SKRIPSI
Di susun untuk memenuhi sebagian persyaratan mencapai
derajat sarjana S1 pada jurusan teknik informatika
Oleh :
NURDIANA SAFITRI
311410728
TEKNIK INFORMATIKA
BEKASI
2018
PERSETUJUAN
SKRIPSI
JUDUL SKRIPSI PENERAPAN DATA MINING UNTUK PREDIKSI
KELULUSAN SISWA MENGGUNAKAN ALGORITMA NAÏVE
BAYES PADA SMS NEGERI 2 SUKATANI
NURDIANA SAFITRI
Mengetahui
Kaprodi Teknik Informatika
i
PENGESAHAN
SKRIPSI
NURDIANA SAFITRI
Mengetahui
Kaprodi Teknik Informatika
ii
PERNYATAAN KEASLIAN PENELITIAN
Saya yang bertandatangan dibawah ini menyatakan bahwa, skripsi ini merupakan
karya saya sendiri (ASLI), dan isi dalam skripsi ini tidak terdapat karya yang
pernah diajukan oleh orang lain untuk memperoleh gelar akademis di suatu
institusi pendidikan tinggi manapun, dan sepanjang pengetahuan saya juga tidak
terdapat karya atau pendapat yang pernah ditulis dan/atau diterbitkan oleh orang
lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam
daftar pustaka.
Segala sesuatu yang terkait dengan naskah dan karya yang telah dibuat adalah
menjadi tanggungjawab saya pribadi.
Bekasi, ………………
Materai 6.000
NURDIANA SAFITRI
NIM: 311410728
iii
KATA PENGANTAR
Puji syukur penulis panjatkan ke hadiran Allah SWT. yang telah melimpahkan
segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang berjudul
“PENERAPAN DATA MINING UNTUK PREDIKSI KELULUSAN SISWA
MENGGUNAKAN ALGORITMA NAÏVE BAYES PADA SMA NEGERI 2
SUKATANI
”.
Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan
terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah
selayaknya, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan
terima kasih yang sebesar-besarnya kepada:
1. Bapak Dr. Ir. Suprianto, M.P selaku Ketua STT Pelita Bangsa
2. Bapak Aswan S. Sunge, S.E., M.Kom selaku Ketua Program Studi Teknik
Informatika STT Pelita Bangsa.
3. Bapak Andri Firmansyah, S.Kom., M.Kom selaku Pembimbing Utama yang
telah banyak memberikan arahan dan bimbingan kepada penulis dalam penyusunan
Skripsi ini.
4. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan
wawasan dan ilmu di bidang teknik informatika.
5. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya
kepada penulis selama perjalanan studi jenjang Strata 1.
6. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang
telah banyak memberikan inspirasi dan semangat kepada penulis untuk dapat
menyelesaikan studi jenjang Strata 1.
7. Ibu dan Ayah tercinta yang senantiasa mendo’akan dan memberikan
semangat dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.
iv
Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang terdapat
dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan manfaat bagi
khasanah pengetahuan Teknologi Informasi di lingkungan STT Pelita Bangsa
khususnya dan Indonesia pada umumnya.
Penulis
DAFTAR ISI
ABSTRAK ..................................................................................................................................... ix
2.2.3 CRISP-DM…………………………………………………………………….18
2.2.4 Klasifikasi……………………………………………………………………...21
3.8 Implementasi…………………………………………………………………………..35
BAB V PENUTUP…………………………….………………………………………………..57
5.2 Saran…………………………………………………………………………………...57
DAFTAR PUSTAKA………………………………………………………………………...xviii
LAMPIRAN………………………………...………………………………………………...xviii
DAFTAR TABEL
Perkembangan zaman pada saat ini terus berkembang pesat, oleh karena
semakin berkembang baik fisik ataupun spesifikasi dari komputer itu sendiri.
Maka dari itu komputer sudah menjadi penunjang bagi setiap perusahaan untuk
Berdasarkan berlimpah nya data siswa – siswi dan data nilai akademik,
tersebut sehingga berguna bagi pihak sekolah. Pengelolahan data siswa – siswi
1
2
SMA Negeri 2 Sukatani pada tahun 2018 sudah memiliki siswa – siswi
sebanyak 1600 siswa dengan jumlah lulusan 360 pertahunnya. Jumlah tersebut
sudah tidak kecil lagi bagi sekolah yang sudah berusia 7 tahun ini, sekolah ini
tentu memiliki segudang data mengenai siswanya meliputi: data induk siswa
dan data kelulusan siswa. Bertumpuknya data-data ini tentu belum digunakan
pola yang ada dalam data sebagai sebuah alat untuk membantu menjelaskan
data tersebut dan membuat prakiraan dari data itu (Witten & Eibe Frank,
2005).
Teknik data mining dengan metode Naive Bayes ini dapat membantu
obyek permasalahan yang akan diteliti dengan mempersiapkan alat dan metode
tersebut dan dengan permasalahan tersebut harus bisa ditindak lanjuti demi
Dari latar belakang masalah yang ada diatas, terdapat beberapa kendala
efektif?
4
1. Bagi Penulis
salah satunya teknik data mining dalam penelitian ini, serta sebagai
2. Bagi Pembaca
karya ilmiah.
bebrapa metode.
6
dengan cara meminta data nilai rapor dan nilai hasil ujian pada
BAB I PENDAHULUAN
penelitian ini.
Pada bab ini berisi hasil dan analisa pengujian program untuk
BAB V PENUTUP
bersangkutan.
BAB II
TINJAUAN PUSTAKA
8
9
masing. Berikut adalah teknik dalam data mining yang terbagi menjadi
enam kategori [9] :
2. Deskripsi
Para peneliti biasanya mencoba menemukan cara untuk
mendeskripsikan pola dan trend yang tersembunyi dalam data.
3. Estimasi
Teknik estimasi ini mirip dengan teknik kasifikasi, kecuali variabel
tujuan lebih kearah numerik dari pada kategori.
