Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Model Aturan dalam Menentukan Prestasi Nilai Siswa di SMK GKPS 1 Raya Menggunakan Algoritma C4.
Rofiana Simanullang*1.
Dedy Hartama2.
Poningsih3.
Iin Parlina4.
Muhammad R.
Lubis5
1,2,3,4,5
Teknik Informatika.
STIKOM Tunas Bangsa Pematangsiantar.
Indonesia Email: 1rofianamanullang27@gmail.
com, 2dedyhartama@yahoo.
poningsih@amiktunasbangsa.
id, 4iin@amiktunasbangsa.
ridwanlubis@amiktunasbangsa.
Abstrak Data nilai siswa merupakan suatu data penting bagi pihak departemen, maupun pada pihak sekolah karena perlu untuk melihat bagaimana perkembangan nilai siswa-siswi di SMK GKPS 1 Raya dikemudian hari.
Data nilai siswa pun semakin bertambah bila semakin tahun berganti tahun, dan data tersebut dapat memberi informasi yang berguna bila diolah dengan baik.
Maka dari itu, dalam penelitian ini penulis akan memanfaatkan 202 data nilai siswa yang diperoleh dari pihak sekolah SMK GKPS 1 Raya yang dikelola menggunakan data mining untuk mendapatkan suatu informasi klasifikasi perkembangan nilai siswa dan menentukan prestasi siswa.
Dalam metode ini, algoritma yang digunakan yaitu algoritma C 4.
5 decision tree yang didukung dengan Software RapidMiner.
Kriteria yang digunakan adalah seperti NISN.
Nama Siswa.
Nilai Rata-rata dan Nilai Kehadiran yang di input ke input kedalam Microsoft Excel 2007 dan dilakukan transformasi dari nilai angka ke nilai huruf yang dimana Jika nilai >90 maka nilainya A, 80 Ae 89 = B, 70 Ae 79 = C, dan <60 = D.
Dengan menggunakan metode ini dapat menjadi salah satu alat untuk dapat membantu pihak sekolah dalam melihat perkembangan nilai siswa, sehingga hasil yang di dapat dalam metode ini dapat menentukan nilai yang berprestasi dan yang tidak berprestasi serta dapat memberikan rekomendasi untuk pihak sekolah semakin memperbaiki sistem pembelajaran yang berlaku untuk kedepannya.
Kata kunci: Algoritma C4.
Data Mining.
Decision Tree.
Nilai Siswa Abstract Student score data is an important data for the department, as well as for the school because it is necessary to see how the development of student scores at SMK GKPS 1 Raya in the future.
Data on student scores also increases as the years go by, and the data can provide useful information if processed properly.
Therefore, in this study the author will utilize 202 student score data obtained from the SMK GKPS 1 Raya school which is managed using data mining to obtain an information on the classification of student grade developments and determine student achievement.
In this method, the algorithm used is the C 4.
5 decision tree algorithm which is supported by RapidMiner Software.
The criteria used are NISN.
Student Name.
Average Value and Attendance Value which are inputted into Microsoft Excel 2007 and transformed from the value numbers to letter grades where if the value is >90 then the value is A, 80 Ae 89 = B, 70 Ae 79 = C, and <60 = D.
Using this method can be a tool to help the school in seeing the progress of the grades students, so that the results obtained in this method can determine the value of achievers and those who do not excel and can provide recommendations for the school to further improve the learning system that applies to the future.
Keywords: C4.
5 Algorithm.
Data Mining.
Decision Tree.
Student Score
PENDAHULUAN
Prestasi nilai siswa merupakan tingkat kemampuan siswa dalam menerima suatu pelajaran yang menyangkut ilmu pengetahuan, keterampilan dan sikap, sebagai hasil pengalaman siswa dalam interaksi dengan lingkungannya.
Sehingga mutu dan kualitas dari suatu institusi pendidikan atau pihak departemen salah satunya dilihat dari prestasi yang dicapai oleh lulusannya.
Bagi pihak sekolah SMK GKPS 1 Raya hingga saat ini masih sering menjadi masalah bagaimana cara untuk mengeksplorasikan karakteristik dari siswa hingga dapat menentukan prestasi nilai siswa tersebut, belum dapat dilakukan Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
secara mudah dan sederhana sehingga masih dilakukan dengan melihat prestasi beberapa siswa dengan cara manual dan belum melakukan klasifikasi secara keseluruhan.
Perkembangan prestasi nilai siswa selalu dilakukan penilaian secara berkala, yaitu yang dapat berbentuk ujian, pelaksanaan tugas, dan pengamatan oleh guru.
Untuk pengamatan guru terhadap siswa biasanya diselenggarakan melalui ujian tengah semester, ujian akhir semester , hingga dari nilai kehadiran siswa.
Tingkat prestasi atau mutu dari siswa merupakan barometer dalam menentukan perkembangan akreditasi dari pihak departemen.
Dalam hal ini perlu untuk dilakukan membuat model aturan dalam penentuan prestasi nilai siswa apakah terjadi perkembangan.
Sehingga penelitian ini mengaplikasikan teknik data mining dengan algoritma C4.
5 dalam membuat suatu model aturan untuk menentukan prestasi nilai siswa berdasarkan mata pelajaran berbasis kompetensi dan data yang mendukung peningkatan prestasi siswa.
Model aturan yang diperoleh untuk mengklasifikasikan prestasi siswa yang terdiri dari Sangat Baik.
Baik.
Cukup, dan Kurang.
Dalam penelitian ini, penulis memberikan suatu solusi untuk membuat suatu model aturan dalam menentukan prestasi nilai siswa dengan menggunakan algoritma C4.
5 untuk melakukan penentuan prestasi siswa, karena algoritma C4.
5 merupakan salah satu metode pada Decision Tree atau Pohon keputusan yang sering banyak digunakan untuk melakukan suatu prediksi terhadap suatu Penelitian ini diharapkan dapat memberikan kontribusi bagi pihak departemen pendidikan khususnya pada SMK GKPS 1 Raya.
Walaupun telah banyak peneliti yang telah melakukan penelitian berkaitan dengan prestasi nilai siswa, namun masih banyak yang belum mengetahui apa yang menjadi faktor berkembang tidaknya suatu prestasi nilai siswa tersebut.
Adapun beberapa penelitian terdahulu terkait dengan penggunaan algoritma C4.
