SISTEM REKOMENDASI PENJURUSAN PADA JENJANG MENENGAH ATAS MENGGUNAKAN ALGORITMA C45.

SKRIPSI

Diajukan untuk Memenuhi Sebagian dari Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Ilmu Komputer

Oleh:

Fachri 0902041

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA

Oleh Fachri 0902041

Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam

© Fachri 2014

Universitas Pendidikan Indonesia Juni 2014

Hak Cipta dilindungi undang-undang.

Skripsi ini tidak boleh diperbanyak seluruhya atau sebagian, dengan dicetak ulang, difoto kopi, atau cara lainnya tanpa ijin dari penulis.

ABSTRAK ... ii

ABSTRACT ... iii

KATA PENGANTAR ... iv

UCAPAN TERIMA KASIH ... v

DAFTAR ISI ... vii

DAFTAR TABEL ... ix

DAFTAR GAMBAR ... x

BAB I PENDAHULUAN ... 1

A. Latar Belakang ... 1

B. Rumusan Masalah ... 7

C. Batasan Masalah ... 7

D. Tujuan Penelitian... 8

E. Metodologi Penelitian ... 9

F. Sistematika Penulisan ... 11

BAB II TIJAUAN PUSTAKA ... 13

A. Data Mining ... 13

B. Decision Tree... 19

C. Algoritma C45 ... 21

BAB III METODOLOGI PENELITIAN... 24

2. Bahan Penelitian... 50

3. Metode Penelitian... 51

a. Proses Pengumpulan Data ... 51

b. Metode Pengembangan Perangkat Lunak ... 52

BAB IV HASIL PENELITIAN DAN PEMBAHASAN ... 54

A. Hasil Penelitian ... 54

1. Analisis Masalah ... 54

2. Proses Pengumpulan Data ... 55

B. Pembahasan ... 57

BAB V KESIMPULAN DAN SARAN ... 84

A. Kesimpulan ... 84

B. Saran ... 84

DAFTAR PUSTAKA ... 86

LAMPIRAN ... 89

Tabel 3.1 Contoh kasus data kuantitatif ... 30

Tabel 3.2 Contoh kasus data kualitatif ... 32

Tabel 3.3 Hasil Perhitungan ke-1 Contoh Kasus ... 39

Tabel 3.4 Hasil Perhitungan ke-2 Contoh Kasus ... 45

Tabel 3.5 Hasil Perhitungan ke-3 Contoh Kasus ... 47

Tabel 3.6 Hasil Perhitungan ke-4 Contoh Kasus ... 48

Tabel 4.1 Tabel Atribut Data Klasifikasi ... 58

Tabel 4.2 Aturan Pohon Keputusan ... 78

Gambar 1.1 Proses Penjurusan MAN 3 Cirebon ... 3

Gambar 3.1 Disain Penelitian ... 24

Gambar 3.2 Contoh gambar pohon keputusan ... 29

Gambar 3.3 Contoh kasus pembentukan ke-1 pohon keputusan ... 40

Gambar 3.4 Contoh kasus pembentukan ke-2 pohon keputusan ... 46

Gambar 3.5 Contoh kasus pembentukan ke-3 pohon keputusan ... 48

Gambar 3.6 Contoh kasus pembentukan ke-4 pohon keputusan ... 49

Gambar 4.1 Tahap ke-1 Pembentukan Pohon Keputusan ... 67

Gambar 4.2 Tahap ke-2 Pembentukan Pohon Keputusan ... 72

Gambar 4.3 Tahap ke-3 Pembentukan Pohon Keputusan ... 76

Gambar 4.4 Pohon Keputusan Bagian ke-1 ... 76

Gambar 4.5 Pohon Keputusan Bagian ke-2 ... 77

ABSTRAK

Sistem Rekomendasi Penjurusan merupakan suatu sistem yang bertujuan untuk memberikan rekomendasi penjurusan IPA atau IPS kepada para siswa agar sesuai kemampuannya. Selain itu, dengan adanya sistem ini proses penjurusan menjadi lebih efektif, dan efisien. Sistem ini juga memudahkan guru BK dalam mengolah hasil penjurusan. Algortima C45 adalah algortima yang berfungsi untuk membuat keputusan, berbentuk pohon (tree). Cara kerja algoritma ini adalah dengan mengolah data yang ada, sehingga didapatkan simpul terpilih, kemudian simpul terpilih itu menjadi rule atau aturan agar dapat memberikan rekomendasi penjurusan yang sesuai. Simpul terpilih berasal dari atribut-atribut yang berpengaruh dalam proses penjurusan. Karena atribut-atribut penjurusan seperti nilai akademik, hasil psikotes, minat, dan bakat jika dijadikan struktur pohon akan memudahkan dalam membuat sebuah sistem pendukung keputusan. Berdasarkan hasil penelitian yang dilakukan, algoritma C45 dapat diterapkan pada sebuah sistem rekomendasi penjurusan, kemudian akurasi dari sistem ini adalah 79,4 % sesuai dalam pemilihan jurusan. Sedangkan 20,6% tidak sesuai dalam pemilihan jurusan.

MAJORS RECOMMENDATION SYSTEM AT THE HIGH LEVEL USING C45 ALGORIITM

Fachri, 0902041, fachri@student.upi.edu ABSTRACT

Majors recommendation system is a system that aims to provide recommendations or Social Science majors to students to match his ability. In addition, with this system the majors to be more effective, and efficient. This system also allows teachers BK majors in processing results.C45 algorithms are algorithms that serve to make the decisions, shape the tree. The workings of this algorithm is to process data in order to extract the selected node, then the selected node into a rule or rules to be about providing appropriate majors recommendations. Derived from the selected node attributes are influential in the majors. Because of these attributes such as values of academic majors, psychological test results, interests, and talents if used as a tree structure will facilitate in making a decision support system.Based on the results of the study conducted by researchers, C45 algorithm can be applied to a system recommendation majors, then the accuracy of the system is 79.4% according to the selection of majors. While 20.6% are not appropriate in the selection of majors.

A. Latar Belakang

Sekolah Menengah Atas (SMA) merupakan jenjang pendidikan menengah yang mengutamakan penyiapan siswa untuk melanjutkan pendidikan yang lebih tinggi dengan pengkhususan. (Depdiknas, 2004:112).

Perwujudan pengkhususan tersebut berupa dilaksananakan penjurusan dimulai di kelas XI (sebelas), yakni, penjurusan pada Ilmu Pengetahuan Alam (IPA), Ilmu Pengetahuan Sosial (IPS), dan Bahasa yang mulai diterapkan pada siswa SMA kelas XI tahun pelajaran 2005/2006. Penjurusan adalah merupakan suatu proses penempatan dalam pemilihan program studi para siswa (Ruslan,1986:13).

Tujuan dari penjurusan (Ruslan, 1986:14), yaitu

1. Mengelompokkan para siswa yang mempunyai kecakapan, kemampuan, bakat dan minat yang relatif sama.

2. Membantu mempersiapkan para siswa dalam melanjutkan studi dan memilih dunia kerjanya.

3. Membantu meramalkan keberhasilan untuk mencapai prestasi yang baik dalam kelanjutan studi dan dunia kerjanya.

4. Membantu memperkokoh keberhasilan, dan kecocokan atas prestasi yang akan dicapai di waktu mendatang (kelanjutan studi dan dunia kerja).

