PENERAPAN METODE FORECASTING DALAM MENENTUKAN JUMLAH SISWA BARU MENGGUNAKAN ALGORITMA SIMPLE LINEAR
REGRESSION
Tajrin1), Mohammad Irfan Fahmi2), Maikel Felix Ginting3), Unika Nduru4)
1,2,3,4 Fakultas Sains and Teknologi, Universitas Prima Indonesia email: [email protected], [email protected], [email protected], [email protected]
Abstract
New student admission is a school activity to recruit new prospective students that occurs regularly every year even in the middle of the teaching year. Madrasah Tsanawiyah (MTs) Al-Ittihadiyah is a school under the auspices of the Ministry of Religion. Where every year the school always accepts a fairly large number of new students around 300 people. This results in the school always having difficulties in preparing infrastructure facilities such as classrooms and teachers because the increase in the number of new students increases every year. This will happen repeatedly in schools from year to year. So that it will be an accumulation of data every year to help transform data into data information into useful information. This large amount of data opens up opportunities to generate useful information for schools.
In this study, researchers see an opportunity to create a new technology that answers the needs and problems that have occurred so far. In determining the number of new students at MTs. Al-Ittihadiyah Pkl. Masyhur researchers used 2 dataset scenarios where scenario 2 datasets used a simple linear regression algorithm. In pre-processing data that produces prediction performance, namely Y = 71.9538 + 0.709269X, in the dataset for forecasting estimates for the number of new students if the registrant is 374 students, it will produce a prediction of new students of 337 students.
Keywords: Forecasting, Simple Linier Regression, Number of New Student 1. PENDAHULUAN
Penerimaan siswa baru merupakan kegiatan sekolah untuk merekrut calon siswa baru yang terjadi rutin setiap tahunnya bahkan di pertengahan tahun mengajar [1], [2]. Madrasah Tsanawiyah (MTs) Al-Ittihadiyah adalah sekolah yang berada pada naungan Kementerian Agama. Dimana setiap tahun sekolah selalu menerima siswa baru dalam jumlah yang cukup besar sekitar 300 orang. Hal ini mengakibatkan pihak sekolah selalu kesulitan dalam hal menyiapkan sarana prasarana seperti ruangan kelas dan guru-guru karena peningkatan jumlah siswa baru bertambah setiap tahunnya. Hal ini akan terjadi secara berulang pada sekolah dari tahun ke tahun. Dengan adanya akumulasi data setiap tahunnya, dapat membantu mengubah data menjadi informasi yang bermanfaat.
Melalui jumlah data yang besar ini, terbuka peluang untuk menghasilkan informasi yang berguna bagi sekolah. Sementara itu, para
pelaku bisnis memiliki kebutuhan untuk memanfaatkan gudang data yang mereka miliki, dan para peneliti melihat potensi ini sebagai peluang untuk mengembangkan teknologi baru yang dapat memenuhi kebutuhan ini, yaitu data mining.
Teknologi data mining telah menjadi sebuah alat yang berguna dalam proses eksplorasi data pada basis data yang memiliki ukuran besar dan kompleksitas tinggi [3]–[7].
Penggunaan teknologi ini telah meluas di berbagai domain aplikasi, termasuk sektor perbankan dan telekomunikasi[8], [9]. Data mining adalah suatu proses di mana data diproses dan diolah dengan cara mengekstraksi informasi yang sebelumnya tidak diketahui dari sebuah kumpulan data yang memiliki volume besar. Dalam konteks ini, data mining digunakan dengan metode Forecasting yang bertujuan untuk melakukan prediksi terhadap jumlah calon siswa baru yang akan direkrut pada tahun mendatang [10], [11].
Peramalan merupakan upaya sistematis untuk memproyeksikan apa yang kemungkinan besar akan terjadi di masa depan berdasarkan informasi dari masa lalu dan saat ini, dengan tujuan mengurangi kesalahan. Prediksi tidak harus memberikan jawaban yang pasti, tetapi berusaha untuk mendekati jawaban yang paling mungkin terjadi [12], [13]. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien [14].
