Volume 2, Nomor 1, Juni 2014
ISSN: 2088-6179
DAFTAR ISI
Bidang: Sosial Humaniora Pengaruh Kebebasan Berbisnis Terhadap Harga Saham Di Negara-Negara Asean ............................................................................. Dwi Wulandari
1-9
Pengaruh Sikap, Komunikasi dan Partisipasi Kelompok Perempuan Terhadap Implementasi PNPM Mandiri Perkotaan ....................................... Wahyu Krisnanto
10-20
Model Kepemimpinan Untuk Meningkatkan Produktivitas UKM Dalam Rangka Mendukung Pelaksanaan Masterplan Percepatan Dan Perluasan Pembangunan Ekonomi Indonesia (MP3EI) 2011-2015 ................ Mudji A, Hana Catur W, Wiwik S, Udisubakti Cipto M, Putu Dana
21-27
Peran Edukasi Keuangan Untuk Memacu Partisipasi Masyarakat Dalam Kegiatan Investasi di Pasar Modal Indonesia................................................. Tuti Andjarsari
28-40
Pergeseran Paradigma Manajemen Sumber Daya Manusia Kearah Strategis Dan Memiliki Keunggulan Bersaing Yang Berkelanjutan ................. Dianawati
41-48
Analisa Gender Terhadap Gugat Cerai Di Wilayah Kecamatan Sukun Kota Malang .................................................................................................. Suciati, Abdul Halim
49-65
Peningkatan Kualitas Produk Pada Proses Pembuatan Sandal Home Industri Di Kabupaten Sidoarjo ............................................................ Erni Puspanantasari Putri
66-73
Analisis Implementasi Kualitas Kehidupan Kerja, Keterlibatan Kerja dan Persepsi Dukungan Organisasi Terhadap Kepuasan Kerja (Studi pada PT PLN Jember) ......................................................................... Trias Setyowati
74-90
Bidang: Science dan Teknologi Informasi Decision Support System Prediksi Kelulusan Siswa Smk Menggunakan Metode Naive Bayes ..................................................................................... Wiji Setiyaningsih, Usman Fauzi Sistem Pakar Untuk Mendiagnosa Penyakit Anemia ..................................... Sumarno, Roni Pambudi Aplikasi Pengukuran Kinerja Keuangan Pada Lembaga Keuangan Mikro Menggunakan Metode Fuzzy-Ahp Dan Wpm................................................. Yulian Findawati, Ika Ratna Indra Astutik Metode Virtualization Sebagai Model Pembelajaran Router Mikrotik-Os ........ Yusriel Ardian
113-127
128-138
139-150
139-150
Rancang Bangun Otomatisasi Keran Dispenser Untuk Penjualan Air Minum Menggunakan Koin Berbasis Mikrokontroleratmega 16 ................ Amak Yunus, Mochammad Lutfi Desi
162-168
Implementasi Komputer Modern pada Smartphone dengan platform Android pada UMKM ........................................................................ Alexius Endy Budianto
169-178
Rancang Bangun Sistem Informasi E-Surat Di Fakultas Teknologi Informasi Dengan Penerapan Digital Signature Dan Algoritma Base 64 Berbasis Web .................................................................................. Yoyok Seby Dwanoko Tingkat Partisipasi Masyarakat Dalam Program Penyediaan Air Minum Dan Sanitasi Berbasis Masyarakat (Pamsimas) Di Kabupaten Pekalongan (Studi Kasus Desa Kwayangan Kecamatan Kedungwuni Dan Desa Lambanggelun Kecamatan Paninggaran) ............................................. Ardiana Vita Ratnasari, Henna Rya S, Hartuti Purnaweni Mekanisme Erupsi Gunungapi Ijen Terkait Model Kantong Magma Berdasarkan Analisis Sinyal Seismik ............................................................. Hena Dian Aya, Akhmad Jufriadi
179-182
153-199
200-214
Pengukuran Konsentrasi Xanton Dalam Jus Kulit Manggis dan Pengaruhnya Terhadap Aktivitas Katalase Tikus yang di Induksi Strephozotocin .............................................................................................. 215-223
Bidang: Sastra dan Budaya Reciprocal Teaching Sebagai Strategi Untuk Meningkatkan Pemahaman Mahasiswa Terhadap Isi Bacaan Tingkat Partisipasi Masyarakat (Reading Skill) ........................................................... Agus Sholeh, Uun Muhaji, S.Pd., M.Pd Konstruksi Hibriditas Bahasa Sebagai Upaya Pengembangan Bahasa Indonesia .......................................................................................... Rofiatul Hima Implementasi Pendidikan Karakter Dalam Tindak Tutur ................................ Suko Wianrsih Pengembangan Penulisan Karya Ilmiah Dan Konsep Presentasi Ilmiah Berlaras Pendidikan Karakter Bagi Mahasiswa Universitas Kanjuruhan Malang ..................................................................... Gatot Sarmidi Content Familiarity through Text Nativization to Boosting the EFL Students Reading Comprehension ................................................................ Dwi Fita Herawati, Irene Trisisca Rusdiyanti Penerapan C&C Learning Untuk Meningkatkan Motivasi dan Kemampuan Akademik Mahasiswa Fkip Bahasa Reading Comprehensioninggris Universitas Kanjuruhan Dalam Mata Kuliah Andy dan Uun Muhaji
231-248
249-262
263-278
279-295
296-302
............... 303-316
