Implementasi Data Mining Untuk Memprediksi Kelulusan Mahasiswa Menggunakan Algoritma Naive Bayes Classifier Studi Kasus: Poltekkes Kemenkes RI Medan

(1)

Implementasi Data Mining Untuk Memprediksi Kelulusan Mahasiswa

Menggunakan Algoritma Naive Bayes Classifier Studi Kasus: Poltekkes Kemenkes RI Medan

Rolando Marbun

Program Studi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia Jalan Sisingamangaraja No. 338 Medan, Indonesia

Abstrak

Pada penelitian ini, prediksi kelulusan mahasiswa pada Poltekkes Kemenkes RI Medan dapat dilihat dari ketepatan dalam menyelesaikan studinya. Hal tersebut dapat dilihat pada tingkat akhir/ tingkat 3 atau semester 6. Prediksi kelulusan mahasiswa ini dapat diselesaikan dengan dilihat dari sampel data mahasiswa, atribut-atribut yang ditentukan dan hasil akhir berdasarkan dari Indeks Prestasi Komulatif (IPK). Untuk membantu bagian prodi dalam pencarian data mahasiswa lulus tepat waktu atau lulus tidak tepat waktu. Penelitian ini menggunakan metode Naive bayes Classifier yang merupakan sebuah pengklasifikasian probabilitas sederhana dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset mahasiswa yang akan diberikan, serta algoritma menggunakan teorema bayes dan mengaasumsikan atribut yang telah disesuaikan. Maka dari itu dirancanglah sebuah aplikasi menggunakan WEKA (Waikato Environment for Knowledge Analysis).

Kata Kunci: Prediksi, Kelulusan, Mahasiswa,Naïve Bayes Classifieer, WEKA.

Abstract

In this study, the prediction of student graduation at the Polytechnic of the Republic of Indonesia Ministry of Health can be seen from the accuracy in completing his studies. This can be seen at the final level / level 3 or semester 6. Prediction of graduation of these students can be completed by looking at the student data sample, the attributes that are determined and the final results based on the cumulative achievement index (GPA). To help the study program section in the search for data students graduate on time or not on time. T his study uses the Naive Bayes Classifier method which is a simple probability classification by adding up the frequency and combination of values from the student dataset to be given, as well as the algorithm using the Bayes theorem and assuming adjusted attributes. Therefore an application was designed using WEKA (Waikato Environment for Knowledge Analysis).

Keywords: Prediction, Graduation, Students, Naïve Bayes Classifieer, WEKA..

1. PENDAHULUAN

Dalam sebuah instansi pendidikan lanjutan seperti Poltekkes Kemenkes RI Medan, mahasiswa merupakan salah satu aspek penting dalam mengevaluasi keberhasilan dari hasil penyelenggaraan program pendidikan. Pemantauan mahasiswa yang masuk, peningkatan kemampuan mahasiswa, prestasi yang harus dicapai, rasio total (perbandingan) dengan jumlah kelulusan mahasiswa sangat perlu dilakukan dalam perguruan tinggi yang merupakan proses untuk mengetahui tingkat keberhasilan mahasiswa tersebut.

Salah satu misi Poltekkes Kemenkes RI Medan adalah “meningkatkan kualitas pendidikan untuk menghasilkan Lulusan Kompetitif Nasional” yang terkait langsung dengan kemampuan mahasiswa dan memiliki aspek penting dalam menentukan hasil dari penyelenggara program studi di perguruan tinggi tersebut. Salah satu indikator keberhasilan suatu perguruan tinggi tersebut dapat dilihat dari banyaknya tingkat kelulusan mahasiswa.

Berdasarkan hasil pengamatan penulis, dapat diketahui pada Poltekkes Kemenkes RI Medan di tingkat 3 atau semester 6 ditemukan beberapa kendala dalam memprediksi kelulusan mahasiswa, antara lain ketidaktepatan waktu lulusan mahasiswa, dengan waktu masuk mahasiswa. Kendala lain yang sering terjadi yaitu, ketidakserasian rasio jumlah mahasiswa dengan jumlah lulusan setiap tahunnya.

