data mining

Kumpulan Makalah Seminar Semirata 2013

Fakultas MIPA Universitas Lampung

Hal 209

PROSES DATA MINING DALAM MENINGKATKAN

SISTEM PEMBELAJARAN PADA PENDIDIKAN

SEKOLAH MENENGAH PERTAMA

Fatayat1 , Joko Risanto

2

FMIPA Matematika - Universitas Riau

E-mail : [email protected]

Abstrak. Dunia Pendidikan memiliki data yang berlimpah dan berkesinambungan

mengenai sistem Pembelajaran dan Pendidikan, siswa yang di bina dan alumni yang

dihasilkan. Hal ini membuka peluang diterapkannya data mining untuk mengolah

Pendidikan lebih baik. Kumpulan dari data tersebut dapat diproses lebih lanjut dengan

data mining, untuk memperoleh pola baru yang dapat digunakan untuk meningkatkan

efektifitas dalam proses pembelajaran, semua data yang dikelola pada bagian

Administrasi merupakan sebuah sumber informasi yang bisa diekstrak kembali untuk

mendapatkan suatu pengetahuan yang bisa digunakan untuk meningkatkan mutu dunia

Pendidikan pada umumnya dan disekolah khususnya. Metode yang digunakan dalam

penelitian ini adalah menggunakan metode Decision Tree. Dalam proses pembelajaran

selama jangka waktu tertentu, maka akan terkumpul sejumlah data yang bisa dikelola

disekolah untuk proses data mining .

Kata Kunci : Data Mining, sistem pembelajaran pada Pendidikan Sekolah menengah

Pertama

PENDAHULUAN

Dalam proses pembelajaran selama

jangka waktu tertentu, maka akan

terkumpul sejumlah besar data. Kumpulan

data tersebut dapat diproses lebih lanjut

dengan data mining untuk memperoleh

pola baru yang dapat digunakan untuk

meningkatkan efektifitas dalam proses

pembelajaran.. Hal ini tentu saja sangat

berpengaruh pada peningkatan mutu

siswa yang dihasilkan oleh sekolah, dan

pada sekala yang lebih besar lagi akan

meningkatkan kecerdasan dan intelektual

bangsa. Aspek-aspek yang bisa digunakan

untuk data mining adalah latar belakang

siswa antara lain, Pekerjaan orang tua,

pendidikan orang tua, lingkungan tempat

tinggal,jarak tempat tinggal, jumlah

saudara, nilai siswa dan lain-lain. Hal

tersebuat bisa dijadikan sebagai suatu

kelompok data yang bisa diolah dan

diekstrak kembali untuk mendapat suatu

informasi tersembunyi dengan algoritma

data mining.

Banyak data yang bisa dikelola

disekolah untuk proses data mining maka

diperlukan batasan masalah agar

penelitian ini bisa lebih terfokus dan tidak

mengambang, adapun yang menjadi

pembatasan masalah adalah proses nilai-

nilai siswa yang meliputi nilai kognitif,

psikomotorik, afektif, kehadiran dan

remedi. Data-data yang diambil dari nilai

siswa yang ada disekolah yang diambil

dari beberapa kelas dan metode yang

digunakan adalah Decision Tree.

Data Mining

Data mining mengacu pada proses

untuk menambang (mining) pengetahuan

dari sekumpulan data yang sangat besat [

Jiawei, 2001]. Sebenarnya data mining

merupakan suatu langkah dalam

knowlegde discovery in database (KDD).

Knowledge discovery sebagai suatu

proses terdidri atas pembersihan data

(data cleaning), integrasi data ( data

integration), pemilihan data ( data

selection ), transformasi data (data

mailto:[email protected]

FatayatDan Joko Risanto: Proses Data Mining Dalam Meningkatkan Sistem Pembelajaran Pada Pendidikan Sekolah Menengah Pertama

Hal 210

transformation), data mining,evaluasi pola

(pattern evaluation) dan penyajian

pengetahuan (knowledge presentation).

