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
(2)
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
(3)
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
(4)
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
(5)
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
(6)
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
(7)
Penggunaan Mainan Anak-Anak Melalui Pembelajaran dengan
Metode Penemuan Terbimbing Untuk Memahamkan Konsep
Luas Permukaan Bangun Ruang Pada Siswa Smp ...
671-685
(8)
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
(9)
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
(10)
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
(11)
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
(12)
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)
(13)
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
(14)
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.
(15)
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:
(16)
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
(17)
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
(18)
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.
(19)
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.
(20)
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
(21)
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
(22)
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
(23)
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
(24)
(1)
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.
(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) =
(3)
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
(4)
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
(5)
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
(6)