15
JUSIKOM PRIMA (Junal Sistem Informasi Ilmu Komputer Prima)
Vol. 2 No. 1, Juli 2018 e-ISSN : 2580-2879
16
JUSIKOM PRIMA (Junal Sistem Informasi Ilmu Komputer Prima)
Vol. 2 No. 1, Juli 2018 e-ISSN : 2580-2879
Mulai
Pengamatan
Pattern Evaluations
Tinjauan Pustaka
X : data dengan class yang belum
(Landasan teori, keasliasn penelitian)
diketahui
Perencanaan
H : hipotesis data X merupakan suatu Pemilihan Data untuk prediksi
Evaluasi pengujian aplikasi
Refleksi
pada hipotesis H
P(X) probabilitas dari X Melakukan Diskritisasi Data
Data Transformations
Data Mining
Php, Mysql
Analisis menggunakan NBC Jika TIDAK Knowledge Presentations
17
JUSIKOM PRIMA (Junal Sistem Informasi Ilmu Komputer Prima)
Vol. 2 No. 1, Juli 2018 e-ISSN : 2580-2879
pemberitahuan bahwa
Gambar 3. Use Case Diagram pemrosesan telah selesai
Dari use case yang terlihat pada gambar 3 maka 3. Deskripsi use case prediksi data baru
dapat di deskripsikan sebagai berikut Tabel 3. Deskripsi use case diagram prediksi data
1. Deskripsi use case input data set
baru
Tabel 1. Deskripsi Use Case Diagram Input Data
Set
Nama Use Case Prediksi Data Baru
Nama Use Case Input data set Aktor
Aktor Admin Deskripsi Melakukan prediksi data
baru
Deskripsi Melakukan input data set
Kondisi Awal Melakukan data baru belum
Kondisi Awal Sistem menampilkan menu
diprediksi
utama petugas
Aktor Sistem
Aktor Sistem
1. Aktor memilih 2. Sistem menampilkan
1. Aktor memilih 2. Sistem akan
menu prediksi form prediksi baru
menu import data menampilkan form
set import data set 3. Aktor mengisi 4. Jika klik tombol Input
form prediksi data maka sistem akan
3. Aktor memilih 4. Sistem akan
baru merespon dengan
tombol cari data mengarahkan ke
menampilkan keputusan
direktori yang akan
hasil prediksi
dituju.
5. Aktor memilih 6. Sistem akan
2.3 Pengolahan Data
data file csv yang mengarahkan file csv
2.3.1 Pengambilan Data
telah ditentukan. ke partisi didalam Pengambilan data dalam penelitian ini penulis
sistem mendapatkan data langsung ke obyek penelitian.
7. Aktor memilih 8. Sistem akan Pengambilan data langsung ke objek akan
tombol impot memasukan data dari mendapatkan data yang valid.Data yang diperoleh
data csv kedalam database adalah data siswa, data orang tua dan data
mysql pendungkung lainnya. Data yang digunakan adalah
data pada tahun ajaran 2015/2016 dan data tahun
2. Deskripsi use case proses NBC ajaran 2016/2017. Data yang di peroleh berjumlah
Tabel 2.Deskripsi use case diagram proses NBC 560 record. Atribut digunakan untuk masukan dalam
melakukan prediksi.Adapun atribut yang digunnakan
Nama Use Case Proses NBC dapat dilihat pada tabel 5.
18
JUSIKOM PRIMA (Junal Sistem Informasi Ilmu Komputer Prima)
Vol. 2 No. 1, Juli 2018 e-ISSN : 2580-2879
data. Data disebut missing value jika pada record Rata Pend.