Penentuan penjurusan ditetapkan pada akhir semester II kelas X. Pelaksanaan program studi dimulai dari semester I kelas XI. Penjurusan program studi didasarkan pada (Retno, 2005 : 36) :

1. Kemampuan akademik 2. Minat siswa

3. Hasil psikotes dan masukan guru bimbingan dan konseling.

Mata pelajaran yang menjadi ciri khas program studi IPA yaitu mata pelajaran Matematika, Fisika, Kimia, dan Biologi harus mencapai nilai ketuntasan minimum (KKM), sedangkan yang menjadi ciri khas program studi IPS yaitu mata pelajaran Sejarah, Ekonomi, Geografi, dan Sosiologi harus mencapai nilai ketuntasan minimum (KKM), kemudian untuk program studi Bahasa yang menjadi ciri khas yaitu mata pelajaran Bahasa Indonesia dan Bahasa Inggris (Retno, 2005 : 36).

Menurut guru BK di MAN 3 Cirebon syarat untuk memasuki program IPA atau IPS:

1. Naik kelas

2. Nilai setiap mata pelajaran jurusan/program IPA/IPS mencapai nilai ≥ KKM (lebih dari atau sama dengan kkm)

3. Hasil angket minat 4. Hasil psikotes

Menurut guru Bimbingan Konseling (BK) MAN 3 Cirebon juga pihak yang berperan dalam proses pelaksanaan penjurusan di Sekolah, yaitu guru BK, Siswa, dan Orang tua siswa. Tanpa adanya pihak tersebut, maka penjurusan akan sulit untuk terlaksana. Guru BK berperan dalam mengarahkan siswa dalam menjuruskan siswa ketika siswa mengalami kebingungan memilih jurusan apa, guru BK ini memberikan pertimbangan beberapa jurusan yang ada agar siswa memiliki pencerahan tentang jurusan yang akan dipilih. Siswa berperan sebagai objek penjurusan, sedangkan orang tua siswa berperan sebagai orang yang memberi nasihat terhadap siswa agar sesuai dengan cita-cita yang diharapkan siswa tersebut terhadap proses penjurusan.

Berikut ini merupakan gambaran proses penjurusan pada jenjang menengah atas :

Gambar 1.1 Proses Penjurusan MAN 3 Cirebon

Psikotes

Angket Minat Data Nilai

Hasil Penjurusan Siswa Guru BK

Orang Tua Siswa 1

2 3

4

Keterangan :

1. Proses pengumpulan data angket minat siswa kepada guru BK 2. Proses pengumpulan data hasil psikotes kepada guru BK, data

hasil psikotes diantaranya ada nilai IQ siswa dan bakat siswa pada jurusan apa.

3. Proses pengumpulan data nilai akademik kepada guru BK, data nilai akademik yang dikumpulkan adalah nilai IPA, IPS, dan bahasa.

4. Setelah proses 1 sampai proses 3 dilakukan selanjutnya adalah proses pengolahan semua data yang terkumpul untuk diproses, kemudian setelah diproses akan keluar hasilnya berupa hasil penjurusan siswa.

5. Hasil penjurusan siswa tersebut selanjutnya disampaikan kepada orang tua siswa dan siswa itu sendiri agar dapat mengetahuinya.

Namun ada masalah setelah proses penjurusan dilaksanakan, tidak sedikit siswa yang meminta pindah ke jurusan lain, karena setelah dilaksanakan proses belajar mengajar, siswa merasa jurusan yang telah ditentukan tidak cocok dengan minat dan kemampuannya. Siswa tersebut tidak bisa memahami dan menerima materi mata pelajaran dengan baik yang ada pada jurusan tersebut. Bahkan ketika seorang siswa sudah dimasukkan kejurusan IPA atau IPS, malah nilai IPA atau IPS siswa

tersebut mengalami penurunan. Siswa yang meminta pindah jurusan merupakan sebuah masalah bagi siswa dan sekolah itu sendiri, karena siswa akan tertinggal pelajaran dijurusan pindahannya itu, selain itu sekolah juga mengalami masalah karena komposisi kelas menjadi berubah.

Selain itu, ada juga masalah lain yaitu pengolahan data yang dilakukan guru BK MAN 3 Cirebon masih menggunakan sistem manual, Data yang terkumpul ditulis kembali dalam kertas lain, lalu data siswa yang sudah ditulis kembali dijuruskan oleh guru BK, kemudian baru dimasukkan kedalam excel, dengan hal ini menjadikan guru BK MAN 3 Cirebon membutuhkan waktu yang lebih lama untuk mengolah data nilai, data hasil psikotes, minat dan bakat siswa.

Untuk menyelesaikan masalah penjurusan tersebut perlu dibuat suatu sistem pendukung keputusan yang berfungsi untuk memberikan rekomendasi penjurusan kepada siswa agar dapat membantu para siswa dalam proses penjurusan. Sistem pendukung keputusan adalah Sistem pendukung keputusan (Decision Support System disingkat DSS) adalah bagian dari sistem informasi berbasis komputer, termasuk sistem berbasis pengetahuan (manajemen pengetahuan) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan (Dina, 2010 : 147).

Dalam penerapan sistem pendukung keputusan terhadap masalah penjurusan, sebelumnya sudah ada penelitian yang dilakukan dengan metode fuzzy logic dan metode weight product. Menurut (Kania, 2010 : 77) metode weight product kurang efektif untuk layanan BK karena nilai yang dihasilkan tidak mengacu kepada kebijakan sekolah. Sedangkan menurut (Selamet, 2011 : 82) metode fuzzy logic dengan analisis multiple intelligence ini menjadikan proses penjurusan menjadi komprehensif karena lebih mempertimbangkan aspek dari kecerdasan siswa sehingga siswa dapat belajar sesuai dengan minat dan bakatnya, namun prosesnya menjadi lebih lama karena sekolah harus mengadakan tes multiple intelligence kepada para siswa, dan membutuhkan waktu lebih lama untuk mengolah data hasil tes multiple intellegence.

Dalam penelitian ini algoritma yang digunakan algoritma C45. Algortima C45 adalah algortima yang berfungsi untuk membuat keputusan, berbentuk pohon (tree).

Algoritma ini mengolah data yang ada untuk mendapatkan sebuah rule atau aturan agar dapat ditentukan keputusan yang sesuai untuk siswa dalam memilih jurusan. Atribut penjurusan seperti nilai akademik, hasil psikotes, minat dan bakat sangat mudah jika dijadikan struktur pohon dan nantinya akan memudahkan juga dalam membuat sebuah sistem pendukung keputusan.

Cara kerja metode ini adalah melakukan proses terhadap data masa lalu yang sudah dimanfaatkan agar dapat diperoleh manfaat lain dari data tersebut. Apabila dihubungkan dengan masalah penjurusan, jadi nantinya metode ini akan memproses atribut-atribut seperti nilai akademik, hasil psikotes, minat dan bakat yang sudah digunakan guru BK sebelumnya dalam menjuruskan siswa agar dapat sebuah pengetahuan dan manfaat lain berupa pola penjurusan yang benar dan sesuai dari data tersebut.

