Berisi kesimpulan yang berhubungan dengan penulisan serta saran yang diharapkan berguna bagi pengembangan aplikasi dimasa depan.
11 BAB II
LANDASAN TEORI
Bab ini menjelaskan tentang dasar teori yang digunakan dalam penyusunan tugas akhir ini. Dijelaskan pengertian tentang data, data mining beserta macam-macamnya, database serta analisis perancangan perangkat lunak.
2.1. Data
2.2.1. Pengertian Data
Data adalah nilai yang merepresentasikan deskripsi dari suatu objek atau kejadian (event) (Wawan dan Munir, 2006). Data menggambarkan sebuah representasi fakta yang tersusun secara terstruktur, atau dengan kata lain digambarkan bahwa “Generally, data represent a structured codification of single primary entities, as well as of transactions involving two or more primary entities” (Vercellis, 2009). Dengan demikian dapat dijelaskan kembali bahwa data merupakan suatu objek, kejadian, atau fakta yang terdokumentasikan dengan memiliki kodifikasi terstruktur untuk suatu atau beberapa entitas. Sedangkan kumpulan dari objek-objek yang ada disebut himpunan data (data-set).
2.2.2. Pengertian Himpunan Data
Himpunan data (data-set) adalah kumpulan dari objek dan atribut. Atribut merupakan sifat atau karakteristik dari suatu objek. Atribut juga dikenal sebagai
variabel, field, karakteristik atau fitur. Contohnya warna mata seseorang, suhu, dsb. Sedangkan, kumpulan dari atribut menggambarkan sebuah objek. Objek juga disebut dengan record, titik, kasus, sample, entitas, atau instance (Hermawati, 2013).
2.2. Data Mining
2.2.1. Pengertian Data Mining
Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang berukuran besar (Davies, 2004). Data mining juga disebut sebagai serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data (Pramudiono, 2007). Data mining adalah kegiatan menemukan pola yang menarik dari data dalam jumlah besar, data dapat disimpan dalam database, data warehouse, atau penyimpanan informasi lainnya. Data mining berkaitan dengan bidang ilmu – ilmu lain, seperti database system, data warehousing, statistik, machine learning, information retrieval, dan komputasi tingkat tinggi. Selain itu, data mining didukung oleh ilmu lain seperti neural network, pengenalan pola, spatial data analysis, image database, signal processing (Han, 2006). Data mining didefinisikan sebagai proses menemukan pola-pola dalam data. Proses ini otomatis atau seringnya semiotomatis. Pola yang ditemukan harus penuh arti
dan pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data yang dibutuhkan dalam jumlah besar (Witten, 2005).
2.2.2. Knowledge Discovery in Database dan Data Mining
Istilah data mining dan knowledge discovery in databases (KDD) sering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu kumpulan data yang besar. KDD sering disebut-sebut memiliki kesamaan dengan data mining, akan tetapi data mining dan KDD sesungguhnya memiliki konsep yang berbeda namun berkaitan satu sama lain. Ada beberapa tahapan dalam proses KDD, salah satunya adalah data mining. KDD adalah proses menentukan informasi yang berguna serta pola-pola yang ada dalam data. Informasi ini terkandung dalam basis data yang besar yang sebelumnya tidak diketahui dan potensial bermanfaat. Data mining merupakan salah satu langkah dari serangkaian iterative KDD (Han & Kamber, 2006).
Sebagai suatu rangkaian proses, KDD dapat dibagi menjadi beberapa tahap yang diilustrasikan pada Gambar 2.1.
Gambar 2.1. Dalam Knowledge Discovery in Databases (KDD) (Han, 2006)
Proses KDD secara garis besar dapat dijelaskan sebagai berikut: 1. Pembersihan Data (Data Cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau tidak relevan. Pada umumnya data yang diperoleh, baik dari database memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi dari teknik data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.
2. Integrasi data (Data Integration)
Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. Tidak jarang data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya.
