ANALISIS KEMAMPUAN SISWA MENYERAP MATA PELAJARAN BIDANG KEAGAMAAN MENGGUNAKAN DATA MINING (STUDI KASUS: SMP PERGURUAN ISLAM AR RISALAH)

ANALISIS KEMAMPUAN SISWA MENYERAP MATA PELAJARAN BIDANG KEAGAMAAN MENGGUNAKAN DATA MINING (STUDI KASUS: SMP PERGURUAN ISLAM AR RISALAH) Sularno Teknologi Informasi, U n i v e r s i t a s P u t r a I n d o n e s i a - Y P T K , P a d a n g email: [email protected]

Abstrak – Sebuah sistem untuk menganalisa keterkaitan mata pelajaran keagamaan dengan mata pelajaran bahasa Arab. Data Mining merupakan teknik penambangan sejumlah besar data untuk menemukan pengetahuan-pengetahuan yang diperlukan dalam perbaikan dan pengembangan sistem terkait. Algoritma Apriori merupakan salah satu algoritma yang paling banyak digunakan untuk membentuk Aturan Asosiasi dari sekumpulan data berupa data nilai siswa SMP Perguruan Islam Ar Risalah kelas VII dan kelas VIII untuk mata pelajaran keagamaan seperti Aqidah, Tafsir, Hadits, Fiqih, Siroh dan Bahasa Arab pada semester II tahun ajaran 2012-2013. Proses tersebut dibantu dengan menggunakan perangkat lunak WEKA. Hasilnya berupa aturan asosiasi yang terbentuk dari masingmasing mata pelajaran. Kata Kunci : Aturan Asosiasi, Algoritma Apriori, Data Mining, WEKA kegiatan e-learning. Penggunaan teknik association rule juga dilakukan oleh Kumar dan Chadha (2012) membuat penilaian (assessment) data mahasiswa. Beberapa faktor seperti minat mahasiswa, rancangan kurikulum, metode pengajaran dan penilaian, diketahui dapat mempengaruhi keberhasilan kemampuan mahasiswa. Dari kajian yang dilakukan disimpulkan bahwa algoritma assosiasi Apriori menunjukkan kemampuan yang lebih baik algoritma seperti Predictive Apriori, Tertius, dan Rule & Filtered Associaton. Teknik Data Mining yang diterapkan pada penelitian ini adalah association rule mining (ARM) yang mampu menemukan pola hubungan atau asosiasi dari frequent item set. Salah satu algoritma ARM yang digunakan untuk menemukan asosiasi ini adalah algoritma Apriori diperkenalkan oleh Agrawal dan Srikant (1994). Untuk itulah penulis berkeinginan untuk menganalisa kemampuan siswa SMP Perguruan Islam Ar Risalah dalam menyerap mata pelajaran bidang Keagamaan dengan menggunakan teknik Data Mining dalam hal ini Association Rule dengan algoritma Apriori agar didapatkan gambaran yang lebih baik mengenai kemampuan siswa dalam mata pelajaran tersebut dan hubungannya dengan mata pelajaran pendukungnya yaitu Bahasa Arab.

PENDAHULUAN Sebagai sekolah yang berbasis pesantren, SMP Perguruan Islam Ar Risalah menerapkan kurikulum yang memadukan kurikulum nasional tingkat SMP dan kurikulum keagamaan. Perpaduan ini menyebabkan jumlah mata pelajarannya sedikit lebih banyak dibandingkan dengan kurikulum nasional SMP. Mata pelajaran keagamaan yang diajarkan antara lain Aqidah, Fiqih, Tafsir, Hadits, dan Siroh (Sejarah) Nabi Muhammad SAW, dan juga mata pelajaran Bahasa Arab dan Nahwu sebagai mata pelajaran pendukung. Data Mining merupakan sebuah proses untuk menemukan pengetahuan menarik dari sejumlah besar data yang tersimpan dalam database, gudang data atau tempat penyimpanan informasi lainnya. Data Mining merupakan integrasi dari beberapa teknik multi disiplin seperti teknologi database, statistik, machine learning, pengenalan pola, jaringan syaraf tiruan, visualisasi data, pemrosesan sinyal dan gambar. Kularbphettong dan Tongsiri (2012) menggunakan teknik data mining untuk menganalisa sikap motivasi siswa pada kegiatan e-learning. Teknik yang diterapkan antara lain association rule mining (ARM) dan teknik klasifikasi. Hasil dari analisa akan memperlihatkan variabel apa saja yang mempengaruhi sikap motivasi siswa dalam

