BAB III METODOLOGI PENELITIAN
3.9 Perancangan Antar Muka Sistem
Perangkat Lunak ini memiliki 5 tampilan antarmuka, yaitu halaman utama (home), halaman administrator, halaman prediksi nilai, halaman bantuan, dan halaman tentang. Antarmuka halaman utama (home) dapat dilihat pada gambar 3.9 berikut ini.
Gambar 3. 9 Halaman Utama (home)
Halaman utama (home) merupakan halaman pertama yang akan muncul ketika pengguna menjalankan perangkat lunak. Pada halaman ini terdapat tombol “Admin” untuk menuju halaman admin, tombol “Prediksi Nilai” untuk menuju halaman prediksi nilai, tombol “Bantuan” untuk menuju halaman bantuan, dan tombol “Tentang” untuk menuju halaman tentang.
PREDIKSI KATEGORI NILAI UJIANSEKOLAH BERSTANDAR NASIONAL SISWA SMA BERDASARKAN NILAI RAPOR MENGGUNAKAN ALGORITME
MODIFIED K-NEAREST NEIGHBOR
LOGO USD
Admin
Bantuan Tentang
Prediksi Nilai Home
Antarmuka halaman Admin dapat dilihat pada gambar 3.10 berikut ini.
Gambar 3. 10 Halaman Admin
Halaman admin merupakan halaman yang digunakan untuk memasukkan data nilai rapor semester 1 sampai semester 5 dan nilai USBN, lalu berdasarkan nilai tersebut akan didapatkan akurasi terbaik serta k terbaik yang nantinya akan digunakan sebagai model saat memprediksi nilai USBN.
Pada halaman ini terdapat tombol “Input Data” yang digunakan untuk memilih file berekstensi .xlsx dari direktori komputer. Tombol “Kembali” digunakan untuk kembali ke halaman awal (home). Terdapat dua buah dropdown menu yang digunakan untuk memilih mata pelajaran dan aspek penilaian sesuai dengan data yang telah dimasukkan. Tombol “Proses Nilai” digunakan untuk
Admin
PREDIKSI KATEGORI NILAI UJIANSEKOLAH BERSTANDAR NASIONAL SISWA SMA BERDASARKAN NILAI RAPOR MENGGUNAKAN ALGORITME
MODIFIED K-NEAREST NEIGHBOR Data Nilai Rapor Siswa
Kembali
Proses Perhitungan Akurasi
Mata Pelajaran Penilaian
Bahasa Indonesia Keterampilan
Nilai K
memproses data nilai yang telah dimasukkan untuk menghasilkan akurasi serta k terbaik. Tombol “Reset” digunakan untuk menghapus batas atas k, hasil akurasi, dan k terbaik. Tombol “Simpan K” digunakan untuk menyimpan k terbaik yang nantinya akan menjadi model pada halaman prediksi nilai.
Antarmuka halaman Prediksi Nilai dapat dilihat pada gambar 3.11 berikut ini.
Gambar 3. 11 Halaman Prediksi Nilai
Halaman prediksi nilai digunakan untuk memprediksi nilai USBN siswa. Prediksi tersebut dapat dilakukan secara kelompok maupun tunggal.
Pada halaman ini terdapat tombol “Input Data” yang digunakan untuk memilih file nilai rapor berekstensi .xlsx dari direktori komputer. Tombol “Prediksi”
digunakan untuk memproses nilai rapor yang telah dimasukkan sehingga
PREDIKSI KATEGORI NILAI UJIANSEKOLAH BERSTANDAR NASIONAL SISWA SMA BERDASARKAN NILAI RAPOR MENGGUNAKAN ALGORITME
MODIFIED K-NEAREST NEIGHBOR
Input Data Prediksi Masukkan Data Prediksi :
Mata Pelajaran Penilaian
Bahasa Indonesia Keterampilan
Range Nilai
Semester 2 Semester 3 Semester 4 Semester 5
Hasil Prediksi
menghasilkan prediksi nilai USBN secara kelompok. Tombol “Simpan Hasil”
digunakan untuk menyimpan hasil prediksi ke dalam sebuah file berekstensi .xlsx dengan nama file yang sudah dimasukkan. Tombol “Proses Nilai”
digunakan untuk memproses data nilai yang telah dimasukkan untuk menghasilkan prediksi tunggal nilai USBN. Tombol “Reset” digunakan untuk menghapus nilai semester 1 sampai semester 5 dan hasil prediksi. Tombol
“Kembali” digunakan untuk kembali ke halaman awal (home).
