Proceeding ISSN Wiji Setiyaningsih LPPM 2014

Volume 2, Nomor 1, Juni 2014 ISSN: 2088-6179

DAFTAR ISI

Bidang: Sosial Humaniora

Pengaruh Kebebasan Berbisnis Terhadap Harga Saham

Di Negara-Negara Asean ...

1-9

Dwi Wulandari

Pengaruh Sikap, Komunikasi dan Partisipasi Kelompok Perempuan

Terhadap Implementasi PNPM Mandiri Perkotaan ...

10-20

Wahyu Krisnanto

Model Kepemimpinan Untuk Meningkatkan Produktivitas UKM

Dalam Rangka Mendukung Pelaksanaan Masterplan Percepatan Dan

Perluasan Pembangunan Ekonomi Indonesia (MP3EI) 2011-2015 ...

21-27

Mudji A, Hana Catur W, Wiwik S, Udisubakti Cipto M, Putu Dana

Peran Edukasi Keuangan Untuk Memacu Partisipasi Masyarakat Dalam

Kegiatan Investasi di Pasar Modal Indonesia...

28-40

Tuti Andjarsari

Pergeseran Paradigma Manajemen Sumber Daya Manusia Kearah

Strategis Dan Memiliki Keunggulan Bersaing Yang Berkelanjutan ...

41-48

Dianawati

Analisa Gender Terhadap Gugat Cerai Di Wilayah Kecamatan Sukun

Kota Malang ...

49-65

Suciati, Abdul Halim

Peningkatan Kualitas Produk Pada Proses Pembuatan Sandal

Home Industri Di Kabupaten Sidoarjo ...

66-73

Erni Puspanantasari Putri

Analisis Implementasi Kualitas Kehidupan Kerja, Keterlibatan Kerja

dan Persepsi Dukungan Organisasi Terhadap Kepuasan Kerja

(Studi pada PT PLN Jember) ...

74-90

Trias Setyowati

Bidang: Science dan Teknologi Informasi

Decision Support System Prediksi Kelulusan Siswa Smk Menggunakan

Metode Naive Bayes ...

113-127

Wiji Setiyaningsih, Usman Fauzi

Sistem Pakar Untuk Mendiagnosa Penyakit Anemia ...

128-138

Sumarno, Roni Pambudi

Aplikasi Pengukuran Kinerja Keuangan Pada Lembaga Keuangan Mikro

Menggunakan Metode Fuzzy-Ahp Dan Wpm...

139-150

Yulian Findawati, Ika Ratna Indra Astutik

Metode Virtualization Sebagai Model Pembelajaran Router Mikrotik-Os ...

139-150

Yusriel Ardian

Rancang Bangun Otomatisasi Keran Dispenser Untuk Penjualan

Air Minum Menggunakan Koin Berbasis Mikrokontroleratmega 16 ...

162-168

Amak Yunus, Mochammad Lutfi Desi

Implementasi Komputer Modern pada Smartphone dengan

platform Android pada UMKM ...

169-178

Alexius Endy Budianto

Rancang Bangun Sistem Informasi E-Surat Di Fakultas Teknologi

Informasi Dengan Penerapan Digital Signature Dan Algoritma

Base 64 Berbasis Web ...

179-182

Yoyok Seby Dwanoko

Tingkat Partisipasi Masyarakat Dalam Program Penyediaan Air Minum

Dan Sanitasi Berbasis Masyarakat (Pamsimas) Di Kabupaten Pekalongan

(Studi Kasus Desa Kwayangan Kecamatan Kedungwuni Dan

Desa Lambanggelun Kecamatan Paninggaran)

...

153-199

Ardiana Vita Ratnasari, Henna Rya S, Hartuti Purnaweni

Mekanisme Erupsi Gunungapi Ijen Terkait Model Kantong Magma

Berdasarkan Analisis Sinyal Seismik ...

200-214

Hena Dian Aya, Akhmad Jufriadi

Pengukuran Konsentrasi Xanton Dalam Jus Kulit Manggis

dan Pengaruhnya Terhadap Aktivitas Katalase Tikus yang di Induksi

Bidang: Sastra dan Budaya

Reciprocal Teaching Sebagai Strategi Untuk Meningkatkan

Pemahaman Mahasiswa Terhadap Isi Bacaan Tingkat

Partisipasi Masyarakat (Reading Skill) ...

231-248

Agus Sholeh, Uun Muhaji, S.Pd., M.Pd

Konstruksi Hibriditas Bahasa Sebagai Upaya Pengembangan

Bahasa Indonesia ...

249-262

Rofiatul Hima

Implementasi Pendidikan Karakter Dalam Tindak Tutur ...

263-278

Suko Wianrsih

Pengembangan Penulisan Karya Ilmiah Dan Konsep Presentasi

Ilmiah Berlaras Pendidikan Karakter Bagi Mahasiswa

Universitas Kanjuruhan Malang ...

279-295

Gatot Sarmidi

Content Familiarity through Text Nativization to Boosting the EFL

Students Reading Comprehension ...

296-302

Dwi Fita Herawati, Irene Trisisca Rusdiyanti

Penerapan C&C Learning Untuk Meningkatkan Motivasi dan

Kemampuan Akademik Mahasiswa Fkip Bahasa Reading

Comprehensioninggris Universitas Kanjuruhan Dalam Mata Kuliah

... 303-316

Andy dan Uun Muhaji

Familiarizing Intercultural Contens To Promote Cros-Cultural

Understanding ...

317-324

Teguh Sulistyo, M.Pd

Bidang: Pangan dan Ternak

Alternative Produk Olahan Wortel Menjadi Jeli Sehat Untuk

Meningkatkan Nilai Ekonomis Petani Wortel Di Jawa Timur ...

325-338

Atikha Sidhi cahyana, Verani Hartati, Ida Agustini Saidi

Perancangan Quality Plan untuk Meningkatkan Mutu Buah Apel

Sepanjang Rantai Pasok dari Pascapanen Sampai Display Super Market ....

339-357

I Nyoman Sutapa, Jani Rahardjo, I Gede Agus W, dan Elbert Widjaja

Analisis Usahatani Tembakau Rajangan Varietas Baru Maesan ...

358-366

Rini Purwatiningsih

Implementasi Integrasi Metode Lean Six Sigma Untuk Meningkatkan

Kualitas Produk Ikan Hasil Ukm Petani Ikan Pada Proses Distribusi Ikan

di Pasar Ikan Kabupaten Sidoarjo...