Prediksi Merupakan prediksi nilai-nilai sebuah variabel berdasarkan kepada nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan[15]. Metode peramalan dapat dibagi menjadi dua kategori utama, yaitu:
Kualitatif lebih mementingkan judgment serta intuisi manusia dari pada penggunaan data sejarah yang di miliki. Kuantitatif ialah teknik yang digunakan apabila histories cukup memadai dan apabila data tersebut dia anggap sudah cukup representatif untuk masa lalu dan dapat diperluas untuk masa depan dengan cara yang baik agar mendapatkan peramalan yang akurat. [16], [17].
Simple linear regression adalah metode prediksi yang menggunakan garis lurus untuk mengilustrasikan hubungan antara dua variabel atau lebih. Variabel tersebut terdiri dari dua jenis, yaitu variabel independen atau variabel pemberi pengaruh. dan variabel terpengaruh.
Variabel pemberi pengaruh dapat dianalogikan sebab, sementara variabel terpengaruh merupakan akibat. Informasi yang dihasilkan dari data mining dengan linear regression bisa dijadikan sebagai dasar untuk pengambilan keputusan dan linear regression ini dipilih karena sederhana, cepat dan sangat akurat [13], [15], [18]. Regresi Linear Sederhana adalah salah satu metode least square yang berfungsi untuk menguji hubungan sebab akibat antara Variabel Penyebab (X) terhadap Variabel Akibat (Y). Variabel Penyebab pada umumnya dilambangkan dengan X sedangkan Variabel Akibat dilambangkan dengan Y [19]–[21].
Dalam penelitian lainnya juga banyak menerapkan algoritma simple linear regression dengan topic yang berbeda-beda seperti Prediksi Penjualan Handphone di Toko X dan Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk. Dalam penelitian ini yang membedakan dengan penelitian
sebelumnya ialah sumber data yang berbeda, waktu dan tempat penelitiannya juga berbeda.
Dengan adanya penelitian ini permasalahan yang akan dibahas yaitu penerapan metode forecasting dalam menentukan jumlah siswa baru menggunakan algoritma simple linear regression.
2. METODE PENELITIAN
Metode ini dilaksanakan dengan pengamatan pada lokasi penelitian, Penelitian ini dilakukan pada MTs. Al-Ittihadiyah Pkl. Masyhur.
Pengumpulan dataset dilakukan dengan cara mengunjungi langsung ke lokasi penelitian.
Dimana peneliti melakukan pencarian dataset yang memiliki criteria seperti:
a. Data yang bersifat variable time series atau memiliki variable yang berhubungan dengan waktu
b. Data dengan variable data siswa baru c. Data yang berdimensi tinggi
Analisa ini bertujuan agar MTs. Al- Ittihadiyah Pkl. Masyhur dapat mengetahui prediksi berapa jumlah siswa baru pada tahun yang akan dating serta tahapan-tahapan yang harus dilakukan dalam menerima siswa baru, sehingga sekolah dapat menyiapkan perangkat pembelajaran serta infrastruktur yang akan di gunakan.
Dataset yang di pilih adalah dataset siswa baru pada MTs. Al-Ittihadiyah Pkl. Masyhur.
Dataset tersebut didapatkan dari wawancara dan observasi, data ini adalah data histori penerimaan siswa baru 8 tahun terakhir 2014/2015-2021/2022 yang terdiri dari 3 variabel.
Berikut adalah tabel histori siswa baru MTs.
Al-Ittihadiyah Pkl. Masyhur dapat dilihat pada tabel di bawah ini.
Tabel 1. Data Histori Siswa Baru No
Tahun Pelajaran
Pendaftar (X)
Siswa Baru (Y)
1 2014/2015 263 257
2 2015/2016 275 262
3 2016/2017 284 275
4 2017/2018 290 283
5 2018/2019 337 320
6 2019/2020 346 299
7 2020/2021 340 318
8 2021/2022 354 327
Dari data diatas selanjutnya data tersebut di input kedalam excel kemudia data akan proses melalui proses perhitungan serta mengikuti tahapan algoritma simple linear regression. Hasil tersebut dapat diimplementasikan ke pemrograman statistik agar dapat melihat hasil.
