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

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ABSTRAK
Ujian nasional(UN) merupakan salah satu contoh sistem evaluasi standar pendidikan
yang ada di Indonesia. UN ini dilaksanakan dengan tujuan untuk memetakan mutu pendidikan
di Indonesia. Kegiatan evaluasi memang penting untuk dilakukan demi meningkatnya mutu
pendidikan karena kegiatan ini evaluasi dapat memperlihatkan sampai sejauh mana siswa
memahami materi yang diberikan. Setiap tahunnya Kementrian Pendidikan dan Kebudayaan
(kemendikbud) selalu mengeluarkan nilai hasil UN dengan harapan dari data tesebut dapat
ditemukan sebuah informasi yang bermanfaat untuk peningkatan mutu pendidikan di Indonesia.
Salah satu bidang ilmu yang dapat digunakan untuk mendapatkan informasi dari kumpulan data
tersebut adalah dengan data mining.
Salah satu penerapan data mining pada tugas akhir ini menggunakan teknik association rule
dengan algoritma FP-Growth. Teknik ini dapat digunakan untuk mencari frequent itemset dalam
kumpulan data. Penelitian ini bertujuan untuk menerapkan algoritma FP-Growth pada data nilai
daya serap UN SMA di Yogyakarta untuk mata pelajaran Bahasa Indonesia.
Metodologi penelitian yang digunakan dalam penelitian ini adalah penelitian pustaka,
KDD (Knowledge Discovery in Database) dan pembuatan laporan. Pada tahap awal KDD akan
dilakukan pembersihan data dan integrasi data secara manual melalui Ms.Excel. Selanjutnya
dilakukan seleksi data dan transformasi data di dalam perangkat lunak yang dibuat. Setelah itu
dilakukanlah proses data mining dan terakhir adalah proses pattern evaluation dan knowledge

presentation yang dikenakan pada hasil aturan asosiasi yang terbentuk. Pengujian terhadap
sistem ini terdiri dari pengujian black box, pengujian validitas dan pengujian running time.
Berdasarkan semua pengujian, disimpulkan bahwa algoritma FP-Growth dapat diterapkan
dan dapat menemukan aturan asosiasi yang menarik dari data nilai daya serap. Sistem yang dibuat
dengan melakukan penerapan metode FP-Growth ini menghasilkan 5 aturan asosiasi yang menarik
berdasarkan nilai lift ratio tertinggi untuk tahun akademik 2012/2013-2013/2014 ada 3 aturan
asosiasi dan untuk tahun 2014/2015 ada 2 aturan asosiasi. Secara subyektif kompetensikompetensi dalam aturan-aturan asosiasi tersebut memang saling berkaitan.

Kata Kunci : Association Rule, FP-Growth, data mining, nilai daya serap

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ABSTRACT
The national examination (UN) is one example of a standard evaluation system of
education in Indonesia. UN carried out in order to map the quality of education in Indonesia.
Evaluation is the important things to do for improving the quality of education. this activity can
reveal the extent to which students understand the material provided. Each year, Kementrian
Pendidikan dan Kebudayaan (Kemendikbud) always display the results of the UN with the propose
can be founded a useful information for improving the quality of education in Indonesia. One area
of science that can be used to obtain information from the dataset is with data mining.

This thesis using one technic of data mining association rule with FP-Growth algorithm.
This technique can be used to find frequent itemset in the data set. This research aims to implement
the algorithm FP-Growth in the value data absorption UN High School in Yogyakarta's for
Indonesian subjects.
The methodology for this research used in this study is a research library, KDD
(Knowledge Discovery in Databases) and make a report. In the early stages of KDD will do data
cleansing and data integration manually at Ms.Excel. Furthermore, the data selection and
transformation of data will be do at the software that was created. After that perform the data
mining process and the last is a process of pattern evaluation, and knowledge presentation imposed
on the results of the association rules formed. Testing of the system consists of a black box testing,
testing the validity and running time testing.
Based on all the tests, it was concluded that FP-Growth algorithm can be applied and can
find an interesting association rules from the data value of absorption. The system that was created
with FP-Growth method produces 5 interesting association rules based on the value of the highest
lift ratio for the academic year 2012 / 2013-2013 / 2014 there are three rules of the association and
for the year 2014/2015 there are two rules of association. Subjectively competencies in the rules
of the association are correlated.
Keyword : Association Rule, FP-Growth, data mining, nilai daya serap, absorptive capacity

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PENERAPAN ALGORITMA FP-GROWTH UNTUK ANALISIS POLA ASOSIASI
DAYA SERAP HASIL JIAN NASIONAL MATA PELAJARAN BAHASA
INDONESIA SMA DI YOGYAKARTA

SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika

Disusun Oleh:
Brigita Cynthia Dewi
125314016

PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2016

i

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

FP GROWTH ALGORITHM IMPLEMENTATION FOR ABSORTIVE
CAPACITY ASSOCIATION RULE ANALYSIS ON INDONESIAN LANGUAGE
SUBJECT AT SENIOR HIGH SCHOOL NATIONAL EXAMINATION IN
YOGYAKARTA

A THESIS
Presented as Partial Fulfillment of The Requirement
To Obtain The Sarjana Komputer Degree
In Informatics Engineering Study Program

By:
Brigita Cynthia Dewi
125314016

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2016
ii

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

iii

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

iv

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ah.