5 yang berkaitan dengan membuat suatu model aturan dalam menentukan prestasi nilai salah satunya yaitu: penelitian yang dilakukan oleh .
tentang model aturan keterhubungan data mahasiswa menggunakan algoritma C4.
5 Untuk Meningkatkan Indeks Prestasi.
Beliau menyimpulkan bahwa Dalam studi kasus pada Akademi Manajemen Informatika Komputer (AMIK) Tunas Bangsa Pematangsiantar bahwa sebagian besar mahasiswa yang memiliki predikat buruk apabila faktor rata-rata ekonomi = 3 dan ratamkk bernilai E dan predikat dengan pujian apabila jika ratamkk = A dan ratamkb = A kemudian rata-rata dukungan orang tua = 4.
Penelitian .
telah melakukan survei, data mining dalam bidang pendidikan antara tahun 1995 sampai 2005, mereka menyimpulkan bahwa data mining yang berhubungan dengan pendidikan sangat baik untuk diteliti terutama di bidang e-learning, multimedia, artificial intelligent dan web database.
Penelitian .
menggunakan teknik data mining yang digunakan untuk membangun prototipe Penilaian Kinerja Monitoring System (PAMS) untuk mengevaluasi kinerja mahasiswa.
Penelitian .
penerapan algoritma C4.
5 untuk klasifikasi predikat keberhasilan mahasiswa di amik tunas bangsa.
TINJAUAN PUSTAKA
Pengertian Algoritma C4.
Algoritma C4.
5 merupakan algoritma terkuat untuk proses pembuatan decision tree jika dibandingkan dengan algoritma lain seperti ID3.
C5.
0, dan CART .
Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.
Sebuah model pohon keputusan terdiri dari sekumpulan aturan untuk membagi sejumlah populasi yang heterogen menjadi lebih kecil, lebih homogen dengan memperhatikan pada variabel tujuannya.
Sebuah pohon keputusan mungkin dibangun dengan seksama secara manual atau dapat tumbuh secara otomatis dengan menerapkan salah satu atau beberapa algoritma pohon keputusan untuk memodelkan himpunan data yang belum terklasifikasi.
Variabel tujuan biasanya dikelompokkan dengan pasti dan model pohon keputusan lebih mengarah pada perhitungan probability dari tiap-tiap record terhadap kategori-kategori tersebut atau untuk mengklasifikasi record dengan mengelompokkannya dalam satu kelas.
Pohon keputusan juga Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
dapat digunakan untuk mengestimasi nilai dari variabel continue meskipun ada beberapa teknik yang lebih sesuai untuk kasus ini.
Banyak algoritma yang dapat dipakai dalam pembentukan pohon keputusan,antara lain ID3.
CART, dan C4.
Data Mining Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu.
Teknik-teknik, metode-metode, atau algoritma dalam data mining sangat bervariasi .
Data mining adalah serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data .
Pengertian lain mengenai Data mining.
Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual.
Data mining adalah analisis otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaannya.
Data mining digunakan untuk mencari pengetahuan yang terdapat dalam basis data yang besar sehingga sering disebut Knowledge Discovery Databases (KDD) yaitu tahapan yang dilakukan dalam menggali pengetahuan dari sekumpulan data.
Proses penggalian informasi tersembunyi dalam suatu basis data yang besar sering menggunakan istilah data mining dan knowledge discovery in databases (KDD) .
Decision Tree Decision Tree merupakan suatu metode klasifikassi dan prediksi yang sangat terkenal yang sering Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan.
Aturan dapat dengan mudah dipahami dengan bahasa alami, juga dapat diekspresikan dalam bentuk bahasa basis data seperti Structured Query Language untuk mencari record pada kategori tertentu.
Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki.
Selain karena pembangunannya relatif cepat, hasil dari model yang dibangun juga mudah untuk dipahami, sehingga Decision Tree ini merupakan metode klasifikasi yang paling popular digunakan .
Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.
Karena pohon keputusan memadukan antara eksplorasi data dan pemodelan, pohon keputusan sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain .
RapidMiner RapidMiner adalah aplikasi data mining berbasis open-source yang terkemuka dan ternama.
Didalamnya terdapat aplikasi yang berdiri sendiri untuk analisis data dan sebagai mesin data mining seperti untuk loading data, transformasi data, pemodelan data, dan metode visualisasi data .
Dengan menggunakan RapidMiner, tidak dibutuhkan kemampuan koding khusus, karena semua fasilits sudah disediakan.
RapidMiner dikhususkan untuk penggunaan data mining.
Model yang disediakan juga cukup banyak dan lengkap, seperti Model Bayesian.
Modelling.
Tree Induction.
Neural Network dan lain-lain.
Banyak metode yang disediakan oleh RapidMiner mulai dari klasifikasi, klustering, asosiassi dan lain-lain.
METODE PENELITIAN
Metodologi penelitian merupakan suatu prosedur atau langkah yang dilakukan oleh peneliti dalam rangka untuk mengumpulkan suatu data atau informasi.
Metodologi penelitian memiliki gambaran rancangan penelitian yang meliputi antara lain yaitu mulai dari cara mengumpulkan data, menganalisa data.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Rancangan Penelitian Pada Rancangan penelitian ini yang pertama kali dilakukan penulis yaitu dengan melakukan observasi atau pengamatan untuk mempelajari klasifikasi data mata pelajaran.
selanjutnya dilakukan eksperimen data dengan menggunakan perangkat lunak yaitu RapidMiner yang merupakan software open source untuk membuat model aturan data yang diambil dari database pendidikan SMK GKPS 1 Raya.
Yang dimana hasil dari eksperimen data ini nantinya yang akan menjadi suatu pengembang ilmu pengetahuan yang dapat menjadi solusi bagi pemecahan masalah yang terjadi pada pihak sekolah SMK GKPS 1 Raya.
Dalam melakukan klasifikasi data nilai siswa SMK GKPS 1 Raya penulis melakukan beberapa tahapan atau prosedur untuk rancangan penelitian.
Berikut rancangan penelitian yang disajikan dalam rancangan flowchart, dapat di tunjukkan oleh Gambar 1.
Gambar 1.
Rancangan Penelitian Keterangan dari gambar rancangan penelitian di atas adalah :
Studi Lapangan Merupakan suatu cara untuk memperoleh data dengan melakukan observasi langsung terhadap obyek yang akan diteliti untuk memperoleh informasi mengenai permasalahan.
