asosiasi yang ditemukan karena perbedaan jumlahnya tidak berbeda jauh bahkan sama.
4. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya
serap sebesar 60 mulai stabil dengan menggunakan nilai minimum support sebesar 55 - 70 dan nilai minimum confidence sebesar 50
- 80. 5.
Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 65 mulai stabil dengan menggunakan nilai minimum
support sebesar 45 - 55 dan nilai minimum confidence sebesar 50 - 80.
6. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya
serap sebesar 70 mulai stabil dengan menggunakan nilai minimum support sebesar 40 - 45 dan nilai minimum confidence sebesar 50
- 80.
5.2.4. Evaluasi Pola Asosiasi
Berdasarkan seluruh pengujian yang telah dilakukan, untuk data daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah
Istimewa Yogyakarta tahun pelajaran 20122013 dan 20132014 memiliki pola asosiasi yang hampir mirip. Sedangkan untuk data daya serap hasil Ujian Nasional
mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 20142015 memiliki pola asosiasi yang berbeda. Hal ini disebabkan
karena adanya perbedaan jumlah indikator yang diujikan. Berdasarkan pengujian data daya serap hasil Ujian Nasional mata pelajaran
Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 20122013 dan tahun pelajaran 20132014 baik pada data tunggal dan data gabungan, ditemukan lima
buah indikator pencapaian kompetensi yang memiliki nilai diatas syarat minimum yaitu :
1. Indikator 4 menentukan penarikan kesimpulan dari beberapa premis
2. Indikator 13 menyelesaikan masalah deret aritmetika
3. Indikator 19 menyelesaikan masalah sehari-hari yang berkaitan dengan
sistem persamaan linear 4.
Indikator 27 menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu
5. Indikator 28 menyelesaikan operasi matriks
Berdasarkan hasil diskusi dengan pihak yang menekuni bidang pendidikan matematika, dari lima buah indikator tersebut hanya indikator 19, indikator 27, dan
indikator 28 yang memiliki keterkaitan satu sama lain. Sedangkan indikator 4 dan indikator 13 tidak memiliki keterkaitan dengan indikator pencapaian kompetensi
lainnya. Namun berdasarkan hasil pengujian yang telah dilakukan, tidak ditemukan aturan asosiasi yang menyatakan keterhubungan antara indikator 19, indikator 27,
dan indikator 28. Dengan demikian pada dataset tahun pelajaran 20122013 dan tahun pelajaran 20132014 tidak ditemukan pola asosiasi yang bermakna.
Berdasarkan pengujian data daya serap hasil Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 20142015, ditemukan
lima buah indikator pencapaian kompetensi yang memiliki nilai diatas syarat minimum yaitu :
1. Indikator 7 menggunakan aturan pangkat, akar, dan logaritma
2. Indikator 12 menghitung ukuran pemusatan atau ukuran letak dari data
dalam bentuk tabel, diagram atau grafik 3.
Indikator 13 menyelesaikan masalah deret aritmetika 4.
Indikator 26 menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu
5. Indikator 27 menyelesaikan operasi matriks
Berdasarkan hasil diskusi dengan pihak yang menekuni bidang pendidikan matematika, dari lima buah indikator tersebut hanya indikator 26 dan indikator 27
yang memiliki keterkaitan satu sama lain. Sedangkan indikator 7, indikator 12, dan indikator 13 tidak memiliki keterkaitan dengan indikator pencapaian kompetensi
lainnya. Berdasarkan hasil pengujian yang telah dilakukan, ditemukan aturan asosiasi yang menyatakan keterhubungan antara indikator 26 dan indikator 27.
Aturan asosiasi tersebut yaitu : PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1. Jika tuntas pada indikator 26 menyelesaikan operasi aljabar beberapa
vektor dengan syarat tertentu maka akan tuntas pada indikator 27 menyelesaikan operasi matriks dengan nilai confidence 93.35 dan
nilai lift ratio 1.12 dengan nilai daya serap minimal 60 dan minimum support 55 pada dataset tahun pelajaran 20142015.
2. Jika tuntas pada indikator 26 menyelesaikan operasi aljabar beberapa
vektor dengan syarat tertentu maka akan tuntas pada indikator 27 menyelesaikan operasi matriks dengan nilai confidence 96.1 dan nilai
lift ratio 1.23 dengan nilai daya serap minimal 65 dan minimum support 45 pada dataset tahun pelajaran 20142015.
3. Jika tuntas pada indikator 26 menyelesaikan operasi aljabar beberapa
vektor dengan syarat tertentu maka akan tuntas pada indikator 27 menyelesaikan operasi matriks dengan nilai confidence 96.1 dan nilai
lift ratio 1.23 dengan nilai daya serap minimal 65 dan minimum support 50 pada dataset tahun pelajaran 20142015.
