Data Mining Untuk Memprediksi Prestasi Siswa Berdasarkan Sosial Ekonomi, Motivasi, Kedisiplinan Dan Prestasi Masa Lalu
Data Mining Untuk Memprediksi Prestasi Siswa Berdasarkan Sosial Ekonomi, Motivasi, Kedisiplinan Dan Prestasi Masa Lalu
sekolah. Rendahnya mutu pendidikan meru- prestasi belajar siswa. Dengan kemampuan
pakan akibat dari rendahnya kualitas proses finansial orang tua, tentunya akan mempen-
pembelajaran yang dilakukan di sekolah. garuhi fasilitas belajar yang disediakan oleh
Satu hal yang belum banyak dilakukan orang tua terhadap sarana dan prasarana yang
oleh lembaga-lembaga pendidikan atau seko- dibutuhkan oleh seorang siswa untuk mening-
lah kejuruan adalah melakukan antisipasi terh- katkan prestasi belajarnya.
adap peserta didik yang berpotensi mengalami Berdasarkan Undang-Undang Sistem Pen-
hambatan atau kurang berprestasi dalam be- didikan Nasional No. 20 Tahun 2003 Bab III
lajarnya. Hal ini dianggap penting karena se- Pasal 45 tentang sarana dan prasarana pendidi-
makin awal lembaga-lembaga pendidikan atau kan, dinyatakan bahwa (1) setiap satuan pendi-
sekolah kejuruan mengetahui adanya potensi dikan formal maupun non formal meyediakan
siswa yang kemungkinan akan mengalami sarana dan prasarana yang memenuhi keperlu-
hambatan dalam belajarnya, maka lembaga- an pendidikan sesuai dengan pertumbuhan dan
lembaga pendidikan atau sekolah bisa melaku- perkembangan secara fisik, kecerdasan intelek-
kan langkah-langkah antisipatif. tual sosial, emosional, dan kejiwaan peserta di-
Dampak dari kurangnya antisipasi atau dik; (2) ketentuan mengenai penyediaan sarana
pencegahan sejak dini terhadap siswa atau dan prasarana pendidikan pada semua satuan
calon siswa yang berpotensi mengalami ham- pendidikan sebagaimana dimaksud pada ayat
batan dalam belajarnya atau kurang berprestasi (1) diatur lebih lanjut dengan peraturan pemer-
adalah fakta masih banyak siswa yang tidak intah.
naik kelas karena terhambat prestasinya bah- Dari kedua ayat di atas dimaksudkan agar
kan ada yang dikeluarkan dari sekolah. Kedua tiap-tiap sekolah menyediakan sarana dan
hal tersebut sering kita dengar dan pasti diala- prasarana pembelajaran yang memadai semua
mi oleh semua sekolah. keperluan pendidikan agar siswa dapat meman-
Berdasarkan uraian di atas, maka peneli- faatkannya sebagai penunjang belajar siswa.
tian ini bertujuan untuk membuat prediksi se- Tulus (2004, pp.81-83) mengungkapkan
jak dini terhadap siswa yang berpotensi tidak bahwa sarana belajar biasanya menjadi penun-
berprestasi atau mengalami hambatan dalam jang prestasi belajar, namun demikian bila
belajarnya, sehingga dapat dilakukan langkah- kelengkapan fasilitas belajar sebagai sarana
langkah antisipatif dari sekolah untuk meng- penunjang belajar di sekolah memadai, seba-
hindarkan diri dari kemungkinan tidak naik liknya dapat menjadi faktor penghambat apa-
kelas bahkan dikeluarkannya siswa dari seko- bila kelengkapan fasilitas belajar di sekolah
lah. Langkah yang bisa diambil sekolah setelah kurang memadai.