B. Rumusan Masalah

Beberapa rumusan masalah yang akan dibahas pada penelitian mengenai sistem rekomendasi penjurusan IPA dan IPS menggunakan algoritma C45 diantaranya sebagai berikut:

1. Apakah algoritma C45 dapat memecahkan masalah penentuan jurusan dalam bentuk sistem rekomendasi ?

2. Bagaimana tingkat akurasi sistem penjurusan menggunakan algoritma C45?

C. Batasan Masalah

Adapun batasan masalah yang ada pada penelitian ini adalah :

1. Sistem penjurusan ini hanya untuk jenjang menengah atas, yaitu khususnya Madrasah Aliyah Negeri (MAN).

3. Sistem penjurusan ini hanya untuk 2 jurusan yang tersedia yaitu, IPA dan IPS.

4. Data-data yang akan diproses menjadi sebuah pola klasifikasi data mining adalah data-data siswa kelas XI dan XII sebelum mengalami penjurusan.

5. Data-data nilai yang diproses adalah nilai Matematika, Fisika, Kimia, Biologi, Sejarah, Geografi, Ekonomi dan Sosiologi.

6. Selain data nilai, yang akan diproses adalah data hasil psikotes siswa berupa nilai IQ siswa dan Bakat, serta minat siswa sesuai keinginannya.

D. Tujuan Penelitian

Tujuan dari dilakukannya penelitian mengenai sistem rekomendasi penjurusan IPA dan IPS dengan menggunakan algoritma C45 ini adalah :

1. Untuk menciptakan suatu produk sistem pakar berupa perangkat lunak yang dapat merekomendasikan jurusan di Madrasah Aliyah Negeri (MAN) 3 Cirebon.

E. Metodologi Penelitian

Metode-metode yang digunakan pada penelitian ini adalah sebagai berikut:

1. Metode Pengumpulan Data

a. Kajian pustaka

Kajian pustaka dilakukan dengan mengumpulkan data-data baik dari buku bacaan maupun artikel-artikel yang berasal dari internet yang berkaitan dengan algoritma C45 dan juga mengenai sistematika penjurusan pada jenjang menengah atas.

b. Tinjauan Lapangan/Observasi

Observasi yang dilakukan adalah berupa teknik wawancara untuk mengumpulkan data yang mendukung penelitian. Pada penelitian ini, wawancara dilakukan kepada guru atau pihak sekolah yang bertugas untuk menjuruskan siswa dalam hal ini wawancara dikhususkan kepada guru BK yang bersangkutan pada sekolah tersebut.

2. Metode Pengembangan Perangkat Lunak

Metode yang akan digunakan dalam pembangunan perangkat lunak ini adalah model sekuensial linier (waterfall). Model sekuensial linier meliputi aktivitas sebagai berikut:

a. Rekayasa dan Pemodelan Sistem Informasi

Investigasi dilakukan untuk menentukan apakah terjadi suatu masalah atau adakah peluang suatu sistem informasi dikembangkan.

b. Analisis Kebutuhan Perangkat Lunak

Tahap pemahaman kebutuhan user terhadap sistem oleh analis yang kemudian semuanya akan dibuat dalam bentuk dokumen yang dapat dimengerti oleh user.

c. Desain

Tahap ini bertujuan untuk memberikan gambaran apa yang harus dikerjakan saat coding nanti. Selain itu di tahap ini kita menentukan interface dari perangkat lunak yang telah dirancang, kebutuhan hardware yang digunakan untuk jalannya sistem, serta kebutuhan data yang direpresentasikan dalam file dan database.

d. Coding

Tahap penerjemahan data atau pemecahan masalah yang telah dirancang ke dalam bahasa pemrograman tertentu.

e. Testing

Merupakan tahap pengujian terhadap perangkat lunak yang dibangun.

f. Maintenance

Tahap akhir dimana suatu perangkat lunak yang sudah selesai dapat mengalami perubahan-perubahan atau penambahan sesuai kebutuhan.

F. Sistematika Penulisan

Sistem Penulisan skripsi ini adalah sebagai berikut:

BAB I PENDAHULUAN

Bab ini berisi alasan dilakukannya penelitian, rumusan masalah yang akan diselesaikan, batasan masalah, tujuan, metode penelitian yang digunakan dan objek sampel penelitian.

BAB II KAJIAN PUSTAKA

Bab ini menjelasakan teori-teori yang digunakan dalam penelitian ini diantaranya data mining, decision tree, dan algoritma C45.

BAB III METODOLOGI PENELITIAN

Bab ini menjelaskan langkah-langkah penyelesaian masalah yang terdiri dari penjelasan lebih detil mengenai masalah yang diteliti, pohon keputusan menggunakan algoritma C45, dan implementasi model pohon keputusan algoritma C45 untuk sistem penjurusan pada jenjang mengengah atas.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Bab ini berisi studi kasus yang diteliti, pembangunan perangkat lunak, hasil penelitian dan pembahasan hasil.

BAB V KESIMPULAN DAN SARAN

Bab ini berisi jawaban atas rumusan masalah dan saran untuk penelitian selanjutnya.

A. Desain Penelitian

Gambar 3.1 berikut ini merupakan desain penelitian yang akan digunakan pada proses rekomendasi penjurusan pada jenjang menengah atas.

Gambar 3.1 Disain penelitian

Proses KDD 1. Data Selection 2. Data Cleaning 3. Transformasi

4. Data Mining

5. Evaluasi

1. Menentukan data yang akan digunakan 2. Mengumpulkan data yang dibutuhkan 3. Menyiapkan alat dan bahan

Merumuskan Masalah

Pembangunan Perangkat Lunak 1. Analisis

2. Desain 3. Coding 4. Pengujian

Dokumentasi Studi Kepustakaan :

Sistem Penjurusan dan Algoritma C45

Observasi

Proses Algoritma C45 Pembentukan Model

Decision tree

Di bawah ini merupakan penjelasan dari desain penelitian:

1. Merumuskan masalah, merupakan dasar pemikiran dari penelitian. Rumusan masalah dari penelitian ini:

a. Apakah algoritma C45 dapat memecahan masalah penentuan jurusan dalam bentuk sistem rekomendasi keputusan?

b. Bagaimana tingkat akurasi sistem penjurusan menggunakan algoritma C45?

2. Menentukan data yang dibutuhkan

Setelah merumuskan masalah, langkah selanjutnya adalah menentukan data yang dibutuhkan. Data yang dibutuhkan adalah data yang berpengaruh dalam penjurusan siswa, data tersebut yaitu

a. Data nilai akademik siswa sebelum dan sesudah penjurusan. Data nilai akademik sebelum penjurusan yang dibutuhkan adalah data nilai mata pelajaran Matematika, Fisika, Biologi, Kimia, Geografi, Sejarah, Ekonomi, dan Sosiologi. Namun data setelah penjurusan adalah mata pelajaran tergantung jurusan terntentu, jika siswa jurusan IPA, maka hanya Fisika, Biologi, Kimia, dan Matematika saja, kemudian jika siswa jurusan IPS, maka hanya Geografi, Sejarah, Ekonomi, dan Sosiologi.

b. Data hasil psikotes

Hasil keluaran dari psikotes siswa adalah nilai IQ siswa tersebut dan menjadikan nilai IQ sebagai bahan pertimbangan pada proses penjurusan.

c. Data bakat siswa

Data ini juga merupakan hasil keluaran dari psikotes selain nilai IQ, jadi yang menjadi keluarannya adalah rekomendasi penempatan siswa pada jurusan IPA atau IPS.

d. Data minat siswa terhadap jurusan

Data ini didapat dari angket yang disebar oleh guru BK sebelum proses penjurusan siswa berlangsung di Sekolah. Hasil keluarannya adalah siswa ingin masuk pada jurusan IPA atau IPS.