Familiarizing Intercultural Contens To Promote Cros-Cultural Understanding ............................................................................................... Teguh Sulistyo, M.Pd
317-324
Bidang: Pangan dan Ternak Alternative Produk Olahan Wortel Menjadi Jeli Sehat Untuk Meningkatkan Nilai Ekonomis Petani Wortel Di Jawa Timur .......................... Atikha Sidhi cahyana, Verani Hartati, Ida Agustini Saidi
325-338
Perancangan Quality Plan untuk Meningkatkan Mutu Buah Apel Sepanjang Rantai Pasok dari Pascapanen Sampai Display Super Market .... I Nyoman Sutapa, Jani Rahardjo, I Gede Agus W, dan Elbert Widjaja
339-357
Analisis Usahatani Tembakau Rajangan Varietas Baru Maesan ................... Rini Purwatiningsih Implementasi Integrasi Metode Lean Six Sigma Untuk Meningkatkan Kualitas Produk Ikan Hasil Ukm Petani Ikan Pada Proses Distribusi Ikan di Pasar Ikan Kabupaten Sidoarjo.................................................................. Wiwik Sulistiyowati, Verani Hartati Model Evaluasi Efisiensi Penurunan Kadar HCN dan Kandungan Protein Daun Ketela Pohon dengan Berbagai Feedprocessing untuk Meningkatkan Kualitas Pakan Ternak ............................................................ Tri Ida Wahyu Kustyorini, Dyah Lestari Yulianti Pemanfaatan Yogurt Plain Sebagai Starter Pada Produksi Homemade Yogurt ............................................................................................................ Ir. Aju Tjatur Nugroho Krisnaningsih, MP PENAMPILAN REPRODUKSI KAMBING PERANAKAN ETTAWA (PE) (Studi Kasus Di Wilayah Desa Jambuwer Kecamatan Kromengan Kabupaten Malang) ....................................................................................... Enike Dwi Kusumawati dan Aju Tjatur Nugroho K
358-366
367-375
376-381
382-387
388-402
Bidang: Pendidikan Model Pembelajaran Fisika Yang Mengintegrasikan Antara Nilai-Nilai Sains dan Nilai-Nilai Agama Islam Dalam Membangun Karakter Mahasiswa FKIP di Perguruan Tinggi Swasta DKI Jakarta .............................................. Marjoko, Dalmeri, Achmad Sjamsuri Analisa Gaya Mengajar Mahasiswa Calon Guru dalam Mata Kuliah Praktik Pengalaman Lapangan 1 (PPL 1) ...................................................... Sri Hariyani Implementasi Cooperative Learning Berbasis Computer Dengan Pemberian Quiz Dalam Meningkatkan Kualitas Perkuliahan Topologi di Program Studi Pendidikan Matematika ...................................................... Retno Marsitin
403-419
420-427
428-440
Peningkatan Pemahaman Konsep Kelipatan Persekutuan Terkecil Menggunakan Bahan Manipulatif pada Siswa Sekolah Dasar ....................... Intan Dwi Hastuti
441-454
Pengembangan Modul Pembelajaran Matematika dengan Pendekatan Ctl (Contextual Teaching And Learning) untuk Siswa SD .......... Raddin Nur Shinta
455-469
Model dan Perancangan Kantin Jujur Berbasis Entrepreneurship (Studi Kasus di SDN Panggungrejo 04 Kepanjen) ......................................... Yulianti
470-488
Pengaruh Strategi Pembelajaran Ipa Terpadu Terhadap Motivasi dan Prestasi Belajar Fisika di SMP Negeri 04 Singosari Malang................... Sudi Dul Aji, Tutik Setyowati
489-498
Hambatan Berpikir Matematis Siswa dalam Memecahkan Masalah Persamaan Kuadrat Berdasarkan Langkah Polya Beserta Pemberian Scaffolding Langkah Polya Beserta Pemberian Scaffolding ........................... 499-517 Ulfia Churidatul Hubungan Bakat Mekanik, Praktik Kerja Industri dan Persepsi Siswa Tentang Kinerja Mengajar Guru dengan Kompetensi Siswa SMK Kompetensi Keahlian Teknik Kendaraan Ringan ........................................... Mujibur Rohman
518-531
Pembelajaran Kooperatif Tipe Numbered Heads Together (NHT) Berbantuan Bahan Manipulatif Fraction Sticker untuk Memahamkan Konsep Materi Operasi Pecahan Di Kelas Viic SMP Negeri 3 Singosari Malang ........................................................................................... 552-565 Dyah Ayu Puspitasari Penerapan Classwide Peer Tutoring untuk Meningkatkan Penalaran Matematika Siswa Kelas VII-C SMP Darul Ukhuwwah Pada Pokok Bahasan Pecahan ........................................................................................... 566-573 Ade Kurniawan Meningkatkan Kreativitas dan Pemahaman Pecahan Melalui Penerapan Strategi Open Ended Problem Bersetting Kooperatif ..................................... 574-587 Akhmad Jufriadi, Hena Dian Ayu Minat dan Aktivitas Belajar Mahasiwa Prodi Pendidikan Matematika Universitas Kanjuruhan Malang pada Perkuliahan PPL 1 dengan Model Make A Macth .................................................................................... 588-599 Rahaju Penggunaan Bahan Manipulatif Kemasan untuk Memahamkan Siswa Tentang Bangun Ruang Melalui Pembelajaran Group Investigation pada Kelas VIII MTS Al Hamidiyah Gondanglegi .............. 600-610 Dwi Nurcahyo Pengaruh Kompetensi Guru, Interaksi Teman Sebaya, dan Hasil Belajar terhadap Perilaku Konsumtif Siswa SMP Islam Ma’arif 2 Malang ................... 611-620 Lilik Sri Hariani, Udik Yudiono Penerapan Pembelajaran Kooperatif Model NHT (Numbered Head Together) untuk Meningkatkan Keaktifan dan dan Hasil Belajar IPS pada Siswa Kelas VII SMP Negeri 5 Singosari Satu Atap Tahun Ajaran 2013/2014 ............................................................................... 621-639 Dian Kartini,S.Pd Profil Metakognisi Matematis Siswa Kelas 3 Sekolah Dasar pada Pemecahan Masalah Bangun Datar Berdasar Kerj a Kelompok ...................... 640-649 Dwi Purnomo , Toto Nusantara , Subanji , Swasono Rahardjo