mengetahui adanya siswa yang berpotensi ti- Sekolah Menengah Kejuruan hendaknya
dak berprestasi adalah dengan melakukan menyediakan sarana dan prasarana sesuai den-
pendampingan khusus terhadap siswa tersebut. gan kebutuhan dan perkembangan siswa agar
Harapan akhirnya adalah semua siswa dari dapat menumbuhkan, mengembangkan dirinya
berbagai latar belakang faktor masing-masing sesuai dengan bakat dan kemampuan sebagai
dapat maksimal dalam prestasi belajar siswanya. manusia seutuhnya. Dengan adanya fasilitas
Beberapa faktor yang mempengaruhi belajar yang lengkap, akan menumbuhkan rasa
prestasi belajar siswa Sekolah Menengah Ke- bangga dan rasa memiliki. Pemeliharaan fasili-
juruan antara lain sosial ekonomi orang tua, tas belajar di sekolah merupakan tanggung
fasilitas belajar sekolah, motivasi, kedisiplinan jawab semua pihak yang bersangkutan. Hal ini
siswa dan prestasi masa lalu siswa. Hal terse- bertujuan agar fasilitas belajar dapat diman-
but dibuktikan dengan banyaknya penelitian faatkan sesuai fungsinya dan dapat bertahan
yang telah dilakukan sebelumnya. dengan jangka waktu yang lama. Pengadaan
Faktor status sosial ekonomi orang tua fasilitas belajar sangat penting bagi siswa dan
yang mewujudkan pada kemampuan finansial- kurikulum pada saat itu.
nya. Kemampuan finansial yang berbeda-beda Belajar sudah menjadi kewajiban yang
sedikit banyak akan berpengaruh terhadap harus di lakukan oleh seorang siswa. Kadang,
siswa jenuh dan akhirnya memilih untuk tidak kuat mengalami hambatan dalam prestasi bela-
belajar. Untuk itulah mereka perlu diberi do- jarnya bisa dilakukan langkah-langkah antisi-
rongan baik dari segala pihak. Pengaruh mo- pasi sejak dini terhadap siswa tersebut.
tivasi terhadap prestasi belajar siswa sangat Penelitian-penelitian tentang faktor-faktor
besar karena itu orang – orang di sekitar hen- yang mempengaruhi prestasi belajar siswa
daknya memberi motivasi yang tepat. sebelumnya, banyak yang menggunakan pen-
Faktor kedisiplinan dalam pengelolaan golahan data statisika. Pada penelitian ini,
pengajaran merupakan suatu hal yang sangat peneliti menggunakan data mining. Data min-
penting. Tanpa adanya kesadaran akan keha- ing merupakan cabang ilmu baru di bidang
rusan melaksanakan aturan yang sudah diten- komputer, cukup banyak penerapan yang dapat
tukan sebelumnya pengajaran tidak mungkin dilakukannya. Hal itu ditunjang kekayaan dan
mencapai target yang maksimal. Seorang siswa keanekaragaman berbagai bidang ilmu (arti-
perlu memiliki sikap disiplin dengan melaku- ficial intelligence, database, statistik, pemod-
kan latihan yang memperkuat dirinya sendiri elan matematika dan pengolahan citra) mem-
untuk selalu terbiasa patuh dan mempertinggi buat penerapan data mining menjadi makin
daya kendali diri. Sikap disiplin yang timbul luas. Alasan utama mengapa data mining san-
dari kesadarannya sendiri akan dapat lebih gat menarik perhatian industri informasi dalam
memacu dan tahan lama dibandingkan dengan beberapa tahun belakangan ini adalah karena
sikap disiplin yang timbul karena adanya pen- tersedianya data dalam jumlah yang besar dan
gawasan dari orang lain. semakin besarnya kebutuhan untuk mengubah
Disiplin dapat tumbuh dan dibina melalui data tersebut menjadi informasi dan pengeta-
latihan, pendidikan atau penanaman kebiasaan huan yang berguna. Data mining adalah keg-
yang harus dimulai sejak dalam lingkungan ke- iatan mengekstraksi atau menambang penge-
luarga, mulai pada masa kanak-kanak dan terus tahuan dari data yang berukuran/berjumlah
tumbuh berkembang sehingga menjadi disiplin besar, informasi inilah yang nantinya sangat
yang semakin kuat. Seperti halnya disebutkan berguna untuk pengembangan.
oleh Tulus (2004, p.37) bahwa dengan disiplin Definisi sederhana dari data mining adalah
yang muncul karena kesadaran diri, siswa ber- ekstraksi informasi atau pola yang penting atau
hasil dalam belajarnya, tanpa disiplin yang baik menarik dari data yang ada di database yang
suasana sekolah dan juga kelas menjadi kurang besar. Dalam jurnal ilmiah, data mining juga
kondusif bagi kegiatan pembelajaran secara dikenal dengan nama Knowledge Discovery in
positif disiplin memberi dukungan lingkungan Databases (KDD).
