![Irmawati, dkk., Data Mining Penentuan Model 114
1. PENDAHULUAN
Perguruan tinggi adalah tahap akhir opsional
pada pendidikan formal, seperti universitas,
akademik, colleges, dan institut teknologi.
Berdasarkan kepemilikannya, perguruan tinggi
dibagi menjadi dua yaitu perguruan tinggi negeri dan
perguruan tinggi swasta [1]. Perguruan Tinggi
Negeri (PTN) merupakan tempat kuliah yang paling
diminati oleh siapa saja setelah lulus dari SMA atau
sederajat. Namun, tidak semua mampu lulus pada
Perguruan Tinggi Negeri. Penyebabnya bisa dilihat
dari umur, nilai dan bakat/minat. Selain itu,
pendidikan orang tua juga memiliki pengaruh
terhadap pola perkembangan anak. Orang tua
dengan tingkat pendidikan formal yang lebih tinggi
mempunyai kemampuan lebih untuk membantu anak
dalam belajar dibanding dengan tingkat pendidikan
yang lebih rendah. Fakta yang terjadi kebanyakan
orang tua menginginkan anaknya menjadi orang
yang sukses dalam pendidikan maupun karirnya,
sehingga di masa yang akan datang mereka dapat
memperbaiki kualitas hidupnya menjadi lebih baik
dari sebelumnya. Tujuan penelitian ini adalah untuk
mengetahui faktor penentu agar murid bisa lulus
pada perguruan tinggi IAIN Bone. Pentingnya studi
ini agar murid mempersiapkan diri sebelum
mengikuti seleksi ujian masuk, juga sebagai
rekomendasi kepada murid berupa faktor penentu
yang wajib dipersiapkan agar lulus pada penerimaan
mahasiswa baru. Dengan mengetahui kriteria
kelulusan, murid dapat mengukur diri sesuai dengan
kemampuan.
Selanjutnya penelitian ini akan menjelaskan
lebih detail tentang penelitian yang telah dilakukan
sebagai berikut [2] : bagian 2 menjelaskan tentang
metode penelitian yang digunakan dalam penelitian
ini, bagian 3 hasil dan pembahasan lalu di bagian 4
adalah kesimpulan dari penelitian ini.
Penelitian tentang penentuan kelulusan siswa
telah dilakukan oleh [3] dengan menggunakan
algoritma k-nearest neighbour dalam melakukan
prediksi tingkat kelulusan. Begitupun dalam
penelitian [4] yang membahas tentang sistem
simulasi prediksi profil kelulusan mahasiswa dengan
Decision Tree. Dalam penelitian ini, kami
menggunakan algoritma naive bayes dan C.45 untuk
memprediksi tingkat kelulusan siswa pada
Perguruan Tinggi Negeri (PTN) IAIN Bone. Kedua
algoritma ini dapat memprediksi dan menemukan
formula baru dalam penentuan model kelulusan.
Output dari penelitian ini akan menghasilkan faktor
penting yang menjadi penentu kelulusan murid.
Kriteria yang digunakan adalah tahun lulus,
pendidikan orang tua, penghasilan orang tua, nilai
tes (pengetahuan umum, bahasa dan agama), nilai
wawancara dan nilai Baca Tulis Huruf Quran
(BTHQ).
2. METODE PENELITIAN
Data diperoleh dari Sistem Informasi
Akademik (SISFO) IAIN Bone. SISFO ini
merupakan sistem informasi terintegrasi yang
digunakan untuk mempermudah dalam mendukung
proses penyelenggaraan pendidikan tinggi berbasis
Teknologi Informasi dan Komunikasi (TIK), mulai
dari penerimaan mahasiswa baru khususnya jalur
mandiri di IAIN Bone, penentuan kelulusan
dilakukan pada sistem informasi ini. Sehingga data
calon mahasiswa baru yang mendaftar maupun yang
dinyatakan lulus dan tidak lulus terekam dalam
sistem ini. Sebanyak 180 (seratus delapan puluh)
data kelulusan diambil dari data SISFO untuk
keperluan penelitian ini. Dimana 170 (seratus tujuh
puluh) dijadikan data training dan 10 (sepuluh)
dijadikan data testing [5]. Pengolahan data dilakukan
dengan menggunakan algoritma naive bayes dan
C.45 yang diolah dalam microsoft excel.
2.1. Data Mining
Data mining adalah kegiatan yang meliputi
pengumpulan, pemakaian data historis yang
menemukan keteraturan, pola dan hubungan dalam
set data berukuran besar [6]. Pengetahuan yang
dihasilkan dari data mining harus baru, mudah
dimengerti dan bermanfaat. Tahap data mining
dimulai dengan membagi data murid yang lulus dan
tidak lulus dan ditransformasi menjadi data latih dan
data uji [7]. Tugas-tugas dalam data mining secara
umum dibagi menjadi prediktif yang bertujuan untuk
memprediksi nilai dari atribut tertentu berdasarkan
pada nilai dari atribut-atribut lain dan deskriptif yang
menurunkan pola-pola (korelasi, trend, cluster,
trayektori dan anomali) yang meringkas hubungan
yang pokok dalam data [8].
