PROCESSOR AeVOL.
No.
April 2025.
Laman web jurnal: https://ejournal.
id/index.
php/processor Jurnal Processor
P-ISSN: 1907-6738 | E-ISSN: 2528-0082
Klasifikasi Pemilihan Siswa untuk Rekomendasi Beasiswa Menggunakan Algoritma C4.
5 di MA Tahfidh Annuqayah Nilam Ramadhani1*,Ach Muhyil Umam2,Abd.
Wahab Syahroni3,Sholeh Rachmatullah4.
Wildona Zumam5
1,2,3,4
Program Studi Informatika,Fakultas Teknik,Universitas Madura, 5 Program Studi Pendidikan Bahasa Inggris,Fakultas Keguruan dan Ilmu Pendidikan,Universitas Madura Jl.
Raya Panglegur km 3.
5 Kec.
Tlanakan,Kab.
Pamekasan,Jawa Timur 69371.
Indonesia.
*Penulis Korespondensi.
Email: nilam_ramadhani@unira.
AbstrakOeSebagai instansi sekolah yang berbeda dilingkungan pondok pesantren Annuqayah.
MA Tahfidh Annuqayah mengedepankan Pendidikan Kitab dan Hafalan Al-qurAoannya.
MA Tahfidh Annuqayah ikut andil sebagai instansi sekolah yang merekomendasikan berbagai model beasiswa berupa bantuan biaya pendidikan maupun siswa yang berprestasi.
Beasiswa yang di rekomendasikan ada dibawah naungan Kementrian Agama Republik Indonesia.
Salah satunya adalah beasiswa full di Al-Azar Kairo Mesir.
Banyaknya calon siswa yang akan diklasifikasi sebagai calon penerima rekomendasi beasiswa menjadikan proses seleksi memakan waktu yang lama, sehigga diperlukan system dalam rekomendasinya.
Sistem yang dirancang ini akan menerapkan algoritma klasifikasi data mining C4.
5 terhadap data yang telah ada pada proses seleksi dan rekomendasi penerima beasiswa.
Algoritma C4.
5 ini dipilih karena menghasilkan pohon keputusan berdasarkan nilai dari tiap-tiap atribut yang telah ditentukan berdasarkan persyaratan beasiswa.
Sistem yang dirancang menggunakan 6 atribut yaitu nilai raport, prestasi, nilai ujian test, baca kitab, hafalan Al-QurAoan dan bahasa arab.
Pemrosesan data training menghasilkan pohon keputusan klasifikasi yang bisa dipakai sebagai bahan rekomendasi .
Evaluasi yang dilakukan dalam pengujian ini didapatkan nilai akurasi sebesar 97,5 %.
Kata Kunci: Algoritma C4.
Beasiswa.
Data Mining.
Klasifikasi.
Pohon Keputusan.
Abstract- As a different school institution within Annuqayah Islamic Boarding school.
MA Tahfidh Annuqayah prioritizing Book Education and memorize the Al-Qur'an.
MA Tahfidh Annuqayah takes part as a school institution that recommends various scholarship models in the form of tuition assistance and outstanding students.
The recommended scholarships are under the auspices in the Ministry of Religious Affairs Republic Indonesia.
One of them is a full scholarship at Al-Azar Cairo Egypt.
The number of prospective students who will be classified as candidates for scholarship recommendations makes the selection process take a long time, so a system is needed in the recommendation.
This designed system will apply the C4.
data mining classification algorithm to existing data in the selection and recommendation process for scholarship recipients.
The C4.
5 algorithm was chosen because it produces a decision tree based on the value of each attribute that has been determined based on the scholarship requirements.
The system is designed using 6 attributes, namely report card scores, achievements, test scores, reading books, memorize the Al-Qur'an and Arabic language.
Processing training data produces a classification decision tree that can be used as a recommendation material.
The evaluation carried out in this test obtained an accuracy value of 97,5 %.