4. Prediksi
Prediksi memiliki kemiripan dengan estimasi dan klasifikasi. Namun
prediksi hasilnya menunjukan sesuatu yang belum pernah terjadi atau
mungkin terjadi dimasa depan.
5. Klasifikasi
Dalam klasifikasi variabel, tujuan bersifat kategorik. Contoh, kita akan
mengklasifikasi penghasilan dalam tiga kelas, yaitu penghasilan tinggi,
penghasilan sedang dan penghasilan rendah.
6. Klastering
Klastering lebih ke arah pengelompokan record, pengamatan dan kasus
dalam kelas yang memiliki kemiripan.
7. Asosiasi
Asosiasi mengidentifikasi hubungan antara berbagai peristiwa yang
terjadi pada satu waktu.
Keterangan:
4. Pembersihan Data
Pembersihan data dilakukan untuk menghilangkan noise dan data yang
tidak konsisten atau tidak relevan. Sering kali data yang diperoleh dari
database suatu perusahaan maupun diperoleh melalui hasil eksperimen,
memiliki isian-isian data yang tidak lengkap seperti data yang hilang,
tidak valid dan atau hanya salah ketik. Selain itu terdapat atribut-atribut
data yang tidak relevan dengan
16
4. Transformasi Data
Beberapa teknik data mining memerlukan format data yang khusus
sebelum dapat diaplikasikan. Sebelum diproses dalam data mining
data akan diubah dan di digabungkan ke dalam format yang
sesuai. Beberapa metode data mining memerlukan format data
khusus agar dapat diaplikasikan. Sebagai contoh beberapa metode
standar seperti analisis asosiasi dan clustering hanya bisa
menerima input data kategorikal. Karenanya data berupa angka
numerik yang berlanjut perlu dibagi-bagi menjadi beberapa
interval. Dalam proses ini sering disebut transformasi data.
Transformasi dan pemilihan data ini menentukan kualitas dari
hasil data mining nantinya, karena ada beberapa karakteristik
teknik data mining tertentu yang tergantung pada tahap ini.
5. Proses Mining
Tahap ini merupakan proses utama saat metode
diterapkan untuk menemukan informasi atau
pengetahuan yang berharga dan tersembunyi dari data.
6. Evaluasi Pola
Untuk mengidentifikasi pola-pola menarik kedalam
knowledge based yang ditemukan. Dalam tahap ini hasil
dari teknik data mining berupa pola-pola yang khas
ataupun model prediksi akan dievaluasi untuk menilai
apakah hipotensa yang ada memang tercapai. Namun bila
hasil yang didapatkan tidak sesuai hipotesa maka akan
dilakukan beberapa alternatif, seperti menjadikan umpan
balik untuk memperbaiki proses data mining, mencoba
metode data mining lain dan menerima hasil ini sebagai
hasil yang diluar dugaan yang mungkin bermanfaat.
18
7. Presentasi Pengetahuan
Tahap yang terakhir dari proses data mining adalah
bagaimana memformulasikan keputusan atau aksi dari
hasil analisis yang didapat. Visualisasi dan penyajian
pengetahuan mengenai metode yang digunakan untuk
memperoleh pengetahuan yang diperoleh pengguna. Ada
kalanya hal ini harus melibatkan orang-orang yang tidak
memahami tentang data mining. Karenanya presentasi
hasil data mining dalam bentuk pengetahuan yang
mampu dipahami semua orang dalam satu tahapan yang
diperlukan dalam proses data mining. Dalam presentasi
ini,visualisasi juga dapat membantu mengkomunikasikan
hasil dari data mining
3. Data Preparation
Tahap ini meliputi semua kegiatan untuk membangun dataset
akhir (data yang akan diperoleh pada modeling) dari data
mentah. Data preparation ini dapat diulang beberapa kali.
Dalam tahap ini juga mencakup pemilihan tabel, record, dan
atribut-atribut data, termasuk juga proses pembersihan dan
transformasi data untuk kemudian dijadikan masukan dalam
tahap modeling.
4. Modeling
Pada tahap ini dilakukan pemilihan dan penerapan berbagai
teknik pemodelan dan beberapa parameternya akan disesuaikan
untuk mendapatkan nilai yang optimal. Secara khusus, ada
beberapa teknik berbeda yang dapat diterapkan untuk masalah
data mining yang sama. Dipihak lain ada teknik pemodelan yang
membutuhkan format data khusus. Sehingga memungkinkan
pada tahap ini dapat kembali ke tahap sebelumnya.
5. Evaluation
Pada tahap evaluation ini model sudah terbentuk dan diharapkan
memiliki kualitas baik jika dilihat dari sudut pandang analisa
data. Dalam tahap ini sebelum model digunakan apakah model
dapat mencapai tujuan yang ditetapkan pada fase awal yaitu
Business Understanding akan dilakukan evaluasi terhadap
keefektifan dan kualitas model. Kunci pada tahap ini adalah
menentukan apakah ada masalah bisnis yang belum
dipertimbangkan.
6. Deployment
Pada tahap ini pengetahuan dan informasi yang telah diperoleh
akan diatur dan dipresentasikan dalam bentuk khusus, sehingga
dapat digunakan oleh pengguna. Tahap deployment dapat berupa
pembuatan laporan sederhana atau mengimplementasikan proses
21
2.2.4 Klasifikasi
Klasifikasi merupakan salah satu tugas yang penting dalam
data mining. mengorganisasikan serta mengelompokan data ke dalam
kelas-kelas yang berbeda merupakan tujuan utama dari klasifikasi.
Definisi pengklasifikasian adalah sebuah fungsi yang bersifat
prediksi dan menggolongkan data item tertentu ke dalam sebuah
kelas. Sebuah pengklasifikasian dibuat dari sekumpulan data latih
dengan kelas yang telah ditentukan dan dikenal ciri-cirinya
sebelumnya. Performa pengklasifikasian biasanya diukur dengan
ketepatan [14].
