APLIKASI UNTUK MENENTUKAN KELAYAKAN KINE

(1)

1

APLIKASI UNTUK MENENTUKAN KELAYAKAN KINERJA GURU

MENGGUNAKAN METODE DATA MINING CLASSIFICATION 4.5 (C4.5)

Penulis : Siti Roaita

NIM : 111080200044

Dosen Pembimbing : Yulian Findawati, ST. M.MT

ABSTRAK

SMP Negeri 1 Jabon adalah lembaga pendidikan Negeri yang berdiri secara resmi pada tanggal 1 Juli tahun 1984 yang beralamatkan di Jalan Dukuhsari 01 Jabon desa/Kecamatan Jabon, Kab/ Kota Sidoarjo, Propinsi JAWA TIMUR. Sejak pertama berdiri secara resmi SMP Negeri 1 Jabon terus mengalami perkembangan yang sangat bagus, baik perkembangan bangunan, tenaga pendidik, pengelolah TU maupun siswanya. Dilihat dari peningkatan jumlah siswanya dari tahun ke tahun-ketahun terus meningkat tentunya mendorong pula perkembangan dan peningkatan mutu tenaga pendidik yang diperlukan. Dalam meraih mutu pendidikan perlu adanya tindakan penilaian kelayakan kinerja guru. Tindakan tersebut merupakan salah satu cara meningkatkan mutu pendidikan. Dalam menentukan kriteria kinerja guru di SMP Negeri 1 Jabon Sidoarjo.

Dalam menentukan kelayakan kinerja guru, saat ini sudah banyak metode-metode optimasi dengan alternatif terbatas, salah satunya adalah metode algoritma C4.5. Dengan menggunakan metode algoritma C4.5 ini dengan mudah dipahami dengan bahasa alami yang diekspresikan melalui bentuk pohon keputusan. Metode pohon keputusan mengubah fakta sangat besar menjadi pohon keputusan yang mempresentasikan aturan yang mudah dipahami. Untuk membangun sistem ini perlu adanya aplikasi yang mendukung salah satunya adalah aplikasi pemrograman php Xampp.

Hasil yang dicapai dari sistem aplikasi metode algoritma C4.5 yaitu, bisa dilihat melalui pohon keputusan. Pohon keputusan diperoleh dari root-root yang menjadi patokan kriteria kinerja guru yang layak itu seperti apa. Tingkat akurasi dari sistem ini dilihat dengan menggunakan data sampel 10 guru yang ada diperoleh hasil nilai precision=100%, nilai recall=50% dan Accuracy=70%.

Kata Kunci : Algoritma C4.5,Kinerja Guru , Pohon keputusan.

1. PENDAHULUAN

1.1Latar Belakang

Pendidikan mempunyai peranan strategis dalam mempersiapkan generasi penerus yang memiliki pengetahuan dan kecerdasan tinggi serta menguasai berbagai keahlian. Pendidikan merupakan jembatan penghubung dalam mengantarkan kita pada tatanan masyarakat pembelajar (learning society), yang terus belajar dari waktu kewaktu sehingga tercapai suatu acuan dasar. Acuan dasar itu dapat merefleksikan tugas mulia pendidikan dalam meningkatkan taraf hidup suatu bangsa. Untuk

dapat berperan serta dalam penyelenggaraan pendidikan yang bermutu, maka seorang guru wajib memenuhi kualifikasi seperti dinyatakan dalam Undang-Undang RI Nomor 20/2003 tentang Sistem Pendidikan Nasional. Undang-Undang RI Nomor 14/2005 tentang Guru dan Dosen, dan Peraturan Pemerintah RI Nomor 19/2005 tentang Standar Nasional Pendidikan yang menyatakan guru adalah pendidik Professional.

(2)

2 beralamatkan di Jalan Dukuhsari 01 Jabon desa/Kecamatan Jabon, Kab/ Kota Sidoarjo, Propinsi JAWA TIMUR. Sejak pertama berdiri secara resmi SMP Negeri 1 Jabon terus mengalami perkembangan yang sangat bagus, baik perkembangan bangunan, tenaga pendidik, pengelolah TU maupun siswanya. Dilihat dari peningkatan jumlah siswanya dari tahun ke tahun, pada saat tahun ajaran 2012-2013 siswanya telah mencapai 799 siswa, di tahun ajaran pada saat tahun 2013-2014 siswanya mencapai 818 siswa, di tahun ajaran pada saat tahun 2014-2015 siswanya mencapai 841 siswa. Dan pada saat ini tahun ajaran 2015-2016 mencapai 904 siswa.

Dengan adanya perkembangan siswa dari tahun ketahun terus meningkat tentunya mendorong pula perkembangan dan peningkatan tenaga pendidik yang diperlukan. Dalam meningkatkan jumlah tenaga pendidik tentunya pihak sekolah tidak asal-asalan dalam memilih. Peningkatan mutu tenaga pendidik sangat di perlukan dalam perkembangan mutu belajar dan mengajar siswa. Dalam meraih mutu pendidikan yang baik sangat dipengaruhi oleh kinerja guru dalam melaksanakan tugasnya sehingga kinerja guru menjadi tuntutan penting untuk mencapai keberhasilan pendidikan. Tindakan menilai kinerja guru merupakan salah satu cara meningkatkan mutu pendidikan. Dalam menentukan kriteria kinerja guru di SMP Negeri 1 Jabon Sidoarjo. Penilaian kinerja guru sangat penting dalam menentukan kinerja guru yang baik dan berprestasi dalam suatu sekolah.

Saat ini sudah banyak metode-metode optimasi dengan alternatif terbatas. Salah satunya adalah metode C4.5. menurut jurnal (Sukma Putri Utari dengan judul Implementasi Medtode C4.5 Untuk Mnentukan Guru Terbaik Pada SMK 1 Percut Sei Tuan Medan), 2015) algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan.

Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta sangat besar menjadi pohon keputusan yang mempresentasikan aturan. Aturan dengan mudah di pahami dengan bahasa alami. Dan mereka juga dapat diekspresikan dalam bentuk bahasa basis data seperti Structured Query Language

untuk mencari record pada kategori tertentu.

1.2Rumusan Masalah

Adapun rumusan masalah berdasarkan latar belakang di atas adalah sebagai berikut : 1. Bagaimana proses penentu kinerja guru

pada SMPN 1 Jabon Sidoarjo?

2. Kriteria-kriteria apa yang diperlukan dalam penilaian kinerja guru terkait pada SMPN 1 Jabon Sidoarjo?

3. Bagaimana menerapkan metode C4.5 dalam proses penentu kelayakan kinerja guru?

1.3Batasan Masalah

Untuk memudahkan dalam melaksanakan penelitian dan pengumpulan data, maka batasan masalah yang akan dibahas hanya pada :

1. Kriteria penilaian guru yang digunakan berdasarkan kriteria yang telah ada di sekolah.

2. Data guru yang diambil hanya data guru pada SMPN 1 Jabon Sidoarjo.

3. Menggunakan Data kriteria Guru Statis. 4. Menggunakan Bahasa pemrograman

PHP.

5. Menggunakan Aplikasi Xampp dan MySQL.

1.4Tujuan dan Manfaat

1. Tujuan

(3)

3 1. Untuk mengetahui kinerja guru pada

SMPN 1 Jabon Sidoarjo.

2. Untuk mengetahui kriteria-kriteria apa yang diperlukan dalam menilai kinerja guru.

3. Untuk menerapkan metode C4.5 dalam proses penilaian kinerja guru.

2. Manfaat

Adapun manfaat dari penelitian yang dilakukan adalah:

1. Dapat membantu dalam menentukan kriteria penilaian kinerja guru pada SMPN 1 Jabon Sidoarjo.

2. Sebagai salah satu penunjang sekolah dalam meningkatkan mutu kinerja guru.

3. Dapat menyelesaikan masalah dalam menetukan penilaian kinerja guru sehingga pihak sekolah lebih mudah mengetahui guru yang aktif dan berprestasi.