Keywords: C4.
5 Algorithm.
Scholarship.
Data Mining.
Classification.
Decision Tree.
PENDAHULUAN
MA Tahfidh Annuqayah adalah lembaga pendidikan tingkat SLTA sederajat yang berada dibawah naungan Yayasan Annuqayah Pondok Pesantren Annuqayah Guluk-guluk Sumenep Jawa Timur.
MA Tahfidh Annuqayah juga melakukan program mendapatkan beasiswa yang orientasinya ke luar negeri.
Beasiswa sebagai bentuk apresiasi yang diberikan dengan tujuan agar proses pembelajaran dapat dilanjutkan pada jenjang yang lebih tinggi.
Penerima tidak perlu lagi memikirkan tagihan biaya pendidikan.
Mereka akan lebih fokus untuk belajar serta berusaha mendapatkan nilai dan prestasi yang tinggi.
MA Tahfidh Annuqayah menawarkan beasiswa dari Kemenag dan beasiswa dari NU.
Dari sinilah MA Tahfidh Annuqayah mengambil kesempatan untuk para siswanya yang berprestasi agar bisa mendapatkan beasiswa yang terbaik, sehingga sekolah mempersiapkan setiap tahunnya rekomendasi siswa yang di ambil dari data siswa kelas akhir.
Proses seleksi dimulai dari data hasil akademik siswa selama menempuh proses kegiatan belajar mengajar dan berbagai data nilai lainnya.
Data siswa tersebut dimanfaatkan dan diolah kembali untuk menjadi sebuah pengetahuan dan informasi yang bermanfaat sebagai bahan pertimbangan dalam memprediksi rekomendasi dari klasifikasi pemilihan siswa.
Karena berdasarkan https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
17 Maret 2025.
Published: 30 April 2025 banyaknya data siswa, perlu dilakukan analisa untuk mengetahui informasi penting berupa pengetahuan baru (Knowledge Discover.
Proses rekomendasi siswa sejauh ini masih dilakukan secara manual yaitu dengan menginput satu persatu data siswa ke dalam satu file kemudian dilakukan sorting data.
Hal ini seringkali menimbulkan beberapa permasalahan, antara lain membutuhkan waktu yang lama dan ketelitian yang tinggi.
Prosedur pengolahan data yang dilakukan meliputi kegiatan pengumpulan data, pengelompokan, pencocokan data dengan biodata siswa, perkiraan siswa penerima, dan menyusun laporan.
Sehingga pemberian beasiswa dilakukan cukup lama serta hasilnya tidak tepat sasaran.
Ada siswa yang memang prestasi namun tidak diberikan rekomendasi beasiswa oleh pihak sekolah.
Selain itu, transparansi dan ketidakjelasan metodologi yang digunakan dalam proses komputasi rekomendasi beasiswa serta kurang tepatnya penyaluran beasiswa juga menjadi salah satu permasalahan.
Oleh karena itu dibutuhkan suatu sistem yang dapat membantu dalam proses pengambilan keputusan rekomendasi penerima beasiswa berdasarkan kriteria yang ditentukan secara cepat dan tepat sasaran.
Salah satu teknologi yang dapat digunakan adalah data mining.
Karena konsep yang digunakan untuk menemukan pengetahuan atau informasi dan sebagai proses untuk memecahkan masalah dengan menganalisis data yang telah ada dalam database.
Bentuk dasar dan teknik dari analisis data yang sering digunakan dalam data mining adalah klasifikasi.
Terdapat beberapa model klasifikasi, diantaranya yaitu Decision Tree.
Algoritma C4.
Statistical Analysis.
Naive Bayes.
K-Nearest Neighbor.
Support Vector Machine.
Penerapan algoritma C4.
5 dalam melakukan prediksi sudah memiliki akurasi yang cukup baik dalam melakukan penyeleksian terhadap data dengan prosedur yang terstruktur dengan baik melalui beberapa tahapan diantaranya proses klasifikasi dengan data mining.