v

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

vi

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ABSTRAK
Ujian nasional(UN) merupakan salah satu contoh sistem evaluasi standar
pendidikan yang ada di Indonesia. UN ini dilaksanakan dengan tujuan untuk
memetakan mutu pendidikan di Indonesia. Kegiatan evaluasi memang penting untuk
dilakukan demi meningkatnya mutu pendidikan karena kegiatan ini evaluasi dapat
memperlihatkan sampai sejauh mana siswa memahami materi yang diberikan. Setiap
tahunnya Kementrian Pendidikan dan Kebudayaan (kemendikbud) selalu
mengeluarkan nilai hasil UN dengan harapan dari data tesebut dapat ditemukan
sebuah informasi yang bermanfaat untuk peningkatan mutu pendidikan di Indonesia.
Salah satu bidang ilmu yang dapat digunakan untuk mendapatkan informasi dari
kumpulan data tersebut adalah dengan data mining.
Salah satu penerapan data mining pada tugas akhir ini menggunakan teknik
association rule dengan algoritma FP-Growth. Teknik ini dapat digunakan untuk

mencari frequent itemset dalam kumpulan data. Penelitian ini bertujuan untuk
menerapkan algoritma FP-Growth pada data nilai daya serap UN SMA di Yogyakarta
untuk mata pelajaran Bahasa Indonesia.
Metodologi penelitian yang digunakan dalam penelitian ini adalah penelitian
pustaka, KDD (Knowledge Discovery in Database) dan pembuatan laporan. Pada
tahap awal KDD akan dilakukan pembersihan data dan integrasi data secara manual
melalui Ms.Excel. Selanjutnya dilakukan seleksi data dan transformasi data di dalam
perangkat lunak yang dibuat. Setelah itu dilakukanlah proses data mining dan
terakhir adalah proses pattern evaluation dan knowledge presentation yang
dikenakan pada hasil aturan asosiasi yang terbentuk. Pengujian terhadap sistem ini
terdiri dari pengujian black box, pengujian validitas dan pengujian running time.
Berdasarkan semua pengujian, disimpulkan bahwa algoritma FP-Growth dapat
diterapkan dan dapat menemukan aturan asosiasi yang menarik dari data nilai daya
serap. Sistem yang dibuat dengan melakukan penerapan metode FP-Growth ini
menghasilkan 5 aturan asosiasi yang menarik berdasarkan nilai lift ratio tertinggi untuk
tahun akademik 2012/2013-2013/2014 ada 3 aturan asosiasi dan untuk tahun
2014/2015 ada 2 aturan asosiasi. Secara subyektif kompetensi-kompetensi dalam
aturan-aturan asosiasi tersebut memang saling berkaitan.

Kata Kunci : Association Rule, FP-Growth, data mining, nilai daya serap

vii

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ABSTRACT
The national examination (UN) is one example of a standard evaluation system
of education in Indonesia. UN carried out in order to map the quality of education in
Indonesia. Evaluation is the important things to do for improving the quality of
education. this activity can reveal the extent to which students understand the material
provided. Each year, Kementrian Pendidikan dan Kebudayaan (Kemendikbud) always
display the results of the UN with the propose can be founded a useful information for
improving the quality of education in Indonesia. One area of science that can be used
to obtain information from the dataset is with data mining.
This thesis using one technic of data mining association rule with FP-Growth
algorithm. This technique can be used to find frequent itemset in the data set. This
research aims to implement the algorithm FP-Growth in the value data absorption UN
High School in Yogyakarta's for Indonesian subjects.
The methodology for this research used in this study is a research library, KDD
(Knowledge Discovery in Databases) and make a report. In the early stages of KDD

will do data cleansing and data integration manually at Ms.Excel. Furthermore, the data
selection and transformation of data will be do at the software that was created. After
that perform the data mining process and the last is a process of pattern evaluation, and
knowledge presentation imposed on the results of the association rules formed. Testing
of the system consists of a black box testing, testing the validity and running time
testing.
Based on all the tests, it was concluded that FP-Growth algorithm can be
applied and can find an interesting association rules from the data value of absorption.
The system that was created with FP-Growth method produces 5 interesting association
rules based on the value of the highest lift ratio for the academic year 2012 / 2013-2013
/ 2014 there are three rules of the association and for the year 2014/2015 there are two
rules of association. Subjectively competencies in the rules of the association are
correlated.
Keyword : Association Rule, FP-Growth, data mining, nilai daya serap, absorptive
capacity

viii

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa karena atas
rahmat dan karunia-Nya, penulis dapat menyelesaikan Tugas Akhir yang berjudul
“PENERAPAN ALGORITMA FP-GROWTH UNTUK ANALISIS POLA ASOSIASI
DAYA SERAP HASIL UJIAN NASIONAL MATA PELAJARAN BAHASA
INDONESIA SMA DI YOGYAKARTA” ini dengan baik.
Dalam proses penulisan tugas akhir ini penulis menyadari bahwa ada begitu
banyak pihak yang turut membantu memberikan motivasi semangat dan juga bantuan
dalam menyelesaikan tugas akhir ini. Oleh karena itu saya ingin mengucapkan terima
kasih antara lain kepada :
1.

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

2.

Ibu Dr. Anastasia Rita Widiarti, selaku Kepla Prodi Teknik Informatika.

3.

Bapak Puspaningtyas Sanjoyo Adi, S.T., M.T sebagai dosen pembimbing

akademik, yang telah memberikan bimbingan dan saran selama penulis menempuh
studi.
4.

Ibu P.H Prima Rosa, S.Si., M.Sc selaku dosem pembimbing skripsi yang telah

memberikan kesabaran, waktu dan saran sehingga dapat diselesaikannya tugas akhir
ini.
5.

Seluruh dosen yang telah mendidik dan memberikan pengetahuan dan

pengalaman berharga selama penulis belajar di Universitas Sanata Dharma
Yogyakarta.
6.

Orang tua dan adik yang telah memberikan kasih sayang, perhatian, doa dan

dukungan sehingga penulis dapat menyelesaik tugas akhir.
7.

Teman-teman bimbingan bu Rosa yang selalu dapat memberikan motivasi dan

semangat.

ix

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

x

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR ISI

A THESIS.............................................................................................................................ii
HALAMAN PERSETUJUAN ................................................. Error! Bookmark not defined.
HALAMAN PENGESEHAN ............................................................................................... iv
PERNYATAAN KEASLIAN KARYA .................................................................................v
LEMBAR PERNYATAAN PERSETUJUAN ...................................................................... vi
ABSTRAK ......................................................................................................................... vii
ABSTRACT ...................................................................................................................... viii
KATA PENGANTAR.......................................................................................................... ix
DAFTAR ISI ....................................................................................................................... xi
DAFTAR GAMBAR ......................................................................................................... xiii
DAFTAR TABEL .............................................................................................................. xiv
DAFTAR LAMPIRAN ....................................................................................................... xv
BAB I .................................................................................................................................. 1
PENDAHULUAN ............................................................................................................... 1
1.1.

