TUGAS AKHIR
ANALISIS PREDIKSI KETERCAPAIAN NILAI KRITERIA KETUNTASAN MINIMAL SISWA
MENGGUNAKAN METODE NAÏVE BAYES DI SMK PLUS KHOIRIYAH HASYIM
Disusun Guna Memenuhi Syarat Untuk Memperoleh Gelar Sarjana Strata Satu (S1)
Disusun Oleh:
RAFI FATKUR ROHMAN NIM. 15.23.55201.001
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS DARUL ‘ULUM JOMBANG
2020
ABSTRAK
Pendidikan adalah usaha sadar dan terencana untuk mewujudkan suasana belajar.
Masalah yang muncul dalam penelitian ini berhubungan dengan ketuntasan belajar siswa. Banyaknya siswa yang tidak tuntas belajar dalam suatu mata pelajaran. penelitian ini bertujuan untuk mengetahui prediksi ketercapaian nilai Kriteria Ketuntasan Minimal Siswa Menggunakan metode naïve bayes di Sekolah Menengah Kejuran yang nantinya memudahkan pihak sekolah untuk membuat tindakan yang tepat untuk siswa yang mengalami kesulitan dalam mencapai ketuntasan minimal. Dalam penelitian ini atribut yang digunakan adalah jenis kelamin, nilai rata-rata UTS gasal, dan pendidikan orang tua, nilai harian, keikutan ekstrakurikuler, dan keaktifan siswa atau absensi. Hasil pengujian dilakukan melakukan 2 cara yaitu perhitungan manual dan pengujian dengan software rapidminer dengan memperoleh hasil yang sama, yakni mendapatkan akurasi sebesar 85.71%, dengan jumlah data 58 record dengan porsi 75% data latih dan 25% data Uji.
Kata Kunci : Nilai KKM, Hasil Belajar, Algoritma Naïve Bayes, Data mining, RapidMiner
v
DAFTAR ISI
HALAMAN JUDUL ... i
LEMBAR PERSETUJUAN ... ii
HALAMAN PENGESAHAN ...iii
HALAMAN PERNYATAAN PLAGIASI ... iv
ABSTRAK ... v
KATA PENGANTAR ... vi
DAFTAR ISI ... vii
DAFTAR GAMBAR... ix
DAFTAR TABEL ... x
BAB I PENDAHULUAN 1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 4
1.3 Tujuan Penelitian... 5
1.4 Batasan Masalah ... 5
1.5 Manfaat Penelitian ... 5
1.6 Sistematika Penulisan ... 6
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terdahulu ... 8
2.2 Dasar Teori ... 9
2.2.1 Kriteria Ketuntasan Minimal ... 9
2.2.2 Penilaian Belajar ... 14
2.2.3 Microsoft Excel... 15
2.2.4 Rapid Miner ... 18
2.2.5 Algoritma Naïve Bayes ... 20
2.2.6 Data Mining ... 21
BAB III METHODOLOGI PENELITIAN 3.1 Proses Penelitian ... 26
3.2 Teknik Pengumpulan Data ... 29
3.3 Metode Penentu Subyek Penelitian ... 30
3.4 Pengambilan Data ... 30
vii
3.5 Model Klasifikasi ... 31
3.6 Analisa Data ... 33
3.7 Analisa Rapidminer ... 35
BAB IV HASIL PENELITIAN 4.1 Data Selection ... 37
4.2 Pembersihan Data ... 46
4.3 Tranformasi Data ... 48
4.4 Klasifikasi Naive Bayes ... 51
4.5 Evaluasi ... 58
BAB V PENUTUP 5.1 Kesimpulan ... 61
5.2 Saran ... 61
DAFTAR PUSTAKA ... 62
viii
BAB I
PENDAHULUAN
Pendahuluan merupakan bab yang berisi tentang gambaran umum dari permasalahan yang akan dibahas. Dalam pendahuluan ini terdiri dari enam sub bab, yaitu latar belakang masalah, perumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan.
