BAB I

PENDAHULUAN

1.1 Latar Belakang

Sekolah Menengah Kejuruan (SMK) merupakan salah satu bentuksatuan
pendidikan formal yang menyelenggarakan pendidikan kejuruanpada jenjang
pendidikan menengah sebagai lanjutan dari SMP, MTs, ataubentuk lain yang
sederajat. Sekolah di jenjang pendidikan dan jeniskejuruan dapat bernama
Sekolah Menengah Kejuruan (SMK) atauMadrasah Aliyah Kejuruan (MAK), atau
bentuk lain yang sederajat sesuai Undang-undang Sisdiknas Nomor 20 Tahun
2003[1].
Pendidikan menengah kejuruan adalah pendidikan pada jenjang
pendidikan menengah yang mengutamakan pengembangan kemampuan siswa
untuk melaksanakan jenis pekerjaan tertentu. Pendidikan menengah kejuruan
mengutamakan penyiapan siswa untuk memasuki lapangan kerjaserta
mengembangkan sikap profesional. Sesuai dengan bentuknya,sekolah menengah
kejuruan menyelenggarakan program-programpendidikan yang disesuaikan
dengan jenis-jenis lapangan kerja (PeraturanPemerintah Nomor 29 Tahun
1990)[2].
SMK Negeri Purwosari merupakan salah satu SMK Negeri di Kabupaten
Bojonegoro yang terletak di wilayah barat yang mempnyai 6 jusuan yaitu Teknik
Pemesinan, Teknik Kendaraan Ringan, Rekayasa Perangkat Lunak, Akuntansi,
Desain Komunikasi Visual dan Teknik Pengelasan. SMK Negeri Purwosari
merupakan SMK yang menerapkan Kurikulum 2013 (K13).
Kurikulum 2013 memberikan kesempatan kepada peserta didik untuk
peminatan jurusan, mengembangkan kemampuan, minat dan bakat secara luas dan
terbuka sesuai dengan prinsip perbedaan individu.Ini memungkinkan peserta didik
berkembang over achievement, yakni peserta didik memiliki tingkat penguasaan
di atas standar yang telah ditentukan baik dalam pengetahuan, sikap dan
ketrampilan. Untuk itu struktur kurikulum 2013 menyediakan (1) media pelajaran
wajib diikuti oleh seluruh peserta didik di sat satuan pendidikan pada setiap

1
satuan dan jenjang pendidikan, dan (2) mata pelajaran pilihan yang diikuti oleh
peserta didik sesuai dengan pilihan mereka.
Permasalahan yang sering terjadi adalah pada saat kelulusan peserta didik
mengalami kesulitan memilih peminatan mata pelajaran yang akan dipilihnya
terutama dalam melanjutkan mata pelajaran di semester berikutnya diharapkan
peserta didik SMK Negeri Purwosari mempunyai dasar / basic kosentrasi
peminatan mata pelajaran produktif yang diminati. Penelitian ini diharapkan juga
menjadi pedoman bagi SMK Negeri Purwosari untuk menentukan bidang
peminatan mata pelajaran produktif serta untuk menentukan bidang kerja pada
saat lulus nantinya.
Berdasarkan uraian diatas pada penelitian ini akan dibuat sebuah model
untuk mengklasifikasikan peminatan mata pelajaran produktif dengan cara
mengevaluasi hasil studi/raportsiswa kelas X semester satu sampai dengan kelas
XII semester satu. Pada penelitian ini digunakan data mining untuk menentukan
pola hasil studi siswa lima semester kemudian dijadikan dasar untuk menentukan
peminatan mata pelajaran produktif siswa SMK Negeri Purwosari.
Fungsi utama dari data mining adalah untuk klasifikasi, klastering,
asosiasi, prediksi dan estimasi. Dalam penerapannya, seringkali data mining
menghadapi banyak kendala, antara lain jumlah data yang tidak seimbang,
dimensi data yang terlalu banyak dan jumlah atribut data yang besar.Agar data
mining bisa menghasilkan akurasi atau model yang lebih baik lagi dan lebih cepat,
maka ada beberapa tahapan yang bisa dilalui.Salah satunya yaitu optimize
selection. Salah satu metode optimize selectionadalah backward elimination yang
merupakan salah satu teknik pengolahan data awal. Dalam teknik ini akan
dilakukan seleksi terhadap beberapa feature dari dataset.Seleksi ini diperlukan
untuk memilih feature yang dianggap relevan dan menghapus featureyang
dianggap kurang relevan. Agar seleksi feature bisa menghasilkan dataset yang
terbaik maka perlu dilakukan optimasi.[3]Setelah melalui pengolahan data awal,
kemudian data akan diolah lebih lanjut. Pada penelitian ini akan diusulkan metode
K-NN.
Data yang diperoleh melalui evaluasi mining digunakan untuk mendesain
model algoritma yang akan digunakan untuk menentukan peminatan mata

