APLIKASI UNTUK MENENTUKAN KELAYAKAN KINE

APLIKASI UNTUK MENENTUKAN KELAYAKAN KINERJA GURU MENGGUNAKAN METODE DATA MINING CLASSIFICATION 4.5 (C4.5)

Penulis

: Siti Roaita

NIM

Dosen Pembimbing

: Yulian Findawati, ST. M.MT

ABSTRAK

SMP Negeri 1 Jabon adalah lembaga pendidikan Negeri yang berdiri secara resmi pada tanggal

1 Juli tahun 1984 yang beralamatkan di Jalan Dukuhsari 01 Jabon desa/Kecamatan Jabon, Kab/ Kota Sidoarjo, Propinsi JAWA TIMUR. Sejak pertama berdiri secara resmi SMP Negeri 1 Jabon terus mengalami perkembangan yang sangat bagus, baik perkembangan bangunan, tenaga pendidik, pengelolah TU maupun siswanya. Dilihat dari peningkatan jumlah siswanya dari tahun ke tahun- ketahun terus meningkat tentunya mendorong pula perkembangan dan peningkatan mutu tenaga pendidik yang diperlukan. Dalam meraih mutu pendidikan perlu adanya tindakan penilaian kelayakan kinerja guru. Tindakan tersebut merupakan salah satu cara meningkatkan mutu pendidikan. Dalam menentukan kriteria kinerja guru di SMP Negeri 1 Jabon Sidoarjo.

Dalam menentukan kelayakan kinerja guru, saat ini sudah banyak metode-metode optimasi dengan alternatif terbatas, salah satunya adalah metode algoritma C4.5. Dengan menggunakan metode algoritma C4.5 ini dengan mudah dipahami dengan bahasa alami yang diekspresikan melalui bentuk pohon keputusan. Metode pohon keputusan mengubah fakta sangat besar menjadi pohon keputusan yang mempresentasikan aturan yang mudah dipahami. Untuk membangun sistem ini perlu adanya aplikasi yang mendukung salah satunya adalah aplikasi pemrograman php Xampp.

Hasil yang dicapai dari sistem aplikasi metode algoritma C4.5 yaitu, bisa dilihat melalui pohon keputusan. Pohon keputusan diperoleh dari root-root yang menjadi patokan kriteria kinerja guru yang layak itu seperti apa. Tingkat akurasi dari sistem ini dilihat dengan menggunakan data sampel 10 guru yang ada diperoleh hasil nilai precision=100%, nilai recall=50% dan Accuracy=70%.

Kata Kunci : Algoritma C4.5,Kinerja Guru , Pohon keputusan.

1. PENDAHULUAN

dapat berperan serta dalam penyelenggaraan

1.1 Latar Belakang

pendidikan yang bermutu, maka seorang guru wajib memenuhi kualifikasi seperti dinyatakan

Pendidikan mempunyai peranan strategis dalam Undang-Undang RI Nomor 20/2003 dalam mempersiapkan generasi penerus yang tentang Sistem Pendidikan Nasional. Undang- memiliki pengetahuan dan kecerdasan tinggi Undang RI Nomor 14/2005 tentang Guru dan serta menguasai berbagai keahlian. Pendidikan Dosen, dan Peraturan Pemerintah RI Nomor merupakan jembatan penghubung dalam 19/2005 tentang Standar Nasional Pendidikan mengantarkan kita pada tatanan masyarakat yang menyatakan guru adalah pendidik pembelajar (learning society), yang terus belajar Professional. dari waktu kewaktu sehingga tercapai suatu

SMP Negeri 1 Jabon adalah lembaga acuan dasar. Acuan dasar itu dapat pendidikan Negeri yang berdiri secara resmi

merefleksikan tugas mulia pendidikan dalam pada tanggal 1 Juli tahun 1984 yang meningkatkan taraf hidup suatu bangsa. Untuk merefleksikan tugas mulia pendidikan dalam pada tanggal 1 Juli tahun 1984 yang meningkatkan taraf hidup suatu bangsa. Untuk

siswanya telah mencapai 799 siswa, di tahun 1.2 Rumusan Masalah

ajaran pada saat tahun 2013-2014 siswanya Adapun rumusan masalah berdasarkan latar mencapai 818 siswa, di tahun ajaran pada saat

belakang di atas adalah sebagai berikut : tahun 2014-2015 siswanya mencapai 841 siswa.

1. Bagaimana proses penentu kinerja guru Dan pada saat ini tahun ajaran 2015-2016

pada SMPN 1 Jabon Sidoarjo? mencapai 904 siswa.

2. Kriteria-kriteria apa yang diperlukan Dengan adanya perkembangan siswa dari

dalam penilaian kinerja guru terkait pada tahun ketahun terus meningkat tentunya

SMPN 1 Jabon Sidoarjo? mendorong pula perkembangan dan peningkatan

3. Bagaimana menerapkan metode C4.5 tenaga pendidik yang diperlukan. Dalam

dalam proses penentu kelayakan kinerja meningkatkan jumlah tenaga pendidik tentunya

guru?

pihak sekolah tidak asal-asalan dalam memilih. Peningkatan mutu tenaga pendidik sangat di perlukan dalam perkembangan mutu belajar dan

mengajar siswa. Dalam meraih mutu pendidikan 1.3 Batasan Masalah

yang baik sangat dipengaruhi oleh kinerja guru Untuk memudahkan dalam melaksanakan dalam melaksanakan tugasnya sehingga kinerja

penelitian dan pengumpulan data, maka guru menjadi tuntutan penting untuk mencapai

batasan masalah yang akan dibahas hanya keberhasilan pendidikan. Tindakan menilai

pada :

kinerja guru merupakan salah satu cara

1. Kriteria penilaian guru yang digunakan meningkatkan mutu pendidikan.

berdasarkan kriteria yang telah ada di menentukan kriteria kinerja guru di SMP Negeri

Dalam

sekolah.

2. Data guru yang diambil hanya data guru penting dalam menentukan kinerja guru yang

1 Jabon Sidoarjo. Penilaian kinerja guru sangat

pada SMPN 1 Jabon Sidoarjo. baik dan berprestasi dalam suatu sekolah.

3. Menggunakan Data kriteria Guru Statis. Saat ini sudah banyak metode-metode

4. Menggunakan Bahasa pemrograman optimasi dengan alternatif terbatas. Salah

PHP.

satunya adalah metode C4.5. menurut jurnal

5. Menggunakan Aplikasi Xampp dan (Sukma Putri Utari dengan judul Implementasi

MySQL.

Medtode C4.5 Untuk Mnentukan Guru Terbaik

Pada SMK 1 Percut Sei Tuan Medan), 2015) 1.4 Tujuan dan Manfaat

algoritma C4.5 merupakan algoritma yang

1. Tujuan

digunakan untuk membentuk pohon keputusan. Adapun tujuan dari penelitian ini adalah:

1. Untuk mengetahui kinerja guru pada BAB III METODE PENELITIAN SMPN 1 Jabon Sidoarjo.

Pada bab ini dijelaskan tentang perhitungan

2. Untuk mengetahui kriteria-kriteria dan contoh soal yang berhubungan dengan apa yang diperlukan dalam menilai

materi yang diambil.

kinerja guru.