1.1 Latar Belakang Masalah
Pendidikan adalah usaha sadar dan terencana untuk mewujudkan suasana belajar dan proses pembelajaran agar peserta didik secara aktif mengembangkan potensi dirinya untuk memiliki kekuatan spiritual keagamaan, pengendalian diri, kepribadian, kecerdasan, akhlak mulia, serta keterampilan yang diperlukan dirinya, masyarakat, bangsa, dan negara (UU Sisdiknas No. 20 Tahun 2003).
Dalam dunia pendidikan sekarang ini nilai menjadi salah satu penentun ketercapain nilai KKM siswa. Adanya nilai Kriteria Ketuntasan Minimal (KKM) setiap mata pelajaran merupakan salah satu muatan penting Kurikulum Tingkat Satuan Pendidikan. Kriteria Ketuntasan Minimal menjadi acuan bersama antara pendidik, peserta didik, dan orang tua peserta didik. Sehingga pihak-pihak yang berkepentingan terhadap penilaian di sekolah berhak untuk mengetahuinya. Setiap satuan pendidikan perlu melakukan sosialisasi agar informasi dapat diakses dengan mudah oleh peserta didik dan orang tuanya.
Penafsiran KKM SMK Plus Khoiriyah Hasyim Jombang dilihat tingkatan- tingkatan dari masing-masing komponen antara lain : 1) Untuk komponen
1
2 kompleksitas misalnya, memahami kopetensi yang harus dicapai oleh siswa, kreatif dan inofatif dalam melaksanakan pembelajaran. Waktu, diantaranya waktunya cukup lama, karena perlu penguilangan. Serta Penalaran dan Kecermatan siswa yang tinggi. 2) Kemampuan Sumber Daya pendukung, yaitu tenaga pengajar yang memadai (sesuai dengan latar belakang keahliannya), sarana dan prasdarana pendukung dalam bidang pendidikan, biaya manajemen, komite sekolah dan stakeholders sekolah. Dan 3) Intake (tingkat kemampuan rata-rata siswa), untuk memperoleh gambaran intake ini kita bisa melihat dari berbagai cara, diantaranya dari hasil seleksi penerimaan siswa baru, dari hasil raport kelas terakhir dari tahun sebelumnya, dari tes seleksi masuk atau psikotes, dan juga bisa dari ujian nasional pada jenjang sebelumnya.
Masalah yang muncul di SMK Plus Khoiriyah Hasyim Jombang yang berhubungan dengan ini adalah banyaknya siswa yang tidak tuntas pada mata pelajaran Dasar Desain Grafis yaitu 17 (58,6%) siswa yang tidak tuntas belajar dan 12 siswa (41,4%) yang tuntas belajar. Maka sekolah harus harus melakukan sebuah tindakan ntuk mengatasi banyak siswa yang tidak tuntas seperti memberikan pelajaran tambahan, menata penempatan tempat duduk siswa.
Terdapat beberapa faktor untuk memprediksi siswa SMK Plus Khoiriyah Hasyim Jombang seperti Nilai Raport. Agar mempermudah untuk memprediksi maka akan dilakukan analisis program aplikasi data mining prediksi siswa SMK Plus Khoiriyah Hasyim Jombang yang dapat naik kelas. Penelitian serupa pernah dilakukan sebelumnya oleh Fathur Rahman pada tahun 2016. Penelitian ini bertujuan untuk mengetahui tingkat akurasi serta hasil presisi dan Recall dari metode klasifikasi data mining yaitu Naive Bayes untuk prediksi hasil belajar
3 siswa menengah pertama (SMP). Penentuan hasil belajar dari siswa didik merupakan hal penting dalam dunia pendidikan, Hal ini dianggap serius karena sulitnya menentukan faktor atau variabel yang mempengaruhi hasil belajar siswa.