Kerangka proses data mining yang akan

dibahas tersusun atas tiga tahapan, yaitu

pengumpulan data (data collection),

transformasi data (data

transformation),dan analisis data (data

analysis) [ Nilakant].

Proses tersebut diwakili dengan

preprocessing yang terdidri atas

pengumpulan data untuk menghasilkan

data mentah (raw data) yang dibutuhkan

oleh data mining, yang kemudian

dilanjutkan dengan transformasi data

untuk mengubah data mentah menjadi

format yang dapat diproses oleh data

mining, misalnya melalui filtrasi atau

agregasi. Hasil transformasi data akan

digunakan oleh analisis data untuk

membangkitkan pengetahuan dengan

menggunakan teknik seperti analisis

statistik, machine learning, dan visualisasi

informasi seperti terlihat pada gambar 2.1

Pohon Keputusan

Gambar 2.2 Pohon keputusan adalah

model prediksi menggunakan struktur

pohon atau struktur berhirarki. Contoh

dari pohon keputusan dapat dilihat di

Gambar 2.2. Disini setiap percabangan

menyatakan kondisi yang harus dipenuhi

dan tiap ujung pohon menyatakan kelas

data. Contoh di Gambar 2.2 adalah

identifikasi pembeli komputer, dari pohon

keputusan tersebut diketahui bahwa salah

satu kelompok yang potensial membeli

komputer adalah orang yang berusia

dibawah 30 tahun dan juga pelajar.

Gambar 2.2 Pohon Keputusan

Pohon keputusan merupakan metode

klasifikasi metode klasifikasi dan prediksi

yang sangat kuwat dan terkenal. Metode

pohon keputusan mengubah fakta yang

sangat besar menjadi pohon keputusan

yang mempersentasikan aturan. Pohon

keputusan juga berguna untuk

mengeksplorasi data, menemukan

hubungan tersembunyi antara jumlah

calon variabel input dengan variabel

target. Pohon keputusan adalah sebuah

struktur yang dapat digunakan untuk

membagi kumpulan data yang besar

menjadi himpunan-himpunan record yang

lebih kecil dengan menerapkan

serangkaian aturan keputusan. Dengan

masing-masing rangkaian pembagian,

anggota himpunan hasil mirip satu dengan

yang lain ( Berry dan Linoff, 2004)

METODE PENELITIAN

Salah satu Algoritma induksi

keputusan yaitu ID3 (Iterative

Dichotomister 3). ID3 dikembangkan oleh

J. Ross Quinlan. Dalam prosedur

algoritma ID3, input berupa sampel

training, label training dan atribut.

Algoritma C4.5 merupakan

perkembangan dari ID3. Sedangkan pada

perangkat lunak open source WEKA

mempunyai versi sendiri C4.5 yang

dikenal sebagai J48.

Pohon dibangun dengan cara membagi

data secara rekursif hingga tiap bagian

terdiri dari data yang berasal dari kelas

yang sama. Bentuk pemecahan (split)



Hal 211

yang digunakan untuk membagi data

tergantung dari jenis atribut yang

digunakan dalam split. Algoritma C4.5

dapat menangani data numerik (kontinyu)

dan diskret. Split untuk atribut numerik

yaitu mengurutkan contoh berdasarkan

atribut kontiyu A, kemudian membentuk

minimum permulaan (threshold) M dari

contoh-contoh yang ada dari kelas

mayoritas pada setiap partisi yang

bersebelahan, lalu menggabungkan

partisi-partisi yang bersebelahan tersebut

dengan kelas mayoritas yang sama. Split

untuk atribut disket A mempunyai bentuk

value

ε X dimana X ⊂ domain(A).