2
pelajaran produktif. Karena itu, pada penelitian ini akan dikembangkan suatu
sistem yang dapat menentukan hasil studi peserta didik dalam penerapan data
mining untuk menentukan peminatan mata pelajaran produktif menggunakan
algoritma K-NNmenggunakan backward elimination.

1.2 Rumusan Masalah

Berdasarkan latar belakang masalah diatas, maka permasalahan dapat
dirumuskan sebagai berikut bagaimana backward elimination meningkatkan
akurasi K-NN ?

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah melakukan evaluasi dari data dengan
mengggunakan K-NN dengan Backward Eliminationdalam menentukan
peminatan mata pelajaran produktif sehingga diketahui prediksi kompetensi siswa
SMK Negeri Purwosari di setiap mata pelajaran produktif.

1.4 Manfaat Penelitian

Manfaat penelitian ini adalah:
a. Bisa menjadi acuan dalam menentukan klasifikasi peminatan mata
pelajaran produktif.
b. Bisa menjadi penyelesaian alternatif dalam menentukan klasifikasi
peminatan mata pelajaran produktif.
c. K-NN dan backward elimination bisa dijadikan sebagai acuan dalam
penelitian selanjutnya.
d. Sebagai sumbangan ilmu pengetahuan dan perkembangan klasifikasi
peminatan mata pelajaran produktif.

3
 BAB II
TINJAUAN PUSTAKA

2.1 Penelitian Terkait

Pada penelitian-peneliatan yang pernah diteliti sebelumnya mengenai
peminatan mata pelajaran produktif dengan beberapa metode yang diajukan
Penelitian pertama ialah penelitian pada tahun 2015 dari Much. Rifqi Maulana et
al. dalam[1] Information gain untuk mengetahui pengaruh atribut terhadap
klasifikasi persetujuan kredit. Dari hasil penelitian dapat diambil kesimpulan
bahwa information gain dapat digunakan untuk mengetahui pengaruh atribut
dataset terhadap klasifikasi. Atribut yang memiliki pengaruh terbesar adalah
tunggakan pokok yaitu dengan bobot 1. Sedangkan atribut yang tidak memiliki
pengaruh sama sekali dalam klasifikasi persetujuan kredit adalah tipe pinjaman
dengan bobot information gain sebesar 0.
Penelitian kedua tahun 2011 yang dilakukan oleh Bahar et al. dalam[4]
menggunakan algoritma klastering Fuzzy C-Means untuk mengelompokkan siswa
Sekolah Menengah Atas berdasarkan parameter nilai rata-rata kelompok mata
pelajaran dasar peminatan. Model pengelompokakan yang diguanakan adalah
dengan menentukan sejumlah kelompok target yang belum diketahui statusnya
diawal proses, sehingga memaksa setiap data untuk menjadi anggota sebuah
kelompok target tertentu berdasarkan kemiripan nilai parameter yang digunakan.
Berdasarkan hasil uji empiris fakta di lapangan, metode ini memiliki akurasi 78%.
Penelitian ketiga tahun 2013 yang dilakukan oleh Swastina dalam[10]
menggunakan model klasifikasi berbasis algoritma C4.5 untuk penentuan jurusan
Mahasiswa berdasarkan nilai Ujian Akhir Nasional di SMA dan Indeks Prestasi
Kumulatif Mahasiswa. Model pengelompokan algoritma C4.5 adalah model
klasifikasi dengan cara menentukan sejumlah kelompok target yang telah
diketahui statusnya diawal proses, sehingga juga memaksa setiap data untuk
menjadi anggota sebuah kelompok target tertentu (hard classification). Metode ini
menghasilkan precisin rate 94,23% dan recall rate 92,45%.
Penelitian keempat tahun 2015 yang dilakukan oleh Khiqmah, Mukid et al.
dalam[11] membandingkan model klasifikasi berbasis Diskriminan Kuadratik

