Penerapan Algoritma Fp-Growth Dalam Menemukan Hubungan Data Prestasi Akademik Dengan Etika Mahasiswa
(Study Kasus : POLTEKKES KEMENKES RI Medan)
Bobby Pranata Pelawi
Program Studi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia Jalan Sisingamangaraja No. 338 Medan, Indonesia
Abstrak
Perkembangan teknologi penyimpanan data semakin berkembang dengan pesat, semakin berkembang perkembangan jaman maka semakin berkembang pula kemampuan seseorang dalam mengumpulkan dan mengolah data. Data yang terkumpul dengan ukuran yang besar dapat dimanfaatkan untuk dianalisis yang hasilnya merupakan suatu informasi berharga untuk masa mendatang. Salah satu instansi yang tidak terlepas dari penumpukan data ialah perguruan tinggi. Poltekkes Kemenkes RI Medan adalah program pendidikan tinggi yang memiliki studi kebidanan dan keperawatan. Dengan banyaknya mahasiswa maka prestasi akademik dan etika mahasiswa harus dapat sejalan agar antara prestasi dan etika mahasiswa dapat sejalan dengan baik. Karna begitu banyak data mahasiswa yang memiliki prestasi akademik dan etika yang berbeda maka perlu penelitian menggali data yang dimiliki Poltekkes Kemenkes RI Medan. Data yang dimanfaatkan adalah IPK akhir mahasiswa dan nilai etika mahasiwa dari mahasiswa tingkat akhir. Penelitian ini dirasa sangat perlu agar hubungan antara prestasi dan etika mahasiswa dapat sejalan. Dibutuhkan suatu teknik klasifikasi yang merupakan salah satu teknik dari data mining untuk menganalisis data Poltekkes Kemenkes RI Medan tersebut. Dengan menerapkan teknik ini akan dibangun sebuah algoritma FP-growth dimana data yang yang kita inputkan dijadikan FP-tree dan mendapatkan nilai kemunculan sehinggat data yang diinputkan dapat saling berhubungan.
Kata Kunci: Data Mining, Prestasi Akademik, Etika Mahasiswa, Algoritma FP-Growth.
Abstract
The development of data storage technology is growing rapidly, the more evolving times, the more a person's ability to collect and process data is growing. Data collected with large sizes can be used for analysis, the results of which are valuable information for the future. One of the institutions that can not be separated from data accumulation is universities. RI Ministry of Health Poltekkes Medan is a higher education program that has midwifery and nursing studies. With so many students, academic achievement and student ethics must be in line so that the achievements and ethics of students can be in line with both. Because there are so many data of students who have different academic achievements and ethics, research needs to explore data held by the Indonesian Ministry of Health Polytechnic in Medan. The data used is the final GPA of students and student ethical values from final year students. This research is considered very necessary so that the relationship between student achievement and ethics can be in line. A classification technique is needed which is one of the techniques of data mining to analyze the data from the Indonesian Ministry of Health Polytechnic in Medan. By applying this technique a FP- growth algorithm will be built where the data we input is made into an FP-tree and gets the emergence value so that the data entered can be interconnected.
Keywords: Data Mining, Academic Achievement, Student Ethics, FP-Growth Algorithm.
1. PENDAHULUAN
Dalam dunia pendidikan, penilaian indeks prestasi dengan etika mahasiswa setiap perguruan tinggi memiliki pengolahan tersendiri. Prestasi akademik yang dimaksud dalam penelitian ini diukur melalui pengumpulan data tentang hasil perolehan nilai mahasiswa atau data tentang Indeks Prestasi Kumulatif (IPK). Dan etika yang akan dibahas dalam penelitian ini adalah etika seorang mahasiswa dalam ruang lingkup kampus di Poltekkes Kemenkes RI Medan yang diambil dari nilai etika profesi setiap mahasiswa.
Banyaknya jumlah data mahasiswa membuat Ketua Jurusan harus bekerja keras dalam menganalisa hubungan prestasi akademik dengan etika mahasiswa yang diambil dari nilai etika propesi mahasiswa tersebut.
Prestasi akademik dan etika harus berhubungan karna salah satu tujuan etika seorang perawat adalah mengerti peran, fungsi tim kesehetan dan tanggung jawab. Oleh karna itu maka diperlukan pengolahan data antara prestasi akademik dengan etika mahasiswa yang lebih lanjut untuk menemukan informasi baru yang berguna untuk mengambil suatu keputusan oleh Ketua jurusan Poltekkes Kemenkes RI Medan. Karena itu pembentukan suatu pola keputusan sangat diperlukan karena dapat mengetahui berapa mahasiswa yang layak dan tidak layak dalam mendapatkan nilai prestasi akademik dan etika Mahasiswa tersebut.