Untuk melakukan pemisahan obyek

(split) dilakukan tes terhadap atribut

dengan mengukur tingkat ketidakmurnian

pada sebuah simpul (node). Pada

algoritma C4.5 menggunakan rasio

perolehan (gain ratio). Sebelum

menghitung rasio perolehan, perlu

menghitung dulu nilai informasi dalam

satuan bits dari suatu kumpulan objek.

Cara menghitungnya dilakukan dengan

menggunakan konsep entropi

E (S) = -P+ log2 P+ - P-log2 P-

S adalah ruang (data) sampel yang

digunakan untuk pelatihan, p+ adalah

jumlah yang bersolusi positif atau

mendukung pada data sampel untuk

kriteria tertentu dan p- adalah jumlah

yang bersolusi negatif atau tidak

mendukung pada data sampel untuk

kriteria tertentu. Entropi(S) sama dengan

0, jika sama contoh pada S berada dalam

kelas yamg sama. Entropi(S) sama dengan

1, jika jumlah contoh positf sama negative

dalam S tidak sama [Mitchell,1997].

Entropi split yang membagi S dengan n

record memjadi himpunan-himpunan S1

dengan n l baris dan S2 dengan n2 baris

adalah :

Entropi split yang membagi S dengan n

record memjadi himpunan-himpunan S1

dengan n l baris dan S2 dengan n2 baris

adalah :

Kemudian menghitung perolehan

informasi dari output data atau variabel

dependent y yang dikelompokkan

berdasarkan atribut A, dinotasikan dengan

gain (S,A). Perolehan informasi, gain

(S,A), dari atribut A relative terhadap

output data S adalah:

Dengan:

S :Himpunan Kasus

A :Atribut

n :Jumlah partisi atribut A

IsiI :Jumlah kasus pada partisi ke i

ISI :Jumlah kasus dalam S

Nilai (A) adalah semua nilai yang

mungkin dari atribut A, dan Si adalah

subset dari S dimana A mempunyai nilai

i. Term pertama dalam persamaan diatas

adalah entropy total S dan term kedua

adalah entropy sesudah dilakukan

pemisahan data berdasarkan atribut A.

Untuk menghitung rasio perolehan perlu

diketahui suatu term baru yang disebut

pemisahan informasi (Split

Info).Pemisahan info dihitung dengan

cara:

Bahwa S1 sampai Sc adalah n subset

yang dihasilkan dari pemecahan S dengan

menggunakan atribut A yang mempunyai

sebanyak n nilai. Selanjutnya rasio

perolehan (gaain ratio) dihitung dengan

cara:

Metode Penelitian

Dalam penelitian ini digunakan data

hasil evaluasi Siswa,sofware WEKA,Nilai

Kognitif, Nilai Psikomotorik,N ilai

Afektif, Kehadiran dan Remedi.

Bahan/Materi Penelitian

Buku textbook yang terkait dengan

analisa dan perancangan dengan

mengunakan software weka dan Buku


Hal 212

manual tool yang digunakan dalam

pengembangan perangkat lunak.sistem

data mining yang mengumpulkan semua

data hasil evaluasi belajar siswa dan di

ekstrak

Uji Coba

Penelitian dan pengujian yang

dilakukan pada metode sarana pendukung

yaitu berupa peralatan yang sangat

berperan dalam menunjang penggunaan

aplikasi dalam mengolah data. Pengujian

apalikasi ada dua, yaitu lingkungan

perangkat keras komputer dn perangkat

lunak komputer. Hardware:

1. Laptop Tosiba Intel Pentium –

Core Processor T3400.

2. Harddisk 160 GB.

3. Memori 512 MB DDR2 Software:

1. Microsoft Excel 2007.

2. WEKA

3. Sistem Operasi Windows XP

ProfesionalService Pack 2.

