daftar isi bidang: sosial humaniora · 2020. 5. 6. · dan pengaruhnya terhadap aktivitas katalase...
TRANSCRIPT
Volume 2, Nomor 1, Juni 2014 ISSN: 2088-6179
DAFTAR ISI
Bidang: Sosial Humaniora
Pengaruh Kebebasan Berbisnis Terhadap Harga Saham
Di Negara-Negara Asean ............................................................................. 1-9
Dwi Wulandari
Pengaruh Sikap, Komunikasi dan Partisipasi Kelompok Perempuan
Terhadap Implementasi PNPM Mandiri Perkotaan ....................................... 10-20
Wahyu Krisnanto
Model Kepemimpinan Untuk Meningkatkan Produktivitas UKM
Dalam Rangka Mendukung Pelaksanaan Masterplan Percepatan Dan
Perluasan Pembangunan Ekonomi Indonesia (MP3EI) 2011-2015 ................ 21-27Mudji A, Hana Catur W, Wiwik S, Udisubakti Cipto M, Putu Dana
Peran Edukasi Keuangan Untuk Memacu Partisipasi Masyarakat DalamKegiatan Investasi di Pasar Modal Indonesia................................................. 28-40
Tuti Andjarsari
Pergeseran Paradigma Manajemen Sumber Daya Manusia Kearah
Strategis Dan Memiliki Keunggulan Bersaing Yang Berkelanjutan ................. 41-48
Dianawati
Analisa Gender Terhadap Gugat Cerai Di Wilayah Kecamatan Sukun
Kota Malang .................................................................................................. 49-65
Suciati, Abdul Halim
Peningkatan Kualitas Produk Pada Proses Pembuatan Sandal
Home Industri Di Kabupaten Sidoarjo ............................................................ 66-73Erni Puspanantasari Putri
Analisis Implementasi Kualitas Kehidupan Kerja, Keterlibatan Kerjadan Persepsi Dukungan Organisasi Terhadap Kepuasan Kerja
(Studi pada PT PLN Jember) ......................................................................... 74-90
Trias Setyowati
brought to you by COREView metadata, citation and similar papers at core.ac.uk
provided by Repository UNIKAMA
Bidang: Science dan Teknologi Informasi
Decision Support System Prediksi Kelulusan Siswa Smk Menggunakan
Metode Naive Bayes ..................................................................................... 113-127Wiji Setiyaningsih, Usman Fauzi
Sistem Pakar Untuk Mendiagnosa Penyakit Anemia ..................................... 128-138Sumarno, Roni Pambudi
Aplikasi Pengukuran Kinerja Keuangan Pada Lembaga Keuangan Mikro
Menggunakan Metode Fuzzy-Ahp Dan Wpm................................................. 139-150Yulian Findawati, Ika Ratna Indra Astutik
Metode Virtualization Sebagai Model Pembelajaran Router Mikrotik-Os ........ 139-150Yusriel Ardian
Rancang Bangun Otomatisasi Keran Dispenser Untuk Penjualan
Air Minum Menggunakan Koin Berbasis Mikrokontroleratmega 16 ................ 162-168Amak Yunus, Mochammad Lutfi Desi
Implementasi Komputer Modern pada Smartphone denganplatform Android pada UMKM ........................................................................ 169-178
Alexius Endy Budianto
Rancang Bangun Sistem Informasi E-Surat Di Fakultas TeknologiInformasi Dengan Penerapan Digital Signature Dan Algoritma
Base 64 Berbasis Web .................................................................................. 179-182
Yoyok Seby Dwanoko
Tingkat Partisipasi Masyarakat Dalam Program Penyediaan Air Minum
Dan Sanitasi Berbasis Masyarakat (Pamsimas) Di Kabupaten Pekalongan
(Studi Kasus Desa Kwayangan Kecamatan Kedungwuni DanDesa Lambanggelun Kecamatan Paninggaran) ............................................. 153-199
Ardiana Vita Ratnasari, Henna Rya S, Hartuti Purnaweni
Mekanisme Erupsi Gunungapi Ijen Terkait Model Kantong Magma
Berdasarkan Analisis Sinyal Seismik ............................................................. 200-214Hena Dian Aya, Akhmad Jufriadi
Pengukuran Konsentrasi Xanton Dalam Jus Kulit Manggis
dan Pengaruhnya Terhadap Aktivitas Katalase Tikus yang di Induksi
Strephozotocin ..............................................................................................215-223
Maris Kurniawati, Eny Nur Aisyah
Bidang: Sastra dan Budaya
Reciprocal Teaching Sebagai Strategi Untuk Meningkatkan
Pemahaman Mahasiswa Terhadap Isi Bacaan TingkatPartisipasi Masyarakat (Reading Skill) ........................................................... 231-248
Agus Sholeh, Uun Muhaji, S.Pd., M.Pd
Konstruksi Hibriditas Bahasa Sebagai Upaya Pengembangan
Bahasa Indonesia .......................................................................................... 249-262