Penulis melakukan studi lapangan tepatnya di SMK GKPS 1 Raya.
Analisa Masalah Masalah yang terkait dalam model aturan penentuan prestasi nilai siswa di SMK GKPS 1 Raya agar dapat membantu pihak sekolah pada bagian dalam mengambil keputusan untuk menentukan Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
perkembangan prestasi siswa serta Sebagai model untuk klasifikasi predikat akhir ujian semester siswa SMK GKPS 1 Raya Studi Literatur Mulai dari pengertiannya penulis akan memulai dengan mencari data-data yang dibutuhkan yang berhubungan dengan topik atau judul yang diangkat.
Adapun kebutuhan itu memulai dengan uji coba materi dimana penulis mengumpulkan referensi-referensi yang didapat dari berbagai sumber, jurnal, dokumentasi internet dan pustaka.
Pengumpulan Data Ditahap ini Pengumpulan data dapat dilakukan dalam berbagai cara, ada beberapa cara dalam pengumpulan data yaitu dengan Interview,Kuisioner dan juga observasi.
dan pada tahap ini penulis melakukan pengumpulan data dengan cara Observasi (Pengamata.
yang dimana penulis memperoleh data langsung dari pihak sekolah yaitu SMK GKPS 1 Raya.
Menetapkan Metode Data Mining Dalam penetapan metode ini penulis mengklasifikasikan prestasi nilai siswa SMK GKPS 1 Raya menggunakan algoritma C4.
Pengolah Data Dalam mengelola data penulis menggunakan decision tree C4.
5 untuk pengolahan data yang telah diteliti.
Pada tahap ini sangat menentukan keberhasilan dari penelitian karena mulai dari dataset, atribut dan variabel sangat diperhatikan.
Menguji Data Tahap pengujian data dilakukan dengan menggunakan perangkat lunak yaitu Rapid Miner sehingga dapat diperoleh kategori keputusan yang sesuai dengan metode decision tree C4.
Data pengujian yang digunakan merupakan data yang diperoleh dari pihak sekolah yaitu SMK GKPS 1 Raya yang datanya terdiri dari 202 orang.
Pengujian juga merupakan tahapan yang sangat menentukan apakah penguji yang dibuat telah layak digunakan atau belum.
Jika pengujian belum menghasilkan luaran yang sesuai dengan kebutuhan maka tahapan penelitian kembali ke pengolahan data.
Analisa Data Dalam penelitian ini data yang digunakan akan diolah dari hasil observasi kedalam excel yang dimana penulis mengumpulkan data dari pihak sekolah SMK GKPS 1 Raya, data yang dikumpulkan ialah sebanyak 202 orang/siswa yang dimana dalam hasil observasi tersebut terdapat kriteria yang berisi seperti:
NISN
Nama Siswa Rata MN Rata MK Rata MPK Kehadiran Selanjutnya hasil dari data yang sudah diperoleh dari pihak sekolah SMK GKPS 1 Raya dan di input ke Excel lalu dilakukan transformasi atau pengubahan dari nilai berupa angka menjadi sebuah grade yang berupa nilai huruf dan kemudian akan diolah kembali menggunakan RapidMiner dengan operator Performance yang berfungsi untuk validasi dan reabilitas data untuk mencari keakuratan Data yang akurat akan dilakukan pengolahan data untuk mencari hasil dari masalah penelitian dengan menggunakan perangkat lunak yaitu RapidMiner dan diperoleh keputusan dari hasil.
Dan ketentuan nilai siswa berupa angka diubah menjadi nilai huruf atau grade ditunjukkan oleh Tabel 1.
Nilai Angka
90 Ae 100
80 Ae 89
70 Ae 79
< 69
Tabel 1.
Ketentuan Nilai Siswa Nilai Huruf Keterangan Sangat Baik Baik Cukup Kurang Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Dan data yang digunakan sebanyak 202 data nilai siswa yang diperoleh dari pihak sekolah SMK GKPS 1 Raya, dapat ditunjukkan pada Tabel 2 Tabel 2.
Data Penelitian NIS/NISN Nama Siswa Ade Putra Damanik Aga Kencana Sinaga Age Risnauli Sipayung Agnes Kristin Purba Aldivan Maholtra Zega Aldrianson Sembiring Arjun Saragih Arta Nauly Girsang Asked Aritonang Ayu Lestari Sidauruk Ayu Monicha Dabukke Benni Darfin Purba Betty Stevani Bina Ofta Mariana Purba Budi Harianto Saragih Chesya Alfionita Malau Christian Stevani Sihaloho Chyndrella Classya Hiskia Sidauruk Cinta Lestari Cintya Putri Lestari Saragih Citditiro Saragih Citra Dewita Ambarita Clara Purba Clara Sartika Br Sitepu Cyndy Claudia P Sinaga Dandy Alexander Malau Dani Endes Wari Saragih Dani Kristian Frananda Purba Daniel Oktripandi Nasution Daniel Roy Hend Purba Daniel Sinaga Dasmon Tuahta Munthe Daud Manambos Harianto Purba Daud Parsaulian Damanik Dedi Syahputra Sitopu Deniarta Sianturi Desi Putri Ramayana Sinaga Desry Kristiani Purba Devi Esrayani Sinaga Devi Milayanti Sembiring Devi Vita Lora Saragih Dewi Fransiska Saragih Dewi Yupita Domi Julpria Damanik Dons Mikhael Purba Dory Safitri Saragih Echa Feronika Girsang Rata Rata Rata MPK Kehadiran Ratarata Grade Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
Edi Saputra Tarigan Egia Pranata Damanik Egla Sery Redina Haloho Eka Soniananda Purba Dasuha Elista Purba Elma Nofrida Sinaga Elsa Oktavia Siahaan Elysabeth Cry Aruan Enjelia Purba Eplin Suhendra Haloho Erina Yemima Chesya Damanik Ernasari Sinurat Esra Yesika Tondang Ester Maruliana Purba Eva Kristina Hidayat Lingga Eva Meliana .