Penggunaan Mainan Anak-Anak Melalui Pembelajaran dengan Metode Penemuan Terbimbing Untuk Memahamkan Konsep Luas Permukaan Bangun Ruang Pada Siswa Smp ........................................... 671-685 Deka Anjariyah
DECISION SUPPORT SYSTEMPREDIKSI KELULUSAN SISWA SMK
PROSIDING SEMINAR NASIONAL merupakan publikasi yang berisikan MENGGUNAKAN METODE NAIVE BAYES hasil- hasil pertemuan ilmiah. Diterbitkan 1 tahun sekali, oleh Lembaga Penelitian dan Pengabdian kepada Masyarakat Universitas Kanjuruhan Malang. Wiji Setiyaningsih1 2 Usman Fauzi
DEWAN REDAKSI
Ketua Dr. Sudi Dul Aji, M.Si.
Penyunting Pelaksana: Dr. Endi Sarwoko, SE., M.M Dr . Gatot Sarmidi, M.Pd Dr. Suciati, SH., M.Hum Dr. Supriyanto, M.Pd Dr. Endah Andayani, M.M Dra. Nurul Aini, M.Si Dr s. Choirul Huda, M.Si Drs. Sudiyono, M.Pd Yusr iel Ardian, S.Kom., M.Kom Enike Dwi Kusumawati, S.Pt., M.P Henny Leondro, S.Pt., M.P Dyah Lestar i Yulianti, M.P
1
Program Studi Sistem Informasi, Fakultas Teknologi Infor masi, Universitas Kanjuruhan Malang,
[email protected]
2
Program Studi Sistem Informasi, Fakultas Teknologi Infor masi, Universitas Kanjuruhan Malang,
[email protected]
Abstrak
Dalam upaya meningkatkan Sumber Daya Manusia (SDM) yang bermutu, bidang pendidikan memegang peranan penting. Upaya meningkatkan SDM dilakukan melalui jalur pendidikan dasar, pendidikan menengah, dan pendidikan tinggi. Ujian akhir nasional (UAN) merupakan salah satu alat evaluasi yang dikeluarkan Pemerintah untuk mengukur tingkat pencapaian tujuan pendidikan yang telah ditetapkan, karena hasil UAN bisa menentukan standar kelulusan nasional. Di Sekolah Menengah Kejuruan I slam 1 Blitar ingin mendapatkan siswa didiknya bisa ulus semua. Beberapa faktor yang mempengaruhi prediksi kelulusan siswa, diantaranya : Ujian Sekolah Tulis, Ujian Sekolah Praktek, Ujian Kompetensi Keahlian. Berdasar kan hal ersebut dibutuhkan Sistem Pendukung Keputusan Prediksi Kelulusan Siswa-Siswi SMK slam 1 Blitar Menggunakan Metode Naive Bayes. Sistem Pendukung Keputusan Kelulusan Siswa-Siswi SMK Islam 1 Blitar Menggunakan Metode Naive Bayesini dapat membantu pihak sekolah dalam mempertimbangkan kelulusan siswa-siswi baik secara individu maupun keseluruhan agar kualitas kelulusan siswa-siswi lebih baik.
Kata Kunci: desicion support system , naive bayes , prediksi kelulusan
A.
Pendahuluan
merupakan salah satu alat evaluasi yang
Dalam upaya meningkatkan Sumber
dikeluarkan Pemer intah untuk mengukur
Daya Manusia (SDM) yang bermutu,
tingkat pencapaian tujuan pendidikan yang
bidang pendidikan memegang peranan
telah ditetapkan, karena hasil UAN bisa
penting. Upaya meningkatkan SDM
menentukan standar kelulusan nasional
dilakukan melalui jalur pendidikan dasar,
untuk tahun berikutnya ( Astria Puji Astuti,
pendidikan menengah, dan pendidikan
2010). Misalnya nilai rata-rata UAN ini
inggi. Ujian akhir nasional ( UAN)
4,01 untuk tahun depan menjadi 4,26 dan
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
113
1 2 Wiji Setiyaningsih, Usman Fauzi
seterusnya. Dimana standar nilai UAN
Prediction Of Gunadarma University
yang ditetapkan Pemer intah sangat
Students Using Algorithm And Naive
penting, karena untuk mengetahui lulus
Bayes C4.5 Algorithm (2010), yang artinya
idaknya siswa tersebut. Begitu pula di
Prediksi Kelulusan Mahasiswa Universitas
Sekolah Menengah Kejur uan Islam 1
Gunadarma menggunakan Algoritma dan
Blitar ingin mendapatkan siswa didiknya
Algoritma
bisa lulus semua. Dari hasil analisis
tersebut dengan menggunakan metode
dokumen dan wawancara presentasi nilai
algoritma naive bayes, sehingga hal ini
ahun ajaran 2006 yang tertinggi untuk
dapat dilihat dari meningkatnya jumlah
program keahlian Teknik Kontruksi
calon mahasiswa baru di setiap tahunnya
Bangunan 7,82, nilai rata-rata terbanyak
ajaran. Untuk mengetahui tingkat
6,80, progr am keahlian Teknik Instalasi
kelulusan mahasiswa dalam satu tahun
Listrik 8,49, nilai rata-rata terbanyak 6,60,
ajaran dapat membuat prediksi berdasarkan
program keahlian Teknik Mesin Perkakas
data mahasiswa pada tingkat atau yang
8,22, nilai rata-rata terbanyak 6,88,
pertama akademik tahun. Naive Bayes
program keahlian Mekanik Otomotif 8,82,
(NBC) adalah probabilitas sederhana
nilai rata-rata terbanyak 7,52 dan siswa
classifiermenerapkan
yang tidak lulus ada 10 siswa. Beberapa
dengan asumsi kemerdekaan ( independen)
aktor yang mempengaruhi prediksi
tinggi. Keuntungan menggunakan NBC
kelulusan siswa, diantaranya : Ujian
adalah bahwa metode ini hanya
Sekolah Tulis, Ujian Sekolah Praktek,
membutuhkan jumlah pelatihan data data (
Ujian Kompetensi Keahlian.