Rofiatul Hima
Implementasi Pendidikan Karakter Dalam Tindak Tutur ................................ 263-278
Suko Wianrsih
Pengembangan Penulisan Karya Ilmiah Dan Konsep Presentasi
Ilmiah Berlaras Pendidikan Karakter Bagi Mahasiswa
Universitas Kanjuruhan Malang ..................................................................... 279-295Gatot Sarmidi
Content Familiarity through Text Nativization to Boosting the EFLStudents Reading Comprehension ................................................................ 296-302
Dwi Fita Herawati, Irene Trisisca Rusdiyanti
Penerapan C&C Learning Untuk Meningkatkan Motivasi dan
Kemampuan Akademik Mahasiswa Fkip Bahasa Reading
Comprehensioninggris Universitas Kanjuruhan Dalam Mata Kuliah ............... 303-316
Andy dan Uun Muhaji
Familiarizing Intercultural Contens To Promote Cros-Cultural
Understanding ............................................................................................... 317-324Teguh Sulistyo, M.Pd
Bidang: Pangan dan Ternak
Alternative Produk Olahan Wortel Menjadi Jeli Sehat Untuk
Meningkatkan Nilai Ekonomis Petani Wortel Di Jawa Timur .......................... 325-338Atikha Sidhi cahyana, Verani Hartati, Ida Agustini Saidi
Perancangan Quality Plan untuk Meningkatkan Mutu Buah ApelSepanjang Rantai Pasok dari Pascapanen Sampai Display Super Market .... 339-357
I Nyoman Sutapa, Jani Rahardjo, I Gede Agus W, dan Elbert Widjaja
Analisis Usahatani Tembakau Rajangan Varietas Baru Maesan ................... 358-366Rini Purwatiningsih
Implementasi Integrasi Metode Lean Six Sigma Untuk MeningkatkanKualitas Produk Ikan Hasil Ukm Petani Ikan Pada Proses Distribusi Ikan
di Pasar Ikan Kabupaten Sidoarjo.................................................................. 367-375
Wiwik Sulistiyowati, Verani Hartati
Model Evaluasi Efisiensi Penurunan Kadar HCN dan Kandungan
Protein Daun Ketela Pohon dengan Berbagai Feedprocessing untukMeningkatkan Kualitas Pakan Ternak ............................................................ 376-381
Tri Ida Wahyu Kustyorini, Dyah Lestari Yulianti
Pemanfaatan Yogurt Plain Sebagai Starter Pada Produksi Homemade
Yogurt ............................................................................................................ 382-387
Ir. Aju Tjatur Nugroho Krisnaningsih, MP
PENAMPILAN REPRODUKSI KAMBING PERANAKAN ETTAWA (PE)
(Studi Kasus Di Wilayah Desa Jambuwer Kecamatan KromenganKabupaten Malang) ....................................................................................... 388-402
Enike Dwi Kusumawati dan Aju Tjatur Nugroho K
Bidang: Pendidikan
Model Pembelajaran Fisika Yang Mengintegrasikan Antara Nilai-Nilai Sains
dan Nilai-Nilai Agama Islam Dalam Membangun Karakter MahasiswaFKIP di Perguruan Tinggi Swasta DKI Jakarta .............................................. 403-419
Marjoko, Dalmeri, Achmad Sjamsuri
Analisa Gaya Mengajar Mahasiswa Calon Guru dalam Mata Kuliah
Praktik Pengalaman Lapangan 1 (PPL 1) ...................................................... 420-427
Sri Hariyani
Implementasi Cooperative Learning Berbasis Computer Dengan
Pemberian Quiz Dalam Meningkatkan Kualitas Perkuliahan Topologi
di Program Studi Pendidikan Matematika ...................................................... 428-440Retno Marsitin
Peningkatan Pemahaman Konsep Kelipatan Persekutuan Terkecil
Menggunakan Bahan Manipulatif pada Siswa Sekolah Dasar ....................... 441-454Intan Dwi Hastuti
Pengembangan Modul Pembelajaran Matematika dengan
Pendekatan Ctl (Contextual Teaching And Learning) untuk Siswa SD .......... 455-469
Raddin Nur Shinta
Model dan Perancangan Kantin Jujur Berbasis Entrepreneurship
(Studi Kasus di SDN Panggungrejo 04 Kepanjen) ......................................... 470-488
Yulianti
Pengaruh Strategi Pembelajaran Ipa Terpadu Terhadap Motivasi
dan Prestasi Belajar Fisika di SMP Negeri 04 Singosari Malang................... 489-498Sudi Dul Aji, Tutik Setyowati
Hambatan Berpikir Matematis Siswa dalam Memecahkan Masalah
Persamaan Kuadrat Berdasarkan Langkah Polya Beserta Pemberian
Scaffolding Langkah Polya Beserta Pemberian Scaffolding ........................... 499-517
Ulfia Churidatul
Hubungan Bakat Mekanik, Praktik Kerja Industri dan Persepsi Siswa
Tentang Kinerja Mengajar Guru dengan Kompetensi Siswa SMK