Jadi, data yang dibutuhkan adalah data nilai mata pelajaran Matematika, Fisika, Kimia, Biologi, Georafi, Sejarah, Ekonomi, dan Sosiologi, Data hasil psikotes yaitu nilai IQ dan Bakat. Serta data minat keinginan siswa juga dibutuhkan dalam proses penjurusan.

3. Mengumpulkan data yang dibutuhkan

Data yang telah ditentukan pada langkah sebelumnya kemudian dikumpulkan dengan tahap observasi langsung ke Sekolah. Setelah data terkumpul, data tersebut dapat diproses untuk tahap selanjutnya.

4. Mempersiapkan alat dan bahan penelitian

Mempersiapkan alat dan bahan penelitian. Alat yang dipersiapkan berupa perangkat keras dan perangkat lunak yang menunjang pembuatan sistem. Dan bahan penelitian adalah data-data yang sudah

diproses yang kemudian diimplementasikan/diolah menjadi program. Alat dan bahan ini akan dibahas pada bab selanjutnya.

5. Studi kepustakaan, merupakan tahapan mengumpulkan data-data baik dari buku bacaan, jurnal, maupun artikel-artikel yang berasal dari internet yang berkaitan dengan algoritma C45 dan juga sistematika penjurusan pada jenjang menengah atas.

6. Observasi adalah tahapan untuk mengumpulkan data-data penelitian langsung ke Sekolah. Tahap dilakukan dalam obervasi ini adalah wawancara kepada pihak sekolah yang bertugas untuk menjuruskan siswa, dalam hal ini adalah guru BK MAN 3 Cirebon.

7. Data penelitan merupakan bahan acuan yang dibutuhkan untuk melakukan perancangan dan pembuatan perangkat lunak. Data penelitian didapat dari tahapan-tahapan sebelumnya yaitu tahap merumuskan masalah, menentukan data yang akan digunakan, mengumpulkan data yang dibutuhkan, menyiapkan alat dan bahan, observasi dan studi kepustakaan. Setelah tahapan-tahapan tersebut dilaksanakan maka akan didapatkan data penelitian untuk selanjutnya diproses pada tahap proses Knowledge Discovery in Database (KDD). 8. Proses Knowledge Discovery in Database KDD

a. Data Selection (Pemilihan Data)

Proses pemilihan data yang dilakukan adalah dengan memilih data penelitian yang akan diproses dalam proses data mining.

Pada proses ini dipilih mana yang akan menjadi data training dan data testing.

b. Data Cleaning (Pembersihan Data)

Seteah data dipilih, kemudian proses pembersihan data untuk menghilangkan duplikasi data, menghilangkan kesalahan pada data seperti salah cetak (tipografi).

c. Tranformasi Data

Tahap ini merupakan tahap untuk mengubah bentuk data, pada penelitian ini, data penelitan yang diubah adalah data yang masih berupa angka (kuantitatif) menjadi data berupa kategori (kualitatif).

d. Data Mining

Tahap ini merupakan tahap untuk menemukan pola pohon keputusan yang sesuai dari data training, pada tahap ini algoritma C45 bekerja untuk membentuk pola pohon keputusan. Untuk membentuk model pohon keputusan dari data training, tentukan dulu simpul terpilih, yaitu dengan menghitung nilai information gain dari masing-masing atribut. Atribut-atributnya yaitu data penelitian yang sudah dikumpulkan seperti nilai Matematika, Kimia, Fisika, Biologi, Geografi, Sejarah, Ekonomi, Sosiologi, nilai IQ, Bakat, dan Minat siswa pada jurusan tertentu. Simpul yang terpilih nantinya dibagi menjadi simpul akar, simpul internal, dan simpul daun.

Dapat digambarkan seperti gambar berikut:

Gambar 3.2 Contoh gambar pohon keputusan

e. Interptretation/Evaluation

Tahap ini adalah tahap pemeriksaan kesesuaian pohon keputusan yang terbentuk dengan menggunakan algoritma C45 tersebut.

Contoh kasus untuk membentuk pohon keputusan:

Tabel 3.1 merupakan tabel data training untuk contoh kasus proses pembentukan pohon keputusan. Data tabel 3.1 masih belum mengalami proses transformasi data.

Simpul Akar

Simpul Internal Simpul Daun

Tabel 3.1 Contoh kasus data kuantitatif

Setelah mengalami proses transformasi data, data yang masih berupa angka (kuantitatif) pada tabel 3.1 akan mengalami perubahan data menjadi berupa kategori (kualitatif). Ketika data mengalami perubahan menjadi kualitatif terdapat nilai interval untuk kategorinya, rumus untuk menentukan interval yaitu (Romandhon, 2014:87)

Bersarkan rumus diatas, maka untuk menghitung interval atribut IQ adalah sebagai berikut:

No Minat IQ Bakat Pelajaran Jurusan

1 IPA 94 IPS 70 IPA

2 IPA 113 IPA 70 IPA

3 IPA 98 IPS 70 IPS

4 IPA 102 IPS 75 IPS

5 IPA 91 IPA 73 IPA

6 IPA 94 IPS 75 IPS

7 IPS 86 IPS 75 IPS

8 IPS 113 IPA 75 IPA

9 IPS 94 IPS 70 IPS

Nilai terendah = 113 Nilai tertinggi = 86 Total kategori = 3

Jadi interval untuk nilai atribut IQ adalah 9, maka rentang kategorinya adalah sebagai berikut:

Nilai 86 – 95 = kurang Nilai 96 – 104 = cukup Nilai 105 – 113 = lebih

Kemudian untuk menghitung interval atribut pelajaran adalah sebagai berikut:

Nilai terendah = 75 Nilai tertinggi = 70 Total kategori = 3

Jadi interval untuk nilai atribut pelajaran adalah 1,7 maka rentang kategorinya adalah sebagai berikut:

Nilai 70 – 71.7 = kurang Nilai 71.8 – 73.4 = cukup Nilai 73.5 – 75 = Lebih

Setelah mengalami proses transformasi maka data training akan menjadi seperti tabel 3.2:

Tabel 3.2 Contoh kasus data kualitatif

Langkah selanjutnya adalah menentukan simpul terpilih dari data training tabel 3.2, yaitu dengan cara:

a. Menghitung nilai information gain dengan rumus seperti di bawah ini:

J : jurusan

A : atribut

I jurusan : jumlah nilai informasi dari tujuan klasifikasi

No Minat IQ Bakat Pelajaran Jurusan

1 IPA Kurang IPS Kurang IPA

2 IPA Lebih IPA Kurang IPA

3 IPA Cukup IPS Kurang IPS

4 IPA Cukup IPS Lebih IPS

5 IPA Kurang IPA Cukup IPA

6 IPA Kurang IPS Lebih IPS

7 IPS Kurang IPS Lebih IPS

8 IPS Lebih IPA Lebih IPA

9 IPS Kurang IPS Kurang IPS

I total entropy : jumlah nilai entropy dari seluruh atribut

b. Nilai tujuan klasifikasi yaitu nilai informasi dari nilai atribut jurusan. Untuk menghitung nilai I jurusan yaitu dengan rumus seperti berikut:

p : jumlah nilai dari masing-masing atribut penjurusan

c. Kemudian untuk menghitung I total entropy, rumusnya yaitu

∑

I atribut : Jumlah nilai informasi dari tiap atribut penjurusan.

