Pada bagian ini akan dikemukakan tentang kesimpulan dari penulisan dan saran-saran yang dapat dijadikan sebagai bahan masukan di masa yang akan datang
BAB II
TINJAUAN PUSTAKA
Bab ini berisi dua sub bab. Bagian pertama tinjauan pustaka yang berisi penelitian terdahulu atau literatur-literatur ilmiah. Bagian kedua berisi dasar teori yang berhubungan dengan penelitian.
2.1 Penelitian Terdahulu
Penelitian Fathur Rahman dan Muhammad Iqbal Firdaus pada tahun 2016 dengan judul Penerapan data mining metode naïve bayes untuk prediksi hasil Belajar siswa sekolah menengah pertama (SMP), hasilnya penerapan data mining yang dapat mengenali dan mengekstrak pola pengetahuan menawarkan solusi untuk masalah pendidikan ini. Ada beberapa model klasifikasi dalam data mining yaitu algoritma ID3 dan C4.5 juga Naïve Bayes yang dapat digunakan untuk memprediksi hasil belajar siswa khususnya siswa menengah pertama. Pada penelitian ini akan digunakan metode klasifikasi naïve bayes untuk memprediksi hasil belajar siswa SMP dengan harapan mendapat akurasi yang lebih baik dari metode sebelumnya yang pernah diuji.[1]
Penelitian Dwi Hartanti, Kusrini, dan Emha Luthfi Taufiq pada tahun 2018 yang berjudul Penerapan Naïve Bayes Dalam Prediksi Ketercapaian Nilai Kriteria Ketuntasan Minimal Siswa, dengan hasil penelitian perancangan aplikasi dengan teknik data mining menggunakan algoritma Naïve bayes classifer untuk melakukuan prediksi ketercapaian nilai KKM siswa. Agar sekolah mendapatkan informasi siswa yang diperkirakan tidak tercapai nilai kkm pada mata pelajaran
8
9 tersebut. Sehingga pihak sekolah dapat melakukan sebuah tindakan untuk mengatasi masalah. Dalam melakukan pengukuran tingkat akurasi ketepatan hasil naïve bayes dalam melakukan prediksi ketercapain nilai KKM dalam mengikuti mata pelajaran. Atribut yang digunakan adalah nilai rata-rata UTS gasal, pendidikan orang tua, bimbingan belajar dan presensi kehadiran. Hasil pengujian dengan 600 record dengan porsi 75% data latih dan 25% data uji. Dari hasil prediksi tersebuat menghasilkan akurasi sebesar 78%.[2]
Penelitian Luluk Elvitaria dan Muhammad Havenda pada tahun 2017 dengan judul Memprediksi Tingkat Peminat Ekstrakurikuler Pada Siswa Smk Analisis Kesehatan Abdurrab Menggunakan Algoritma C4.5 (Studi Kasus: Smk Analis Kesehatan Abdurrab), hasil penelitian menunjukkan dalam memprediksi tingkat peminat bahasa asing dengan proses data mining menggunakan metode Algoritma C45. Algoritma C45 merupakan kelompok dari Algoritma Decision Tree. Dari penelitian ini, pihak sekolah dapat mengetahui sejauh mana tingkat peminat bahasa asing pada siswasiswi dan sekolah dapat meningkatkan kegiatan ekstrakurikuler serta siswa-siswi dapat mengembangkan minatnya terhadap bahasa asing sesuai keinginannya.[3]
2.2 Dasar Teori
2.2.1 Kriteria Ketuntasan Minimal (KKM)
Salah satu prinsip penilaian pada kurikulum berbasis kompetensi adalah menggunakan acuan kriteria,yakni menggunakan kriteria tertentu dalam menentukan kelulusan peserta didik. Kriteria paling rendah untuk menyatakan
10 peserta didik mencapai ketuntasan dinamakan Kriteria Ketuntasan Minimal (KKM).