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 Kriteria Ketuntasan Minimal yang dibandingkan dengan aplikasi rapid miner untuk memprediksi hasil belajar siswa SMK dengan harapan mendapat data kompetensi dari masing-masing sisiwa
Berdasarkan penjabaran diatas maka di perlukan sebuah sistem prediksi dengan data mining yang dapat melakukan prediksi ketercapaian Kriteria Ketuntasan Minimal siswa. Dengan informasi yang dihasilkan dapat membantu sekolah dalam memprediksi siswa yang tidak tuntas. Data mining adalah proses pencarian informasi yang berguna secara otomatis dalam sebuah tempat penyimpanan (database) dengan data yang berukuran besar. Metode yang digunakan dalam data mining meliputi metode estimasi, prediksi, klasifikasi, klastering, dan asosiasi. Estimasi adalah metode yang menggunakan variabel numerik sebagai target dibandingkan variabel nominal. Prediksi adalah metode yang hasil nilainya digunakan di masa mendatang. Metode klasifikasi digunakan apabila atribut data bisa berupa numerik atau nominal dengan label data nominal.
Klastering merupakan metode yang mengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
4 Asosiasi adalah metode untuk menentukan atribut yang muncul dalam satu waktu.
Pada penelitian ini penggunaan klasifikasi naive bayes dalam prediksi ketercapaian nilai kriteria ketuntasan minimal siswa. Pemilihan metode yang digunakan didasarkan oleh beberapa hal. Metode klasifikasi merupakan metode yang cocok digunakan dalam sistem prediksi, sedangkan naive bayes implementasi yang sederhana dan waktu komputasi yang relatif cepat, algoritma ini mampu mengestimasikan parameter dengan jumlah kecil data training untuk melakukan klasifikasi dan mampu menangani nilai-nilai yang hilang selama perhitungan estimasi peluang
Berdasarkan latar belakang masalah yang telah uraikan di atas, hal ini mendorong peneliti untuk melakukan penelitian tugas akhir dengan judul
“Analisis Prediksi Ketercapaian Nilai Kriteria Ketuntasan Minimal Siswa Menggunakan metode naïve bayes di SMK Plus Khoiriyah Hasyim” yang
bermafaat untuk pihak sekolah. Dengan adanya penelitian ini diharapkan dapat membantu meningkatkan sistem pembelajaran bagi siswa yang mengalami kesulitan dalam mencapai nilai ketuntansan minimal.
1.2 Perumusan Masalah
Berdasarkan uraian latar belakang di atas, maka rumusan masalah yang dikaji dalam penulisan tugas akhir ini yaitu Bagaimana memprediksi Ketercapaian Nilai Kriteria Ketuntasan Minimal Siswa Menggunakan metode naive bayes di SMK Plus Khoiriyah Hasyim Jombang?
5 1.3 Tujuan Penelitian
Adapun tujuan dalam penelitian ini adalah untuk mengetahui prediksi ketercapaian nilai Kriteria Ketuntasan Minimal Siswa Menggunakan metode naïve bayes di SMK Plus Khoiriyah Hasyim Jombang yang nantinya memudahkan pihak sekolah untuk membuat tindakan yang tepat untuk siswa yang mengalami kesulitan dalam mencapai ketuntasan minimal.
1.4 Batasan Masalah
Dalam penulisan sebuah tugas akhir ini diperlukakan sebuah batasan masalah, agar masalah yang akan ditinjau tidak meluas serta sesuai dengan maksud dan tujuan yang ingin dicapai, maka penulis memberikan batasan masalah sebagai berikut :
1) Ruang lingkup permasalahan penelitian ini pada Siswa kelas 10 SMK Plus Khoiriyah Hasyim Jombang
2) Ruang lingkup penelitian ini ditujukan untuk SMK Plus Khoiriyah Hasyim Jombang
3) Prediksi prestasi siswa berdasarkan nilai ujian raport dengan aplikasi Microsoft exel dan Rapid Miner.
1.5 Manfaat Penelitian
Selain memiliki tujuan, penelitian ini juga diharapkan dapat memeberikan manfaat bagi pembaca maupun penulis. Adapun manfaat dari penelitian ini antara lain:
1) Bagi Pihak Sekolah
6 Memberikan gambaran terhadap sekolah tentang kegunaan prediski ketuntasan belajar untuk meningkatkan sistem pembelajaran bagi siswa yang mengalami kesulitan dalam mencapai ketuntansan minimal (KKM), sehingga permasalahan yang dihadapi dapat diminimalkan.
