SKRIPSI
Diajukan untuk Memenuhi Sebagian dari Syarat Memperoleh Gelar Sarjana Komputer
Program Studi Ilmu Komputer
Oleh:
Fachri 0902041
PROGRAM STUDI ILMU KOMPUTER
FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA
Oleh
Fachri
0902041
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar
Sarjana pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
© Fachri 2014
Universitas Pendidikan Indonesia
Juni 2014
Hak Cipta dilindungi undang-undang.
Skripsi ini tidak boleh diperbanyak seluruhya atau sebagian,
ABSTRAK ... ii
ABSTRACT ... iii
KATA PENGANTAR ... iv
UCAPAN TERIMA KASIH ... v
DAFTAR ISI ... vii
DAFTAR TABEL ... ix
DAFTAR GAMBAR ... x
BAB I PENDAHULUAN ... 1
A. Latar Belakang ... 1
B. Rumusan Masalah ... 7
C. Batasan Masalah ... 7
D. Tujuan Penelitian... 8
E. Metodologi Penelitian ... 9
F. Sistematika Penulisan ... 11
BAB II TIJAUAN PUSTAKA ... 13
A. Data Mining ... 13
B. Decision Tree... 19
C. Algoritma C45 ... 21
BAB III METODOLOGI PENELITIAN... 24
2. Bahan Penelitian... 50
3. Metode Penelitian... 51
a. Proses Pengumpulan Data ... 51
b. Metode Pengembangan Perangkat Lunak ... 52
BAB IV HASIL PENELITIAN DAN PEMBAHASAN ... 54
A. Hasil Penelitian ... 54
1. Analisis Masalah ... 54
2. Proses Pengumpulan Data ... 55
B. Pembahasan ... 57
BAB V KESIMPULAN DAN SARAN ... 84
A. Kesimpulan ... 84
B. Saran ... 84
DAFTAR PUSTAKA ... 86
LAMPIRAN ... 89
Tabel 3.1 Contoh kasus data kuantitatif ... 30
Tabel 3.2 Contoh kasus data kualitatif ... 32
Tabel 3.3 Hasil Perhitungan ke-1 Contoh Kasus ... 39
Tabel 3.4 Hasil Perhitungan ke-2 Contoh Kasus ... 45
Tabel 3.5 Hasil Perhitungan ke-3 Contoh Kasus ... 47
Tabel 3.6 Hasil Perhitungan ke-4 Contoh Kasus ... 48
Tabel 4.1 Tabel Atribut Data Klasifikasi ... 58
Tabel 4.2 Aturan Pohon Keputusan ... 78
Gambar 1.1 Proses Penjurusan MAN 3 Cirebon ... 3
Gambar 3.1 Disain Penelitian ... 24
Gambar 3.2 Contoh gambar pohon keputusan ... 29
Gambar 3.3 Contoh kasus pembentukan ke-1 pohon keputusan ... 40
Gambar 3.4 Contoh kasus pembentukan ke-2 pohon keputusan ... 46
Gambar 3.5 Contoh kasus pembentukan ke-3 pohon keputusan ... 48
Gambar 3.6 Contoh kasus pembentukan ke-4 pohon keputusan ... 49
Gambar 4.1 Tahap ke-1 Pembentukan Pohon Keputusan ... 67
Gambar 4.2 Tahap ke-2 Pembentukan Pohon Keputusan ... 72
Gambar 4.3 Tahap ke-3 Pembentukan Pohon Keputusan ... 76
Gambar 4.4 Pohon Keputusan Bagian ke-1 ... 76
Gambar 4.5 Pohon Keputusan Bagian ke-2 ... 77
ABSTRAK
Sistem Rekomendasi Penjurusan merupakan suatu sistem yang bertujuan untuk memberikan rekomendasi penjurusan IPA atau IPS kepada para siswa agar sesuai kemampuannya. Selain itu, dengan adanya sistem ini proses penjurusan menjadi lebih efektif, dan efisien. Sistem ini juga memudahkan guru BK dalam mengolah hasil penjurusan. Algortima C45 adalah algortima yang berfungsi untuk membuat keputusan, berbentuk pohon (tree). Cara kerja algoritma ini adalah dengan mengolah data yang ada, sehingga didapatkan simpul terpilih, kemudian simpul terpilih itu menjadi rule atau aturan agar dapat memberikan rekomendasi penjurusan yang sesuai. Simpul terpilih berasal dari atribut-atribut yang berpengaruh dalam proses penjurusan. Karena atribut-atribut penjurusan seperti nilai akademik, hasil psikotes, minat, dan bakat jika dijadikan struktur pohon akan memudahkan dalam membuat sebuah sistem pendukung keputusan. Berdasarkan hasil penelitian yang dilakukan, algoritma C45 dapat diterapkan pada sebuah sistem rekomendasi penjurusan, kemudian akurasi dari sistem ini adalah 79,4 % sesuai dalam pemilihan jurusan. Sedangkan 20,6% tidak sesuai dalam pemilihan jurusan.
MAJORS RECOMMENDATION SYSTEM AT THE HIGH LEVEL USING C45 ALGORIITM
Fachri, 0902041, fachri@student.upi.edu ABSTRACT
Majors recommendation system is a system that aims to provide recommendations or Social Science majors to students to match his ability. In addition, with this system the majors to be more effective, and efficient. This system also allows teachers BK majors in processing results.C45 algorithms are algorithms that serve to make the decisions, shape the tree. The workings of this algorithm is to process data in order to extract the selected node, then the selected node into a rule or rules to be about providing appropriate majors recommendations. Derived from the selected node attributes are influential in the majors. Because of these attributes such as values of academic majors, psychological test results, interests, and talents if used as a tree structure will facilitate in making a decision support system.Based on the results of the study conducted by researchers, C45 algorithm can be applied to a system recommendation majors, then the accuracy of the system is 79.4% according to the selection of majors. While 20.6% are not appropriate in the selection of majors.
A. Latar Belakang
Sekolah Menengah Atas (SMA) merupakan jenjang pendidikan
menengah yang mengutamakan penyiapan siswa untuk melanjutkan
pendidikan yang lebih tinggi dengan pengkhususan. (Depdiknas, 2004:112).
Perwujudan pengkhususan tersebut berupa dilaksananakan
penjurusan dimulai di kelas XI (sebelas), yakni, penjurusan pada Ilmu
Pengetahuan Alam (IPA), Ilmu Pengetahuan Sosial (IPS), dan Bahasa yang
mulai diterapkan pada siswa SMA kelas XI tahun pelajaran 2005/2006.
