vii
ABSTRAK
Dalam makalah ini dijabarkan implementasi algoritma apriori untuk mencari aturan asosiasi pada data daya serap Ujian Nasional mata pelajaran Matematika SMA Jurusan IPA di Yogyakarta. Dalam melakukan proses mengubah data mentah menjadi suatu informasi yang bermanfaat, penulis menggunakan proses Knowledge
Discovery in Database (KDD) yang terdiri dari pembersihan data, integrasi data,
seleksi data, transformasi data, penambangan data, evaluasi pola, dan presentasi pengetahuan. Pada tahap pembersihan data dan integrasi data, penulis melakukan secara manual. Tahap selanjutnya yaitu seleksi data, transformasi data, dan penambangan data, penulis merancang perangkat lunak sebagai alat untuk melakukan tahap-tahap tersebut. Sedangkan untuk tahap evaluasi pola dan presentasi pengetahuan, penulis melakukan evaluasi dari hasil penambangan data yang diperoleh dari perangkat lunak dan menjelaskan hasil evaluasi tersebut agar informasi yang didapat dapat diterima oleh pihak-pihak yang membutuhkan. Perangkat lunak tersebut akan diujikan terhadap dua jenis dataset yang merupakan data daya serap hasil ujian Nasional mata Pelajaran Matematika di Yogyakarta tahun pelajaran 2012/2013 + tahun pelajaran 2013/2014 dan data daya serap hasil ujian Nasional mata Pelajaran Matematika di Yogyakarta tahun pelajaran 2014/2015. Berdasarkan penelitian yang telah dilakukan, dapat diketahui bahwa algoritma apriori dapat digunakan untuk menemukan aturan asosiasi nilai daya serap hasil Ujian Nasional. Aturan asosiasi yang dibentuk dipengaruhi oleh nilai daya serap minimum dan nilai minimum support yang digunakan. Sedangkan untuk nilai minimum confidence berpengaruh terhadap jumlah aturan asosiasi yang ditampilkan. Denngan melihat jenis data yang dijadikan objek penelitian, menganalisis aturan asosiasi yang diperoleh tidak cukup hanya dengan melakukan penilaian objektif saja. Perlu dilakukan penilaian subjektif untuk mendapatkan analisa yang akurat dan bermakna dari aturan asosiasi yang diperoleh.
Kata Kunci – Algoritma Apriori, Association Rule, Nilai Daya Serap,
viii
ABSTRACT
This paper describes the implementation of apriori algorithm to find the association rules on absorption data of mathematics national exam scores in the science major of senior high school in Yogyakarta. In the process of turning raw data into a useful information , the writer applied Knowledge Discovery in Database ( KDD ) process that consists of data cleaning, data integration, data selection, data transformation, data mining, pattern evaluation, and knowledge presentation. At the stage of data cleaning and data integration, the writer conducted them manually. At the next stages which are the data selection, data transformation, and data mining, the writer designed software as a tool to conduct these stages. Finally, for the pattern evaluation and presentation of knowledge stages, the writer conducted evaluation of the results obtained from the data mining software and explain the results of this evaluation so that the information can be received by parties in need. The software will be tested against the two types of datasets that are absorption data of mathematics national exam scores in the science major of senior high school in Yogyakarta in the academic year of 2012/2013 + 2013/2014 and in the academic year of 2014/2015. Based on the research that has been done, it is known that the apriori algorithm can be applied to find association rules of absorption values of the national exam results. The association rules formed is affected by minimum absorption value and the minimum support value used. As for the minimum confidence value affect the number of association rules that are displayed. By looking at the type of data that is made as the object of research, analyzing the acquired association rules is not enough to conduct an objective assessment only. Subjective assessment needs to be done to obtain accurate and meaningful analysis of the association rules obtained.
Key word – Apriori Algorithm, Association Rule, Absorbtiveness Value, Data
IPA DI DAERAH ISTIMEWA YOGYAKARTA
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
Laurensius Haris Chrisanda
12 5314 055
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
i
PENERAPAN ALGORITMA APRIORI UNTUK ANALISIS DAYA SERAP
HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA
JURUSAN IPA DI DAERAH ISTIMEWA YOGYAKARTA
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
Laurensius Haris Chrisanda
12 5314 055
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
ii
IMPLEMENTATION OF APRIORI ALGORITHM FOR ANALYSIS
ABSOPTION DATA OF MATHEMATICS NATIONAL EXAM SCORES
IN THE SCIENCE MAJOR OF SENIOR HIGH SCHOOL IN
YOGYAKARTA
FINAL PROJECT
Present as Partial Fullfillment of the Requirements
to Obtain the Sarjana Komputer Degree
in Informatics Engineering Study Program
By :
Laurensius Haris Chrisanda
12 5314 055
INFORMATICS ENGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATIC ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
v
HALAMAN PERSEMBAHAN
“
Percayalah kepada Tuhan dengan segenap
hatimu, dan janganlah bersandar kepada
pengertianmu sendiri”
(Amsal 3:5)
Karya ini kupersembahkan kepada :
Tuhan Yesus Kristus
Bunda Maria
Keluarga
vii
ABSTRAK
Dalam makalah ini dijabarkan implementasi algoritma apriori untuk mencari aturan asosiasi pada data daya serap Ujian Nasional mata pelajaran Matematika SMA Jurusan IPA di Yogyakarta. Dalam melakukan proses mengubah data mentah menjadi suatu informasi yang bermanfaat, penulis menggunakan proses Knowledge
Discovery in Database (KDD) yang terdiri dari pembersihan data, integrasi data,
seleksi data, transformasi data, penambangan data, evaluasi pola, dan presentasi pengetahuan. Pada tahap pembersihan data dan integrasi data, penulis melakukan secara manual. Tahap selanjutnya yaitu seleksi data, transformasi data, dan penambangan data, penulis merancang perangkat lunak sebagai alat untuk melakukan tahap-tahap tersebut. Sedangkan untuk tahap evaluasi pola dan presentasi pengetahuan, penulis melakukan evaluasi dari hasil penambangan data yang diperoleh dari perangkat lunak dan menjelaskan hasil evaluasi tersebut agar informasi yang didapat dapat diterima oleh pihak-pihak yang membutuhkan. Perangkat lunak tersebut akan diujikan terhadap dua jenis dataset yang merupakan data daya serap hasil ujian Nasional mata Pelajaran Matematika di Yogyakarta tahun pelajaran 2012/2013 + tahun pelajaran 2013/2014 dan data daya serap hasil ujian Nasional mata Pelajaran Matematika di Yogyakarta tahun pelajaran 2014/2015. Berdasarkan penelitian yang telah dilakukan, dapat diketahui bahwa algoritma apriori dapat digunakan untuk menemukan aturan asosiasi nilai daya serap hasil Ujian Nasional. Aturan asosiasi yang dibentuk dipengaruhi oleh nilai daya serap minimum dan nilai minimum support yang digunakan. Sedangkan untuk nilai minimum confidence berpengaruh terhadap jumlah aturan asosiasi yang ditampilkan. Denngan melihat jenis data yang dijadikan objek penelitian, menganalisis aturan asosiasi yang diperoleh tidak cukup hanya dengan melakukan penilaian objektif saja. Perlu dilakukan penilaian subjektif untuk mendapatkan analisa yang akurat dan bermakna dari aturan asosiasi yang diperoleh.
Kata Kunci – Algoritma Apriori, Association Rule, Nilai Daya Serap,
viii
ABSTRACT
This paper describes the implementation of apriori algorithm to find the association rules on absorption data of mathematics national exam scores in the science major of senior high school in Yogyakarta. In the process of turning raw data into a useful information , the writer applied Knowledge Discovery in Database ( KDD ) process that consists of data cleaning, data integration, data selection, data transformation, data mining, pattern evaluation, and knowledge presentation. At the stage of data cleaning and data integration, the writer conducted them manually. At the next stages which are the data selection, data transformation, and data mining, the writer designed software as a tool to conduct these stages. Finally, for the pattern evaluation and presentation of knowledge stages, the writer conducted evaluation of the results obtained from the data mining software and explain the results of this evaluation so that the information can be received by parties in need. The software will be tested against the two types of datasets that are absorption data of mathematics national exam scores in the science major of senior high school in Yogyakarta in the academic year of 2012/2013 + 2013/2014 and in the academic year of 2014/2015. Based on the research that has been done, it is known that the apriori algorithm can be applied to find association rules of absorption values of the national exam results. The association rules formed is affected by minimum absorption value and the minimum support value used. As for the minimum confidence value affect the number of association rules that are displayed. By looking at the type of data that is made as the object of research, analyzing the acquired association rules is not enough to conduct an objective assessment only. Subjective assessment needs to be done to obtain accurate and meaningful analysis of the association rules obtained.
