Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 181-188
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Implementasi Metode Apriori Dalam Pembagian Kejuruan Penerimaan Siswa Baru Di SMK Negeri 1 Siantar Ria Annisa Saragih1.
Irfan Sudahri Damanik2.
Ilham Syahputra Saragih3 1Mahasiswa STIKOM Tunas Bangsa.
Pematangsiantar.
Sumatera Utara.
Indonesia 2,3STIKOM Tunas Bangsa.
Pematangsiantar.
Sumatera Utara.
Indonesia Jln.
Sudirman Blok A No.
1-3 Pematangsiantar.
Sumatera Utara 1riaannisasaragih01@gmail.
com, 2irfansudahri@stikomtunasbangsa.
3ilhamsyahputrasaragih@gmail.
Abstract The purpose of this research is to determine the vocational division of the acceptance of new students that will be taken by the author with data mining techniques using a priori algorithm The data source used is to make observations.
Match predictions can be obtained based on the results of comparisons with other students who have similarity data with student A.
By using a priori algorithm obtained results that involve a collection of items that often with a high value of trust.
The results of this study are data that group prospective new students based on their desired majors with a minimum support of 50% and a minimum trust of 50%, making 20 rules that are set aside.
One of the rules that is formed is if the student chooses a fashion major (A.
then the department that is more suitable for students is hair and skin (A.
with a support value of 0.
5 or equal to 50 and trust 100 to 5 or equal to 50 It is hoped that this information can provide advice to the public vocational school 1 Siantar.
Keywords: Data mining.
Apriori algorithm, predictor admission in country 1 Siantar Abstrak Tujuan dari penelitin ini adalah untuk menentukan pembagian kejuruan terhadap penerimaan siswa baru yang akan diambil oleh penulis dengan tekhnik data mining menggunakan metode algoritma apriori.
Sumber data yang digunakan adalah dengan melakukan observasi.
Prediksi kecocokan dapat diperoleh berdasarkan hasil perbandingan dengan siswa lain yang memiliki kemiripan data dengan siswa A.
Dengan menggunakan Algoritma apriori yang didapatkan hasil berupa aturan merupakan kumpulan frequent itemset dengan nilai confidence yang tinggi.
Hasil dari penelitian ini adalah data mengelompokkan calon siswa baru berdasarkan dengan jurusan yang diinginkan dengan minimum support 50 % dan minimum confidance 50 %, membentuk 20 rules disetiap tahunnya.
Salah satu rules yang terbentuk adalah jika siswa/i memilih jurusan tata busana(A.
maka jurusan yang lebih cocok untuk siswa/i yaitu tata kecantikan rambut dan kulit(A.
dengan nilai support 0.
5 atau sama dengan 50 dan nilai confidance 0.
5 atau sama dengan 50.
Diharapkan informasi ini dapat memberikan rekomendasi kepada pihak sekolah SMK negeri 1 Siantar.
Kata Kunci: Data Mining.
Algoritma Apriori.
Kejuruan.
Penerimaan Siswa Baru.
SMK Negeri 1 Siantar
PENDAHULUAN
Sekolah menengah kejuruan (SMK) adalah salah satu jenjang pendidikan menengah dengan mempersiapkan lulusan untuk siap bekerja.
Sekolah bagian Kejuruan pun kini semakin banyak diminati.
Pendidikan kejuruan berlangsung apabila individu atau sejumlah individu mendapatkan informasi, pemahaman, kemampuan, keterampilan, minat dan sikap.
Kejuruan ini mempersiapkan peserta didik untuk bekerja diberbagai bidang tertentu dan pendidikan kejuruan juga Implementasi Metode Apriori Dalam Pembagian Kejuruan Penerimaan Siswa Baru (Ria Annisa Saragi.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 181-188
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik mengajarkan cara bekerja dengan efektif.
Namun.
Saat ini lembaga pendidikan khususnya SMK dituntut untuk memiliki daya saing yang unggul di semua sektor dengan memanfaatkan ilmu yang dimilikinya.