2) Bagi Akademik
Sebagai kajian dalam membandingkan antarara Sebagai kajian dalam membandingkan antara teori yang didapat diperkuliahan dan dilapangan, sebagai acuan antara referensi bagi pembaca dan penulis selanjutnya dalam mengembangkan ilmu pengetahuan dan dapat menambah wawasan dan sumber informasi bagi penulis sendiri.
3) Bagi Mahasiswa
penulis berharap semoga apa yang telah penulis lakukan selama proses Analisa prediksi ketercapaian nilai kriteria ketuntasan minimal siswa bisa menjadi pengalaman dan tambahan wawasan nantinya.
1.6 Sistematika Penulisan
BAB I : PENDAHULUAN,
Secara ringkas diuraikan pokok permasalahan yang dibahas dalam laporan ini meliputi latar belakang masalah, tujuan penelitian, batasan penelitian, manfaat penelitian dan sistematia penulisan
BAB II : TINJAUAN PUSTAKA
Bab ini berisi Tinjuan Pustaka yang membahas teori dan temuan penelitian terdahulu yang relevan bersumber dari berbagai referensi yang dijadikan dasar melakukan penelitian, Dan Dasar teori merupakan
7 landasan teori yang diambil berdasarkan kajian pustaka yang melatar belakangi permasalahan penelitian yang akan dilakukan.
BAB III : METHODOLOGI PENELITIAN
Pada Bab ini diuraikan desain, metode atau pendekatan yang akan digunakan dalam menjawab permasalahan penelitian / studi untuk mencapai tujuan penelitian, serta tahapan penelitian secara rinci, singkat dan jelas.
BAB IV : Hasil Penelitian dan Pembahasan
Pada Bab ini dituliskan laporan rinci pelaksanaan kegiatan dalam mencapai hasil penelitian
BAB V : Penutup
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
target Atribut:
karakteristik atau fitur dari data yang
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 kejadian-kejadian khusus atau proses yang muncul pada setiap kejadian yang berhubungan dengan asosiasi. Salah satu contoh adalah Market Basket
25 Analysis, yaitu salah satu metode asosiasi yang digunakan untuk menganalisis kemungkinan para pelanggan untuk membeli sejumlah barang secara bersamaan.
3) Clustering
Clustering sebuah metode yang digunakan untuk menganalisis
pengelompokkan pada data yang berbeda, hampir sama dengan klasifikasi tetapi dalam proses pengelompokkannya belum diketahui saat dijalankan pada tool data mining. Metode yang sering digunakan adalah metode statistik atau neural network.
4) Predictive modelling
Predictive modelling sebuah metode berupa metode pengolahan data
mining dengan melakukan dengan cara prediksi atau peramalan. Dan tujuan dari metode ini yaitu untuk membentuk sebuah model prediksi suatu nilai yang mempunyai ciri-ciri khusus.
BAB III
METHODOLOGI PENELITIAN
Bab methodologi penelitian berisi proses penelitian, teknik pengumpulan data, metode Penentu Subyek Penelitian, pengambilan data, model klasifikasi dan analisis data
3.1 Proses Penelitian
Dalam proses penelitian yang akan dilakukan, penulis menggunakan metode kualitatif karena metode ini digunakan untuk melakukan kajian implementasi, daya dukung lapangan, dan observasi di SMK Plus Khoiriyah Hasyim. Pada proses penelitian ini dilakukan beberapa tahap an mulai dari tahap awal yaitu tahap inisiasi, pengembangan model, dan tahap terakhir pengembangan prototipe. Dalam tahapan inisiasi beberapa kegiatan mulai dari identifikasi permasalahan dan studi literatur untuk menemukan alternatif solusi untuk masalah yang ada. Tahap selanjutnya, yaitu tahap pengembangan model dengan mempersiapkan dataset untuk penelitian dan pemilihan algoritma dari sejumlah alternatif yang sesuai untuk pengolahan dataset. Ditahapan akhir analisis yang diharapkan dapat membantu memudahkan user untuk mendapatkan informasi prediksi dari data yang dimiliki. Berikut ini merupakan tahapan penelitian yang akan dilakukan dapat dilihat pada gambar 3.1
26
Gambar 3.1 Tahapan Penelitian Berikut adalah penjelasan dari tahapan penelitian diatas :
1) Identifikasi Masalah merupakan tahap pertama yang lakukan peneliti untuk mendeteksi sebuah permasalahan dan mengamati permasalaha yang sedang terjadi.