Penjurusan adalah merupakan suatu proses penempatan dalam pemilihan
program studi para siswa (Ruslan,1986:13).
Tujuan dari penjurusan (Ruslan, 1986:14), yaitu
1. Mengelompokkan para siswa yang mempunyai kecakapan, kemampuan,
bakat dan minat yang relatif sama.
2. Membantu mempersiapkan para siswa dalam melanjutkan studi dan
memilih dunia kerjanya.
3. Membantu meramalkan keberhasilan untuk mencapai prestasi yang baik
dalam kelanjutan studi dan dunia kerjanya.
4. Membantu memperkokoh keberhasilan, dan kecocokan atas prestasi yang
Penentuan penjurusan ditetapkan pada akhir semester II kelas X.
Pelaksanaan program studi dimulai dari semester I kelas XI. Penjurusan
program studi didasarkan pada (Retno, 2005 : 36) :
1. Kemampuan akademik
2. Minat siswa
3. Hasil psikotes dan masukan guru bimbingan dan konseling.
Mata pelajaran yang menjadi ciri khas program studi IPA yaitu mata
pelajaran Matematika, Fisika, Kimia, dan Biologi harus mencapai nilai
ketuntasan minimum (KKM), sedangkan yang menjadi ciri khas program
studi IPS yaitu mata pelajaran Sejarah, Ekonomi, Geografi, dan Sosiologi
harus mencapai nilai ketuntasan minimum (KKM), kemudian untuk
program studi Bahasa yang menjadi ciri khas yaitu mata pelajaran Bahasa
Indonesia dan Bahasa Inggris (Retno, 2005 : 36).
Menurut guru BK di MAN 3 Cirebon syarat untuk memasuki
program IPA atau IPS:
1. Naik kelas
2. Nilai setiap mata pelajaran jurusan/program IPA/IPS mencapai nilai ≥
KKM (lebih dari atau sama dengan kkm)
3. Hasil angket minat
Menurut guru Bimbingan Konseling (BK) MAN 3 Cirebon juga
pihak yang berperan dalam proses pelaksanaan penjurusan di Sekolah,
yaitu guru BK, Siswa, dan Orang tua siswa. Tanpa adanya pihak tersebut,
maka penjurusan akan sulit untuk terlaksana. Guru BK berperan dalam
mengarahkan siswa dalam menjuruskan siswa ketika siswa mengalami
kebingungan memilih jurusan apa, guru BK ini memberikan pertimbangan
beberapa jurusan yang ada agar siswa memiliki pencerahan tentang
jurusan yang akan dipilih. Siswa berperan sebagai objek penjurusan,
sedangkan orang tua siswa berperan sebagai orang yang memberi nasihat
terhadap siswa agar sesuai dengan cita-cita yang diharapkan siswa tersebut
terhadap proses penjurusan.
Berikut ini merupakan gambaran proses penjurusan pada jenjang
menengah atas :
Gambar 1.1 Proses Penjurusan MAN 3 Cirebon
Psikotes
Angket Minat Data Nilai
Hasil Penjurusan Siswa Guru BK
Orang Tua Siswa 1
2 3
4
Keterangan :
1. Proses pengumpulan data angket minat siswa kepada guru BK
2. Proses pengumpulan data hasil psikotes kepada guru BK, data
hasil psikotes diantaranya ada nilai IQ siswa dan bakat siswa
pada jurusan apa.
3. Proses pengumpulan data nilai akademik kepada guru BK, data
nilai akademik yang dikumpulkan adalah nilai IPA, IPS, dan
bahasa.
4. Setelah proses 1 sampai proses 3 dilakukan selanjutnya adalah
proses pengolahan semua data yang terkumpul untuk diproses,
kemudian setelah diproses akan keluar hasilnya berupa hasil
penjurusan siswa.
5. Hasil penjurusan siswa tersebut selanjutnya disampaikan
kepada orang tua siswa dan siswa itu sendiri agar dapat
mengetahuinya.
Namun ada masalah setelah proses penjurusan dilaksanakan, tidak
sedikit siswa yang meminta pindah ke jurusan lain, karena setelah
dilaksanakan proses belajar mengajar, siswa merasa jurusan yang telah
ditentukan tidak cocok dengan minat dan kemampuannya. Siswa tersebut
tidak bisa memahami dan menerima materi mata pelajaran dengan baik
yang ada pada jurusan tersebut. Bahkan ketika seorang siswa sudah
tersebut mengalami penurunan. Siswa yang meminta pindah jurusan
merupakan sebuah masalah bagi siswa dan sekolah itu sendiri, karena
siswa akan tertinggal pelajaran dijurusan pindahannya itu, selain itu
sekolah juga mengalami masalah karena komposisi kelas menjadi
berubah.
Selain itu, ada juga masalah lain yaitu pengolahan data yang
dilakukan guru BK MAN 3 Cirebon masih menggunakan sistem manual,
Data yang terkumpul ditulis kembali dalam kertas lain, lalu data siswa
yang sudah ditulis kembali dijuruskan oleh guru BK, kemudian baru
dimasukkan kedalam excel, dengan hal ini menjadikan guru BK MAN 3
Cirebon membutuhkan waktu yang lebih lama untuk mengolah data nilai,
data hasil psikotes, minat dan bakat siswa.
Untuk menyelesaikan masalah penjurusan tersebut perlu dibuat
suatu sistem pendukung keputusan yang berfungsi untuk memberikan
rekomendasi penjurusan kepada siswa agar dapat membantu para siswa
dalam proses penjurusan. Sistem pendukung keputusan adalah Sistem
pendukung keputusan (Decision Support System disingkat DSS) adalah
bagian dari sistem informasi berbasis komputer, termasuk sistem berbasis
pengetahuan (manajemen pengetahuan) yang dipakai untuk mendukung
pengambilan keputusan dalam suatu organisasi atau perusahaan (Dina,
Dalam penerapan sistem pendukung keputusan terhadap masalah
penjurusan, sebelumnya sudah ada penelitian yang dilakukan dengan
metode fuzzy logic dan metode weight product. Menurut (Kania, 2010 :
77) metode weight product kurang efektif untuk layanan BK karena nilai
yang dihasilkan tidak mengacu kepada kebijakan sekolah. Sedangkan
menurut (Selamet, 2011 : 82) metode fuzzy logic dengan analisis multiple
intelligence ini menjadikan proses penjurusan menjadi komprehensif
karena lebih mempertimbangkan aspek dari kecerdasan siswa sehingga
siswa dapat belajar sesuai dengan minat dan bakatnya, namun prosesnya
menjadi lebih lama karena sekolah harus mengadakan tes multiple
intelligence kepada para siswa, dan membutuhkan waktu lebih lama
untuk mengolah data hasil tes multiple intellegence.