Kompetensi Keahlian Teknik Kendaraan Ringan ........................................... 518-531
Mujibur Rohman
Kontribusi Motivasi Dan Prestasi Belajar Autocad Terhadap Kesiapan
Pembelajaran Kooperatif Tipe Numbered Heads Together (NHT)Berbantuan Bahan Manipulatif Fraction Sticker untuk Memahamkan
Konsep Materi Operasi Pecahan Di Kelas Viic SMP Negeri 3
Singosari Malang ...........................................................................................552-565
Dyah Ayu Puspitasari
Penerapan Classwide Peer Tutoring untuk Meningkatkan Penalaran
Matematika Siswa Kelas VII-C SMP Darul Ukhuwwah Pada Pokok
Bahasan Pecahan ........................................................................................... 566-573Ade Kurniawan
Meningkatkan Kreativitas dan Pemahaman Pecahan Melalui Penerapan
Strategi Open Ended Problem Bersetting Kooperatif .....................................574-587
Akhmad Jufriadi, Hena Dian Ayu
Minat dan Aktivitas Belajar Mahasiwa Prodi Pendidikan Matematika
Universitas Kanjuruhan Malang pada Perkuliahan PPL 1 dengan
Model Make A Macth .................................................................................... 588-599Rahaju
Penggunaan Bahan Manipulatif Kemasan untuk Memahamkan
Siswa Tentang Bangun Ruang Melalui Pembelajaran
Group Investigation pada Kelas VIII MTS Al Hamidiyah Gondanglegi ..............600-610
Dwi Nurcahyo
Pengaruh Kompetensi Guru, Interaksi Teman Sebaya, dan Hasil Belajar
terhadap Perilaku Konsumtif Siswa SMP Islam Ma’arif 2 Malang ................... 611-620Lilik Sri Hariani, Udik Yudiono
Penerapan Pembelajaran Kooperatif Model NHT (Numbered Head Together)
untuk Meningkatkan Keaktifan dan dan Hasil Belajar IPS pada
Siswa Kelas VII SMP Negeri 5 Singosari Satu Atap
Tahun Ajaran 2013/2014 ...............................................................................621-639
Dian Kartini,S.Pd
Profil Metakognisi Matematis Siswa Kelas 3 Sekolah Dasar pada
Pemecahan Masalah Bangun Datar Berdasar Kerj a Kelompok ......................640-649
Dwi Purnomo , Toto Nusantara , Subanji , Swasono Rahardjo
Penggunaan Mainan Anak-Anak Melalui Pembelajaran denganMetode Penemuan Terbimbing Untuk Memahamkan Konsep
Luas Permukaan Bangun Ruang Pada Siswa Smp ...........................................671-685Deka Anjariyah
PROSIDING SEMINAR NASIONAL merupakan publikasi yang berisikan
hasil- hasil pertemuan ilmiah. Diterbitkan 1 tahun sekali, oleh Lembaga Penelitian
dan Pengabdian kepada Masyarakat Universitas Kanjuruhan Malang.
DEWAN REDAKSI
Ketua
Dr. Sudi Dul Aji, M.Si.
Penyunting Pelaksana:
Dr. Endi Sarwoko, SE., M.M
Dr . Gatot Sarmidi, M.Pd
Dr. Suciati, SH., M.Hum
Dr. Supriyanto, M.Pd
Dr. Endah Andayani, M.M
Dra. Nurul Aini, M.Si
Dr s. Choirul Huda, M.Si
Drs. Sudiyono, M.Pd
Yusr iel Ardian, S.Kom., M.Kom
Enike Dwi Kusumawati, S.Pt., M.P
Henny Leondro, S.Pt., M.P
Dyah Lestar i Yulianti, M.P
Penyunting Ahli
DECISION SUPPORT SYSTEMPREDIKSI KELULUSAN SISWA SMK
MENGGUNAKAN METODE NAIVE BAYES
Wiji Setiyaningsih1
Usman Fauzi2
Program Studi Sistem Informasi, Fakultas Teknologi Infor masi, Universitas Kanjuruhan 1
Malang, [email protected]
Program Studi Sistem Informasi, Fakultas Teknologi Infor masi, Universitas Kanjuruhan 2
Malang, [email protected]
Abstrak
Dalam upaya meningkatkan Sumber Daya Manusia (SDM) yang bermutu, bidang
pendidikan memegang peranan penting. Upaya meningkatkan SDM dilakukan melalui jalur pendidikan dasar, pendidikan menengah, dan pendidikan tinggi. Ujian akhir nasional (UAN) merupakan salah satu alat evaluasi yang dikeluarkan Pemerintah untuk mengukur tingkat pencapaian tujuan pendidikan yang telah ditetapkan, karena hasil UAN bisa menentukanstandar kelulusan nasional.
Di Sekolah Menengah Kejuruan I slam 1 Blitar ingin mendapatkan siswa didiknya bisalulus semua. Beberapa faktor yang mempengaruhi prediksi kelulusan siswa, diantaranya : Ujian Sekolah Tulis, Ujian Sekolah Praktek, Ujian Kompetensi Keahlian. Berdasar kan hal tersebut dibutuhkan Sistem Pendukung Keputusan Prediksi Kelulusan Siswa-Siswi SMKIslam 1 Blitar Menggunakan MetodeNaive Bayes.
Sistem Pendukung Keputusan Kelulusan Siswa-Siswi SMK Islam 1 BlitarMenggunakan Metode Naive Bayes ini dapat membantu pihak sekolah dalammempertimbangkan kelulusan siswa-siswi baik secara individu maupun keseluruhan agarkualitas kelulusan siswa-siswi lebih baik.