1.5Sistematika Penulisan

Sistematika dari penulisan tugas akhir ini adalah sebagai berikut:

BAB I PENDAHULUAN

Pada bab ini dijelaskan mengenai latar belakang permasalahan, rumusan masalah, batasan masalah, tujuan dan manfaat, metode pengambilan data dan sistematika penulisan

BAB II KAJIAN PUSTAKA DAN DASAR TEORI

Pada bab ini dijelaskan mengenai penelitian terdahulu, dan materi penunjang berhubungan dengan materi yang di ambil.

BAB III METODE PENELITIAN

Pada bab ini dijelaskan tentang perhitungan dan contoh soal yang berhubungan dengan materi yang diambil.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Pada bab ini dijelaskan tentang hasil dari penelitian serta pembahasannya secara detail.

BAB V KESIMPULAN DAN SARAN Pada bab ini berisikan hasil kesimpulan dan saran untuk penyempurnaan hasil skripsi.

2. KAJIAN PUSTAKA DAN DASAR

TEORI\

2.1 Tinjauan Umum SMPN 1 Jabon

Pertama berdirinya SMPN 1 Jabon pada tahun 1984, berikut salinan ketikan data berdirinya SMPN1 Jabon yang diperoleh saat studi kasus:

KEPUTUSAN

MENTERI PENDIDIKAN DAN KEBUDAYAAN

REPUBLIK INDOSNESIA Pembukaan, penunggalan, dan penegerian Sekolah menengah Umum Tingkat Pertama Menimbang :

a. Bahwa berdasarkan keutusan Menteri Pendidikan dan kebudayaan tanggal 22 Desember 1978 No. 0370/0/1978 telah ditetapkan susunan organisasi dan tata kerja menengah umum tingkat pertama.

b. Bahwa untuk meningkatkan daya tampung sekolah menengah umum tingkat pertama negeri sesuai dengan kebutuhan masyarakat, dipandang perlu menetapkan pembukaan, penunggalan, dan penegrian sekolah menengah umum tingkat pertama.

(4)

4 1. Keputusan presiden Republik Indonesia :

a. Nomor 44 tahun 1974 b. Nomor 40/M tahun 1980 c. Niomor 45/M tahun 1983 d. Nomor 15/M tahun 1984

2. Keputusan menteri Pendidikan dan kebudayaan:

a. Tanggal 22 Desenber 1978 No. 0370/0/1978

b. Tanggal 30 Juni 1979 No. 0145/0/1979 c. Tanggal 11 september 1980 No.

0222b/0/1980

d. Tanggal 14 Maret 1983 No. 0172/0/1983 nan No. 0173/0/1983 Memperhatikan :

Persetujuan menteri negara pendayagunaan Aparatur negara dalam surat Nomor B-847/I/MENPA/10/84 tanggal 31 Oktober 1984 Menetapkan:

Pertama:

a. Membuka sekolah menengah umum tingkat pertama (SMP) negeri

b. Menunggalkan filial SMP Negeri menjadi SMP Negeri

c. Menegrikan SMP Swasta Menjadi SMP Negeri, dibeberapa propinsi sebagaimana tersebut pada lampiran I Keputusan ini. Kedua:

Kedudukan, tugas dan fungsi, susunan organisasi, dan tata kerja SMP Negeri tersebut

pada Diktum “Pertama” diatur sesuai dengan

ketentuan dalam keputusan Menteri Pendidikan dan Kebudayaan tanggal 22 Desember 1978 No. 0370/0/1978.

Ketiga:

Menegaskan kepada kepala kantor Wilayah Departemen pendidikan dan kebudayaan di propinsi yang bersangkutan untuk melaksanakan

ketentuan tersebut ada diktum “Pertama” bagi

sekolah yang barada di Wilayahnya.

Keempat:

Biaya untuk keperluan pelaksanaan keputusan ini bagi masing-masing sekolah di propinsi yang bersangkutan pada mata anggaran bagaimana tersebut pada kolon 7 Lampiran I keputusan ini dari anggaran pendapatan dan belanja departemenpendidikannya pada mata anggaran yang selaras dengan itu.

Kelima:

Dengan berlakunya keputusan ini jumlah SMP Negeri di Indonesia adalah 5.884(lima ribu delapan ratus delapan puluh empat) buah tersebar di 27 (dua puluh tujuh) propinsi.

Keenam:

Hal-hal lain yang belum diatur dalam keputusan ini akan diatur lebih lanjut dalan ketentuan tersendiri.

Ketujuh:

Keputusan ini dimulai berlaku pada tanggal ditetapkan dan berlaku surut terhitung mulai tanggal 1 Juli 1984.

\

Visi SMPN 1 Jabon Sidoarjo “BATIK”

B : BERIMAN, BERILMU A : AKHLAK MULIA T : TERAMPIL I : INOVATIF K : KREATIF

Misi SMPN 1 Jabon Sidoarjo

a. Mewujudkan kurikulum sekolah yang meunjang kecakapan hidup peserta didik. b. Mewujudkan proses pembelajaran aktif,

kreatif, inovatif, dan kontekstual (akik).

c. Mewujudkan lulusan yang berinmtaq, berilmu, berakhlak mulia, dan terampil. d. Mewujudkan tenaga pendidik dan

kependidikan yang profesional.

(5)

5 f. Mewujudkan pengelolaan yang mapan dan

pelayanan prima.

g. Menjalin kemitraan dan komunikasi yang baik dengan masyarakat.

h. Mewujudkan perangkat penilaian yang otentik.

i. Mewujudkan lingkungan yang ceria (cerah,

rindang, indah, dan asri ) serta budaya bersih dan sehat.

2.2 Pengertian Data Mining

Da ta mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan ma chine lea rning

untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai da ta ba se besar.

Menurut Gartner Group da ta mining

adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematika.

Da ta mining bukanlah suatu bidang yang sama sekali baru. Salah satu kesulitan untuk mendefinisikan da ta mining adalah kenyataan bahwa da ta mining mewarisi banyak aspek dan teknik dari bidang-bidang ilmu yang sudah mapan terlebih dulu. Berawal dari beberapa disiplin ilmu, da ta mining bertujuan untuk memperbaiki teknik tradisional sehingga bisa menangani :

a. Jumlah data yang sangat besar b. Dimensi data yang tinggi c. Data yang heterogen dan berbeda bersifat

Menurut para ahli, da ta mining merupakan sebuah analisa dari observasi data dalam jumlah besar untuk menemukan hubungan yang tidak diketahui sebelumnya dan metode baru untuk meringkas data agar mudah

dipahami serta kegunaannya untuk pemilik data.

2.3 Teknik Data mining

Ada banyak jenis teknik analisa yang dapat digolongkan dalam da ta mining. Namun ada tiga teknik da ta mining yang popular, yaitu :

1. Associa tion Rule Mining

Associa tion rule mining adalah teknik

mining untuk menemukan aturan a sosia tif

antara suatu kombinasi atribut. Contoh dari aturan a sosia tif dari analisa pembelian di suatu pasar swalayan diketahui berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang strategi pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu.

2. Klasifikasi

Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Model itu sendiri

bisa berupa aturan “jika-maka”, berupa pohon

keputusan, formula matematis atau neural network.

Proses klasifikasi biasanya dibagi menjadi dua fase : lea rning dan test. Pada fase

lea rning, sebagian data yang telah diketahui kelas datanya diumpankan untuk membentuk model perkiraan. Kemudian pada fase test

model yang sudah terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi dari model tsb. Bila akurasinya mencukupi model ini dapat dipakai untuk prediksi kelas data yang belum diketahui.

(6)

6 Berbeda dengan a ssocia tion rule mining

dan klasifikasi dimana kelas data telah ditentukan sebelumnya, clustering melakukan pengelompokan data tanpa berdasarkan kelas data tertentu. Bahkan cluster ing dapat dipakai untuk memberikan la bel pada kelas data yang belum diketahui. Karena itu clustering sering digolongkan sebagai metode unsupervised lea rning. Prinsip dari clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar

cluster. Clustering dapat dilakukan pada data yang memiliki beberapa atribut yang dipetakan sebagai ruang multidimensi.