Keterangan :
Pekerjaan yang dilakukan oleh RapidMiner text mining adalah berkisar dengan
analisis teks, mengekstrak pola-pola dari data set yang besar dan
Tujuan dari analisis teks ini adalah untuk mendapatkan informasi bermutu tertinggi
C.Dennis.2013).
telah menjadi software pengolah data / angka terbaik di dunia, selain itu
a. Membuat, mengedit,
mengurutkan, menganalisis,
inventaris, dll.
Tindakan
Metode
Algoritma Naive Bayes
Penerapan
Data Siswa SMA Negeri 2 Sukatani
Tool
RapidMiner Studio
Hasil
Klasifikasi Kelulusan siswa
METODOLOGl PENELITIAN
sukatani yang akan dilaksanakan kurang lebih 3 bulan, yaitu di mulai bulan
2007 , terdiri dari 3 gedung Belajar , 1 ruang kantor , 1 ruang guru. Dan
27
28
1. VISI
“Unggul dalam pengembangan diri , berkarakter, berakhlak
mulia,berbudi pekerti luhur, bernuansa iman dan takwa terhadap tuhan yang
esa”
2. MISI
10. Menciptakan suasana lingkungan yang kondusif sehingga terwujud suatau
lingkungan yang harmonis , siswa dan guru.
11. menumbuhkembangkan semangat yang kuat serta berkarakter, berakhlak
mulia dan bernalar sehat untuk mencerdaskan peserta didik, guru dan
karyawan sehingga berkamauan kuat untuk terus maju.
12. meningkatkan komitmen seluruh pendidik dan tenaga kependidikan
terhadap tugas pokok dan fungsinya.
13. mengembangkan teknologi informasi dan komunikasi dalam pembelajaran
dan sistem administrasi sekolah (SAS).
Alat yang digunakan untuk melakukan penelitian ini berupa perangkat keras
dan lunak.
5. RapidMiner
30
Tujuan Penelitian
Kumpulan Data
Data Training
Data Mining
Hasil Prediksi
Evaluasi
Selesai
melakukan studi literatur dengan cara mempelajari teori dan pengetahuan dasar
mengenai semua yang berkaitan dengan penelitian ini agar dapat memahami dasar –
Tahap kedua yaitu identifikasi masalah pada tahap ini proses yang dilakukan
adalah menggali permasalahan yang ditemukan pada objek yang diteliti serta
dilakukan dan semua kebutuhan sudah didapatkan maka tahap selanjutnya yang harus
dilakukan adalah pengumpulan data. Data yang dibutuhkan dalah data diri siswa dan
data nilai siawa. Sumber data di dapatkan dari SMA Negeri 2 Sukatani.
Tahap keempat yaitu membuat data training / latih dari data – data yang sudah
Tahap kelima yaitu membuat data mining yang digunakan untuk memilih
teknink dan algoritma yang sesuai untuk untuk menemukan pola yang berharga dan
Tahap keenam adalah hasil prediksi dari penerapan data mining dengan
Tahap ketujuh yaitu evaluasi, pada tahap ini dilakukannya evaluasi untuk mengetahui
apakan teknik dan algoritma yang digunakan sudah sesuai untuk digunakan dalam
penelitian sehingga bisa menemukan pola hubungan antar nilai siswa dengan data
dari latar bela ang siswa yang bermanfaat untuk menentukan kelulusan.
32
Prosess Model For Data Mining), terdiri dari enam fase yaitu pemahaman
dengan algoritma naive bayes untuk memenuhi siswa yang lulus dan tidak
lulus . dengan begitu SMA Negeri 2 Sukatani dapat mendorong siswa agar
dapat lulus tepat waktu sehingga mempermudah siswa agar dapat menempuh
33
3.5 Pemahaman Data (Data Understanding)
Data yang digunakan dalam penelitian ini didapat dari dua sumber,
yaitu data biodata siswa dan data akademik siswa . Kedua data tersebut
adalah daftar data siswa SMA Negeri 2 Sukatani tahun2018 yang masih
aktif. Ini adalah tabel jumlah siswa yang sudah dibagi menjadi beberapa
rombel, seperti pada tabel 3.1 dan 3.2 adalah data tabel siswa perjurusan .
ROMBEL L P JML
: XII-IPA-1 12 33 45
: XII-IPA-2 12 33 45
: XII-IPA-3 13 33 46
: XII-IPA-4 10 34 44
: XII-IPS-1 19 24 43
: XII-IPS-2 20 21 41
: XII-IPS-3 19 23 42
: XII-IPS-4 32 22 54
KIMIA 21
FISIKA 3
BIOLOGI 156
EKONOMI 11
SOSIO 106
GEOGRAFI 63
Setelah tahap pengumpulan data dan filter data maka tahap selanjutnya
yauitu cleaning data agar tidak ada duplikasi data, memeriksa data yang
sehingga data tersebut dapat diolah dan dilakukan proses data mining. Setelah
semua data yang dibutuhkan telah memaliu tahap cleaning data maka data
akan disimpan dalam dataset baru yang menggunakan Microsoft Office Excel.
Data yang diambil dari jurusan IPA dan IPS ini ada data yang unknown yaitu
data dari atribut alamat dan data asala sekolah sebanyak 360 data.
Data diubah atau digabung ke dalam format yang sesuai untuk diproses daiam data
mining karena beberapa metode data mining membutuhkan forrnat data yang khusus
sebelum bisa diaplikasikan. Dalam penelitian ini data akan diubah ke dalam format csv
Rapidminer.
3.8 Implementasi
Merupakan suatu proses utama saat metode ini dilakukan untuk menemukan
pengetahuan berharga atausebuah infonnasi dari data. Teknik yang digunakan pada
proses mining ini adalah prediksi dengan menggunakan algoritma Na'íve fíayes dan
lebih akurat. Attribut yang diuji adalah nilai IPK siswa kelas XII angkatan 2018
yang belum dinyatakan lulus, jenis kelamin, jurusan IPK dan mapel sebagai data
traning. Kemudian attribut yang digunakan untuk data testing adalah nilai IPK
BAB IV
HASIL DAN PEMBAHASAN
4.1. Pengujian Hasil dan Validasi
kelasnya, yang akan dibagi menjadi data training dan data testing.