Kata Kunci: desicion support system, naive bayes, prediksi kelulusan
merupakan salah satu alat evaluasi yangA. Pendahuluan
Dalam upaya meningkatkan Sumber dikeluarkan Pemer intah untuk mengukur
Daya Manusia (SDM) yang bermutu, tingkat pencapaian tujuan pendidikan yang
bidang pendidikan memegang peranan telah ditetapkan, karena hasil UAN bisa
penting. Upaya meningkatkan SDM menentukan standar kelulusan nasional
dilakukan melalui jalur pendidikan dasar, untuk tahun berikutnya ( Astria Puji Astuti,
pendidikan menengah, dan pendidikan 2010). Misalnya nilai rata-rata UAN ini
tinggi. Ujian akhir nasional ( UAN) 4,01 untuk tahun depan menjadi 4,26 dan
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 113
Wiji Setiyaningsih, Usman Fauzi1 2
seterusnya. Dimana standar nilai UAN Prediction Of Gunadarma University
yang ditetapkan Pemer intah sangat Students Using Algorithm And Naive
penting, karena untuk mengetahui lulus Bayes C4.5 Algorithm(2010), yang artinya
tidaknya siswa tersebut. Begitu pula di Prediksi Kelulusan Mahasiswa Universitas
Sekolah Menengah Kejur uan Islam 1 Gunadarma menggunakan Algoritma dan
Blitar ingin mendapatkan siswa didiknya Algoritma C4.5Naive Bayes. Pada r iset
bisa lulus semua. Dari hasil analisis tersebut dengan menggunakan metode
dokumen dan wawancara presentasi nilai algoritma naive bayes, sehingga hal ini
tahun ajaran 2006 yang tertinggi untuk dapat dilihat dari meningkatnya jumlah
program keahlian Teknik Kontruksi calon mahasiswa baru di setiap tahunnya
Bangunan 7,82, nilai rata-rata terbanyak ajaran. Untuk mengetahui tingkat
6,80, progr am keahlian Teknik Instalasi kelulusan mahasiswa dalam satu tahun
Listrik 8,49, nilai rata-rata terbanyak 6,60, ajaran dapat membuat prediksi berdasarkan
program keahlian Teknik Mesin Perkakas data mahasiswa pada tingkat atau yang
8,22, nilai rata-rata terbanyak 6,88, pertama akademik tahun. Naive Bayes
program keahlian Mekanik Otomotif 8,82, (NBC) adalah probabilitas sederhana
nilai rata-rata terbanyak 7,52 dan siswa classifier menerapkan teorema bayes
yang tidak lulus ada 10 siswa.Beberapa dengan asumsi kemerdekaan ( independen)
faktor yang mempengaruhi prediksi tinggi. Keuntungan menggunakan NBC
kelulusan siswa, diantaranya : Ujian adalah bahwa metode ini hanya
Sekolah Tulis, Ujian Sekolah Praktek, membutuhkan jumlah pelatihan data (data
Ujian Kompetensi Keahlian. training) kecil untuk memperkirakan
Harapan dari Kepala Sekolah yaitu parameter yang diperlukan dalam proses
guru dapat mengaktifkan siswa untuk lebih klasifikasi.
giat belajar, siswa-siswi dapat lulus 100% Kebutuhan jumlah data yang besar
dan nilai kelulusan siswa- siswi diatas rata- dapat ditemukan dalam dunia pendidikan.
rata. Untuk mengatasi permasalahan Hal ini dikarenakan, setiap tahun ajaran
prediksi kelulusan siswa-siswi di SMK terjadi peningkatan data. Terutama data-
Islam 1 Blitar, senada dengan data siswa yang terus bertambah dari tahun
per masalahan di paper yang telah ditulis ketahun. Jumlah data yang ter us meningkat
oleh Marselina dan Ernastuti (2010) dalam ini memer lukan beberapa metode untuk
papernya yang berjudul Graduation mengolah dan mengambil kesimpulan dan
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 114
Wiji Setiyaningsih, Usman Fauzi1 2
informasi dari data tersebut. Pada kelulusan, yang dapat membantu pihak
penelitian ini penulis mengangkat sekolah dalam mempertimbangkan
mengenai penggunaan metode naive bayes. kelulusan siswa-siswi baik secara individu
Berdasarkan uraian tersebut di atas, maupun keseluruhan agar kualitas
maka perlu membangun sebuahDecision kelulusan siswa-siswi lebih baik. Prediksi
Support System untuk prediksi kelulusan tersebut juga dapat meningkatkan kualitas
siswa-siswi di SMK Islam 1 Blitar mengajar para guru dalam menyampaikan
menggunakan metode naive bayes, pelajaran.
sehingga dapat dijadikan sebagai
pertimbangan siswa- siswi dalam B. Kajian Pustaka
mendapatkan hasil akhir. 2.1 PengertianDecision Support System
Adapun tujuan dar i penelitian ini adalah (DSS)
untuk membangun Decision Support Menurut paper yang ditulis oleh
System Pr ediksi Kelulusan Siswa-Siswi Dina Andayati (2010),Decision Support
SMK Islam 1 Blitar Menggunakan Metode Systemadalah bagian dari sistem informasi
Naive Bayes, sehingga dapat memprediksi berbasis komputer (termasuk sistem
siswa-siswi yang lulus atau tidak lulus berbasis pengetahuan) yang dipakai untuk
sesuai dengan nilai standar kelulusan, yang mendukung pengambilan keputusan dalam
dapat membantu pihak sekolah dalam suatu organisasi atau perusahaan. Dapat
mempertimbangkan kelulusan siswa-siswi juga dikatakan sebagai sistem komputer
baik secara individu maupun keseluruhan yang mengolah data menjadi informasi
agar kualitas kelulusan siswa-siswi lebih untuk mengambil keputusan dari masalah
baik. Prediksi tersebut juga dapat semi terstruktur yang spesifik.
meningkatkan kualitas mengajar para guru
dalam menyampaikan pelajaran. 2.2 Tujuan Decision Support System
Adapun tujuan dar i penelitian ini (DSS)
adalah untuk membangun Decision Menurut paper yang ditulis oleh
Support System Prediksi Kelulusan Siswa- Dina Andayati (2010), tujuan Decision
Siswi SMK Islam 1 Blitar Menggunakan Support System (DSS) adalah untuk
Metode Naive Bayes, sehingga dapat membantu pengambilan keputusan
memprediksi siswa-siswi yang lulus atau memilih berbagai alternatif keputusan
tidak lulus sesuai dengan nilai standar yang merupakan hasil pengolahan
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 115
Wiji Setiyaningsih, Usman Fauzi1 2
informasi yang diperoleh/tersedia yaitu subsistem manajemen model,
menggunakan model pengambilan subsistem manajemen model, dan
keputusan. antarmuka pengguna (Magdalena, 2011).