Antarmuka halaman Bantuan dapat dilihat pada gambar 3.12 berikut ini.
Gambar 3. 12 Halaman Bantuan
Halaman bantuan merupakan halaman yang berisi langkah-langkah bagi pengguna untuk menjalankan perangkat lunak dengan benar. Pada halaman ini terdapat tombol “Kembali” yang digunakan untuk kembali ke halaman awal (home).
Berisi tentang cara menggunakan aplikasi
Bantuan
Kembali
PETUNJUK PENGGUNAAN
Antarmuka halaman Tentang dapat dilihat pada gambar 3.13 berikut ini.
Gambar 3. 13 Halaman Tentang
Halaman bantuan merupakan halaman yang berisi profil singkat pembuat perangkat lunak. Pada halaman ini terdapat tombol “Kembali” yang digunakan untuk kembali ke halaman awal (home).
PREDIKSI KATEGORI NILAI UJIANSEKOLAH BERSTANDAR NASIONAL SISWA SMA BERDASARKAN NILAI RAPOR MENGGUNAKAN ALGORITME
MODIFIED K-NEAREST NEIGHBOR
FOTO
Tentang penulis :
Kembali
Tentang
Nama : NIM : Program Studi : Fakultas : Universitas :
36 BAB IV
IMPLEMENTASI DAN ANALISIS HASIL
4.1 Implementasi Use Case
Use case yang telah dirancang sebelumnya diimplementasikan ke dalam sebuah sistem dengan tampilan antarmuka sebagai berikut :
1. Halaman Utama (home)
Hasil implementasi halaman utama (home) dapat dilihat pada gambar 4.1 berikut ini.
Gambar 4. 1 Implementasi Halaman Utama
Pada halaman ini, pengguna diberikan pilihan untuk memilih halaman yang ingin dituju. Setiap halaman memiliki fungsi yang berbeda-beda seperti yang telah dijelaskan pada bab sebelumnya.
2. Halaman Admin
Hasil implementasi halaman admin dapat dilihat pada gambar 4.2 berikut ini.
Gambar 4. 2 Implementasi Halaman Admin
Pada halaman ini digunakan oleh admin untuk mendapatkan akurasi terbaik dan k terbaik berdasarkan data nilai yang sudah dimasukkan. Setelah itu, admin juga dapat menyimpan hasil k terbaik yang nantinya akan digunakan pada proses prediksi nilai USBN.
3. Halaman Prediksi Nilai
Hasil implementasi halaman prediksi nilai dapat dilihat pada gambar 4.3 berikut ini.
Gambar 4. 3 Implementasi Halaman Prediksi Nilai
Pada halaman ini, digunakan oleh pengguna untuk memprediksi nilai USBN berdasarkan nilai rapor siswa. Prediksi dapat dilakukan secara berkelompok maupun tunggal. Hasil prediksi kelompok dapat disimpan ke dalam sebuah file berdasarkan nama yang telah dimasukkan.
4. Halaman Bantuan
Halaman bantuan berisi langkah-langkah dalam menggunakan sistem agar pengguna dapat menjalankan sesuai dengan prosedur yang benar.
Hasil implementasi halaman bantuan dapat dilihat pada gambar 4.4 berikut ini.
Gambar 4. 4 Implementasi Halaman Bantuan
5. Halaman Tentang
Halaman tentang berisi data diri dari penulis. Hasil implementasi halaman tentang dapat dilihat pada gambar 4.5 berikut ini.
Gambar 4. 5 Implementasi Halaman Tentang
4.2 Uji Validasi Perhitungan Akurasi Modified k-Nearest Neighbor 4.2.1 Penghitungan Akurasi Modified k-Nearest Neighbor Secara
Manual
Pengujian hasil akurasi secara manual menggunakan 15 data dari 4086 data nilai rapor dan USBN siswa yang lulus tahun 2019. Sampel data tersebut merupakan nilai mata pelajaran matematika pengetahuan.