3. Seleksi Data (Data Selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database.
4. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam data mining. Beberapa metode data mining membutuhkan format data yang khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar seperti analisis asosiasi dan clustering hanya bisa menerima input data kategorikal. Karenanya data berupa angka numerik yang
berlanjut perlu dibagi-bagi menjadi beberapa interval. Proses ini sering disebut transformasi data.
5. Proses mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi pola (Pattern Evaluation)
Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada beberapa alternatif yang dapat diambil seperti menjadikannya umpan balik untuk memperbaiki proses data mining, mencoba metode data mining lain yang lebih sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat. 7. Presentasi pengetahuan (Knowledge Presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisis yang didapat. Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami data mining. Karenanya presentasi hasil data mining dalam bentuk pengetahuan
yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam proses data mining. Dalam presentasi ini, visualisasi juga bisa membantu mengkomunikasikan hasil data mining (Han, 2006).
2.2.3. Tujuan Data Mining
Tujuan dari data mining (Baskoro, 2010) adalah :
a. Explanatory, yaitu untuk menjelaskan beberapa kegiatan observasi atau suatu kondisi.
b. Confirmatory, yaitu untuk mengkonfirmasikan suatu hipotesis yang telah ada.
c. Exploratory, yaitu untuk menganalisis data baru suatu relasi yang janggal.
2.2.4. Pengelompokkan Data Mining
Secara garis besar data mining dapat dikelompokkan menjadi 2 kategori utama sesuai tugasnya (Tan et. al, 2005) yaitu :
a. Descriptive mining, yaitu proses untuk menemukan karakteristik penting dari data dalam suatu basis data. Teknik data mining yang termasuk dalam descriptive mining adalah clustering, association, dan sequential mining.
b. Predictive mining, yaitu proses untuk menemukan pola dari data dengan menggunakan beberapa variabel lain di masa depan. Salah satu teknik yang terdapat dalam predictive mining adalah klasifikasi.
2.3. Clustering
2.3.1. Pengertian Clustering
Clustering atau clusterisasi adalah salah satu alat bantu pada data mining yang bertujuan mengelompokkan obyek-obyek ke dalam cluster-cluster. Cluster adalah sekelompok atau sekumpulan obyek-obyek data yang similar satu sama lain dalam cluster yang sama dan dissimilar terhadap obyek-obyek yang berbeda cluster. Obyek akan dikelompokkan ke dalam satu atau lebih cluster sehingga obyek-obyek yang berada dalam satu cluster akan mempunyai kesamaan yang tinggi antara satu dengan lainnya. Obyek-obyek tersebut dikelompokkan berdasarkan prinsip memaksimalkan kesamaan obyek pada cluster yang sama dan memaksimalkan ketidaksamaan pada cluster yang berbeda. Kesamaan obyek biasanya diperoleh dari nilai-nilai atribut yang menjelaskan obyek data, sedangkan obyek-obyek data biasanya direpresentasikan sebagai sebuah titik dalam ruang multidimensi (Baskoro, 2010).
Gambar 2.3 Klasterisasi Berdasarkan Similaritas (Kesamaan) Bentuk
2.3.2. Konsep Clustering dalam Data Mining
Konsep dasar data mining adalah menemukan informasi tersembunyi dalam sebuah basis data dan merupakan bagian dari Knowledge Discovery in Database (KDD) untuk menemukan informasi dan pola yang berguna dalam data (Dunham 2003). Data mining mencari informasi baru, berharga dan berguna dalam sekumpulan data dengan melibatkan komputer dan manusia serta bersifat iteratif baik melalui proses yang otomatis ataupun manual. Clustering membagi data menjadi kelompok-kelompok atau cluster berdasarkan suatu kemiripan atribut-atribut diantara data tersebut (Dunham, 2003). Karakteristik tiap cluster tidak ditentukan sebelumnya, melainkan tercermin dari kemiripan data yang terkelompok di dalamnya. Oleh sebab itu hasil clustering seringkali perlu diinterprestasikan oleh pihak-pihak yang benar-benar mengerti mengenai karakter mining, clustering juga digunakan dalam pra-pemrosesan data sebelum data diolah dengan metode data mining yang lain untuk meningkatkan pemahaman terhadap domain data. Karakteristik terpenting
dari hasil clustering yang baik adalah suatu instance data dalam suatu cluster lebih “mirip” dengan instance lain di dalam cluster tersebut daripada dengan instance di luar dari cluster itu (Kantardzic, 2003). Ukuran kemiripan (similarity measure) bisa bermacam-macam dan mempengaruhi perhitungan dalam menentukan anggota suatu cluster. Jadi tipe data yang akan di-cluster (kuantitatif atau kualitatif) juga menentukan ukuran apa yang tepat digunakan dalam suatu algoritma. Selain kemiripan antar data dalam suatu cluster, clustering juga dapat dilakukan berdasarkan jarak antar data atau cluster yang satu dengan yang lainnya. Ukuran jarak (distance atau dissimilarity measure) yang merupakan kebalikan dari ukuran kemiripan ini juga banyak ragamnya dan penggunaannya juga tergantung pada tipe data yang akan di-cluster. Kedua ukuran ini bersifat simetris, dimana jika A dikatakan mirip dengan B maka dapat disimpulkan bahwa B mirip dengan A.