4
Klasik dengan model klasifikasi berbasis Diskriminan Kuadratik Robust untuk
penentuan minat siswa Sekolah Menengah Atas berdasarkan kemampuan
akademik dan nilai hasil tes psikologi siswa. Sama seperti algoritma C4.5, model
klasifikasi Diskriminan Kuadratik Klasik dan Diskriminan Kuadratik Robust
adalah model klasifikasi dengan cara menentukan sejumlah kelompok target yang
telah diketahui statusnya diawal proses, sehingga memaksa setiap data untuk
menjadi anggota sebuah kelompok target tertentu
2.2 Landasan Teori
2.2.1 Peminatan Mata Pelajaran
Kurikulum SMK/MAK dirancang dengan pandangan bahwa SMA/MA
dan SMK/MAK pada dasarnya adalah pendidikan menengah, pembedanya hanya
pada pengakomodasian minat peserta didik saat memasuki pendidikan menengah.
Oleh karena itu, struktur umum SMK/MAK sama dengan struktur umum
SMA/MA, yakni ada tiga kelompok Mata pelajaran: Kelompok A, B, dan C.
Peraturan Pemerintah Nomor 17 Tahun 2010 tentang Penyelenggaraan dan
Pengelolaan Pendidikan Pasal 80 menyatakan bahwa: (1) penjurusan pada SMK,
MAK, atau bentuk lain yang sederajat berbentuk bidang keahlian; (2) setiap
bidang keahlian sebagaimana dimaksud pada ayat (1) dapat terdiri atas 1 (satu)
atau lebih program studi keahlian; (3) setiap program studi keahlian sebagaimana
dimaksud pada ayat (2) dapat terdiri atas 1 (satu) atau lebih kompetensi keahlian.
Bidang keahlian pada SMK/MAK meliputi:
a. Teknologi dan Rekayasa;
b. Teknologi Informasi dan Komunikasi;
c. Kesehatan;
d. Agribisnis dan Agroteknologi;
e. Perikanan dan Kelautan;
f. Bisnis dan Manajemen;
g. Pariwisata;
h. Seni Rupa dan Kriya;
i. Seni Pertunjukan.

5
 Dalam penetapan penjurusan sesuai dengan bidang/program/paket
keahlian mempertimbangan Spektrum Pendidikan Menengah Kejuruan yang
ditetapkan oleh Direktur Jenderal Pendidikan Menengah Kementerian Pendidikan
dan Kebudayaan.
Pemilihan Peminatan Bidang Keahlian dan program keahlian dilakukan
saat peserta didik mendaftar pada SMK/MAK. Pilihan pendalaman peminatan
keahlian dalam bentuk pilihan Paket Keahlian dilakukan pada semester 3,
berdasarkan nilai rapor dan/atau rekomendasi guru BK di SMK/MAK dan/atau
hasil tes penempatan (placement test) oleh psikolog.
Pada SMK/MAK, Mata Pelajaran Kelompok Peminatan (C) terdiri atas:
a. Kelompok Mata Pelajaran Dasar Bidang Keahlian (C1);
b. Kelompok Mata Pelajaran Dasar Program Keahlian (C2);
c. Kelompok Mata Pelajaran Paket Keahlian (C3).
Mata pelajaran serta KD pada kelompok C2 dan C3 ditetapkan oleh
Direktorat Jenderal Pendidikan Menengah Kementerian Pendidikan dan
Kebudayaan untuk menyesuaikan dengan perkembangan teknologi serta
kebutuhan dunia usaha dan industri.
2.2.2 Data Mining
2.2.2.1 Pengertian Data Mining
Data mining merupakan ilmu yang mempelajari cara untuk mengekstrak dan
mengeksplore suatu pengetahuan atau menemukan suatu pola dari sebuah data
dengan menggunakan beberapa metode yang sesuai. Data mining merupakan
gabungan dari beberapa bidang disiplin ilmu, antara lain statistika, information
retrieval, database, machine learning dan sebagainya. Data mining bisa diterapkan
dalam bidang kesehatan, perbankan, pendidikan, bisnis, dan lain sebagainya. Data
mining merupakan salah satu cara untuk menemukan informasi yang ada dalam
sebuah database dan merupakan bagian dari proses Knowledge Discovery in
Database (KDD).Yaitu suatu proses untuk menemukan informasi dan pola suatu
data dalam database. Rangkaian proses atau tahap data mining dapat dibagi
menjadi beberapa bagian [5], yaitu:
a. Pembersihan data, yaitu untuk membuang data yang tidak konsisten dan
membuang noise.