33

34

Jurnal PI-Cache, Volume 5, Nomor 1, Maret 2016

Berdasarkan latar belakang masalah, penulis merumuskan masalah yang muncul sebagai berikut 1. Bagaimana implementasi penggunaan Data Mining dalam menganalisa kemampuan siswa SMP Perguruan Islam Ar Risalah menyerap mata pelajaran Keagamaan? 2. Bagaimanakah hubungan antara kemampuan menyerap mata pelajaran bidang keagamaan tersebut dengan mata pelajaran bahasa arab? Agar penelitian ini dapat terfokus maka ditentukan batasan ruang lingkup masalah, yaitu antara lain: 1. Sampel penelitian adalah siswa kelas VII dan kelas VIII SMP Perguruan Islam Ar Risalah. 2. Mata pelajaran yang diteliti antara lain Tafsir, Hadits, Aqidah, Fiqih dan Bahasa Arab dengan mengambil nilai semester genap tahun ajaran . 3. Software Data Mining yang digunakan adalah Weka. Tujuan dari penelitian ini adalah antara lain: 1. Mengetahui sejauh mana kemampuan siswa dalam menyerap mata pelajaran bidang keagamaan 2. Mengetahui korelasi antara mata pelajaran bidang keagamaan dengan mata pelajaran bahasa Arab. 3. Menganalisa data-data terkait dengan kemampuan siswa dalam mata pelajaran keagamaan teknik data mining algoritma apriori. 4. Mengimplementasikan dan menguji sistem analisis kemampuan siswa dalam mata pelajaran keagamaan dan bahasa Arab pada software Weka. TINJAUAN PUSTAKA Knowledge Discovery in Databases (KDD) Knowledge Discovery in Database (KDD) adalah analisis otomatis eksplorasi dan pemodelan dari repositori data yang besar (Maimon & Rokach, 2010:1). Knowledge Discovery in Database (KDD) didefenisikan sebagai ekstraksi informasi potensial, implisit dan tidak dikenal dari sekumpulan data. Data Mining Data mining merujuk pada ekstraksi atau "penambangan" pengetahuan dari dalam sejumlah besar data (Han & Kamber, 2006:5). Data mining diartikan sebagai proses menemukan pola-pola dalam data. Proses

tersebut harus secara otomatis, atau (biasanya) semi otomatis. Pola-pola yang ditemukan haruslah memiliki makna yang dapat mengarahkan pada beberapa keuntungan seperti biasanya keuntungan ekonomis. Data tersebut biasanya dalam ukuran yang besar (Witten & Frank, 2005:5). Rule Association Association rule mining (ARM) dikenal juga dengan istilah Market Basket Analisys. Istilah ini muncul karena teknik ini digunakan untuk menemukan pola yang saling berhubungan pada barang belanjaan pelanggan pada sebuah swalayan, seperti beberapa pembeli membeli bubur bayi, kemungkinan akan ditemukan pola yang sama barang apa lagi yang biasanya mereka beli selain dari bubur bayi tersebut. Association rule mempunyai bentuk LHS (Left Hand Side)  RHS (Right Hand Side) dengan interpretasi jika setiap item dalam LHS dibeli maka sepertinya item dalam RHS juga dibeli. Dua pengukuran penting untuk sebuah rule adalah Support dan Confidence. Support (s) didefinisikan sebagai persentase record terhadap total record keseluruhan dalam database. Support dapat dituliskan dalam rumus berikut: Support

(X)=

𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑋

(1)

𝐽𝑢𝑚𝑙𝑎 ℎ 𝑡𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑑𝑎𝑙𝑎𝑚 𝐷𝑎𝑡𝑎𝑏𝑎𝑠𝑒 (𝐷)

Sementara nilai Support dari 2 item dituliskan dalam rumus berikut: Support (X,Y) = P(X ∩Y) (2) 𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑋 𝑑𝑎𝑛 Support (X,Y)= 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖

𝑌

(3)

Jadi jika misalnya Support sebuah item adalah 0,1 % maknanya hanya 0,1 persen dari transaksi berisikan item ini. Sementara Confidence (c) didefinisikan sebagai persentase dari sejumlah transaksi yang berisikan X ∪ Y terhadap jumlah record keseluruhan yang mengandung X. Confidence dapat dituliskan dalam rumus berikut: Confidence (X|Y) =

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝑋𝑌 ) 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝑋)

(4)

