PENERAPAN ALGORITMA APRIORI UNTUK ANALISIS DAYA SERAP HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA JURUSAN IPA DI DAERAH ISTIMEWA YOGYAKARTA

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

PENERAPAN ALGORITMA APRIORI UNTUK ANALISIS DAYA SERAP HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA JURUSAN IPA DI DAERAH ISTIMEWA YOGYAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Oleh : Laurensius Haris Chrisanda 12 5314 055

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2016


PENERAPAN ALGORITMA APRIORI UNTUK ANALISIS DAYA SERAP HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA JURUSAN IPA DI DAERAH ISTIMEWA YOGYAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Oleh : Laurensius Haris Chrisanda 12 5314 055

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2016 i


IMPLEMENTATION OF APRIORI ALGORITHM FOR ANALYSIS ABSOPTION DATA OF MATHEMATICS NATIONAL EXAM SCORES IN THE SCIENCE MAJOR OF SENIOR HIGH SCHOOL IN YOGYAKARTA

FINAL PROJECT

Present as Partial Fullfillment of the Requirements to Obtain the Sarjana Komputer Degree in Informatics Engineering Study Program

By : Laurensius Haris Chrisanda 12 5314 055

INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATIC ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2016 ii


HALAMAN PERSETUJUAN SKRIPSI PENERAPAI\I ALGOnITMA APnIOnI T}NTUK ANALISN I}AYA SERAP

EASIL UJIAN NASIONAL MATA PEI"AJARAN MATEMATIKA SMA JURUSAN IPA DI DAENAE ISTIMEWA YOGYAKARTA

$'.

rpJtyoss

''Q

AWo g#E E il."*:,_l *:", \\ b zffin 7*ffi3 ?lo @. I_s ' -b* OoynKogf.C DosenPembimbing,

w

ranggar,

P. H. Prima Rosa, S.Si., M.Sc.

H

...?.t.(..t./. ... roru


AAIAMAN PENGESAEAN SKRIPSI PENERAPAI\i ALG{ORITMA APRIOH I]NTUK ANALISE DAYA SERAP

HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA JIIRUSAN IPA I}I I}AERAU ISTIMEWA Y(rcYAKARTA

Ketua Sekretaris

Penguji Anggota

Yoryakart4

.z|..Ju l;-e Pt.L...

Fakultas Sain dan Teknologi

Universitas Sanata Dharma

/"'/, S.Si, M.Moth.Sc., Ph.D

tv


HALAMAN PERSEMBAHAN

“Percayalah kepada Tuhan dengan segenap hatimu, dan janganlah bersandar kepada pengertianmu sendiri” (Amsal 3:5)

Karya ini kupersembahkan kepada : Tuhan Yesus Kristus Bunda Maria Keluarga Sahabat

v


PERNYATAAH XEASLIAN KARYA

ry*ryr

behwa skipsi yang saya tulis ini tidak

Saya menydakan

&ngar

memuatkaryaaau

bryie kryaorurg

kutipn

daftar

pu#a

sc,beglimam

lein, kectuli yangtelah saya seh#kaa dalart

$aknya karya ikni*h. yogyakrra" .r.q...

YI

J-'1i...

.

.. 2016


ABSTRAK

Dalam makalah ini dijabarkan implementasi algoritma apriori untuk mencari aturan asosiasi pada data daya serap Ujian Nasional mata pelajaran Matematika SMA Jurusan IPA di Yogyakarta. Dalam melakukan proses mengubah data mentah menjadi suatu informasi yang bermanfaat, penulis menggunakan proses Knowledge Discovery in Database (KDD) yang terdiri dari pembersihan data, integrasi data, seleksi data, transformasi data, penambangan data, evaluasi pola, dan presentasi pengetahuan. Pada tahap pembersihan data dan integrasi data, penulis melakukan secara manual. Tahap selanjutnya yaitu seleksi data, transformasi data, dan penambangan data, penulis merancang perangkat lunak sebagai alat untuk melakukan tahap-tahap tersebut. Sedangkan untuk tahap evaluasi pola dan presentasi pengetahuan, penulis melakukan evaluasi dari hasil penambangan data yang diperoleh dari perangkat lunak dan menjelaskan hasil evaluasi tersebut agar informasi yang didapat dapat diterima oleh pihak-pihak yang membutuhkan. Perangkat lunak tersebut akan diujikan terhadap dua jenis dataset yang merupakan data daya serap hasil ujian Nasional mata Pelajaran Matematika di Yogyakarta tahun pelajaran 2012/2013 + tahun pelajaran 2013/2014 dan data daya serap hasil ujian Nasional mata Pelajaran Matematika di Yogyakarta tahun pelajaran 2014/2015. Berdasarkan penelitian yang telah dilakukan, dapat diketahui bahwa algoritma apriori dapat digunakan untuk menemukan aturan asosiasi nilai daya serap hasil Ujian Nasional. Aturan asosiasi yang dibentuk dipengaruhi oleh nilai daya serap minimum dan nilai minimum support yang digunakan. Sedangkan untuk nilai minimum confidence berpengaruh terhadap jumlah aturan asosiasi yang ditampilkan. Denngan melihat jenis data yang dijadikan objek penelitian, menganalisis aturan asosiasi yang diperoleh tidak cukup hanya dengan melakukan penilaian objektif saja. Perlu dilakukan penilaian subjektif untuk mendapatkan analisa yang akurat dan bermakna dari aturan asosiasi yang diperoleh. Kata Kunci – Algoritma Apriori, Association Rule, Nilai Daya Serap, Penambangan Data

vii


ABSTRACT

This paper describes the implementation of apriori algorithm to find the association rules on absorption data of mathematics national exam scores in the science major of senior high school in Yogyakarta. In the process of turning raw data into a useful information , the writer applied Knowledge Discovery in Database ( KDD ) process that consists of data cleaning, data integration, data selection, data transformation, data mining, pattern evaluation, and knowledge presentation. At the stage of data cleaning and data integration, the writer conducted them manually. At the next stages which are the data selection, data transformation, and data mining, the writer designed software as a tool to conduct these stages. Finally, for the pattern evaluation and presentation of knowledge stages, the writer conducted evaluation of the results obtained from the data mining software and explain the results of this evaluation so that the information can be received by parties in need. The software will be tested against the two types of datasets that are absorption data of mathematics national exam scores in the science major of senior high school in Yogyakarta in the academic year of 2012/2013 + 2013/2014 and in the academic year of 2014/2015. Based on the research that has been done, it is known that the apriori algorithm can be applied to find association rules of absorption values of the national exam results. The association rules formed is affected by minimum absorption value and the minimum support value used. As for the minimum confidence value affect the number of association rules that are displayed. By looking at the type of data that is made as the object of research, analyzing the acquired association rules is not enough to conduct an objective assessment only. Subjective assessment needs to be done to obtain accurate and meaningful analysis of the association rules obtained. Key word – Apriori Algorithm, Association Rule, Absorbtiveness Value, Data Mining

viii


LEMBAR PER}IYATAAI{ PERSETUJUAI\I PUBLIKASI KARYA ILMIAII LINTT]K KEPERLUAhI KEPENTINGAIT AKADEII/IIS

Yang bertanda tangan di bawatr ini, saya mahasiswa Universitas Sanata Dharma

:

Nama : Laurensius Haris Chrisanda

NIM

: 125314055

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul :

PEI\IERAPAI\ ALGORITMA APRIORI t]NTt]K ANALISIS DAYA SERAP

HASIL UJIAI\ NASIONAL MATA PELAJARAN MATEMATIKA SMA JTIRUSAhI IPA DI DAERAH ISTIMEWA YOGYAKARTA Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada Perpustakaan Universitas Sanata Dharma hak unfuk menyimpan, mengalihkan dalam bentuk media lain, mengelola di internet atau media lain untuk kepentingan akademis tanpa perlu meminta

ijin dari

saya maupun memberikan

royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya Dibuat di Yogyakarta pada tanggar

.

*g... 4..9tf ........

2016

Yang menyatakan,

N

Laurensius Haris Chrisanda

1X


KATA PENGANTAR

Puji dan syukur kepada Tuhan Yang Maha Esa, karena pada akhirnya penulis dapat menyelesaikan penelitian tugas akhir ini yang berjudul “PENERAPAN ALGORITMA APRIORI UNTUK MEGETAHUI POLA KEBERHASILAN DAN KEGAGALAN ASPEK KOMPETENSI MATA PELAJARAN UJIAN NASIONAL SEKOLAH MENENGAH ATAS”. Dalam menyelesaikan seluruh penyusunan tugas akhir ini, penulis tak lepas dari doa, bantuan, dukungan, dan motivasi dari banyak pihak. Oleh karena itu, penulis ingin mengucapkan banyak terima kasih kepada : 1. Tuhan Yesus Kristus dan Bunda Maria yang selalu memberikan anugerah, rahmat, kekuatan, dan keberuntungan sehingga penulis dapat menyelesaikan tugas akhir ini. 2. Kedua orang tua penulis, P. Heri Eko Yuwono dan Yuliana Uniatun atas doa, kasih sayang, perhatian, kepercayaan, dukungan baik moral maupun financial yang diberikan kepada penulis. 3. Adik penulis, Yohanes Risco Chris Hernando dan Laurensia Heriana Cika Anindya yang selalu memberikan doa dan dukungan kepada penulis. 4. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan Teknologi. 5. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik Informatika dan juga selaku Dosen Metodologi Penelitian yang telah memberikan waktu, bimbingan, nasihat, dan motivasi kepada penulis. 6. Ibu Paulina Heruningsih Prima Rosa, M.Sc. selaku Dosen Pembimbing Skripsi yang telah memberikan waktu, bimbingan, nasihat, dan motivasi kepada penulis. 7. Bapak Iwan Binanto M.Cs. selaku Dosen Pembimbing Akademik penulis.

x


8.

Seluruh dosen, sekrctariat, laboran,

stafl dan perpustakaan yang telah

membimbing dan membantu selama proses perkuliahan di Universitas Sanata Dharma.

9. Yoanna Nungki Rianda yang selalu mendoakarq

mendukung,

memotivasi, dan selalu ada dalam suka maupun duka. 10. Teman-teman

Program Studi Teknik lnformatika 20L2 atas segala

dukungan dan semangatnya

ll.Teman-teman Kost Dwi Tunggal yang sudah menjadi teman kost terbaik 12. Semua

pihak yang sudah mendukung secara langsung ataupun tidak

langsung, mohon maaf saya tidak dapat menyebutkan satuper satu.

Penulis bertrarap penelitian

ini

dapat menjadi pengetahuan baru yang

berguna bagi para pembaca. Penelitian ini tidak luput dari kekurangan, oleh karena

itu, penulis

mengharapkan saran dan lcritik untuk perbaikan hingga akhirnya

penelitian ini menjadi lebih bailc

Yogyakart4 ..e,.q....AIIf Penulis,

W

Laurensius Hmis Chrisanda

XI

2016


DAFTAR ISI

Halaman HALAMAN JUDUL...........................................................................................i TITLE PAGE .......................................................................................................ii HALAMAN PERSETUJUAN ............................................................................iii HALAMAN PENGESAHAN .............................................................................iv HALAMAN PERSEMBAHAN..........................................................................v PERNYATAAN KEASLIAN KARYA .............................................................vi ABSTRAK ..........................................................................................................vii ABSTRACT ..........................................................................................................viii PERSETUJUAN PUBLIKASI KARYA ILMIAH .............................................ix KATA PENGANTAR ........................................................................................x DAFTAR ISI .......................................................................................................xii DAFTAR GAMBAR ..........................................................................................xvii DAFTAR TABEL .............................................................................................. xviii DAFTAR RUMUS..............................................................................................xx DAFTAR LAMPIRAN .......................................................................................xxi BAB I

PENDAHULUAN ..............................................................................1

1.1. LATAR BELAKANG ........................................................................1 1.2. RUMUSAN MASALAH ...................................................................3 1.3. TUJUAN PENELITIAN ....................................................................4 1.4. BATASAN MASALAH.....................................................................4 1.5. MANFAAT PENELITIAN ................................................................4 1.6. METODOLOGI PENELITIAN .........................................................4 1.6.1. Penelitian Pustaka ...................................................................4 1.6.2. Knowledge Discovery in Database (KDD) ............................5 1.6.3. Pembuatan Laporan ................................................................5 1.7. SISTEMATIKA PENULISAN ..........................................................5

xii


BAB II

LANDASAN TEORI .........................................................................7

2.1. PENAMBANGAN DATA .................................................................7 2.1.1. Pengertian Penambangan Data ...............................................7 2.1.2. Fungsi Penambangan Data......................................................7 2.1.3. Knowledge Discovery in Database (KDD) ............................10 2.2. EVALUASI HASIL BELAJAR .........................................................12 2.2.1. Prinsip-prinsip Dasar Evaluasi Hasil Belajar..........................12 2.2.2. Ketuntasan Belajar ..................................................................13 2.2.3. Makna dan Manfaat Evaluasi Belajar .....................................14 2.2.2.1. Makna Bagi Siswa ....................................................14 2.2.2.2. Makna Bagi Guru .....................................................15 2.2.2.3. Manfaat Bagi Sekolah ..............................................15 2.3. KOMPETENSI ...................................................................................16 2.3.1. Pengertian Kompetensi ...........................................................16 2.3.2. Ranah Kompetensi ..................................................................17 2.4. ANALISIS ASOSIASI .......................................................................17 2.4.1. Pengertian Asosiasi .................................................................17 2.4.2. Association Rule .....................................................................18 2.4.3. Lift Ratio .................................................................................19 2.5. ALGORITMA APRIORI ...................................................................20 2.5.1. Pengertian Algoritma Apriori .................................................20 2.5.2. Prinsip Apriori ........................................................................20 2.5.3. Algoritma Apriori ...................................................................22 BAB III METODE PENELITIAN ...................................................................24 3.1. SUMBER DATA ................................................................................24 3.2. SPESIFIKASI ALAT .........................................................................29 3.3.1. Hardware ................................................................................29 3.3.2. Software ..................................................................................29 3.3. TAHAP-TAHAP PENELITIAN ........................................................29 3.4.1. Studi Kasus .............................................................................29 3.4.2. Penelitian Pustaka ...................................................................30

xiii


3.4.3. Knowledge Discovery in Database (KDD) ............................30 3.4.4. Pengembangan Perangkat Lunak ............................................30 3.4.5. Analisis dan Pembuatan Laporan ...........................................32 BAB IV ANALISIS DAN PERANCANGAN SISTEM ..................................33 4.1. PEMROSESAN AWAL .....................................................................33 4.1.1. Pembersihan Data (Data Cleaning) ........................................33 4.1.2. Integrasi Data (Data Integration) ...........................................33 4.1.3. Seleksi Data (Data Selection) .................................................33 4.1.4. Transformasi Data (Data Transformation) .............................38 4.2. PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA ............................................................................................................39 4.2.1. Perancangan Umum ................................................................39 4.2.1.1. Input Sistem ..............................................................39 4.2.1.2. Proses Sistem ............................................................39 4.2.1.3. Output Sistem ...........................................................40 4.2.2. Diagram Use Case ..................................................................41 4.2.2.1. Gambaran Umum Use Case .....................................41 4.2.2.2. Narasi Use Case........................................................41 4.2.3. Diagram Aktivitas ...................................................................41 4.2.4. Diagram Kelas Analisis ..........................................................41 4.2.5. Diagram Sekuen......................................................................42 4.2.6. Diagram Kelas Disain .............................................................42 4.2.7. Algoritma per Method ............................................................42 4.2.8. Perancangan Struktur Data .....................................................42 4.2.9. Perancangan Antarmuka .........................................................44 4.2.9.1. Perancangan Halaman Awal .....................................44 4.2.9.2. Perancangan Halaman Preprocess ...........................45 4.2.9.3. Perancangan Halaman Konfigurasi Database ..........47 4.2.9.4. Perancangan Halaman Pilih Tabel Database ...........48 4.2.9.5. Perancangan Halaman Asosiasi ................................49 4.2.9.6. Perancangan Halaman Bantuan ................................51

xiv


4.2.9.7. Perancangan Halaman Tentang ................................52 BAB V

IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL ................................................................................................53

5.1. IMPLEMENTASI RANCANGAN PERANGKAT LUNAK ............53 5.1.1. Implementasi Kelas Model .....................................................53 5.1.2. Implementasi Kelas View........................................................53 5.1.3. Implementasi Kelas Control ...................................................71 5.2. EVALUASI HASIL ...........................................................................71 5.2.1. Pengujian Perangkat Lunak (Black Box) ................................71 5.2.1.1. Rencana Pengujian Black Box ..................................71 5.2.1.2. Prosedur Pengujian Black Box dan Kasus Uji ..........73 5.2.1.3. Evaluasi Pengujian Black Box ..................................73 5.2.2. Pengujian Perbandingan Hasil Hitung Manual Dengan Hasil Perangkat Lunak .....................................................................73 5.2.2.1. Penghitungan Manual ...............................................73 5.2.2.2. Penghitungan Perangkat Lunak ................................74 5.2.2.3. Evaluasi Pengujian Perbandingan Hasil Hitung Manual Dengan Hasil Perangkat Lunak ................................75 5.2.3. Pengujian Perangkat Lunak Dengan Menggunakan Dataset .75 5.2.3.1. Pengujian Dataset Tahun Pelajaran 2012/2013........77 5.2.3.2. Pengujian Dataset Tahun Pelajaran 2013/2014........83 5.2.3.3. Pengujian Dataset Tahun Pelajaran 2014/2015........88 5.2.3.4. Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 ......................................92 5.2.4. Evaluasi Pola Asosiasi ..................................................97 5.3. KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK ......99 5.3.1. Kelebihan Perangkat Lunak ....................................................99 5.3.2. Kekurangan Perangkat Lunak .................................................100

xv


BAB VI PENUTUP ..........................................................................................102 6.1. KESIMPULAN ..................................................................................102 6.2. SARAN ...............................................................................................104 DAFTAR PUSTAKA .........................................................................................105 LAMPIRAN ........................................................................................................107

xvi


DAFTAR GAMBAR

Halaman Gambar 2.1 Tahap-tahap di dalam proses Knowledge Discovery in Database (Han&Kamber, 2006) ..................................................................10 Gambar 2.2 Illustrasi prinsip apriori, jika {c,d,e} frequent, maka semua subset pada itemset tersebut juga frequent (Tan dkk., 2006) .................21 Gambar 2.3 Illustrasi prinsip apriori, jika {a,b} infrequent, maka semua superset itemset tersebut infrequent (Tan dkk., 2006) ................21 Gambar 4.1 Diagram Flowchart .....................................................................40 Gambar 4.2 Illustrasi Konsep ArrayList..........................................................43 Gambar 4.3 Perancangan ArrayList ................................................................43 Gambar 4.4 Rancangan Antarmuka Halaman Awal .......................................44 Gambar 4.5 Rancangan Antarmuka Halaman Preprocess ..............................45 Gambar 4.6 Rancangan Antarmuka Halaman Konfigurasi Database ............47 Gambar 4.7 Rancangan Antarmuka Halaman Pilih Tabel Database ..............48 Gambar 4.8 Rancangan Antarmuka Halaman Asosiasi ..................................49 Gambar 4.9 Rancangan Antarmuka Halaman Bantuan...................................51 Gambar 4.10 Rancangan Antarmuka Halaman Tentang ...................................52 Gambar 5.1 Implementasi Antarmuka Kelas view_home...............................55 Gambar 5.2 Implementasi Antarmuka Kelas view_preprocess ......................59 Gambar 5.3 Implementasi Antarmuka Kelas view_database ..........................61 Gambar 5.4 Implementasi Antarmuka Kelas view_table ................................63 Gambar 5.5 Implementasi Antarmuka Kelas view_asosiasi ...........................66 Gambar 5.6 Implementasi Antarmuka Kelas view_help.................................68 Gambar 5.7 Implementasi Antarmuka Kelas view_about ...............................70 Gambar 5.8 Hasil Penambangan Data Menggunakan Perangkat Lunak .........74 Gambar 5.9 Hasil Pengujian 1 Dataset Tahun Pelajaran 2012/2013 ..............81

xvii


DAFTAR TABEL

Halaman Tabel 2.1 Interval Daya Serap Siswa ...............................................................13 Tabel 3.1 Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 .....................24 Tabel 3.2 Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2014/2015 .........................................................................27 Tabel 4.1 Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 .....................................34 Tabel 4.2 Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2014/2015 .........................................................................................36 Tabel 5.1 Implementasi Kelas Model...............................................................53 Tabel 5.2 Implementasi Kelas View .................................................................53 Tabel 5.3 Spesifikasi Detail Kelas view_home.java ........................................54 Tabel 5.4 Spesifikasi Detail Kelas view_preprocess.java ................................56 Tabel 5.5 Spesifikasi Detail Kelas view_database,java ...................................59 Tabel 5.6 Spesifikasi Detail Kelas view_table.java .........................................62 Tabel 5.7 Spesifikasi Detail Kelas view_asosiasi.java.....................................63 Tabel 5.8 Spesifikasi Detail Kelas view_help.java ..........................................67 Tabel 5.9 Spesifikasi Detail Kelas view_about.java ........................................69 Tabel 5.10 Implementasi Kelas Controller.........................................................71 Tabel 5.11 Rencana Pengujian Black Box ..........................................................71 Tabel 5.12 Pengujian Dataset Tahun Pelajaran 2012/2013 ...............................77 Tabel 5.13 Pengujian Dataset Tahun Pelajaran 2013/2014 ...............................83 Tabel 5.14 Pengujian Dataset Tahun Pelajaran 2014/2015 ................................88

xviii


Tabel 5.15 Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 .........................................................................................92

xix


DAFTAR RUMUS

Halaman Rumus 2.1 Nilai Daya Serap ..............................................................................13 Rumus 2.2 Persentase Ketuntasan Klasikal .......................................................14 Rumus 2.3 Nilai Support ....................................................................................18 Rumus 2.4 Nilai Confidence ..............................................................................18 Rumus 2.5 Lift Ratio ..........................................................................................19 Rumus 2.6 Expected Confidence ........................................................................19 Rumus 4.1 min-max normalization ....................................................................38

xx


DAFTAR LAMPIRAN

Halaman LAMPIRAN 1

DATA DAYA SERAP HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA JURUSAN IPA DI DAERAH ISTIMEWA YOGYAKARTA ...........................108

LAMPIRAN 2

DATASET HASIL TRANSFORMASI DATA ...................116

LAMPIRAN 3

DIAGRAM USE CASE ........................................................124

LAMPIRAN 4

GAMBARAN UMUM USE CASE .....................................125

LAMPIRAN 5

NARASI USE CASE ............................................................126

LAMPIRAN 6

DIAGRAM AKTIVITAS.....................................................132

LAMPIRAN 7

DIAGRAM KELAS ANALISIS ..........................................136

LAMPIRAN 8

DIAGRAM SEQUENCE .....................................................137

LAMPIRAN 9

STRUKTUR DIAGRAM KELAS .......................................142

LAMPIRAN 10 ALGORITMA PER METHOD............................................143 LAMPIRAN 11 PROSEDUR PENGUJIAN DAN KASUS UJI....................150 LAMPIRAN 12 HITUNG MANUAL PENAMBANGAN DATA ................157 LAMPIRAN 13 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN DATASET 2012/2013 ..........................................................162 LAMPIRAN 14 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN DATASET 2013/2014 ..........................................................169 LAMPIRAN 15 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN DATASET 2014/2015 ..........................................................175 LAMPIRAN 16 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN DATASET GABUNGAN TAHUN PELAJARAN 2012/2013 DAN TAHUN PELAJARAN 2013/2014 ............................180

xxi


BAB I PENDAHULUAN

1.1. LATAR BELAKANG Ujian nasional merupakan salah satu upaya pemerintah dalam rangka meningkatkan mutu pendidikan. Selain berfungsi untuk mengukur dan menilai pencapaian kompetensi lulusan dalam mata pelajaran tertentu, hasil ujian nasional juga berfungsi sebagai pertimbangan seleksi masuk jenjang pendidikan berikutnya. Oleh sebab itu dalam pelaksanaan ujian nasional, sekolah berusaha semaksimal mungkin agar hasil ujian nasional peserta didiknya memberikan hasil yang memuaskan. Salah satu hal yang dilakukan dalam upaya memaksimalkan hasil ujian nasional adalah dengan memberikan pengajaran yang maksimal baik dari segi penyampaian materi pelajaran maupun guru yang mengajar. Dalam kegiatan belajar mengajar di sekolah, cara penyampaian pembelajaran kepada siswa berbeda-beda, tergantung pada pelajaran dan tingkat kesulitan materi pelajaran yang di sampaikan. Cara penyampaian pembelajaran yang kurang tepat dapat berpengaruh terhadap kemampuan siswa dalam memahami suatu pelajaran. Kurangnya pemahaman siswa dalam memahami pelajaran dapat berpengaruh terhadap nilai akhir yang akan diperoleh nantinya. Hal ini merupakan masalah yang membuat guru untuk berusaha semaksimal mungkin merubah cara penyampaian pembelajaran supaya kualitas belajar siswa juga meningkat. Selain itu kemampuan siswa dalam memahami suatu pelajaran juga erat kaitannya dengan daya serap yang dimiliki oleh masing-masing siswa. Daya serap siswa adalah kemampuan siswa untuk menguasi materi yang dipelajarinya sesuai dengan bahan mata pelajaran yang disampaikan oleh guru. Daya serap digunakan oleh guru sebagai tolak ukur untuk mengetahui sejauh mana pemahaman siswa terhadap mata pelajaran yang diajarkan. Daya serap siswa dapat diperoleh setelah guru selesai melaksanakan tahap-tahap dalam pelaksanaan pembelajaran. Dari hasil inilah guru dapat memetakan perolehan nilai yang dicapai oleh siswa.

1

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2

Sehubungan dengan adanya Ujian Nasional yang diadakan oleh Pemerintah Indonesia, daya serap mempunyai kaitan erat karena Ujian Nasional sendiri terdiri dari berbagai indikator yang diujikan. Sehingga kemampuan daya serap pada setiap indikator sangatlah penting untuk dikuasai oleh setipa siswa. Sudah seharusnya nilai Ujian Nasional memberikan informasi yang bermanfaat bagi peningkatan mutu pendidikan di sekolah, tidak hanya memperlihatkan peningkatan nilai ratarata tetapi juga dapat memberikan informasi mengenai daya serap siswa atau kemampuan penguasaan materi siswa pada pokok bahasan yang diujikan. Dengan adanya nilai daya serap dari hasil Ujian Nasional, diharapkan memberikan dampak positif terutama dalam hal peningkatan kinerja dari masing-masing pihak yang terkait sehingga dapat meningkatkan mutu kelululusan. Daya serap Ujian Nasional memberikan banyak manfaat bagi banyak pihak, terumata sekolah sebagai tempat siswa belajar. Daya serap ujian nasional ini memberikan informasi seberapa besar daya serap peserta ujian, dapat mengetahui kemampuan dan kelemahan dalam suatu kompetensi, dan dapat mengetahui keberhasilan guru dalam menyampaikan pelajaran. Data daya serap Ujian Nasional dapat diperoleh melalaui website resmi milik Kementrian Pendidikan dan Budaya. Setiap tahunnya, hasil Ujian Nasional selalu dipublikasikan dengan tujuan untuk memberikan data dan informasi hasil UN kepada para pengambil kebijakan pada tingkat pusat, provinsi, kabupaten/kota, dan satuan pendidikan atau sekolah/madrasah untuk dimanfaatkan sebagai salah satu bahan masukan pengambilan kebijakan bagi perbaikan mutu pendidikan. Salah satu data yang dipublikasikan adalah data daya serap. Data tersebut berisi informasi nilai daya serap tiap kemampuan yang diuji pada tiap sekolah, rayon, provinsi dan secara nasional. Dalam penelitian ini, peneliti memilih mata pelajaran matematika sebagai objek penelitian, dimana mata pelajaran tersebut nantinya akan di cari hubungan antar indikator pencapaian kompetensinya. Pemilihan mata pelajaran matematika ini didasari karena pentingnya kegunaan matematika dalam kehidupan sehari-hari. Dengan belajar matematika, cara berpikir manusia menjadi sistematis, melalui urutan-urutan yang teratur dan tertentu. Dengan belajar matematika, otak akan


terbiasa untuk memecahkan masalah secara sistematis. Sehingga bila diterapkan dalam kehidupan nyata, kita bisa menyelesaikan setiap masalah dengan lebih mudah. Selain itu belajar matematika melatih kita menjadi manusia yang lebih teliti, cermat, dan tidak ceroboh dalam bertindak. Algoritma yang akan digunakan penulis pada penelitian ini adalah algoritma apriori. Algoritma apriori merupakan salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rules. (Erwin, 2009). Kelebihan algoritma apriori adalah lebih sederhana dan dapat menangani data yang besar dibandingkan dengan algoritma lain. Hal ini dapat mempengaruhi banyaknya item yang diproses serta mudah dipahami struktur kerja dan implementasinya (Pratama dkk., 2014). Keberhasilan penggunaan algoritma apriori sudah terbukti yaitu pada penelitian yang dilakukan oleh Pratama dkk. (2014) dalam menemukan hubungan data awal masuk mahasiswa dengan prestasi akademik. Dengan melakukan analisis asosiasi terhadap nilai daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA, diharapkan dapat ditemukan pola asosiasi antar indikator pencapaian kompetensi. Hasil analisis tersebut nantinya dapat digunakan untuk mengetahui indikator pencapaian kompetensi apa saja yang memiliki keterkaitan satu sama lain dan dapat berpengaruh pada pemahaman siswa terhadap indikator pencapaian kompetensi tersebut.

1.2. RUMUSAN MASALAH 1. Bagaimana menerapkan algoritma apriori untuk analisis daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta? 2. Apakah dapat ditemukan pola asosiasi yang menarik dari data daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta berdasarkan ukuran lift ratio?


1.3. TUJUAN PENELITIAN Tujuan dari penelitian ini adalah menerapkan algoritma apriori pada data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta untuk menemukan aturan asosiasi antar indikator pencapaian kompetensi yang diujikan pada Ujian Nasional.

1.4. BATASAN MASALAH Masalah dibatasi sebagai berikut : a. Data yang digunakan adalah data daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun pelajaran 2014/2015. b. Data mata pelajaran yang diteliti hanya satu yaitu Matematika.

1.5. MANFAAT PENELITIAN Penelitian ini diharapkan dapat memberikan manfaat yang berguna bagi pihak-pihak dalam dunia pendidikan, terutama dinas pendidikan. Dinas pendidikan dapat menggunakan penelitian ini sebagai salah satu bahan masukan pengambilan kebijakan bagi perbaikan mutu suatu mata pelajaran.

1.6. METODOLOGI PENELITIAN Metodologi penelitian yang digunakan dalam menyelesaikan tugas akhir ini adalah sebagai berikut :

1.6.1. Penelitian Pustaka Tahap ini merupakan proses mengumpulkan informasi berupa teori-teori serta algoritma yang akan digunakan untuk melakukan teknik asosiasi dari berbagai macam referensi yang tersedia.


1.6.2. Knowledge Discovery in Database (KDD) Pada tahap ini akan dilakukan proses KDD untuk mendapatkan suatu informasi dari data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta. Proses KDD yang dilakukan terdiri dari pembersihan data, integrasi data, seleksi data, transformasi data, penambangan data, evaluasi pola, dan presentasi pengetahuan. Dalam tahap penambangan data akan dibuat suatu perangkat lunak sebagai alat uji dengan menggunakan metodologi waterfall. Secara garis besar metodologi waterfall mempunyai tiga langkah utama yaitu analisa kebutuhan sistem, disain sistem, pemrograman (code), dan pengujian (testing). Dari hasil pengujian yang didapat akan dilakukan analisa untuk memperoleh informasi yang berguna dan bermanfaat.

1.6.3. Pembuatan Laporan Dari penelitian dan pengujian yang sudah dilakukan sebelumnya, hasil dari penelitian dan pengujian tersebut akan diolah ke dalam sebuah laporan tugas akhir agar dapat digunakan untuk kepentingan akademis.

1.7. SISTEMATIKA PENULISAN 1.

BAB I : PENDAHULUAN Bab pertama ini berisi latar belakang penelitian, rumusan masalah, tujuan ponelitian, batasan masalah, manfaat penelitian, metodologi yang digunakan dalam penelitian, dan sistematika penulisan tugas akhir.

2.

BAB II : LANDASAN TEORI Bab kedua ini akan menjelaskan mengenai teori yang berkaitan dengan judul/masalah di tugas akhir. Teori tersebut terdiri dari penambangan data, evaluasi hasil belajar, kompetensi, analisis asosiasi, dan algoritma apriori.


3.

BAB III : METODOLOGI PENELITIAN Bab ketiga ini akan menjelaskan gambaran umum penelitian, data, spesifikasi alat, dan tahap-tahap penelitian.

4.