27
2) Merumuskan masalah, merupakan tahapan penelitian yang akan menjadi penentu dan pembahasan yang akan dilakukan dalam sebuah penelitian.
3) Studi pustaka adalah tahapan peneliti untuk megumpulkan data-data informasi yang relevan dan menambah wawasan mengenai permasalahan yang sedang diteliti.
4) Menentukan data yang dibuat penelitian, Setelah merumuskan masalah, langkah selanjutnya adalah menentukan data yang dibutuhkan. Data yang dibutuhkan adalah data yang berpengaruh dalam penentuan nilai kriteria ketuntatsan minimal siswa di SMK Plus Khoiriyah Hasyim
5) Mengumpulkan data yang diperlukan, Data yang telah ditentukan pada langkah sebelumnya kemudian dikumpulkan dengan tahap dokumentasi.
Setelah data terkumpul, data tersebut dapat diproses untuk tahap selanjutnya 6) Mempersiapkan alat dan bahan penelitian, Mempersiapkan alat dan bahan
penelitian. Alat yang dipersiapkan berupa perangkat keras dan perangkat lunak yang menunjang analisa Kriteria Ketuntasan Minimal. Dan bahan penelitian adalah data-data yang sudah diproses yang kemudian diimplementasikan/diolah yang kemudian dibandingkan dengan aplikasi rapidminer.
7) Proses pengolahan data penelitian, pada tahap ini peneliti melakukan pengolahan data yang digunakan untuk menentukan atribut atau class dari suatu data baru yang atribut atau class nya belum diketahui sebelumnya.
8) Pengujian hasil pengolahan data, dimana pada tahap ini dilakukan pengujian akurasi yang diperoleh dan di bandingkan ke dalam aplikasi rapidminer
28
9) Kesimpulan, ini adalah tahap terakhir dalam penelitian dimana penulis mebuat kesimpulan hasil dari penelitian yang sudah dilakukan.
3.2 Teknik Pengumpulan Data
1) Obervasi
Observasi merupakan kegiatan pemuatan penelitian terhadap suatu objek.
Apabila dilihat pada proses pelaksanaan pengumpulan data, observasi dibedakan menjadi partisipan dan non-partisipan. Jenis observasi yang digunakan pada penelitian ini adalah observasi non-partisipan. Dalam melakukan observasi, peneliti memilih halhal yang diamati dan mencatat hal-hal yang berkaitan dengan penelitian. Observasi yang dilakukan pada penelitian ini adalah pada proses prediksi KKM.
2) Studi Dokumentasi
Teknik dokumentasi yaitu mencari data mengenai hal-hal atau variabel yang berupa catatan, transkrip, buku, surat kabar, majalah, prasasti, notulen rapat, lengger, agenda dan sebagainya. Teknik ini digunakan untuk mendapatkan data dalam penelitian. Catatan atau arsip sekolah untuk mendapatkan data-data yang diperlukan. Dokumentasi dalam penelitian ini digunakan sebagai salah satu sumber penelitian seperti : program pembelajaran, lembar soal/evaluasi, kisi-kisi, kondisi lingkungan sekolah, kondisi sarana-prasarana dan lain-lain. Dalam penelitian ini, dokumentasi yang digunakan file, foto yang berhubungan dengan penelitian.