36
37
Data yang digunakan dalam penelitian ini data siswa kela XII
SMA Negeri 2 Sukatani tahun 2018 yang belum lulus sebagai data
dengan 4 antribut.
dalam proses data mining. Data tersebut dipilih dan diseleksi dari
Excel. Data yang diambil dari jurusan IPA dan IPS ini ada data yang
unknown yaitu data dari atribut Nilai dan data Mapel Ujian
mengelolah pada software rapiud miner. Tabel 4.2 adalah table yang
data agar penelitian ini berjalan dengan baik. Data yang akan
75<=IPK ASLI<=85 B
Biologi A
Fisika B
Sosiologi C
Ekonomi D
Kimia E
Geografi G
40
4.5 Implementasi
rapidminer . data training siswa kelas XII memiliki 360 record data
validation . Tabel 4.5 adalah data training dan table 4.6 adalah data
JUMLAH
NO NAMA PRGM BIN ING MAT PLH Mapel
NILAI
ILMU
ACHMAD SUBHAN
PENGETAHUAN 48.0 125.0 A
1 AYYUSPI ALAM 22.0 22.5 32.5
ILMU
PENGETAHUAN 48.0 128.5 A
2 AHMAD JAELANI ALAM 28.0 25.0 27.5
ILMU
ALWIYAH
PENGETAHUAN 48.0 138.5 A
3 WIDIASTUTI ALAM 28.0 22.5 40.0
ILMU
AMALIA NUR
PENGETAHUAN 54.0 167.5 A
… FATTONAH ALAM 36.0 32.5 45.0
ILMU
PENGETAHUAN 62.0 142.5 A
100 AMALIAH ALAM 38.0 15.0 27.5
42
yaitu klik next akan muncul data import step 2 seperti gambar 4.3.
klik next akan muncul data import step 3 seperti gambar 4.4.
45
yaitu klik next akan muncul data import step 4 seperti gambar 4.5
46
yaitu klik next akan muncul data import step 5 seperti gambar 4.6.
47
klik Finish. Maka selanjutnya drag and drop naïve bayes dan kemudian
hubungkan ke rad cvs data ke naïve bayes seperti pada gambar 4.7 .
48
terhubung, selanjutnya adalah hubungkan port per dan exa yang ada di
prediksi pada view result. Hasil nya bias terlihat pada gambar 4.10.
50
prediksi menampilkan dari data testing yang telah diuji dengan data training
tentang data siswa yang diambil dari data testing yang dapat diprediksi lulus
performancevector yaitu 90 %
double klikk operator cross validation, kemudian drag and drop operator
naïve bayes dan hubungkan port tra and mod . selanjutnya klik tombol
bayes dalam penelitan ini maka penulis membuat table data yang
ROMBEL L P JML
: XII-IPA-1 12 33 45
: XII-IPA-2 12 33 45
: XII-IPA-3 13 33 46
: XII-IPA-4 10 34 44
JUMLAH IPA 47 133 180
: XII-IPS-1 19 24 43
: XII-IPS-2 20 21 41
: XII-IPS-3 19 23 42
: XII-IPS-4 19 22 41
JUMLAH IPS 77 90 167
JUMLAH
NAMA PRGM NILAI Mapel
ACHMAD SUBHAN
AYYUSPI ILMU PENGETAHUAN ALAM 125 A
MUHAMAD RICKO
ARDIANSYAH ILMU PENGETAHUAN SOSIAL 155.5 G
Tabel 4.8 diatas memiliki 360 record sebagai data training dan
table 4.9 memiliki 100 record sebagai data testing yang digunakan dalam
penelitian ini. Dalam kasus yang ada pada table 4.7 akan dibuat prediksi
Pertama Menghitung jumlah dari IPA dan IPS dari label data
IPA = 180
IPS = 167
58
0,5
sebagai berikut :
0,5
4. = 3,1416
E = 2,72
i. = rata – rata
Σ = simpangan baku
angka dari data attribute IPK yang dicari seperti dibawah ini ;
( )
√
= 0,13695652217
IPA = 180
IPS = 167
( )
√
0,00478789055 + 0,00073104692
0,00478789055 + 0,00073104692
61
laki – laki , jurusan IPA , IPK 3, Mapel E diprediksi lulus karena hasil
perhitungan kelas IPA lebih besar Dari kelas IPS dengan hasil probabilitas
sebesar 0,867 .
BAB V
5.1 Kesimpulan
berikut :
15. Algoritma Naïve Bayes dapat digunakan untuk memprediksi kelulusan siswa.
16. Dengan Menggunakan metode Algortima Naïve Bayes mampu menjadi lebih
18. Informasi yang didapat dalam penelitian ini adalah bahwa siswa yang IPK nya
19. siswa yang jurusan IPA lebih besar nilai nya dibandingkan IPS .
