SISTEM REKOMENDASI PENERIMAAN BANTUAN SISWA MISKIN (BSM)

Artikel Skripsi Universitas Nusantara PGRI Kediri

SISTEM REKOMENDASI PENERIMAAN BANTUAN SISWA MISKIN (BSM)

ARTIKEL SKRIPSI

Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika

OLEH : RYANI TRI LESTARI NPM : 12.1.03.02.0292

FAKULTAS TEKNIK (FT) UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA UN PGRI KEDIRI 2016

Ryani Tri Lestari | 12.1.03.02.0292 Teknik – Teknik Informatika

simki.unpkediri.ac.id || 1||








SISTEM REKOMENDASI PENERIMAAN BANTUAN SISWA MISKIN (BSM) Ryani Tri Lestari 12.1.03.02.0292 Teknik – Teknik Informatika [email protected] Rini Indriati, S.Kom., M Kom dan Risky Aswi Ramadhani, S.Kom., M Kom UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK

Banyaknya siswa di MTsN Kanigoro yang mendaftar menjadi peserta seleksi Bantuan Siswa Miskin (BSM) membuat pihak sekolah merasa kesulitan dalam memilih siswa yang akan direkomendasikan untuk mendapat BSM karena pihak sekolah masih melakukan cara manual yaitu dengan memilah-milah berkas yang dikumpulkan oleh siswa yang mendaftar sebagai peserta BSM. Proses seleksi tersebut menyita banyak waktu dan hasilnya pun kurang valid. Dari masalah tersebut maka dibutuhkan suatu aplikasi dengan metode yang sesuai untuk mempercepat proses dan memberi pertimbangan pada pihak sekolah dalam melakukan rekomendasi penerima BSM. Salah satu metode yang dapat digunakan adalah Naive Bayes Classifier. Naive Bayes Classifier adalah pendekatan yang mengacu pada teorema bayes yang mengkombinasikan pengetahuan sebelumnya dengan pengetahuan baru. Pengetahuan sebelumnya atau data tranning ini diambil dari data siswa yang sebelumnya mendapatkan BSM dan data siswa yang sebelumya tidak mendapat BSM. Dalam hal ini penggunaan Metode Naive Bayes digunakan dalam merekomendasi penerimaan BSM. Penelitian ini memberikan hasil berupa informasi rekomendasi siswa yang diseleksi dengan hasil rekomendasi penerima Bantuan Siswa Miskin (BSM) pada siswa yaitu mendapat dan tidak mendapat BSM. Dengan perhitungan Naive Bayes Classifier ini pihak sekolah mendapatkan hasil rekomendasi sesuai dengan nilai probabilitas tertinggi pada kategori mendapat. Kata Kunci : Bantuan Siswa Miskin (BSM), Rekomendasi, Naive Bayes Classifier I.

LATAR BELAKANG Pendidikan

adalah

sesuatu

yang

pemeritah senantiasa mengadakan program

wajib didapatkan oleh semua kalangan,

Bantuan Siswa Miskin (BSM) di sekolah

terutama pendidikan wajib 12 tahun yaitu

mulai dari tingkat SD sampai dengan SMA

SD, SMP, dan SMA. Dalam menempuh

sederajat.

pendidikan wajib 12 tahun memerlukan

program yang diluncurkan oleh pemerintah

biaya yang tidak sedikit, oleh sebab itu

untuk


Program

BSM

menanggulangi

merupakan

masalah

putus



sekolah pada usia dini dan membantu

variabel meliputi pekerjaan orang tua,

siswa

dalam

penghasilan orang tua, jumlah saudara,

proses

status anak, dan jarak tempuh rumah ke

rekomendasi penerima BSM di MTsN

sekolah. Sedangkan data baru atau data

Kanigoro, pihak sekolah masih melakukan

testing diambil dari data siswa yang akan

cara manual yaitu dengan memilah-milah

diseleksi untuk penerima BSM. Kemudian

berkas yang dikumpulkan oleh siswa yang

data tersebut diproses dengan teknik data

mendaftar sebagai peserta BSM, dengan

mining menggunakan metode Naive Bayes

jumlah berkas yang tidak sedikit bahkan

Classifier untuk menentukan siswa yang

mencapai ratusan.

mendapatkan BSM. Dari hasil sistem

memenuhi

kegiatan

kebutuhan

pembelajaran.