Subsistem yang membangun sistem
pendukung keputusan pada gambar 12.3 Komponen-komponen Decision
dijelaskan sebagai berikut:Support System(DSS)
Sistem pendukung keputusan a. Subsistem manajemen data ber isi data
dibangun oleh lima komponen yaitu yang relevan untuk suatu situasi dan
subsistem manajemen data, subsistem dikelola oleh Database Manajemen
manajemen model, subsistem antarmuka System (DBMS) . Subsistem ini dapat
pengguna, dan subsistem manajemen diinterkoneksikan dengan data
berbasis pengetahuan. Berdasarkan Warehouseperusahaan yang relevan
definisi, sistem pendukung keputusan untuk pengambilan keputusan.
harus mencakup tiga komponen utama
Other Computer Internet,Intranet,
Based Systems ExtranetData : External
and Internal
Data ModelManagement Management External Models
Knowledge-
based
subsystems
User Interface
OrganizationalManager (User)
KB
Gambar 1. Skemat ikDecision Support System(DSS)
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 116
Wiji Setiyaningsih, Usman Fauzi1 2
b. Subsistem manajemen model perkiraan, menduga atau menelaah. Dapat
merupakan paket perangkat lunak yang diartikan pula suatu buletin yang memuat
menyimpan model keuangan, statistik, berita tentang sesuatu yang telah lalu atau
ilmu manajemen , atau model yang akan datang.
kuantitatif lainnya yang memberikan Menurut kamus besar bahasa
kemampuan analitik yang tepat. Indonesia kata lulus berarti dapat masuk,
Perangkat lunak ini sering disebut dapat lepas atau lucut, ter perosok masuk,
Model Based Managemen System berhasil dapat melalui dengan baik,
(MBMS) dan dapat diimplementasikan diperkenankan. Kemudian kelulusan
pada sistem pengembanganweb untuk diartikan sebagai keguguran, hal lulus dan
berjalan padaserver aplikasi. setelah lulus. Sehingga kelulusan menurut
c. Subsistem antar muka pengguna penulis diartikan sebagai keberhasilan
merupakan dukungan komunikasi dalam melalui ujian pada batas tertentu.
antara sistem dengan pengguna.Web Prediksi kelulusan adalah suatu perkiraan
browser menjadi salah satu antarmuka untuk melihat lulus atau tidaknya siswa
yang menampilkan dalam bentuk grafis dalam ujian nasional yang memiliki
dan interaktif dengan pengguna. dengan standar kelulusan tertentu (Tim
d. Subsistem manajemen ber basis Redaksi, 2008).
pengetahuan bertindak sebagai
komponen independen yang 2.3 Metode Naive Bayes
memberikan kemampuan intelegensi Menurut paper yang ditulis oleh
untuk memperbesar pengetahuan Marselina dan Ernastuti ( 2010), klasifikasi
pengambil keputusan. Perusahaan bayesian adalah pengklasifikasian statistik
memiliki sistem manajemen yang dapat digunakan untuk memprediksi
pengetahuan. Keterhubungan probabilitas untuk memprediksi
subsistem ini dengan sistem pendukung keanggotaan suatu class. Klasifikasi
keputusan dapat melalui interkoneksi bayesian didasarkan padateorema bayes.
denganWeb server . Dari hasil studi algoritma klasifikasi,
didapatkan bahwa hasil klasifikasi
2.4 Prediksi Kelulusan bayesian atau dikenal dengan Naive Bayes
Menurut kamus besar bahasa Claassifiersdari segi performa lebih baik
dar i dari algoritma decision tree danIndonesia berar ti ramalan atauprediksi
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 117
Wiji Setiyaningsih, Usman Fauzi1 2
algoritma selected neural networks suatu var ibel dalam sebuah kelas yang
classifiers . Naive Bayes Claassifiers juga dibutuhkan untuk menentukan klasifikasi,
memiliki kecepatan dan keakuratan yang bukan keseluruhan dari matriks kovarians.
tinggi bila di implementasikan ke dalam Salah satu penerapanteorema bayesadalah
databese yang ukurannya besar. Naive naive bayes(Marselina dan Ernastuti,
Bayes Claassifiersberasumsi bahwa efek 2010).
dar i status pada kelas yang diberikan Naive bayesmerupakan metode
adalah independent terhadap nilai atribut probabilistik pengklasifikasian sederhana
yang lainnya. Asumsi ini biasanya disebut berdasarkan teorema bayes .
dengan classcondicional indepence. I tu Pengklasifikasian padanaive bayesdapat
dibuat untuk menyederhanakan komputasi dilakukan melalui training set yang efesien
yang terkait dalam hal ini disebut sebagai (Wiji Setiyaningsih, 2012).
=naive ‘. Bayesian belief networkadalah Teorema bayesmenyediakan cara
model grafik yang tidak seperti naive untuk memperkir akan probabilitas
bayes claassifiers yang memperbolehkan posterior P(H|X), saat P( H), P(X) dan
representasi dari ketergantungan diantara P(X|H) telah diketahui
atribut dari sebuah subset. Bayesian belief
network dapat juga digunakan dalam
pengklasifikasian. Naive bayes claassifiers
(NBC) merupakan sebuah pengklasifikasi
probabilitas sederhana yang Naive Bayesian Classification
mengaplikasikan teorema bayes dengan
asumsi ketidaktergantungan ( independent )
yang tinggi.