Dalam penelitian ini algoritma yang digunakan algoritma C45.
Algortima C45 adalah algortima yang berfungsi untuk membuat
keputusan, berbentuk pohon (tree).
Algoritma ini mengolah data yang ada untuk mendapatkan sebuah
rule atau aturan agar dapat ditentukan keputusan yang sesuai untuk siswa
dalam memilih jurusan. Atribut penjurusan seperti nilai akademik, hasil
psikotes, minat dan bakat sangat mudah jika dijadikan struktur pohon dan
nantinya akan memudahkan juga dalam membuat sebuah sistem
Cara kerja metode ini adalah melakukan proses terhadap data masa
lalu yang sudah dimanfaatkan agar dapat diperoleh manfaat lain dari data
tersebut. Apabila dihubungkan dengan masalah penjurusan, jadi nantinya
metode ini akan memproses atribut-atribut seperti nilai akademik, hasil
psikotes, minat dan bakat yang sudah digunakan guru BK sebelumnya
dalam menjuruskan siswa agar dapat sebuah pengetahuan dan manfaat
lain berupa pola penjurusan yang benar dan sesuai dari data tersebut.
B. Rumusan Masalah
Beberapa rumusan masalah yang akan dibahas pada penelitian
mengenai sistem rekomendasi penjurusan IPA dan IPS menggunakan
algoritma C45 diantaranya sebagai berikut:
1. Apakah algoritma C45 dapat memecahkan masalah penentuan
jurusan dalam bentuk sistem rekomendasi ?
2. Bagaimana tingkat akurasi sistem penjurusan menggunakan
algoritma C45?
C. Batasan Masalah
Adapun batasan masalah yang ada pada penelitian ini adalah :
1. Sistem penjurusan ini hanya untuk jenjang menengah atas, yaitu
khususnya Madrasah Aliyah Negeri (MAN).
3. Sistem penjurusan ini hanya untuk 2 jurusan yang tersedia yaitu, IPA
dan IPS.
4. Data-data yang akan diproses menjadi sebuah pola klasifikasi data
mining adalah data-data siswa kelas XI dan XII sebelum mengalami
penjurusan.
5. Data-data nilai yang diproses adalah nilai Matematika, Fisika,
Kimia, Biologi, Sejarah, Geografi, Ekonomi dan Sosiologi.
6. Selain data nilai, yang akan diproses adalah data hasil psikotes siswa
berupa nilai IQ siswa dan Bakat, serta minat siswa sesuai
keinginannya.
D. Tujuan Penelitian
Tujuan dari dilakukannya penelitian mengenai sistem rekomendasi
penjurusan IPA dan IPS dengan menggunakan algoritma C45 ini adalah :
1. Untuk menciptakan suatu produk sistem pakar berupa perangkat
lunak yang dapat merekomendasikan jurusan di Madrasah Aliyah
Negeri (MAN) 3 Cirebon.
E. Metodologi Penelitian
Metode-metode yang digunakan pada penelitian ini adalah sebagai
berikut:
1. Metode Pengumpulan Data
a. Kajian pustaka
Kajian pustaka dilakukan dengan mengumpulkan
data-data baik dari buku bacaan maupun artikel-artikel yang
berasal dari internet yang berkaitan dengan algoritma C45
dan juga mengenai sistematika penjurusan pada jenjang
menengah atas.
b. Tinjauan Lapangan/Observasi
Observasi yang dilakukan adalah berupa teknik
wawancara untuk mengumpulkan data yang mendukung
penelitian. Pada penelitian ini, wawancara dilakukan
kepada guru atau pihak sekolah yang bertugas untuk
menjuruskan siswa dalam hal ini wawancara dikhususkan
kepada guru BK yang bersangkutan pada sekolah tersebut.
2. Metode Pengembangan Perangkat Lunak
Metode yang akan digunakan dalam pembangunan
perangkat lunak ini adalah model sekuensial linier
(waterfall). Model sekuensial linier meliputi aktivitas
a. Rekayasa dan Pemodelan Sistem Informasi
Investigasi dilakukan untuk menentukan apakah terjadi
suatu masalah atau adakah peluang suatu sistem
informasi dikembangkan.
b. Analisis Kebutuhan Perangkat Lunak
Tahap pemahaman kebutuhan user terhadap sistem oleh
analis yang kemudian semuanya akan dibuat dalam
bentuk dokumen yang dapat dimengerti oleh user.
c. Desain
Tahap ini bertujuan untuk memberikan gambaran apa
yang harus dikerjakan saat coding nanti. Selain itu di
tahap ini kita menentukan interface dari perangkat
lunak yang telah dirancang, kebutuhan hardware yang
digunakan untuk jalannya sistem, serta kebutuhan data
yang direpresentasikan dalam file dan database.
d. Coding
Tahap penerjemahan data atau pemecahan masalah
yang telah dirancang ke dalam bahasa pemrograman
e. Testing
Merupakan tahap pengujian terhadap perangkat lunak
yang dibangun.
f. Maintenance
Tahap akhir dimana suatu perangkat lunak yang sudah
selesai dapat mengalami perubahan-perubahan atau
penambahan sesuai kebutuhan.
F. Sistematika Penulisan
Sistem Penulisan skripsi ini adalah sebagai berikut:
BAB I PENDAHULUAN
Bab ini berisi alasan dilakukannya penelitian, rumusan masalah yang
akan diselesaikan, batasan masalah, tujuan, metode penelitian yang
digunakan dan objek sampel penelitian.
BAB II KAJIAN PUSTAKA
Bab ini menjelasakan teori-teori yang digunakan dalam penelitian ini
BAB III METODOLOGI PENELITIAN
Bab ini menjelaskan langkah-langkah penyelesaian masalah yang terdiri
dari penjelasan lebih detil mengenai masalah yang diteliti, pohon
keputusan menggunakan algoritma C45, dan implementasi model pohon
keputusan algoritma C45 untuk sistem penjurusan pada jenjang
mengengah atas.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
Bab ini berisi studi kasus yang diteliti, pembangunan perangkat lunak,
hasil penelitian dan pembahasan hasil.
