Pengolahan Awal Data - METODE PENELITIAN - PENGUJIAN DATA ESTIMASI PELUNASAN BIAYA PENDAFTARAN

BAB III METODE PENELITIAN

3.5 Pengolahan Awal Data

1.Biaya Registrasi

2.Rician dana kegiatan siswa 3.buku paket SPP Bulanan 4.Uang pangkal (Bangunan) 5.Seragam

3.4.3 Kebutuhan Perangkat Lunak

Perangkat lunak yang digunakan dalam penelitian ini antara lain : 1. Microsoft Excel 2010 sebagai media penulisan dataset.

2. Rapidminer yang akan digunakan untuk melihat hasil akurasi dari algoritma yang digunakan terhadap dataset yang sedang diteliti.

3.4.4 Kebutuhan Perangkat Keras

Selain kebutuhan perangkat lunak, dibutuhkan juga perangkat keras yang digunakan dalam penelitian ini, notebook dengan spesifikasi :

1. Prosesor intel® Celeron ® 1.10GHz 2. 64-bit Operating System

3. RAM 4 GB 4. 150GB HDD

3.5 Pengolahan Awal Data

Pada data administrasi siswa yang telah dikumpulkan dilakukan cleaning data, yaitu dengan menghilangkan record-record yang noice atau tidak lengkap dan record yang berulang. Atribut yang juga tidak diperlukan juga bisa dihilangkan seperti atribut Karakter, Pendidikan, Pekerjaan, Tanggungan, Rumah,

36 Pendapatan, dan Status. Hal ini dilakukan karena atribut tersebut tidak berpengaruh terhadap pengolahan data pada proses selanjutnya. Berikut adalah tabel atribut dan kategorinya.

Tabel 3.2 Atribut yang Digunakan

No ATRIBUT

1. Pekerjaan Ayah 2. Pendidikan Ayah 3. Penghasilan Ayah 4. Pekerjaan Ibu 5. Pendidikan Ibu 6. Penghasilan Ibu

7 Jumlah Saudara

8. Asal TK

3.5.1 Split Validation

Split Validation merupakan data yang sudah disiapkan untuk klasifikasi dibagi menjadi dua untuk data tranning dan data testing. Pembagian data menjadi data tranning (80%) dan data testing (20%) menggunakan teknik sampling random sistematik (systematic random sampling). Cara menggunakan teknik sampling random sistematik ini pengundian dilakukan satu kali, yaitu ketika melakuan unsur pertama disampling yang akan diambil. Penentuan unsur sampling selanjutnya ditempuh dengan cara memanfaatkan interval sanple.

37 Interval sample adalah angka yang mennunjukan jarak antara nomor-nomor urut yang terdapat dalam rangka sampling yang akan dijadikan patokan dalam menentukan atau memilih unsur-unsur sampling kedua dan seterusnya hingga unsur ke-n. Interval sample biasanya dilambangkan dengan huruf k.

3.5.2 Apply Model

Merupakan sebuah model pertama kali dilatih pada ExampleSet oleh Operator lain, yang sering merupakan algoritma pembelajaran. Setelah itu, model ini dapat diterapkan pada ExampleSet lain. Biasanya, tujuannya adalah untuk mendapatkan prediksi pada data yang tidak terlihat atau untuk mengubah data dengan menerapkan model preprocessing.

The ExampleSet di mana model diterapkan, harus kompatibel dengan Atribur model. Ini berarti, bahwa ExampleSet memiliki nomor, urutan, jenis, dan peran Atribut yang sama seperti ExampleSet yang digunakan untuk menghasilkan model.

3.5.3 Performance

Performance dapat diartikan sebagai tingkat pencapaian hasil atau “The degree of accomplishment “ (Rue and Byars, 1981:375). Sering pula disebut tingkat pencapaian tujuan organisasi. Penilaian terhadap performance atau disebut juga kinerja merupakan suatu kegiatan yang sangat penting Penilaian dimaksud bisa dibuat sebagai masukan guna mengadakan perbaikan untuk peningkatan kinerja organisasi pada waktu berikutnya. (Mac Donald and Lawton, 1977).

