Penerapan algoritma apriori untuk analisis daya serap hasil ujian nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta.

(1)

vii ABSTRAK

Dalam makalah ini dijabarkan implementasi algoritma apriori untuk mencari aturan asosiasi pada data daya serap Ujian Nasional mata pelajaran Matematika SMA Jurusan IPA di Yogyakarta. Dalam melakukan proses mengubah data mentah menjadi suatu informasi yang bermanfaat, penulis menggunakan proses Knowledge Discovery in Database (KDD) yang terdiri dari pembersihan data, integrasi data, seleksi data, transformasi data, penambangan data, evaluasi pola, dan presentasi pengetahuan. Pada tahap pembersihan data dan integrasi data, penulis melakukan secara manual. Tahap selanjutnya yaitu seleksi data, transformasi data, dan penambangan data, penulis merancang perangkat lunak sebagai alat untuk melakukan tahap-tahap tersebut. Sedangkan untuk tahap evaluasi pola dan presentasi pengetahuan, penulis melakukan evaluasi dari hasil penambangan data yang diperoleh dari perangkat lunak dan menjelaskan hasil evaluasi tersebut agar informasi yang didapat dapat diterima oleh pihak-pihak yang membutuhkan. Perangkat lunak tersebut akan diujikan terhadap dua jenis dataset yang merupakan data daya serap hasil ujian Nasional mata Pelajaran Matematika di Yogyakarta tahun pelajaran 2012/2013 + tahun pelajaran 2013/2014 dan data daya serap hasil ujian Nasional mata Pelajaran Matematika di Yogyakarta tahun pelajaran 2014/2015. Berdasarkan penelitian yang telah dilakukan, dapat diketahui bahwa algoritma apriori dapat digunakan untuk menemukan aturan asosiasi nilai daya serap hasil Ujian Nasional. Aturan asosiasi yang dibentuk dipengaruhi oleh nilai daya serap minimum dan nilai minimum support yang digunakan. Sedangkan untuk nilai minimum confidence berpengaruh terhadap jumlah aturan asosiasi yang ditampilkan. Denngan melihat jenis data yang dijadikan objek penelitian, menganalisis aturan asosiasi yang diperoleh tidak cukup hanya dengan melakukan penilaian objektif saja. Perlu dilakukan penilaian subjektif untuk mendapatkan analisa yang akurat dan bermakna dari aturan asosiasi yang diperoleh.

Kata Kunci – Algoritma Apriori, Association Rule, Nilai Daya Serap, Penambangan Data

(2)

viii ABSTRACT

This paper describes the implementation of apriori algorithm to find the association rules on absorption data of mathematics national exam scores in the science major of senior high school in Yogyakarta. In the process of turning raw data into a useful information , the writer applied Knowledge Discovery in Database ( KDD ) process that consists of data cleaning, data integration, data selection, data transformation, data mining, pattern evaluation, and knowledge presentation. At the stage of data cleaning and data integration, the writer conducted them manually. At the next stages which are the data selection, data transformation, and data mining, the writer designed software as a tool to conduct these stages. Finally, for the pattern evaluation and presentation of knowledge stages, the writer conducted evaluation of the results obtained from the data mining software and explain the results of this evaluation so that the information can be received by parties in need. The software will be tested against the two types of datasets that are absorption data of mathematics national exam scores in the science major of senior high school in Yogyakarta in the academic year of 2012/2013 + 2013/2014 and in the academic year of 2014/2015. Based on the research that has been done, it is known that the apriori algorithm can be applied to find association rules of absorption values of the national exam results. The association rules formed is affected by minimum absorption value and the minimum support value used. As for the minimum confidence value affect the number of association rules that are displayed. By looking at the type of data that is made as the object of research, analyzing the acquired association rules is not enough to conduct an objective assessment only. Subjective assessment needs to be done to obtain accurate and meaningful analysis of the association rules obtained.

Key word – Apriori Algorithm, Association Rule, Absorbtiveness Value, Data Mining

(3)

IPA DI DAERAH ISTIMEWA YOGYAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Laurensius Haris Chrisanda 12 5314 055

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

(4)

PENERAPAN ALGORITMA APRIORI UNTUK ANALISIS DAYA SERAP HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA

JURUSAN IPA DI DAERAH ISTIMEWA YOGYAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Laurensius Haris Chrisanda 12 5314 055

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

(5)

IMPLEMENTATION OF APRIORI ALGORITHM FOR ANALYSIS ABSOPTION DATA OF MATHEMATICS NATIONAL EXAM SCORES

IN THE SCIENCE MAJOR OF SENIOR HIGH SCHOOL IN YOGYAKARTA

FINAL PROJECT

Present as Partial Fullfillment of the Requirements to Obtain the Sarjana Komputer Degree in Informatics Engineering Study Program

By :

Laurensius Haris Chrisanda 12 5314 055

INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATIC ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY

YOGYAKARTA 2016

(6)

HALAMAN PERSETUJUAN

SKRIPSI

PENERAPAI\I ALGOnITMA APnIOnI T}NTUK ANALISN I}AYA SERAP EASIL UJIAN NASIONAL MATA PEI"AJARAN MATEMATIKA SMA

JURUSAN IPA DI DAENAE ISTIMEWA YOGYAKARTA

DosenPembimbing,

w

$'.

rpJtyoss

''Q

AWo

g#E

E

il.":,_l :",

\\

b

zffin

_7*ffi3

?lo

_{@. I_s}

-b* '

_OoynKogf

_.C

(7)

AAIAMAN

PENGESAEAN

SKRIPSI

PENERAPAI\i ALG{ORITMA APRIOH I]NTUK ANALISE DAYA SERAP HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA

JIIRUSAN IPA

I}I

I}AERAU ISTIMEWA

Y(rcYAKARTA

Ketua

Sekretaris

Penguji Anggota

Yoryakart4

.z|..Ju

l;-e

Pt.L...

Fakultas Sain dan Teknologi Universitas Sanata Dharma

/"'/-, S.Si/"'/-, M.Moth.Sc., Ph.D

(8)

HALAMAN PERSEMBAHAN

“

Percayalah kepada Tuhan dengan segenap

hatimu, dan janganlah bersandar kepada

pengertianmu sendiri”

(Amsal 3:5)

Karya ini kupersembahkan kepada :

Tuhan Yesus Kristus

Bunda Maria

Keluarga

(9)

PERNYATAAH XEASLIAN KARYA

Saya menydakan &ngar

ry*ryr

behwa skipsi yang saya tulis ini tidak

memuatkaryaaau bryie kryaorurg lein, kectuli yangtelah saya seh#kaa dalart

kutipn daftar

pu#a

sc,beglimam _$aknyakarya ikni*h.

yogyakrra" .r.q...

J-'1i...

. .. 2016

(10)

vii ABSTRAK

Kata Kunci – Algoritma Apriori, Association Rule, Nilai Daya Serap, Penambangan Data

(11)

viii ABSTRACT

Key word – Apriori Algorithm, Association Rule, Absorbtiveness Value, Data Mining

(12)

LEMBAR PER}IYATAAI{ PERSETUJUAI\I PUBLIKASI KARYA

ILMIAII

LINTT]K KEPERLUAhI KEPENTINGAIT AKADEII/IIS

Yang bertanda tangan di bawatr ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Laurensius Haris Chrisanda

NIM

: 125314055

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :

PEI\IERAPAI\ ALGORITMA APRIORI t]NTt]K ANALISIS DAYA SERAP

HASIL UJIAI\ NASIONAL MATA PELAJARAN MATEMATIKA SMA

JTIRUSAhI IPA DI DAERAH ISTIMEWA YOGYAKARTA

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak unfuk menyimpan, mengalihkan dalam bentuk media lain, mengelola di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya Dibuat di Yogyakarta

pada tanggar . *g... 4..9tf ... 2016

Yang menyatakan,

N

Laurensius Haris Chrisanda

(13)

KATA PENGANTAR

Puji dan syukur kepada Tuhan Yang Maha Esa, karena pada akhirnya penulis dapat menyelesaikan penelitian tugas akhir ini yang berjudul “PENERAPAN ALGORITMA APRIORI UNTUK MEGETAHUI POLA KEBERHASILAN DAN KEGAGALAN ASPEK KOMPETENSI MATA PELAJARAN UJIAN NASIONAL SEKOLAH MENENGAH ATAS”.

Dalam menyelesaikan seluruh penyusunan tugas akhir ini, penulis tak lepas dari doa, bantuan, dukungan, dan motivasi dari banyak pihak. Oleh karena itu, penulis ingin mengucapkan banyak terima kasih kepada :

1. Tuhan Yesus Kristus dan Bunda Maria yang selalu memberikan anugerah, rahmat, kekuatan, dan keberuntungan sehingga penulis dapat menyelesaikan tugas akhir ini.

2. Kedua orang tua penulis, P. Heri Eko Yuwono dan Yuliana Uniatun atas doa, kasih sayang, perhatian, kepercayaan, dukungan baik moral maupun financial yang diberikan kepada penulis.

3. Adik penulis, Yohanes Risco Chris Hernando dan Laurensia Heriana Cika Anindya yang selalu memberikan doa dan dukungan kepada penulis.

4. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan Teknologi.

5. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik Informatika dan juga selaku Dosen Metodologi Penelitian yang telah memberikan waktu, bimbingan, nasihat, dan motivasi kepada penulis. 6. Ibu Paulina Heruningsih Prima Rosa, M.Sc. selaku Dosen Pembimbing

Skripsi yang telah memberikan waktu, bimbingan, nasihat, dan motivasi kepada penulis.

7. Bapak Iwan Binanto M.Cs. selaku Dosen Pembimbing Akademik penulis.

(14)

8.

Seluruh dosen, sekrctariat, laboran, stafl dan perpustakaan yang telah membimbing dan membantu selama proses perkuliahan di Universitas

Sanata Dharma.

9.

Yoanna Nungki Rianda yang selalu mendoakarq mendukung, memotivasi, dan selalu ada dalam suka maupun duka.