Berikut ini rumus yang digunakan untuk perhitungan algoritma simple linear regression:
Gambar 2. Rumus koefisien
3. HASIL DAN PEMBAHASAN
Pada tahapan ini merupakan penguraian dari suatu sistem informasi yang kompleks untuk diidentifikasi serta mengevaluasi masalah serta hambatan yang terjadi. Berikut adalah tabel histori siswa baru MTs. Al-Ittihadiyah Pkl.
Masyhur Medan.
Tabel 2. Data Histori Siswa Baru No
Tahun Pelajaran
Pendaftar (x)
Siswa Baru (y)
1 2014/2015 263 257
2 2015/2016 275 262
3 2016/2017 284 275
4 2017/2018 290 283
5 2018/2019 337 320
6 2019/2020 346 299
7 2020/2021 340 318
8 2021/2022 354 327
Tahapan berikutnya dilanjutkan dengan melakukan penyederhanaan dari tabel histori siswa baru, berikut ini tabel penyederhanaan siswa baru.
Tabel 3. Penyederhanaan Data Histori Siswa Baru
No X Y
1 263 257
2 275 262
3 284 275
4 290 283
5 337 320
6 346 299
7 340 318
8 354 327
Tahapan selanjutnya mencari nilai dengan cara menghitung dalam mencari nilai X2, XY serta jumlah dari masing-masing variabel.
Tabel 4. Nilai perhitungan X2 dan XY
No x y x2 xy
1 263 257 69169 67591
2 275 262 75625 72050
3 284 275 80656 78100
4 290 283 84100 82070
5 337 320 113569 107840 6 346 299 119716 103454 7 340 318 115600 108120 8 354 327 125316 115758
∑ 2489 2341 783751 734983
Maka tahapan berikutnya mencari nilai konstanta (a) dan koefisien (b) berdasarkan algoritma simple linear regression berikut ini rumus yang akan di gunakan.
Menghitung konstanta : a = (∑ Y)(∑𝑋
2)−(∑ X)(∑ XY) 𝑛 ∑𝑋2−(∑𝑋)2
Menghitung koefisien : b = 𝑛(∑ XY)−(∑ X)(∑ Y)
𝑛 ∑𝑋2−(∑𝑋)2
Diketahui n = 8
∑X = 2489
∑Y = 2341
∑XY = 734983
∑X2 = 783751
(∑X)2 = 6195121 Menghitung Konstanta a a = (2341)(783751)−(2489)(734983)
8 783751−(2489)2
a = (2341)(783751)−(2489)(734983) 8 783751−6195121
a = 𝟓𝟑88404
74887
a = 71,9538
Menghitung koefisien b : b = 8(734983)−(2489)(2341)
8 (6195121)−(2489)2
b = 8(734983)−(2489)(2341) 8 (6195121)−(6195121)
b = 53115−
74887
a = 0,709269
Maka persamaan regresi adalah : Y = a + bX
Y = 71,9538 + 0,709269X
Jadi, peramalan nilai estimasi untuk besaran siswa baru yang akan masuk tahun depannya adalah :
Y = 71,9538 + 0,709269X Y = 71,9538 + 0,709269(374) Y = 71,9538 + 265,266 Y = 337,220
Maka nilai Y = 337,220 yang di atas merupakan estimasi jumlah siswa baru yang akan masuk pada tahun 2023/2024
Hasil perhitungan algoritma simple linier regression
Gambar 3. Hasil perhitungan algoritma simple linier regression
Hasil prediksi dengan jumlah peserta 374 sisiwa
Gambar 4. Prediksi dengan jumlah pendaftar 374 siswa
Hasil statistik dan visualisasi
Gambar 3 Statistik dan Visualisasi menggunakan Plot
4. KESIMPULAN
Dari hasil dan pembahasan yang
sudah di paparkan diatas, disimpulkan
bahwa dalam menentukan jumlah siswa baru
pada MTs. Al-Ittihadiyah Pkl. Masyhur
peneliti menggunakan 2 skenario dataset
dimana skenario 2 dataset menggunakan
algoritma simple linier regression. Pada pre-
processing data yang menghasilkan
performa prediksi yaitu Y = 71,9538 +
0,709269X, di dataset untuk peramalan
estimasi untuk besaran siswa baru apabila
pendaftar berjumlah 374 siswa maka akan menghasilkan prediksi siswa baru sejumlah 337 siswa. Dataset yang digunakan pada tahun pelajaran 2014/2015 – 2021/2022, sedangkan dataset tahun pelajaran 2022/2023 digunakan untuk peramalan estimasi siswa baru untuk tahun pelajaran 2023/2024
REFERENCES
[1] Ismail, “Sistem Pendukung Keputusan Penerimaan Siswa Baru Menggunakan Algoritma Smart Pada Sekolah Menengah Atas Negeri 2 Soppeng,” J.