2.4 Kamus Data (Data Dictionary)

Kamus data merupakan Katalog Fakta tentang data dan kebutuhan informasi dari suatu sistem informasi dengan mendefinisikan data yang mengalir pada sistem secara lengkap. Fungsi dari kamus data adalah sebagai suatu katalog yang menjelaskan lebih detail tentang DFD yang mencakup proses, data flow & data store.

Kamus data adalah suatu daftar data elemen yang terorganisir dengan definisi yang tetap dan sesuai dengan sistem, sehingga user dan analis sistem mempunyai

pengertian yang sama tentang input, output dan komponen data store. Pembentukan kamus data didasarkan pada alur data yang terdapat pada DFD Alur data pada DFD bersifat global (hanya menunjukkan nama alur datanya tanpa menunjukkan struktur dari alur data). Unutk menunjukkan struktur dari alur data secara rinci maka dibentuklah kamus data.

Pendefinisian Data Elemen Dalam Kamus Data Kamus data mendefinisikan data elemen dengan cara :

1. Menguraikan arti dari alur data dan data store dalam DFD

2. Menguraikan komposisi paket data pada alur data ke dalam alur yang lebih kecil. Table 2.1 Simbol-simbol Data Dictionary

Notasi Arti

= Terdiri atas + Dan

( ) Opsional (bias ada dan bias [ ] Memilih salah satu alternative { } Pengulangan sebanyak n kali ** Komentar

@ Identifikasi

| Pemisah alternative symbol [ ]

2.5 Desain Model Aplikasi

Desain model dari aplikasi terdiri dari physical model dan logical model. Physical model dapat digambarkan dengan alir system. Logical model dalam system informasi lebih menjelaskan kepada penggunaan bagaimana nantinya fungsi-fungsi di system informasi secara logika akan bekerja. Logical model dapat digambarkan dengan DFD (Data Flow Diagram) dan kamus data (Data Dictionary). Adapun penjelasan dari alat bantu dalam desain model adalah sebagai berikut :

1. Diagram Konteks (Context Diagram)

(7)

7 Table 2.2 Simbol-Simbol Context Diagram\

2. DFD (Data Flow Diagram)

DFD merupakan suatu model logika yang menggambarkan asal data dan tujuan data yang keluar dari system, serta menggambarkan penyimpanan data dan proses yang mentransformasikan data. DFD menunjukkan hubungan antara data pada system dan proses pada system. Beberapa symbol yang digunakan dalam DFD diterangkan pada tabel di bawah ini.

Table 2.3 Simbol-Simbol DFD (Data Flow Diagram)

Simbol Pengertian Keterangan

Sistem Menunjukan sistem

Eksternal entity

Menunjukan bagian luar sistem atau sumber input dan output data Garis

aliran

Menunjukan arus data antar simbol/proses

Data Storage

Digunakan untuk menyimpan arus data atau arsip seperti file transaksi, file induk atau file referensi dan lain-lain

2.6 Basis Data dan Sistem Manajemen Basis Data

Basis adalah markas atau tempat berkumpul, sedangkan data adalah fakta mengenai suatu objek. Basis data atau database

adalah penggunaan bersama dari data yang terhubung secara logis dan deskripsi dari data yang dirancang untuk keperluan informasi dari suatu perusahaan. Dengan kata lain pengertian basis data dapat di artikan suatu kumpulan data yang dapat digambarkan sebagai aktifitas dari satu atau lebih suatu organisasi yang berelasi. Dimana dua tujuan utama dari konsep database

adalah untuk memperkecil pengulangan data atau duplikasi data (data redudansi) sehingga dapat mencapai independensi data. Independensi

data adalah kemampuan untuk membuat perubahan dalam struktur data tanpa membuat perubahan suatu program dalam memproses sebuah data. Independensi data dilakukan melalui penempatan spesifikasi data dalam tabel-tabel yang terpisah secara khusus dari program-program (Fathansyah, 1999).

2.6.1 Sistem Manajemen Basis Data

Sistem Manajemen Basis-Data (Data Base Management System / DBMS) adalah perangkat lunak sistem yang memungkinkan para pemakai membuat, memelihara, mengontrol, dan meng-akses basis data dengan cara praktis dan efisien. DBMS dapat digunakan untuk meng-akomodasikan berbagai macam pemakai yang memiliki kebutuhan akses yang berbeda-beda. DBMS pada umumnya menyediakan fasilitas atau fitur-fitur yang memungkinkan data dapat diakses dengan mudah, aman, dan cepat. Beberapa fitur yang secara umum tersedia adalah:

a) Keamanan : DBMS menyediakan

sistem pengamanan data sehingga tidak mudah diakses oleh orang yang tidak memiliki hak akses.

Simbol Pengertian Keterangan

Sistem Menunjukan sistem

Eksternal entity

Menunjukan bagian luar sistem atau sumber input dan output data Garis

aliran

(8)

8

b) Independensi : DBMS menjamin

independensi antara data dan program, data tidak bergantung pada program yang meng-akses-nya, karena struktur data-nya dirancang berdasarkan kebutuhan informasi, bukan berdasarkan struktur program. Sebaliknya program juga tidak bergantung pada data, sehingga walaupun struktur data diubah, program tidak perlu berubah.

c) Konkruensi / data sharing : data dapat

diakses secara bersamaan oleh beberapa pengguna karena manajemen data dilaksanakan oleh DBMS.

d) Integritas : DBMS mengelola file-file

data serta relasi-nya dengan tujuan agar data selalu dalam keadaan valid dan konsisten

e) Pemulihan : DBMS menyediakan

fasilitas untuk memulihkan kembali file-file data ke keadaan semula sebelum terjadi-nya kesalahan (error) atau gangguan baik kesalahan perangkat keras maupun kegagalan perangkat lunak.

f) Kamus / katalog sistem : DBMS

menyediakan fasilitas kamus data atau katalog sistem yang menjelaskan deskripsi dari field-field data yang terkandung dalam basisdata.

g) Perangkat Produktivitas : DBMS

menyediakan sejumlah perangkat produktivitas sehingga memudahkan para pengguna untuk menarik manfaat dari database, misalnya report generator

(pembangkit laporan) dan query generator (pembangkit query / pencarian informasi).

Sistem Manajemen Basis-Data(DBMS)memiliki berbagai keunggulan dibandingkan dengan pengelolaan data tanpa DBMS, walaupun tidak terlepas dari beberapa kelemahan.

Keunggulan DBMS antara lain sbb:

b) Mengurangi duplikasi data atau data redundancy

c) Menjaga konsistensi dan integritas data

d) Meningkatkan keamanan data

e) Meningkatkan effisiensi dan effektivitas penggunaan data

f) Meningkatkan produktivitas para pengguna data

g) Memudahkan pengguna dalam menggali informasi dari kumpulan data

h) Meningkatkan pemeliharaan data melalui independensi data

i) Meningkatkan pemakaian bersama dari data

j) Meningkatkan layanan backup dan recovery data

k) Mengurangi konflik antar pengguna data Kelemahan DBMS antara lain sbb:

a) Memerlukan suatu skill tertentu untuk bisa melakukan administrasi dan manajemen database agar dapat diperoleh struktur dan relasi data yang optimal

b) Memerlukan kapasitas penyimpanan baik eksternal (disk) maupun internal (memory) agar DBMS dapat bekerja cepat dan efisien.

c) Harga DBMS yang handal biasanya sangat mahal

d) Kebutuhan akan sumber daya (resources) biasanya cukup tinggi

e) Konversi dari sistem lama ke sistem DBMS terkadang sangat mahal, disamping biaya pengadaan perangkat keras dan perangkat lunak, diperlukan pula biaya pelatihan.