training) kecil untuk memperkirakan
Harapan dari Kepala Sekolah yaitu
guru dapat mengaktifkan siswa untuk lebih
C4.5Naive Bayes . Pada r iset
teorema bayes
parameter yang diperlukan dalam proses klasifikasi.
giat belajar, siswa-siswi dapat lulus 100%
Kebutuhan jumlah data yang besar
dan nilai kelulusan siswa- siswi diatas rata-
dapat ditemukan dalam dunia pendidikan.
ata. Untuk mengatasi permasalahan
Hal ini dikarenakan, setiap tahun ajaran
prediksi kelulusan siswa-siswi di SMK
terjadi peningkatan data. Terutama data-
slam 1 Blitar, senada dengan
data siswa yang terus bertambah dari tahun
per masalahan di paper yang telah ditulis
ketahun. Jumlah data yang ter us meningkat
oleh Marselina dan Ernastuti (2010) dalam
ini memer lukan beberapa metode untuk
papernya yang berjudul
mengolah dan mengambil kesimpulan dan
Graduation
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
114
1 2 Wiji Setiyaningsih, Usman Fauzi
nformasi dari data tersebut. Pada
kelulusan, yang dapat membantu pihak
penelitian ini penulis mengangkat
sekolah dalam mempertimbangkan
mengenai penggunaan metode naive bayes .
kelulusan siswa-siswi baik secara individu
Berdasarkan uraian tersebut di atas,
maupun keseluruhan agar kualitas
maka perlu membangun sebuah Decision
kelulusan siswa-siswi lebih baik. Prediksi
Support System untuk prediksi kelulusan
tersebut juga dapat meningkatkan kualitas
siswa-siswi di SMK Islam 1 Blitar
mengajar para guru dalam menyampaikan
menggunakan metode
pelajaran.
naive bayes,
sehingga dapat dijadikan sebagai
pertimbangan siswa- siswi dalam
B. Kajian Pustaka
mendapatkan hasil akhir.
2.1 Pengertian Decision Support System
Adapun tujuan dar i penelitian ini adalah
(DSS)
untuk membangun
Decision Support
Menurut paper yang ditulis oleh
System Pr ediksi Kelulusan Siswa-Siswi
Dina Andayati (2010),Decision Support
SMK Islam 1 Blitar Menggunakan Metode
Systemadalah bagian dari sistem informasi
Naive Bayes,sehingga dapat memprediksi
berbasis komputer (termasuk sistem
siswa-siswi yang lulus atau tidak lulus
berbasis pengetahuan) yang dipakai untuk
sesuai dengan nilai standar kelulusan, yang
mendukung pengambilan keputusan dalam
dapat membantu pihak sekolah dalam
suatu organisasi atau perusahaan. Dapat
mempertimbangkan kelulusan siswa-siswi
juga dikatakan sebagai sistem komputer
baik secara individu maupun keseluruhan
yang mengolah data menjadi informasi
agar kualitas kelulusan siswa-siswi lebih
untuk mengambil keputusan dari masalah
baik. Prediksi tersebut juga dapat
semi terstruktur yang spesifik.
meningkatkan kualitas mengajar para guru
dalam menyampaikan pelajaran. Adapun tujuan dar i penelitian ini
adalah untuk membangun
Decision
2.2 Tujuan Decision Support System (DSS) Menurut paper yang ditulis oleh
Support SystemPrediksi Kelulusan Siswa-
Dina Andayati (2010), tujuan Decision
Siswi SMK Islam 1 Blitar Menggunakan
Support System (DSS) adalah untuk
Metode Naive Bayes, sehingga dapat
membantu pengambilan keputusan
memprediksi siswa-siswi yang lulus atau
memilih berbagai alternatif keputusan
idak lulus sesuai dengan nilai standar
yang merupakan hasil pengolahan
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
115
1 2 Wiji Setiyaningsih, Usman Fauzi
nformasi yang diperoleh/tersedia
yaitu subsistem manajemen model,
menggunakan model pengambilan
subsistem manajemen model, dan
keputusan.