10. Teman-teman Program Studi Teknik lnformatika 20L2 atas segala dukungan dan semangatnya

ll.Teman-teman Kost Dwi Tunggal yang sudah menjadi teman kost

terbaik

12. Semua pihak yang sudah mendukung secara langsung ataupun tidak langsung, mohon maaf saya tidak dapat menyebutkan satuper satu. Penulis bertrarap penelitian

ini dapat

menjadi pengetahuan baru yang berguna bagi para pembaca. Penelitian ini tidak luput dari kekurangan, oleh karena

itu, penulis mengharapkan saran dan lcritik untuk perbaikan hingga akhirnya penelitian ini menjadi lebih bailc

Yogyakart4 ..e,.q....AIIf 2016

Penulis,

W

Laurensius Hmis Chrisanda

(15)

xii

DAFTAR ISI

Halaman

HALAMAN JUDUL ...i

TITLE PAGE ...ii

HALAMAN PERSETUJUAN ...iii

HALAMAN PENGESAHAN ...iv

HALAMAN PERSEMBAHAN...v

PERNYATAAN KEASLIAN KARYA ...vi

ABSTRAK ...vii

ABSTRACT ...viii

PERSETUJUAN PUBLIKASI KARYA ILMIAH ...ix

KATA PENGANTAR ...x

DAFTAR ISI ...xii

DAFTAR GAMBAR ...xvii

DAFTAR TABEL ... xviii

DAFTAR RUMUS...xx

DAFTAR LAMPIRAN ...xxi

BAB I PENDAHULUAN ...1

1.1. LATAR BELAKANG ...1

1.2. RUMUSAN MASALAH ...3

1.3. TUJUAN PENELITIAN ...4

1.4. BATASAN MASALAH...4

1.5. MANFAAT PENELITIAN ...4

1.6. METODOLOGI PENELITIAN ...4

1.6.1. Penelitian Pustaka ...4

1.6.2. Knowledge Discovery in Database (KDD) ...5

1.6.3. Pembuatan Laporan ...5

(16)

xiii

BAB II LANDASAN TEORI ...7

2.1. PENAMBANGAN DATA ...7

2.1.1. Pengertian Penambangan Data ...7

2.1.2. Fungsi Penambangan Data...7

2.1.3. Knowledge Discovery in Database (KDD) ...10

2.2. EVALUASI HASIL BELAJAR ...12

2.2.1. Prinsip-prinsip Dasar Evaluasi Hasil Belajar...12

2.2.2. Ketuntasan Belajar ...13

2.2.3. Makna dan Manfaat Evaluasi Belajar ...14

2.2.2.1. Makna Bagi Siswa ...14

2.2.2.2. Makna Bagi Guru ...15

2.2.2.3. Manfaat Bagi Sekolah ...15

2.3. KOMPETENSI ...16

2.3.1. Pengertian Kompetensi ...16

2.3.2. Ranah Kompetensi ...17

2.4. ANALISIS ASOSIASI ...17

2.4.1. Pengertian Asosiasi ...17

2.4.2. Association Rule ...18

2.4.3. Lift Ratio ...19

2.5. ALGORITMA APRIORI ...20

2.5.1. Pengertian Algoritma Apriori ...20

2.5.2. Prinsip Apriori ...20

2.5.3. Algoritma Apriori ...22

BAB III METODE PENELITIAN ...24

3.1. SUMBER DATA ...24

3.2. SPESIFIKASI ALAT ...29

3.3.1. Hardware ...29

3.3.2. Software ...29

3.3. TAHAP-TAHAP PENELITIAN ...29

3.4.1. Studi Kasus ...29

(17)

xiv

3.4.3. Knowledge Discovery in Database (KDD) ...30

3.4.4. Pengembangan Perangkat Lunak ...30

3.4.5. Analisis dan Pembuatan Laporan ...32

BAB IV ANALISIS DAN PERANCANGAN SISTEM ...33

4.1. PEMROSESAN AWAL ...33

4.1.1. Pembersihan Data (Data Cleaning) ...33

4.1.2. Integrasi Data (Data Integration) ...33

4.1.3. Seleksi Data (Data Selection) ...33

4.1.4. Transformasi Data (Data Transformation) ...38

4.2. PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA ...39

4.2.1. Perancangan Umum ...39

4.2.1.1. Input Sistem ...39

4.2.1.2. Proses Sistem ...39

4.2.1.3. Output Sistem ...40

4.2.2. Diagram Use Case ...41

4.2.2.1. Gambaran Umum Use Case ...41

4.2.2.2. Narasi Use Case...41

4.2.3. Diagram Aktivitas ...41

4.2.4. Diagram Kelas Analisis ...41

4.2.5. Diagram Sekuen ...42

4.2.6. Diagram Kelas Disain ...42

4.2.7. Algoritma per Method ...42

4.2.8. Perancangan Struktur Data ...42

4.2.9. Perancangan Antarmuka ...44

4.2.9.1. Perancangan Halaman Awal ...44

4.2.9.2. Perancangan Halaman Preprocess ...45

4.2.9.3. Perancangan Halaman Konfigurasi Database ...47

4.2.9.4. Perancangan Halaman Pilih Tabel Database ...48

4.2.9.5. Perancangan Halaman Asosiasi ...49

(18)

4.2.9.7. Perancangan Halaman Tentang ...52

BAB V IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL ...53

5.1. IMPLEMENTASI RANCANGAN PERANGKAT LUNAK ...53

5.1.1. Implementasi Kelas Model ...53

5.1.2. Implementasi Kelas View...53

5.1.3. Implementasi Kelas Control ...71

5.2. EVALUASI HASIL ...71

5.2.1. Pengujian Perangkat Lunak (Black Box) ...71

5.2.1.1. Rencana Pengujian Black Box ...71

5.2.1.2. Prosedur Pengujian Black Box dan Kasus Uji ...73

5.2.1.3. Evaluasi Pengujian Black Box ...73

5.2.2. Pengujian Perbandingan Hasil Hitung Manual Dengan Hasil Perangkat Lunak ...73

5.2.2.1. Penghitungan Manual ...73

5.2.2.2. Penghitungan Perangkat Lunak ...74

5.2.2.3. Evaluasi Pengujian Perbandingan Hasil Hitung Manual Dengan Hasil Perangkat Lunak ...75

5.2.3. Pengujian Perangkat Lunak Dengan Menggunakan Dataset .75 5.2.3.1. Pengujian Dataset Tahun Pelajaran 2012/2013...77

5.2.3.2. Pengujian Dataset Tahun Pelajaran 2013/2014...83

5.2.3.3. Pengujian Dataset Tahun Pelajaran 2014/2015...88

5.2.3.4. Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 ...92

5.2.4. Evaluasi Pola Asosiasi ...97

5.3. KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK ...99

5.3.1. Kelebihan Perangkat Lunak ...99

(19)

xvi

BAB VI PENUTUP ...102

6.1. KESIMPULAN ...102

6.2. SARAN ...104

DAFTAR PUSTAKA ...105

(20)

xvii

DAFTAR GAMBAR

Halaman Gambar 2.1 Tahap-tahap di dalam proses Knowledge Discovery in Database

(Han&Kamber, 2006) ...10

Gambar 2.2 Illustrasi prinsip apriori, jika {c,d,e} frequent, maka semua subset pada itemset tersebut juga frequent (Tan dkk., 2006) ...21

Gambar 2.3 Illustrasi prinsip apriori, jika {a,b} infrequent, maka semua superset itemset tersebut infrequent (Tan dkk., 2006) ...21

Gambar 4.1 Diagram Flowchart ...40

Gambar 4.2 Illustrasi Konsep ArrayList ...43

Gambar 4.3 Perancangan ArrayList ...43

Gambar 4.4 Rancangan Antarmuka Halaman Awal ...44

Gambar 4.5 Rancangan Antarmuka Halaman Preprocess ...45

Gambar 4.6 Rancangan Antarmuka Halaman Konfigurasi Database ...47

Gambar 4.7 Rancangan Antarmuka Halaman Pilih Tabel Database ...48

Gambar 4.8 Rancangan Antarmuka Halaman Asosiasi ...49

Gambar 4.9 Rancangan Antarmuka Halaman Bantuan ...51

Gambar 4.10 Rancangan Antarmuka Halaman Tentang ...52

Gambar 5.1 Implementasi Antarmuka Kelas view_home ...55

Gambar 5.2 Implementasi Antarmuka Kelas view_preprocess ...59

Gambar 5.3 Implementasi Antarmuka Kelas view_database ...61

Gambar 5.4 Implementasi Antarmuka Kelas view_table ...63

Gambar 5.5 Implementasi Antarmuka Kelas view_asosiasi ...66

Gambar 5.6 Implementasi Antarmuka Kelas view_help ...68

Gambar 5.7 Implementasi Antarmuka Kelas view_about ...70

Gambar 5.8 Hasil Penambangan Data Menggunakan Perangkat Lunak ...74

(21)

xviii

DAFTAR TABEL

Halaman

Tabel 2.1 Interval Daya Serap Siswa ...13

Tabel 3.1 Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 ...24

Tabel 3.2 Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2014/2015 ...27

Tabel 4.1 Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 ...34

Tabel 4.2 Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2014/2015 ...36

Tabel 5.1 Implementasi Kelas Model...53

Tabel 5.2 Implementasi Kelas View ...53

Tabel 5.3 Spesifikasi Detail Kelas view_home.java ...54

Tabel 5.4 Spesifikasi Detail Kelas view_preprocess.java ...56

Tabel 5.5 Spesifikasi Detail Kelas view_database,java ...59

Tabel 5.6 Spesifikasi Detail Kelas view_table.java ...62

Tabel 5.7 Spesifikasi Detail Kelas view_asosiasi.java...63

Tabel 5.8 Spesifikasi Detail Kelas view_help.java ...67

Tabel 5.9 Spesifikasi Detail Kelas view_about.java ...69

Tabel 5.10 Implementasi Kelas Controller...71

Tabel 5.11 Rencana Pengujian Black Box ...71

Tabel 5.12 Pengujian Dataset Tahun Pelajaran 2012/2013 ...77

Tabel 5.13 Pengujian Dataset Tahun Pelajaran 2013/2014 ...83

(22)

xix

Tabel 5.15 Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 ...92

(23)

DAFTAR RUMUS

Halaman Rumus 2.1 Nilai Daya Serap ...13 Rumus 2.2 Persentase Ketuntasan Klasikal ...14 Rumus 2.3 Nilai Support ...18 Rumus 2.4 Nilai Confidence ...18 Rumus 2.5 Lift Ratio ...19 Rumus 2.6 Expected Confidence ...19 Rumus 4.1 min-max normalization ...38

(24)

xxi

DAFTAR LAMPIRAN

Halaman LAMPIRAN 1 DATA DAYA SERAP HASIL UJIAN NASIONAL MATA

PELAJARAN MATEMATIKA SMA JURUSAN IPA DI DAERAH ISTIMEWA YOGYAKARTA ...108 LAMPIRAN 2 DATASET HASIL TRANSFORMASI DATA ...116 LAMPIRAN 3 DIAGRAM USE CASE ...124 LAMPIRAN 4 GAMBARAN UMUM USE CASE ...125 LAMPIRAN 5 NARASI USE CASE ...126 LAMPIRAN 6 DIAGRAM AKTIVITAS...132 LAMPIRAN 7 DIAGRAM KELAS ANALISIS ...136 LAMPIRAN 8 DIAGRAM SEQUENCE ...137 LAMPIRAN 9 STRUKTUR DIAGRAM KELAS ...142 LAMPIRAN 10 ALGORITMA PER METHOD...143 LAMPIRAN 11 PROSEDUR PENGUJIAN DAN KASUS UJI...150 LAMPIRAN 12 HITUNG MANUAL PENAMBANGAN DATA ...157 LAMPIRAN 13 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN

DATASET 2012/2013 ...162 LAMPIRAN 14 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN

DATASET 2013/2014 ...169 LAMPIRAN 15 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN

DATASET 2014/2015 ...175 LAMPIRAN 16 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN

DATASET GABUNGAN TAHUN PELAJARAN 2012/2013 DAN TAHUN PELAJARAN 2013/2014 ...180

(25)

1 BAB I PENDAHULUAN

1.1. LATAR BELAKANG

Ujian nasional merupakan salah satu upaya pemerintah dalam rangka meningkatkan mutu pendidikan. Selain berfungsi untuk mengukur dan menilai pencapaian kompetensi lulusan dalam mata pelajaran tertentu, hasil ujian nasional juga berfungsi sebagai pertimbangan seleksi masuk jenjang pendidikan berikutnya. Oleh sebab itu dalam pelaksanaan ujian nasional, sekolah berusaha semaksimal mungkin agar hasil ujian nasional peserta didiknya memberikan hasil yang memuaskan. Salah satu hal yang dilakukan dalam upaya memaksimalkan hasil ujian nasional adalah dengan memberikan pengajaran yang maksimal baik dari segi penyampaian materi pelajaran maupun guru yang mengajar.