Proses

seleksi

Dalam

tersebut

menyita

tersebut maka dapat dijadikan acuan bagi

banyak waktu dan hasilnya pun kurang

pihak

valid.

maka

rekomendasi penerima BSM sesuai dengan

dibutuhkan suatu aplikasi dengan metode

kriteria seleksi sehingga dana BSM dapat

yang sesuai untuk mempercepat proses dan

tepat sasaran.

Dari

masalah

tersebut

memberi pertimbangan pada pihak sekolah

sekolah

dalam

Berdasarkan

melakukan

latar

belakang

dalam melakukan rekomendasi penerima

permasalahan yang telah diuraikan diatas

BSM.

dapat Dengan menggunakan teknik data

disimpulkan

penelitian

ini

bahwa

adalah

hasil

siswa

dari yang

mining, data siswa yang ada dapat diolah

kemungkinan didirekomendasikan untuk

menjadi suatu informasi yang berguna

mendapatkan

BSM

untuk

mendapatkan

BSM.

menyelesaikan

masalah

diatas

dan

yang

Dengan

tidak adanya

judul

“Sistem

Penerimaan

Bantuan

dengan penggunaan metode yang sesuai.

penelitian

Metode yang sesuai untuk permasalahan

Rekomendasi

diatas

Bayes

Siswa Miskin (BSM)” ini diharapkan

Classifier. Naive Bayes Classifier adalah

dapat membantu pihak sekolah dalam

pendekatan yang mengacu pada teorema

menentukan siswa yang mendapat BSM

bayes

atau tidak dan membantu dalam proses

adalah

metode

yang

Naive

mengkombinasikan

pengetahuan

sebelumnya

pengetahuan

baru.

dengan

rekomendasi BSM dan dapat membantu

Pengetahuan

pihak sekolah dalam mengolah data siswa

sebelumnya atau data tranning ini diambil dari

data

siswa

yang

dengan

yang mendapat bantuan.

sebelumnya

mendapatkan BSM dan data siswa yang sebelumya tidak mendapat BSM, dengan Ryani Tri Lestari | 12.1.03.02.0292 Teknik – Teknik Informatika



II.

𝑎𝑖 =Kriteria Rekomendasi (jumlah saudara,

METODE Naïve bayes merupakan salah satu

jarak tempuh, pekerjaan, penghasilan,

algoritma penerapan dari teorema bayes.

dan status anak)

Perhitungan pada naïve bayes berdasarkan pada asusmsi penyederhanaan bahwa nilai

Dalam melakukan perhitungan Naive

atribut secara konditional saling bebas jika

Bayes Clasifier maka dapat diambil sebuah

diberikan

contoh data seleksi dengan nama siswa

nilai

output.

Probabilitas

mengamati secara bersama produk dari

MOH.

INDRA

probabilitas

kriteria

rekomendasi

individu

akan

didapat

SETIAWAN sebagai

dengan berikut,

pendekatan yang dipakai dalam klasifier

jumlah saudara ( 𝑎1 ) = Banyak, jarak

Naive Bayes. (Santosa, 2007).

tempuh ( 𝑎2 ) = Jauh, pekerjaan ( 𝑎3 ) =

Kasus

dalam

merekomendasikan

penelitian penerima

adalah bantuan

Wiraswasta, penghasilan ( 𝑎4 ) = Tinggi, status anak ( 𝑎5 ) = Keluarga Lengkap.

siswa miskin oleh sistem kepada user.

Adapun

Adapun kriteria yang telah ditentukan

Naive Bayes Classifier pada data seleksi

diambil untuk menjadi evidence (𝑎𝑖 ) yaitu

tersebut adalah :

pekerjaan, penghasilan, jumlah saudara,

1. Mencari nilai Probabilitas Class / P(𝑣𝑗 )

status anak dan jarak tempuh. Sesuai

Langkah ini digunakan

dengan dataset yang telah didapat, peneliti

nilai

membagi class (V) menjadi 2 kategori

kriteria atau tranning, class yang dimaksud

yaitu Mendapat dan Tidak Mendapat.

adalah kategori klasifikasi penerima BSM

langkah-langkah

perhitungan

untuk

mencari

probabilitas class terhadap

data

Dalam menyelesaikan permasalahan

yang sudah masuk kedalam data kriteria.

pada Sistem Rekomendasi Penerimaan

Data kriteria yang ada berjumlah 151 data.