HASIL DAN PEMBAHASAN

Hasil Pengujian Metode Algoritma

a. Decision Tree

Data awal yang digunakan pada tahap

pengujian dengan menggunakan aplikasi

WEKA disimpan dalam file Microsoft

Excel simpan dengan format CVS (

Comman Separated Value),kemudian

buka di Notepad, kemudian ambil

Replace pada menu edit, ganti titik koma

dengan koma lalu tekan Replace All dan

kemudian simpan fail tersebut.

Data Hasil Evaluasi DATA HASIL EVALUASI SISWA

NAMA KOGNITIF PSIKOMOTORIK AFEKTIF KEHADIRAN REMEDI NAIK

Andi Firmasari 43 47 Baik Kurang Hadir Tidak

Budi Setiawan 53 90 Baik Kurang Hadir Tidak

Cicilia Dewita 63 40 Buruk Kurang Tidak Tidak Diky Ramadan 86 69 Baik Kurang Tidak Tidak

Fatmawati 40 62 Buruk Sedang Hadir Ya

Linda 51 52 Baik Sedang Hadir Ya Mawar Rianai 66 44 Baik Sedang Hadir Tidak

Rini Angraini 73 58 Baik Kurang Hadir Ya

Yosi Amoliya 77 64 Buruk Kurang Tidak Ya Asril 78 87 Baik Sedang Tidak Ya

Analisa Data Mining Metode C$.5

Sistem yang dirancang adalah untuk

menentukan kenaikan siswa ketingkat

yang lebih tinggi. Data awal baik

numberik atau non numberik akan dibagi

perkelas supaya memudahkan dalam

proses analisa selanjutnya. Setelah semua

data yang akan dimasukan dibagi

perkelas, maka akan dilakukan proses

klasifikasi untuk kenaikan siswa dengan

membuat sebuah pohon keputusan untuk

menghasilkan output.

Proses pengambilan keputusan dalam

klasifikasi kenaikan siswa dibagi menjadi

beberapa kriteria penilaian yaitu:

1. Nilai Kognitif

2. Nilai Psikomotorik

3. Nilai Efektif

4. Kehadiran

5. Remedi

Melakukan Pra-Proses Dari tabel Diagram Alir Data Level 1

kita bisa mengetahui bahwa data-data

yang akan dijadikan sebagai input untuk

proses adalah Nilai Kognitif, Nilai

Psikomotorik, nilai Afektif, Kehadiran

dan Remedi. Setelah data dalam format

diatas, kemudian dilakukan pra- proses

mengelompokkan data-data kedalam klas

(K) dengan Stugers ( DRs.Riduwan

M.B.A) dengan menggunkan rumus.

Jumlah Kelas ( K) = 1+ 3.3 log n

Dimana : n = Jumlah data

K = 1 + 3.3 log (50)

K= 1 + 3.3 (1,69897)

K= 1 + 5.606601



Hal 213

K= 6.606601

Dengan jumlah data 50 kelas yang

didapat 7 kelas, tapi yang memakai 7

kelas ini adalah data-data yang berupa

nilai angka yaitu nilai Kognitif, nilai

Psikometrik. Nilai-nilai tersebut

dikelompokkan berdasarkan atribut

sebagai berikut:

Mengelompokan Nilai Kognitif

Mengelompokkan Nilai Kognitif,

pengelomokan nilai berdasarkan dari hasil

ujian yang didapat oleh siswa. Dan nilai

tersebut dikelompokkan kedalam 7 kelas

pada Tabel 1.1

Tabel 1.1 Klasifikasi Nilai Kognitif Nilai Kongnitif Klasifikasi

0-13 1

14-27 2

28-41 3

42-55 4

56-79 5

80-93 6

>94 7

Tabel 1.2 Klasifikasi Nilai Psikomotorik Nilai Psikomotorik Klasifikasi

0-13 1

14-27 2

28-41 3

42-55 4

56-79 5

80-93 6

>94 7

Mengelompokan nilai Psikomotorik

berdasarkan hasil ujian Praktek atau pun

karya yang dibuat dan nilai tersebut

dikelompokan kedalam 7 kelas seperti

terlihat pada tabel 1.2

Mengelompokan Nilai efektif

berdasarkan tingkah laku, kesopanan,

kerajinan, dan lain-lain. Nilai efektif

tersebut dikelompokan kedalam 3 kelas

seperti terlihat pada Tabel 1.3

Tabel 1.3 Klasifikasi Nilai Afektif NilEfektif

Baik

Cukup

Buruk

Mengelompokan Nilai kehadiran

berdasarkan persentase kehadiran siswa.