Algoritma C4.
5 banyak digunakan dalam klasifikasi karena mudah diinterpretasikan, cepat dan memiliki akurasi serta presisi tinggi.
Dengan algoritma C4.
5, akan didapatkan sebuah pohon keputusan yang mudah dipahami dan mudah dimengerti.
METODOLOGI PENELITIAN
Dalam penelitian ini,metodologi yang dilakukan seperti yang disajikan pada gambar 1.
Gambar 1.
Kerangka Kerja Penelitian 1 Tahapan Penelitian Pada penelitian ini dibutuhkan beberapa tahapan yang perlu dilakukan.
Tahapan tersebut antara lain sebagai berikut.
https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
11 Maret 2025.
Published: 30 April 2025 Pengumpulan data Merupakan proses mengumpulkan informasi atau fakta-fakta yang relevan dari berbagai sumber untuk tujuan analisis, penelitian, atau pengambilan keputusan.
Ini melibatkan pengumpulan, pencatatan, dan penyimpanan data dalam bentuk yang dapat digunakan dan diolah.
Metode pengumpulan data yang digunakan dalam aplikasi klasifikasi pemilihan siswa menggunakan dua cara yaitu observasi dan wawancara.
Dimana proses pengumpulan data ini dilakukan untuk memperoleh suatu informasi yang dibutuhkan dalam rangka mencapai tujuan penelitian.
Teknik Penelitian Langsung (Observas.
Data yang diperlukan untuk proses klasifikasi siswa yang berprestasi yaitu berupa penilaian terhadap siswa Diantara penilaiannya disajikan seperti pada tabel 1.
Tabel 1.
Data Atribut Penilaian Atribut Nilai Raport Nilai Test Ujian Prestasi Baca kitab kuning Hafalan alquran Bahasa arab Keterangan (Rekomendasi/Tidak Rekomndas.
Jenis Data Integer Integer Integer Integer Integer Integer Binominal Teknik Wawancara (Intervie.
Wawancara merupakan teknik pengumpulan data yang dilakukan melalui tatap muka dan tanya jawab langsung antara peneliti terhadap nara sumber atau sumber data.
Penulis dalam hal ini telah melakukan wawancara kepada kepala pimpinan MA Tahfidh Annuqayah.
Adapun hasil wawancara yang berkaitan dengan penelitian ini adalah sebagai berikut:
Sistem Informasi yang masih belum berjalan dengan baik berupa website resmi instansi sekolah di MA Tahfidh Annuqayah, dalam mempermudah mengimformaikan berbagai informasi yang ada di instansi/sekolah kepada siswa atau publik.
Sebelumnya dalam pemilihan kualifikasi beasiswa siswa masih dipilih secara manual karena memang belum ada sistem untuk menentukan siswa sebagai kualifikasi beasiswa tahunan.
Faktor pendukung dalam klasifikasi pemilihan siswa yaitu dimulai dari data raport siswa, prestasi, nilai test, baca kitab, hafalan alquran dan fasih dalam berbahasa arab.
2 Analisis Data Analisis data yang digunakan untuk proses klasifikasi menggunakan Knowledge Discovery in Databases (KDD) yang terdiri dari sembilan langkah.
Dimulai dari tahap pemahaman data yang akan digunakan hingga tahap terciptanya sebuah pengetahuan tentang klasifikasi beasiswa dan penggunaannya.
KDD sendiri diartikan sebagai proses terorganisir untuk mengidentifikasi pola dalam data yang besar dan kompleks dimana pola data tersebut ditemukan yang bersifat sah, baru, dan dapat bermanfaat serta dapat dimengerti.
Berikut adalah beberapa tahapan yang dilakukan dalam meanalisis sebuah data:
Developing and understanding of the application domain Pada tahap ini dilakukan pengembangan pemahaman domain aplikasi untuk persiapan langkah awal untuk memahami apa yang harus dilakukan dengan banyak keputusan .
entang transformasi, algoritma, representasi, dan lain-lai.