BAB

IV

:

PEMROSESAN

AWAL

DAN

PERANCANGAN

PERANGKAT LUNAK PENAMBANGAN DATA Bab keempat ini berisi pemrosesan awal dalam proses Knowledge Discovery in Database (KDD) yaitu pembersihan data, integrasi data, seleksi data, dan transformasi data. Selain itu bab ini juga akan berisi perancangan perangkat lunak yang akan digunakan dalam tahap penambangan data. Perancangan perangkat lunak tersebut terdiri dari perancangan umum, diagram use case, diagram aktivitas, diagram kelas analisis, diagram sekuen, diagram kelas disain, algoritma per method, struktur data, dan perancangan antarmuka.

5.

BAB V : IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL Bab kelima ini berisi implementasi rancangan perangkat lunak penambangan data dan evaluasi hasil yang terdiri dari pengujian perangkat lunak (black box), pengujian perbandingan hitung manual dengan hasil sistem, pengujian efek perubahan nilai minimum support dan nilai minimum confidence, pengujian dataset , evaluasi pola asosiasi, dan kelebihan dan kekurangan sistem.

6.

BAB VI : PENUTUP Bab terakhir ini akan menjelaskan tentang kesimpulan umum yang diperoleh dari pembuatan sistem serta rancangan pengembangan sistem ke depan.


BAB II LANDASAN TEORI

2.1. PENAMBANGAN DATA 2.1.1. Pengertian Penambangan Data Penambangan data adalah proses menemukan informasi yang berguna dari repositori data yang besar secara otomatis (Tan dkk., 2006). Penambangan data berisi pencarian pola yang diinginkan di dalam basis data yang besar untuk membantu pengambilan keputusan di waktu yang akan datang. Pola- pola ini dikenali agar dapat memberikan suatu analisa data yang berguna untuk kemudian dapat dipelajari dengan lebih teliti (Hermawati, 2013). Tidak semua tugas dalam menemukan informasi dapat dikatakan sebagai aktivitas penambangan data. Meskipun tugas-tugas tersebut penting dan mungkin melibatkan penggunaan struktur data

dan algoritma yang canggih, mereka

bergantung pada teknik ilmu komputer tradisional dan fitur data yang jelas. Hal ini perlu dalam membuat struktur indeks untuk secara efisien megatur dan mengambil informasi. Meski demikian, teknik penambangan data sudah digunakan dalam meningkatkan sistem pencarian informasi (Tan dkk., 2006).

2.1.2. Fungsi Penambangan Data Menurut Han dkk. (2006), fungsionalitas penambangan data digunakan untuk menentukan jenis pola yang dapat ditemukan dalam tugas-tugas penambangan data. Secara umum, tugas penambangan data dapat diklasifikasikan ke dalam dua kategori: deskriptif dan prediktif. Tugas penambangan deskriptif adalah mengkarakterisasi sifat umum dari data dalam basis data. Sedangkan tugas penambangan prediksi adalah melakukan inferensi pada data saat ini untuk membuat prediksi. Fungsi penambangan data dan jenis pola yang dapat ditemukan, yaitu : a. Konsep / Deskripsi Kelas: Karakterisasi dan Diskriminasi Data dapat dikaitkan dengan kelas atau konsep. Deskripsi seperti dari kelas atau konsep yang disebut deskripsi kelas / konsep. Deskripsi

7


dapat diturunkan melalui karakterisasi data, dengan merangkum data dari kelas yang diteliti (sering disebut kelas target) secara umum, atau diskriminasi data, dengan perbandingan dari kelas target dengan satu atau set kelas komparatif (sering disebut kelas kontras), atau keduanya karakterisasi data dan diskriminasi.

b. Penambangan Kemunculan Pola, Asosiasi, dan Korelasi Pola yang sering muncul (frequent) adalah pola yang sering terjadi di data. Jenis pola yang dimaksud yaitu itemset, subsequences, dan substructure. Sebuah itemset biasanya mengacu pada satu set item yang muncul bersama-sama dalam satu set data transaksional. Sebuah subsequence contohnya seperti pola pelanggan yang cenderung membeli komputer, diikuti oleh kamera digital, dan kemudian kartu memori. Sebuah substructure dapat merujuk ke bentuk struktural yang berbeda, seperti grafik, tree, atau kisi, yang dapat dikombinasikan dengan itemset atau subsequences. Substructure yang sering terjadi disebut pola terstruktur. Penambangan pola mengarah pada penemuan asosiasi menarik dan korelasi dalam data.

c. Klasifikasi dan Prediksi Klasifikasi adalah proses menemukan model atau fungsi yang menggambarkan dan membedakan kelas data atau konsep. Tujuannya untuk memprediksi kelas dari objek yang label kelasnya tidak diketahui. Prediksi digunakan untuk memprediksi hilang atau tidak tersedianya data nilai numerik pada label kelas. Analisis regresi adalah metodologi statistik yang paling sering digunakan untuk prediksi numerik. Prediksi juga mencakup identifikasi tren distribusi berdasarkan data yang tersedia. Klasifikasi dan prediksi mungkin perlu didahului dengan analisis relevansi untuk mengidentifikasi atribut yang tidak memberikan kontribusi pada proses klasifikasi atau prediksi.


d. Analisis Klaster Analisis klaster yaitu menemukan kumpulan objek hingga objekobjek dalam satu kelompok sama (atau punya hubungan) dengan yang lain dan berbeda (atau tidak berhubungan) dengan objek-objek dalam kelompok lain. Tujuan dari analisis klaster adalah meminimalkan jarak di dalam klaster dan memaksimalkan jarak antar klaster.

e. Analisis Outlier Database mungkin berisi data objek yang tidak sesuai dengan perilaku umum atau model data. Obyek data outlier. Sebagian besar metode data mining membuang outlier sebagai noise atau pengecualian. Namun, dalam beberapa aplikasi seperti deteksi penipuan, peristiwa langka bisa lebih menarik daripada peristiwa yang sering terjadi. Outlier dapat dideteksi menggunakan uji statistik yang mengasumsikan distribusi atau model probabilitas data, atau menggunakan pendekatan jarak di mana objek yang berbeda dari setiap klaster lainnya dianggap outlier.

f. Analisis Evolution Analisis evolusi menggambarkan data dan model keteraturan atau tren untuk objek yang perilakunya berubah dari waktu ke waktu. Meskipun termasuk dalam karakterisasi, diskriminasi, asosiasi dan analisis korelasi, klasifikasi, prediksi, atau pengelompokan data, fitur yang berbeda dari analisis tersebut meliputi analisis data time-series, urutan atau periodisitas pencocokan pola, dan analisis data berbasis kesamaan.


2.1.3. Knowledge Discovery in Database (KDD) Menurut Han dan Kamber (2006), penambangan data tidak dapat dipisahkan dari proses knowledge discovery in database (KDD). Proses KDD merupakan sebuah proses mengubah data mentah menjadi suatu informasi yang berguna. Illustrasi proses KDD dapat dilihat pada gambar 2.1.

Gambar 2.1 Tahap-tahap di dalam proses Knowledge Discovery in Database (Han&Kamber, 2006)


Knowledge discovery sebagai suatu proses digambarkan dalam Gambar 2.1 dan terdiri dari urutan berulang dari langkah-langkah berikut: 1. Pembersihan Data (Data Cleaningi) Tahap ini merupakan proses menghilangkan data yang tidak dibutuhkan (noise) dan data yang tidak konsisten 2. Integrasi Data (Data Integration) Tahap ini merupakan proses menggabungkan bermacam-macam data dari berbagai sumber. 3. Seleksi Data (Data Selection) Tahap ini merupakan proses menganalisis data yang relavan dari dalam database. 4. Transformasi Data (Data Transformation) Tahap ini merupakan proses data diubah (transformasi) atau digabungkan sehingga menjadi tepat untuk dilakukan penambangan data. 5. Penambangan Data (Data Mining) Tahap ini merupakan proses penting dimana metode cerdas dilakukan untuk menggali pola dari data. 6. Evaluasi Pola (Pattern Evaluation) Tahap ini merupakan proses untuk mengidentifikasi pola-pola yang benar-benar menarik yang mewakili pengetahuan berdasarkan beberapa langkah penting. 7. Presentasi Pengetahuan (Knowledge Presentation) Tahap ini merupakan proses teknik visualisasi dan representasi pengetahuan

digunakan

untuk

penambangan kepada pengguna.

menyajikan

pengetahuan

hasil


2.2. Evaluasi Hasil Belajar 2.2.1. Prinsip-prinsip Dasar Evaluasi Hasil Belajar Menurut Hamzah (2014), evaluasi hasil belajar dapat dikatakan terlaksana dengan baik apabila dalam pelaksaannya senantiasa berpegang pada tiga prinsip dasar, yaitu Prinsip Keseluruhan, Prinsip Kesinambungan, dan Prinsip Obyektivitas. Prinsip keseluruhan atau prinsip menyeluruh juga dikenal dengan istilah prinsip komprehensif (comprehensive). Dengan prinsip komprehensif dimaksudkan di sini bahwa evaluasi hasil belajar dapat dikatakan terlaksana dengan baik apabila evaluasi tersebut dilaksanakan secara bulat, utuh atau menyeluruh. Dengan melakukan evaluasi hasil belajar secara bulat, utuh menyeluruh akan diperoleh bahan-bahan keterangan dan informasi yang lengkap mengenai keadaan dan perkembangan subjek didik yang seang dijadikan sasaran evaluasi. Prinsip kesinambungan juga dikenal dengan istilah prinsip kontinuitas (continuity). Dengan prinsip kesinambungan dimasksudkan disini bahwa evaluasi hasil belajar yang baik adalah evaluasi hasil belajar yang dilaksanakan secara teratur dan sambung-menyambung dari waktu ke waktu. Dengan evaluasi hasil belajar yang dilaksanakan secara teratur, terencana dan terjadwal itu maka dimungkinkan bagi evaluator untuk memperoleh informasi yang dapat memberikan gambaran mengenai kemajuan atau perkembangan peserta didik, sejak dari awal mula mengikuti program pendidikan sampai saat-saat mereka mengakhiri program pendidikan yang mereka tempuh. Prinsip Obyektivitas (objectivity) mengandung makna, bahwa evaluasi hasil belajar dapat dinyatakan sebagai evaluasi yang baik apabila dapat terlepas dari faktor-faktor yang sifatnya subyektif. Sehubung dengan itu, dalam pelaksanaan evaluasi hasil belajar, seorang evaluator harus senantiasa berpikir dan bertindak wajar, menurut keadaan yang senyatanya, tidak dicampuri oleh kepentingankepentingan yang bersifat subyektif. Prinsip ini sangat penting, sebab apabila dalam melakukan evaluasi terdapat unsur-unsur subyektif, maka akan menodai kemurnian pekerjaan evaluasi itu sendiri.


2.2.2. Ketuntasan Belajar Menurut Hamzah (2014), tindak lanjut dari evaluasi hasil belajar selanjutnya adalah untuk menentukan belajar siswa. Sebelum guru menyusun rancangan pembelajaran setiap guru harus menyusun program semester dan program tahunan yaitu menyusun pengalaman belajar apakah yang harus dia berikan kepada siswa dalam satu semester serta satu tahun agar dicapainya standar kompetensi dan kompetensi dasar yang sudah ditemtukan (Setiawan, dalam Hamzah. 2014). Menurut Rubiatin (2010), dalam proses pembelajaran guru tentu melakukan penilaian dan akan lebih baik bila sekaligus menganalisis hasilnya. Kriteria dalam membuat penentuan pencapaian hasil belajar siswa adalah sebagai berikut : 1. Daya Serap Siswa Untuk mengetahui daya serap siswa dari hasil belajarnya digunakan analisis dengan menggunakan interval daya serap siswa pada tabel 2.1.

Tabel 2.1 Interval Daya Serap Siswa No.

Interval

Kategori

1

0% - 39%

Sangat Rendah

2

40% - 59%

Rendah

3

60% - 74%

Sedang

4

75% - 84%

Tinggi

5

85% - 100%

Sangat Tinggi

Rumus untuk menghitung nilai daya serap sebagai berikut :

𝐷𝑎𝑦𝑎 𝑆𝑒𝑟𝑎𝑝 =

𝐽𝑢𝑚𝑙𝑎ℎ 𝑛𝑖𝑙𝑎𝑖 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑒𝑟𝑜𝑙𝑒ℎ 𝑠𝑖𝑠𝑤𝑎 × 100% (2.1) 𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑘𝑜𝑟 𝑚𝑎𝑘𝑠𝑖𝑚𝑢𝑚


2. Ketuntasan Individu Seorang siswa dikatakan tuntas dalam belajar apabila mencapai daya serap minimal 75% terhadap pemahaman materi yang dipelajari berdasarkan tolak ukur kriteria ketuntasan minimal (KKM).

3. Ketuntasan Klasikal Ketuntasan belajar secara klasikal menurut Yamin (2008) adalah suatu kelas telah tuntas belajar jika sekurang-kurangnya 85% dari siswa tuntas belajar. Ketuntasan belajar secara klasikal dapat dihitung dengan menggunakan rumus :

𝐾𝐾(%) =

𝐽𝑇𝑆 × 100 𝐽𝑆

…

(2.2)

Dimana : KK

= Persentase ketuntasan klasikal

JTS

= Jumlah siswa yang tuntas dalam kelas sesuai KKM

JS

= Jumlah seluruh siswa dalam kelas perlakuan

2.2.3. Makna dan Manfaat Evaluasi Hasil Belajar Dalam dunia pendidikan, khususnya persekolahan, penilaian mempunyai beberapa makna ditinjau dari berbagai segi (Arikunto, 2005). Berikut ini penjelasan mengenai makna-makna penilaian tersebut.

2.2.3.1. Makna Bagi Siswa Dengan penilaian, siswa dapat mengetahui sejauh mana keberhasilannya mengikuti pelajaran yang diberikan oleh guru. Terdapat dua kemungkinan hasil yang diperoleh siswa dari pekerjaan menilai ini. Pertama, memuaskan. Jika siswa memperoleh hasil yang memuaskan dan hal itu menyenangkan, tentu hal itu ingin diperolehnya lagi pada kesempatan lain. Akibatnya, siswa mempunyai motivasi cukup besar untuk belajar lebih giat agar


mendapat hasil yang lebih memuaskan. Keadaan sebaliknya dapat terjadi, yakni siswa mudah merasa puas dengan hasil yang diperoleh dan usahanya kurang gigih pada lain waktu. Kedua, tidak memuaskan. Jika siswa tidak puas dengan hasil yang diperolehnya, ia akan berusaha agar lain waktu keadaan itu tidak terulang lagi. Lalu, ia belajar lebih giat. Namun, keadaan bisa sebaliknya. Ada beberapa siswa yang lemah kemauannya, dan menjadi putus asa dengan hasil kurang memuaskan yang diperolehnya.

2.2.3.2. Makna Bagi Guru Berikut beberapa makna evaluasi bagi guru: 1. Dengan hasil penilaian yang diperoleh, guru mengetahui para siswa yang berhak melanjutkan pelajaraanya karena berhasil menguasai bahan maupun yang belum berhasil menguasai bahan. Dengan petunjuk ini, guru dapat lebih memusatkan perhatiannya kepada siswa yang belum berhasil. 2. Guru mengetahui materi yang tepat diajarkan bagi siswa, sehingga tidak perlu lagi diadakan perubahan untuk memberikan pengajaran di waktu yang akan datang. 3. Guru mengetahui metode yang digunakan sudah tepat atau belum. Jika sebagian besar siswa memperoleh angka rendah pada penilaian, bisa jadi disebabkan oleh pendekatan atau metode yang kurang tepat. Jika demikian, guru harus mawas diri dan mencoba mencari metode lain dalam mengajar.

2.2.3.3. Manfaat Bagi Sekolah Berikut manfaat evaluasi bagi sekolah: 1. Apabila para guru mengadakan penilaian dan diketahui hasil belajar para siswanya, dapat diketahui pola kondisi belajar yang diciptakan oleh sekolah yang sesuai dengan harapan atau belum. Hasil belajar merupakan cermin kualitas suatu sekolah.


2. Informasi dari guru tentang tepat atau tidaknya kurikulum untuk sekolah itu merupakan bahan pertimbangan bagi perencanaan sekolah untuk masa yang akan datang. 3. Informasi hasil penilaian yang diperoleh dari tahun ke tahun dapat digunakan sebagai pedoman sekolah mengenai proses penilaian yang dilakukan oleh sekolah sudah memenuhi standar atau belum.

2.3. Kompetensi 2.3.1. Pengertian Kompetensi Menurut Mulyasa (2006) kompetensi merupakan perpaduan dari pengetahuan, keterampilan, nilai dan sikap yang direfleksikan dalam kebiasaan berpikir dan bertindak. Sedangkan menurut McAshan (1981) kompetensi adalah pengetahuan, keterampilan, dan kemampuan yang dikuasai oleh seseorang yang telah menjadi bagian dari dirinya, sehingga dapat melakukan perilaku-perilaku kognitif, afektif, dan psikomotorik dengan sebaik-baiknya. Hal

tersebut

menunjukkan

bahwa

kompetensi

mencakup

tugas,

keterampilan, sikap, dan apresiasi yang harus dimiliki oleh peserta didik untuk dapat melaksanakan tugas-tugas pembelajaran sesuai dengan jenis pekerjaan tertentu. Dengan demikian terdapat hubungan antara tugas-tugas yang dipelajari peserta didik di sekolah dengan kemampuan yang diperlukan oleh dunia kerja. Kompetensi yang harus dikuasai peserta didik perlu dinyatakan sedemikian rupa agar dapat dinilai, sebagai wujud hasil belajar peserta didik yang mengacu pada pengalaman langsung. Peserta didik perlu mengetahui tujuan belajar, dan tingkat-tingkat penguasaan yang akan digunakan sebagai kriteria pencapaian secara eksplisit, dikembangan berdasarkan tujuan-tujuan yang telah ditetapkan, dan memiliki kontribusi terhadap kompetensi yang sedang dipelajari. Penilaian terhadap pencapaian kompetensi perlu dilakukan secara objektif, berdasarkan kinerja peserta didik, dengan bukti penguasaan mereka terhadap pengetahuan, keterampilan, nilai dan sikap sebagai hasil belajar. Dengan demikian dalam pembelajaran yang dirancang berdasarkan kompetensi, penilaian tidak dilakukan berdasarkan pertinmbangan yang bersifat subyektif.


2.3.2. Ranah Kompetensi Gordon (1988) menjelaskan beberapa aspek atau ranah yang terkandung dalam konsep kompetensi sebagai berikut: 1. Pengetahuan (knowledge) yaitu kesadaran dalam bidang kognitif. 2. Pemahaman (understanding) yaitu kedalaman kognitif, dan afektif yang dimiliki oleh individu. 3. Kemampuan (skill) adalah sesuatu yang dimiliki individu untuk melakukan tugas atau pekerjaan yang dibebankan kepadanya. 4. Nilai (value) adalah suatu standar perilaku yang telah diyakini dan secara psikologis telah menyatu dalam diri seseorang. 5. Sikap (attitude) yaitu perasaan (senang-tidak senang, suka-tidak suka) atau reaksi terhadapa suatu rangsangan yang datang dari luar. 6. Minat (interest) adalah kecenderungan seseorang untuk melakukan suatu perbuatan.

2.4. Analisis Asosiasi 2.4.1. Pengertian Analisis Asosiasi Analisis asosiasi adalah teknik penambangan data untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Karena analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisis isi kerangjang belanja di pasar swalayan, analisis asosiasi juga sering disebut dengan istilah market basket analysis (Gordon, 2014).


2.4.2. Association Rule Menurut Tan dkk. (2006) association rule merupakan sebuah ekspresi implikasi yang berbentuk 𝑋 → 𝑌, dimana 𝑋 dan 𝑌 merupakan disjoint itemset (𝑋 ∩ 𝑌) = ∅. Dalam association rule, dapat dihitung support dan confidence. Support menyatakan seberapa sering aturan digunakan pada dataset yang diberikan. Confidence menyatakan seberapa sering item-item dalam 𝑌 muncul dalam transaksi yang berisi 𝑋. Secara formal, rumus minimum support (rumus 2.2) dan rumus minimum confidence (rumus 2.3) dapat dinyatakan dengan persamaan sebagai berikut ini:

𝑆𝑢𝑝𝑝𝑜𝑟𝑡,

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒,

𝑠(𝑋 → 𝑌) =

𝜎(𝑋 ∪ 𝑌) 𝑁

𝑐(𝑋 → 𝑌) =

𝜎(𝑋 ∪ 𝑌) 𝜎(𝑋)

…

(2.3)

…

(2.4)

Support merupakan ukuran penting karena aturan yang memiliki support yang sangat rendah dapat terjadi hanya secara kebetulan. Support sering digunakan untuk menghilangkan aturan tidak menarik. Support juga memiliki properti yang diinginkan yang dapat dimanfaatkan untuk penemuan efisien aturan asosiasi. Confidence digunakan untuk mengukur keandalan kesimpulan yang dibuat oleh aturan. Untuk aturan 𝑋 → 𝑌, semakin tinggi confidence, semakin besar kemungkinan 𝑌 terdapat di dalam transaksi yang mengandung 𝑋. confidence juga memberikan perkiraan probabilitas bersyarat dari 𝑌 pada 𝑋. Permasalahan mendasar dalam association rules dibagi menjadi dua, yaitu: 1. Menemukan seluruh itemset yang memiliki support ≥ minsup. Itemset yang memiliki support lebih besar atau sama dengan minsup disebut dengan large itemset (l-itemset), sedangkan itemset yang memiliki support lebih kecil dari minsup disebut dengan small itemset. 2. Menggunakan large itemset untuk menghasilkan aturan asosiasi yang diinginkan.


Untuk setiap large itemset l, harus dapat ditemukan seluruh subset yang tidak kosong dari l. untuk setiap subset a, akan memperoleh keluaran sebuah aturan dalam bentuk 𝑎 ⇒ (𝑙 − 𝑎), jika perbandingan

𝑆𝑢𝑝𝑝𝑜𝑟𝑡_𝑙 𝑆𝑢𝑝𝑝𝑜𝑟𝑡_𝑎

paling sedikit lebih besar

dari minconf (Nurdiyanto, 2009).

2.4.3. Lift Ratio Menurut Ammirudin (2010), Banyaknya aturan asosiasi yang dihasilkan memberikan banyak kemungkinan untuk melihat pola-pola yang muncul. Sehingga memberikan berbagai kemungkinan yang dapat dijadikan sebagai dasar untuk membuat keputusan. Tidak semua aturan asosiasi yang ditemukan diinterpretasi. Aturan asosiasi yang diinterpretasi adalag aturan-aturan yang memiliki nilai lift ratio yang tinggi (alasan obyektif) dan aturan yang memiliki relevansi dengan kebutuhan (alasan subyektif). Lift ratio merupakan sebuah angka ratio yang menunjukkan berapa banyak kemungkinan menemukan sebuah transaksi muncul bersama dengan transaksi lainnya dibandingkan dengan kejadian adanya transaksi yang terpenuhi. Lift ratio menunjukkan adanya tingkat kekuatan aturan asosiasi atas kejadia acak dari antecedent dan consequent berdasarkan pada support-nya masingmasing. Hal ini akan memberikan informasi tentang perbaikan dan peningkatan probabilitas dari consequent berdasarkan antecedent. Lift ratio didefinisikan sebagai berikut :

𝐿𝑖𝑓𝑡 𝑅𝑎𝑡𝑖𝑜 =

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 𝐸𝑥𝑝𝑒𝑐𝑡𝑒𝑑 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒

…

(2.5)

Dimana, expected confidence = (jumlah transaksi memiliki item consequent) / (total jumlah transaksi). Atau dengan cara :

𝐸𝑥𝑝𝑒𝑐𝑡𝑒𝑑 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 =

𝑃𝑟(𝐴|𝐶) Pr(𝐶)

…

(2.6)


Ketika nilai lift ratio sama dengan 1 maka A dan B adalah independen karena Pr(A|C) = Pr(C). Ketika probabilitas C terjadi dipengaruhi oleh terjadinya A maka nilai lift ratio lebih besar dari 1. Ketetapan nilai lift ratio adalah apabila hasil perhitungan berada di bawah 1, maka item-item tersebut tidak menunjukkan adanya saling keterkaitan antara antecedent dengan consequent.

2.5. Algoritma Apriori 2.5.1. Pengertian Algoritma Apriori Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule (Erwin, 2009). Algoritma Apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Pada algoritma Apriori menentukan kandidat yang mungkin muncul dengan cara memperhatikan minimum support dan minimum confidence (Pratama, 2014).

2.5.2. Prinsip Apriori Menurut Tan dkk. (2006) jika sebuah itemset merupakan frequent, maka semua himpunan bagian juga frequent. Untuk mengilustrasikan ide di balik prinsip apriori, pada gambar 2.2, diasumsikan {𝑐, 𝑑, 𝑒} adalah frequent itemset. Semua transaksi yang mengandung {𝑐, 𝑑, 𝑒} harus juga mengandung subsets-nya, {𝑐, 𝑑}, {𝑐, 𝑒}, {𝑑, 𝑒}, {𝑐, 𝑑, 𝑒}, {𝑐}, {𝑑}, dan {𝑒}. Kesimpulannya, jika {𝑐, 𝑑, 𝑒} adalah frequent, maka semua subsets dari {𝑐, 𝑑, 𝑒} adalah frequent.


Gambar 2.2 Illustrasi prinsip apriori, jika {c,d,e} frequent, maka semua subset pada itemset tersebut juga frequent (Tan dkk., 2006) Sebaliknya, pada gambar 2.3, jika sebuah itemset seperti {𝑎, 𝑏} adalah infrequent, maka semua supersets-nya pasti infrequent juga.

Gambar 2.3 Illustrasi prinsip apriori, jika {a,b} infrequent, maka semua superset itemset tersebut infrequent (Tan dkk., 2006)


2.5.3. Algoritma Apriori Pseudocode untuk frequent itemset generation yang merupakan bagian dari algoritma apriori, sebagai berikut: (𝐶𝑘 menunjukkan himpunan semua kandidat kitemset dan 𝐹𝑘 menunjukkan himpunan frequent k-itemsets) (Tan dkk., 2006) 1)

𝑘 = 1.

2)

𝐹𝒌 = {𝑖|𝑖 ∈ 𝐼 ∧ 𝜎({𝑖}) ≥ 𝑁 × 𝑚𝑖𝑛𝑠𝑢𝑝}. /* find all frequent 1-itemset */ 𝒓𝒆𝒑𝒆𝒂𝒕

3) 4)

𝑘 = 𝑘 + 1.

5)

𝐶𝑘 = 𝑎𝑝𝑟𝑖𝑜𝑟𝑖𝑔𝑒𝑛(𝐹𝑘−1 ). /* Generate candidate itemsets */ 𝒇𝒐𝒓 𝑒𝑎𝑐ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑐𝑡𝑖𝑜𝑛 𝑡 ∈ 𝑇 𝒅𝒐

6)

𝐶𝒕 = 𝑠𝑢𝑏𝑠𝑒𝑡(𝐶𝑘 , 𝑡).

7)

/* Identify all candidate that belong to f */ 𝒇𝒐𝒓 𝑒𝑎𝑐ℎ 𝑐𝑎𝑛𝑑𝑖𝑑𝑎𝑡𝑒 𝑖𝑡𝑒𝑚𝑠𝑒𝑡 𝑡 ∈ 𝐶𝑡 𝒅𝒐

8)

𝜎(𝑐) = 𝜎(𝑐) + 1.

9) 10)

end for

11)

end for

12)

𝐹𝒌 = {𝑐|𝑐 ∈ 𝐶𝑘 ∧ 𝜎({𝑐}) ≥ 𝑁 × 𝑚𝑖𝑛𝑠𝑢𝑝}. /* Extract the frequent k-itemsets */

13) 𝒖𝒏𝒕𝒊𝒍 𝐹𝑘 = ∅ 14) 𝑅𝑒𝑠𝑢𝑙𝑡 = ⋃𝐹𝑘 . Pseudocode tersebut dapat dijelaskan sebagai berikut: 1. Untuk menghitung support dari candidates, algoritma tersebut perlu membuat tambahan pass over data set (langkah 6-10). Fungsi subset adalah digunakan untuk menentukan seluruh kandidat itemsets di 𝐶𝑘 yang terkandung pada setiap traksaksi t.


2. Setelah menghitung support-nya, algoritma mengeliminasi semua kandidat itemsets yang memiliki jumlah support kurang dari minsup (langkah 12). 3. Algoritma berhenti kerika tidak ada lagi frequent itemsets baru.

Suatu algoritma tentunya memiliki kelebihan dan kekurangannya masingmasing. Berikut adalah kelebihan dan kekurangan algoritma apriori: 1. Kelebihan dari algoritma apriori ini adalah lebih sederhana dan dapat menangani data yang besar. Sedangkan algoritma lainnya memiliki kelemahan dalam penggunaan memori saat jumlah data besar, tentunya berpengaruh terhadap banyaknya item yang diproses serta mudah di pahami struktur kerja dan implementasinya. 2. Apriori memiliki kelemahan karena harus melakukan scan database setiap kali iterasi, sehingga waktu yang diperlukan bertambah dengan makin banyak iterasi.


BAB III METODOLOGI PENELITIAN

3.1. SUMBER DATA Data yang digunakan untuk penelitian ini berupa file yang memiliki ekstensi .xls yang diperoleh dari situs milik Kementrian Pendidikan dan Kebudayaan yang dapat diakses melalui alamat http://litbang.kemdikbud.go.id/. Data sumber merupakan data daya serap indikator pencapaian kompetensi dari mata pelajaran yang diujikan dalam Ujian Nasional SMA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun pelajaran 2014/2015. Pada penelitian ini data yang digunakan hanya data mata pelajaran Matematika. Contoh data mentah dari daya serap mata pelajaran Matematika yang akan diolah terlampir pada lampiran 1. Atribut yang terdapat pada data daya serap mata pelajaran Matematika tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 dijelaskan pada tabel 3.1.

Tabel 3.1 Tabel Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 Kode Atribut

Nama Atribut

KODE_SEKOLAH Kode Sekolah NAMA_SEKOLAH Nama Sekolah JNS_SEK

Jenis Sekolah (SMA/MA)

STS_SEK

Status Sekolah (Negeri/Swasta)

MAT1

MAT2

MAT3

Menentukan bayangan titik atau kurva karena dua transformasi atau lebih. Menentukan ingkaran atau kesetaraan dari pernyataan majemuk atau pernyataan berkuantor. Menentukan integral tak tentu dan integral tentu fungsi aljabar dan fungsi trigonometri.

24


MAT4

MAT5

MAT6 MAT7 MAT8

MAT9

MAT10

MAT11

MAT12

Menentukan penarikan kesimpulan dari beberapa premis. Menentukan penyelesaian pertidaksamaan eksponen atau logaritma. Menentukan persamaan lingkaran atau garis singgung lingkaran. Menggunakan aturan pangkat, akar, dan logaritma. Menggunakan rumus jumlah dan hasil kali akar-akar persamaan kuadrat. Menghitung jarak dan sudut antara dua objek (titik, garis dan bidang) di ruang dimensi tiga. Menghitung luas daerah dan volume benda putar dengan menggunakan integral. Menghitung nilai limit fungsi aljabar dan fungsi trigonometri. Menghitung ukuran pemusatan atau ukuran letak dari data dalam bentuk tabel, diagram atau grafik.

MAT13

Menyelesaikan masalah deret aritmetika.

MAT14

Menyelesaikan masalah deret geometri.

MAT15

MAT16 MAT17

Menyelesaikan masalah geometri dengan menggunakan aturan sinus atau kosinus. Menyelesaikan masalah persamaan atau fungsi kuadrat dengan menggunakan diskriminan. Menyelesaikan masalah program linear. Menyelesaikan masalah sehari-hari dengan

MAT18

menggunakan kaidah pencacahan, permutasi atau kombinasi.

MAT19

Menyelesaikan masalah sehari-hari yang berkaitan dengan sistem persamaan linear.


Menyelesaikan masalah yang berkaitan dengan besar MAT20

sudut atau nilai perbandingan trigonometri sudut antara dua vektor. Menyelesaikan masalah yang berkaitan dengan nilai

MAT21

perbandingan trigonometri yang menggunakan rumusjumlah dan selisih sinus, kosinus dan tangen sertajumlah dan selisih dua sudut.

MAT22

MAT23

MAT24

MAT25

MAT26

MAT27

Menyelesaikan masalah yang berkaitan dengan fungsi eksponen atau fungsi logaritma. Menyelesaikan masalah yang berkaitan dengan komposisi dua fungsi atau fungsi invers. Menyelesaikan masalah yang berkaitan dengan panjang proyeksi atau vektor proyeksi. Menyelesaikan masalah yang berkaitan dengan peluang suatu kejadian. Menyelesaikan masalah yang berkaitan dengan teorema sisa atau teorema faktor. Menyelesaikan operasi aljabar beberapa vektordengan syarat tertentu.