Penyelesain masalah diatas akan dibahas dengan implementasi salah satu algoritma data mining, yaitu algoritma frequen pattern-growth (FP-GROWTH). Algoritma FP-Growth merupakan salah satu algoritma yang dapat digunakan pada teknik association rules mining untuk menentukan himpunan item yang paling sering muncul (frequent itemset) dalam sekumpulan data. Hasil yang didapati nantinya berupa rules yang sering muncul dan memiliki keterhubungan tinggi antar atribut pada data etika mahasiswa. Penentuan data variabel sangat
minimum confidance dipengaruhi oleh data variabel yang digunakan untuk mencari frequent itemset yang saling berhubungan untuk menemukan data variabel yang akan dijadikan strategi dalam promosi pendidikan [2].
2. LANDASAN TEORI
2.1 Prestasi Akademik
Prestasi akademik adalah hasil pelajaran yang diperoleh dari kegiatan belajar di sekolah atau perguruan tinggi yang bersifat kognitif dan biasanya ditentukan melalui pengukuran dan penilaian. Keberhasilan prestasi akademik mahasiswa selama mengikuti pendidikan di perguruan tinggi dinilai dari penilaian mata kuliah, penilaian semester, penilaian akhir tahun akademik dan penilaian akhir program studi. Tolak ukur yang dipakai dalam prestasi akademik adalah Indeks Prestasi Kumulatif (IPK).
2.2 Etika
Dari asal usul katanya, etika berasal dari bahasa yunani “ethos” yang berarti adat istiadat atau kebiasaan yang baik. Bertolak dari kata tersebut, akhirnya etika berkembang menjadi studi tentang kebiasaan manusia berdasarkan kesepakatan, menurut ruang dan waktu yang berbeda, yang menggambarkan perangai manusia dalam kehidupan pada umumnya.
2.3 Data Mining
Tan mendefenisikan data mining sebagai proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar. Data mining juga dapat diartikan sebagai pengekstrakan informasi baru yang diambil dari bongkahan data besar yang membantu dalam pengambilan keputusan. Istilah data mining kadang disebut uga knowledge discovery. Salah satu teknik yang dibuat dalam data mining adalah bagaimana menelusuri data yang ada untuk membangun sebuah model, kemudian menggunakan model tersebut agar dapat mengenali pola data yang lain yang tidak berada dalam basis data yang tersimpan. Kebutuhan untuk prediksi juga dapat memanfaatkan teknik ini.
2.4 FP-Growth
Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori. Sehingga kekurangan dari algoritma Apriori diperbaiki oleh algoritma FP-Growth. Frequent Pattern Growth (FP-Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. Pada algoritma Apriori diperlukan generate candidate untuk mendapatkan frequent itemsets. Akan tetapi, di algoritma FP-Growth generate candidate tidak dilakukan karena FP-Growth menggunakan konsep pembangunan tree dalam pencarian frequent itemsets. Hal tersebutlah yang menyebabkan algoritma FP-Growth lebih cepat dari algoritma Apriori.
Metode FP-Growth dapat dibagi menjadi 3 tahapan utama yaitu sebagai:
1. Tahap pembangkitan conditional pattern base.
2. Tahap pembangkitan conditional FP-Tree.
3. Tahap pencarian frequent itemset.
Ketiga tahap tersebut merupakan langkah yang akan dilakukan untuk mendapat frequent itemset.
Input : FP-Tree Tree
Output : Rt Sekumpulan lengkap pola frequent Methode : FP-Growth (Tree, null)
Procedure: FP-Growth (Tree, α) 1. If Tree mengandung single path P
2. Then untuk tiap kombinasi (dinotasikan β) dari node-node dalam path do 3. Bangkitkan pola β α dengan support dari node-node dalam path do β 4. Else untuk tiap a1 dalam header dari tree do
5. Bangkitkan pola
6. Bangun β = a1 α dengan support = a1 supportIf tree β.
3. ANALISA DAN PEMBAHASAN
Data yang akan digunakan dalam membentuk pohon keputusan adalah data akademik mahasiswa dari semester 1 sampai dengan 6 pada Poltekkes Kemenkes RI Medan dengan kriteria yang ditetapkan oleh perguruan tinggi
tersebut. Data tersebut diambil dari sub akademik dari Poltekkes Kemenkes RI Medan, selanjutnya akan dilakukan proses menjadi pohon keputusan, Ada pun praproses data meliputi:
1. Seleksi data
Untuk memilih data yang akan digunakan dalam penelitian ini, yaitu data akademik mahasiswa pada Poltekkes Kemenkes RI Medan. Dari data yang ada kolom yang diambil sebagai atribut/variable dalam pembentukan pohon keputusan adalah Nilai IPK dan Nilai Etika Mahasiswa.