367-375

Wiwik Sulistiyowati, Verani Hartati

Model Evaluasi Efisiensi Penurunan Kadar HCN dan Kandungan

Protein Daun Ketela Pohon dengan Berbagai Feedprocessing untuk

Meningkatkan Kualitas Pakan Ternak

...

376-381

Tri Ida Wahyu Kustyorini, Dyah Lestari Yulianti

Pemanfaatan Yogurt Plain Sebagai Starter Pada Produksi Homemade

Yogurt ...

382-387

Ir. Aju Tjatur Nugroho Krisnaningsih, MP

PENAMPILAN REPRODUKSI KAMBING PERANAKAN ETTAWA (PE)

(Studi Kasus Di Wilayah Desa Jambuwer Kecamatan Kromengan

Kabupaten Malang) ...

388-402

Enike Dwi Kusumawati dan Aju Tjatur Nugroho K

Bidang: Pendidikan

Model Pembelajaran Fisika Yang Mengintegrasikan Antara Nilai-Nilai Sains

dan Nilai-Nilai Agama Islam Dalam Membangun Karakter Mahasiswa

FKIP di Perguruan Tinggi Swasta DKI Jakarta ...

403-419

Marjoko, Dalmeri, Achmad Sjamsuri

Analisa Gaya Mengajar Mahasiswa Calon Guru dalam Mata Kuliah

Praktik Pengalaman Lapangan 1 (PPL 1) ...

420-427

Sri Hariyani

Implementasi Cooperative Learning Berbasis Computer Dengan

Pemberian Quiz Dalam Meningkatkan Kualitas Perkuliahan Topologi

di Program Studi Pendidikan Matematika ...

428-440

Retno Marsitin

Peningkatan Pemahaman Konsep Kelipatan Persekutuan Terkecil

Menggunakan Bahan Manipulatif pada Siswa Sekolah Dasar ...

441-454

Intan Dwi Hastuti

Pengembangan Modul Pembelajaran Matematika dengan

Pendekatan Ctl (Contextual Teaching And Learning) untuk Siswa SD ...

455-469

Raddin Nur Shinta

Model dan Perancangan Kantin Jujur Berbasis Entrepreneurship

(Studi Kasus di SDN Panggungrejo 04 Kepanjen) ...

470-488

Yulianti

Pengaruh Strategi Pembelajaran Ipa Terpadu Terhadap Motivasi

dan Prestasi Belajar Fisika di SMP Negeri 04 Singosari Malang...

489-498

Sudi Dul Aji, Tutik Setyowati

Hambatan Berpikir Matematis Siswa dalam Memecahkan Masalah

Persamaan Kuadrat Berdasarkan Langkah Polya Beserta Pemberian

Scaffolding Langkah Polya Beserta Pemberian Scaffolding

... 499-517

Ulfia Churidatul

Hubungan Bakat Mekanik, Praktik Kerja Industri dan Persepsi Siswa

Tentang Kinerja Mengajar Guru dengan Kompetensi Siswa SMK

Kompetensi Keahlian Teknik Kendaraan Ringan ...

518-531

Mujibur Rohman

Pembelajaran Kooperatif Tipe Numbered Heads Together (NHT)

Berbantuan Bahan Manipulatif Fraction Sticker untuk Memahamkan

Konsep Materi Operasi Pecahan Di Kelas Viic SMP Negeri 3

Singosari Malang ...

552-565

Dyah Ayu Puspitasari

Penerapan Classwide Peer Tutoring untuk Meningkatkan Penalaran

Matematika Siswa Kelas VII-C SMP Darul Ukhuwwah Pada Pokok

Bahasan Pecahan ...

566-573

Ade Kurniawan

Meningkatkan Kreativitas dan Pemahaman Pecahan Melalui Penerapan

Strategi Open Ended Problem Bersetting Kooperatif ...

574-587

Akhmad Jufriadi, Hena Dian Ayu

Minat dan Aktivitas Belajar Mahasiwa Prodi Pendidikan Matematika

Universitas Kanjuruhan Malang pada Perkuliahan PPL 1 dengan

Model Make A Macth ...

588-599

Rahaju

Penggunaan Bahan Manipulatif Kemasan untuk Memahamkan

Siswa Tentang Bangun Ruang Melalui Pembelajaran

Group Investigation pada Kelas VIII MTS Al Hamidiyah Gondanglegi ...

600-610

Dwi Nurcahyo

Pengaruh Kompetensi Guru, Interaksi Teman Sebaya, dan Hasil Belajar

terhadap Perilaku Konsumtif Siswa SMP Islam Ma

’

arif 2 Malang ...

611-620

Lilik Sri Hariani, Udik Yudiono

Penerapan Pembelajaran Kooperatif Model NHT (Numbered Head Together)

untuk Meningkatkan Keaktifan dan dan Hasil Belajar IPS pada

Siswa Kelas VII SMP Negeri 5 Singosari Satu Atap

Tahun Ajaran 2013/2014 ...

621-639

Dian Kartini,S.Pd

Profil Metakognisi Matematis Siswa Kelas 3 Sekolah Dasar pada

Pemecahan Masalah Bangun Datar Berdasar Kerj a Kelompok ...

640-649

Penggunaan Mainan Anak-Anak Melalui Pembelajaran dengan

Metode Penemuan Terbimbing Untuk Memahamkan Konsep

Luas Permukaan Bangun Ruang Pada Siswa Smp ...

671-685

PROSIDING SEMINAR NASIONAL

merupakan publikasi yang berisikan

hasil- hasil pertemuan ilmiah. Diterbitkan 1 tahun sekali, oleh Lembaga Penelitian

dan Pengabdian kepada Masyarakat Universitas Kanjuruhan Malang.

DEWAN REDAKSI

Ketua

Dr. Sudi Dul Aji, M.Si.

Penyunting Pelaksana:

Dr. Endi Sarwoko, SE., M.M

Dr . Gatot Sarmidi, M.Pd

Dr. Suciati, SH., M.Hum

Dr. Supriyanto, M.Pd

Dr. Endah Andayani, M.M

Dra. Nurul Aini, M.Si

Dr s. Choirul Huda, M.Si

Drs. Sudiyono, M.Pd

Yusr iel Ardian, S.Kom., M.Kom

Enike Dwi Kusumawati, S.Pt., M.P

Henny Leondro, S.Pt., M.P

Dyah Lestar i Yulianti, M.P

Penyunting Ahli

DECISION SUPPORT SYSTEMPREDIKSI KELULUSAN SISWA SMK MENGGUNAKAN METODE NAIVE BAYES

Wiji Setiyaningsih1

Program Studi Sistem Informasi, Fakultas Teknologi Infor masi, Universitas Kanjuruhan

1

Malang, wiji_setiya@yahoo.co.id

Program Studi Sistem Informasi, Fakultas Teknologi Infor masi, Universitas Kanjuruhan

2

Malang, oesfoe@gmail.com

Abstrak

Dalam upaya meningkatkan Sumber Daya Manusia (SDM) yang bermutu, bidang pendidikan memegang peranan penting. Upaya meningkatkan SDM dilakukan melalui jalur pendidikan dasar, pendidikan menengah, dan pendidikan tinggi. Ujian akhir nasional (UAN) merupakan salah satu alat evaluasi yang dikeluarkan Pemerintah untuk mengukur tingkat pencapaian tujuan pendidikan yang telah ditetapkan, karena hasil UAN bisa menentukan standar kelulusan nasional.