Exa Neria Purba Exsaudina Lorenca Sinurat Fabio Perdana Putra Fani Yuliana Sipayung Felix Jontri Wilson Tondang Fernandes Hutapea Fika Aglesia Purba Fitri Kristiana Malau Fitriani Purba Floranita Sitanggang Frandoni Gulo Frans Dwi Putra Marbun Frans Toni Syaputra Sumbayak Fransiska Desri Nataria Damanik Frenky Arianto Purba Frensi Enjelina Saragih Fridayani Purba Friskila Hani Saragih Geopani Sitanggang Gokmandika Sinaga Gokmaria Mahdalena Purba Gom Gom Pardomuan Sinurat Heldi Gratia Sinaga Helma Friskila Silitonga Helpina Saragih Heni Erfita Saragih Herbin Manurung Herdi Arra Purba Hizkia Putri Butar Butar Hot Imanuel Girsang Hot Starni Girsang Hotmauli Purba Hotnai Sari Sinaga Hotni Uhur Idahonta Purba Ica Bella Chintia Sumbayak Ice Hariani Sinaga DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
Icha Angriani Simarmata Ida Monalisa Ijonli Hamonangan Saragih Ilasari Rambei Imanuel Saragih Imarhaenis Nainggolan Imron Frederik Verodomes Sumbayak Indah Ramayana Sinaga Inra Frendi Saragih Iswar Rulianto Purba Iyolanda Switami Sidauruk Iyut Novita Sani Saragih Jeki Putra Antonius Saragih Jekky Siputra Purba Jelita Ayu Jintia Huta Gaol Jelita Erva Maya Sihombing Jenny Konirlir Br Tarigan Jesindo Saragih Jessi Aprianto Saragih Jhon Agustian Sinaga Jhon Kristiando Saragih Jhon Wari Pintu Batu Johana Sayang Tamba Joly Oktar Situmorang Jordan Marchell Simanihiuruk Joshua Parulian Sitopu Joy Lasro Purba Juby Lenda Purba Jui Melpa Sinaga Juli Yanti Saragih Juliana Br Sianturi Julmiati Enjelia Purba Jultri Purba Junaedi Sinaga Juner Permanda Sinaga Juwisrel Onesis Saragih Juwita Mayasari Sinaga Keisya Adelia Simarmata Kevin Flado Sinaga Khristin Meysia.
Sihaloho Kiranda Yaptopian Simarmata Krisna Girsang Kristin Putri Enjeli Saragih Kristina Simarmata Lasta Sri Ayu Saragih Leni Marlina Saragih Lewisa Dewanti Turnip Lia Damai Silaban Lorina Natalia Sipahutar Luis Weldi Saragih Maju Wando Sinaga Marel Andrew DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
Nathanael Simbolon May Dasni Sinaga May Hendra Priadi Sinaga Meilani Lida Siahaan Melda Nova Sari Purba Meli Teresya Purba Melvi Damanik Mesrani Tinneki Saragih Messya Duita Purba Mira Monica Saragih Monica Sazy Saragih Nanci Ade Lestari Sinaga Naomi Amrita SiringoRingo Natalia Klaska Saragih Natasya Sinaga Nehemia Br Manjorang Nia Lestari Sinaga Nofia Sinaga Noprich Helty Damanik Nora Setty Purba Nosela Ifilly Padhomu Sinaga Nova Hotvita Saragih Noventi Ervinawati Sijabat Novia Saragih Novita Pasmawati Saragih Novri Mayasari Purba Nurini Dela Saragih Nurmalem Putri Saragih Oktri Verawati Saragih Osde Riahni Sitopu Pankresia Krisnalia Purba Parnadion Simbolon Pebryanta Br Barus Pesta Parsaulian Sinaga Pison Manurung Priska Nasution Putra Baik Saragi M Putrayado Saragih Putri Kristiani Damanik Rafita Ulina Saragih Rajes Andriansen Tarigan Rama Indah Purba Rano Alpencus Sipayung Rebeka Sinaga Refa Fransiska Purba Resi Prasanta Purba Reski Kristasya Purba Restiana Sipayung Reynaldo Pratama Sipayung Riadi Purba Riana Hotmaida Saragih Ribka Febrianti DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Alat Analisa Data Dalam alat analisis data penelitian ini penulis menggunakan aplikasi perangkat lunak RapidMiner.
RapidMiner merupakan Software untuk pengolahan Data Mining.
RapidMiner (Yal.
adalah Auperangkat lunak open source atau perangkat lunak yang bersifat terbuka untuk knowledge discovery dan data miningAy.
RapidMiner mempunyai lebih kurang 400 prosedur .
data mining, termasuk operator untuk masukan, output, data preprocessing dan visualisasi.
Operator meta secara otomatis mengoptimalkan desain eksperimen dan pengguna tidak memerlukan waktu yang panjang untuk menentukan langkah dan parameter yang lebih panjang.
RapidMiner Studio Versi 9.
7 digunakan pada studi ini untuk menampilkan kelompok siswa pada kumpulan data dan memperlihatkan matriks presentasi yang tersebar dari kelompok data.
Tampilan RapidMiner Studio Versi 9.
7 dapat ditunjukkan oleh Gambar 2.
Gambar 2.
Tampilan RapidMiner Studio versi 9.
Adapun penjelasan atau keterangan dari antarmuka di RapidMiner Studio Versi 9.
7 antara lain sebagai berikut:
Operators View: Yang berisi operator-operator yang dapat dimanfaatkan pada proses analisis.
Pada operator View ini terdapat beberapa kelompok operator yaitu yang terdiri dari Data Access.
Blending.
Cleansing.
Modeling.
Scoring.
Validation.
Utility, dan Extensions.
Repository View: Merupakan komponen utama dalam Design Perspective selain Operators View.
Pada Repository digunakan untuk mengelolah dan menata proses analisis, dapat digunakan sebagai sumber data dan yang berkaitan dengan metadata.
Process View: Merupakan suatu yang menunjukkan langkah-langkah tertentu dalam proses analisis dan sebagai penghubung langkah-langkah tersebut.
Parameter View: Parameter View memiliki toolbar sendiri sama seperti View-view yang lain.
Dalam beberapa operator Rapidminer membutuhkan satu atau lebih parameter agar dapat diindikasikan sebagai fungsionalitas yang benar.
Help & Comment View: Operator ini berfungsi untuk menunjukkan penjelasan mengenai operator yang dipilih seperti ketika memilih operator view atau Process view, maka operator ini akan menunjukkan penjelasan mengenai operator ini.
Problem & Log View: Merupakan komponen yang sangat penting dan merupakan sumber bantuan bagi pengguna selama merancang proses analisis.
Setiap peringatan dan pesan kesalahan jelas ditunjukkan dalam problem view.