yang tenang dan tertib bagi proses pembelaja- Banyak perusahaan, lembaga atau instansi
ran, disiplin merupakan jalan bagi siswa untuk yang menggunakan hasil penelitian menggu-
sukses dalam belajar dan kelak ketika bekerja nakan data mining untuk mendukung tujuan-
karena kesadaran pentingnya norma, aturan, nya. Beberapa penelitian yang telah meng-
kepatuhan dan ketaatan merupakan kesuksesan gunakan data mining dalam berbagai bidang
seseorang. antara lain : (1) penelitian tentang peramalan
Berdasarkan uraian mengenai faktor-fak- cuaca menggunakan data mining yang bisa di-
tor yang mempengaruhi prestasi belajar siswa gunakan oleh BMG (Badan Meteorologi dan
di atas, maka penelitian ini dilakukan dengan Geofisika). Judul penelitian “Peramalan Cua-
tujuan untuk mengetahui seberapa besar kon- ca Menggunakan Data Mining”, Fandianto &
tribusi dari berbagai faktor tersebut terhadap Helmy (2009), berdasarkan hasil penelitian,
prestasi belajar siswa dan faktor-faktor mana dapat disimpulkan bahwa SVM dengan fungsi
yang paling dominan kontribusinya terha- kernel polynomial adalah metode data mining
dap prestasi belajar siswa. Harapan dari hasil terbaik untuk peramalan cuaca interval satu
penelitian ini adalah adanya hasil rumusan jam dengan tingkat kesalahan yang rendah
faktor-faktor yang mempengaruhi prestasi be- dan akurat; (2) Judul penelitian “Menerapkan
lajar siswa. Berdasarkan faktor-faktor tersebut, Pendekatan Data Mining Penelitian Tanah di
siswa yang diprediksi memiliki faktor-faktor Indonesia” oleh Balai Besar Penelitian dan
Pengembangan Sumber Daya Lahan Pertanian, akan dibiarkan menggunung, tidak berguna lalu
Yiyi Sulaeman dan Rizatus Shofiyati (2008), dibuang, ataukah kita dapat me-‘nambang’-nya
berdasarkan penelitian ini, data mining mem- untuk mencari ‘emas’, ‘berlian’ yaitu informa-
bantu peneliti tanah untuk mengembangkan si yang berguna untuk meningkatkan prestasi
model (seperti persamaan, aturan, dan deci- anak didik kita. Banyak di antara kita yang ke-
sion tree) dan untuk menggali dan menemukan banjiran data tapi miskin informasi.
pola data. Selain itu, model dan pola data dapat Lembaga pendidikan pada umumnya
digunakan untuk memformulasikan hipotesis dan Sekolah Menengah Kejuruan khususnya
yang mudah dimengerti untuk penelitian tanah adalah institusi yang memiliki data explosion
dan untuk membangun perangkat (expert sys- yang belum dimanfaatkan dengan baik untuk
tems dan decision support system) untuk pen- sesuatu yang berguna. Data yang biasa dimil-
gelolaan lahan dan tanah. Framework untuk iki sekolah dalam jumlah besar dan akan selalu
mengaplikasikan data mining pada penelitian bertambah setiap tahunnya antara lain daftar
tanah nasional diusulkan meliputi pengemban- hadir siswa, data nilai calon siswa pada saat
gan database tanah, seleksi dataset, aplikasi al- penerimaan siswa baru dan data status sosial
goritma, dan penyajian dan interpretasi hasil; ekonomi orang tua yang biasa diinput pada saat
(3) Judul penelitian “Prediksi Status Keaktifan penerimaan siswa baru juga atau bisa juga dari
Studi Mahasiswa dengan algoritma C5.0 dan data yang dimiliki BP/BK di sekolah.