Dari beberapa masalah di atas, penulis akan menganalisa untuk menentukan hasil uji coba kelulusan tepat waktu atau tidak berdasarkan dengan menggunakan teknik data mining dengan algoritma Naive Bayes Classifier sehingga dapat disimpulkan bahwa atribut yang signifikan dalam memprediksi kelulusan secara umum adalah Indeks Prestasi Komulatif (IPK), serta dilakukan uji coba penerapan algoritma Naive Bayes Classifier dengan beberapa atribut seperti, nama, NIM, jenis kelamin, dan indeks prestasi semester 1 sampai dengan semester 6 (ajaran tahun 2013-2016) dan Indeks Prestasi Komulatif (IPK) yang dapat meningkatkan akurasi. Data mining adalah proses menentukan hubungan dalam data yang tidak diketahui oleh pengguna dan menyajikan dengan cara yang dipahami sehingga hubungan tersebut menjadi dasar pengambilan keputusan. Algoritma Naive Bayes Classifier merupakan sebuah pengklasifikasian probabilitas sederhana yang mengaplikasikan Teorema Bayes.

2. LANDASAN TEORI

2.1 Data Mining

Data mining merupakan proses pengekstraksian informasi dari sekumpulan data yang sangat besar melalui penggunaan algoritma dan teknik penarikan dalam bidang statistik, pembelajaran mesin dan sistem manajemen basis data. Data mining adalah proses menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi informasi-informasi penting yang dapat dipakai untuk meningkatkan keuntungan, memperkecil biaya pengeluaran, atau bahkan keduanya.

(2)

2.2 Naive Bayes Classifier

Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Algoritma mengunakan teorema Bayes dan mengasumsikan semua atribut independen atau tidak saling ketergantungan yang diberikan oleh nilai pada variabel kelas.

Definisi lain mengatakan Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya.

Adapun langkah-langkah metode Naive Bayes Cllaifier diselesaikan sebagai berikut:

1. Data mahasiswa

2. Hitung Jumlah dan probabilitasnya, namun apabila data numerik maka:

a. Cari nilai mean dan standar deviasi dari masing-masing parameter yang merupakan data numerik. Adapun persamaan yang digunakan untuk menghitung nilai rata–rata IPK mahasiswa (mean) dapat dilihat sebagai berikut :

di mana :

μ : rata – rata hitung (mean) xi : nilai sample ke -i n : jumlah sampel

b. Cari nilai probabilistik dengan cara menghitung jumlah data IPK mahasiswa yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.

3. Mendapatkan nilai dalam tabel mean, standard deviasi dan probabilitas.

4. Solusi kemudian dihasilkan.

3. ANALISA DAN PEMBAHASAN

Dalam sebuah instansi pendidikan, sangatlah perlu untuk menentukan hasil dari prediksi kelulusan tepat waktu atau tidak tepat waktu. Hasil dari prediksi tersebut dapat dilakukan dengan mengunakan atribut-atribut seperti nama, NIM, jenis kelamin, dan Indeks Prestasi Komulatif (IPK). Oleh karena itu, diperlukan pengolahan data lebih lanjut untuk menentukan informasi/pengetahuan baru yang berguna untuk membantu dalam pengambilan sebuah keputusan. Implementasi data mining yang penulis gunakan adalah algoritma Naive Bayes Classifier, dan untuk menyelesaikan permasalahan tersebut, dengan menjumlahkan data-data nilai semester 1 sampai semester 6. Data yang akan digunakan adalah data mahasiswa pada Poltekkes Kemenkes RI Medan. Adapun proses data antara lain:

1. Seleksi data

Untuk memilih data yang akan digunakan dalam penelitian ini, yaitu data mahasiswa pada Poltekkes Kemenkes RI Medan. Yang meliputi:

a. Atribut mahasiswa

b. Nilai semester 1 sampai semester 6 (IPK) Tahun ajaran 2013-2016 2. Transformasi Data

Data tersebut digunakan kedalam format yang disesuaikan untuk dianalisis yang akan diproses menggunakan Naive Bayes Classifier

Data training yang digunakan pada penelitian ini diambil dari data lulusan tahun 2013-2016 sebanyak 20 data mahasiwa, yaitu sebagai berikut:

Tabel 1. Sampel Data Mahasiswa Poltekkes Kemenkes RI Medan

Nama NIM J

K

NILAI IP

IPK

Semester Keterangan Sem-

I

Sem- II

Sem- III

Sem- IV

Sem- V

Sem- VI Febri

Maulina S P07520113089 P 3,32 3,08 2,53 3,00 2,62 2,94 2,92 Lulus Tepat Waktu Gunawan

Atuturi P07520113090 L 3,05 3,00 2,68 3,00 2,92 2,19 2,81 Lulus Tepat Waktu Henny