Menurut Depdiknas Salah satu prinsip penilaian pada kurikulum berbasis kompetensi adalah mengunakan acuan kriteria, yakni menggunakan kriteria tertentu dalam menentukan kelulusan peserta didik.kriteria paling rendah untuk menyatakan peserta didik mencapai ketuntasan yang dinamakan Kriteria Ketuntasan Minimal (KKM).[4]
Kriteria ketuntasan minimal menjadi acuan bersama pendidik,peserta didik,dan orang tua peserta didik. Oleh karena itu pihak-pihak yang berkepetingan terhadap penilaian disekolah berhak untuk mengetahuinya. Satuan pendidikan perlu melakukan sosialisasi agar informasi dapat diakses dengan mudah oleh peserta didik dan atau orang tuanya. Kriteria ketuntasan minimal harus dicantumkan dalam Laporan Hasil Belajar (LHB) sebagai acuan dalam menyikapi hasil belajar peserta didik.
KKM harus ditetapkan sebelum awal tahun ajaran dimulai. Seberapapun besarnya jumlah peserta didik yang melampaui batas ketuntasan minimal,tidak mengubah keputusan pendidik dalam menyatakan lulus dan tidak lulus pembelajaran. Acuan kriteria tidak diubah secara serta merta karena hasil empirik prnilaian. Pada acuan norma,kurva normal sering digunakan untuk menentukan ketuntasan belajar peserta didik jika diperoleh hasil rata-rata kurang memuaskan.
Nilai akhir sering dikonversi dari kurva normal untuk mendapatkan sejumlah peserta didik yang melebihi nilai 6,0 sesuai proporsi kurva. Acuan kriteria mengharuskan pendidik untuk melakukan tindakan yang tepat terhadap hasil
11 penilaian ,yaitu memberikan layanan remedial bagi yang belum tuntas dan atau layanan pengayaan bagi yang sudah melampaui kriteria ketuntasan minimal.
Berdasarkan Keputusan Depdiknas Kriteria ketuntasan minimal ditetapkan oleh satuan pendidikan berdasarkan hasil musyawarah guru mata pelajaran disatuan pendidikan atau beberapa satuan pendidikan yang memiliki karakteristik yang hampir sama. Pertimbangan pendidik atau forum MGMP (Musyawarah Guru Mata Pelajaran) secara akademis menjadi pertimbangan utama penetapan KKM.
Kriteria ketuntasan menunjukkan persentase tingkat pencapaian kompetensi sehingga dinyatakan dengan angka maksimal 100 (seratus). Angka maksimal 100 merupakan kriteria ketuntasan ideal. Target ketuntasan secara nasional diharapkan mencapai minimal 75. Satuann pendidikan dapat memulai dari kriteria ketuntasan minimal dibawah target nasional kemudian ditingkatkan secara bertahap Kriteria ketuntasan minimal menjadi acuan bersama pendidik,peserta didik,dan orang tua peserta didik. Oleh karena itu pihak-pihak yang berkepetingan terhadap penilaian disekolah berhak untuk mengetahuinya.
Satuan pendidikan perlu melakukan sosialisasi agar informasi dapat diakses dengan mudah oleh peserta didik dan atau orang tuanya. Kriteria ketuntasan minimal harus dicantumkan dalam Laporan Hasil Belajar (LHB) sebagai acuan dalam menyikapi hasil belajar peserta didik.
Prosedur penentuan KKM mata pelajaran pada satuan pendidikan dapat dilakukan antara lain dengan cara berikut:
1) Intake (kemampuan rata-rata peserta didik)
12 2) Kompleksitas (mengidentifikasi indikator sebagai penanda tercapainya
kompetensi dasar)
3) Kemampuan daya dukung (berorientasi pada sumber belajar
Berdasarkan Permendikbud 81 a tahun 2013 tentang implementasi kurikulum dinyatakan bahwa.