SMK Negeri 1 Siantar memiliki 4 jurusan yaitu Teknologi Komputer Jaringan (TKJ).
Tata Rias.
Tata Busana dan Multimedia.
Setiap ajaran baru SMK Negeri 1 Siantar Mengadakan seleksi calon siswa baru dengan dibentuknya panitia untuk mengelompokkan perjurusan berdasarkan kriteria yang sudah ditentukan agar calon siswa/siswi baru yang sesuai atau cocok dengan jurusannya.
Tujuan dari kejuruan tersebut agar mudah dipahami untuk calon siswa/siswi baru.
Pengambilan keputusan untuk menentukan pembagian kejuruan terhadap penerimaan siswa baru tidak dapat dilihat dari satu faktor saja tetapi harus dilihat dari banyak faktor yang mempengaruhi pembagian kejuruan, karena minat setiap siswa berbeda.
Hal itu yang perlu mendapat perhatian lebih dari pihak sekolah.
Perlu diperhatikan dari faktor internal yaitu kondisi yang ada pada siswa seperti Selain itu, faktor eksternal seperti siswa yang hanya memilih jurusan berdassarkan informasi teman, tidak memperhatikan nilai dan peminatan kurikulumnya sehingga menjadi salah jurusan dan berakibat putus sekolah ditengah jalan.
Seperti halnya dalam menentukan suatu pemilhan kejuruan dalam bidang keahlian di Sekolah Menengan Kejuruan (SMK).
Dalam mengetahui kejuruan yang diambil secara bersamaan, dapat digunakan association rule .
turan asosias.
yaitu teknik data mining untuk menemukan aturan asosiatif suatu kombinasi item.
Pencarian assosiasi berawal dari pengolahan data pembagian kejuruan siswa baru.
Proses dalam mencari asosiasi ini menggunakan bantuan algoritma apriori yang merupakan algoritma yang digunakan untuk menghasilkan association rule dengan pola Auif thenAy yang berfungsi untuk membentuk kombinasi item yang mungkin, kemudian diuji apakah kombinasi tersebut memenuhi suport dan confidence minimum yang merupakan nilai ambang yang diberikan oleh user.
Data mining adalah suatu istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database.
Data mining merupakan proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar .
Algoritma Apriori merupakan algoritma dasar yang diusulkan oleh agrawal dan srikant pada tahun .
4 ) untuk menemukan frequent itemsets pada sekumpulan data.
Selain dari apriori terdapat beberapa algoritma association rule lainnya seperti filtered Associator .
Algoritma apriori ini digunakan untuk menentukan kombinasi items atau mengelompokkan.
Dari permasalahan tersebut maka penulis melakukan Penelitian dengan judul AuImplementasi Algoritma Apriori Dalam Menentukan Pembagian Kejuruan Penerimaan Siswa Baru Di SMK Negeri 1 SiantarAy.
Diharapkan penelitian ini dapat memberikan informasi kepada sekolah tentang data pengelompokkan pembagian kejuruan penerimaan siswa baru yang mempermudahkan para guru untuk menentukan calon siswa baru.
Implementasi Metode Apriori Dalam Pembagian Kejuruan Penerimaan Siswa Baru (Ria Annisa Saragi.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 181-188
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik METODOLOGI PENELITIAN Algoritma apriori adalah suatu algoritma dasar yang diusulkan oleh Agrawal dan Srikant, 1994 untuk menentukan Frequent itemsets untuk aturan asosiasi Boolean.
Algoritma Apriori termasuk jenis Aturan Asosiasi pada data mining aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis.
Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan suatu kombinasi item serta berguna untuk menemukan hubungan tersembunyi yang menarik di data set yang Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi .
requent pattern minin.
Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolok ukur, yaitu.
Support .
ilai penunjan.
adalah persentase kombinasi item tersebut dalam database, sedangkan confidence .
ilai kepastia.
adalah kuatnya hubungan antara-item dalam aturan asosiasi .
Langkah-langkah perhitungan Algoritma Apriori Pola frekuensi tinggi Pada tahap dimana pembentukan kombinasi antar item yang telah memenuhi syarat minimum support.