2.2. Algoritma Naive Bayes
Naive bayes adalah pengklasifikasian statistik
yang dapat digunakan untuk memprediksi
probabilitas keanggotaan suatu class. Tujuan
klasifikasi adalah untuk secara akurat memprediksi
kelas target untuk setiap kasus dalam data [9]. Ide
dasar dari bayes adalah menangani masalah yang
bersifat hipotesis yakni mendesain suatu klasifikasi
untuk memisahkan objek [10]. Algoritma naive
bayes dalam prediksi kelulusan murid menggunakan
formula pada persaman (1)[11]:
(
) =
()(
)
()
(1)
Pada persamaan (1), R merupakan data yang
belum diketahui kelasnya. S merupakan hipotesis
pada data R yang merupakan class khusus. P(R/S)
adalah nilai probabilitas pada hipotesis R yang
berdasarkan kondisi S. P(R) merupakan nilai
probabilitas pada hipotesis R. P(S/R) adalah nilai
probabilitas S yang berdasarkan dengan kondisi
hipotesis R, sedangkan P(S) Nilai probabilitas S.](https://image.slidesharecdn.com/1800-5444-1-pb-230301080219-e93e1a50/85/DATA-MINING-UNTUK-PENENTUAN-MODEL-TINGKAT-KESUKSESAN-KELULUSAN-MURID-SMA-PADA-PERGURUAN-TINGGI-NEGERI-STUDI-KASUS-DI-IAIN-BONE-2-320.jpg)
![Irmawati, dkk., Data Mining Penentuan Model 115
2.3. Algoritma C.45
Algoritma C.45 merupakan algoritma
klasifikasi yang menggunakan pohon keputusan
[12], yang sudah banyak dikenal dan digunakan
untuk klasifikasi data yang memiliki atribut-atribut
numerik dan kategorial [13]. Tujuan klasifikasi
adalah secara akurat memprediksi kelas target untuk
setiap kasus dalam data [9]. Algoritma ini dilakukan
dengan mencari nilai entrophy dan gain. Entrophy
merupakan jumlah bit yang diperkirakan
dibutuhkan untuk dapat mengekstrak suatu kelas (+
atau -) dari sejumlah data acak pada ruang sampel S.
Formula perhitungan nilai entrophy seperti pada
persamaan (2).
乞＄() = log2
=1 (2)
Pada persamaan (2), S merupakan himpunan
kasus, k merupakan jumlah partisi S, sedangkan pj
merupakan jumlah kasus pada partisi ke-j.
Gain merupakan perolehan informasi dari
atribut A relative terhadap output data S. Perolehan
informasi didapat dari output data atau variabel
depedent S yang dikelompokkan berdasarkan atribut
A, dinotasikan dengan gain (S,A). Formula
perhitungan nilai gain seperti persamaan (3).
咋 () = Entrophy (S)
=1
乞＄ () (3)
Pada persamaan (3), A merupakan atribut dari
dataset, k ialah jumlah partisi S, sedangkan S
merupakan himpunan kasus.
2.4. Precision, Recall dan Accuracy
Precision merupakan perhitungan terhadap
perkiraan proporsi kasus positif yang benar dan
dirumuskan dalam persamaan (4)
=
+告
(4)
Recall merupakan perhitungan terhadap
perkiraan proporsi kasus positif yang diidentifikasi
benar dan dirumuskan dalam persamaan (5)
=
+告
(5)
Accuracy merupakan perhitungan terhadap
proporsi dari jumlah total prediksi yang benar dan
dirumuskan dalam persamaan (6) [14]
基 =
+
+告++告
(5)
Pada persamaan (4), (5) dan (6), TP merupakan true
positive, TN merupakan true negative, FP
merupakan false positive, sedangkan FN merupakan
false negative
2.5. Pola Sequential
Pencarian pola sequential dilakukan dengan
mencari sejumlah event yang secara umum terjadi
bersama-sama. Jika diberikan sekumpulan obyek
dengan masing-masing obyek dihubungkan dengan
waktu kejadiannya, maka dapatkan pola yang
memprediksi ketergantungan sekuensial (sequential
dependences) yang kuat diantara kejadian-kejadian
yang berbeda. Pola-pola sequential pertama, pada
dasarnya dibentuk dengan cara mencari semua
kemungkinan pola yang ada. Nilai-nilai kejadian
dalam pola diatur berdasarkan urutan waktu kejadian
[15]. Metode sequential dapat digunakan untuk
melakukan pencarian data baik pada array yang
sudah terurut maupun yang belum terurut [16].
3. HASIL DAN PEMBAHASAN
3.1. Hasil Pengolahan Algoritma Naive Bayes
Penentuan nilai persentase lulus dan tidak lulus
:
Lulus = 109/170= 0,64118 = 64%
Tidak Lulus = 61/170= 0,35882 = 36%
Penentuan nilai persentase dari variabel yang
ada seperti pada Tabel 1.
Tabel 1. Hasil Perhitungan Algoritma Naive Bayes
no variabel kate
gori
lulus tidak lulus
total
data
nilai
(%)
total
data
nilai
(%)
1. Tahun
Lulus
2014 1 1 0 0
2015 0 0 2 3
2016 4 4 7 11
2017 25 23 6 10
2018 79 72 46 75
2. Pendidi
kan
Orang
Tua
D 69 63 33 54
M 22 20 12 20
T 18 17 16 26
3. Penghas
ilan
Orang
Tua
R 75 69 41 67
S 21 19 8 13
T 3 3 11 18
ST 10 9 1 2
4. Nilai
Ujian
Nasiona
l
B 64 59 40 66
SB 45 41 21 34
5. Nilai
Tes
C 7 6 53 87
B 20 18 8 13
SB 82 75 0 0
6. Nilai
Wawanc
ara
K 0 0 4 7
C 0 0 9 15
B 13 12 41 67
SB 96 88 7 11
7. Nilai
BTHQ
LFT
B
107 98 0 0
LFT
K B
2 2 0 0
T L 0 0 61 100
Pada tabel 1, D merupakan Dasar, M adalah
menengah, T adalah tidak tamat, R merupakan
rendah, S merupakan sedang, T adalah tinggi, ST](https://image.slidesharecdn.com/1800-5444-1-pb-230301080219-e93e1a50/85/DATA-MINING-UNTUK-PENENTUAN-MODEL-TINGKAT-KESUKSESAN-KELULUSAN-MURID-SMA-PADA-PERGURUAN-TINGGI-NEGERI-STUDI-KASUS-DI-IAIN-BONE-3-320.jpg)
![Irmawati, dkk., Data Mining Penentuan Model 117
7 SB B B LFTB Lulus
8 SB B B LFTKB Lulus
9 SB C SB LFTB Lulus
10 SB C SB LFTKB Lulus
11 SB C B LFTB Lulus
12 SB C B LFTB Lulus
Pola sequential pada kategori LULUS
mengisyaratkan bahwa kriteria ini wajib dipenuhi
bagi calon mahasiswa agar lulus atau dapat diterima
pada institusi ini. Kemudian pada pola sequential
TIDAK LULUS bermakna bahwa dipastikan siswa
tidak lulus jika Nilai Akhir, Nilai Tes, Nilai
Wawancara, dan Nilai BTHQ seperti pola pada
Tabel 6.