Proses perhitungan dilakukan menggunakan Microsoft Excel. Dalam perhitungan akurasi menggunakan algoritme modified k-nearest neighbor ditetapkan jumlah tetangga terdekat sebanyak 1 menggunakan 3-fold. Proses perhitungan manual dan hasil akurasi dapat dilihat pada lampiran 2.
4.2.2 Penghitungan Akurasi Modified k-Nearest Neighbor Menggunakan Perangkat Lunak
Pengujian hasil akurasi menggunakan perangkat lunak menggunakan 15 data dari 4086 data nilai rapor dan USBN siswa yang lulus tahun 2019. Sampel data tersebut merupakan nilai mata pelajaran matematika pengetahuan. Proses perhitungan dilakukan dengan memilih mata pelajaran dan aspek penilaian pada dropdown mata pelajaran dan penilaian lalu memasukkan file .xlsx dalam perangkat lunak. Setelah itu, memasukkan batas atas jumlah tetangga terdekat sebesar 1. Hasil akurasi dari perhitungan menggunakan perangkat lunak dapat dilihat pada gambar 4.6 berikut ini.
Gambar 4. 6 Hasil Akurasi Menggunakan Perangkat Lunak
4.2.3 Evaluasi Penghitungan Akurasi Modified k Nearest Neighbor Secara Manual dengan Perangkat Lunak
Hasil akurasi yang diperoleh dari perhitungan manual sama dengan hasil akurasi yang didapatkan pada perangkat lunak. Oleh karena itu dapat disimpulkan bahwa perangkat lunak dapat berjalan dengan baik sesuai dengan yang diharapkan oleh penulis.
4.3 Uji Validasi Prediksi Modified k-Nearest Neighbor
4.3.1 Prediksi Modified k-Nearest Neighbor Secara Manual
Pengujian hasil prediksi secara manual menggunakan 15 data dari 4086 data nilai rapor dan USBN siswa yang lulus tahun 2019 mata pelajaran matematika pengetahuan sebagai data model dan 1 data nilai rapor siswa yang akan diprediksi. 1 data nilai rapor yang diinputkan berisi nilai semester 1 sebesar 79, nilai semester 2 sebesar 80, nilai semester 3 sebesar 77, nilai semester 4 sebesar 84, dan nilai semester 5 sebesar 82. Proses perhitungan dilakukan menggunakan Microsoft Excel. Dalam perhitungan akurasi menggunakan algoritme modified k-nearest neighbor ditetapkan jumlah tetangga terdekat sebanyak 1 menggunakan 3-fold. Proses perhitungan manual dan hasil prediksi dapat dilihat pada lampiran 3.
4.3.2 Prediksi Modified k-Nearest Neighbor Menggunakan Perangkat Lunak
Pengujian hasil prediksi menggunakan perangkat lunak menggunakan 15 data dari 4086 data nilai rapor dan USBN siswa yang lulus tahun 2019 mata pelajaran matematika pengetahuan sebagai data model dan 1 data nilai rapor siswa yang akan diprediksi. Proses perhitungan dilakukan dengan memilih mata pelajaran dan aspek penilaian pada dropdown mata pelajaran dan penilaian dalam perangkat lunak. Lalu 1 data nilai rapor yang diinputkan berisi nilai semester 1 sebesar 79, nilai semester 2 sebesar 80, nilai semester 3 sebesar 77, nilai
semester 4 sebesar 84, dan nilai semester 5 sebesar 82. Dalam perhitungan akurasi menggunakan algoritme modified k-nearest neighbor ditetapkan jumlah tetangga terdekat sebanyak 1 menggunakan 3-fold. Hasil prediksi dari perhitungan menggunakan perangkat lunak dapat dilihat pada gambar 4.7 berikut ini.
Gambar 4. 7 Hasil Prediksi Menggunakan Perangkat Lunak
4.3.3 Evaluasi Prediksi Modified k-Nearest Neighbor Secara Manual dengan Perangkat Lunak
Hasil prediksi yang diperoleh dari perhitungan manual sama dengan hasil akurasi yang didapatkan pada perangkat lunak. Oleh karena itu
dapat disimpulkan bahwa perangkat lunak dapat berjalan dengan baik sesuai dengan yang diharapkan oleh penulis.