Claudia M P07520113091 P 3,27 3,54 2,05 2,88 2,69 2,94 2,90 Lulus Tepat Waktu Hotarina

Sihaloho P07520113092 P 3,00 2,75 2,42 2,19 2,85 2,56 2,63 Lulus Tepat Waktu Ida Morina

Br.S P07520113093 P 3,32 2,54 3,11 3,25 2,77 3,13 3,02 Lulus Tepat Waktu

(3)

Lenni

Marlina P07520113094 P 3,18 3,50 2,42 2,38 2,15 2,94 2,76 Lulus Tepat Waktu Meri

Sipayung P07520113095 P 3,14 2,88 2,53 2,25 2,23 2,94 2,66 Lulus Tepat Waktu Mertaulina

S P07520113096 P 3,32 3,25 3,11 3,06 2,62 3,06 3,07 Lulus Tepat Waktu Natalia P07520113097 P 3,00 2,88 2,11 2,63 2,38 2,50 2,58 Lulus Tepat

Waktu Novalina

LG P07520113098 P 3,36 3,46 2,58 3,50 3,15 3,19 3,21 Lulus Tepat Waktu Oriza Satifa P07520113099 P 3,09 2,83 2,68 3,00 3,15 2,75 2,92 Lulus Tepat

Waktu Padlan

Abdul R S P07520113100 L 3,32 2,63 2,16 2,31 2,62 2,69 2,62 Lulus Tepat Waktu Purnama

Ningsih P07520113101 P 3,14 3,00 1,68 2,06 2,08 2,19 2,36

Lulus Tidak Tepat Waktu Putri

Monika S P07520113102 P 3,27 3,00 3,00 3,25 2,85 2,38 2,96 Lulus Tepat Waktu Rahmat

Hidayat P07520113103 L 3,09 3,29 2,42 3,38 2,54 3,00 2,95 Lulus Tepat Waktu Riadh

Efendi Tns. P07520113104 L 3,27 2,79 2,79 2,25 2,31 2,50 2,65 Lulus Tepat Waktu Yogi

Anhariansya P07520113105 L 2,82 2,83 2,47 2,19 2,23 2,31 2,48

Lulus Tidak Tepat Waktu Dusriani D

S P07520113106 P 2,86 3,00 2,11 2,38 2,08 2,44 2,48

Lulus Tidak Tepat Waktu Afnur

Sukheyri A P07520113107 L 2,95 2,67 2,00 1,69 2,23 2,31 2,31

Lulus Tidak Tepat Waktu Dedi

Kurniawan P07520113108 L 2,86 2,58 1,47 1,56 2,23 2,38 2,18

Lulus Tidak Tepat Waktu Keterangan :

Berdasarkan dari tabel 4.1, dapat diketahui bahwa data mahasiswa yang > 2.50 akan dinyatakan lulus tepat waktu dan apabila data mahasiswa tersebut < 2.50 akan dinyatakan lulus tidak tepat waktu.

Mencari Nilai Mean dan Standar Deviasi

Kriteria berdasarkan Ip_semester 1 dapat dilihat pada tabel 1. serta akan ditentukan dengan mencari nilai mean dan standar deviasi, yaitu sebagai berikut:

Tabel 2. Tabel Mean dan Standar Deviasi Berdasarkan Ip_Semester 1

Data Ke Lulus Tepat Waktu Lulus Tidak Tepat Waktu

1 3,32

2 3,05

3 3,27

4 3,00

5 3,32

6 3,18

7 3,14

8 3,32

9 3,00

10 3,36

11 3,09

12 3,32

13 3,14

14 3,27

15 3,09

16 3,27

17 2,82

(4)

18 2,86

19 2,95

20 2,86

Mean=µ 3,1315

Standar Deviasi 0,174183

1. Mencari nilai mean dan nilai standar deviasi pada keterangan mahasiswa yang lulus berdasarkan standar kelulusan Pada semester 1.