Confidence merupakan ukuran kekuatan sebuah rule asosiasi. Jika kita anggap Confidence XY adalah 80%, berarti sebanyak 80 persen transaksi yang mengandung X maka akan mengandung juga akan mengandung Y (Zhao & Bhowmick, 2003:6-7). 2.3 Algoritma Apriori

35

Sularno, Analisis Kemampuan Siswa Menyerap Mata Pelajaran Bidang Keagamaan Menggunakan Data Mining 33- 41

Algoritma Apriori pertama kali diperkenalkan oleh Agrawal dan Shrikant (1994) yang berguna untuk menemukan frequent item set pada sekumpulan data. Selain dari apriori terdapat beberapa algoritma association rule lainnya seperti Predictive Apriori, Tertius dan Filtered Associator (Aher dan Lobo, 2012:48). METODOLOGI PENELITIAN Pada tahap metodologi penelitian ini, penulis menggambarkan kerangka kerja dalam penelitian ini untuk memberikan panduan dalam penyusunan penelitian ini dengan tahapantahapannya yang cukup jelas. Kerangka kerja ini merupakan langkah-langkah yang akan dilakukan dalam rangka penyelesaian masalah yang akan dibahas. Secara umum sistematika yang dimaksud terdapat beberapa langkahlangkah yang harus dilakukan dalam tesis ini seperti yang terlihat pada gambar 3.1 berikut: Merumuskan Masalah Menentukan Tujuan Mempelajari Literatur Mengumpulkan dan Menseleksi Data

pelajaran Bahasa Arab walau dimasukkan dalam rumpun pelajaran ilmu keagamaan Proses Data Mining Proses data mining yang diterapkan pada analisis berikut diperlihatkan pada gambar 4.1. Proses yang diterapkan yaitu pengumpulan data, data cleaning, data transformation, pencarian FIS, pembentukan Association Rule, dan pengambilan kesimpulan.

Gambar 2. Proses Data Mining Pengumpulan Data Data-data nilai yang digunakan dalam penelitian ini didapatkan dari data nilai akhir siswa untuk semester II T.A. 2012-2013 baik melalui wali kelas maupun melalui bidang kurikulum SMP Perguruan Islam Ar Risalah. Data tersebut kemudian dikumpulkan dalam satu file Microsoft Excel.

Menganalisa Sistem dan Menerapkan Teknik Data Mining

Tabel 1. Tabel Data Nilai Siswa No

Nama Siswa

Mengimplementasi Software Weka

1 2

Menguji hasil implementasi

3

Abdul Aziz Fikri Ananda Sultan Muhammad Arsyad Abdul Aziz Al Ghifari Istiqomatuddin Yusuf Ulfi Yandi Rizky Abdul Zaky Jamal Firdaus Yuri Kemal Fatah Aisyah Aisyah Nayra Izzatul Haniah Tika Ramadhani Yusra Wafiqah Annisha Fajria Azzahra Alifa Ramdhani Defista Vanesa Elsa Zahra Hendri Agha Afdala Mu'az Irsyad Syafar M.Alif Rabbani Abdul Hafiz Asri Arief Gunawan Talsi Muhammad Alayyub Aulia Muhammad AI M. Raisul amin

4

Mengambil kesimpulan

Gambar 1. Kerangka Kerja Penelitian HASIL DAN PEMBAHASAN Analisis Sistem Yang Berjalan Dalam proses belajar mengajar selama ini di SMP Perguruan Islam Ar Risalah, belum ada metode yang diterapkan dalam mengukur hubungan antara mata pelajaran keagamaan dengan Bahasa Arab. Kurikulum yang disusun untuk mata pelajaran bidang keagamaan berdiri sendiri dan tidak berkaitan dengan mata