4.4 Analisis Hasil 4.4.1 Dataset
Penelitian ini menggunakan dataset nilai rapor siswa semester 1 sampai semester 5 jurusan IPA dan IPS SMA BOPKRI 1 Yogyakarta yang lulus tahun 2019 dengan jumlah 4086 record dan 5 atribut. Setiap dataset mata pelajaran juga terbagi atas aspek pengetahuan (1362 record), aspek keterampilan (1362 record), dan rata-rata penilaian aspek pengetahuan dan keterampilan (1362 record). Dataset dibagi menjadi beberapa dataset berdasarkan mata pelajaran, yaitu mata pelajaran Bahasa Indonesia, mata pelajaran Bahasa Inggris, mata pelajaran Matematika, mata pelajaran Biologi, mata pelajaran Fisika, mata pelajaran Kimia, mata pelajaran Geografi, mata pelajaran Sosiologi, dan mata pelajaran Ekonomi.
4.4.2 Hasil Akurasi Modified k-Nearest Neighbor
Pada penelitian ini, dilakukan pengujian untuk mencari akurasi tertinggi pada setiap dataset yang ada menggunakan algoritme modified k-nearest neighbor dan menggunakan metode 3-fold cross validation dengan jumlah tetangga terdekat sebesar 1, 3, 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27 29, 31, 33, 35, 37, 39, 41. Dalam menentukan nilai K sebaiknya dilihat dari jumlah klasifikasi bila jumlahnya genap maka sebaiknya menggunakan nilai K yang ganjil, dan sebaliknya jika jumlah klasifikasi ganjil maka sebaiknya menggunakan nilai K yang genap, karena jika tidak begitu maka sistem kemungkinan tidak akan mendapatkan jawaban (Denni Kurniawan, 2019). Hasil akurasi setiap dataset akan ditampilkan dalam bentuk grafik karena sistem yang dibuat dapat langsung menampilkan hasil dalam bentuk grafik. Hasil lengkap setiap dataset dapat dilihat di bawah ini.
1. Bahasa Indonesia a. Aspek Pengetahuan
Hasil akurasi mata pelajaran Bahasa Indonesia aspek pengetahuan dapat dilihat pada gambar 4.8 berikut ini.
Gambar 4. 8 Hasil Akurasi Bahasa Indonesia Aspek Pengetahuan
b. Aspek Keterampilan
Hasil akurasi mata pelajaran Bahasa Indonesia aspek keterampilan dapat dilihat pada gambar 4.9 berikut ini.
Gambar 4. 9 Hasil Akurasi Bahasa Indonesia Aspek Keterampilan
c. Rata-rata Penilaian Aspek Pengetahuan dan Keterampilan Hasil akurasi rata-rata aspek pengetahuan dan keterampilan mata pelajaran Bahasa Indonesia dapat dilihat pada gambar 4.10 berikut ini.
Gambar 4. 10 Hasil Akurasi Rata-rata Aspek Pengetahuan dan Keterampilan mata pelajaran Bahasa Indonesia
2. Bahasa Inggris
a. Aspek Pengetahuan
Hasil akurasi mata pelajaran Bahasa Inggris aspek pengetahuan dapat dilihat pada gambar 4.11 berikut ini.
Gambar 4. 11 Hasil Akurasi Bahasa Inggris Aspek Pengetahuan
b. Aspek Keterampilan
Hasil akurasi mata pelajaran Bahasa Inggris aspek keterampilan dapat dilihat pada gambar 4.12 berikut ini.
Gambar 4. 12 Hasil Akurasi Bahasa Inggris Aspek Keterampilan
c. Rata-rata Penilaian Aspek Pengetahuan dan Keterampilan Hasil akurasi rata-rata aspek pengetahuan dan keterampilan mata pelajaran Bahasa Inggris dapat dilihat pada gambar 4.13 berikut ini.
Gambar 4. 13 Hasil Akurasi Rata-rata Aspek Pengetahuan dan Keterampilan mata pelajaran Bahasa Inggris
3. Matematika
a. Aspek Pengetahuan
Hasil akurasi mata pelajaran Matematika aspek pengetahuan dapat dilihat pada gambar 4.14 berikut ini.