2.3.3. Algoritma Clustering
Pembagian clustering (Bahar, 2011) dapat digambarkan sebagai berikut :
Hierarchical clustering menentukan sendiri jumlah cluster yang dihasilkan. Hasil dari metode ini adalah suatu struktur data berbentuk pohon yang disebut dendogram dimana data dikelompokkan secara bertingkat dari yang paling bawah dimana tiap instance data merupakan satu cluster sendiri, hingga tingkat paling atas dimana keseluruhan data membentuk satu cluster besar berisi cluster-cluster (Bahar, 2011).
Gambar 2.5 Dendogram
Divisive hierarchical clustering mengelompokkan data dari kelompok yang terbesar hingga ke kelompok yang terkecil, yaitu masing-masing instance dari kelompok data tersebut. Sebaliknya, agglomerative hierarchical clustering mulai mengelompokkan data dari kelompok yang terkecil hingga kelompok yang terbesar (Kantardzic, 2003). Beberapa algoritma yang menggunakan metode ini adalah: RObust Clustering Using LinKs (ROCK), Chameleon, Cobweb, Shared Nearest Neighbor (SNN) (Bahar, 2011).
Partitional clustering yang mengelompokkan data ke dalam k cluster dimana k adalah banyaknya cluster dari input user. Kategori ini biasanya
memerlukan pengetahuan yang cukup mendalam tentang data dan proses bisnis yang memanfaatkannya untuk mendapatkan kisaran nilai input yang sesuai. Beberapa algoritma yang masuk dalam kategori ini antara lain: K-Means, Fuzzy C-Means, Clustering Large Aplications (CLARA), Expectation Maximation (EM), Bond Energy Algorithm (BEA), algoritma Genetika, Jaringan Saraf Tiruan (Bahar, 2011).
Clustering Large Data, dibutuhkan untuk melakukan clustering pada data yang volumenya sangat besar sehingga tidak cukup ditampung dalam memori komputer pada suatu waktu. Biasanya untuk mengatasi masalah besarnya volume data, dicari teknik-teknik untuk meminimalkan berapa kali algoritma harus membaca seluruh data. Beberapa algoritma yang masuk dalam kategori ini antara lain: Balanced Iteratif Reducing and clustering using hierarchies (BIRCH), Density Based Spatial Clustering of Application With Noise (DCSCAN), Clustering Categorical Data Using Summaries (CACTUS) (Bahar, 2011).
2.3.4. Pengukuran Kinerja Clustering
Menurut Eko Prasetyo (2012), sebuah sistem klustering juga harus diukur kinerjanya guna melihat tingkat akurasi dan kesalahan dari sistem tersebut. Umumnya, pengukuran kinerja klustering dilakukan dengan matriks konfusi (confusion matrix). Matriks konfusi merupakan tabel pencatat hasil kerja klustering. Tabel 2.1 merupakan contoh matriks konfusi yang melakukan
klasifikasi masalah biner pada dua kelas yaitu kelas 0 dan 1. Setiap sel fij dalam matriks menyatakan jumah rekord/data dari kelas i yang hasil prediksinya masuk ke kelas j. Misalnya, sel f11 adalah jumlah data dalam kelas 1 yang secara benar dipetakan ke kelas 1, dan f10 adalah data dalam kelas 1 yang dipetakan secara salah ke kelas 0.