Mencari nilai mean pada keterangan lulus tepat waktu

=

3,32+3,05+3,27+3,00+3,32+3,18+3,14+3,32+3,00+3,36+3,09+3,32+3,14+3,27+3,09 +3,27+2,82+2,86+2,95+2,86

20

=3,1315

Mencari nilai standar deviasi pada keterangan lulus tepat waktu

=√

(3,32-µ)²+(3,05-µ)²+(3,27-μ)²+(3,00-μ)²+(3,32-μ)²+(3,18-μ)²+(3,14-μ)²+(3,32-μ)²+(3,00-μ)²+(3,36 − μ)²+

(3,09 − μ)²+ (3,32 − μ)²+(3,14-μ)²+(3,27-μ)²+(3,09-μ)²+(3,27-μ)²+(2,82-μ)²+(2,86-μ)²+(2,96-μ)²+(2,86-μ)² 20-1

= √0,04+0,01+0,02+0,02+0,04+0,00+0,00+0,04+0,02+0,05+0,00+0,04+0,00+0,02+0,00+0,02+0,10+0,07+0,03+0,07 19

=√

^0,58

19

=

√0,03034 = 0,174183

2. Mencari nilai mean dan nilai standar deviasi pada keterangan mahasiswa yang tidak lulus berdasarkan standar kelulusan Karena pada semester 1 tidak terdapat mahasiswa yang tidak memenuhi standar kelulusan.

Lakukan proses yang sama sampai IP semester VI.

Kriteria berdasarkan Ip_semester 6 dapat dilihat pada tabel 4.7 serta akan ditentukan dengan mencari nilai mean dan standar deviasi, yaitu sebagai berikut:

Tabel 3. Tabel Mean dan Standar Deviasi Berdasarkan Ip_Semester 6

Data Ke Lulus Tepat Waktu Lulus Tidak Tepat Waktu

1 2,94 2,19

2 2,94 2,19

3 2,56 2,38

4 3,13 2,31

5 2,94 2,44

6 2,94 2,31

7 3,06 2,38

8 2,50

9 3,19

10 2,75

11 2,69

12 3,00

13 2,50

Mean=µ 2,857 2,314

Standar Deviasi 0,234011 0,96066

1. Mencari nilai mean dan nilai standar deviasi pada keterangan mahasiswa yang lulus berdasarkan standar kelulusan Mencari nilai mean pada keterangan lulus tepat waktu

=2,94+2,94+2,56+3,13+2,94+2,94+3,06+2,50+3,19+2,75+2,69+3,00+2,50

13 = 2,857

Mencari nilai standar deviasi pada keterangan lulus tepat waktu

=√

(2,94-µ)²+(2,94-µ)²(2,56-µ)²+(3,13-μ)²+(2,94-µ)²+(2,94-µ)²+(3,06-μ)²+(2,50-μ)²+(3,19-μ)²+(2,75-μ)²+ (2,69-μ)²+ (3,00 − μ)²+ (2,50-µ)²

13-1

(5)

= √0,007+0,007+0,088+0,075+0,007+0,007+0,041+0,127+0,111+0,011+0,028+0,020+0,127 12

=√^1,657

12 = √0,054756 = 0,234001

2. Mencari nilai mean dan nilai standar deviasi pada keterangan mahasiswa yang tidak lulus berdasarkan standar kelulusan Mencari nilai mean pada keterangan lulus tidak tepat waktu

=2,19+2,19+2,38+2,31+2,44+2,31+2,38

7 = 2,314

Mencari nilai standar deviasi pada keterangan lulus tidak tepat waktu

=√(2,19-µ)²+(2,19-µ)²+(2,38-μ)²+(2,31-μ)²+(2,44-μ)²+(2,31-μ)²+(2,38-μ)² 7-1

= √0,015+0,015+0,004+0,000+0,016+0,000+0,004 6

= √^0,055

6 = √0,009229 = 0,096066

Mencari Probabilitas Pada Kategori Jenis Kelamin

Probabilitas kategori jenis kelamin dapat dilihat pada tabel 3. dan probabilitas untuk setiap kategori pada keseluruhan dapat dilihat pada tabel 4..

Tabel 4. Mencari Probabilitas Pada Kategori Jenis Kelamin

Jenis Kelamin

Jumlah kategori berdasarkan keterangan Probabilitas kategori berdasarkan keterangan Lulus tepat

waktu

Lulus tidak tepat waktu Lulus tepat waktu

Lulus tidak tepat waktu

Laki-laki 4 3 4/15 3/5

Perempuan 11 2 11/15 2/5

Jumlah 15 5 1 1

Tabel 5. Probabilitas Pada Kategori Keseluruhan

Jumlah kategori berdasarkan keterangan Probabilitas kategori berdasarkan keterangan Lulus tepat waktu Lulus tidak tepat waktu Lulus tepat

waktu

Lulus tidak tepat waktu

Jumlah 15 5 15/20 5/20

Menghitung probabilitas setiap kategori apabila diberi input tertentu. Misalnya akan dicari probabilitas seorang mahasiswa bernama Lamhot berjenis kelamin laki-laki yang memiliki nilai semester 1=3,08; semester 2=3,00; semester 3=2,53;

semester 4=3,00; semester 5=2,85; semester 6=2,92.