Latar Belakang...................................................................................................... 1

1.2.

Rumusan Masalah................................................................................................. 3

1.3.

Batasan Masalah ................................................................................................... 4

1.4.

Tujuan Penelitian .................................................................................................. 4

1.5.

Manfaat Penelitian ................................................................................................ 4

1.6

Metodologi Penelitian ........................................................................................... 5

1.7

Sistematika Penulisan ........................................................................................... 6

BAB II ................................................................................................................................. 7
LANDASAN TEORI ........................................................................................................... 7
2.1

Pengertian Penambangan Data .............................................................................. 7

2.2

Tujuan Penambangan Data.................................................................................... 7

2.3

Teknik Data Mining .............................................................................................. 8

2.4

Knowledge Discovery in Database (KDD) ............................................................ 9

2.5

Association Rules ................................................................................................ 12
xi

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB III .............................................................................................................................. 20
METODE PENELITIAN ................................................................................................... 20
3.1

Sumber Data ....................................................................................................... 20

3.2

Spesifikasi Alat ................................................................................................... 24

3.3

Tahap – Tahap Penelitian .................................................................................... 24

BAB IV ............................................................................................................................. 28
PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK
PENAMBANGAN DATA ................................................................................................. 28
4.1

Perancangan Awal Sumber Data ......................................................................... 28

4.2

Pengembangan Perangkat Lunak Penambangan Data .......................................... 29

BAB V............................................................................................................................... 49
IMPLEMENTASI PENAMBANGAN DATA.................................................................... 49
DAN EVALUASI HASIL .................................................................................................. 49
5.1

Implementasi Rancangan Perangkat Lunak Penambangan Data ........................... 49
5.2.1 Implementasi Kelas Model ...................................................................... 49
5.2.2 Implementasi Kelas View ........................................................................ 49
5.2.3 Implementasi Kelas Controller................................................................. 50

5.2

Evaluasi Hasil ..................................................................................................... 50
5.2.1 Uji Coba Perangkat Lunak (Black Box Testing)........................................ 50
5.2.2 Uji Validitas ............................................................................................ 58
5.2.3 Uji Coba Data Set .................................................................................... 61

BAB VI ............................................................................................................................. 78
PENUTUP ......................................................................................................................... 78
6.1

Kesimpulan......................................................................................................... 78

6.2

Saran .................................................................................................................. 79

DAFTAR PUSTAKA ........................................................................................................ 80

LAMPIRAN …………………………………………………………………………………………………………………….82

xii

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR GAMBAR
Gambar 2. 1 Diagram Model Klasifikasi ................................................................... 8
Gambar 2. 2 Penambangan data sebagai tahapan dalam proses KDD....................... 10
Gambar 2. 3 Tabel data transaksi ............................................................................ 13
Gambar 2. 4 Tabel daftar support count tiap item .................................................... 13
Gambar 2. 5 Pembuatan FP Tree ............................................................................. 14
Gambar 2. 6 Sub-database node I3 .......................................................................... 15
Gambar 4. 1 Diagram Konteks ................................................................................ 30
Gambar 4. 2 Diagram Usecase ................................................................................ 31
Gambar 4. 3 Ilustrasi FPTree .................................................................................. 34
Gambar 4. 4 Susunan arraylist untuk kode sekolah 01-010 ..................................... 35
Gambar 4. 5 Susunan arraylist untuk kode sekolah 01-019 ..................................... 35
Gambar 4. 6 Data arraylist dalam arraylist ............................................................. 35
Gambar 4. 7 Diagram Kelas Desain ....................................................................... 36
Gambar 4. 8 Halaman Awal .................................................................................... 43
Gambar 4. 9 Halaman About ................................................................................... 44
Gambar 4. 10 Halaman Help ................................................................................... 45
Gambar 4. 11 Halaman Preprocessing .................................................................... 46
Gambar 4. 12 Halaman Asosiasi ............................................................................. 47
Gambar 4. 13 Halaman Database ............................................................................ 48
Gambar 4. 14 Diagram Kelas Analisis .................................................................... 85
Gambar 5. 1 (a)Kotak Dialog “Pilih File” (b)Tabel Dataset .................................... 51
Gambar 5. 2 Kotak Dialog Salah Pilih File .............................................................. 51
Gambar 5. 3 Tampilan Setelah Menekan Tombol “Tandai Semua” ......................... 52
Gambar 5. 4 Tampilan Setelah Menekan Tombol “Hapus Atribut” ......................... 52
Gambar 5. 5 Tampilan Setelah Menekan Tombol “Batal” ....................................... 52
Gambar 5. 6 Hasil Pencarian Aturan asosiasi .......................................................... 55
Gambar 5. 7 Tampilan Ketika Min Support dan Minimum confidence Tidak Diisi .. 55
Gambar 5. 8 Kotak Dialog Simpan Hasil................................................................. 56
Gambar 5. 9 Kotak Dialog Jika Berhasil Menyimpan Data ...................................... 56
Gambar 5. 10 Dataset Supermarket.arff................................................................... 59
Gambar 5. 11 Dataset Setelah di Preprocessing ...................................................... 60
Gambar 5. 12 Uji Running Time Min Confidence=60% .......................................... 67
Gambar 5. 13 Uji Running Time Min Confidence=90% .......................................... 68
Gambar 5. 14 Uji Running Time Min Confidence=60% .......................................... 68
Gambar 5. 15 Uji Running Time Min Confidence=90% .......................................... 69