Nilai support pada satu itemset dapat diperoleh dengan menggunakan sebuah rumusan di bawah ini :
Support(A) = .
Rumus diatas memiliki arti untuk menentukan nilai support pada satu itemset jumlah transaksi yang mengandung item A dibagi dengan jumlah transaksi yang ada pada database.
Rumus nilai support 2 item :
Support(A,B) = Support(A O B) x 100% .
Pada rumus diatas untuk menentukan nilai support pada dua itemset atau lebih, jumlah transaksi yang mengandung item A dan B dibagi dengan total transaksi yang terjadi pada database.
Pembentukan Aturan Asosiasi Langkah yang dilakukan setelah menentukan nilai support pada itemset berfrekuensi tinggi lalu dibentuk aturan asosiasi yang menyatakan kuatnya hubungan kombinasi itemset pada transaksi.
Untuk menentukan aturan asosiasi yang terbentuk minimal itemset harus memiliki dua kandidat A dan B.
Pada rules yang terbentuk berlaku hukum asosiatif A -> B tidak berlaku B -> A.
Untuk menentukan aturan A->B digunakan rumus:
Support(A|B) = x 100% .
HASIL DAN PEMBAHASAN Perhitungan tentang algoritma apriori dimulai dengan metode aturan assosiasi penulis mengambil data yang akan diolah sebagai contoh yaitu sebanyak 15 data kejuruan di SMK Negeri 1 Siantar seperti dilihat pada table dibawah.
Implementasi Metode Apriori Dalam Pembagian Kejuruan Penerimaan Siswa Baru (Ria Annisa Saragi.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 181-188
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Penulis memberikan batasan nilai minimum support 0.
5 atau sama dengan 50% dan confidence 0.
5 atau sama dengan 50%.
Berikut ini merupakan sampel data kejuruan yang sudah dijelaskan pada table.
Tabel 1.
Data Kejuruan No Kode Jurusan Nama Jurusan Multimedia Tata kecantikan Rambut dan kulit Teknik Komputer Dan Jaringan Tata Busana Data diatas merupakan data kejuruan yang akan digunakan pada penelitian ini dan berlaku untuk semua jenis.
Pada data transaksi Kejuruan dibentuk tabel tabular yang akan memudahkan dalam mengetahui beberapa banyak item yang lebih banyak data dalam memilih kejuruan disetiap transaksi.
Tabel 2.
Data Transaksi Tabular Transaksi A1 A2 A3 A4 Penyelesaian berdasarkan tabel yamg ada pada tabel 3.
2 proses pembuatan C1 atau bisa dikatakan dengan 1 item dan jumlah minimum support = 50%.
Tabel 3.
Support dari Setiap Kejuruan Kode Jurusan Proses Support Support % .
*100 .
*100 66,6666667 .
*100 66,6666667 .
*100 66,6666667 Dari Proses pembentukan item pada tabel 3.
3 dengan minimum support 50% dapat diketahui yang memenuhi standar minimum support yaitu ada 4 jenis, dari Implementasi Metode Apriori Dalam Pembagian Kejuruan Penerimaan Siswa Baru (Ria Annisa Saragi.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 181-188
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik ke 3 jenis tersebut kemudian dibentuk kombinasi 2 item.
Tabel berikut merupakan jenis item yang memenuhi standart minimum support.
Tabel 4.
Data Pembagian Kejuruan Support Kode Jurusan Minimum Support 50% 66,66666667 % 66,66666667 % 66,66666667 % Pembentukkan C2 atau bisa dikatakan dengan 2 item dengan jumlah minimum support = 50% dan dapat terselesaikan dengan rumus Support (A,B) = P(A B) Support (A,B).
Tabel 5.
Data 2 itemset dengan Minimum Support 50% Kode Jurusan Jumlah Proses Support Support % A1-A2
*100
A1-A3
*100
46,6666667
A1-A4
*100
A2-A3
*100
A2-A4
*100
A3-A4
*100
Dari kombinasi 2 itemset dengan minimum support 50% maka diketahui item yang memenuhi standart minimum Support seperti dibawah ini.