Key word – Apriori Algorithm, Association Rule, Absorbtiveness Value, Data
x
KATA PENGANTAR
Puji dan syukur kepada Tuhan Yang Maha Esa, karena pada akhirnya
penulis dapat menyelesaikan penelitian tugas akhir ini yang berjudul
“PENERAPAN ALGORITMA APRIORI UNTUK MEGETAHUI POLA
KEBERHASILAN DAN KEGAGALAN ASPEK KOMPETENSI MATA
PELAJARAN UJIAN NASIONAL SEKOLAH MENENGAH ATAS”.
Dalam menyelesaikan seluruh penyusunan tugas akhir ini, penulis tak lepas
dari doa, bantuan, dukungan, dan motivasi dari banyak pihak. Oleh karena itu,
penulis ingin mengucapkan banyak terima kasih kepada :
1. Tuhan Yesus Kristus dan Bunda Maria yang selalu memberikan
anugerah, rahmat, kekuatan, dan keberuntungan sehingga penulis dapat
menyelesaikan tugas akhir ini.
2. Kedua orang tua penulis, P. Heri Eko Yuwono dan Yuliana Uniatun atas
doa, kasih sayang, perhatian, kepercayaan, dukungan baik moral
maupun financial yang diberikan kepada penulis.
3. Adik penulis, Yohanes Risco Chris Hernando dan Laurensia Heriana
Cika Anindya yang selalu memberikan doa dan dukungan kepada
penulis.
4. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D. selaku Dekan Fakultas
Sains dan Teknologi.
5. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik
Informatika dan juga selaku Dosen Metodologi Penelitian yang telah
memberikan waktu, bimbingan, nasihat, dan motivasi kepada penulis.
6. Ibu Paulina Heruningsih Prima Rosa, M.Sc. selaku Dosen Pembimbing
Skripsi yang telah memberikan waktu, bimbingan, nasihat, dan motivasi
kepada penulis.
7. Bapak Iwan Binanto M.Cs. selaku Dosen Pembimbing Akademik
xii
DAFTAR ISI
Halaman
HALAMAN JUDUL ...i
TITLE PAGE ...ii
HALAMAN PERSETUJUAN ...iii
HALAMAN PENGESAHAN ...iv
HALAMAN PERSEMBAHAN...v
PERNYATAAN KEASLIAN KARYA ...vi
ABSTRAK ...vii
ABSTRACT ...viii
PERSETUJUAN PUBLIKASI KARYA ILMIAH ...ix
KATA PENGANTAR ...x
DAFTAR ISI ...xii
DAFTAR GAMBAR ...xvii
DAFTAR TABEL ... xviii
DAFTAR RUMUS...xx
DAFTAR LAMPIRAN ...xxi
BAB I PENDAHULUAN ...1
1.1. LATAR BELAKANG ...1
1.2. RUMUSAN MASALAH ...3
1.3. TUJUAN PENELITIAN ...4
1.4. BATASAN MASALAH...4
1.5. MANFAAT PENELITIAN ...4
1.6. METODOLOGI PENELITIAN ...4
1.6.1. Penelitian Pustaka ...4
1.6.2. Knowledge Discovery in Database (KDD) ...5
1.6.3. Pembuatan Laporan ...5
xiii
BAB II LANDASAN TEORI ...7
2.1. PENAMBANGAN DATA ...7
2.1.1. Pengertian Penambangan Data ...7
2.1.2. Fungsi Penambangan Data...7
2.1.3. Knowledge Discovery in Database (KDD) ...10
2.2. EVALUASI HASIL BELAJAR ...12
2.2.1. Prinsip-prinsip Dasar Evaluasi Hasil Belajar...12
2.2.2. Ketuntasan Belajar ...13
2.2.3. Makna dan Manfaat Evaluasi Belajar ...14
2.2.2.1. Makna Bagi Siswa ...14
2.2.2.2. Makna Bagi Guru ...15
2.2.2.3. Manfaat Bagi Sekolah ...15
2.3. KOMPETENSI ...16
2.3.1. Pengertian Kompetensi ...16
2.3.2. Ranah Kompetensi ...17
2.4. ANALISIS ASOSIASI ...17
2.4.1. Pengertian Asosiasi ...17
2.4.2. Association Rule ...18
2.4.3. Lift Ratio ...19
2.5. ALGORITMA APRIORI ...20
2.5.1. Pengertian Algoritma Apriori ...20
2.5.2. Prinsip Apriori ...20
2.5.3. Algoritma Apriori ...22
BAB III METODE PENELITIAN ...24
3.1. SUMBER DATA ...24
3.2. SPESIFIKASI ALAT ...29
3.3.1. Hardware ...29
3.3.2. Software ...29
3.3. TAHAP-TAHAP PENELITIAN ...29
3.4.1. Studi Kasus ...29
xiv
3.4.3. Knowledge Discovery in Database (KDD) ...30
3.4.4. Pengembangan Perangkat Lunak ...30
3.4.5. Analisis dan Pembuatan Laporan ...32
BAB IV ANALISIS DAN PERANCANGAN SISTEM ...33
4.1. PEMROSESAN AWAL ...33
4.1.1. Pembersihan Data (Data Cleaning) ...33
4.1.2. Integrasi Data (Data Integration) ...33
4.1.3. Seleksi Data (Data Selection) ...33
4.1.4. Transformasi Data (Data Transformation) ...38
4.2. PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA ...39
4.2.1. Perancangan Umum ...39
4.2.1.1. Input Sistem ...39
4.2.1.2. Proses Sistem ...39
4.2.1.3. Output Sistem ...40
4.2.2. Diagram Use Case ...41
4.2.2.1. Gambaran Umum Use Case ...41
4.2.2.2. Narasi Use Case...41
4.2.3. Diagram Aktivitas ...41
4.2.4. Diagram Kelas Analisis ...41
4.2.5. Diagram Sekuen ...42
4.2.6. Diagram Kelas Disain ...42
4.2.7. Algoritma per Method ...42
4.2.8. Perancangan Struktur Data ...42
4.2.9. Perancangan Antarmuka ...44
4.2.9.1. Perancangan Halaman Awal ...44
4.2.9.2. Perancangan Halaman Preprocess ...45
4.2.9.3. Perancangan Halaman Konfigurasi Database ...47
4.2.9.4. Perancangan Halaman Pilih Tabel Database ...48
4.2.9.5. Perancangan Halaman Asosiasi ...49
xv
4.2.9.7. Perancangan Halaman Tentang ...52
BAB V IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL ...53
5.1. IMPLEMENTASI RANCANGAN PERANGKAT LUNAK ...53
5.1.1. Implementasi Kelas Model ...53
5.1.2. Implementasi Kelas View...53
5.1.3. Implementasi Kelas Control ...71
5.2. EVALUASI HASIL ...71
5.2.1. Pengujian Perangkat Lunak (Black Box) ...71
5.2.1.1. Rencana Pengujian Black Box ...71
5.2.1.2. Prosedur Pengujian Black Box dan Kasus Uji ...73
5.2.1.3. Evaluasi Pengujian Black Box ...73
5.2.2. Pengujian Perbandingan Hasil Hitung Manual Dengan Hasil Perangkat Lunak ...73
5.2.2.1. Penghitungan Manual ...73
5.2.2.2. Penghitungan Perangkat Lunak ...74
5.2.2.3. Evaluasi Pengujian Perbandingan Hasil Hitung Manual Dengan Hasil Perangkat Lunak ...75
5.2.3. Pengujian Perangkat Lunak Dengan Menggunakan Dataset .75 5.2.3.1. Pengujian Dataset Tahun Pelajaran 2012/2013...77
5.2.3.2. Pengujian Dataset Tahun Pelajaran 2013/2014...83
5.2.3.3. Pengujian Dataset Tahun Pelajaran 2014/2015...88
5.2.3.4. Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 ...92
5.2.4. Evaluasi Pola Asosiasi ...97
5.3. KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK ...99
5.3.1. Kelebihan Perangkat Lunak ...99
xvi
BAB VI PENUTUP ...102
6.1. KESIMPULAN ...102
6.2. SARAN ...104
DAFTAR PUSTAKA ...105
xvii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Tahap-tahap di dalam proses Knowledge Discovery in Database
(Han&Kamber, 2006) ...10
Gambar 2.2 Illustrasi prinsip apriori, jika {c,d,e} frequent, maka semua subset pada itemset tersebut juga frequent (Tan dkk., 2006) ...21
Gambar 2.3 Illustrasi prinsip apriori, jika {a,b} infrequent, maka semua superset itemset tersebut infrequent (Tan dkk., 2006) ...21
Gambar 4.1 Diagram Flowchart ...40
Gambar 4.2 Illustrasi Konsep ArrayList ...43
Gambar 4.3 Perancangan ArrayList ...43
Gambar 4.4 Rancangan Antarmuka Halaman Awal ...44