Apabila sebuah organisasi tidak menghasilkan keluaran berupa materi, performance juga sebagai sebutan bagi pengukuran output atau hasil dari

38 organisasi. Penjelasan tersebut dibicarakan oleh Stodgil dalam hubungannya dengan permasalahan output organisasi.

3.5.5 Pemodelan

Pada penelitian ini metode yang digunakan adalah Algoritma C4.5 dan dengan menggunakan tools RapidMiner 9.0.

Ada beberapa tahap dalam membuat pohon keputusan dengan algoritma C4.5, yaitu sebagai berikut:

1. Menyiapkan data training atau data testing. Data training dan data testing biasanya diambil dari histori yang pernah terjadi dan sudah dikelompokan ke dalam kelas-kelas tertentu.

2. Menentukan akar dari pohon. Akar akan diambil dari atribut yang terpilih, dengan cara menghitung nilai gain dari masing-masing atribut, nilai gain yang paling tinggi yang akan menjadi akar pertama. Sebelum menghitung nilai gain dari atribut, hitung dulu nilai entropy, dengan rumus sebagai berikut :

Entropy (S) = ∑ * log2 pi

3. Kemudian hitung nilai gain, dengan rumus sebagai berikut : Gain(S,A) = Entropy (S) - ∑

* Entropy (S) 4. Ulangi langkah ke-2 hingga semua record terpartisi.

5. Proses partisi pohon keputusan akan terhenti saat :

a. Semua record dalam simpul N mendapat kelas yang sama.

b. Tidak ada atribut di dalam record yang dipartisi lagi.

c. Tidak ada record di dalam cabang yang kosong.

39 3.6 Menghitung Nilai Entrophy Dan Gain

Berikut ini merupakan langkah-langkah perhitungan Nilai Entrophy dan Gain pada setiap Attribute yang memiliki label Lunas dan Belum Lunas :

3.6.1 Perhitungan Nilai Entrophy Total

Langkah Awal Algoritma C4.5 adalah mencari nilai Entrophy. Pertama tentukan dulu nilai Entrophy total dari kasus. Rumusnya sebagai sebagai berikut :

Entropy (S) = ∑ * log2 pi Diketahui :

Jumlah Kasus = 261 Jumlah Nilai Lunas : 200 Jumlah Nilai Belum Lunas : 61

Maka Nilai Entrophy Total adalah :

Entropy (S) = (-(

Selanjutnya lakukan perhitungan entropy pada tiap attribute berdasarkan pada jumlah kasus per subset attribute, yaitu :

A. Attribute Pekerjaan Ayah

a. Perhitungan Nilai Subset pada attribute Pekerjaan ayah Tidak Bekerja(TB) Diketahui :

Jumlah kasus = 3

40 Jumlah Nilai Lunas = 2

Jumlah Nilai belum lunas = 1 Maka Nilai Entrophy adalah :

Entropy (S) = (-(

3.7 Perhitungan nilai subset Pada Attribute pekerjaan Ayah dengan Profesi guru

Diketahui :

Jumlah kasus = 27 Jumlah Nilai Lunas = 21 Jumlah Nilai belum lunas = 6

Maka Nilai Entrophy adalah :

Entropy (S) =(-(

3.8 Perhitungan nilai subset Pada Attribute pekerjaan Ayah dengan Profesi PNS

Diketahui : Jumlah kasus = 6

41 Jumlah Nilai Lunas = 4

Jumlah Nilai belum lunas = 2

Maka Nilai Entrophy adalah :

Entropy (S) =(-(

3.9 Perhitungan nilai subset Pada Attribute pekerjaan Ayah dengan Profesi Pedagang Kecil

Diketahui :