antarmuka pengguna (Magdalena, 2011). Subsistem yang membangun sistem
2.3 Komponen-komponen
pendukung keputusan pada gambar 1
Decision
dijelaskan sebagai berikut:
(DSS) Support System Sistem pendukung keputusan
a. Subsistem manajemen data ber isi data
dibangun oleh lima komponen yaitu
yang relevan untuk suatu situasi dan
subsistem manajemen data, subsistem
dikelola oleh Database Manajemen
manajemen model, subsistem antarmuka
System (DBMS).Subsistem ini dapat
pengguna, dan subsistem manajemen
diinterkoneksikan dengan data
berbasis pengetahuan. Berdasarkan
Warehouse perusahaan yang relevan
definisi, sistem pendukung keputusan
untuk pengambilan keputusan.
harus mencakup tiga komponen utama
Data : External and Internal
Other Computer Based Systems
Data Management
Internet,Intranet, Extranet
Model Management External Models
Knowledgebased subsystems
User Interface
Organizational KB
Manager (User)
Gambar 1. Skemat ik (DSS) Decision Support System
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
116
1 2 Wiji Setiyaningsih, Usman Fauzi
b. Subsistem manajemen model
perkiraan, menduga atau menelaah. Dapat
merupakan paket perangkat lunak yang
diartikan pula suatu buletin yang memuat
menyimpan model keuangan, statistik,
berita tentang sesuatu yang telah lalu atau
ilmu manajemen , atau model
yang akan datang.
kuantitatif lainnya yang memberikan
Menurut kamus besar bahasa
kemampuan analitik yang tepat.
Indonesia kata lulus berarti dapat masuk,
Perangkat lunak ini sering disebut
dapat lepas atau lucut, ter perosok masuk,
Model Based Managemen
berhasil dapat melalui dengan baik,
System
(MBMS) dan dapat diimplementasikan
diperkenankan. Kemudian kelulusan
pada sistem pengembangan webuntuk
diartikan sebagai keguguran, hal lulus dan
berjalan padaserveraplikasi.
setelah lulus. Sehingga kelulusan menurut
c. Subsistem antar muka pengguna
penulis diartikan sebagai keberhasilan
merupakan dukungan komunikasi
dalam melalui ujian pada batas tertentu.
antara sistem dengan pengguna. Web
Prediksi kelulusan adalah suatu perkiraan
browsermenjadi salah satu antarmuka
untuk melihat lulus atau tidaknya siswa
yang menampilkan dalam bentuk grafis
dalam ujian nasional yang memiliki
dan interaktif dengan pengguna.
dengan standar kelulusan tertentu (Tim
d. Subsistem manajemen ber basis
Redaksi, 2008).
pengetahuan bertindak sebagai komponen independen yang memberikan kemampuan intelegensi
2.3 Metode
Naive Bayes
Menurut paper yang ditulis oleh
untuk memperbesar pengetahuan
Marselina dan Ernastuti ( 2010), klasifikasi
pengambil keputusan. Perusahaan
bayesian adalah pengklasifikasian statistik
memiliki sistem manajemen
yang dapat digunakan untuk memprediksi
pengetahuan.
probabilitas untuk memprediksi
Keterhubungan
subsistem ini dengan sistem pendukung
keanggotaan suatu class. Klasifikasi
keputusan dapat melalui interkoneksi
bayesian didasarkan pada teorema bayes .
denganWeb server .
Dari hasil studi algoritma klasifikasi, didapatkan bahwa hasil klasifikasi
2.4 Prediksi Kelulusan Menurut kamus besar bahasa
ndonesia prediksiberar ti ramalan atau
bayesian atau dikenal dengan Naive Bayes Claassifiersdari segi performa lebih baik dar i dari algoritma decision treedan
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
117
algoritma
1 2 Wiji Setiyaningsih, Usman Fauzi
selected neural networks
suatu var ibel dalam sebuah kelas yang
classifiers. Naive Bayes Claassifiers juga
dibutuhkan untuk menentukan klasifikasi,
memiliki kecepatan dan keakuratan yang
bukan keseluruhan dari matriks kovarians.
inggi bila di implementasikan ke dalam
Salah satu penerapan teorema bayes adalah
databese yang ukurannya besar.
naive bayes(Marselina dan Ernastuti,
Naive
Bayes Claassifiers berasumsi bahwa efek
dar i status pada kelas yang diberikan
2010). Naive bayesmerupakan metode
adalah independent terhadap nilai atribut
probabilistik pengklasifikasian sederhana
yang lainnya. Asumsi ini biasanya disebut
berdasarkan
dengan classcondicional indepence. I tu
Pengklasifikasian padanaive bayes dapat
dibuat untuk menyederhanakan komputasi
dilakukan melalui training set yang efesien
teorema bayes
.
yang terkait dalam hal ini disebut sebagai (Wiji Setiyaningsih, 2012).
=naive‘. Bayesian belief networkadalah
Teorema bayes menyediakan cara
model grafik yang tidak seperti naive
untuk memperkir akan probabilitas
bayes claassifiers yang memperbolehkan
posterior P(H|X), saat P( H), P(X) dan
epresentasi dari ketergantungan diantara
P(X|H) telah diketahui
atribut dari sebuah subset. Bayesian belief
network dapat juga digunakan dalam
pengklasifikasian.Naive bayes claassifiers
NBC) merupakan sebuah pengklasifikasi
probabilitas sederhana yang
Naive Bayesian Classification
mengaplikasikan teorema bayes dengan
asumsi ketidaktergantunganindependent ( )
yang tinggi.