5.2 Saran
9. Jika ada yang peneliti yang ingin melanjutkan penelitian ini sebaiknya
Data testing
JUMLAH
NAMA PRGM Mapel
NILAI
ACHMAD SUBHAN AYYUSPI ILMU PENGETAHUAN ALAM 125 A
AHMAD JAELANI ILMU PENGETAHUAN ALAM 128.5 A
ALWIYAH WIDIASTUTI ILMU PENGETAHUAN ALAM 138.5 A
AMALIA NUR FATTONAH ILMU PENGETAHUAN ALAM 167.5 A
AMALIAH ILMU PENGETAHUAN ALAM 142.5 A
ARI ARDIANSYAH ILMU PENGETAHUAN ALAM 128 A
BASTIAN ARDIANSYAH ILMU PENGETAHUAN ALAM 137.5 A
DELY AGUSTIN ILMU PENGETAHUAN ALAM 116 A
DEVI FANDINI ILMU PENGETAHUAN ALAM 119.5 A
DWI PRIHATINI ILMU PENGETAHUAN ALAM 147 A
ELPA ELPIANA ILMU PENGETAHUAN ALAM 124.5 A
ERMI FATURRAHMI ILMU PENGETAHUAN ALAM 168 B
FIKRI HAEKAL HARDIANSYAH ILMU PENGETAHUAN ALAM 140 A
FILHZAH HASYYATI RUYANI ILMU PENGETAHUAN ALAM 150.5 A
IDA ROYANI ILMU PENGETAHUAN ALAM 125 A
IIS SOLIHATUL FADILAH ILMU PENGETAHUAN ALAM 152 A
IMAM SYAEFULLAH ILMU PENGETAHUAN ALAM 139 A
INTAN KARTINI ILMU PENGETAHUAN ALAM 167 A
JUBAEDAH ILMU PENGETAHUAN ALAM 141.5 A
KHAAFIDH KAMILAH ILMU PENGETAHUAN ALAM 144 A
LAELA SUGIARTI ILMU PENGETAHUAN ALAM 163.5 A
LISANTI JANNAT ILMU PENGETAHUAN ALAM 156 A
LITA LASMALA ILMU PENGETAHUAN ALAM 127.5 A
LUSIANA ILMU PENGETAHUAN ALAM 149 A
MILAH PRIHATINI ILMU PENGETAHUAN ALAM 150 A
MITA ILMU PENGETAHUAN ALAM 169 A
MUHAMAD DION GILANG
ILMU PENGETAHUAN ALAM 135.5 A
SAPUTRA
MUHAMAD ROUF ILMU PENGETAHUAN ALAM 129.5 A
MUHAMMAD ARIFIN ILMU PENGETAHUAN ALAM 108 A
MUNIH ILMU PENGETAHUAN ALAM 135.5 A
NABILA RATNA SARI ILMU PENGETAHUAN ALAM 141.5 A
NATASYA OKTAVIANTI ILMU PENGETAHUAN ALAM 145.5 A
NIA RAHMAYANTI ILMU PENGETAHUAN ALAM 163 A
NURANISAH ILMU PENGETAHUAN ALAM 152 A
PUTRI DIANA ILMU PENGETAHUAN ALAM 128.5 A
RAKA SIWI ILMU PENGETAHUAN ALAM 162.5 A
RIKA KOMALASARI ILMU PENGETAHUAN ALAM 114.5 A
ROBIATUL ADAWIYAH ILMU PENGETAHUAN ALAM 159 A
SAHRUL ALAM ILMU PENGETAHUAN ALAM 134 A
SINTA DEWI ILMU PENGETAHUAN ALAM 115 A
SITI RUKIYAH ILMU PENGETAHUAN ALAM 163 A
TIKA APRIANTIKA ILMU PENGETAHUAN ALAM 163.5 A
UTARI SAPITRI ILMU PENGETAHUAN ALAM 137.5 A
WIDIA APRIANI ILMU PENGETAHUAN ALAM 140.5 A
YASIR MOHAMAD ILMU PENGETAHUAN ALAM 174.5 A
NASRUL ARI FAJRI ILMU PENGETAHUAN SOSIAL 123 C
NIA ARSITA ILMU PENGETAHUAN SOSIAL 104.5 C
NOVIYANTI ILMU PENGETAHUAN SOSIAL 100 C
NURHASNI FAUZIAH ILMU PENGETAHUAN SOSIAL 133.5 G
RIA NOVITASARI ILMU PENGETAHUAN SOSIAL 131 G
ROSMALIA FAUZIA ILMU PENGETAHUAN SOSIAL 136.5 C
SANDI SUARDI ROYANA ILMU PENGETAHUAN SOSIAL 165.5 C
SELIYANA APRIDA ILMU PENGETAHUAN SOSIAL 118.5 C
SITI HABIBAH ILMU PENGETAHUAN SOSIAL 127.5 C
SITI NURHALIMAH ILMU PENGETAHUAN SOSIAL 110.5 C
SOPIAH ILMU PENGETAHUAN SOSIAL 131.5 G
SULEKAH ILMU PENGETAHUAN SOSIAL 136 G
SUTAN FACHRIE IRAWAN ILMU PENGETAHUAN SOSIAL 141 C
YAYAH ZAKIYAH ILMU PENGETAHUAN SOSIAL 117 G
YULITA SARI ILMU PENGETAHUAN SOSIAL 138 G
YUSUF ILMU PENGETAHUAN SOSIAL 129 C
INDRA HANDIKA ILMU PENGETAHUAN SOSIAL 205 C
ABDUL RIZKI ILMU PENGETAHUAN SOSIAL 165 C
ALFINA DAMAYANTI ILMU PENGETAHUAN SOSIAL 117 C
ALI MUSTOPA ILMU PENGETAHUAN SOSIAL 157.5 G
ANIPAH ILMU PENGETAHUAN SOSIAL 119.5 C
ANISAH ILMU PENGETAHUAN SOSIAL 124.5 G
ALWAN FAUZI ILMU PENGETAHUAN SOSIAL 179 C
AVITA PRADINI ILMU PENGETAHUAN SOSIAL 112 G
DALIYA ILMU PENGETAHUAN SOSIAL 148.5 C
DANDI SUPRIYADI ILMU PENGETAHUAN SOSIAL 143.5 G