Jumlah kasus = 13 Jumlah Nilai Lunas = 8 Jumlah Nilai belum lunas = 5

Maka Nilai Entrophy adalah :

Entropy (S) =(-(

3.10 Perhitungan nilai subset Pada Attribute pekerjaan Ayah dengan Profesi Pedagang Besar

42 Diketahui :

Jumlah kasus = 3 Jumlah Nilai Lunas = 2 Jumlah Nilai belum lunas = 1

Maka Nilai Entrophy Total adalah :

Entropy (S) =(-(

3.11 Perhitungan nilai subset Pada Attribute pekerjaan Ayah dengan Profesi Wiraswasta

Diketahui : Jumlah kasus = 7 Jumlah Nilai Lunas = 6 Jumlah Nilai belum lunas = 1

Maka Nilai Entrophy adalah :

Entropy (S) =(-(

43 3.12 Perhitungan nilai subset Pada Attribute pekerjaan Ayah dengan Profesi

Karyawan Swasta Diketahui :

Jumlah kasus = 189 Jumlah Nilai Lunas = 148 Jumlah Nilai belum lunas = 41

Maka Nilai Entrophy adalah :

Entropy (S) =(-(

3.13 Perhitungan nilai subset Pada Attribute pekerjaan Ayah dengan Profesi Lain -Lain

Diketahui :

Jumlah kasus = 13 Jumlah Nilai Lunas = 9 Jumlah Nilai belum lunas = 4

Maka Nilai Entrophy adalah :

Entropy (S) =(-(

= 0.8904916

3.6.2 Perhitungan Nilai Gain

Setelah semua perhitungan entropy pada masing-masing subset selesai, lakukan perhitungan nilai gain, rumusnya sebagai berikut :

Gain(S,A) = Entropy (S) - ∑

* Entropy (S) a. Gain Attribute Pekerjaan Ayah

=(0.7031365 (

) (

) ( ) (

) (

)

= 0.0604727

BAB IV

HASIL DAN PEMBAHASAN

4.1 Pengolahan Data

Pengolahan data terdiri dari tiga langkah utama, yakni input, proses dan output. Pengelolaan data adalah manipulasi data agar menjadi bentuk yang lebih berguna. Pengolahan data ini tidak hanya berupa perhitungan numeris tetapi juga operasi – operasi seperti klasifikasi data dan perpindahan data dari satu tempat ketempat lain.

Data yang digunakan dalam penelitian ini adalah sumber data administrasi sekolah, data induk yang menjadi dasar pengelolaan selanjutnya. Data diperoleh dari bagian administrasi dan pembiayaan sekolah dasar Qurrota A’yun. Data yang dikumpulkan sebanyak 261 Siswa yaitu data dari tahun pelajaran 2013/2014 – 2018-2019 (Tahun Berjalan). Data ini merupakan data dari formulir yang telah di bagikan kepada Orangtua dan Walimurid yang telah diinputkan kedalam Ms.

Excel dan menjadi dasar untuk pengolahan data dalam laporan ini.

Data tersebut memiliki Atribute Nama, Tempat tanggal Lahir, Jenis kelamin, pendidikan ayah, pendidikan ibu, pekerjaan ayah, pekerjaan ibu, Asal sekolah, dan Jumlah saudara. Berikut Contoh dari data yang akan dipakai :

46 Tabel 4.1 Sumber Data Administrasi siswa

47 Data Estimasi pelunasan biaya pendaftaran yang diperoleh dari 261 Siswa SDIT Qurrota A’yun Dibagi ke dalam 2 kategori yaitu pelunasan di bawah 3 bulan (sesuai batas waktu yang ditentukan) dan pelunasan di atas 3 bulan atau melebihi batas waktu yang ditentukan (menunggak) adalah sebagai berikut:

Tabel 4.2 Tabel Keseluruhan Siswa

Tahun Pelajaran Siswa keseluruhan Estimasi Pelunasan

L P Jumlah < 3 bulan > 3 Bulan berikut data dan atribut :

Tabel 4.3 Keterangan Atribut

Ket No

Pendidikan Ayah

Pekerjaan

Ayah Pendidikan Ibu

Pekerjaan

Ibu Asal TK Binominal Integer Polynominal Polynominal Polynominal Polynominal Polynominal

Label Atribute Atribute Atribute Atribute Atribute Atribute

48 4.2 Penghitungan algoritma C4.5

Dataset yang digunakan sebagai data training adalah sebanyak 261 data.

yang diambil dari data seluruh siswa yang sudah melaksanakan dan melunasi biaya pendaftaran. Sedangkan untuk data testing yang akan ditentukan kelayakannya 30% dari data keseluruhan.

4.2.1 Menghitung Probabilitas Kelas

Tahap pertama perhitunngan penentuan estimasi peluasan biaya pendaftaran dengan metode Algoritma C4.5 adalah dengan mencari probabilitas dari masing-masing kelas. Untuk menentukan estimasi pelunasan di bagi kedalam 2 kelas yaitu “LUNAS” dan “BELUM LUNAS”.

Cara perhitungannya adalah dengan mencari beberapa jumlah data yang lunas dan belum lunas dari total keseluruhan data training, lalu membaginya dengan total keseluruhan data. Hasil dari perhitungan tersebut dapat dilihat pada tabel berikut :

Tabel 4.4 Tabel Probabilitas Keseluruhan Kelas

Lunas Belum Lunas

Lunas 200/261 Belum Lunas 61/261

4.2.2 Menghitung Probabilitas Masing-Masing Atribut

Cara mencari probabilitas suatu atribut adalah dengan membandingkan atribut dari data testing dengan atribut dari data training, beberapa jumlah atribut dengan kelas lunas yang berada pada data training, kemudian bagi dengan

49 probabilitas kelas lunas. Begitu juga dengan mencari probabilitas untuk kelas tidak lunas.

1. Tabel Atribut Pekerjaan Ayah

Tabel 4.5 Atribut Pekerjaan Ayah

Pekerjaan Ayah TB GURU PNS PK PB WS KS LL

Lunas 2/200 21/200 4/200 8/200 2/200 6/200 148/200 9/200

Belum Lunas 1/61 6/61 2/61 5/61 1/61 1/61 41/61 4/61

2. Tabel Atribut Pendidikan Ayah

Tabel 4.6 Atribut Pendidikan Ayah

Pendidikan Ayah SMP SMA D3 S1 Lunas 0/200 155/200 7/200 38/200 Belum Lunas 3/61 47/61 0/61 11/61

3. Tabel Atribut Penghasilan Ayah

Tabel 4.7 Atribut Penghasilan Ayah

Penghasilan Ayah

0-999 1jt-199rb 2jt-4.999rb 5jt-20jt

Lunas 1/200 34/200 144/200 21/200 Belum Lunas 0/61 32/61 26/61 2/61

4. Tabel Atribut Pekerjaan Ibu

Tabel 4.8 Atribut Pekerjaan Ibu

pekerjaan ibu IRT GURU PNS PK PB WS KS LL

Lunas 149/200 13/200 0/200 2/200 1/200 5/200 28/200 1/200 Belum Lunas 51/61 3/61 1/61 3/61 0/61 0/61 2/61 1/61