Tabel 6.
Data Hasil Perhitungan Confidence Asosiasi 50 % Hubungan Antar Item
A4 => A2
A2 => A4
A3 => A2
A2 => A3
Proses Confidence .
*100 .
*100 .
*100 .
*100 Nilai Confidence Dari tabel diatas menunjukkan nilai asosiasi, bahwa setiap siswa/i SMK Negeri 1 Siantar memilih jurusan Tata Busana.
Tata Kecantikan dan Rambut.
Teknik Komputer serta Jaringan karena data dari item tersebut telah memenuhi nilai minimum confidence yang ditentukan.
Implementasi Metode Apriori Dalam Pembagian Kejuruan Penerimaan Siswa Baru (Ria Annisa Saragi.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 181-188
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Gambar 1.
Tampilan hasil pengolahan RapidMiner Setelah dilihat dari hasil grapic dibawah dapat dilihat ternyata item set yang tersisa, adalah (Multimedia.
Tata kecantikan Rambut Dan Kulit.
Teknik Komputer dan Jaringan.
Tata Busan.
Langkah Selanjutnya ialah dengan membentuk association rule yang kuat berdasarkan frequent item set yang dihasilkan tersebut berdasarkan nilai confidence.
Rule 1 : {Tata Busan.
{Tata Kecantikan Rambut dan Kuli.
C ={{ Tata Busana.
Tata Kecantikan Rambut dan Kuli.
/ { Tata Busan.
= 5/10 = 0,5 .
Rule 2 : {Tata Kecantikan Rambut dan Kuli.
{Tata Busan.
C ={{Tata Kecantikan Rambut dan Kulit.
Tata Busan.
/ {Tata Kecantikan Rambut dan Kuli.
= 5/10 = 0,5 .
Rule 3 : {Teknik Komputer Dan Jaringa.
{Tata Kecantikan Rambut dan Kuli.
C ={{ Teknik Komputer Dan Jaringan.
Tata Kecantikan Rambut dan Kuli.
/ { Teknik Komputer Dan Jaringan } = 5/10 = 0,5 .
Rule 4 : { Tata Kecantikan Rambut dan Kulit } { Teknik Komputer Dan Jaringan } C = {{ Tata Kecantikan Rambut dan Kulit .
Teknik Komputer Dan Jaringan } / { Tata Kecantikan Rambut dan Kulit } = 5/10 = 0,5 Implementasi Metode Apriori Dalam Pembagian Kejuruan Penerimaan Siswa Baru (Ria Annisa Saragi.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 181-188
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Gambar 2.
Tampilan Grapic RapidMiner SIMPULAN Adapun kesimpulan yang dapat diambil berdasarkan dari penelitian yang telah dilakukan pada penerapan metode algoritma apriori untuk menentukan pembagian kejuruan penerimaan siswa baru sebagai berikut :
penerapan data mining dengan metode algoritma apriori untuk menghasilkan suatu kombinasi items dalam menentukan pembagian kejuruan penerimaan siswa baru dengan menggunakan software RapidMiner 3 dapat membantu peneliti menentukan nilai support dan confidance.
Dari hasil perhitungan data mining algoritma apriori menggunakan Software RapidMiner 5.
3, data mengelompokkan calon siswa baru berdasarkan dengan jurusan yang diinginkan dengan minimum support 50 % dan minimum confidance 50 %, membentuk 20 rules disetiap tahunnya.
Salah satu rules yang terbentuk adalah jika siswa/i memilih jurusan tata busana(A.
maka jurusan yang lebih cocok untuk siswa/i yaitu tata kecantikan rambut dan kulit(A.
dengan nilai support 0.
5 atau sama dengan 50 dan nilai confidance 5 atau sama dengan 50.
Sehingga informasi ini dapat memberikan rekomendasi kepada pihak sekolah SMK negeri 1 Siantar.
DAFTAR PUSTAKA