Ilm. Sist. Inf. dan Tek. Inform. “JISTI,”
vol. 2, no. 1, pp. 26–34, 2019.
[2] M. Kusmawaty, “Perancangan dan implementasi data mining dalam proses penerimaan siswa baru dengan metode quantitative association rule,” J. Tek.
Komput., 2017.
[3] W. N. Purba, D. Situmorang, Y. Alfani, D. Hutabarat, and F. W. Anggiono,
“Implementasi Data Mining Dengan Metode Pohon Keputusan Algoritma Id3 Untuk Menentukan Memprediksi Penjualan Pada CV. Mitra Baja Cemerlang,” J. Mantik Penusa, vol. 2, no. 1, pp. 82–86, 2019.
[4] C. S. D. B. Sembiring, L. Hanum, and S.
P. Tamba, “Penerapan Data Mining Menggunakan Algoritma K-Means Untuk Menentukan Judul Skripsi Dan Jurnal Penelitian (Studi Kasus Ftik Unpri),” J. Sist. Inf. dan Ilmu Komput.
Prima(JUSIKOM PRIMA), vol. 5, no. 2,
pp. 80–85, 2022, doi:
10.34012/jurnalsisteminformasidanilmuk omputer.v5i2.2393.
[5] S. P. Tamba, A. W. Tan, Y. Gunawan, and ..., “Penerapan Data Mining Untuk Pembuatan Paket Promosi Penjualan Menggunakan Kombinasi Fp-Tree Dan Tid-List,” … (Teknik Inf. dan …, vol. 4, 2021.
[6] B. Budiman, “Perbandingan Algoritma Klasifikasi Data Mining untuk Penelusuran Minat Calon Mahasiswa Baru,” Nuansa Inform., vol. 15, no. 2, pp.
37–52, 2021, doi:
10.25134/nuansa.v15i2.4162.
[7] N. L. P. P. Dewi, I. N. Purnama, and N.
W. Utami, “Penerapan Data Mining Untuk Clustering Penilaian Kinerja Dosen Menggunakan Algoritma K- Means (Studi Kasus: STMIK Primakara),” J. Ilm. Teknol. Inf. Asia, vol. 16, no. 2, p. 105, Jul. 2022, doi:
10.32815/jitika.v16i2.761.
[8] E. Fauziningrum, M.Pd and E. I.
Sulistyaningsih, “Penerapan Data Mining Metode Decision Tree Untuk Mengukur Penguasaan Bahasa Inggris Maritim (Studi Kasus Di Universitas Maritim Amni),” J. Sains Dan Teknol. Marit., vol.
22, no. 1, p. 41, 2021, doi:
10.33556/jstm.v22i1.285.
[9] D. R. Yusian, “Analisa Penerapan Data Mining Pada Penerimaan Mahasiswa Politeknik Negeri Lhokseumawe Menggunakan Algoritma K-Means,” J.
Informatics Comput. …, vol. 4, no. 2, pp.
208–216, 2018.
[10] D. M. Efendi and F. Ardhy, “Penerapan Data Mining Untuk Peramalan Penjualan Obat dengan Menggunakan Single Exponential Smoothing di Apotek Hamzah Farma,” Semin. Nas. Teknol.
dan Bisnis, pp. 198–203, 2018.