3. Untuk menerapkan metode C4.5 BAB IV HASIL PENELITIAN DAN dalam proses penilaian kinerja guru.

PEMBAHASAN Pada bab ini dijelaskan tentang hasil dari

2. Manfaat penelitian serta pembahasannya secara Adapun manfaat dari penelitian yang

detail.

dilakukan adalah:

1. Dapat membantu dalam menentukan BAB V KESIMPULAN DAN SARAN kriteria penilaian kinerja guru pada

Pada bab ini berisikan hasil kesimpulan dan SMPN 1 Jabon Sidoarjo.

saran untuk penyempurnaan hasil skripsi.

2. Sebagai salah satu penunjang sekolah dalam meningkatkan mutu kinerja

2. KAJIAN PUSTAKA DAN DASAR

guru.

TEORI\

3. Dapat menyelesaikan masalah dalam

2.1 Tinjauan Umum SMPN 1 Jabon

menetukan penilaian kinerja guru Pertama berdirinya SMPN 1 Jabon pada sehingga pihak sekolah lebih mudah tahun 1984, berikut salinan ketikan data

mengetahui guru yang aktif dan berdirinya SMPN1 Jabon yang diperoleh saat berprestasi.

studi kasus:

KEPUTUSAN MENTERI PENDIDIKAN DAN KEBUDAYAAN

REPUBLIK INDOSNESIA Sistematika dari penulisan tugas akhir ini

1.5 Sistematika Penulisan

Pembukaan, penunggalan, dan penegerian adalah sebagai berikut:

Sekolah menengah Umum Tingkat Pertama Menimbang :

BAB I PENDAHULUAN

a. Bahwa berdasarkan keutusan Menteri Pada bab ini dijelaskan mengenai latar

Pendidikan dan kebudayaan tanggal 22 belakang permasalahan, rumusan masalah,

Desember 1978 No. 0370/0/1978 telah batasan masalah, tujuan dan manfaat,

ditetapkan susunan organisasi dan tata kerja metode pengambilan data dan sistematika

menengah umum tingkat pertama. penulisan

b. Bahwa untuk meningkatkan daya tampung sekolah menengah umum tingkat pertama

BAB II KAJIAN PUSTAKA DAN DASAR negeri sesuai dengan kebutuhan masyarakat, TEORI

dipandang perlu menetapkan pembukaan, Pada bab ini dijelaskan mengenai penelitian

penunggalan, dan penegrian sekolah terdahulu,

menengah umum tingkat pertama. berhubungan dengan materi yang di ambil.

dan

materi

penunjang

Mengingat:

1. Keputusan presiden Republik Indonesia :

a. Nomor 44 tahun 1974

Keempat:

b. Nomor 40/M tahun 1980 Biaya untuk keperluan pelaksanaan keputusan

c. Niomor 45/M tahun 1983 ini bagi masing-masing sekolah di propinsi yang

d. Nomor 15/M tahun 1984 bersangkutan pada mata anggaran bagaimana

2. Keputusan menteri Pendidikan dan tersebut pada kolon 7 Lampiran I keputusan ini kebudayaan:

dari anggaran pendapatan dan belanja

a. Tanggal 22 Desenber 1978 No. departemenpendidikannya pada mata anggaran 0370/0/1978

yang selaras dengan itu.

b. Tanggal 30 Juni 1979 No. 0145/0/1979

Kelima:

c. Tanggal 11 september 1980 No. Dengan berlakunya keputusan ini jumlah SMP 0222b/0/1980

Negeri di Indonesia adalah 5.884(lima ribu

d. Tanggal

No. delapan ratus delapan puluh empat) buah 0172/0/1983 nan No. 0173/0/1983

14 Maret 1983

tersebar di 27 (dua puluh tujuh) propinsi. Keenam:

Memperhatikan : Hal-hal lain yang belum diatur dalam keputusan Persetujuan menteri negara pendayagunaan

ini akan diatur lebih lanjut dalan ketentuan Aparatur negara dalam surat Nomor B-

tersendiri.

847/I/MENPA/10/84 tanggal 31 Oktober 1984

Ketujuh:

Menetapkan: Keputusan ini dimulai berlaku pada tanggal

Pertama: ditetapkan dan berlaku surut terhitung mulai

a. Membuka sekolah menengah umum tingkat

tanggal 1 Juli 1984.

pertama (SMP) negeri

b. Menunggalkan filial SMP Negeri menjadi Visi SMPN 1 Jabon Sidoarjo SMP Negeri

“BATIK”

c. Menegrikan SMP Swasta Menjadi SMP

B : BERIMAN, BERILMU

Negeri, dibeberapa propinsi sebagaimana

A : AKHLAK MULIA

tersebut pada lampiran I Keputusan ini.

T : TERAMPIL

Kedua:

I : INOVATIF

Kedudukan, tugas dan fungsi, susunan K : KREATIF

organisasi, dan tata kerja SMP Negeri tersebut

pada Diktum “Pertama” diatur sesuai dengan Misi SMPN 1 Jabon Sidoarjo ketentuan dalam keputusan Menteri Pendidikan a. Mewujudkan kurikulum sekolah yang dan Kebudayaan tanggal 22 Desember 1978 No.

meunjang kecakapan hidup peserta didik. 0370/0/1978.

b. Mewujudkan proses pembelajaran aktif, Ketiga:

kreatif, inovatif, dan kontekstual (akik). Menegaskan kepada kepala kantor Wilayah c. Mewujudkan lulusan yang berinmtaq, Departemen pendidikan dan kebudayaan di

berilmu, berakhlak mulia, dan terampil. propinsi yang bersangkutan untuk melaksanakan d. Mewujudkan

tenaga pendidik dan ketentuan tersebut ada diktum “Pertama” bagi kependidikan yang profesional.

sekolah yang barada di Wilayahnya.

e. Menyediakan sarana dan prasarana yang menunjang prestasi peserta didik.

f. Mewujudkan pengelolaan yang mapan dan dipahami serta kegunaannya untuk pemilik pelayanan prima.

data.

g. Menjalin kemitraan dan komunikasi yang

2.3 Teknik Data mining

baik dengan masyarakat. Ada banyak jenis teknik analisa yang

h. Mewujudkan perangkat penilaian yang dapat digolongkan dalam da ta mining . Namun otentik.

ada tiga teknik

da ta mining yang popular,

i. Mewujudkan lingkungan yang ceria (ce rah, yaitu : r indang, indah, dan asri ) serta budaya bersih dan sehat.

1 . Associa tion Rule Mining Associa tion rule mining adalah teknik

a sosia tif Da ta mining adalah proses yang antara suatu kombinasi atribut. Contoh dari menggunakan teknik statistik, matematika, aturan

2.2 Pengertian Data Mining

mining untuk menemukan aturan

a sosia tif dari analisa pembelian di kecerdasan buatan, dan ma chine lea rning suatu pasar swalayan diketahui berapa besar

untuk mengekstraksi dan mengidentifikasi kemungkinan seorang pelanggan membeli roti informasi yang bermanfaat dan pengetahuan bersamaan dengan susu. Dengan pengetahuan yang terkait dari berbagai da ta ba se besar.

tersebut pemilik pasar swalayan dapat Menurut Gartner Group

penempatan barangnya atau adalah suatu proses menemukan hubungan merancang strategi pemasaran dengan yang berarti, pola, dan kecenderungan dengan memakai kupon diskon untuk kombinasi memeriksa dalam sekumpulan besar data yang barang tertentu. tersimpan dalam penyimpanan dengan

da ta mining mengatur

2. Klasifikasi

menggunakan teknik pengenalan pola seperti

proses untuk teknik statistik dan matematika.