xiii

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR TABEL
Tabel 2. 1 Interval Daya Serap Siswa ...................................................................... 18
Tabel 3. 1 Tabel Atribut Data Mata Pelajaran Bahasa Indonesia 2012/2013 &
2013/2014 ............................................................................................................... 20
Tabel 3. 2 Tabel Atribut Data Mata Pelajaran Bahasa Indonesia 2014/2015 ............ 22
Tabel 4. 1 Daftar Kelas Untuk Tiap Usecase ........................................................... 32
Tabel 5. 1 Tabel Implementasi Kelas Model ........................................................... 49
Tabel 5. 2Tabel Implementasi Kelas View .............................................................. 49
Tabel 5. 3 Tabel Implementasi Kelas Controller ...................................................... 50
Tabel 5. 4 Tabel Hasil Uji Pada Halaman Preprocessing ......................................... 52
Tabel 5. 5 Tabel Pengujian Halaman Preprocessing ................................................ 54
Tabel 5. 6 Tabel Pengujian dengan Hitungan Manual .............................................. 57
Tabel 5. 7 Tabel Hasil Pengujian dengan WEKA .................................................... 60
Tabel 5. 8 Tabel Hasil Pengujian Tahun 2012/2013 & 2013/2014, Min Conf=60% . 63
Tabel 5. 9 Tabel Hasil Pengujian Tahun 2012/2013 & 2013/2014, Min Conf = 90% 63
Tabel 5. 10 Tabel Hasil Pengujian Tahun 2014/2015, Min Conf = 60% .................. 65
Tabel 5. 11 Tabel Hasil Pengujian Tahun 2014/2015, Min Conf = 90% .................. 66
Tabel 5. 12 Daftar aturan asosiasi data tahun 2012/2013-2013/2014........................ 71
Tabel 5. 13 Daftar aturan asosiasi data tahun 2014/2015 ......................................... 74

xiv

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

DAFTAR LAMPIRAN

Lampiran 1 : Diagram Aktivitas .............................................................................. 82
Lampiran 2 : Diagram Kelas Analisis ...................................................................... 85
Lampiran 3 : Diagram Sequence ............................................................................. 86
Lampiran 4 : Diagram Kelas Desain ........................................................................ 89
Lampiran 5 : Penghitungan Manual......................................................................... 95
Lampiran 6 : Data…………………………………………………………………..106

xv

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB I
PENDAHULUAN

1.1.

Latar Belakang
Setiap orang pasti memiliki kemampuan yang berbeda antara yang satu

dengan yang lainnya termasuk kemampuan seorang siswa dalam memahami suatu
mata pelajaran. Setiap siswa memiliki tingkat pemahaman yang berbeda-beda dalam
memahami setiap pelajaran yang diajarkan. Hal ini merupakan masalah yang sering
dihadapi oleh para guru dalam upaya meningkatkan kualitas belajar siswa.
Kemampuan seorang siswa dalam memahami materi bergantung juga pada
kemampuan daya serapnya. Daya serap merupakan kemampuan siswa dalam
menerima materi pembelajaran sesuai dengan batas yang ditentukan. Biasanya nilai
ini didapatkan setelah seorang guru selesai melaksanakan evaluasi pembelajaran
yang dilakukan setelah mengadakan tes. Dari hasil inilah seorang guru dapat
memetakan perolehan nilai yang dicapai oleh siswa. Ujian nasional adalah salah satu
sistem evaluasi standar pendidikan yang ada di Indonesia.Ujian Nasional merupakan
salah satu upaya pemerintah dalam rangka memacu peningkatan mutu pendidikan.
Ujian Nasional selain berfungsi untuk mengukur dan menilai

pencapaian

kompetensi lulusan dalam mata pelajaran tertentu, serta pemetaan mutu pendidikan
pada tingkat pendidikan dasar dan menengah, juga berfungsi sebagai motivator bagi
pihak-pihak terkait untuk bekerja lebih baik guna mencapai hasil ujian yang baik.
Berbagai hasil penelitian menunjukkan bahwa dengan adanya Ujian Nasional, siswa
terdorong untuk belajar lebih baik dan guru terdorong untuk mengajar lebih baik
pula (Kemdikbud,2015). Salah satu cara yang dapat dilakukan untuk memajukan
mutu pendidikan di Indonesia adalah dengan cara mengkaji secara mendalam hasil
Ujian Nasional. Informasi hasil Ujian Nasional ini disediakan oleh Puspendik
Balitbang Kemdikbud kedalam beberapa bentuk seperti bentuk statistik, grafik,
1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

daftar dan juga daya serap. Dalam penelitian ini, bentuk informasi yang akan
digunakan adalah informasi daya serap. Informasi daya serap ini berisi informasi
laporan daya serap Ujian Nasional siswa SMA dari program IPA dengan mata
pelajaran Bahasa Indonesia yang memiliki 21 kompetensi. Dari data tersebut
diharapkan dapat digali informasi keterkaitan antara kompetensi yang satu dengan
kompetensi lainnya dari sekolah-sekolah yang memiliki nilai daya serap yang
memenuhi standar yang ditentukan. Informasi tersebut dapat dimanfaatkan oleh
dinas pendidikan untuk membantu dinas pendidikan memberikan langkah-langkah
perbaikan mengenai metode pembelajaran ada saat ini guna meningkatkan mutu
pendidikan di Yogyakarta. Penelitian ini juga dapat dimanfaatkan oleh para peneliti
di bidang pendidikan sebagai rekomendasi analisa agar dapat dikaji lebih mendalam
lagi. Salah satu teknik yang dapat dipergunakan untuk menggali informasi tersebut
adalah data mining.
Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan
pengetahuan didalam database. Data mining adalah proses yang menggunakan teknik
statistik, matematika, kecerdasan buatan dan machine learning untuk mengekstraksi
dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari
berbagai database besar (Turban, dkk.2005). Data mining sendiri memiliki berbagai
macam teknik, salah satunya adalah teknik asosiasi. Analisis asosiasi atau association
rule mining adalah teknik data mining untuk menemukan aturan asosiatif antara suatu
kombinasi item. Dalam kasus ini peneliti melakukan penelitian dari data nilai daya
serap siswa SMA Yogyakarta untuk mencari tahu pola keterkaitan antara kompetensi
yang satu dengan yang lainnya yang mempengaruhi keberhasilan siswa menggunakan
algoritma FP-Growth.
Algoritma FP-Growth merupakan salah satu alternatif algoritma yang dapat
digunakan untuk menentukan himpunan data yang paling sering muncul (frequent
itemset) dalam sebuah kumpulan data. Menurut Octaviani, (2010) algoritma FPGrowth memiliki waktu kerja yang lebih cepat dalam menemukan frequent itemset,