Dalam kegiatan belajar mengajar di sekolah, cara penyampaian pembelajaran kepada siswa berbeda-beda, tergantung pada pelajaran dan tingkat kesulitan materi pelajaran yang di sampaikan. Cara penyampaian pembelajaran yang kurang tepat dapat berpengaruh terhadap kemampuan siswa dalam memahami suatu pelajaran. Kurangnya pemahaman siswa dalam memahami pelajaran dapat berpengaruh terhadap nilai akhir yang akan diperoleh nantinya. Hal ini merupakan masalah yang membuat guru untuk berusaha semaksimal mungkin merubah cara penyampaian pembelajaran supaya kualitas belajar siswa juga meningkat. Selain itu kemampuan siswa dalam memahami suatu pelajaran juga erat kaitannya dengan daya serap yang dimiliki oleh masing-masing siswa.

Daya serap siswa adalah kemampuan siswa untuk menguasi materi yang dipelajarinya sesuai dengan bahan mata pelajaran yang disampaikan oleh guru. Daya serap digunakan oleh guru sebagai tolak ukur untuk mengetahui sejauh mana pemahaman siswa terhadap mata pelajaran yang diajarkan. Daya serap siswa dapat diperoleh setelah guru selesai melaksanakan tahap-tahap dalam pelaksanaan pembelajaran. Dari hasil inilah guru dapat memetakan perolehan nilai yang dicapai oleh siswa.

(26)

Sehubungan dengan adanya Ujian Nasional yang diadakan oleh Pemerintah Indonesia, daya serap mempunyai kaitan erat karena Ujian Nasional sendiri terdiri dari berbagai indikator yang diujikan. Sehingga kemampuan daya serap pada setiap indikator sangatlah penting untuk dikuasai oleh setipa siswa. Sudah seharusnya nilai Ujian Nasional memberikan informasi yang bermanfaat bagi peningkatan mutu pendidikan di sekolah, tidak hanya memperlihatkan peningkatan nilai rata-rata tetapi juga dapat memberikan informasi mengenai daya serap siswa atau kemampuan penguasaan materi siswa pada pokok bahasan yang diujikan. Dengan adanya nilai daya serap dari hasil Ujian Nasional, diharapkan memberikan dampak positif terutama dalam hal peningkatan kinerja dari masing-masing pihak yang terkait sehingga dapat meningkatkan mutu kelululusan.

Daya serap Ujian Nasional memberikan banyak manfaat bagi banyak pihak, terumata sekolah sebagai tempat siswa belajar. Daya serap ujian nasional ini memberikan informasi seberapa besar daya serap peserta ujian, dapat mengetahui kemampuan dan kelemahan dalam suatu kompetensi, dan dapat mengetahui keberhasilan guru dalam menyampaikan pelajaran.

Data daya serap Ujian Nasional dapat diperoleh melalaui website resmi milik Kementrian Pendidikan dan Budaya. Setiap tahunnya, hasil Ujian Nasional selalu dipublikasikan dengan tujuan untuk memberikan data dan informasi hasil UN kepada para pengambil kebijakan pada tingkat pusat, provinsi, kabupaten/kota, dan satuan pendidikan atau sekolah/madrasah untuk dimanfaatkan sebagai salah satu bahan masukan pengambilan kebijakan bagi perbaikan mutu pendidikan. Salah satu data yang dipublikasikan adalah data daya serap. Data tersebut berisi informasi nilai daya serap tiap kemampuan yang diuji pada tiap sekolah, rayon, provinsi dan secara nasional.

Dalam penelitian ini, peneliti memilih mata pelajaran matematika sebagai objek penelitian, dimana mata pelajaran tersebut nantinya akan di cari hubungan antar indikator pencapaian kompetensinya. Pemilihan mata pelajaran matematika ini didasari karena pentingnya kegunaan matematika dalam kehidupan sehari-hari. Dengan belajar matematika, cara berpikir manusia menjadi sistematis, melalui urutan-urutan yang teratur dan tertentu. Dengan belajar matematika, otak akan

(27)

terbiasa untuk memecahkan masalah secara sistematis. Sehingga bila diterapkan dalam kehidupan nyata, kita bisa menyelesaikan setiap masalah dengan lebih mudah. Selain itu belajar matematika melatih kita menjadi manusia yang lebih teliti, cermat, dan tidak ceroboh dalam bertindak.

Algoritma yang akan digunakan penulis pada penelitian ini adalah algoritma apriori. Algoritma apriori merupakan salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rules. (Erwin, 2009). Kelebihan algoritma apriori adalah lebih sederhana dan dapat menangani data yang besar dibandingkan dengan algoritma lain. Hal ini dapat mempengaruhi banyaknya item yang diproses serta mudah dipahami struktur kerja dan implementasinya (Pratama dkk., 2014). Keberhasilan penggunaan algoritma apriori sudah terbukti yaitu pada penelitian yang dilakukan oleh Pratama dkk. (2014) dalam menemukan hubungan data awal masuk mahasiswa dengan prestasi akademik.

Dengan melakukan analisis asosiasi terhadap nilai daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA, diharapkan dapat ditemukan pola asosiasi antar indikator pencapaian kompetensi. Hasil analisis tersebut nantinya dapat digunakan untuk mengetahui indikator pencapaian kompetensi apa saja yang memiliki keterkaitan satu sama lain dan dapat berpengaruh pada pemahaman siswa terhadap indikator pencapaian kompetensi tersebut.

1.2. RUMUSAN MASALAH

1. Bagaimana menerapkan algoritma apriori untuk analisis daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta?

2. Apakah dapat ditemukan pola asosiasi yang menarik dari data daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta berdasarkan ukuran lift ratio?

(28)

1.3. TUJUAN PENELITIAN

Tujuan dari penelitian ini adalah menerapkan algoritma apriori pada data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta untuk menemukan aturan asosiasi antar indikator pencapaian kompetensi yang diujikan pada Ujian Nasional.

1.4. BATASAN MASALAH

Masalah dibatasi sebagai berikut :

a. Data yang digunakan adalah data daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun pelajaran 2014/2015.

b. Data mata pelajaran yang diteliti hanya satu yaitu Matematika.

1.5. MANFAAT PENELITIAN

Penelitian ini diharapkan dapat memberikan manfaat yang berguna bagi pihak-pihak dalam dunia pendidikan, terutama dinas pendidikan. Dinas pendidikan dapat menggunakan penelitian ini sebagai salah satu bahan masukan pengambilan kebijakan bagi perbaikan mutu suatu mata pelajaran.

1.6. METODOLOGI PENELITIAN

Metodologi penelitian yang digunakan dalam menyelesaikan tugas akhir ini adalah sebagai berikut :

1.6.1. Penelitian Pustaka

Tahap ini merupakan proses mengumpulkan informasi berupa teori-teori serta algoritma yang akan digunakan untuk melakukan teknik asosiasi dari berbagai macam referensi yang tersedia.

(29)

1.6.2. Knowledge Discovery in Database (KDD)

Pada tahap ini akan dilakukan proses KDD untuk mendapatkan suatu informasi dari data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta. Proses KDD yang dilakukan terdiri dari pembersihan data, integrasi data, seleksi data, transformasi data, penambangan data, evaluasi pola, dan presentasi pengetahuan.

Dalam tahap penambangan data akan dibuat suatu perangkat lunak sebagai alat uji dengan menggunakan metodologi waterfall. Secara garis besar metodologi waterfall mempunyai tiga langkah utama yaitu analisa kebutuhan sistem, disain sistem, pemrograman (code), dan pengujian (testing). Dari hasil pengujian yang didapat akan dilakukan analisa untuk memperoleh informasi yang berguna dan bermanfaat.

1.6.3. Pembuatan Laporan

Dari penelitian dan pengujian yang sudah dilakukan sebelumnya, hasil dari penelitian dan pengujian tersebut akan diolah ke dalam sebuah laporan tugas akhir agar dapat digunakan untuk kepentingan akademis.

1.7. SISTEMATIKA PENULISAN 1. BAB I : PENDAHULUAN

Bab pertama ini berisi latar belakang penelitian, rumusan masalah, tujuan ponelitian, batasan masalah, manfaat penelitian, metodologi yang digunakan dalam penelitian, dan sistematika penulisan tugas akhir.

2. BAB II : LANDASAN TEORI

Bab kedua ini akan menjelaskan mengenai teori yang berkaitan dengan judul/masalah di tugas akhir. Teori tersebut terdiri dari penambangan data, evaluasi hasil belajar, kompetensi, analisis asosiasi, dan algoritma apriori.

(30)

3. BAB III : METODOLOGI PENELITIAN

Bab ketiga ini akan menjelaskan gambaran umum penelitian, data, spesifikasi alat, dan tahap-tahap penelitian.

4. BAB IV : PEMROSESAN AWAL DAN PERANCANGAN

PERANGKAT LUNAK PENAMBANGAN DATA

Bab keempat ini berisi pemrosesan awal dalam proses Knowledge Discovery in Database (KDD) yaitu pembersihan data, integrasi data, seleksi data, dan transformasi data. Selain itu bab ini juga akan berisi perancangan perangkat lunak yang akan digunakan dalam tahap penambangan data. Perancangan perangkat lunak tersebut terdiri dari perancangan umum, diagram use case, diagram aktivitas, diagram kelas analisis, diagram sekuen, diagram kelas disain, algoritma per method, struktur data, dan perancangan antarmuka.