6
 b. Integrasi data, yaitu penggabungan data dari beberapa sumber.
c. Transformasi data,yaitu data diubah dan diolah menjadi bentuk yang bisa
atau yang sesuai untuk di-mining atau proses pengolahan data berikutnya.
d. Penerapan metode atau teknik data mining, yaitu melakukan pengolahan
data dengan salah satu metode yang dipilih.
e. Evaluasi hasil atau pola yang ditemukan, yaitu untuk mengetahui kinerja
dari metode yang digunakan.
f. Presentasi pengetahuan yaitu mempublikasikan atau membuat pelaporan
tentang eksperiment secara keseluruhan.

2.2.2.2 Peran Utama Data Mining

Data mining mempunyai beberapa fungsi[5], yaitu:
a. Estimasi; metode ini serupa dengan algoritma klasifikasi, tapi variabel yang
diolah berupa bilangan numerik dan bukan nominal atau diskrit.Contoh
algoritma estimasi adalah Linear Regression, Neural Network, Support Vector
Machine, dan lain sebagainya. Contoh penerapan algoritma estimasi antara
lain digunakan untuk menghitung estimasi performa CPU.
b. Prediksi; metode ini serupa dengan algoritma estimasi di mana
labelnyaadalah numerik, perbedannya adalah data yang digunakan berupa data
rentet waktu (time series).Contoh algoritma prediksi adalah Linear
Regression, Neural Network, Support Vector Machine, dan lain sebagainya.
Contoh penerapan algoritma prediksi antara lain digunakan untuk
memprediksi harga saham.
c. Klastering; metode ini mengelompokkan data ke dalam kelas yang mirip.
Perbedaan utama metode klastering dengan klasifikasi adalah klastering tidak
memiliki label, sehingga termasuk metode unsupervised learning.Contoh
algoritma clustering adalah K-Means, Fuzzy C-Means, K-Medoids, Self-
Organizing Map (SOM), dan lain sebagainya. Contoh penerapan algoritma
clustering antara lain digunakan untuk mengklaster jenis gaya hidup suatu
daerah di sebuah negara.
d. Klasifikasi; metode ini menggunakan data dengan label berupa nilai nominal.
Contohalgoritma klasifikasi adalah K-Nearest Neighbor, Naive Bayes, ID3,

7
 C4.5, CART, Linear Discriminant Analysis, dan lain sebagainya. Contoh
penggunaan algoritma klasifikasi antara lain digunakan untuk menentukan
jenis bunga Iris.
e. Asosiasi; metode inidigunakan untuk menemukan atribut yang mempunyai
hubungan dengan atribut yang lain. Contohalgoritma association adalah A
Priori, FP-Growth, dan lain sebagainya.Contoh penerapan metode ini yaitu
untuk menentukan iklan yang sesuai bagi konsumen berdasarkan sesuatu yang
dia beli.

2.2.2.3 Tahapan Proses Data Mining

Input Metode Output Evaluation

(Data) (Algoritma (Pola/Model/ (Akurasi,
Data Knowledge) AUC,
Mining) RMSE)

Gambar 2.1.Proses Data Mining

Berikut adalah tahapan proses dalam data mining:

- Input (dataset); jenis dataset ada dua macam yaitu:
- Private; yaitu berupa data yang didapatkan dari suatu instansi
atau organisasi tertentu yang menjadi objek penelitian.
Contohnya dataset variant beras yang diperoleh dari database
Dinas Pertanian Kabupaten Probolinggo yang digunakan
dalam penelitian ini.
- Public; dataset yang bersifat umum dan bisa di dapatkan dari
beberapa situs penyedia dataset public yaitu UCI Repository
dan ACM KDD. Keuntungan menggunakan dataset public
adalah peneliti yang lain bisa membandingkan, atau
mengulangi dengan metode atau parameter yang berbeda dan
karena datanya bersifat public tentunya dataset public sudah
terverifikasi.
- Algoritma data mining; metode yang bisa digunakan antara lain:
- Estimasi; contohnya support vector machine, linear regression,
neural network

8
 - Prediksi; contohnya neural network, support vector machine,
linear regression
- Klasifikasi; contohnya neural network, linear discriminant
analysis, random forest, CART, ID3, C4.5, k-nearest
neighbour, naïve bayes
- Klastering; contohnya fuzzy c-means, self-organizing map, k-
medoids, k-means
- Asosiasi; contohnya a priori, fp-growth
- Output (pola atau model atau knowledge); output dari pengolahan
data mining antara lain:
- Rumus atau fungsi regresi; contohnya rumus waktu tempuh =
0.5+0.6jarak+0.3lampu+0.2pesanan
- Pohon keputusan; contohnya:

cuaca
=mendung
=cerah
=hujan

yes angin kelembaban

=false =true >77.5 <=77.5

yes no no yes

Gambar 2.2.Contoh pohon keputusan

- Aturan; contohnya if ipk>=3.00 then lulus
- Klaster; contohnya diagram venn

a b

c d e

g h f

g h
Gambar 2.3.Contoh gambar venn
- Evaluasi; beberapa contoh hasil evaluasi antara lain:

9
 - Estimasi; evaluasinya berupa error yaitu RMSE(root mean square
error), MSE, MAPE
- Prediksi; evaluasinya berupa error yaitu RMSE(root mean square
error), MSE, MAPE
- Klasifikasi; evaluasinya berupa Confusion matrix yaitu akurasi dan
berupa ROC curve yaitu AUC atau area under curve
- Klastering; evaluasinya berupa internal yaitu dunn index, davies-
bouldin index dan berupa external yaitu Confusion matrix, fowlkes-
mallows index, jaccard index, f-measure, rand measure
- Aosiasi; evaluasinya berupa lift charts yaitu lift ratio dan berupa
precision and recall yaitu f-measure
2.2.3 Konversi Data
Konversi data merupakan proses awal dalam pemrosesan dataset. Proses
ini diperlukan agar dataset bisa diolah sesuai dengan kebutuhan. Konversi data
nominal dan data polynomial menjadi data numerik bisa dilakukan dengan
menetapkan ranking kepada valueyang akan di konvert. Proses penetapan ranking
data nominal tidak sama dengan data numerik. Jika pada data numerik bisa
langsung dengan melihat valueyang ada maka pada data nominal harus melalui
proses. Salah satunya dengan cara menghitung frekwensi dari data nominal
[8]yang akan di ubah menjadi numerik.

2.2.4 Data Transformation

Data dalam dataset yang tersedia, perlu diproses lebih dulu. Pemrosesan
ini ada beberapa jenis yaitu [9]antara lain name and role modification, type
conversion, set operations, aggregation, rotation, sorting, filtering, value
modification, data cleansing dan attribute set reduction and transformation.
2.2.5 KNN
Algoritma K-NN[18]merupakan metode klasifikasi objek berdasarkan
dataset training yang jaraknya berdekatan dengan objek itu. Dataset training
diklasifikan ke dalam ruang yang mempunyai dimensi yang banyak, yang mana
tiap dimensi mewakili ciri khas dari data tiap dimensi.Sebuah titik di dalam ruang
di tandai dengan kelas n jika kelas n adalah yang paling banyak ditemui pada

10
sejumlah k tetangga terdekat dari titik itu. Persamaan kedekatan antar tetangga
dihitung dengan similarity19]:
∑𝑛
𝑖=1 𝑓 (𝑇𝑖 ,𝑆𝑖 )∗𝑤𝑖
Similarity (T,S) = (3)
𝑤𝑖