DONNY PRATAMA ILMU PENGETAHUAN SOSIAL 142.5 G
FAISAL EFENDI ILMU PENGETAHUAN SOSIAL 142 G
FARIHIN PADILAH ILMU PENGETAHUAN SOSIAL 141 C
IKA ISNIYATIN SAYIDA ILMU PENGETAHUAN SOSIAL 144.5 G
ISMAIL ILMU PENGETAHUAN SOSIAL 150.5 C
KAKA SURYADIKA ILMU PENGETAHUAN SOSIAL 150.5 C
KARMILAH ILMU PENGETAHUAN SOSIAL 149.5 C
LULUK TOBING ILMU PENGETAHUAN SOSIAL 138.5 C
MAEMUNAH WATI ILMU PENGETAHUAN SOSIAL 126 C
MAHDAN SYAIFUSSALAM ILMU PENGETAHUAN SOSIAL 131 C
MILA AGUSTIN ILMU PENGETAHUAN SOSIAL 123.5 C
MUHAMAD GUNTUR SAKETI ILMU PENGETAHUAN SOSIAL 145.5 C
MUHAMAD RICKO ARDIANSYAH ILMU PENGETAHUAN SOSIAL 155.5 G
MUHAMMAD NUR SIDIK ILMU PENGETAHUAN SOSIAL 145.5 C
NANA YULIYANA ILMU PENGETAHUAN SOSIAL 133 D
NUR HALIMAH ILMU PENGETAHUAN SOSIAL 132.5 D
NURUL ALINA HASAN ILMU PENGETAHUAN SOSIAL 129 C
RATNA JUITA ILMU PENGETAHUAN SOSIAL 180 C
ROHANA ILMU PENGETAHUAN SOSIAL 120.5 C
ROYADI ILMU PENGETAHUAN SOSIAL 153 C
SALMAH ARDILA ILMU PENGETAHUAN SOSIAL 132 G
SEPTI SUSANTI ILMU PENGETAHUAN SOSIAL 152 G
SITI KHOIRIYAH ILMU PENGETAHUAN SOSIAL 118.5 C
SITI NURJANAH ILMU PENGETAHUAN SOSIAL 131.5 G
SOPANDI ILMU PENGETAHUAN SOSIAL 153.5 G
SRI ASTUTI ILMU PENGETAHUAN SOSIAL 127.5 C
SUTEDI SUNJAYA ILMU PENGETAHUAN SOSIAL 158 G
TIARA AMALIA ILMU PENGETAHUAN SOSIAL 166.5 G
Data training
JUMLAH
NAMA PRGM Mapel
NILAI
ACHMAD SUBHAN AYYUSPI A 125 A
AHMAD JAELANI A 128.5 A
ALWIYAH WIDIASTUTI A 138.5 A
AMALIA NUR FATTONAH A 167.5 A
AMALIAH A 142.5 A
ARI ARDIANSYAH A 128 A
BASTIAN ARDIANSYAH A 137.5 A
DELY AGUSTIN A 116 A
DEVI FANDINI A 119.5 A
DWI PRIHATINI A 147 A
ELPA ELPIANA A 124.5 A
ERMI FATURRAHMI A 168 B
FIKRI HAEKAL HARDIANSYAH A 140 A
FILHZAH HASYYATI RUYANI A 150.5 A
IDA ROYANI A 125 A
IIS SOLIHATUL FADILAH A 152 A
IMAM SYAEFULLAH A 139 A
INTAN KARTINI A 167 A
JUBAEDAH A 141.5 A
KHAAFIDH KAMILAH A 144 A
LAELA SUGIARTI A 163.5 A
LISANTI JANNAT A 156 A
LITA LASMALA A 127.5 A
LUSIANA A 149 A
MILAH PRIHATINI A 150 A
MITA A 169 A
MUHAMAD DION GILANG
A 135.5 A
SAPUTRA
MUHAMAD ROUF A 129.5 A
MUHAMMAD ARIFIN A 108 A
MUNIH A 135.5 A
NABILA RATNA SARI A 141.5 A
NATASYA OKTAVIANTI A 145.5 A
NIA RAHMAYANTI A 163 A
NURANISAH A 152 A
PUTRI DIANA A 128.5 A
RAKA SIWI A 162.5 A
RIKA KOMALASARI A 114.5 A
ROBIATUL ADAWIYAH A 159 A
SAHRUL ALAM A 134 A
SINTA DEWI A 115 A
SITI RUKIYAH A 163 A
TIKA APRIANTIKA A 163.5 A
UTARI SAPITRI A 137.5 A
WIDIA APRIANI A 140.5 A
YASIR MOHAMAD A 174.5 A
AAM AMYATI DEWI A 115 A
AHMAD FAUZI A 119 A
ALDI HARYANTO A 188 B
ALDIYANSYAH A 133 A
ANIS AFRILYANTI A 143.5 A
ASTRI PRATIWI A 135 A
DAHLIA A 159 A
DEWI LESTARI A 139 A
ELISTIA WATI A 125 A
ERIKA AMELIA A 142 A
EVI YANI A 165 B
FARHAN FAUZAN A 126.5 A
GANGGA PUTRA SATRIA A 127.5 A
HAMIDAH A 167.5 A
IIN SARTIKA A 205.5 E
IKHFA AMELIA A 147 A
IQBAL ZAENAL MUTAQIEN A 197 A
KARTINI A 129.5 A
KHOLIDA ZIAH A 188.5 A
LATIFAH A 140.5 A
LILI ISKANDAR A 186 A
MARDIANSYAH A 103 A
MARIATUL KIBTIYAH A 147.5 A
MASIH MAHCICA A 147 A
MEGAWATI A 133 A
MIFTAHUL FAUZI A 139.5 A
MUHAMAD FAHRI A 199 A
MUTOHAROH A 168 A
NENENG SURYANI OKTAVIANI A 159.5 A
NENI SURYANI A 142 A
NUR ASIKIN A 161 A
NURHAPIPAH A 140 A
PEBI RISYANI A 159.5 E
PETI PEBIOLA A 118.5 E
PUTRI WULANDARI A 159.5 A
RENITASARI A 126.5 A
ROHIMAH A 138 A
ROSALINDA A 131 A
