Skripsi - 11182554 - Liya Desty Ramandha - Revisi OK
Skripsi - 11182554 - Liya Desty Ramandha - Revisi OK
SKRIPSI
Diajukan untuk memenuhi salah satu syarat kelulusan Program Sarjana
Puji syukur kepada Allah SWT yang maha pengasih lagi maha penyayang, Skripsi ini
1. Orang Tua tercinta yang telah membesarkan, mendidik saya, serta selalu
memberikan dukungan dan doa yang tak pernah putus hingga saat ini.
menyelesaikan skripsi.
Especially, terima kasih untuk diri saya sendiri sudah berjuang hingga saat ini dengan
berbagai macam struggle yang dialami pada saat penyusunan skripsi berlangsung.
i
PEDOMAN PENGGUNAAN HAK CIPTA
v
ABSTRAK
vi
ABSTRACT
In the world of education in an era that is growing rapidly at this time a student is
required to have high potential by utilizing various kinds of existing technology.
Pondok Pesantren Qotrun Nada is still difficult to determine which students excel
every year. Achievement students here are seen from several assessment criteria, not
only from the UTS and UAS scores. The purpose of this study was to find
outstanding and non-achieving students with the attributes used, namely Knowledge
Value, Skill Value, Morals, Extracurricular, and Attendance. Data mining is a
process that is carried out to analyze data until a pattern is found from the data set.
This research case study was conducted on 185 data using the three methods as many
as 156 students with "achievement" and 29 students with "no achievement". By using
the Classification method, the accuracy of the Decision Tree C.45 algorithm is
92.97%, K-Nearest Neighbor is 84.32% and Naive Bayes is 100%. So that the best
comparative results are found in determining outstanding students, namely the Naive
Bayes algorithm with the highest accuracy value.
Keyword: Student Achievement, Data Mining, Naive Bayes
vi
DAFTAR ISI
PERSEMBAHAN..........................................................................................................i
SURAT PERNYATAAN KEASLIAN SKRIPSI........................................................ii
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH.........................iii
PERSETUJUAN DAN PENGESAHAN SKRIPSI.....................................................iv
PEDOMAN PENGGUNAAN HAK CIPTA................................................................v
KATA PENGANTAR.................................................................................................vi
ABSTRAK..................................................................................................................vii
DAFTAR ISI...............................................................................................................ix
DAFTAR GAMBAR...................................................................................................xi
DAFTAR TABEL......................................................................................................xii
DAFTAR LAMPIRAN.............................................................................................xiii
BAB I PENDAHULUAN.............................................................................................1
1.1 Latar Belakang Masalah.........................................................................................1
1.2 Identifikasi Masalah..............................................................................................4
1.3 Maksud dan Tujuan...............................................................................................4
1.4 Metode Penelitian..................................................................................................5
1.5 Ruang Lingkup......................................................................................................6
1.6 Hipotesa.................................................................................................................6
BAB II LANDASAN TEORI.......................................................................................7
2.1 Tinjauan Pustaka....................................................................................................7
2.1.1. Pengertian Data Mining.............................................................................7
2.1.2. Pengelompokkan Data Mining..................................................................7
2.1.3. Algoritma C.45..........................................................................................7
2.1.4. Algoritma K-Nearest Neighbor.................................................................8
2.1.5. Algoritma Naive Bayes.............................................................................8
2.2 Penelitian Terkait...................................................................................................8
2.3 Tujuan Organisasi/ Objek Penelitian...................................................................10
BAB III METODOLOGI PENELITIAN...................................................................18
3.1 Tahapan Penelitian...............................................................................................18
3.2 Instrument Penelitian...........................................................................................18
3.3 Metode Pengumpulan Data, Populasi dan Sample Penelitian.............................19
ix
3.3.1. Teknik Pengumpulan Data.......................................................................19
3.3.2. Populasi....................................................................................................20