Tabel 2.1 Matriks konfusi untuk klustering dua kelas fij
Kelas hasil prediksi (j) Kelas = 1 Kelas = 0 Kelas asli (i)
Kelas = 1 f11 f10
Kelas = 0 f01 f00
Berdasarkan isi matriks konfusi, dapat diketahui jumlah data dari masing-masing kelas yang dikluster secara benar, yaitu (f11+f00), dan data yang dikluster secara salah, yaitu (f10+f01). Kuantitas matriks konfusi dapat diringkas menjadi dua nilai, yaitu akurasi dan laju error. Dengan mengetahui jumlah data yang dikluster secara benar, dapat diketahui akurasi hasil prediksi, dan dengan mengetahui jumlah data yang dikluster secara salah, dapat diketahui laju error dari prediksi yang dilakukan. Dua kuantitas ini digunakan sebagai matrik kinerja kluster.
Untuk menghitung akurasi kluster digunakan formula :
2.4. Algoritma K-Means
2.4.1. Pengertian K-Means
K-Means merupakan algoritma yang umum digunakan untuk clustering dokumen. Prinsip utama K-Means adalah menyusun k prototype atau pusat massa (centroid) dari sekumpulan data berdimensi n (Aryan, 2010). Sebelum diterapkan proses algoritma K-means, data akan di preprocessing terlebih dahulu. Algoritma K-Means termasuk dalam partitioning clustering yang memisahkan data ke k daerah bagian yang terpisah. Algoritma K-Means sangat terkenal karena kemudahan dan kemampuannya untuk mengklaster data besar dan outlier dengan sangat cepat. Menurut Ediyanto dan rekan (2013) algoritma K-Means cukup efektif diterapkan dalam proses pengelompokkan karakteristik terhadap objek penelitian. Menurut MacQueen J.B (1967) K-Means merupakan metode klasterisasi yang paling terkenal dan banyak digunakan di berbagai bidang karena sederhana, mudah diimplementasikan, memiliki kemampuan untuk mengklaster data yang besar, mampu menangani data outlier, dan kompleksitas waktunya linear O(nKT) dengan n adalah jumlah dokumen, K adalah jumlah kluster, dan T adalah jumlah iterasi. K-means merupakan metode pengklasteran secara partitioning yang memisahkan data ke dalam kelompok yang berbeda. Dengan partitioning secara iteratif, K-Means mampu meminimalkan rata-rata jarak setiap data ke klasternya.
Dalam algoritma K-Means, setiap data harus termasuk ke cluster tertentu pada suatu tahapan proses, pada tahapan proses berikutnya dapat berpindah ke cluster yang lain. Pada dasarnya penggunaan algoritma K-Means dalam melakukan proses clustering tergantung dari data yang ada dan konklusi yang ingin dicapai. Untuk itu digunakan algoritma K-Means yang didalamnya memuat aturan sebagai berikut :
a. Jumlah cluster yang perlu di inputkan b. Hanya memiliki attribut bertipe numeric
Algoritma K-Means pada awalnya mengambil sebagian dari banyaknya komponen dari populasi untuk dijadikan pusat cluster awal. Pada step ini pusat cluster dipilih secara acak dari sekumpulan populasi data. Berikutnya K-Means menguji masing-masing komponen didalam populasi data dan menandai komponen tersebut ke salah satu pusat cluster yang telah di definisikan tergantung dari jarak minimum antar komponen dengan tiap-tiap pusat cluster. Posisi pusat cluster akan dihitung kembali sampai semua komponen data digolongkan kedalam tiap-tiap cluster dan terakhir akan terbentuk posisi cluster baru.