Klasifikasi

adalah

menemukan model atau fungsi yang Da ta mining bukanlah suatu bidang yang menjelaskan atau membedakan konsep atau sama sekali baru. Salah satu kesulitan untuk kelas data, dengan tujuan untuk dapat mendefinisikan da ta mining adalah kenyataan memperkirakan kelas dari suatu objek yang bahwa

da ta mining mewarisi banyak aspek labelnya tidak diketahui. Model itu sendiri dan teknik dari bidang-bidang ilmu yang bisa berupa aturan “jika-maka”, berupa pohon sudah mapan terlebih dulu. Berawal dari keputusan, formula matematis atau neural

beberapa disiplin ilmu, da ta mining bertujuan network. untuk

Proses klasifikasi biasanya dibagi sehingga bisa menangani :

memperbaiki teknik

tradisional

menjadi dua fase : lea rning dan test . Pada fase

a. Jumlah data yang sangat besar lea rning , sebagian data yang telah diketahui

b. Dimensi data yang tinggi kelas datanya diumpankan untuk membentuk

c. Data yang heterogen dan model perkiraan. Kemudian pada fase test berbeda bersifat

model yang sudah terbentuk diuji dengan Menurut para ahli, da ta mining merupakan sebagian data lainnya untuk mengetahui sebuah analisa dari observasi data dalam akurasi dari model tsb. Bila akurasinya jumlah besar untuk menemukan hubungan mencukupi model ini dapat dipakai untuk yang tidak diketahui sebelumnya dan metode prediksi kelas data yang belum diketahui. baru untuk meringkas data agar mudah

3. Clustering

Berbeda dengan a ssocia tion rule mining Pendefinisian Data Elemen Dalam Kamus Data dan klasifikasi dimana kelas data telah Kamus data mendefinisikan data elemen dengan ditentukan sebelumnya, clustering melakukan cara : pengelompokan data tanpa berdasarkan kelas data tertentu. Bahkan cluster ing dapat dipakai

untuk memberikan la bel pada kelas data yang belum diketahui. Karena itu clustering sering 1. Menguraikan arti dari alur data dan data digolongkan sebagai metode unsupervised

store dalam DFD lea rning . Prinsip dari clustering adalah 2. Menguraikan komposisi paket data pada memaksimalkan kesamaan antar anggota satu

alur data ke dalam alur yang lebih kecil. kelas dan meminimumkan kesamaan antar

cluster . Clustering Table 2.1 Simbol-simbol Data Dictionary

dapat dilakukan pada data

yang memiliki beberapa atribut yang

Notasi

Arti

dipetakan sebagai ruang multidimensi .

Terdiri atas

Dan

Opsional (bias ada dan bias

2.4 Kamus Data (Data Dictionary) Memilih salah satu alternative

Pengulangan sebanyak n kali

Komentar

Kamus data merupakan Katalog Fakta

Identifikasi

tentang data dan kebutuhan informasi dari suatu

Pemisah alternative symbol [ ]

sistem informasi dengan mendefinisikan data yang mengalir pada sistem secara lengkap.

2.5 Desain Model Aplikasi

Fungsi dari kamus data adalah sebagai suatu Desain model dari aplikasi terdiri dari katalog yang menjelaskan lebih detail tentang

physical model dan logical model. Physical DFD yang mencakup proses, data flow & data

model dapat digambarkan dengan alir system. store.

Logical model dalam system informasi lebih menjelaskan kepada penggunaan bagaimana

Kamus data adalah suatu daftar data nantinya fungsi-fungsi di system informasi elemen yang terorganisir dengan definisi yang secara logika akan bekerja. Logical model dapat tetap dan sesuai dengan sistem, sehingga user digambarkan dengan DFD (Data Flow Diagram) dan analis sistem mempunyai

dan kamus data (Data Dictionary). Adapun pengertian yang sama tentang input, output dan penjelasan dari alat bantu dalam desain model komponen data store. Pembentukan kamus data adalah sebagai berikut : didasarkan pada alur data yang terdapat pada

1. Diagram Konteks (Context Diagram) DFD Alur data pada DFD bersifat global (hanya

Diagram konteks adalah sebuah diagram menunjukkan nama alur datanya tanpa

sederhana yang menggambarkan hubungan menunjukkan struktur dari alur data). Unutk

antara proses dan entity luarnya. Adapun menunjukkan struktur dari alur data secara rinci

symbol-simbol dalam diagram konteks maka dibentuklah kamus data.

seperti dijelaskan pada table dibawah ini.

Basis adalah markas atau tempat berkumpul, sedangkan data adalah fakta mengenai suatu objek. Basis data atau database

Table 2.2 Simbol-Simbol Context Diagram\ adalah penggunaan bersama dari data yang terhubung secara logis dan deskripsi dari data

yang dirancang untuk keperluan informasi dari suatu perusahaan. Dengan kata lain pengertian

Simbol Pengertian

Keterangan

Sistem

Menunjukan sistem

basis data dapat di artikan suatu kumpulan data yang dapat digambarkan sebagai aktifitas dari

luar sistem atau sumber

satu atau lebih suatu organisasi yang berelasi.

input dan output data

Dimana dua tujuan utama dari konsep database

Garis

Menunjukan arus data

adalah untuk memperkecil pengulangan data

aliran

antar simbol/proses

2. DFD (Data Flow Diagram) dapat mencapai independensi data. Independensi

atau duplikasi data (data redudansi) sehingga

DFD merupakan suatu model logika yang data adalah kemampuan untuk membuat

menggambarkan asal data dan tujuan data perubahan dalam struktur data tanpa membuat

yang keluar

perubahan suatu program dalam memproses menggambarkan penyimpanan data dan

sebuah data. Independensi data dilakukan proses yang mentransformasikan data. DFD

melalui penempatan spesifikasi data dalam menunjukkan hubungan antara data pada

tabel-tabel yang terpisah secara khusus dari system dan proses pada system. Beberapa

program-program (Fathansyah, 1999). symbol yang digunakan dalam DFD

diterangkan pada tabel di bawah ini.

2.6.1 Sistem Manajemen Basis Data

Table 2.3 Simbol-Simbol DFD (Data Flow Sistem Manajemen Basis-Data (Data Base

Diagram)

Management System / DBMS) adalah perangkat lunak sistem yang memungkinkan para pemakai

Simbol Pengertian

Keterangan

membuat, memelihara, mengontrol, dan meng-

Sistem

Menunjukan sistem

akses basis data dengan cara praktis dan efisien. DBMS dapat digunakan untuk meng-

Eksternal

Menunjukan bagian luar

akomodasikan berbagai macam pemakai yang

entity

sistem

atau sumber

input dan output data

memiliki kebutuhan akses yang berbeda-beda.

Garis

Menunjukan arus data

DBMS pada umumnya menyediakan fasilitas

aliran

antar simbol/proses

atau fitur-fitur yang memungkinkan data dapat

diakses dengan mudah, aman, dan cepat.