4. Jika tuntas pada indikator 26 menyelesaikan operasi aljabar beberapa
vektor dengan syarat tertentu maka akan tuntas pada indikator 27 menyelesaikan operasi matriks dengan nilai confidence 95.31 dan
nilai lift ratio 1.47 1.47 dengan nilai daya serap minimal 70 dan minimum support 40 pada dataset tahun pelajaran 20142015.
Berdasarkan keempat aturan asosiasi tersebut, aturan asosiasi yang memiliki tingkat keakuratan tertinggi yaitu pada aturan asosiasi nomor 4.
5.3. KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK
5.3.1. Kelebihan Perangkat Lunak
Kelebihan yang dimiliki oleh perangkat lunak pencarian aturan asosiasi menggunakan algoritma apriori ini adalah :
1. Sistem dapat menerima masukan file bertipe .xls dan .csv.
2. Sistem dapat menerima masukan dari tabel di database MySQL dan
database Oracle. 3.
Sistem dapat menerima masukan dengan jumlah kolom yang dinamis. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4. Sistem dapat menyeleksi atribut sehingga user tidak perlu menghapus
kolom atau atribut yang tidak ingin digunakan secara manual. 5.
Sistem menyediakan isian nilai batas minimum keberhasilan yang dapat digunakan untuk menentukan standart kelulusan suatu kompetensi
berdasarkan nilai daya serap yang ada sesuai dengan kebutuhan pengguna sistem.
6. Sistem menyediakan isian nilai minimum support untuk menentukan
nilai minimum support yang akan digunakan dalam proses pencarian aturan asosiasi sesuai dengan kebutuhan pengguna sistem.
7. Sistem menyediakan isian nilai minimum confidence untuk menentukan
nilai minimum confidence yang akan digunakan dalam proses pencarian aturan asosiasi sesuai dengan kebutuhan pengguna sistem.
8. Sistem dapat menampilkan hasil pecarian aturan asosiasi yang mudah
dipahami oleh user. 9.
Sistem dapat menampilkan nilai lift ratio pada setiap aturan asosiasi yang dapat memudahkan user dalam menentukan aturan asosiasi kuat
best rule. 10.
Sistem dapat menampilkan waktu lama pencarian aturan asosiasi. 11.
Sistem dapat menyimpan hasil pencarian aturan asosiasi dengan hasil penyimpanan berupa file bertipe .xls, .doc, dan .txt.
5.3.2. Kekurangan Perangkat Lunak
Kekurangan yang dimiliki oleh perangkat lunak pencarian aturan asosiasi menggunakan algoritma apriori ini adalah :
1. Data masukan yang dapat diterima oleh sistem masih terbatas yaitu
hanya dari file bertipe .xls dan .csv. 2.
Data masukan yang dapat diterima oleh sistem yang berasal dari database masih terbatas yaitu hanya dapat menerima dari database
MySQL dan database Oracle. 3.
Ketentuan data masukan dari file .xls dan .csv diharuskan pada baris pertama adalah nama kolom dan baris selanjutnya adalah datanya.
4. Sistem hanya dapat melakukan seleksi kolom, tidak dapat untuk seleksi
baris. 5.
Sistem tidak dapat melakukan pengubahan value secara langsung dari tabel data pada sistem.
6. Sistem hanya dapat menyimpan hasil pencarian aturan asosiasi berupa
file bertipe .xls, .doc, dan .txt. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
102
BAB VI PENUTUP
6.1. KESIMPULAN
Hasil penelitian penerapan algoritma apriori untuk analisis daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa
Yogyakarta ini menghasilkan kesimpulan sebagai berikut : 1.
Algoritma apriori dapat diterapkan untuk analisis daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah
Istimewa Yogyakarta. 2.
Nilai daya serap minimum dan nilai minimum support sangat berpengaruh terhadap pembentukan aturan asosiasi. Semakin kecil nilai
daya serap minimal dan nilai minimum support yang digunakan, maka aturan asosiasi yang dapat ditemukan semakin banyak. Sedangkan jika
nilai daya serap minimal dan nilai minimum support yang digunakan terlalu tinggi, aturan asosiasi yang dapat ditemukan akan semakin sedikit
dan bahkan tidak ditemukan aturan asosiasi sama sekali. 3.
Nilai minimum confidence yang digunakan berpengaruh terhadap jumlah aturan asosiasi yang di tampilkan. Semakin tinggi nilai minimum
confidence, maka aturan asosiasi yang ditampilkan semakin sedikit. Sebaliknya, jika nilai minimum confidence yang digunakan semakin
rendah, maka aturan asosiasi yang ditampilkan akan semakin banyak. 4.
Berdasarkan hasil diskusi dengan pihak yang menekuni bidang pendidikan matematika, pengujian dataset nilai daya serap hasil Ujian
Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 20122013 dan tahun pelajaran
20132014 tidak ditemukan aturan asosiasi yang menyatakan keterhubungan antara indikator pencapaian kompetensi yang bermakna.