50 5. Tabel Atribut Pendidikan Ibu

Tabel 4.9 Atribut Pendidikan Ibu

Pendidikan Ibu SD SMP SMA D3 S1

Lunas 0/200 4/200 179/200 4/200 13/200

Belum Lunas 1/61 3/61 52/61 1/61 4/61

6. Tabe Atribut Penghasilan Ibu

Tabel 4.10 Atribut Penghasilan Ibu

Penghasilan Ibu - 0-999 1jt-199rb 2jt-4.999rb 5jt-20jt

Lunas 148 1 12 38 1

Belum Lunas 52 0 6 3 0

7. Tabel Jumlah Saudara

Tabel 4.11 Atribut Jumlah Saudara

Jumlah Saudara

0 1 2 3

Lunas 163/200 28/200 7/200 2/200 Belum Lunas 33/61 22/61 5/61 1/61

8. Tabel Asal Sekolah

Tabel 4.12 Atribut Asal Sekolah

Asal TK TK QA TK Luar Lunas 164/200 36/200 Belum Lunas 39/61 22/61

4.2.3 Menghitung Probabilitas Akhir Untuk Setiap Kelas

51 Untuk menghitung probabilitas akhir pada setiap kelas, perlu menggunakan data training dan mengubahnya menjadi nilai yang sudah ditentukan pada proses sesuai dengan atribut masing. Lalu dari masing-masing atribut dan nilai probabilitas kelas, dilakukan.

Dari kedua hasil yang sudah ditentukan pada tiap kelas, bandingkan nilai yang paling tinggi. Jika kelas layak bernilai paling tinggi, maka hasilnya layak.

Begitu pula sebaliknya.

4.3 Hasil

4.3.1 Evaluasi dan Validasi Hasil Algoritma C4.5

Langkah pembuatan pohon keputusan (Decision Tree). Pada langkah awal dari proses evaluasi algoritma C4.5 ini adalah menyiapkan data yang akan diproses terlebih dahulu, dan berikut data keseluruhan Administrasi siswa baru :

Tabel 4.12 Data Yang di input ke RapidMiner

59 4.4 Proses RapidMiner

Berikut adalah tahapan dalam melakukan pengolahan data mining di rapidminer 9.0. Pada langkah awal saat membuka aplikasi akan muncul icon dari tampilan awal rapidminer seperti berikut :

GAMBAR 4.1 Instalizing Data Repository

Setelah menunggu proses memuat program selesai maka akan muncul tampilan utama tekan start, new proses untuk melakukan proses selanjutnya.

60 GAMBAR 4.2 Tapilan Awal rapidminer studio

Selanjutnya tambahkan operator Decision Tree, Apply Model, dan Performance kemudian di sambungkan ke Result. Tampilannya akan seperti Gambar berikut

GAMBAR 4.3 Tampilan Proses RapidMiner Algoritma C4.5

61 Berikut dijelaskan mengenai parameter dan operator yang digunakan pada model algoritma C4.5 sebagai berikut :

1. Read Excel adalah operator yang digunakan untuk mengimport dataset yang akan digunakan, pada penelitian ini data diimport dari file excel.

2. Split data adalah operator yang digunakan untuk menjeda data antara data training dan data testing.

3. Decision tree adalah metode klasifikasi yang digunakan dalam penelitian ini.

4. Apply model adalah operator yang digunakan dalam penelitian ini yaitu algoritma C4.5.

5. Performance adalah operator yang digunakan untuk mengukur performa akurasi dari model.

Selanjutnya pengelolaan data testing dan data training di rapidminer Pada saat menggunakan operator split data ubah atau tambah dafar Parameter list, data rasio yang saya gunakan 70 : 30 70 % untung data training dan 30% untuk data testing. Berikut Gambar dari perbandingan rasio data yang akan di ubah, dengan cara klik Edit Parameter List Partitions, kemudian klik add entri dan masukan perbandingan rasio.

62 GAMBAR 4.4 Add Entry Parameter List

Setelah dilakukan metode algoritma C4.5 pada Rapidminer, maka terbentuk pohon keputusan seperti Gambar 4.6

63 GAMBAR 4.5 Decision Tree

64 Pohon Keputusan diatas menghasilkan rule yang akan di implementasikan pada program rule yang dihasilkan sebagai berikut :

GAMBAR 4.6 Description Decision Tree Result

4.4.1 Performance Vector

GAMBAR 4.7 Accuracy Result

65 GAMBAR 4.8 Description Of Performance Vector Result

Hasil dari pengukuran data Accuracy yang diperoleh dari data training mencapai accuracy: 75,54%.