MAT28

Menyelesaikan operasi matriks.

MAT29

Menyelesaikan persamaan trigonometri.

MAT30

Menyelesaikan soal aplikasi turunan fungsi.

Atribut yang terdapat pada data daya serap mata pelajaran Matematika tahun pelajaran 2014/2015 memiliki kode atribut yang sama dengan data daya serap mata pleajaran Matematika tahun pelajaran 2012/2013 dan gtahun pelajaran 2013/2014. Namun terdapat perbedaan pada nama atribut dan jumlah atribut. Atribut data daya serap mata pelajaran Matematika tahun pelajaran 2014/2015 dijelaskan pada tabel 3.2.


Tabel 3.2 Tabel Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2014/2015 Kode Atribut

Nama Atribut

KODE_SEKOLAH Kode Sekolah NAMA_SEKOLAH Nama Sekolah JNS_SEK

Jenis Sekolah (SMA/MA)

STS_SEK

Status Sekolah (Negeri/Swasta)

MAT1

MAT2

MAT3

MAT4

MAT5

MAT6 MAT7 MAT8

MAT9

MAT10

MAT11

Menentukan bayangan titik atau kurva karena dua transformasi atau lebih. Menentukan ingkaran atau kesetaraan dari pernyataan majemuk atau pernyataan berkuantor. Menentukan integral tak tentu dan integral tentufungsi aljabar dan fungsi trigonometri. Menentukan penarikan kesimpulan dari beberapa premis. Menentukan penyelesaian pertidaksamaan eksponen atau logaritma. Menentukan persamaan lingkaran atau garis singgung lingkaran. Menggunakan aturan pangkat, akar, dan logaritma. Menggunakan rumus jumlah dan hasil kali akar-akar persamaan kuadrat. Menghitung jarak dan sudut antara dua objek (titik, garis dan bidang) di ruang dimensi tiga. Menghitung luas daerah dan volume benda putar dengan menggunakan integral. Menghitung nilai limit fungsi aljabar dan fungsi trigonometri.


MAT12

Menghitung ukuran pemusatan atau ukuran letak dari data dalam bentuk tabel, diagram atau grafik.

MAT13


MAT14


MAT15

MAT16 MAT17

Menyelesaikan masalah geometri dengan menggunakan aturan sinus atau kosinus. Menyelesaikan masalah persamaan atau fungsi kuadrat dengan menggunakan diskriminan. Menyelesaikan masalah program linear. Menyelesaikan masalah sehari-hari dengan

MAT18

menggunakan kaidah pencacahan, permutasi atau kombinasi.

MAT19

Menyelesaikan masalah sehari-hari yang berkaitan dengan sistem persamaan linear. Menyelesaikan masalah yang berkaitan dengan besar

MAT20

sudut atau nilai perbandingan trigonometri sudut antara dua vektor. Menyelesaikan masalah yang berkaitan dengan nilai

MAT21

perbandingan trigonometri yang menggunakan rumus jumlah dan selisih sinus, kosinus dan tangen serta jumlah dan selisih dua sudut.

MAT22

MAT23

MAT24

MAT25

Menyelesaikan masalah yang berkaitan dengan fungsi eksponen atau fungsi logaritma. Menyelesaikan masalah yang berkaitan dengan komposisi dua fungsi atau fungsi invers. Menyelesaikan masalah yang berkaitan dengan panjang proyeksi atau vektor proyeksi. Menyelesaikan masalah yang berkaitan dengan peluang suatu kejadian.


MAT26

MAT27

Menyelesaikan masalah yang berkaitan dengan teorema sisa atau teorema faktor. Menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu.

MAT28


MAT29


3.2. SPESIFIKASI ALAT 3.3.1. Hardware 1. Prosesor : Intel Core i3-2350M 2.3GHz 2. Memori : 4 GB 3. Graphic Card : Nvidia Geforce 610M 2GB 4. Storage : 500 GB

3.3.2. Software: 1.

IDE Netbeans 8.0.2 Sebagai IDE (Integrated Development Environment) untuk membuat atau mengembangkan perangkat lunak (software).

2.

MySQL Database Sebagai aplikasi untuk membuat rancangan basis data.

3.3. TAHAP-TAHAP PENELITIAN 3.4.1. Studi Kasus Ujian Nasional merupakan salah satu sistem evaluasi standar pendidikan yang ada di Indonesia. Dengan adanya Ujian Nasional ini dapat diketahui sejauh mana mutu pendidikan di Indonesia. Untuk meningkatkan mutu pendidikan tersebut dapat dilakukan evaluasi berdasarkan hasil Ujian Nasional. Untuk lebih detail dalam melakukan evaluasi, maka digunakanlah nilai daya serap yang terdiri dari beberapa kompetensi dalam tiap mata pelajaran. Penelitian ini dilakukan berdasarkan masih rendahnya daya serap siswa dalam memahami suatu kompetensi pada suatu mata pelajaran khususnya mata


pelajaran Matematika. Masih rendahnya daya serap siswa tidak terlepas dari cara penyampaian pembelajaran atau metode pembelajaran yang kurang tepat pada suatu kompetensi mata pelajaran. Melalui penelitian ini, penulis ingin mencari pola asosiasi antar indikator pencapaian kompetensi mata pelajaran Matematika agar nantinya dapat dipergunakan sebagai alat bantu dalam melakukan evaluasi pembelajaran.

3.4.2. Penelitian Pustaka Penulis melakukan studi literatur untuk mencari referensi yang berkaitan denga teori-teori yang dapat menunjang dan mendukung penelitian. Literatur yang digunakan berasal dari buku, jurnal, dan karya ilmiah. Selain itu juga dilakukan wawancara terhadap narasumber yang berkompeten di bidang yang mendukung penelitian penulis.

3.4.3. Knowledge Discovery in Database (KDD) Dalam melakukan proses mengubah data mentah menjadi suatu informasi yang bermanfaat, penulis menggunakan proses Knowledge Discovery in Database (KDD) yang terdiri dari pembersihan data, integrasi data, seleksi data, transformasi data, penambangan data, evaluasi pola, dan presentasi pengetahuan. Pada tahap pembersihan data dan integrasi data, penulis melakukan secara manual dengan menggunakan aplikasi microsoft excel. Tahap selanjutnya yaitu seleksi data, transformasi data, dan penambangan data, penulis mengembangkan perangkat lunak sebagai alat bantu untuk melakukan tahap-tahap tersebut. Sedangkan untuk tahap evaluasi pola dan presentasi pengetahuan, penulis melakukan evaluasi dari hasil penambangan data yang didapat dari perangkat lunak yang telah dibangun dan menjelaskan hasil evaluasi tersebut agar informasi yang didapat dapat diterima oleh pihak-pihak yang membutuhkan.

3.4.4. Pengembangan Perangkat Lunak Pada tahap seleksi data, transformasi data, dan penambangan data di dalam proses Knowledge Discovery in Database (KDD), penulis mengembangkan


perangkat lunak sebagai alat untuk mengolah dataset yang penulis miliki untuk mendapatkan informasi yang berguna. Metode yang digunakan oleh penulis dalam pengembangan sistem adalah metode waterfall. Metode ini merupakan salah satu metode yang paling sering dipakai oleh para pengembang perangkat lunak. Inti dari metode ini adalah pengerjaan sistem dilakukan secara linier. Penegerjaan sistem secara linear adalah jika tahap pertama belum dilakukan, maka tahap kedua dan selanjutnya tidak dapat dikerjakan. Secara garis besar metode waterfall mempunyai langkah – langkah sebagai berikut: 1. Analisa Langkah ini merupakan analisa terhadap kebutuhan sistem. Pengumpulan data dalam tahap ini bisa melakukan sebuah penelitian, wawancara atau studi literatur. Seorang sistem analis bertugas dalam mencari informasi sebanyak mungkin dari user sehingga sistem yang dibuat dapat sesuai dengan keinginan user. Tahapan ini biasanya akan menghasilkan dokumen user requirement yang dapat digunakan sistem analis untuk menerjemahkan ke dalam bahasa pemrograman. 2. Design Proses desain akan menerjemahkan syarat kebutuhan ke sebuah perancangan perangkat lunak yang dapat diperkirakan sebelum di ubah ke dalam bahasa pemrograman. Proses ini berfokus pada struktur data, arsitektur perangkat lunak, representasi interface, dan detail algoritma. Tahapan ini akan menghasilkan dokumen yang disebut software requirement. Dokumen ini yang digunakan seorang programmer untuk membangun sistemnya. 3. Pemrograman Pemrograman merupakan penerjemahan design ke dalam bahasa pemrograman. Pada tahap ini programmer akan mengubah proses transaksi yang diinginkan user ke dalam sistem yang dibuatnya.


4. Pengujian Perangkat Lunak Setelah pemrograman selesai maka akan dilakukan pengujian terhadap perangkat lunak tersebut. Pengujian yang digunakan adalah pengujian

black

box

dan

pengujian

membandingakan

hasil

penghitungan manual dengan hasil yang diperoleh oleh perangkat lunak. Tujuan pengujian ini adalah untuk menemukan kesalahan – kesalahan yang terdapat pada perangkat lunak tersebut agar kemudian dapat diperbaiki.

2.4.4. Analisis dan Pembuatan Laporan Analisis yang akan dilakukan adalah analisis kinerja dari alat uji yang dibuat menggunakan algoritma apriori, dan hasil analisis tersebut nantinya akan diolah kedalam sebuah laporan tugas akhir.


BAB IV PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA

4.1. PEMROSESAN AWAL 4.1.1. Pembersihan Data (Data Cleaning) Pembersihan data yaitu membersihkan data dari noise seperti data yang tidak terisi nilai apapun (kosong) dan data yang tidak konsisten. Data yang ada memiliki noise pada beberapa sekolah yang nilai daya serapnya kosong. Maka sekolah tersebut akan dihapus dari tabel data.

4.1.2. Integrasi Data (Data Integration) Integrasi data adalah melakukan penggabungan data dari berbagai macam sumber. Data yang ada terdiri dari tiga file yaitu data nilai daya serap hasil Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun pelajaran 2014/2015. Pada tahap ini, untuk data nilai daya serap hasil Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 digabungkan menjadi sebuah file karena memiliki atribut yang sama. Sedangkan untuk data nilai daya serap hasil Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015 berdiri sendiri karena memiliki atribut yang berbeda.

4.1.3. Seleksi Data (Data Selection) Seleksi data adalah seleksi atribut yang akan digunakan dalam proses penambangan data. Proses seleksi dilakukan dengan memilih atribut yang relevan untuk digunakan dalam penelitian, dan menghapus atribut yang tidak relevan. Atribut yang dihapus dari data daya serap Ujian Nasional di Daerah Istimema Yogyakarta tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun pelajaran 2014/2015 adalah atribut KODE_SEKOLAH, NAMA_SEKOLAH, JNS_SEK, dan STS_SEK. Hasil dari seleksi atribut pada data nilai daya serap hasil

33


Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 dapat dilihat pada tabel 4.1.

Tabel 4.1 Tabel Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 Kode Atribut MAT1

MAT2

MAT3 MAT4 MAT5

MAT6 MAT7 MAT8

MAT9

MAT10 MAT11 MAT12

Nama Atribut Menentukan bayangan titik atau kurva karena dua transformasi atau lebih. Menentukan ingkaran atau kesetaraan dari pernyataan majemuk atau pernyataan berkuantor. Menentukan integral tak tentu dan integral tentu fungsi aljabar dan fungsi trigonometri. Menentukan penarikan kesimpulan dari beberapa premis. Menentukan penyelesaian pertidaksamaan eksponen atau logaritma. Menentukan persamaan lingkaran atau garis singgung lingkaran. Menggunakan aturan pangkat, akar, dan logaritma. Menggunakan rumus jumlah dan hasil kali akar-akar persamaan kuadrat. Menghitung jarak dan sudut antara dua objek (titik, garis dan bidang) di ruang dimensi tiga. Menghitung luas daerah dan volume benda putar dengan menggunakan integral. Menghitung nilai limit fungsi aljabar dan fungsi trigonometri. Menghitung ukuran pemusatan atau ukuran letak dari data dalam bentuk tabel, diagram atau grafik.

MAT13


MAT14



MAT15

MAT16 MAT17 MAT18

MAT19

MAT20

Menyelesaikan masalah geometri dengan menggunakan aturan sinus atau kosinus. Menyelesaikan masalah persamaan atau fungsi kuadrat dengan menggunakan diskriminan. Menyelesaikan masalah program linear. Menyelesaikan masalah sehari-hari dengan menggunakan kaidah pencacahan, permutasi atau kombinasi. Menyelesaikan masalah sehari-hari yang berkaitan dengan sistem persamaan linear. Menyelesaikan masalah yang berkaitan dengan besar sudut atau nilai perbandingan trigonometri sudut antara dua vektor. Menyelesaikan masalah yang berkaitan dengan nilai

MAT21

perbandingan trigonometri yang menggunakan rumusjumlah dan selisih sinus, kosinus dan tangen sertajumlah dan selisih dua sudut.

MAT22

MAT23

MAT24

MAT25

MAT26

MAT27

Menyelesaikan masalah yang berkaitan dengan fungsi eksponen atau fungsi logaritma. Menyelesaikan masalah yang berkaitan dengan komposisi dua fungsi atau fungsi invers. Menyelesaikan masalah yang berkaitan dengan panjang proyeksi atau vektor proyeksi. Menyelesaikan masalah yang berkaitan dengan peluang suatu kejadian. Menyelesaikan masalah yang berkaitan dengan teorema sisa atau teorema faktor. Menyelesaikan operasi aljabar beberapa vektordengan syarat tertentu.

MAT28


MAT29


MAT30

Menyelesaikan soal aplikasi turunan fungsi.


Hasil seleksi atribut pada data nilai daya serap hasil Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015 memiliki perbedaan pada jumlah dan nama atribut yang terdapat pada data daya serap hasil Ujian Nasional tahun pelajaran 2012/2013 dan 2013/2014. Hasil seleksi atribut tersebut dapat dilihat pada tabel 4.2.

Tabel 4.2 Tabel Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2014/2015 Nama Atribut MAT1

MAT2

MAT3 MAT4 MAT5

MAT6 MAT7 MAT8

MAT9

MAT10 MAT11 MAT12

Keterangan Menentukan bayangan titik atau kurva karena dua transformasi atau lebih. Menentukan ingkaran atau kesetaraan dari pernyataan majemuk atau pernyataan berkuantor. Menentukan integral tak tentu dan integral tentufungsi aljabar dan fungsi trigonometri. Menentukan penarikan kesimpulan dari beberapa premis. Menentukan penyelesaian pertidaksamaan eksponen atau logaritma. Menentukan persamaan lingkaran atau garis singgung lingkaran. Menggunakan aturan pangkat, akar, dan logaritma. Menggunakan rumus jumlah dan hasil kali akar-akar persamaan kuadrat. Menghitung jarak dan sudut antara dua objek (titik, garis dan bidang) di ruang dimensi tiga. Menghitung luas daerah dan volume benda putar dengan menggunakan integral. Menghitung nilai limit fungsi aljabar dan fungsi trigonometri. Menghitung ukuran pemusatan atau ukuran letak dari data dalam bentuk tabel, diagram atau grafik.


MAT13


MAT14


MAT15

MAT16 MAT17 MAT18

MAT19

MAT20

Menyelesaikan masalah geometri dengan menggunakan aturan sinus atau kosinus. Menyelesaikan masalah persamaan atau fungsi kuadrat dengan menggunakan diskriminan. Menyelesaikan masalah program linear. Menyelesaikan masalah sehari-hari dengan menggunakan kaidah pencacahan, permutasi atau kombinasi. Menyelesaikan masalah sehari-hari yang berkaitan dengan sistem persamaan linear. Menyelesaikan masalah yang berkaitan dengan besar sudut atau nilai perbandingan trigonometri sudut antara dua vektor. Menyelesaikan masalah yang berkaitan dengan nilai

MAT21

perbandingan trigonometri yang menggunakan rumus jumlah dan selisih sinus, kosinus dan tangen serta jumlah dan selisih dua sudut.

MAT22

MAT23

MAT24

MAT25

MAT26

MAT27 MAT28

Menyelesaikan masalah yang berkaitan dengan fungsi eksponen atau fungsi logaritma. Menyelesaikan masalah yang berkaitan dengan komposisi dua fungsi atau fungsi invers. Menyelesaikan masalah yang berkaitan dengan panjang proyeksi atau vektor proyeksi. Menyelesaikan masalah yang berkaitan dengan peluang suatu kejadian. Menyelesaikan masalah yang berkaitan dengan teorema sisa atau teorema faktor. Menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu. Menyelesaikan operasi matriks.



MAT29

4.1.4. Transformasi Data (Data Transformation) Terdapat dua tahap dalam transformasi data. Tahap pertama yaitu dengan melakukan normalisasi perbedaan interval. Proses normalisasi dilakukan dengan menggunakan rumus min-max normalization sebagai berikut:

𝑣′ =

𝑣 − 𝑚𝑖𝑛𝐴 (𝑛𝑒𝑤𝑚𝑎𝑥𝐴 − 𝑛𝑒𝑤𝑚𝑖𝑛𝐴 ) + 𝑛𝑒𝑤𝑚𝑖𝑛𝐴 𝑚𝑎𝑥𝐴 − 𝑚𝑖𝑛𝐴

… (4.1)

Keterangan: 𝑣

= nilai sebelum ternormalisasi

𝑣′

= nilai setelah ternormalisasi

𝑚𝑖𝑛𝐴

= nilai minimal dari atribut A

𝑚𝑎𝑥𝐴

= nilai maksimal dari atribut A

𝑛𝑒𝑤𝑚𝑖𝑛𝐴

= nilai minimal terbaru dari atribut A

𝑛𝑒𝑤𝑚𝑎𝑥𝐴

= nilai maksimal terbaru dari atribut A

Pada penelitian ini, atribut yang digunakan memiliki data yang memiliki interval yang sama, yaitu 0 – 100, sehingga tahap ini tidak dilakukan. Tahap kedua dalam transformasi data yaitu mengubah data numerik menjadi TUNTAS dan TIDAK TUNTAS. TUNTAS berarti data tersebut memiliki nilai lebih besar sama dengan nilai daya serap minimal yang telah ditentukan sebelumnya. Sedangkan TIDAK TUNTAS berarti data tersebut memiliki nilai lebih kecil dari nilai daya serap minimal yang telah ditentukan sebelumnya. Contoh data daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta hasil transformasi data dengan menggunakan nilai daya serap minimal sebesar 60% terlampir pada lampiran 2.


4.2. PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA 4.2.1. Perancangan Umum 4.2.1.1. Input Sistem Data input dari sistem yang akan dibangun berasal dari file dengan ekstensi .xls dan .csv yang dapat dipilih langsung oleh pengguna (user) dari direktori Komputer atau dari tabel yang terdapat di dalam database. Sebelum melakukan proses asosiasi, pengguna juga diharuskan untuk mengisi nilai minimum support dan minimum confidence terlebih dahulu pada textfield yang telah disediakan.

4.2.1.2. Proses Sistem Proses sistem yang akan dibangun terdiri dari beberapa tahapan untuk dapat menemukan aturan (rule) yang berfungsi untuk menemukan pola keterkaitan antar kompetensi di suatu mata pelajaran. Proses tersebut yaitu: 1. Pemilihan atribut data yang akan digunakan dalam proses data mining 2. Menentukan minimum support dan minimum confidence yang berfungsi dalam menentukan aturan asosiasi 3. Proses asosiasi untuk menemukan hubungan antar indikator pencapaian kompetensi pada mata pelajaran Matematika. Proses umum yang terjadi pada sistem digambarkan dalam diagram flowchart yang digambarkan pada Gambar 4.1.


Gambar 4.1 Diagram Flowchart

4.2.1.3. Output Sistem Sistem akan memberikan keluaran atau output berupa frequent k-itemset beserta dengan nilai support-nya yang sesuai dengan minimum support dan tabel asosiasi yang sesuai dengan minimum confidence. Selain itu sistem juga akan menampilkan rules yang telah dihasilkan dari proses asosiasi yang telah dilakukan.


4.2.2. Diagram Use Case Suatu sistem selalu memiliki interaksi antar pengguna dengan sistem itu sendiri yang digambarkan dalam bentuk diagram use case. Diagram use case terlampir pada lampiran 3. Pengguna dalam sistem yang akan dibangun ini hanya ada satu, diinisialisaikan dengan nama “User”. Interaksi utama yang dilakukan pengguna terhadap sistem ada tiga, yaitu: memasukkan data, proses asosiasi menggunakan algoritma apriori, dan menyimpan hasil asosiasi. Ketiga interaksi tersebut harus dijalankan secara berurutan. Selain interaksi tersebut, sebuah interaksi yang merupakan pilihan yang ditawarkan setelah melakukan proses memasukkan data. Interaksi tersebut adalah menyeleksi atribut data.

4.2.2.1. Gambaran Umum Use Case Diagram use case pada lampiran 4 memiliki gambaran umum dari masingmasing use case. Gambaran umum dari masing-masing use case tersebut terlampir pada lampiran 4.

4.2.2.2. Narasi Use Case Diagram use case pada lampiran 1 juga memiliki narasi yang merupakan penjelasan lebih lengkap dari masing-masing use case. Narasi tersebut terlampir pada lampiran 5.

4.2.3. Diagram Aktivitas Terdapat empat diagram aktivitas yang merupakan aktivitas dari use case memasukkan data, seleksi atribut, asosiasi dengan aloritma apriori, dan simpan hasil asosiasi. Diagram aktivitas sistem terlampir pada lampiran 6.

4.2.4. Diagram Kelas Analisis Diagram kelas analisis terkampir pada lampiran 7.


4.2.5. Diagram Sekuen Terdapat enam diagram sequence yaitu memasukkan data dari file, memasukkan data dari database MySQL, memasukkan data dari database Oracle, seleksi atribut, asosiasi menggunakan algoritma apriori, dan menyimpan hasil asoisiasi. Diagram sequence terlampir pada lampiran 8.

4.2.6. Diagram Kelas Disain Diagram kelas desain terlampir pada lampiran 9.

4.2.7. Algoritma per Method Rincian algoritma per method terlampir pada lampiran 10.

4.2.8. Perancangan Struktur Data Perancangan struktur data dalam system asosiasi ini dimaksudkan untuk mengonstruksi informasi yang tersedia. Struktur data dapat membantu pengolahan data yang lebih efisien. Pada penelitian ini digunakan konsep struktur data ArrayList. ArrayList adalah sebuah kelas yang dapat melakukan penyimpanan data berupa list objek berbentuk array yang ukurannya dapat berubah secara dinamis sesuai dengan jumlah data yang dimasukkan. Perbedaan paling mendasar antara Array dan ArrayList adalah : 1. Untuk menyimpan data dalam Array biasa, maka harus mendeklarasikan jumlah elemen maksimal yang dapat menampung data. Hal ini menyebabkan keterbatasan penggunaan data. Jika data yang digunakan bersifat fleksibel, maka Array tidak dapat digunakan. 2. ArrayList dapat menampung sejumlah data secara dinamis, sehingga seberapapun jumlah datanya dapat ditampung oleh ArrayList tanpa memperhatikan berapa jumlah maksimal elemen yang dapat ditampung. Perhatikan ilustrasi Arraylist pada gambar 4.2 berikut ini :


Gambar 4.2 Ilustrasi Konsep ArrayList

Pada penelitian ini, kompetensi suatu mata pelajaran sebagai elementData. Setiap kompetensi yang saling terhubung dengan kompetensi lainnya akan berada dalam index yang sama pada ArrayList. Sebagai contoh, akan dijelaskan pada gambar 4.3 berikut ini :

Gambar 4.3 Perancangan ArrayList


4.2.9. Perancangan Antarmuka Sistem asosiasi yang akan dibangun, memiliki 7 antarmuka yang terdiri dari antarmuka halaman awal, antarmuka halaman preprocess, antarmuka halaman konfigurasi database, antarmuka halaman pilih tabel database, antarmuka halaman proses asosiasi, antarmuka halaman bantuan, dan antarmuka halaman tentang.

4.2.9.1. Perancangan Halaman Awal Perancangan antarmuka halaman awal dapat dilihat pada gambar 4.4 berikut ini.

Gambar 4.4 Rancangan Antarmuka Halaman Awal

Halaman ini merupakan halaman pertama saat menjalankan sistem. Pada halaman ini terdapat tombol “BERANDA”, “BANTUAN”, “TENTANG”, dan “MASUK SISTEM”. Tombol “BERANDA” akan menuju ke halaman awal. Tombol “BANTUAN” akan menuju ke halaman bantuan yang berisi panduan menggunakan sistem. Tombol “TENTANG” akan menuju ke halaman tentang yang


berisi info penulis. Tombol “MASUK SISTEM” akan menuju ke halaman preprocessing untuk memulai proses asosiasi.

4.2.9.2. Perancangan Halaman Preprocess Perancangan antarmuka halaman preprocess dapat dilihat pada gambar 4.5 berikut ini.

Gambar 4.5 Rancangan Antarmuka Halaman Preprocess

Halaman ini merupakan halaman preprocessing data. Pada halaman ini terdapat tiga tombol menu yaitu tombol “BERANDA”, tombol “BANTUAN”, dan tombol “TENTANG”. Tombol “BERANDA” akan menuju ke halaman awal. Tombol “BANTUAN” akan menuju ke halaman bantuan yang berisi panduan


menggunakan sistem. Tombol “TENTANG” akan menuju ke halaman tentang yang berisi info penulis. Preprocessing data dimulai dengan import data dari file dengan format file .xls dan .csv atau dari table yang terdapat di dalam database MySQL atau Oracle. Untuk melakukan import data terdapat tombol “PILIH FILE” dan tombol “PILIH DATABASE”. Tombol “PILIH FILE” akan melakukan import file dengan format .xls atau .csv. Tombol “PILIH DATABASE” akan menuju halaman konfigurasi database. Tombol ini digunakna jika ingin melakukan import data dari tabel di dalam database. Tahap preprocessing selanjutnya adalah menyeleksi atribut yang akan digunakan di dalam proses asosiasi. Pada tahap ini terdapat tombol “TANDAI SEMUA”, tombol “HAPUS ATRIBUT”, dan tombol “BATAL”. Tombol “TANDAI SEMUA” akan membuat seluruh atribut tercentang. Tombol “HAPUS ATRIBUT” akan menghapus semua atribut yang telah di centang. Tombol “BATAL” akan membatalkan semua centang sehingga tidak ada atribut yang diberi tanda centang. Tahap preprocessing yang terakhir adalah menentukan nilai daya serap minimal. Setalah user memasukkan nilai daya serap minimal, tombol “KONVERSI” akan mengubah seluruh nilai yang terdapat pada dataset menjadi “TUNTAS” yang memiliki nilai lebih besar sama dengan nilai daya serap minimal dan mengubah seluruh nilai yang terdapat pada dataset menjadi “TIDAK TUNTAS” yang memiliki nilai lebih kecil dari nilai daya serap minimal. Jika preprocessing sudah selesai maka user dapat menggunakan tombol “SUBMIT” untuk menuju halaman asosiasi.


4.2.9.3. Perancangan Halaman Konfigurasi Database Perancangan antarmuka halaman konfigurasi database dapat dilihat pada gambar 4.6 berikut ini.

Gambar 4.6 Rancangan Antarmuka Halaman Konfigurasi Database

Halaman ini merupakan halaman konfigurasi database. Halaman ini hanya dilakukan jika user memilih import data dari tabel di dalam database. Pada halaman ini terdapat dua database yang dapat dipilih yaitu MySQL database dan Oracle database. Selain itu juga terdapat dua tombol utama pada halaman ini yaitu tombol “OK” dan tombol “KEMBALI”. Tombol “OK” akan menerima value dari seluruh text field yang telah dimasukkan oleh user untuk kemudian dicek apakah masukkan user sudah benar dan dapat terkoneksi dengan database yang dipilih atau belum. Tombol “KEMBALI” akan menuju ke halaman preprocessing.


4.2.9.4. Perancangan Halaman Pilih Tabel Database Perancangan antarmuka halaman pilih tabel database dapat dilihat pada gambar 4.7 berikut ini.

Gambar 4.7 Rancangan Antarmuka Halaman Pilih Tabel Database

Halaman ini merupakan halaman pilih tabel dari database. Halaman ini hanya dilakukan jika user memilih import data dari tabel di dalam database dan sudah berhasil terkoneksi dengan server database. Pada halaman ini terdapat dua tombol utama pada halaman ini yaitu tombol “OK” dan tombol “KEMBALI”. Tombol “OK” akan menuju halaman preprocessing. Tombol “KEMBALI” akan menuju ke halaman preprocessing.


4.2.9.5. Perancangan Halaman Asosiasi Perancangan antarmuka halaman asosiasi dapat dilihat pada gambar 4.8 berikut ini.

Gambar 4.8 Rancangan Antarmuka Halaman Asosiasi

Halaman ini merupakan halaman asosiasi. Pada halaman ini terdapat tiga tombol menu yaitu tombol “BERANDA”, tombol “BANTUAN”, dan tombol “TENTANG”. Tombol “BERANDA” akan menuju ke halaman awal. Tombol “BANTUAN” akan menuju ke halaman bantuan yang berisi panduan menggunakan sistem. Tombol “TENTANG” akan menuju ke halaman tentang yang berisi info penulis.


Pada halaman ini, user dapat melihat informasi mengenai data yang sudah siap untuk dilakukan proses asosiasi, jumlah keseluruhan data, dan jumlah atribut. Pada halaman ini, disediakan textfield untuk mengisi nilai minimum support dan nilai minimum confidence. Tombol utama pada halaman ini adalah tombol “PROSES” yang akan melakukan proses asosiasi sesuai dengan table data hasil preprocessing dan minimum support serta minimum confidence yang telah ditentukan sebelumnya. Selain itu terdapat tombol “SIMPAN” yang berfungsi untuk menyimpan data hasil dari proses asosiasi yang telah dilakukan.


4.2.9.6. Perancangan Halaman Bantuan Perancangan antarmuka halaman tentang dapat dilihat pada gambar 4.9 berikut ini.

Gambar 4.9 Rancangan Antarmuka Halaman Tentang

Halaman ini merupakan halaman tentang. Halaman ini berisi informasi tentang penulis. Pada halaman ini terdapat tiga tombol menu yaitu tombol “BERANDA”, tombol “BANTUAN”, dan tombol “TENTANG”. Tombol “BERANDA” akan menuju ke halaman awal. Tombol “BANTUAN” akan menuju ke halaman bantuan yang berisi panduan menggunakan sistem. Tombol “TENTANG” akan menuju ke halaman tentang yang berisi info penulis.


4.2.9.7. Perancangan Halaman Tentang Perancangan antarmuka halaman bantuan dapat dilihat pada gambar 4.10 berikut ini.

Gambar 4.10 Rancangan Antarmuka Halaman Bantuan

Halaman ini merupakan halaman bantuan. Halaman ini berisi panduan penggunaan system. Pada halaman ini terdapat tiga tombol menu yaitu tombol “BERANDA”, tombol “BANTUAN”, dan tombol “TENTANG”. Tombol “BERANDA” akan menuju ke halaman awal. Tombol “BANTUAN” akan menuju ke halaman bantuan yang berisi panduan menggunakan sistem. Tombol “TENTANG” akan menuju ke halaman tentang yang berisi info penulis.


BAB V IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL

5.1. IMPLEMENTASI RANCANGAN PERANGKAT LUNAK Perangkat Lunak pencarian aturan asosiasi ini memiliki 13 buah kelas yang terdiri dari dua kelas model, empat kelas controller, dan tujuh kelas view.

5.1.1. Imlementasi Kelas Model Implementasi kelas model dapat dilihat pada tabel 5.1 berikut ini.

Tabel 5.1 Implementasi Kelas Model No

Nama Kelas

Nama File Fisik

Nama File Excecutable

1

model_atributSelecti

model_atributSelection.

model_atributSelection.

on

java

class

2

model_apriori

model_apriori.java

model_apriori.class

3

model_arules

model_arules.java

model_arules.class

5.1.2. Implementasi Kelas View Implementasi kelas view dapat dilihat pada tabel 5.2 berikut ini.

Tabel 5.2 Implementasi Kelas View No

Use Case

Antarmuka

Nama Kelas Boundary

1

Memasukan Data

1. Gambar 4.4

1. view_

2. Gambar 4.5

preprocess.class

3. Gambar 4.6

2. view_ database.class 3. view_ table.class

2

Seleksi Atribut

Gambar 4.4

53

view_ preprocess.class


3

Asosiasi

Gambar 4.7

view_asosiasi.class

Gambar 4.7

view_asosiasi.class

Menggunakan Algoritma Apriori 4

Simpan Hasil Apriori

Selanjutnya akan dijelaskan spesifikasi detail dari setiap antarmuka yang ada pada perangkat lunak pencarian aturan asosiasi ini. Spesifikasi detail dari kelas view_home dapat dilihat pada tabel 5.3 berikut ini.