1. f (semester 1= 3,08 | keterangan= lulus tepat waktu)

= ¹

√2𝜋(0,174183) e –(3,08−3,1315)² 2(0,174183)²

=_1,045882¹ 2,7183 ^0,002652_0,121359 = 0,956131 x 2,7183 x 0,021855 = 0,056707

Karena pada semester 1 tidak terdapat mahasiswa yang tidak memenuhi standar kelulusan, Maka hasilnya adalah 0 (nol).

= ¹

√2𝜋(0,300937) e –(3,00−2,975)² 2(0,300937)²

=_1,889884¹ 2,7183 ^0,000625_0,181126 = 0,529133 x 2,7183 x 0,0181751 = 0,26142

Karena pada semester 2 tidak terdapat mahasiswa yang tidak memenuhi standar kelulusan, Maka hasilnya adalah 0 (nol).

= ¹

√2𝜋(0,23751) e –(2,53−2,779)² 2(0,23751)²

= ¹

1,221296 2,7183 ^0,062001

0,112822 = 0,818803 x 2,7183 x 0,549547 = 1,223155 f (semester 3= 2,53 | keterangan= lulus tidak tepat waktu)

= ¹

√2𝜋(0,320888) e –(2,53−2,119)² 2(0,320888)²

(6)

= ¹

1,419569 2,7183 ^0,168921

0,102969 = 0,704439 x 2,7183 x 1,640502 = 3,141359 4. f (semester 4= 3,00 | keterangan= lulus tepat waktu)

= ¹

√2𝜋(0,254744) e –(3,00−3,095)² 2(0,254744)²

= ¹

1,264829 2,7183 ^0,802816

= ¹

√2𝜋(0,27472) e –(3,00−2,104)² 2(0,27472)²

=_1,313485¹ 2,7183 ^0,802816_0,150942 = 0,761334 x 2,7183 x 5,318705 = 11,00724 5. f (semester 5= 2,85 | keterangan= lulus tepat waktu)

= ¹

√2𝜋(0,664954) e –(2,85−2,798)² 2(0,664954)²

=_2,043505¹ 2,7183 ^0,002704_0,884328 = 0,489355 x 2,7183 x 0,003058 = 0,004067 f (semester 5= 2,85 | keterangan= lulus tidak tepat waktu)

= ¹

√2𝜋(0,292286) e –(2,85−2,457)² 2(0,292286)²

= ¹

1,354827 2,7183 ^0,154449

0,170862 = 0,738102 x 2,7183 x 0,5 = 1,003191 6. f (semester 6= 2,92 | keterangan= lulus tepat waktu)

= ¹

√2𝜋(0,234011) e –(2,92−2,857)² 2(0,234011)²

= ¹

2,456205 2,7183 ^0,003969

= ¹

√2𝜋(0,96066) e –(2,92−2,314)² 2(0,096066)²

=_2,456205¹ 2,7183 ^0,367236_0,018457 = 0,407132 x 2,7183 x 19,89684 = 22,01998 Sehingga :

Likelihood lulus tepat waktu

= (0,057)*(0,261)*(1,223)*(0,149)*(0,004)*(0,040)*(4/15)*(11/15)

= 8,48239

Likelihood lulus tidak tepat waktu

= (3,141)*(11,007)* (1,003)*(22,020)*(3/5)*(2/5)

= 183,25946

Nilai probabilitas dapat dihitung dengan melakukan normalisasi terhadap likelihood tersebut sehingga jumlah yang diperoleh antara lain :

Probabilitas lulus tepet waktu = 8,48239+183,25946^8,48239 = 0,044239 Probabilitas lulus tidak tepat waktu = ^183,25946

8,48239+183,25946 = 0,955761

Dari hasil tersebut, dapat dilihat bahwa nilai probabilitas terendah ada pada status probabilitas lulus tepat waktu, maka dapat disimpulkan bahwa mahasiswa yang bernama Lamhot dapat dikatakan lulus tepat waktu.