2. Transformasi data
Data diubah atau digabung kedalam format yang sesuai untuk diproses dalam data mining agar tetap siap dihitung menggunakan algoritma FP-Growth.
Algoritma FP-Growth adalah salah satu cara alternatif untuk menemukan himpunan data yang paling sering muncul (frequent itemset) tanpa menggunakan generasi kandidat. Algoritma FP-Growth dibagi dalam 3 tugas utama yaitu:
1. Tahap Pembangkitan Conditional Pattern Base, Conditional Pattern Base merupakan subdatabase yang berisi prefix path (lintasan prefix) dan suffix pattern (pola akhiran). Pembangkitan conditional pattern base didapatkan melalui FP-tree yang telah dibangun sebelumnya.
2. Tahap Pembangkitan Conditional FP-tree, Pada tahap ini, support count dari setiap item pada setiap conditional pattern base dijumlahkan, lalu setiap item yang memiliki jumlah support count lebih besar sama dengan minimum support count akan dibangkitkan dengan conditional FP-tree.
3. Tahap Pencarian frequent itemset, Apabila Conditional FP-tree merupakan lintasan tunggal (single path), maka didapatkan frequent itemset dengan melakukan kombinasi item untuk setiap conditional FP-tree. Jika bukan lintasan tunggal, maka dilakukan pembangkitan FP-growth secara rekursif.
Ada pun data yang di proses adalah nilai IPK mahasiswa yang diambil dari kriteria IPK dan Nilai Etika Mahasiswa Poltekkes Kemenkes RI Medan.