(9)

9 lebih tinggi karena banyak pengguna yang bergantung pada sistem ini.

2.6.2 Bahasa DBMS

Implementasi bahasa DBMS bervariasi sesuai dengan variasi perusahaan yang merancangnya, namun pada prinsipnya bahasa ini bisa dikategorikan ke dalam tiga komponen bahasa, yaitu:

1. Data Definition/Decription Language (DDL)

2. Data Manipulation Language (DML) 3. Device Control Media Language

(DCML)

DDL adalah komponen bahasa DBMS yang digunakan untuk mendefinisikan struktur data antara lain perintah untuk membuat tabel baru (CREATE) dimana terdefinisi komponen/field data dengan tipe dan panjangnya, mengubah index (INDEX, REINDEX) agar setiap rekord dalam satu file data dapat diakses melalui indeks-nya, mengubah struktur (MODIFY STRUCT) dari file data, dan sebagainya. Komponen bahasa ini banyak digunakan oleh para administrator basisdata pada saat merencanakan atau membangun file-file basisdata. DML adalah komponen bahasa DBMS yang digunakan untuk memanipulasi data, komponen ini diperlukan oleh para pengguna untuk memanipulasi data, antara lain perintah-perintah untuk melakukan hal-hal berikut ini:

a) mengambil data dari basisdata (LIST, DISPLAY)

b) menambah data kedalam basisdata (INSERT, APPEND)

c) meremajakan data yang ada dalam basisdata (UPDATE)

d) menghapus data yang tidak diperlukan (DELETE)

e) meng-urutkan data (SORT)

f) menghitung frekuensi data (COUNT)

g) mencari data (SEEK, FIND)

DML dapat dibedakan atas dua macam, yaitu DML Prosedural dan DML Non-Prosedural. Pada DML Prosedural ketika data akan dimanipulasi maka perintah harus disertai dengan perintah-perintah bagaimana data diakses dari file database. Perintah DML Prosedural biasanya termuat dalam bahasa pemrograman tingkat tinggi (high level programming language) seperti COBOL, C, C++ dan sebagainya. Pada DML non-Prosedural data dapat dimanipulasi langsung tanpa harus memerintahkan bagaimana data dibaca dari file. Perintah DML non-Prosedural biasanya digunakan dalam bahasa-bahasa DBMS seperti pada dBase, Access, Paradox, FoxPro, SQL, dan sebagainya.

DCML adalah komponen bahasa DBMS yang digunakan untuk mengatur perekaman atau penyimpanan data secara fisik. Komponen bahasa DCML digunakan oleh operator-operator sistem basisdata didalam mengatur file-file data secara fisik. Perintah-perintah yang termuat dalam komponen ini, antara lain perintah perintah: merekam (Write Record, Create Table), menghapus (Drop, Delete Table). Secara umum DBMS diartikan sebagai suatu program komputer ang digunakan untuk memasukan, mengubah, menghapus, memanipulasi, dan memperoleh data / informasi dengan praktis dan efisien.

2.7 Software Aplikasi

(10)

10 memfasilitasi operasi bisnis atau pengambilan keputusan manajemen maupun teknik sebagai tambahan dalam aplikasi pemrosesan data konvensional. Software aplikasi digunakan untuk mengatur fungsi bisnis secara real time (pressman, 2005)

2.7.1 Xampp

XAMPP adalah aplikasi web server instan yang dibutuhkan untuk membangun aplikasi berbasis web. Fungsi XAMPP adalah sebagai server yang berdiri sendiri (localhost), yang terdiri atas program Apache, http server, MySQL, database, dan penterjemah bahasa yang ditulis dengan bahasa pemrograman PHP dan Perl.

a. Apache

Apache merupakan web server yang paling banyak digunakan saat ini. Hal ini disebabkan sifatnya yang open source dengan licensi GNU GPL dan mudah pengaturan serta penambahan aplikasi Apache di http://www.apache .org. b. HTML

Hypertext Markup Language yang disingkat menjadi HTML. HTML adalah sciprt dimana kita bisa menampilkan informasi dan daya kreasi lewat internet. HTML sendiri adalah suatu dokument teks biasa yang mudah dimengerti dibanding bahasa pemrograman lainnya.

c. MySQL

MySQL Secara sederhana database dapat digunakan sebagai suatu pengorganisasian data dengan bantuan komputer yang memungkinkan data dapat diakses dengan mudah dan cepat. Pengertian akses dapat mencakup pemerolehan data maupun pemanipulasi data, seperti menambah dan menghapus.

d. PHP

Hypertext Preprocessor atau PHP

merupakan bahasa standar yang digunakan dalam dunia web site. PHP adalah bahasa program yang berbentuk script yang diletakan didalam server web. Dengan menggunakan PHP maka perawatan suatu situs web akan menjadi lebih mudah. PHP telah dicipta terutama untuk kegunaan web dan boleh menghubungkan query database. PHP sudah terbukti kemampuannya tergabung dengan berbagai macam jenis database. Mulai dari Dbase, ODBC, MySQL, sampai ke Oracle. PHP mempunyai fungsi sendiri untuk mengakses semua jenis database tersebut.

PHP merupakan produk open source yang akan terus dikembangkan agar lebih sempurna dan tidak terbatas penggunaannya. PHP dibuat dari pengembangan CGI (Common Gateway Interface) yang dikembangkan dari Bahasa C (Nugroho Bunafit, 2009).

2.8Implementasi dan Pengujian Unit

Pada tahap ini, perancangan perangkat lunak direalisasikan sebagai serangkaian program atau unit program. Kemudian pengujian unit melibatkan verifikasi bahwa setiap unit program memenuhi spesifikasinya (Sommerville, 2003).

Program sebaiknya dirilis setelah dikembangkan, diuji untuk memperbaiki kesalahan yang ditemukan pada pengujian untuk menjamin kualitasnya. Terdapat dua metode pengujian yaitu :

1. Metode white box yaitu pengujian yang berfokus pada logika internal software

(source code program).

(11)

11 yang dibatasi akan memberikan hasil actual yang sesuai dengan hasil yang dibutuhkan. Pada tahap pengujian dengan melakukan black box yaitu menguji fungsionalitas dari perangkat lunak saja tanpa harus mengetahui struktur internal program. (source code).

3. Dalam penlitian tugas akhir ini akan dicari nilai support dan confidence dari hubungan tingkat penilaian guru dengan data guru. Tidak semua data guru akan dicari hubungannya dengan data tingkat penilaian guru, hanya beberapa atribut yang kira-kira berguna dan sebenarnya tidak terlalu acak. Karena data yang terlalu acak akan membuat proses mining memakan waktu lama dan tingkat hubungannya pun rendah. Data guru yang akan dicari hubungannya meliputi No, Nama Guru, NIP, Jabatan, Orientasi Pelayanan, Integritas, Komitmen, Disiplin, Kerjasama, Jam Mengajar, Sertifikasi, Status Kepegawaian, Ijazah dan hasil point beserta prediksi sebagai outputannya.

3. METODE PENELITIAN

3.1 Algoritma C4.5

Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Sedang pohon keputusan dapat diartikan suatu cara untuk memprediksi atau mengklarifikasi yang sangat kuat.Pohon keputusan dapat membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan.

Secara umum algopritma C4.5 untuk membangun pohon keputusan adalah sebagai berikut.

Tabel 3.1 data set contoh

a. Mengklasifikasi Data awal (untuk mempermudahkan perhitungan). b. Pilih Atribut sebagai akar. c. Buat cabang untuk tiap-tiap nilai.

d. Bagi kasus dalam cabang.

e. Ulangi proses untuk setiap cabang sampai semua kasus pada

cabang memiliki kelas yang sama.

Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Untuk menghitung gain digunakan ,rumus seperti pada persamaan berikut.

∑

Keterangan :

S : Himpunan kasus A : Atribut

K : Jumlah Partisi Atribut A

|Si| : Jumlah kasus pada partisi ke-i |S| : Jumlah Kasus dalam S

Sementara itu, penghitungan nilai entropi dapat dilihat pada persamaan berikut.