[11] I. Oktanisa and A. A. Supianto,
“Perbandingan Teknik Klasifikasi Dalam Data Mining Untuk Bank Direct Marketing,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, p. 567, 2018, doi:
10.25126/jtiik.201855958.
[12] I. Ali, T. Informatika, and S. I. Cirebon,
“Prediksi Jumlah Mahasiswa Baru Tahun 2023 Menggunakan Metode Regresi Linier Pada Universitas Swadaya Gunung Jati Cirebon,” 2023.
[13] Hendra Di Kesuma, D. Apriadi, H.
Juliansa, and E. Etriyanti, “Implementasi Data Mining Prediksi Mahasiswa Baru Menggunakan Algoritma Regresi Linear Berganda,” J. Ilm. Bin. STMIK Bina Nusant. Jaya Lubuklinggau, vol. 4, no. 2,
pp. 62–66, 2022, doi:
10.52303/jb.v4i2.74.
[14] A. Amrullah, E. Affandi, W. Riansyah, and S. Sobirin, “Peramalan Penjualan Bulanan menggunakan metode Trend Moment pada Toko Suamzu Boutique,”
J. SAINTIKOM (Jurnal Sains Manaj.
Inform. dan Komputer), vol. 19, no. 2, p.
46, 2020, doi: 10.53513/jis.v19i2.2423.
[15] D. Novianty, N. D. Palasara, and M.
Qomaruddin, “Algoritma Regresi Linear pada Prediksi Permohonan Paten yang Terdaftar di Indonesia,” J. Sist. dan Teknol. Inf., vol. 9, no. 2, p. 81, 2021, doi: 10.26418/justin.v9i2.43664.
[16] T. M. Jannah, L. Latipah, and A.
Muchayan, “Decision Support System Forecasting Penjualan Menggunakan Metode Simple Moving Average (Studi Kasus : CV. Perkakas Indonesia),” J.
Sisfokom (Sistem Inf. dan Komputer), vol. 11, no. 2, pp. 214–222, 2022, doi:
10.32736/sisfokom.v11i2.1434.
[17] D. A. Trianggana, “a Peramalan Jumlah Siswa-Siswi Melalui Pendekatan Metode Regresi Linear,” J. Media Infotama, vol.
16, no. 2, pp. 115–120, 2020, doi:
10.37676/jmi.v16i2.1149.
[18] F. Ginting, E. Buulolo, and E. R. Siagian,
“Implementasi Algoritma Regresi Linear Sederhana Dalam Memprediksi Besaran Pendapatan Daerah (Studi Kasus: Dinas Pendapatan Kab. Deli Serdang),”
KOMIK (Konferensi Nas. Teknol. Inf.
dan Komputer), vol. 3, no. 1, pp. 274–
279, 2019, doi:
10.30865/komik.v3i1.1602.
[19] S. L. Nasution, C. H. Limbong, and D. A.
Ramadhan, “PENGARUH KUALITAS
PRODUK, CITRA MEREK,
KEPERCAYAAN, KEMUDAHAN, dan HARGA TERHADAP KEPUTUSAN PEMBELIAN PADA E-COMMERCE SHOPEE (Survei pada Mahasiswa S1 Fakultas Ekonomi Jurusan Manajemen Universitas Labuhan Batu),” Ecobisma (Jurnal Ekon. Bisnis Dan Manajemen), vol. 7, no. 1, pp. 43–53, 2020, doi:
10.36987/ecobi.v7i1.1528.
[20] A. I. Permana, “Pengaruh Kualitas Website, Kualitas Pelayanan, Dan Kepercayaan Pelanggan Terhadap Minat Beli Pelanggan Di Situs Belanja Online Bukalapak,” Ekon. Bisnis, vol. 25, no. 2,
pp. 94–109, 2020, doi:
10.33592/jeb.v25i2.422.
[21] O. Somantri, W. E. Nugroho, and A. R.
Supriyono, “Penerapan Feature Selection Pada Algoritma Decision Tree Untuk Menentukan Pola Rekomendasi Dini Konseling,” J. Sist. Komput. dan Inform., vol. 4, no. 2, pp. 272–279, 2022, doi:
10.30865/json.v4i2.5345.