Di Sekolah Menengah Kejuruan I slam 1 Blitar ingin mendapatkan siswa didiknya bisa lulus semua. Beberapa faktor yang mempengaruhi prediksi kelulusan siswa, diantaranya : Ujian Sekolah Tulis, Ujian Sekolah Praktek, Ujian Kompetensi Keahlian. Berdasar kan hal tersebut dibutuhkan Sistem Pendukung Keputusan Prediksi Kelulusan Siswa-Siswi SMK Islam 1 Blitar Menggunakan MetodeNaive Bayes.

Sistem Pendukung Keputusan Kelulusan Siswa-Siswi SMK Islam 1 Blitar Menggunakan Metode Naive Bayesini dapat membantu pihak sekolah dalam

mempertimbangkan kelulusan siswa-siswi baik secara individu maupun keseluruhan agar kualitas kelulusan siswa-siswi lebih baik.

Kata Kunci:desicion support system,naive bayes, prediksi kelulusan

merupakan salah satu alat evaluasi yang A. Pendahuluan

Dalam upaya meningkatkan Sumber dikeluarkan Pemer intah untuk mengukur Daya Manusia (SDM) yang bermutu, tingkat pencapaian tujuan pendidikan yang bidang pendidikan memegang peranan telah ditetapkan, karena hasil UAN bisa penting. Upaya meningkatkan SDM menentukan standar kelulusan nasional dilakukan melalui jalur pendidikan dasar, untuk tahun berikutnya ( Astria Puji Astuti, pendidikan menengah, dan pendidikan 2010). Misalnya nilai rata-rata UAN ini tinggi. Ujian akhir nasional ( UAN) 4,01 untuk tahun depan menjadi 4,26 dan

Wiji Setiyaningsih , Usman Fauzi1 2

seterusnya. Dimana standar nilai UAN Prediction Of Gunadarma University

yang ditetapkan Pemer intah sangat Students Using Algorithm And Naive

penting, karena untuk mengetahui lulus Bayes C4.5 Algorithm(2010), yang artinya tidaknya siswa tersebut. Begitu pula di Prediksi Kelulusan Mahasiswa Universitas Sekolah Menengah Kejur uan Islam 1 Gunadarma menggunakan Algoritma dan Blitar ingin mendapatkan siswa didiknya Algoritma C4.5Naive Bayes. Pada r iset bisa lulus semua. Dari hasil analisis tersebut dengan menggunakan metode dokumen dan wawancara presentasi nilai algoritma naive bayes, sehingga hal ini tahun ajaran 2006 yang tertinggi untuk dapat dilihat dari meningkatnya jumlah program keahlian Teknik Kontruksi calon mahasiswa baru di setiap tahunnya Bangunan 7,82, nilai rata-rata terbanyak ajaran. Untuk mengetahui tingkat

6,80, progr am keahlian Teknik Instalasi kelulusan mahasiswa dalam satu tahun Listrik 8,49, nilai rata-rata terbanyak 6,60, ajaran dapat membuat prediksi berdasarkan program keahlian Teknik Mesin Perkakas data mahasiswa pada tingkat atau yang 8,22, nilai rata-rata terbanyak 6,88, pertama akademik tahun.Naive Bayes

program keahlian Mekanik Otomotif 8,82, (NBC) adalah probabilitas sederhana nilai rata-rata terbanyak 7,52 dan siswa classifiermenerapkan teorema bayes

yang tidak lulus ada 10 siswa.Beberapa dengan asumsi kemerdekaan ( independen) faktor yang mempengaruhi prediksi tinggi. Keuntungan menggunakan NBC kelulusan siswa, diantaranya : Ujian adalah bahwa metode ini hanya Sekolah Tulis, Ujian Sekolah Praktek, membutuhkan jumlah pelatihan data (data

Ujian Kompetensi Keahlian. training) kecil untuk memperkirakan Harapan dari Kepala Sekolah yaitu parameter yang diperlukan dalam proses guru dapat mengaktifkan siswa untuk lebih klasifikasi.

giat belajar, siswa-siswi dapat lulus 100% Kebutuhan jumlah data yang besar dan nilai kelulusan siswa- siswi diatas rata- dapat ditemukan dalam dunia pendidikan. rata. Untuk mengatasi permasalahan Hal ini dikarenakan, setiap tahun ajaran prediksi kelulusan siswa-siswi di SMK terjadi peningkatan data. Terutama data-Islam 1 Blitar, senada dengan data siswa yang terus bertambah dari tahun per masalahan di paper yang telah ditulis ketahun. Jumlah data yang ter us meningkat oleh Marselina dan Ernastuti (2010) dalam ini memer lukan beberapa metode untuk papernya yang berjudul Graduation mengolah dan mengambil kesimpulan dan

Wiji Setiyaningsih , Usman Fauzi1 2

informasi dari data tersebut. Pada kelulusan, yang dapat membantu pihak penelitian ini penulis mengangkat sekolah dalam mempertimbangkan mengenai penggunaan metodenaive bayes. kelulusan siswa-siswi baik secara individu

Berdasarkan uraian tersebut di atas, maupun keseluruhan agar kualitas maka perlu membangun sebuahDecision kelulusan siswa-siswi lebih baik. Prediksi

Support Systemuntuk prediksi kelulusan tersebut juga dapat meningkatkan kualitas siswa-siswi di SMK Islam 1 Blitar mengajar para guru dalam menyampaikan menggunakan metode naive bayes, pelajaran.