K-Nearest Neighbor”, Iin Ernawati (2008), ber-
Data - data tersebut belum termanfaatkan
dasarkan penelitian ini disimpulkan bahwa Ra-
dengan baik sebagai bahan pertimbangan, ka-
ta-rata keberhasilan algoritma C5.0 dan KNN
jian dan penelitian untuk membuat suatu infor-
dalam melakukan klasifikasi data mencapai
masi yang berguna bagi sekolah. Oleh karena
akurasi di atas 90%. Hal ini menunjukkan bah-
itu, dengan adanya data mining bisa menjadi
wa keduanya memiliki performa yang handal
salah satu solusi untuk menambang tumpu-
dalam melakukan klasifikasi. Algoritma C5.0
kan data-data tersebut untuk membuat nilai
tetap dianggap sebagai algoritma yang sangat
atau informasi yang lebih berguna. Berdasar-
membantu dalam melakukan klasifikasi data
kan uraian di atas, penelitian ini menggunakan
karena karakteristik data yang diklasifikasi
metode data mining untuk membuat suatu pre-
dapat diperoleh dengan jelas baik dalam ben-
diksi tentang prestasi belajar siswa dengan me-
tuk struktur pohon keputusan maupun aturan if-
manfaatkan tumpukan data yang telah dimiliki
then, sehingga memudahkan pengguna dalam
sekolah tersebut.
melakukan penggalian informasi terhadap data
yang bersangkutan. Berdasarkan ketiga contoh
penelitian menggunakan data mining di atas, METODE PENELITIAN
dapat disimpulkan bahwa penggunaan metode Penelitian ini menggunakan pendekatan
data mining sangat layak dan terpercaya untuk kuantitatif. Tempat Penelitian ini adalah SMK
digunakan dalam penelitian khususnya dalam Negeri 4 Surakarta yang beralamat di Jalan LU
membuat suatu prediksi. Adi Sucipto No. 40 Surakarta. Waktu pene-
Kehadiran data mining dilatar belakangi litian dan pengambilan data pada bulan Juni
dengan problema data explosion yang dialami 2013 sampai Desember 2013.
akhir-akhir ini dimana banyak organisasi telah Target/subjek penelitian adalah siswa
mengumpulkan data sekian tahun lamanya. tingkat X SMK Negeri 4 Surakarta Tahun Pe-
Kaitannya dengan penelitian ini adalah adanya lajaran 2013/2014 sejumlah 416 siswa.
penumpukan data seperti data sosial ekonomi
Prosedur penelitian menggunakan taha-
orang tua, kehadiran siswa (disiplin), data nilai
pan-tahapan KDD (Knowledge Data Discov-
siswa, prestasi masa lalu siswa dan lain-lain.
ery). Tahapan-tahapannya adalah: (1) Data
Data-data tersebut biasa didapat oleh sekolah
Selection, yaitu tahapan ini dilakukan untuk
pada saat PPDB (Penerimaan Peserta Didik
memilih data yang sesuai dengan variabel yang
Baru). Betapa besarnya ukuran data tersebut
dibutuhkan dalam penelitian; (2) Pre-process-
jika nanti telah berjalan beberapa tahun. Per-
ing/Cleaning, sebelum proses data mining
tanyaannya sekarang, apakah data tersebut
dapat dilaksanakan, perlu dilakukan proses ekonomi orang tua, motivasi, kedisiplinan dan
cleaning pada data yang menjadi fokus KDD. prestasi masa lalu.
Proses cleaning mencakup antara lain mem-
buang duplikasi data, memeriksa data yang Decision Tree
inkonsisten, dan memperbaiki kesalahan pada Decision Tree akan memperlihatkan
data, seperti kesalahan cetak (tipografi); (3) faktor-faktor kemungkinan (probabilitas)
Transformation, coding adalah proses trans- yang akan mempengaruhi alternatif-alternatif
formasi pada data yang telah dipilih, sehingga prestasi belajar siswa, disertai dengan prediksi
data tersebut sesuai untuk proses data mining; hasil akhir yang akan didapat bila faktor-faktor
(4) Analisis data; (5) Pattern Evaluation, meru- dalam Decision Tree terpenuhi. Decision Tree
pakan tahapan evaluasi untuk mengidentifikasi akan mengubah data kedalam bentuk visual
pola yang benar-benar menarik yang mewakili berupa diagram pohon dan aturan-aturan kepu-
pengetahuan berdasarkan sumber data yang tusan.
ada. Kerangka pikir yang digunakan dalam Data dalam Decision Tree dinyatakan
penelitian ini dapat dilihat pada gambar 1. dalam bentuk tabel dengan atribut dan record.