Storage

menyimpan arus data atau arsip seperti file

Beberapa fitur yang secara umum tersedia

transaksi, file induk

adalah:

atau file referensi dan lain-lain

a) Keamanan : DBMS menyediakan

sistem pengamanan data sehingga tidak

2.6 Basis Data dan Sistem Manajemen

mudah diakses oleh orang yang tidak

Basis Data

memiliki hak akses.

b) Independensi : DBMS menjamin Keunggulan DBMS antara lain sbb: independensi antara data dan program, data tidak bergantung pada program

b) Mengurangi duplikasi data atau data yang meng-akses-nya, karena struktur

redundancy

data-nya

c) Menjaga konsistensi dan integritas data kebutuhan informasi, bukan berdasarkan

dirancang

berdasarkan

d) Meningkatkan keamanan data struktur program. Sebaliknya program

e) Meningkatkan effisiensi dan effektivitas juga tidak bergantung pada data,

penggunaan data

sehingga walaupun struktur data diubah,

produktivitas para program tidak perlu berubah.

f) Meningkatkan

pengguna data

c) Konkruensi / data sharing : data dapat

g) Memudahkan pengguna dalam menggali diakses secara bersamaan oleh beberapa

informasi dari kumpulan data pengguna karena manajemen data

h) Meningkatkan pemeliharaan data melalui dilaksanakan oleh DBMS.

independensi data

d) Integritas : DBMS mengelola file-file

i) Meningkatkan pemakaian bersama dari data serta relasi-nya dengan tujuan agar

data

data selalu dalam keadaan valid dan j) Meningkatkan layanan backup dan konsisten

recovery data

e) Pemulihan : DBMS menyediakan k) Mengurangi konflik antar pengguna data fasilitas untuk memulihkan kembali file-

file data ke keadaan semula sebelum Kelemahan DBMS antara lain sbb: terjadi-nya kesalahan (error) atau

gangguan baik kesalahan perangkat keras a) Memerlukan suatu skill tertentu untuk maupun kegagalan perangkat lunak.

bisa melakukan administrasi dan

f) Kamus / katalog sistem : DBMS

manajemen

database agar dapat diperoleh struktur dan relasi data yang

menyediakan fasilitas kamus data atau

optimal

katalog sistem yang menjelaskan

b) Memerlukan kapasitas penyimpanan deskripsi dari field-field data yang

baik eksternal (disk) maupun internal terkandung dalam basisdata.

g) Perangkat Produktivitas : DBMS (memory) agar DBMS dapat bekerja menyediakan

sejumlah

perangkat

cepat dan efisien. produktivitas c) sehingga memudahkan Harga DBMS yang handal biasanya

para pengguna untuk menarik manfaat

sangat mahal

d) Kebutuhan akan sumber daya (resources) dari database, misalnya

report generator

biasanya cukup tinggi (pembangkit laporan) dan query

e) Konversi dari sistem lama ke sistem (pembangkit query / pencarian

generator

terkadang sangat mahal, informasi).

DBMS

disamping biaya pengadaan perangkat Sistem Manajemen Basis-Data(DBMS)memiliki

keras dan perangkat lunak, diperlukan berbagai keunggulan dibandingkan dengan

pula biaya pelatihan. pengelolaan data tanpa DBMS, walaupun tidak

f) Apabila DBMS gagal menjalankan terlepas dari beberapa kelemahan.

misinya maka tingkat kegagalan menjadi misinya maka tingkat kegagalan menjadi

d) menghapus data yang tidak diperlukan yang bergantung pada sistem ini.

(DELETE)

e) meng-urutkan data (SORT)

2.6.2 Bahasa DBMS

f) menghitung frekuensi data (COUNT)

g) mencari data (SEEK, FIND) Implementasi bahasa DBMS bervariasi

sesuai dengan variasi perusahaan yang DML dapat dibedakan atas dua macam, merancangnya, namun pada prinsipnya bahasa yaitu DML Prosedural dan DML Non-

ini bisa dikategorikan ke dalam tiga komponen Prosedural. Pada DML Prosedural ketika data bahasa, yaitu:

akan dimanipulasi maka perintah harus disertai dengan perintah-perintah bagaimana data

1. Data Definition/Decription Language diakses dari file database. Perintah DML (DDL)

Prosedural biasanya termuat dalam bahasa

2. Data Manipulation Language (DML) pemrograman tingkat tinggi (high level

3. Device Control Media Language programming language) seperti COBOL, C, (DCML)

C++ dan sebagainya. Pada DML non-Prosedural data dapat dimanipulasi langsung tanpa harus

DDL adalah komponen bahasa DBMS yang memerintahkan bagaimana data dibaca dari file. digunakan untuk mendefinisikan struktur data Perintah DML non-Prosedural biasanya antara lain perintah untuk membuat tabel baru

digunakan dalam bahasa-bahasa DBMS seperti (CREATE) dimana terdefinisi komponen/field

pada dBase, Access, Paradox, FoxPro, SQL, dan data dengan tipe dan panjangnya, mengubah

sebagainya.

index (INDEX, REINDEX) agar setiap rekord dalam satu file data dapat diakses melalui

DCML adalah komponen bahasa DBMS indeks-nya, mengubah struktur (MODIFY yang digunakan untuk mengatur perekaman atau

STRUCT) dari file data, dan sebagainya. penyimpanan data secara fisik. Komponen Komponen bahasa ini banyak digunakan oleh bahasa DCML digunakan oleh operator-operator para administrator basisdata pada saat sistem basisdata didalam mengatur file-file data merencanakan atau membangun file-file secara fisik. Perintah-perintah yang termuat basisdata. DML adalah komponen bahasa dalam komponen ini, antara lain perintah DBMS yang digunakan untuk memanipulasi perintah: merekam (Write Record, Create data, komponen ini diperlukan oleh para Table), menghapus (Drop, Delete Table). Secara pengguna untuk memanipulasi data, antara lain umum DBMS diartikan sebagai suatu program perintah-perintah untuk melakukan hal-hal komputer ang digunakan untuk memasukan, berikut ini:

mengubah, menghapus, memanipulasi, dan memperoleh data / informasi dengan praktis dan

a) mengambil data dari basisdata (LIST,

efisien.

DISPLAY)

b) menambah data kedalam basisdata

2.7 Software Aplikasi

(INSERT, APPEND) Software aplikasi terdiri atas program

c) meremajakan data yang ada dalam yang berdiri sendiri yang mampu mengatasi basisdata (UPDATE)

kebutuhan

bisnis

tertentu. Aplikasi tertentu. Aplikasi

Preprocessor atau PHP keputusan manajemen maupun teknik sebagai merupakan bahasa standar yang digunakan tambahan dalam aplikasi pemrosesan data dalam dunia web site. PHP adalah bahasa konvensional. Software aplikasi digunakan program yang berbentuk script yang diletakan untuk mengatur fungsi bisnis secara real time didalam server web. Dengan menggunakan PHP (pressman, 2005)

Hypertext

maka perawatan suatu situs web akan menjadi lebih mudah. PHP telah dicipta terutama untuk

kegunaan web dan boleh menghubungkan query XAMPP adalah aplikasi web server instan database. PHP sudah terbukti kemampuannya