sehingga dapat dijadikan sebagai

pertimbangan siswa- siswi dalam B. Kajian Pustaka

mendapatkan hasil akhir. 2.1 PengertianDecision Support System

Adapun tujuan dar i penelitian ini adalah (DSS)

untuk membangun Decision Support Menurut paper yang ditulis oleh

SystemPr ediksi Kelulusan Siswa-Siswi Dina Andayati (2010),Decision Support

SMK Islam 1 Blitar Menggunakan Metode Systemadalah bagian dari sistem informasi

Naive Bayes,sehingga dapat memprediksi berbasis komputer (termasuk sistem siswa-siswi yang lulus atau tidak lulus berbasis pengetahuan) yang dipakai untuk sesuai dengan nilai standar kelulusan, yang mendukung pengambilan keputusan dalam dapat membantu pihak sekolah dalam suatu organisasi atau perusahaan. Dapat mempertimbangkan kelulusan siswa-siswi juga dikatakan sebagai sistem komputer baik secara individu maupun keseluruhan yang mengolah data menjadi informasi agar kualitas kelulusan siswa-siswi lebih untuk mengambil keputusan dari masalah baik. Prediksi tersebut juga dapat semi terstruktur yang spesifik.

meningkatkan kualitas mengajar para guru

dalam menyampaikan pelajaran. 2.2 Tujuan Decision Support System

Adapun tujuan dar i penelitian ini (DSS)

adalah untuk membangun Decision Menurut paper yang ditulis oleh

Support SystemPrediksi Kelulusan Siswa- Dina Andayati (2010), tujuan Decision

Siswi SMK Islam 1 Blitar Menggunakan Support System (DSS) adalah untuk Metode Naive Bayes, sehingga dapat membantu pengambilan keputusan memprediksi siswa-siswi yang lulus atau memilih berbagai alternatif keputusan tidak lulus sesuai dengan nilai standar yang merupakan hasil pengolahan

Wiji Setiyaningsih , Usman Fauzi1 2

informasi yang diperoleh/tersedia yaitu subsistem manajemen model, menggunakan model pengambilan subsistem manajemen model, dan keputusan. antarmuka pengguna (Magdalena, 2011).

Subsistem yang membangun sistem pendukung keputusan pada gambar 1 2.3Komponen-komponen Decision

dijelaskan sebagai berikut:

Support System(DSS)

Sistem pendukung keputusan a. Subsistem manajemen data ber isi data dibangun oleh lima komponen yaitu yang relevan untuk suatu situasi dan subsistem manajemen data, subsistem dikelola oleh Database Manajemen

manajemen model, subsistem antarmuka System(DBMS).Subsistem ini dapat pengguna, dan subsistem manajemen diinterkoneksikan dengan data berbasis pengetahuan. Berdasarkan Warehouseperusahaan yang relevan definisi, sistem pendukung keputusan untuk pengambilan keputusan. harus mencakup tiga komponen utama

Other Computer Internet,Intranet, Based Systems Extranet Data : External

and Internal

Data Model

Management Management External Models

Knowledge-based subsystems

User Interface

Organizational

Manager (User) KB

Gambar 1. Skemat ikDecision Support System(DSS)

Wiji Setiyaningsih , Usman Fauzi1 2

b. Subsistem manajemen model perkiraan, menduga atau menelaah. Dapat merupakan paket perangkat lunak yang diartikan pula suatu buletin yang memuat menyimpan model keuangan, statistik, berita tentang sesuatu yang telah lalu atau ilmu manajemen , atau model yang akan datang.

kuantitatif lainnya yang memberikan Menurut kamus besar bahasa kemampuan analitik yang tepat. Indonesia kata lulus berarti dapat masuk, Perangkat lunak ini sering disebut dapat lepas atau lucut, ter perosok masuk,

Model Based Managemen System berhasil dapat melalui dengan baik, (MBMS) dan dapat diimplementasikan diperkenankan. Kemudian kelulusan pada sistem pengembanganwebuntuk diartikan sebagai keguguran, hal lulus dan berjalan padaserveraplikasi. setelah lulus. Sehingga kelulusan menurut c. Subsistem antar muka pengguna penulis diartikan sebagai keberhasilan

merupakan dukungan komunikasi dalam melalui ujian pada batas tertentu. antara sistem dengan pengguna.Web Prediksi kelulusan adalah suatu perkiraan

browsermenjadi salah satu antarmuka untuk melihat lulus atau tidaknya siswa yang menampilkan dalam bentuk grafis dalam ujian nasional yang memiliki dan interaktif dengan pengguna. dengan standar kelulusan tertentu (Tim d. Subsistem manajemen ber basis Redaksi, 2008).

pengetahuan bertindak sebagai

komponen independen yang 2.3 Metode Naive Bayes

memberikan kemampuan intelegensi Menurut paper yang ditulis oleh untuk memperbesar pengetahuan Marselina dan Ernastuti ( 2010), klasifikasi pengambil keputusan. Perusahaan bayesian adalah pengklasifikasian statistik memiliki sistem manajemen yang dapat digunakan untuk memprediksi pengetahuan. Keterhubungan probabilitas untuk memprediksi

subsistem ini dengan sistem pendukung keanggotaan suatu class. Klasifikasi keputusan dapat melalui interkoneksi bayesian didasarkan padateorema bayes. denganWeb server. Dari hasil studi algoritma klasifikasi,

didapatkan bahwa hasil klasifikasi 2.4 Prediksi Kelulusan bayesian atau dikenal denganNaive Bayes

Menurut kamus besar bahasa Claassifiersdari segi performa lebih baik dar i dari algoritma decision treedan Indonesiaprediksiberar ti ramalan atau

Wiji Setiyaningsih , Usman Fauzi1 2

algoritma selected neural networks suatu var ibel dalam sebuah kelas yang

classifiers. Naive Bayes Claassifiersjuga dibutuhkan untuk menentukan klasifikasi, memiliki kecepatan dan keakuratan yang bukan keseluruhan dari matriks kovarians. tinggi bila di implementasikan ke dalam Salah satu penerapanteorema bayesadalah

databeseyang ukurannya besar. Naive naive bayes(Marselina dan Ernastuti,

Bayes Claassifiersberasumsi bahwa efek 2010).

dar i status pada kelas yang diberikan Naive bayesmerupakan metode adalah independent terhadap nilai atribut probabilistik pengklasifikasian sederhana yang lainnya. Asumsi ini biasanya disebut berdasarkan teorema bayes . denganclasscondicional indepence.I tu Pengklasifikasian padanaive bayesdapat dibuat untuk menyederhanakan komputasi dilakukan melalui training set yang efesien yang terkait dalam hal ini disebut sebagai (Wiji Setiyaningsih, 2012).