Tabel 5.3 Spesifikasi Detail Kelas view_home.java Id_Objek bt_home

Jenis

Teks

Button

BERANDA

Keterangan Jika di click, akan menuju ke halaman view_home.java

bt_help

Button

BANTUAN

Jika di click, akan menuju ke halaman view_help.java

bt_about

Button

TENTANG

Jika di click, akan menuju ke halaman view_about.java

lb_image

Label

icon_big.png

Gambar logo Universitas Sanata Dharma Yogyakarta berwarna hitam putih

lb_title1

Label

SISTEM

Judul perangkat lunak yang

PENCARIAN

dibangun

ATURAN ASOSIASI lb_title2

Label

MENGGUNAKAN Judul perangkat lunak yang ALGORITMA

dibangun

APRIORI bt_system

Button

MASUK SISTEM

Jika di click, akan menuju halaman view_preprocess.java


lb_idname

Label

Laurensius Haris

Identitas pembuat perangkat lunak

Chrisanda – 125314055 lb_college

Label

Fakultas Sains dan

Identitas fakultas dan universitas

Teknologi

pembuat perangkat lunak

Universitas Sanata Dharma Yogyakarta lb_year

Label

2016

Identitas tahun pembuatan perangkat lunak

Implementasi antarmuka dari kelas view_home (halaman awal) dapat dilihat pada gambar 5.1 berikut ini.

Gambar 5.1 Implementasi Antarmuka Kelas view_home


Spesifikasi detail dari kelas view_preprocess dapat dilihat pada tabel 5.4 berikut ini.

Tabel 5.4 Spesifikasi Detail Kelas view_preprocess.java Id_Objek bt_home

Jenis

Teks

Button

BERANDA


bt_help

Button

BANTUAN


bt_about

Button

TENTANG


lb_logo

Label

icon_big.png


lb_title1

Label

SISTEM


PENCARIAN

dibangun

ATURAN ASOSIASI MENGGUNAKAN lb_title2

bt_chFile

Label

Button

ALGORITMA


APRIORI

dibangun

PILIH FILE

Jika di click, akan mengaktifkan proses input data yang berasal dari file

bt_chDb

lb_path

Button

Label

PILIH

Jika di click, akan menuju ke

DATABASE

halaman view_database

Path :

Mendeskripsikan asal data yang dimasukan ke dalam tabel tb_fileInput


tf_path

Textfield

Isi path directory dari data file atau nama tabel dari data database yang dimasukan ke dalam tabel tb_fileInput

tb_fileInput

Table

Menampilkan data dari data file yang dimasukan baik dari file maupun dari database

p_info

Panel

Informasi

Mendeskripsikan informasi dari data yang dimasukan

lb_totalData

Label

Jumlah Data

Mendeskripsikan jumlah data dari data yang dimasukan

tf_totalData

Textfield

Isi jumlah data dari data yang dimasukan

lb_totalAtribut Label

Jumlah Atribut

Mendeskripsikan jumlah atribut dari data yang dimasukan

tf_totalAtribut

Textfield

Isi jumlah atribut dari data yang dimasukan

p_atribut

Panel

Seleksi Atribut

Mendeskripsikan informasi seleksi atribut

tb_selection

Table

Menampilkan data atribut dan checkbox untuk setiap atribut data

bt_markAll

Button

TANDAI SEMUA

Jika di click, akan membuat seluruh checkbox pada tabel tb_selection menjadi tercentang

bt_delAtribut

Button

HAPUS ATRIBUT

Jika di click, akan mengaktifkan proses


penghapusan atribut yang sudah diberi tanda centang bt_cancel

Button

BATAL

Jika di click, akan membuat seluruh checkbox menjadi tidak tercentang

p_convert

lb_limit

tf_limit

Panel

Label

Konversi Nilai

Mendeskripsikan informasi

Daya Serap

konversi data

DAYA SERAP

Mendeskripsikan batas nilai

MINIMAL (%)

keberhasilan dalam persen

Textfield

Isi teks yang akan digunakan dalam proses konversi data

bt_convert

Button

KONVERSI

Jika di click, akan mengaktifkan proses konversi data

bt_submit

Button

LANJUT KE

Jika di click, akan menuju ke

PROSES

halaman view_asosiasi

ASOSIASI lb_idname

Label

Laurensius Haris

Identitas pembuat perangkat

Chrisanda –

lunak

125314055 lb_college

Label

Fakultas Sains dan

Identitas fakultas dan

Teknologi

universitas pembuat

Universitas Sanata

perangkat lunak

Dharma Yogyakarta lb_year

Label

2016



Implementasi antarmuka dari kelas view_preprocess (halaman preprocess) dapat dilihat pada gambar 5.2 berikut ini.

Gambar 5.2 Implementasi Antarmuka Kelas view_preprocess

Spesifikasi detail dari kelas view_database dapat dilihat pada tabel 5.5 berikut ini. Tabel 5.5 Spesifikasi Detail Kelas view_database.java Id_Objek lb_logo

Jenis Label

Teks icon_big.png

Keterangan Gambar logo Universitas Sanata Dharma Yogyakarta berwarna hitam putih

lb_title1

Label

SISTEM


PENCARIAN

dibangun



Label


dibangun

APRIORI lb_database

Label

Pilih Database

Mendeskripsikan database yang akan digunakan

cb_database

Combobox 1. – Pilih Database

Index dari combobox akan

–

digunakan sebagai penentu

lb_username Label

2. MySQL

jenis database yang akan

3. Oracle

digunakan

Username

Mendeskripsikan username dari database

tf_username

Textfield

Isi teks yang akan digunakan sebagai username dalam konfigurasi database

lb_password Label

Password

Mendeskripsikan password dari database

tf_password

Textfield

Isi teks yang akan digunakan sebagai password dalam konfigurasi database

lb_schema

Label

Schema Database

Mendeskripsikan schema dari database

tf_schema

Textfield

Isi teks yang akan digunakan sebagai schema dalam konfigurasi database

lb_url

Label

URL

Mendeskripsikan url dari database


tf_url

Textfield

Isi teks yang akan digunakan sebagai url dalam konfigurasi database

bt_ok

Button

OK

Jika di click, akan menuju ke halaman view_table sesuai dengan konfigurasi database yang telah diisikan

bt_back

Button

KEMBALI

Jika di click, akan menuju ke halaman view_preprocess

Implementasi antarmuka dari kelas view_database (halaman pilih database) dapat dilihat pada gambar 5.3 berikut ini.

Gambar 5.3 Implementasi Antarmuka Kelas view_database


Spesifikasi detail dari kelas view_table dapat dilihat pada tabel 5.6 berikut ini.

Tabel 5.6 Spesifikasi Detail Kelas view_table.java Id_Objek lb_logo

Jenis Label

Teks icon_big.png

Keterangan Gambar logo Universitas Sanata Dharma Yogyakarta berwarna hitam putih

lb_title1

Label

SISTEM


PENCARIAN

dibangun


Label


dibangun

APRIORI lb_table

cb_table

Label

Pilih Tabel

Mendeskripsikan database

Database

yang akan digunakan

Combobox (Sesuai dengan

Index dari combobox akan

tabel dalam

digunakan sebagai penentu

database yang telah

tabel yang datanya akan

di pilih

digunakan

sebelumnya) bt_ok

Button

OK

Jika di click, akan menuju ke halaman view_preprocess dan menjalankan proses pengambilan data dari tabel database ke dalam tabel tb_fileInput pada halaman view_preprocess


bt_back

Button

KEMBALI

Jika di click, akan menuju ke halaman view_preprocess

Implementasi antarmuka dari kelas view_table (halaman pilih tabel database) dapat dilihat pada gambar 5.4 berikut ini.

Gambar 5.4 Implementasi Antarmuka Kelas view_table

Spesifikasi detail dari kelas view_asosiasi dapat dilihat pada tabel 5.7 berikut ini.

Tabel 5.7 Spesifikasi Detail Kelas view_asosiasi.java Id_Objek bt_home

Jenis

Teks

Button

BERANDA


bt_help

Button

BANTUAN


bt_about

Button

TENTANG


lb_logo

Label

icon_big.png


lb_title1

Label

SISTEM


PENCARIAN

dibangun


ATURAN ASOSIASI MENGGUNAKAN lb_title2

tb_data

Label

ALGORITMA


APRIORI

dibangun

Tabel

Menampilkan data transaksi yang akan digunakan untuk proses asosiasi

Lb_dayaserap Label

DAYA SERAP

Mendeskripsikan nilai daya

MINIMUM (%)

serap minimum yang digunakan

Tf_dayaserap

Textfield

Isi teks yang akan menunjukkan besaran nilai daya searp minimal yang digunakan

Lb_minsup

Label

MIN SUPPORT

Mendeskripsikan minimum

(%)

support yang akan digunakan dalam proses asosiasi menggunakan algoritma apriori

Tf_minsup

Textfield

Isi teks yang akan digunakan sebagai minimum support dalam proses asosiasi menggunakan algoritma apriori

Lb_mincon

Label

MIN

Mendeskripsikan minimum

CONFIDENCE

confidence yang akan

(%)

digunakan dalam proses asosiasi menggunakan algoritma apriori


Tf_mincon

Textfield

Isi teks yang akan digunakan sebagai minimum confidence dalam proses asosiasi menggunakan algoritma apriori

Lb_runtime

Label

RUNNING TIME :

Mendeskripsikan waktu yang dibutuhkan perangkat lunak dalam melakukan proses asosiasi

Tf_runtime

Textfield

Isi teks berupa waktu yang digunakan oleh perangkat lunak dalam melakukan proses asosiasi

Lb_second

Label

Seconds

Mendeskripsikan waktu jalannya perangkat lunak dalam satuan detik (second)

Bt_process

Button

PROSES

Jika di click, akan menjalankan proses asosiasi

Ta_apriori

Textarea

Berisi hasil asosiasi yang dilakukan oleh perangkat lunak

Bt_save

Button

SIMPAN HASIL

Jika di click, akan

ASOSIASI

menjalankan perintah untuk menyimpan hasil asosiasi

lb_idname

Label

Laurensius Haris


Chrisanda –

lunak


Label

Fakultas Sains dan

Identitas fakultas dan

Teknologi

universitas pembuat perangkat

Universitas Sanata

lunak



Label

2016


Implementasi antarmuka dari kelas view_asosiasi (halaman asosiasi) dapat dilihat pada gambar 5.5 berikut ini.

Gambar 5.5 Implementasi Antarmuka Kelas view_asosiasi


Spesifikasi detail dari kelas view_help dapat dilihat pada tabel 5.8 berikut ini.

Tabel 5.8 Spesifikasi Detail Kelas view_help.java Id_Objek bt_home

Jenis

Teks

Button

BERANDA


bt_help

Button

BANTUAN


bt_about

Button

TENTANG


lb_logo

Label

icon_big.png


lb_title1

Label

PERANGKAT


LUNAK

dibangun

ASOSIASI lb_title2

Label


dibangun

APRIORI lb_help

Label

PANDUAN

Mendeskripsikan panduan

PENGGUNAAN

penggunaan perangkat lunak

PERANGKAT LUNAK ta_help

Textarea (Panduan

Berisi langkah-langkah

Penggunaan

menggunakan program beserta

Perangkat lunak)

fungsi tombol-tombol penting pada perangkat lunak


lb_idname

Label

Laurensius Haris


Chrisanda –

lunak


Label

Fakultas Sains dan


Teknologi


Universitas Sanata Dharma Yogyakarta lb_year

Label

2016


Implementasi antarmuka dari kelas view_help (halaman bantuan) dapat dilihat pada gambar 5.6 berikut ini.

Gambar 5.6 Implementasi Antarmuka Kelas view_help


Spesifikasi detail dari kelas view_about dapat dilihat pada tabel 5.9 berikut ini.

Tabel 5.9 Spesifikasi Detail Kelas view_about.java Id_Objek bt_home

Jenis

Teks

Button

BERANDA


bt_help

Button

BANTUAN


bt_about

Button

TENTANG


lb_logo

Label

icon_big.png


lb_title1

Label

PERANGKAT


LUNAK

dibangun

ASOSIASI lb_title2

Label


dibangun

APRIORI lb_help

Label

INFORMASI

Mendeskripsikan informasi

PERANGKAT

tentang pembuat perangkat lunak

LUNAK ta_help

Textarea (Informasi Pembuat Berisi informasi mengenai Perangkat lunak)

pembuat perangkat lunak dan judul dari tugas akhir yang dikerjakan.

lb_college

Label

Fakultas Sains dan


Teknologi


Universitas Sanata



Label

2016


Implementasi antarmuka dari kelas view_about (halaman tentang) dapat dilihat pada gambar 5.7 berikut ini.

Gambar 5.7 Implementasi Antarmuka Kelas view_about


5.1.3. Implementasi Kelas Control Implementasi kelas controller dapat dilihat pada tabel 5.10 berikut ini.

Tabel 5.10 Implementasi Kelas Controller No

Use Case

1

Memasukan Data

Nama File Fisik

Nama File Excecutable

1. control_dbConnection 1. control_dbConnection .java

.class

2. control_tableConnecti 2. control_tableConnecti on.java 2

3

Seleksi Atribut

on.class

control_atributSelection.j

control_atributSelection.j

ava

ava

Asosiasi

1. control_apriori.java

1. control_apriori.class

Menggunakan

2. control_arules.java

2. control_arules.class

Algoritma Apriori 4

Simpan Hasil

-

-

Apriori

5.2. EVALUASI HASIL 5.2.1. Pengujian Perangkat Lunak (Black Box) 5.2.1.1. Rencana Pengujian Black Box Pada tabel 5.11 dibawah ini akan dijelaskan rencana pengujian dengan menggunakan metode black box.

Tabel 5.11 Rencana Pengujian Black Box No. 1.

Use Case Memasukan Data

Butir Uji Pengujian memasukan data dari

Kasus Uji UC1-01

file bertipe .xls Pengujian memasukan data dari file bertipe .csv

UC1-02


Pengujian memasukan data dari

UC1-03

file selain bertipe .xls dan .csv Pengujian Memasukan data dari

UC1-04

database MySQL Pengujian Memasukan data dari

UC1-05

database Oracle Pengujian Melakukan Kesalahan

UC1-06

Konfigurasi Database 2.

Seleksi Atribut

Pengujian menghapus atribut

UC2-01

dengan memilih satu atau lebih atribut kemudian menekan tombol hapus atribut Pengujian menghapus atribut

UC2-02

dengan memilih semua atribut menggunakan tombol tandai semua kemudian menekan tombol hapus atribut Pengujian membatalkan

UC2-03

pemilihan atribut dengan menekan tombol batal 3.

Asosiasi Menggunakan

Pengujian melakukan konversi

Algoritma Apriori

data sesuai dengan masukan nilai

UC3-01

daya serap minimum Pengujian terjadi kesalahan dalam

UC3-02

melakukan konversi data Pengujian melakukan proses asosiasi

UC3-03


4.

Simpan Hasil Asosiasi

Pengujian menyimpan hasil

UC4-01

asosiasi ke dalam file bertipe .xls Pengujian menyimpan hasil

UC4-02

asosiasi ke dalam file bertipe .doc Pengujian menyimpan hasil

UC4-03

asosiasi ke dalam file bertipe .txt

5.2.1.2. Prosedur Pengujian Black Box dan Kasus Uji Setelah menyusun rencana pengujian pada tabel 5.11, maka dilakukan prosedur pengujian serta kasus uji yang terlampir pada lampiran 11.

5.2.1.3. Evaluasi Pengujian Black Box Seluruh hasil pengujian black box pada lampiran 11 menunjukkan bahwa perangkat lunak sudah dapat berjalan dengan baik dan sesuai dengan perancangan yang sudah dibuat. Hal ini dapat dilihat dari semua fungsi yang sudah berjalan sesuai dengan yang diharapkan. Perangkat lunak ini juga mampu menampilkan pesan kesalahan jika terjadi kesalahan atau error saat perangkat lunak sedang digunakan baik dari kesalahan pengguna atau user perangkat lunak maupun kesalahan dari perangkat lunak itu sendiri. Hal ini sangat baik karena dapat memudahkan user dalam menggunakan perangkat lunak.

5.2.2. Pengujian Perbandingan Hasil Hitung Manual dengan Hasil Perangkat Lunak 5.2.2.1. Penghitungan Manual Pengujian penghitungan manual menggunakan data nilai daya serap Ujian Nasional Matematika SMA jurusan IPA di Kabupaten Gunung Kidul, Daerah Istimewa Yogyakarta tahun ajaran 2012/2013. Proses penghitungan manual dilakukan dengan menggunakan aplikasi Microsoft Excel. Dalam melakukan pencarian aturan asosiasi ini, digunakan nilai daya serap minimal sebesar 60%, nilai minimum support sebesar 60%, dan nilai


minimum confidence sebesar 60%. Proses penghitungan manual beserta dengan hasilnya dapat dilihat pada Lampiran 12.

5.2.2.2. Penghitungan Perangkat Lunak Pengujian penghitungan perangkat lunak menggunakan data yang sama dengan penghitungan manual yaitu data nilai daya serap hasil Ujian Nasional Matematika SMA jurusan IPA di Kabupaten Gunung Kidul, Daerah Istimewa Yogyakarta tahun ajaran 2012/2013. Dalam melakukan pencarian aturan asosiasi ini, perangkat lunak menggunakan nilai daya serap minimal 60%, nilai minimum support sebesar 60%, dan nilai minimum confidence sebesar 60%. Hasil dari penghitungan perangkat lunak dapat dilihat pada gambar 5.8 berikut ini.

Gambar 5.8 Hasil Penambangan Data Menggunakan Perangkat Lunak


5.2.2.3. Evaluasi Pengujian Perbandingan Hitung Manual dengan Hasil Perangkat lunak Hasil pencarian aturan asosiasi secara manual dengan yang dihasilkan oleh perangkat lunak tidak memiliki perbedaan. Hasil yang diperoleh oleh perangkat lunak sama dengan hasil yang diperoleh dari penghitungan manual. maka dapat disimpulkan bahwa perangkat lunak sudah berjalan dengan baik dan sesuai dengan yang diharapkan.

5.2.3. Pengujian Perangkat Lunak Dengan Menggunakan Dataset Pada pengujian perangkat lunak dengan menggunakan dataset akan membandingkan aturan asosiasi yang dihasilkan dari dataset berikut ini : 1. Data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 2. Data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2013/2014 3. Gabungan data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 4. Data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015. Pada pengujian ini akan dilakukan pengujian terhadap nilai daya serap minimal, nilai minimum support, dan nilai minimum confidence yang berbedabeda. Dari pengujian ini akan dilihat aturan asosiasi yang dihasilkan dari masingmasing pengujian. Nilai daya serap minimal 60% digunakan berdasarkan interval daya serap siswa pada tabel 2.1 yang mengatakan bahwa nilai 60% merupakan interval minimal untuk kategori sedang. Interval minimum untuk minimum support yang akan digunakan yaitu 40%. Alasan penulis menggunakan nilai tersebut berdasarkan nilai daya serap pada dataset yang penulis miliki. Untuk nilai daya serap paling minimum yaitu 60%, ditemukan banyak indikator pencapaian kompetensi yang dinyatakan tidak tuntas.


Jika menggunakan minimum support yang terlalu tinggi, dapat menyebabkan tidak ditemukannya aturan asosiasi yang menarik. Sedangkan jika nilai minimum support yang digunakan terlalu rendah, dapat menyebabkan aturan asosiasi yang dihasilkan menjadi tidak efisien karena aturan asosiasi yang memiliki nilai support yang rendah dapat terjadi hanya karena secara kebetulan (Tan dkk., 2006). Interval nilai untuk minimum confidence yang digunakan adalah 50% 80%. Alasan penulis menggunakan interval nilai tersebut karena nilai confidence digunakan untuk mengukur keandalan kesimpulan yang dibuat oleh aturan asosiasi. Untuk aturan 𝑋 → 𝑌, semakin tinggi nilai confidence, semakin besar kemungkinan 𝑌 terdapat di dalam transaksi yang mengandung 𝑋 (Tan dkk., 2006). Sebaliknya, semakin rendah nilai confidence, semakin kecil kemungkinan 𝑌 terdapat di dalam transaksi yang mengandung 𝑋. Maka dari itu penulis memilih nilai minimum untuk interval minimum confidence sebesar 50% sedangkan untuk nilai maksimum sebesar 80%. Nilai 80% penulis gunakan karena nilai tersebut sudah cukup tinggi. Jika menggunakan nilai yang lebih besar, dapat menyebabkan tidak munculnya aturan asosiasi yang menarik. Pada pengujian yang akan penulis lakukan, akan dilakukan variasi penggunaan nilai nilai daya serap minimum, minimum support, dan minimum confidence pada setiap pengujian. Penambahan nilai sebanyak 5 untuk nilai daya serap minimum dan nilai minimum support secara bergantian. Sedangkan untuk nilai minimum confidence akan dikurangi 5. Nilai pertama yang akan divariasi adalah nilai minimum confidence, sedangkan nilai daya serap minimum dan minimum support akan dikunci. Hal ini dilakukan hingga pengujian sudah selesai menguji nilai minimum confidence dari 80% - 50% atau aturan asosiasi yang dihasilkan sudah stabil. Nilai selanjutnya adalah melakukan variasi nilai untuk nilai minimum support ketika pengujian pada nilai minimum confidence sudah mencapai interval terendah yaitu 50% atau ketika aturan asosiasi yang dihasilkan sudah stabil. Selanjutnya adalah melakukan variasi nilai minimum daya serap ketika tidak ditemukan lagi aturan asosiasi.


5.2.3.1. Pengujian Dataset Tahun Ajaran 2012/2013 Data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 memiliki 30 atribut indikator pencapaian kompetensi dan 140 baris data. Tabel pengujian dataset tahun pelajaran 2012/2013 dapat dilihat pada tabel 5.12.

Tabel 5.12 Pengujian Dataset Tahun Pelajaran 2012/2013 No. Pengujian

Daya Serap

Minimum

Minimum

Jumlah Aturan

Support

Confidence

Asosiasi

1

60 %

40 %

80 %

26

2

60 %

40 %

75 %

33

3

60 %

40 %

70 %

33

4

60 %

40 %

65 %

5

60 %

40 %

60 %

33 34

6

60 %

40 %

55 %

37

7

60 %

40 %

50 %

39

8

60 %

45 %

80 %

9

9

60 %

45 %

75 %

9

10

60 %

45 %

70 %

9

11

60 %

45 %

65 %

12

60 %

45 %

60 %

14 15

13

60 %

45 %

55 %

16

14

60 %

45 %

50 %

18

15

60 %

50 %

80 %

6

16

60 %

50 %

75 %

6

17

60 %

50 %

70 %

6

18

60 %

50 %

65 %

10

19

60 %

50 %

60 %

10

20

60 %

50 %

55 %

11

21

60 %

50 %

50 %

12


22

60 %

55 %

80 %

2

23

60 %

55 %

75 %

2

24

60 %

55 %

70 %

2

25

60 %

55 %

65 %

2

26

60 %

55 %

60 %

2

27

60 %

60 %

80 %

2

28

60 %

60 %

75 %

2

29

60 %

60 %

70 %

2

30

60 %

60 %

65 %

2

31

60 %

60 %

60 %

2

32

60 %

65 %

80 %

2

33

60 %

65 %

75 %

2

34

60 %

65 %

70 %

2

35

60 %

65 %

65 %

2

36

60 %

65 %

60 %

2

37

60 %

70 %

80 %

2

38

60 %

70 %

75 %

2

39

60 %

70 %

70 %

2

40

60 %

70 %

65 %

2

41

60 %

70 %

60 %

2

42

60 %

75 %

80 %

0

43

60 %

75 %

75 %

0

44

60 %

75 %

70 %

0

45

60 %

75 %

65 %

0

46

60 %

75 %

60 %

0

47

65 %

40 %

80 %

6

48

65 %

40 %

75 %

6

49

65 %

40 %

70 %

7

50

65 %

40 %

65 %

9


51

65 %

40 %

60 %

10

52

65 %

40 %

55 %

10

53

65 %

40 %

50 %

11

54

65 %

45 %

80 %

2

55

65 %

45 %

75 %

2

56

65 %

45 %

70 %

3

57

65 %

45 %

65 %

3

58

65 %

45 %

60 %

3

59

65 %

50 %

80 %

1

60

65 %

50 %

75 %

1

61

65 %

50 %

70 %

2

62

65 %

50 %

65 %

2

63

65 %

50 %

60 %

2

64

65 %

55 %

80 %

1

65

65 %

55 %

75 %

1

66

65 %

55 %

70 %

2

67

65 %

55 %

65 %

2

68

65 %

55 %

60 %

2

69

65 %

60 %

80 %

1

70

65 %

60 %

75 %

1

71

65 %

60 %

70 %

2

72

65 %

60 %

65 %

2

73

65 %

60 %

60 %

2

74

65 %

65 %

80 %

0

75

65 %

65 %

75 %

0

76

65 %

65 %

70 %

0

77

65 %

65 %

65 %

0

78

65 %

65 %

60 %

0

79

70 %

40 %

80 %

1


80

70 %

40 %

75 %

1

81

70 %

40 %

70 %

1

82

70 %

40 %

65 %

1

83

70 %

40 %

60 %

2

84

70 %

40 %

55 %

2

85

70 %

40 %

50 %

2

86

70 %

45 %

80 %

1

87

70 %

45 %

75 %

1

88

70 %

45 %

70 %

1

89

70 %

45 %

65 %

1

90

70 %

45 %

60 %

2

91

70 %

45 %

55 %

2

92

70 %

45 %

50 %

2

93

70 %

50 %

80 %

0

94

70 %

50 %

75 %

0

95

70 %

50 %

70 %

0

96

70 %

50 %

65 %

0

97

70 %

50 %

60 %

0

98

75 %

40 %

80 %

0

99

75 %

40 %

75 %

0

100

75 %

40 %

70 %

0

101

75 %

40 %

65 %

0

102

75 %

40 %

60 %

0

Salah satu tampilan hasil pengujian dengan menggunakan masukan nilai daya serap minimum 60%, nilai minimum support 40%, dan nilai minimum confidence 60% diuraikan pada gambar 5.8.


Gambar 5.9 Hasil Pengujian 1 Dataset Tahun Pelajaran 2012/2013

Berdasarkan gambar 5.9, terdapat tiga frequent itemset pada frequent 4itemset yang akan digunakan sebagai dasar pembentukan aturan asosiasi. Ketiga frequent itemset tersebut adalah {MAT04, MAT19, MAT27, MAT28}, {MAT04, MAT13, MAT19, MAT28}, dan {MAT04, MAT13, MAT19, MAT27}. Dari ketiga frequent itemset tersebut diperoleh informasi seperti berikut ini : 1.

Aturan asosiasi terkuat dari frequent itemset {MAT04, MAT19, MAT27, MAT28} adalah {MAT19, MAT27}  {MAT04, MAT28} dengan nilai confidence 79.73% dan nilai lift ratio 1.62. Aturan asosiasi tersebut dapat diartikan, jika tuntas pada indikator pencapaian kompetensi 19 (menyelesaikan masalah sehari-hari yang berkaitan dengan sistem persamaan linear) dan indikator pencapaian kompetensi 27 (Menyelesaikan operasi aljabar beberapa vektordengan syarat tertentu) maka akan tuntas pada kompetensi 4 (menentukan penarikan kesimpulan dari beberapa premis) dan 28 (menyelesaikan operasi matriks) pada mata pelajaran Matematika.

2.

Aturan asosiasi terkuat dari frequent itemset {MAT04, MAT13, MAT19, MAT28} adalah {MAT13}  {MAT04, MAT19, MAT28}


dengan nilai confidence 78.87% dan nilai lift ratio 1.62. Aturan asosiasi tersebut dapat diartikan, jika tuntas pada indikator pencapaian kompetensi 13 (Menyelesaikan masalah deret aritmetika) maka akan tuntas pada indikator pencapaian kompetensi 4 (menentukan penarikan kesimpulan dari beberapa premis), 19 (menyelesaikan masalah seharihari yang berkaitan dengan sistem persamaan linear), dan 28 (menyelesaikan operasi matriks) pada mata pelajaran Matematika. 3.

Aturan asosiasi terkuat dari frequent itemset {MAT04, MAT13, MAT19, MAT27} adalah {MAT13}  {MAT04, MAT19, MAT27} dengan nilai confidence 87.32% dan nilai lift ratio 1.7. Aturan asosiasi tersebut dapat diartikan, jika tuntas pada indikator pencapaian kompetensi 13 (menyelesaikan masalah deret aritmetika) maka akan tuntas pada indikator pencapaian kompetensi 4 (menentukan penarikan kesimpulan dari beberapa premis) , 19 (menyelesaikan masalah seharihari yang berkaitan dengan sistem persamaan linear), dan 29 (menyelesaikan persamaan trigonometri) pada mata pelajaran Matematika.

Tampilan hasil pengujian menggunakan dataset tahun pelajaran 2012/2013 selain gambar 5.8 dapat dilihat pada Lampiran 13. Uraian hasil pengujian pada tabel 5.12 adalah sebagai berikut : 1. Nilai daya serap tertinggi yang dapat dipergunakan untuk menemukan aturan asosiasi adalah 70% dengan nilai minimum support 45%. 2. Aturan asosiasi sudah tidak ditemukan ketika nilai daya serap yang digunakan sebesar 75% walaupun sudah menggunakan nilai minimum support paling minimum yaitu 40%. 3. Nilai daya serap dan nilai minimum support yang digunakan sangat berpengaruh terhadap aturan asosiasi yang dapat ditemukan. Dengan melakukan penambahan nilai sebesar 5 baik itu pada nilai daya serap siswa atau pun nilai minimum support, perbedaan jumlah aturan asosiasi yang ditemukan sangat signifikan. Sedangkan untuk perubahan nilai minimum confidence tidak terlalu berpengaruh terhadap jumlah aturan


asosiasi yang ditemukan karena perbedaan jumlahnya tidak berbeda jauh bahkan sama. 4. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 60% mulai stabil dengan menggunakan nilai minimum support sebesar 55% - 70% dan nilai minimum confidence sebesar 50% - 80%. 5. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 65% cenderung stabil dengan menggunakan nilai minimum support sebesar 45% - 60% dan nilai minimum confidence sebesar 50% - 80%. 6. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 70% mulai stabil dengan menggunakan nilai minimum support sebesar 40% - 45% dan nilai minimum confidence sebesar 50% - 80%.