Keuntungan menggunakan NBC
adalah bahwa metode ini hanya
membutuhkan jumlah data pelatihan
training data) yang kecil untuk
a) Klasifikasi bayes(
naive bayesian
classificasion) mengasumsikan: Nilai dari sebuah input atribut pada
menentukan estimasi parameter yang
kelas yang diberikan tidak tergantung
diper lukan dalam proses pengklasifikasian.
dengan nilai dari atribut yang lain.
Karena yang diasumsi sebagaivariable
Asumsi ini disebutclass conditional
ndependent , maka hanya varians dar i
independence .
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
118
1 2 Wiji Setiyaningsih, Usman Fauzi
b) Hanya valid untuk mengalikan
5. Identifikasi masalah, menentukan
masing-masing pr obabilitasattribute
rumusan masalah, batasan penelitian,
Xi saat menghitung nilai P(X|H) jika
serta tujuan penelitian.
diasumsikan
class conditional
independence.
c) Karena asumsi inilah penerapan
6. Studi liter atur, yaitu dengan mempelajar i literatur-literatur yang mendukung penelitiandecision support
teorema bayesyang menghitung
systemprediksi kelulusan siswa SMK
for mula di atas disebutnaif( naive
menggunakan metode naive bayes .
bayes).
Membahas tentang penerapan metode
d) Terdapat Graphical Modelslainnya juga
naive bayesuntuk decision support system
classifier models yang
prediksi kelulusan siswa SMK sesuai
memper hitungkan bahwa ada
dengan batasan penelitian yang telah
dependensi/keterkaitan antara input
ditentukan.
attributedalam training set : a. Bayesian (Belief) Network b. Hidden Markov Model
e) Walapun demikian klasifikasi naive
D. Hasil dan Pembahasan Diagram konteks merupakan aliran yang memodelkan hubungan antara sistem
bayestetap menunjukkan akurasi yang
dengan entitas. Selain itu, diagram konteks
cukup tinggi saat digunakan pada
merupakan diagram yang paling awal yang
databaseyang benar.
terdiri dari suatu proses data dan menggambarkan ruang lingkup suatu
C. Metodologi Penelitian Metode penelitian merupakan
angkah-langkah yang dilakukan dalam
sistem secara garis besarnya. Aliran dalam diagram konteks memodelkan masukan ke sistem dan keluaran dar i sistem.
penelitian ini secara umum, yang dapat
manggambarkan desain dan prosedur
penelitian sebagai ber ikut:
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
119
1 2 Wiji Setiyaningsih, Usman Fauzi
Gambar 2.Context DiagramDSS Prediksi Kelulusan Siswa SMK Diagram konteks di atas
BK serta lima proses yang merupakan
menerangkan bahwa arus data secara
proses utama pada sistem, yaitu proses
umum yang melibatkan tiga buah entitas,
login, pengelolahan data master, data
yaitu : Admin, TU dan BK. Aliran output
training, prediksi kelulusan dengan metode
data dari Admin adalah : Input master
naive bayes , laporan. Sertadata storeya ng
ogin, input login, input data training.
masing- masing adalah
Aliran outputdari data TU adalah : Input
siswa, jurusan, penilaian. Di bawah ini
ogin, input master jurusan dan input
adalah gambar DFD Sistem Pendukung
master siswa. Aliran output dari BK adalah
Keputusan Prediksi Kelulusan level 1.
nput login dan input penilaian. Admin merupakan pengelola utama
user_operator,
Secara garis besar prosedur didalam sistem ini dipecah menjadi lima
sistem, peran penting admin adalah untuk
proses yaitu proses login, pengelolahan
mengkoordinasikan dan mengelola siapa
data master, data training, prediksi
saja yang ber hak memasukkan data
kelulusan menggunakan metode naive
kedalam sistem.
bayes, laporan. Dar i keterangan gambar di
Data Flow Diagram(DFD) level 1
atas ini tampak bahwa Admin, TU dan BK
menjelaskan mengenai arus data yang
melakukan proses login. TU melakukan
erjadi dalam sistem pendukung keputusan
login terlebih dahulu sebelum melakukan
prediksi kelulusan. Pada diagram ini
pengolahan data master, begitu pula BK
erdapat tiga entitas yaitu Admin, TU dan
untuk melakukan prediksi kelulusan
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
120
1 2 Wiji Setiyaningsih, Usman Fauzi
menggunakan metodenaive bayes harus
hak akses penuh dalam sistem pendukung
melakukan proses login terlebih dulu, dan
keputusan prediksi kelulusan ini.
Admin adalah seorang yang mempunyai
Gambar 3.Data Flow DiagramLevel 1 Prediksi Kelulusan Siswa SMK
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
121
1 2 Wiji Setiyaningsih, Usman Fauzi
Pada gambar dibawah ini DFD level 2 ter dapat 3 proses setup master yait usetup
masteruser, setupmaster jurusan,setupmaster siswa.
Gambar 4. DFD Level 2 dari ProsesSetup 2 Master Dar i masing-masing hasil setup
Pada gambar dibawah ini terdapat
master akan tersimpan di dalam database.
pada DFD Level 2 proses 3 adalah
Setupmaster userakan tersimpan di dalam
melakukan proses data training akan
abel user_operator, setupmaster jurusan
tersimpan di dalam tabel penilaian.
akan tersimpan di dalam tabel jurusan,
setupmaster siswa akan tersimpan di
dalam tabel siswa.