=naive‘. Bayesian belief networkadalah Teorema bayesmenyediakan cara model grafik yang tidak seperti naive untuk memperkir akan probabilitas

bayes claassifiersyang memperbolehkan posterior P(H|X), saat P( H), P(X) dan representasi dari ketergantungan diantara P(X|H) telah diketahui

atribut dari sebuah subset.Bayesian belief network dapat juga digunakan dalam pengklasifikasian.Naive bayes claassifiers

(NBC) merupakan sebuah pengklasifikasi

probabilitas sederhana yang Naive Bayesian Classification

mengaplikasikanteorema bayesdengan asumsi ketidaktergantungan (independent) yang tinggi.

Keuntungan menggunakan NBC

adalah bahwa metode ini hanya a) Klasifikasi bayes( naive bayesian

membutuhkan jumlah data pelatihan classificasion) mengasumsikan: Nilai dari sebuah input atribut pada (training data) yang kecil untuk

menentukan estimasi parameter yang kelas yang diberikan tidak tergantung diper lukan dalam proses pengklasifikasian. dengan nilai dari atribut yang lain. Karena yang diasumsi sebagaivariable Asumsi ini disebutclass conditional independent, maka hanya varians dar i independence.

Wiji Setiyaningsih , Usman Fauzi1 2

b) Hanya valid untuk mengalikan 5. Identifikasi masalah, menentukan masing-masing pr obabilitasattribute rumusan masalah, batasan penelitian, Xi saat menghitung nilai P(X|H) jika serta tujuan penelitian.

diasumsikan class conditional 6. Studi liter atur, yaitu dengan

independence. mempelajar i literatur-literatur yang

c) Karena asumsi inilah penerapan mendukung penelitiandecision support teorema bayesyang menghitung systemprediksi kelulusan siswa SMK for mula di atas disebutnaif( naive menggunakan metodenaive bayes.

bayes). Membahas tentang penerapan metode

d) Terdapat Graphical Modelslainnya naive bayesuntukdecision support system

juga classifier models yang prediksi kelulusan siswa SMK sesuai memper hitungkan bahwa ada dengan batasan penelitian yang telah dependensi/keterkaitan antara input ditentukan.

attributedalam training set :

a. Bayesian (Belief) Network D. Hasil dan Pembahasan

b. Hidden Markov Model Diagram konteks merupakan aliran

e) Walapun demikian klasifikasinaive yang memodelkan hubungan antara sistem

bayestetap menunjukkan akurasi yang dengan entitas. Selain itu, diagram konteks cukup tinggi saat digunakan pada merupakan diagram yang paling awal yang

databaseyang benar. terdiri dari suatu proses data dan menggambarkan ruang lingkup suatu C. Metodologi Penelitian sistem secara garis besarnya. Aliran dalam

Metode penelitian merupakan diagram konteks memodelkan masukan ke langkah-langkah yang dilakukan dalam sistem dan keluaran dar i sistem.

penelitian ini secara umum, yang dapat manggambarkan desain dan prosedur penelitian sebagai ber ikut:

Wiji Setiyaningsih , Usman Fauzi1 2

Gambar 2.Context DiagramDSS Prediksi Kelulusan Siswa SMK

Diagram konteks di atas BK serta lima proses yang merupakan menerangkan bahwa arus data secara proses utama pada sistem, yaitu proses umum yang melibatkan tiga buah entitas, login, pengelolahan data master, data yaitu : Admin, TU dan BK. Aliran output training, prediksi kelulusan dengan metode data dari Admin adalah : Input master naive bayes, laporan. Sertadata storeya ng login, input login, input data training. masing- masing adalah user_operator, Aliranoutputdari data TU adalah : Input siswa, jurusan, penilaian. Di bawah ini login, input master jurusan dan input adalah gambar DFD Sistem Pendukung master siswa. Aliran output dari BK adalah Keputusan Prediksi Kelulusan level 1. input login dan input penilaian. Secara garis besar prosedur

Admin merupakan pengelola utama didalam sistem ini dipecah menjadi lima sistem, peran penting admin adalah untuk proses yaitu proses login, pengelolahan mengkoordinasikan dan mengelola siapa data master, data training, prediksi saja yang ber hak memasukkan data kelulusan menggunakan metode naive

kedalam sistem. bayes, laporan. Dar i keterangan gambar di

Data Flow Diagram(DFD) level 1 atas ini tampak bahwa Admin, TU dan BK menjelaskan mengenai arus data yang melakukan proses login. TU melakukan terjadi dalam sistem pendukung keputusan login terlebih dahulu sebelum melakukan prediksi kelulusan. Pada diagram ini pengolahan data master, begitu pula BK terdapat tiga entitas yaitu Admin, TU dan untuk melakukan prediksi kelulusan

Wiji Setiyaningsih , Usman Fauzi1 2

menggunakan metodenaive bayesharus hak akses penuh dalam sistem pendukung melakukan proses login terlebih dulu, dan keputusan prediksi kelulusan ini.

Admin adalah seorang yang mempunyai

Gambar 3.Data Flow DiagramLevel 1 Prediksi Kelulusan Siswa SMK

Wiji Setiyaningsih , Usman Fauzi1 2

Pada gambar dibawah ini DFD level 2 ter dapat 3 prosessetupmaster yait usetup

masteruser,setupmaster jurusan,setupmaster siswa.

Gambar 4. DFD Level 2 dari Proses 2SetupMaster

Dar i masing-masing hasil setup Pada gambar dibawah ini terdapat master akan tersimpan di dalamdatabase. pada DFD Level 2 proses 3 adalah

Setupmasteruserakan tersimpan di dalam melakukan proses data training akan tabeluser_operator,setupmaster jurusan tersimpan di dalam tabel penilaian. akan tersimpan di dalam tabel jurusan,

setupmaster siswa akan tersimpan di dalam tabel siswa.

Wiji Setiyaningsih , Usman Fauzi1 2

Gambar 5. DFD Level 2 dari Proses 3Data Training

Pada gambar dibawah ini terdapat Dari gambar ERD terdapat

pada DFD Level 2 proses 4 adalah beberapa relasi di antar anya tabel jurusan melakukan proses prediksi kelulusan yang dengan tabel siswa relasinya adalahone to

akan tersimpan di dalam tabel penilaian. many.Dimana satu jurusan dapat di miliki banyak siswa. Selanjutnya tabel siswa dengan tabel penilaian relasinya adalah

one to many.Dimana satu siswa dapat di melakukan beberapa penilaian.

Gambar 6. DFD Level 2 dari Proses 4 Prediksi Kelulusan Menggunakan

MetodeNaive Bayes

Entity Relationship Diagram

(ERD) merupakan notasi grafis dalam pemodelan data konseptual yang

digunakan untuk memodelkan struktur data dan hubungan antar data.