5. BAB V : IMPLEMENTASI PENAMBANGAN DATA DAN

EVALUASI HASIL

Bab kelima ini berisi implementasi rancangan perangkat lunak penambangan data dan evaluasi hasil yang terdiri dari pengujian perangkat lunak (black box), pengujian perbandingan hitung manual dengan hasil sistem, pengujian efek perubahan nilai minimum support dan nilai minimum confidence, pengujian dataset , evaluasi pola asosiasi, dan kelebihan dan kekurangan sistem.

6. BAB VI : PENUTUP

Bab terakhir ini akan menjelaskan tentang kesimpulan umum yang diperoleh dari pembuatan sistem serta rancangan pengembangan sistem ke depan.

(31)

7 BAB II

LANDASAN TEORI

2.1. PENAMBANGAN DATA 2.1.1. Pengertian Penambangan Data

Penambangan data adalah proses menemukan informasi yang berguna dari repositori data yang besar secara otomatis (Tan dkk., 2006). Penambangan data berisi pencarian pola yang diinginkan di dalam basis data yang besar untuk membantu pengambilan keputusan di waktu yang akan datang. Pola- pola ini dikenali agar dapat memberikan suatu analisa data yang berguna untuk kemudian dapat dipelajari dengan lebih teliti (Hermawati, 2013).

Tidak semua tugas dalam menemukan informasi dapat dikatakan sebagai aktivitas penambangan data. Meskipun tugas-tugas tersebut penting dan mungkin melibatkan penggunaan struktur data dan algoritma yang canggih, mereka bergantung pada teknik ilmu komputer tradisional dan fitur data yang jelas. Hal ini perlu dalam membuat struktur indeks untuk secara efisien megatur dan mengambil informasi. Meski demikian, teknik penambangan data sudah digunakan dalam meningkatkan sistem pencarian informasi (Tan dkk., 2006).

2.1.2. Fungsi Penambangan Data

Menurut Han dkk. (2006), fungsionalitas penambangan data digunakan untuk menentukan jenis pola yang dapat ditemukan dalam tugas-tugas penambangan data. Secara umum, tugas penambangan data dapat diklasifikasikan ke dalam dua kategori: deskriptif dan prediktif. Tugas penambangan deskriptif adalah mengkarakterisasi sifat umum dari data dalam basis data. Sedangkan tugas penambangan prediksi adalah melakukan inferensi pada data saat ini untuk membuat prediksi.

Fungsi penambangan data dan jenis pola yang dapat ditemukan, yaitu : a. Konsep / Deskripsi Kelas: Karakterisasi dan Diskriminasi

Data dapat dikaitkan dengan kelas atau konsep. Deskripsi seperti dari kelas atau konsep yang disebut deskripsi kelas / konsep. Deskripsi

(32)

dapat diturunkan melalui karakterisasi data, dengan merangkum data dari kelas yang diteliti (sering disebut kelas target) secara umum, atau diskriminasi data, dengan perbandingan dari kelas target dengan satu atau set kelas komparatif (sering disebut kelas kontras), atau keduanya karakterisasi data dan diskriminasi.

b. Penambangan Kemunculan Pola, Asosiasi, dan Korelasi

Pola yang sering muncul (frequent) adalah pola yang sering terjadi di data. Jenis pola yang dimaksud yaitu itemset, subsequences, dan substructure. Sebuah itemset biasanya mengacu pada satu set item yang muncul bersama-sama dalam satu set data transaksional. Sebuah subsequence contohnya seperti pola pelanggan yang cenderung membeli komputer, diikuti oleh kamera digital, dan kemudian kartu memori. Sebuah substructure dapat merujuk ke bentuk struktural yang berbeda, seperti grafik, tree, atau kisi, yang dapat dikombinasikan dengan itemset atau subsequences. Substructure yang sering terjadi disebut pola terstruktur. Penambangan pola mengarah pada penemuan asosiasi menarik dan korelasi dalam data.

c. Klasifikasi dan Prediksi

Klasifikasi adalah proses menemukan model atau fungsi yang menggambarkan dan membedakan kelas data atau konsep. Tujuannya untuk memprediksi kelas dari objek yang label kelasnya tidak diketahui.

Prediksi digunakan untuk memprediksi hilang atau tidak tersedianya data nilai numerik pada label kelas. Analisis regresi adalah metodologi statistik yang paling sering digunakan untuk prediksi numerik. Prediksi juga mencakup identifikasi tren distribusi berdasarkan data yang tersedia. Klasifikasi dan prediksi mungkin perlu didahului dengan analisis relevansi untuk mengidentifikasi atribut yang tidak memberikan kontribusi pada proses klasifikasi atau prediksi.

(33)

d. Analisis Klaster

Analisis klaster yaitu menemukan kumpulan objek hingga objek-objek dalam satu kelompok sama (atau punya hubungan) dengan yang lain dan berbeda (atau tidak berhubungan) dengan objek-objek dalam kelompok lain. Tujuan dari analisis klaster adalah meminimalkan jarak di dalam klaster dan memaksimalkan jarak antar klaster.

e. Analisis Outlier

Database mungkin berisi data objek yang tidak sesuai dengan perilaku umum atau model data. Obyek data outlier. Sebagian besar metode data mining membuang outlier sebagai noise atau pengecualian. Namun, dalam beberapa aplikasi seperti deteksi penipuan, peristiwa langka bisa lebih menarik daripada peristiwa yang sering terjadi. Outlier dapat dideteksi menggunakan uji statistik yang mengasumsikan distribusi atau model probabilitas data, atau menggunakan pendekatan jarak di mana objek yang berbeda dari setiap klaster lainnya dianggap outlier.

f. Analisis Evolution

Analisis evolusi menggambarkan data dan model keteraturan atau tren untuk objek yang perilakunya berubah dari waktu ke waktu. Meskipun termasuk dalam karakterisasi, diskriminasi, asosiasi dan analisis korelasi, klasifikasi, prediksi, atau pengelompokan data, fitur yang berbeda dari analisis tersebut meliputi analisis data time-series, urutan atau periodisitas pencocokan pola, dan analisis data berbasis kesamaan.

(34)

2.1.3. Knowledge Discovery in Database (KDD)

Menurut Han dan Kamber (2006), penambangan data tidak dapat dipisahkan dari proses knowledge discovery in database (KDD). Proses KDD merupakan sebuah proses mengubah data mentah menjadi suatu informasi yang berguna. Illustrasi proses KDD dapat dilihat pada gambar 2.1.

Gambar 2.1 Tahap-tahap di dalam proses Knowledge Discovery in Database (Han&Kamber, 2006)

(35)

Knowledge discovery sebagai suatu proses digambarkan dalam Gambar 2.1 dan terdiri dari urutan berulang dari langkah-langkah berikut:

1. Pembersihan Data (Data Cleaningi)

Tahap ini merupakan proses menghilangkan data yang tidak dibutuhkan (noise) dan data yang tidak konsisten

2. Integrasi Data (Data Integration)

Tahap ini merupakan proses menggabungkan bermacam-macam data dari berbagai sumber.

3. Seleksi Data (Data Selection)

Tahap ini merupakan proses menganalisis data yang relavan dari dalam database.

4. Transformasi Data (Data Transformation)

Tahap ini merupakan proses data diubah (transformasi) atau digabungkan sehingga menjadi tepat untuk dilakukan penambangan data. 5. Penambangan Data (Data Mining)

Tahap ini merupakan proses penting dimana metode cerdas dilakukan untuk menggali pola dari data.

6. Evaluasi Pola (Pattern Evaluation)

Tahap ini merupakan proses untuk mengidentifikasi pola-pola yang benar-benar menarik yang mewakili pengetahuan berdasarkan beberapa langkah penting.

7. Presentasi Pengetahuan (Knowledge Presentation)

Tahap ini merupakan proses teknik visualisasi dan representasi pengetahuan digunakan untuk menyajikan pengetahuan hasil penambangan kepada pengguna.

(36)

2.2. Evaluasi Hasil Belajar

2.2.1. Prinsip-prinsip Dasar Evaluasi Hasil Belajar

Menurut Hamzah (2014), evaluasi hasil belajar dapat dikatakan terlaksana dengan baik apabila dalam pelaksaannya senantiasa berpegang pada tiga prinsip dasar, yaitu Prinsip Keseluruhan, Prinsip Kesinambungan, dan Prinsip Obyektivitas.

Prinsip keseluruhan atau prinsip menyeluruh juga dikenal dengan istilah prinsip komprehensif (comprehensive). Dengan prinsip komprehensif dimaksudkan di sini bahwa evaluasi hasil belajar dapat dikatakan terlaksana dengan baik apabila evaluasi tersebut dilaksanakan secara bulat, utuh atau menyeluruh. Dengan melakukan evaluasi hasil belajar secara bulat, utuh menyeluruh akan diperoleh bahan-bahan keterangan dan informasi yang lengkap mengenai keadaan dan perkembangan subjek didik yang seang dijadikan sasaran evaluasi.

Prinsip kesinambungan juga dikenal dengan istilah prinsip kontinuitas (continuity). Dengan prinsip kesinambungan dimasksudkan disini bahwa evaluasi hasil belajar yang baik adalah evaluasi hasil belajar yang dilaksanakan secara teratur dan sambung-menyambung dari waktu ke waktu. Dengan evaluasi hasil belajar yang dilaksanakan secara teratur, terencana dan terjadwal itu maka dimungkinkan bagi evaluator untuk memperoleh informasi yang dapat memberikan gambaran mengenai kemajuan atau perkembangan peserta didik, sejak dari awal mula mengikuti program pendidikan sampai saat-saat mereka mengakhiri program pendidikan yang mereka tempuh.

Prinsip Obyektivitas (objectivity) mengandung makna, bahwa evaluasi hasil belajar dapat dinyatakan sebagai evaluasi yang baik apabila dapat terlepas dari faktor-faktor yang sifatnya subyektif. Sehubung dengan itu, dalam pelaksanaan evaluasi hasil belajar, seorang evaluator harus senantiasa berpikir dan bertindak wajar, menurut keadaan yang senyatanya, tidak dicampuri oleh kepentingan-kepentingan yang bersifat subyektif. Prinsip ini sangat penting, sebab apabila dalam melakukan evaluasi terdapat unsur-unsur subyektif, maka akan menodai kemurnian pekerjaan evaluasi itu sendiri.

(37)

2.2.2. Ketuntasan Belajar

Menurut Hamzah (2014), tindak lanjut dari evaluasi hasil belajar selanjutnya adalah untuk menentukan belajar siswa. Sebelum guru menyusun rancangan pembelajaran setiap guru harus menyusun program semester dan program tahunan yaitu menyusun pengalaman belajar apakah yang harus dia berikan kepada siswa dalam satu semester serta satu tahun agar dicapainya standar kompetensi dan kompetensi dasar yang sudah ditemtukan (Setiawan, dalam Hamzah. 2014).