5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

Aqid ah

Tafs ir

Hadi ts

Fiq h

Siro h

B.Ar ab

9.9 8.8

9.7 6.0

8.7 7.5

9.0 7.9

9.0 7.9

9.3 7.2

9.6

8.9

8.1

8.6

8.5

9.2

9.0

9.1

8.8

9.0

8.8

9.6

8.9 9.2 9.2 8.4 9.0 8.3 7.5 7.8 8.5 8.2 8.4

9.2 9.9 9.3 8.5 9.6 8.7 8.6 8.5 9.6 9.3 9.5

9.3 8.8 9.3 8.2 9.4 8.3 7.1 8.8 8.9 8.9 8.8

9.0 9.6 8.6 7.2 8.9 9.4 8.3 9.7 9.8 9.7 9.7

8.9 9.0 8.4 8.4 9.4 8.4 7.8 8.6 9.3 8.7 9.1

8.7 9.7 9.0 8.6 9.9 8.9 9.6 8.3 7.7 9.3 9.7

8.3 8.2 8.8 9.1 8.3 9.7 9.1

7.6 7.9 8.9 8.0 7.5 9.7 8.5

8.1 8.9 9.0 8.7 7.5 9.0 8.5

9.9 9.9 9.9 8.6 8.3 8.8 8.5

8.8 8.7 9.1 8.4 8.6 8.6 8.7

8.2 8.7 7.9 9.0 8.3 8.5 7.0

7.5

7.0

7.5

6.8

7.5

7.5

7.8

6.1

6.8

6.7

6.5

3.8

8.9 9.0

8.7 8.9

9.0 8.9

9.3 8.6

9.2 8.9

9.4 9.7

36


Zulfi Maulana Akbar Abira Ihsani Jannati Helmi Azizati Manel Yudellia Wira Permata Adilla Permata Defti Muzdalifah Zilhasrati

27 28 29 30 31 32 33

8.1 9.2

8.2 9.4

7.8 9.1

8.4 9.7

8.6 8.7

7.1 9.3

8.0

9.3

9.1

9.5

8.7

9.1

7.7

7.1

7.1

7.4

8.5

9.0

8.6 8.5 9.3

8.9 8.5 9.4

8.8 9.0 9.4

9.5 9.6 9.5

9.4 8.2 9.4

8.9 8.5 9.5

Algoritma Apriori tidak mengenal data-data angka dengan demikian data nilai yang telah dikumpulkan terlebih dahulu dikelompokkan berdasarkan kelompok range nilai pada tabel 2 yang diperoleh dari hasil perhitungan discretization pada WEKA karena belum ada ketentuan dari sekolah terkait pembagian range nilai siswa tersebut. Penulis membagi menjadi 4 range yaitu A (tinggi), B (sedang), C (Cukup) dan D (Kurang) Tabel 2. Tabel Range Nilai

32 33

C B

B A

A A

A A

B A

B A

Proses transformasi nilai-nilai yang ada dilakukan dengan bantuan Microsoft Excel 2007. Kemudian file data tersebut disimpan dalam format csv agar dapat dijalankan oleh software Weka. Pembentukan Frequent Itemset menggunakan Algoritma Apriori. Pada perhitungan manual ini, dikarenakan data nilai siswa kelas VII dan VIII yang berhasil dikumpulkan adalah sebanyak 296 siswa pada sebelas kelas, maka penulis memilih sekitar 3 siswa setiap kelas secara acak sehingga dikumpulkan data nilai sebanyak 33 siswa (tabel 1). Ditentukan minimum Support 0,3 (30%) dan minimum confidence 0,7 (70%). Langkah pertama adalah penghitungan jumlah item dari data tabel 3, seperti diperlihatkan oleh tabel 4.

Range Aqidah A

9.3-10

B

8.7-9.3

C

8,1-8.7

D

0-8,1

Tafsir 8.92510 7.958.295 6.797.95

Hadits 8.75-10 8.18.75 7.458.1

0-6.975

0-7.45

Fiqh 9.1-10 8.3-9.1 7,5-8.3 0-7.5

Siroh

B.Arab

8.67510 7.958.675 7.2257.95

9.125-10 8.359.125 7.5758.35

Tabel 4. Perhitungan Banyaknya Item

0-7.225

T 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

3. Aqidah A B A B B B B C B C D D C C C C C B B C A B D D B B D B D D C

Aqidah

Tafsir

Hadits

Fiqh

Siroh

B.Arab

A

3

13

19

15

18

12

B

13

13

5

11

11

11

C

10

5

6

3

3

5

D

7

2

3

4

1

5

0-757

Kemudian dengan menggunakan Microsoft Excel dilakukan transformasi data tabel 1 dengan menggunakan range nilai tabel 2, yang hasilnya ditampilkan pada tabel 3. Tabel

T

Kemudian menggunakan teknik algoritma apriori dilakukan perhitungan Support setiap item dengan menggunakan rumus (1) sehingga diperoleh hasil seperti pada tabel 5.

