besar menjadi himpunan-himpunan yang lebih kecil dan hasil analisa berupa diagram pohon yang mudah dimengerti.
Pohon keputusan meliputi pilih atribut sebagai akar, buat cabang untuk masing-masing nilai, bagi kasus dalam cabang, ulangi proses untuk
masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama Kusrini dan Luthfi, 2009: 15.
Salah satu kelebihan metode pohon keputusan adalah eliminasi perhitungan-perhitungan yang tidak diperlukan karena ketika menggunakan
metode pohon keputusan maka sampel diuji hanya berdasarkan kriteria atau kelas tertentu.
Dengan demikian diharapkan metode Decision Tree Algoritma C4.5 mampu membantu mempercepat dalam penyeleksian penerima
beasiswa, dan juga sistem dapat mengurai kesalahan sehingga bisa menjadi pendukung keputusan yang digunakan oleh pihak Sekolah Menengah
Pertama Negeri 2 Rembang dalam proses pemberian beasiswa kepada anak didiknya.
1.2 Identifikasi Masalah
Berdasarkan latar belakang di atas terdapat beberapa masalah sebagai berikut :
1.1.1 Penentuan pemberian beasiswa di SMP N 2 Rembang masih dilakukan
melalui perhitungan oleh guru sendiri.
1.1.2 Dalam pemberian beasiswa pihak sekolah SMP N 2 Rembang
mengalami kendala atau kesulitan dalam mengambil sebuah keputusan.
1.1.3 Waktu yang dibutuhkan pihak sekolah SMP N 2 Rembang dalam
pemberian beasiswa bisa mencapai 3 sampai 4 minggu.
1.3 Pembatasan Masalah
Agar pembahasan tidak terlalu meluas, penulis perlu memberikan batasan permasalahan sebagai berikut :
1.3.1 Data difokuskan pada data siswa baru Sekolah Menengah Pertama
Negeri 2 Rembang tahun ajaran 20142015.
1.3.2 Data difokuskan untuk prediksi pemberian beasiswa dengan atribut
yang digunakan meliputi nama, NIS, jenis kelamin, jumlah penghasilan orangtua, jumlah tanggungan orangtua, rata-rata nilai
rapor, kepribadian, prestasi, transportasi, ekstrakurikuler dan jarak tempuh ke sekolah.
1.3.3 Pengembangan analisa ini akan dititik beratkan pada penerapan
metode klasifikasi data mining dengan algoritma Decision Tree C4.5 dan didukung database Microsoft Access.
1.3.4 Pengembangan aplikasi menggunakan RapidMiner sebagai
perangkat lunak bantuan untuk memprediksi pemberian beasiswa.
1.4 Rumusan Masalah
Berdasarkan uraian latar belakang di atas, maka dirumuskan permasalahan dalam skripsi ini, yaitu bagaimana menerapkan Algoritma
C4.5 untuk prediksi pemberian beasiswa di Sekolah Menengah Pertama Negeri 2 Rembang sehingga mampu menjadi pendukung keputusan atas
pihak SMP N 2 Rembang dalam proses pemberian beasiswa yang akan datang.
1.5 Tujuan
Berdasarkan rumusan masalah dan batasan masalah di atas maka dapat dideskripsikan tujuan pembuatan skripsi ini yaitu menerapkan
Algoritma C4.5 untuk digunakan dalam proses pendukung keputusan oleh pihak SMP N 2 Rembang dalam proses pengambilan keputusan pemberian
beasiswa kepada calon penerima beasiswa.
1.6 Manfaat
1.6.1 Untuk Akademik
Penelitian ini dapat memberikan informasi bagi peneliti atau calon peneliti lain untuk menerapkannya kedalam sistem yang
lebih luas dan lebih kompleks atau sebagai bahan acuan yang dapat dikembangkan bagi kemungkinan pengembang konsep dan materi
lebih lanjut serta dapat melengkapi referensi pustaka akademik.