Tabel 6. Pola Sequential Kategori Tidak Lulus
no
nilai
akhir
nilai
tes
nilai
wawan
cara
nilai
BTHQ
ket
1 SB SB SB TL
Tidak
Lulus
2 SB SB B TL
Tidak
Lulus
3 SB SB C LFTB
Tidak
Lulus
4 SB SB C LFTKB
Tidak
Lulus
5 SB SB C TL
Tidak
Lulus
6 SB SB K LFTB
Tidak
Lulus
7 SB SB K LFTKB
Tidak
Lulus
8 SB SB K TL
Tidak
Lulus
9 SB B SB TL
Tidak
Lulus
10 SB B B TL
Tidak
Lulus
11 SB B C LFTB
Tidak
Lulus
12 SB B C LFTKB
Tidak
Lulus
4. KESIMPULAN
Hasil pengujian kedua algoritma ditemukan
bahwa variabel Baca Tulis Huruf Quran (BTHQ)
menjadi indikator penting dari faktor kelulusan
murid SMA pada penerimaan Jalur Mandiri di IAIN
Bone dengan nilai gain 0,9417. Hasil ini, perlu
dijadikan referensi agar calon Mahasiswa Baru yang
akan mendaftar, dilakukan Tes BTHQ terlebih
dahulu sebelum mengikuti tes tertulis dan
wawancara. Penelitian ini, menghasilkan pula pola
sequential untuk menjadi referensi bagi murid SMA
yang akan mendaftar di IAIN Bone dalam bentuk
pola kategori LULUS dan pola untuk kategori
TIDAK LULUS.
Dengan demikian, hadirnya penelitian ini dapat
mempermudah dan memberikan gambaran tentang
informasi awal kepada calon mahasiswa bahwa
syarat diterima (Lulus) di kampus IAIN Bone harus
memenuhi kriteria yang telah ditentukan.
5. DAFTAR PUSTAKA
[1] Wikipedia, Perguruan Tinggi, Oktober, 2009.
https://id.wikipedia.org/wiki/Perguruan_tinggi
(accessed Oct. 25, 2019).
[2] R. Adhitama, A. Burhanuddin and R. Ananda,
Penentuan Jumlah Cluster Ideal SMK Di Jawa
Tengah Dengan Metode X-Means Clustering
dan K-Means Clustering, JIKO (Jurnal
Informatika dan Komputer), vol. 3, no. 1, pp.
4250, 2020, doi: 10.33387/jiko.
[3] Y. Trisaputra, Klasifikasi Profil Siswa SMA /
SMK yang Masuk PTN ( Perguruan Tinggi
Negeri ), no. September 2015, pp. 015, 2016.
[4] B. A. Arifiyani and R. S. Samosir, Sistem
Simulasi Prediksi Profil Kelulusan Mahasiswa
Dengan Decison Tree, vol. 5, pp. 115123,
2018.
[5] Irmawati, Data Mining Untuk Penentuan
Model Tingkat Kesuksesan Kelulusan Murid
SMA Pada Perguruan Tinggi Negeri (Studi
Kasus IAIN Bone), STMIK Handayani
Makassar, 2019.
[6] Risnawati, Analisis Kelulusan Mahasiswa
Menggunakan Algoritma C.45, J. Mantik
Penusa, vol. 2, no. 1, pp. 7176, 2018.
[7] R. P. S. Putri and I. Waspada, Penerapan
Algoritma C4.5 pada Aplikasi Prediksi
Kelulusan Mahasiswa Prodi Informatika,
Khazanah Inform. J. Ilmu Komput. dan
Inform., vol. 4, no. 1, p. 1, 2018, doi:
10.23917/khif.v4i1.5975.
[8] R. H. Pambudi and B. D. Setiawan, Penerapan
Algoritma C4 . 5 Untuk Memprediksi Nilai
Kelulusan Siswa Sekolah Menengah
Berdasarkan Faktor Eksternal, J. Pengemb.
Teknol. Inf. dan Ilmu Komput., vol. 2, no. 7, pp.
26372643, 2018, [Online]. Available: http://j-
ptiik.ub.ac.id5.
[9] B. A. Muktamar, N. A. Setiawan, and T. B.
Adji, Analisis Perbandingan Tingkat Akurasi
Algoritma Naive Bayes Classifier dengan
Correlated-Naive Bayes Classifier, Semin.
Nas. Teknol. Inf. dan Multimed. 2015, pp. 49
54, 2015.
[10] E. Siswanto, Optimasi Metode Na誰ve Bayes
Dalam Memprediksi Tingkat Kelulusan
Mahasiswa Stekom Semarang, vol. 6, no. 1,
pp. 16, 2019.
[11] Yogiek Indra Kurniawan, Perbandingan
Algoritma Naive Bayes dan C.45 Dalam
Klasifikasi Data Mining, vol. x, no. 30, pp. 1
8, 2018, doi: 10.25126/jtiik.