1) Ketuntasan minimal untuk seluruh kompetensi dasar pada kompetensi pengetahuan dan kompetensi keterampilan yaitu 2.66 (B-)
2) Untuk KD-KD yang terdapat pada KI-3 dan KI-4, peserta didik dinyatakan tuntas belajar apabila pencapaian nilai ≥ 2.66 dari hasil test formatif.
3) Untuk KD pada KI-1 dan KI-2, ketuntasan peserta didik dilihat dari sikap seluruh mata pelajaran, jika jika profil sikap peserta didik secara umum berada pada kategori baik (B) menurut standar yang ditetapkan satuan pendidikan yang bersangkutan maka ia dinyatakan tuntas.
Implikasi dari ketuntasan belajar tersebut adalah sebagai berikut:
1) Untuk KD pada KI-3 dan KI-4, diberikan remedial individual sesuai dengan kebutuhan peserta didik yang memperoleh nilai kurang dari 2.66.
2) Untuk KD pada KI-3 dan KI-4, diberikan kesempatan untuk melanjutkan pelajarannya ke KD selanjutnya kepada peserta didik yang memperoleh nilai 2.66 atau lebih dari 2.66
3) Untuk KD pada KI-3 dan KI-4, diadakan remedial klasikal sesuai dengan kebutuhan apabila lebih dari 75% peserta didik memperoleh nilai kurang dari 2.66
13 4) Untuk KD pada KI-1 dan KI-2. Peserta didik yang secara umum profil sikapnya belum berkategori baik, maka dilakukan pembinaan secara holistik (oleh guru kelas, matapelajaran, guru BK, dan orang tua)
Hal yang harus diperhatikan dalam menentukan KKM yaitu :
1) Hitung jumlah Kompetensi Dasar (KD) setiap mata pelajaran setiap kelas.
2) Tentukan kekuatan/nilai untuk setiap aspek/komponen, sesuaikan dengan kemampuan masing-masing aspek:
a) Aspek Kompleksitas: semakin komplek (sukar) KD maka nilainya semakin rendah tetapi semakin mudah KD maka nilainya semakin tinggi.
Tingkat kesulitan materi dipandang dari sudut penguasaan guru terhadap materi tersebut. Semakin baik penguasaan guru terhadap materi semakin kecil tingkat kompleksitasnya.
b) Aspek Sumber Daya Pendukung: semakin tinggi sumber daya pendukung maka nilainya semakin tinggi.
c) Aspek Intake: semakin tinggi kemampuan awal siswa (intake) maka nilainya semakin tinggi.
3) Jumlahkan nilai setiap komponen, selanjutnya dibagi 3 untuk menentukan KKM setiap KD.
4) Jumlahkan seluruh KKM KD, selanjutnya dibagi dengan jumlah KD untuk menentukan KKM mata pelajaran.
5) KKM setiap mata pelajaran pada setiap kelas tidak sama tergantung pada kompleksitas KD, daya dukung, dan potensi (Inteks) siswa.
14 2.2.2 Penilaian Belajar
Menurut Permendikbud Nomor 104 Tahun 2014 penilaian belajar oleh peserta didik adalah:[5]
1) Penilaian Hasil Belajar oleh Pendidik adalah proses pengumpulan informasi/bukti tentang capaian pembelajaran peserta didik dalam kompetensi sikap spiritual dan sikap sosial, kompetensi pengetahuan, dan kompetensi keterampilan yang dilakukan secara terencana dan sistematis, selama dan setelah proses pembelajaran.