Keterangan:
T : kasus baru
S : kasus yang ada dalam penyimpanan
n : jumlah atribut dalam setiap kasus
i : atribut individu antara 1 sampai dengan n
f : fungsi similarity atribut i antara kasus T dan kasus S
w : bobot yang diberikan pada atribut ke-i
2.2.6 Backward Elimination
Backward elimination[13]merupakan metode untuk menghapus atribut
yang tidak relevan.Prinsip backward elimination adalah memasukan semua
variabel bebas yang ada, kemudian mengeliminasi variabel satu persatu. Misal y,
x1, x2, x3, x4, maka tahapan backward elimination adalah:
- Regresikan y terhadap semua variabel bebas x1, x2, x3, x4
- Tentukan variabel bebas yang akan diuji. Variabel bebas lain ada di
dalam model hitung berikut : ryx1|x2,x3,x4; ryx2|x1,x3,x4;ryx3|x1,x2,x4;

ryx4|x1,x2,x3
- Variabel bebas dengan nilai koefisien korelasi parsial paling kecil akan
diuji pertama kali apakah akan dieliminasi atau tetap dipertahankan di

dalam model. Misal ryx1|x2,x3,x4> ryx2|x1,x3,x4> ryx3|x1,x2,x4>

ryx4|x1,x2,x3, maka X4 akan diuji pertama kali apakah tetap

dipertahankan di dalam model atau dieliminasi. Jika H0: β4 = 0

ditolak, maka X4 tetap dipertahankan di dalam model dan proses
berhenti. Jika H0: β4 = 0 tidak ditolak, X4 dieliminasi dari model,
proses dilanjutkan dengan mencari variabel bebas lain yang akan
dieliminasi berikutnya.
Secara sederhana, tahapan backward elimination[14]adalah sebagai
berikut:

11
- Membuat model pengolahan data dengan memasukkan semua atribut
- Kemudian membuat perbandingan pengolahan data dengan
mengeluarkan salah satu atribut ke n.
- Kemudian diulangi hingga semua atribut n+1.
- Kemudian semua hasil perhitungan dibandingkan hingga didapatkan
hasil atribut manakah yang relevan dan manakah yang irrelevan.

12
2.3. Kerangka Pemikiran
Masalah

Nilai siswa SMK tahun akademik 2016-2017

Pengumpulan Data

Nilai Hasil Studi Siswa SMK Tahun akademik 2016-2017 dari kelas X
semester 1 dan 2 sampai kelas XII semester 1 dan 2

Eksperimen

Membuat model dengan memasukkan semua variabel kemudian dikeluarkan

satu persatu dengan melakukan pengujian terhadap parameter –parameternya

Pengujian Model

Membangun model KNN

Pengukuran

RMSE (Root Mean Square Error)

Hasil

Didapatkan hasil dalam memprediksi kompetensi bidang peminatan mata

pelajaran

Gambar 2.4 Kerangka Pemikiran

13
 BAB III
METODE PENELITIAN

3.1 Obyek Penelitian

Obyek penelitian ini adalah siswa SMK Negeri Purwosari Tahun Akademik2016-
2017.
3.2 Sumber Data dan Metode Pengumpulan Data
3.2.1 Sumber Data
Data penelitian ini diidentifikasi dari komponen data hasil belajar
siswa/raportSMK Negeri Purwosarikelas X semester 1 dan 2 sampai Kelas XII
semester 1 dan 2
3.2.2 Metode Pengumpulan Data
Dalampenelitianini,jenisdatayangakandikumpulkanuntukmendukungvariab
leyangditeliti adalah:
a. Data Primer adalah data yang dikumpulkan langsungoleh peneliti melalui
responden dengan menggunakan daftar pertanyaan. Dalam penelitian ini
data primer yang digunakan adalah hasil wawancara
b. Data Sekunder adalah data yang diperoleh melalui catatan-catatan, laporan,
media masa, KHS, dan dokumen lainnya yang berhubungan dengan
penelitian ini.