Seleksi Data (Selectio.
Memilih dan menciptakan satu set data yang akan digunakan untuk penelitian harus ditentukan.
Langkah ini antara lain mencari tahu data apa yang tersedia, memperoleh data tambahan yang diperlukan, dan mengintegrasikan semua data untuk penemuan pengetahuan ke dalam satu set data,termasuk atribut yang akan dipakai untuk proses tersebut.
Data yang digunakan yaitu data siwa kelas akhir (XII) tahun pelajaran 2022-2023 sejumlah 325 record.
https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
11 Maret 2025.
Published: 30 April 2025 c.
Data Cleaning Pada tahap ini kehandalan data ditingkatkan dengan membersihkan data yang tidak lengkap .
issing valu.
dan data tidak benar .
Data siswa yang ada diseleksi terdapat 10 data yang nilainya kosong .
issing valu.
dan 15 data yang tidak benar .
Sehingga data yang akan dipakai untuk klasifikasi sejumlah 300 Data Transformasi Pada proses penerapan klasifikasi,terdapat 6 atribut yang akan ditransformasi.
Diantaranya adalah data raport siswa, nilai test siswa, data prestasi siswa, baca kitab, hafalan alquran dan nilai bahasa arab siswa.
Hasil transformasi data disajikan pada tabel 2.
Tabel 2.
Data Tranformasi Tiap Atribut
Atribut
Grade
Range Excellent
Good
Nilai Raport
Pass
Weak
Memuaskan >=3 Baik Pretasi
Cukup Tidak Ada Nilai Test Ujian Fasih
Lancar
Baca Kitab
Kurang Lancar
Tidak Bisa Istimewa
>=3
Sempurna Hafalan Alquran Kurang Sempurna Tidak Hafal Bahasa Arab Data Mining Setelah pemilihan jenis data mining yang akan digunakan yaitu klasifikasi, maka selanjutnya menentukan algoritma klasifikasi yang akan digunakan.
Pada penelitian ini algoritma yang dipilih untuk komparasi adalah C4.
Interpretasi/Evaluation Dalam tahap ini dilakukan evaluasi dan menafsirkan pola yang didapatkan dari hasil algoritma yang dipakai untuk mengetahui aturan, kehandalan, dan lain-lain.
Evaluasi dilakukan dengan menerapkan pola yang didapat dari proses sebelumnya terhadap data testing yang disediakan.
Evaluasi dilakukan dengan confusion matrix.
Kemudian pada tahap interpretasi menggunakan pengetahuan yang diperoleh dari proses data mining untuk penerapan pada pembuatan program atau aplikasi.
Pengetahuan klasifikasi siswa https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
11 Maret 2025.
Published: 30 April 2025 penerima beasiswa diterapkan pada data baru untuk membuat klasifikasi siswa penerima beasiswa dengan pohon keputuan dan rule klasifikasi.
HASIL DAN PEMBAHASAN
Pada tabel 3 disajikan cuplikan data traning yang digunakan dalam klasifikasi pemilihan siswa untuk mendapatkan beasiswa dengan menggunakan algoritma C.
Tabel 3.
Cuplikan data training yang digunakan NIS Nilai Raport Prestasi Nilai Ujian Baca Kitab Hafalan Al-quran Bahasa Arab Keterangan Tidakrekomendasi Tidakrekomendasi Rekomendasi Tidakrekomendasi Rekomendasi Tidakrekomendasi Rekomendasi Tidakrekomendasi Tidakrekomendasi Rekomendasi Rekomendasi Tidakrekomendasi Tidakrekomendasi Tidakrekomendasi Tidakrekomendasi Hasil dari keseluruhan record data training yang didapatkan,disajikan pada tabel 4.
Tabel 4.