2) Pendekatan Penilaian adalah proses atau jalan yang ditempuh dalam melakukan penilaian hasil belajar peserta didik
3) Bentuk Penilaian adalah cara yang dilakukan dalam menilai capaian pembelajaran peserta didik, misalnya: penilaian unjuk kerja, penilaian projek, dan penilaian tertulis
4) Instrumen Penilaian adalah alat yang digunakan untuk menilai capaian pembelajaran peserta didik, misalnya: tes dan skala sikap
5) Ketuntasan Belajar adalah tingkat minimal pencapaian kompetensi sikap, pengetahuan, dan keterampilan meliputi ketuntasan penguasaan substansi dan ketuntasan belajar dalam konteks kurun waktu belajar
6) Penilaian Autentik adalah bentuk penilaian yang menghendaki peserta didik menampilkan sikap, menggunakan pengetahuan dan keterampilan yang diperoleh dari pembelajaran dalam melakukan tugas pada situasi yang sesungguhnya.
7) Penilaian Diri adalah teknik penilaian sikap, pengetahuan, dan keterampilan yang dilakukan sendiri oleh peserta didik secara reflektif.
15 8) Penilaian Tugas adalah penilaian atas proses dan hasil pengerjaan tugas yang
dilakukan secara mandiri dan/atau kelompok.
9) Penilaian Projek adalah penilaian terhadap suatu tugas berupa suatu investigasi sejak dari perencanaan, pelaksanaan, pengolahan data, sampai pelaporan.
10) Penilaian berdasarkan Pengamatan adalah penilaian terhadap kegiatan peserta didik selama mengikuti proses pembelajaran.
11) Ulangan Tengah Semester adalah penilaian yang dilakukan untuk semua muatan pembelajaran yang diselesaikan dalam paruh pertama semester.
12) Ulangan Akhir Semester adalah penilaian yang dilakukan untuk semua muatan pembelajaran yang diselesaikan dalam satu semester.
13) Nilai modus adalah nilai terbanyak capaian pembelajaran pada ranah sikap.
14) Nilai rerata adalah nilai rerata capaian pembelajaran pada ranah pengetahuan.
15) Nilai optimum adalah nilai tertinggi capaian pembelajaran pada ranah keterampilan
2.2.3 Microsoft Excel
Menurut Herawati , “Microsoft Excel 2007 atau Excel 2007 adalah sebuah program aplikasi spreadsheet populer yang banyak digunakan untuk membantu user dalam perhitungan, membuat laporan keuangan dan analisa, serta mempresentasikan data”.[6]
Excel merupakan aplikasi pengolah angka yang paling banyak digunakan.
Karena itu, aplikasi-aplikasi yang lain dibangun agar dapat kompatibel dengan
16 dokumen excel. Excel dilengkapi dengan kemampuan dan fitur yang tidak dimiliki oleh aplikasi pengolah angka yang lain.
Berikut ini fungsi dari bagian komponen aplikasi pada Microsoft Office Excel sebagai berikut:
1) Microsoft Office Button adalah tombol Microsoft Office yang berisi perintah dasar dalam Microsoft Office misalnya New, Open, Convert, Save, Print, Send, Close, Excel Options, Exit Excel, dan sebagainya.
2) Title Bar adalah baris judul berisi nama dokumen, nama program, dan beberapa tombol kontrol.
3) Tombol Kontrol adalah tiga buah tombol, yaitu Minimize, Restore Down/Maximize, dan Close.
a) Minimize klik tombol ini untuk mengubah tampilan lembar kerja Microsoft Office Excel menjadi ukuran terkecil hingga aplikasi ini hanya terlihat berupa tombol aplikasi dalam taskbar.
b) Restore/Maximize klik tombol ini untuk mengatur sendiri besar kecilnya tampilan lembar kerja Microsoft Office Excel dan mengembalikan ukuran tampilan sesuai pengaturan sebelumnya.
c) Close klik tombol ini untuk menutup aplikasi Microsoft Office Excel dengan cepat.
4) Ribbon Bar adalah menu dan toolbar yang dikemas menjadi satu hingga menyerupai pita agar Anda dapat dengan cepat menemukan perintah yang dibutuhkan dalam menyelesaikan pekerjaan.