Dari data tersebut diketahui prediksi Lunas dengan true Lunas mencapai 54 Siswa dan true Belum Lunas sebanyak 13 Orang, dengan pencapaian class precision 80,60%. Sedangkan prediksi Belum Lunas dengan true Lunas 6 Siswa dan true Belum Lunas sebanyak 5 orang dengan pencapaian class precition 45.45

%. Untuk class recall dengan true Lunas mencapai 90% sedangkan untuk class recall dengan true Belum Lunas 27,7%. Berikut diagram hasil dari pengukuran data Accuracy yang diperoleh

66 GAMBAR 4.8 Diagram Hasil Pengukuran Data Accuracy

GAMBAR 4.9 AUC (Optimistic)(Positif Class Belum Lunas) 0

10 20 30 40 50 60

true LUNAS true BELUM LUNAS

class precision

pred. LUNAS pred. BELUM LUNAS class recall

67 GAMBAR 4.10 AUC (Positif Class Belum Lunas)

GAMBAR 4.11 Performance Vector Precision result

68 GAMBAR 4.12 Performance Vector Recall result

BAB V KESIMPULAN

5.1 Kesimpulan

Berdasarkan hasil penelitian yang dilakukan mengenai penentuan estimasi pelunasan biaya pendaftaran dengan Algoritma C4.5 pada SDIT Qurrota A’yun maka dapat diambil beberapa kesimpulan sebagai betikut :

1. Metode Algoritma C4.5 yang digunakan memberikan proses penyeleksian yang cepat dan algoritma yang mudah dipahami dengan tingkat akurasi tinggi, dengan memprediksi estimasi pelunasan biaya pendaftaran pihak yayasan dapat dengan mudah menentukan berapa jumlah siswa yang dapat melunasi tagihan dan berapa pula jumlah siswa yang tidak dapat melunasi biaya pendaftaran tepat waktu. Dan engan menggunakan aplikasi Rapidminer memprediksi Estimasi Biaya Pelunasan Pendaftaran, pihak yayasan mendapatkan hasil analisa metode Algoritma C4.5 dengan cepat.

2. Dengan menggunakan metode Algoritma C4.5 untuk menentukan Estimasi Biaya Pelunasan Pendaftaran menggunakan 183 data training atau dataset dan 78 data testing Menggunakan Split data dari 30 % data terakhir. Dari pengujian yang dilakukan dengan membandingkan hasil analisa sistem dengan aplikasi pendukung Rapidminer didapat tingkat akurasi sebesar 75,54%.

70 5.2 Saran

Berdasarkan penelitian yang telah ditentukan mengenai penentuan estimasi pelunasan biaya pendaftaran dengan Algoritma C4.5 pada SDIT Qurrota A’yun, maka terdapat beberapa saran yang perlu diperhatikan :

1. Penentuan data training dapat mempengaruhi hasil pengujian, karena pola data training tersebut akan dijadikan sebagai rule untuk menentukan kelas pada data testing. Sehingga besar atau kecilnya presentase tingkat akurasi dipengaruhi juga oleh penentuan data training.

2. Data yang digunakan belum begitu banyak karena sekolah hanya menerima sedikit siswa setiap tahunnya serta usia sekolah yang masih terbilang baru, dianjurkan untuk kedepannya menggunakan data yang lebih banyak.

3. Prediksi metode Algoritma C4.5 tidak akan menghasilkan keluaran yang akurat jika terdapat salah satu data yang kosong atau nol pada salah satu kelas maupun keduanya.