2

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

algoritma ini juga dapat menghasilkan aturan yang sama baiknya dengan algoritma
Apriori setelah diujikan pada data transaksi penjulan untuk melakukan market base
analysis. Pada penelitian tugas akhir ini nantinya akan dibuat sebuah sistem yang
menerapkan algoritma FP-Growth pada data nilai daya serap siswa yang diharapkan
dapat menemukan pola asosiasi antar kompetensi. Pada penelitian ini, peneliti hanya
akan berfokus pada mata pelajaran Bahasa Indonesia. Mata pelajaran ini dipilih karena
peneliti berpendapat bahwa Bahasa Indonesia itu merupakan salah satu identitas
Bangsa Indonesia. Bahasa Indonesia mempunyai kedudukan yang sangat penting
dalam kehidupan berbangsa dan bernegara maka Bahasa Indonesia juga merupakan
salah satu mata pelajaran yang selalu diberikan semenjak siswa masih berada di tingkat
Taman Kanak-Kanak. Tujuan pembelajaran dari mata pelajaran ini bukan hanya untuk
sekedar siswa lulus dalam ujian melainkan mereka dapat menggunakan Bahasa
Indonesia yang baik dan benar di kehidupan sehari-harinya. Karena kebutuhan itulah,
penting bagi tenaga pendidik untuk mengetahui sejauh mana kemampuan berbahasa
Indonesia anak didiknya. Hasil keluaran dari sistem diharapkan dapat digunakan untuk
mengetahui kompetensi apa saja yang ternyata memiliki keterkaitan berdasarkan nilai
lift ratio sebagai analisa secara obyektif dan juga berdasarkan pendapat dari seorang
praktisi pendidikan di bidang Bahasa Indonesia sebagai analisa secara subyektif.
Aturan asosiasi yang didapatkan tersebut dapat digunakan oleh dinas pendidikan untuk
mengambil langkah-langkah perbaikan kepada sekolah-sekolah yang memiliki nilai
daya serap kurang dari standar yang ditentukan pada kompetensi-kompetensi yang ada
di dalam aturan asosiasi tersebut. Salah satu perbaikan yang dilakukan adalah dengan
memperbaiki metode pembelajaran di masa yang akan datang yang berfokus pada
kompetensi-kompetensi di dalam aturan asosiasi yang didapatkan.

1.2.

Rumusan Masalah
Berdasarkan latar belakang yang telah dijelaskan sebelumnya, masalah yang

akan diselesaikan dalam penelitian ini adalah:

3

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

1. Bagaimana menerapkan algoritma FP-Growth untuk menemukan aturan
asosiasi antar kompetensi dari nilai daya serap Ujian Nasional?
2. Apakah algoritma FP-Growth dapat menemukan aturan asosiasi yang
menarik berdasarkan ukuran lift ratio aturan asosiasi yang dihasilkan dari
data nilai daya serap ujian nasional SMA di Yogyakarta?

1.3.

Batasan Masalah
Batasan masalah yang dibahas dalam penulisan tugas akhir ini adalah sebagai

berikut:
b. Sistem menggunakan data nilai daya serap UN SMA di Yogyakarta jurusan
IPA dengan mata pelajaran Bahasa Indonesia tahun ajaran 2012/2013,
2013/2014, 2014/2015.
c. Data yang digunakan merupakan data yang diambil dari situs
www.litbang.kemendikbud.go.id.

1.4.

Tujuan Penelitian
Tujuan dari penelitian ini adalah menerapkan algoritma FP-Growth pada data

nilai daya serap untuk menenemukan pola asosiasi antara kompetensi yang satu dengan
yang lainnya pada suatu mata pelajaran.

1.5.

Manfaat Penelitian
Hasil dari penelitian yang dilakukan, diharapkan dapat digunakan untuk

mengetahui apakah algoritma FP-Growth dapat digunakan untuk mengetahui adanya
keterkaitan antar kompetensi dari data nilai daya serap ujian nasional khususnya mata
pelajaran Bahasa Indonesia. Sedangkan untuk peneliti lain di bidang pendidikan,
penelitian ini juga dapat digunakan sebagai referensi maupun rekomendasi contoh
menganalisis data nilai daya serap Ujian Nasional.

4

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

1.6

Metodologi Penelitian
1.6.1

Penelitian Pustaka

Pada tahap ini, dilakukan penelitian pustaka untuk memperoleh informasi dan
menggali teori-teori tentang teknik data mining. Dalam penelitian ini penulis
mempelajari literatur yang berkaitan dengan teknik data mining asosiasi
khususnya algoritma FP-Growth dan literatur lainnya yang berguna bagi sistem
yang akan dibangun.

1.6.2

Knowledge Discovery in Database (KDD)

KDD ini merupakan tahap-tahap yang perlu dilakukan dalam penelitian di
bidang penambangan data (data mining). Proses KDD ini pula terdiri dari data
cleaning, data integration, data selection, data transformation, data mining,
pattern evaluation dan knowledge presentation. Tujuan dari proses ini adalah
untuk mendapatkan informasi dari data nilai daya serap SMA di Yogyakarta.
Pada salah satu tahap yang akan dilalui pada proses KDD ini adalah pembuatan
perangkat lunak sebagai alat uji yang menggunakan metodologi waterfall.
Metodologi tersebut terdiri dari analisa terhadap kebutuhan sistem, desain
perangkat lunak dan yang terakhir adalah pengujian. Hasil yang didapatkan,
kemudian akan dianalisa apakah hasil tersebut menghasilkan sebuah informasi
yang bermanfaat.