Gambar 4.5 Rancangan Antarmuka Halaman Preprocess ...45
Gambar 4.6 Rancangan Antarmuka Halaman Konfigurasi Database ...47
Gambar 4.7 Rancangan Antarmuka Halaman Pilih Tabel Database ...48
Gambar 4.8 Rancangan Antarmuka Halaman Asosiasi ...49
Gambar 4.9 Rancangan Antarmuka Halaman Bantuan ...51
Gambar 4.10 Rancangan Antarmuka Halaman Tentang ...52
Gambar 5.1 Implementasi Antarmuka Kelas view_home ...55
Gambar 5.2 Implementasi Antarmuka Kelas view_preprocess ...59
Gambar 5.3 Implementasi Antarmuka Kelas view_database ...61
Gambar 5.4 Implementasi Antarmuka Kelas view_table ...63
Gambar 5.5 Implementasi Antarmuka Kelas view_asosiasi ...66
Gambar 5.6 Implementasi Antarmuka Kelas view_help ...68
Gambar 5.7 Implementasi Antarmuka Kelas view_about ...70
Gambar 5.8 Hasil Penambangan Data Menggunakan Perangkat Lunak ...74
xviii
DAFTAR TABEL
Halaman
Tabel 2.1 Interval Daya Serap Siswa ...13
Tabel 3.1 Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 ...24
Tabel 3.2 Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2014/2015 ...27
Tabel 4.1 Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 ...34
Tabel 4.2 Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2014/2015 ...36
Tabel 5.1 Implementasi Kelas Model...53
Tabel 5.2 Implementasi Kelas View ...53
Tabel 5.3 Spesifikasi Detail Kelas view_home.java ...54
Tabel 5.4 Spesifikasi Detail Kelas view_preprocess.java ...56
Tabel 5.5 Spesifikasi Detail Kelas view_database,java ...59
Tabel 5.6 Spesifikasi Detail Kelas view_table.java ...62
Tabel 5.7 Spesifikasi Detail Kelas view_asosiasi.java...63
Tabel 5.8 Spesifikasi Detail Kelas view_help.java ...67
Tabel 5.9 Spesifikasi Detail Kelas view_about.java ...69
Tabel 5.10 Implementasi Kelas Controller...71
Tabel 5.11 Rencana Pengujian Black Box ...71
Tabel 5.12 Pengujian Dataset Tahun Pelajaran 2012/2013 ...77
Tabel 5.13 Pengujian Dataset Tahun Pelajaran 2013/2014 ...83
xix
Tabel 5.15 Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran
xx
DAFTAR RUMUS
Halaman
Rumus 2.1 Nilai Daya Serap ...13
Rumus 2.2 Persentase Ketuntasan Klasikal ...14
Rumus 2.3 Nilai Support ...18
Rumus 2.4 Nilai Confidence ...18
Rumus 2.5 Lift Ratio ...19
Rumus 2.6 Expected Confidence ...19
xxi
DAFTAR LAMPIRAN
Halaman
LAMPIRAN 1 DATA DAYA SERAP HASIL UJIAN NASIONAL MATA
PELAJARAN MATEMATIKA SMA JURUSAN IPA DI
DAERAH ISTIMEWA YOGYAKARTA ...108
LAMPIRAN 2 DATASET HASIL TRANSFORMASI DATA ...116
LAMPIRAN 3 DIAGRAM USE CASE ...124
LAMPIRAN 4 GAMBARAN UMUM USE CASE ...125
LAMPIRAN 5 NARASI USE CASE ...126
LAMPIRAN 6 DIAGRAM AKTIVITAS...132
LAMPIRAN 7 DIAGRAM KELAS ANALISIS ...136
LAMPIRAN 8 DIAGRAM SEQUENCE ...137
LAMPIRAN 9 STRUKTUR DIAGRAM KELAS ...142
LAMPIRAN 10 ALGORITMA PER METHOD...143
LAMPIRAN 11 PROSEDUR PENGUJIAN DAN KASUS UJI...150
LAMPIRAN 12 HITUNG MANUAL PENAMBANGAN DATA ...157
LAMPIRAN 13 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN
DATASET 2012/2013 ...162
LAMPIRAN 14 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN
DATASET 2013/2014 ...169
LAMPIRAN 15 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN
DATASET 2014/2015 ...175
LAMPIRAN 16 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN
DATASET GABUNGAN TAHUN PELAJARAN 2012/2013
1 BAB I
PENDAHULUAN
1.1. LATAR BELAKANG
Ujian nasional merupakan salah satu upaya pemerintah dalam rangka
meningkatkan mutu pendidikan. Selain berfungsi untuk mengukur dan menilai
pencapaian kompetensi lulusan dalam mata pelajaran tertentu, hasil ujian nasional
juga berfungsi sebagai pertimbangan seleksi masuk jenjang pendidikan berikutnya.
Oleh sebab itu dalam pelaksanaan ujian nasional, sekolah berusaha semaksimal
mungkin agar hasil ujian nasional peserta didiknya memberikan hasil yang
memuaskan. Salah satu hal yang dilakukan dalam upaya memaksimalkan hasil
ujian nasional adalah dengan memberikan pengajaran yang maksimal baik dari segi
penyampaian materi pelajaran maupun guru yang mengajar.
Dalam kegiatan belajar mengajar di sekolah, cara penyampaian pembelajaran
kepada siswa berbeda-beda, tergantung pada pelajaran dan tingkat kesulitan materi
pelajaran yang di sampaikan. Cara penyampaian pembelajaran yang kurang tepat
dapat berpengaruh terhadap kemampuan siswa dalam memahami suatu pelajaran.
Kurangnya pemahaman siswa dalam memahami pelajaran dapat berpengaruh
terhadap nilai akhir yang akan diperoleh nantinya. Hal ini merupakan masalah yang
membuat guru untuk berusaha semaksimal mungkin merubah cara penyampaian
pembelajaran supaya kualitas belajar siswa juga meningkat. Selain itu kemampuan
siswa dalam memahami suatu pelajaran juga erat kaitannya dengan daya serap yang
dimiliki oleh masing-masing siswa.
Daya serap siswa adalah kemampuan siswa untuk menguasi materi yang
dipelajarinya sesuai dengan bahan mata pelajaran yang disampaikan oleh guru.
Daya serap digunakan oleh guru sebagai tolak ukur untuk mengetahui sejauh mana
pemahaman siswa terhadap mata pelajaran yang diajarkan. Daya serap siswa dapat
diperoleh setelah guru selesai melaksanakan tahap-tahap dalam pelaksanaan
pembelajaran. Dari hasil inilah guru dapat memetakan perolehan nilai yang dicapai
Sehubungan dengan adanya Ujian Nasional yang diadakan oleh Pemerintah
Indonesia, daya serap mempunyai kaitan erat karena Ujian Nasional sendiri terdiri
dari berbagai indikator yang diujikan. Sehingga kemampuan daya serap pada setiap
indikator sangatlah penting untuk dikuasai oleh setipa siswa. Sudah seharusnya
nilai Ujian Nasional memberikan informasi yang bermanfaat bagi peningkatan
mutu pendidikan di sekolah, tidak hanya memperlihatkan peningkatan nilai
rata-rata tetapi juga dapat memberikan informasi mengenai daya serap siswa atau
kemampuan penguasaan materi siswa pada pokok bahasan yang diujikan. Dengan
adanya nilai daya serap dari hasil Ujian Nasional, diharapkan memberikan dampak
positif terutama dalam hal peningkatan kinerja dari masing-masing pihak yang
terkait sehingga dapat meningkatkan mutu kelululusan.
Daya serap Ujian Nasional memberikan banyak manfaat bagi banyak pihak,
terumata sekolah sebagai tempat siswa belajar. Daya serap ujian nasional ini
memberikan informasi seberapa besar daya serap peserta ujian, dapat mengetahui
kemampuan dan kelemahan dalam suatu kompetensi, dan dapat mengetahui
keberhasilan guru dalam menyampaikan pelajaran.