∑

Keterangan :

S : Himpunan kasus K : Jumlah partisi S

pj : Proporsi dari Si terhadap S

Rumus Split Info dan Gain Ratio adalah sebagai berikut:

∑

Keterangan :

|Si| : Jumlah kasus pada partisi ke-i |S| : Jumlah Kasus dalam S

(12)

12 Split Info : nilai split info

3.2 Pohon Keputusan

Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangant kuat dan terkenal. Metode pohon keputusan Strutuctured Query Language untuk menncari record pada kategori tertentu. data seperti Strutuctured Query Language untuk menncari record pada kategori struktur yang dapat digunakan untuk

(13)

13 membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan. Dengan masing-masing rangkaian pembagian, anggota himpunan hasil menjadi mirip satu dengan yang lain. Proses pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule (Basuki & Syarif, 2003). Berikut gambar dari konsep dasar Pohon keputusan :

Gambar 3.1 Konsep Dasar Pohon Keputusan (Sumber: Defianti, Sofi., dan

Pardede, 2008)

Pohon keputusan dibentuk setalah perhitungan dilakukan dan telah mengetahui nilai gain ratio pada atribut perhitungan. Untuk memudahkan penjelasan mengenai algoritma C4.5 dan pohon keputusan C4.5 berikut ini disertakaan contoh kasus yang dituangkan dalam tabel berikut.

Tabel 2.13 Keputusan Penilain Guru MTs darunnajah Kajeksan

Dalam kasus yang tertera pada data tabel di atas dari 14 data guru tersebut akan dibuat pohon keputusan untuk menentukan kriteria penilaian guru masuk dalam prediksi ya atau tidak dengan melihat jml. Bid. studi, penilaian absensi, penilaian siswa, TMT, satus ijazah, dan status NUPTK.

Dari data awal pada tabel diatas maka langkah yang harus diambil adalah dengan mengklasifikasikan data tersebut agar lebih

dipahami dalam perhitungan algoritma C4.5. Klasifikasi datanya sebagai berikut:

Tabel 3.2 Data Klasifikasi Atribut

Klasifikasi JML. BID. STUDI

Bernilai 0 apabila “JML.BID.STUDI” <2 Bernilai 1 apabila “JML.BID.STUDI >=2

Klasifikasi PENILAIAN

ABSENSI

Bernilai 0 jika “ABSENSI” >3 Bernilai 1 jika “ABSENSI” <=3

Klasifikasi PENILAIAN

SISWA

Bernilai 1 apabila “Kurang” Bernilai 2 apabila “Baik” Bernilai 3 apabila “Sangat Baik”

Klasifikasi TMT

BERNILAI 1 BILA TMT 1-15 THN

Klasifikasi STATUS IJAZAH

Bernilai 1 apabila "status ijazah" MA/SLTA

Bernilai 2 apabila "status ijazah" S1

Bernilai 3 apabila "status ijazah" S2

Klasifikasi STATUS (NUPTK)

Bernilai 0 jika STATUS (NUPTK) non-PNS

Bernilai 1 jika STATUS (NUPTK) PNS

Untuk Klasifikasi hasil Point dan Prediksi adalah sebagai berikut:

Jika Hasil Point > 8 maka Prediksi “YA”,

dan

Jika Hasil point < = 8 maka prediksi

“TIDAK”.

Dari ketetapan klasifikasi yang dibentuk, maka diperoleh hasil data yang terklasifikasi sebagai berikut:

(14)

14 Tabel 3.3 Data Kasus Ter-klasifikasi

NO NAMA

Setelah data awal telah terklasifikasi, maka perhitungan bisa dilakukan, dan dapat dipilih atribut mana yang akan menjadi dasar akar pada pohon keputusan. Berikut perhitungan datanya:

Perhitungan Entropi seluruh kasus

∑

Tabel 3.4 Entropi 1

KASUS FREK Pj log2Pj -Pj.log2Pj jumlah kasus "YA" 8 0,57 -0,81 0,46 jumlah kasus

"TIDAK" 6 0,43 -1,22 0,52 jumlah kasus TOTAL 14

entropi kasus

TOTAL 0,99

Setelah mendapatkan entropi dari keseluruhan kasus, lakukan analisis pada setiap atribut dan nilai-nilainya dan hitung entropinya beserta hitung nilai Gainnya.

Perhitungan Entropi pada atribut JML. BID. STUDI

Perhitungan Gain pada atribut JML. BID. STUDI

Gain (JML. BID. STUDI) =

—

Perhitungan Split Info:

∑

Perhitunga Split Info atribut JML.BID.STUDI=

(_{) (}₎

Perhitungan Gain Ratio: \

∑

Perhitungan Gain Ratio Atribut

JML.BID.STUDI=

(15)

15 Tabel 3.5 Entropi & Gain Setiap Atribut 1

\ CABAN

Catatan pencarian Entropi :

1. Jika diantara kolom “YA” atau “TIDAK” ada yang bernilai nol(0), maka Entropinya dipastikan bernilai nol(0).

2. Jika diantara kolom “YA” atau “TIDAK”

mempunyai nilai yang sama maka Entropinya dipastikan juga bernilai satu(1).

Setelah didapatkan hasil dari perhitungan Gain ratio di atas maka, nilai Gain ratio tertinggi ada pada atribut JML.BID.STUDI. Dari nilai Gain ratio tertinggi tersebut, maka itulah yang menjadi akarnya (root Node 1). karena ke-dua entropi dari atribut JML.BID.STUDI memiliki nilai, maka harus di hitung ke-duaunsur atribut tersebut. Tetapi root pohon keputusan diambil

menggunakan nilai entropi yang paling besar. Untuk ke-dua unsur tersebut boleh di hitung keduanya dan boleh di ambil salah satu yang terbesar.

\ \

Gambar 3.2 Root Dasar node 1 Tabel 3.6 JML BID STUDI “0”

Perhitungan entropi seluruh kasus: Tabel 3.7 Entropi 2

KASUS FREK Pj log2Pj

entropi kasus

TOTAL 0,86

Perhitungan Entropi dan Gain disetiap Atribut:

JML.BID.STU

0 1

(16)

16 Tabel 3.8 Entropi & Gain Setiap Atribut 2

N

Setelah didapatkan hasil dari perhitungan Gain ratio di atas maka, nilai Gain ratio tertinggi ada pada atribut STATUS NUPTK. Dari nilai Gain ratio tertinggi tersebut, maka itulah yang

menjadi akarnya (root Node 1.1). karena ke-dua entropi dari atribut STAUS NUPTK yang memiliki nilai ada pada unsur = "1", maka yang dihitung sebagai data training Node 1.2 adalah atribut STATUS NUPTK = "1", dengan cara memfilter data training sebelumnya.

Gambar 2.4 Root node 1.1 Tabel 3.3 Filter STATUS NUPTK “1”

N

Perhitungan entropi seluruh kasus: Tabel 3.10 Entropi 3

entropi kasus

(17)

17 Perhitungan entropi dan Gain setiap atribut:

Tabel 3.11 Entropi & Gain Setiap Atribut 3

N

Setelah didapatkan hasil dari perhitungan Gain ratio di atas maka, nilai Gain ratio tertinggi ada pada atribut PENILAIAN ABSENSI. Dari nilai Gain ratio tertinggi tersebut, maka itulah yang menjadi akarnya (root Node 1.2). karena ke-dua entropi dari atribut PENILAIAN

ABSENSI memiliki nilai “0”, maka perhitungan selesai.

Tabel 3.12 Filter JML. BID. STUDI “1”

N

(18)

18 Tabel 3.13 Entropi 4

entropi kasus

TOTAL 0,59

Perhitungan entropi dan Gain setiap atribut: Tabel 3.14 Entropi & Gain Setiap Atribut 4

N

Setelah didapatkan hasil dari perhitungan Gain ratio di atas maka, nilai Gain ratio tertinggi ada pada atribut PENILAIAN ABSENSI. Dari nilai Gain ratio tertinggi tersebut, maka itulah yang menjadi akarnya (root Node 1.2). karena ke-dua entropi dari atribut PENILAIAN ABSENSI memiliki nilai “0”, maka perhitungan selesai.