1.6.3

Pembuatan Laporan

Analisis yang akan dilakukan adalah analisis kinerja dari alat uji yang dibuat
berdasarkan metode FP-Growth. Hasil dari analisis tersebut akan disusun
kedalam sebuah laporan tugas akhir.

5

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

1.7

Sistematika Penulisan
BAB I. Pendahuluan
Bab ini berisi latar belakang, rumusan masalah, tujuan, manfaat, batasan
masalah, metodologi penelitian, dan sistematika penulisan.

BAB II. Landasan Teori
Bab ini akan menjelaskan mengenai teori yang berkaitan dengan judul/masalah
di tugas akhir.

BAB III. Metode Penelitian
Bab ini akan menjelaskan tentang penelitian pustaka yang berisikan data dan
sumber data yang digunakan dan juga ada proses KDD yang menjelaskan
tentang langkah-langkah yang digunakan dalam penelitian ini. Dan yang
terakhir dijelaskan pula tentang pembuatan laporan.

BAB IV Pemrosesan Awal dan Perancangan Perangkat Lunak Penambangan
Data
Bab ini berisikan langkah awal perancangan penelitian dan perancangan
pembuatan perangkat lunak.

BAB V Implementasi Penambangan Data dan Evaluasi Hasil
Bab ini akan menjelaskan mengenai proses pengujian sistem dan juga beserta
analisis dari hasil pengujian tersebut.

BAB VI Penutup
Bab ini akan menjelaskan mengenai kesimpulan beserta kelebihan dan
kelemahan sistem yang dibuat.

LAMPIRAN
6

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

BAB II
LANDASAN TEORI

2.1 Pengertian Penambangan Data
Penambangan data adalah proses yang menggunakan teknik statistik,
matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan
mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit dari
berbagai database besar (Turban et al, 2005). Sedangkan menurut Pramudiono
(2006) data mining adalah serangkaian proses untuk menggali nilai tambah dari
suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara
manual. Terkadang penambangan data biasa juga dikenal dengan KDD
(Knowledge Discovery in Database), padahal sebenarnya penambangan data
merupakan salah satu tahapan pada proses KDD. Pemanfaatan penambangan data
ini juga sudah banyak diterapkan dalam banyak bidang. Salah satu contoh
pemanfaatan penambangan data yaitu untuk menganalisa pasar sehingga sebuah
pelaku bisnis bisa lebih mengetahui pola pembelian para konsumennya.

2.2 Tujuan Penambangan Data
Tujuan dari penambangan data (Hoffer et al, 2005) adalah:
1. Explanatory
Untuk menjelaskan beberapa kondisi penelitian, seperti mengapa penjualan
truk pick-up meningkat di Colorado.
2. Confirmatory
Untuk mempertegas hipotesis, seperti halnya dua kali pendapatan keluarga
lebih suka dipakai untuk membeli peralatan keluarga dibandingkan dengan
satu kali pendapatan keluarga.

7

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

3. Exploratory
Untuk menganalisa data yang memiliki hubungan yang baru. Misalnya,
pola apa yang cocok untuk kasus penggelapan kartu kredit.

2.3 Teknik Data Mining
2.3.1 Classification
Klasifikasi merupakan proses pembelajaran suatu fungsi tujuan (target) yang
memetakan tiap himpunan atribut x sebagai input ke satu dari label kelas y yang
didefinisikan sebelumnya sebagai output. Fungsi target disebut juga model
klasifikasi (Hermawati, 2013).
Input

Classification
model

Himpunan
atribut
(x)

Output
Label kelas
(y)

Gambar 2. 1 Diagram Model Klasifikasi
Beberapa algoritma klasifikasi antara lain pohon keputusan, nearest neighbor,
naïve bayes, neural networks dan support vector machines.

2.3.2 Clustering
Analisa cluster 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
analisa cluster adalah meminimalkan jarak di dalam cluster dan memaksimalkan
jarak antar cluster (Hermawati, 2013).

8

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

2.3.3 Association Rules
Association juga disebut sebagai Market Basket Analysis. Sebuah problem
bisnis

yang

khas

adalah

menganalisa

tabel

transaksi

penjualan

dan

mengidentifikasi produk-produk yang seringkali dibeli bersamaan oleh customer,
misalnya apabila orang membeli sambal, biasanya juga dia membeli kecap.
Kesamaan yang ada dari data pembelian digunakan untuk mengidentifikasi
kelompok kesamaan dari produk dan kebiasaan apa yang terjadi guna kepentingan
cross-selling.

2.3.4 Regresi
Regresi ini biasanya digunakan untuk memprediksi nilai dari suatu variabel
kontinyu yang diberikan berdasarkan nilai dari variabel yang lain, dengan
mengasumsikan sebuah model ketergantungan linier atau nonlinier. Teknik ini
banyak dipelajari dalam statistika, bidang jaringan syaraf tiruan (neural network).
Contoh aplikasi untuk teknik regresi adalah (Hermawati, 2013).
a. Memprediksi jumlah penjualan produk baru berdasarkan pada belanja
promosi/iklan
b. Memprediksi kecepatan angina sebagai suatu fungsi suhu, kelembaban, tekanan
udara, dsb.
c. Time series prediction dari indeks stock market.

2.4 Knowledge Discovery in Database (KDD)
Istilah data mining dan knowledge discovery in database (KDD) seringkali
digunakan secara bergantian untuk menjelaskan proses penggalian informasi
tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut
memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Salah satu tahapan
dalam keseluruhan proses KDD adalah data mining. Proses KDD secara garis besar
dapat dijelaskan sebagai berikut (Fayyad, 1996).

9

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Gambar 2. 2 Penambangan data sebagai tahapan dalam proses KDD
(Sumber : Fayyad, 1996)

a.