Data daya serap Ujian Nasional dapat diperoleh melalaui website resmi milik
Kementrian Pendidikan dan Budaya. Setiap tahunnya, hasil Ujian Nasional selalu
dipublikasikan dengan tujuan untuk memberikan data dan informasi hasil UN
kepada para pengambil kebijakan pada tingkat pusat, provinsi, kabupaten/kota, dan
satuan pendidikan atau sekolah/madrasah untuk dimanfaatkan sebagai salah satu
bahan masukan pengambilan kebijakan bagi perbaikan mutu pendidikan. Salah satu
data yang dipublikasikan adalah data daya serap. Data tersebut berisi informasi nilai
daya serap tiap kemampuan yang diuji pada tiap sekolah, rayon, provinsi dan secara
nasional.
Dalam penelitian ini, peneliti memilih mata pelajaran matematika sebagai
objek penelitian, dimana mata pelajaran tersebut nantinya akan di cari hubungan
antar indikator pencapaian kompetensinya. Pemilihan mata pelajaran matematika
ini didasari karena pentingnya kegunaan matematika dalam kehidupan sehari-hari.
Dengan belajar matematika, cara berpikir manusia menjadi sistematis, melalui
terbiasa untuk memecahkan masalah secara sistematis. Sehingga bila diterapkan
dalam kehidupan nyata, kita bisa menyelesaikan setiap masalah dengan lebih
mudah. Selain itu belajar matematika melatih kita menjadi manusia yang lebih teliti,
cermat, dan tidak ceroboh dalam bertindak.
Algoritma yang akan digunakan penulis pada penelitian ini adalah algoritma
apriori. Algoritma apriori merupakan salah satu algoritma yang melakukan
pencarian frequent itemset dengan menggunakan teknik association rules. (Erwin,
2009). Kelebihan algoritma apriori adalah lebih sederhana dan dapat menangani
data yang besar dibandingkan dengan algoritma lain. Hal ini dapat mempengaruhi
banyaknya item yang diproses serta mudah dipahami struktur kerja dan
implementasinya (Pratama dkk., 2014). Keberhasilan penggunaan algoritma apriori
sudah terbukti yaitu pada penelitian yang dilakukan oleh Pratama dkk. (2014) dalam
menemukan hubungan data awal masuk mahasiswa dengan prestasi akademik.
Dengan melakukan analisis asosiasi terhadap nilai daya serap hasil Ujian
Nasional mata pelajaran Matematika SMA jurusan IPA, diharapkan dapat
ditemukan pola asosiasi antar indikator pencapaian kompetensi. Hasil analisis
tersebut nantinya dapat digunakan untuk mengetahui indikator pencapaian
kompetensi apa saja yang memiliki keterkaitan satu sama lain dan dapat
berpengaruh pada pemahaman siswa terhadap indikator pencapaian kompetensi
tersebut.
1.2. RUMUSAN MASALAH
1. Bagaimana menerapkan algoritma apriori untuk analisis daya serap hasil
Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah
Istimewa Yogyakarta?
2. Apakah dapat ditemukan pola asosiasi yang menarik dari data daya serap
hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di
1.3. TUJUAN PENELITIAN
Tujuan dari penelitian ini adalah menerapkan algoritma apriori pada data daya
serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah
Istimewa Yogyakarta untuk menemukan aturan asosiasi antar indikator pencapaian
kompetensi yang diujikan pada Ujian Nasional.
1.4. BATASAN MASALAH
Masalah dibatasi sebagai berikut :
a. Data yang digunakan adalah data daya serap hasil Ujian Nasional mata
pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta
tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun
pelajaran 2014/2015.
b. Data mata pelajaran yang diteliti hanya satu yaitu Matematika.
1.5. MANFAAT PENELITIAN
Penelitian ini diharapkan dapat memberikan manfaat yang berguna bagi
pihak-pihak dalam dunia pendidikan, terutama dinas pendidikan. Dinas pendidikan
dapat menggunakan penelitian ini sebagai salah satu bahan masukan pengambilan
kebijakan bagi perbaikan mutu suatu mata pelajaran.
1.6. METODOLOGI PENELITIAN
Metodologi penelitian yang digunakan dalam menyelesaikan tugas akhir ini
adalah sebagai berikut :
1.6.1. Penelitian Pustaka
Tahap ini merupakan proses mengumpulkan informasi berupa teori-teori
serta algoritma yang akan digunakan untuk melakukan teknik asosiasi dari berbagai
1.6.2. Knowledge Discovery in Database (KDD)
Pada tahap ini akan dilakukan proses KDD untuk mendapatkan suatu
informasi dari data daya serap hasil Ujian Nasional Mata Pelajaran Matematika
SMA jurusan IPA di Daerah Istimewa Yogyakarta. Proses KDD yang dilakukan
terdiri dari pembersihan data, integrasi data, seleksi data, transformasi data,
penambangan data, evaluasi pola, dan presentasi pengetahuan.
Dalam tahap penambangan data akan dibuat suatu perangkat lunak sebagai
alat uji dengan menggunakan metodologi waterfall. Secara garis besar metodologi
waterfall mempunyai tiga langkah utama yaitu analisa kebutuhan sistem, disain
sistem, pemrograman (code), dan pengujian (testing). Dari hasil pengujian yang
didapat akan dilakukan analisa untuk memperoleh informasi yang berguna dan
bermanfaat.
1.6.3. Pembuatan Laporan
Dari penelitian dan pengujian yang sudah dilakukan sebelumnya, hasil dari
penelitian dan pengujian tersebut akan diolah ke dalam sebuah laporan tugas akhir
agar dapat digunakan untuk kepentingan akademis.
1.7. SISTEMATIKA PENULISAN
1. BAB I : PENDAHULUAN
Bab pertama ini berisi latar belakang penelitian, rumusan masalah,
tujuan ponelitian, batasan masalah, manfaat penelitian, metodologi yang
digunakan dalam penelitian, dan sistematika penulisan tugas akhir.
2. BAB II : LANDASAN TEORI
Bab kedua ini akan menjelaskan mengenai teori yang berkaitan
dengan judul/masalah di tugas akhir. Teori tersebut terdiri dari
penambangan data, evaluasi hasil belajar, kompetensi, analisis asosiasi,
3. BAB III : METODOLOGI PENELITIAN
Bab ketiga ini akan menjelaskan gambaran umum penelitian, data,
spesifikasi alat, dan tahap-tahap penelitian.
4. BAB IV : PEMROSESAN AWAL DAN PERANCANGAN
PERANGKAT LUNAK PENAMBANGAN DATA
Bab keempat ini berisi pemrosesan awal dalam proses Knowledge
Discovery in Database (KDD) yaitu pembersihan data, integrasi data,
seleksi data, dan transformasi data. Selain itu bab ini juga akan berisi
perancangan perangkat lunak yang akan digunakan dalam tahap
penambangan data. Perancangan perangkat lunak tersebut terdiri dari
perancangan umum, diagram use case, diagram aktivitas, diagram kelas
analisis, diagram sekuen, diagram kelas disain, algoritma per method,
struktur data, dan perancangan antarmuka.
5. BAB V : IMPLEMENTASI PENAMBANGAN DATA DAN
EVALUASI HASIL
Bab kelima ini berisi implementasi rancangan perangkat lunak
penambangan data dan evaluasi hasil yang terdiri dari pengujian
perangkat lunak (black box), pengujian perbandingan hitung manual
dengan hasil sistem, pengujian efek perubahan nilai minimum support
dan nilai minimum confidence, pengujian dataset , evaluasi pola asosiasi,
dan kelebihan dan kekurangan sistem.
6. BAB VI : PENUTUP
Bab terakhir ini akan menjelaskan tentang kesimpulan umum yang
diperoleh dari pembuatan sistem serta rancangan pengembangan sistem
7 BAB II
LANDASAN TEORI
2.1. PENAMBANGAN DATA
2.1.1. Pengertian Penambangan Data
Penambangan data adalah proses menemukan informasi yang berguna dari
repositori data yang besar secara otomatis (Tan dkk., 2006). Penambangan data
berisi pencarian pola yang diinginkan di dalam basis data yang besar untuk
membantu pengambilan keputusan di waktu yang akan datang. Pola- pola ini
dikenali agar dapat memberikan suatu analisa data yang berguna untuk kemudian
dapat dipelajari dengan lebih teliti (Hermawati, 2013).