Pada penelitian ini penulis menggunakan Operator Decision Tree yang ada pada software RapidMiner sebagai operator utama dalam mengerjakan penelitian ini.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Instrumen Penelitian Pada penelitian ini, penulis melakukan dataset file dalam bentuk spreadsheet file excel 2007 .
Transformasi data ini digunakan sebagai masukan untuk perangkat lunak yang akan digunakan dalam penelitian ini.
Dalam pengolahan data transformasi, penulis menggunakan perangkat lunak rapidminer 7 Instrumen penelitian seperti Gambar 3 dapat dijelaskan bahwa data penelitian berasal dari database pendidikan SMK GKPS 1 Raya.
Gambar 3.
Proses Percobaan Diagram Aktifitas Kerja Penelitian Berikut ini alur kerja yang akan dilakukan pada penelitian ini yang digambar dalam diagram aktifitas pada Gambar 4.
Pada Gambar 4 merupakan diagram aktivitas yang dilakukan penelitian pada sistem yang digunakan, penulis mengidentifikasi masalah dan tujuan penelitian yang dilakukan, menggupulkan data, menggunakan data yang diberikan pihak SMK GKPS 1 Raya, kemudian memvalidasi data dengan menggunakan RapidMiner Studio mengukur target eror.
Hasil dari informasi yang diberikan aplikasi RapidMiner Studio maka penulis membuat pola decision tree dan analisa yang telah dilakukan perhitungan C4.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Gambar 4.
Diagram Aktivitas Kerja Penelitian Pemodelan Metode Decision Tree Pada pohon keputusan dalam aturan keputusan (Decision rul.
merupakan metodologi data mining yang banyak diterapkan sebagai solusi untuk klasifikasi.
Pohon keputusan merupakan suatu metode klasifikasi yang menggunakan struktur pohon, yang dimana setiap node merepresentasikan atribut dan cabangnya merepresentasikan nilai dari atribut, dan sedangkan daunnya digunakan untuk merepresentasikan kelas.
Node teratas dari Decision Tree ini disebut dengan root.
Dalam pembentukan pohon keputusan terdiri dari beberapa tahapan, antara lain sebagai berikut :
Konstruksi Pohon Yang diawali dengan pembentukan akar .
erletak paling ata.
yang kemudian data dibagi berdasarkan atribut-atribut yang cocok untuk dijadikan daun.
Pemangkasan Pohon (Tree Prunin.
Untuk mengidentifikasi dan membuang cabang yang tidak diperlukan pada pohon yang telah Tree Pruning dilakukan untuk menyederhanakan tree sehingga akurasi dapat bertambah.
Pruning ada dua pendekatan, yaitu:
Pre-pruning, yaitu menghentikan pembangunan suatu subtree lebih awal .
aitu dengan memutuskan untuk tidak lebih jauh mempartisi data trainin.
Saat seketika berhenti, maka node berubah menjadi leaf .
ode akhi.
Node akhir ini menjadi kelas yang paling sering muncul di antara subset sampel.
Post-pruning, yaitu menyederhanakan tree dengan cara membuang beberapa cabang subtree setelah tree selesai dibangun.
Node yang jarang dipotong akan menjadi leaf .
ode akhi.
dengan kelas yang paling sering muncul.
Pembentukan Aturan Keputusan Membuat aturan keputusan dari pohon yang telah dibentuk.
Aturan tersebut dapat berupa bentuk If-then diturunkan dari pohon keputusan dengan melakukan penelusuran dari akar sampai ke daun.
Pada model Decision tree dengan model pohon keputusan yang akan digunakan dapat dilihat pada Gambar 5 berikut.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Gambar 5.
Model Decision Tree Pada Gambar 5 Model Decision Tree diatas dapat dijelaskan bahwa nilai rata-rata nilai MN (Muatan Nasiona.
memiliki pengaruh paling besar dalam data penelitian skripsi ini, setelah dilakukan percobaan dengan menggunakan RapidMiner Studio 9.
7 bahwa atribut Muatan Nasional berada pada node paling atas atau disebut sebagai akar.
Berikut ini Rule yang diterjemahkan kedalam bahasa sederhana dapat ditunjukkan pada Tabel 3.
Tabel 3.
Rule Keterangan Rule Jika nilai rata-rata MN = A Jika nilai rata-rata MN = B dan nilai rata-rata MK = A Jika nilai rata-rata MN = B dan nilai rata-rata MK = B Jika nilai rata-rata MN = B, nilai rata-rata MK = C dan nilai rata-rata MPK = B Jika nilai rata-rata MN = B, nilai rata-rata MK = C dan nilai rata-rata MPK = C Jika nilai rata-rata MN = C, nilai kehadiran = A Jika nilai rata-rata MN = C, nilai kehadiran = B, nilai rata-rata MK = B, nilai rata-rata MPK = B Jika nilai rata-rata MN = C, nilai kehadiran = B, nilai rata-rata MK = B, nilai rata-rata MPK = C Jika nilai rata-rata MN = C, nilai Kehadiran = B dan nilai ratarata MK = C Jika nilai rata-rata MN = C, dan nilai Kehadiran = C Jika nilai rata-rata MN = D, dan nilai rata-rata MPK = B Jika nilai rata-rata MN = D, dan nilai rata-rata MPK = C Jika nilai rata-rata MN = D, dan nilai rata-rata MPK = D Rule Keterangan Berprestasi Berprestasi Berprestasi Berprestasi Tidak Berprestasi Berprestasi Berprestasi Tidak Berprestasi Tidak Berprestasi Tidak Berprestasi Berprestasi Tidak Berprestasi Tidak Berprestasi HASIL DAN PEMBAHASAN Pada pembahasan sebelumnya telah dijelaskan untuk hasil dari penelitian sesuai dengan pernyataan yang diajukan pada awalnya.
Penelitian ini dilaksanakan pada suatu data nilai siswa SMK GKPS 1 Raya yang dimana data yang digunakan penulis sebanyak 202 data siswa.
Dan data siswa tersebut bersifat nominal yang dimana terdiri dari NISN.
Nama.
Nilai Rata-rata Muatan Nasional.
Nilai Rata-rata Muatan Kewilayahan.
Nilai Rata-rata Muatan Peminatan Kejuruan dan Nilai Kehadiran.
Yang kemudian data tersebut di input kedalam Microsoft Excel 2007 dan dilakukan transformasi dari nilai angka ke nilai huruf.