Jumlah Data Total dan Target Atribut Jumlah Rekomendasi Tidak Rekomendasi Total Pada tabel 4 merupakan hasil jumlah total data traning sehingga ditemukan jumlah record rekomendasi dan yang tidak rekomendasi.
1 Mencari Nilai Entropy Dalam menghitung nilai Entropy.
dari total data sebanyak 300 record, diketahui status rekomendasi ada 124 record dan status tidak rekomendasi ada 176 record.
Sehingga Entropy nilai akar total yang di dapat melalui perhitungan sesuai persamaan .
Hasil dari perhitungan tersebut disajikan di tabel 5.
Total Jumlah Tabel 5.
Hasil Data Entropy Total Rekomendasi Tidak Rekomendasi Entropy https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
11 Maret 2025.
Published: 30 April 2025 Kemudian setelah jumlah total dan entropy total sudah ditemukan,selanjutnya mencari nilai entropty pada atribut nilai raport, dimana total record pada atribut nilai raport seperti pada tabel 6.
Tabel 6.
Total Atribut Nilai Raport Tidak Jumlah Rekomendasi Entropy Rekomendasi Total Excellent Nilai Good Raport Pass Weak Pada proses mencari nilai entropy terhadap atribut nilai raport dengan kriteria excellent berjumlah 102 record, rekomendasi 69 record dan tidak rekomendasi berjumlah 33 record,sehingga diperoleh perhitungan berikut:
Proses perhitungan diatas di ulang sampai selesai sesuai jumlah data berikutnya, sehingga diperoleh hasil data entropy seperti pada tabel 7.
Total Nilai Raport Tabel 7.
Data Entropy Atribut Nilai Raport Tidak Jumlah Rekomendasi Rekomendasi Excellent Good Pass Weak Entropy 2 Mencari Nilai Gain Dalam mencari nilai Gain pada atribut nilai raport yakni dengan menggunakan rumus sebagai berikut.
Dari perhitungan di atas dapat diperoleh nilai gain dari atribut nilai raport yang disajikan pada tabel 8.
Total Nilai Raport Excellent Good Pass Weak Tabel 8.
Data Gain Atribut Nilai Raport Tidak Jumlah Rekomendasi Entropy Rekomendasi Gain https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
11 Maret 2025.
Published: 30 April 2025 3 Split Information Selanjutnya menghitung SplitInfo pada atribut Nilai raport berdasarkan jumlah kasus.
Perhitungan split information menggunakan rumus .
Dari hasil perhitungan diperoleh nilai SplitInformasi pada atribut nilai raport yang disajikan pada tabel 9.
Jumlah Tabel 9.
Data SplitInfo Atribut Nilai Raport Tidak Rekomendasi Entropy Gain Rekomendasi Split Info 4 Gain Ratio Sebelum mencari gain ratio.
, terlebih dahulu mengulang perhitungan pada semua atribut sampai selesai.
Kemudian menghitung nilai gain ratio pada Nilai Raport sebagai nilai yang digunakan sebagai pemecahan node pada pohon keputusan.
Persamaan yang digunakan untuk menghitung gain ratio seperti pada rumus .
Dari hasil perhitungan diperoleh nilai SplitInformasi pada atribut nilai raport yang disajikan pada tabel 10.
Total Nilai Raport Tabel 10.
Data Gain Ratio Atribut Nilai Raport Entropy Gain Split Info Gain Ratio https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
11 Maret 2025.
Published: 30 April 2025 5 Pohon Keputusan Dari hasil pemecahan node,dapat dibentuk pohon keputusan.
dengan data rule klasifikasi sebanyak 15 aturan seperti yang disajikan pada gambar 2.
Gambar 2.
Hasil Generate Pohon Keputusan Berikut hasil dari aturan yang didapat :
Rule Aturan IF .
afalan='istimewa') THEN Label = Rekomendasi IF .
afalan='sempurna') AND .
aport<=.