Tidak semua tugas dalam menemukan informasi dapat dikatakan sebagai
aktivitas penambangan data. Meskipun tugas-tugas tersebut penting dan mungkin
melibatkan penggunaan struktur data dan algoritma yang canggih, mereka
bergantung pada teknik ilmu komputer tradisional dan fitur data yang jelas. Hal ini
perlu dalam membuat struktur indeks untuk secara efisien megatur dan mengambil
informasi. Meski demikian, teknik penambangan data sudah digunakan dalam
meningkatkan sistem pencarian informasi (Tan dkk., 2006).
2.1.2. Fungsi Penambangan Data
Menurut Han dkk. (2006), fungsionalitas penambangan data digunakan
untuk menentukan jenis pola yang dapat ditemukan dalam tugas-tugas
penambangan data. Secara umum, tugas penambangan data dapat diklasifikasikan
ke dalam dua kategori: deskriptif dan prediktif. Tugas penambangan deskriptif
adalah mengkarakterisasi sifat umum dari data dalam basis data. Sedangkan tugas
penambangan prediksi adalah melakukan inferensi pada data saat ini untuk
membuat prediksi.
Fungsi penambangan data dan jenis pola yang dapat ditemukan, yaitu :
a. Konsep / Deskripsi Kelas: Karakterisasi dan Diskriminasi
Data dapat dikaitkan dengan kelas atau konsep. Deskripsi seperti
dapat diturunkan melalui karakterisasi data, dengan merangkum data dari
kelas yang diteliti (sering disebut kelas target) secara umum, atau
diskriminasi data, dengan perbandingan dari kelas target dengan satu atau
set kelas komparatif (sering disebut kelas kontras), atau keduanya
karakterisasi data dan diskriminasi.
b. Penambangan Kemunculan Pola, Asosiasi, dan Korelasi
Pola yang sering muncul (frequent) adalah pola yang sering terjadi
di data. Jenis pola yang dimaksud yaitu itemset, subsequences, dan
substructure. Sebuah itemset biasanya mengacu pada satu set item yang
muncul bersama-sama dalam satu set data transaksional. Sebuah
subsequence contohnya seperti pola pelanggan yang cenderung membeli
komputer, diikuti oleh kamera digital, dan kemudian kartu memori.
Sebuah substructure dapat merujuk ke bentuk struktural yang berbeda,
seperti grafik, tree, atau kisi, yang dapat dikombinasikan dengan itemset
atau subsequences. Substructure yang sering terjadi disebut pola
terstruktur. Penambangan pola mengarah pada penemuan asosiasi
menarik dan korelasi dalam data.
c. Klasifikasi dan Prediksi
Klasifikasi adalah proses menemukan model atau fungsi yang
menggambarkan dan membedakan kelas data atau konsep. Tujuannya
untuk memprediksi kelas dari objek yang label kelasnya tidak diketahui.
Prediksi digunakan untuk memprediksi hilang atau tidak tersedianya
data nilai numerik pada label kelas. Analisis regresi adalah metodologi
statistik yang paling sering digunakan untuk prediksi numerik. Prediksi
juga mencakup identifikasi tren distribusi berdasarkan data yang tersedia.
Klasifikasi dan prediksi mungkin perlu didahului dengan analisis
relevansi untuk mengidentifikasi atribut yang tidak memberikan
d. Analisis Klaster
Analisis klaster yaitu menemukan kumpulan objek hingga
objek-objek dalam satu kelompok sama (atau punya hubungan) dengan yang
lain dan berbeda (atau tidak berhubungan) dengan objek-objek dalam
kelompok lain. Tujuan dari analisis klaster adalah meminimalkan jarak
di dalam klaster dan memaksimalkan jarak antar klaster.
e. Analisis Outlier
Database mungkin berisi data objek yang tidak sesuai dengan
perilaku umum atau model data. Obyek data outlier. Sebagian besar
metode data mining membuang outlier sebagai noise atau pengecualian.
Namun, dalam beberapa aplikasi seperti deteksi penipuan, peristiwa
langka bisa lebih menarik daripada peristiwa yang sering terjadi. Outlier
dapat dideteksi menggunakan uji statistik yang mengasumsikan
distribusi atau model probabilitas data, atau menggunakan pendekatan
jarak di mana objek yang berbeda dari setiap klaster lainnya dianggap
outlier.
f. Analisis Evolution
Analisis evolusi menggambarkan data dan model keteraturan atau
tren untuk objek yang perilakunya berubah dari waktu ke waktu.
Meskipun termasuk dalam karakterisasi, diskriminasi, asosiasi dan
analisis korelasi, klasifikasi, prediksi, atau pengelompokan data, fitur
yang berbeda dari analisis tersebut meliputi analisis data time-series,
urutan atau periodisitas pencocokan pola, dan analisis data berbasis
2.1.3. Knowledge Discovery in Database (KDD)
Menurut Han dan Kamber (2006), penambangan data tidak dapat dipisahkan
dari proses knowledge discovery in database (KDD). Proses KDD merupakan
sebuah proses mengubah data mentah menjadi suatu informasi yang berguna.
Illustrasi proses KDD dapat dilihat pada gambar 2.1.
Gambar 2.1 Tahap-tahap di dalam proses Knowledge Discovery in Database
Knowledge discovery sebagai suatu proses digambarkan dalam Gambar 2.1
dan terdiri dari urutan berulang dari langkah-langkah berikut:
1. Pembersihan Data (Data Cleaningi)
Tahap ini merupakan proses menghilangkan data yang tidak
dibutuhkan (noise) dan data yang tidak konsisten
2. Integrasi Data (Data Integration)
Tahap ini merupakan proses menggabungkan bermacam-macam
data dari berbagai sumber.
3. Seleksi Data (Data Selection)
Tahap ini merupakan proses menganalisis data yang relavan dari
dalam database.
4. Transformasi Data (Data Transformation)
Tahap ini merupakan proses data diubah (transformasi) atau
digabungkan sehingga menjadi tepat untuk dilakukan penambangan data.
5. Penambangan Data (Data Mining)
Tahap ini merupakan proses penting dimana metode cerdas
dilakukan untuk menggali pola dari data.
6. Evaluasi Pola (Pattern Evaluation)
Tahap ini merupakan proses untuk mengidentifikasi pola-pola yang
benar-benar menarik yang mewakili pengetahuan berdasarkan beberapa
langkah penting.
7. Presentasi Pengetahuan (Knowledge Presentation)
Tahap ini merupakan proses teknik visualisasi dan representasi
pengetahuan digunakan untuk menyajikan pengetahuan hasil
2.2. Evaluasi Hasil Belajar
2.2.1. Prinsip-prinsip Dasar Evaluasi Hasil Belajar
Menurut Hamzah (2014), evaluasi hasil belajar dapat dikatakan terlaksana
dengan baik apabila dalam pelaksaannya senantiasa berpegang pada tiga prinsip
dasar, yaitu Prinsip Keseluruhan, Prinsip Kesinambungan, dan Prinsip
Obyektivitas.
Prinsip keseluruhan atau prinsip menyeluruh juga dikenal dengan istilah
prinsip komprehensif (comprehensive). Dengan prinsip komprehensif dimaksudkan
di sini bahwa evaluasi hasil belajar dapat dikatakan terlaksana dengan baik apabila
evaluasi tersebut dilaksanakan secara bulat, utuh atau menyeluruh. Dengan
melakukan evaluasi hasil belajar secara bulat, utuh menyeluruh akan diperoleh
bahan-bahan keterangan dan informasi yang lengkap mengenai keadaan dan
perkembangan subjek didik yang seang dijadikan sasaran evaluasi.
Prinsip kesinambungan juga dikenal dengan istilah prinsip kontinuitas
(continuity). Dengan prinsip kesinambungan dimasksudkan disini bahwa evaluasi
hasil belajar yang baik adalah evaluasi hasil belajar yang dilaksanakan secara
teratur dan sambung-menyambung dari waktu ke waktu. Dengan evaluasi hasil
belajar yang dilaksanakan secara teratur, terencana dan terjadwal itu maka
dimungkinkan bagi evaluator untuk memperoleh informasi yang dapat memberikan
gambaran mengenai kemajuan atau perkembangan peserta didik, sejak dari awal
mula mengikuti program pendidikan sampai saat-saat mereka mengakhiri program
pendidikan yang mereka tempuh.