Gambar 4. 14 Hasil Akurasi Matematika Aspek Pengetahuan b. Aspek Keterampilan
Hasil akurasi mata pelajaran Matematika aspek keterampilan dapat dilihat pada gambar 4.15 berikut ini.
Gambar 4. 15 Hasil Akurasi Matematika Aspek Keterampilan
c. Rata-rata Penilaian Aspek Pengetahuan dan Keterampilan Hasil akurasi rata-rata aspek pengetahuan dan keterampilan mata pelajaran Matematika dapat dilihat pada gambar 4.16 berikut ini.
Gambar 4. 16 Hasil Akurasi Rata-rata Aspek Pengetahuan dan Keterampilan mata pelajaran Matematika
4. Biologi
a. Aspek Pengetahuan
Hasil akurasi mata pelajaran Biologi aspek pengetahuan dapat dilihat pada gambar 4.17 berikut ini.
Gambar 4. 17 Hasil Akurasi Biologi Aspek Pengetahuan
b. Aspek Keterampilan
Hasil akurasi mata pelajaran Biologi aspek keterampilan dapat dilihat pada gambar 4.18 berikut ini.
Gambar 4. 18 Hasil Akurasi Biologi Aspek Keterampilan
c. Rata-rata Penilaian Aspek Pengetahuan dan Keterampilan Hasil akurasi rata-rata aspek pengetahuan dan keterampilan mata pelajaran Biologi dapat dilihat pada gambar 4.19 berikut ini.
Gambar 4. 19 Hasil Akurasi Rata-rata Aspek Pengetahuan dan Keterampilan mata pelajaran Biologi
5. Fisika
a. Aspek Pengetahuan
Hasil akurasi mata pelajaran Fisika aspek pengetahuan dapat dilihat pada gambar 4.20 berikut ini.
Gambar 4. 20 Hasil Akurasi Fisika Aspek Pengetahuan
b. Aspek Keterampilan
Hasil akurasi mata pelajaran Fisika aspek keterampilan dapat dilihat pada gambar 4.21 berikut ini.
Gambar 4. 21 Hasil Akurasi Fisika Aspek Keterampilan
c. Rata-rata Penilaian Aspek Pengetahuan dan Keterampilan Hasil akurasi rata-rata aspek pengetahuan dan keterampilan mata pelajaran Fisika dapat dilihat pada gambar 4.22 berikut ini.
Gambar 4. 22 Hasil Akurasi Rata-rata Aspek Pengetahuan dan Keterampilan mata pelajaran Fisika
6. Kimia
a. Aspek Pengetahuan
Hasil akurasi mata pelajaran Kimia aspek pengetahuan dapat dilihat pada gambar 4.23 berikut ini.
Gambar 4. 23 Hasil Akurasi Kimia Aspek Pengetahuan
b. Aspek Keterampilan
Hasil akurasi mata pelajaran Kimia aspek keterampilan dapat dilihat pada gambar 4.24 berikut ini.
Gambar 4. 24 Hasil Akurasi Kimia Aspek Keterampilan
c. Rata-rata Penilaian Aspek Pengetahuan dan Keterampilan Hasil akurasi rata-rata aspek pengetahuan dan keterampilan mata pelajaran Kimia dapat dilihat pada gambar 4.25 berikut ini.
Gambar 4. 25 Hasil Akurasi Rata-rata Aspek Pengetahuan dan Keterampilan mata pelajaran Kimia
7. Geografi
a. Aspek Pengetahuan
Hasil akurasi mata pelajaran Geografi aspek pengetahuan dapat dilihat pada gambar 4.26 berikut ini.
Gambar 4. 26 Hasil Akurasi Geografi Aspek Pengetahuan
b. Aspek Keterampilan
Hasil akurasi mata pelajaran Geografi aspek keterampilan dapat dilihat pada gambar 4.27 berikut ini.
Gambar 4. 27 Hasil Akurasi Geografi Aspek Keterampilan
c. Rata-rata Penilaian Aspek Pengetahuan dan Keterampilan Hasil akurasi rata-rata aspek pengetahuan dan keterampilan mata pelajaran Geografi dapat dilihat pada gambar 4.28 berikut ini.