[12] I. P. Astuti, Prediksi Ketepatan Waktu
Kelulusan Dengan Algoritma Data Mining
C4.5, Fountain Informatics J., vol. 2, no. 2, p.
5, 2017, doi: 10.21111/fij.v2i2.1067.
[13] E. Elisa, Analisa dan Penerapan Algoritma
C4.5 Dalam Data Mining Untuk
Mengidentifikasi Faktor-Faktor Penyebab
Kecelakaan Kerja Kontruksi PT.Arupadhatu](https://image.slidesharecdn.com/1800-5444-1-pb-230301080219-e93e1a50/85/DATA-MINING-UNTUK-PENENTUAN-MODEL-TINGKAT-KESUKSESAN-KELULUSAN-MURID-SMA-PADA-PERGURUAN-TINGGI-NEGERI-STUDI-KASUS-DI-IAIN-BONE-5-320.jpg)
![Irmawati, dkk., Data Mining Penentuan Model 118
Adisesanti, J. Online Inform., vol. 2, no. 1, p.
36, 2017, doi: 10.15575/join.v2i1.71.
[14] wordpress, Perbedaan Precision, Recall dan
Accuracy, Juni, 2013.
https://dataq.wordpress.com/2013/06/16/perbed
aan-precision-recall-accuracy/ (accessed Oct.
24, 2019).
[15] F. A. Hermawati., 2013. "Data Mining, 1st
Edisi., CV. Andi Offset. Yogyakarta.
[16] A. Sonita and M. Sari, Implementasi
Algoritma Sequential Searching Untuk
Pencarian Nomor Surat Pada Sistem Arsip
Elektronik,, vol. V, pp. 19, 2018.](https://image.slidesharecdn.com/1800-5444-1-pb-230301080219-e93e1a50/85/DATA-MINING-UNTUK-PENENTUAN-MODEL-TINGKAT-KESUKSESAN-KELULUSAN-MURID-SMA-PADA-PERGURUAN-TINGGI-NEGERI-STUDI-KASUS-DI-IAIN-BONE-6-320.jpg)
More Related Content
Similar to DATA MINING UNTUK PENENTUAN MODEL TINGKAT KESUKSESAN KELULUSAN MURID SMA PADA PERGURUAN TINGGI NEGERI: STUDI KASUS DI IAIN BONE (20)
More from Yuyun Wabula (7)
DATA MINING UNTUK PENENTUAN MODEL TINGKAT KESUKSESAN KELULUSAN MURID SMA PADA PERGURUAN TINGGI NEGERI: STUDI KASUS DI IAIN BONE
- 1. JIKO (Jurnal Informatika dan Komputer) Akreditasi KEMENRISTEKDIKTI, No.36/E/KPT/2019 Vol. 3, No. 2, Agustus 2020, hlm. 113-118 p-ISSN: 2614-8897 DOI: 10.33387/jiko e-ISSN: 2656-1948 113 DATA MINING UNTUK PENENTUAN MODEL TINGKAT KESUKSESAN KELULUSAN MURID SMA PADA PERGURUAN TINGGI NEGERI: STUDI KASUS DI IAIN BONE Irmawati12 , Zahir Zainuddin3 , Yuyun4 1, 4 Sistem Komputer, STMIK Handayani 2 Institut Agama Islam Negeri (IAIN) Bone 3 Teknik Informatika, Universitas Hasanuddin Email: 12 irmawatitaufik@gmail.com, 3 zainuddinzahir@gmail.com, 4 yuyunwabula@handayani.ac.id (Naskah masuk: 29 Mei 2020, diterima untuk diterbitkan: 27 Juli 2020) Abstrak Penelitian ini bertujuan untuk memprediksi tingkat keberhasilan kelulusan murid pada Institut Agama Islam Negeri (IAIN) Bone dengan menggunakan metode algoritma Naive Bayes dan C.45. Algoritma yang diusulkan untuk mempredikasi kriteria apa saja yang menjadi penentu kelulusan murid pada penerimaan mahasiswa baru jalur mandiri tahun 2018. Penelitian ini nantinya akan memberikan informasi kepada IAIN Bone mengenai klasisifkasi tingkat kesuksesan kelulusan murid SMA yang diterima dan sekaligus memberikan informasi kepada murid SMA yang akan lulus dari sekolah mengenai fakto-faktor apa saja yang menjadi penentu tingkat kesuksesan kelulusan pada IAIN Bone. Tujuh kriteria yang digunakan sebagai variabel pendukung dalam melakukan analisis. Kriteria tersebuat adalah Tahun Lulus, Pendidikan Orang Tua, Penghasilan Orang Tua, Nilai Ujian Nasional, Nilai Tes, Nilai Wawancara dan Nilai Baca Tulis Huruf Quran (BTHQ). Dataset dalam penelitian ini bersumber dari Database Sistem Informasi Akademik (SISFO) IAIN Bone dari Tiga sekolah yaitu SMA 4 Watampone, MAN 1 Bone dan SMKN 1 Watampone. Hasil pengujian menunjukkan bahwa Nilai BTHQ menjadi syarat utama kelulusan murid SMA jalur mandiri pada IAIN Bone sesuai dengan hasil olahan data training sebanyak 170 dan olahan data testing sebanyak 10. Kedua algoritma menghasilkan Nilai Precision sebesar 100%, Recall 100%, Accuracy 100%. Selain itu, ditemukan pola sequential baru dengan melakukan pengujian ulang berdasarkan hasil urutan kejadian dari variabel Nilai Ujian Nasional, Nilai Tes, Nilai Wawancara dan Nilai Baca Tulis Huruf Quran (BTHQ). Kata kunci: IAIN Bone, Naive Bayes, C.45, Pola Sequential DATA MINING FOR DETERMINATION OF HIGH SCHOOL STUDENT GRADUATION MODEL AT STATE UNIVERSITY; CASE STUDY IN IAIN BONE Abstract This study aims to predict the success rate of students graduating at State Universities by using the Naive Bayes algorithm and C.45 method. The proposed algorithm to predict what factors that determine the graduation of students the admission of 2018 independent students. This research will provide information to IAIN Bone regarding the classification of the success rate of high school students graduation and at the time provide information to hisgh school students who will graduate from school about what factors determine the success rate of graduation at IAIN Bone. There are seven criteria that are used as supporting variables in conducting the analysis: Graduation Year, Parental Education, Parental Income, National Examination Score, Test Score, Interview Value and Literacy and Writing Quran (BTHQ). Sources of data from the Academic Information System Database (SISFO) IAIN Bone from 3 (three) schools, namely SMAN 4 Watampone, MAN 1 Bone, SMKN 1 Bone. The test results shows that the Literacy and Writing Quran (BTHQ) score is the main determinant in students' graduation at IAIN Bone in accordance with the results of 170 training data processed and 10 data testing processes , 100% accuracy. In addition, new sequential patterns were found by re-testing based on the results of the sequence of events from the National Examination Score variable, Writing Test Score, Interview and Literacy and Writing Quran (BTHQ) score. Keywords: IAIN Bone, Na誰ve Bayes, C.45, Pola Sequential