Penelitian ini memperoleh data dari ang- Atribut menyatakan suatu parameter yang
ket dan dokumentasi. Teknik dokumentasi di- dibuat sebagai kriteria dalam pembentukan
gunakan untuk mengambil data status sosial tree. Salah satu atribut yang merupakan atribut
ekonomi orang tua, kedisiplinan, dan prestasi yang menyatakan data solusi per-item data
masa lalu, sedangkan data motivasi siswa di- yang disebut dengan target atribut. Atribut me-
peroleh melalui angket. miliki nilai-nilai yang dinamakan dengan in-
stance.
Teknik Analisis Data
Alur proses analisis dalam decision tree
Penelitian ini mengunakan teknik Deci- adalah mengubah bentuk data (table) menjadi
sion Tree, CHAID dan regresi ganda untuk model tree, mengubah model tree menjadi rule
melakukan prediksi prestasi belajar siswa dan menyederhanakan rule (pruning). Data
SMK Negeri 4 Surakarta berdasarkan status yang diambil dalam penelitian ini adalah popu-
lasi sejumlah 416 siswa akan digunakan untuk Hasil akhir dari penyusunan node root dan
membuat model prediksi Decision Tree. Model leaf node tersebut adalah sebuah pohon kepu-
yang telah dibuat kemudian akan dihitung tusan dengan setiap cabangnya menunjukkan
tingkat akurasi prediksinya. kemungkinan skenario dari keputusan yang di-
Ada banyak metodologi Data Mining, ambil serta hasilnya. Konsep pohon keputusan
salah satu yang populer adalah Pohon Kepu- adalah mengubah data menjadi sebuah pohon
tusan (Decision Tree). Pohon keputusan meru- keputusan (decision tree) dan aturan-aturan
pakan salah satu metode klasifikasi yang san- keputusan (rule).
gat menarik yang melibatkan konstruksi po-
hon keputusan yang terdiri dari node keputu-
san yang di hubungkan dengan cabang-cabang
dari simpul akar sampai ke node daun (akhir). Gambar 2. Alur decision tree
Pada node keputusan attribut akan diuji, dan
setiap hasil akan menghasilkan cabang. Setiap CHAID
cabang akan diarahkan ke node lain atau ke Tujuan dari metode ini adalah untuk me-
node akhir untuk menghasilkan suatu keputu- misahkan data secara berurutan dengan pem-
san (Larose, 2005, p.107). bagian biner menjadi beberapa subgrup. Pada
tiap tahap, pembagian sebuah grup menjadi
Menurut Maimon (2005, p.8), pohon
dua bagian didefinisikan oleh salah satu varia-
keputusan adalah salah satu metode klasifikasi
bel prediktor, sebuah himpunan bagian dari
yang dinyatakan sebagai partisi rekursif. Po-
kategori-kategorinya mendefinisikan salah satu
hon keputusan terdiri dari node yang memben-
bagian, dan sisa kategori lainnya mendefinisi-
tuk pohon yang berakar, semua node memiliki
kan bagian yang lain. Pada AID, prediktornya
satu masukan. Node yang keluar disebut node
memiliki dua tipe utama, yaitu monotonik dan
tes. Node yang lain disebut node keputusan
bebas. (Kass, 1980, p.241).
atau sering disebut node daun. Setiap simpul
internal membagi dua atau lebih sub-ruang ses- Alur proses analisis data dengan CHAID
uai dengan kategori attribut dan akan dipartisi adalah memeriksa tiap variabel independen
sesuai dengan nilai kategori kasus. Kasus-ka- menggunakan uji chi-square, menentukan
sus tersebut membentuk pohon keputusan yang variabel independen mana yang paling sig-
menghasilkan problem solving. nifikan, membagi data menggunakan kategori
variabel independen tersebut dengan peringkat
Klasifikasi data mining adalah penempa- yang paling signifikan, mengulangi langkah
tan objek-objek ke salah satu dari beberapa ke-4 untuk semua subgrup sampai teridenti-
kategori yang telah ditetapkan sebelumnya. fikasi semua pembagian yang secara statistik
Klasifiksi banyak digunakan untuk mempre- telah signifikan.