Wiji Setiyaningsih , Usman Fauzi1 2

Gambar 7.Entity Relationship Diagram Target atribut adalah status dimana memiliki 2 macam nilai yaitu lulus dan Prediksi Keluusan Siswa SMK

Sistem Pendukung Keputusan Prediksi tidak.

Kelulusan Siswa SMK Menggunakan Secara prinsip model ini akan memaksimalkan P(X|Hi)P(Hi), untuk MetodeNaive Bayes

Naive Bayesadalah merupakan nilai i = 1, 2.

metode probabilistik pengklasifikasian Langkah 1: Meghitung P(Hi),

sederhana berdasarkanTeorema Bayes. probabilitas prior untuk setiap kelas, Pengklasif ikasian padaNaive Bayesdapat dapat dihitung :

dilakukan melalui tr aining set yang efesien P(status = lulus) = 190/200 = 0,95 (Wiji Setiyaningsih, 2012) . P(status = tidak) =10/200 = 0,05

Naive Bayesian Classification Langkah 2 : Menghitung P(X|Hi), probabilitas posterior X dengan syarat P(ketu_agama = baik | status = lulus) = 190/190 = 1

P(ketu_agama = baik | status = tidak) = 10/10 = 1

Menggunakan data set sebelumnya P(ketu_PPKN = baik | status = lulus) = untuk memprediksi kelulusan apakah 190/190 = 1

siswa-siswi akan lulus atau tidak ? P(ketu_PPKN = baik | status = tidak) Pada training set menggunakan 16 = 10/10 = 1

atribut : Ujian tulis sekolah terdir i dari P(ketu_sejarah = baik | status = lulus) mata pelajaran agama, ppkn, sejarah, = 190/190 = 1

fisika, kimia, kewirausahaan. Ujian P(ketu_sejarah = baik | status = tidak) praktek sekolah terdiri dari mata = 10/10 = 1

pelajaran agama, bahasa indonesia, P(ketu_penjaskes = baik | status = penjaskes, fisika, kimia, lulus) = 190/190 = 1

kewirausahaan. Ujian nasional terdiri P(ketu_penjaskes = baik | status = dara mata pelajaran bahasa indonesia, tidak) = 10/10 = 1

bahasa inggr is, matematika, P(ketu_fisika = baik | status = lulus) = kompetensi keahlihan. 190/190 = 1

Wiji Setiyaningsih , Usman Fauzi1 2

P(ketu_fisika = baik | status = tidak) = P(ketp_kewirausaahaan = baik | status 10/10 = 1 = tidak) = 8/10 = 0,8

P(ketu_kimia = baik | status = lulus) = P(ketun_bhsindo = baik | status 189/190 = 0,994 = lulus) = 174/190 = 0,915

P(ketu_kimia = baik | status = tidak) = P(ketun_bhsindo = baik | status = 10/10 = 1 tidak) = 8/10 = 0,8

P(ketu_kewirausaahaan = cukup | P(ketun_bhsing = baik | status status = lulus) = 1/190 = 0,0052 = lulus) = 94/190 = 0,494

P(ketu_kewirausaahaan = cukup | P(ketun_bhsing = baik | status = tidak) status = tidak) = 0/10 = 0 = 0/10 = 0

P(ketp_agama = baik | status = lulus) P(ketun_matematika = cukup | = 189/190 = 0,994 status = lulus) = 11/190 = 0,057

P(ketp_agama = baik | status = tidak) P(ketun_matematika = cukup | status = = 10/10 = 1 tidak) = 4/10 = 0,4

P(ketp_bhsindo = cukup | status = P(ketun_kompetensi = baik | status = lulus) = 1/190 = 0,0052 lulus) = 187/190 = 0,984

P(ketp_bhsindo = cukup | status = P(ketun_kompetensi = baik | status = tidak) = 0/10 = 0 tidak) = 10/10 = 1

P(ketp_penjaskes = baik | status =

lulus) = 190/190 = 1 Langkah 3 : Menghitung semua nilai P(ketp_penjaskes = baik | status = probabilitas

tidak) = 10/10 = 1 P(X| status = lulus)

P(ketp_fisika = baik | status = lulus) = = 1 x 1 x 1 x 1 x 1 x 0,994 x 0,0052 x 189/190 = 0,994 0,994 x 0,0052 x x 1 x 0,994 x 0,0105 P(ketp_fisika = baik | status = tidak) = x 0,742 x 0,915 x 0,494 x 0,057 x

10/10 = 1 0,984

P(ketp_kimia = cukup | status = lulus) = 5,498

= 2/190 = 0,0105 P(X| status = tidak)

P(ketp_kimia = cukup | status = tidak) = 1 x 1 x 1 x 1 x 1 x 1 x 0 x 1 x 0 x x 1 = 0/10 = 0 x 1 x 0 x 0,8 x 0,8 x 0 x 0,4 x 1 P(ketp_kewirausaahaan = baik | status = 0

= lulus) = 141/190 = 0,742

Wiji Setiyaningsih , Usman Fauzi1 2

Langkah 4 : Mengitung P(X|Hi)P(H) kelulusan siswa-siswi. Adapun media P(X| status = lulus) P(status = lulus) = penyimpanan meliputi data admin, 5,498 x 0,95 data jurusan, data siswa dan data

= 5,223 penilaian.

P(X| status = tidak) P(status = tidak) = c. Sistem pendukung keputusan prediksi 0 x 0,05 kelulusan siswa-siswi SMK Islam 1 = 0 Blitar Menggunakan Metode Naive

Hasil dari prediksi diatas adalah lulus Bayesdapat dijadikan sebagai acuhan karena P(X| status = lulus) > P(X| kelulusan siswa-siswi di SMK Islam 1 status = tidak). Blitar.

d. Sistem pendukung keputusan ini dapat memberikan motivasi kepada siswa-E. Kesimpulan

Berdasarkan pembahasan penelitian siswi SMK Islam 1 Blitar untuk lebih

Decision Support System Pr ediksi meningkatkan kualitas belajar, karena Kelulusan Siswa SMK Menggunakan dari hasil prediksi kelulusan siswa-Metode Naive Bayes, maka dapat siswi dapat memprediksi lulus disimpulkan sebagai ber ikut: tidaknya siswa-siswi.