Daya Serap

Minimum

Minimum

Jumlah Aturan

Support

Confidence

Asosiasi

1

60 %

40 %

80 %

18

2

60 %

40 %

75 %

22

3

60 %

40 %

70 %

22

4

60 %

40 %

65 %

5

60 %

40 %

60 %

22 22

6

60 %

40 %

55 %

25


7

60 %

40 %

50 %

26

8

60 %

45 %

80 %

9

9

60 %

45 %

75 %

9

10

60 %

45 %

70 %

9

11

60 %

45 %

65 %

12

60 %

45 %

60 %

14 15

13

60 %

45 %

55 %

16

14

60 %

45 %

50 %

18

15

60 %

50 %

80 %

3

16

60 %

50 %

75 %

3

17

60 %

50 %

70 %

3

18

60 %

50 %

65 %

5

19

60 %

50 %

60 %

5

20

60 %

50 %

55 %

6

21

60 %

50 %

50 %

6

22

60 %

55 %

80 %

1

23

60 %

55 %

75 %

2

24

60 %

55 %

70 %

2

25

60 %

55 %

65 %

2

26

60 %

55 %

60 %

2

27

60 %

55 %

55 %

2

28

60 %

60 %

80 %

1

29

60 %

60 %

75 %

2

30

60 %

60 %

70 %

2

31

60 %

60 %

65 %

2

32

60 %

60 %

60 %

2

33

60 %

60 %

55 %

2

34

60 %

65 %

80 %

1

35

60 %

65 %

75 %

2


36

60 %

65 %

70 %

2

37

60 %

65 %

65 %

2

38

60 %

65 %

60 %

2

39

60 %

65 %

55 %

2

40

60 %

70 %

80 %

1

41

60 %

70 %

75 %

2

42

60 %

70 %

70 %

2

43

60 %

70 %

65 %

2

44

60 %

70 %

60 %

2

45

60 %

70 %

55 %

2

46

60 %

75 %

80 %

0

47

60 %

75 %

75 %

0

48

60 %

75 %

70 %

0

49

60 %

75 %

65 %

0

50

60 %

75 %

60 %

0

51

65 %

40 %

80 %

3

52

65 %

40 %

75 %

3

53

65 %

40 %

70 %

4

54

65 %

40 %

65 %

5

55

65 %

40 %

60 %

5

56

65 %

40 %

55 %

5

57

65 %

40 %

50 %

6

58

65 %

45 %

80 %

1

59

65 %

45 %

75 %

1

60

65 %

45 %

70 %

2

61

65 %

45 %

65 %

2

62

65 %

45 %

60 %

2

63

65 %

45 %

55 %

2

64

65 %

45 %

50 %

2


65

65 %

50 %

80 %

1

66

65 %

50 %

75 %

1

67

65 %

50 %

70 %

2

68

65 %

50 %

65 %

2

69

65 %

50 %

60 %

2

70

65 %

50 %

55 %

2

71

65 %

50 %

50 %

2

72

65 %

55 %

80 %

1

73

65 %

55 %

75 %

1

74

65 %

55 %

70 %

2

75

65 %

55 %

65 %

2

76

65 %

55 %

60 %

2

77

65 %

55 %

55 %

2

78

65 %

55 %

50 %

2

79

65 %

60 %

80 %

0

80

65 %

60 %

75 %

0

81

65 %

60 %

70 %

0

82

65 %

60 %

65 %

0

83

65 %

60 %

60 %

0

84

70 %

40 %

80 %

1

85

70 %

40 %

75 %

1

86

70 %

40 %

70 %

1

87

70 %

40 %

65 %

1

88

70 %

40 %

60 %

2

89

70 %

40 %

55 %

2

90

70 %

40 %

50 %

2

91

70 %

45 %

80 %

1

92

70 %

45 %

75 %

1

93

70 %

45 %

70 %

1


94

70 %

45 %

65 %

1

95

70 %

45 %

60 %

2

96

70 %

45 %

55 %

2

97

70 %

45 %

50 %

2

98

70 %

50 %

80 %

0

99

70 %

50 %

75 %

0

100

70 %

50 %

70 %

0

101

70 %

50 %

65 %

0

102

70 %

50 %

60 %

0

103

75 %

40 %

80 %

0

104

75 %

40 %

75 %

0

105

75 %

40 %

70 %

0

106

75 %

40 %

65 %

0

107

75 %

40 %

60 %

0

Tampilan hasil pengujian menggunakan dataset tahun pelajaran 2013/2014 dapat dilihat pada Lampiran 14. Uraian hasil pengujian pada tabel 5.13 adalah sebagai berikut : 1. Nilai daya serap tertinggi yang dapat dipergunakan untuk menemukan aturan asosiasi adalah 70% dengan nilai minimum support 45%. 2. Aturan asosiasi sudah tidak ditemukan ketika nilai daya serap yang digunakan sebesar 75% walaupun sudah menggunakan nilai minimum support paling minimum yaitu 40%. 3. Nilai daya serap dan nilai minimum support yang digunakan sangat berpengaruh terhadap aturan asosiasi yang dapat ditemukan. Dengan melakukan penambahan nilai sebesar 5 baik itu pada nilai daya serap siswa atau pun nilai minimum support, perbedaan jumlah aturan asosiasi yang ditemukan sangat signifikan. Sedangkan untuk perubahan nilai minimum confidence tidak terlalu berpengaruh terhadap jumlah aturan


asosiasi yang ditemukan karena perbedaan jumlahnya tidak berbeda jauh bahkan sama. 4. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 60% mulai stabil dengan menggunakan nilai minimum support sebesar 55% - 70% dan nilai minimum confidence sebesar 50% - 80%. 5. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 65% mulai stabil dengan menggunakan nilai minimum support sebesar 45% - 55% dan nilai minimum confidence sebesar 50% - 80%. 6. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 70% mulai stabil dengan menggunakan nilai minimum support sebesar 40% - 45% dan nilai minimum confidence sebesar 50% - 80%.



Daya Serap

Minimum

Minimum

Jumlah Aturan

Support

Confidence

Asosiasi

1

60 %

40 %

80 %

21

2

60 %

40 %

75 %

24

3

60 %

40 %

70 %

25

4

60 %

40 %

65 %

5

60 %

40 %

60 %

28 29

6

60 %

40 %

55 %

29


7

60 %

40 %

50 %

29

8

60 %

45 %

80 %

9

9

60 %

45 %

75 %

10

10

60 %

45 %

70 %

13

11

60 %

45 %

65 %

12

60 %

45 %

60 %

13 13

13

60 %

45 %

55 %

13

14

60 %

45 %

50 %

14

15

60 %

50 %

80 %

5

16

60 %

50 %

75 %

5

17

60 %

50 %

70 %

5

18

60 %

50 %

65 %

5

19

60 %

50 %

60 %

6

20

60 %

50 %

55 %

6

21

60 %

50 %

50 %

6

22

60 %

55 %

80 %

4

23

60 %

55 %

75 %

4

24

60 %

55 %

70 %

6

25

60 %

55 %

65 %

6

26

60 %

55 %

60 %

6

27

60 %

60 %

80 %

1

28

60 %

60 %

75 %

1

29

60 %

60 %

70 %

2

30

60 %

60 %

65 %

2

31

60 %

60 %

60 %

2

32

60 %

60 %

55 %

2

33

60 %

60 %

50 %

2

34

60 %

65 %

80 %

0

35

60 %

65 %

75 %

0


36

60 %

65 %

70 %

0

37

60 %

65 %

65 %

0

38

60 %

65 %

60 %

0

39

65 %

40 %

80 %

3

40

65 %

40 %

75 %

4

41

65 %

40 %

70 %

4

42

65 %

40 %

65 %

4

43

65 %

40 %

60 %

4

44

65 %

40 %

55 %

6

45

65 %

40 %

50 %

6

46

65 %

45 %

80 %

5

47

65 %

45 %

75 %

5

48

65 %

45 %

70 %

5

49

65 %

45 %

65 %

7

50

65 %

45 %

60 %

7

51

65 %

45 %

55 %

8

52

65 %

45 %

50 %

8

53

65 %

50 %

80 %

2

54

65 %

50 %

75 %

2

55

65 %

50 %

70 %

2

56

65 %

50 %

65 %

4

57

65 %

50 %

60 %

4

58

65 %

50 %

55 %

4

59

65 %

50 %

50 %

4

60

65 %

55 %

80 %

0

61

65 %

55 %

75 %

0

62

65 %

55 %

70 %

0

63

65 %

55 %

65 %

0

64

65 %

55 %

60 %

0


65

70 %

40 %

80 %

2

66

70 %

40 %

75 %

2

67

70 %

40 %

70 %

2

68

70 %

40 %

65 %

4

69

70 %

40 %

60 %

4

70

70 %

40 %

55 %

4

71

70 %

40 %

50 %

4

72

70 %

45 %

80 %

0

73

70 %

45 %

75 %

0

74

70 %

45 %

70 %

0

75

70 %

45 %

65 %

0

76

70 %

45 %

60 %

0

77

75 %

40 %

80 %

0

78

75 %

40 %

75 %

0

79

75 %

40 %

70 %

0

80

75 %

40 %

65 %

0

81

75 %

40 %

60 %

0

Tampilan hasil pengujian menggunakan dataset tahun pelajaran 2013/2014 dapat dilihat pada Lampiran 15. Uraian hasil pengujian pada tabel 5.13 adalah sebagai berikut : 1. Nilai daya serap tertinggi yang dapat dipergunakan untuk menemukan aturan asosiasi adalah 70% dengan nilai minimum support 40%. 2. Aturan asosiasi sudah tidak ditemukan ketika nilai daya serap yang digunakan sebesar 75% walaupun sudah menggunakan nilai minimum support paling minimum yaitu 40%. 3. Nilai daya serap dan nilai minimum support yang digunakan sangat berpengaruh terhadap aturan asosiasi yang dapat ditemukan. Dengan melakukan penambahan nilai sebesar 5 baik itu pada nilai daya serap siswa atau pun nilai minimum support, perbedaan jumlah aturan asosiasi


yang ditemukan sangat signifikan. Sedangkan untuk perubahan nilai minimum confidence tidak terlalu berpengaruh terhadap jumlah aturan asosiasi yang ditemukan karena perbedaan jumlahnya tidak berbeda jauh bahkan sama. 4. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 60% tidak terlihat stabil dengan menggunakan variasi nilai minimum support sebesar 40% - 65%. Jumlah aturan asosiasi yang ditemukan perbedaannya cukup signifikan. Namun jumlah aturan asosiasi yang ditemukan cenderung stabil dengan menggunakan nilai minimum confidence sebesar 50% - 80%. 5. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 65% tidak terlihat stabil dengan menggunakan variasi nilai minimum support sebesar 40% - 55%. Jumlah aturan asosiasi yang ditemukan perbedaannya cukup signifikan. Namun jumlah aturan asosiasi yang ditemukan cenderung stabil dengan menggunakan nilai minimum confidence sebesar 50% - 80%.

5.2.3.4. Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 Gabungan data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 memiliki 30 atribut indikator pencapaian kompetensi dan 280 baris data. Tabel pengujian dataset tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 dapat dilihat pada tabel 5.15.

Tabel 5.15 Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 No. Pengujian 1

Daya Serap 60 %

Minimum

Minimum

Jumlah Aturan

Support

Confidence

Asosiasi

40 %

80 %

18


2

60 %

40 %

75 %

22

3

60 %

40 %

70 %

22

4

60 %

40 %

65 %

5

60 %

40 %

60 %

22 23

6

60 %

40 %

55 %

25

7

60 %

40 %

50 %

26

8

60 %

45 %

80 %

9

9

60 %

45 %

75 %

9

10

60 %

45 %

70 %

9

11

60 %

45 %

65 %

12

60 %

45 %

60 %

14 15

13

60 %

45 %

55 %

16

14

60 %

45 %

50 %

18

15

60 %

50 %

80 %

3

16

60 %

50 %

75 %

3

17

60 %

50 %

70 %

3

18

60 %

50 %

65 %

5

19

60 %

50 %

60 %

5

20

60 %

50 %

55 %

6

21

60 %

50 %

50 %

6

22

60 %

55 %

80 %

2

23

60 %

55 %

75 %

2

24

60 %

55 %

70 %

2

25

60 %

55 %

65 %

2

26

60 %

55 %

60 %

2

27

60 %

60 %

80 %

2

28

60 %

60 %

75 %

2

29

60 %

60 %

70 %

2

30

60 %

60 %

65 %

2


31

60 %

60 %

60 %

2

32

60 %

65 %

80 %

2

33

60 %

65 %

75 %

2

34

60 %

65 %

70 %

2

35

60 %

65 %

65 %

2

36

60 %

65 %

60 %

2

37

60 %

70 %

80 %

2

38

60 %

70 %

75 %

2

39

60 %

70 %

70 %

2

40

60 %

70 %

65 %

2

41

60 %

70 %

60 %

2

42

60 %

75 %

80 %

0

43

60 %

75 %

75 %

0

44

60 %

75 %

70 %

0

45

60 %

75 %

65 %

0

46

60 %

75 %

60 %

0

47

65 %

40 %

80 %

3

48

65 %

40 %

75 %

3

49

65 %

40 %

70 %

4

50

65 %

40 %

65 %

5

51

65 %

40 %

60 %

5

52

65 %

40 %

55 %

5

53

65 %

40 %

50 %

6

54

65 %

45 %

80 %

1

55

65 %

45 %

75 %

1

56

65 %

45 %

70 %

2

57

65 %

45 %

65 %

2

58

65 %

45 %

60 %

2

59

65 %

45 %

55 %

2


60

65 %

45 %

50 %

2

61

65 %

50 %

80 %

1

62

65 %

50 %

75 %

1

63

65 %

50 %

70 %

2

64

65 %

50 %

65 %

2

65

65 %

50 %

60 %

2

66

65 %

50 %

55 %

2

67

65 %

50 %

50 %

2

68

65 %

55 %

80 %

1

69

65 %

55 %

75 %

1

70

65 %

55 %

70 %

2

71

65 %

55 %

65 %

2

72

65 %

55 %

60 %

2

73

65 %

55 %

55 %

2

74

65 %

55 %

50 %

2

75

65 %

60 %

80 %

0

76

65 %

60 %

75 %

0

77

65 %

60 %

70 %

0

78

65 %

60 %

65 %

0

79

65 %

60 %

60 %

0

80

70 %

40 %

80 %

1

81

70 %

40 %

75 %

1

82

70 %

40 %

70 %

1

83

70 %

40 %

65 %

1

84

70 %

40 %

60 %

2

85

70 %

40 %

55 %

2

86

70 %

40 %

50 %

2

87

70 %

45 %

80 %

1

88

70 %

45 %

75 %

1


89

70 %

45 %

70 %

1

90

70 %

45 %

65 %

1

91

70 %

45 %

60 %

2

92

70 %

45 %

55 %

2

93

70 %

45 %

50 %

2

94

70 %

50 %

80 %

0

95

70 %

50 %

75 %

0

96

70 %

50 %

70 %

0

97

70 %

50 %

65 %

0

98

70 %

50 %

60 %

0

99

75 %

40 %

80 %

0

100

75 %

40 %

75 %

0

101

75 %

40 %

70 %

0

102

75 %

40 %

65 %

0

103

75 %

40 %

60 %

0

Tampilan hasil pengujian menggunakan gabungan dataset tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 dapat dilihat pada Lampiran 16. Uraian hasil pengujian pada tabel 5.13 adalah sebagai berikut : 1. Nilai daya serap tertinggi yang dapat dipergunakan untuk menemukan aturan asosiasi adalah 70% dengan nilai minimum support 45%. 2. Aturan asosiasi sudah tidak ditemukan ketika nilai daya serap yang digunakan sebesar 75% walaupun sudah menggunakan nilai minimum support paling minimum yaitu 40%. 3. Nilai daya serap dan nilai minimum support yang digunakan sangat berpengaruh terhadap aturan asosiasi yang dapat ditemukan. Dengan melakukan penambahan nilai sebesar 5 baik itu pada nilai daya serap siswa atau pun nilai minimum support, perbedaan jumlah aturan asosiasi yang ditemukan sangat signifikan. Sedangkan untuk perubahan nilai minimum confidence tidak terlalu berpengaruh terhadap jumlah aturan


asosiasi yang ditemukan karena perbedaan jumlahnya tidak berbeda jauh bahkan sama. 4. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 60% mulai stabil dengan menggunakan nilai minimum support sebesar 55% - 70% dan nilai minimum confidence sebesar 50% - 80%. 5. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 65% mulai stabil dengan menggunakan nilai minimum support sebesar 45% - 55% dan nilai minimum confidence sebesar 50% - 80%. 6. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya serap sebesar 70% mulai stabil dengan menggunakan nilai minimum support sebesar 40% - 45% dan nilai minimum confidence sebesar 50% - 80%.

5.2.4. Evaluasi Pola Asosiasi Berdasarkan seluruh pengujian yang telah dilakukan, untuk data daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dan 2013/2014 memiliki pola asosiasi yang hampir mirip. Sedangkan untuk data daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015 memiliki pola asosiasi yang berbeda. Hal ini disebabkan karena adanya perbedaan jumlah indikator yang diujikan. Berdasarkan pengujian data daya serap hasil Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 baik pada data tunggal dan data gabungan, ditemukan lima buah indikator pencapaian kompetensi yang memiliki nilai diatas syarat minimum yaitu : 1. Indikator 4 (menentukan penarikan kesimpulan dari beberapa premis) 2. Indikator 13 (menyelesaikan masalah deret aritmetika)


3. Indikator 19 (menyelesaikan masalah sehari-hari yang berkaitan dengan sistem persamaan linear) 4. Indikator 27 (menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu) 5. Indikator 28 (menyelesaikan operasi matriks) Berdasarkan hasil diskusi dengan pihak yang menekuni bidang pendidikan matematika, dari lima buah indikator tersebut hanya indikator 19, indikator 27, dan indikator 28 yang memiliki keterkaitan satu sama lain. Sedangkan indikator 4 dan indikator 13 tidak memiliki keterkaitan dengan indikator pencapaian kompetensi lainnya. Namun berdasarkan hasil pengujian yang telah dilakukan, tidak ditemukan aturan asosiasi yang menyatakan keterhubungan antara indikator 19, indikator 27, dan indikator 28. Dengan demikian pada dataset tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014 tidak ditemukan pola asosiasi yang bermakna. Berdasarkan pengujian data daya serap hasil Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015, ditemukan lima buah indikator pencapaian kompetensi yang memiliki nilai diatas syarat minimum yaitu : 1. Indikator 7 (menggunakan aturan pangkat, akar, dan logaritma) 2. Indikator 12 (menghitung ukuran pemusatan atau ukuran letak dari data dalam bentuk tabel, diagram atau grafik) 3. Indikator 13 (menyelesaikan masalah deret aritmetika) 4. Indikator 26 (menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu) 5. Indikator 27 (menyelesaikan operasi matriks) Berdasarkan hasil diskusi dengan pihak yang menekuni bidang pendidikan matematika, dari lima buah indikator tersebut hanya indikator 26 dan indikator 27 yang memiliki keterkaitan satu sama lain. Sedangkan indikator 7, indikator 12, dan indikator 13 tidak memiliki keterkaitan dengan indikator pencapaian kompetensi lainnya. Berdasarkan hasil pengujian yang telah dilakukan, ditemukan aturan asosiasi yang menyatakan keterhubungan antara indikator 26 dan indikator 27. Aturan asosiasi tersebut yaitu :


1. Jika tuntas pada indikator 26 (menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu) maka akan tuntas pada indikator 27 (menyelesaikan operasi matriks) dengan nilai confidence 93.35% dan nilai lift ratio 1.12 dengan nilai daya serap minimal 60% dan minimum support 55% pada dataset tahun pelajaran 2014/2015. 2. Jika tuntas pada indikator 26 (menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu) maka akan tuntas pada indikator 27 (menyelesaikan operasi matriks) dengan nilai confidence 96.1% dan nilai lift ratio 1.23 dengan nilai daya serap minimal 65% dan minimum support 45% pada dataset tahun pelajaran 2014/2015. 3. Jika tuntas pada indikator 26 (menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu) maka akan tuntas pada indikator 27 (menyelesaikan operasi matriks) dengan nilai confidence 96.1% dan nilai lift ratio 1.23 dengan nilai daya serap minimal 65% dan minimum support 50% pada dataset tahun pelajaran 2014/2015. 4. Jika tuntas pada indikator 26 (menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu) maka akan tuntas pada indikator 27 (menyelesaikan operasi matriks) dengan nilai confidence 95.31% dan nilai lift ratio 1.47 1.47 dengan nilai daya serap minimal 70% dan minimum support 40% pada dataset tahun pelajaran 2014/2015. Berdasarkan keempat aturan asosiasi tersebut, aturan asosiasi yang memiliki tingkat keakuratan tertinggi yaitu pada aturan asosiasi nomor 4.

5.3. KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK 5.3.1. Kelebihan Perangkat Lunak Kelebihan yang dimiliki oleh perangkat lunak pencarian aturan asosiasi menggunakan algoritma apriori ini adalah : 1. Sistem dapat menerima masukan file bertipe .xls dan .csv. 2. Sistem dapat menerima masukan dari tabel di database MySQL dan database Oracle. 3. Sistem dapat menerima masukan dengan jumlah kolom yang dinamis.


4. Sistem dapat menyeleksi atribut sehingga user tidak perlu menghapus kolom atau atribut yang tidak ingin digunakan secara manual. 5. Sistem menyediakan isian nilai batas minimum keberhasilan yang dapat digunakan untuk menentukan standart kelulusan suatu kompetensi berdasarkan nilai daya serap yang ada sesuai dengan kebutuhan pengguna sistem. 6. Sistem menyediakan isian nilai minimum support untuk menentukan nilai minimum support yang akan digunakan dalam proses pencarian aturan asosiasi sesuai dengan kebutuhan pengguna sistem. 7. Sistem menyediakan isian nilai minimum confidence untuk menentukan nilai minimum confidence yang akan digunakan dalam proses pencarian aturan asosiasi sesuai dengan kebutuhan pengguna sistem. 8. Sistem dapat menampilkan hasil pecarian aturan asosiasi yang mudah dipahami oleh user. 9. Sistem dapat menampilkan nilai lift ratio pada setiap aturan asosiasi yang dapat memudahkan user dalam menentukan aturan asosiasi kuat (best rule). 10. Sistem dapat menampilkan waktu lama pencarian aturan asosiasi. 11. Sistem dapat menyimpan hasil pencarian aturan asosiasi dengan hasil penyimpanan berupa file bertipe .xls, .doc, dan .txt.

5.3.2. Kekurangan Perangkat Lunak Kekurangan yang dimiliki oleh perangkat lunak pencarian aturan asosiasi menggunakan algoritma apriori ini adalah : 1. Data masukan yang dapat diterima oleh sistem masih terbatas yaitu hanya dari file bertipe .xls dan .csv. 2. Data masukan yang dapat diterima oleh sistem yang berasal dari database masih terbatas yaitu hanya dapat menerima dari database MySQL dan database Oracle. 3. Ketentuan data masukan dari file .xls dan .csv diharuskan pada baris pertama adalah nama kolom dan baris selanjutnya adalah datanya.


4. Sistem hanya dapat melakukan seleksi kolom, tidak dapat untuk seleksi baris. 5. Sistem tidak dapat melakukan pengubahan value secara langsung dari tabel data pada sistem. 6. Sistem hanya dapat menyimpan hasil pencarian aturan asosiasi berupa file bertipe .xls, .doc, dan .txt.


BAB VI PENUTUP

6.1. KESIMPULAN Hasil penelitian penerapan algoritma apriori untuk analisis daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta ini menghasilkan kesimpulan sebagai berikut : 1. Algoritma apriori dapat diterapkan untuk analisis daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta. 2. Nilai daya serap minimum dan nilai minimum support sangat berpengaruh terhadap pembentukan aturan asosiasi. Semakin kecil nilai daya serap minimal dan nilai minimum support yang digunakan, maka aturan asosiasi yang dapat ditemukan semakin banyak. Sedangkan jika nilai daya serap minimal dan nilai minimum support yang digunakan terlalu tinggi, aturan asosiasi yang dapat ditemukan akan semakin sedikit dan bahkan tidak ditemukan aturan asosiasi sama sekali. 3. Nilai minimum confidence yang digunakan berpengaruh terhadap jumlah aturan asosiasi yang di tampilkan. Semakin tinggi nilai minimum confidence, maka aturan asosiasi yang ditampilkan semakin sedikit. Sebaliknya, jika nilai minimum confidence yang digunakan semakin rendah, maka aturan asosiasi yang ditampilkan akan semakin banyak. 4. Berdasarkan hasil diskusi dengan pihak yang menekuni bidang pendidikan matematika, pengujian dataset nilai daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dan tahun pelajaran 2013/2014

tidak

ditemukan

aturan

asosiasi

yang

menyatakan

keterhubungan antara indikator pencapaian kompetensi yang bermakna.

102


5. Pengujian dataset nilai daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015 menghasilkan aturan asosiasi yang bermakna. Aturan asosiasi tersebut yaitu jika tuntas pada indikator 26 (menyelesaikan masalah yang berkaitan dengan teorema sisa atau teorema faktor) maka akan tuntas pada indikator 27 (Menyelesaikan operasi aljabar beberapa vektor dengan syarat tertentu). Nilai lift ratio aturan asosiasi tersebut sebesar 1.47. 6. Hasil asosiasi untuk analisis nilai daya serap hasil Ujian Nasioanal mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tidak cukup hanya dengan melihat nilai lift ratio saja (penilaian obyektif). Nilai lift ratio tinggi belum bisa menjadi dasar penarikan kesimpulan bahwa suatu indikator pencapaian kompetensi memiliki keterkaitan dengan indikator pencapaian kompetensi lainnya. Perlu dilakukan evaluasi kembali oleh pihak yang menguasai bidang mata pelajaran Matematika (penilaian subyektif).


6.2. SARAN Penelitian penerapan algoritma apriori untuk analisis daya serap hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta ini memberikan saran untuk pengembangan penelitian di masa mendatang, yaitu : 1. Perangkat lunak dapat menerima masukan data dari file selain bertipe .xls, .csv, dan juga dari tabel selain database MySQL dan Oracle. 2. Perangkat lunak dapat menyimpan hasil asosiasi ke dalam file selain yang bertipe .xls, .doc, dan .txt. 3. Pada bagian preprocessing data, perangkat lunak dapat melakukan seleksi baris. 4. Perangkat lunak dapat menampilkan hasil asosiasi ke dalam bentuk yang lebih menarik dan mudah dipahami (misalnya grafik). 5. Perangkat lunak dapat menampilkan maksud dari aturan asosiasi yang dihasilkan agar lebih memudahkan pengguna dalam memahami hasil asosiasi yang dihasilkan. 6. Penelitian menggunakan dataset yang berbeda. Misalnya dataset mata pelajaran yang berbeda, tahun pelajaran yang berbeda, atau data daya serap kelompok.


DAFTAR PUSTAKA

Amiruddin, Purnama, I Ketut Edyy, Purnomo, Mauridhi Hery, 2010, Penerapan Association Rule Mining Pada Data Nomor Unik Pendidikan dan Tenaga Kependidikan

Untuk

Menemukan

Pola

Sertifikasi

Guru,

http://digilib.its.ac.id/public/ITS-Master-10465-Paper.pdf, diakses tanggal 4 Juni 2016. Berry, Michael J.A., Linoff, Gordon S., 2014, Data Mining Techniques For Marketing, Sales, Customer Relationship Management, Second Edition, Wiley Publishing, Inc. Erwin. 2009. Implementasi Algoritma C4.5 Dalam Aplikasi Untuk Memprediksi Jumlah Mahasiswa Yang Mengulang Mata Kuliah Di STMIK AMIKOM Yogyakarta. Jurusan Informatika. Fakultas Ilmu Komputer. Universitas Srwijaya. Han, Jiawei, Kamber, M., 2006. Data Mining Concepts and Techniques Second Edition. Elsevier:USA Hamzah, Ali. 2014. Evaluasi Pembelajaran Matematika. Rajawali: Jakarta Hermawati, Fajar Astuti. 2013. Data Mining. ANDI:Yogyakarta. Kasim, Musliar. 2013. Buku Panduan Pemanfaatan PAMER UN-2013. Pusat Penilaian Pendidikan Balitbang Kemdikbud:Jakarta McAshan, M. 1981. Competency-Based Education and Behavior Objektives. Englewood Cliffs, Educational Technology Publication, Inc:New Jersey Mulyasa, E. 2006. Kurikulum Berbasis Kompetensi. Cetakan 10. Remaja Rosdakarya:Bandung Noersasongko, Edi. 2010. Mengenal Dunia Komputer. http://kuliahdinus.ac.id/edinur/pde.html. Diakses tanggal 22 Oktober 2015. Putra, Sitiatava Putra. 2013. Desain Evaluasi Belajar Berbasis Kinerja. DIVA Press: Yogyakarta Prasetyo, Eko. 2014. Data Mining: Mengolah Data Menjadi Informasi Menggunakan Matlab. ANDI:Yogyakarta

105


Pratama, H.C., Bettiza, M., Matulatan, T. 2014. Penerapan Algoritma Apriori Dalam Menemukan Hubungan Data Awal Masuk Mahasiswa Dengan Prestasi Akademik, Studi Kasus: STAI Miftahul Ulum Tanjungpinang. Jurusan Teknik Informatika. Fakultas Teknik. Universitas Maritim Raja Ali Haji. Rubiatin. 2010. Penerapan Pembelajaran Langsung Untuk Meningkatkan Hasil Belajar Biologi Siswa Kelas VII MTs.N Bukit Raya Tahun Ajaran 2009/2010. http://digilib.uir.ac.id/dmdocuments/bio,rubiatin.pdf, diakses tanggal 4 Juni 2016. Soelaiman, R., Arini, N.M.2006. Analisis Kinerja Algoritma Fold –Growth dan FP – Growth pada Penggalian Pola Asosiasi. Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Institut Teknologi Sepuluh Nopember (ITS). Surabaya. Sudijono, Anas. 2011. Pengantar Evaluasi Pendidikan. Cetakan 10. Rajawali: Jakarta Tan, P.N., Steinbach, M., Kumar, V., 2006. Introduction to Data Mining. Pearson Education:San Francisco. Wijoyo, Edros Isnanto. 2011. Sistem Penunjang Keputusan Penempatan Produk di Pasar Swalayan Menggunakan Algoritma Apriori, Skripsi, Sekolah Tinggi Manajemen Informatika dan Komputer AMIKOM, Yogyakarta. Yamin, M. 2008. Paradigma Pendidikan Konstruktivistik. Gaung Persada Press:Jakarta


LAMPIRAN


LAMPIRAN 1 DATA DAYA SERAP HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA JURUSAN IPA DAERAH ISTIMEWA YOGYAKARTA TAHUN PELAJARAN 2012/2013

KODE SEKO LAH

01-001

01-002

01-003

01-004

01-005

01-006

01-007

01-008

01-009

01-010

01-011

01-012

01-015

NAMA SEKOLAH SMA NEGERI 3 YOGYAKA RTA SMA NEGERI 4 YOGYAKA RTA SMA NEGERI 6 YOGYAKA RTA SMA NEGERI 9 YOGYAKA RTA SMA NEGERI 11 YOGYAKA RTA SMA STELLA DUCE 1 YOGYAKA RTA SMA BOPKRI 1 YOGYAKA RTA SMA BOPKRI 2 YOGYAKA RTA SMA BUDYA WACANA YOGYAKA RTA SMA BHINNEKA TUNGGAL IKA YOGYAKA RTA SMA TAMAN MADYA JETIS YOGYAKA RTA SMA MUHAMM ADIYAH 1 YOGYAKA RTA SMA NEGERI 1 YOGYAKA RTA