Data Nilai Siswa Setelah Dilakukan Transformasi Tafsir A D B A A A A B A B B B A A A C C B B C A B C D B B B A A C B

Hadits B C C A A A A B A B D A A A A C A A B C A B C D A A C A A D A

Fiqh B C B B B A B D B A C A A A A A A A B C B B D D A B B A A D A

Siroh A C B A A A B B A B C B A A A A A A B B B A C D A A B A A B A

B.Arab A D A A B A B B A B A C C A A C B C B C B D D D A A D A B B B

1 2

Tabel 5. Hasil Perhitungan Support 1-itemset Support Aqidah A = 3/33 = 0,09 Support Aqidah B = 13/33 = 0,39

3 4

Support Aqidah C Support Aqidah D

= 10/33 = 7/33

= 0,30 = 0,21

5

Support Tafsir A

= 13/33

= 0,39

6

Support Tafsir B

= 13/33

= 0,39

7

Support Tafsir C

= 5/33

= 0,15

8

Support Tafsir D

= 2/33

= 0,06

9

Support Hadits A

= 19/33

= 0,58

10

Support Hadits B

= 5/33

= 0,15

11

Support Hadits C

= 6/33

= 0,18

12

Support Hadits D

= 3/33

= 0,09

13

Support Fiqh A

= 15/33

= 0,45

14

Support Fiqh B

= 11/33

= 0,33

15

Support Fiqh C

= 3/33

= 0,09

16

Support Fiqh D

= 4/33

= 0,12

17

Support Siroh A

= 15/33

= 0,55

18

Support Siroh B

= 11/33

= 0,33


19

Support Siroh C

= 3/33

= 0,09

20

Support Siroh D

= 4/33

= 0,03

21

Support B.Arab A

= 12/33

= 0,36

22

Support B.Arab B

= 11/33

= 0,33

23

Support B.Arab C

= 5/33

= 0,15

24

Support B.Arab D

= 5/33

= 0,15

Karena telah ditetapkan minimum Support adalah 0.3 (30%) dan semua item yang memiliki Support di bawah minimum Support dipangkas (pruned) sehingga item-item pada tabel 5 yang tersisa setelah dilakukan pemangkasan berjumlah 11. Selanjutnya item-item yang tersisa tersebut dikombinasikan sebanyak dua item menjadi 2itemset, dan kembali dihitung Support dari item-item tersebut dengan menggunakan rumus (2). Hasil perhitungan Support 2-itemset diperlihatkan tabel 6. Tabel 6. Perhitungan Support 2-itemset No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

2 Itemset Aqidah B Tafsir A Aqidah B Tafsir B Aqidah B Hadits A Aqidah B Fiqh A Aqidah B Fiqh B Aqidah B Siroh A Aqidah B Siroh B Aqidah B B. Arab A Aqidah B B. Arab B Aqidah C Tafsir A Aqidah C Tafsir B Aqidah C Hadits A Aqidah C Fiqh A Aqidah C Fiqh B Aqidah C Siroh A Aqidah C Siroh B Aqidah C B. Arab A Aqidah C B. Arab B Tafsir A Hadits A Tafsir A Fiqh A Tafsir A Fiqh B Tafsir A Siroh A Tafsir A Siroh B Tafsir A B. Arab A Tafsir A B. Arab B Tafsir B Hadits A Tafsir B Fiqh A Tafsir B Fiqh B Tafsir B Siroh A Tafsir B Siroh B Tafsir B B. Arab A Tafsir B B. Arab B Hadits A Fiqh A Hadits A Fiqh B Hadits A Siroh A Hadits A Siroh B

Support 0,21 0,15 0,3 0,15 0,21 0,3 0,06 0,21 0,09 0,09 0,12 0,18 0,24 0,0 0,18 0,12 0,06 0,15 0,36 0,21 0,18 0,33 0,06 0,30 0,12 0,18 0,18 0,15 0,15 0,21 0,12 0,15 0,39 0,18 0,45 0,12

37 38 39 40 41 42 43 44 45 46 47 48 49 50

Hadits A Hadits A Fiqh A Fiqh A Fiqh A Fiqh A Fiqh B Fiqh B Fiqh B Fiqh B Siroh A Siroh A Siroh B Siroh B

B. Arab A B. Arab B Siroh A Siroh B B. Arab A B. Arab B Siroh A Siroh B B. Arab A B. Arab B B. Arab A B. Arab B B. Arab A B. Arab B