17 5) Quick Access Toolbar adalah kumpulan tool yang sering digunakan, pada bagian ini Anda dapat menambah atau mengurangi tool-tool yang sering digunakan agar Anda dapat lebih cepat dan mudah mengakses suatu perintah.
6) Sel Aktif adalah posisi di mana Anda dapat memasukkan data misalnya data angka, teks, formula, fungsi, gambar, dan sebagainya.
7) Expand formula Bar, klik tombol untuk memperluas tampilan formula bar sehingga formula/rumus dapat terlihat secara lengkap.
8) Nama Kolom adalah judul kolom yang ditandai dengan huruf A hingga IV, jumlah kolom yang terdapat dalam satu sheet adalah 256 kolom.
9) Nomor Baris adalah judul baris yang ditandai dengan angka 1 hingga 65.536.
10) Worksheet/Sheet adalah lembar kerja Microsoft Office Excel 2007 yang dapat Anda isi dengan data, worksheet ini terdiri dari kumpulan sel yang berjumlah 16.777.216.
11) Tab Sheet adalah tombol untuk berpindah dari lebar kerja yang satu ke lembar kerja lainnya.
12) View adalah tombol yang digunakan untuk mengatur tampilan sheet, pada bagian ini terdiri dari:
a) Normal adalah tampilan normal lembar kerja Microsoft Office Excel, bentuk tampilan default/pengaturan awal.
b) Page Layout adalah bentuk tampilan lembar kerja Microsoft Office Excel yang ditampilkan seperti tampilan pada kertas kerja.
c) Page Break Preview adalah bentuk tampilan lembar kerja Microsoft Office Excel yang menampilkan pemutusan halaman saat dicetak.
18 2.2.4 Rapid Miner
Rapid Miner sebelumnya dikenal sebagai YALE (Yet Another Learning Environment), dikembangkan mulai tahun 2001 oleh Ralf Klinkenberg, Ingo mierswa, dan Simon Fischer di Unit Artificial Intelligence dari Technical University of Dortmund. Mulai tahun 2006, perkembangannya adalah didorong oleh cepat-I, sebuah perusahaan yang didirikan oleh Ingo mierswa dan Ralf Klinkenberg pada tahun yang sama. pada tahun 2007, nama software diubah dari YALE ke RapidMiner dan perusahaan cepat-I GmbH didirikan. Pada akhir Mei, bebas open-source Suite data mining YALE berganti nama menjadi RapidMiner.
Sekarang, Rilis ini memberikan semua fungsi yang diketahui dari YALE dan menambahkan sejumlah besar fungsi-fungsi baru bersama dengan antarmuka pengguna sepenuhnya direvisi. berharap bahwa perbaikan dari YALE ke RapidMiner lebih berguna untuk analisis pekerjaan sehari-hari. [8]
Rapid Miner adalah aplikasi data mining yang tidak perlu dipertanyakan lagi dan berbasis sistem open-source dunia yang terkemuka dan ternama. Tersedia sebagai aplikasi yang berdiri sendiri untuk analisis data dan sebagai mesin data mining untuk integrasi ke dalam produk sendiri. Ribuan aplikasi RapidMiner di lebih dari 40 negara memberikan pengguna mereka keunggulan yang kompetitif.
Solusi yang di usung antara lain: Integrasi data, Analitis ETL, Data Analisis, dan Pelaporan dalam satu suite tunggal. Powerfull tapi memiliki antarmuka pengguna grafis yang intuitif untuk desain analisis proses.Repositori untuk proses, data dan penanganan meta data Hanya solusi dengan transformasi meta data: lupakan trial and error dan memeriksa hasil yang telah di inspeksi selama desain.[8]
19 Hanya solusi yang mendukung on-the-fly kesalahan dan dapat melakukan perbaikan dengan cepa lengkap dan fleksibel: Ratusan loading data, transformasi d ata, pemodelan data, dan metode visualisasi data RapidMiner Menyediakan prosedur data mining dan machine learning termasuk: ETL (extraction, transformation, loading), data preprocessing, visualisasi, modelling dan evaluasi.