Menurut Rubiatin (2010), dalam proses pembelajaran guru tentu melakukan penilaian dan akan lebih baik bila sekaligus menganalisis hasilnya. Kriteria dalam membuat penentuan pencapaian hasil belajar siswa adalah sebagai berikut :

1. Daya Serap Siswa

Untuk mengetahui daya serap siswa dari hasil belajarnya digunakan analisis dengan menggunakan interval daya serap siswa pada tabel 2.1.

Tabel 2.1 Interval Daya Serap Siswa

No. Interval Kategori

1 0% - 39% Sangat Rendah

2 40% - 59% Rendah

3 60% - 74% Sedang

4 75% - 84% Tinggi

5 85% - 100% Sangat Tinggi

Rumus untuk menghitung nilai daya serap sebagai berikut :

(38)

2. Ketuntasan Individu

Seorang siswa dikatakan tuntas dalam belajar apabila mencapai daya serap minimal 75% terhadap pemahaman materi yang dipelajari berdasarkan tolak ukur kriteria ketuntasan minimal (KKM).

3. Ketuntasan Klasikal

Ketuntasan belajar secara klasikal menurut Yamin (2008) adalah suatu kelas telah tuntas belajar jika sekurang-kurangnya 85% dari siswa tuntas belajar. Ketuntasan belajar secara klasikal dapat dihitung dengan menggunakan rumus :

% = ×

Dimana :

KK = Persentase ketuntasan klasikal

JTS = Jumlah siswa yang tuntas dalam kelas sesuai KKM JS = Jumlah seluruh siswa dalam kelas perlakuan

2.2.3. Makna dan Manfaat Evaluasi Hasil Belajar

Dalam dunia pendidikan, khususnya persekolahan, penilaian mempunyai beberapa makna ditinjau dari berbagai segi (Arikunto, 2005). Berikut ini penjelasan mengenai makna-makna penilaian tersebut.

2.2.3.1. Makna Bagi Siswa

Dengan penilaian, siswa dapat mengetahui sejauh mana keberhasilannya mengikuti pelajaran yang diberikan oleh guru. Terdapat dua kemungkinan hasil yang diperoleh siswa dari pekerjaan menilai ini.

Pertama, memuaskan. Jika siswa memperoleh hasil yang memuaskan dan hal itu menyenangkan, tentu hal itu ingin diperolehnya lagi pada kesempatan lain. Akibatnya, siswa mempunyai motivasi cukup besar untuk belajar lebih giat agar

(39)

mendapat hasil yang lebih memuaskan. Keadaan sebaliknya dapat terjadi, yakni siswa mudah merasa puas dengan hasil yang diperoleh dan usahanya kurang gigih pada lain waktu.

Kedua, tidak memuaskan. Jika siswa tidak puas dengan hasil yang diperolehnya, ia akan berusaha agar lain waktu keadaan itu tidak terulang lagi. Lalu, ia belajar lebih giat. Namun, keadaan bisa sebaliknya. Ada beberapa siswa yang lemah kemauannya, dan menjadi putus asa dengan hasil kurang memuaskan yang diperolehnya.

2.2.3.2. Makna Bagi Guru

Berikut beberapa makna evaluasi bagi guru:

1. Dengan hasil penilaian yang diperoleh, guru mengetahui para siswa yang berhak melanjutkan pelajaraanya karena berhasil menguasai bahan maupun yang belum berhasil menguasai bahan. Dengan petunjuk ini, guru dapat lebih memusatkan perhatiannya kepada siswa yang belum berhasil.

2. Guru mengetahui materi yang tepat diajarkan bagi siswa, sehingga tidak perlu lagi diadakan perubahan untuk memberikan pengajaran di waktu yang akan datang.

3. Guru mengetahui metode yang digunakan sudah tepat atau belum. Jika sebagian besar siswa memperoleh angka rendah pada penilaian, bisa jadi disebabkan oleh pendekatan atau metode yang kurang tepat. Jika demikian, guru harus mawas diri dan mencoba mencari metode lain dalam mengajar.

2.2.3.3. Manfaat Bagi Sekolah

Berikut manfaat evaluasi bagi sekolah:

1. Apabila para guru mengadakan penilaian dan diketahui hasil belajar para siswanya, dapat diketahui pola kondisi belajar yang diciptakan oleh sekolah yang sesuai dengan harapan atau belum. Hasil belajar merupakan cermin kualitas suatu sekolah.

(40)

2. Informasi dari guru tentang tepat atau tidaknya kurikulum untuk sekolah itu merupakan bahan pertimbangan bagi perencanaan sekolah untuk masa yang akan datang.

3. Informasi hasil penilaian yang diperoleh dari tahun ke tahun dapat digunakan sebagai pedoman sekolah mengenai proses penilaian yang dilakukan oleh sekolah sudah memenuhi standar atau belum.

2.3. Kompetensi

2.3.1. Pengertian Kompetensi

Menurut Mulyasa (2006) kompetensi merupakan perpaduan dari pengetahuan, keterampilan, nilai dan sikap yang direfleksikan dalam kebiasaan berpikir dan bertindak. Sedangkan menurut McAshan (1981) kompetensi adalah pengetahuan, keterampilan, dan kemampuan yang dikuasai oleh seseorang yang telah menjadi bagian dari dirinya, sehingga dapat melakukan perilaku-perilaku kognitif, afektif, dan psikomotorik dengan sebaik-baiknya.

Hal tersebut menunjukkan bahwa kompetensi mencakup tugas, keterampilan, sikap, dan apresiasi yang harus dimiliki oleh peserta didik untuk dapat melaksanakan tugas-tugas pembelajaran sesuai dengan jenis pekerjaan tertentu. Dengan demikian terdapat hubungan antara tugas-tugas yang dipelajari peserta didik di sekolah dengan kemampuan yang diperlukan oleh dunia kerja.

Kompetensi yang harus dikuasai peserta didik perlu dinyatakan sedemikian rupa agar dapat dinilai, sebagai wujud hasil belajar peserta didik yang mengacu pada pengalaman langsung. Peserta didik perlu mengetahui tujuan belajar, dan tingkat-tingkat penguasaan yang akan digunakan sebagai kriteria pencapaian secara eksplisit, dikembangan berdasarkan tujuan-tujuan yang telah ditetapkan, dan memiliki kontribusi terhadap kompetensi yang sedang dipelajari. Penilaian terhadap pencapaian kompetensi perlu dilakukan secara objektif, berdasarkan kinerja peserta didik, dengan bukti penguasaan mereka terhadap pengetahuan, keterampilan, nilai dan sikap sebagai hasil belajar. Dengan demikian dalam pembelajaran yang dirancang berdasarkan kompetensi, penilaian tidak dilakukan berdasarkan pertinmbangan yang bersifat subyektif.

(41)

2.3.2. Ranah Kompetensi

Gordon (1988) menjelaskan beberapa aspek atau ranah yang terkandung dalam konsep kompetensi sebagai berikut:

1. Pengetahuan (knowledge) yaitu kesadaran dalam bidang kognitif. 2. Pemahaman (understanding) yaitu kedalaman kognitif, dan afektif yang

dimiliki oleh individu.

3. Kemampuan (skill) adalah sesuatu yang dimiliki individu untuk melakukan tugas atau pekerjaan yang dibebankan kepadanya.

4. Nilai (value) adalah suatu standar perilaku yang telah diyakini dan secara psikologis telah menyatu dalam diri seseorang.

5. Sikap (attitude) yaitu perasaan (senang-tidak senang, suka-tidak suka) atau reaksi terhadapa suatu rangsangan yang datang dari luar.

6. Minat (interest) adalah kecenderungan seseorang untuk melakukan suatu perbuatan.

2.4. Analisis Asosiasi

2.4.1. Pengertian Analisis Asosiasi

Analisis asosiasi adalah teknik penambangan data untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Karena analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisis isi kerangjang belanja di pasar swalayan, analisis asosiasi juga sering disebut dengan istilah market basket analysis (Gordon, 2014).

(42)

… (2.3)

… (2.4)

2.4.2. Association Rule

Menurut Tan dkk. (2006) association rule merupakan sebuah ekspresi implikasi yang berbentuk → , dimana dan merupakan disjoint itemset

= ∅. Dalam association rule, dapat dihitung support dan confidence. Support menyatakan seberapa sering aturan digunakan pada dataset yang diberikan. Confidence menyatakan seberapa sering item-item dalam muncul dalam transaksi yang berisi . Secara formal, rumus minimum support (rumus 2.2) dan rumus minimum confidence (rumus 2.3) dapat dinyatakan dengan persamaan sebagai berikut ini:

, → =� _�

� , → =�_�

Support merupakan ukuran penting karena aturan yang memiliki support yang sangat rendah dapat terjadi hanya secara kebetulan. Support sering digunakan untuk menghilangkan aturan tidak menarik. Support juga memiliki properti yang diinginkan yang dapat dimanfaatkan untuk penemuan efisien aturan asosiasi.

Confidence digunakan untuk mengukur keandalan kesimpulan yang dibuat oleh aturan. Untuk aturan → , semakin tinggi confidence, semakin besar kemungkinan terdapat di dalam transaksi yang mengandung . confidence juga memberikan perkiraan probabilitas bersyarat dari pada .

Permasalahan mendasar dalam association rules dibagi menjadi dua, yaitu: 1. Menemukan seluruh itemset yang memiliki support ≥ minsup. Itemset yang memiliki support lebih besar atau sama dengan minsup disebut dengan large itemset (l-itemset), sedangkan itemset yang memiliki support lebih kecil dari minsup disebut dengan small itemset.

2. Menggunakan large itemset untuk menghasilkan aturan asosiasi yang diinginkan.

(43)

… (2.5)

… (2.6)

Untuk setiap large itemset l, harus dapat ditemukan seluruh subset yang tidak kosong dari l. untuk setiap subset a, akan memperoleh keluaran sebuah aturan dalam bentuk ⇒ − , jika perbandingan � � _

� � _� paling sedikit lebih besar

dari minconf (Nurdiyanto, 2009).

2.4.3. Lift Ratio

Menurut Ammirudin (2010), Banyaknya aturan asosiasi yang dihasilkan memberikan banyak kemungkinan untuk melihat pola-pola yang muncul. Sehingga memberikan berbagai kemungkinan yang dapat dijadikan sebagai dasar untuk membuat keputusan. Tidak semua aturan asosiasi yang ditemukan diinterpretasi. Aturan asosiasi yang diinterpretasi adalag aturan-aturan yang memiliki nilai lift ratio yang tinggi (alasan obyektif) dan aturan yang memiliki relevansi dengan kebutuhan (alasan subyektif).

Lift ratio merupakan sebuah angka ratio yang menunjukkan berapa banyak kemungkinan menemukan sebuah transaksi muncul bersama dengan transaksi lainnya dibandingkan dengan kejadian adanya transaksi yang terpenuhi.