- 2. Irmawati, dkk., Data Mining Penentuan Model 114 1. PENDAHULUAN Perguruan tinggi adalah tahap akhir opsional pada pendidikan formal, seperti universitas, akademik, colleges, dan institut teknologi. Berdasarkan kepemilikannya, perguruan tinggi dibagi menjadi dua yaitu perguruan tinggi negeri dan perguruan tinggi swasta [1]. Perguruan Tinggi Negeri (PTN) merupakan tempat kuliah yang paling diminati oleh siapa saja setelah lulus dari SMA atau sederajat. Namun, tidak semua mampu lulus pada Perguruan Tinggi Negeri. Penyebabnya bisa dilihat dari umur, nilai dan bakat/minat. Selain itu, pendidikan orang tua juga memiliki pengaruh terhadap pola perkembangan anak. Orang tua dengan tingkat pendidikan formal yang lebih tinggi mempunyai kemampuan lebih untuk membantu anak dalam belajar dibanding dengan tingkat pendidikan yang lebih rendah. Fakta yang terjadi kebanyakan orang tua menginginkan anaknya menjadi orang yang sukses dalam pendidikan maupun karirnya, sehingga di masa yang akan datang mereka dapat memperbaiki kualitas hidupnya menjadi lebih baik dari sebelumnya. Tujuan penelitian ini adalah untuk mengetahui faktor penentu agar murid bisa lulus pada perguruan tinggi IAIN Bone. Pentingnya studi ini agar murid mempersiapkan diri sebelum mengikuti seleksi ujian masuk, juga sebagai rekomendasi kepada murid berupa faktor penentu yang wajib dipersiapkan agar lulus pada penerimaan mahasiswa baru. Dengan mengetahui kriteria kelulusan, murid dapat mengukur diri sesuai dengan kemampuan. Selanjutnya penelitian ini akan menjelaskan lebih detail tentang penelitian yang telah dilakukan sebagai berikut [2] : bagian 2 menjelaskan tentang metode penelitian yang digunakan dalam penelitian ini, bagian 3 hasil dan pembahasan lalu di bagian 4 adalah kesimpulan dari penelitian ini. Penelitian tentang penentuan kelulusan siswa telah dilakukan oleh [3] dengan menggunakan algoritma k-nearest neighbour dalam melakukan prediksi tingkat kelulusan. Begitupun dalam penelitian [4] yang membahas tentang sistem simulasi prediksi profil kelulusan mahasiswa dengan Decision Tree. Dalam penelitian ini, kami menggunakan algoritma naive bayes dan C.45 untuk memprediksi tingkat kelulusan siswa pada Perguruan Tinggi Negeri (PTN) IAIN Bone. Kedua algoritma ini dapat memprediksi dan menemukan formula baru dalam penentuan model kelulusan. Output dari penelitian ini akan menghasilkan faktor penting yang menjadi penentu kelulusan murid. Kriteria yang digunakan adalah tahun lulus, pendidikan orang tua, penghasilan orang tua, nilai tes (pengetahuan umum, bahasa dan agama), nilai wawancara dan nilai Baca Tulis Huruf Quran (BTHQ). 2. METODE PENELITIAN Data diperoleh dari Sistem Informasi Akademik (SISFO) IAIN Bone. SISFO ini merupakan sistem informasi terintegrasi yang digunakan untuk mempermudah dalam mendukung proses penyelenggaraan pendidikan tinggi berbasis Teknologi Informasi dan Komunikasi (TIK), mulai dari penerimaan mahasiswa baru khususnya jalur mandiri di IAIN Bone, penentuan kelulusan dilakukan pada sistem informasi ini. Sehingga data calon mahasiswa baru yang mendaftar maupun yang dinyatakan lulus dan tidak lulus terekam dalam sistem ini. Sebanyak 180 (seratus delapan puluh) data kelulusan diambil dari data SISFO untuk keperluan penelitian ini. Dimana 170 (seratus tujuh puluh) dijadikan data training dan 10 (sepuluh) dijadikan data testing [5]. Pengolahan data dilakukan dengan menggunakan algoritma naive bayes dan C.45 yang diolah dalam microsoft excel. 2.1. Data Mining Data mining adalah kegiatan yang meliputi pengumpulan, pemakaian data historis yang menemukan keteraturan, pola dan hubungan dalam set data berukuran besar [6]. Pengetahuan yang dihasilkan dari data mining harus baru, mudah dimengerti dan bermanfaat. Tahap data mining dimulai dengan membagi data murid yang lulus dan tidak lulus dan ditransformasi menjadi data latih dan data uji [7]. Tugas-tugas dalam data mining secara umum dibagi menjadi prediktif yang bertujuan untuk memprediksi nilai dari atribut tertentu berdasarkan pada nilai dari atribut-atribut lain dan deskriptif yang menurunkan pola-pola (korelasi, trend, cluster, trayektori dan anomali) yang meringkas hubungan yang pokok dalam data [8]. 2.2. Algoritma Naive Bayes Naive bayes adalah pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. Tujuan klasifikasi adalah untuk secara akurat memprediksi kelas target untuk setiap kasus dalam data [9]. Ide dasar dari bayes adalah menangani masalah yang bersifat hipotesis yakni mendesain suatu klasifikasi untuk memisahkan objek [10]. Algoritma naive bayes dalam prediksi kelulusan murid menggunakan formula pada persaman (1)[11]: ( ) = ()( ) () (1) Pada persamaan (1), R merupakan data yang belum diketahui kelasnya. S merupakan hipotesis pada data R yang merupakan class khusus. P(R/S) adalah nilai probabilitas pada hipotesis R yang berdasarkan kondisi S. P(R) merupakan nilai probabilitas pada hipotesis R. P(S/R) adalah nilai probabilitas S yang berdasarkan dengan kondisi hipotesis R, sedangkan P(S) Nilai probabilitas S.