Nama Bimbel Absen
tertentu pada salah satu atribut tidak mempunyai UTS Ortu
nilai. Record yang missing valueakan dihapus dan Tidak
Aan Adi S1 50
tidak digunakan. Pada dataset yang sama jika record Ikut
berisi nilai yang sama maka record tersebut juga Ahmad 7.1 S1 Ikut 50
akan dihapus dan tidak digunakan. Tidak
Andrianto 6.9 S1 50
Ikut
Tabel 6. Data siswa Tidak
Ardianto Fajar 7 S1 50
Ikut
Rata Pend. Tidak
Nama Bimbel Absen Bayu Aji Saputro 6.5 SMA 50
UTS Ortu Ikut
Adimas 6.5 SMA 50 Tidak
Tidak Bayu Prastiyo 6.9 S1 50
Aan Adi S1 50 Ikut
Ikut Tidak
Tidak Budiyanto 6.3 SD 50
Agus 6.2 50 Ikut
Ikut Danny Aji 7.7 SMA Ikut 50
Ahmad 7.1 S1 Ikut 50 Dimas Tidak
Tidak 7.1 S1 50
Andrianto 6.9 S1 50 Anjasmara Ikut
Ikut Tidak
AnggikSetyawan 7.5 SMA 50 Dyangga Farista 6.3 SMA 50
Ikut
Tidak Tidak
Ardianto Fajar 7 S1 50 Eko Pujiyanto 7.1 SMP 50
Ikut Ikut
Tidak Galang Tidak
Bayu Aji Saputro 6.5 SMA 50 7.9 SMA 50
Ikut Prihhatoro Ikut
Tidak Ibnu Kurniawan
Bayu Prastiyo 6.9 S1 50 5.5 SMP Ikut 50
Ikut Aji
Tidak Muhamad
Budiyanto 6.3 SD 50 5.9 SMP Ikut 50
Ikut Ridwan
Tidak Tidak
Candra Ari 5.9 50 Muhammad Suro 6.6 SD 50
Ikut Ikut
Danny Aji 7.7 SMA Ikut 50
Dimas Tidak 2.2.3 Integrasi Data
7.1 S1 50
Anjasmara Ikut Integrasi Data adalah tahap yang dilakukan
Tidak dalam penelitian ini peneliti menggabungkan semua
Dyangga Farista 6.3 SMA 50
Ikut data yang dikumpulkan dan yang akan digunakan.
Tidak Peneliti melakukan penggabungan dari beberapa
Eko Pujiyanto 7.1 SMP 50
Ikut data yaitu dtaa siswa dan data pendidikan orang tua
Ferri Pradia 6.8 S1 50 yang berkaitan dengan aspek-aspek penilian untuk
Galang Tidak ketercapaian nilai KKM siswa. Sehingga dengan
7.9 SMA 50
Prihhatoro Ikut melakukan penggabungan data ini diperoleh data set
Ibnu Kurniawan yang sesuai dengan perancangan sistem yang
5.5 SMP Ikut 50
Aji dibangun.
Muhamad
5.9 SMP Ikut 50
Ridwan 2.2.5 Seleksi Data Atribut
Tidak Dalam data mining dibutuhkan data latih dan
Muhammad Suro 6.6 SD 50 data uji. Maka dalam tahap ini penulis melakukan
Ikut
seleksi data atribut untuk melakukan prediski
Data pada tabel 3 ini data dimana yang sudah ketercapaian nilai KKM siswa. Dalam seleksi data
melalui tahap pembersihan data atau claening data. penulis menyeleksi data menjadi data latih dan data
Penulis mengambil data yang memiliki value atau uji yang akan digunakan. Data latih merupakan
nilai yang lengkap. Untuk data yang memiliki suatu data yang akan digunakan untuk melakukan
missing value tidak digunakan dan dihapus. Hasil penelusuran pola dalam data mining atau sebagai
dari pembersihan data ini akan berguna dalam daya ang digunakan data sumber. Data uji
prediksi ketercapain nilai KKM siswa. merupakan data yang akan diujikan atau data yang
akan dicoba pada sistem. Data yang sudah selesai
Hasil pembersihan data atau cleaning data dapat melalui tahap seleksi data digunakan kemudian
dilihat pada tabel 7. akan di bagi menjadi data latih dan data uji dengan
proporsi pembagian sebesar 75% dari data