Keuntungan menggunakan NBC
adalah bahwa metode ini hanya a) Klasifikasi bayes( naive bayesian
membutuhkan jumlah data pelatihan classificasion) mengasumsikan:
Nilai dari sebuah input atribut pada(training data) yang kecil untuk
menentukan estimasi parameter yang kelas yang diberikan tidak tergantung
diper lukan dalam proses pengklasifikasian. dengan nilai dari atribut yang lain.
Karena yang diasumsi sebagai variable Asumsi ini disebut class conditional
independent , maka hanya varians dar i independence.
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 118
Wiji Setiyaningsih, Usman Fauzi1 2
b) Hanya valid untuk mengalikan 5. Identifikasi masalah, menentukan
masing-masing pr obabilitasattribute rumusan masalah, batasan penelitian,
Xi saat menghitung nilai P(X|H) jika serta tujuan penelitian.
diasumsikan class conditional 6. Studi liter atur, yaitu dengan
independence. mempelajar i literatur-literatur yang
c) Karena asumsi inilah penerapan mendukung penelitiandecision support
teorema bayesyang menghitung systemprediksi kelulusan siswa SMK
for mula di atas disebutnaif ( naive menggunakan metodenaive bayes.
bayes). Membahas tentang penerapan metode
d) Terdapat Graphical Modelslainnya naive bayesuntuk decision support system
juga classifier models yang prediksi kelulusan siswa SMK sesuai
memper hitungkan bahwa ada dengan batasan penelitian yang telah
dependensi/keterkaitan antara input ditentukan.
attribute dalam training set :
a. Bayesian (Belief) Network D. Hasil dan Pembahasan
b. Hidden Markov Model Diagram konteks merupakan aliran
e) Walapun demikian klasifikasi naive yang memodelkan hubungan antara sistem
bayestetap menunjukkan akurasi yang dengan entitas. Selain itu, diagram konteks
cukup tinggi saat digunakan pada merupakan diagram yang paling awal yang
databaseyang benar. terdiri dari suatu proses data dan
menggambarkan ruang lingkup suatu
C. Metodologi Penelitian sistem secara garis besarnya. Aliran dalam
Metode penelitian merupakan diagram konteks memodelkan masukan ke
langkah-langkah yang dilakukan dalam sistem dan keluaran dar i sistem.
penelitian ini secara umum, yang dapat
manggambarkan desain dan prosedur
penelitian sebagai ber ikut:
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 119
Wiji Setiyaningsih, Usman Fauzi1 2
Gambar 2.Context DiagramDSS Prediksi Kelulusan Siswa SMK
Diagram konteks di atas BK serta lima proses yang merupakan
menerangkan bahwa arus data secara proses utama pada sistem, yaitu proses
umum yang melibatkan tiga buah entitas, login, pengelolahan data master, data
yaitu : Admin, TU dan BK. Aliran output training, prediksi kelulusan dengan metode
data dari Admin adalah : Input master naive bayes, laporan. Serta data storeya ng
login, input login, input data training. masing- masing adalah user_operator,
Aliran output dari data TU adalah : Input siswa, jurusan, penilaian. Di bawah ini
login, input master jurusan dan input adalah gambar DFD Sistem Pendukung
master siswa. Aliran output dari BK adalah Keputusan Prediksi Kelulusan level 1.
input login dan input penilaian. Secara garis besar prosedur
Admin merupakan pengelola utama didalam sistem ini dipecah menjadi lima
sistem, peran penting admin adalah untuk proses yaitu proses login, pengelolahan
mengkoordinasikan dan mengelola siapa data master, data training, prediksi
saja yang ber hak memasukkan data kelulusan menggunakan metode naive
kedalam sistem. bayes, laporan. Dar i keterangan gambar di
Data Flow Diagram (DFD) level 1 atas ini tampak bahwa Admin, TU dan BK
menjelaskan mengenai arus data yang melakukan proses login. TU melakukan
terjadi dalam sistem pendukung keputusan login terlebih dahulu sebelum melakukan
prediksi kelulusan. Pada diagram ini pengolahan data master, begitu pula BK
terdapat tiga entitas yaitu Admin, TU dan untuk melakukan prediksi kelulusan
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 120
Wiji Setiyaningsih, Usman Fauzi1 2
menggunakan metodenaive bayesharus hak akses penuh dalam sistem pendukung
melakukan proses login terlebih dulu, dan keputusan prediksi kelulusan ini.
Admin adalah seorang yang mempunyai
Gambar 3.Data Flow Diagram Level 1 Prediksi Kelulusan Siswa SMK
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 121
Wiji Setiyaningsih, Usman Fauzi1 2
Pada gambar dibawah ini DFD level 2 ter dapat 3 prosessetup master yait u setup
masteruser , setupmaster jurusan,setupmaster siswa.
Gambar 4. DFD Level 2 dari Proses 2SetupMaster
Dar i masing-masing hasil setup Pada gambar dibawah ini terdapat
master akan tersimpan di dalam database. pada DFD Level 2 proses 3 adalah
Setup master userakan tersimpan di dalam melakukan proses data training akan
tabel user_operator, setup master jurusan tersimpan di dalam tabel penilaian.
akan tersimpan di dalam tabel jurusan,
setup master siswa akan tersimpan di
dalam tabel siswa.