Data Cleaning
Sebelum proses penambangan data dapat dilaksanakan, perlu dilakukan
proses cleaning pada data yang menjadi fokus KDD. Proses cleaning
mencakup antara lain membuang duplikasi data, memeriksa data yang
inkonsisten dan memperbaiki kesalahan pada data, seperti kesalahan
cetak (tipografi). Lalu dilakukan juga proses enrichment, yaitu proses
“memperkaya” data yang sudah ada dengan data atau informasi lain
yang relevan dan diperlukan untuk KDD, seperti data atau informasi
eksternal.

b.

Data Integration
Tahap ini berisikan penggabungan dari bermacam- macam data dari
berbagai sumber.

10

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

c.

Data Selection
Pemilihan (seleksi) data dari sekumpulan data operasional perlu
dilakukan sebelum tahap penggalian informasi dalam KDD dimulai.
Data hasil seleksi yang akan digunakan untuk proses penambangan
data, disimpan dalam suatu berkas, terpisah dari basis data operasional.

d.

Data Transformation
Coding adalah proses transformasi pada data yang telah dipilih,
sehingga data tersebut sesuai untuk proses penambangan data. Proses
coding dalam KDD merupakan proses kreatif dan sangat tergantung
pada jenis atau pola informasi yang akan dicari dalam basis data.

e.

Penambangan Data
Penambangan data adalah proses mencari pola atau informasi menarik
dalam data terpilih dengan menggunakan teknik atau metode tertentu.
Teknik, metode atau algoritma dalam penambangan data sangat
bervariasi. Pemilihan metode atau algoritma yang tepat sangat
bergantung pada tujuan dan proses KDD secara keseluruhan.

f.

Pattern Evaluation
Pola informasi yang dihasilkan dari proses penambangan data perlu
ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang
berkepentingan. Tahap ini merupakan bagian dari proses KDD yang
disebut interpretation. Tahap ini mencakup pemeriksaan apakah pola
atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis
yang ada sebelumnya.

g.

Knowledge Presentation
Tahap ini merupakan proses teknik visualisasi dan representasi
pengetahuan

digunakan

untuk

penambangan kepada pengguna.

11

menyajikan

pengetahuan

hasil

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

2.5 Association Rules
2.5.1 Pengertian Association Rules

Association rules merupakan sebuah ekspresi implikasi yang berbentuk X  Y,

dimana X dan Y merupakan disjoint itemset (X∩Y) = ø. Contoh: {Pena,Tinta} 
{Jus}. Dalam association rule, kita dapat menghitung support dan confidence.
Confidence menyatakan seberapa sering item-item dalam Y muncul dalam transaksi
yang berisi X. Sedangkan support menyatakan seberapa sering item-item dalam X dan
Y muncul dalam transaksi secara bersamaan. Secara formal dapat dinyatakan dengan
persamaan berikut ini:
�

∑

s(XY) =

∑

c(XY) =

�
∑

�

………………………… .
………………………… .

Dimana s adalah support dan c adalah confidence (Hermawati, 2013).

2.5.2 Frequent Pattern
Frequent Patterns adalah pola yang sering terjadi di dalam data. Ada banyak jenis dari
frequent patterns, termasuk di dalamnya pola, sekelompok item set, sub-sequence, dan
sub-struktur. Sebuah frequent patterns biasanya mengacu pada satu set item yang
sering muncul bersama-sama dalam suatu kumpulan data transaksional, misalnya
seperti susu dan roti.

2.6 Frequent Pattern Growth (FP-Growth)
Frequent Pattern Growth (FP-Growth) adalah salah satu alternatif algoritma yang
dapat digunakan untuk menentukan himpunan data yang paling sering muncul
(frequent itemset) dalam sebuah kumpulan data (Samuel, 2008).Penggalian itemset
yang frequent dengan menggunakan algoritma FP-Growth akan dilakukan dengan
cara membangkitkan struktur data tree atau disebut dengan FPTree. Pembuatan tree ini
dilakukan dengan melakukan scanning data dari tabel transaksi seperti pada Gambar

12

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

2.3 hanya saja item-item dari tiap transaksi tersebut harus diurutkan kembali
berdasarkan jumlah count-nya (Gambar 2.4).

Gambar 2. 3 Tabel data transaksi
(Sumber : Han et al. 2006 )

Gambar 2. 4 Tabel daftar support count tiap item
(Sumber : Han et al. 2006 )
Pada TID T100 daftar item-nya akan berubah menjadi {I2,I1,I5}, T200 menjadi
{I2,I4}, T300 {I2,I3}, T400 {I2,I1,I4}, T500 {I1,I3}, T600 {I2,I3}, T700 {I1,I3},
T800 {I2,I1,I3,I5}, T900 {I2,I1,I3}. Setelah data list item tersebut diurutkan, dibuatlah
data transaksi tersebut ke dalam bentuk tree seperti Gambar 2.5.

13

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Gambar 2. 5 Pembuatan FP Tree

(Sumber : Han et al. 2006 )
Cara pembuatan FPTree dilakukan dengan cara membaca satu persatu dari
transaksi pertama. Misalnya untuk TID T100 daftar item-nya adalah {I2,I1,I5}, maka
untuk dibuat kedalam FP Tree buatlah 3 node untuk I2, I1 dan I5 beserta path sehinga

menjadi null  I2  I1  I5 dengan count untuk I2, I1 dan I5 adalah 1. Selanjutnya

untuk TID T200 dengan daftar item {I2,I4}, maka dibuat 2 node untuk I2 dan I4 beserta

path-nya null  I2  I4. TID T100 dan T200 memiliki prefix yang sama yaitu I2.
Maka count I2 bertambah menjadi 2.

Metode FPGrowth dapat dibagi menjadi 3 tahapan utama (Han et al. 2006). Ketiga
tahapan ini akan dilakukan secara berulang-ulang untuk setiap item di header table
yang diurutkan berdasarkan frekuensinya:
a.