3.3.3. Sampel Penelitian.....................................................................................20
3.4 Metode Analisis Data..........................................................................................21
3.4.1. Pengolahan Data dengan Perhitungan Algoritma Decision C.45, K-
Nearest Neighbor dan Naive Bayes.........................................................23
3.4.2. Implementasi Algoritma C. 45, K-Nearest Neighbor dan Naive
Bayes........................................................................................................24
BAB IV HASIL PENELITIAN DAN PEMBAHASAN............................................25
4.1 Hasil Penelitian....................................................................................................25
4.1.1 Business Understanding...........................................................................25
4.1.2 Data Understanding..................................................................................25
4.1.3 Data Preparation.......................................................................................27
4.1.4 Modelling.................................................................................................28
4.1.4.1 Decision Tree.................................................................................28
4.1.4.2 K-Nearest Neighbor......................................................................30
4.1.4.3 Naive Bayes....................................................................................30
4.1.5 Evaluation.................................................................................................32
4.2. Hasil.....................................................................................................................37
4.2.1 Uji Beda....................................................................................................39
4.2.2 Deployment..............................................................................................41
BAB V PENUTUP.....................................................................................................42
5.1 Kesimpulan..........................................................................................................42
5.2 Saran....................................................................................................................42
DAFTAR PUSTAKA.................................................................................................43
DAFTAR RIWAYAT HIDUP...................................................................................44
LEMBAR BIMBINGAN SKRIPSI............................................................................45
SURAT KETERANGAN RISET...............................................................................46
LAMPIRAN................................................................................................................47
x
DAFTAR GAMBAR
xi
DAFTAR TABEL
xi
DAFTAR LAMPIRAN
xi
BAB I
PENDAHULUAN
kecerdasan, akhlak, serta potensi diri yang ada dalam diri siswa/siswi di sekolah
perlu diperhatikan. Sekolah yang memiliki daya saing tinggi selalu menggunakan
penilaian demi mensukseskan strategi bisnis suatu sekolah tersebut. Setiap sekolah
selalu menyusun strategi bisnis yang disesuaikan dari berbagai macam aspek agar
tercapai akreditasi yang baik untuk mendapatkan calon peserta didik baru pada tiap
tahunnya. Pondok Pesantren Qotrun Nada yang berlokasi di Jl. Qotrun Nada No. 1
Cipayung Jaya, Kec. Cipayung, Kota Depok, Jawa Barat terdapat sekolah tingkat
menengah yang biasa disebut dengan Madrasah Ttsanawiyah Swasta (MTS) dan
tingkat atas yaitu Madrasah Aliyah (MA). Pondok Pesantren Qotrun Nada
mempunyai kapasitas kelas yang cukup besar, halaman yang luas, laboratorium
komputer dengan alat yang cukup lengkap, Unit Kesehatan Siswa (UKS), serta
lapangan luas yang biasa digunakan untuk berbagai macam kegiatan seperti Maulid
Nabi Besar Muhammad SAW, upacara bendera, perlombaan antar siswa-siswi dan
lain sebagainya. Jumlah guru dan staff sudah dapat dibilang cukup sehingga
pelayanan dalam hal administrasi, ajar mengajar pun tercipta dengan baik.
Kebanyakan dari setiap kalangan alumni pondok pesantren ini ditugaskan untuk
mengabdi oleh pihak pondok dengan mengajar siswa/siswi yang baru menjadi peserta
1
sektor pendidikan.
1
2
Sehingga tiap sekolah pasti memiliki target yang ingin dicapai agar kualitas sekolah
tersebut dapat berkembang dari tahun ke tahun. Secara umum prestasi siswa
kebanyakan hanya dinilai dari mata pelajaran saja, baik teori maupun praktik, nilai
UTS dan UAS. Dengan banyaknya data siswa hingga saat ini Pondok Pesantren
Qotrun Nada pihak guru maupun sekolah seringkali mengalami kendala dalam
menentukan siswa berprestasi. Dengan adanya data mining peneliti dapat dengan
mudah mengolah data siswa yang begitu banyak pada siswa kelas 9 Pondok
beberapa kasus dengan tujuan untuk membentuk sebuah rule terhadap suatu data.
Dalam klasifikasi algoritma yang sangat terkenal saat ini yaitu Naive Bayes dan
C.45. Naive Bayes merupakan algoritma klasifikasi yang memiliki rumus paling
sederhana dan mudah untuk diimplementasikan. [1] Penelitian lain oleh N. Sagala
and H Tampubolon, dalam penelitian ini bertujuan untuk menerapkan dan melakukan
proses analisa kinerja algoritma data mining yang digunakan untuk memprediksi
pengguna alkohol dan menganalisa beberapa faktor terkait pada siswa SMP. Hasil
Naive Bayes dengan nilai akurasi tertinggi pada 5 fitur terbaik dari Gain Ratio.