d. Untuk menghitung I atribut yaitu dengan mengunakan rumus seperti dibawah ini:

p : jumlah nilai dari masing-masing atribut penjurusan

e. Setelah perhitungan nilai information gain diatas dilakukan, maka akan terpilih simpul dengan information gain terbesar.

f. Simpul terpilih yaitu simpul akar, simpul internal, dan simpul daun. g. Perhitungan nilai information gain terbesar pertama akan dipilih

sebagai simpul akar, kemudian perhitungan selanjutnya akan menjadi simpul internal atau simpul daun.

h. Akan menjadi simpul daun jika nilai total informasi atributnya 0, sedangkan jika tidak 0 maka akan menjadi simpul internal.

Berikut hasil perhitungan ke-1 : a. Jurusan

Total atribut jurusan = 10 Total atribut jurusan IPA = 4 Total atribut jurusan IPS = 6

b. Minat

Minat IPA

Total atribut minat IPA = 6

Total atribut minat IPA yang jurusan IPA = 3 Total atribut minat IPA yang jurusan IPS = 3

Minat IPS

Total atribut minat IPS = 4

Total atribut minat IPS yang jurusan IPA = 1 Total atribut minat IPS yang jurusan IPS = 3

Nilai gain minat : nilai informasi jurusan – (nilai entropy minat IPA + minat IPS) = 0.97095 - (0.6 + 0.32451)

= 0.4644 c. IQ

IQ kurang

Total atribut IQ kurang = 5

Total atribut IQ kurang yang jurusan IPA = 2 Total atribut IQ kurang yang jurusan IPS = 3

IQ cukup

Total atribut IQ cukup = 2

Total atribut IQ cukup yang jurusan IPA = 0 Total atribut IQ cukup yang jurusan IPS = 2

IQ lebih

Total atribut IQ lebih = 3

Total atribut IQ lebih yang jurusan IPA = 2 Total atribut IQ lebih yang jurusan IPS = 1

Nilai gain IQ :

= nilai informasi jurusan – (nilai entropy IQ kurang + IQ cukup + IQ lebih) = 0.97095 - (0.48548 + 0 + 0.27549) = 0.20999

d. Bakat

Bakat IPA

Total atribut bakat IPA = 3

Total atribut bakat IPA yang jurusan IPA = 3 Total atribut bakat IPA yang jurusan IPS = 0

Bakat IPS

Total atribut bakat IPS = 7

Total atribut bakat IPS yang jurusan IPA = 1 Total atribut bakat IPS yang jurusan IPS = 6

Nilai gain minat : nilai informasi jurusan – (nilai entropy bakat IPA + bakat IPS) = 0.97095 - (0 + 0.41417) = 0.55678

e. Pelajaran

Pelajaran kurang

Total atribut pelajaran kurang = 4

Total atribut pelajaran kurang yang jurusan IPA = 2 Total atribut pelajaran kurang yang jurusan IPS = 2

Pelajaran cukup

Total atribut pelajaran cukup = 1

Total atribut pelajaran cukup yang jurusan IPA = 1 Total atribut pelajaran cukup yang jurusan IPS = 0

Pelajaran lebih

Total atribut pelajaran lebih = 5

Total atribut pelajaran lebih yang jurusan IPA = 1 Total atribut pelajaran lebih yang jurusan IPS = 4

Nilai gain pelajaran :

= nilai informasi jurusan – (nilai entropy pel kurang + pel cukup + pel lebih) = 0.97095 - (0.4 + 0 + 0.36097)

= 0.20999

Tabel 3.3 Hasil Perhitungan ke-1 Contoh Kasus

Node Jumlah Kasus (S) IPA (S1) IPS

(S2) Informasi Entropy Gain

1 Jurusan 10 4 6 0.97095

Minat

IPA 6 3 3 1 0.6 0.04644

IPS 4 1 3 0.81128 0.32451

IQ

Kurang 5 2 3 0.97095 0.48548 0.20999

Cukup 2 0 2 0 0

Lebih 3 2 1 0.9183 0.27549

Node

Jumlah Kasus

(S)

IPA (S1)

IPS

(S2) Informasi Entropy Gain

IPA 3 3 0 0 0 0.55678

IPS 7 1 6 0.59167 0.41417

Pelajaran

Kurang 4 2 2 1 0.4 0.20999

Cukup 1 1 0 0 0

Lebih 5 1 4 0.72193 0.36097

Berdasarkan tabel 3.3 hasil perhitungan ke-1 contoh kasus, diperoleh nilai gain tertinggi adalah bakat dengan nilai gain 0.55678 maka yang menjadi simpul pertama atau simpul akar adalah bakat. Kemudian dengan melihat isi atribut bakat, ketika isi atribut bakat IPA ternyata sudah menjadi 1 keputusan yaitu ke IPA, maka bakat dengan isi atribut IPA menjadi simpul daun/simpul keputusan. Namun untuk bakat dengan isi atribut IPS belum menjadi 1 keputusan, jadi harus melakukan perhitungan ke-2. Berikut gambar 3.3 merupakan gambar pembentukan ke-1 pohon keputusan dari contoh kasus.

Gambar 3.3 Contoh kasus pembentukan ke-1 pohon keputusan

Berikut hasil perhitungan ke-2 : a. Jurusan – Bakat IPS

Total atribut jurusan dengan bakat IPA = 7 Total atribut jurusan IPA dengan bakat IPS = 1 Total atribut jurusan IPS dengan bakat IPS = 6

b. Minat - Bakat IPS

Minat IPA dengan Bakat IPS

Total atribut minat IPA dengan bakat IPS = 4

Total atribut minat IPA dengan bakat IPS yang jurusan IPA = 1 Total atribut minat IPA dengan bakat IPS yang jurusan IPS = 3

Minat IPS dengan Bakat IPS

Total atribut minat IPS dengan bakat IPS = 3

Total atribut minat IPS dengan bakat IPS yang jurusan IPA = 0 Total atribut minat IPS dengan bakat IPS yang jurusan IPS = 3

Nilai gain minat : nilai informasi jurusan – (nilai entropy minat IPA + minat IPS) = 0.59167 - (0.46359+0)

= 0.12808 c. IQ - Bakat IPS

IQ kurang dengan bakat IPS

Total atribut iq kurang dengan bakat IPS = 4

Total atribut iq kurang dengan bakat IPS yang jurusan IPA = 1 Total atribut iq kurang dengan bakat IPS yang jurusan IPS = 3

IQ cukup dengan bakat IPS

Total atribut iq cukup dengan bakat IPS = 2

Total atribut iq cukup dengan bakat IPS yang jurusan IPA = 0 Total atribut iq cukup dengan bakat IPS yang jurusan IPS = 2

