENIS
SEKOLAH
1
Madrasah Aliyah
11
2
Pondokn Pesantren
3
3
SMA
72
4
SMK
49
5
Universitas/sederajat
8
Grand Total
143

Gambar 13 Diagram Detail Calon Mahasiswa

Sekolah Asal Universitas/sederajat yang batal
Keterangan :
: Sekolah asal dengan jumlah calon
mahasiswa terbanyak
: Sekolah asal dengan jumlah calon
mahasiswa paling sedikit
Pengelompokan calon mahasiswa yang batal
berdasarkan asal sekolah terdiri dari 7 MA, 3
Pondok pesantren, 27 asal sekolah SMA, 16 sekolah
SMK dan 5 dari Universitas. Sementara jumlah
calon mahasiswa tersebut yang diterima dari
masing-masing sekolah asal di atas adalah MA 120
orang, Ponpes 31 orang, SMA 221 orang, SMK 98
orang dan 28 orang dari universitas.
3.4

Tabel 2: Data Jumlah Sekolah Asal yang batal

JUMLAH
NO
JENIS
SEKOLAH
1
Madrasah Aliyah
7
2
Pondokn Pesantren
3
3
SMA
27
4
SMK
16
5
Universitas/sederajat
5
Grand Total
58

Graphic Sebaran

4.

KESIMPULAN
Berdasarkan hasil analisa data yang peneliti
lakukan mengenai analisa sebaran sekolah asal
mahasiswa baru pada UNIS Tangerang, maka
peneliti dapat menarik kesimpulan sebagai berikut :
1.

Gambar 14. Grafik Clustering Sebaran Sekolah

Asal
2.

3.
228

Metode Clustering Hierarchical berkerja pada :

- Mengelompokkan mahasiswa yang diterima
dan batal.
- Mengelompokkan jenis-jenis sekolah asal
- Mengelompokkan sekolah asal masingmasing
Terdapat beberapa kendala dalam menganalisa
data yaitu :
- Adanya data-data calon mahasiswa yang
kurang lengkap dan tidak konsisten atau tidak
relevan.
- Serta penulisan yang berbeda-beda untuk satu
nama sekolah asal yang sama.
Informasi yang dapat digali adalah :
a. Banyaknya data, yaitu :

Seminar Nasional Teknologi Informasi dan Komunikasi 2014 (SENTIKA 2014)

Yogyakarta, 15 Maret 2014

1.506 calon mahasiswa baru

1.008
calon
mahasiswa
yang
diterima/masuk
- 498 calon mahasiswa yang batal
b. Data mengenai sekolah asal, yaitu :
- SMA menjadi sekolah asal terbanyak
dan Pondok Pesantren menjadi sekolah
asal yang paling sedikit jumlahnya.
- Untuk sekolah asal yang diterima
peringkat pertama dengan jumlah calon
mahasiswa terbanyak yaitu 19 orang
N 9 Tangerang Kota.
- Untuk sekolah asal yang batal peringkat
pertama
dengan
jumlah
calon
mahasiswa terbanyak yaitu 25 orang
adalah : MA Al Ijtihad, MA Daarul
Muttaqien, dan MAN 12 Jakarta.
- Untuk sekolah asal yang batal peringkat
tererndah
dengan
jumlah
calon
mahasiswa 1 orang adalah : SMA N 6
Tangerang Kota, SMKN 7 Tangerang
Kota, dan Universitas Tarumanegara.

ISSN: 2089-9813

4.

adalah SMA Mandiri Balaraja dan SMA

N 13 Tangerang Kabupaten.
Untuk sekolah asal yang diterima
peringkat terendah dengan jumlah calon
mahasiswa 1 orang adalah : SMA
Babussalah,
SMA
Islam
AlHashiyimiyyati, SMA N 18 Tangerang
Kabupaten, SMA N 6 Tangerang
Selatan, SMA N 8 Tangerang Kota,
SMA

Muharti, Ilsam., Faqih, Ahmad., Komalasari, Erni.,

Afifah, Ayu., Damayanti, Sri. 2013. Analisis
Cluster,
(Online),
(http://www.slidesshare.net/sriadindaasis/anal
isis-cluster, diakses 16 Oktober 2013).
Noranita, Beta., Bahtiar, Nurdin. 2010. Implementasi
Data Mining Untuk Menemukan Pola
Hubungan Tingkat Kelulusan Mahasiswa
Dengan Data Induk Mahasiswa. Jurnal
Seminar dan Call For Paper Munas Aptikom :
Politeknik Indonesia.

Keputusan yang dapat diambil :

- Melakukan
evaluasi,
sehingga
dapat
menemukan penyebab terdapat sekolah asal
yang sedikit jumlah calon mahasiswa bahkan
sekolah asal yang tidak ada calon mahasiswa
yang mendaftar.
- Menekankan promosi yang lebih pada
sekolah asal yang jumlah pendaftarnya paling
sedikit, agar ada peningkatan pada tahun
berikutnya.

Oilone, Dan., Neil, Pitman. 2009. UML 2.0 in a

Nutshell. Gravenstein Highway North,
Sebastopol : OReilly Media, Inc
Prasetyo, Eko. 2012. Data Mining Konsep dan
Aplikasi
Menggunakan
MATLAB.
Yogyakarta : AndiOffset
Seidman, Claude. 2010. Data Mining with Microsoft
SQL Server TM 2000 Technical Reference.
OReilly Media, Inc.

PUSTAKA
Agus Mulyanto. 2009. Sistem Informasi Konsep dan
Aplikasi . Pustaka Pelajar. Yogyakarta. 2009

Weilkiens, Tim., Bernd, Oestereich. 2010. Uml 2

Certification Guide : Fundamental &
Intermediate Exams. Morgan Kaufmann

Kamus Besar Bahasa Indonesia (KBBI), 2013.

Definisi sekolah, asal, distribusi, mahasiswa,
baru, (Online), (http://kbbi.web.id, diakses 10
Desember 2013).

Widodo, Prabowo., Herlawati. 2011. Menggunakan

UML UML Secara Luas Digunakan untuk
Memodelkan Analisis & Desain Sistem
Berorientasi Objek. Bandung : Penerbit
Informatilka.

Kantardzic, Mehmed. 2011. Data Mining : concepts,

models, methods, and algorithms. New Jersey
: John Wiley & Sons.

229