BAB V KESIMPULAN DAN SARAN
Bab ini berisi jawaban atas rumusan masalah dan saran untuk penelitian
A. Desain Penelitian
Gambar 3.1 berikut ini merupakan desain penelitian yang akan
digunakan pada proses rekomendasi penjurusan pada jenjang menengah
atas.
Gambar 3.1 Disain penelitian
Proses KDD 1. Data Selection 2. Data Cleaning 3. Transformasi
4. Data Mining
5. Evaluasi
1. Menentukan data yang akan digunakan 2. Mengumpulkan data yang dibutuhkan 3. Menyiapkan alat dan bahan
Merumuskan Masalah
Pembangunan Perangkat Lunak 1. Analisis
2. Desain 3. Coding 4. Pengujian
Dokumentasi Studi Kepustakaan :
Sistem Penjurusan dan Algoritma C45
Observasi
Proses Algoritma C45 Pembentukan Model
Decision tree
Di bawah ini merupakan penjelasan dari desain penelitian:
1. Merumuskan masalah, merupakan dasar pemikiran dari penelitian.
Rumusan masalah dari penelitian ini:
a. Apakah algoritma C45 dapat memecahan masalah penentuan
jurusan dalam bentuk sistem rekomendasi keputusan?
b. Bagaimana tingkat akurasi sistem penjurusan menggunakan
algoritma C45?
2. Menentukan data yang dibutuhkan
Setelah merumuskan masalah, langkah selanjutnya adalah menentukan
data yang dibutuhkan. Data yang dibutuhkan adalah data yang
berpengaruh dalam penjurusan siswa, data tersebut yaitu
a. Data nilai akademik siswa sebelum dan sesudah penjurusan.
Data nilai akademik sebelum penjurusan yang dibutuhkan
adalah data nilai mata pelajaran Matematika, Fisika, Biologi,
Kimia, Geografi, Sejarah, Ekonomi, dan Sosiologi. Namun data
setelah penjurusan adalah mata pelajaran tergantung jurusan
terntentu, jika siswa jurusan IPA, maka hanya Fisika, Biologi,
Kimia, dan Matematika saja, kemudian jika siswa jurusan IPS,
maka hanya Geografi, Sejarah, Ekonomi, dan Sosiologi.
b. Data hasil psikotes
Hasil keluaran dari psikotes siswa adalah nilai IQ siswa tersebut
dan menjadikan nilai IQ sebagai bahan pertimbangan pada
c. Data bakat siswa
Data ini juga merupakan hasil keluaran dari psikotes selain nilai
IQ, jadi yang menjadi keluarannya adalah rekomendasi
penempatan siswa pada jurusan IPA atau IPS.
d. Data minat siswa terhadap jurusan
Data ini didapat dari angket yang disebar oleh guru BK sebelum
proses penjurusan siswa berlangsung di Sekolah. Hasil
keluarannya adalah siswa ingin masuk pada jurusan IPA atau
IPS.
Jadi, data yang dibutuhkan adalah data nilai mata pelajaran Matematika,
Fisika, Kimia, Biologi, Georafi, Sejarah, Ekonomi, dan Sosiologi, Data
hasil psikotes yaitu nilai IQ dan Bakat. Serta data minat keinginan
siswa juga dibutuhkan dalam proses penjurusan.
3. Mengumpulkan data yang dibutuhkan
Data yang telah ditentukan pada langkah sebelumnya kemudian
dikumpulkan dengan tahap observasi langsung ke Sekolah. Setelah data
terkumpul, data tersebut dapat diproses untuk tahap selanjutnya.
4. Mempersiapkan alat dan bahan penelitian
Mempersiapkan alat dan bahan penelitian. Alat yang dipersiapkan
berupa perangkat keras dan perangkat lunak yang menunjang
diproses yang kemudian diimplementasikan/diolah menjadi program.
Alat dan bahan ini akan dibahas pada bab selanjutnya.
5. Studi kepustakaan, merupakan tahapan mengumpulkan data-data baik
dari buku bacaan, jurnal, maupun artikel-artikel yang berasal dari
internet yang berkaitan dengan algoritma C45 dan juga sistematika
penjurusan pada jenjang menengah atas.
6. Observasi adalah tahapan untuk mengumpulkan data-data penelitian
langsung ke Sekolah. Tahap dilakukan dalam obervasi ini adalah
wawancara kepada pihak sekolah yang bertugas untuk menjuruskan
siswa, dalam hal ini adalah guru BK MAN 3 Cirebon.
7. Data penelitan merupakan bahan acuan yang dibutuhkan untuk
melakukan perancangan dan pembuatan perangkat lunak. Data
penelitian didapat dari tahapan-tahapan sebelumnya yaitu tahap
merumuskan masalah, menentukan data yang akan digunakan,
mengumpulkan data yang dibutuhkan, menyiapkan alat dan bahan,
observasi dan studi kepustakaan. Setelah tahapan-tahapan tersebut
dilaksanakan maka akan didapatkan data penelitian untuk selanjutnya
diproses pada tahap proses Knowledge Discovery in Database (KDD).
8. Proses Knowledge Discovery in Database KDD
a. Data Selection (Pemilihan Data)
Proses pemilihan data yang dilakukan adalah dengan memilih
Pada proses ini dipilih mana yang akan menjadi data training
dan data testing.
b. Data Cleaning (Pembersihan Data)
Seteah data dipilih, kemudian proses pembersihan data untuk
menghilangkan duplikasi data, menghilangkan kesalahan pada
data seperti salah cetak (tipografi).
c. Tranformasi Data
Tahap ini merupakan tahap untuk mengubah bentuk data, pada
penelitian ini, data penelitan yang diubah adalah data yang
masih berupa angka (kuantitatif) menjadi data berupa kategori
(kualitatif).
d. Data Mining
Tahap ini merupakan tahap untuk menemukan pola pohon
keputusan yang sesuai dari data training, pada tahap ini
algoritma C45 bekerja untuk membentuk pola pohon keputusan.