b. Untuk membangun Sistem Pendukung

Keputusan Preidiksi Kelulusan Siswa- F. Saran

Siswi SMK Islam 1 Blitar Adapun saran untuk pengembangan Menggunakan MetodeNaive Bayes penelitian selanjutnya yaitu:

dibutuhkan Admin, TU, BK hak akses, 1. Pada sistem yang telah dibuat ini, dengan inputan data : datauser, data masih ada kekurangan yaitu sistem jur usan, data siswa dan data penilaian. ini dikembangkan menggunakan Terdapat beberapa proses dalam metode Naive Bayes untuk sistem ini yaitu proses menghitung memprediksi kelulusan. Untuk jumlah status lulus dan tidak, pengembangan selanjutnya, menghitung probabilitas setiap kelas, diharapkan menggunakan metode menghitung probabilitas posterior, lain selain metodeNaive Bayes. menghitung nilai semua lulus dan 2. Untuk pengembangan program tidak, menghitung hasil lulus dan tidak selanjutnya dapat menambahkan dan menghitung hasil prediksi Formnilai tiap semester agar guru

Wiji Setiyaningsih , Usman Fauzi1 2

lebih mudah mengarsipkan nilai Algorithm. Gunadarma University.

siswa. Jakarta

3. Pengembangan program selanjutnya, http://id.wikipedia.or g/wiki/Microsoft_Acc

diharapkan bisa menggunakan ess. Diunduh tanggal 24/12/2012 pemrograman ber basisweb, kar ena jam 21.00

bagian staf bisa mengakses meskipun Jogiyanto. 2005. Analisis dan Desain tidak di sekolahan dan dapat dilihat Sistem Informasi. C.V Andi Offset oleh semua siswa-siswi. Karimariyanti, Magdalena. 2011. Simulasi 4. Sistem Pendukung Keputusan Pendukung Keputusan Penerima

Prediksi Kelulusan ini dalam inputan Beasiswa Menggunakan Metode nilai ujian sekolah harus diatas nilai 6 Composite Performance Index. atau bersifat fleksibel. Vol.1, No. 2. Bandung

Mulyanto, Aunur R. 2008. Rekayasa Perangkat Lunak Jilid 1, Jilid 2, Daft ar Pustaka Jilid 3. Dir ektorat Pembinaan Andayati, Dina. 2010. Sistem Pendukung Sekolah Menengah Kejuruan, Keputusan Pra-Seleksi Pener imaan Direktorat Jenderal Manajemen Siswa Baru (PSB) On-Line Pendidikan Dasar dan Menengah, Yogyakar ta. Institut Sains dan Departemen Pendidikan Nasional. Teknologi AKPRIND. Vol.3, No. Jakarta

2. Yogyakar ta Setiyaningsih, Wiji. 2012. Mata Kuliah Astuti, Astr ia Puji. 2010. Aplikasi Analisis Decision Support SystemMetode

Diskriminan dalam Penentuan Naive Bayes. Fakultas Teknologi Faktor-faktor yang Mempengaruhi Informasi Universitas Kanjur uhan Kelulusan Siswa SMPN 1 Gunung Malang

Mer iah Kabupaten Aceh Singkil.

Sumatra Utara Tim penyusun. 2008. Kamus Besar Bahasa Ernastuti, dkk. 2010. Graduation Indonesia. Pusat Bahasa Departemen

Prediction Of Gunadarma Pendidikan Nasional. Jakarta

University Students Using

Algorithm and Naive Bayes C4.5

Gambar 5. DFD Level 2 dari Proses 3Data Training

Pada gambar dibawah ini terdapat Dari gambar ERD terdapat

pada DFD Level 2 proses 4 adalah beberapa relasi di antar anya tabel jurusan melakukan proses prediksi kelulusan yang dengan tabel siswa relasinya adalahone to akan tersimpan di dalam tabel penilaian. many.Dimana satu jurusan dapat di miliki banyak siswa. Selanjutnya tabel siswa dengan tabel penilaian relasinya adalah one to many.Dimana satu siswa dapat di melakukan beberapa penilaian.

Gambar 6. DFD Level 2 dari Proses 4 Prediksi Kelulusan Menggunakan

MetodeNaive Bayes

Entity Relationship Diagram (ERD) merupakan notasi grafis dalam pemodelan data konseptual yang

digunakan untuk memodelkan struktur data dan hubungan antar data.

Gambar 7.Entity Relationship Diagram Target atribut adalah status dimana memiliki 2 macam nilai yaitu lulus dan Prediksi Keluusan Siswa SMK

Sistem Pendukung Keputusan Prediksi tidak.

Kelulusan Siswa SMK Menggunakan Secara prinsip model ini akan memaksimalkan P(X|Hi)P(Hi), untuk MetodeNaive Bayes

Naive Bayesadalah merupakan nilai i = 1, 2.

metode probabilistik pengklasifikasian Langkah 1: Meghitung P(Hi),

sederhana berdasarkanTeorema Bayes. probabilitas prior untuk setiap kelas, Pengklasif ikasian padaNaive Bayesdapat dapat dihitung :

dilakukan melalui tr aining set yang efesien P(status = lulus) = 190/200 = 0,95 (Wiji Setiyaningsih, 2012) . P(status = tidak) =10/200 = 0,05 Naive Bayesian Classification Langkah 2 : Menghitung P(X|Hi),

probabilitas posterior X dengan syarat P(ketu_agama = baik | status = lulus) = 190/190 = 1

P(ketu_agama = baik | status = tidak) = 10/10 = 1

Menggunakan data set sebelumnya P(ketu_PPKN = baik | status = lulus) = untuk memprediksi kelulusan apakah 190/190 = 1

siswa-siswi akan lulus atau tidak ? P(ketu_PPKN = baik | status = tidak) Pada training set menggunakan 16 = 10/10 = 1

atribut : Ujian tulis sekolah terdir i dari P(ketu_sejarah = baik | status = lulus) mata pelajaran agama, ppkn, sejarah, = 190/190 = 1

fisika, kimia, kewirausahaan. Ujian P(ketu_sejarah = baik | status = tidak) praktek sekolah terdiri dari mata = 10/10 = 1

pelajaran agama, bahasa indonesia, P(ketu_penjaskes = baik | status = penjaskes, fisika, kimia, lulus) = 190/190 = 1

kewirausahaan. Ujian nasional terdiri P(ketu_penjaskes = baik | status = dara mata pelajaran bahasa indonesia, tidak) = 10/10 = 1

bahasa inggr is, matematika, P(ketu_fisika = baik | status = lulus) =

P(ketu_fisika = baik | status = tidak) = P(ketp_kewirausaahaan = baik | status

10/10 = 1 = tidak) = 8/10 = 0,8

P(ketu_kimia = baik | status = lulus) = P(ketun_bhsindo = baik | status

189/190 = 0,994 = lulus) = 174/190 = 0,915

P(ketu_kimia = baik | status = tidak) = P(ketun_bhsindo = baik | status =

10/10 = 1 tidak) = 8/10 = 0,8

P(ketu_kewirausaahaan = cukup | P(ketun_bhsing = baik | status status = lulus) = 1/190 = 0,0052 = lulus) = 94/190 = 0,494