Lift ratio menunjukkan adanya tingkat kekuatan aturan asosiasi atas kejadia acak dari antecedent dan consequent berdasarkan pada support-nya masing-masing. Hal ini akan memberikan informasi tentang perbaikan dan peningkatan probabilitas dari consequent berdasarkan antecedent. Lift ratio didefinisikan sebagai berikut :

� � = � _�

Dimana, expected confidence = (jumlah transaksi memiliki item consequent) / (total jumlah transaksi). Atau dengan cara :

(44)

Ketika nilai lift ratio sama dengan 1 maka A dan B adalah independen karena Pr(A|C) = Pr(C). Ketika probabilitas C terjadi dipengaruhi oleh terjadinya A maka nilai lift ratio lebih besar dari 1. Ketetapan nilai lift ratio adalah apabila hasil perhitungan berada di bawah 1, maka item-item tersebut tidak menunjukkan adanya saling keterkaitan antara antecedent dengan consequent.

2.5. Algoritma Apriori

2.5.1. Pengertian Algoritma Apriori

Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule (Erwin, 2009). Algoritma Apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Pada algoritma Apriori menentukan kandidat yang mungkin muncul dengan cara memperhatikan minimum support dan minimum confidence (Pratama, 2014).

2.5.2. Prinsip Apriori

Menurut Tan dkk. (2006) jika sebuah itemset merupakan frequent, maka semua himpunan bagian juga frequent. Untuk mengilustrasikan ide di balik prinsip apriori, pada gambar 2.2, diasumsikan { , , } adalah frequent itemset. Semua transaksi yang mengandung { , , } harus juga mengandung subsets-nya, { , },

{ , }, { , }, { , , }, { }, { }, dan { }. Kesimpulannya, jika { , , } adalah

(45)

Gambar 2.2 Illustrasi prinsip apriori, jika {c,d,e} frequent, maka semua subset pada itemset tersebut juga frequent (Tan dkk., 2006)

Sebaliknya, pada gambar 2.3, jika sebuah itemset seperti { , } adalah infrequent, maka semua supersets-nya pasti infrequent juga.

Gambar 2.3 Illustrasi prinsip apriori, jika {a,b} infrequent, maka semua superset itemset tersebut infrequent (Tan dkk., 2006)

(46)

2.5.3. Algoritma Apriori

Pseudocode untuk frequent itemset generation yang merupakan bagian dari algoritma apriori, sebagai berikut: ( menunjukkan himpunan semua kandidat k-itemset dan menunjukkan himpunan frequent k-itemsets) (Tan dkk., 2006)

1) = .

2) = {�|� ∈ ∧ � {�} ≥ � × � }.

/* find all frequent 1-itemset */

3) � �

4) = + .

5) = � � ₋₁ .

/* Generate candidate itemsets */

6) � ℎ � ∈

7) = , .

/* Identify all candidate that belong to f */

8) � ℎ � � ∈

9) � = � + .

10) end for

11) end for

12) = { | ∈ ∧ � { } ≥ � × � }.

/* Extract the frequent k-itemsets */

13) � = ∅

14) = ⋃ .

Pseudocode tersebut dapat dijelaskan sebagai berikut:

1. Untuk menghitung support dari candidates, algoritma tersebut perlu membuat tambahan pass over data set (langkah 6-10). Fungsi subset adalah digunakan untuk menentukan seluruh kandidat itemsets di yang terkandung pada setiap traksaksi t.

(47)

2. Setelah menghitung support-nya, algoritma mengeliminasi semua kandidat itemsets yang memiliki jumlah support kurang dari minsup (langkah 12).

3. Algoritma berhenti kerika tidak ada lagi frequent itemsets baru.

Suatu algoritma tentunya memiliki kelebihan dan kekurangannya masing-masing. Berikut adalah kelebihan dan kekurangan algoritma apriori:

1. Kelebihan dari algoritma apriori ini adalah lebih sederhana dan dapat menangani data yang besar. Sedangkan algoritma lainnya memiliki kelemahan dalam penggunaan memori saat jumlah data besar, tentunya berpengaruh terhadap banyaknya item yang diproses serta mudah di pahami struktur kerja dan implementasinya.

2. Apriori memiliki kelemahan karena harus melakukan scan database setiap kali iterasi, sehingga waktu yang diperlukan bertambah dengan makin banyak iterasi.

(48)

24 BAB III

METODOLOGI PENELITIAN

3.1. SUMBER DATA

Data yang digunakan untuk penelitian ini berupa file yang memiliki ekstensi .xls yang diperoleh dari situs milik Kementrian Pendidikan dan Kebudayaan yang dapat diakses melalui alamat http://litbang.kemdikbud.go.id/.

Data sumber merupakan data daya serap indikator pencapaian kompetensi dari mata pelajaran yang diujikan dalam Ujian Nasional SMA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun pelajaran 2014/2015. Pada penelitian ini data yang digunakan hanya data mata pelajaran Matematika. Contoh data mentah dari daya serap mata pelajaran Matematika yang akan diolah terlampir pada lampiran 1.

Atribut yang terdapat pada data daya serap mata pelajaran Matematika tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 dijelaskan pada tabel 3.1.

Tabel 3.1 Tabel Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran

2012/2013 dan Tahun Pelajaran 2013/2014

Kode Atribut Nama Atribut

KODE_SEKOLAH Kode Sekolah NAMA_SEKOLAH Nama Sekolah

JNS_SEK Jenis Sekolah (SMA/MA) STS_SEK Status Sekolah (Negeri/Swasta)

MAT1 Menentukan bayangan titik atau kurva karena dua transformasi atau lebih.

MAT2 Menentukan ingkaran atau kesetaraan dari pernyataan majemuk atau pernyataan berkuantor.

MAT3 Menentukan integral tak tentu dan integral tentu fungsi aljabar dan fungsi trigonometri.

(49)

MAT4 Menentukan penarikan kesimpulan dari beberapa premis.

MAT5 Menentukan penyelesaian pertidaksamaan eksponen atau logaritma.

MAT6 Menentukan persamaan lingkaran atau garis singgung lingkaran.

MAT7 Menggunakan aturan pangkat, akar, dan logaritma. MAT8 Menggunakan rumus jumlah dan hasil kali akar-akar

persamaan kuadrat.

MAT9 Menghitung jarak dan sudut antara dua objek (titik, garis dan bidang) di ruang dimensi tiga.

MAT10 Menghitung luas daerah dan volume benda putar dengan menggunakan integral.

MAT11 Menghitung nilai limit fungsi aljabar dan fungsi trigonometri.

MAT12 Menghitung ukuran pemusatan atau ukuran letak dari data dalam bentuk tabel, diagram atau grafik.

MAT13 Menyelesaikan masalah deret aritmetika. MAT14 Menyelesaikan masalah deret geometri.

MAT15 Menyelesaikan masalah geometri dengan menggunakan aturan sinus atau kosinus.

MAT16 Menyelesaikan masalah persamaan atau fungsi kuadrat dengan menggunakan diskriminan.

MAT17 Menyelesaikan masalah program linear.

MAT18

Menyelesaikan masalah sehari-hari dengan menggunakan kaidah pencacahan, permutasi atau kombinasi.

MAT19 Menyelesaikan masalah sehari-hari yang berkaitan dengan sistem persamaan linear.

(50)

MAT20

Menyelesaikan masalah yang berkaitan dengan besar sudut atau nilai perbandingan trigonometri sudut antara dua vektor.

MAT21

Menyelesaikan masalah yang berkaitan dengan nilai perbandingan trigonometri yang menggunakan rumusjumlah dan selisih sinus, kosinus dan tangen sertajumlah dan selisih dua sudut.

MAT22 Menyelesaikan masalah yang berkaitan dengan fungsi eksponen atau fungsi logaritma.

MAT23 Menyelesaikan masalah yang berkaitan dengan komposisi dua fungsi atau fungsi invers.

MAT24 Menyelesaikan masalah yang berkaitan dengan panjang proyeksi atau vektor proyeksi.

MAT25 Menyelesaikan masalah yang berkaitan dengan peluang suatu kejadian.

MAT26 Menyelesaikan masalah yang berkaitan dengan teorema sisa atau teorema faktor.

MAT27 Menyelesaikan operasi aljabar beberapa vektordengan syarat tertentu.

MAT28 Menyelesaikan operasi matriks.

MAT29 Menyelesaikan persamaan trigonometri. MAT30 Menyelesaikan soal aplikasi turunan fungsi.

Atribut yang terdapat pada data daya serap mata pelajaran Matematika tahun pelajaran 2014/2015 memiliki kode atribut yang sama dengan data daya serap mata pleajaran Matematika tahun pelajaran 2012/2013 dan gtahun pelajaran 2013/2014. Namun terdapat perbedaan pada nama atribut dan jumlah atribut. Atribut data daya serap mata pelajaran Matematika tahun pelajaran 2014/2015 dijelaskan pada tabel 3.2.

(51)

Tabel 3.2 Tabel Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran

2014/2015

Kode Atribut Nama Atribut

KODE_SEKOLAH Kode Sekolah NAMA_SEKOLAH Nama Sekolah

JNS_SEK Jenis Sekolah (SMA/MA) STS_SEK Status Sekolah (Negeri/Swasta)

MAT1 Menentukan bayangan titik atau kurva karena dua transformasi atau lebih.

MAT2 Menentukan ingkaran atau kesetaraan dari pernyataan majemuk atau pernyataan berkuantor.

MAT3 Menentukan integral tak tentu dan integral tentufungsi aljabar dan fungsi trigonometri.

MAT4 Menentukan penarikan kesimpulan dari beberapa premis.

MAT5 Menentukan penyelesaian pertidaksamaan eksponen atau logaritma.

MAT6 Menentukan persamaan lingkaran atau garis singgung lingkaran.

MAT7 Menggunakan aturan pangkat, akar, dan logaritma. MAT8 Menggunakan rumus jumlah dan hasil kali akar-akar

persamaan kuadrat.

MAT9 Menghitung jarak dan sudut antara dua objek (titik, garis dan bidang) di ruang dimensi tiga.

MAT10 Menghitung luas daerah dan volume benda putar dengan menggunakan integral.

MAT11 Menghitung nilai limit fungsi aljabar dan fungsi trigonometri.

(52)

MAT12 Menghitung ukuran pemusatan atau ukuran letak dari data dalam bentuk tabel, diagram atau grafik.

MAT13 Menyelesaikan masalah deret aritmetika. MAT14 Menyelesaikan masalah deret geometri.

MAT15 Menyelesaikan masalah geometri dengan menggunakan aturan sinus atau kosinus.

MAT16 Menyelesaikan masalah persamaan atau fungsi kuadrat dengan menggunakan diskriminan.

MAT17 Menyelesaikan masalah program linear.

MAT18

Menyelesaikan masalah sehari-hari dengan menggunakan kaidah pencacahan, permutasi atau kombinasi.

MAT19 Menyelesaikan masalah sehari-hari yang berkaitan dengan sistem persamaan linear.

