DAFTAR ISI. Pengaruh Kebebasan Berbisnis Terhadap Harga Saham Di Negara-Negara Asean Dwi Wulandari

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


114


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


115


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


116


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


117

algoritma


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 .


118


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:


119


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


120


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


121


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.


122


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.


123


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


124


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


125


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


126


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


127

DAFTAR ISI. Pengaruh Kebebasan Berbisnis Terhadap Harga Saham Di Negara-Negara Asean Dwi Wulandari

Recommend Documents