IQ lebih dengan bakat IPS

Total atribut iq lebih dengan bakat IPS = 1

Total atribut iq lebih dengan bakat IPS yang jurusan IPA = 0 Total atribut iq lebih dengan bakat IPS yang jurusan IPS = 1

Nilai gain iq :

= nilai informasi jurusan – (nilai entropy iq kurang + iq cukup + iq lebih) = 0.59167 - (0.46359 + 0 + 0) = 0.12808

d. Pelajaran – Bakat IPS

Pelajaran kurang dengan bakat IPS

Total atribut pelajaran kurang dengan bakat IPS yang jurusan IPA = 1 Total atribut pelajaran kurang dengan bakat IPS yang jurusan IPS = 2

Pelajaran cukup dengan bakat IPS

Total atribut pelajaran cukup dengan bakat IPS = 0

Total atribut pelajaran cukup dengan bakat IPS yang jurusan IPA = 0 Total atribut pelajaran cukup dengan bakat IPS yang jurusan IPS = 0

Pelajaran lebih dengan bakat IPS

Total atribut pelajaran lebih dengan bakat IPS = 4

Total atribut pelajaran lebih dengan bakat IPS yang jurusan IPA = 0 Total atribut pelajaran lebih dengan bakat IPS yang jurusan IPS = 4

Nilai gain pelajaran :

= nilai informasi jurusan – (nilai entropy pel kurang + pel cukup + pel lebih) = 0.59167 - (0.39356 + 0 + 0) = 0.19811

Berikut merupakan tabel 3.4 hasil perhitungan ke-2 contoh kasus, pada tabel dibawah ini akan dijelaskan perhitungan lanjutan dari perhitungan ke-1, yang mana atribut bakat dengan isi atribut IPS harus melakukan perhitungan lebih lanjut karena belum menjadi 1 keputusan. Perhitungan ke-2 contoh kasus, disajikan pada tabel berikut:

Tabel 3.4 Hasil Perhitungan ke-2 Contoh Kasus

Node Jumlah Kasus (S) IPA (S1) IPS (S2)

Informa-si Entropy Gain

1.2

Jurusan-BakatIPS 7 1 6 0.59167

Minat

IPA 4 1 3 0.81128 0.46359 0.12808

IPS 3 0 3 0 0

IQ

Kurang 4 1 3 0.81128 0.46359 0.12808

Cukup 2 0 2 0 0

Node

Jumlah Kasus

(S)

IPA (S1)

IPS (S2)

Informa-si Entropy Gain Pelajaran

Kurang 3 1 2 0.9183 0.39356 0.19811

Cukup 0 0 0 0 0

Lebih 4 0 4 0 0

Berdasarkan tabel 3.4 hasil perhitungan ke-2 contoh kasus, diperoleh nilai gain tertinggi adalah pelajaran dengan nilai gain 0.19811 maka yang menjadi simpul internal setelah simpul bakat IPS adalah pelajaran. Kemudian dengan melihat isi atribut pelajaran, ketika isi atribut pelajaran lebih ternyata sudah menjadi 1 keputusan yaitu ke IPS, maka pelajaran dengan isi atribut lebih menjadi simpul daun/simpul keputusan. Namun untuk pelajaran dengan isi atribut kurang belum menjadi 1 keputusan, jadi harus melakukan perhitungan ke-3, kemudian untuk atribut pelajaran dengan isi atribut cukup karena nilai 2 isi atributnya 0 maka menjadi simpul bernilai kosong. Berikut gambar 3.4 merupakan gambar pembentukan pohon keputusan ke-2 dari contoh kasus.

Gambar 3.4 Contoh kasus pembentukan ke-2 pohon keputusan

Berikut merupakan tabel 3.5 hasil perhitungan ke-3 contoh kasus, pada tabel dibawah ini akan dijelaskan perhitungan lanjutan dari perhitungan ke-2, yang mana atribut pelajaran dengan isi atribut kurang harus melakukan perhitungan

lebih lanjut karena belum menjadi 1 keputusan. Perhitungan ke-3 contoh kasus disajikan pada tabel berikut:

Tabel 3.5 Hasil Perhitungan ke-3 Contoh Kasus

Node Jumlah Kasus (S) IPA (S1) IPS (S2)

Informa-si Entropy Gain

1.2.1

Total-BakatIPS-pelajarankurang 3 1 2 0.9183

Minat

IPA 2 1 1 1 0.66667 0.2516

IPS 1 0 1 0 0

IQ

Kurang 2 1 1 1 0.66667 0.2516

Cukup 1 0 1 0 0

Lebih 0 0 0 0 0

Berdasarkan tabel 3.5 hasil perhitungan ke-3 contoh kasus, dari kedua atribut tersisa yaitu minat dan IQ, diperoleh nilai gain tertinggi adalah 0.2516 pada kedua atribut tersebut, maka ketika harus dipilih salah satu, dipilihlah atribut pertama dari keduanya adalah atribut minat. Kemudian dengan melihat isi atribut minat, ketika isi atribut minat IPS ternyata sudah menjadi 1 keputusan yaitu ke IPS, maka minat dengan isi atribut IPS menjadi simpul daun/simpul keputusan. Namun untuk minat dengan isi atribut IPA belum menjadi 1 keputusan, jadi harus melakukan perhitungan ke-4. Berikut gambar pembentukan ke-3 pohon keputusan.

Gambar 3.5 Contoh kasus pembentukan ke-3 pohon keputusan

Berikut merupakan tabel 3.6 hasil perhitungan ke-4 contoh kasus, pada tabel dibawah ini akan dijelaskan perhitungan lanjutan dari perhitungan ke3, yang mana atribut minat dengan isi atribut IPA harus melakukan perhitungan lebih lanjut karena belum menjadi 1 keputusan. Perhitungan ke-4 contoh kasus, disajikan pada tabel berikut:

Tabel 3.6 Hasil Perhitungan ke-4 Contoh Kasus

Node

Jumlah Kasus

(S)

IPA (S1)

IPS

(S2) Informasi Entropy Gain

1.2.1.1

Total-BakatIPS-pelajarankurang- minatIPA

2 1 1 1

IQ

Kurang 1 1 0 0 0 1

Cukup 1 0 1 0 0

Berdasarkan tabel 3.6 hasil perhitungan ke-4 contoh kasus karena tinggal tersisa 1 atribut yaitu IQ, maka simpul terpilih adalah IQ dengan nilai gain tertinggi adalah 1. Kemudian dengan melihat isi atribut IQ, ketika isi atribut kurang sudah menjadi 1 keputusan yaitu ke IPA, dan isi atribut cukup juga sudah 1 keputusan yaitu ke IPS. Maka iq dengan isi atribut kurang dan cukup menjadi simpul daun/simpul keputusan. Namun untuk atribut IQ denga isi atribut lebih karena nilai keduanya 0 maka menjadi simpul kosong. Maka keseluruhan pohon keputusan yang terbentuk adalah seperti gambar berikut:

Gambar 3.6 Contoh kasus pembentukan ke-4 pohon keputusan

9. Pengembangan perangkat lunak dengan metode waterfall, yang terdiri dari Analisis, Desain, Coding, Test, Maintenance untuk selanjutnya diimplementasikan menjadi sebuah aplikasi rekomendasi penjurusan pada jenjang menengah atas.