Bantuan Siswa Miskin (BSM) dengan

Jumlah data dengan kategori Mendapat 76

metode Naive Bayes Classifier

data dan Tidak Mendapat 75 data.

yang

didasarkan pada Teorema Bayes adalah dengan

menggunakan

formula

umum

sebagai berikut:

Nilai P(𝑣𝑗 ) yang didapat adalah a. P (Kategori = Mendapat) :

𝑣𝑁𝐵 = arg 𝑚𝑎𝑥𝑣𝑗 ∈𝑉 P(𝑣𝑗 ) P(𝑎𝑖 |𝑣𝑗 )

76 + 1 151

0.509934 b. P (Kategori = Tidak Mendapat) :

75+ 1 151

=

0.503311

Dimana : 𝑣𝑗 =Kategori

=

Rekomendasi

(Mendapat dan Tidak Mendapat) Ryani Tri Lestari | 12.1.03.02.0292 Teknik – Teknik Informatika

BSM

2. Mencari

nilai

Probabilitas

Fitur

/

P(𝑎𝑖 , 𝑣𝑗 ) simki.unpkediri.ac.id || 6||


Langkah ini digunakan untuk mencari nilai

P(Penghasilan = Tinggi | Kategori =

probabilitas setiap fitur dari data seleksi

Mendapat) :

terhadap data kriteria untuk masing-masing kategori yang ada. Didalam data seleksi

5+1 151

= 0.0789474

P(Penghasilan = Tinggi | Kategori = Tidak Mendapat) :

tersebut terdapat beberapa kriteria yang diambil. Kriteria tersebut meliputi : a. Jumlah saudara : Sedikit, Sedang,

151

= 0.6

e. Status anak P(Status = Keluarga Lengkap | Kategori = Mendapat) :

Banyak

44+1

30+1 151

= 0.407895

b. Jarak tempuh : Jauh, Dekat

P(Status = Keluarga Lengkap| Kategori

c. Pekerjaan : Buruh, Pegawai Swasta,

= Tidak Mendapat) :

75+1 151

= 1.01333

Wiraswasta d. Penghasilan : Rendah, Cukup, Tinggi

3. Mencari nilai Perkalian Probabilitas /

e. Status anak : Keluarga Lengkap, Yatim, Piatu, Yatim Piatu

P(𝑎𝑖 |𝑣𝑗 ) Nilai probabilitas ini digunakan untuk mendapatkan nilai perkalian dari masing-

Nilai P(𝑎𝑖 , 𝑣𝑗 ) yang didapat adalah a. Jumlah saudara

Nilai

P(Saudara = Banyak | Kategori = Mendapat) :

34+1 151

= 0.447368

P(Saudara = Banyak | Kategori = Tidak Mendapat) :

9+1 151

= 0.133333

P(Jarak = Jauh | Kategori = Mendapat) : 151

P(𝑎𝑖 |𝑣𝑗 ) yang didapat adalah

P(𝑎𝑖 | 𝑀𝑒𝑛𝑑𝑎𝑝𝑎𝑡 )

=

0.447368

*

0.394737 * 0.421053 * 0.0789474 * 0.407895 = 0.002397 P(𝑎𝑖 | 𝑇𝑖𝑑𝑎𝑘 𝑀𝑒𝑛𝑑𝑎𝑝𝑎𝑡 )= 0.133333 * 0.333333 * 0.56 * 0.6 * 1.01333 =

b. Jarak tempuh 29+1

masing nilai probabilitas kategori.

0,015132

= 0.394737

P(Jarak = Jauh | Kategori = Tidak Mendapat) :

24+1 151

= 0.333333

c. Pekerjaan

Hasil

pada

langkah

keempat

akan

digunakan untuk menentukan kategori data seleksi masuk dalam kategori Mendapat

P(Pekerjaan = Wiraswasta | Kategori = Mendapat) :

4. Mencari Nilai Probabilitas / 𝑣𝑁𝐵

30+1 151

atau Tidak Mendapat.