37

0,27 0,21 0,36 0,09 0,18 0,15 0,18 0,15 0,15 0,12 0,30 0,12 0,03 0,21

Selanjutnya dilakukan kembali pemangkasan untuk itemset yang memiliki Support di bawah 0,3 (30%), sehingga itemset yang tersisa sebanyak 8. Selanjutnya dilakukan penggabungan kombinasi item-item yang tersisa untuk membentuk 3-itemset, dan dilanjutkan dengan menghitung Supportnya seperti yang diperlihatkan pada tabel 7. Tabel 7. Perhitungan Support 3-itemset No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Support 3-itemset Aqidah B Aqidah B Aqidah B Aqidah B Aqidah B Aqidah B Aqidah B Aqidah B Aqidah B Tafsir A Tafsir A Tafsir A Tafsir A Tafsir A Tafsir A Hadits A Hadits A Hadits A Fiqh A

Tafsir A Tafsir A Tafsir A Tafsir A Hadits A Hadits A Hadits A Fiqh A Fiqh A Hadits A Hadits A Hadits A Fiqh A Fiqh A Siroh A Fiqh A Fiqh A Siroh A Siroh A

Hadits A Fiqh A Siroh A B. Arab A Fiqh A Siroh A B. Arab A Siroh A B. Arab A Fiqh A Siroh A B. Arab A Siroh A B. Arab A B. Arab A Siroh A B. Arab A B. Arab A B. Arab A

Support 0,21 0,09 0,18 0,15 0,15 0,27 0,21 0,15 0,12 0,21 0,30 0,21 0,21 0,15 0,27 0,33 0,18 0,27 0,18

Setelah dilakukan pemangkasan untuk itemset yang memiliki Support di bawah minimum Support 0,30 (30%) maka Itemset yang mencapai minimum Support tinggal antara lain, yaitu: 1) Tafsir A Hadits A Siroh A (0,30) 2) Hadits A Fiqh A Siroh A (0,33) Kedua Itemset yang tinggal ini disebut sebagai Frequent Itemset (FIS). Karena item yang tersisa tidak dapat membentuk kombinasi lagi, maka proses pencarian FIS dihentikan dan dilanjutkan dengan langkah selanjutnya yaitu pembentukan aturan asosiasi (Association Rule).

38


Pembentukan Aturan Asosiasi (Association Rule) Pembentukan Aturan Asosiasi (Association Rule) dilakukan dengan menentukan Confidence dari Frequent Itemset (tabel 8) yang telah didapatkan menggunakan rumus (3). Tabel. 8. Penghitungan Nilai Confidence dari Frequent Itemset No. 1 2 3 4

Tafsir A Fiqih A Siroh A

FIS ==> ==>

Hadits A Hadits A

Confidence 0.92 0.92

Tafsir A Siroh A

==>

Hadits A

0.91

Fiqih A

==>

Hadits A

0.87

30

Tafsir A

==>

Hadits A Fiqih A

0.54 0.54

31

Tafsir A

==>

Fiqih A Siroh A

32

Fiqih A Hadits A

==>

Tafsir A

0.54

33

Aqidah B

==>

Tafsir A

0.54

34

Aqidah B

==>

0.54

35

Hadits A

==>

B. Arab A Tafsir A Siroh A

36

B. Arab A

==>

Fiqih A

0.50

37

Fiqih A

==>

Tafsir A

0.47

==>

Tafsir A Hadits A

0.47 0.47

38

Fiqih A

0.53

5

Tafsir A

==>

Siroh A

0.85

39

Fiqih A

==>

Tafsir A Siroh A

6

Hadits A Fiqih A

==>

Siroh A

0.85

40

Fiqih A

==>

Aqidah B

0.47

7

Tafsir A Hadits A

==>

Siroh A

0.83

41

Fiqih A

==>

B. Arab A

0.40 0.39 0.38 0.37

8

Siroh A

==>

Hadits A

0.83

9

B. Arab A

==>

Siroh A

0.83

10

Fiqih A

==>

Siroh A

0.80

11

Hadits A

==>

Siroh A

0.79

12

Tafsir A

==>

Hadits A Siroh A

0.77

13

Aqidah B

==>

Hadits A

0.77

14

Aqidah B

==>

Siroh A

0.77

15

Hadits A Siroh A

==>

Fiqih A

0.73 0.73

16

Fiqih A

==>

Hadits A Siroh A

17

Hadits A

==>

Fiqih A

0.68

18

Siroh A

==>

Fiqih A

0.67

19

B. Arab A

==>

Tafsir A

0.67

20

Tafsir A Siroh A

==>

Fiqih A

0.64

21

Hadits A

==>

Tafsir A

0.63

22

Siroh A

==>

Tafsir A

0.61

23

Siroh A

==>

Hadits A

0.61 0.61

42 43

Siroh A Aqidah B

==> ==>

Tafsir A Fiqih A Fiqih A

44

Hadits A

==>

Tafsir A Fiqih A

Telah ditentukan minimum confidence adalah 0,7 (70%), maka nilai confidence yang berada di bawahnya akan dihapus (pruned) dan menghasilkan Association Rule, seperti diperlihatkan pada tabel 8. Tabel 9. Association Rule Yang Memenuhi Minimum Confidence No. 1