DAFTAR PUSTAKA

Aprilla Dennis. (2013). Belajar Data Mining dengan RapidMiner. Innovation and Knowledge Management in Bussines Globalization: Theory & Practice, Vols 1 and 2, 5(4), 1-5.

Arif Budirahman. (2013). Konsep Dasar Biaya Pengelolaan Biaya Pendidikan.

https://afidburhanuddin.wordpress.com/2013/12/09/konsep-dasar-pengelolaan-biaya-pendidikan/

Budi Santosa. 2007. Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

Dedi Suryadi Dan Sani Susanto. 2010. Pengantar Data Mining Menggali Pengetahuan Dari Bongkahan Data. Yogyakarta : Andi

Dhika, H., & Destiawati, F. (2015). Application of Data Mining Algorithm To Recipient of Motorcycle Installment. JurnalComTech, 6(4), 569-579.

Dermawan Wibisono. 2013. Panduan Penyusunan Skripsi, Tesis &

Disertasi.Yogyakarta:Andi

Endah, Sukmawati Nur dan Beta Noranita. 2012. Aplikasi Data Mining BPR Jawa Tengah Untuk Mengetahui Hubungan Plafon Kredit Dan Jangka Waktu Terhadap Rata-Rata Penghasilan Nasabah Per Bulan. Journal Of Informatics and Technology, Vol 1, No 2, P1-6

Siska Haryati, Aji Sudarsono, Eko SuryanaI. 2015. Implementasi Data Mining Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Algoritma C4.5 (STUDI KASUS: UNIVERSITAS DEHASEN BENGKULU). Jurnal Media Infotama Vol. 11 No. 2

72 Suyanto. 2017. Data Mining Untuk Klasifikasi Dan Klastering data. Bandung :

Informatika

Swastina, Liliana. 2013. “Penerapan Algoritma C4.5 Untuk Penentuan Jurusan

Mahasiswa.” Gema Aktualita 2(1): 6.

http://dspace.uphsurabaya.ac.id:8080/xmlui/bitstream/handle/123456789/61/

Penerapan Algoritma C4.5 Untuk Penentuan Jurusan Mahasiswa.pdf?sequence=1&isAllowed=y.

Taufiq, Ema Luthfi & kusrini . 2009. Algoritma Data Mining. Yogyakarta : Andi Wahyu Purhantara. 2010. Metode Penelitian Kualitatif Untuk Bisnis. Yogyakarta

Graha Ilmu

LAMPIRAN

1. Rekap Data Tunggakan Tahun 2013 - 2018

No Uraian Kode Tahun Pelajaran

Jumlah 2013/2014 2014/2015 2015/2016 2016/2017 2017/2018

1 Dana Bangunan DB

No Pertanyaan Jawaban

Meurut Bapak Atau Ibu Seberapa Pentingkah ketepatan pelunasan biaya pendaftaran?

Sangat penting karna biaya pendaftaran merupakan sumber dana terbesar untuk

pembangunan sekolah dan kegiatan siswa untuk satu tahun

Jika masih ada saja yang menunnggak Apakah tidak ada sumber dana lain yang dapat digunakan untuk menutupi tunggakan dana tsb?

Berhubung sekolah kami adalah yayasan pendidikan dengan beberapa unit sekolah, terkadang jika pihak sekolah kewalahan untuk menutupi tunggakan sekolah akan meminjam sejumlah dana yang di butuhkan kepada pihak TK

Apakah terdapat kesulitan dalam merealisasikan agar semua orang tua siswa baru dapat melunasi biaya pendaftaran sesuai jangka waktu yang ditentukan

Kami tidak dapat menarik paksa dana dari orang tua karena manusiawi jika memang kebetulan orangtua siswa baru belom bisa membayar biaya pendaftaran

Jika prediksi Belum pernah akan tetapi sekolah sempat bmembuat simpanan khusus untuk mengcover tunggakan2 siswa yang menunggak tapi tidak berlangsung lama karena Kurang efektif

Pernah, kami memberi discount atau beasiswa pendaftaran kepada orang tua yg mampu mebayar 3 bulan atau sebelum jatuh tempo pelunasan

Dan denda sejumlah Rp. 300.000 bagi orang tua yang melebihi jatuh tempo.