Tahap pembangkitan conditional pattern base
Conditional Pattern base merupakan subdatabase yang berisi prefix path
(lintasan prefix) dan suffix pattern (pola akhiran). Pembangkitan conditional
pattern base didapatkan melalui FPtree yang telah dibangun sebelumnya.
Contoh berikut adalah proses pencarian conditional pattern base untuk item
I3. Keberadaan node I3 didalam tree dapat dengan mudah ditelusuri dari link
yang menghubungkan tree dan headertable sudah dibuat sebelumnya.

14

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Setelah menemukan node tersebut, maka dapat ditelusuri node-node apa saja
yang dilalui dari I3 sampai ke root. Node-node yang dilewati tersebut akan
menjadi sebuah lintasan. Lintasan-lintasan yang terbentuk untuk node I3
adalah {I2,I1: 2},{I2:2} dan {I1:2}. Lintasan-lintasan tersebutlah yang akan
menjadi conditional pattern base.

Gambar 2. 6 Sub-database node I3

b.

Tahap pembangkitan conditional FPTree
Pada tahap ini, support count dari setiap item pada setiap conditional pattern
base dijumlahkan, lalu setiap item yang memiliki jumlah support count lebih
besar sama dengan minimum support count yang akan dibangkitkan dengan
conditional FPtree. Berdasarkan hasil conditional pattern base untuk node
I3 yang telah dijelaskan pada tahap sebelumnya, dapat dihitung support
count dari setiap itemnya adalah {I2:4, I1:2} dan {I1:2}

c.

Tahap pencarian frequent itemset
Pada tahap ini, apabila conditional FPtree merupakan single path, maka
akan didapatkan frequent itemsets dengan melakukan kombinasi item untuk
setiap conditional FPtree. Jika bukan single path maka, akan dilakukan
pembangkitan FPGrowth secara rekursif. Untuk pencarian frequent itemset
pada node I3 akan dilakukan rekursif karena conditional FPtree-nya bukan

15

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

merupakan single path melainkan bercabang. Untuk setiap single path akan
dikombinasikan dan hasil frequent pattern-nya adalah {{I2, I3: 4},{I1, I3:
4},{I2, I1, I3: 2}}.

2.7 Lift ratio
Salah satu cara yang lebih baik untuk melihat kuat tidaknya aturan asosiasi adalah
dengan menghitung lift ratio. Cara kerja metode ini adalah membagi confidence
dengan expected confidence. Confidence dapat dihitung dengan rumus 2.3.
Anteseden merupakan sebab yang menjadikan item konsekuen. Sedangkan
konsekuen adalah sebuah akibat atau juga item yang akan dibeli setelah membeli

anteseden. Jika didapatkan aturan asosiasi A  B maka A sebagai anteseden dan

B sebagai konsekuen. Nilai dari expected confidence dapat dihitung dengan rumus
2.4.

�

��

=

�

jumlah transaksi yang mengandung anteseden dan konsekuen … .
jumlah transaksi yang mengandung anteseden

�

=

jumlah transaksi yang mengandung konsekuen
jumlah transaksi dalam database

… .

Lift ratio dapat dihitung dengan cara membandingkan antara confidence untuk
suatu aturan dibagi dengan expected confidence. Berikut rumus dari lift ratio:

�� � ���� =

expected

�

�

..… .

Nilai lift ratio lebih besar dari 1 menunjukkan adanya manfaat dari aturan tersebut.
Lebih tinggi nilai lift ratio, lebih besar kekuatan asosiasinya (Santosa, 2007). Jika

16

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

nilai lift ratio < 1 maka kemunculan A berkorelasi negative dengan kemunculan B,
artinya kemunculan salah satu item mempengaruhi hal yang sebaliknya pada
kemunculan item lainnya. Contoh dari korelasi negative adalah jika penjualan item
A naik maka mempengaruhi jumlah penjualan B menjadi menurun. Jika didapatkan
lift ratio > 1 maka kemunculan A berkorelasi positive dengan kemunculan B,
artinya kemunculan A ini berhubungan dengan kemunculan B. Contoh dari korelasi
positive adalah jika item A dibeli maka item B juga akan dibeli. Sedangkan jika lift
ratio = 1 maka kemuncul item A dan B independent dan tidak ada korelasi diantara
kedua item tersebut (Han et al. 2006).

2.8 Evaluasi Pengajaran
2.8.1 Pengertian Evaluasi
Dalam dunia pendidikan kita sering mendengar kata evaluasi. Tidak banyak
orang yang mengetahui bahwa hakikat dari dari evaluasi dan bahkan apa itu itu evaluasi
terkadang disalah artikan oleh seorang guru. Padahal seorang guru memiliki salah satu
kewajiban yakni melakukan evaluasi kepada program pembelajaran yang telah
dilakukan. Evaluasi sering disalah artikan oleh seorang guru dengan kata ujian, padahal
ujian hanya salah satu bentuk evaluasi. Jika ujian tidak dilaksanakan dengan baik dari
segi penyusunan Intsrumennya, bahkan ujian pun yang dibuat asal-asal tidak dapat
dikategorikan sebagai bentuk evaluasi.
Bloom (1971) mendefinisikan evaluasi, sebagaimana kita lihat, adalah
pengumpulan kenyataan secara sistematis untuk menetapkan apakah dalam
kenyataannya terjadi perubahan dalam diri siswa dan menetapkan sejauh mana tingkat
perubahan dalam pribadi siswa. Sejalan dengan itu, Stufflebeam (1985), mengatakan
bahwa evaluasi merupakan proses menggambarkan, memperoleh, dan menyajikan
informasi yang berguna untuk menilai alternatif keputusan.
Tujuan evaluasi bisa berbeda dengan tujuan dari ujian. Secara sederhana evalusi
digunakan untuk memeperbaiki sistem dengan cara memberi penilaian berdasarkan

17

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

data yang diambil dari suatu atau sekelompok objek. Sedangkan ujian dapat dilakukan
tanpa ada tujuan untuk memeperbaiki nilai. Ujian juga dapat dilakukan hanya untuk
menyaring dan menentukan kelas dari kumpulan objek.
Salah satu cara untuk melihat pemetaan hasil evaluasi adalah dengan melihat
nilai daya