2.7.1 Xampp

yang dibutuhkan untuk membangun aplikasi tergabung dengan berbagai macam jenis berbasis web. Fungsi XAMPP adalah sebagai database. Mulai dari Dbase, ODBC, MySQL, server yang berdiri sendiri (localhost), yang sampai ke Oracle. PHP mempunyai fungsi terdiri atas program Apache, http server, sendiri untuk mengakses semua jenis database MySQL, database, dan penterjemah bahasa yang tersebut. ditulis dengan bahasa pemrograman PHP dan

PHP merupakan produk open source yang Perl.

akan terus dikembangkan agar lebih sempurna dan tidak terbatas penggunaannya. PHP dibuat

a. Apache dari pengembangan CGI (Common Gateway

Apache merupakan web server yang paling Interface) yang dikembangkan dari Bahasa C

banyak digunakan saat ini. Hal ini disebabkan

(Nugroho Bunafit, 2009).

sifatnya yang open source dengan licensi GNU GPL dan mudah pengaturan serta penambahan

2.8 Implementasi dan Pengujian Unit

aplikasi Apache di http://www.apache .org.

b. HTML Pada tahap ini, perancangan perangkat

Hypertext Markup Language yang disingkat lunak direalisasikan sebagai serangkaian

menjadi HTML. HTML adalah sciprt dimana program atau unit program. Kemudian

kita bisa menampilkan informasi dan daya pengujian unit melibatkan verifikasi bahwa

kreasi lewat internet. HTML sendiri adalah setiap unit program memenuhi spesifikasinya

suatu dokument teks biasa yang mudah

(Sommerville, 2003).

dimengerti dibanding bahasa pemrograman lainnya.

Program

sebaiknya dirilis setelah

c. MySQL dikembangkan, diuji untuk memperbaiki MySQL Secara sederhana database dapat kesalahan yang ditemukan pada pengujian untuk

digunakan sebagai suatu pengorganisasian data menjamin kualitasnya. Terdapat dua metode dengan bantuan komputer yang memungkinkan pengujian yaitu : data dapat diakses dengan mudah dan cepat.

Pengertian akses dapat mencakup pemerolehan 1. Metode white box yaitu pengujian yang data maupun pemanipulasi data, seperti

berfokus pada logika internal software menambah dan menghapus.

( source code program).

2. Metode black box yaitu mengarahkan pengujian untuk menentukan kesalahan-

d. PHP kesalahan dan memastikan bahwa input d. PHP kesalahan dan memastikan bahwa input

a. Mengklasifikasi Data awal yang sesuai dengan hasil yang dibutuhkan.

(untuk mempermudahkan perhitungan). Pada tahap pengujian dengan melakukan

b. Pilih Atribut sebagai akar. black box yaitu menguji fungsionalitas dari

c. Buat cabang untuk tiap-tiap perangkat lunak saja tanpa harus

nilai.

mengetahui struktur internal program.

d. Bagi kasus dalam cabang. ( source code ).

e. Ulangi proses untuk setiap cabang

3. Dalam penlitian tugas akhir ini akan sampai semua kasus pada dicari nilai support dan confidence dari

cabang hubungan tingkat penilaian guru dengan

memiliki kelas data guru. Tidak semua data guru akan

yang sama. dicari hubungannya dengan data tingkat

Untuk memilih atribut sebagai akar, penilaian guru, hanya beberapa atribut didasarkan pada nilai gain tertinggi dari yang kira-kira berguna dan sebenarnya atribut-atribut yang ada. Untuk menghitung tidak terlalu acak. Karena data yang gain digunakan ,rumus seperti pada terlalu acak akan membuat proses persamaan berikut.

mining memakan waktu lama dan tingkat

hubungannya pun rendah. Data guru yang akan dicari hubungannya meliputi

Keterangan :

No, Nama Guru, NIP, Jabatan, Orientasi S : Himpunan kasus Pelayanan,

Integritas,

Komitmen,

A : Atribut

Disiplin, Kerjasama, Jam Mengajar, K : Jumlah Partisi Atribut A Sertifikasi, Status Kepegawaian, Ijazah |Si| : Jumlah kasus pada partisi ke-i dan hasil point beserta prediksi sebagai |S| : Jumlah Kasus dalam S outputannya.

Sementara itu, penghitungan nilai entropi dapat dilihat pada persamaan berikut.

3. METODE PENELITIAN ∑

3.1 Algoritma C4.5

Keterangan :

Algoritma C4.5 merupakan algoritma

S : Himpunan kasus

yang digunakan untuk membentuk pohon

K : Jumlah partisi S

keputusan. Sedang pohon keputusan dapat pj : Proporsi dari Si terhadap S diartikan suatu cara untuk memprediksi atau

mengklarifikasi yang sangat kuat.Pohon Rumus Split Info dan Gain Ratio adalah keputusan dapat membagi kumpulan data sebagai berikut:

yang besar menjadi himpunan-himpunan

record yang lebih kecil dengan menerapkan

serangkaian aturan keputusan.

Keterangan :

Secara umum algopritma C4.5 untuk |Si| : Jumlah kasus pada partisi ke-i

membangun pohon keputusan adalah sebagai |S| : Jumlah Kasus dalam S

berikut. dan

Tabel 3.1 data set contoh

6\ NAMA BID. AIAN LAIA

GURU N

STU ABSEN SISW

Drs. H.

4X 3 Keterangan:

FANA

NI TIDAK

tahun

Gain(Si) : nilai gain atribut

1 M,Pd I 3 HADIR BAIK

Split Info : nilai split info

THOHI TIDAK

tahun

3.2 Pohon Keputusan

2 R S.Ag 3 HADIR BAIK

S-1

15/06 H. /1973

Pohon keputusan merupakan metode

MOH.

3X (43

klasifikasi dan prediksi yang sangant kuat

NASUC TIDAK

tahun

3 HA 2 HADIR BAIK

dan terkenal. Metode pohon keputusan

mengubah fakta yang sangat besar menjadi

M. 8X KUR

2 pohon keputusan yang mempresentasikan

ARIFIN TIDAK ANG

tahun

4 S.Pd I 1 HADIR BAIK

S-1

aturan. Aturan dapat dengan mudah

dipahami dengan bahasa alami. Dan

H. 3X 4 mereka juga dapat diekspresikan dalam

MOH. TIDAK

tahun

5 ARIEF 1 HADIR BAIK

bentuk bahasa basis data seperti

Language untuk

MOH

1X 3 menncari record pada kategori tertentu.

MACHI

N S.Pd TIDAK

tahun

Pohon keputusan merupakan metode

6 I 2 HADIR BAIK

S-1

klasifikasi dan prediksi yang sangant kuat

HASA

1X 2 dan terkenal. Metode pohon keputusan

BISRI TIDAK

tahun

mengubah fakta yang sangat besar

7 S.Pd 1 HADIR BAIK

pohon keputusan yang

2X 8 mempresentasikan aturan. Aturan dapat

Drs. TIDAK

tahun

dengan mudah dipahami dengan bahasa

8 YUSUF 1 HADIR BAIK

S-1

alami. Dan mereka juga dapat

3X 7 diekpresikan dalam bentuk bahasa basis

Drs.

MAS'U TIDAK

tahun

data seperti Strutuctured Query Language

9 D M.Pd 1 HADIR BAIK

untuk menncari record pada kategori

Drs. H.