Pengujian lebih spesifik pada data yang sama maupun berbeda perlu dilakukan agar
dapat gambaran yang lebih detail mengenai kinerja dari algoritma yang digunakan.
[2] Daniel Swanjay dan Abidatul Izzah, dalam penelitian ini digunakan untuk
memprediksi preferensi dan bakat kerja siswa menggunakan pohon keputusan. Data
yang digunakan dalam artikel ini adalah data nilai 8 mata kuliah wajib dari 42 alumni
karyawan, dan kontraktor. Hasil penilaian kategoris ini menunjukkan nilai AUC
lebih besar dari 0,9 untuk setiap pekerjaan. [3] Studi lain oleh S. Bahri, D.M,
Midyanti, and
dengan algoritma Naive Bayes. Lalu ditemukan hasil dari akurasi yang didapat pada
algoritma Decision Tree C.45 senilai 90% dan untuk algoritma Naive Bayes senilai
89,58%. Dan dapat disimpulkan bahwa akurasi terbaik pada penelitian tersebut
berada pada algoritma Decision Tree C.45. [4] Penelitian juga dilakukan oleh M.A.
Fahmiin and
dalam memproduksi insulin yang cukup. Penyakit diabetes yang sudah terkomplikasi
dapat menyebabkan serangan jantung dan stroke. Cara untuk melakukan peningkatan
pada akurasi metode klasifikasi adalah penggunaan pemilihan fitur. Dalam pemilihan
fitur merupakan suatu teknik sebelum dilakukannya pengolahan yang sangat penting
dilakukan untuk memilih fitur-fitur yang berpengaruh pada suatu dataset. [5]
Decision Tree C.45, K-Nearest Neighbor dan Naive Bayes dalam Penentuan
lain algoritma Decission Tree C4.5, K-Nearest Neighbor dan Naïve Bayes, tiga
metode yang digunakan untuk menentukan model Siswa Berprestasi dan Tidak
Pondok Pesantren Qotrun Nada namun, untuk studi kasus yang termasuk dalam
penelitian ini, sangat sedikit analisis yang dilakukan. Memang, hasil klasifikasi
termasuk variabel standar yang jarang dieksploitasi, dan rekomendasi akan dibuat
melalui template atau model yang ada. Kajian ini dilakukan karena adanya kesulitan
1. Pondok Pesantren Qotrun Nada kesulitan menentukan kriteria apa saja yang
menentukan siswa terbaik di kelas 9 yang akan lulus nantinya pada tahun
2022 ini.
algoritma pada metode klasifikasi yaitu Decision Tree, K-Neighbor dan Naive Bayes.
Selain itu tujuan dari penulisan ini adalah sebagai salah satu syarat kelulusan
program studi Strata Satu (S1) program studi Sistem Informasi pada Universitas
Nusa Mandiri.
5
A. Observasi
khususnya kelas 9, nilai yang diperoleh setiap harinya, serta mengamati beberapa
aspek yang mengandung potensi tiap siswa/siswi akan bisa menjadi bahan penulis
B. Wawancara
Laila Anjani, S.Pd, Ustzh. Iim Himmayah, Ustzh. Zonia Aprillia, Ustzh. Alfiyah,
S.Pd, Ust. Miftah Abdul Latif, S.Pd, dan Ust. Iqbal Fikri Maulana, S.Pd. Poin dari
pertanyaan berfokus mengenai profil dari Pondok Pesantren Qotrun Nada dan
penilaian siswa yang penulis gunakan sebagai bahan dalam menentukan siswa
berprestasi.
C. Studi Pustaka
kuantitatif, yaitu dengan data yang didapat nantinya akan diolah menggunakan
sistem. Penelitian kuantitatif ini memerlukan data nilai siswa dari berbagai aspek
Nearest Neighbor dan Naive Bayes yang nantinya akan dihitung menggunakan
penerapan dari 3 metode classification Decision Tree C.45, K-Nearest Neighbor dan
Naive Bayes metode tersebut digunakan untuk membandingkan nilai akurasi terbaik
dalam menentukan siswa terbaik pada Pondok Pesantren Qotrun Nada kelas 9
1.6 Hipotesa
Analisa siswa berprestasi Pesantren Qotrun Nada menggunakan Implementasi
Qotrun Nada.