Nilai kehadiran tersebut dikelompokan

kedalam 3 kelas seperti terlihat pada tabel

1.4

Tabel 1.4 Klasifikasi Nilai kehadiran Kehadiran

Tinggi

Sedang

Kurang

Mengelompokan Nilai Remedi atau

nilai perbaikan berdasarkan hadir tidak

hadirnya siswa pada saat remedi . Nilai

remedi tersebut dikelompokan kedalam 2

kelas seperti terlihat pada Tabel 1.5

Tabel 1.5 Klasifikasi Nilai Remedi

Nilai Remedi

Hadir

Tidak Hadir

Mengelompokan atribut Kenaikan

berdasarkan atribut-atribut sebelumnya

yang berfungsi sebagai input . Kenaikan

merupakan atribut tujuan yang dihasilkan

dari proses klasifikasi. Kenaikan

dikelompokan kedalam 2 kelas seperti

terlihat pada Tabel 1.6

Tabel 1.6 Klasifikasi Nilai Remedi

Nilai Kenaikan

Ya

Tidak

Tabel 1.7 Format data akhir setelah dilakukan pra-proses Kognitif Psikomotorik Afektif Kehadiran Remedi Kenaikan

3 5 Baik Kurang Hadir Tidak

3 5 Baik Kurang Tidak Tidak

3 5 Baik Kurang Tidak Tidak

4 4 Baik Tinggi Hadir Ya



4 4 Baik Sedang Hadir Ya





Hal 214

Pohon Keputusan

Dari format data akhir kenaikan siswa

maka akan dilakukan klasifikasi data

algoritma C4.5 dengan membuat pohon

keputusan. Seperti yang telah dijelaskan

sebelumnya, algoritma C4.5 untuk

membangun pohon keputusan adalah

sebagai berikut;

1. Pilih atribut sebagai akar.

2. Buat cabang untuk tiap-tiap nilai.

3. Bagi kasus dalam cabang.

Ulangi proses untuk setiap cabang

sampai semau kasus pada cabang

memeiliki kelas yang sama.Dalam kasus

yang tertera pada tabel diatas, akan dibuat

pohon keputusan untuk menentukan

klsaifikasi kenaikan sisiwa baru (ya dan

tidak) dengan melihat Nilai Kognitif,

Nilai Psikometrik, Nilai Efektif,

Kehadiran dan kenaikan.Untuk memilih

atribut sebagai akar, didasarkan pada nilai

Gain tertinggi dari atribut-atribut yang

ada. Untuk menghitung Gain digunakan

rumus.

Perhitungan Gain dan Entrophy

Keterangan :

S : Himpunan Kasus

A : Atribut

N : Jumlah partisi atribut A

ISiI : Jumlah kasus pada partisi ke-i

ISI : Jumlah kasus dalam S

Sedangkan untuk menghitung nilai

entrophy dapat dilihat pada rumus

Dengan menggunakan data dua

persamaan diatas maka akan didapatkan

entrophy dan Gain yang digunakan

sebagai akar dalam membuat pohon

keputusan.

Menghitung jumlah kasus, jumlah

k sus untuk keputus n “Y ”, juml h

kasus untk keputus n “Tid k”, d n k sus

yang dibagi berdasarkan atribut Nilai

Kognitif, Nilai Psikomotorik, Nilai

Afektif, Kehadiran dan Kenaikan. Setelah

itu, lakukan perhitungan Gain untuk

setiap atribut.