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
122
1 2 Wiji Setiyaningsih, Usman Fauzi
Gambar 5. DFD Level 2 dari ProsesData 3 Training Pada gambar dibawah ini terdapat
Dari gambar ERD terdapat
pada DFD Level 2 proses 4 adalah
beberapa relasi di antar anya tabel jurusan
melakukan proses prediksi kelulusan yang
dengan tabel siswa relasinya adalah one to
akan tersimpan di dalam tabel penilaian.
many.Dimana satu jurusan dapat di miliki banyak siswa. Selanjutnya tabel siswa dengan tabel penilaian relasinya adalah one to many. Dimana satu siswa dapat di melakukan beberapa penilaian.
Gambar 6. DFD Level 2 dari Proses 4 Prediksi Kelulusan Menggunakan MetodeNaive Bayes Entity Relationship Diagram
ERD) merupakan notasi grafis dalam
pemodelan data konseptual yang
digunakan untuk memodelkan struktur data
dan hubungan antar data.
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
123
1 2 Wiji Setiyaningsih, Usman Fauzi
Gambar 7.Entity Relationship Diagram
Target atribut adalah status dimana
Prediksi Keluusan Siswa SMK
memiliki 2 macam nilai yaitu lulus dan
Sistem Pendukung Keputusan Prediksi
tidak.
Kelulusan Siswa SMK Menggunakan
Secara prinsip model ini akan
Metode Naive Bayes
memaksimalkan P(X|Hi)P(Hi), untuk
Naive Bayesadalah merupakan
nilai i = 1, 2.
metode probabilistik pengklasifikasian
Langkah 1: Meghitung P(Hi),
sederhana berdasarkanTeorema Bayes.
probabilitas prior untuk setiap kelas,
Pengklasif ikasian pada Naive Bayesdapat
dapat dihitung :
dilakukan melalui tr aining set yang efesien
Wiji Setiyaningsih, 2012) .
Naive Bayesian Classification
P(status = lulus) = 190/200 = 0,95 P(status = tidak) =10/200 = 0,05 Langkah 2 : Menghitung P(X|Hi), probabilitas posterior X dengan syarat P(ketu_agama = baik | status = lulus) = 190/190 = 1 P(ketu_agama = baik | status = tidak) = 10/10 = 1
Menggunakan data set sebelumnya
P(ketu_PPKN = baik | status = lulus) =
untuk memprediksi kelulusan apakah
190/190 = 1
siswa-siswi akan lulus atau tidak ?
P(ketu_PPKN = baik | status = tidak)
Pada training set menggunakan 16
= 10/10 = 1
atribut : Ujian tulis sekolah terdir i dari
P(ketu_sejarah = baik | status = lulus)
mata pelajaran agama, ppkn, sejarah,
= 190/190 = 1
fisika, kimia, kewirausahaan. Ujian
P(ketu_sejarah = baik | status = tidak)
praktek sekolah terdiri dari mata
= 10/10 = 1
pelajaran agama, bahasa indonesia,
P(ketu_penjaskes = baik | status =
penjaskes, fisika, kimia,
lulus) = 190/190 = 1
kewirausahaan. Ujian nasional terdiri
P(ketu_penjaskes = baik | status =
dara mata pelajaran bahasa indonesia,
tidak) = 10/10 = 1
bahasa inggr is, matematika,
P(ketu_fisika = baik | status = lulus) =
kompetensi keahlihan.
190/190 = 1
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
124
1 2 Wiji Setiyaningsih, Usman Fauzi
P(ketu_fisika = baik | status = tidak) =
P(ketp_kewirausaahaan = baik | status
10/10 = 1
= tidak) = 8/10 = 0,8
P(ketu_kimia = baik | status = lulus) =
P(ketun_bhsindo = baik | status
189/190 = 0,994
= lulus) = 174/190 = 0,915
P(ketu_kimia = baik | status = tidak) =
P(ketun_bhsindo = baik | status =
10/10 = 1
tidak) = 8/10 = 0,8
P(ketu_kewirausaahaan = cukup |
P(ketun_bhsing = baik | status
status = lulus) = 1/190 = 0,0052
= lulus) = 94/190 = 0,494
P(ketu_kewirausaahaan = cukup |
P(ketun_bhsing = baik | status = tidak)
status = tidak) = 0/10 = 0
= 0/10 = 0
P(ketp_agama = baik | status = lulus)
P(ketun_matematika = cukup |
= 189/190 = 0,994
status = lulus) = 11/190 = 0,057
P(ketp_agama = baik | status = tidak)
P(ketun_matematika = cukup | status =
= 10/10 = 1
tidak) = 4/10 = 0,4
P(ketp_bhsindo = cukup | status =
P(ketun_kompetensi = baik | status =
lulus) = 1/190 = 0,0052
lulus) = 187/190 = 0,984
P(ketp_bhsindo = cukup | status =
P(ketun_kompetensi = baik | status =
tidak) = 0/10 = 0
tidak) = 10/10 = 1
P(ketp_penjaskes = baik | status = lulus) = 190/190 = 1
Langkah 3 : Menghitung semua nilai
P(ketp_penjaskes = baik | status =
probabilitas
tidak) = 10/10 = 1 P(ketp_fisika = baik | status = lulus) =
P(X| status = lulus) = 1 x 1 x 1 x 1 x 1 x 0,994 x 0,0052 x
189/190 = 0,994
0,994 x 0,0052 x x 1 x 0,994 x 0,0105
P(ketp_fisika = baik | status = tidak) =
x 0,742 x 0,915 x 0,494 x 0,057 x
10/10 = 1
0,984
P(ketp_kimia = cukup | status = lulus) = 2/190 = 0,0105 P(ketp_kimia = cukup | status = tidak) = 0/10 = 0 P(ketp_kewirausaahaan = baik | status
= 5,498 P(X| status = tidak) =1x1x1x1x1x1 x0x1x0x x1 x 1 x 0 x 0,8 x 0,8 x 0 x 0,4 x 1 =0
= lulus) = 141/190 = 0,742
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
125
1 2 Wiji Setiyaningsih, Usman Fauzi
Langkah 4 : Mengitung P(X|Hi)P(H)
kelulusan siswa-siswi. Adapun media
P(X| status = lulus) P(status = lulus) =
penyimpanan meliputi data admin,
5,498 x 0,95
data jurusan, data siswa dan data
= 5,223
penilaian.