AND .
itab<=.
THEN Label = Tidakrekomendasi IF .
afalan='sempurna') AND .
aport<=.
AND .
AND .
restasi='baik') THEN Label = Rekomendasi IF .
afalan='sempurna') AND .
aport<=.
AND .
AND .
restasi='memuaskan' OR prestasi='tidakada') AND .
restasi='tidakada') THEN Label = Tidakrekomendasi IF .
afalan='sempurna') AND .
aport<=.
AND .
AND .
restasi='memuaskan' OR prestasi='tidakada') AND .
restasi='memuaskan') THEN Label = Rekomendasi IF .
afalan='sempurna') AND .
AND .
restasi='tidakada') AND .
itab<=.
THEN Label = Tidakrekomendasi IF .
afalan='sempurna') AND .
AND .
restasi='tidakada') AND .
THEN Label = Rekomendasi IF .
afalan='sempurna') AND .
AND .
restasi='memuaskan' OR prestasi='baik') THEN Label = Rekomendasi IF .
afalan='kurangsempurna') AND .
ahasa<=.
THEN Label = Tidakrekomendasi R10 IF .
afalan='kurangsempurna') AND .
AND .
jian<=.
THEN Label = Tidakrekomendasi https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
11 Maret 2025.
Published: 30 April 2025
R11
R12
R13
R14
R15
IF .
afalan='kurangsempurna') AND .
AND .
AND .
restasi='tidakada') THEN Label = Tidakrekomendasi IF .
afalan='kurangsempurna') AND .
AND .
AND .
restasi='memuaskan' OR prestasi='baik') AND .
aport<=.
THEN Label = Tidakrekomendasi IF .
afalan='kurangsempurna') AND .
AND .
AND .
restasi='memuaskan' OR prestasi='baik') AND .
aport<=.
THEN Label = Tidakrekomendasi IF .
afalan='kurangsempurna') AND .
AND .
AND .
restasi='memuaskan' OR prestasi='baik') AND .
AND .
THEN Label = Rekomendasi IF .
afalan='tidakhafal') THEN Label = Tidakrekomendasi 6 Hasil Pengujian Dari proses mining dengan 15 data rule terhadap data traning,data testing yang digunakan disajikan pada tabel Tabel 11.
Cuplikan Data Uji yang Digunakan NIS Nilai Raport Nilai Prestasi Nilai Ujian Baca Kitab Hafalan Al-quran Bahasa Arab Kelas Asli Rekomendasi Tidakrekomendasi Rekomendasi Rekomendasi Rekomendasi Tidakrekomendasi Tidakrekomendasi Rekomendasi Tidakrekomendasi Rekomendasi Tidakrekomendasi Tidakrekomendasi Rekomendasi Tidakrekomendasi Tidakrekomendasi Pada proses ini mencocokan data asli dari data uji dengan data hasil dari proses rule klasifikasi.
Dari data uji sebanyak 40 record dapat diperoleh hasil pengujian dengan akurasi persentase seperti pada tabel 12.
Tabel 12.
Data Akurasi Hasil Klaifikasi Sistem Hasil Akurasi Klasifikasi Jumlah/Perentase Data Uji klasifikasi Data Tepat Data Tidak Tepat Akurasi Laju Error Pada tabel 12 merupakan hasil pengujian sistem yang menunjukkan hasil akurasi 97.
5% dan laju Error 2.
dengan banyak data uji 40 record.
39 data tepat dan 1 data tidak tepat.
Untuk mengetahui tingkat akurasi digunakan rumus 5.
https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
11 Maret 2025.
Published: 30 April 2025 Maka diperoleh tingkat akurasi data dengan data tepat sebanyak 39 dan jumlah data 40 :
Kemudian juga diperoleh nilai tingkat laju error data dengan data tidak tepat sebanyak 1 dan total jumlah data 40 maka diperoleh:
Maka hasil dari data pengujian sistem klasifikasi diperoleh tingkat akurasi 97.