10.Dokumentasi merupakan pembuatan dokumen skripsi, dokumen teknis perangkat lunak dan paper.

B. Alat dan Bahan Penelitian

1. Alat Penelitian

Pada penelitian ini digunakan alat penelitian berupa perangkat keras dan perangkat lunak sebagai berikut:

1. Perangkat Keras

a. Processor Intel Core 2 duo T6400 @2.00Ghz

b. RAM 2Gb

c. VGA SiS Mirage 3 Graphics d. Harddisk 250Gb

e. Monitor Beresolusi f. Mouse dan Keyboard 2. Perangkat Lunak

a. Sistem operasi Microsoft Windows 7 b. Editor Notepad ++

c. XAMPP 1.7.7 d. DBMS MySQL

e. Browser Mozila Firefox f. Borland Delphi 7

2. Bahan Penelitian

Bahan penelitian yang digunakan adalah data dari sekolah MAN 3 Cirebon yang berpengaruh terhadap penjurusan siswa. Data

tersebut terdiri dari: data nilai mata pelajaran Matematika, Fisika, Kimia, Biologi, Georafi, Sejarah, Ekonomi, dan Sosiologi, data hasil psikotes yaitu nilai IQ dan Bakat. Serta data minat keinginan siswa pada jurusan tertentu. Kemudian data tersebut akan diproses dan diolah menggunakan algoritma C45 untuk dapat diimplementasikan kedalam sistem.

Selain itu bahan penelitian yang digunakan juga berupa paper, textbook, atau dokumentasi lainnya yang didapat dari World Wide Web mengenai sistem penjurusan pada jenjang menengah atas dan algoritma C45.

3. Metode Penelitian

a. Proses Pengumpulan Data

Pada penelitian ini, penulis berusaha untuk mengumpulkan data dan informasi akurat yang dapat menunjang proses penelitian. Berikut ini merupakan metode pengumpulan data yaitu

1) Kajian Pustaka

Pada penelitian mengenai sistem rekomendasi penjurusan IPA dan IPS menggunakan algoritma C45 kajian pustaka yang dilakukan adalah mengumpulkan data-data baik dari buku bacaan, jurnal, maupun artikel-artikel yang berasal

dari internet yang berkaitan dengan metode algoritma C45 dan juga sistematika penjurusan pada jenjang menengah atas.

Adapun target dari metode kajian pustaka ini adalah memahami algoritma C45 dan juga memahami sistematika penjurusan IPA dan IPS pada jenjang menengah atas agar dapat diimplementasikan didalam sistem.

2) Observasi

Metode observasi atau metode studi lapangan adalah bertujuan untuk mengumpulkan data-data siswa kelas XII sesudah mengalami penjurusan dan sebelum mengalami penjurusan ketika kelas X.

Pada metode observasi ini, teknik yang dilakukan adalah teknik wawancara kepada pihak guru atau dari pihak sekolah yang bertugas menjuruskan siswanya dalam hal ini guru BK di MAN 3 Cirebon untuk mengetahui kecocokan siswa dijurusan tertentu. Setelah data terkumpul, maka data akan dijadikan data penelitian.

b. Metode Pengembangan Perangkat Lunak

Metode pengembangan perangkat lunak menggunakan model waterfall/Classical. Tahap-tahapannya adalah survey, analisis, desain, konstruksi dan implementasi operasional dan perwatan.

1) Requirement

Dalam tahap ini, dilakukan pengumpulan data serta informasi yang kemudian dianalisis sehingga mendapatkan gambaran aplikasi yang tepat.

2) Design

Tahap ini bertujuan untuk memberikan gambaran apa yang harus dikerjakan pada saat implementation nanti. Selain itu di fase ini menentukan interface dari perangkat lunak yang telah dirancang, kebutuhan hardware yang akan digunakan untuk jalannya sistem.

3) Implementation

Dalam tahap ini, dibangun suatu aplikasi yang mampu menyelesaikan atau mengolah data-data yang telah terkumpul.

4) Deployment dan Maintenance

Dalam tahap ini, dikembangkan aplikasi tersebut. Apabila ada yang kurang akan dilakukan perbaikan.

A. Kesimpulan

Kesimpulan dari penelitian ini adalah sebagai berikut:

1. Algoritma C45 dapat digunakan untuk memberikan rekomendasi dalam penjurusan IPA atau IPS pada jenjang menengah atas. Algorima C45 dapat diimpelementasikan pada sebuah sistem rekomendasi keputusan sehingga mempermudah guru BK dalam menjuruskan jurusan yang sesuai untuk para siswa.

2. Berdasarkan data testing yang telah diproses, akurasi dari sistem ini adalah 79,4 % tepat dalam pemilihan jurusan. Sedangkan 7 data atau 20,6% tidak tepat dalam pemilihan jurusan.

B. Saran

Saran untuk pengembangan penelitian ini yaitu

1. Analisis atribut lain seperti bahasa inggris yang dapat mempengaruhi hasil penjurusan IPA atau IPS, karena pada saat ini bahasa Inggris menjadi acuan untuk berkerja dan melanjutkan ke jenjang yang lebih tinggi.

2. Penambahan terhadap data training sebanyak 300 data atau tambahan 1 periode penjurusan, karena data yang digunakan dalam penelitian ini

hanya 1 periode penjurusan saja, penambahan ini dilakukan agar model pohon keputusan yang terbentuk semakin baik untuk mendapatkan hasil rekomendasi jurusan IPA atau IPS, selain itu agar dapat mengurangi banyaknya kasus notfind.

siswa baru (PSB) on-line Yogyakarta. Jurnal Teknologi, 3(2). [online]. Tersedia: http://jurtek.akprind.ac.id/sites/default/files/145-153_dina_andayati.pdf

Basuki, A., & Syarif, I. (2003). Decision Tree, diakses dari http://www2. eepisits. edu/~ basuki/lecture. DecisionTree. pdf, pada, 3.

Departemen Pendidikan Nasional. (2004). Panduan Penilaian Penjurusan Kenaikan Kelas dan Pindah Sekolah, Jakarta: Direktorat Pendidikan Menengah Umum.

Firdaus, Slamet Muh. (2011). Pengembangan Aplikasi Penentuan Penjurusan SMA Dengan Analisis Multiple Intellegence Menggunakan Metode Fuzzy Logic Studi Kasus: SMAN 1 Sumber.

Gani, Ruslan A.(1986). Bimbingan Penjurusan, Bandung: Angkasa Bandung.

Grąbczewski, K. (2014). Techniques of Decision Tree Induction. In Meta -Learning in Decision Tree Induction (pp. 11-117). Springer International Publishing.

Kharis, I., Delima, R., & Purwadi, J. (2013). GENERATOR POHON KEPUTUSAN DENGAN MENERAPKAN ALGORITMA C4. 5 UNTUK PROGRAM KONSULTASI. Jurnal Informatika, 9(1).

Thierry Vallaud.

Larose, D. T. (2005). Discovering Knowledge in Data. New Jersey: John Willey & Sons, Inc. ISBN 0-471-66657-2.

Purnama, Kania. (2010). Implementasi Sistem Pendukung Keputusan Layanan Bimbingan Konseling Untuk Menentukan Penjurusan Siswa Menggunakan Metode Weighted Product.