Yang dimana Jika nilai >90 maka nilainya A, 80 Ae 89 = B, 70 Ae 79 = C, dan <60 = D.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Data yang diperoleh penulis digunakan sebagai contoh sumber input untuk membuat suatu model aturan dalam menentukan prestasi nilai siswa di SMK GKPS 1 Raya menggunakan algoritma C4.
yang didukung dengan Software RapidMiner.
Pada percobaan ini penulis menampilkan gambar hasil dari pemetaan model aturan dalam menentukan prestasi nilai siswa menggunakan algoritma C4.
Hasil dari pohon keputusan ini akan digunakan untuk membuat suatu model aturan yang akan dipilih dalam mengambil keputusan pada bagian pihak sekolah.
Maka dari itu akan dijelaskan bagaimana proses data mining yang telah di aplikasikan menggunakan RapidMinerstudio9.
Pemodelan Algoritma C4.
Berikut ini langkah-langkah perhitungan dalam algoritma C4.
5 pada penyelesaian kasus dalam menentukan prestasi nilai siswa yang dimana akan dibagi menjadi suatu label AuIyaAy (Berprestas.
dan AuTidakAy (Tidak Berprestas.
Dalam perhitungan algoritma C4.
5 berikut tahapan yang akan dilakukan :
Perhitungan Mencari Nilai Entropy Pada proses pertama perhitungan algoritma C4.
5 yaitu menentukan nilai entropy.
Untuk langkah pertama yang harus dilakukan ialah dengan menentukan entropy total kasus terlebih dahulu.
Adapun rumus untuk mencari nilai Entropy dari kasus data nilai siswa tersebut dapat ditunjukkan pada persamaan .
Entropy (S) = Ocycuycn=1 Oe pi O Log2 pi Keterangan:
S : Himpunan Kasus n : Jummlah Partisi S pi: Proporsi dari Si terhadap S Maka:
Entropy (Tota.
= ycycyco.
cNycnyccycayc.
cNycnyccycayc.
O Log2( )) (Oe O Log2( (Oe ycNycuycycayco ycNycuycycayco ycNycuycycayco ycNycuycycayco Maka:
Entropy (Tota.
= (Oe 202 O Log2.
) (Oe 202 O Log2.
) Total Kasus Tabel 4.
Perhitungan Enthropy Total Kasus Jumlah (Berprestas.
Jumlah (Tidak Berprestas.
Entropy 0,641538569 Kemudian lanjut menghitung nilai Entropy dari semua kasus yang terbagi berdasarkan atribut AuMNAy (Muatan Nasiona.
AuMKAy (Muatan Kewilayaha.
AuMPKAy (Muatan Peminatan Kejurua.
, dan AuKehadiranAy.
Seperti berikut ini:
ycu Entropy (S) = Oc Oe pi O Log2 pi ycn=1 Entropy [MN-A] = (Oe 18 O Log2.
) (Oe 18 O Log2.
) Entropy [MN-B] = (Oe 157 O Log2.
) (Oe 157 O Log2.
) = 0,092925105 Entropy [MN-C] = (Oe O Log2( )) (Oe O Log2( )) = 1,235336214 Entropy [MN-D] = (Oe O Log2( )) (Oe O Log2( )) = 2,596926295 Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Enthropy [MK-A] = (Oe 25 O Log2.
) (Oe 25 O Log2.
) Enthropy [MK-B] = (Oe 161 O Log2.
) (Oe 161 O Log2.
) = 0,178909821 Enthropy [MK-C] = (Oe 14 O Log2.
) (Oe 14 O Log2.
) = 2,019533784 Enthropy [MK-D] = (Oe 2 O Log2.
) (Oe 2 O Log2.
) Enthropy [MPK-A] = (Oe 22 O Log2.
) (Oe 22 O Log2.
) Enthropy [MPK-B] = (Oe 152 O Log2.
) (Oe 152 O Log2.
) = 0,368128817 Enthropy [MPK-C] = (Oe 25 O Log2.
) (Oe 25 O Log2.
) = 1,057542476 Enthropy [MPK-D] = (Oe 3 O Log2.
) (Oe 3 O Log2.
) Enthropy [Kehadiran-A] = (Oe 36 O Log2.
) (Oe 36 O Log2.
) = 0,463325 Enthropy [Kehadiran-B] = (Oe 144 O Log2.
) (Oe 144 O Log2.
) = 0,336666452 Enthropy [Kehadiran-C] = (Oe 22 O Log2.
) (Oe 22 O Log2.
) = 0,953966311 Enthropy [Kehadiran-D] = (Oe 0 O Log2.
) (Oe 0 O Log2.
) Perhitungan Mencari Nilai Gain Setelah mendapat hasil Entropy dari semua atribut maka langkah selanjutnya yang akan dilakukan ialah menghitung nilai Gain dari setiap atribut.
ycu Gain (S.
A) = yaycuycycycuycyyc .
cI) Oc |Syc.
O Entropy (S.
ycn=1 |S| Gain (Total.
MN) = 0,641538569 - .
O .
O 0,092925.
O 1,235336.
O 2,596926.
= 0,357011589 Gain (Total.
MK) = 0,641538569 - .
O .
O 0,178909.
( O 2,019533.
( O .
= 0,358974439 Gain (Total.
MPK) = 0,641538569 - .
O .
O 0,368128.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
O 1,057542.
O .
= 0,233646776
Gain (Total.
Kehadira.
= 0,641538569 - .
O 0,463.
O 0,336666.
O 0,953966.
O .
= 0,215068628 Berikut perhitungan diatas ditunjukkan pada tabel 5 yang dikerjakan di Excel antara lain sebagai Jumlah Kasus (S) Atribut Total Rata MN Tabel 5.
Tabel Hasil Perhitungan 1 Tidak Berprestasi Entropy Berprestasi (S.
(S.
0,641538569 Gain
0,092925105
1,235336214
2,596926295
0,357011589
Rata MK
0,178909821
2,019533784
0,358974439
Rata MPK
0,368128817
1,057542476
0,233646776
Kehadiran 0,463325 0,336666452 0,953966311 0,215068628 Pada Tabel 5 diatas dapat dilihat bahwa atribut Nilai Rata Muatan Kewilayahan (MK) memiliki Gain tertinggi yaitu 0,358974439, maka nilai rata Muatan Kewilayahan (MK) yang menjadi node akar.
Rata MK memiliki 4 nilai yaitu A (Sangat Bai.
B (Bai.