JN S SE K

ST S SE K

MA T1

MA T2

MA T3

MA T4

MA T5

MA T6

MA T7

MA T8

MA T9

MA T10

MA T11

MA T12

MA T13

MA T14

MA T15

MA T16

MA T17

MA T18

MA T19

MA T20

MA T21

MA T22

MA T23

MA T24

MA T25

MA T26

MA T27

MA T28

MA T29

MA T30

S M A

N

54. 55

74. 33

76. 87

92. 51

74. 87

66. 84

88. 23

88. 77

74. 07

55.0 8

77.0 1

62.0 3

96.7 9

92.5 1

83.4 2

77.5 4

44.9 2

85.0 3

94.6 5

41.7 1

83.4 2

25.1 3

82.3 5

85.5 6

79.6 8

71.6 6

93.0 5

94.1 2

85.0 3

34.7 6

S M A

N

36. 42

70. 37

58. 03

79. 63

60. 49

50. 62

75. 52

68. 52

56. 17

48.1 5

63.8 9

48.1 5

87.0 4

77.1 6

48.7 7

66.6 7

25.9 3

69.1 4

94.4 4

29.0 1

56.1 7

22.2 2

65.4 3

74.6 9

65.4 3

56.1 7

80.8 6

83.9 5

70.3 7

32.1 0

S M A

N

31. 35

61. 08

67. 43

81. 62

64. 32

50. 81

82. 70

84. 86

59. 73

52.7 0

66.2 2

56.2 2

87.5 7

83.2 4

67.5 7

74.5 9

23.7 8

75.1 4

94.0 5

29.1 9

74.5 9

21.0 8

69.1 9

81.0 8

68.1 1

60.5 4

94.0 5

87.0 3

79.4 6

27.5 7

S M A

N

42. 75

68. 12

64. 49

92. 75

67. 39

48. 55

79. 47

78. 99

61. 24

44.2 0

69.9 3

57.2 5

91.3 0

78.9 9

70.2 9

68.8 4

36.2 3

77.5 4

92.7 5

28.9 9

63.0 4

22.4 6

74.6 4

77.5 4

75.3 6

69.5 7

92.7 5

92.0 3

65.2 2

32.6 1

S M A

N

34. 39

60. 85

51. 98

79. 37

48. 15

38. 10

70. 55

71. 96

50. 00

44.1 8

56.3 5

51.8 5

81.4 8

73.5 4

55.0 3

61.9 0

24.8 7

69.3 2

92.5 9

27.5 1

57.6 7

17.9 9

57.6 7

70.3 7

52.3 8

50.7 9

84.1 3

80.9 5

60.3 2

26.9 8

S M A

S

36. 59

73. 98

64. 63

83. 74

69. 92

47. 97

84. 55

88. 62

65. 04

47.5 6

76.4 3

54.4 7

85.3 7

83.7 4

69.1 1

78.0 5

24.3 9

82.1 2

96.7 5

38.2 1

71.5 4

16.2 6

77.2 4

78.0 5

76.4 2

58.5 4

95.1 2

91.8 7

76.4 2

34.1 5

S M A

S

37. 21

81. 40

60. 75

89. 53

37. 21

39. 53

77. 13

65. 12

55. 82

38.9 6

58.1 4

46.5 2

87.2 1

56.9 8

61.6 3

51.1 6

29.0 7

70.9 3

86.0 5

20.9 3

60.4 7

19.7 7

50.0 0

61.6 3

69.7 7

62.7 9

68.6 0

81.4 0

66.2 8

36.0 5

S M A

S

18. 75

22. 92

36. 98

68. 75

33. 33

27. 08

48. 61

58. 33

26. 04

25.0 0

35.4 2

33.3 4

56.2 5

58.3 3

33.3 3

33.3 3

20.8 3

52.0 9

66.6 7

27.0 8

35.4 2

25.0 0

25.0 0

33.3 3

29.1 7

62.5 0

54.1 7

60.4 2

50.0 0

27.0 8

S M A

S

17. 39

43. 48

32. 61

65. 22

47. 83

34. 78

63. 77

56. 52

26. 09

36.9 6

39.1 3

47.8 3

69.5 7

52.1 7

56.5 2

52.1 7

13.0 4

58.7 0

91.3 0

34.7 8

39.1 3

17.3 9

73.9 1

56.5 2

47.8 3

30.4 3

69.5 7

78.2 6

56.5 2

39.1 3

S M A

S

0.0 0

0.0 0

43. 75

25. 00

25. 00

0.0 0

25. 00

75. 00

50. 00

25.0 0

25.0 0

12.5 0

25.0 0

25.0 0

50.0 0

25.0 0

25.0 0

50.0 0

75.0 0

25.0 0

0.00

0.00

0.00

25.0 0

0.00

25.0 0

25.0 0

25.0 0

0.00

0.00

S M A

S

30. 43

34. 78

25. 00

47. 83

30. 43

39. 13

37. 68

34. 78

34. 79

28.2 6

32.6 1

32.6 1

30.4 3

47.8 3

30.4 3

34.7 8

13.0 4

36.9 6

65.2 2

26.0 9

26.0 9

34.7 8

34.7 8

34.7 8

21.7 4

30.4 3

43.4 8

26.0 9

17.3 9

26.0 9

S M A

S

20. 92

57. 32

42. 16

79. 92

35. 98

39. 33

63. 73

55. 23

36. 82

37.0 3

54.8 2

44.5 6

68.6 2

68.2 0

46.8 6

50.6 3

20.9 2

63.6 0

86.6 1

25.9 4

47.7 0

20.0 8

52.3 0

53.5 6

48.5 4

38.9 1

65.6 9

65.6 9

48.1 2

26.7 8

S M A

N

61. 26

81. 42

73. 81

88. 14

79. 84

72. 33

88. 27

90. 51

70. 75

53.1 7

76.2 8

62.0 6

95.6 5

88.9 3

84.5 8

76.2 8

42.6 9

86.5 7

95.2 6

33.2 0

79.4 5

22.9 2

85.7 7

87.3 5

77.0 8

73.9 1

96.0 5

92.8 9

86.9 6

34.7 8


01-017

01-018

01-019

01-020

01-021

01-022

01-025

01-026

01-027

01-029

01-030

01-033

01-039

01-042

01-043

01-044

01-045

01-046

SMA NEGERI 2 YOGYAKA RTA SMA NEGERI 7 YOGYAKA RTA SMA BUDI LUHUR YOGYAKA RTA SMA SULTAN AGUNG YOGYAKA RTA SMA NEGERI 10 YOGYAKA RTA SMA MUHAMM ADIYAH 3 YOGYAKA RTA SMA MUHAMM ADIYAH 7 YOGYAKA RTA SMA MUHAMM ADIYAH 6 YOGYAKA RTA SMA '17' YOGYAKA RTA SMA MUHAMM ADIYAH 5 YOGYAKA RTA SMA GAJAH MADA YOGYAKA RTA SMA PANGUDI LUHUR YOGYAKA RTA SMA NEGERI 5 YOGYAKA RTA SMA NEGERI 8 YOGYAKA RTA SMA MUHAMM ADIYAH 4 YOGYAKA RTA SMA MUHAMM ADIYAH 2 YOGYAKA RTA SMA 'INSTITUT INDONESI A' 1 YOGYAKA RTA SMA SANTO THOMAS YOGYAKA RTA

S M A

N

49. 09

76. 36

71. 36

84. 09

75. 91

64. 09

87. 12

88. 64

69. 78

49.1 0

82.0 5

63.8 7

95.4 5

90.9 1

83.1 8

76.8 2

40.9 1

83.4 1

95.0 0

30.4 5

80.9 1

28.1 8

80.4 5

80.4 5

78.1 8

73.6 4

92.7 3

91.3 6

77.2 7

36.8 2

S M A

N

36. 29

75. 81

61. 90

90. 32

75. 81

65. 32

87. 09

83. 87

69. 76

50.0 0

69.7 6

65.7 3

93.5 5

81.4 5

79.0 3

79.8 4

37.1 0

79.0 3

95.9 7

29.0 3

74.1 9

21.7 7

70.1 6

82.2 6

76.6 1

56.4 5

93.5 5

90.3 2

68.5 5

29.8 4

S M A

S

8.3 3

16. 67

33. 33

41. 67

25. 00

8.3 3

27. 78

25. 00

20. 83

33.3 3

37.5 0

20.8 4

50.0 0

41.6 7

33.3 3

33.3 3

8.33

66.6 7

66.6 7

41.6 7

41.6 7

25.0 0

8.33

25.0 0

16.6 7

25.0 0

41.6 7

25.0 0

8.33

25.0 0

S M A

S

33. 33

33. 33

33. 33

33. 33

0.0 0

16. 67

38. 89

33. 33

16. 67

16.6 7

16.6 7

41.6 7

50.0 0

50.0 0

50.0 0

50.0 0

16.6 7

25.0 0

33.3 3

33.3 3

0.00

66.6 7

33.3 3

0.00

33.3 3

50.0 0

0.00

16.6 7

33.3 3

0.00

S M A

N

27. 18

64. 08

64. 56

80. 58

78. 64

48. 54

75. 40

84. 47

54. 86

50.0 0

71.3 6

64.5 7

90.2 9

84.4 7

61.1 7

64.0 8

22.3 3

77.1 9

90.2 9

35.9 2

66.9 9

17.4 8

74.7 6

86.4 1

76.7 0

62.1 4

89.3 2

93.2 0

67.9 6

25.2 4

S M A

S

15. 54

32. 43

28. 38

58. 11

29. 05

29. 05

47. 30

39. 86

23. 99

32.4 4

41.2 2

26.3 5

52.0 3

52.0 3

35.1 4

33.1 1

18.9 2

50.0 0

76.3 5

26.3 5

28.3 8

18.9 2

35.1 4

27.7 0

32.4 3

49.3 2

48.6 5

40.5 4

26.3 5

25.6 8

S M A

S

20. 21

27. 66

31. 12

59. 57

25. 53

35. 11

41. 13

31. 91

27. 66

30.8 5

30.3 2

27.6 6

45.7 4

47.8 7

20.2 1

24.4 7

28.7 2

37.7 7

68.0 9

20.2 1

28.7 2

15.9 6

37.2 3

29.7 9

23.4 0

37.2 3

44.6 8

28.7 2

26.6 0

23.4 0

S M A

S

31. 35

61. 08

67. 43

81. 62

64. 32

50. 81

82. 70

84. 86

59. 73

52.7 0

66.2 2

56.2 2

87.5 7

83.2 4

67.5 7

74.5 9

23.7 8

75.1 4

94.0 5

29.1 9

74.5 9

21.0 8

69.1 9

81.0 8

68.1 1

60.5 4

94.0 5

87.0 3

79.4 6

27.5 7

S M A

S

15. 79

5.2 6

23. 69

36. 84

10. 53

26. 32

17. 54

42. 11

23. 69

28.9 5

10.5 3

23.6 9

36.8 4

42.1 1

31.5 8

15.7 9

15.7 9

34.2 1

26.3 2

36.8 4

31.5 8

15.7 9

21.0 5

26.3 2

10.5 3

10.5 3

15.7 9

26.3 2

42.1 1

36.8 4

S M A

S

8.5 7

22. 86

25. 00

40. 00

11. 43

40. 00

36. 19

28. 57

38. 57

30.0 0

37.1 4

24.2 9

34.2 9

37.1 4

37.1 4

17.1 4

28.5 7

38.5 7

60.0 0

28.5 7

14.2 9

25.7 1

25.7 1

31.4 3

34.2 9

37.1 4

31.4 3

25.7 1

28.5 7

40.0 0

S M A

S

80. 56

91. 67

59. 03

83. 33

77. 78

63. 89

81. 48

72. 22

65. 28

48.6 1

75.0 0

58.3 4

75.0 0

86.1 1

52.7 8

83.3 3

16.6 7

73.6 2

75.0 0

22.2 2

41.6 7

13.8 9

72.2 2

72.2 2

66.6 7

58.3 3

86.1 1

61.1 1

75.0 0

25.0 0

S M A

S

17. 05

32. 95

42. 90

75. 00

53. 41

42. 05

69. 70

53. 41

48. 30

34.6 6

44.8 9

36.3 7

62.5 0

59.0 9

51.1 4

45.4 5

31.8 2

54.5 5

89.7 7

29.5 5

37.5 0

17.0 5

50.0 0

59.0 9

50.0 0

57.9 5

80.6 8

76.1 4

44.3 2

28.4 1

S M A

N

44. 72

86. 34

70. 65

90. 68

65. 22

53. 42

83. 44

85. 09

65. 22

48.4 5

79.5 0

74.8 5

91.3 0

81.9 9

74.5 3

69.5 7

37.8 9

86.6 5

90.6 8

32.3 0

78.8 8

23.6 0

78.2 6

85.0 9

85.7 1

62.1 1

94.4 1

93.7 9

80.7 5

32.3 0

S M A

N

33. 33

83. 11

67. 47

88. 58

74. 89

75. 34

86. 30

87. 67

72. 15

44.9 8

70.5 5

57.7 7

93.1 5

84.9 3

80.8 2

73.5 2

42.0 1

83.3 3

93.6 1

26.4 8

78.5 4

21.9 2

79.0 0

80.3 7

79.4 5

60.2 7

86.3 0

92.6 9

70.7 8

34.7 0

S M A

S

8.6 2

13. 79

24. 57

43. 10

18. 97

24. 14

31. 61

24. 14

23. 28

25.0 0

21.5 6

25.8 6

29.3 1

41.3 8

13.7 9

25.8 6

18.9 7

38.8 0

65.5 2

25.8 6

27.5 9

31.0 3

31.0 3

18.9 7

27.5 9

36.2 1

36.2 1

20.6 9

24.1 4

27.5 9

S M A

S

17. 51

41. 81

34. 18

70. 06

27. 12

30. 51

56. 31

49. 72

28. 82

29.3 8

43.7 9

32.4 9

61.5 8

54.2 4

28.2 5

41.2 4

22.6 0

54.8 0

82.4 9

26.5 5

34.4 6

22.0 3

38.9 8

43.5 0

44.6 3

48.0 2

64.4 1

75.1 4

36.7 2

25.4 2

S M A

S

0.0 0

50. 00

37. 50

50. 00

0.0 0

0.0 0

66. 67

0.0 0

50. 00

25.0 0

0.00

0.00

50.0 0

50.0 0

0.00

0.00

50.0 0

25.0 0

50.0 0

50.0 0

0.00

0.00

0.00

50.0 0

0.00

50.0 0

0.00

100. 00

0.00

50.0 0

S M A

S

0.0 0

100 .00

12. 50

100 .00

0.0 0

50. 00

66. 67

50. 00

25. 00

25.0 0

25.0 0

0.00

100. 00

100. 00

100. 00

0.00

50.0 0

75.0 0

100. 00

0.00

0.00

0.00

0.00

50.0 0

0.00

50.0 0

50.0 0

50.0 0

0.00

0.00


SMA K SANG TIMUR YOGYAKA RTA SMA MARSUDI LUHUR YOGYAKA RTA SMA PIRI 1 YOGYAKA RTA SMA TAMAN MADYA IBU PAWIYATA N YOGYAKA RTA SMA BERBUDI YOGYAKA RTA SMA STELLA DUCE 2 YOGYAKA RTA SMA SANTA MARIA YOGYAKA RTA SMA ISLAM TERPADU ABU BAKAR SMA BINA ANAK SHOLEH

S M A

S

25. 00

16. 67

45. 84

75. 00

41. 67

41. 67

63. 89

41. 67

29. 17

54.1 7

20.8 3

16.6 7

75.0 0

58.3 3

41.6 7

50.0 0

41.6 7

54.1 7

75.0 0

8.33

16.6 7

8.33

41.6 7

58.3 3

25.0 0

50.0 0

75.0 0

58.3 3

33.3 3

33.3 3

S M A

S

14. 29

14. 29

25. 00

35. 71

21. 43

28. 57

38. 10

35. 71

25. 00

25.0 0

39.2 9

28.5 7

57.1 4

42.8 6

35.7 1

21.4 3

28.5 7

39.2 9

71.4 3

35.7 1

21.4 3

7.14

35.7 1

28.5 7

35.7 1

35.7 1

50.0 0

64.2 9

21.4 3

21.4 3

S M A

S

28. 00

24. 00

29. 00

68. 00

36. 00

28. 00

44. 00

36. 00

42. 00

32.0 0

30.0 0

32.0 0

36.0 0

40.0 0

36.0 0

36.0 0

8.00

56.0 0

72.0 0

12.0 0

36.0 0

28.0 0

28.0 0

36.0 0

32.0 0

48.0 0

36.0 0

28.0 0

28.0 0

28.0 0

S M A

S

16. 67

16. 67

18. 75

58. 33

25. 00

41. 67

25. 00

25. 00

25. 00

29.1 7

25.0 0

20.8 3

41.6 7

16.6 7

8.33

33.3 3

25.0 0

62.5 0

75.0 0

25.0 0

33.3 3

0.00

16.6 7

33.3 3

33.3 3

41.6 7

41.6 7

33.3 3

8.33

16.6 7

S M A

S

16. 67

33. 33

25. 00

50. 00

0.0 0

33. 33

44. 44

16. 67

16. 67

33.3 4

16.6 7

16.6 7

50.0 0

50.0 0

0.00

33.3 3

33.3 3

25.0 0

50.0 0

50.0 0

33.3 3

33.3 3

16.6 7

33.3 3

66.6 7

33.3 3

16.6 7

50.0 0

0.00

16.6 7

S M A

S

14. 71

47. 06

51. 47

70. 59

70. 59

44. 12

78. 43

70. 59

47. 06

42.6 5

54.4 1

61.7 7

67.6 5

67.6 5

58.8 2

70.5 9

17.6 5

72.0 6

85.2 9

32.3 5

61.7 6

14.7 1

73.5 3

73.5 3

50.0 0

64.7 1

64.7 1

82.3 5

41.1 8

38.2 4

S M A

S

17. 39

43. 48

48. 91

73. 91

60. 87

26. 09

71. 01

60. 87

39. 13

39.1 4

58.7 0

39.1 3

73.9 1

69.5 7

39.1 3

73.9 1

17.3 9

56.5 3

91.3 0

13.0 4

60.8 7

30.4 3

65.2 2

52.1 7

34.7 8

60.8 7

73.9 1

69.5 7

56.5 2

39.1 3

S M A

S

28. 13

59. 38

49. 61

78. 13

40. 63

40. 63

80. 21

71. 88

46. 88

40.6 3

61.7 2

54.6 9

79.6 9

64.0 6

60.9 4

67.1 9

25.0 0

66.4 1

90.6 3

21.8 8

68.7 5

25.0 0

62.5 0

73.4 4

54.6 9

51.5 6

85.9 4

89.0 6

64.0 6

26.5 6

S M A

S

0.0 0

46. 15

42. 31

76. 92

46. 15

7.6 9

74. 36

46. 15

46. 15

23.0 8

38.4 7

50.0 0

69.2 3

46.1 5

69.2 3

46.1 5

7.69

73.0 8

84.6 2

15.3 8

61.5 4

7.69

76.9 2

53.8 5

23.0 8

38.4 6

92.3 1

69.2 3

38.4 6

23.0 8

02-001

SMA NEGERI 2 BANTUL

S M A

N

42. 52

79. 53

65. 75

92. 91

76. 38

63. 78

83. 99

85. 83

74. 41

46.8 5

79.9 2

63.7 8

91.3 4

87.4 0

65.3 5

74.0 2

25.9 8

84.6 5

93.7 0

27.5 6

78.7 4

23.6 2

81.8 9

85.0 4

77.9 5

77.1 7

96.8 5

86.6 1

72.4 4

35.4 3

02-002

SMA NEGERI 1 BANTUL

S M A

N

49. 03

81. 94

72. 74

87. 74

61. 94

64. 52

84. 30

86. 45

78. 39

45.4 9

78.7 1

60.0 0

95.4 8

89.0 3

74.8 4

78.0 6

38.0 6

76.1 3

94.8 4

32.9 0

79.3 5

31.6 1

84.5 2

87.7 4

83.8 7

81.9 4

90.3 2

91.6 1

82.5 8

39.3 5

02-003

SMA NEGERI 1 KASIHAN

S M A

N

34. 12

52. 35

51. 03

77. 06

45. 29

43. 53

71. 77

59. 41

51. 77

41.7 7

59.1 2

49.1 2

75.8 8

71.7 6

54.1 2

60.5 9

18.8 2

63.5 3

90.5 9

27.0 6

56.4 7

18.2 4

60.5 9

62.9 4

55.2 9

53.5 3

84.7 1

68.8 2

64.7 1

32.3 5

02-004

SMA NEGERI 3 BANTUL

S M A

N

42. 27

57. 73

50. 77

77. 32

48. 45

45. 36

68. 39

61. 86

47. 94

41.7 5

52.0 6

41.2 4

79.3 8

72.1 6

35.0 5

55.6 7

24.7 4

67.5 3

95.8 8

25.7 7

53.6 1

15.4 6

67.0 1

63.9 2

47.4 2

61.8 6

71.1 3

63.9 2

45.3 6

25.7 7

02-005

SMA NEGERI 1 SEDAYU

S M A

N

18. 75

43. 06

31. 94

67. 36

31. 25

39. 58

50. 46

38. 89

27. 08

35.7 7

42.3 7

34.7 2

56.2 5

50.0 0

34.7 2

31.2 5

23.6 1

62.1 5

80.5 6

37.5 0

40.9 7

19.4 4

37.5 0

33.3 3

43.7 5

36.8 1

49.3 1

34.7 2

34.0 3

29.1 7

SMA NEGERI 1 SANDEN SMA MUHAMM ADIYAH BANTUL SMA NEGERI 1 PAJANGAN

S M A

N

19. 57

58. 70

50. 55

78. 26

34. 78

39. 13

64. 49

55. 43

48. 91

41.8 5

49.4 6

50.0 0

78.2 6

64.1 3

36.9 6

44.5 7

27.1 7

63.0 5

92.3 9

25.0 0

56.5 2

20.6 5

55.4 3

48.9 1

48.9 1

40.2 2

63.0 4

64.1 3

48.9 1

30.4 3

S M A

S

6.9 8

18. 60

21. 51

41. 86

20. 93

25. 58

34. 88

27. 91

23. 26

24.4 2

16.2 8

20.9 3

23.2 6

39.5 3

20.9 3

32.5 6

18.6 0

41.8 6

60.4 7

25.5 8

13.9 5

16.2 8

27.9 1

23.2 6

32.5 6

30.2 3

30.2 3

16.2 8

27.9 1

27.9 1

S M A

01-047

01-050

01-051

01-053

01-054

01-055

01-056

01-058

01-059

02-006

02-008

N

19. 05

66. 67

39. 29

80. 95

23. 81

42. 86

57. 14

57. 14

42. 86

33.3 4

40.4 8

52.3 8

61.9 0

61.9 0

38.1 0

57.1 4

19.0 5

71.4 3

85.7 1

23.8 1

33.3 3

4.76

52.3 8

52.3 8

57.1 4

42.8 6

76.1 9

66.6 7

47.6 2

28.5 7

02-011

SMA 17 BANTUL

S M A

S

0.0 0

66. 67

33. 33

100 .00

33. 33

100 .00

33. 33

0.0 0

33. 33

66.6 7

33.3 4

50.0 0

66.6 7

66.6 7

33.3 3

33.3 3

33.3 3

66.6 7

66.6 7

66.6 7

33.3 3

0.00

33.3 3

33.3 3

66.6 7

33.3 3

0.00

66.6 7

33.3 3

0.00

02-012

SMA MUHAMM ADIYAH KASIHAN

S M A

S

14. 29

7.1 4

28. 57

64. 29

21. 43

21. 43

30. 95

0.0 0

25. 00

21.4 3

25.0 0

28.5 8

28.5 7

35.7 1

28.5 7

14.2 9

21.4 3

39.2 9

64.2 9

21.4 3

14.2 9

28.5 7

28.5 7

28.5 7

35.7 1

35.7 1

57.1 4

14.2 9

14.2 9

28.5 7

SMA PGRI I KASIHAN

S M A

S

25. 00

37. 50

21. 88

75. 00

12. 50

12. 50

50. 00

25. 00

6.2 5

37.5 0

31.2 5

25.0 0

25.0 0

50.0 0

0.00

12.5 0

25.0 0

50.0 0

62.5 0

12.5 0

25.0 0

0.00

25.0 0

37.5 0

50.0 0

37.5 0

37.5 0

50.0 0

25.0 0

12.5 0

02-009

02-013


SMA NEGERI 1 SRANDAK AN SMA STELLA DUCE BANTUL SMA PANGUDI LUHUR SEDAYU SMA NEGERI 1 BAMBANG LIPURO SMA DHARMA AMILUHU R SMA NEGERI 1 SEWON

S M A

N

32. 61

28. 26

33. 70

60. 87

28. 26

41. 30

46. 38

43. 48

39. 13

32.6 1

41.3 1

35.8 7

23.9 1

54.3 5

30.4 3

43.4 8

15.2 2

53.2 6

65.2 2

23.9 1

23.9 1

28.2 6

36.9 6

30.4 3

23.9 1

54.3 5

56.5 2

32.6 1

34.7 8

30.4 3

S M A

S

0.0 0

47. 37

42. 11

63. 16

42. 11

31. 58

54. 38

42. 11

34. 21

44.7 4

57.9 0

42.1 1

52.6 3

52.6 3

47.3 7

31.5 8

15.7 9

57.9 0

73.6 8

36.8 4

26.3 2

26.3 2

36.8 4

47.3 7

68.4 2

47.3 7

78.9 5

68.4 2

36.8 4

26.3 2

S M A

S

16. 39

36. 07

38. 94

67. 21

29. 51

40. 98

54. 10

52. 46

20. 49

29.5 1

40.9 9

38.5 2

55.7 4

70.4 9

32.7 9

34.4 3

19.6 7

56.5 6

83.6 1

27.8 7

39.3 4

11.4 8

27.8 7

32.7 9

40.9 8

36.0 7

47.5 4

34.4 3

40.9 8

26.2 3

S M A

N

30. 95

42. 86

35. 72

71. 43

30. 95

45. 24

57. 94

39. 29

44. 65

33.3 4

42.8 6

44.0 5

69.0 5

59.5 2

28.5 7

36.9 0

15.4 8

54.7 7

84.5 2

22.6 2

38.1 0

17.8 6

40.4 8

39.2 9

46.4 3

48.8 1

50.0 0

33.3 3

36.9 0

28.5 7

S M A

S

0.0 0

0.0 0

75. 00

100 .00

100 .00

0.0 0

100 .00

0.0 0

0.0 0

50.0 0

50.0 0

50.0 0

0.00

0.00

100. 00

100. 00

100. 00

100. 00

100. 00

0.00

0.00

0.00

100. 00

0.00

0.00

0.00

0.00

100. 00

0.00

100. 00

S M A

N

32. 87

72. 73

59. 44

81. 82

54. 55

44. 76

75. 52

65. 73

54. 90

38.8 1

64.3 4

50.7 0

79.7 2

74.1 3

48.2 5

60.8 4

22.3 8

71.6 8

93.0 1

35.6 6

61.5 4

15.3 8

69.2 3

70.6 3

70.6 3

54.5 5

81.8 2

80.4 2

63.6 4

30.0 7

02-025

SMA NEGERI 1 IMOGIRI

S M A

N

8.1 1

31. 08

35. 81

54. 05

25. 68

31. 08

46. 40

40. 54

20. 27

31.0 8

43.9 2

31.7 6

41.8 9

50.0 0

32.4 3

27.0 3

21.6 2

52.7 0

77.0 3

25.6 8

31.0 8

20.2 7

36.4 9

50.0 0

37.8 4

37.8 4

54.0 5

37.8 4

35.1 4

29.7 3

02-026

SMA NEGERI 1 JETIS

S M A

N

40. 54

72. 97

56. 08

82. 43

52. 70

52. 70

72. 97

70. 27

61. 49

36.4 9

68.9 2

57.4 4

89.1 9

74.3 2

56.7 6

56.7 6

39.1 9

67.5 7

86.4 9

28.3 8

70.2 7

20.2 7

66.2 2

77.0 3

62.1 6

68.9 2

94.5 9

94.5 9

68.9 2

31.0 8

SMA NEGERI 1 PLERET SMA NEGERI 1 BANGUNT APAN SMA MUHAMM ADIYAH SEWON SMA MUHAMM ADIYAH IMOGIRI SMA MUHAMM ADIYAH PIYUNGAN SMA BOPKRI BANGUNT APAN SMA NEGERI 1 PIYUNGAN

S M A

N

10. 47

34. 88

29. 94

68. 60

26. 74

29. 07

52. 71

36. 05

26. 75

31.9 8

28.4 9

36.0 5

43.0 2

43.0 2

24.4 2

39.5 3

15.1 2

48.2 6

84.8 8

32.5 6

32.5 6

31.4 0

34.8 8

32.5 6

40.7 0

47.6 7

47.6 7

40.7 0

31.4 0

30.2 3

S M A

N

20. 66

52. 07

42. 15

80. 99

34. 71

37. 19

58. 40

46. 28

46. 70

36.3 7

56.2 0

49.1 8

61.1 6

68.6 0

38.0 2

42.1 5

24.7 9

65.7 1

91.7 4

22.3 1

64.4 6

27.2 7

41.3 2

49.5 9

49.5 9

44.6 3

61.1 6

62.8 1

44.6 3

26.4 5

S M A

S

36. 36

45. 45

29. 54

54. 55

9.0 9

27. 27

51. 52

36. 36

27. 27

27.2 7

40.9 1

27.2 7

18.1 8

54.5 5

36.3 6

45.4 5

9.09

45.4 6

81.8 2

36.3 6

45.4 5

36.3 6

27.2 7

0.00

45.4 5

36.3 6

81.8 2

63.6 4

18.1 8

18.1 8

S M A

S

5.2 6

26. 32

34. 21

57. 89

15. 79

36. 84

42. 11

15. 79

26. 32

36.8 5

23.6 9

26.3 2

26.3 2

36.8 4

5.26

26.3 2

26.3 2

44.7 4

63.1 6

26.3 2

21.0 5

31.5 8

26.3 2

15.7 9

26.3 2

26.3 2

47.3 7

36.8 4

26.3 2

26.3 2

S M A

S

12. 50

12. 50

28. 13

75. 00

12. 50

12. 50

33. 33

25. 00

43. 75

43.7 5

43.7 5

25.0 0

25.0 0

12.5 0

12.5 0

0.00

0.00

50.0 0

62.5 0

37.5 0

37.5 0

12.5 0

0.00

50.0 0

37.5 0

12.5 0

37.5 0

25.0 0

0.00

12.5 0

S M A

S

22. 22

33. 33

30. 55

55. 56

33. 33

33. 33

55. 56

33. 33

27. 78

33.3 4

33.3 4

44.4 4

55.5 6

66.6 7

44.4 4

22.2 2

22.2 2

66.6 7

88.8 9

11.1 1

44.4 4

44.4 4

66.6 7

55.5 6

44.4 4

55.5 6

44.4 4

55.5 6

44.4 4

33.3 3

S M A

N

7.4 6

40. 30

27. 61

68. 66

26. 87

32. 84

44. 28

31. 34

26. 87

34.3 3

26.1 2

27.6 2

29.8 5

43.2 8

35.8 2

32.8 4

13.4 3

51.4 9

82.0 9

20.9 0

31.3 4

25.3 7

35.8 2

34.3 3

37.3 1

44.7 8

49.2 5

44.7 8

28.3 6

26.8 7

02-044

SMA PATRIA BANTUL

S M A

S

0.0 0

60. 00

10. 00

60. 00

20. 00

0.0 0

33. 33

20. 00

20. 00

30.0 0

20.0 0

30.0 0

20.0 0

20.0 0

20.0 0

0.00

0.00

50.0 0

80.0 0

40.0 0

60.0 0

0.00

20.0 0

0.00

20.0 0

60.0 0

60.0 0

20.0 0

0.00

0.00

02-045

SMA NEGERI 1 PUNDONG

S M A

N

23. 53

54. 41

41. 18

73. 53

45. 59

36. 76

56. 86

51. 47

38. 97

37.5 0

56.6 2

37.5 0

70.5 9

57.3 5

26.4 7

60.2 9

19.1 2

64.7 1

80.8 8

30.8 8

48.5 3

25.0 0

42.6 5

51.4 7

39.7 1

61.7 6

72.0 6

57.3 5

39.7 1

33.8 2

SMA UII BANGUNT APAN SMA NEGERI 2 BANGUNT APAN SMA NEGERI 1 DLINGO

S M A

S

27. 91

44. 19

31. 98

51. 16

27. 91

39. 53

36. 44

44. 19

37. 21

30.2 3

40.7 0

32.5 6

39.5 3

41.8 6

25.5 8

25.5 8

11.6 3

58.1 4

65.1 2

23.2 6

30.2 3

18.6 0

34.8 8

37.2 1

37.2 1

46.5 1

41.8 6

30.2 3

20.9 3

18.6 0

S M A

N

18. 75

68. 75

48. 18

78. 13

35. 42

37. 50

65. 28

60. 42

46. 88

39.0 6

63.5 5

49.4 8

55.2 1

68.7 5

40.6 3

53.1 3

18.7 5

64.5 9

94.7 9

30.2 1

66.6 7

18.7 5

63.5 4

45.8 3

45.8 3

68.7 5

59.3 8

67.7 1

63.5 4

28.1 3

S M A

N

5.8 8

23. 53

29. 42

64. 71

17. 65

35. 29

50. 98

52. 94

38. 24

38.2 4

58.8 3

50.0 0

70.5 9

64.7 1

23.5 3

47.0 6

11.7 6

47.0 6

94.1 2

5.88

41.1 8

17.6 5

52.9 4

47.0 6

52.9 4

23.5 3

64.7 1

64.7 1

35.2 9

11.7 6

02-050

SMA NEGERI 1 KRETEK

S M A

N

23. 40

36. 17

37. 77

53. 19

23. 40

31. 91

41. 84

46. 81

34. 04

37.2 3

35.1 1

32.9 8

55.3 2

38.3 0

25.5 3

34.0 4

21.2 8

50.0 0

76.6 0

21.2 8

34.0 4

21.2 8

34.0 4

31.9 1

34.0 4

38.3 0

44.6 8

31.9 1

34.0 4

27.6 6

02-056

SMA KESATUA N BANGSA

S M A

S

44. 19

83. 72

65. 70

93. 02

62. 79

67. 44

79. 85

74. 42

61. 63

45.3 5

77.9 1

55.8 2

86.0 5

81.4 0

55.8 1

55.8 1

34.8 8

83.7 2

86.0 5

39.5 3

67.4 4

18.6 0

83.7 2

76.7 4

81.4 0

72.0 9

86.0 5

93.0 2

62.7 9

39.5 3

03-001

SMA NEGERI 1 WATES

S M A

N

34. 31

80. 29

65. 69

89. 05

66. 42

58. 39

81. 02

84. 67

68. 25

49.6 4

70.4 4

61.3 1

90.5 1

81.7 5

75.9 1

73.7 2

27.7 4

86.1 3

93.4 3

33.5 8

74.4 5

24.8 2

82.4 8

77.3 7

77.3 7

70.0 7

88.3 2

89.7 8

71.5 3

30.6 6

02-014

02-016

02-020

02-021

02-022

02-023

02-027

02-029

02-030

02-031

02-034

02-035

02-038

02-046

02-047

02-049


03-002

SMA NEGERI 2 WATES

S M A

N

24. 39

63. 41

47. 56

82. 93

51. 22

43. 90

72. 76

70. 73

45. 73

42.6 8

58.5 4

49.3 9

81.7 1

71.9 5

43.9 0

63.4 1

19.5 1

62.2 0

91.4 6

23.1 7

56.1 0

23.1 7

56.1 0

58.5 4

63.4 1

64.6 3

68.2 9

75.6 1

63.4 1

20.7 3

03-003

SMA NEGERI 1 TEMON

S M A

N

27. 78

44. 44

39. 82

66. 67

29. 63

33. 33

58. 03

44. 44

33. 34

37.9 7

39.8 2

38.8 9

70.3 7

53.7 0

35.1 9

42.5 9

14.8 1

57.4 1

90.7 4

29.6 3

35.1 9

22.2 2

35.1 9

50.0 0

29.6 3

33.3 3

48.1 5

55.5 6

38.8 9

31.4 8

03-004

SMA NEGERI 1 PENGASIH

S M A

N

29. 85

71. 64

48. 88

88. 06

44. 78

47. 76

69. 65

64. 18

55. 23

41.7 9

57.4 6

55.2 2

74.6 3

74.6 3

43.2 8

59.7 0

29.8 5

74.6 3

94.0 3

28.3 6

43.2 8

14.9 3

64.1 8

50.7 5

64.1 8

43.2 8

74.6 3

86.5 7

52.2 4

25.3 7

SMA NEGERI 1 KOKAP SMA MUHAMM ADIYAH WATES SMA MA'ARIF WATES

S M A

N

7.6 9

30. 77

17. 31

69. 23

15. 38

30. 77

48. 72

15. 38

11. 54

19.2 3

23.0 8

30.7 7

76.9 2

61.5 4

0.00

23.0 8

23.0 8

50.0 0

69.2 3

30.7 7

15.3 8

23.0 8

15.3 8

15.3 8

46.1 5

76.9 2

38.4 6

23.0 8

38.4 6

46.1 5

S M A

S

33. 33

33. 33

27. 78

55. 56

33. 33

44. 44

37. 04

22. 22

27. 78

33.3 3

22.2 2

27.7 8

33.3 3

44.4 4

0.00

22.2 2

0.00

55.5 6

55.5 6

33.3 3

33.3 3

22.2 2

55.5 6

22.2 2

33.3 3

33.3 3

44.4 4

33.3 3

0.00

11.1 1

S M A

S

25. 00

33. 33

31. 25

50. 00

16. 67

25. 00

41. 67

33. 33

37. 50

33.3 3

29.1 7

37.5 0

50.0 0

50.0 0

33.3 3

41.6 7

16.6 7

29.1 7

75.0 0

33.3 3

25.0 0

16.6 7

41.6 7

25.0 0

33.3 3

25.0 0

50.0 0

25.0 0

25.0 0

33.3 3

SMA NEGERI 1 SENTOLO

S M A

N

20. 25

58. 23

46. 21

78. 48

43. 04

50. 63

69. 62

63. 29

41. 14

38.6 1

48.1 0

46.8 4

75.9 5

70.8 9

56.9 6

53.1 6

16.4 6

68.9 9

93.6 7

32.9 1

44.3 0

20.2 5

56.9 6

58.2 3

55.7 0

43.0 4

68.3 5

83.5 4

46.8 4

34.1 8

SMA NEGERI 1 LENDAH SMA NEGERI 1 SAMIGALU H SMA NEGERI 1 KALIBAW ANG SMA NEGERI 1 GIRIMULY O SMA MUHAMM ADIYAH GALUR SMA NEGERI 1 GALUR SMA NEGERI 1 PRAMBAN AN SMA NEGERI 1 DEPOK