- 3. Irmawati, dkk., Data Mining Penentuan Model 115 2.3. Algoritma C.45 Algoritma C.45 merupakan algoritma klasifikasi yang menggunakan pohon keputusan [12], yang sudah banyak dikenal dan digunakan untuk klasifikasi data yang memiliki atribut-atribut numerik dan kategorial [13]. Tujuan klasifikasi adalah secara akurat memprediksi kelas target untuk setiap kasus dalam data [9]. Algoritma ini dilakukan dengan mencari nilai entrophy dan gain. Entrophy merupakan jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas (+ atau -) dari sejumlah data acak pada ruang sampel S. Formula perhitungan nilai entrophy seperti pada persamaan (2). 乞＄() = log2 =1 (2) Pada persamaan (2), S merupakan himpunan kasus, k merupakan jumlah partisi S, sedangkan pj merupakan jumlah kasus pada partisi ke-j. Gain merupakan perolehan informasi dari atribut A relative terhadap output data S. Perolehan informasi didapat dari output data atau variabel depedent S yang dikelompokkan berdasarkan atribut A, dinotasikan dengan gain (S,A). Formula perhitungan nilai gain seperti persamaan (3). 咋 () = Entrophy (S) =1 乞＄ () (3) Pada persamaan (3), A merupakan atribut dari dataset, k ialah jumlah partisi S, sedangkan S merupakan himpunan kasus. 2.4. Precision, Recall dan Accuracy Precision merupakan perhitungan terhadap perkiraan proporsi kasus positif yang benar dan dirumuskan dalam persamaan (4) = +告 (4) Recall merupakan perhitungan terhadap perkiraan proporsi kasus positif yang diidentifikasi benar dan dirumuskan dalam persamaan (5) = +告 (5) Accuracy merupakan perhitungan terhadap proporsi dari jumlah total prediksi yang benar dan dirumuskan dalam persamaan (6) [14] 基 = + +告++告 (5) Pada persamaan (4), (5) dan (6), TP merupakan true positive, TN merupakan true negative, FP merupakan false positive, sedangkan FN merupakan false negative 2.5. Pola Sequential Pencarian pola sequential dilakukan dengan mencari sejumlah event yang secara umum terjadi bersama-sama. Jika diberikan sekumpulan obyek dengan masing-masing obyek dihubungkan dengan waktu kejadiannya, maka dapatkan pola yang memprediksi ketergantungan sekuensial (sequential dependences) yang kuat diantara kejadian-kejadian yang berbeda. Pola-pola sequential pertama, pada dasarnya dibentuk dengan cara mencari semua kemungkinan pola yang ada. Nilai-nilai kejadian dalam pola diatur berdasarkan urutan waktu kejadian [15]. Metode sequential dapat digunakan untuk melakukan pencarian data baik pada array yang sudah terurut maupun yang belum terurut [16]. 3. HASIL DAN PEMBAHASAN 3.1. Hasil Pengolahan Algoritma Naive Bayes Penentuan nilai persentase lulus dan tidak lulus : Lulus = 109/170= 0,64118 = 64% Tidak Lulus = 61/170= 0,35882 = 36% Penentuan nilai persentase dari variabel yang ada seperti pada Tabel 1. Tabel 1. Hasil Perhitungan Algoritma Naive Bayes no variabel kate gori lulus tidak lulus total data nilai (%) total data nilai (%) 1. Tahun Lulus 2014 1 1 0 0 2015 0 0 2 3 2016 4 4 7 11 2017 25 23 6 10 2018 79 72 46 75 2. Pendidi kan Orang Tua D 69 63 33 54 M 22 20 12 20 T 18 17 16 26 3. Penghas ilan Orang Tua R 75 69 41 67 S 21 19 8 13 T 3 3 11 18 ST 10 9 1 2 4. Nilai Ujian Nasiona l B 64 59 40 66 SB 45 41 21 34 5. Nilai Tes C 7 6 53 87 B 20 18 8 13 SB 82 75 0 0 6. Nilai Wawanc ara K 0 0 4 7 C 0 0 9 15 B 13 12 41 67 SB 96 88 7 11 7. Nilai BTHQ LFT B 107 98 0 0 LFT K B 2 2 0 0 T L 0 0 61 100 Pada tabel 1, D merupakan Dasar, M adalah menengah, T adalah tidak tamat, R merupakan rendah, S merupakan sedang, T adalah tinggi, ST