BAB II
LANDASAN TEORI
tertentu yang bertujuan untuk menemukan pola atau informasi yang menarik dalam
data yang dipilih. Data mining dikelompokkan menjadi beberapa model yaitu: Model
tersebut untuk memberikan nilai target pada himpunan baru yang didapat.
2. Analisis Kelompok
3. Analisis Asosiasi
4. Deteksi Anomaly
Mengamati suatu data dari suatu dataset yang secara signifikan memiliki
mining yang dapat digunakan untuk memukan pola berharga dari suatu kasus yang
7
8
diperpanjang kebawah dari simpul akar sampai berakhir di node daun. [7]
melakukan pengklasifikasian pada data yang memiliki kemiripan antara data uji dan
yang didasarkan pada analogi, yaitu membandingkan data uji dengan data pelatihan
yang berada dekat dengan dan memiliki kemiripan dengan data uji tersebut. [7]
[2] Dalam hal ini penulis menggunakan algoritma Naive Bayes dalam melakukan
prediksi terhadap prestasi siswa di Pondok Pesantren Qotrun Nada dengan tujuan
Proses harus dilakukan dengan memastikan bahwa pihak penerima memang layak
perbandingan kinerja dengan menggunakan algoritma C.45 dan Naive Bayes yang
bertujuan untuk mengukur tingkat akurasi dan lama waktu proses (execution time)
algoritma terbaik yang nantinya akan diterapkan oleh pihak Perguruan Tinggi
dalam
9
kedua algoritma pada jurnal ini menunjukkan model algoritma C.45 yang
mempunyai kinerja lebih baik dengan tingkat akurasi sebesar 96,4% sedangkan
Penyakit jantung merupakan nama lain dari semua jenis gangguan yang terjadi
beberapa algoritma klasifikasi yaitu Decision Tree C.45, Naive Bayes, K-Nearest
Neighbor, Random Forest, dan Decision Stump menggunakan uji t-test agar
menghasilkan perbandingan yang lebih baik dari sebuah dataset laki-laki pengidap
Penyakit Jantung. Dataset sebanyak 8 atribut yang terdiri dari data nominal serta
metode 10- fold cross validation yang dapat membagi dataset menjadi 2 bagian
yaitu data latih dan data uji. Hasil penelitian yang didapat yaitu nilai akurasi
sebesar 80.38% berada pada algoritma random forest dan decision stump
Persaingan dalam meningkatkan minat tiap orang tua untuk pendidikan anaknya di
sekolah swasta sangat tinggi. Tiap sekolah pasti dilakukan kegiatan berupa
mengadakan beberapa diskon yang akan diberikan. Untuk mengatasi hal tersebut
dalam penerimaan siswa baru diperlukan sebuah metode yng digunakan untuk
mencari
1
metode algoritma, yaitu C.45, K-Nearest Neighbor dan Naive Bayes. Dengan
harapan pada ketiga metode ini sekolah dapat menaikkan jumlah peserta didik
baru yang dapat membantu pekerjaan tim promosi dan pimpinan dalam
menentukan prioritas tindakan yang dilakukan. Hasil dari penelitian ini didapatkan
nilai accuracy pada algoritma C.45 sebesar 79,50%, nilai accuracy pada algoritma
Naive Bayes sebesar 86,50% serta accuracy pada algoritma K-Nearesr Neighbor
sebesar 80,00%. Dapat dibandingkan nilai accuracy tertinggi sebesar 86,50% yang
memang masih asing di telinga kita untuk nama sebuah lembaga keagamaan atau
pondok pesantren karena memang terkesan unik dan aneh akan tetapi ini adalah
kenyataan yang tak dapat dipungkiri lagi bahwa Qotrun Nada adalah nama sebuah
Cipayung Kota Depok Jawa Barat. Meskipun terletak di daerah yang agak terdalam
dan berada persis di tepi sungai namun tidak meruntuhkan niat para santri untuk
menuntut ilmu disini, dengan keyakinan yang kuat itulah yang membuat ratusan
santri berkumpul dalam sebuah wadah yang selalu dinantikan hasilnya. Meskipun
mereka terdiri dari keberanekaragaman daerah, adat, dan budaya seperti dari daerah
Jawa, Sunda, Betawi bahkan ada juga yang berasal dari Aceh dan Jambi, namun
mereka semua dengan teguh memegang prinsip “Bhineeka Tunggal Ika” sampai
mereka akhirnya bersatu dalam kesatuan yang kokoh bak sebuah bangunan yang
Awalnya Qotrun Nada hanyalah sebuah Majlis Ta’lim kecil yang hanya
tanpa disangka lambat laun akhirnya Majlis Taklim ini semakin diminati oleh
masyarakat Cipayung dan sekitarnya, sampai akhirnya atas dorongan dan keyakinan
yang kuat maka pada tahun 1995 mulailah diadakan penerapan pendidikan islam
yang dikembangkan melalui pengajian kitab pada luar jam sekolah atau pada bahasa
masyarakat cipayung adalah santri kalong. Santri kalong adalah santri yang pada saat
itu mengikuti kegiatan pengajian kitab salafi pada waktu-waktu tertentu dan setelah
Dikarenakan peminat santri kalong semakin banyak dan permintaan dari para
wali santri agar pengajian yang selama ini diadakan agar lebih dimaksimalkan lagi,
maka pada saat itulah para santri diwajibkan untuk bermukim di majlis ta’lim, khusus
dikediaman orang tua sang kyai, yaitu al-walid H. Marzuki karena pada waktu itu
belum tersedia tempat yang memadai untuk dijadikan tempat bemukim bagi para
santri.