Gambar 2.6 node akhir Tabel 3.15 Data Awal Atribut Keterangan

No Merupakan No urut pada data

Nama Guru Nama Guru yang bersangkutan

NIP Nomor Induk Pegawai Jabatan Jabatan Guru

Orientasi Pelayanan Nilai orientasi Guru Integritas Nilai integritas Guru Komitmen Nilai komitmen Guru Disiplin Nilai Disiplin Guru Kerjasama Nilai Kerjasama Guru Jam Mengajar Jam Mengajar mata

pelajaran tatap muka Sertifikasi Status sertifikasi Guru Status Kepegawaian Status kepegawaian Ijazah Ijazah Guru Hasil point Hasil Jumlah output Prediksi Prediksi output

(19)

19

3.3 Diagram Konteks Aplikasi Penentu Kinerja Guru C4.5

a. Diagram Konteks Level 0

Gambar 3.4 Diagram Konteks Level 0

b. Diagram Konteks Level 1

Gambar 3.5 DFD (Data Flow Diagram) Level 1

3.4 Diagram ERD

Gambar 3.6 ERD

4. HASIL DAN PEMBAHASAN

4.1 Hasil Penelitian

Hasil penelitian sebagai berikut :

1. Sistem bisa menampilkan informasi tentang prediksi menentukan kelayakan kinerja guru dengan menggunakan metode data mining C4.5. Metode ini digunakan untuk menentukan keputusan prediksi kelayakan guru tersebut masuk dalam unsur YA (baik) atau TIDAK (tidak baik).

2. Sistem juga memproses perhitungan dengan menggunakan algoritma yang sudah dijelaskan pada bab sebelumnya. Data yang digunakan dalam tugas akhir ini merupakan data surve yang diperoleh dari SMP Negeri 1 Jabon Sidoarjo. Data merupakan data kategorikal dan tidak ada missing value pada data. Jumlah data yang digunakan sebanyak 47 data dalam

log in

Data Hasil Kinerja data Guru

Log In

1

Aplikasi Menentukan kelayakan Kinerja Guru Menggunakan Metode data

Mining C45

+

Administrator Guru

data user admin

data user admin dt root dan subtree

[log in]

info data g uru

aksi kinerja dan penentu keputusan cek hasil pohon keputusan

data klasifikasi keputusan data perhitung an kinerja

data hasil keputusan kinerja [Data Hasil Kinerja]

data atribut penentu keputusan

data hasil keputusan

data user admin data user admin dt atribut perhitung an

aksi proses mining data hasil perhitung an data semua perhitung an

dt hasil perhitungan

data root dan subtree dt proses perhitung an

data rule c45 save dt rule c45 pohon keputusan aksi data perhitung an

data rule perhitung an data user Admin

data_g uru data user Admin

[data Guru]

2 t_data_g uru

1.3

Proses Mining C45 3 t_rule_c45

4 t_atribut

5 t_mining __c45

1.4 Perhitung an

6 t_rule_penentu_k_eputusan 7 t_iterasi_c45

1.5 Pohon Keputusan C45

8 t_pohon_keput_{usan_c45}

9 t_data_keputusan 10 t_data_penentu__keputusan

11 t_data_keputusan_{_kinerja}

(20)

20 implementasinya hal ini disesuaikan dengan jumlah banyak tenaga pendidik di SMP Negeri 1 Jabon. Data dipecah menjadi dua bagian yaitu :

a. Data Training : digunakan untuk membentuk pohon keputusan.

b. Data Testing : digunakan untuk uji coba pada pohon yang telah terbentuk guna menghitung nilai

error rate.

Hasil penelitian ini dirangkai melalui beberapa proses untuk mengetahui hasilnya. Berikut proses yang dihasilkan dari penelitian ini :

1. Data Training dimasukan. Data training merupakan data yang dimasukan telah memiliki kelas apakah Ya atau Tidak, hal ini bertujuan agar data training dapat digunakan kembali pada proses perbandingan. Data training juga dapat digunakan untuk membentuk pohon keputusan.

2. Hitung entropi, informasi gain, split info dan gain ratio dari masing-masing atribut data training yang ada. Entropi, informasi gain, split info dan gain ratio merupakan bagian dari suatu perhitungan C4.5.

3. Buat simpul akar dari penelitian atribut yang memiliki gain ratio.

4. Hitung entropi, informasi gain, split info dan gain ratio dari masing-masing atribut dengan menghilangkan atribut yang telah dipilih sebelumnya.

5. Buat simpul internal dari pemilihan atribut yang memiliki gain ratio terbesar.

6. Cek apakah semua atribut sudah dibentuk pada pohon. Jika belum, maka ulangi proses 4 dan 5, jika sudah maka lanjut pada proses berikutnya.

7. Kemudian aturan keputusan di generate mengikuti pohon yang telah dibentuk sebelumnya.

4.2 Uji Coba Dan Implementasi Perancangan Sistem

Pengujian merupakan langkah penting yang harus dilakukan untuk mengetahui apakah sistem sesuai dengan rencana. Dimana hal tersebut dapat diamati dari hasil-hasil yang diperoleh selama pengujian sistem. Selain itu, pengujian bertujuan untuk mengetahui kelebihan dan kekurangan dari sistem yang telah dibuat. Hasil pengujian tersebut nantinya akan dianalisa untuk mengetahui penyebab terjadinya kekurangan sistem.

Untuk menguji hasilnya maka di perlukan adanya tahap implementasi program. Tahap implementasi program merupakan suatu tahapan yang menerapkan semua desain sistem yang telah dibuat kedalam bentuk interface sehingga suatu software dapat di gunakan dengan mudah.

Tahap pertama adalah dengan menjalankan Control Panel Xampp. Dimana program aplikasi data mining menentukan Guru terbaik menggunakan aplikasi dari Xampp. Dilihat dari gambar di bawah ini:

Gambar 4.1 Xampp Control Panel

Untuk menjalakan Xampp maka yang perlu di setting adalah dengan men- Start module Apache dan MySQL.

(21)

21 data mining menentukan kelayakan kinerja guru C4.5. Untuk menjalankan aplikasinya harus masuk pada admin apache otomatis telah masuk pada “Localhost” . Untuk mengoperasikan program ini akan dijelaskan pada sub pembahasan berikutnya.

4.3 Pembahasan

Sistem aplikasi data mining menentukan kelayakan kinerja Guru C4.5 dapat di jalankan di komputer yang sudah memiliki database. Untuk mengoperasikan program ini adalah dengan membuka file index.php setelah itu akan keluar tampilan form Login yang ditunjukkan pada gambar di bawah ini:

Gambar 4.2 index.php Login

Log in administrator adalah proses untuk mengakses aplikasi data mining menentukan Guru terbaik C4.5 dengan memasukkan username dan password User Admin. Username dan password yang dikenali form ini adalah username dan password terinput pada tabel user. Selanjutnya adalah masukan username dan password yang telah ditentukan dan ada pada tabel user. Setelah itu akan klik bottom log in. akan munculan tampilan halaman Home aplikasi data mining menentukan kelayakan kinerja Guru C4.5. Halaman Home ini berisi menu-menu dari aplikasi data mining menentukan kinerja Guru C4.5. tampilan halaman home ditunjukkan pada gambar di bawah ini :

Gambar 4.3 Halaman Home

Halaman Home berisikan menu-menu yang akan dijalankan pada proses data mining dari input data guru samapai pohon keputusan. Untuk lebih jelasnya menu menu yang ada akan dijelaskan pada sub-sub pembahasan berikut ini:

4.3.1 Menu Data Guru

Pada menu data guru menampilkan form input data guru meliputi field-field yang harus diisi atau diinputkan. Field-field tersebut yaitu inputan dari : Nama Guru, NIP,Jabatan, Orientasi Pelayanan, Integritas, Komitmen, Disiplin, kerjasama, Jam Mengajar, Status kepegawaian, Ijazah dan Status Data.