Gambar 4. 28 Hasil Akurasi Rata-rata Aspek Pengetahuan dan Keterampilan mata pelajaran Geografi
8. Sosiologi
a. Aspek Pengetahuan
Hasil akurasi mata pelajaran Sosiologi aspek pengetahuan dapat dilihat pada gambar 4.29 berikut ini.
Gambar 4. 29 Hasil Akurasi Sosiologi Aspek Pengetahuan
b. Aspek Keterampilan
Hasil akurasi mata pelajaran Sosiologi aspek keterampilan dapat dilihat pada gambar 4.30 berikut ini.
Gambar 4. 30 Hasil Akurasi Sosiologi Aspek Keterampilan
c. Rata-rata Penilaian Aspek Pengetahuan dan Keterampilan Hasil akurasi rata-rata aspek pengetahuan dan keterampilan mata pelajaran Sosiologi dapat dilihat pada gambar 4.31 berikut ini.
Gambar 4. 31 Hasil Akurasi Rata-rata Aspek Pengetahuan dan Keterampilan mata pelajaran Sosiologi
9. Ekonomi
a. Aspek Pengetahuan
Hasil akurasi mata pelajaran Ekonomi aspek pengetahuan dapat dilihat pada gambar 4.32 berikut ini.
Gambar 4. 32 Hasil Akurasi Ekonomi Aspek Pengetahuan
b. Aspek Keterampilan
Hasil akurasi mata pelajaran Ekonomi aspek keterampilan dapat dilihat pada gambar 4.33 berikut ini.
Gambar 4. 33 Hasil Akurasi Ekonomi Aspek Keterampilan
c. Rata-rata Penilaian Aspek Pengetahuan dan Keterampilan Hasil akurasi rata-rata aspek pengetahuan dan keterampilan mata pelajaran Ekonomi dapat dilihat pada gambar 4.34 berikut ini.
Gambar 4. 34 Hasil Akurasi Rata-rata Aspek Pengetahuan dan Keterampilan mata pelajaran Ekonomi
4.4.3 Analisis Hasil Akurasi Modified k-Nearest Neighbor
Setiap dataset mata pelajaran yang digunakan pada penelitian ini terbagi atas penilaian aspek pengetahuan, penilaian aspek keterampilan, dan penilaian rata-rata aspek pengetahuan dan keterampilan.
Berdasarkan hasil akurasi yang telah didapatkan serta grafiknya, dapat dilihat bahwa setiap dataset memiliki kecenderungan yang berbeda-beda seiring dengan naiknya jumlah tetangga terdekatnya. Ada yang akurasi cenderung tetap setelah mendapatkan akurasi tertinggi seiring meningkatnya jumlah tetangga terjadi pada mata pelajaran Bahasa Indonesia aspek keterampilan, Bahasa Indonesia (nilai rata-rata), dan Bahasa Inggris aspek pengetahuan. Sedangkan mata pelajaran yang lain akurasi cenderung menurun seiring meningkatnya jumlah tetangga terdekatnya. Jumlah tetangga optimal yang menghasilkan akurasi terbaik dari masing-masing mata pelajaran dapat dilihat pada tabel 4.1 berikut ini.
Tabel 4. 1 Hasil Akurasi Terbaik
3-fold
Aspek Akurasi Jumlah Tetangga
Bahasa
Pengetahuan 65.2398 5
Keterampilan 88.5789
Pengetahuan 65.1813 15
Keterampilan 70.0468 13
Rata-rata 67.3977 23
Biologi
Pengetahuan 65.67 3
Keterampilan 52.3994 5
Rata-rata 71.1148 15
Fisika
Pengetahuan 78.11 7
Keterampilan 50.5051 7
Rata-rata 76.5596 3
Kimia
Pengetahuan 52.4179 39
Keterampilan 67.2757 7
Rata-rata 64.1011 3
Geografi
Pengetahuan 54.5455 3
Keterampilan 50.5051 7
Rata-rata 51.5152 3
Sosiologi
Pengetahuan 48.4848 1
Keterampilan 47.4747 1
Rata-rata 45.4545 3
Ekonomi
Pengetahuan 67.6768 11
Keterampilan 72.7273 1
Rata-rata 69.697 17
Berdasarkan tabel diatas maka dibuat pengelompokan tabel berdasarkan aspek pengetahuan, aspek keterampilan, dan aspek rata-rata. Jumlah tetangga optimal yang menghasilkan akurasi terbaik dari masing-masing mata pelajaran aspek pengetahuan dapat dilihat pada tabel 4.2 dibawah ini.