Algoritma K-Means pada dasarnya melakukan 2 proses yakni proses pendeteksian lokasi pusat cluster dan proses pencarian anggota dari tiap-tiap cluster. Proses klustering dimulai dengan mengidentifikasi data yang akan dikluster, Cij (i=1,...,n; j=1,...,m) dengan n adalah jumlah data yang akan
dikluster dan m adalah jumlah variabel. Pada awal iterasi, pusat setiap kluster ditetapkan secara bebas (sembarang), Ckj (k=1,...,k; j=1,...,m). Kemudian dihitung jarak antara setiap data dengan setiap pusat kluster. Untuk melakukan penghitungan jarak data ke-I (xi) pada pusat kluster ke-k (ck), diberi nama (dik), dapat digunakan formula Euclidean. Suatu data akan menjadi anggota dari kluster ke-k apabila jarak data tersebut ke pusat kluster ke-k bernilai paling kecil jika dibandingkan dengan jarak ke pusat kluster lainnya. Kita bisa menghitungnya dengan persamaan 2. Selanjutnya, kelompokkan data-data yang menjadi anggota pada setiap kluster. Nilai pusat kluster yang baru dapat dihitung dengan cara mencari nilai rata-rata dari data data yang menjadi anggota pada kluster tersebut, dengan menggunakan rumus pada persamaan 3.
Proses dasar algoritma K-Means (Santosa, 2007) :
1. Tentukan k sebagai jumlah cluster yang ingin dibentuk. Tetapkan pusat kluster sembarang.
2. Hitung jarak setiap data ke pusat kluster menggunakan persamaan Euclidean
... (1)
3. Kelompokkan data ke dalam kluster yang dengan jarak yang paling pendek menggunakan persamaan
4. Hitung pusat kluster yang baru menggunakan persamaan
...(3) Dimana :
P = banyaknya anggota kluster ke k
5. Ulangi langkah 2 sampai dengan 4 hingga sudah tidak ada lagi data yang berpindah ke kluster yang lain.
2.4.2. Pseudocode
Pseudo berarti imitasi atau mirip atau menyerupai dan code menunjukkan kode dari program, berarti pseudocode adalah kode yang mirip dengan instruksi kode program sebenarnya (Utami dan Raharjo, 2004).
Pseudocode ditulis berbasis bahasa pemrograman seperti BASIC, PASCAL dan C, sehingga lebih tepat digunakan untuk menggambarkan algoritma yang akan dikomunikasikan kepada programmer (Sutedjo dan Michael, 2004).
Pseudocode akan memudahkan pemrogram untuk memahami dan menggunakan, karena mirip dengan kode-kode program sebenarnya. Pseudocode menjelaskan juga tentang pemberian nilai awal dari suatu
variable, membuka dan menutup file, subscript atau tipe-tipe data yang digunakan (misalnya real, integer, Boolean).
2.4.3. Karakteristik K-Means
Berdasarkan cara kerjanya, algoritma K-Means memiliki karakteristik (wijaya, 2010):
1. K-Means sangat cepat dalam proses clustering
2. K-Means sangat sensitif pada pembangkitan centroids awal secara random
3. Memungkinkan suatu cluster tidak mempunyai anggota
4. Hasil clustering dengan K-Means bersifat unik (Selalu berubah-ubah) – terkadang baik, terkadang jelek.
Adapun tujuan dari data clustering ini adalah untuk meminimalisasikan objective function yang diset dalam proses clustering, yang pada umumnya berusaha meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar cluster. Ada dua cara pengalokasian data kembali ke dalam masing-masing cluster pada saat proses iterasi clustering.
2.5. Peminatan
2.5.1. Pengertian Peminatan
Pada saat seorang siswa masuk ke jenjang SMA dan mulai belajar di kelas X, seorang siswa dapat memilih program peminatan bidang IPA atau IPS sesuai dengan kriteria mata pelajaran yang telah ditentukan dan dapat diketahui berdasarkan nilai raport semester ganjil dan genap pada saat siswa tersebut dinyatakan naik ke kelas XI.
