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
MA
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
MA
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
M.
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
HA
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
H.
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
MA
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
NU
Gain ratio di atas maka, nilai Gain ratio tertinggi
R SAL
ada pada atribut PENILAIAN ABSENSI. Dari
IM
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
ML
AH
KASUS FREK
Pj
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
JU
ML 7
AH TIDAK
YA
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
US
(NUP
TK)
JU
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
log in
data Guru Data Hasil Kinerja
Log In
Aplikasi Menentukan Menggunakan Metode data kelayakan Kinerja Guru
Mining C45
Administrator
Guru
data user admin
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 :