diksi kelas pada suatu label tertentu, yaitu den-
gan mengklasifikasi data (membangun model) Regresi
berdasarkan training set dan nilai-nilai (label Regresi linier adalah metode statistika
kelas) dalam mengklasifikasikan atribut terten- yang digunakan untuk membentuk model
tu dan menggunakannya dalam mengklasifika- hubungan antara variabel terikat (dependen)
sikan data yang baru. dengan satu atau lebih variabel bebas (inde-
Pohon keputusan biasanya digunakan un- penden). Apabila banyaknya variabel bebas
tuk mendapatkan informasi untuk tujuan pen- hanya ada satu, disebut sebagai regresi linier
gambilan sebuah keputusan. Pohon keputusan sederhana, sedangkan apabila terdapat lebih
dimulai dengan sebuah root node (titik awal) dari 1 variabel bebas, disebut sebagai regresi
yang digunakan oleh user untuk mengam- linier berganda. Hal ini sesuai dengan defini-
bil tindakan. Berdasarkan node root ini, user si tentang regresi linier menurut Xin Yan dan
memecahkan leaf node sesuai dengan algorit- Xiao Gang Su (2009:2) sebagai berikut:
ma decision tree.
Analisis yang ketiga menggunakan regresi prestasi belajar siswa berdasarkan status sos-
ganda. Analisis ini menggunakan software ial ekonomi orang tua, motivasi, kedisiplinan
SPSS 16.0. Hasil yang diperoleh adalah tingkat siswa dan prestasi masa lalu menggunakan
signifikansi seluruh variabel independen terha- metode data mining diperoleh hasil sebagai
dap variabel dependen sebesar 90,6%. berikut : (1) variabel motivasi adalah variabel
yang menentukan potensi seorang siswa berha-
Perbandingan Hasil Akurasi Prediksi antara sil atau tidak prestasi belajarnya di waktu yang
Metode J48, CHAID dan Regresi Ganda akan datang. Hal ini dibuktikan dengan adan-
Perbandingan akurasi klasifikasi antara ya variabel motivasi yang menjadi root node
metode J48, CHAID dan regresi ganda untuk dalam decision tree yang terbentuk. Variabel
class nilai UTS sebagai target adalah sebagai prestasi masa lalu merupakan variabel kedua
berikut: yang penting dalam keberhasilan siswa men-
empuh studinya. Hal ini menunjukkan bahwa
Tingkat akurasi atau signifikansi variabel
aspek knowledge atau kecerdasan siswa san-
prediktor terhadap prestasi belajar siswa den-
gat berpengaruh terhadap keberhasilan bela-
gan menggunakan metode J48 sebesar 95,7%.
jarnya. Sebaliknya, walaupun siswa terpre-
Tingkat akurasi atau signifikansi variabel pre-
diksi secara knowledge kurang tetapi dengan
diktor terhadap prestasi belajar siswa dengan
motivasi tinggi tetap bisa berprestasi minimal
menggunakan metode CHAID sebesar 82,1%.
pada kategori B atau C. Rata-rata keberhasi-
Tingkat akurasi atau signifikansi variabel pre-
lan algoritma J48 dalam melakukan klasifi-
diktor terhadap prestasi belajar siswa dengan kasi data mencapai akurasi di 95,7%. Hal ini
menggunakan regresi ganda sebesar 90,1%. menunjukkan bahwa algoritma ini memiliki
Berdasarkan hasil tersebut terlihat bahwa performa yang handal dalam melakukan kla-
penggunaan metode J48 lebih baik dari metode sifikasi; (2) Hasil akurasi klasifikasi menggu-
CHAID dan regresi ganda. Hal terlihat seperti nakan metode CHAID dengan data yang sama
pada tabel di bawah ini. memperoleh hasil rata-rata prediksi 82,1. Hal
Tabel 3. Perbandingan Hasil Prediksi J48, ini menunjukkan bahwa berdasarkan hasil kla-
CHAID dan Regresi Ganda sifikasi menggunakan metode CHAID tersebut
memiliki tingkat akurasi yang tergolong baik,
Observed J48 CHAID Regresi yaitu lebih dari 80%; (3) Berdasarkan tabel di
Rata-rata 95.7% 82.1% 90,1 atas angka R Square adalah 0,906 untuk pre-
dictor Motivasi dan Prestasi_ml. Hasil tersebut
adalah hasil kuadrat korelasi. Standar Error of
SIMPULAN DAN SARAN the Estimate adalah 0,30477, perhatikan pada
analisis deskriptif statistik bahwa standar de-
Simpulan viasi nilai uts adalah 0,99246 yang jauh lebih
Berdasarkan analisis data menggunakan besar dari dari standar error, oleh karena lebih
decision tree data mining untuk memprediksi besar daripada standar deviasi nilai uts maka