Tabel 1. Data mahasiswa Poltekkes Kemenkes RI Medan
No Nama NIM IPK Nilai Etika
1 Ade Ika Dwiningrum P03189003 3.6 A
2 Arina P Brahmana P03189214 3.5 A
3 Artauli Simbolon P03189132 3.4 B
4 Artina Sipahutar P03189234 3.2 B
5 Boy Efendy Capah P03189892 3.5 C
6 Brenda S Ginting P03189109 3.7 B
7 Brian Lias Tarigan P03189081 3.1 C 8 Bris Bastian Lubis P03189021 3.5 B
9 Chandra Tarigan P03189212 3.7 A
10 Chandika Ikwan P03189432 3.1 C
11 Cindy Claudia Pelawi P03189211 3.5 B
12 Evi Rosalina P03189110 3.6 B
13 Evi Sunita Tarigan P03189067 3.7 A 14 Firman H Sitohang P03189063 3.4 A
15 Finaldo Hutahaen P03189054 3.5 C
16 Gabriel Ginting Suka P03189012 3.6 C 17 Gina Arapen Sinuhaji P03108192 3.5 A
18 Gideon Gultom P03108921 3.3 B
19 Hizkia Pranata P03108651 3.6 A
20 Jeremia Rajagukguk P03108956 3.2 A
21 Karmila Indahu P03108921 3.5 A
22 Kurniawan Aldinata P03108923 3.4 C 23 Luter Ferdian Sihite P03108731 3.7 C
24 Monika Pelawi P03108007 3.6 B
25 Naomi Permata P03108711 3.6 B
26 Niriana Pandia P03108143 3.5 A
27 Prianta Sidabutar P03108150 3.2 C
28 Santi Sinukaban P03108782 3.1 B
1. Menentukan nilai minimum support dari urutan terbesar berdasarkan frekuensi kemunculan tiap item.
Yang diambil dari data mahasiswa Poltekkes Kemenkes RI Medan. Dengan Nilai IPK 3,5 dengan Minimum support Adalah >=20%, Minimum confidence Adalah >=75%
Rumus Support:
Rumus Confidance
2. Memindai data kemunculan item yang frequnt dalam setiap transaksi berdasarkan frekuensi tertinggi:
Tabel 2. Data kemunculan
Tid Item
1 {3.6,A}
2 {3.5,A}
3 {B}
4 {B}
5 {3.5}
6 {3.7,B}
7 {3.5,B}
8 {3.7,A}
9 {3.5,B}
10 {3.6,B}
11 {3.7,A}
12 {A}
13 {3.5,}
14 {3.6}
15 {3.5,A}
16 {B}
17 {3.6,A}
18 {A}
19 {3.5,A}
20 {3.7}
21 {3.6,B}
22 {3.6,A}
23 {3.5,A}
24 {B}
3. Pembentukan FP-Tree
Gambar 1. Pembentukan FP-Tree
Keterangan Gambar 1 nul 35:8, A:10, B:10, 36:6, A:10, B:10, 37:4, A:10, B,10 4. Proses FP-Growth
Untuk menemukan frequent itemset, perlu ditentukan cabang pohon dengan lintasan yang berakhiran dengan support count terkecil. Algorithma FP-Growth menemukan frequent itemset yang berakhiran suffix tertentu dengan menggunakan metode divide and conquer untuk memecah problem menjadi sub problem yang lebih kecil. Algorithma fp-growth menemukan frequent itemset yang berakhiran suffix tertentu dengan menggunakan metode divide and conquer untuk memecah problem menjadi sub problem yang lebih kecil.
a. Pembentukan Conditional Pattern.
1. Membuat tree yang mengandung lintasan “A”
2. Melihat lintasan frequent item yang berakhiran di A.
3. Setelah di lihat diperoleh bahwa lintasan “(A),(37,A),(36,A),(35,A)”.
4. Membuat tree yang mengandung lintasan B.
5. Membuat tree yang mengandung lintasan 37.
6. Membuat tree yang mengandung lintasan 36.
7. Membuat tree Lintasan yang mengandung 35.
8. Setelah memeriksa frequent Itemset untuk beberapa akhiran (suffix).
Tabel 3. Frequent Itemset
Maka yang akan dihitung support dan confidance-nya adalah {35,A}, {36,A}, {37,A}, {35,B}, {36,B}, {37,B} ,{35,A}, {35,B}, {36,A}, {36B}, {37,A}, {37,B}, {35,A}, {35,B}, {36,A}, {36B}, {35,A}, {35,B}
9. Support dan confidance Support:
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 𝐴 → 𝐵 = (𝐴 ∪ 𝐵)/𝑛
Confidance:
𝐶𝑜𝑛𝑓𝑖𝑑𝑎𝑛𝑐𝑒 𝐴 → 𝐵 = (𝑠𝑢𝑝𝑝𝑜𝑟𝑡 𝐴 → 𝐵)/(𝑠𝑢𝑝𝑝𝑜𝑟𝑡 𝐴
Tabel 4 Support dan Confidance
No Frequent Item Kombinasi Support A->B Support A Confidance
1 {35,A} 35->A 4/24
17% 8/24 51%
A->35 4/24 11/24 37%
2 {36,A} 36->A 3/24
13% 6/24 52%
A->36 3/24 11/24 24%
3 {37,A} 37->A 2/24
8% 4/24 48%
A->37 2/24 11/24 17%
4 {35,B} 35->B 2/24
8% 8/24 24%
B->35 2/24 7/24 27%
5 {36,B} 36->B 2/24
8% 6/24 32%
B->36 2/24 7/24 27%
6 {37,B} 37->B 1/24
4% 4/24 24%
B->37 1/24 7/24 14%
Suffix Frequent Itemset
A {A},{35,A},{36,A},{37,A}
B {B},{35,B},{36,B}{37,B}
37 {37},{35,A},{35,B},{36,A},{36B},{37,A},{37,B}
36 {36},{35,A},{35,B},{36,A},{36B}
35 {35},{35,A},{35,B}
A->35 4/24 11/24 37%
8 {35,B} 35->B 2/24
8% 8/24 24%
B->35 2/24 7/24 27%
9 {36,A} 36->A 3/24
13% 6/24 52%
A->36 3/24 11/24 28%
10 {36,B} 36->B 2/24
8% 6/24 32%
B->36 2/24 7/24 27%
11 {37,A} 37->A 2/24
8% 4/24 48%
A->37 2/24 11/24 17%
12 {37,B} 37->B 1/24
4% 4/24 24%
B->37 1/24 7/24 14%
13 {35,A} 35->A 4/24
17% 8/24 51%
A->35 4/24 11/24 37%
14 {35,B} 35->B 2/24
8% 8/24 24%
B->35 2/24 7/24 27%
15 {36,A} 36->A 3/24
13% 6/24 52%
A->36 3/24 11/24 28%
16 {36,B} 36->B 2/24
8% 6/24 32%
B->36 2/24 7/24 27%
17 {35,A} 35->A 4/24
17% 8/24 51%
A->35 4/24 11/24 37%
18 {35,B} 35->B 2/24
8% 8/24 24%
B->35 2/24 7/24 27%
Hanya kombinasi yang lebih besar sama dengan minimum confidence yang akan diambil atau strong association rule nya saja. Jika minimum confidence adalah 45%, minimum confidence ini diambil diatas 45% agar tingkat akurasinya tinggi, maka yang termasuk strong association rule adalah 37 → A, 36 → A dan 35 → A
Tabel 5. strong association rule
Jika mendapat nilai Maka etikanya adalah Confidance
3,7 A 52%
3,6 A 48%
3,5 A 51%
Nilai IPK dan Etika yang saling berhubungan dapat dilihat dari Strong association dimana jika mahasiswa mendapatkan nilai 3,7 maka nilai etika yang sesuai dengan nilai tersebut ialah A. jika mahasiswa mendapatkan nilai 3,6 maka nilai etikanya ialah A. Dan jika mahasiswa mendapatkan nilai 35 maka nilai etikanya ialah A.