1X 7 tertentu. Pohon keputusan juga berguna

HASIB TIDAK

tahun

untuk mengeksplorasi data, menemukan

10 UN 1 HADIR BAIK

S-1

hubungan yang tersembunyi antara

Drs.

2X 7 sejumlah calon variable input dengan

NUR

SHOLI TIDAK

tahun

sebuah varibel target. Karena pohon

11 H 2 HADIR BAIK

keputusan memadukan antara ekplorasi

data dan pemodelan, dia sangat bagus

3X 6

ROHM TIDAK

tahun

sebagai langkah awal dalam proses

12 AN 2 HADIR BAIK

pemodelan bahkan ketika dijadikan sebagai

model akhir dari beberapa teknik lain.

NUR 2X SAN

SALIM TIDAK GAT

tahun

Sebuah pohon keputusan adalah sebuah

13 S.Pd I 5 HADIR BAIK

S-1

struktur yang dapat digunakan untuk

Dra. Hj.

Klasifikasi datanya sebagai berikut: dengan menerapkan serangkaian aturan keputusan.

Tabel 3.2 Data Klasifikasi Atribut rangkaian pembagian, anggota himpunan

Dengan

masing-masing

hasil menjadi mirip satu dengan yang lain. Klasifikasi

Bernilai 0 apabila “JML.BID.STUDI” <2

JML. BID.

Proses pohon keputusan adalah mengubah

STUDI

Bernilai 1 apabila “JML.BID.STUDI >=2

bentuk data (tabel) menjadi model pohon,

mengubah model pohon menjadi rule, dan Klasifikasi

Bernilai 0 jika “ABSENSI” >3

PENILAIAN

menyederhanakan rule (Basuki & Syarif,

ABSENSI

Bernilai 1 jika “ABSENSI” <=3

2003). Berikut gambar dari konsep dasar Pohon keputusan :

Bernilai 1 apabila “Kurang”

Klasifikasi PENILAIAN

Bernilai 2 apabila “Baik”

SISWA

Bernilai 3 apabila “Sangat Baik”

BERNILAI 1 BILA TMT 1-15 THN BERNILAI 2 BILA TMT 16-30 THN

Klasifikasi

TMT

BERNILAI 3 BILA TMT 31-45 THN

Gambar 3.1 Konsep Dasar Pohon Keputusan (Sumber: Defianti, Sofi., dan

Bernilai 1 apabila "status ijazah" MA/SLTA

Pardede, 2008)

Klasifikasi

Bernilai 2 apabila "status ijazah" S1

STATUS

Pohon keputusan dibentuk setalah

IJAZAH

Bernilai 3 apabila "status ijazah" S2

perhitungan dilakukan dan telah mengetahui nilai gain ratio pada atribut perhitungan.

Klasifikasi

Bernilai 0 jika STATUS (NUPTK) non-PNS

Untuk memudahkan penjelasan mengenai STATUS

(NUPTK)

Bernilai 1 jika STATUS (NUPTK) PNS

algoritma C4.5 dan pohon keputusan C4.5

berikut ini disertakaan contoh kasus yang Untuk Klasifikasi hasil Point dan Prediksi dituangkan dalam tabel berikut.

adalah sebagai berikut:

Tabel 2.13 Keputusan Penilain Guru MTs Jika Hasil Point > 8 maka Prediksi “YA”, darunnajah Kajeksan

dan

Jika Hasil point < = 8 maka prediksi Dalam kasus yang tertera pada data

“TIDAK”.

tabel di atas dari 14 data guru tersebut akan Dari ketetapan klasifikasi yang dibentuk, dibuat pohon keputusan untuk menentukan maka diperoleh hasil data yang terklasifikasi

kriteria penilaian guru masuk dalam prediksi sebagai berikut: ya atau tidak dengan melihat jml. Bid. studi,

penilaian absensi, penilaian siswa, TMT, satus

ijazah, dan status NUPTK.

Dari data awal pada tabel diatas maka

langkah yang harus diambil adalah dengan

mengklasifikasikan data tersebut agar lebih

Tabel 3.3 Data Kasus Ter-klasifikasi

\ Tabel 3.4 Entropi 1

JML. PENIL

NAMA BID. AIAN

PRE\

NO GURU

log2Pj -Pj.log2Pj UDI

ST ABSEN

Drs. H.

8 0,57 -0,81 0,46 ZAINUL

jumlah kasus "YA"

jumlah kasus

FANANI

6 0,43 -1,22 0,52 1 M,Pd I

jumlah kasus TOTAL

14 TOTAL 0,99

THOHIR 2 S.Ag

1 1 2 3 2 0 9 YA

H. MOH.

TID

Setelah mendapatkan entropi dari

3 NASUCHA

1 1 2 3 1 0 8 AK

M. ARIFIN

TID

keseluruhan kasus, lakukan analisis pada setiap

4 S.Pd I

0 0 1 3 2 0 6 AK

H. MOH.

TID

atribut dan nilai-nilainya dan hitung entropinya

5 ARIEF

0 1 2 3 1 0 7 AK

beserta hitung nilai Gainnya.

MOH

MACHIN 6 S.Pd I

1 1 2 3 2 0 9 YA

Perhitungan Entropi pada atribut JML.

HASAN BISRI

BID. STUDI

7 S.Pd

Entropi (JML. BID. STUDI – 0)

MAS’UD 9 M.Pd

0 1 2 2 3 1 9 YA

Entropi (JML. BID. STUDI – 1)

Drs. H. M.

Drs. NUR

ABDUL 12 ROHMAN

13 S.Pd I

1 1 3 2 2 0 9 YA

Perhitungan Gain pada atribut JML. BID.

Dra. Hj. LILIK

Gain (JML. BID. STUDI) =

14 DAYANI

0 0 1 2 2 1 6 AK

Setelah data awal telah terklasifikasi, Perhitungan Split Info: maka perhitungan bisa dilakukan, dan dapat

dipilih atribut mana yang akan menjadi dasar

akar pada pohon keputusan. Berikut Perhitunga Split Info atribut JML.BID.STUDI=

perhitungan datanya:

Perhitungan Entropi seluruh kasus

Perhitungan Gain Ratio:

Jadi Entropi (S)

= Perhitungan Gain Ratio Atribut \

JML.BID.STUDI=

Tabel 3.5 Entropi & Gain Setiap Atribut 1 menggunakan nilai entropi yang paling besar.

\ CABAN JUML

Untuk ke-dua unsur tersebut boleh di hitung

keduanya dan boleh di ambil salah satu yang

PENILA IAN

JML.BID.STU

Gambar 3.2 Root Dasar node 1

AH 14

Tabel 3.6 JML BID STUDI “0”

M IJAZ (NU POI PRED

AH PTK) NT IKSI JUML

M. AH 14 ARIFIN

TIDA

0 0 1 3 2 0 6 K 1 2 0 2 STATU 0,00

1 S.Pd I

TIDA IJAZAH

3 S.Pd

AH 14 Drs.

0 1 2 3 2 1 9 YA

TIDA STATU

0 1 2 2 3 1 9 YA JUML

5 D M.Pd

AH 14 Drs. H. M.