C (Cuku.
D (Kuran.
Pada nilai Sangat Baik,Baik dan Kurang (A,B dan D) telah mengklasifikasi kasus menjadi 1 yaitu keputusan AuBerprestasiAy dan AuTidak BerprestasiAy sedangkan untuk nilai Cukup (C) masih diperlukan perhitungan lagi karena masih memiliki hasil antara AuBerprestasiAy dan AuTidakAy, perhitungan tersebut dilakukan untuk menentukan node akar selanjutnya, maka dapat digambarkan pohon keputusan dari tabel diatas dapat ditunjukkan pada Gambar 6.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Gambar 6.
Pohon Keputusan 1 Pada gambar 5 diatas dapat dilihat bahwa nilai rata Muatan Kewilayahan digunakan sebagau node akar.
Nilai atribut Sangat Baik, nilai Baik telah terklasifikasi yaitu AuBerprestasiAy sedangkan nilai atribut yang bernilai Kurang terklasifikasi yaitu dengan atribut AuTidak BerprestasiAy dan nilai atribut yang bernilai Cukup belum terklasifikasi.
Dalam perhitungan selanjutnya yaitu untuk menghitung node akar yang bernilai Cukup perhitungannya dilakukan dengan cara yang sama seperti perhitungan pertama yang telah dilakukan.
Hasil Percobaan Algoritma C4.
5 Menggunakan RapidMiner Studio 9.
RapidMiner Studio 9.
7 merupakan software tool open source untuk data mining.
RapidMiner Studio 9.
7 juga menyediakan beberapa langkah dan machine learning termasuk ETL (Extraction.
Transformation.
Loadin.
Data siswa yang telah diperoleh dan sudah dianalisis kemudian diolah menggunakan aplikasi RapidMiner Studio 9.
Untuk dapat mengetahui klasifikasi siswa yang berprestasi atau tidak.
Berikut ini langkah-langkah percobaan algoritma C4.
5 pada RapidMiner Studio Buka aplikasi RapidMiner Studio 9.
7, halaman depan RapidMiner Studio 9.
7 dapat ditunjukkan oleh Gambar 7.
Gambar 7.
Tampilan Rapidminer Studio Versi 9.
Tampilan menu dari Gambar 7 Penjelasannya adalah sebagai berikut :
- Start, adalah menu digunakan untuk menunjukkan bagian-bagian aksi yang akan kalian gunakan untuk prosesnya.
- Recent.
Berfungsi untuk menampilkan proses-proses yang sudah dilakukan sebelumnya.
- Learn.
Berfungsi untuk menampilkan pembelajaran lebih detail mengenai penggunaan RapidMiner yang sudah disediakan oleh aplikasi tersebut.
Untuk membuat proses baru pilih start, pada start Pilih New Process sehingga tampilan New Process yang dimaksud dapat di tunjukkan oleh Gambar 8.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Gambar 8.
Tampilan New Process Pilih Operators lalu cari Read Excel kemudian drag and drop ke panel Process, dapat ditunjukkan oleh Gambar 9.
Gambar 9.
Pemilihan Atribut Import Data Gambar 10.
Importing Data Langkah selanjutnya yaitu melakukan import data dengan cara klik import Configuration Wizard pada panel Parameters, kemudian pilih file yang ingin di import.
Dapat ditunjukkan oleh Gambar 11.
Gambar 11.
Pemilihan Data yang Ingin di Import Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Setelah data dipilih maka kemudian klik next, lalu seleksi data apa saja yang akan digunakan, pada penelitian ini data yang digunakan hanya nilai rata Muatan Nasional.
Muatan Kewilayahan.
Muatan Peminatan Kejuruan.
Kehadiran dan Main atau Keterangan.
Dapat ditunjukkan oleh Gambar 12.
Gambar 12.
Pemilihan Atribut/Data Cleaning Kemudian klik next dan tetapkan type Polynominal Menjadi Binominal dan rule pada Main menjadi label.
Dapat di tunjukkan oleh Gambar 13.
Gambar 13.
Menentukan Role Untuk langkah selanjutnya yaitu menetapkan atribut AuMainAy sebagai variabel keputusan.
Dan sedangkan untuk variabel penentu diantaranya:
Nilai rata-rata MN (Muatan Nasiona.
Nilai rata-rata MK (Muatan Kewilayaha.
Nilai ratarata MPK (Muatan Peminatan Kejurua.
, dan Nilai Kehadiran.
Dapat ditunjukkan oleh Gambar Gambar 14.
Data Selection Pada Gambar 14 diatas menunjukkan atribut Main telah berhasil diubah menjadi label.
Label tersebut menandakan bahwa atribut Main adalah atribut keputusan.
Setelah selesai menetapkan label maka klik Finish dan proses Importing Data telah selesai.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Menghubungkan port read excel dengan port validation Gambar 15.
Penghubungan Port Read Excel Dengan Port Validation Vata Langkah selanjutnya yaitu untuk melakukan testing dengan drag dan drop split validation pada menu operators kedalam panel process.
Setelah split validation muncul maka selanjutnya lakukan penghubungan antara read excel dengan split validation seperti gambar 14 diatas.
Tampilan panel process validation Gambar 16.
Panel Process Validation Lalu kemudian double click pada validation untuk membuka tampillan sub process training dan testing.
Tampilan operators decision tree pada tabel training Gambar 17.
Tampilan Operators Decision Tree Pada Training Pada tabel Training lakukan drag and drop algoritma yang akan digunakan yaitu Decision tree.
Tampilan Operators apply model pada tabel testing Selanjutnya pada tabel testing lakukan drag and drop Apply Model.
Apply model ini fungsinya untuk mempelajari informasi ExampleSet yang telah dilatih dan digunakan untuk prediksi menggunakan model ini.
Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Gambar 18.
Tampilan operators apply model pada tabel testing Tampilan operators performance pada tabel testing Gambar 19.
Tampilan operators performance tabel testing Lalu lakukan Drag and drop performance classification pada table testing.
Performance digunakan untuk evaluasi statistic dari kinerja klasifikasi dan memberikan daftar nilai criteria dari kinerja klasifikasi tersebut.
Menghubungkan port decision tree, apply model dan port performance Selanjutnya lakukan penghubung antara port decision tree, apply model dan port performance dapat ditunjukkan oleh gambar 19.
Gambar 20.
Tampilan Menghubungkan Port Decision Tree.