3.3 Atribut dan Data Penelitian

Eksperiman dan pengujian pada metode yang diusulkan, sebelum
dilakukan eksperimen dan pengujian langkah pertama adalah menyiapkan data
yang sudah dikumpulkan sebelumnya. Rentang nilai yang dipakai adalah sebagai
berikut :

14
 Tabel 3.1 Rentang Nilai K13
Konversi nilai akhir Predikat
Skala 100 Skala 4 (pengetahuan dan Sikap
ketrampilan)
86-100 4 A
SB
81-85 3.66 A-
76-80 3.33 B+
71-75 3.00 B B
66-70 2.66 B-
61-65 2.33 C+
56-60 2 C C
51-55 1.66 C-
46-50 1.33 D+
K
0-45 1 D

Data yang digunakan adalah data sekunder berupa nilai raport dari peserta
didiktahun pelajaran 2016/2017. Data tersebut disesuaikan dengan kurikulumnya.
Jadi nilai yang diambil adalah nilai untuk mata pelajaran dari kelas X semester 1
dan 2 sampai Kelas XII semester 1 dan 2.
Mata pelajaran Sekolah Menengah Kejuruan pada kurikulum 2013 adalah sebagai
berikut :
Tabel 3.1 Daftar Mata Pelajaran

KELAS
MATA PELAJARAN X XI XII
1 2 1 2 1 2
Kelompok A (Wajib)
1 Pendidikan Agama dan Budi Pekerti 3 3 3 3 3 3
2 Pendidikan Pancasila dan Kewarganegaraan 2 2 2 2 2 2
3 Bahasa Indonesia 4 4 4 4 4 4
4 Matematika 4 4 4 4 4 4
5 Sejarah Indonesia 2 2 2 2 2 2
6 Bahasa Inggris 2 2 2 2 2 2

15
Kelompok B (Wajib)
7 Seni Budaya 2 2 2 2 2 2
8 Prakarya dan Kewirausahaan 2 2 2 2 2 2
9 Pendidikan Jasmani, Olah Raga & Kesehatan 3 3 3 3 3 3
Kelompok C (Peminatan)
C1. Dasar Bidang Keahlian
10 Fisika 2 2 2 2 - -
11 Pemrograman Dasar 2 2 2 2 - -
12 Sistem Komputer 2 2 2 2 - -
C2. Dasar Program Keahlian
13 Perakitan Komputer 4 4 - - - -
14 Simulasi Digital 3 3 - - - -
15 Sistem Operasi 3 3 - - - -
16 Jaringan Dasar 4 4 - - - -
17 Pemrograman Web 4 4 - - - -
C3. Paket Keahlian
18 Paket Keahlian Rekayasa Perangkat Lunak - -
1. Pemodelan Perangkat Lunak - - 2 2 - -
2. Pemrograman Desktop - - 4 4 - -
3. Pemrograman Berorientasi Obyek - - 4 4 4 -
4. Basis Data - - 4 4 4 -
5. Pemrograman Web Dinamis - - 4 4 4 -
6. Pemrograman Grafik - 4 4
7. Pemrograman Perangkat Bergerak - - - - 4 4
8. Administrasi Basis Data - - - - 4 4
9. Kerja Proyek - - - - - 12
JUMLAH 18 18 24 24

3.4 Metode/Model Yang Diusulkan

Sebelum dilakukan pelatihan dan pengujian menggunakan metode KNN,
dilakukan normalisasi data. Hal ini perlu dilakukan guna menghindari data yang
tidak konsisten, misalnya dua variabel dengan data yang berjarak cukup jauh.
Konsistensi data merupakan salah satu syarat agar data dapat dinyatakan
berkualitas untuk selanjutnya dapat diproses menjadi sebuah informasi yang lebih

16
bermanfaat. Dilakukan normalisasi untuk masing-masing data pelatihan dan data
uji.
Setelah dilakukan normalisasi data ditentukan dilakukan seleksi fitur
menggunakan Backward Elimination untuk menentukan seleksi atribut. Kedua
kelompok data percobaan tersebut kemudian dilatih menggunakan jaringan syaraf
tiruan KNN
Berdasarkan hasil pengujian kedua metode tersebut akan ditentukan
akurasi tertinggi. Terakhir, akurasi dan nilai root mean squared error (RMSE)
dari masing-masing percobaan.