Proses data mining tersusun atas operator-operator yang nestable, dideskripsikan dengan XML, dan dibuat dengan GUI. Ditulis dalam bahasa pemrograman Java.
Mengintegrasikan proyek data mining Weka dan statistika R. Terminologi Dasar
Atribut dan atribut
menggambarkan sebuah proses atau situasi. ID, atribut biasa. Atribut target:
atribut yang menjadi tujuan untuk diisi oleh proses data mining. Label, cluster, weight. Peran atribut (attribute role) Label, cluster, weight, ID, biasa Terminologi Dasar Tipe nilai (value type) nominal: nilai secara kategori numeric: nilai numerik secara umum integer: bilangan bulat real: bilangan nyata text: teks bebas tanpa struktur binominal: nominal dua nilai polynominal: nominal lebih dari dua nilai date_time: tanggal dan waktu date: hanya tanggal time: hanya waktu. Terminologi
Dasar Data dan metadata Data menyebutkan obyek-obyek
dari sebuah konsep. Ditunjukkan sebagai baris dari tabel. Metadata menggambarkan karakteristik dari konsep tersebut. Ditunjukkan sebagai kolom dari tabel. Modelling Penggunaan metoda data mining terhadap data. Hasilnya disebut model. Fungsi menu Process control Untuk mengontrol aliran proses, seperti loop atau conditional branch. Utility Untuk mengelompokkan subprocess,
juga macro dan logger. Repository access Untuk membaca dan menulis repository. Inport Untuk membaca dari berbagai format eksternal. Export Untuk
20 menulis data ke berbagai format eksternal.Data transformation Untuk transformasi data dan metadata. Modelling Untuk proses data mining yang sesungguhnya.
Seperti klasifikasi, regresi, clustering, aturan asosiasi dll. Evaluation Untuk menghitung kualitas dari modeling.
2.2.5 Alogaritma Naive Bayes
Algoritma Naive Bayes adalah salah satu algoritma yang terdapat pada teknik data mining klasifikasi. Naive bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukakan oleh ilmuan Inggris yaitu Thomas bayes, Naive Bayes memprediksi peluang dimasa depan berdasarkan pengalaman dimasa sebelumnya, sehingga dikenal dengan Teorema Bayes.[9]
Teorema tersebut dikombinasikan dengan Naive dimana diasumsikan kondisi antar atribut saling bebas. Klasifikasi Naive Bayes diasumsikan bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak ada hubungannya dengan ciri dari kelas lainnya.[9]
Persamaan dari teorema Bayes adalah :
P (H/X) = P (X|H).P(H)/P(X)...(1) Keterangan :
X : Data dengan class yang belum diketahui
H : Hipotesis data X merupakan suatu class spesifik P(H|X) : Probabilitas hipotesis H berdasar kondisi X (posteriori probability)
P(H) : Probabilitas hipotesis H (prior probability)
21 P(X|H) : Probabilitas X berdasarkan
kondisi pada hipotesis H P(X) : Probabilitas X
Adapun alur dari metode Naive Bayes adalah sebagai berikut : 1) Baca data training
2) Hitung Jumlah dan probabilitas, namun apabila data numerik maka:
a) Cari nilai mean dan standar deviasi dari masing – masing parameter yang merupakan data numerik.
b) Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.
c) Mendapatkan nilai dalam tabel mean, standar deviasi dan probabilitas.