Catatan pencarian Entropi :

Dra. Hj. LILIK

1. Jika diantara kolom “YA” atau “TIDAK”

KUND

TIDA

0 0 1 2 2 1 6 ada yang bernilai nol(0), maka Entropinya K

7 AYANI

dipastikan bernilai nol(0). Perhitungan entropi seluruh kasus:

2. Jika diantara kolom “YA” atau “TIDAK” Tabel 3.7 Entropi 2

mempunyai nilai yang sama maka Entropinya dipastikan juga bernilai

satu(1). Pj.log2Pj

log2Pj

jumlah kasus "YA"

Setelah didapatkan hasil dari perhitungan

jumlah kasus

Gain ratio di atas maka, nilai Gain ratio tertinggi

ada pada atribut JML.BID.STUDI. Dari nilai

jumlah kasus

Gain ratio tertinggi tersebut, maka itulah yang entropi kasus

TOTAL

7 TOTAL 0,86

menjadi akarnya (root Node 1) . karena ke-dua

entropi dari atribut JML.BID.STUDI memiliki Perhitungan Entropi dan Gain disetiap nilai, maka harus di hitung ke-duaunsur atribut Atribut: tersebut. Tetapi root pohon keputusan diambil

Tabel 3.8 Entropi & Gain Setiap Atribut 2 menjadi akarnya (root Node 1.1) . karena ke-dua entropi dari atribut STAUS NUPTK yang

N O CAB

memiliki nilai ada pada unsur = "1", maka yang

JUML Y TIDA

gain ratio dihitung sebagai data training Node 1.2 adalah

E 1.1

atribut STATUS NUPTK = "1", dengan cara

memfilter data training sebelumnya.

N ABSE

2 JML.BID.S 1 0 1

JUML

AH 7 STATUS NUPTK

7 Gambar 2.4 Root node 1.1

A 3 0 0 0 0 Tabel 3.3 Filter STATUS NUPTK “1”

JUML AH 7 H

1 JM

PENI PENI

I ENSI

AN AH 7 BISRI

1 1 0 S.Pd

2 5 1 4 MAS' US 2 IJAZ

4 0 UD 8 2 2 M.Pd

Hj. 5 4 LILI

0 0 1 2 2 1 6 AK STAT

0 , 3 , ANI

8 Perhitungan entropi seluruh kasus: 7

Tabel 3.10 Entropi 3

TK)

log2Pj Pj.log2Pj JUML

jumlah AH 7 kasus "YA"

Setelah didapatkan hasil dari perhitungan jumlah

kasus

Gain ratio di atas maka, nilai Gain ratio tertinggi

ada pada atribut STATUS NUPTK. Dari nilai

jumlah kasus

entropi kasus

Gain ratio tertinggi tersebut, maka itulah yang

TOTAL

3 TOTAL 0,92

Perhitungan entropi dan Gain setiap atribut: ABSENSI memiliki ni lai “0”, maka perhitungan Tabel 3.11 Entropi & Gain Setiap Atribut 3

selesai.

Tabel 3.12 Filter JML. BID. STUDI “1”

PENI PENI

T IJA (N PO PRE PENI

M ZA UP IN DIK LAIA

PENI 1 1 0 1 1 dI 1 0 2 3 3 1 10 YA

2 S.Ag

Setelah didapatkan hasil dari perhitungan

Gain ratio di atas maka, nilai Gain ratio tertinggi

R SAL

ada pada atribut PENILAIAN ABSENSI. Dari

nilai Gain ratio tertinggi tersebut, maka itulah S.Pd

7 I 1 1 3 2 2 0 9 YA

yang menjadi akarnya (root Node 1.2) . karena

ke-dua entropi dari atribut PENILAIAN Perhitungan entropi seluruh kasus:\

Tabel 3.13 Entropi 4

KASUS FREK

log2Pj

Pj.log2Pj

Setelah didapatkan hasil dari perhitungan

jumlah kasus

Gain ratio di atas maka, nilai Gain ratio tertinggi

ada pada atribut PENILAIAN ABSENSI. Dari

jumlah kasus

nilai Gain ratio tertinggi tersebut, maka itulah

yang menjadi akarnya (root Node 1.2) . karena

jumlah kasus

ke-dua entropi dari atribut PENILAIAN

ABSENSI me miliki nilai “0”, maka perhitungan Perhitungan entropi dan Gain setiap atribut:

entropi kasus

Tabel 3.14 Entropi & Gain Setiap Atribut 4

A DA rop gain

JML.BID.ST

N STATUS

TIDAK YA

ML 7

AH TIDAK

1 0 0 0 Gambar 2.6 node akhir 0

0 0 SISW Tabel 3.15 Data Awal 5 1

Merupakan No urut pada JU

data

ML 7

AH Nama Guru

Nama

Guru yang bersangkutan

1 0 0 0 0,0 0 NIP

Nomor Induk Pegawai

Jabatan Guru

0 5 Orientasi Pelayanan

Nilai orientasi Guru

3 4 1 3 0,8 1 Integritas

Nilai integritas Guru JU

Nilai komitmen Guru ML

Komitmen

7 Disiplin

Nilai Disiplin Guru AH

Nilai Kerjasama Guru 1 1 0 1 STAT 0,0 0

Kerjasama

Mengajar mata US

Jam Mengajar

5 5 0 IJAZ pelajaran tatap muka 2 0 167 883 3 5 502 Sertifikasi Status sertifikasi Guru

AH 3 1 1 0 0,0

Status kepegawaian JU

0 Status Kepegawaian

Ijazah Guru ML

Ijazah

Hasil Jumlah output STAT

AH Hasil point

Prediksi

Prediksi output

(NUP

TK)

3.3 Diagram Konteks Aplikasi Penentu Kinerja Guru C4.5

a. Diagram Konteks Level 0

Gambar 3.4 Diagram Konteks Level 0

b. Diagram Konteks Level 1

Gambar 3.5 DFD (Data Flow Diagram) Level 1

3.4 Diagram ERD

Gambar 3.6 ERD

4. HASIL DAN PEMBAHASAN

4.1 Hasil Penelitian

Hasil penelitian sebagai berikut :

1. Sistem bisa menampilkan informasi tentang prediksi menentukan kelayakan kinerja guru dengan menggunakan metode data mining C4.5. Metode ini digunakan untuk menentukan keputusan prediksi kelayakan guru tersebut masuk dalam unsur YA (baik) atau TIDAK (tidak baik).