5% dan laju eror 2.
7 Tampilan System Interface Implementasi antarmuka ini merupakan tahap dalam proses pengembangan sistem sebagai langkah penting untuk memastikan bahwa perangkat lunak atau sistem yang dikembangkan dapat digunakan dengan efisien dan sesuai dengan kebutuhan pengguna.
1 Halaman awal Gambar 3.
Tampilan halaman awal sistem Pada halaman System Mining ini yakni dapat memanajemen data traning yang akan di gunakan sebagai data proses mining, dimana pada halaman ini pengguna bisa melakukan CRUD data dan proses mining.
Hasil Proses Mining Gambar 4.
Tampilan Hasil Proses Mining Pada halaman hasil proses mining ini menampilkan proses data traning.
Pada halaman ini dapat mengetahui jalannya data, jumlah data, entropy dan gain.
https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
11 Maret 2025.
Published: 30 April 2025 Halaman Rule Klasifikasi Gambar 5.
Tampilan Halaman Rule klasifikasi Pada halaman rule klaifikasi/pohon keputusan ini menampilkan rule/aturan dari hasil dari proses mining.
Halaman Pengujian Gambar 6.
Tampilan Halaman Pengujian Pada halaman sistem pengujian,menampilkan manajemen data uji yang akan di gunakan sebagai data proses hitung akurasi.
Pada halaman ini pengguna bisa melakukan CRUD data dan proses akurasi.
Tampilan Hasil Akurasi Pengujian Gambar 7.
Tampilan Hasil Akurasi Pengujian Gambar 7 menampilkan hasil akurasi data uji yang sudah diproses.
Pada halaman ini dapat dilihat jumlah data tepat dan data tidak tepat, kemudian tingkat akurasi dan laju error data.
https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
11 Maret 2025.
Published: 30 April 2025 Halaman Cek Klasifikasi Gambar 8.
Halaman Chek Klasifikasi Pada gambar 8, halaman chek klasifikasi ini dapat dilihat klasifikasi siswa dengan nilai data yang diminta pada form, kemudian hasilnya akan disimpan sebagai informasi klasifikasi.
Tampilan Hasil Rekomendasi Gambar 9.
Tampilan Hasil Rekomendasi Pada gambar 9 menampilkan informasi siswa yang sudah direkomendasi, kemudian hasilnya akan di simpan sebagai informasi klasifikasi.
Halaman Hasil Klasifikasi Pada gambar 10 disajikan halaman hasil klasifikasi.
Yakni dapat mengetahui semua informasi siswa yang sudah Gambar 10.
Halaman Hasil Klasifikasi https://doi.
org/10.
33998/processor.
Submitted: 18 Februari 2025.
Reviewed: 03 Maret 2025.
Accepted.
11 Maret 2025.
Published: 30 April 2025
KESIMPULAN
Berdasarkan pada hasil pembahasan yang telah dijabarkan, maka dapat ditarik sebuah kesimpulan bahwa algoritma C4.
mampu mengklasifikasi data menjadi pohon keputusan yang membantu rekomendasi beasiswa sesuai atribut yang diberikan.
Hasil pengujian sistem klasifikasi siswa di MA Tahfidh Annuqayah dengan data training yang didapatkan menghasilkan nilai 5% dan nilai laju eror 2.
Hal ini menunjukkan bahwa penerapan algoritma menghasilkan keputusan klasifikasi yang baik UCAPAN TERIMAKASIH Penulis ingin mengucapkan terima kasih kepada Fakultas Teknik Prodi Informatika Universitas Madura, dosen dan mahasiswa serta pihak yang tidak bisa penulis sebutkan satu persatuy ang telah membantu dan terlibat dalam pelaksanaan penelitian ini.
Diharapkan artikel ini dapat menjadi referensi dan memberi kontribusi positif bagi REFERENCES