= 0.421053

P(Pekerjaan = Wiraswasta | Kategori = Tidak Mendapat) :

41+1 151

= 0.56

d. Penghasilan Ryani Tri Lestari | 12.1.03.02.0292 Teknik – Teknik Informatika

Nilai 𝑣𝑁𝐵 yang didapat adalah 𝑣𝑁𝐵 = arg 𝑚𝑎𝑥𝑣𝑗 ∈𝑀𝑒𝑛𝑑𝑎𝑝𝑎𝑡 = 0.509934 * 0.002397 = 0.001221



𝑣𝑁𝐵 = arg 𝑚𝑎𝑥𝑣𝑗 ∈𝑇𝑖𝑑𝑎𝑘

Pada sistem terdiri dari 3 user yaitu

=

𝑀𝑒𝑛𝑑𝑎𝑝𝑎𝑡

kesiswaan, kepala sekolah dan siswa.

0.503311 * 0,015132 = 0.007616

Kesiswaan dapat menginputkan data login, Dari hasil perhitungan diatas, didapat

data seleksi siswa, dan data kriteria.

0.007616 maka

Kemudian kesiswaan akan memperoleh

data seleksi yang dimasukkan dengan

output dari sistem yaitu info login, tabel

nama

kriteria, nilai probabilitas, tabel

seleksi

siswa,

laporan

hasil

maksimal adalah

MOH.

INDRA

SETIAWAN

dinyatakan Tidak Mendapat BSM.

tabel

rekomendasi,

rekomendasi.

Kepala

dan 2 ditambahkan angka 1 karena dalam

menginputkan

data

prediksi

masing-masing

memperoleh informasi dari sistem yaitu

probabilitas tidak boleh nol dengan kata

info login, laporan rekomendasi BSM yang

lain probabilitas yang dihitung tidak

mendapat dan tidak mendapat BSM.

menjadi nol dapat menggunakan Teknik

Sedangkan siswa akan mendapat informasi

Laplacian

Smoothing.

hasil rekomendasi BSM.

digunakan

untuk

Dalam perhitungan pada langkah 1

Naïve

Bayes

Teknik

ini

mengatasi

sekolah login

dapat

dan

akan

nilai

probabilitas kondisional pada Naïve Bayes

2.

Input Data Seleksi Halaman input data seleksi digunakan

Classifier yang dapat bernilai 0.

untuk menginputkan data siswa yang akan III. HASIL DAN KESIMPULAN

diseleksi. Didalam form seleksi terdapat

A. Hasil Implementasi Sistem

tombol

1.

Desain Proses DFD

menyimpan data yang telah diinputkan dan

Dalam mendesain (merancang) sebuah

juga melakukan proses perhitungan untuk

save

yang

sistem, tentunya kita perlu menentukan

mengetahui

alur atau jalannya program yang akan

mandapat BSM atau tidak.

dibuat.

Berikut

ini

adalah

apakah

berfungsi

siswa

untuk

tersebut

Konteks

Diagram dari sistem yang akan dibangun : Data Seleksi Sisw a Data Login Kesiswaan

Data Kriteria Laporan Rekomendasi

Info Login Inv alid Nilai Probabilitas Tabel Kriteria Tabel Seleksi

1 Sistem Rekomendasi BSM

Data Login Tabel Rekomendasi

Tabel Rekomendasi

Hasil Rekomendasi

Info Login Inv alid Kepala Sekolah

Siswa Laporan Rekomendasi BSM

Gambar 1. Konteks Diagram Ryani Tri Lestari | 12.1.03.02.0292 Teknik – Teknik Informatika

Gambar 2. Input Data Seleksi simki.unpkediri.ac.id || 8||


3.

Tabel Data Seleksi

B. Kesimpulan

Tampilan Data Seleksi berupa tabel

Setelah melakukan beberapa uji coba

yang memberi informasi data siswa yang

terhadap sistem yang telah dibuat maka

telah

diperoleh beberapa simpulan sebagai

dilakukan

proses

klasifikasi

berdasarkan penghitungan dengan metode

berikut :

Naive

1.

bayes

Classifier.