Bagaimana sekolah dapat terus menutupi biaya tunggakan biaya pendaftaran?

Kami bekerjasama dengan pihak TK akan tetapi kadang sistem seperi ini malah membuat kacau administrasi keduanya. Dan kami juga

memberikan beasiswa khusus kepada siswa dan siswi yang mendaftar ke SD

7 Saya mencoba meneliti InSyaaAllah Bermanfaat agar kami bisa melihat

75 data yang sudah ada

untuk digunakan sebagai bahan pengujian DATA MINING Metode Prediksi dengan

algoritma C4.5 Menurut ibu/ bapak apakah penelitian yang saya lakukan dapat menjadi sumber media tambahan untuk pengelolaan administrasi pendaftaran ??

berapa prediksi yang mampu melunasi dan berapa prediksi yang belum mampu melunasi.

Jika kita mengetahui presentase brp jumlah siswa yang menunggak sehingga pihak sdit mampu menyiapkan sumber dana lain tanpa cmpur tangan Unit Sekolah TK.

Bekasi, 21 September 2018

(Rino Mujianto)

No Pertanyaan Jawaban

Meurut Bapak Atau Ibu Seberapa Pentingkah ketepatan pelunasan biaya pendaftaran?

Menurut saya sangat penting karena selain merupakan sumber dana pokok sekolah, ketepatan waktu pembayaran juga menjadi gambaran awal tanggung jawab orang tua kepada sekolah.

Jika masih ada saja yang menunnggak Apakah tidak ada sumber dana lain yang dapat digunakan untuk menutupi tunggakan dana tsb?

Alhamdulillah untuk di TK hampir 99% selalu tepat waktu, akan tetapi jika masih saja kami kekurangan dana kami meminta bantuan ke unit sekolah dasar.

Apakah terdapat kesulitan dalam merealisasikan agar semua orang tua siswa baru dapat melunasi biaya pendaftaran sesuai jangka waktu yang ditentukan

Alhamdulillah semua orang tua di TK dapat melunasi kewajibannya jadi dengan mudah pihak sekolah dapat menerima biaya pendaftaran sesuai waktu yang ditentukan

Tidak pernah karena hampir setiap tahun orang tua murid mampu melunasi kewajibannya.

Iya pernah tapi Reward and punishmen ini kami gunakan pada saat pembayaran bulanan atau spp.

Bagaimana sekolah dapat terus menutupi biaya tunggakan biaya pendaftaran?

Karena sekolah ini milik yayasan jadi semua kebutuhan dana yang tidak dapat di tutupi kami tanggung jawabkan kepada ketua yayasan.

7 Saya mencoba meneliti Menurut saya penelitian ini lebih cocok di unit

77 data yang sudah ada

untuk digunakan sebagai bahan pengujian DATA MINING Metode Prediksi dengan

algoritma C4.5 Menurut ibu/ bapak apakah penelitian yang saya lakukan dapat menjadi sumber media tambahan untuk pengelolaan administrasi pendaftaran ??

sekolah dasar karena selain lebih banyak siswa yang mendaftar kesana biaya pendafatarannya pun lebih besar sehingga peluang untuk penunggakan biayanyapun lebih besar.

Bekasi, 12 September 2018

Munir Abdul Bashor,S. PdI

Dalam dokumen PENGUJIAN DATA ESTIMASI PELUNASAN BIAYA PENDAFTARAN PESERTA DIDIK BARU SDIT QURROTA A YUN DENGAN MENGGUNAKAN ALGORITMA C4. (Halaman 49-0)