1.6.2 Untuk Instansi
Untuk mendapatkan pendukung keputusan bagi Sekolah Menengah Pertama Negeri 2 Rembang dalam menentukan
penerimaan beasiswa.
1.6.3 Untuk Siswa
Untuk mendapatkan prediksi tentang penerimaan beasiswa bagi siswa-siswi yang benar-benar layak menerima beasiswa di
Sekolah Menengah Pertama Negeri 2 Rembang. 1.6.4
Untuk Penulis
Penulis dapat mengaplikasikan ilmu dan keterampilan yang diperoleh selama di perkuliahan, dan untuk memenuhi salah satu
syarat kelulusan Strata Satu S1 Pendidikan Teknik Informatika dan Komputer Universitas Negeri Semarang, serta menambah
wawasan pengetahuan
dan pengalaman
mengenai dunia
pendidikan, kurikulum dan khususnya tentang pemberian beasiswa di Sekolah Menengah Pertama.
1.7 Sistematika Penulisan Skripsi
Secara garis besar, sistematika skripsi ini terbagi menjadi tiga bagian, yaitu bagian awal, bagian isi dan bagian akhir.
1. Bagian awal berisi halaman judul, lembar pengesahan, lembar
pernyataan, motto dan persembahan, kata pengantar, abstrak, daftar isi, daftar tabel, daftar gambar, dan daftar lampiran.
2. Bagian isi skripsi terdiri atas lima bab, yaitu :
BAB I : PENDAHULUAN ; berisi Latar Belakang, Rumusan
Masalah, Tujuan Penelitian, Manfaat Penelitian, Batasan Masalah, dan Sistematika Penulisan Skripsi.
BAB II: TINJAUAN PUSTAKA dan LANDASAN TEORI ; berisi Tinjauan Pustaka, Landasan Teori , dan Kerangka
Berifikir. Landasan Teori sendiri berisi ; Teori Sistem Pendukung Keputusan, Teori Data Mining, Teori
CRISP-DM, Teknik Klasifikasi pada Data Mining, Teori Decision Tree Algoritma C4.5, Teori Confusion Matrix,
Teori RapidMiner, Teori Matlab, dan Teori Beasiswa. BAB III : METODE PENELITIAN; berisi Metode Perancangan
Aplikasi Sistem Pendukung Keputusan Beasiswa dengan model Waterfall, yaitu Analisis Pengumpulan Data,
Desain Penelitian, Pengkodean Sistem, dan Pengujian Analisis Sistem.
BAB IV : HASIL PENELITIAN DAN PEMBAHASAN; berisi tentang hasil penelitian dan pembahasan aplikasi Sistem
Pendukung Keputusan Beasiswa. BAB V : PENUTUP; berisi Kesimpulan dan Saran.
3. Bagian akhir berisi Daftar Pustaka dan Lampiran-lampiran.
11
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
2.1 Tinjauan Pustaka
Berikut ini adalah beberapa penelitian terkait yang penulis temukan : a.
Anik Andrian. 2013. SISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA
STUDI KASUS AMIK “BSI YOGYAKARTA” Tujuan penelitian ini adalah membuat klasifikasi mahasiswa
penerima beasiswa dengan Decision Tree yang menggunakan Algoritma C4.5. Hasil klasifikasi dievaluasi dan divalidasi dengan
Confusion Matrix dan Kurva ROC untuk mengetahui tingkat akurasi Decision Tree dalam membuat klasifikasi beasiswa. Sistem yang
digunakan dibuat dengan Microsoft Visual Basic 6.0. Penelitian
ini termasuk
penelitian eksperimen
dengan menggunakan data mahasiswa di
AMIK “BSI Yogyakarta” sejumlah 350 data yang dibagi menjadi data training dan data testing dengan
perbandingan 80 dan 20, sehingga diperoleh 280 data training dan 70 data testing.
Evaluasi hasil klasifikasi penerima beasiswa dengan model Decision Tree menggunakan Algoritma C4.5 yang dievaluasi dengan
confusion matrix menghasilkan tingkat akurasi hasil klasifikasi