2.2.6 Data Mining
Data mining merupakan proses penggalian dan pertambangan pengetahuan dari sejumlah data yang besar, database atau repository database lainnya. Tujuan utama dari penambangan data ini untuk menemukan pengetahuan baru yang tersembunyi dari database tersebut . Data mining adalah suatu rangkaian dari proses kemudian dapat dipisah-pisah menjadi beberapa tahapan.[10]
Berdasarkan beberapa pengertian tersebut dapat ditarik kesimpulan bahwa data mining adalah suatu teknik menggali informasi berharga yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui. Kata mining sendiri berarti usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasar. Karena itu data mining sebenarnya memiliki akar
22 yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistik dan database.[10]
Tahapan-tahapan yang ada dalam data mining bersifat interaktif terhadap pengguna yang terlibat langsung dengan perantara knowledge base. Tahap-tahap dalam data mining antara lain :
1) Pembersihan Data
Tahap pembersihan data dilakukan untuk membuang data yang tidak konsisten dan noise. Selain itu, terdapat atribut data yang tidak sesuai dengan hipotesis data mining yang ada. Pembersihan data dapat mempengaruhi kinerja dari sistem data mining karena data yang diolah akan berkurang jumlah dan kompleksitasnya.
2) Integrasi Data
Integrasi data digunakan untuk menggabungkan data dari beberapa sumber karena dapat terjadi data yang dibutuhkan dapat berasal dari beberapa database atau file task. Tahap ini dilakukan pada atribut-atribut yang unik seperti nama, jenis produk, dan nomor pelanggan. Untuk menghasilkan data yang tepat dan tidak menyimpang maka harus dilakukan dengan cermat pada tahap ini.
3) Transformasi Data
Transformasi data dilakukan dengan mengubah data menjadi bentuk atau format yang sesuai. Sebagai contoh beberapa teknik dasar seperti analisis asosiasi dan klastering hanya dapat menerima input data kategorikal. Karena data yang berupa angka numerik perlu dipecah menjadi beberapa interval. Proses tersebut yang dinamakan binning. Transformasi dan pemilihan data ini menentukan
23 ketepatan hasil dari data mining karena ada beberapa karakteristik dari teknik- teknik yang ada pada data mining tertentu bergantung dengan tahap ini.
4) Aplikasi Teknik Data Mining
Tahapan aplikasi teknik data mining adalah bagian dari salah satu proses data mining. Sehingga harus diperhatikan bahwa teknik-teknik yang ada tidak selamanya dapat mencukupi untuk melaksanakan data mining tertentu.
5) Evaluasi Pola yang Ditemukan
Tahap evaluasi pola yang ditemukan digunakan untuk menemukan pola-pola yang dengan ciri khas maupun prediksi yang bernilai. Apabila hasil yang ada tidak cocok dengan hipotesis yang ada maka terdapat cara lain yang dapat dilakukan.
6) Presentasi Pola yang Ditemukan
Selanjutnya tahap presentasi pola yang ditemukan digunakan untuk menghasilkan tindakan atau langkah yang harus dilakukan dari analisis yang diperoleh dengan bentuk pengetahuan yang dapat dipahami semua orang. Dalam presentasi ini visualisasi membantu menampilkan hasil data mining. Dari rangkaian tahapan-tahapan yang terpapar diatas Gambar 2.1 merupakan ringakasan dari tahapan-tahapan proses data mining.
24
Gambar 2.1 Proses Data Mining
Berikut adalah pengelompokan metode pengolahan data mining antara lain : 1) Classification
Classification adalah suatu teknik dengan melihat atribut dari kelompok
data yang telah didefinisikan. Teknik ini dilakukan pada data dengan memanipulasi data yang ada, kemudian diklasifikasi sehingga dapat memperoleh hasil berupa sejumlah aturan. Salah satu contoh yang mudah dan populer adalah decision tree. Decision tree merupakan model prediksi menggunakan struktur
pohon atau struktur berhirarki. Perbedaan antara metode clustering dan classification terletak pada data karena metode clustering tidak ada variabel target dalam pengklusteran, sedangkan classification harus ada target variabel kategori 2) Association
Association sebuah metode yang digunakan untuk mengetahui beberapa
Association sebuah metode yang digunakan untuk mengetahui beberapa