SISKA DESIYANTI A 118 A
SONIA NURKHOLIFAH A 126 A
TRI HARTANTI A 112 A
TUBAGUS HAYKAL NENDYAS
A 142.5 A
WAFI
WAFFIYYATUL MARDIYYAH A 152 A
WAHYUNI A 115 A
YUROH A 122 A
AFIFAH A 167 A
AKBAR SALEH ALFIAN A 145.5 E
ALFAN YUDISTIRO A 107.5 E
ANDI YANTO A 179.5 E
ARISKA DEWI PORTUNA A 142 A
AYU SUGIYARTI A 153 E
CICI YISTIANI A 123.5 E
DITA NELISTINA A 160.5 E
ELPURANINA SEPTIANY A 172 E
FAISAL RAMADHAN A 152 E
FARIDA FARHA A 140 A
FEBRIYANTI A 127 A
HADI KUSUMA A 157 B
IIS PRASISKA A 125.5 A
IMAS SUNENGSIH A 111.5 A
INAH SYINTIA A 131 A
ISMAIL YUSUF A 121 A
KOMARIAH A 131 A
LIA KAMELIA A 150 B
LILIS KARLINA A 120 A
MALA JAMILAH A 157.5 A
MENANTI DEBORA A 130.5 A
MIFTAHUL JANNAH A 131.5 E
MILA OCTAPIANA A 129 E
MISBAHUDIN A 172.5 E
MUHAMAD RAMLI A 195 A
MUHAMAD WILDAN RAMADHAN A 146.5 A
NADILA RAHMA GUSTI RAHAYU A 179 E
NURAENI A 134 E
NURHAPIPAH A 159.5 A
PUJI RAHAYU A 120 A
PUTRI PADILAH A 135.5 A
RATNA SARI A 118 A
REINOLDI DATA A 177.5 A
ROSITA SOLEHA A 137.5 A
SAFITRI A 169 A
SAIDAH TUN TOYYIBAH A 133 A
SITI FATHIYATUL BARKAH A 153.5 A
SITI KHOERUNNISA A 148.5 A
SRI HARTATI A 156 A
TEDI MAHPUDIN A 155.5 A
TRISNAWATI A 151 A
WAHYU INDRA KUSUMA A 142.5 A
WIDIA NINGRUM A 194.5 A
WINTIKA SARI A 122.5 A
MOCHAMAD IRSAL NURILFA
A 165.5 A
JAMIL
AHMAD FAUZI A 141 A
ALIA SAFITRI A 228.5 E
ALMA YULFANI A 108 A
ARIF SUNANDAR A 177.5 A
ASWARI FAIRUZI A 136.5 A
ATIKAH ADAWIYAH A 181 A
AYU AMELIA A 133 A
BAGUS A 135.5 A
DEWI SANTI A 112 A
EGA FADILLAH A 140.5 A
ELSA MARHAMAH A 137 A
FAHRUZI PRATAMA A 209.5 A
FEBI PUSPITA SARI A 145 A
HASMANAH A 147.5 A
INDAH A 132 A
IRNA RAHMADIAH A 189 A
JIMI RICARDO P MANURUNG A 170 A
KUSNIYAH SUSILAWATI A 126.5 A
LIDIAWATI A 117 A
LISA TIANINGRUM A 110 A
MAKMUR ASHARI A 184.5 A
MILENIA A 146.5 A
MUHAMMAD MIFTAHUL MAARIF A 175 E
MUHAMMAD REZA HADI
A 136 A
SAPUTRA
MUJDALIFAH A 177 A
NADIA ROKHALI A 160.5 A
NADILA SARI A 128.5 A
NAILA ANGELANI A 227 A
NENG SANTI OKTAVIANI A 125.5 A
PUTRI ALVIRA A 155 A
RAHMA ALFIRA A 143 A
RENNA DAMAYANTI A 141 A
ROSMIATI A 120.5 A
SAFITRI AMELIA A 127.5 A
SANINGKEM A 170.5 A
SARAH YANISA HUTAPEA A 119.5 A
SITI NURHAPIPAH A 108 A
SITI ROBIATUL ADAWIYAH A 118.5 A
SRI UNTARI SETIANINGSIH A 238 E
TETEN NURDIANSYAH A 256.5 A
UMI SARI A 171 A
WIDYADARA YULIATAMA A 205 A
WILDA FITRIYATUR
A 134 A
ROMADHONA
YAYAH A 139.5 A
ADITIA SULISTIO B 174.5 C
AIDA NURAFRIANI B 173.5 D
ALISAH SUSILAWATI B 133 C
ANISA B 151 C
ARI SOPYAN B 159 C
BARAMULIH MAHENDRA B 154.5 D
BERLIANA RAHAYU B 142 C
DANDY B 118.5 C
DESTY ALFIANI SARI B 149.5 C
DINAR MINDY MEINISSA B 190.5 C
EGIE ALPIYANI B 145 C
EKI SYAHRUDIN B 133 C
FERI IRAWAN B 118 C
HARI ANGGARA B 141.5 C
INTAN JUITA B 130.5 C
JAMALULLAEL B 140.5 C
KARJA SUREJA B 101.5 C
KHUSNUL KHOTIMAH B 130.5 C
M. IFAN RAMADAN B 119 C
MAHDI SAFRI WIJAYA B 126.5 C
MAR'ATUN SOLIHAH B 138 C
MELATI DEWANTI B 167.5 G
MILA ANGGRAINI PS B 145.5 C
MUHAMAD ILHAM B 156.5 C
MUHAMAD RIZKO MUBAROQ B 156 C
MUHAMMAD ERLANGGA B 158 C
NON PRISKA AMELIA SAPITRI B 178 C
NURAENI B 134.5 C
RANTIH B 123.5 G
RIKI FIRMANSYAH B 124.5 G
RIZKY ANANDA PERTIWI B 201 G
SAEPUL HIDAYAT B 105 C
SARMILA B 129 C
SITI AISAH B 149.5 C
SITI KOMARIAH B 168 C
SITI NURROKMAH B 179.5 C
SRI NINGRUM B 151.5 C
SUHERDI B 101.5 G
SUNINGSIH B 126 C