S M A

N

21. 69

40. 96

32. 83

62. 65

25. 30

37. 35

46. 99

31. 33

25. 31

29.5 2

34.3 4

33.1 4

48.1 9

50.6 0

27.7 1

33.7 3

13.2 5

51.8 1

78.3 1

21.6 9

28.9 2

22.8 9

36.1 4

42.1 7

36.1 4

48.1 9

60.2 4

50.6 0

31.3 3

30.1 2

S M A

N

8.3 3

33. 33

47. 92

66. 67

41. 67

33. 33

63. 89

58. 33

37. 50

45.8 3

41.6 7

37.5 0

75.0 0

91.6 7

50.0 0

58.3 3

8.33

58.3 3

100. 00

8.33

25.0 0

25.0 0

25.0 0

41.6 7

58.3 3

16.6 7

83.3 3

58.3 3

50.0 0

16.6 7

S M A

N

10. 00

45. 00

32. 50

75. 00

40. 00

30. 00

38. 33

30. 00

15. 00

37.5 0

42.5 0

37.5 0

60.0 0

50.0 0

30.0 0

30.0 0

30.0 0

57.5 0

85.0 0

25.0 0

35.0 0

15.0 0

40.0 0

20.0 0

20.0 0

55.0 0

60.0 0

50.0 0

30.0 0

45.0 0

S M A

N

38. 00

40. 00

38. 50

60. 00

48. 00

42. 00

46. 67

40. 00

46. 00

35.0 0

33.0 0

38.0 0

48.0 0

64.0 0

28.0 0

46.0 0

30.0 0

57.0 0

72.0 0

22.0 0

32.0 0

28.0 0

40.0 0

32.0 0

40.0 0

52.0 0

50.0 0

48.0 0

40.0 0

30.0 0

S M A

S

0.0 0

66. 67

16. 67

100 .00

66. 67

0.0 0

44. 44

33. 33

16. 67

33.3 4

33.3 3

33.3 3

33.3 3

66.6 7

0.00

33.3 3

0.00

50.0 0

100. 00

33.3 3

66.6 7

33.3 3

66.6 7

0.00

66.6 7

66.6 7

66.6 7

66.6 7

33.3 3

66.6 7

S M A

N

70. 59

76. 47

58. 09

73. 53

58. 82

55. 88

71. 57

55. 88

48. 53

42.6 5

60.3 0

58.8 2

85.2 9

79.4 1

32.3 5

61.7 6

20.5 9

66.1 8

79.4 1

17.6 5

50.0 0

5.88

70.5 9

70.5 9

55.8 8

67.6 5

82.3 5

58.8 2

61.7 6

29.4 1

S M A

N

12. 20

54. 88

50. 91

74. 39

48. 78

39. 02

55. 28

56. 10

35. 98

30.4 9

56.1 0

41.4 7

74.3 9

62.2 0

37.8 0

47.5 6

21.9 5

63.4 2

78.0 5

15.8 5

53.6 6

15.8 5

50.0 0

57.3 2

59.7 6

52.4 4

75.6 1

76.8 3

47.5 6

28.0 5

S M A

N

16. 82

73. 83

64. 26

87. 85

73. 83

65. 42

81. 00

82. 24

62. 62

41.5 9

75.7 0

56.5 4

85.0 5

83.1 8

63.5 5

64.4 9

28.9 7

75.2 4

93.4 6

28.0 4

61.6 8

23.3 6

73.8 3

77.5 7

75.7 0

69.1 6

92.5 2

93.4 6

76.6 4

30.8 4

04-003

SMA NEGERI 1 KALASAN

S M A

N

30. 36

64. 29

59. 60

79. 46

56. 25

54. 46

79. 17

75. 00

63. 84

46.8 8

69.2 0

50.9 0

83.9 3

79.4 6

64.2 9

64.2 9

18.7 5

79.9 1

89.2 9

16.9 6

58.9 3

16.9 6

75.8 9

75.8 9

67.8 6

50.0 0

69.6 4

83.9 3

73.2 1

33.0 4

04-004

SMA KOLESE DE BRITTO

S M A

S

27. 33

60. 67

56. 33

87. 33

60. 00

53. 33

85. 33

86. 00

61. 00

48.0 0

62.0 0

47.3 3

90.0 0

82.6 7

56.0 0

56.6 7

48.6 7

80.6 7

92.0 0

44.0 0

66.0 0

23.3 3

86.0 0

76.6 7

72.0 0

58.0 0

78.6 7

91.3 3

70.6 7

46.6 7

04-005

SMA ANGKASA

S M A

S

18. 52

22. 22

25. 00

70. 37

22. 22

29. 63

24. 69

22. 22

20. 37

24.0 8

20.3 7

29.6 3

25.9 3

33.3 3

29.6 3

7.41

33.3 3

42.6 0

55.5 6

3.70

25.9 3

29.6 3

18.5 2

37.0 4

33.3 3

25.9 3

62.9 6

18.5 2

18.5 2

29.6 3

SMA MANDALA BHAKTI SMA GAMA YOGYAKA RTA SMA KOLOMBO SLEMAN

S M A

S

75. 00

0.0 0

25. 00

0.0 0

50. 00

50. 00

33. 33

50. 00

12. 50

50.0 0

50.0 0

37.5 0

75.0 0

50.0 0

25.0 0

50.0 0

0.00

12.5 0

50.0 0

25.0 0

25.0 0

25.0 0

0.00

50.0 0

25.0 0

25.0 0

50.0 0

50.0 0

75.0 0

25.0 0

S M A

S

15. 38

38. 46

28. 85

53. 85

30. 77

38. 46

33. 33

46. 15

15. 39

38.4 6

26.9 2

23.0 8

30.7 7

53.8 5

38.4 6

15.3 8

0.00

23.0 8

61.5 4

15.3 8

30.7 7

7.69

7.69

30.7 7

30.7 7

38.4 6

38.4 6

61.5 4

38.4 6

23.0 8

S M A

S

5.0 0

30. 00

30. 00

60. 00

30. 00

30. 00

31. 67

30. 00

25. 00

32.5 0

50.0 0

30.0 0

45.0 0

45.0 0

50.0 0

40.0 0

25.0 0

37.5 0

80.0 0

35.0 0

20.0 0

10.0 0

25.0 0

50.0 0

40.0 0

35.0 0

30.0 0

50.0 0

20.0 0

20.0 0

SMA IMANUEL KALASAN SMA INSTITUT INDONESI A SLEMAN

S M A

S

0.0 0

33. 33

58. 33

66. 67

66. 67

0.0 0

55. 56

100 .00

50. 00

50.0 0

50.0 0

16.6 7

100. 00

100. 00

0.00

66.6 7

0.00

50.0 0

100. 00

33.3 3

66.6 7

0.00

66.6 7

100. 00

100. 00

66.6 7

100. 00

66.6 7

33.3 3

0.00

S M A

S

0.0 0

37. 50

21. 88

37. 50

25. 00

25. 00

50. 00

50. 00

31. 25

25.0 0

37.5 0

31.2 5

25.0 0

37.5 0

25.0 0

0.00

12.5 0

56.2 5

25.0 0

25.0 0

12.5 0

25.0 0

50.0 0

12.5 0

50.0 0

12.5 0

25.0 0

25.0 0

0.00

25.0 0

03-005

03-006

03-009

03-012

03-013

03-014

03-015

03-016

03-017

03-024

04-001

04-002

04-008

04-009

04-010

04-011

04-013


SMA MUHAMM ADIYAH 1 PRAMBAN AN SMA ISLAM 1 PRAMBAN AN SMA MUHAMM ADIYAH KALASAN SMA NEGERI 1 GODEAN

S M A

S

0.0 0

36. 36

25. 00

63. 64

18. 18

36. 36

18. 18

9.0 9

22. 73

36.3 7

18.1 8

45.4 6

27.2 7

36.3 6

18.1 8

18.1 8

9.09

50.0 0

27.2 7

9.09

18.1 8

18.1 8

27.2 7

9.09

36.3 6

72.7 3

18.1 8

36.3 6

27.2 7

18.1 8

S M A

S

18. 18

45. 45

31. 82

81. 82

18. 18

36. 36

42. 42

9.0 9

22. 73

18.1 8

22.7 3

36.3 7

45.4 5

72.7 3

27.2 7

27.2 7

9.09

40.9 1

54.5 5

9.09

27.2 7

0.00

18.1 8

18.1 8

63.6 4

27.2 7

63.6 4

9.09

9.09

36.3 6

S M A

S

0.0 0

25. 00

37. 50

100 .00

25. 00

25. 00

41. 67

50. 00

12. 50

37.5 0

12.5 0

50.0 0

50.0 0

75.0 0

25.0 0

25.0 0

0.00

62.5 0

75.0 0

0.00

25.0 0

0.00

25.0 0

25.0 0

25.0 0

100. 00

50.0 0

25.0 0

25.0 0

0.00

S M A

N

25. 88

75. 29

66. 47

89. 41

68. 24

65. 88

83. 53

78. 82

70. 00

53.5 3

81.1 8

66.4 7

94.1 2

89.4 1

67.0 6

68.2 4

21.1 8

75.3 0

92.9 4

41.1 8

80.0 0

20.0 0

82.3 5

89.4 1

72.9 4

67.0 6

90.5 9

90.5 9

72.9 4

34.1 2

04-024

SMA NEGERI 1SEYEGAN

S M A

N

31. 54

55. 38

44. 81

74. 62

38. 46

43. 08

63. 59

47. 69

40. 00

41.5 4

50.7 7

41.1 6

77.6 9

62.3 1

36.1 5

44.6 2

20.7 7

63.0 8

80.7 7

25.3 8

45.3 8

16.9 2

53.0 8

52.3 1

42.3 1

53.8 5

64.6 2

72.3 1

53.0 8

29.2 3

04-025

SMA NEGERI 1 GAMPING

S M A

N

21. 15

36. 54

40. 87

75. 00

32. 69

32. 69

45. 51

40. 38

31. 73

36.5 4

46.1 6

38.4 6

71.1 5

59.6 2

51.9 2

34.6 2

25.0 0

58.6 5

82.6 9

28.8 5

42.3 1

19.2 3

46.1 5

36.5 4

51.9 2

36.5 4

55.7 7

59.6 2

44.2 3

25.0 0

04-026

SMA NEGERI 1 MINGGIR

S M A

N

23. 08

46. 15

36. 16

75. 38

30. 77

35. 38

51. 28

49. 23

33. 08

33.8 5

44.6 2

31.5 4

43.0 8

55.3 8

30.7 7

30.7 7

23.0 8

52.3 1

66.1 5

26.1 5

32.3 1

29.2 3

44.6 2

36.9 2

36.9 2

41.5 4

50.7 7

40.0 0

24.6 2

27.6 9

04-028

SMA ISLAM 1 GAMPING

S M A

S

5.7 1

31. 43

24. 29

57. 14

25. 71

28. 57

34. 29

28. 57

17. 15

18.5 7

20.0 0

21.4 3

28.5 7

37.1 4

34.2 9

14.2 9

20.0 0

31.4 3

60.0 0

31.4 3

14.2 9

17.1 4

25.7 1

20.0 0

25.7 1

14.2 9

34.2 9

34.2 9

34.2 9

31.4 3

04-037

SMA NEGERI 1 SLEMAN

S M A

N

28. 57

81. 75

65. 08

87. 30

69. 84

65. 08

85. 19

83. 33

59. 92

49.6 0

66.6 7

58.3 4

84.1 3

79.3 7

69.0 5

73.0 2

26.1 9

70.2 4

96.0 3

27.7 8

67.4 6

26.1 9

84.1 3

73.8 1

68.2 5

69.8 4

94.4 4

91.2 7

74.6 0

28.5 7

04-038

SMA NEGERI 2 SLEMAN

S M A

N

15. 69

50. 98

38. 73

74. 51

33. 33

39. 22

56. 86

60. 78

30. 39

35.3 0

49.0 2

42.1 6

54.9 0

52.9 4

27.4 5

41.1 8

25.4 9

55.8 8

88.2 4

27.4 5

54.9 0

17.6 5

39.2 2

31.3 7

49.0 2

47.0 6

58.8 2

60.7 8

50.9 8

25.4 9

04-039

SMA NEGERI 1 TURI

S M A

N

8.0 0

40. 00

37. 00

60. 00

24. 00

38. 00

46. 67

46. 00

30. 00

35.0 0

50.0 0

39.0 0

38.0 0

56.0 0

34.0 0

28.0 0

10.0 0

64.0 0

80.0 0

22.0 0

28.0 0

28.0 0

34.0 0

44.0 0

40.0 0

42.0 0

58.0 0

60.0 0

22.0 0

24.0 0

SMA NEGERI 1 MLATI SMA MUHAMM ADIYAH MLATI SMA SANTO MIKAEL SLEMAN SMA MUHAMM ADIYAH 1 SLEMAN SMA NEGERI 1 PAKEM

S M A

N

5.8 8

50. 98

56. 86

86. 27

35. 29

37. 25

69. 28

72. 55

54. 90

37.2 6

59.8 1

48.0 4

76.4 7

76.4 7

27.4 5

66.6 7

17.6 5

76.4 8

92.1 6

23.5 3

68.6 3

23.5 3

56.8 6

64.7 1

70.5 9

47.0 6

80.3 9

94.1 2

70.5 9

27.4 5

S M A

S

9.0 9

9.0 9

22. 73

63. 64

27. 27

36. 36

36. 36

18. 18

50. 00

18.1 8

31.8 2

50.0 0

18.1 8

63.6 4

36.3 6

9.09

18.1 8

45.4 6

54.5 5

27.2 7

54.5 5

27.2 7

9.09

27.2 7

54.5 5

54.5 5

45.4 5

63.6 4

18.1 8

36.3 6

S M A

S

27. 27

36. 36

15. 91

81. 82

36. 36

36. 36

54. 55

45. 45

40. 91

27.2 7

31.8 2

22.7 3

45.4 5

54.5 5

27.2 7

36.3 6

18.1 8

54.5 5

72.7 3

36.3 6

27.2 7

27.2 7

45.4 5

27.2 7

54.5 5

27.2 7

63.6 4

45.4 5

9.09

18.1 8

S M A

S

10. 00

10. 00

27. 50

60. 00

20. 00

30. 00

33. 33

50. 00

20. 00

30.0 0

35.0 0

20.0 0

70.0 0

70.0 0

20.0 0

40.0 0

50.0 0

55.0 0

80.0 0

40.0 0

40.0 0

20.0 0

40.0 0

30.0 0

40.0 0

40.0 0

60.0 0

50.0 0

20.0 0

40.0 0

S M A

N

29. 73

63. 51

63. 85

81. 08

47. 30

64. 86

75. 23

74. 32

63. 51

47.3 0

65.5 4

56.7 6

87.8 4

83.7 8

52.7 0

67.5 7

29.7 3

85.8 1

95.9 5

31.0 8

68.9 2

27.0 3

71.6 2

67.5 7

72.9 7

60.8 1

81.0 8

87.8 4

62.1 6

25.6 8

SMA NEGERI 1 NGAGLIK

S M A

N

9.9 0

16. 83

22. 77

60. 40

21. 78

33. 66

39. 93

28. 71

20. 79

28.2 2

32.6 7

28.7 1

51.4 9

42.5 7

21.7 8

19.8 0

24.7 5

45.0 5

75.2 5

21.7 8

23.7 6

22.7 7

21.7 8

32.6 7

27.7 2

45.5 4

36.6 3

31.6 8

22.7 7

26.7 3

SMA NEGERI 2 NGAGLIK SMA MUHAMM ADIYAH PAKEM SMA ISLAM 3 SLEMAN

S M A

N

27. 91

40. 31

41. 86

71. 32

44. 96

42. 64

60. 21

50. 39

49. 23

38.7 6

51.9 4

40.3 1

71.3 2

57.3 6

29.4 6

52.7 1

17.0 5

62.4 1

86.0 5

27.9 1

60.4 7

24.0 3

35.6 6

53.4 9

53.4 9

58.9 1

72.0 9

60.4 7

44.9 6

37.2 1

S M A

S

17. 65

35. 29

42. 65

64. 71

29. 41

47. 06

56. 86

47. 06

26. 47

26.4 7

41.1 8

29.4 1

52.9 4

52.9 4

41.1 8

47.0 6

17.6 5

58.8 3

94.1 2

23.5 3

41.1 8

23.5 3

47.0 6

58.8 2

64.7 1

52.9 4

64.7 1

70.5 9

29.4 1

29.4 1

S M A

S

12. 50

37. 50

18. 75

75. 00

12. 50

31. 25

33. 33

25. 00

31. 25

18.7 5

18.7 5

18.7 5

25.0 0

37.5 0

25.0 0

25.0 0

6.25

46.8 8

62.5 0

31.2 5

37.5 0

18.7 5

37.5 0

37.5 0

43.7 5

50.0 0

43.7 5

37.5 0

31.2 5

50.0 0

SMA NEGERI 1 TEMPEL SMA NEGERI 1 NGEMPLA K SMA NEGERI 1 CANGKRIN GAN

S M A

N

17. 31

40. 38

33. 65

57. 69

34. 62

40. 38

44. 87

34. 62

35. 58

37.5 0

41.3 5

30.7 7

40.3 8

59.6 2

26.9 2

34.6 2

9.62

50.0 0

67.3 1

36.5 4

46.1 5

17.3 1

26.9 2

25.0 0

40.3 8

48.0 8

38.4 6

46.1 5

36.5 4

28.8 5

S M A

N

11. 63

34. 88

35. 47

62. 79

20. 93

27. 91

50. 39

48. 84

39. 54

39.5 4

43.0 2

31.4 0

62.7 9

55.8 1

34.8 8

32.5 6

11.6 3

66.2 8

81.4 0

18.6 0

39.5 3

39.5 3

37.2 1

44.1 9

55.8 1

60.4 7

53.4 9

60.4 7

32.5 6

20.9 3

S M A

N

45. 28

50. 94

50. 47

67. 92

47. 17

43. 40

59. 75

52. 83

41. 51

38.6 8

49.0 6

38.6 8

71.7 0

62.2 6

47.1 7

56.6 0

11.3 2

56.6 0

79.2 5

30.1 9

43.4 0

22.6 4

52.8 3

56.6 0

43.4 0

66.0 4

64.1 5

49.0 6

39.6 2

26.4 2

04-014

04-016

04-017

04-023

04-040

04-044

04-046

04-048

04-053

04-054

04-055

04-057

04-060

04-067

04-068

04-069


04-076

SMA IT BINA UMAT

S M A

S

12. 50

41. 67

42. 71

83. 33

54. 17

37. 50

58. 33

50. 00

45. 84

33.3 4

54.1 7

31.2 5

58.3 3

62.5 0

29.1 7

50.0 0

29.1 7

56.2 5

79.1 7

20.8 3

29.1 7

20.8 3

45.8 3

50.0 0

45.8 3

29.1 7

54.1 7

62.5 0

33.3 3

37.5 0

04-077

SMA BUDI MULIA DUA

S M A

S

6.4 5

32. 26

39. 52

70. 97

32. 26

35. 48

65. 59

61. 29

35. 49

37.1 0

51.6 2

35.4 9

77.4 2

74.1 9

38.7 1

38.7 1

41.9 4

53.2 3

80.6 5

32.2 6

45.1 6

12.9 0

48.3 9

61.2 9

41.9 4

41.9 4

70.9 7

80.6 5

54.8 4

38.7 1

05-001

SMA 2 WONOSAR I

S M A

N

19. 72

88. 73

70. 07

90. 14

67. 61

71. 83

78. 40

87. 32

62. 68

49.3 0

76.7 6

64.7 9

92.9 6

80.2 8

71.8 3

76.0 6

25.3 5

79.5 8

91.5 5

35.2 1

56.3 4

15.4 9

90.1 4

61.9 7

73.2 4

88.7 3

92.9 6

85.9 2

69.0 1

36.6 2

05-002

SMA 1 WONOSAR I

S M A

N

50. 00

90. 63

74. 48

91. 67

84. 38

78. 13

92. 36

96. 88

82. 82

50.0 0

91.1 5

73.4 4

90.6 3

93.7 5

86.4 6

88.5 4

30.2 1

90.6 3

97.9 2

35.4 2

81.2 5

26.0 4

94.7 9

88.5 4

92.7 1

84.3 8

94.7 9

93.7 5

92.7 1

44.7 9

SMA 2 PLAYEN

S M A

N

17. 24

25. 86

50. 86

74. 14

39. 66

32. 76

58. 62

41. 38

31. 04

40.5 2

43.9 7

40.5 2

58.6 2

48.2 8

34.4 8

44.8 3

18.9 7

58.6 2

87.9 3

24.1 4

37.9 3

17.2 4

41.3 8

41.3 8

46.5 5

63.7 9

81.0 3

62.0 7

50.0 0

29.3 1

SMA 1 PLAYEN

S M A

N

18. 18

72. 73

42. 05

72. 73

27. 27

45. 45

48. 49

40. 91

18. 19

29.5 5

56.8 2

40.9 1

72.7 3

54.5 5

50.0 0

50.0 0

27.2 7

65.9 1

77.2 7

22.7 3

50.0 0

13.6 4

45.4 5

50.0 0

68.1 8

36.3 6

68.1 8

40.9 1

40.9 1

31.8 2

05-005

SMA 1 PATUK

S M A

N

18. 18

36. 36

32. 95

68. 18

31. 82

36. 36

46. 97

50. 00

31. 82

27.2 7

38.6 4

31.8 2

54.5 5

45.4 5

36.3 6

27.2 7

31.8 2

63.6 4

72.7 3

9.09

45.4 5

18.1 8

31.8 2

63.6 4

50.0 0

45.4 5

81.8 2

63.6 4

13.6 4

22.7 3

05-006

SMA 1 PANGGAN G

S M A

N

12. 50

59. 38

44. 54

71. 88

6.2 5

28. 13

60. 42

43. 75

39. 07

39.0 7

45.3 2

29.6 9

43.7 5

50.0 0

37.5 0

46.8 8

31.2 5

62.5 0

90.6 3

21.8 8

40.6 3

31.2 5

21.8 8

40.6 3

59.3 8

25.0 0

75.0 0

68.7 5

31.2 5

34.3 8

SMA 1 TANJUNGS ARI SMA PEMBANG UNAN 1 WONOSAR I SMA MUHAMM ADIYAH WONOSAR I SMA DOMINIKU S WONOSAR I SMA 1 KARANGM OJO

S M A

N

22. 22

13. 89

29. 17

52. 78

25. 00

25. 00

47. 22

25. 00

22. 23

30.5 6

34.7 2

29.1 7

52.7 8

41.6 7

41.6 7

22.2 2

25.0 0

51.3 9

72.2 2

16.6 7

22.2 2

22.2 2

25.0 0

30.5 6

27.7 8

44.4 4

38.8 9

22.2 2

27.7 8

27.7 8

S M A

S

0.0 0

12. 50

28. 13

12. 50

25. 00

12. 50

16. 67

25. 00

18. 75

37.5 0

18.7 5

25.0 0

25.0 0

37.5 0

25.0 0

37.5 0

37.5 0

37.5 0

75.0 0

12.5 0

12.5 0

25.0 0

50.0 0

25.0 0

12.5 0

37.5 0

37.5 0

50.0 0

25.0 0

12.5 0

S M A

S

11. 11

44. 44

33. 33

66. 67

33. 33

33. 33

55. 56

77. 78

16. 67

33.3 4

33.3 3

27.7 8

77.7 8

44.4 4

44.4 4

22.2 2

55.5 6

66.6 7

100. 00

55.5 6

11.1 1

11.1 1

44.4 4

66.6 7

44.4 4

33.3 3

55.5 6

77.7 8

0.00

33.3 3

S M A

S

7.1 4

14. 29

10. 72

57. 14

35. 71

35. 71

35. 71

28. 57

10. 72

46.4 3

14.2 9

25.0 0

42.8 6

50.0 0

28.5 7

28.5 7

7.14

32.1 4

64.2 9

28.5 7

14.2 9

28.5 7

42.8 6

35.7 1

50.0 0

28.5 7

35.7 1

21.4 3

21.4 3

21.4 3

S M A

N

7.7 9

32. 47

31. 49

61. 04

28. 57

31. 17

58. 01

50. 65

30. 52

33.7 7

32.4 7

37.0 1

53.2 5

55.8 4

22.0 8

35.0 6

15.5 8

64.9 4

84.4 2

23.3 8

33.7 7

31.1 7

18.1 8

46.7 5

42.8 6

62.3 4

66.2 3

50.6 5

35.0 6

27.2 7

SMA 1 SEMIN

S M A

N

8.2 2

54. 79

50. 00

82. 19

39. 73

46. 58

66. 67

61. 64

47. 27

42.4 7

54.1 1

58.9 1

68.4 9

60.2 7

47.9 5

42.4 7

12.3 3

66.4 4

89.0 4

16.4 4

46.5 8

27.4 0

53.4 2

58.9 0

68.4 9

41.1 0

87.6 7

72.6 0

43.8 4

35.6 2

SMA 1 RONGKOP

S M A

N

17. 65

17. 65

38. 97

61. 76

52. 94

61. 76

47. 06

44. 12

33. 82

39.7 1

42.6 5

41.1 8

64.7 1

47.0 6

29.4 1

35.2 9

29.4 1

50.0 0

76.4 7

17.6 5

41.1 8

14.7 1

29.4 1

61.7 6

38.2 4

50.0 0

70.5 9

58.8 2

17.6 5

35.2 9

S M A

S

23. 33

10. 00

21. 67

43. 33

20. 00

36. 67

36. 67

26. 67

28. 34

26.6 7

21.6 7

18.3 3

23.3 3

30.0 0

23.3 3

20.0 0

6.67

36.6 7

56.6 7

16.6 7

10.0 0

30.0 0

36.6 7

20.0 0

43.3 3

36.6 7

33.3 3

30.0 0

10.0 0

26.6 7

S M A

S

9.0 9

9.0 9

31. 82

72. 73

9.0 9

27. 27

42. 42

45. 45

22. 73

45.4 6

22.7 3

54.5 5

54.5 5

45.4 5

27.2 7

18.1 8

18.1 8

40.9 1

63.6 4

36.3 6

27.2 7

9.09

27.2 7

27.2 7

36.3 6

45.4 5

54.5 5

27.2 7

9.09

27.2 7

S M A

S

0.0 0

33. 33

35. 00

53. 33

26. 67

20. 00

53. 33

33. 33

33. 33

36.6 7

40.0 0

30.0 0

20.0 0

40.0 0

20.0 0

53.3 3

6.67

56.6 7

93.3 3

40.0 0

46.6 7

13.3 3

33.3 3

40.0 0

33.3 3

33.3 3

53.3 3

33.3 3

0.00

26.6 7

S M A

S

21. 05

15. 79

46. 06

73. 68

26. 32

21. 05

42. 11

26. 32

26. 32

23.6 9

39.4 8

26.3 2

52.6 3

42.1 1

15.7 9

31.5 8

15.7 9

71.0 6

68.4 2

21.0 5

31.5 8

10.5 3

21.0 5

26.3 2

52.6 3

42.1 1

47.3 7

31.5 8

15.7 9

21.0 5

S M A

N

0.0 0

45. 83

36. 46

58. 33

33. 33

50. 00

58. 33

58. 33

29. 17

25.0 0

47.9 2

37.5 0

41.6 7

62.5 0

41.6 7

50.0 0

20.8 3

60.4 2

75.0 0

29.1 7

33.3 3

8.33

54.1 7

45.8 3

45.8 3

58.3 3

66.6 7

79.1 7

29.1 7

33.3 3

05-003

05-004

05-007

05-008

05-009

05-012

05-020

05-021

05-022

05-024

05-025

05-026

05-027

05-034

SMA PEMBANG UNAN 2 KARANGM OJO SMA PEMBANG UNAN 3 PONJONG SMA MUHAMM ADIYAH PONJONG SMA IKIP VETERAN III TAMBAKR OMO SMA 1 SEMANU


LAMPIRAN 2 DATASET HASIL TRANSFORMASI DATA

MAT1 TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

MAT2

MAT3

MAT4

MAT5

MAT6

MAT7

MAT8

MAT9

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS

TUNT AS

TUNT AS TIDAK TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS


TUNT AS



TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS

TUNT AS


TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS









TUNT AS

TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS


TUNT AS



TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS








MAT1 0 TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

MAT1 1

MAT1 2

MAT1 3

MAT1 4

MAT1 5

MAT1 6

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS




TUNT AS

TUNT AS



TUNT AS

TUNT AS



TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS













TUNT AS TUNT AS TUNT AS TIDAK TUNT AS


TUNT AS

TUNT AS


MAT1 8

MAT1 9

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS




TUNT AS

TUNT AS TUNT AS TUNT AS TUNT AS

TUNT AS TUNT AS


MAT2 1 TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS

MAT2 2 TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

MAT2 3

MAT2 4

MAT2 5

MAT2 6

MAT2 7

MAT2 8

MAT2 9

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS


TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS


TUNT AS


TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS




TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS
















TUNT AS



TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS




TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS


TUNT AS TUNT AS



TUNT AS

TUNT AS

TUNT AS



TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS



TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS



TUNT AS TUNT AS









TUNT AS TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS







TUNT AS

TUNT AS

TUNT AS

TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TIDAK TUNT AS

TUNT AS

TUNT AS TUNT AS TUNT AS


TUNT AS TUNT AS

TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS


TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS


TUNT AS



TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS






TUNT AS

TUNT AS

TUNT AS

TUNT AS





TUNT AS

TUNT AS

TUNT AS


TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS



TUNT AS

TUNT AS TUNT AS




TUNT AS

TUNT AS

TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS



TUNT AS

TUNT AS TIDAK TUNT AS TUNT AS


TUNT AS TUNT AS






TUNT AS

TUNT AS

TUNT AS


TUNT AS


TUNT AS




TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS TUNT AS TIDAK TUNT AS


TUNT AS


TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS












TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS





TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS


TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS



TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS



TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS




TUNT AS

TUNT AS





TUNT AS TUNT AS




TIDAK TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS

TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TUNT AS



TUNT AS

TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS





TUNT AS

TUNT AS


TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS


TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS




TUNT AS

TUNT AS












TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS

TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS



TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS


TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS


TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS


TUNT AS


TUNT AS


TUNT AS


TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS

TUNT AS

TUNT AS


TUNT AS TUNT AS

TUNT AS


TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS




TUNT AS








TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS




TUNT AS


TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS








TUNT AS

TUNT AS


TUNT AS

TUNT AS





TUNT AS

TUNT AS

TUNT AS




TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TIDAK TUNT AS TIDAK TUNT AS








TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS









TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS





TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS





TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS

TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS

TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS



TIDAK TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS




TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS TUNT AS


TUNT AS

TUNT AS





TUNT AS



TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS







TUNT AS TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS



TUNT AS TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS


TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS



TUNT AS


TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS

TUNT AS TUNT AS


TIDAK TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS









TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS







TUNT AS


TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS







TUNT AS

TUNT AS




TUNT AS


TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS





TUNT AS






TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS







TUNT AS



TUNT AS



TUNT AS

TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TUNT AS


TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS TUNT AS

TUNT AS TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TUNT AS






TUNT AS




TUNT AS










TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS







TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS



TUNT AS

TUNT AS






TUNT AS

TUNT AS

TUNT AS


TUNT AS


TUNT AS

TUNT AS


TUNT AS TUNT AS







TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS


TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS


TUNT AS

TUNT AS

TUNT AS




TUNT AS


TUNT AS


TUNT AS


TUNT AS

TUNT AS TUNT AS

TUNT AS


TUNT AS


TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS






















TUNT AS

TUNT AS





TUNT AS


TUNT AS

TUNT AS





TUNT AS


TUNT AS


TUNT AS

TUNT AS



TUNT AS

TUNT AS TUNT AS


TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS



TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS



TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS


TIDAK TUNT AS

TIDAK TUNT AS

TUNT AS


TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS






TUNT AS

TUNT AS TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS


TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS




TIDAK TUNT AS

TUNT AS TUNT AS



TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS







TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS



TUNT AS TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS


TUNT AS


TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS TUNT AS

TUNT AS

TUNT AS TIDAK TUNT AS TUNT AS TUNT AS


TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS



TIDAK TUNT AS


TIDAK TUNT AS

TUNT AS

TUNT AS


TUNT AS

TUNT AS


TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS

TUNT AS




TUNT AS

TUNT AS

TUNT AS


TUNT AS TUNT AS


TUNT AS

TUNT AS




TUNT AS


TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS TIDAK TUNT AS

TUNT AS




TUNT AS

TUNT AS



LAMPIRAN 3 : DIAGRAM USE CASE


LAMPIRAN 4 : GAMBARAN UMUM USE CASE

ID Use

Nama Use Case

Deskripsi

Aktor

Case Use case ini merupakan proses 1

Memasukkan

memasukkan data file bertipe .xls atau

Data

.csv ataupun data dari tabel di

User

database ke dalam sistem. Use case ini merupakan proses 2

Seleksi Atribut

pemilihan atribut dari data yang

User

terpilih yang akan di asosiasi. Asosiasi 3

menggunakan

Use case ini merupakan proses

algoritma

asosiasi dari data yang sudah terpilih

User

apriori

4

Simpan Hasil Apriori

Use case ini merupakan proses penyimpanan hasil asosiasi dalam bentuk file dengan tipe ekstensi .xls

User


LAMPIRAN 5 : NARASI USE CASE

1.