Gambar 4.4 Input Data Guru

(22)

22 unsur, menjelaskan kategori komitmen terbagi menjadi tiga unsur, menjelaskan kategori disiplin terbagi menjadi tiga unsur, menjelaskan kategori kerjasama terbagi menjadi tiga unsur, menjelaskan kategori jam mengajar terbagi menjadi enam unsur, , menjelaskan kategori sertifikasi terbagi menjadi dua unsur, menjelaskan kategori status kepegawaian terbagi menjadi dua unsur, menjelaskan kategori ijazah terbagi menjadi dua unsur.

Terbaginya kategori tersebut menjadi beberapa unsur itu disesuaikan dengan klasifikasi data yang telah ditentukan sebelumnya, dengan melihat referensi data guru yang telah ada.

4.3.2 Menu Perhitungan

Gambar 4.5 Halaman Menu Perhitungan Pada halaman menu perhitungan ini, sistem menghitung secara otomatis inputan data training yang ada dan sistem juga menghitung sesuai dengan algoritma C4.5. Pada form ini berisikan perhitungan yang real. Perhitungan dilakukan sistem untuk mengetahui hasil keputusan. Jadi perhitungan dan hasil keputusan yang ada pada menu perhitungan ini adalah data-data yang termasuk pada data training bukan data testing.

4.3.3 Menu Proses Mining

Menu proses mining ini merupakan proses yang digunakan untuk memproses data training yang sudah ter input dan perhitungannya sudah

terbentuk sebelumnya, untuk menuju ke proses pembentukan pohon dari iterasi awal samapai akhir. hasil pada menu proses mining dapat di simak pada gambar di bawah ini :

Gambar 4.6 Proses Mining 1

Atribut status_kepegawaian memiliki nilai gain ratio terbesar

status_kepegawaian = GTT (Tidak = 8, Ya = 1) : ?

status_kepegawaian = PNS (Tidak = 10, Ya = 28) :

?

4.3.4 Menu Pohon Keputusan

Pada menu pohon keputusan ini adalah berisikan data pohon keputusan, dimana data pohon keputusan ini diperoleh dari proses perhitungan dan proses mining C4.5. Data yang di proses di sini adalah data training. Dari hasil proses perhitungan dan mining C4.5 maka di peroleh pohon keputusan ditunjukkan pada gambar sebagai berikut :

Pohon Keputusan:

status_kepegawaian = GTT (Tidak = 8, Ya = 1) : ?

| kerjasama = 82-91 (Tidak = 6, Ya = 0) : Tidak

| kerjasama = > = 92 (Tidak = 2, Ya = 1) : ?

| | orientasi_pelayanan = < 82 (Tidak = 2, Ya = 0) : Tidak

| | orientasi_pelayanan = > = 92 (Tidak = 0, Ya = 1) : Ya

status_kepegawaian = PNS (Tidak = 10, Ya = 28) :

?

(23)

23 17) : ?

| | komitmen = 82-91 (Tidak = 0, Ya = 12) : Ya | | komitmen = < 82 (Tidak = 3, Ya = 0) : Tidak

| | komitmen = > = 92 (Tidak = 0, Ya = 5) : Ya | orientasi_pelayanan = < 82 (Tidak = 7, Ya = 5) : ?

| | jam_mengajar = >=12 (Tidak = 0, Ya = 2) : Ya

| | jam_mengajar = >=24 (Tidak = 7, Ya = 3) : ?

| | | ijazah = S1 (Tidak = 7, Ya = 2) : ?

| | | | kerjasama = 82-91 (Tidak = 6, Ya = 1) : ?

| | | | | integritas = 82-91 (Tidak = 3, Ya = 0) : Tidak

| | | | | integritas = < 82 (Tidak = 3, Ya = 0) : Tidak

| | | | | integritas = > = 92 (Tidak = 0, Ya = 1) : Ya

| | | | kerjasama = < 82 (Tidak = 1, Ya = 0) : Tidak

| | | | kerjasama = > = 92 (Tidak = 0, Ya = 1) : Ya

| | | ijazah = S2 (Tidak = 0, Ya = 1) : Ya | orientasi_pelayanan = > = 92 (Tidak = 0, Ya = 6) : Ya

Chart Pohon Keputusan

Gambar 4.7 Chart Pohon Keputusan Pada menu pohon keputusan bukan hanya memamparkan hasil pohonnya saja akan tetapi, memamparkan Rule yang digunakan dalam pembentukan pohon keputusan. Dapat dijelaskan Rule tersebut pada gambar di bawah ini :

Rule:

1. if (status_kepegawaian == GTT AND kerjasama == 82-91) then Tidak (id = 2)

2. if (status_kepegawaian == GTT AND kerjasama == < 82) then Tidak (id = 3)

3. if (status_kepegawaian == GTT AND kerjasama ==

> = 92 AND orientasi_pelayanan == 82-91) then

Tidak (id = 5)

4. if (status_kepegawaian == GTT AND kerjasama == > = 92 AND orientasi_pelayanan == < 82) then

Tidak (id = 6)

5. if (status_kepegawaian == GTT AND kerjasama == > = 92 AND orientasi_pelayanan == > = 92) then Ya

(id = 7)

6. if (status_kepegawaian == PNS AND

orientasi_pelayanan == 91 AND komitmen == 82-91) then Ya (id = 10)

orientasi_pelayanan == 82-91 AND komitmen == < 82) then Tidak (id = 11)

orientasi_pelayanan == 82-91 AND komitmen == > = 92) then Ya (id = 12)

orientasi_pelayanan == < 82 AND jam_mengajar == >=6) then Tidak (id = 14)

10. if (status_kepegawaian == PNS AND

orientasi_pelayanan == < 82 AND jam_mengajar == < 6) then Tidak (id = 15)

orientasi_pelayanan == < 82 AND jam_mengajar == >=12) then Ya (id = 16)

orientasi_pelayanan == < 82 AND jam_mengajar == >=24 AND ijazah == S1 AND kerjasama == 82-91 AND integritas == 82-91) then Tidak (id = 21)

orientasi_pelayanan == < 82 AND jam_mengajar == >=24 AND ijazah == S1 AND kerjasama == 82-91 AND integritas == < 82) then Tidak (id = 22)

orientasi_pelayanan == < 82 AND jam_mengajar == >=24 AND ijazah == S1 AND kerjasama == 82-91 AND integritas == > = 92) then Ya (id = 23)

orientasi_pelayanan == < 82 AND jam_mengajar == >=24 AND ijazah == S1 AND kerjasama == < 82) then

Tidak (id = 24)

orientasi_pelayanan == < 82 AND jam_mengajar == >=24 AND ijazah == S1 AND kerjasama == > = 92) then Ya (id = 25)

orientasi_pelayanan == < 82 AND jam_mengajar == >=24 AND ijazah == S2) then Ya (id = 26)

orientasi_pelayanan == > = 92) then Ya (id = 28)

4.3.5 Menu Penentu Keputusan

(24)

24 harus menggunakan data awal terlebih dahulu . Menu ini telah disetting sesuai dengan kategori klasifikasi data yang telah diatur sebelumnya. Dengan menggunakan menu penentu keputusan ini maka akan langsung bisa dilihat hasil keputusannya bahwa Guru tersebut masuk dalam prediksi Ya (Baik) atau Tidak (Tidak Baik). Untuk lebih memperjelas maksud dari menu penentu keputusan ini, maka bisa dipaparkan pada hasil uji coba berikut ini, dan setelah selesai diinputkan maka bisa dilihat pada tampilan berikut ini:

Gambar 4.8 Penentu Keputusan Pada form penentu keputusan yang tertera pada gambar diatas, dijelaskan bahwa user tinggal menginputkan data sesuai yang dituju. Kemudian sistem akan melakukan proses perhitungan sehingga diperoleh hasil keputusan yang tepat. User tidak perlu repot menghitung.