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 122
Wiji Setiyaningsih, Usman Fauzi1 2
Gambar 5. DFD Level 2 dari Proses 3 Data Training
Pada gambar dibawah ini terdapat Dari gambar ERD terdapat
pada DFD Level 2 proses 4 adalah beberapa relasi di antar anya tabel jurusan
melakukan proses prediksi kelulusan yang dengan tabel siswa relasinya adalahone to
akan tersimpan di dalam tabel penilaian. many.Dimana satu jurusan dapat di miliki
banyak siswa. Selanjutnya tabel siswa
dengan tabel penilaian relasinya adalah
one to many.Dimana satu siswa dapat di
melakukan beberapa penilaian.
Gambar 6. DFD Level 2 dari Proses 4
Prediksi Kelulusan Menggunakan
MetodeNaive Bayes
Entity Relationship Diagram
(ERD) merupakan notasi grafis dalam
pemodelan data konseptual yang
digunakan untuk memodelkan struktur data
dan hubungan antar data.
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 123
Wiji Setiyaningsih, Usman Fauzi1 2
Gambar 7.Entity Relationship Diagram Target atribut adalah status dimana
memiliki 2 macam nilai yaitu lulus dan Prediksi Keluusan Siswa SMK
Sistem Pendukung Keputusan Prediksi tidak.
Kelulusan Siswa SMK Menggunakan Secara prinsip model ini akan
memaksimalkan P(X|Hi)P(Hi), untukMetode Naive Bayes
Naive Bayesadalah merupakan nilai i = 1, 2.
metode probabilistik pengklasifikasian Langkah 1: Meghitung P(Hi),
sederhana berdasarkanTeorema Bayes. probabilitas prior untuk setiap kelas,
Pengklasif ikasian padaNaive Bayesdapat dapat dihitung :
dilakukan melalui tr aining set yang efesien P(status = lulus) = 190/200 = 0,95
(Wiji Setiyaningsih, 2012) . P(status = tidak) =10/200 = 0,05
Naive Bayesian Classification Langkah 2 : Menghitung P(X|Hi),
probabilitas posterior X dengan syarat
P(ketu_agama = baik | status = lulus) =
190/190 = 1
P(ketu_agama = baik | status = tidak)
= 10/10 = 1
Menggunakan data set sebelumnya P(ketu_PPKN = baik | status = lulus) =
untuk memprediksi kelulusan apakah 190/190 = 1
siswa-siswi akan lulus atau tidak ? P(ketu_PPKN = baik | status = tidak)
Pada training set menggunakan 16 = 10/10 = 1
atribut : Ujian tulis sekolah terdir i dari P(ketu_sejarah = baik | status = lulus)
mata pelajaran agama, ppkn, sejarah, = 190/190 = 1
fisika, kimia, kewirausahaan. Ujian P(ketu_sejarah = baik | status = tidak)
praktek sekolah terdiri dari mata = 10/10 = 1
pelajaran agama, bahasa indonesia, P(ketu_penjaskes = baik | status =
penjaskes, fisika, kimia, lulus) = 190/190 = 1
kewirausahaan. Ujian nasional terdiri P(ketu_penjaskes = baik | status =
dara mata pelajaran bahasa indonesia, tidak) = 10/10 = 1
bahasa inggr is, matematika, P(ketu_fisika = baik | status = lulus) =
kompetensi keahlihan. 190/190 = 1
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 124
Wiji Setiyaningsih, Usman Fauzi1 2
P(ketu_fisika = baik | status = tidak) = P(ketp_kewirausaahaan = baik | status
10/10 = 1 = tidak) = 8/10 = 0,8
P(ketu_kimia = baik | status = lulus) = P(ketun_bhsindo = baik | status
189/190 = 0,994 = lulus) = 174/190 = 0,915
P(ketu_kimia = baik | status = tidak) = P(ketun_bhsindo = baik | status =
10/10 = 1 tidak) = 8/10 = 0,8
P(ketu_kewirausaahaan = cukup | P(ketun_bhsing = baik | status
status = lulus) = 1/190 = 0,0052 = lulus) = 94/190 = 0,494
P(ketu_kewirausaahaan = cukup | P(ketun_bhsing = baik | status = tidak)
status = tidak) = 0/10 = 0 = 0/10 = 0
P(ketp_agama = baik | status = lulus) P(ketun_matematika = cukup |
= 189/190 = 0,994 status = lulus) = 11/190 = 0,057
P(ketp_agama = baik | status = tidak) P(ketun_matematika = cukup | status =
= 10/10 = 1 tidak) = 4/10 = 0,4
P(ketp_bhsindo = cukup | status = P(ketun_kompetensi = baik | status =
lulus) = 1/190 = 0,0052 lulus) = 187/190 = 0,984
P(ketp_bhsindo = cukup | status = P(ketun_kompetensi = baik | status =
tidak) = 0/10 = 0 tidak) = 10/10 = 1
P(ketp_penjaskes = baik | status =
lulus) = 190/190 = 1 Langkah 3 : Menghitung semua nilai
P(ketp_penjaskes = baik | status = probabilitas
tidak) = 10/10 = 1 P(X| status = lulus)
P(ketp_fisika = baik | status = lulus) = = 1 x 1 x 1 x 1 x 1 x 0,994 x 0,0052 x
189/190 = 0,994 0,994 x 0,0052 x x 1 x 0,994 x 0,0105
P(ketp_fisika = baik | status = tidak) = x 0,742 x 0,915 x 0,494 x 0,057 x
10/10 = 1 0,984
P(ketp_kimia = cukup | status = lulus) = 5,498
= 2/190 = 0,0105 P(X| status = tidak)
P(ketp_kimia = cukup | status = tidak) = 1 x 1 x 1 x 1 x 1 x 1 x 0 x 1 x 0 x x 1
= 0/10 = 0 x 1 x 0 x 0,8 x 0,8 x 0 x 0,4 x 1
P(ketp_kewirausaahaan = baik | status = 0
= lulus) = 141/190 = 0,742
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 125
Wiji Setiyaningsih, Usman Fauzi1 2
Langkah 4 : Mengitung P(X|Hi)P(H) kelulusan siswa-siswi. Adapun media
P(X| status = lulus) P(status = lulus) = penyimpanan meliputi data admin,
5,498 x 0,95 data jurusan, data siswa dan data
= 5,223 penilaian.