P(X| status = tidak) P(status = tidak) = 0 x 0,05
=0
c. Sistem pendukung keputusan prediksi kelulusan siswa-siswi SMK Islam 1 Blitar Menggunakan Metode Naive
Hasil dari prediksi diatas adalah lulus
Bayesdapat dijadikan sebagai acuhan
karena P(X| status = lulus) > P(X|
kelulusan siswa-siswi di SMK Islam 1
status = tidak).
Blitar. d. Sistem pendukung keputusan ini dapat
E. Kesimpulan Berdasarkan pembahasan penelitian
memberikan motivasi kepada siswasiswi SMK Islam 1 Blitar untuk lebih
Decision Support System Pr ediksi
meningkatkan kualitas belajar, karena
Kelulusan Siswa SMK Menggunakan
dari hasil prediksi kelulusan siswa-
Metode
siswi dapat memprediksi lulus
Naive Bayes , maka dapat
disimpulkan sebagai ber ikut:
tidaknya siswa-siswi.
b. Untuk membangun Sistem Pendukung Keputusan Preidiksi Kelulusan SiswaSiswi SMK Islam 1 Blitar Menggunakan Metode Naive Bayes dibutuhkan Admin, TU, BK hak akses,
F. Saran Adapun saran untuk pengembangan penelitian selanjutnya yaitu: 1. Pada sistem yang telah dibuat
ini,
dengan inputan data : data user, data
masih ada kekurangan yaitu sistem
jur usan, data siswa dan data penilaian.
ini dikembangkan menggunakan
Terdapat beberapa proses dalam
metode
sistem ini yaitu proses menghitung
memprediksi kelulusan. Untuk
jumlah status lulus dan tidak,
pengembangan selanjutnya,
menghitung probabilitas setiap kelas,
diharapkan menggunakan metode
menghitung probabilitas posterior,
lain selain metodeNaive Bayes .
menghitung nilai semua lulus dan
2. Untuk pengembangan program
Naive Bayes
untuk
tidak, menghitung hasil lulus dan tidak
selanjutnya dapat menambahkan
dan menghitung hasil prediksi
Formnilai tiap semester agar guru
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
126
1 2 Wiji Setiyaningsih, Usman Fauzi
lebih mudah mengarsipkan nilai
Algorithm. Gunadarma University .
siswa.
Jakarta
3. Pengembangan program selanjutnya,
http://id.wikipedia.or g/wiki/Microsoft_Acc
diharapkan bisa menggunakan
ess. Diunduh tanggal 24/12/2012
pemrograman ber basis web, kar ena
jam 21.00
bagian staf bisa mengakses meskipun tidak di sekolahan dan dapat dilihat oleh semua siswa-siswi. 4. Sistem Pendukung Keputusan
Jogiyanto. 2005. Analisis dan Desain Sistem Informasi. C.V Andi Offset Karimariyanti, Magdalena. 2011. Simulasi Pendukung Keputusan Penerima
Prediksi Kelulusan ini dalam inputan
Beasiswa Menggunakan Metode
nilai ujian sekolah harus diatas nilai 6
Composite Performance Index .
atau bersifat fleksibel.
Vol.1, No. 2. Bandung Mulyanto, Aunur R. 2008. Rekayasa Perangkat Lunak Jilid 1, Jilid 2,
Daft ar Pustaka
Jilid 3. Dir ektorat Pembinaan
Andayati, Dina. 2010. Sistem Pendukung
Sekolah Menengah Kejuruan,
Keputusan Pra-Seleksi Pener imaan
Direktorat Jenderal Manajemen
Siswa Baru (PSB) On-Line
Pendidikan Dasar dan Menengah,
Yogyakar ta. Institut Sains dan
Departemen Pendidikan Nasional.
Teknologi AKPRIND. Vol.3, No.
Jakarta
2. Yogyakar ta
Setiyaningsih, Wiji.
Astuti, Astr ia Puji. 2010. Aplikasi Analisis
2012. Mata Kuliah
Decision Support System Metode
Diskriminan dalam Penentuan
Naive Bayes. Fakultas Teknologi
Faktor-faktor yang Mempengaruhi
Informasi Universitas Kanjur uhan
Kelulusan Siswa SMPN 1 Gunung
Malang
Mer iah Kabupaten Aceh Singkil. Sumatra Utara
Ernastuti, dkk. 2010.
Tim penyusun. 2008. Kamus Besar Bahasa Graduation
Prediction Of Gunadarma
Indonesia. Pusat Bahasa Departemen Pendidikan Nasional. Jakarta
University Students Using Algorithm and Naive Bayes C4.5
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014
127