4.4 Pengujian

Menu kinerja ini digunakan untuk memproses data testing yang telah terpartisi sebelumnya. Di mana data testing ini diperoleh dari data awal guru. Untuk memproses data testing yang sudah diset sebelumnya ada tiga pengujian yang harus diliat atau dijalankan prosesnya agar memperoleh hasil nilai pada tabel penilaian dan dari proses pengujian ini maka akan di peroleh hasil akurasi data. Ke-tiga proses pengujian tersebut adalah kinerja tabel perbandingan, kinerja proses kinerja dan kinerja

tabel penilaian. Berikut tampilan menu-menu kinerja :

Gambar 4.9 Tampilan Kinerja Tabel Perbandingan

Pada tabel perbandingan inimenggunakan 12 data sampel kriteria guru. Dari pengujian ini menunjukan hasil perbandingan antara hasil keputusan Prediksi secara manual dengan hasil keputusan prediksi yang di jalankan oleh aplikasi C4.5,

Gambar 4.10 Proses Kinerja

Dalam perhitungan 14 data kriteria guru tersebut, membutuhkan waktu seperti yang ditunjukkan pada gambar di atas. Pada gambar di atas menjelaskan bahwa proses perhitugan tersebut waktu yang dibutuhkan adalah 25.241detik.

Gambar 4.11 Kinerja Tabel Penilaian Akurasi

(25)

25

Precision adalah tingkat ketepatan antara informasi yang diminta oleh pengguna dengan hasil jawaban dari sistem.

Recall adalah tingkat keberhasilan sistem dalam menemukan kembali sebuah informasi.

Accuracy adalah tingkat kedekatan antara nilai prediksi dengan nilai aktual sistem.

Pada kasus yang terjadi pada data sampel, telah teruji Precision, Recall dan Accuracy

dapat dirumuskan sebagai berikut: Tabel 4.1 Penilaian

Diidentifikasi Tidak oleh C4.5

Diidentifikasi Ya oleh C4.5 Keputusan

Asli Tidak

Tt Ty

Keputusan Asli Ya

Yt Yy

Precision =

Recall =

Accuracy =

\

Script Koding PHP:

<p><a>1. Precision = $YaC45IdentifikasiYa / ($TidakC45IdentifikasiYa + $YaC45IdentifikasiYa) * 100% = $precision %</a><br>

<a>2. Recall = $YaC45IdentifikasiYa / ($YaC45IdentifikasiTidak + $YaC45IdentifikasiYa) * 100% = $recall %</a><br>

<a>3. Accuracy = ($TidakC45IdentifikasiTidak + $YaC45IdentifikasiYa) / ($Ya + $Tidak) * 100% = $accuracy %</a></p>

5. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Namun demikian pada tugas akhir ini akan diuraikan secara garis besarnya saja dari apa yang telah dibahas dan dapat disimpulkan sebagai berikut:

1. Bahwa dalam penilaian untuk menentukan kelayakan kinerja Guru tersebut masuk pada kinerja guru baik atau tidaknya bisa ditentukan dengan tepat dan akurat dengan metode data mining C4.5.

2. Dengan menggunakan data sampel 10 data Guru secara acak yang ada, telah didapat hasil dengan nilai Precision = 100%, nilai

Recall = 50% dan nilai Accuracy=70%. 3. Lamanya waktu perhitungan tergantung

pada banyaknya data yang dihitung.

4. Proses kinerja bisa dijalankan apabila ada data testing dan data training.

5.2 Saran

Setelah selesainya dan pembuatan aplikasi ini, mulai dari tahap-tahap awal hingga akhir bisa menarik kesimpulan dan memberikan saran-saran untuk menunjang kemajuan sekolah sesuai dengan kemampuan dari apa yang telah dialami selama penyelesaian Skripsi ini. Saran-saran sebagai berikut :

1. Untuk mengembangkan aplikasi selanjutnya diharapkan dilakukan uji coba dengan data training dan data testing yang lebih banyak, dengan begitu maka klasifikasi data akan semakin besar tingkat kebenarannya.

2. Disarankan aplikasi ini dapat diimplementasikan walaupun belum sempurna, sehingga dapat membantu proses dalam menentukan kriteria kinerja Guru. 3. Lama perhitungan aplikasi ini tergantung

pada banyaknya data atribut yang di masukkan.

4. Tidak adanya fitur khusus yang membedakan antara pengguna Guru dan lainnya. Aplikasi ini berguna untuk umum(TU, Kepala sekolah, Wakasek, Kepala-kepala bagian dan Guru).

5. Tidak adanya sistem untuk print out perolehan hasil data kinerja guru yang telah tersistem pada aplikasi ini.

(26)

26 7. Pengembangan data training yang lebih

banyak agar tingkat nilai Precision, Recall,

dan Accuracy data semakin tepat.

Demikian kesimpulan dan saran-saran yang dapat diberikan, semoga bermanfaat bagi semua, sekian dan terima kasih.\

6. DAFTAR PUSTAKA

Basuki, Achmad., dan Syarif, Iwan. 2003.

Pohon keputusan.

URL:http://lecturer.eepis-its.edu/~basuki/lecture/DecisionTree.pdf, diakses tanggal 11 januari 2016.

Davies, and Paul Beynon. 2004. “Database

Sistem Third Edition”. Palgrave macmillan. New York.

Defianti, Sofi., dan Pardede, D. L. C.

Perbandingan Kinerja Algoritma ID3 dan C4.5 dalam Klasifikasi Spam-Mail. 2008. URL:http://openstorage.gunadarma.ac.id/~ mwiryana/KOMMIT/per-artikel/03-02-004-Perbandingan%5BSofi%5D.pdf, diakses tanggal 10 Januari 2016.

Elmasri, Ramez and shamkant B. 2000. Fundamentals Of Database

Fathansyah. 1999. Basis Data. CV Informatika : Bandung.

Han, J. and Kamber, M. 2006. “Data Mining

Concepts and Techniques Second

Edition”. Morgan Kauffman.

Sanfransisco

http://www.ilmukomputer.org/wp-

content/uploads/2006/08/iko-datamining.zip . Diakses pada tanggal 15 Januari 2016 jam 08.54

http://www.pusat-definisi.com/2012/11/guruadalah.html. diakses pada tanggal 14 januari 2016

Kusrini, Emha Taufiq Luthfi, “Algoritma Data Mining”, 2009.

Larose, Daniel T. 2005. Discovering Knowledge in Data: An Introduction to Data Mining. New Jersey : John Willey & Sons, Inc. Nugroho, B. 2005. Database Relasional dengan

MySQL. Yogyakarta : Penerbit Andi Yogyakarta.

Nur Isani, M.sc (2003), Analisis Proses Data Mining Data mining.

Pramudiono, Iko. P enga nta r Da ta Mining: Mena mba ng P er ma ta P engeta hua n di

Gunung Da ta. 2003.

URL:http://ikc.dinus.ac.id/umum/iko/i ko-datamining.zip, diakses tanggal 13 januari 2016.

Pressman, Bambang. 2005. Perancangan Sistem Pendukung Keputusan (SPK) untuk

Menentukan Kelaiklautan Kapal.

URL:http://digilib.its.ac.id/public/ITS-Master-10163-Paper.pdf, diakses tanggal 24 Desember 2016.

Santoso, Budi. 2007. “Data Mining Teknik

Pemanfaatan Data Untuk Keperluan

Bisnis”. Graha Ilmu. Yogyakarta.

Sukma Putri Utari. 2015. Implementasi Metode C4.5 Untuk Menentukan Guru Terbaik Pada SMK 1 Percut Sei Tuan Medan.

sommerville, Ian, 2003, “Softwa re

Engineer ing (Reka ya sa P er a ngka t