Perhitungan Node

Dengan menghitung nilai entrophy dari

atribut yang tersisa setelah dihitung

entrophy, kemudian menghitung Gain

untuk tiap-tiap atribut.

Nilai Entrophy Total

Merupakan Nilai Entrophy yang

mewakili dari seluruh jumlah total

Variabel atribut yang ada. Dengan

Rumus:

= ( 7 X log2 ( 7 )) + ( 3 log2(3 ))

10 10 10 10

= 0,881290899 Tabel 1.8 Tabel Hasil Perhitungan

KENAIKAN

Atribut Jumlah Ya Tidak Entrophy Gain Total

Kognitif

1 0 0 0 0 0,78419584

2 0 0 0 0

3 0 0 0 0

4 5 3 2 0,970950594

5 1 1 0 0

6 1 0 1 0

7 3 3 0 0

Psikomotorik

1 0 0 0 0

2 0 0 0 0



Hal 215

3 1 1 0 0

4 8 6 2 0,8112778124

5 0 0 0 0

6 0 0 0 0

7 1 0 1 0

Afektif

Baik 6 4 2 0,918295834 0,706193149

Cukup 4 3 1 0,811278124

Kehadiran

Tinggi 7 7 0 0

Sedang 3 0 3 0

Remedi

Hadir 0 0 0 0 0,705032719

Tidak Hadir 10 7 3 0,881290899

Total 10 7 3 0,881290899

Dari tabel di atas dapat kita ketahui

bahwa atribut yang memiliki Gain paling

besar adalah atribut Kognitif, yaitu

sebesar 0,78419584. Dengan demikian,

atribut Kognitifi bisa menjadi node 4. Ada

3 atribut dari Kognetif yaitu: 5,6,7 Atribut

5 dan 7 sudah mengklasifikasikan kasus

menjadi 1 dengan keputusan Tidak naik,

sedangkan 6 sudah mengklasifikasikan

kasus menjadi 1 dengan keputusan Naik

sehingga tidak perlu dilakukan

perhitungan lebih lanjut, tetapi untuk nilai

atribut lain masih perlu dilakukan

perhitungan lain. Dari hasil perhitungan

tersebut dapat digambarkan pohon

keputusan sementara tampak pada gambar

2.3

KESIMPULAN

Dari penelitian yang penulis lakukan

dapat disimpulkan bahwa proses yang

dilakukan secara manual dapat juga

memberikan keputusan yang diharapkan,

tetapi dengan rentang waktu yang lebih

lama dalam proses penggalian

informasinya dan kapasitas data yang bisa

dihitung sangat kecil. Dengan

menggunakan metode algoritma

Decision Tree dengan bantuan software

WEKA proses pengalian informasi bisa

lebih cepat dan bisa dengan kapasitas data

yang besar dan pengambilan keputusan

lebih optimal dan kesalahan dalam

mengambil keputusan dapat dioptimalkan.

DAFTAR PUSTAKA

H n Ji wei “ D t Minig Concept nd

Technique‟, Presnt tion

http://www.ilmukomputer.com

Iko Pramudiono. 2003. Pengantar Data

Mining : Menambang Permata

Pengetahuan di Gunung Data. www.ilmukomputer.com

Kusri & Emh T ufq Luthfi (2009), “

Algoritm D t Mining”,

Andi Yogyakarta, Yogyakarta

Kadarsiah Suryadi, DR dan Ali Ramdhani

, M.t, “ Sistem pendukung keputus n”,

PT Remaja Rosdakarya, Bandung,

2002

Sani Susanto, Ph.D dan Dedy Suryadi, S,

T, M.S (2010), “Peng nt r D t

Mining”, Andi Yog k rt .

http://www.ilmukomputer.com/

data mining

Engineering