Untuk membentuk model pohon keputusan dari data training,
tentukan dulu simpul terpilih, yaitu dengan menghitung nilai
information gain dari masing-masing atribut. Atribut-atributnya
yaitu data penelitian yang sudah dikumpulkan seperti nilai
Matematika, Kimia, Fisika, Biologi, Geografi, Sejarah,
Ekonomi, Sosiologi, nilai IQ, Bakat, dan Minat siswa pada
jurusan tertentu. Simpul yang terpilih nantinya dibagi menjadi
Dapat digambarkan seperti gambar berikut:
Gambar 3.2 Contoh gambar pohon keputusan
e. Interptretation/Evaluation
Tahap ini adalah tahap pemeriksaan kesesuaian pohon
keputusan yang terbentuk dengan menggunakan algoritma C45
tersebut.
Contoh kasus untuk membentuk pohon keputusan:
Tabel 3.1 merupakan tabel data training untuk contoh kasus proses
pembentukan pohon keputusan. Data tabel 3.1 masih belum mengalami
proses transformasi data. Simpul Akar
Simpul Internal Simpul Daun
Tabel 3.1 Contoh kasus data kuantitatif
Setelah mengalami proses transformasi data, data yang masih berupa
angka (kuantitatif) pada tabel 3.1 akan mengalami perubahan data
menjadi berupa kategori (kualitatif). Ketika data mengalami perubahan
menjadi kualitatif terdapat nilai interval untuk kategorinya, rumus untuk
menentukan interval yaitu (Romandhon, 2014:87)
Bersarkan rumus diatas, maka untuk menghitung interval atribut IQ
adalah sebagai berikut:
No Minat IQ Bakat Pelajaran Jurusan
1 IPA 94 IPS 70 IPA
2 IPA 113 IPA 70 IPA
3 IPA 98 IPS 70 IPS
4 IPA 102 IPS 75 IPS
5 IPA 91 IPA 73 IPA
6 IPA 94 IPS 75 IPS
7 IPS 86 IPS 75 IPS
8 IPS 113 IPA 75 IPA
9 IPS 94 IPS 70 IPS
Nilai terendah = 113
Nilai tertinggi = 86
Total kategori = 3
Jadi interval untuk nilai atribut IQ adalah 9, maka rentang kategorinya
adalah sebagai berikut:
Nilai 86 – 95 = kurang
Nilai 96 – 104 = cukup
Nilai 105 – 113 = lebih
Kemudian untuk menghitung interval atribut pelajaran adalah sebagai
berikut:
Nilai terendah = 75
Nilai tertinggi = 70
Total kategori = 3
Jadi interval untuk nilai atribut pelajaran adalah 1,7 maka rentang
kategorinya adalah sebagai berikut:
Nilai 70 – 71.7 = kurang
Nilai 71.8 – 73.4 = cukup
Setelah mengalami proses transformasi maka data training akan
[image:30.595.136.488.178.492.2]menjadi seperti tabel 3.2:
Tabel 3.2 Contoh kasus data kualitatif
Langkah selanjutnya adalah menentukan simpul terpilih dari data training tabel
3.2, yaitu dengan cara:
a. Menghitung nilai information gain dengan rumus seperti di bawah ini:
J : jurusan
A : atribut
I jurusan : jumlah nilai informasi dari tujuan klasifikasi
No Minat IQ Bakat Pelajaran Jurusan
1 IPA Kurang IPS Kurang IPA
2 IPA Lebih IPA Kurang IPA
3 IPA Cukup IPS Kurang IPS
4 IPA Cukup IPS Lebih IPS
5 IPA Kurang IPA Cukup IPA
6 IPA Kurang IPS Lebih IPS
7 IPS Kurang IPS Lebih IPS
8 IPS Lebih IPA Lebih IPA
9 IPS Kurang IPS Kurang IPS
I total entropy : jumlah nilai entropy dari seluruh atribut
b. Nilai tujuan klasifikasi yaitu nilai informasi dari nilai atribut jurusan.
Untuk menghitung nilai I jurusan yaitu dengan rumus seperti berikut:
p : jumlah nilai dari masing-masing atribut penjurusan
c. Kemudian untuk menghitung I total entropy, rumusnya yaitu
∑
I atribut : Jumlah nilai informasi dari tiap atribut penjurusan.
d. Untuk menghitung I atribut yaitu dengan mengunakan rumus seperti
dibawah ini:
p : jumlah nilai dari masing-masing atribut penjurusan
e. Setelah perhitungan nilai information gain diatas dilakukan, maka
akan terpilih simpul dengan information gain terbesar.
f. Simpul terpilih yaitu simpul akar, simpul internal, dan simpul daun.
g. Perhitungan nilai information gain terbesar pertama akan dipilih
sebagai simpul akar, kemudian perhitungan selanjutnya akan menjadi
simpul internal atau simpul daun.