Romandhon, I. M. (2014). Hubungan Antara Motivasi Belajar Dengan Prestasi Mata Pelajaran Ekonomi. EKONOMI, 1(2). http://e-journal.ikip-veteran.ac.id/index.php/EKONOMI/article/view/200

Sulianta, Feri dan Dominikus Juju. (2010). Data Mining Meramalkan Bisnis Perusahaan. Jakarta: Elex Media Komputindo.

Turban, E. dkk., 2005,“. Decision Support systems and Intelligent Systems

Edisi, 7.

Widajati, Retno. Dkk. (2005). Bahan Dasar Untuk Pelayanan Konseling pada Satuan Pendidikan Menengah Jilid1. Jakarta : Tim Musyawarah Guru Bimbingan dan Konseling.

Sulianta, Feri dan Dominikus Juju. (2010). Data Mining Meramalkan Bisnis Perusahaan. Jakarta: Elex Media Komputindo.

53

Fachri, 2014

Sistem Rekomendasi Penjurusan pada Jenjang Menengah Atas Menggunakan Algoritma C45 Universitas Pendidikan Indonesia | repository.upi.edu

1) Requirement

Dalam tahap ini, dilakukan pengumpulan data serta informasi yang kemudian dianalisis sehingga mendapatkan gambaran aplikasi yang tepat.

2) Design

Tahap ini bertujuan untuk memberikan gambaran apa yang harus dikerjakan pada saat implementation nanti. Selain itu di fase ini menentukan interface dari perangkat lunak yang telah dirancang, kebutuhan hardware yang akan digunakan untuk jalannya sistem.

3) Implementation

Dalam tahap ini, dibangun suatu aplikasi yang mampu menyelesaikan atau mengolah data-data yang telah terkumpul.

4) Deployment dan Maintenance

Dalam tahap ini, dikembangkan aplikasi tersebut. Apabila ada yang kurang akan dilakukan perbaikan.

84 Fachri, 2014

Sistem Rekomendasi Penjurusan pada Jenjang Menengah Atas Menggunakan Algoritma C45 Universitas Pendidikan Indonesia | repository.upi.edu

BAB V

KESIMPULAN DAN SARAN A. Kesimpulan

Kesimpulan dari penelitian ini adalah sebagai berikut:

1. Algoritma C45 dapat digunakan untuk memberikan rekomendasi dalam penjurusan IPA atau IPS pada jenjang menengah atas. Algorima C45 dapat diimpelementasikan pada sebuah sistem rekomendasi keputusan sehingga mempermudah guru BK dalam menjuruskan jurusan yang sesuai untuk para siswa.

2. Berdasarkan data testing yang telah diproses, akurasi dari sistem ini adalah 79,4 % tepat dalam pemilihan jurusan. Sedangkan 7 data atau 20,6% tidak tepat dalam pemilihan jurusan.

B. Saran

Saran untuk pengembangan penelitian ini yaitu

1. Analisis atribut lain seperti bahasa inggris yang dapat mempengaruhi hasil penjurusan IPA atau IPS, karena pada saat ini bahasa Inggris menjadi acuan untuk berkerja dan melanjutkan ke jenjang yang lebih tinggi.

2. Penambahan terhadap data training sebanyak 300 data atau tambahan 1 periode penjurusan, karena data yang digunakan dalam penelitian ini

85

Fachri, 2014

Sistem Rekomendasi Penjurusan pada Jenjang Menengah Atas Menggunakan Algoritma C45 Universitas Pendidikan Indonesia | repository.upi.edu

hanya 1 periode penjurusan saja, penambahan ini dilakukan agar model pohon keputusan yang terbentuk semakin baik untuk mendapatkan hasil rekomendasi jurusan IPA atau IPS, selain itu agar dapat mengurangi banyaknya kasus notfind.

86 Fachri, 2014

Sistem Rekomendasi Penjurusan pada Jenjang Menengah Atas Menggunakan Algoritma C45

DAFTAR PUSTAKA

Andayati, Dina. (2010). Sistem pendukung keputusan pra-seleksi penerimaan siswa baru (PSB) on-line Yogyakarta. Jurnal Teknologi, 3(2). [online]. Tersedia: http://jurtek.akprind.ac.id/sites/default/files/145-153_dina_andayati.pdf

Basuki, A., & Syarif, I. (2003). Decision Tree, diakses dari http://www2. eepisits. edu/~ basuki/lecture. DecisionTree. pdf, pada, 3.

Departemen Pendidikan Nasional. (2004). Panduan Penilaian Penjurusan Kenaikan Kelas dan Pindah Sekolah, Jakarta: Direktorat Pendidikan Menengah Umum.

Firdaus, Slamet Muh. (2011). Pengembangan Aplikasi Penentuan Penjurusan SMA Dengan Analisis Multiple Intellegence Menggunakan Metode Fuzzy Logic Studi Kasus: SMAN 1 Sumber.

Gani, Ruslan A.(1986). Bimbingan Penjurusan, Bandung: Angkasa Bandung. Grąbczewski, K. (2014). Techniques of Decision Tree Induction. In Meta

-Learning in Decision Tree Induction (pp. 11-117). Springer International Publishing.

Kharis, I., Delima, R., & Purwadi, J. (2013). GENERATOR POHON KEPUTUSAN DENGAN MENERAPKAN ALGORITMA C4. 5 UNTUK PROGRAM KONSULTASI. Jurnal Informatika, 9(1).

87 Fachri, 2014

Sistem Rekomendasi Penjurusan pada Jenjang Menengah Atas Menggunakan Algoritma C45 Kusrini, E. T. L. (2009). Algoritma data mining. Yogyakarta: Andi.

Larose, D. T. (2005). An introduction to data mining. Traduction et adaptation de Thierry Vallaud.

Larose, D. T. (2005). Discovering Knowledge in Data. New Jersey: John Willey & Sons, Inc. ISBN 0-471-66657-2.

Purnama, Kania. (2010). Implementasi Sistem Pendukung Keputusan Layanan Bimbingan Konseling Untuk Menentukan Penjurusan Siswa Menggunakan Metode Weighted Product.

Romandhon, I. M. (2014). Hubungan Antara Motivasi Belajar Dengan Prestasi Mata Pelajaran Ekonomi. EKONOMI, 1(2). http://e-journal.ikip-veteran.ac.id/index.php/EKONOMI/article/view/200

Sulianta, Feri dan Dominikus Juju. (2010). Data Mining Meramalkan Bisnis Perusahaan. Jakarta: Elex Media Komputindo.

Turban, E. dkk., 2005,“. Decision Support systems and Intelligent Systems

Edisi, 7.

Widajati, Retno. Dkk. (2005). Bahan Dasar Untuk Pelayanan Konseling pada Satuan Pendidikan Menengah Jilid1. Jakarta : Tim Musyawarah Guru Bimbingan dan Konseling.

Sulianta, Feri dan Dominikus Juju. (2010). Data Mining Meramalkan Bisnis Perusahaan. Jakarta: Elex Media Komputindo.

88 Fachri, 2014

Sistem Rekomendasi Penjurusan pada Jenjang Menengah Atas Menggunakan Algoritma C45

Zalilia, L. (2007). Penerapan data Mining untuk IDS. Tugas Akhir Mata Kuliah EC7010 Program Studi Teknik Elektro Insitut Teknologi Bandung.