Tabel 4. 2 Hasil Akurasi Terbaik Aspek Pengetahuan
3-fold
Aspek Akurasi Jumlah Tetangga Bahasa
Indonesia Pengetahuan 66.117 5 Bahasa Inggris Pengetahuan 65.2398 5 Matematika Pengetahuan 65.1813 15
Biologi Pengetahuan 65.67 3 Fisika Pengetahuan 78.11 7 Kimia Pengetahuan 52.4179 39 Geografi Pengetahuan 54.5455 3 Sosiologi Pengetahuan 48.4848 1 Ekonomi Pengetahuan 67.6768 11
Jumlah tetangga optimal yang menghasilkan akurasi terbaik dari masing-masing mata pelajaran aspek keterampilan dapat dilihat pada tabel 4.3 dibawah ini.
Tabel 4. 3 Hasil Akurasi Terbaik Aspek Keterampilan
3-fold
Aspek Akurasi Jumlah Tetangga
Bahasa
Indonesia Keterampilan 85
3, 5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25,
27 29, 31, 33, 35, 37, 39, 41
Bahasa Inggris Keterampilan 88.5789
5, 7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27 29, 31, 33, 35,
37, 39, 41 Matematika Keterampilan 70.0468 13
Biologi Keterampilan 52.3994 5 Fisika Keterampilan 50.5051 7 Kimia Keterampilan 67.2757 7 Geografi Keterampilan 50.5051 7 Sosiologi Keterampilan 47.4747 1 Ekonomi Keterampilan 72.7273 1
Jumlah tetangga optimal yang menghasilkan akurasi terbaik dari masing-masing mata pelajaran aspek rata-rata pengetahuan dan keterampilan dapat dilihat pada tabel 4.4 dibawah ini.
Tabel 4. 4 Hasil Akurasi Terbaik Rata-rata Aspek Pengetahuan dan Keterampilan
3-fold
Aspek Akurasi Jumlah Tetangga
Bahasa
63 Berdasarkan tabel diatas, maka dapat dibuat grafik batang untuk lebih mempermudah dalam melihat perbedaan hasil
akurasi dari masing-masing dataset mata pelajaran dan aspek penilaian. Grafik batang tersebut dapat dilihat pada gambar 4.35 di bawah ini.
Gambar 4. 35 Grafik Batang Hasil Akurasi Terbaik Setiap Mata Pelajaran
0 10 20 30 40 50 60 70 80 90 100
Bahasa Indonesia Bahasa Inggris Matematika Biologi Fisika Kimia Geografi Sosiologi Ekonomi
Grafik Batang Hasil Akurasi Terbaik Setiap Mata Pelajaran
Pengetahuan Keterampilan Rata-rata Pengetahuan dan Keterampilan
64 BAB V PENUTUP
5.1 Simpulan
Berdasarkan hasil penelitian dengan menerapkan algoritme modified k-nearest neighbor untuk melakukan prediksi nilai USBN siswa berdasarkan nilai rapor siswa, menghasilkan kesimpulan sebagai berikut :
1. Algoritme modified k-nearest neighbor dapat diterapkan untuk memprediksi nilai Ujian Sekolah Berstandar Nasional siswa berdasarkan nilai rapor.
2. Berdasarkan hasil percobaan, didapatkan 2 fenomena dari dataset yang dipakai :
- Pada dataset mata pelajaran Bahasa Indonesia aspek keterampilan, Bahasa Indonesia rata-rata aspek pengetahuan dan keterampilan, dan Bahasa Inggris aspek pengetahuan akurasi cenderung tetap setelah mendapatkan akurasi tertinggi seiring bertambahnya jumlah tetangga terdekat.