h. Akan menjadi simpul daun jika nilai total informasi atributnya 0,
Berikut hasil perhitungan ke-1 :
a. Jurusan
Total atribut jurusan = 10
Total atribut jurusan IPA = 4
Total atribut jurusan IPS = 6
b. Minat
Minat IPA
Total atribut minat IPA = 6
Total atribut minat IPA yang jurusan IPA = 3
Total atribut minat IPA yang jurusan IPS = 3
Minat IPS
Total atribut minat IPS = 4
Total atribut minat IPS yang jurusan IPA = 1
Nilai gain minat : nilai informasi jurusan – (nilai entropy minat IPA + minat IPS)
= 0.97095 - (0.6 + 0.32451)
= 0.4644
c. IQ
IQ kurang
Total atribut IQ kurang = 5
Total atribut IQ kurang yang jurusan IPA = 2
Total atribut IQ kurang yang jurusan IPS = 3
IQ cukup
Total atribut IQ cukup = 2
Total atribut IQ cukup yang jurusan IPA = 0
Total atribut IQ cukup yang jurusan IPS = 2
IQ lebih
Total atribut IQ lebih = 3
Total atribut IQ lebih yang jurusan IPA = 2
Total atribut IQ lebih yang jurusan IPS = 1
Nilai gain IQ :
= nilai informasi jurusan – (nilai entropy IQ kurang + IQ cukup + IQ lebih)
d. Bakat
Bakat IPA
Total atribut bakat IPA = 3
Total atribut bakat IPA yang jurusan IPA = 3
Total atribut bakat IPA yang jurusan IPS = 0
Bakat IPS
Total atribut bakat IPS = 7
Total atribut bakat IPS yang jurusan IPA = 1
Total atribut bakat IPS yang jurusan IPS = 6
Nilai gain minat : nilai informasi jurusan – (nilai entropy bakat IPA + bakat IPS)
e. Pelajaran
Pelajaran kurang
Total atribut pelajaran kurang = 4
Total atribut pelajaran kurang yang jurusan IPA = 2
Total atribut pelajaran kurang yang jurusan IPS = 2
Pelajaran cukup
Total atribut pelajaran cukup = 1
Total atribut pelajaran cukup yang jurusan IPA = 1
Total atribut pelajaran cukup yang jurusan IPS = 0
Pelajaran lebih
Total atribut pelajaran lebih = 5
Total atribut pelajaran lebih yang jurusan IPA = 1
Total atribut pelajaran lebih yang jurusan IPS = 4
Nilai gain pelajaran :
= nilai informasi jurusan – (nilai entropy pel kurang + pel cukup + pel lebih)
= 0.97095 - (0.4 + 0 + 0.36097)
[image:37.595.114.513.549.745.2]= 0.20999
Tabel 3.3 Hasil Perhitungan ke-1 Contoh Kasus
Node Jumlah Kasus (S) IPA (S1) IPS
(S2) Informasi Entropy Gain
1 Jurusan 10 4 6 0.97095
Minat
IPA 6 3 3 1 0.6 0.04644
IPS 4 1 3 0.81128 0.32451
IQ
Kurang 5 2 3 0.97095 0.48548 0.20999
Cukup 2 0 2 0 0
Lebih 3 2 1 0.9183 0.27549
Node
Jumlah Kasus
(S)
IPA (S1)
IPS
(S2) Informasi Entropy Gain
IPA 3 3 0 0 0 0.55678
IPS 7 1 6 0.59167 0.41417
Pelajaran
Kurang 4 2 2 1 0.4 0.20999
Cukup 1 1 0 0 0
Lebih 5 1 4 0.72193 0.36097
Berdasarkan tabel 3.3 hasil perhitungan ke-1 contoh kasus, diperoleh nilai gain
tertinggi adalah bakat dengan nilai gain 0.55678 maka yang menjadi simpul
pertama atau simpul akar adalah bakat. Kemudian dengan melihat isi atribut
bakat, ketika isi atribut bakat IPA ternyata sudah menjadi 1 keputusan yaitu ke
IPA, maka bakat dengan isi atribut IPA menjadi simpul daun/simpul keputusan.
Namun untuk bakat dengan isi atribut IPS belum menjadi 1 keputusan, jadi harus
melakukan perhitungan ke-2. Berikut gambar 3.3 merupakan gambar
pembentukan ke-1 pohon keputusan dari contoh kasus.
Gambar 3.3 Contoh kasus pembentukan ke-1 pohon keputusan
Berikut hasil perhitungan ke-2 :
a. Jurusan – Bakat IPS
Total atribut jurusan dengan bakat IPA = 7
Total atribut jurusan IPA dengan bakat IPS = 1
b. Minat - Bakat IPS
Minat IPA dengan Bakat IPS
Total atribut minat IPA dengan bakat IPS = 4
Total atribut minat IPA dengan bakat IPS yang jurusan IPA = 1
Total atribut minat IPA dengan bakat IPS yang jurusan IPS = 3
Minat IPS dengan Bakat IPS
Total atribut minat IPS dengan bakat IPS = 3
Total atribut minat IPS dengan bakat IPS yang jurusan IPA = 0
Total atribut minat IPS dengan bakat IPS yang jurusan IPS = 3
Nilai gain minat : nilai informasi jurusan – (nilai entropy minat IPA + minat IPS)
= 0.59167 - (0.46359+0)
= 0.12808
c. IQ - Bakat IPS
IQ kurang dengan bakat IPS
Total atribut iq kurang dengan bakat IPS = 4
Total atribut iq kurang dengan bakat IPS yang jurusan IPA = 1
Total atribut iq kurang dengan bakat IPS yang jurusan IPS = 3
IQ cukup dengan bakat IPS
Total atribut iq cukup dengan bakat IPS = 2
Total atribut iq cukup dengan bakat IPS yang jurusan IPA = 0
IQ lebih dengan bakat IPS
Total atribut iq lebih dengan bakat IPS = 1
Total atribut iq lebih dengan bakat IPS yang jurusan IPA = 0
Total atribut iq lebih dengan bakat IPS yang jurusan IPS = 1
Nilai gain iq :
= nilai informasi jurusan – (nilai entropy iq kurang + iq cukup + iq lebih)
= 0.59167 - (0.46359 + 0 + 0) = 0.12808
d. Pelajaran – Bakat IPS
Pelajaran kurang dengan bakat IPS
Total atribut pelajaran kurang dengan bakat IPS yang jurusan IPA = 1
Total atribut pelajaran kurang dengan bakat IPS yang jurusan IPS = 2
Pelajaran cukup dengan bakat IPS
Total atribut pelajaran cukup dengan bakat IPS = 0
Total atribut pelajaran cukup dengan bakat IPS yang jurusan IPA = 0
Total atribut pelajaran cukup dengan bakat IPS yang jurusan IPS = 0
Pelajaran lebih dengan bakat IPS
Total atribut pelajaran lebih dengan bakat IPS = 4
Total atribut pelajaran lebih dengan bakat IPS yang jurusan IPA = 0
Nilai gain pelajaran :
= nilai informasi jurusan – (nilai entropy pel kurang + pel cukup + pel lebih)
= 0.59167 - (0.39356 + 0 + 0) = 0.19811
Berikut merupakan tabel 3.4 hasil perhitungan ke-2 contoh kasus, pada tabel
dibawah ini akan dijelaskan perhitungan lanjutan dari perhitungan ke-1, yang
mana atribut bakat dengan isi atribut IPS harus melakukan perhitungan lebih
lanjut karena belum menjadi 1 keputusan. Perhitungan ke-2 contoh kasus,
[image:43.595.113.512.521.745.2]disajikan pada tabel berikut:
Tabel 3.4 Hasil Perhitungan ke-2 Contoh Kasus
Node Jumlah Kasus (S) IPA (S1) IPS (S2)
Informa-si Entropy Gain
1.2
Jurusan-BakatIPS 7 1 6 0.59167
Minat
IPA 4 1 3 0.81128 0.46359 0.12808
IPS 3 0 3 0 0
IQ
Kurang 4 1 3 0.81128 0.46359 0.12808
Cukup 2 0 2 0 0
Node
Jumlah Kasus
(S)
IPA (S1)
IPS (S2)
Informa-si Entropy Gain Pelajaran
Kurang 3 1 2 0.9183 0.39356 0.19811
Cukup 0 0 0 0 0
Lebih 4 0 4 0 0
Berdasarkan tabel 3.4 hasil perhitungan ke-2 contoh kasus, diperoleh nilai gain
tertinggi adalah pelajaran dengan nilai gain 0.19811 maka yang menjadi simpul
internal setelah simpul bakat IPS adalah pelajaran. Kemudian dengan melihat isi
atribut pelajaran, ketika isi atribut pelajaran lebih ternyata sudah menjadi 1
keputusan yaitu ke IPS, maka pelajaran dengan isi atribut lebih menjadi simpul
daun/simpul keputusan. Namun untuk pelajaran dengan isi atribut kurang belum
menjadi 1 keputusan, jadi harus melakukan perhitungan ke-3, kemudian untuk
atribut pelajaran dengan isi atribut cukup karena nilai 2 isi atributnya 0 maka
menjadi simpul bernilai kosong. Berikut gambar 3.4 merupakan gambar
[image:44.595.111.513.111.227.2]pembentukan pohon keputusan ke-2 dari contoh kasus.