Prinsip Obyektivitas (objectivity) mengandung makna, bahwa evaluasi hasil
belajar dapat dinyatakan sebagai evaluasi yang baik apabila dapat terlepas dari
faktor-faktor yang sifatnya subyektif. Sehubung dengan itu, dalam pelaksanaan
evaluasi hasil belajar, seorang evaluator harus senantiasa berpikir dan bertindak
wajar, menurut keadaan yang senyatanya, tidak dicampuri oleh
kepentingan-kepentingan yang bersifat subyektif. Prinsip ini sangat penting, sebab apabila dalam
melakukan evaluasi terdapat unsur-unsur subyektif, maka akan menodai kemurnian
2.2.2. Ketuntasan Belajar
Menurut Hamzah (2014), tindak lanjut dari evaluasi hasil belajar
selanjutnya adalah untuk menentukan belajar siswa. Sebelum guru menyusun
rancangan pembelajaran setiap guru harus menyusun program semester dan
program tahunan yaitu menyusun pengalaman belajar apakah yang harus dia
berikan kepada siswa dalam satu semester serta satu tahun agar dicapainya standar
kompetensi dan kompetensi dasar yang sudah ditemtukan (Setiawan, dalam
Hamzah. 2014).
Menurut Rubiatin (2010), dalam proses pembelajaran guru tentu melakukan
penilaian dan akan lebih baik bila sekaligus menganalisis hasilnya. Kriteria dalam
membuat penentuan pencapaian hasil belajar siswa adalah sebagai berikut :
1. Daya Serap Siswa
Untuk mengetahui daya serap siswa dari hasil belajarnya digunakan
analisis dengan menggunakan interval daya serap siswa pada tabel 2.1.
Tabel 2.1 Interval Daya Serap Siswa
No. Interval Kategori
1 0% - 39% Sangat Rendah
2 40% - 59% Rendah
3 60% - 74% Sedang
4 75% - 84% Tinggi
5 85% - 100% Sangat Tinggi
Rumus untuk menghitung nilai daya serap sebagai berikut :
2. Ketuntasan Individu
Seorang siswa dikatakan tuntas dalam belajar apabila mencapai daya
serap minimal 75% terhadap pemahaman materi yang dipelajari
berdasarkan tolak ukur kriteria ketuntasan minimal (KKM).
3. Ketuntasan Klasikal
Ketuntasan belajar secara klasikal menurut Yamin (2008) adalah
suatu kelas telah tuntas belajar jika sekurang-kurangnya 85% dari siswa
tuntas belajar. Ketuntasan belajar secara klasikal dapat dihitung dengan
menggunakan rumus :
% = ×
Dimana :
KK = Persentase ketuntasan klasikal
JTS = Jumlah siswa yang tuntas dalam kelas sesuai KKM
JS = Jumlah seluruh siswa dalam kelas perlakuan
2.2.3. Makna dan Manfaat Evaluasi Hasil Belajar
Dalam dunia pendidikan, khususnya persekolahan, penilaian mempunyai
beberapa makna ditinjau dari berbagai segi (Arikunto, 2005). Berikut ini penjelasan
mengenai makna-makna penilaian tersebut.
2.2.3.1. Makna Bagi Siswa
Dengan penilaian, siswa dapat mengetahui sejauh mana keberhasilannya
mengikuti pelajaran yang diberikan oleh guru. Terdapat dua kemungkinan hasil
yang diperoleh siswa dari pekerjaan menilai ini.
Pertama, memuaskan. Jika siswa memperoleh hasil yang memuaskan dan
hal itu menyenangkan, tentu hal itu ingin diperolehnya lagi pada kesempatan lain.
Akibatnya, siswa mempunyai motivasi cukup besar untuk belajar lebih giat agar
mendapat hasil yang lebih memuaskan. Keadaan sebaliknya dapat terjadi, yakni
siswa mudah merasa puas dengan hasil yang diperoleh dan usahanya kurang gigih
pada lain waktu.
Kedua, tidak memuaskan. Jika siswa tidak puas dengan hasil yang
diperolehnya, ia akan berusaha agar lain waktu keadaan itu tidak terulang lagi. Lalu,
ia belajar lebih giat. Namun, keadaan bisa sebaliknya. Ada beberapa siswa yang
lemah kemauannya, dan menjadi putus asa dengan hasil kurang memuaskan yang
diperolehnya.
2.2.3.2. Makna Bagi Guru
Berikut beberapa makna evaluasi bagi guru:
1. Dengan hasil penilaian yang diperoleh, guru mengetahui para siswa
yang berhak melanjutkan pelajaraanya karena berhasil menguasai
bahan maupun yang belum berhasil menguasai bahan. Dengan petunjuk
ini, guru dapat lebih memusatkan perhatiannya kepada siswa yang
belum berhasil.
2. Guru mengetahui materi yang tepat diajarkan bagi siswa, sehingga tidak
perlu lagi diadakan perubahan untuk memberikan pengajaran di waktu
yang akan datang.
3. Guru mengetahui metode yang digunakan sudah tepat atau belum. Jika
sebagian besar siswa memperoleh angka rendah pada penilaian, bisa
jadi disebabkan oleh pendekatan atau metode yang kurang tepat. Jika
demikian, guru harus mawas diri dan mencoba mencari metode lain
dalam mengajar.
2.2.3.3. Manfaat Bagi Sekolah
Berikut manfaat evaluasi bagi sekolah:
1. Apabila para guru mengadakan penilaian dan diketahui hasil belajar
para siswanya, dapat diketahui pola kondisi belajar yang diciptakan
oleh sekolah yang sesuai dengan harapan atau belum. Hasil belajar
2. Informasi dari guru tentang tepat atau tidaknya kurikulum untuk
sekolah itu merupakan bahan pertimbangan bagi perencanaan sekolah
untuk masa yang akan datang.
3. Informasi hasil penilaian yang diperoleh dari tahun ke tahun dapat
digunakan sebagai pedoman sekolah mengenai proses penilaian yang
dilakukan oleh sekolah sudah memenuhi standar atau belum.
2.3. Kompetensi
2.3.1. Pengertian Kompetensi
Menurut Mulyasa (2006) kompetensi merupakan perpaduan dari
pengetahuan, keterampilan, nilai dan sikap yang direfleksikan dalam kebiasaan
berpikir dan bertindak. Sedangkan menurut McAshan (1981) kompetensi adalah
pengetahuan, keterampilan, dan kemampuan yang dikuasai oleh seseorang yang
telah menjadi bagian dari dirinya, sehingga dapat melakukan perilaku-perilaku
kognitif, afektif, dan psikomotorik dengan sebaik-baiknya.
Hal tersebut menunjukkan bahwa kompetensi mencakup tugas,
keterampilan, sikap, dan apresiasi yang harus dimiliki oleh peserta didik untuk
dapat melaksanakan tugas-tugas pembelajaran sesuai dengan jenis pekerjaan
tertentu. Dengan demikian terdapat hubungan antara tugas-tugas yang dipelajari
peserta didik di sekolah dengan kemampuan yang diperlukan oleh dunia kerja.
Kompetensi yang harus dikuasai peserta didik perlu dinyatakan sedemikian
rupa agar dapat dinilai, sebagai wujud hasil belajar peserta didik yang mengacu
pada pengalaman langsung. Peserta didik perlu mengetahui tujuan belajar, dan
tingkat-tingkat penguasaan yang akan digunakan sebagai kriteria pencapaian secara
eksplisit, dikembangan berdasarkan tujuan-tujuan yang telah ditetapkan, dan
memiliki kontribusi terhadap kompetensi yang sedang dipelajari. Penilaian
terhadap pencapaian kompetensi perlu dilakukan secara objektif, berdasarkan
kinerja peserta didik, dengan bukti penguasaan mereka terhadap pengetahuan,
keterampilan, nilai dan sikap sebagai hasil belajar. Dengan demikian dalam
pembelajaran yang dirancang berdasarkan kompetensi, penilaian tidak dilakukan
2.3.2. Ranah Kompetensi
Gordon (1988) menjelaskan beberapa aspek atau ranah yang terkandung
dalam konsep kompetensi sebagai berikut:
1. Pengetahuan (knowledge) yaitu kesadaran dalam bidang kognitif.
2. Pemahaman (understanding) yaitu kedalaman kognitif, dan afektif yang
dimiliki oleh individu.
3. Kemampuan (skill) adalah sesuatu yang dimiliki individu untuk
melakukan tugas atau pekerjaan yang dibebankan kepadanya.
4. Nilai (value) adalah suatu standar perilaku yang telah diyakini dan secara
psikologis telah menyatu dalam diri seseorang.
5. Sikap (attitude) yaitu perasaan (senang-tidak senang, suka-tidak suka)
atau reaksi terhadapa suatu rangsangan yang datang dari luar.