FIS Tafsir A

Confidence

==>

Hadits A

0.92

==>

Hadits A

0.92

Fiqih A 2

Siroh A Tafsir A

3

Siroh A

==>

Hadits A

0.91

4

Fiqih A

==>

Hadits A

0.87

5

Tafsir A

==>

Siroh A

0.85

==>

Siroh A

0.85

24

Siroh A

==>

Hadits A Fiqih A

25

Tafsir A Hadits A

==>

Fiqih A

0.58

26

Fiqih A Siroh A

==>

Tafsir A

0.58

==>

Fiqih A Siroh A

0.58

7

Hadits A

==>

Siroh A

0.83

0.56

8

Siroh A

==>

Hadits A

0.83

0.54

27

Hadits A

28

Siroh A

==>

Tafsir A Hadits A

29

Tafsir A

==>

Fiqih A

Hadits A 6

Fiqih A Tafsir A


9

B. Arab A

==>

Siroh A

0.83

10

Fiqih A

==>

Siroh A

0.80

11

Hadits A

==>

Siroh A

0.79

Hadits A 12

Tafsir A

==>

Siroh A

0.77

13

Aqidah B

==>

Hadits A

0.77

14

Aqidah B

==>

Siroh A

0.77

15

Hadits A Siroh A

==>

Fiqih A

0.73

16

Fiqih A

==>

Hadits A Siroh A

0.73

Dari pengetahuan tersebut dapat ditemukan bahwa mata pelajaran yang memiliki keterkaitan dengan mata pelajaran bahasa Arab adalah Siroh, dengan confidence sebesar 0,83 (83 %). Sementara, untuk mengetahui kemampuan daya serap siswa pada mata pelajaran keagaamaan, Gambar 4.1. di bawah ini memberikan gambaran tersebut berdasarkan tabel 4.3. yang menampilkan hasil perhitungan Support 1-itemset. D, 0.06 D, 0.21

C, 0.30

C, 0.15

B, 0.39

B, 0.39

D, 0.09

D, 0.12

C, 0.18

C, 0.09

B, 0.15

B, 0.33

D, 0.03 C, 0.09 B, 0.33

A, 0.58

D, 0.15 C, 0.15

A, 0.45

A, 0.55 A, 0.36

A, 0.09 Tafsir

4) Fiqh 5) B. Arab 6) Aqidah Dengan demikian dapat disimpulkan dari data yang dihitung secara manual, tidak ditemukan hubungan asosiasi. Setelah perhitungan manual dilakukan dan mendapatkan hasilnya, selanjutnya dilakukan perbandingan dengan hasil perhitungan dari software data mining, WEKA. Implementasi Dan Pengujian Hasil Pengujian Pengujian terhadap hasil analisa, sangat penting untuk dilakukan untuk memastikan apakah hasil analisa tersebut sesuai. Hasil pengolahan data yang dikerjakan secara manual sebelumnya dapat diuji kebenarannya menggunakan salah satu software data mining WEKA.

B, 0.33

A, 0.39

Aqidah

39

Hadits A

Fiqh B

C

Siroh

Gambar 4. Hasil Perhitungan Algoritma Apriori Menggunakan WEKA

B.Arab

D

Gambar 3. Grafik Kemampuan Daya Serap Siswa Pada Mata Pelajaran Keagamaan Berdasarkan pada gambar grafik diatas, dapat diambil kesimpulan bahwa mata pelajaran yang mana siswanya memiliki kemampuan menyerap lebih baik secara berurutan yaitu: 1) Siroh 2) Tafsir 3) Hadits

Setelah dilakukan pengujian pada software WEKA 3.6 untuk melihat hubungan antara mata pelajaran keagaaman dengan mata pelajaran Bahasa Arab didapatkan association rule yang dihasilkan pada WEKA pada gambar 5.9 sama dengan rule yang dihasilkan pada proses manual pembentukan association rule. Sehingga dapat disimpulkan bahwa algoritma apriori yang dijalankan menggunakan WEKA sangat tepat digunakan untuk data dengan jumlah lebih besar.