Tabel 7. Hasil Pembersihan data
19
JUSIKOM PRIMA (Junal Sistem Informasi Ilmu Komputer Prima)
Vol. 2 No. 1, Juli 2018 e-ISSN : 2580-2879
keseluruhan sebagai daa latih dan 25% dari data melakukan perhitungan dengan 3 keluaran, yaitu:
keseluruhan sebagai data uji. recall, precision dan acuraccy
1. Recall adalah proporsi kasus positif yang
2.2.6 Pembahasan diidentifikasi dengan benar. Rumus dari recall =
Dalam tahap ini peneliti melakukan pengujian TP/(TP+FN)
dengan menggunakan data 2 tahun pelajaran dari 2. Precision adalah proporsi kasus dengan hasil
tahun 2015/2016 sampai 2016/2017 dengan positif yang benar. Rumus dar Precision =
menggunakan rincian data sebagai berikut: TP/(TP+FP)
3. Accuracy adalah perbandingan kasus yang
Data keseluruhan dalam 2 tahun ajaran 2015/2016 diidentifikasi benar dengan jumlah semua kasus
sampai 2016/2017 sebanyak 645recorddata siswa. Rumus dari accuracy=
Dengan atrbut yang telah ditentukan. Oleh peneliti (TP+TN)/(TP+TN+FP+FN).
dalam melakukan prediski keercpaian nilai KKM Pada tahap inimelakukan pengujian terhadap
siswa. sistem yang dibangun. Pada tahap ini akan menguji
sistem menggunakan metode pengujian Confusion
Dari data yang ada beberapa data yang tidak Matrix. Pengujian dilakukan agar sistem tersebut
memiliki data yang lengkap atau missing value layak untuk digunakan dalam memprediksi
sebanyak 15 record data siswa ketercapain nilai KKM siswa. Adapun rincian
pengujian adalah terlihat pada tabel 5.
Setelah data yang didapatkan yang digunakan maka
tahap selanjutnya melakukan integrasi data atau Rumus perhitungan Confusion Matrix terlihat pada
penggabungan data yang akan digunakan atau daya tabel 5.
yang sudah melalui pembersihan data. Data yang
akan digunakan sebanyak 630 record.
20
JUSIKOM PRIMA (Junal Sistem Informasi Ilmu Komputer Prima)
Vol. 2 No. 1, Juli 2018 e-ISSN : 2580-2879
Maka untuk menetukan hasil akhir dari data baru c. Menghitung P(X|Ci)*P(Ci ) :
yang diatas maka perhitungan dilakukan secara jelas P(X|keterangan =”Tercapai”) *
dan mudah dipahami sebagai berikut: P(level=“Tercapai”) = 0.87 x 0.8308244=
a. Menghitung P(Ci) 0.722817228
460
P(Keterangan=’Tercapai’) = = 0,87 P(X|keterangan =“Tidak Tercapai”) *
473
P(level=“Tidak Tercapai”)= 0.02 x0.0.000672=
13
P(Keterangan=’Tidak Tercapai’) = = 0,02 0.0001344
473
21
JUSIKOM PRIMA (Junal Sistem Informasi Ilmu Komputer Prima)
Vol. 2 No. 1, Juli 2018 e-ISSN : 2580-2879
[2]. Peraturan Menteri Pendidikan Nasional Nomor [12]. R. R. Patil, "Heart Disease Prediction System
14 tahun 2008 tentang Organisasi dan Tata using Naive Bayes and Jelinek-Mercer
Kerja Direktorat Jenderal Manajemen Smoothing," International Journal of
Pendidikan Dasar dan Menengah Advanced Research in Computer and
Departemen Pendidikan Nasional. Jakarta: Communication Engineering, vol. 3, no. 5,
Direktorat Jenderal Manajemen Pendidikan ISSN (Online): 2278-1021, ISSN (Print):
Dasar dan Menengah. 2319-5940, pp. 6787-6789, 2014.
22