6. Minat (interest) adalah kecenderungan seseorang untuk melakukan suatu
perbuatan.
2.4. Analisis Asosiasi
2.4.1. Pengertian Analisis Asosiasi
Analisis asosiasi adalah teknik penambangan data untuk menemukan aturan
assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari analisa
pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar
kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan
pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan
barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon
untuk kombinasi barang tertentu. Karena analisis asosiasi menjadi terkenal karena
aplikasinya untuk menganalisis isi kerangjang belanja di pasar swalayan, analisis
… (2.3)
… (2.4)
2.4.2. Association Rule
Menurut Tan dkk. (2006) association rule merupakan sebuah ekspresi
implikasi yang berbentuk → , dimana dan merupakan disjoint itemset
= ∅. Dalam association rule, dapat dihitung support dan confidence.
Support menyatakan seberapa sering aturan digunakan pada dataset yang diberikan. Confidence menyatakan seberapa sering item-item dalam muncul dalam transaksi
yang berisi . Secara formal, rumus minimum support (rumus 2.2) dan rumus
minimum confidence (rumus 2.3) dapat dinyatakan dengan persamaan sebagai
berikut ini:
, → =� �
� , → =��
Support merupakan ukuran penting karena aturan yang memiliki support
yang sangat rendah dapat terjadi hanya secara kebetulan. Support sering digunakan
untuk menghilangkan aturan tidak menarik. Support juga memiliki properti yang
diinginkan yang dapat dimanfaatkan untuk penemuan efisien aturan asosiasi.
Confidence digunakan untuk mengukur keandalan kesimpulan yang dibuat
oleh aturan. Untuk aturan → , semakin tinggi confidence, semakin besar
kemungkinan terdapat di dalam transaksi yang mengandung . confidence juga
memberikan perkiraan probabilitas bersyarat dari pada .
Permasalahan mendasar dalam association rules dibagi menjadi dua, yaitu:
1. Menemukan seluruh itemset yang memiliki support ≥ minsup. Itemset
yang memiliki support lebih besar atau sama dengan minsup disebut
dengan large itemset (l-itemset), sedangkan itemset yang memiliki
support lebih kecil dari minsup disebut dengan small itemset.
2. Menggunakan large itemset untuk menghasilkan aturan asosiasi yang
… (2.5)
… (2.6)
Untuk setiap large itemset l, harus dapat ditemukan seluruh subset yang
tidak kosong dari l. untuk setiap subset a, akan memperoleh keluaran sebuah aturan
dalam bentuk ⇒ − , jika perbandingan � � _
� � _� paling sedikit lebih besar
dari minconf (Nurdiyanto, 2009).
2.4.3. Lift Ratio
Menurut Ammirudin (2010), Banyaknya aturan asosiasi yang dihasilkan
memberikan banyak kemungkinan untuk melihat pola-pola yang muncul. Sehingga
memberikan berbagai kemungkinan yang dapat dijadikan sebagai dasar untuk
membuat keputusan. Tidak semua aturan asosiasi yang ditemukan diinterpretasi.
Aturan asosiasi yang diinterpretasi adalag aturan-aturan yang memiliki nilai lift
ratio yang tinggi (alasan obyektif) dan aturan yang memiliki relevansi dengan
kebutuhan (alasan subyektif).
Lift ratio merupakan sebuah angka ratio yang menunjukkan berapa banyak
kemungkinan menemukan sebuah transaksi muncul bersama dengan transaksi
lainnya dibandingkan dengan kejadian adanya transaksi yang terpenuhi.
Lift ratio menunjukkan adanya tingkat kekuatan aturan asosiasi atas kejadia
acak dari antecedent dan consequent berdasarkan pada support-nya
masing-masing. Hal ini akan memberikan informasi tentang perbaikan dan peningkatan
probabilitas dari consequent berdasarkan antecedent. Lift ratio didefinisikan
sebagai berikut :
� � = � �
Dimana, expected confidence = (jumlah transaksi memiliki item
consequent) / (total jumlah transaksi). Atau dengan cara :
Ketika nilai lift ratio sama dengan 1 maka A dan B adalah independen
karena Pr(A|C) = Pr(C). Ketika probabilitas C terjadi dipengaruhi oleh terjadinya
A maka nilai lift ratio lebih besar dari 1. Ketetapan nilai lift ratio adalah apabila
hasil perhitungan berada di bawah 1, maka item-item tersebut tidak menunjukkan
adanya saling keterkaitan antara antecedent dengan consequent.
2.5. Algoritma Apriori
2.5.1. Pengertian Algoritma Apriori
Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian
frequent itemset dengan menggunakan teknik association rule (Erwin, 2009).
Algoritma Apriori menggunakan pengetahuan frekuensi atribut yang telah
diketahui sebelumnya untuk memproses informasi selanjutnya. Pada algoritma
Apriori menentukan kandidat yang mungkin muncul dengan cara memperhatikan
minimum support dan minimum confidence (Pratama, 2014).
2.5.2. Prinsip Apriori
Menurut Tan dkk. (2006) jika sebuah itemset merupakan frequent, maka
semua himpunan bagian juga frequent. Untuk mengilustrasikan ide di balik prinsip
apriori, pada gambar 2.2, diasumsikan { , , } adalah frequent itemset. Semua
transaksi yang mengandung { , , } harus juga mengandung subsets-nya, { , },
{ , }, { , }, { , , }, { }, { }, dan { }. Kesimpulannya, jika { , , } adalah
Gambar 2.2 Illustrasi prinsip apriori, jika {c,d,e} frequent, maka semua subset
pada itemset tersebut juga frequent (Tan dkk., 2006)
Sebaliknya, pada gambar 2.3, jika sebuah itemset seperti { , } adalah
infrequent, maka semua supersets-nya pasti infrequent juga.
Gambar 2.3 Illustrasi prinsip apriori, jika {a,b} infrequent, maka semua superset
2.5.3. Algoritma Apriori
Pseudocode untuk frequent itemset generation yang merupakan bagian dari
algoritma apriori, sebagai berikut: ( menunjukkan himpunan semua kandidat
k-itemset dan menunjukkan himpunan frequent k-itemsets) (Tan dkk., 2006)
1) = .
2) = {�|� ∈ ∧ � {�} ≥ � × � }.
/* find all frequent 1-itemset */
3) � �
4) = + .
5) = � � −1 .
/* Generate candidate itemsets */
6) � ℎ � ∈
7) = , .
/* Identify all candidate that belong to f */
8) � ℎ � � ∈
9) � = � + .
10) end for
11) end for
12) = { | ∈ ∧ � { } ≥ � × � }.
/* Extract the frequent k-itemsets */
13) � = ∅
14) = ⋃ .
Pseudocode tersebut dapat dijelaskan sebagai berikut:
1. Untuk menghitung support dari candidates, algoritma tersebut perlu
membuat tambahan pass over data set (langkah 6-10). Fungsi subset
adalah digunakan untuk menentukan seluruh kandidat itemsets di yang
2. Setelah menghitung support-nya, algoritma mengeliminasi semua
kandidat itemsets yang memiliki jumlah support kurang dari minsup
(langkah 12).
3. Algoritma berhenti kerika tidak ada lagi frequent itemsets baru.
Suatu algoritma tentunya memiliki kelebihan dan kekurangannya
masing-masing. Berikut adalah kelebihan dan kekurangan algoritma apriori:
1. Kelebihan dari algoritma apriori ini adalah lebih sederhana dan dapat
menangani data yang besar. Sedangkan algoritma lainnya memiliki
kelemahan dalam penggunaan memori saat jumlah data besar, tentunya
berpengaruh terhadap banyaknya item yang diproses serta mudah di
pahami struktur kerja dan implementasinya.
2. Apriori memiliki kelemahan karena harus melakukan scan database
setiap kali iterasi, sehingga waktu yang diperlukan bertambah dengan
24 BAB III
METODOLOGI PENELITIAN
3.1. SUMBER DATA
Data yang digunakan untuk penelitian ini berupa file yang memiliki ekstensi
.xls yang diperoleh dari situs milik Kementrian Pendidikan dan Kebudayaan yang
dapat diakses melalui alamat http://litbang.kemdikbud.go.id/.
Data sumber merupakan data daya serap indikator pencapaian kompetensi
dari mata pelajaran yang diujikan dalam Ujian Nasional SMA di Daerah Istimewa
Yogyakarta tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun
pelajaran 2014/2015. Pada penelitian ini data yang digunakan hanya data mata
pelajaran Matematika. Contoh data mentah dari daya serap mata pelajaran
Matematika yang akan diolah terlampir pada lampiran 1.