Narasi Use Case Memasukkan Data Memasukkan Data

Nama Use Case

Memasukkan data

ID Use Case

1

Aktor

User Use case ini merupakan proses memasukkan data dari

Deskripsi

beberapa tipe file data ataupun dari database ke dalam sistem.

Kondisi Awal

Kondisi Akhir

User telah masuk ke dalam sistem dan berada pada halaman preprocessing. Data ditampilkan dalam tabel data pada halaman preprocessing. Aksi Aktor

Reaksi Sistem

1. Menekan tombol “Pilih File” untuk memasukkan file yang berekstensi .xls atau.csv. 2. Menampilkan kotak dialog untuk pemilihan file yang berada di salah

Typical Course

satu direktori komputer 3. Memilih file yang akan digunakan dalam proses asosiasi. 4. Menampilkan data dari file yang telah dipilih ke dalam tabel data yang


terdapat pada halaman preprocessing. 1. Menekan tombol “Pilih Database” untuk melakukan koneksi ke database. 2. Menampilkan halaman konfigurasi database. 3. Memilih database MySQL atau Oracle, dan mengisikan isian username, password, nama database, dan URL. Kemudian menekan tombol OK. Alternate Course

4. Jika isian konfigurasi benar, maka akan menampilkan pesan berhasil terkoneksi ke database dan akan menuju langkah 5. Jika isian konfigurasi salah, akan mengulang ke langkah 3. 5. Memilih tabel dalam database yang ingin dimasukkan ke tabel data pada halaman preprocessing. Lalu menekan tombol “OK”


6. Menampilkan data tabel yag terpilih pada halaman preprocessing.

2.

Narasi Use Case Seleksi Atribut Seleksi Atribut

Nama Use Case

Seleksi Atribut

ID Use Case

2

Aktor

User

Deskripsi

Kondisi Awal

Kondisi Akhir

Use case ini merupakan proses pemilihan atribut dari data yang terpilih yang akan di asosiasi. Data yang terpilih sudah tampil dalam tabel data di halaman preprocessing tersebut Pemilihan data dan seleksi atribut yang akan dideteksi selesai. Menampilkan halaman asosiasi. Aksi Aktor

Reaksi Sistem

1. Memilih atribut yang ingin dihapus dengan mencentang pada atribut yang terpilih. Typical Course

2. Menekan tombol “Hapus Atribut” 3. Menghapus atribut yang terpilih dari tabel data. 4. Menekn tombol “Submit”. 5. Menampilkan halaman asosiasi. 1. Menekan tombol “Tandai

Alternate Course

Semua” untuk menandai semua atribut untuk


dihapus. Jika ingin membatalkan pendandaan atribut dapat menekan tombol “Batal” 2. Menekan tombol “Hapus Atribut” 3. Menghapus atribut yang terpilih dari tabel data. 4. Menekn tombol “Submit”. 5. Menampilkan halaman asosiasi.

3.

Narasi Use Case Asosiasi Menggunakan Algoritma Apriori Asosiasi Menggunakan Algoritma Apriori

Nama Use Case

Asosiasi menggunakan algoritma apriori

ID Use Case

3

Aktor

User

Deskripsi

Use case ini merupakan proses asosiasi dai data yang sudah terpilih.

Kondisi Awal

Sistem sudah berada dalam halaman asosiasi

Kondisi Akhir

Pengguna dapat melihat hasil asosiasi Aksi Aktor

Reaksi Sistem

1. Memasukkan nilai minimum support 2. Memasukkan nilai Typical Course

minimum confidence 3. Menekan tombol “Proses” 4. Menampilkan hasil asosiasi.


-

Alternate Course

4.

-

Narasi Use Case Simpan Hasil Apriori Simpan Hasil Asosiasi

Nama Use Case

Menyimpan hasil asosiasi ke direktori computer

ID Use Case

4

Aktor

User

Deskripsi Kondisi Awal Kondisi Akhir

Use case ini merupakan proses penyimpanan hasil asosiasi dalam bentuk file dengan tipe ekstensi .xls Hasil asosiasi sudah tampil. Hasil asosiasi sudah tersimpan dalam salah satu direktori di computer Aksi Aktor

Reaksi Sistem

1. Menekan tombol “Simpan” 2. Menampilkan kotak dialog pemilihan direktori penyimpanan. 3. Memilih direktori penyimpanan hasil Typical Course

asosiasi. 4. Mengisikan nama file yang akan disimpan. 5. Memilih extensi penyimpanan file tersebut. 6. Menekan tombol “OK” 7. Menyimpan hasil asosiasi ke dalam file


dalam direktori yang telah dipilih. Alternate Course

-

-


LAMPIRAN 6 : DIAGRAM AKTIVITAS

Diagram Aktivitas Memasukkan Data MEMASUKKAN DATA USER

Ya

SISTEM

Tidak

Memasukkan data dari database?

Menekan tombol "Pilih FIle"

Memilih file bertipe .xls atau .csv

Menampilkan kotak dialog file chooser

Menekan tombol "OK"

Menampilkan file data yang terpilih ke tabel data di halaman preprocessing

Menekan tombol "Pilih Database"

Menampilkan halaman konfigurasi database

Memilih database dan mengisikan konfigurasinya (username, password, nama database)

Menekan tombol "OK"

Mengecek koneksi database Tidak Ya Benar?

Memilih tabel dalam database

Menampilkan pesan berhasil koneksi ke database

Menampilkan pesan gagal koneksi ke database

Menekan tombol "OK"

Phase

1.

Menampilkan data tabel yang terpilih pada halaman preprocessing


Diagram Aktivitas Seleksi Atribut SELEKSI ATRIBUT USER

Tidak

SISTEM

Ya

Tandai semua atribut?

Menekan tombol "Pilih Semua"

Semua atribut tercentang

Menandai atribut satu per satu

Atribut yang ditandai menjadi tercentang

Tidak

Batal menandai atribut?

Phase

2.

Ya

Menekan tombol "Batal"

Semua centang dibatalkan

Menekan tombol "Hapus Atribut"

Menghapus atribut yang sudah tercentang dari tabel seleksi astribut pada halaman preprocessing


Diagram Aktivitas Asosiasi Menggunakan Algoritma Apriori ASOSIASI MENGGUNAKAN ALGORITMA APRIORI USER

SISTEM

Mengisi textfield minimum support

Mengisi textfield minimum confidence

Menekan tombol "Proses"

Phase

3.

Menampilkan hasil asosiasi


Diagram Aktivitas Simpan Hasil Asosiasi SIMPAN HASIL ASOSIASI USER

SISTEM

Menekan tombol "Simpan"

Menampilkan kotak dialog pemilihan direktori penyimpanan

Memilih direktori penyimpanan

Mengisi nama file yang akan disimpan

Memilih ekstensi penyimpanan file

Menekan tombol "OK"

Phase

4.

Menyimpan hasil asosiasi ke dalam file dalam direktori yang terpilih


LAMPIRAN 7 : DIAGRAM KELAS ANALISIS


LAMPIRAN 8 : DIAGRAM SEQUENCE

1.

Diagram Sequence Memasukkan Data Dari File <> view_home

<> view_preprocess

<> control_atributSelection

User Menekan tombol "MASUK SISTEM" Menampilkan halaman preprocessing Menekan tombol "PILIH FILE" Menampilkan kotak dialog file chooser Memilih file bertipe .xls atau .csv

bt_chFileActionPerformed (java.awt.event.ActionEvent evt); new DefaultTableModel(data, atribut)

setModel(dft) Menampilkan data dari file di tb_fileInput new control_atributSelection()

setAtribut(dft.getColumnName(i)); setPilih(false)

addRow(i, asModel) Menampilkan atribut dari tb_fileInput di tb_atributSelection

setModel(asControl)

<<model>> model_atributSelection

USER

Menampilkan atribut dari tb_fileInput di tb_atributSelection

<> view_database

Memilih tabel database

Menambilkan halaman view_table

Memilih database, mengisi username, password, schema, dan url

Menampilkan halaman view_database

Menekan tombol "PILIH DATABASE"

Menampilkan halaman preprocessing

Menekan tombol "MASUK SISTEM"

<> view_preprocess

isConnect_MySQL(true)

addRow(i, asModel) setModel(asControl)

<> control_tableSelection


getDatabase(conn, cb_table. getSelectedItem().toString())

<> view_table

new control_atributSelection()

menampilkan data pada tb_fileInput

isConnect_MySQL (url + schema, username, password)

<> control_dbSelection



2.

< view_home


Diagram Sequence Memasukkan Data Dari Database MySQL

USER

Menampilkan atribut dari tb_fileInput di tb_atributSelection

<> view_database

Memilih tabel database

Menambilkan halaman view_table

Memilih database, mengisi username, password, schema, dan url

Menampilkan halaman view_database

Menekan tombol "PILIH DATABASE"

Menampilkan halaman preprocessing

Menekan tombol "MASUK SISTEM"

<> view_preprocess

isConnect_Oracle(true)

addRow(i, asModel) setModel(asControl)

<> control_tableSelection


getDatabase(conn, cb_table. getSelectedItem().toString())

<> view_table

new control_atributSelection()

menampilkan data pada tb_fileInput

isConnect_Oracle (url + schema, username, password)

<> control_dbSelection



3.

< view_home


Diagram Sequence Memasukkan Data Dari Database Oracle


4.

Diagram Sequence Seleksi Atribut <> view_preprocess



USER

Menandai atribut yang akan dihapus Menekan tombol "HAPUS ATRIBUT"

tb_fileInput.removeColumn(colDel); asControl.Delete_Atribut();

as.add(selection); fireTableDataChanged();

Menghapus data atribut dari tb_fileInput; Menghapus baris nama atribut pada tb_atributSelection


5.

Diagram Sequence Simpan Hasil Asosiasi

<> view_asosiasi USER

Menekan tombol "SIMPAN HASIL ASOSIASI" Menampilkan kotak dialog penyimpanan Memilih direktori penyimpanan Mengisi nama file

Memilih tipe file Menekan tombol "Save" bt_saveActionPerformed(java.awt.event.ActionEvent evt)

Menampilkan pesan bahwa penyimpanan berhasil Hasil asosiasi tersimpan sebagai file di direktori komputer


LAMPIRAN 9 : STRUKTUR DIAGRAM KELAS


LAMPIRAN 10 : ALGORITMA PER METHOD

Tabel 4.2 Rincian Algoritma per Method Kelas control_dbConnection Nama Method

Fungsi Method

Algoritma Method

MySQL_conn(String url,

Melakukan

1. Variabel conn diisikan

String username, String

koneksi ke

dengan objek

password)

database

DriverManager milik

MySQL

java.sql yang memanggil method getConnection dengan parameter url, username, dan password. 2. Jika koneksi berhasil maka akan menampilkan message dialog “MySQL Connection Success”. 3. Jika koneksi berhasil maka akan menampilkan message dialog “MySQL Connection Failed!”. 4. Mengembalikan variabel conn.

isConnect_MySQL(String Melakukan

1. Memanggil method

url, String username,

pengecekan

MySQL_conn dengan

String password)

koneksi ke

parameter url, usrename,

database

dan paaword.

MySQL

2. Jika tidak menghasilkan nilai null maka akan mengembalikan nilai true.


3. Jika menghasilkan nilai null maka akan mengembalikan nilai false. Oracle_conn(String url,

Melakukan

1. Membuat objek baru dari

String username, String

koneksi ke

OracleDataSource dengan

password)

database Oracle

nama ds. 2. Objek ds memanggil method setURL dengan parameter url. 3. Variabel conn diisikan dengan objek ds yang memanggil method getConnection dengan parameter username dan password. 4. Jika koneksi berhasil maka akan menampilkan message dialog “Oracle Connection Success”. 5. Jika koneksi berhasil maka akan menampilkan message dialog “Oracle Connection Failed!”. 6. Mengembalikan variabel conn.

isConnect_Oracle(String

Melakukan

1. Memanggil method

url, String username,

pengecekan

MySQL_conn dengan

String password)

koneksi ke

parameter url, usrename,

database Oracle

dan paaword.


2. Jika tidak menghasilkan nilai null maka akan mengembalikan nilai true. 3. Jika menghasilkan nilai null maka akan mengembalikan nilai false.

Rincian algoritma per method kelas control_tableConnection dapat dilihat pada tabel 4.3.

Tabel 4.3 Rincian Algoritma per Method Kelas control_tableConnection.java Nama Method

Fungsi

Algoritma Method

Method displayTable_MySQL(Connection Menampilkan conn)

1. Variabel st diisi

tabel yang

dengan parameter

terdapat pada

conn yang memanggil

koneksi

method

database

createStatement.

MySQL dari

2. Variabel sql diisi

schema

dengan nilai string

database yang

“show tables”.

sudah dipilih

3. Variabel rs diisi dengan nilai variabel st yang memanggil method executeQuery dengan parameter dari variabel sql. 4. Mengembalikan nilai rs.


displayTable_Oracle(Connection

Menampilkan

conn)

tabel yang

dengan parameter

terdapat pada

conn yang memanggil

koneksi

method

database

createStatement.

Oracle


2. Variabel sql diisi dengan nilai string “select table_name from tabs”. 3. Variabel rs diisi dengan nilai variabel st yang memanggil method executeQuery dengan parameter dari variabel sql. 4. Mengembalikan nilai rs.

selectTable(Connection conn,

Mengambil isi


String table)

dari tabel

dengan parameter

yang dipilih

conn yang memanggil method createStatement. 2. Variabel sql diisi dengan nilai string “select * from ” + table. 3. Variabel rs diisi dengan nilai variabel st yang memanggil method executeQuery


dengan parameter dari variabel sql. 4. Mengembalikan nilai rs.

Rincian algoritma per method kelas control_atributSelection dapat dilihat pada tabel 4.4.

Tabel 4.4 Rincian Algoritma per Method Kelas control_atributSelection.java Nama Method

Fungsi

Algoritma Method

Method Delete_Atribut()

Mengahpus

1. Membuat objek baru dari

atribut yang

ArrayList<model_atributSelection

telah dipilih

> dengan nama as. 2. Selama variabel selection bertipe model_atributSelection sesuai dengan atribut yang dipilih, lakukan : a. Jika selection.getPilih() bernilai false, maka as.add(selection). 3. Memasukkan nilai as ke dalam variabel atribut. 4. Memanggil method fireTableDataChanged.

getValueAt(int

Memanggil

rowIndex, int

nilai objek

bertipe model_atributSelection

columnIndex)

pada baris

dengan nama seleksi dan memberi

dan kolom

nilai dari variabel atribut yang

tertentu

1. Mendeklarasikan variabel baru


memanggil method get dengan parameter rowIndex. 2. Ketika columnIndex bernilai 0, kembalikan nilai variabel seleksi yang memanggil method getAtribut. 3. Ketika columnIndex bernilai 1, kembalikan nilai variabel seleksi yang memanggil method getPilih. 4. Ketika columnIndex tidak bernilai 0 atau 1, kembalikan nilai kosong bertipe String. setValueAt(Object

Menyimpan

1. Ketika columnIndex bernilai 0,

value, int rowIndex,

nilai objek

variabel atribut memanggil method

int columnIndex)

pada baris

get dengan parameter rowIndex.

dan kolom

Method get ini juga memanggil

tertentu

method setAtribut dengan parameter value.toString(). 2. Ketika columnIndex bernilai 1, variabel atribut memanggil method get dengan parameter rowIndex. Method get juga memanggil method setPilih dengan parameter value yang di parsing ke tipe Boolean. 3. Memanggil method fireTableCellUpdated dengan parameter rowIndex dan columnIndex.


addRow(int a,

Memasukka

model_atributSelectio

n baris baru

n as)

1. Variabel atribut memanggil method add dengan parameter a dan as. 2. Memanggil method fireTableCellUpdated dengan parameter method getRowCount – 1 dan method getRowCount – 1.


LAMPIRAN 11 : PROSEDUR PENGUJIAN DAN KASUS UJI

Identifikasi Use Case UC1-01

Deskripsi

Prosedur Pengujian

Hasil yang

Catatan Proses

Diharapkan

Didapat

Pengembangan

Data pada file

Data pada file

Tidak diperbaiki

1.

Jalankan sistem

memasukkan

2.

Pada halaman

tester.xls

tester.xls

data dari file

awal, tekan

ditampilkan pada

ditampilkan pada

bertipe .xls

tombol “MASUK

tabel data di

tabel data di

SISTEM”

halaman

halaman

Pada halaman

preprocessing

preprocessing

Data pada file

Data pada file

Pengujian

preprocessing,

memasukkan

tekan tombol

tester.csv

tester.csv

data dari file

“PILIH FILE”

ditampilkan pada

ditampilkan pada

Pilih file yang

tabel data di

tabel data di

datanya akan

halaman

halaman

digunakan

preprocessing

preprocessing

Muncul

Muncul

pemberitahuan tipe

pemberitahuan tipe

data dari file

file yang dipilih

file yang dipilih

selain bertipe

tidak sesuai

tidak sesuai

bertipe .csv

UC1-03

tester.xls

Keluaran yang

Pengujian

3. UC1-02

Masukkan

Pengujian memasukkan

.xls dan .csv

4.

5.

Tekan tombol “OK”

tester.csv

tester.doc

Tidak diperbaiki

Tidak diperbaiki


UC1-04

Pengujian

1.

Jalankan sistem

Memasukkan

2.

Data pada tabel

Data pada tabel

Pada halaman

database MySQL :

database MySQL :

data dari

awal, tekan

tester.sql

tester.sql

Database

tombol “MASUK

ditampilkan pada

ditampilkan pada

MySQL

SISTEM”

tabel data di

tabel data di

Pada halaman

halaman

halaman

preprocessing,

preprocessing

preprocessing

Data pada tabel

Data pada tabel

3.

UC1-05

tester.sql

Pengujian

tekan tombol

Memasukkan

“PILIH

database Oracle :

database Oracle :

data dari

DATABASE”

tester.sql

tester.sql

Memasukkan

ditampilkan pada

ditampilkan pada

Konfigurasi

tabel data di

tabel data di

Database

halaman

halaman

Berhasil

preprocessing

preprocessing

Database Oracle

4.

5.

melakukan koneksi dengan database 6.

Pilih tabel database yang akan digunakan datanya

7.


tester.sql

Tidak diperbaiki

Tidak diperbaiki


UC1-06

Pengujian

1.

Jalankan sistem

Pilih database :

Muncul

Muncul

Melakukan

2.

Pada halaman

MySQL

pemberitahuan

pemberitahuan

gagal melakukan

gagal melakukan

koneksi ke database

koneksi ke database

MySQL.

MySQL.

Kesalahan

awal, tekan

Konfigurasi

tombol “MASUK

Database

SISTEM”

MySQL

3.

Username : root

Pada halaman

Password :

preprocessing,

125314055

tekan tombol

4.

5.

“PILIH

Scema

DATABASE”

Database : coba

Memasukkan Konfigurasi

url :

Database

mysqlconnect


Tidak diperbaiki


UC2-01

Pengujian

Tabel data pada

Atribut yang

kolom KODE

kolom KODE

menghapus

halaman

tercentang :

SEKOLAH dan

SEKOLAH dan

atribut dengan

preprocess sudah

KODE

NAMA SEKOLAH

NAMA SEKOLAH

memilih satu

berisi data

SEKOLAH,

pada tabel data

pada tabel data

Mencentang

NAMA

terhapus

terhapus

kemudian

sebuah atribut

SEKOLAH

menekan tombol

pada tabel atribut

atau lebih atribut

hapus atribut

1.

2.

3.

Tidak diperbaiki

Tekan tombol “HAPUS ATRIBUT”

UC2-02

Pengujian

Tabel data pada

Seluruh atribut

Tabel data menjadi

Tabel data menjadi

menghapus

halaman

tercentang

kosong

kosong

atribut dengan

preprocess sudah

memilih semua

berisi data

atribut

1.

2.

Tekan tombol

menggunakan

“TANDAI

tombol tandai

SEMUA”

semua kemudian

3.

Tekan tombol

menekan tombol

“HAPUS

hapus atribut

ATRIBUT”

Tidak diperbaiki


UC2-03

Pengujian

Tabel data pada

Terdapat atribut

Seluruh atribut

Seluruh atribut

membatalkan

halaman

yang tercentang

yang tercentang

yang tercentang

pemilihan atribut

preprocess sudah

menjadi tidak

menjadi tidak

dengan menekan

berisi data

tercentang

tercentang

tombol batal

1.

2.

Tidak diperbaiki

Sudah terdapat atribut yang tercentang

3.

Tekan tombol “BATAL”

UC3-01

Pengujian

Tabel data pada

Daya serap

Data yang memiliki

Data yang memiliki

melakukan

halaman

minimal : 75

value >= 75

value >= 75

konversi data

preprocess sudah

berubah menjadi

berubah menjadi

sesuai dengan

berisi data

“TUNTAS”

“TUNTAS”

Sudah tidak

sedangkan data

sedangkan data

daya serap

terdapat kolom

yang memiliki

yang memiliki

minimum

yang memiliki

value < 75 berubah

value < 75 berubah

value non-

menjadi “TIDAK

menjadi “TIDAK

numerik

TUNTAS”

TUNTAS”

masukkan nilai

1.

2.

3.

Tekan tombol “KONVERSI”

Tidak diperbaiki


UC3-02

Pengujian terjadi

1.

Tabel data pada

Daya serap

Muncul

Muncul

kesalahan dalam

halaman

minimal : 75

pemberitahuan

pemberitahuan

melakukan

preprocess sudah

bahwa konversi

bahwa konversi

konversi data

berisi data

tidak dapat

tidak dapat

Masih terdapat

dilakukan dan

dilakukan dan

kolom yang

menampilkan pesan

menampilkan pesan

memiliki value

error

error

2.

Tidak diperbaiki

non-numerik 3.

Tekan tombol “KONVERSI”

UC3-03

Pengujian

1.

melakukan proses asosiasi

2.

3.

4.

Sudah berada di

Minimum

Proses asosiasi

Proses asosiasi

halaman asosiasi

support : 80

berjalan. Frequent

berjalan. Frequent

k-itemset yang

k-itemset yang

Tabel data sudah berisi data

Minimum

diperoleh tampil

diperoleh tampil

transaksi yang

confidence : 85

pada textarea.

pada textarea.

akan dicari aturan

Sedangkan aturan

Sedangkan aturan

asosiasinya

asosiasi yang

asosiasi yang

Memasukkan

terbentuk

terbentuk

minimum support

ditampilkan pada

ditampilkan pada

dan minimum

tabel aturan

tabel aturan

confidence

asosiasi.

asosiasi.

Tekan tombol “PROSES”

Tidak diperbaiki


UC4-01

Pengujian

Proses asosiasi

Nama file :

File tersimpan pada

File tersimpan pada

menyimpan hasil

sudah berhasil

cobaXLS

directori

directori

asosiasi ke

dilakukan

F:/cobaXLS.xls

F:/cobaXLS.xls

dalam file

UC4-02

1.

2.

Menekan tombol

Tipe file : .xls

bertipe .xls

“SIMPAN HASIL

Pengujian

ASOSIASI”

Nama file :

File tersimpan pada

File tersimpan pada

Memilih directori

cobaDOC

directori

directori

F:/cobaDOC.doc

F:/cobaDOC.doc

menyimpan hasil asosiasi ke dalam file

3.

Tidak diperbaiki

peyimpanan di F:

Tidak diperbaiki

Tipe file : .doc

bertipe .doc UC4-03

Pengujian

Nama file :

File tersimpan pada

File tersimpan pada

menyimpan hasil

cobaTXT

directori

directori

F:/cobaTXT.txt

F:/cobaTXT.txt

asosiasi ke dalam file bertipe .txt

Tipe file : .txt

Tidak diperbaiki


LAMPIRAN 12 : HITUNG MANUAL PENAMBANGAN DATA

Proses penambangan data memiliki beberapa tahapan. Dalam melakukan proses penambangan data secara manual, digunakan aplikasi Microsoft Excel sebagai alat bantu penghitungan. Metodologi dasar analisis asosiasi terbagi menjadi dua tahap, yaitu : 1. Analisa Pola Frekuensi Tinggi Tahap ini mencari kombinasi iten yang memenuhi syarat minimum dari nilai support. Nilai support sebuah item diperoleh dengan rumus berikut :

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) =

𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖

Sedangan nilai support dari dua item diperoleh rumus berikut :

𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴 ∩ 𝐵) =

𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖

2. Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence aturan asosiasi 𝐴 → 𝐵 diperoleh dari rumus berikut :

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = 𝑃 (𝐵|𝐴) =

𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴

Pada proses ini digunakan data nilai daya serap Ujian Nasional Matematika SMA jurusan IPA di Kabupaten Gunung Kidul, Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dengan nilai daya serap minimal 60%. Data tersebut disajikan dalam tabel berikut ini :


ID Transaksi

Transaksi MAT2 MAT3 MAT4 MAT5 MAT6 MAT7 MAT8 MAT9

T1

MAT11 MAT12 MAT13 MAT14 MAT15 MAT16 MAT18 MAT19 MAT23 MAT24 MAT25 MAT26 MAT27 MAT28 MAT29 MAT2 MAT3 MAT4 MAT5 MAT6 MAT7 MAT8 MAT9

T2

MAT11 MAT12 MAT13 MAT14 MAT15 MAT16 MAT18 MAT19 MAT21 MAT23 MAT24 MAT25 MAT26 MAT27 MAT28 MAT29

T3

MAT4 MAT19 MAT26 MAT27 MAT28

T4

MAT2 MAT4 MAT13 MAT18 MAT19 MAT25 MAT27

T5

MAT4 MAT18 MAT19 MAT24 MAT27 MAT28

T6


T7

MAT19

T8

MAT19

T9

MAT4 MAT8 MAT13 MAT18 MAT19 MAT24 MAT28

T10

MAT19

T11


T12

MAT4 MAT7 MAT8 MAT13 MAT14 MAT18 MAT19 MAT25 MAT27 MAT28

T13


T14

-

T15

MAT4 MAT19

T16

MAT19

T17

MAT4 MAT18 MAT19

T18


Berdasarkan tabel diatas, maka akan dilakukan pencarian frequent itemset dengan menggunakan algoritma apriori. Nilai minimum support dan nilai minimum


confidence yang digunakan masing-masing sebesar 60%. Proses pencarian frequent itemset sebagai berikut: 1.

Menghitung support candidate 1-itemset Candidate 1-itemset

Support Count

{MAT1}

0

{MAT2}

3

{MAT3}

2

{MAT4}

12

{MAT5}

2

{MAT6}

3

{MAT7}

4

{MAT8}

4

{MAT9}

2

{MAT10}

0

{MAT11}

2

{MAT12}

2

{MAT13}

6

{MAT14}

4

{MAT15}

2

{MAT16}

2

{MAT17}

0

{MAT18}

10

{MAT19}

17

{MAT20}

0

{MAT21}

1

{MAT22}

0

{MAT23}

2

{MAT24}

5

{MAT25}

4

{MAT26}

4


2.

3.

4.

{MAT27}

10

{MAT28}

8

{MAT29}

2

{MAT30}

0

Menentukan frequent 1-itemset berdasarkan nilai minimum support Frequent 1-itemset

Support Count

{MAT4}

12

{MAT19}

17

Menghitung support candidate 2-itemset Candidate 2-itemset

Support Count

{MAT4 MAT19}

12

Menentukan frequent 2-itemset berdasarkan nilai minimum support Frequent 2-itemset

Support Count

{MAT4 MAT19}

12

Pencarian frequent itemset berhenti pada frequent 2-itemset. Hal ini dilakukan karena hanya terdapat 1 frequent itemset pada frequent 2-itemset sehingga tidak mungkin dapat dibentuk menjadi candidate 3-itemset. Transaksi pada frequent 2itemset tersebut sudah memenuhi kriteria minimum support, sehingga transaksi tersebut akan dijadikan dasar pembentukan aturan asosiasi. Aturan asosiasi yang dapat dibentuk dari transaksi tersebut adalah : 1.

{MAT4}  {MAT19}

2.

{MAT19}  {MAT4}

Berdasarkan aturan asosiasi tersebut, maka akan dihitung nilai confidence dan lift ratio dari masing-masing aturan asosiasi. Hasil penghitungannya dapat dilihat pada tabel berikut ini :


Aturan Asosiasi

Confidence

Lift Ratio

{MAT4}  {MAT19}

100 %

1.05

{MAT19}  {MAT4}

70.59 %

1.05

Berdasarkan hasil perhitungan lift ratio pada tabel diatas, dapat dilihat bahwa aturan yang terbentuk memiliki kekuatan yang bagus karena nilai lift ratio dari aturan tersebut bernilai lebih besar dari 1. Sehingga dapat dikatakan bahwa seluruh rule tersebut memiliki suatu manfaat.


LAMPIRAN 13 : PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN DATASET TAHUN PELAJARAN 2012/2013

1.

Pengujian 7 : DSM 60%, MINSUP 40%, MINCON 50%

2.



3.


4.


5.



6.


7.

Pengujian Dataset 41 : DSM 60%, MINSUP 70%, MINCON 60%

8.



9.


10. Pengujian Dataset 58 : DSM 65%, MINSUP 45%, MINCON 60%

11. Pengujian 63 : DSM 65%, MINSUP 50%, MINCON 60%













1.


2.



3.


4.


5.



6.


7.


8.



9.














1.


2.



3.


4.


5.



6.


7.


8.



9.








LAMPIRAN 16 : PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN DATASET GABUNGAN TAHUN PELAJARAN 2012/2013 DAN TAHUN PELAJARAN 2013/2014

1.


2.



3.


4.


5.



6.


7.


8.



9.












PENERAPAN ALGORITMA APRIORI UNTUK ANALISIS DAYA SERAP HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA JURUSAN IPA DI DAERAH ISTIMEWA YOGYAKARTA

Recommend Documents