2.5.2. Tujuan Peminatan
1. Mengelompokkan siswa sesuai kecakapan, kemampuan, dan bakat yang relatif sama.
2. Membantu mempersiapkan siswa dalam melanjutkan studi dan memilih dunia kerja.
3. Membantu memperkokoh keberhasilan dan kecocokan atas yang akan dicapai di waktu mendatang.
2.5.3. Kriteria Peminatan 1. Waktu Peminatan
1.1 Penentuan peminatan program studi IPA dan IPS dilakukan mulai dari semester 1 (ganjil) kelas X
1.2 Pelaksanaan peminatan program studi di semester 1 kelas XI 2. Kriteria Peminatan Program Studi Meliputi :
Siswa yang naik kelas XI dan akan mengambil program studi tertentu, yaitu : Ilmu Pengetahuan Alam dan Ilmu Pengetahuan Sosial boleh memiliki nilai yang tidak tuntas paling banyak 3 mata pelajaran pada mata pelajaran yang bukan jadi ciri khas program studi tersebut. Siswa naik kelas XI dan yang bersangkutan mendapatkan nilai tidak tuntas 3 mata pelajaran, maka nilai tersebut harus dijadikan dasar untuk menentukan program studi yang dapat dimasukkan ke program studi yang dapat diikuti oleh siswa.
Program Studi Ilmu Pengetahuan Alam
Program Studi Ilmu Pengetahuan Sosial Matematika Fisika Kimia Biologi Ekonomi Sosiologi Sejarah Geografi 2.2 Minat Siswa
Untuk dapat mengetahui minat siswa dapat dilakukan angket, kuesioner atau wawancara.
3. Mekanisme Peminatan Bagi Peserta Didik Kelas X Angket Minat Siswa
Nilai prestasi akademis raport semester 1 dan 2 kelas X program peminatan IPA atau IPS
Standar Nilai KKM yang menjadi acuan sekolah di Indonesia adalah :
1. Nilai ketuntasan belajar untuk aspek pengetahuan dan praktik dinyatakan dalam bentuk bilangan bulat dengan skala 0-100
2. Ketuntasan belajar setiap indikator yang telah ditetapkan dalam suatu kompetensi dasar berkisar anatara 0-100%. Kriteria ideal ketuntasan untuk masing masing indikator adalah 75%
3. Satuan pendidikan dapat menentukan Kriteria Ketuntasan minimal (KKM) dibawah nilai ketuntasan belajar ideal. Satuan pendidikan diharapkan meningkatkan kriteria ketuntasan belajar secara terus menerus untuk mencapai kriteria ketuntasan ideal. 4. KKM ditetapkan oleh forum guru pada awal tahun
5. KKM tersebut dicantumkan ke dalam LHB dan diinformasikan kepada seluruh warga sekolah dan orangtua siswa.
2.6. Konsep Dasar Analisis dan Desain Sistem 2.6.1. Pengertian Analisis dan Desain Sistem
Analisis Sistem merupakan sebuah teknik pemecahan masalah yang menguraikan sebuah sistem menjadi bagian- bagian komponen dengan tujuan mempelajari seberapa bagus bagian-bagian komponen tersebut bekerja dan berinteraksi untuk meraih tujuan mereka. (Whitten et.al, 2004).
Sedangkan Sistem desain adalah sebuah teknik pemecahan masalah yang saling melengkapi (dengan Analisis Sistem) yang merangkai kembali bagian-baagian relatif pada sistem yang diperbaiki. Hal ini melibatkan penambahan, penghapusan dan perubahan bagian-bagian relatif pada sistem aslinya (awalnya).
2.6.2. Pendekatan-Pendekatan Analisis Sistem
Analisis Sistem merupakan pemecahan dari suatu masalah, banyak pendekatan dalam menghadapi masalah, oleh karena itu Analisis Sistem mempunyai beberapa pendekatan masalah, berikut ini adalah pendekatan masalah dari Analisis Sistem :
Analisis Terstruktur merupakan sebuah teknik model-driven dan berpusat pada proses yang digunakan untuk menganalisis sistem yang