4. IMPLEMENTASI

Berikut hasil implementasi berdasarkan data mahasiswa yang memiliki atribut seperti nama, NIM, jenis kelamin, nilai semester 1 sampai semester 6 (ajaran tahun 2013-2016) dan Indeks Prestasi Komulatif (IPK) dengan menggunakan aplikasi weka.:

(7)

Gambar 1. Hasil Keterangan Mahasiswa LTW atau LTTW Keterangan:

Berdasarkan gambar 1. di atas ,di mana dari 20 nama mahasiswa, terdapat 15 mahasiswa lulus tepat waktu , dan 5 mahasiswa lulus tidak tepat waktu.

5. KESIMPULAN

Berdasarkan hasil-hasil analisis dan percobaan yang dilakukan pada bab sebelumnya, maka kesimpulan yang dapat diambil adalah sebagai berikut:

1. Penelitian ini bertujuan untuk mengetahui proses prediksi kelulusan mahasiswa pada Poltekkes Kemenkes RI Medan 2. Proses untuk memprediksi kelulusan mahasiswa pada Poltekkes Kemenkes RI Medan diselesaikan menggunakan

algoritma Naive Bayes Classifier

3. Proses implementasi algoritma Naive Bayes Classifier untuk memprediksi kelulusan mahasiswa pada Poltekkes Kemenkes RI Medan menggunakan aplikasi Weka.

REFERENCES

[1] N.Usman, KONTEKS IMPLEMETASI BERBASIS KURIKULUM, Yogyakarta: ANDI.2002.

[2] Teguh Budi Santoso, "ANALISA DAN PENERAPAN METODE C4.5 UNTUK PREDIKSI LOYALITAS PELANGGAN," Ilmiah Fakultas Teknik, vol. 10, pp. 1-10.

[3] Hermawan.” PREDIKSI PENERIMAAN SISWA BARU PADA MADRASAH ALIYAH AS,SAYAFI’IYAH 02 MENGGUNAKAN METODE TIME SERIES”.

[4] Trayasiwi P.Gita.” PENERAPAN METODE KLASTERING DENGAN ALGORITMA K-MEANS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA PROGRAM STUDI TEKNIK INFORMATIKA STRATA SATU”,pp.5-11 Semarang.

[5] Dyah Ayu Noor Wulan and Sri Muliati Abdullah, "Jurnal Sosio-Humaniora," PROKRATINASI AKADEMIK DALAM PENYELESAIAN SKRIPSI, vol. 5, pp. 1-74, MEI 2014.

[6] Alfa Saleh, "IMPLEMENTASI METODE KLASIFIKASI NAIVE BAYES DALAM MEMPREDIKSI BESARNYA PENGGUNAAN LISTRIK RUMAH TANGGA," Citec Journal, vol. 2, pp. 207-217, Mei-Juli 2015.

[7] Abdul Kadir, Pengenalan Algoritma, Dewiberta Hardjono, Ed. Yogyakarta, Indonesia: ANDI OFFSET, 2013.

[8] Rosa A S and M Shalahuddin, REKAYASA PERANGKAT LUNAK. Bandung, Indonesia, 2014.

[9] Slamet Pujiono, Armadyah Amborowati, and M Suyanto, "ANALISA KEPUTUSAN PUBLIK MENGGUNAKAN WEKA DALAM MEWUJUDKAN GOOD GOVERNANCE DI KOTA YOGYAKARTA," JURNAL DASI, vol. 14, pp. 45-55, JUNI 2013.

[9] Dewibertha Hardjono, MICROSOFT EXCEL 2007 PEMROGRAMAN VBA, Dewibertha Hardjono, Ed. Yogyakarta, Indonesia, 2008.

[10] Eko Prasetyo, Data Mining-Koonsep dan Aplikasi menggunakan Matlab, Nikodemus WK, Ed. Yogyakarta, Indonesia: ANDI OFFSET, 2012.

[11] Lamhot Sitorus, ALGORITMA DAN PEMEROGRAMAN, I ed., Arie Pramesta, Ed. Yogyakarta, Indonesia: ANDI. OFFSET, 2015.

[12] Venny Lovina Gumiri, Diyah Puspitaningrum, and Ernawati , "SISTEM PAKAR KLASIFIKASI STATUS ANAK USIA DINI DENGAN METODE NAIVE BAYES CLASSIFER BERBASIS DDST RULER," Rekursif, vol. 3, pp. 107-122, November 2015.