2. Sistem juga memproses perhitungan dengan menggunakan algoritma yang sudah dijelaskan pada bab sebelumnya. Data yang digunakan dalam tugas akhir ini merupakan data surve yang diperoleh dari SMP Negeri 1 Jabon Sidoarjo. Data merupakan data kategorikal dan tidak ada missing value pada data. Jumlah data yang digunakan sebanyak

47 data dalam

data Guru Data Hasil Kinerja

Aplikasi Menentukan Menggunakan Metode data kelayakan Kinerja Guru

Mining C45

Administrator

Guru

data user admin

[log in] dt root dan subtree

info data g uru

aksi kinerja dan penentu keputusan

cek hasil pohon keputusan

data klasifikasi keputusan

data perhitung an kinerja

[Data Hasil Kinerja] data hasil keputusan kinerja

data atribut penentu keputusan

data hasil keputusan

data user admin

dt atribut perhitung an data user admin

aksi proses mining

data hasil perhitung an

data semua perhitung an

dt hasil perhitungan

data root dan subtree

dt proses perhitung an

data rule c45

save dt rule c45 pohon keputusan

aksi data perhitung an

data rule perhitung an

data user Admin

data_g uru

data user Admin

[data Guru]

Administrator [Log In] Administrator

1.2 Data Guru

1 t_user

2 t_data_g uru

1.3

Proses Mining C45

3 t_rule_c45

4 t_atribut

5 t_mining _ c45

1.4

Perhitung an

6 t_rule_penentu_k eputusan

7 t_iterasi_c45

1.5 Keputusan C45 Pohon

8 t_pohon_keput usan_c45

9 t_data_keputusan

10 t_data_penentu_ keputusan

11 t_data_keputusan _kinerja

1.6

Penentu kinerja

Guru Keputusan Guru

mengg enerate

t_user id_user password

level

t_data_g uru

id no nip nama_g uru jabatan orientasi_pelayanan integ ritas komitmen disiplin

kerjasama jam_meng ajar sertifikasi status_kepeg awaian ijazah hasil_point class prediksi

t_atribut id atribut

nilai_atribut

t_rule_penentu_keputusan id id_rule

atribut nilai_atribut keputusan coco pohon

id t_mining _c45 atribut nilai_atribut jml_kasus_total

jml_kasus_tidak jml_kasus_ya entropi inf_g ain inf_g ain_temp split_info split_info_temp g ain_ratio

t_pohon_keputusan id atribut

nilai_atribut id_parent jml_kasus_tidak jml_kasus_ya keputusan diproses kondisi_atribut

looping_kondisi

t_data_keputusan id no

nip nama_g uru jabatan orientasi_pelayanan interg itas komitmen disiplin kerjasama jam_meng ajar sertifikasi status_kepeg awaian ijazah keputusan_c45 id_rule_c45

t_data_keputusan_kinerja id no

nip nama_g uru jabatan orientasi_pelayanan integ ritas komitmen disiplin kerjasama jam_meng ajar sertifikasi status_kepeg awaian ijazah keputusan_asli keputusan_c45 id_rule_c45

t_data_penentu_keputusan id atribut

niali_atribut

t_iterasi_c45 id iterasi

atribut_g ain_ratio_max atribut nilai_atribut jml_kasus_total jml_kasus_tidak jml_kasus_ya entropi inf_g ain split_info g ain_ratio

t_rule_c45 id id_parent

rule keputusan

implementasinya hal ini disesuaikan 7. Kemudian aturan keputusan di generate dengan jumlah banyak tenaga

mengikuti pohon yang telah dibentuk pendidik di SMP Negeri 1 Jabon.

sebelumnya.

Data dipecah menjadi dua bagian yaitu :

a. Data Training

4.2 Uji Coba Dan Implementasi Perancangan

: digunakan untuk

Sistem

membentuk pohon keputusan.

b. Pengujian merupakan langkah penting Data Testing : digunakan untuk uji yang harus dilakukan untuk mengetahui apakah

coba pada pohon yang telah sistem sesuai dengan rencana. Dimana hal

terbentuk guna menghitung nilai error rate

tersebut dapat diamati dari hasil-hasil yang

diperoleh selama pengujian sistem. Selain itu, Hasil penelitian ini dirangkai melalui pengujian bertujuan untuk mengetahui kelebihan beberapa proses untuk mengetahui hasilnya. dan kekurangan dari sistem yang telah dibuat. Berikut proses yang dihasilkan dari penelitian Hasil pengujian tersebut nantinya akan dianalisa ini :

untuk

mengetahui

penyebab terjadinya

1. Data Training dimasukan. Data training kekurangan sistem. merupakan data yang dimasukan telah

Untuk menguji hasilnya maka di perlukan memiliki kelas apakah Ya atau Tidak, hal adanya tahap implementasi program. Tahap ini bertujuan agar data training dapat implementasi program merupakan suatu tahapan digunakan

proses yang menerapkan semua desain sistem yang perbandingan. Data training juga dapat telah dibuat kedalam bentuk interface sehingga digunakan untuk membentuk pohon suatu software dapat di gunakan dengan mudah. keputusan.

adalah dengan

2. Hitung entropi, informasi gain, split info menjalankan Control Panel Xampp. Dimana dan gain ratio dari masing-masing atribut program aplikasi data mining menentukan Guru data training yang ada. Entropi, informasi terbaik menggunakan aplikasi dari Xampp. gain, split info dan gain ratio merupakan Dilihat dari gambar di bawah ini: bagian dari suatu perhitungan C4.5.

3. Buat simpul akar dari penelitian atribut yang memiliki gain ratio.

4. Hitung entropi, informasi gain, split info dan gain ratio dari masing-masing atribut dengan menghilangkan atribut yang telah dipilih sebelumnya.

5. Buat simpul internal dari pemilihan atribut

yang memiliki gain ratio terbesar. Gambar 4.1 Xampp Control Panel

6. Cek apakah semua atribut sudah dibentuk Untuk menjalakan Xampp maka yang

pada pohon. Jika belum, maka ulangi perlu di setting adalah dengan men- Start proses 4 dan 5, jika sudah maka lanjut

module Apache dan MySQL. pada proses berikutnya.

Untuk selanjutnya setalah Xampp control panel telah disetting, yaitu menjalankan aplikasi Untuk selanjutnya setalah Xampp control panel telah disetting, yaitu menjalankan aplikasi

pada “Localhost” . Untuk mengoperasikan

program ini akan dijelaskan pada sub pembahasan berikutnya.

4.3 Pembahasan

Sistem aplikasi data mining menentukan

kelayakan kinerja Guru C4.5 dapat di jalankan Gambar 4.3 Halaman Home di komputer yang sudah memiliki database.

Halaman Home berisikan menu-menu Untuk mengoperasikan program ini adalah yang akan dijalankan pada proses data mining

dengan membuka file index.php setelah itu akan dari input data guru samapai pohon keputusan. keluar tampilan form Login yang ditunjukkan Untuk lebih jelasnya menu menu yang ada akan pada gambar di bawah ini:

dijelaskan pada sub-sub pembahasan berikut ini:

4.3.1 Menu Data Guru

Pada menu data guru menampilkan form input data guru meliputi field-field yang harus diisi atau diinputkan. Field-field tersebut yaitu inputan dari : Nama Guru, NIP,Jabatan, Orientasi Pelayanan, Integritas, Komitmen,

Gambar 4.2 index.php Login Disiplin, kerjasama, Jam Mengajar, Status Log in administrator adalah proses untuk kepegawaian, Ijazah dan Status Data. mengakses aplikasi data mining menentukan

Guru terbaik C4.5 dengan memasukkan

username dan password User Admin. Username dan password yang dikenali form ini adalah username dan password terinput pada tabel user.

Selanjutnya adalah masukan username dan password yang telah ditentukan dan ada pada tabel user. Setelah itu akan klik bottom log in. akan munculan tampilan halaman Home aplikasi data mining menentukan kelayakan kinerja Guru C4.5. Halaman Home ini berisi menu-menu dari

aplikasi data mining menentukan kinerja Guru Gambar 4.4 Input Data Guru C4.5. tampilan halaman home ditunjukkan pada

Pada form ini user dapat menginputkan gambar di bawah ini :

APLIKASI UNTUK MENENTUKAN KELAYAKAN KINE