Gambar 3.4 Contoh kasus pembentukan ke-2 pohon keputusan
Berikut merupakan tabel 3.5 hasil perhitungan ke-3 contoh kasus, pada tabel
dibawah ini akan dijelaskan perhitungan lanjutan dari perhitungan ke-2, yang
lebih lanjut karena belum menjadi 1 keputusan. Perhitungan ke-3 contoh kasus
[image:45.595.113.514.205.414.2]disajikan pada tabel berikut:
Tabel 3.5 Hasil Perhitungan ke-3 Contoh Kasus
Node Jumlah Kasus (S) IPA (S1) IPS (S2)
Informa-si Entropy Gain
1.2.1
Total-BakatIPS-pelajarankurang 3 1 2 0.9183
Minat
IPA 2 1 1 1 0.66667 0.2516
IPS 1 0 1 0 0
IQ
Kurang 2 1 1 1 0.66667 0.2516
Cukup 1 0 1 0 0
Lebih 0 0 0 0 0
Berdasarkan tabel 3.5 hasil perhitungan ke-3 contoh kasus, dari kedua atribut
tersisa yaitu minat dan IQ, diperoleh nilai gain tertinggi adalah 0.2516 pada kedua
atribut tersebut, maka ketika harus dipilih salah satu, dipilihlah atribut pertama
dari keduanya adalah atribut minat. Kemudian dengan melihat isi atribut minat,
ketika isi atribut minat IPS ternyata sudah menjadi 1 keputusan yaitu ke IPS,
maka minat dengan isi atribut IPS menjadi simpul daun/simpul keputusan. Namun
untuk minat dengan isi atribut IPA belum menjadi 1 keputusan, jadi harus
melakukan perhitungan ke-4. Berikut gambar pembentukan ke-3 pohon
Gambar 3.5 Contoh kasus pembentukan ke-3 pohon keputusan
Berikut merupakan tabel 3.6 hasil perhitungan ke-4 contoh kasus, pada tabel
dibawah ini akan dijelaskan perhitungan lanjutan dari perhitungan ke3, yang mana
atribut minat dengan isi atribut IPA harus melakukan perhitungan lebih lanjut
karena belum menjadi 1 keputusan. Perhitungan ke-4 contoh kasus, disajikan pada
[image:46.595.112.513.523.699.2]tabel berikut:
Tabel 3.6 Hasil Perhitungan ke-4 Contoh Kasus
Node
Jumlah Kasus
(S)
IPA (S1)
IPS
(S2) Informasi Entropy Gain
1.2.1.1
Total-BakatIPS-pelajarankurang- minatIPA
2 1 1 1
IQ
Kurang 1 1 0 0 0 1
Cukup 1 0 1 0 0
Berdasarkan tabel 3.6 hasil perhitungan ke-4 contoh kasus karena tinggal tersisa 1
atribut yaitu IQ, maka simpul terpilih adalah IQ dengan nilai gain tertinggi adalah
1. Kemudian dengan melihat isi atribut IQ, ketika isi atribut kurang sudah menjadi
1 keputusan yaitu ke IPA, dan isi atribut cukup juga sudah 1 keputusan yaitu ke
IPS. Maka iq dengan isi atribut kurang dan cukup menjadi simpul daun/simpul
keputusan. Namun untuk atribut IQ denga isi atribut lebih karena nilai keduanya 0
maka menjadi simpul kosong. Maka keseluruhan pohon keputusan yang terbentuk
[image:47.595.187.417.270.540.2]adalah seperti gambar berikut:
Gambar 3.6 Contoh kasus pembentukan ke-4 pohon keputusan
9. Pengembangan perangkat lunak dengan metode waterfall, yang terdiri
dari Analisis, Desain, Coding, Test, Maintenance untuk selanjutnya
diimplementasikan menjadi sebuah aplikasi rekomendasi penjurusan
pada jenjang menengah atas.
10.Dokumentasi merupakan pembuatan dokumen skripsi, dokumen teknis
B. Alat dan Bahan Penelitian
1. Alat Penelitian
Pada penelitian ini digunakan alat penelitian berupa perangkat
keras dan perangkat lunak sebagai berikut:
1. Perangkat Keras
a. Processor Intel Core 2 duo T6400 @2.00Ghz
b. RAM 2Gb
c. VGA SiS Mirage 3 Graphics
d. Harddisk 250Gb
e. Monitor Beresolusi
f. Mouse dan Keyboard
2. Perangkat Lunak
a. Sistem operasi Microsoft Windows 7
b. Editor Notepad ++
c. XAMPP 1.7.7
d. DBMS MySQL
e. Browser Mozila Firefox
f. Borland Delphi 7
2. Bahan Penelitian
Bahan penelitian yang digunakan adalah data dari sekolah
tersebut terdiri dari: data nilai mata pelajaran Matematika, Fisika,
Kimia, Biologi, Georafi, Sejarah, Ekonomi, dan Sosiologi, data hasil
psikotes yaitu nilai IQ dan Bakat. Serta data minat keinginan siswa
pada jurusan tertentu. Kemudian data tersebut akan diproses dan
diolah menggunakan algoritma C45 untuk dapat diimplementasikan
kedalam sistem.