Apply Model Dan Port performance Lalu kemudian langkah selanjutnya yaitu klik Run pada toolbar untuk menampilkan hasil.
Hasil Percobaan Decision Tree Setelah dilakukan perhitungan dan pengujian data pada masing-masing atribut dengan algoritma C4.
5, maka akan didapatkan pola pohon keputusan akhir Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Gambar 21.
Hasil Percobaan Decision Tree Tampilan Deskripsi Decision Tree Gambar 22.
Deskripsi Decision Tree Gambar 22 menunjukkan hasil deskripsi secara lengkap dari pohon keputusan (Decision Tre.
yang telah terbentuk dengan menggunakan algoritma C4.
Dari hasil deskripsi juga menunjukkan bahwa penggunaan data mining algoritma C4.
5 baik digunakan untuk proses menggali data (Data mining proces.
untuk menarik beberapa kesimpulan yang divisualisasikan dengan pohon keputusan (Decision Tre.
Berikut rules yang dihasilkan dari pohon keputusan dapat di tunjukkan pada Tabel 6.
Rule Tabel 6.
Rule Hasil Pohon Keputusan Keterangan Rule Jika nilai rata-rata MN = A Jika nilai rata-rata MN = B dan nilai rata-rata MK = A Jika nilai rata-rata MN = B dan nilai rata-rata MK = B Jika nilai rata-rata MN = B, nilai rata-rata MK = C dan nilai rata-rata MPK = B Jika nilai rata-rata MN = B, nilai rata-rata MK = C dan nilai rata-rata MPK = C Jika nilai rata-rata MN = C, nilai kehadiran = A Jika nilai rata-rata MN = C, nilai kehadiran = B, nilai rata-rata MK = B, nilai rata-rata MPK = B Jika nilai rata-rata MN = C, nilai kehadiran = B, nilai rata-rata MK = B, nilai rata-rata MPK = C Jika nilai rata-rata MN = C, nilai Kehadiran = B dan nilai ratarata MK = C Jika nilai rata-rata MN = C, dan nilai Kehadiran = C Jika nilai rata-rata MN = D, dan nilai rata-rata MPK = B Jika nilai rata-rata MN = D, dan nilai rata-rata MPK = C Jika nilai rata-rata MN = D, dan nilai rata-rata MPK = D Keterangan Berprestasi Berprestasi Berprestasi Berprestasi Tidak Berprestasi Berprestasi Berprestasi Tidak Berprestasi Tidak Berprestasi Tidak Berprestasi Berprestasi Tidak Berprestasi Tidak Berprestasi Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Untuk lebih jelasnya dapat dilihat pada model aturan berbentuk teks dapat di tunjukkan oleh Gambar 23.
Model Aturan Text Decision Tree Dari Gambar 23 di atas dapat disimpulkan bahwa faktor yang menentukan prestasi nilai siswa berada pada node pertama adalah Nilai rata-rata MN (Muatan Nasiona.
, node kedua Nilai ratarata MK (Muatan Kewilayaha.
, node ketiga Nilai rata-rata MPK (Muatan Peminatan Kejurua.
dan node ke empat adalah Kehadiran.
Untuk melihat rule dengan gain rasio predikat dapat ditunjukkan pada tabel 7 dengan ketentuan Berprestasi dan TB (Tidak Berprestas.
Rule Tabel 7.
Keterangan Rule Text Dengan Gain Rasio Predikat Gain Rasio Keterangan Rule Berprestasi Jika nilai rata-rata MN = A maka berprestasi Jika nilai rata-rata MN = B dan nilai rata-rata MK = A maka Berprestasi Jika nilai rata-rata MN = B dan nilai rata-rata MK = B maka Berprestasi Jika nilai rata-rata MN = B, nilai rata-rata MK = C dan nilai rata-rata MPK = B maka Berprestasi Jika nilai rata-rata MN = B, nilai rata-rata MK = C dan nilai rata-rata MPK = C maka Tidak Berprestasi Jika nilai rata-rata MN = C, nilai kehadiran = A maka Berprestasi Jika nilai rata-rata MN = C, nilai kehadiran = B, nilai rata-rata MK = B, nilai rata-rata MPK = B maka Berprestasi Jika nilai rata-rata MN = C, nilai kehadiran = B, nilai rata-rata MK = B, nilai rata-rata MPK = C maka Tidak Berprestasi Jika nilai rata-rata MN = C, nilai Kehadiran = B dan nilai rata0 rata MK = C maka Tidak Berprestasi Jika nilai rata-rata MN = C, dan nilai Kehadiran = C maka Tidak Berprestasi Jika nilai rata-rata MN = D, dan nilai rata-rata MPK = B maka Berprestasi Jika nilai rata-rata MN = D, dan nilai rata-rata MPK = C maka Tidak Berprestasi Jika nilai rata-rata MN = D, dan nilai rata-rata MPK = D maka Tidak Berprestasi Jurnal Ilmu Komputer dan Informatika (JIKI) Vol.
No.
Juni 2022.
Hal.
https://jiki.
jurnal-id.
DOI: https://doi.
org/10.
54082/jiki.
P-ISSN: 2807-6664
E-ISSN: 2807-6591
Dari Tabel 7 di atas dapat disimpulkan bahwa siswa yang memiliki nilai berprestasi ada sejumlah 183 siswa dan jumlah siswa yang tidak berprestasi ada sebanyak 19 siswa.
KESIMPULAN
Kesimpulan dari penelitian ini diperoleh suatu model aturan yang dapat memperlihatkan aturan dalam menentukan prestasi nilai siswa SMK GKPS 1 Raya menggunakan algoritma C4.
5 dan alam studi kasus pada SMK GKPS 1 Raya bahwa sebagian siswa yang tidak memiliki prestasi Jika nilai rata-rata MN = B, nilai rata-rata MK = C dan nilai rata-rata MPK = C dan apabila nilai rata-rata Muatan Nasional.
Muatan Kewilayahan.
Muatan Peminatan Kejuruan dan Kehadiran berada pada nilai <69 atau sama dengan bernilai D serta algoritma C4.
5 dianggap algoritma yang sangat membantu dalam melakukan klasifikasi data karena karakteristik data klasifikasi didapatkan dengan jelas seperti pada bentuk struktur pohon keputusan maupun model aturan, sehingga memudahkan pengguna dalam melakukan penggalian informasi terhadap yang bersangkutan.
DAFTAR PUSTAKA