TOPIK AKBAR B 148 C
TRI MAYA B 123.5 C
YUDISTIRA B 179.5 C
YULIA B 159 D
ABDUROHMAN B 124 C
AGNES PRATIWI B 136.5 G
ALFIN FIRDAUS B 192 C
AMIROH PRABAWATI B 158 G
ARI WIDIAWAN SUMARDI B 148 G
BUSTOMI ARIFIN PANIGORO B 163 G
CICIH KOMALASARI B 122.5 C
DENIS KRISTIAWAN B 153 G
DEYA SAFITRI B 129 G
DIWANAH B 160 C
EKA NOVIANTI B 124 C
ERI ERIYANTO B 141.5 G
FRANSON ERNANDO SITORUS B 179.5 C
HENDRIK RIPALDI B 117 C
HOIRUL ANWAR SALEH B 167.5 G
IRMA YULIYANTI B 124 G
LELI HERLINA LUBIS B 159.5 G
KARYADI B 141.5 G
M. RIKO PRATAMA B 107.5 C
MARLIAH B 138.5 C
METTA MAYMUNAH B 109 C
MIMIN MINTARSIH B 166 G
MUHADI B 165.5 G
MUHAMAD JULVI AINU RIJA B 141.5 G
MUHAMAD SUNARDI B 129.5 G
NOVI YANTI RUKMANA B 117 G
NURAENI B 113 G
PUTRI ANDRIYANI B 148.5 C
RESNAWATI B 128 C
REZA GUSTI PAMBEAN B 110.5 C
SAEPUDIN B 130.5 C
SARTIKAH B 126.5 C
SITI FATIMAH B 155 G
SITI ROMLAH B 120.5 C
SRI HARTINI B 151.5 C
SUPRIYATI B 135 G
UMAR NADI B 160.5 D
URNI MELANIA B 146 C
YOVAN RIZKI YUSUF B 156 D
ZAENAL ABIDIN B 104.5 G
FADIEL EKA ARYA KUSUMA B 142.5 C
ABDUL ROJAK B 125 C
AJENG SARTIKA AGUSTIN B 102 C
ALDIANSYAH B 184.5 C
AMANDA AUDITA PRATAMA B 157 G
AZIS MAHPUD B 134 C
DEDE AZHARI B 143 C
DEWI NURYAMAH B 164.5 G
DHEA SYAFITRI B 143 C
DIDI SETIA BUDI B 110.5 C
EGA JUANSARI B 177.5 D
FIKRI MUNAZAT B 142 C
GALIH RIDNO AJIE B 120 C
HENI MULYANI B 151.5 C
JUNAEDI B 118 C
KAMELIA PUTRI B 110 G
KEVIN FEBIANSON B 133.5 C
LISA IMANIYAH B 151 C
M. RIDWAN B 203 C
MARSIH NOVIANTI B 125.5 C
MEGA PITALOKA B 124 C
MELINAH B 96.5 D
MUHAMAD AFRIZAL B 133 C
MUHAMAD MALIK B 110 C
MUHAMAD RUPLI B 123.5 C
NASRUL ARI FAJRI B 123 C
NIA ARSITA B 104.5 C
NOVIYANTI B 100 C
NURHASNI FAUZIAH B 133.5 G
RIA NOVITASARI B 131 G
ROSMALIA FAUZIA B 136.5 C
SANDI SUARDI ROYANA B 165.5 C
SELIYANA APRIDA B 118.5 C
SITI HABIBAH B 127.5 C
SITI NURHALIMAH B 110.5 C
SOPIAH B 131.5 G
SULEKAH B 136 G
SUTAN FACHRIE IRAWAN B 141 C
YAYAH ZAKIYAH B 117 G
YULITA SARI B 138 G
YUSUF B 129 C
INDRA HANDIKA B 205 C
ABDUL RIZKI B 165 C
ALFINA DAMAYANTI B 117 C
ALI MUSTOPA B 157.5 G
ANIPAH B 119.5 C
ANISAH B 124.5 G
ALWAN FAUZI B 179 C
AVITA PRADINI B 112 G
DALIYA B 148.5 C
DANDI SUPRIYADI B 143.5 G
DONNY PRATAMA B 142.5 G
FAISAL EFENDI B 142 G
FARIHIN PADILAH B 141 C
IKA ISNIYATIN SAYIDA B 144.5 G
ISMAIL B 150.5 C
KAKA SURYADIKA B 150.5 C
KARMILAH B 149.5 C
LULUK TOBING B 138.5 C
MAEMUNAH WATI B 126 C
MAHDAN SYAIFUSSALAM B 131 C
MILA AGUSTIN B 123.5 C
MUHAMAD GUNTUR SAKETI B 145.5 C
MUHAMAD RICKO ARDIANSYAH B 155.5 G
MUHAMMAD NUR SIDIK B 145.5 C
NANA YULIYANA B 133 D
NUR HALIMAH B 132.5 D
NURUL ALINA HASAN B 129 C
RATNA JUITA B 180 C
ROHANA B 120.5 C
ROYADI B 153 C
SALMAH ARDILA B 132 G
SEPTI SUSANTI B 152 G
SITI KHOIRIYAH B 118.5 C
SITI NURJANAH B 131.5 G
SOPANDI B 153.5 G
SRI ASTUTI B 127.5 C
SUTEDI SUNJAYA B 158 G
TIARA AMALIA B 166.5 G
WINDY FRASTIKA B 175.5 C
YUSUP FAISAL GINA B 136 C
ZAHRATUL JANNAH ZULFA B 254.5 C
RIZKI MAULANA ISHAK B 225.5 G
DONNY PRATAMA B 225.5 G
FAISAL EFENDI B 225.5 G
FARIHIN PADILAH B 225.5 G
IKA ISNIYATIN SAYIDA B 225.5 G
ISMAIL B 225.5 G
KAKA SURYADIKA B 225.5 G
KARMILAH B 225.5 G
LULUK TOBING B 225.5 G
MAEMUNAH WATI B 225.5 G
MAHDAN SYAIFUSSALAM B 225.5 G
SUTEDI SUNJAYA B 225.5 G
TIARA AMALIA B 225.5 G
SUTEDI SUNJAYA B 225.5 G