Atribut yang terdapat pada data daya serap mata pelajaran Matematika tahun
pelajaran 2012/2013 dan tahun pelajaran 2013/2014 dijelaskan pada tabel 3.1.
Tabel 3.1 Tabel Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional
Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran
2012/2013 dan Tahun Pelajaran 2013/2014
Kode Atribut Nama Atribut
KODE_SEKOLAH Kode Sekolah
NAMA_SEKOLAH Nama Sekolah
JNS_SEK Jenis Sekolah (SMA/MA)
STS_SEK Status Sekolah (Negeri/Swasta)
MAT1 Menentukan bayangan titik atau kurva karena dua
transformasi atau lebih.
MAT2 Menentukan ingkaran atau kesetaraan dari pernyataan
majemuk atau pernyataan berkuantor.
MAT3 Menentukan integral tak tentu dan integral tentu fungsi
MAT4 Menentukan penarikan kesimpulan dari beberapa premis.
MAT5 Menentukan penyelesaian pertidaksamaan eksponen
atau logaritma.
MAT6 Menentukan persamaan lingkaran atau garis singgung
lingkaran.
MAT7 Menggunakan aturan pangkat, akar, dan logaritma.
MAT8 Menggunakan rumus jumlah dan hasil kali akar-akar
persamaan kuadrat.
MAT9 Menghitung jarak dan sudut antara dua objek (titik,
garis dan bidang) di ruang dimensi tiga.
MAT10 Menghitung luas daerah dan volume benda putar dengan
menggunakan integral.
MAT11 Menghitung nilai limit fungsi aljabar dan fungsi
trigonometri.
MAT12 Menghitung ukuran pemusatan atau ukuran letak dari
data dalam bentuk tabel, diagram atau grafik.
MAT13 Menyelesaikan masalah deret aritmetika.
MAT14 Menyelesaikan masalah deret geometri.
MAT15 Menyelesaikan masalah geometri dengan menggunakan
aturan sinus atau kosinus.
MAT16 Menyelesaikan masalah persamaan atau fungsi kuadrat
dengan menggunakan diskriminan.
MAT17 Menyelesaikan masalah program linear.
MAT18
Menyelesaikan masalah sehari-hari dengan
menggunakan kaidah pencacahan, permutasi atau
kombinasi.
MAT19 Menyelesaikan masalah sehari-hari yang berkaitan
MAT20
Menyelesaikan masalah yang berkaitan dengan besar
sudut atau nilai perbandingan trigonometri sudut antara
dua vektor.
MAT21
Menyelesaikan masalah yang berkaitan dengan nilai
perbandingan trigonometri yang menggunakan
rumusjumlah dan selisih sinus, kosinus dan tangen
sertajumlah dan selisih dua sudut.
MAT22 Menyelesaikan masalah yang berkaitan dengan fungsi
eksponen atau fungsi logaritma.
MAT23 Menyelesaikan masalah yang berkaitan dengan
komposisi dua fungsi atau fungsi invers.
MAT24 Menyelesaikan masalah yang berkaitan dengan panjang
proyeksi atau vektor proyeksi.
MAT25 Menyelesaikan masalah yang berkaitan dengan peluang
suatu kejadian.
MAT26 Menyelesaikan masalah yang berkaitan dengan teorema
sisa atau teorema faktor.
MAT27 Menyelesaikan operasi aljabar beberapa vektordengan
syarat tertentu.
MAT28 Menyelesaikan operasi matriks.
MAT29 Menyelesaikan persamaan trigonometri.
MAT30 Menyelesaikan soal aplikasi turunan fungsi.
Atribut yang terdapat pada data daya serap mata pelajaran Matematika tahun
pelajaran 2014/2015 memiliki kode atribut yang sama dengan data daya serap mata
pleajaran Matematika tahun pelajaran 2012/2013 dan gtahun pelajaran 2013/2014.
Namun terdapat perbedaan pada nama atribut dan jumlah atribut. Atribut data daya
serap mata pelajaran Matematika tahun pelajaran 2014/2015 dijelaskan pada tabel
Tabel 3.2 Tabel Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional
Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran
2014/2015
Kode Atribut Nama Atribut
KODE_SEKOLAH Kode Sekolah
NAMA_SEKOLAH Nama Sekolah
JNS_SEK Jenis Sekolah (SMA/MA)
STS_SEK Status Sekolah (Negeri/Swasta)
MAT1 Menentukan bayangan titik atau kurva karena dua
transformasi atau lebih.
MAT2 Menentukan ingkaran atau kesetaraan dari pernyataan
majemuk atau pernyataan berkuantor.
MAT3 Menentukan integral tak tentu dan integral tentufungsi
aljabar dan fungsi trigonometri.
MAT4 Menentukan penarikan kesimpulan dari beberapa
premis.
MAT5 Menentukan penyelesaian pertidaksamaan eksponen
atau logaritma.
MAT6 Menentukan persamaan lingkaran atau garis singgung
lingkaran.
MAT7 Menggunakan aturan pangkat, akar, dan logaritma.
MAT8 Menggunakan rumus jumlah dan hasil kali akar-akar
persamaan kuadrat.
MAT9 Menghitung jarak dan sudut antara dua objek (titik,
garis dan bidang) di ruang dimensi tiga.
MAT10 Menghitung luas daerah dan volume benda putar dengan
menggunakan integral.
MAT11 Menghitung nilai limit fungsi aljabar dan fungsi
MAT12 Menghitung ukuran pemusatan atau ukuran letak dari data dalam bentuk tabel, diagram atau grafik.
MAT13 Menyelesaikan masalah deret aritmetika.
MAT14 Menyelesaikan masalah deret geometri.
MAT15 Menyelesaikan masalah geometri dengan menggunakan
aturan sinus atau kosinus.
MAT16 Menyelesaikan masalah persamaan atau fungsi kuadrat
dengan menggunakan diskriminan.
MAT17 Menyelesaikan masalah program linear.
MAT18
Menyelesaikan masalah sehari-hari dengan
menggunakan kaidah pencacahan, permutasi atau
kombinasi.
MAT19 Menyelesaikan masalah sehari-hari yang berkaitan
dengan sistem persamaan linear.
MAT20
Menyelesaikan masalah yang berkaitan dengan besar
sudut atau nilai perbandingan trigonometri sudut antara
dua vektor.
MAT21
Menyelesaikan masalah yang berkaitan dengan nilai
perbandingan trigonometri yang menggunakan rumus
jumlah dan selisih sinus, kosinus dan tangen serta
jumlah dan selisih dua sudut.
MAT22 Menyelesaikan masalah yang berkaitan dengan fungsi
eksponen atau fungsi logaritma.
MAT23 Menyelesaikan masalah yang berkaitan dengan
komposisi dua fungsi atau fungsi invers.
MAT24 Menyelesaikan masalah yang berkaitan dengan panjang
proyeksi atau vektor proyeksi.
MAT25 Menyelesaikan masalah yang berkaitan dengan peluang
MAT26 Menyelesaikan masalah yang berkaitan dengan teorema sisa atau teorema faktor.
MAT27 Menyelesaikan operasi aljabar beberapa vektor dengan
syarat tertentu.
MAT28 Menyelesaikan operasi matriks.
MAT29 Menyelesaikan persamaan trigonometri.
3.2. SPESIFIKASI ALAT
3.3.1. Hardware
1. Prosesor : Intel Core i3-2350M 2.3GHz
2. Memori : 4 GB
3. Graphic Card : Nvidia Geforce 610M 2GB
4. Storage : 500 GB
3.3.2. Software:
1. IDE Netbeans 8.0.2
Sebagai IDE (Integrated Development Environment) untuk membuat
atau mengembangkan perangkat lunak (software).
2. MySQL Database
Sebagai aplikasi untuk membuat rancangan basis data.
3.3. TAHAP-TAHAP PENELITIAN
3.4.1. Studi Kasus
Ujian Nasional merupakan salah satu sistem evaluasi standar pendidikan
yang ada di Indonesia. Dengan adanya Ujian Nasional ini dapat diketahui sejauh
mana mutu pendidikan di Indonesia. Untuk meningkatkan mutu pendidikan
tersebut dapat dilakukan evaluasi berdasarkan hasil Ujian Nasional. Untuk lebih
detail dalam melakukan evaluasi, maka digunakanlah nilai daya serap yang terdiri
dari beberapa kompetensi dalam tiap mata pelajaran.
Penelitian ini dilakukan berdasarkan masih rendahnya daya serap siswa