- 4. Irmawati, dkk., Data Mining Penentuan Model 116 adalah sangat tinggi, B merupakan baik, SB merupakan sangat baik, C merupakan cukup, K merupakan kurang, LFT merupakan lancar, fasih, tajwid bagus, LFTKB merupakan lancar, fasih, tajwid kurang bagus dan TL merupakan tidak lancar. 3.2. Hasil Pengolahan Data C.45 Perhitungan nilai entrophy menghasilkan nilai 0,9417 seperti pada Tabel 2. Tabel 2. Hasil Perhitungan Nilai Entrophy hasil frekuensi Pj log2pj -pj.log2pj Lulus 109 0.6411 76471 - 0.6412 06611 0.411126592 Tidak Lulus 61 0.3588 23529 - 1.4786 53599 0.530575703 Total Data 170 Total Entrophy (S) 0,941702295 Dari perhitungan yang telah dilakukan untuk mencari nilai gain dari variabel yang ada, maka didapatkan nilai gain tertinggi terdapat pada variabel nilai BTHQ dengan gain sebesar 0,9417. Information gain adalah parameter untuk menilai kriteria yang paling populer dalam atribut. Nilai gain ini akan menjadi kriteria utama untuk lulus pada perguruan tinggi IAIN Bone. Kemudian akan dibuat pohon keputusan atau percabangan dari gain tersebut, seperti pada Gambar 1. Gambar 1. Pohon Keputusan 3.3. Perhitungan Nilai Gain Tertinggi Perhitungan nilai entrophy gain tertinggi menghasilkan nilai 0 (nol). Perhitungan nilai gain tertinggi untuk semua kategori mengandung nilai 0 (nol) karena data kategori tidak lulus telah dihilangkan. Begitupun nilai gain juga hasilnya 0 (nol). Sehingga semua variabel memiliki nilai gain sama yaitu 0, sehingga percabangan yang terbentuk hanya terdiri dari satu cabang, seperti pada Tabel 3. Tabel 3. Hasil Perhitungan Nilai Entrophy Gain Tertinggi hasil frekuensi Pj log2pj -pj.log2pj Lulus 109 1 0 0 Total Data 109 Total Entrophy (S) 0 3.4. Perhitungan Precision, Recall dan Accuracy Nilai precision, recall dan accuracy dapat dilakukan dengan melakukan pengujian pada data testing seperti pada Tabel 4. Tabel 4. Data Testing tahun lulus pendi dikan orang tua peng hasilan orang tua nilai akhir nilai tes nilai wawan cara nilai BTHQ ket 2018 D S SB C B TL tidak lulus 2018 D S SB C B TL Tidak Lulus 2018 M S B C B TL Tidak Lulus 2018 D S B C SB TL Tidak Lulus 2018 T R B B SB LFTB Lulus 2018 D R B SB SB LFTB Lulus 2017 M R B SB B LFTB Lulus 2018 M R B SB SB LFTB Lulus 2018 T ST SB SB SB LFTKB Lulus 2017 D ST B B B LFTKB Lulus Hasil perhitungan nilai precision, recall dan accuracy, yaitu : Nilai Precision = 6 / (6+0) = 100% Nilai Recall = 6 / (6+0) = 100% Nilai Accuracy= (6+4)/(6+0+4+0) = 100% Hasil perhitungan di atas menunjukkan nilai precision sebesar 100%, nilai recall sebesar 100% dan nilai accuracy sebesar 100%. Hal ini menunjukkan bahwa implementasi algoritma naive bayes dan C.45 sudah benar dan valid dengan melihat hasil prediksi dari kedua algoritma tersebut. 3.5. Pola Sequential yang Terbentuk Berdasarkan pengujian yang telah dilakukan, dibentuk pola berdasarkan urutan kejadian dari atribut nilai ujian nasional, nilai tes, nilai wawancara dan nilai BTHQ. Hasil pengujian, membentuk pola baru yang menjadi tolak ukur bagi murid yang akan mengikuti seleksi pada IAIN Bone. Pola sequential yang terbentuk terdapat pola kategori LULUS seperti pada Tabel 5 dan pola kategori TIDAK LULUS seperti pada Tabel 6. Tabel 5. Pola Sequential Kategori Lulus no nilai akhir nilai tes nilai wawan cara nilai BTHQ ket 1 SB SB SB LFTB Lulus 2 SB SB SB LFTKB Lulus 3 SB SB B LFTB Lulus 4 SB SB B LFTKB Lulus 5 SB B SB LFTB Lulus 6 SB B SB LFTKB Lulus NILAI BACA TULIS HURUF QURAN 1,2, 3,4,5,6,7,...... 170 TL LFTKB LFTB TIDAK LULUS 84,85,86,87,88 ,....148 LULUS 1,2,4..42,44,45,44 ..83, 145..170 LULUS 3,43
- 5. Irmawati, dkk., Data Mining Penentuan Model 117 7 SB B B LFTB Lulus 8 SB B B LFTKB Lulus 9 SB C SB LFTB Lulus 10 SB C SB LFTKB Lulus 11 SB C B LFTB Lulus 12 SB C B LFTB Lulus Pola sequential pada kategori LULUS mengisyaratkan bahwa kriteria ini wajib dipenuhi bagi calon mahasiswa agar lulus atau dapat diterima pada institusi ini. Kemudian pada pola sequential TIDAK LULUS bermakna bahwa dipastikan siswa tidak lulus jika Nilai Akhir, Nilai Tes, Nilai Wawancara, dan Nilai BTHQ seperti pola pada Tabel 6. Tabel 6. Pola Sequential Kategori Tidak Lulus no nilai akhir nilai tes nilai wawan cara nilai BTHQ ket 1 SB SB SB TL Tidak Lulus 2 SB SB B TL Tidak Lulus 3 SB SB C LFTB Tidak Lulus 4 SB SB C LFTKB