4. IMPLEMENTASI
Pengujian akan dilakukan dengan aplikasi RapidMiner.
1. Data yang akan diolah adalah data yang diproses keladalam Microsoft Exel yang disimpan dalam bentuk penyimpanan CSV (Comma Delimited).
2. Buka tampilan RapidMiner Pada halaman awal terdapat beberapa fitur, salah satunya adalah new.
3. Kemudian untuk melakukan proses data, langkah selanjutnta adalah memasukkan data mahasiswa yang sudah tersimpan dalam format data *.CSV kedalam Rapid Miner, yaitu dengan cara klik icon import pada tab operators, kemudian pilih import CSV File.
4. Setelah proses import data dilakukan maka sistem akan menampilkan data import wizard step 1 yaitu mencari dimana data yang akan di import yaitu data yang sudah di simpan pada format *.CSV.
5. Setelah data sudah didapat, klik tombol next untuk melanjutkan pada step berikutnya, maka akan muncul tampilan data import wizard Step 2 kemudian klik Next.
6. Selanjutnya akan muncul tampilan data import wizard step 3. Pada step 3 ini, ada yang harus dirubah yaitu pada Annotation pilih Name kemudian klik Next.
7. Selanjutnya akan muncul tampilan data import wizard step 4. Pada step 4 ini ada yang harus dirubah yaitu pada attribut 1 Nama pilih id dan pada attribut 6 pilih label kemudian klik Next.
8. Muncul tahapan akhir pada data import wizard step 5. Pada step ini pilih New Local Repository sebagai tempat untuk menyimpan database Kemudian isi nama dan pilih Finish.
9. Kemudian akan muncul kembali halaman Rapid Miner lalu masukkan database data mahasiswa yang telah di simpan di New Local Repository, drag and drop database kehalaman kerja Rapid Miner.
10. Setelah database kinerja pegawai di masukkan, maka langkah selanjutnya adalah memasukkan metode decision tree kedalam halaman kerja Rapid Miner yaitu dengan cara klik icon Repositories pilih modeling, lalu pilih classification and regression, kemudian pilih tree induction, lalu pilih decision tree, drag and drop decision tree kehalaman kerja. Kemudian hubungkan database dengan decision tree sampai tidak ada error.
11. Kemudian tekan tombol F11 pada keyboard untuk menjalankan program.
Hasil akhir atau output dari aplikasi Rapid Miner adalah berupa pohon keputusan atau decision tree. Dari pohon keputusan inilah akan dihasilkan rules atau aturan-aturan yang dapat membantu dalam mengambil keputusan.
Gambar 1. Tampilan Hasil Tree Akhir
Hasil keluaran dari data mining aturan classification decision tree untuk menganalisa mahasiswa yang sesuai dalam mendapatkan nilai IPK dan Etika pada aplikasi RapidMiner ini menunjukkan laporan yang diharapkan mampu membantu memberikan keputusan bagi Ketua Jurusan untuk mengevalusi kinerja mahasiswa dalam mendapatkan IPK dan Etika yang baik.