29
3.3 Metode Penentu Subyek Penelitian
1) Populasi Penelitian
Populasi merupakan sekumpulan subyek penentu yang menjadi pusat perhatian dalam penelitian terkandung informasi yang ingin diketahui. Subyek disebut dengan satuan analisis. Satuan analisis memiliki kesamaan perilaku atau karakter yang ingin diteliti. Populasi dalam penelitian adalah SMK Plus Khoiriyah Hasyim Jombang
2) Sample Penelitian
Sample penelitian dalam penelitian ini yaitu populasi yang dianggap mewakili populasi tersebut sehingga informasi yang dihasilkan oleh sample mewakili keseluruhan populasi. Sampel penelitian adalah siswa kelas 10 SMK Plus Khoiriyah Hasyim Jombang.
3.4 Pengambilan Data
Pengambilan data dalam penelitian ini penulis mendapatkan data langsung dari obyek penelitian. Pengambilan data langsung ke objek akan mendapatkan data yang valid. Data yang diperoleh adalah data siswa dan data pendungkung lainnya. Data yang digunakan adalah data pada tahun ajaran 2019/2020. Atribut digunakan untuk masukan dalam melakukan prediksi. Adapun atribut yang digunakan dapat dilihat pada tabel 3.1 di bawah ini :
Tabel 3.1 Atribut Data
Atribut Keterangan
Nama Nama lengkap siswa yang bersangkutan Jenis Kelamin Jenis Kelamin Siswa yang bersangkutan
30
Lanjutan Tabel 3.1 Atribut Data
Atribut Keterangan
Nilai UTS Nilai ujian tengah semester ganjil siswa yang bersangkutan Pendidikan Pendidikan orang tua dari siswa yang bersangkutan
Orang Tua
Nilai Harian Nilai harian siswa dari mata pelajaran yang akan digunakan dalam penelitian
Ekstrakulikuler Keikut sertaan siswa dalam mengikuti ekstrakulikuler yang berhubungan sama mata pelajaran tersebut
Absensi Absensi siswa yang bersangkutan
Keterangan Keterangan tuntas dan tidak tuntas siswa dalam mengikuti mata pelajaran
3.5 Model Klasifikasi
1) Data Selection
Tahapan awal dalam proses data mining ini adalah penentuan yang akan digunakan yang sesuai atau berkaitan dalam proses klasifikasi. Dimana data yang digunakan adalah data siswa Tahun 2019/2020. Data selection bertujuan untuk menyeleksi data karena tidak semuanya yang akan digunakan, oleh karena itu hanya data yang sesuai untuk dianalisi yang akan diambil dari database.
2) Data Cleaning
Pada tahap ini merupakan tahap dari preprocessing pada data mining, dimana data yang digunakan pada penelitian ini dilakukan pembersihan (cleaning). Pembersihan data yang dilakukan adalah menghapus atribut yang tidak diperlukan dalam proses klasifikasi dan prediksi nanti yaitu atribut N0 (No urut Data)
31
3) Data Transformation
Tahap selanjutnya adalah transformasi data. Pada tahap ini data input yang Bertipe numerik terlebih dahulu diubah kedalam bentuk diskrit (diskritization) dengan pengelompokan sesuai kriteria dari atribut tersebut yaitu mengubah atribut.
4) Klasifikasi Naive Bayes
Tahapan ini adalah tahapan yang menerapkan metode dari data mining untuk mengolah data yang ada. Metode yang digunakan adalah Naive Bayes Classifier dengan proses kerja yang telah dijelaskan sebelumnya. Nantinya akan dilakukan penghitungan berdasarkan tiap-tiap atributnya sesuai dengan kelas yang telah ditentukan, Output yang didapat adalah nilai kelas yang tertinggi yang dapat disimpulkan bahwa kelas tersebut merupakan metode yang cocok atau sesuai untuk digunakan berdasarkan data uji yang telah dihitung sebelumnya Persamaan dari teorema Bayes adalah :
P (H/X) = P (X|H).P(H)/P(X) 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)
P(X|H) : Probabilitas X berdasarkan kondisi pada hipotesis H P(X) : Probabilitas X
32
5) Evaluasi dan Knowledge
Tujuan akhir dari seluruh tahapan yang ada yaitu penyajian informasi yang berguna bagi user atau pengguna. Hasil akhir berupa informasi ketercapaian nilai Kriteria Ketuntasan Minimal bagi siswa sekolah.