P(ketu_kewirausaahaan = cukup | P(ketun_bhsing = baik | status = tidak) status = tidak) = 0/10 = 0 = 0/10 = 0

P(ketp_agama = baik | status = lulus) P(ketun_matematika = cukup | = 189/190 = 0,994 status = lulus) = 11/190 = 0,057

P(ketp_agama = baik | status = tidak) P(ketun_matematika = cukup | status =

= 10/10 = 1 tidak) = 4/10 = 0,4

P(ketp_bhsindo = cukup | status = P(ketun_kompetensi = baik | status = lulus) = 1/190 = 0,0052 lulus) = 187/190 = 0,984

P(ketp_bhsindo = cukup | status = P(ketun_kompetensi = baik | status =

tidak) = 0/10 = 0 tidak) = 10/10 = 1

P(ketp_penjaskes = baik | status =

lulus) = 190/190 = 1 Langkah 3 : Menghitung semua nilai P(ketp_penjaskes = baik | status = probabilitas

tidak) = 10/10 = 1 P(X| status = lulus)

P(ketp_fisika = baik | status = lulus) = = 1 x 1 x 1 x 1 x 1 x 0,994 x 0,0052 x 189/190 = 0,994 0,994 x 0,0052 x x 1 x 0,994 x 0,0105 P(ketp_fisika = baik | status = tidak) = x 0,742 x 0,915 x 0,494 x 0,057 x

10/10 = 1 0,984

P(ketp_kimia = cukup | status = lulus) = 5,498

= 2/190 = 0,0105 P(X| status = tidak)

P(ketp_kimia = cukup | status = tidak) = 1 x 1 x 1 x 1 x 1 x 1 x 0 x 1 x 0 x x 1

= 0/10 = 0 x 1 x 0 x 0,8 x 0,8 x 0 x 0,4 x 1

P(ketp_kewirausaahaan = baik | status = 0 = lulus) = 141/190 = 0,742

Langkah 4 : Mengitung P(X|Hi)P(H) kelulusan siswa-siswi. Adapun media P(X| status = lulus) P(status = lulus) = penyimpanan meliputi data admin, 5,498 x 0,95 data jurusan, data siswa dan data

= 5,223 penilaian.

P(X| status = tidak) P(status = tidak) = c. Sistem pendukung keputusan prediksi

0 x 0,05 kelulusan siswa-siswi SMK Islam 1

= 0 Blitar Menggunakan Metode Naive

Hasil dari prediksi diatas adalah lulus Bayesdapat dijadikan sebagai acuhan karena P(X| status = lulus) > P(X| kelulusan siswa-siswi di SMK Islam 1

status = tidak). Blitar.

d. Sistem pendukung keputusan ini dapat memberikan motivasi kepada siswa-E. Kesimpulan

Berdasarkan pembahasan penelitian siswi SMK Islam 1 Blitar untuk lebih Decision Support System Pr ediksi meningkatkan kualitas belajar, karena Kelulusan Siswa SMK Menggunakan dari hasil prediksi kelulusan siswa-Metode Naive Bayes, maka dapat siswi dapat memprediksi lulus disimpulkan sebagai ber ikut: tidaknya siswa-siswi.

b. Untuk membangun Sistem Pendukung

Keputusan Preidiksi Kelulusan Siswa- F. Saran

Siswi SMK Islam 1 Blitar Adapun saran untuk pengembangan Menggunakan MetodeNaive Bayes penelitian selanjutnya yaitu:

dibutuhkan Admin, TU, BK hak akses, 1. Pada sistem yang telah dibuat ini, dengan inputan data : datauser, data masih ada kekurangan yaitu sistem jur usan, data siswa dan data penilaian. ini dikembangkan menggunakan Terdapat beberapa proses dalam metode Naive Bayes untuk sistem ini yaitu proses menghitung memprediksi kelulusan. Untuk jumlah status lulus dan tidak, pengembangan selanjutnya, menghitung probabilitas setiap kelas, diharapkan menggunakan metode menghitung probabilitas posterior, lain selain metodeNaive Bayes. menghitung nilai semua lulus dan 2. Untuk pengembangan program tidak, menghitung hasil lulus dan tidak selanjutnya dapat menambahkan dan menghitung hasil prediksi Formnilai tiap semester agar guru

lebih mudah mengarsipkan nilai Algorithm. Gunadarma University.

siswa. Jakarta

3. Pengembangan program selanjutnya, http://id.wikipedia.or g/wiki/Microsoft_Acc

diharapkan bisa menggunakan ess. Diunduh tanggal 24/12/2012 pemrograman ber basisweb, kar ena jam 21.00

bagian staf bisa mengakses meskipun Jogiyanto. 2005. Analisis dan Desain tidak di sekolahan dan dapat dilihat Sistem Informasi. C.V Andi Offset oleh semua siswa-siswi. Karimariyanti, Magdalena. 2011. Simulasi 4. Sistem Pendukung Keputusan Pendukung Keputusan Penerima

Prediksi Kelulusan ini dalam inputan Beasiswa Menggunakan Metode nilai ujian sekolah harus diatas nilai 6 Composite Performance Index. atau bersifat fleksibel. Vol.1, No. 2. Bandung

Mulyanto, Aunur R. 2008. Rekayasa Perangkat Lunak Jilid 1, Jilid 2, Daft ar Pustaka Jilid 3. Dir ektorat Pembinaan Andayati, Dina. 2010. Sistem Pendukung Sekolah Menengah Kejuruan, Keputusan Pra-Seleksi Pener imaan Direktorat Jenderal Manajemen Siswa Baru (PSB) On-Line Pendidikan Dasar dan Menengah, Yogyakar ta. Institut Sains dan Departemen Pendidikan Nasional. Teknologi AKPRIND. Vol.3, No. Jakarta

2. Yogyakar ta Setiyaningsih, Wiji. 2012. Mata Kuliah Astuti, Astr ia Puji. 2010. Aplikasi Analisis Decision Support SystemMetode

Diskriminan dalam Penentuan Naive Bayes. Fakultas Teknologi Faktor-faktor yang Mempengaruhi Informasi Universitas Kanjur uhan Kelulusan Siswa SMPN 1 Gunung Malang

Mer iah Kabupaten Aceh Singkil.

Sumatra Utara Tim penyusun. 2008. Kamus Besar Bahasa Ernastuti, dkk. 2010. Graduation Indonesia. Pusat Bahasa Departemen

Prediction Of Gunadarma Pendidikan Nasional. Jakarta University Students Using