Selain itu bahan penelitian yang digunakan juga berupa paper,
textbook, atau dokumentasi lainnya yang didapat dari World Wide
Web mengenai sistem penjurusan pada jenjang menengah atas dan
algoritma C45.
3. Metode Penelitian
a. Proses Pengumpulan Data
Pada penelitian ini, penulis berusaha untuk mengumpulkan
data dan informasi akurat yang dapat menunjang proses penelitian.
Berikut ini merupakan metode pengumpulan data yaitu
1) Kajian Pustaka
Pada penelitian mengenai sistem rekomendasi
penjurusan IPA dan IPS menggunakan algoritma C45 kajian
pustaka yang dilakukan adalah mengumpulkan data-data baik
dari internet yang berkaitan dengan metode algoritma C45 dan
juga sistematika penjurusan pada jenjang menengah atas.
Adapun target dari metode kajian pustaka ini adalah
memahami algoritma C45 dan juga memahami sistematika
penjurusan IPA dan IPS pada jenjang menengah atas agar
dapat diimplementasikan didalam sistem.
2) Observasi
Metode observasi atau metode studi lapangan
adalah bertujuan untuk mengumpulkan data-data siswa kelas
XII sesudah mengalami penjurusan dan sebelum mengalami
penjurusan ketika kelas X.
Pada metode observasi ini, teknik yang dilakukan
adalah teknik wawancara kepada pihak guru atau dari pihak
sekolah yang bertugas menjuruskan siswanya dalam hal ini
guru BK di MAN 3 Cirebon untuk mengetahui kecocokan
siswa dijurusan tertentu. Setelah data terkumpul, maka data
akan dijadikan data penelitian.
b. Metode Pengembangan Perangkat Lunak
Metode pengembangan perangkat lunak menggunakan model
waterfall/Classical. Tahap-tahapannya adalah survey, analisis,
1) Requirement
Dalam tahap ini, dilakukan pengumpulan data serta
informasi yang kemudian dianalisis sehingga mendapatkan
gambaran aplikasi yang tepat.
2) Design
Tahap ini bertujuan untuk memberikan gambaran apa yang
harus dikerjakan pada saat implementation nanti. Selain itu
di fase ini menentukan interface dari perangkat lunak yang
telah dirancang, kebutuhan hardware yang akan digunakan
untuk jalannya sistem.
3) Implementation
Dalam tahap ini, dibangun suatu aplikasi yang mampu
menyelesaikan atau mengolah data-data yang telah
terkumpul.
4) Deployment dan Maintenance
Dalam tahap ini, dikembangkan aplikasi tersebut.
A. Kesimpulan
Kesimpulan dari penelitian ini adalah sebagai berikut:
1. Algoritma C45 dapat digunakan untuk memberikan rekomendasi
dalam penjurusan IPA atau IPS pada jenjang menengah atas.
Algorima C45 dapat diimpelementasikan pada sebuah sistem
rekomendasi keputusan sehingga mempermudah guru BK dalam
menjuruskan jurusan yang sesuai untuk para siswa.
2. Berdasarkan data testing yang telah diproses, akurasi dari sistem
ini adalah 79,4 % tepat dalam pemilihan jurusan. Sedangkan 7 data
atau 20,6% tidak tepat dalam pemilihan jurusan.
B. Saran
Saran untuk pengembangan penelitian ini yaitu
1. Analisis atribut lain seperti bahasa inggris yang dapat mempengaruhi
hasil penjurusan IPA atau IPS, karena pada saat ini bahasa Inggris
menjadi acuan untuk berkerja dan melanjutkan ke jenjang yang lebih
tinggi.
2. Penambahan terhadap data training sebanyak 300 data atau tambahan
hanya 1 periode penjurusan saja, penambahan ini dilakukan agar
model pohon keputusan yang terbentuk semakin baik untuk
mendapatkan hasil rekomendasi jurusan IPA atau IPS, selain itu agar
dapat mengurangi banyaknya kasus notfind.
siswa baru (PSB) on-line Yogyakarta. Jurnal Teknologi, 3(2). [online].
Tersedia:
http://jurtek.akprind.ac.id/sites/default/files/145-153_dina_andayati.pdf
Basuki, A., & Syarif, I. (2003). Decision Tree, diakses dari http://www2. eepisits.
edu/~ basuki/lecture. DecisionTree. pdf, pada, 3.
Departemen Pendidikan Nasional. (2004). Panduan Penilaian Penjurusan
Kenaikan Kelas dan Pindah Sekolah, Jakarta: Direktorat Pendidikan
Menengah Umum.
Firdaus, Slamet Muh. (2011). Pengembangan Aplikasi Penentuan Penjurusan
SMA Dengan Analisis Multiple Intellegence Menggunakan Metode Fuzzy
Logic Studi Kasus: SMAN 1 Sumber.
Gani, Ruslan A.(1986). Bimbingan Penjurusan, Bandung: Angkasa Bandung.
Grąbczewski, K. (2014). Techniques of Decision Tree Induction. In Meta
-Learning in Decision Tree Induction (pp. 11-117). Springer International
Publishing.
Kharis, I., Delima, R., & Purwadi, J. (2013). GENERATOR POHON
KEPUTUSAN DENGAN MENERAPKAN ALGORITMA C4. 5 UNTUK
Thierry Vallaud.
Larose, D. T. (2005). Discovering Knowledge in Data. New Jersey: John Willey
& Sons, Inc. ISBN 0-471-66657-2.
Purnama, Kania. (2010). Implementasi Sistem Pendukung Keputusan Layanan
Bimbingan Konseling Untuk Menentukan Penjurusan Siswa
Menggunakan Metode Weighted Product.
Romandhon, I. M. (2014). Hubungan Antara Motivasi Belajar Dengan Prestasi
Mata Pelajaran Ekonomi. EKONOMI, 1(2).
http://e-journal.ikip-veteran.ac.id/index.php/EKONOMI/article/view/200
Sulianta, Feri dan Dominikus Juju. (2010). Data Mining Meramalkan Bisnis
Perusahaan. Jakarta: Elex Media Komputindo.
Turban, E. dkk., 2005,“. Decision Support systems and Intelligent Systems
Edisi, 7.
Widajati, Retno. Dkk. (2005). Bahan Dasar Untuk Pelayanan Konseling pada
Satuan Pendidikan Menengah Jilid1. Jakarta : Tim Musyawarah Guru
Bimbingan dan Konseling.
Sulianta, Feri dan Dominikus Juju. (2010). Data Mining Meramalkan Bisnis