3.6 Analisa Data
Penafsiran KKM dilihat tingkatan-tingkatan dari masing-masing komponen antara lain :
1) Untuk komponen kompleksitas misalnya, memahami kopetensi yang harus dicapai oleh siswa, kreatif dan inofatif dalam melaksanakan pembelajaran.
Waktu, diantaranya waktunya cukup lama, karena perlu penguilangan. Serta Penalaran dan Kecermatan siswa yang tinggi.
2) Kemampuan Sumber Daya pendukung, yaitu tenaga pengajar yang memadai (sesuai dengan latar belakang keahliannya), sarana dan prasdarana pendukung dalam bidang pendidikan, biaya manajemen, komite sekolah dan stakeholders sekolah.
3) Intake (tingkat kemampuan rata-rata siswa), untuk memperoleh gambaran intake ini kita bisa melihat dari berbagai cara, diantaranya dari hasil seleksi penerimaan siswa baru, dari hasil raport kelas terakhir dari tahun sebelumnya, dari tes seleksi masuk atau psikotes, dan juga bisa dari ujian nasional pada jenjang sebelumnya.
Setelah KKM diperoleh, maka selanjutnya KKM itu dimasukkan pada Laporan Hasil Belajar Siswa. Dari KKM inilah kita nantinya akan dapat
33
mengetahui apakah siswa tuntas atau tidak tuntas dalam pencapaian Kompetensi Dasar serta indikator yang diharapkan.
Kriteria Penentuan KKM dengan pemberian Poin/ Skor, sebagai berikut : Tabel 3.2 Kategori hasil belajar siswa
Konversi nilai
Kategori
Angka Predikat
86 – 100 A Sangat Baik
81–85 A -
76–80 B +
Baik
71–75 B
66–70 B -
61–65 C +
Cukup
56–60 C
51–55 C -
46–50 D + Kurang
0–45 D
Sumber: Kemendikbud 2013
Tabel 3.3 Kriteria Capaian Kompetensi
Rentang Nilai Deskripsi
93-100 Sangat Baik
84-92 Baik
75-83 Cukup
0-74 Perlu Dimaksimalkan
Sumber: Kemendikbud 2013
Tabel 3.4 Kriteria Predikat Nilai
Rentang Nilai Deskripsi
93-100 A
84-92 B
75-83 C
0-74 D
Sumber: Kemendikbud 2013 [11]
34
3.7 Analisa Rapidminer
RapidMiner adalah sebuah perangkat lunak untuk melakukan analisis terhadap data mining, text mining dan analisis prediksi. Dalam penelitian ini menggunakan Software Rapidminer sebagai alat bantu untuk menganalisa data, seperti yang dilakukan pada gambar 3.2 proses analisa rapidminer.
Gambar 3.2 Proses Analisa Rapidminer Berikut adalah motede penghitungan yang akan diusulkan :
Gamabar 3.3 Model yang Diusulkan 35
Keterangan :
a) Data Latih, merupakan data yang digunakan untuk melatih model
b) Data Uji, merupakan data yang digunakan untuk menguji model yang sudah dilatih
c) Operator Naïve Bayes, merupakan Operator yang digunakan untuk menghasilkan model klasifikasi Naive Bayes, dimana data latih akan dihitung probabilitasnya dengan operator ini.
d) Apply model, Merupakan Operator yang digunnakan menerapkan model pada ExampleSet. Tujuannya adalah untuk mendapatkan prediksi pada data yang tidak terlihat atau untuk mentransformasi data
e) Performance, merupakan operator yang digunakan untuk evaluasi kinerja. Ini memberikan daftar nilai kriteria kinerja. Kriteria kinerja ini secara otomatis ditentukan agar sesuai dengan jenis tugas pembelajaran.
36