MAT20

Menyelesaikan masalah yang berkaitan dengan besar sudut atau nilai perbandingan trigonometri sudut antara dua vektor.

MAT21

Menyelesaikan masalah yang berkaitan dengan nilai perbandingan trigonometri yang menggunakan rumus jumlah dan selisih sinus, kosinus dan tangen serta jumlah dan selisih dua sudut.

MAT22 Menyelesaikan masalah yang berkaitan dengan fungsi eksponen atau fungsi logaritma.

MAT23 Menyelesaikan masalah yang berkaitan dengan komposisi dua fungsi atau fungsi invers.

MAT24 Menyelesaikan masalah yang berkaitan dengan panjang proyeksi atau vektor proyeksi.

MAT25 Menyelesaikan masalah yang berkaitan dengan peluang suatu kejadian.

(53)

MAT26 Menyelesaikan masalah yang berkaitan dengan teorema sisa atau teorema faktor.

MAT27 Menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu.

MAT28 Menyelesaikan operasi matriks.

MAT29 Menyelesaikan persamaan trigonometri.

3.2. SPESIFIKASI ALAT 3.3.1. Hardware

1. Prosesor : Intel Core i3-2350M 2.3GHz 2. Memori : 4 GB

3. Graphic Card : Nvidia Geforce 610M 2GB 4. Storage : 500 GB

3.3.2. Software:

1. IDE Netbeans 8.0.2

Sebagai IDE (Integrated Development Environment) untuk membuat atau mengembangkan perangkat lunak (software).

2. MySQL Database

Sebagai aplikasi untuk membuat rancangan basis data.

3.3. TAHAP-TAHAP PENELITIAN 3.4.1. Studi Kasus

Ujian Nasional merupakan salah satu sistem evaluasi standar pendidikan yang ada di Indonesia. Dengan adanya Ujian Nasional ini dapat diketahui sejauh mana mutu pendidikan di Indonesia. Untuk meningkatkan mutu pendidikan tersebut dapat dilakukan evaluasi berdasarkan hasil Ujian Nasional. Untuk lebih detail dalam melakukan evaluasi, maka digunakanlah nilai daya serap yang terdiri dari beberapa kompetensi dalam tiap mata pelajaran.

Penelitian ini dilakukan berdasarkan masih rendahnya daya serap siswa dalam memahami suatu kompetensi pada suatu mata pelajaran khususnya mata

(54)

pelajaran Matematika. Masih rendahnya daya serap siswa tidak terlepas dari cara penyampaian pembelajaran atau metode pembelajaran yang kurang tepat pada suatu kompetensi mata pelajaran. Melalui penelitian ini, penulis ingin mencari pola asosiasi antar indikator pencapaian kompetensi mata pelajaran Matematika agar nantinya dapat dipergunakan sebagai alat bantu dalam melakukan evaluasi pembelajaran.

3.4.2. Penelitian Pustaka

Penulis melakukan studi literatur untuk mencari referensi yang berkaitan denga teori-teori yang dapat menunjang dan mendukung penelitian. Literatur yang digunakan berasal dari buku, jurnal, dan karya ilmiah. Selain itu juga dilakukan wawancara terhadap narasumber yang berkompeten di bidang yang mendukung penelitian penulis.

3.4.3. Knowledge Discovery in Database (KDD)

Dalam melakukan proses mengubah data mentah menjadi suatu informasi yang bermanfaat, penulis menggunakan proses Knowledge Discovery in Database (KDD) yang terdiri dari pembersihan data, integrasi data, seleksi data, transformasi data, penambangan data, evaluasi pola, dan presentasi pengetahuan.

Pada tahap pembersihan data dan integrasi data, penulis melakukan secara manual dengan menggunakan aplikasi microsoft excel. Tahap selanjutnya yaitu seleksi data, transformasi data, dan penambangan data, penulis mengembangkan perangkat lunak sebagai alat bantu untuk melakukan tahap-tahap tersebut. Sedangkan untuk tahap evaluasi pola dan presentasi pengetahuan, penulis melakukan evaluasi dari hasil penambangan data yang didapat dari perangkat lunak yang telah dibangun dan menjelaskan hasil evaluasi tersebut agar informasi yang didapat dapat diterima oleh pihak-pihak yang membutuhkan.

3.4.4. Pengembangan Perangkat Lunak

Pada tahap seleksi data, transformasi data, dan penambangan data di dalam proses Knowledge Discovery in Database (KDD), penulis mengembangkan

(55)

perangkat lunak sebagai alat untuk mengolah dataset yang penulis miliki untuk mendapatkan informasi yang berguna.

Metode yang digunakan oleh penulis dalam pengembangan sistem adalah metode waterfall. Metode ini merupakan salah satu metode yang paling sering dipakai oleh para pengembang perangkat lunak. Inti dari metode ini adalah pengerjaan sistem dilakukan secara linier. Penegerjaan sistem secara linear adalah jika tahap pertama belum dilakukan, maka tahap kedua dan selanjutnya tidak dapat dikerjakan. Secara garis besar metode waterfall mempunyai langkah – langkah sebagai berikut:

1. Analisa

Langkah ini merupakan analisa terhadap kebutuhan sistem. Pengumpulan data dalam tahap ini bisa melakukan sebuah penelitian, wawancara atau studi literatur. Seorang sistem analis bertugas dalam mencari informasi sebanyak mungkin dari user sehingga sistem yang dibuat dapat sesuai dengan keinginan user. Tahapan ini biasanya akan menghasilkan dokumen user requirement yang dapat digunakan sistem analis untuk menerjemahkan ke dalam bahasa pemrograman.

2. Design

Proses desain akan menerjemahkan syarat kebutuhan ke sebuah perancangan perangkat lunak yang dapat diperkirakan sebelum di ubah ke dalam bahasa pemrograman. Proses ini berfokus pada struktur data, arsitektur perangkat lunak, representasi interface, dan detail algoritma. Tahapan ini akan menghasilkan dokumen yang disebut software requirement. Dokumen ini yang digunakan seorang programmer untuk membangun sistemnya.

3. Pemrograman

Pemrograman merupakan penerjemahan design ke dalam bahasa pemrograman. Pada tahap ini programmer akan mengubah proses transaksi yang diinginkan user ke dalam sistem yang dibuatnya.

(56)

4. Pengujian Perangkat Lunak

Setelah pemrograman selesai maka akan dilakukan pengujian terhadap perangkat lunak tersebut. Pengujian yang digunakan adalah pengujian black box dan pengujian membandingakan hasil penghitungan manual dengan hasil yang diperoleh oleh perangkat lunak. Tujuan pengujian ini adalah untuk menemukan kesalahan – kesalahan yang terdapat pada perangkat lunak tersebut agar kemudian dapat diperbaiki.

2.4.4. Analisis dan Pembuatan Laporan

Analisis yang akan dilakukan adalah analisis kinerja dari alat uji yang dibuat menggunakan algoritma apriori, dan hasil analisis tersebut nantinya akan diolah kedalam sebuah laporan tugas akhir.

(57)

33 BAB IV

PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA

4.1. PEMROSESAN AWAL

4.1.1. Pembersihan Data (Data Cleaning)

Pembersihan data yaitu membersihkan data dari noise seperti data yang tidak terisi nilai apapun (kosong) dan data yang tidak konsisten. Data yang ada memiliki noise pada beberapa sekolah yang nilai daya serapnya kosong. Maka sekolah tersebut akan dihapus dari tabel data.

4.1.2. Integrasi Data (Data Integration)

Integrasi data adalah melakukan penggabungan data dari berbagai macam sumber. Data yang ada terdiri dari tiga file yaitu data nilai daya serap hasil Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun pelajaran 2014/2015. Pada tahap ini, untuk data nilai daya serap hasil Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 digabungkan menjadi sebuah file karena memiliki atribut yang sama. Sedangkan untuk data nilai daya serap hasil Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015 berdiri sendiri karena memiliki atribut yang berbeda.

4.1.3. Seleksi Data (Data Selection)

Seleksi data adalah seleksi atribut yang akan digunakan dalam proses penambangan data. Proses seleksi dilakukan dengan memilih atribut yang relevan untuk digunakan dalam penelitian, dan menghapus atribut yang tidak relevan. Atribut yang dihapus dari data daya serap Ujian Nasional di Daerah Istimema Yogyakarta tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun pelajaran 2014/2015 adalah atribut KODE_SEKOLAH, NAMA_SEKOLAH, JNS_SEK, dan STS_SEK. Hasil dari seleksi atribut pada data nilai daya serap hasil

(58)

Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 dapat dilihat pada tabel 4.1.

Tabel 4.1 Tabel Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2012/2013

dan Tahun Pelajaran 2013/2014

Kode Atribut Nama Atribut

MAT1 Menentukan bayangan titik atau kurva karena dua transformasi atau lebih.

MAT2 Menentukan ingkaran atau kesetaraan dari pernyataan majemuk atau pernyataan berkuantor.

MAT3 Menentukan integral tak tentu dan integral tentu fungsi aljabar dan fungsi trigonometri.

MAT4 Menentukan penarikan kesimpulan dari beberapa premis. MAT5 Menentukan penyelesaian pertidaksamaan eksponen atau

logaritma.

MAT6 Menentukan persamaan lingkaran atau garis singgung lingkaran.

MAT7 Menggunakan aturan pangkat, akar, dan logaritma. MAT8 Menggunakan rumus jumlah dan hasil kali akar-akar

persamaan kuadrat.

MAT9 Menghitung jarak dan sudut antara dua objek (titik, garis dan bidang) di ruang dimensi tiga.

MAT10 Menghitung luas daerah dan volume benda putar dengan menggunakan integral.

MAT11 Menghitung nilai limit fungsi aljabar dan fungsi trigonometri. MAT12 Menghitung ukuran pemusatan atau ukuran letak dari data

dalam bentuk tabel, diagram atau grafik. MAT13 Menyelesaikan masalah deret aritmetika. MAT14 Menyelesaikan masalah deret geometri.

(59)

MAT15 Menyelesaikan masalah geometri dengan menggunakan aturan sinus atau kosinus.

MAT16 Menyelesaikan masalah persamaan atau fungsi kuadrat dengan menggunakan diskriminan.

MAT17 Menyelesaikan masalah program linear.

MAT18 Menyelesaikan masalah sehari-hari dengan menggunakan kaidah pencacahan, permutasi atau kombinasi.

MAT19 Menyelesaikan masalah sehari-hari yang berkaitan dengan sistem persamaan linear.

MAT20 Menyelesaikan masalah yang berkaitan dengan besar sudut atau nilai perbandingan trigonometri sudut antara dua vektor.

MAT21

Menyelesaikan masalah yang berkaitan dengan nilai

perbandingan trigonometri yang menggunakan rumusjumlah dan selisih sinus, kosinus dan tangen sertajumlah dan selisih dua sudut.

MAT22 Menyelesaikan masalah yang berkaitan dengan fungsi eksponen atau fungsi logaritma.