Tidak Lulus 5 SB SB C TL Tidak Lulus 6 SB SB K LFTB Tidak Lulus 7 SB SB K LFTKB Tidak Lulus 8 SB SB K TL Tidak Lulus 9 SB B SB TL Tidak Lulus 10 SB B B TL Tidak Lulus 11 SB B C LFTB Tidak Lulus 12 SB B C LFTKB Tidak Lulus 4. KESIMPULAN Hasil pengujian kedua algoritma ditemukan bahwa variabel Baca Tulis Huruf Quran (BTHQ) menjadi indikator penting dari faktor kelulusan murid SMA pada penerimaan Jalur Mandiri di IAIN Bone dengan nilai gain 0,9417. Hasil ini, perlu dijadikan referensi agar calon Mahasiswa Baru yang akan mendaftar, dilakukan Tes BTHQ terlebih dahulu sebelum mengikuti tes tertulis dan wawancara. Penelitian ini, menghasilkan pula pola sequential untuk menjadi referensi bagi murid SMA yang akan mendaftar di IAIN Bone dalam bentuk pola kategori LULUS dan pola untuk kategori TIDAK LULUS. Dengan demikian, hadirnya penelitian ini dapat mempermudah dan memberikan gambaran tentang informasi awal kepada calon mahasiswa bahwa syarat diterima (Lulus) di kampus IAIN Bone harus memenuhi kriteria yang telah ditentukan. 5. DAFTAR PUSTAKA [1] Wikipedia, Perguruan Tinggi, Oktober, 2009. https://id.wikipedia.org/wiki/Perguruan_tinggi (accessed Oct. 25, 2019). [2] R. Adhitama, A. Burhanuddin and R. Ananda, Penentuan Jumlah Cluster Ideal SMK Di Jawa Tengah Dengan Metode X-Means Clustering dan K-Means Clustering, JIKO (Jurnal Informatika dan Komputer), vol. 3, no. 1, pp. 4250, 2020, doi: 10.33387/jiko. [3] Y. Trisaputra, Klasifikasi Profil Siswa SMA / SMK yang Masuk PTN ( Perguruan Tinggi Negeri ), no. September 2015, pp. 015, 2016. [4] B. A. Arifiyani and R. S. Samosir, Sistem Simulasi Prediksi Profil Kelulusan Mahasiswa Dengan Decison Tree, vol. 5, pp. 115123, 2018. [5] Irmawati, Data Mining Untuk Penentuan Model Tingkat Kesuksesan Kelulusan Murid SMA Pada Perguruan Tinggi Negeri (Studi Kasus IAIN Bone), STMIK Handayani Makassar, 2019. [6] Risnawati, Analisis Kelulusan Mahasiswa Menggunakan Algoritma C.45, J. Mantik Penusa, vol. 2, no. 1, pp. 7176, 2018. [7] R. P. S. Putri and I. Waspada, Penerapan Algoritma C4.5 pada Aplikasi Prediksi Kelulusan Mahasiswa Prodi Informatika, Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 4, no. 1, p. 1, 2018, doi: 10.23917/khif.v4i1.5975. [8] R. H. Pambudi and B. D. Setiawan, Penerapan Algoritma C4 . 5 Untuk Memprediksi Nilai Kelulusan Siswa Sekolah Menengah Berdasarkan Faktor Eksternal, J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 7, pp. 26372643, 2018, [Online]. Available: http://j- ptiik.ub.ac.id5. [9] B. A. Muktamar, N. A. Setiawan, and T. B. Adji, Analisis Perbandingan Tingkat Akurasi Algoritma Naive Bayes Classifier dengan Correlated-Naive Bayes Classifier, Semin. Nas. Teknol. Inf. dan Multimed. 2015, pp. 49 54, 2015. [10] E. Siswanto, Optimasi Metode Na誰ve Bayes Dalam Memprediksi Tingkat Kelulusan Mahasiswa Stekom Semarang, vol. 6, no. 1, pp. 16, 2019. [11] Yogiek Indra Kurniawan, Perbandingan Algoritma Naive Bayes dan C.45 Dalam Klasifikasi Data Mining, vol. x, no. 30, pp. 1 8, 2018, doi: 10.25126/jtiik. [12] I. P. Astuti, Prediksi Ketepatan Waktu Kelulusan Dengan Algoritma Data Mining C4.5, Fountain Informatics J., vol. 2, no. 2, p. 5, 2017, doi: 10.21111/fij.v2i2.1067. [13] E. Elisa, Analisa dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Mengidentifikasi Faktor-Faktor Penyebab Kecelakaan Kerja Kontruksi PT.Arupadhatu
- 6. Irmawati, dkk., Data Mining Penentuan Model 118 Adisesanti, J. Online Inform., vol. 2, no. 1, p. 36, 2017, doi: 10.15575/join.v2i1.71. [14] wordpress, Perbedaan Precision, Recall dan Accuracy, Juni, 2013. https://dataq.wordpress.com/2013/06/16/perbed aan-precision-recall-accuracy/ (accessed Oct. 24, 2019). [15] F. A. Hermawati., 2013. "Data Mining, 1st Edisi., CV. Andi Offset. Yogyakarta. [16] A. Sonita and M. Sari, Implementasi Algoritma Sequential Searching Untuk Pencarian Nomor Surat Pada Sistem Arsip Elektronik,, vol. V, pp. 19, 2018.