P(X| status = tidak) P(status = tidak) = c. Sistem pendukung keputusan prediksi
0 x 0,05 kelulusan siswa-siswi SMK Islam 1
= 0 Blitar Menggunakan Metode Naive
Hasil dari prediksi diatas adalah lulus Bayesdapat dijadikan sebagai acuhan
karena P(X| status = lulus) > P(X| kelulusan siswa-siswi di SMK Islam 1
status = tidak). Blitar.
d. Sistem pendukung keputusan ini dapat
memberikan motivasi kepada siswa-E. Kesimpulan
Berdasarkan pembahasan penelitian siswi SMK Islam 1 Blitar untuk lebih
Decision Support System Pr ediksi meningkatkan kualitas belajar, karena
Kelulusan Siswa SMK Menggunakan dari hasil prediksi kelulusan siswa-
Metode Naive Bayes , maka dapat siswi dapat memprediksi lulus
disimpulkan sebagai ber ikut: tidaknya siswa-siswi.
b. Untuk membangun Sistem Pendukung
Keputusan Preidiksi Kelulusan Siswa- F. Saran
Siswi SMK Islam 1 Blitar Adapun saran untuk pengembangan
Menggunakan Metode Naive Bayes penelitian selanjutnya yaitu:
dibutuhkan Admin, TU, BK hak akses, 1. Pada sistem yang telah dibuat ini,
dengan inputan data : data user , data masih ada kekurangan yaitu sistem
jur usan, data siswa dan data penilaian. ini dikembangkan menggunakan
Terdapat beberapa proses dalam metode Naive Bayes untuk
sistem ini yaitu proses menghitung memprediksi kelulusan. Untuk
jumlah status lulus dan tidak, pengembangan selanjutnya,
menghitung probabilitas setiap kelas, diharapkan menggunakan metode
menghitung probabilitas posterior, lain selain metode Naive Bayes.
menghitung nilai semua lulus dan 2. Untuk pengembangan program
tidak, menghitung hasil lulus dan tidak selanjutnya dapat menambahkan
dan menghitung hasil prediksi Formnilai tiap semester agar guru
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 126
Wiji Setiyaningsih, Usman Fauzi1 2
lebih mudah mengarsipkan nilai Algorithm. Gunadarma University.
siswa. Jakarta
3. Pengembangan program selanjutnya, http://id.wikipedia.or g/wiki/ Microsoft_Acc
diharapkan bisa menggunakan ess. Diunduh tanggal 24/12/2012
pemrograman ber basis web, kar ena jam 21.00
bagian staf bisa mengakses meskipun Jogiyanto. 2005. Analisis dan Desain
tidak di sekolahan dan dapat dilihat Sistem Informasi. C.V Andi Offset
oleh semua siswa-siswi. Karimariyanti, Magdalena. 2011. Simulasi
4. Sistem Pendukung Keputusan Pendukung Keputusan Penerima
Prediksi Kelulusan ini dalam inputan Beasiswa Menggunakan Metode
nilai ujian sekolah harus diatas nilai 6 Composite Performance Index .
atau bersifat fleksibel. Vol.1, No. 2. Bandung
Mulyanto, Aunur R. 2008. Rekayasa
Perangkat Lunak Jilid 1, Jilid 2,
Daft ar Pustaka Jilid 3. Dir ektorat Pembinaan
Andayati, Dina. 2010. Sistem Pendukung Sekolah Menengah Kejuruan,
Keputusan Pra-Seleksi Pener imaan Direktorat Jenderal Manajemen
Siswa Baru (PSB) On-Line Pendidikan Dasar dan Menengah,
Yogyakar ta. Institut Sains dan Departemen Pendidikan Nasional.
Teknologi AKPRIND. Vol.3, No. Jakarta
2. Yogyakar ta Setiyaningsih, Wiji. 2012. Mata Kuliah
Astuti, Astr ia Puji. 2010. Aplikasi Analisis Decision Support SystemMetode
Diskriminan dalam Penentuan Naive Bayes. Fakultas Teknologi
Faktor-faktor yang Mempengaruhi Informasi Universitas Kanjur uhan
Kelulusan Siswa SMPN 1 Gunung Malang
Mer iah Kabupaten Aceh Singkil.
Sumatra Utara Tim penyusun. 2008. Kamus Besar Bahasa
Ernastuti, dkk. 2010. Graduation Indonesia. Pusat Bahasa Departemen
Prediction Of Gunadarma Pendidikan Nasional. Jakarta
University Students Using
Algorithm and Naive Bayes C4.5
Seminar Nasiona l Penelitian, Universitas Kanjuruhan Malang 2014 127