MAT23 Menyelesaikan masalah yang berkaitan dengan komposisi dua fungsi atau fungsi invers.

MAT24 Menyelesaikan masalah yang berkaitan dengan panjang proyeksi atau vektor proyeksi.

MAT25 Menyelesaikan masalah yang berkaitan dengan peluang suatu kejadian.

MAT26 Menyelesaikan masalah yang berkaitan dengan teorema sisa atau teorema faktor.

MAT27 Menyelesaikan operasi aljabar beberapa vektordengan syarat tertentu.

MAT28 Menyelesaikan operasi matriks.

MAT29 Menyelesaikan persamaan trigonometri. MAT30 Menyelesaikan soal aplikasi turunan fungsi.

(60)

Hasil seleksi atribut pada data nilai daya serap hasil Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015 memiliki perbedaan pada jumlah dan nama atribut yang terdapat pada data daya serap hasil Ujian Nasional tahun pelajaran 2012/2013 dan 2013/2014. Hasil seleksi atribut tersebut dapat dilihat pada tabel 4.2.

Tabel 4.2 Tabel Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2014/2015

Nama Atribut Keterangan

MAT1 Menentukan bayangan titik atau kurva karena dua transformasi atau lebih.

MAT2 Menentukan ingkaran atau kesetaraan dari pernyataan majemuk atau pernyataan berkuantor.

MAT3 Menentukan integral tak tentu dan integral tentufungsi aljabar dan fungsi trigonometri.

MAT4 Menentukan penarikan kesimpulan dari beberapa premis. MAT5 Menentukan penyelesaian pertidaksamaan eksponen atau

logaritma.

MAT6 Menentukan persamaan lingkaran atau garis singgung lingkaran.

MAT7 Menggunakan aturan pangkat, akar, dan logaritma. MAT8 Menggunakan rumus jumlah dan hasil kali akar-akar

persamaan kuadrat.

MAT9 Menghitung jarak dan sudut antara dua objek (titik, garis dan bidang) di ruang dimensi tiga.

MAT10 Menghitung luas daerah dan volume benda putar dengan menggunakan integral.

MAT11 Menghitung nilai limit fungsi aljabar dan fungsi trigonometri. MAT12 Menghitung ukuran pemusatan atau ukuran letak dari data

(61)

MAT13 Menyelesaikan masalah deret aritmetika. MAT14 Menyelesaikan masalah deret geometri.

MAT15 Menyelesaikan masalah geometri dengan menggunakan aturan sinus atau kosinus.

MAT16 Menyelesaikan masalah persamaan atau fungsi kuadrat dengan menggunakan diskriminan.

MAT17 Menyelesaikan masalah program linear.

MAT18 Menyelesaikan masalah sehari-hari dengan menggunakan kaidah pencacahan, permutasi atau kombinasi.

MAT19 Menyelesaikan masalah sehari-hari yang berkaitan dengan sistem persamaan linear.

MAT20 Menyelesaikan masalah yang berkaitan dengan besar sudut atau nilai perbandingan trigonometri sudut antara dua vektor.

MAT21

Menyelesaikan masalah yang berkaitan dengan nilai

perbandingan trigonometri yang menggunakan rumus jumlah dan selisih sinus, kosinus dan tangen serta jumlah dan selisih dua sudut.

MAT22 Menyelesaikan masalah yang berkaitan dengan fungsi eksponen atau fungsi logaritma.

MAT23 Menyelesaikan masalah yang berkaitan dengan komposisi dua fungsi atau fungsi invers.

MAT24 Menyelesaikan masalah yang berkaitan dengan panjang proyeksi atau vektor proyeksi.

MAT25 Menyelesaikan masalah yang berkaitan dengan peluang suatu kejadian.

MAT26 Menyelesaikan masalah yang berkaitan dengan teorema sisa atau teorema faktor.

MAT27 Menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu.

(62)

… (4.1)

MAT29 Menyelesaikan persamaan trigonometri.

4.1.4. Transformasi Data (Data Transformation)

Terdapat dua tahap dalam transformasi data. Tahap pertama yaitu dengan melakukan normalisasi perbedaan interval. Proses normalisasi dilakukan dengan menggunakan rumus min-max normalization sebagai berikut:

′ ₌ − � �

� �− � �( � ��− � � �) + � � �

Keterangan:

= nilai sebelum ternormalisasi

′ _{= nilai setelah ternormalisasi} � � = nilai minimal dari atribut A � � = nilai maksimal dari atribut A � � � = nilai minimal terbaru dari atribut A

� �� = nilai maksimal terbaru dari atribut A

Pada penelitian ini, atribut yang digunakan memiliki data yang memiliki interval yang sama, yaitu 0 – 100, sehingga tahap ini tidak dilakukan.

Tahap kedua dalam transformasi data yaitu mengubah data numerik menjadi TUNTAS dan TIDAK TUNTAS. TUNTAS berarti data tersebut memiliki nilai lebih besar sama dengan nilai daya serap minimal yang telah ditentukan sebelumnya. Sedangkan TIDAK TUNTAS berarti data tersebut memiliki nilai lebih kecil dari nilai daya serap minimal yang telah ditentukan sebelumnya.

Contoh data daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta hasil transformasi data dengan menggunakan nilai daya serap minimal sebesar 60% terlampir pada lampiran 2.

(63)

4.2. PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA 4.2.1. Perancangan Umum

4.2.1.1. Input Sistem

Data input dari sistem yang akan dibangun berasal dari file dengan ekstensi .xls dan .csv yang dapat dipilih langsung oleh pengguna (user) dari direktori Komputer atau dari tabel yang terdapat di dalam database. Sebelum melakukan proses asosiasi, pengguna juga diharuskan untuk mengisi nilai minimum support dan minimum confidence terlebih dahulu pada textfield yang telah disediakan.

4.2.1.2. Proses Sistem

Proses sistem yang akan dibangun terdiri dari beberapa tahapan untuk dapat menemukan aturan (rule) yang berfungsi untuk menemukan pola keterkaitan antar kompetensi di suatu mata pelajaran. Proses tersebut yaitu:

1. Pemilihan atribut data yang akan digunakan dalam proses data mining 2. Menentukan minimum support dan minimum confidence yang

berfungsi dalam menentukan aturan asosiasi

3. Proses asosiasi untuk menemukan hubungan antar indikator pencapaian kompetensi pada mata pelajaran Matematika.

Proses umum yang terjadi pada sistem digambarkan dalam diagram flowchart yang digambarkan pada Gambar 4.1.

(64)

Gambar 4.1 Diagram Flowchart

4.2.1.3. Output Sistem

Sistem akan memberikan keluaran atau output berupa frequent k-itemset beserta dengan nilai support-nya yang sesuai dengan minimum support dan tabel asosiasi yang sesuai dengan minimum confidence. Selain itu sistem juga akan menampilkan rules yang telah dihasilkan dari proses asosiasi yang telah dilakukan.

(1)

LAMPIRAN 16 : PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN DATASET GABUNGAN TAHUN PELAJARAN 2012/2013 DAN TAHUN

PELAJARAN 2013/2014

1. Pengujian 7 : DSM 60%, MINSUP 40%, MINCON 50%

(2)

3. Pengujian 21 : DSM 60%, MINSUP 50%, MINCON 50%

4. Pengujian 26 : DSM 60%, MINSUP 55%, MINCON 60%

(3)

6. Pengujian 36 : DSM 60%, MINSUP 65%, MINCON 60%

7. Pengujian 41 : DSM 60%, MINSUP 70%, MINCON 60%

(4)

9. Pengujian 53 : DSM 65%, MINSUP 40%, MINCON 50%

10. Pengujian 60 : DSM 65%, MINSUP 45%, MINCON 50%

(5)

12. Pengujian 74 : DSM 65%, MINSUP 55%, MINCON 50%

13. Pengujian 79 : DSM 65%, MINSUP 60%, MINCON 60%

(6)

15. Pengujian 93 : DSM 70%, MINSUP 45%, MINCON 50%

16. Pengujian 16 : DSM 70%, MINSUP 50%, MINCON 60%

Penerapan algoritma apriori untuk analisis daya serap hasil ujian nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta.

w

$'.

rpJtyoss

''Q

AWo

g#E

E

il."*:,_l *:",

\\

b

zffin

7*ffi3

?lo

@. I_s

-b* '

OoynKogf

.C

AAIAMAN

I}I

Y(rcYAKARTA

.z|..Ju

l;-e

Pt.L...

“

Percayalah kepada Tuhan dengan segenap

hatimu, dan janganlah bersandar kepada

pengertianmu sendiri”

(Amsal 3:5)

Karya ini kupersembahkan kepada :

Tuhan Yesus Kristus

Bunda Maria

Keluarga

ry*ryr

pu#a

J-'1i...

ILMIAII

NIM

N

8.

9.

ini dapat

W

Parts

Dokumen yang terkait

ANALISIS DAYA SERAP UJIAN NASIONAL MATEMATIKA SISWA SMAN DI KABUPATEN LUMAJANG, JEMBER DAN BANYUWANGI TAHUN PELAJARAN 2008-2010

DESKRIPSI DAYA SERAP UJIAN NASIONAL MATEMATIKA SMAN DI KABUPATEN BONDOWOSO, KABUPATEN PASURUAN, DAN KOTA PASURUAN TAHUN PELAJARAN 2008–2010

ANALISIS KESIAPAN UJIAN NASIONAL SISWA SMA PADA MATA PELAJARAN BIOLOGI.

PENERAPAN ANALISIS JALUR UNTUK MENGETAHUI PENGARUH PENILAIAN HASIL BELAJAR TERHADAP NILAI UJIAN NASIONAL MATA PELAJARAN MATEMATIKA.

Penerapan algoritma MixCBLOF berbasis klaster untuk identifikasi outlier pada data hasil ujian nasional, indeks integritas, dan akreditasi SMA di Daerah Istimewa Yogyakarta.

Penerapan algoritma apriori untuk analisis daya serap hasil ujian nasional matematika SMA jurusan IPA di Yogyakarta.

Implementasi algoritma Partitioning Around Medoids (PAM) untuk pengelompokan Sekolah Menengah Atas di DIY berdasarkan nilai daya serap Ujian Nasional.

Penerapan algoritma fp-growth untuk analisis pola asosiasi daya serap hasil jian nasional mata pelajaran Bahasa Indonesia SMA di Yogyakarta.

Penerapan algoritma MixCBLOF berbasis klaster untuk identifikasi outlier pada data hasil ujian nasional, indeks integritas, dan akreditasi SMA di Daerah Istimewa Yogyakarta

Analisis Soal Latihan Ujian Nasional Mata Pelajaran Biologi SMA di kota Semarang.

Dokumen yang Anda mencari sudah siap untuk unduhkan

il.":,_l :",

_7*ffi3

_{@. I_s}

_OoynKogf

_.C