5. KESIMPULAN
Adapun kesimpulan dari pembahasan dari penelitian skripsi ini adalah sebagai berikut:
1. Proses penilaian prestasi akademik dan etika mahasiswa Poltekkes Kemenkes RI Medan dilakukan secara terpisah prestasi akademik diambil dari nilai persemester dan di jumlahkan sehinggan menjadi IPK dan etika diambil dari mata pelajaran etika profesi karena etika profesi adalah pelajaran yang mengajarkan tanggung jawaban dan fungsi dari jurusan yang diambil.
2. Dengan memanfaatkan data mining menggunakan algoritma FP-Growth dalam menganalisa hubungan data prestasi akademik dan etika mahasiswa, informasi yang dihasilkan bersifat klasifikasi yaitu mengubah fakta yang sangat besar menjadi pohon keputusan yang mempresentasikan aturan.
3. Aplikasi RapidMiner Classification Decision Tree digunakan sebagai aplikasi pendukung dalam pengambilan keputusan dan pengujian atas hasil yang didapatkan secara manual, yang menghasilkan sebuah pohon keputusan. Dari pohon keputusan inilah akan menghasilkan sebuah aturan-aturan yang dapat
membantu Ketua Jurusan Poltekkes Kemenkes RI Medan dalam menemukan hubungan data prestasi akademik dengan etika mahasiswa. Serta mudah dipahami oleh pengguna aplikasi..
REFERENCES
[1] Eko Prasetyo, Data Mining-Koonsep dan Aplikasi menggunakan Matlab, Nikodemus WK, Ed. Yogyakarta, Indonesia: ANDI OFFSET, 2012.
[2] Abdul Kadir, Pengenalan Algoritma, Dewiberta Hardjono, Ed. Yogyakarta, Indonesia: ANDI OFFSET, 2013.
[3] Ramon A Mata_toledo and Pauline K Cushman, Schaum's Outlines of Fundamentalis Of Relational Databases, Taufan Prasetyo and Lemeda Simarmata, Eds. Jakarta, Indonesia: Erlangga, 2007.
[4] Teguh Wahyono, Etika Komputer dan Tanggung Jawab Profesional di Bidang Teknologi Informasi, Dhewiberta Hardjono, Ed.
Yogyakarta, Indonesia: ANDI OFFSET, 2006.
[5] Lamhot Sitorus, ALGORITMA DAN PEMEROGRAMAN, I ed., Arie Pramesta, Ed. Yogyakarta, Indonesia: ANDI OFFSET, 2015.
[6] Dennis Aprilla C, Donny Aji Baskoro, Lia Ambarwati, and I Wayan Simri Wicaksana, BELAJAR DATA MINING DENGAN RAPIDMINER, 1st ed., Remis S, Ed. Jakarta, Indonesia, 2013.
[7] Dewibertha Hardjono, MICROSOFT EXCEL 2007 PEMEROGRAMAN VBA. Yogyakarta, Indonesia, 2008.
[8] Yusak Novanto, "Faktor-Faktor Yang Berkaitan Dengan Prestasi Akademik Mahasiswa Sekolah Tinggu Teologi "X"," ResearchGate, pp. 1-16, November 2015.
[9] Ahmad Fauzi, "Universitas Pendidikan Indonesia," Penerapan Pendekatan "5 M" Untuk Meningkatkan Hasil Belajar Siswa Pada Mata Pelajaran IPA Tentang Sifat-Sifat Cahaya , pp. 1-22, 2014.
[10] Ali Ikhwan, Dicky Nofriansyah, and Sriani , "PENERAPAN DATA MINING DENGAN ALGORITMA FP-GROWTH UNTUK MENDUKUNG STRATEGI PROMOSI PENDIDIKAN," Jurnal Ilmiah SAINTIKOM, vol. 14, pp. 211-226, September 2015.
[11] Henry Eryanto and Darma Rika, "PENGARUH MODAL BUDAYA, TINGKAT PENDIDIKAN ORANG TUA DAN TINGKAT PENDAPATAN ORANG TUA TERHADAP PRESTASI AKADEMIK PADA MAHASISWA FAKULTAS EKONOMI UNIVERSITAS NEGERI JAKARTA," Jurnal Pendidikan Ekonomi Dan Bisnis, vol. 1, pp. 39-61, Maret 2013.
[12] Dyah Ayu Noor Wulan and Sri Mulliati Abdullah, "Jurnal Sosio-Humaniora," PROKRATINASI AKADEMIK DALAM PENYELESAIAN SKRIPSI, vol. 5, pp. 1-74, MEI 2014.