Data Set Penelitian :

Nilai siswa kelas X sampai kelas XII

Pre Prosesing

Membuat model dengan memasukkan semua variabel kemudian

dikeluarkan satu persatu dengan melakukan pengujian terhadap
parameter –parameternya menggunakan backward elimination

Klasifikasi dengan KNN

Evaluasi

Gambar 3.1 Metode yang diusulkan

17
3.5 Tahapan Penelitian
Penelitian ini terdiri dari beberapa tahapan penelitian, meliputi tahap persiapan,
tahap penelitian dan tahap akhir yang dijabarkan sebagai berikut:
1. Tahap persiapan
Pada tahap ini dilakukan berbagai persiapan dengan mengumpulkan data-data
yang diperlukan dalam penelitian seperti data hasil belajar siswa dan studi
kepustakaan mengenai literatu-literatur yang terkait dengan obyek penelitian.
2. Tahap penelitian
Tahap penelitian dalam penelitian ini adalah pemrosesan data set yang sudah
didapatkan dari metode penentuan sampel dilakukan dengan menggunakan
metode KNN. Penentuan atribut terbesar dengan menggunakan information gain
untuk meningkatkan akurasi algoritma KNN berbasis backward eliminationHasil
penentuan backward elimination akan dilakukan sekoring hingga didapatkan
tingkat akurasi dengan menggunakan algoritma K-NN.
3. Tahap akhir
Pada tahap akhir ini, berupa penyusunan hasil penelitian dalam bentuk laporan

18
 JADWAL PENELITIAN
Bulan 2017
Kegiatan
Maret April Mei Juni Juli Agustus
Penyusunan proposal
Pengumpulan data
Praproses data
Implementasi Neural
Network optimasi
pemilihan fitur
Evaluasi hasil penelitian
Penyusunan Tesis dan
bahan /makalah seminar
Seminar
Sidang tugas akhir
Revisi tesis dan
penyelesaian laporan
Laporan akhir tesis

19
DAFTAR PUSTAKA

[1] Undang-Undang No 12 Tahun 2012. Pendidikan

Tinggi.http://www.aknbojonegoro.ac.id/wp-content/uploads/2014/08/UU-
NO.12-Thn-2012.pdf , Diakses 20 April 2017

[2] Much. Rifqi Maulana,M. Adib Al Karomi, 2015. information gain untuk
mengetahui pengaruh atribut terhadap klasifikasi persetujuan kredit,
http://jurnal.pekalongankota.go.id/index.php/JP2015/article/download/29/2
4, Diakses 20 April 2017

[3] Betha Nurina Sari, 2016. implementasi teknik seleksi fitur information gain
pada algoritma klasifikasi machine learning untuk prediksi performa
akademik siswa. http://ojs.amikom.ac.id/index.php/semnasteknomedia
/article/viewFile/1352/1270, Diakses 20 April 2017

[4] Eren Bas , Vedide Rezan Uslu , Erol Egrioglu, 2015. Robust learning
algorithm for multiplicative neuron model artificial neural networks

[5] Palti mansur pandiangan, 2017. Penentuan indikator prioritas

pembangunan desa menggunakan metode seleksi fitur.
http://repository.its.ac.id/2837/7/2214206703-Master-Theses.pdf, Diakses
20 April 2017

[6] Agung Premono. 2010. Kompetensi Keahlian Sekolah Menengah

Kejuruan Antara Kebijakan dan Realita.
http://s3.amazonaws.com/academia.edu.documents/28340741/hal._50-
61_kompetensi_keahlian_smk.pdf?AWSAccessKeyId=AKIAIWOWYYG
Z2Y53UL3A&Expires=1491639742&Signature=tWt2UeGxS2k2u7bamO
9sCZ7wETU%3D&response-content-
disposition=attachment%3B%20filename%3DKompetensi_Keahlian_Sek
olah_Menengah_Kej.pdf, Diakses 20 April 2017

[7] Universitas Sumatra Utara. Tanpa tahun. http://repository.usu.ac.id

/bitstream/handle/123456789/33409/Chapter%20II.pdf;jsessionid=F93681
880AB4AFCA972629B080007473?sequence=3, Diakses 20 April 2017

[8] agus novian. Tanpa tahun. neural network (NN)

http://elib.unikom.ac.id/files/disk1/301/jbptunikompp-gdl-agusnovian-
15028-3-babii.pdf, Diakses 20 April 2017

[9] Aulia Essra , Rahmadani , Safriadi. 2016. analisis information gain

attribute evaluation untuk klasifikasi serangan intrusi.
http://ejournal.medan.uph.edu/index.php/isd/article/download/22/5,
Diakses 20 April 2017

20