Dalam

tabel

Berdasarkan

hasil

bahwa

data

penelitian

tersebut terdapat beberapa opsi yang terdiri

didapatkan

siswa

dapat

dari delete dan detail perhitungan.

digunakan sebagai acuan untuk melakukan rekomendasi penerima Bantuan Siswa Miskin (BSM) sehingga pihak sekolah tidak kesulitan dalam menentukan siswa yang akan direkomendasi untuk mendapat Bantuan Siswa Miskin (BSM). 2.

Perhitungan naive bayes classifier

dapat diterapkan kedalam sistem untuk memberikan kategori penerima Bantuan Gambar 3. Tabel Data Seleksi 4.

Siswa Miskin (BSM) pada siswa dengan hasil kategori yaitu mendapat dan tidak

Hasil Klasiikasi Tampilan Hasil Klasifikasi berupa

informasi data siswa yang telah dilakukan proses

klasifikasi

dan

sistem

akan

menampilkan hasil Mendapat atau Tidak mendapat BSM.

mendapat BSM. Dengan perhitungan ini pihak

sekolah

mendapatkan

rekomendasi

sesuai

probabilitas

tertinggi

dengan pada

hasil nilai kategori

mendapat.

IV. DAFTAR PUSTAKA Arikunto, S. 2010. Prosedur Penelitian: Suatu Pendekatan Praktik. Jakarta: Rineka Cipta.

Bustami.

2014.

Penerapan

Algoritma

Naive Bayes Untuk Mengklasifikasi Data Gambar 4. Hasil Klasifikasi


Nasabah

Asuransi.

Jurnal

Informatika, 8 (1): 884-898.



Hasanah, R. 2013. Sistem Pendukung Keputusan

Untuk

Menentukan

Ridwan, M., Suyono, H. & Sarosa, M. 2013. Penerapan Data Mining Untuk

Penerima Beasiswa Dengan Metode

Evaluasi

Kinerja

Simple Additive Weighting (Saw)

Mahasiswa Menggunakan Algoritma

(Studi Kasus Pada Mts Al-Maidah

Naive

Kotasan). Pelita Informatika Budi

EECCIS, 7 (1): 59:64.

Bayes

Akademik

Classifier.

Jurnal

Darma, 5 (3): 133-138. Saleh, A. 2015. Implementasi Metode Hasibuan,

Z.A.

Penelitian

2007. Pada

Metodologi Bidang

Ilmu

Komputer Dan Teknologi Informasi.

Klasifikasi

Naïve

Bayes

Dalam

Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Jurnal Citec Journal, 2 (3):207-217.

Pakereng, I. & Wahyono, T. 2004. Sistem Basis Data: Konsep dan Pendekatan Praktikum. Yogyakarta: Graha Ilmu.

Santoso, Budi. 2007. Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu

Prasetyo, E. 2012. Data Mining: Konsep Dan

Aplikasi

Menggunakan

MATLAB.Yogyakarta: Andi.

Data. Yogyakarta: Andi.

Putra, A. & Hardiyanti, D.Y. 2011. Penentuan Dengan

Penerima

Beasiswa

Menggunakan

Simarmata, J. & Paryudi, I. 2006. Basis

Sutabri,

T.

2004.

Pemograman

Terstruktur. Yogyakarta: Andi.

Fuzzy

Multiple Atribute Decission Making.

Wasiati, H. & Wijayanti, D. 2014. Sistem

Jurnal Sistem Informasi (JSI), 3 (1):

Pendukung

Keputusan

286-293.

Kelayakan

Calon

Indonesia

Menggunakan

Ramadhan,

G.K.

Bantuan

2014.

Siswa

Implementasi

Miskin

Penentuan

Tenaga

Kerja Metode

Naive Bayes (Studi Kasus: Di P.T.

Sekolah

Karyatama Mitra Sejati Yogyakarta).

Dasar (BSM SD) Di Kecamatan

Indonesian Journal on Networking

Sambas.

and

Jurnal

S-1

Ilmu

Securit,

3

(2):

45-51.

Pemerintahan, 3 (4):1-20.



SISTEM REKOMENDASI PENERIMAAN BANTUAN SISWA MISKIN (BSM)

Recommend Documents