- Pada dataset mata pelajaran yang lainnya akurasi cenderung turun seiring bertambahnya jumlah tetangga terdekat.
3. Akurasi tertinggi yang didapatkan adalah pada mata pelajaran Bahasa Inggris aspek keterampilan sebesar 88.5789% diperoleh ketika k = 5,7, 9, 11, 13, 15, 17, 19, 21, 23, 25, 27 29, 31, 33, 35, 37, 39, 41.
4. Akurasi terendah yang didapatkan adalah pada rata-rata penilaian aspek pengetahuan dan keterampilan mata pelajaran Sosiologi sebesar 45.4545%
diperoleh ketika k = 3.
5.2 Saran
Dari sistem yang sudah dibuat masih diperlukan beberapa saran antara lain : 1. Prediksi yang dihasilkan sebaiknya tidak dijadikan sebagai acuan utama,
tetapi hanya sebagai sarana pendukung yang dapat memotivasi pihak sekolah dalam meningkatkan kualitas pengajaran.
65
2. Dilakukan penelitian selanjutnya menggunakan metode pengukuran jarak yang lain seperti, Manhattan Distance, Cosine Distance, Tchebyhev Distance dan lainnya untuk menjajaki kemungkinan mendapatkan akurasi yang lebih tinggi.
3. Dilakukan penelitian selanjutnya dengan menerapkan algoritme atau metode lain untuk menjajaki kemungkinan mendapatkan akurasi yang lebih tinggi.
66
DAFTAR PUSTAKA
Gorunescu, Florin. (2011). Data Mining: Concepts, models and techniques (Vol.
12). Springer Science & Business Media.
Han, J., Pei, J., & Kamber, M. (2011). Data mining: concepts and techniques.
Elsevier.
Kurniawan, Denni dan Ade Saputra. (2019). Penerapan K-Nearest Neighbor Dalam Penerimaan Peserta Didik Dengan Sistem Zonasi. Jurnal Sistem Informasi Bisnis. 9(2), 1-8.
Parvin, H., Hosein Alizadeh & Behrouz Minaei-Bidgoli., (2008). MKNN : Modified K-Nearest Neighbor. Proceedings of the World Congress on Engineering and Computer Science 2008. San Fransisco. USA.
Putra, M Ikhsan Perdana. (2019). Implementasi Modified K-Nearest Neighbor (MKNN) untuk Klasifikasi Penyakit Kanker Payudara. E-Proceeding of Engineering, 6(1), 1-8.
Pratiwi, Theresia Edhi W. (2012). “Penerapan Algoritma Naïve Bayes Untuk Memprediksi Nilai Ujian Nasional Siswa SMA Berdasarkan Nilai Rapor dan Nilai Uji Coba Nasional”. Skripsi pada Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta: Tidak Dipublikasikan.
Santoso, Pandu Yuli, dan Dewi Kusumaningsih. (2018). Algoritme K-Nearest Neighbor Dengan Menggunakan Metode Euclidean Distance Untuk Memprediksi Kelulusan Ujian Nasional Berbasis Desktop Pada SMA Negeri 12 Tangerang. SKANIKA, 1(1), 1-7.
Suyanto. (2019). Data Mining : untuk klasifikasi dan klasterisasi data. (edisi revisi). Bandung : Informatika.
X. Wu et al.(2008). Top 10 algorithms in data mining, vol. 14, no. 1. London : Springer.
Zaki, M. J., Meira Jr, W., & Meira, W. (2014). Data mining and analysis:
fundamental concepts and algorithms. Cambridge University Press.
68
LAMPIRAN
69 Narasi use case pilih file
Use-Case
Name: Pilih File Use-Case ID: PNUS-01 Priority High Primary
Business Actor: Administrator
Description:
Use Case ini menjelaskan bagaimana admin memilih file berekstensi .xlsx yang akan digunakan sebagai model untuk membuat prediksi kategori nilai menggunakan algoritma modified k-nearest neighbor
Precondition: Admin berada pada tampilan admin
Typical Course of Events:
Actor Action System Response 1. Admin menekan tombol
“Input Data” untuk mencari file
2. Sistem menampilkan jendela baru untuk memilih
2. Sistem menampilkan jendela baru untuk memilih