SIMPULAN Berdasarkan uraian pada bab-bab yang sudah dibahas sebelumnya, penulis menarik beberapa kesimpulan : 1. Penggunaan Algoritma Apriori untuk membangun Aturan Asosiasi antara mata pelajaran keagamaan dengan mata pelajaran Bahasa Arab cukup baik. 2. WEKA sebagai salah satu Software Data Mining cukup mudah digunakan, sehingga dalam mengimplementasikannya dalam penambangan data sangat membantu. 3. Algoritma Apriori tidak dapat membaca data yang bersifat continous, sehingga harus dilakukan transformasi terlebih dahulu, salah satunya menggunakan bantuan teknik discreetization pada WEKA. 4. Kurikulum mata pelajaran Bahasa Arab yang diterapkan belum memiliki keterkaitan yang signifikan dengan mata pelajaran keagamaan yang lain. Saran Pengembangan sistem ini adalah dari sistem manual atau berdasarkan basis pengetahuan ke sistem komputerisasi yang dibangun atas dasar pertimbangan permasalahan-permasalahan yang timbul dari sistem yang lama. Berikut ini adalah saran yang dapat diperhatikan untuk masa yang akan datang, antara lain: 1. Kurikulum Mata Pelajaran Keagamaan yang disusun diharapkan memiliki keterkaitan dengan mata pelajaran Bahasa Arab agar siswa dapat lebih mudah dalam mengenal dan menerapkan Bahasa Arab. 2. Adanya evaluasi rutin tahunan terhadap pencapaian kemampuan siswa terutama dalam hal hubungan mata pelajaran Keagamaan dengan bahasa Arab. 3. Pemanfaatan software WEKA dapat diperluas pada bidang-bidang baik bidang akademis maupun bidang yang lain agar sekolah mampu meningkatkan kualitas pembelajaran secara menyeluruh. DAFTAR RUJUKAN [1]. Kunyanuth Kularbphettong, C.T., Mining Educational Data to Analyze the StudentMotivation Behavior. World Academy of Science, Engineering and Technology, 2012.

[2].

1 Goldie Gunadi, D.I.S., PENERAPAN METODE DATA MINING MARKET BASKET ANALYSIS TERHADAP DATA PENJUALAN PRODUK BUKU DENGAN MENGGUNAKAN ALGORITMA APRIORI DAN FREQUENT PATTERN GROWTH (FP-GROWTH) : STUDI KASUS PERCETAKAN PT. GRAMEDIA. Jurnal TELEMATIKA MKOM 2012. 4. [3]. Dr. Varun Kumar 1 , A.C., Mining Association Rules in Student’s Assessment Data. IJCSI International Journal of Computer Science Issues, 2012. 9. [4]. L.M.R.J., S.B.A.L., A Comparative Study of Association Rule Algorithms for Course Recommender System in E-learning. International Journal of Computer Applications, 2012. 39. [5]. Angeline, D.M.D., Association Rule Generation for Student Performance Analysis using Apriori Algorithm. The SIJ Transactions on Computer Science Engineering & its Applications (CSEA), 2013. 1. [6]. Bhowmick, Q.Z.S.S., Association Rule Mining: A Survey. Technical Report, CAIS, Nanyang Technological University, Singapore, 2003. [7]. Kunyanuth Kularbphettong, C.T., Mining Educational Data to Analyze the Student Motivation Behavior. World Academy of Science, Engineering and Technology, 2012. [8]. Sanjaydeep Singh Lodhi, G.R., Premnarayan Arya, Performance based Frequent Itemset Mining Techniques for Data Mining. International Journal of Engineering and Advanced Technology, 2012. 1. [9]. Bayu Adhi Tama * , F.I.K., Universitas Sriwijaya, Penetapan Strategi Penjualan Menggunakan Association Rules dalam Konteks CRM. J URNAL G ENERIC, 2010. 5. [10]. Siburian, B.R., APLIKASI DATA MINING UNTUK MENAMPILKAN TINGKAT KELULUSAN MAHASISWA DENGAN ALGORITMA APRIORI. Pelita Informatika Budi Darma, 2014. 7.

41

ANALISIS KEMAMPUAN SISWA MENYERAP MATA PELAJARAN BIDANG KEAGAMAAN MENGGUNAKAN DATA MINING (STUDI KASUS: SMP PERGURUAN ISLAM AR RISALAH)

Recommend Documents