Hari berganti hari, minggu berganti minggu, bulan berganti bulan, dan tahun
berganti tahun. Seiring dengan dukungan para masyarakat maka tepat pada tanggal
seluas 1500 M dan sejak itu pula majlis ta’lim tersebut dinamai oleh salah seorang
kyai yang merupakan guru dari sang pimpinan yang bernama KH. Ahmad Zaini
dengan nama “Qotrun Nada” yang memiliki arti “Tetesan Embun Pagi”, dengan
nama Qotrun Nada- lah kami selalu berharap bahwa nantinya santri kami akan
menjadi generasi penerus yang memiliki pemikiran Kreatif, Inovatif, serta Positif dan
dengan landasan yang berdasarkan atas Al Qur’an dan Hadits, seperti halnya tetesan
Allah turunkan dari langit yang membawa pencerahan untuk alam disekelilingnya.
Dan akhirnya tepat pada tahun 1997 dimulai secara resmi penerimaan santri
baru dengan jumlah santri yang pada saat itu berjumlah 52 orang itu pun belum
walaupun terkesan begitu miris namun inilah yang dapat kami sampaikan sangat apa
berjalannya waktu, Pondok Pesantren Qotrun Nada terus berkembang hingga detik
ini atas do’a para kaum muslimin sekalian dan hingga saat ini pula kami telah
Qotrun Nada (The Family Fathors) yang terdiri dari: KH. Drs. Burhanuddin Marzuki,
Ust. Syamwari, Ust. Achyanuddin Syakier. Secara perlahan-lahan dan dengan penuh
kesabaran diiringi dengan dedikasi yang tinggi Beliau telah berhasil mengembangkan
Pondok Pesantren Qotrun Nada menjadi suatu lembaga pendidikan keagamaan yang
oleh Pondok Pesantren Qotrun Nada adalah program terpadu yaitu panduan belajar
selama enam tahun yang meliputi Madrasah Tsanawiyah (MTs) dan Madrasah
Aliyah (MA). Namun Pondok Pesantren Qotrun Nada ini juga membuka program
dengan Aliyah yaitu hanya tiga tahun bagi para lulusan Madrasahy Tsanawiyah
(MTs) atau SLTP yang ingin melanjutkan studinya di Pondok Pesantren Qotrun Nada
ini.
dari disiplin waktu sampai dengan disiplin akan peraturan yang telah ditetapkan. Dan
Qotrun Nada sendiri terdiri dari berbagai macam organisasi, baik organisasi dalam
lingkup yang besar (Majlis Guru) maupun yang masih dalam lingkup yang masih
1
banyaknya prestasi saja, tapi juga jasa dari pengasuh dan pimpinan yang senantiasa
dapat mengenal lebih dekat tentang apa itu sebuah pondok pesantren dan bagaimana
cara memilih pondok pesantren yang benar sehingga tidak menimbulkan kesalahan
nantinya. Selain itu juga ada kegiatan akhir tahun yang dilaksanakan oleh para calon
alumni setelah mereka mengikuti Ujian Akhir (UN) yaitu kegiatan pembelajaran atau
yang biasa kami sebut dengan PPM (Praktek Pengabdian Masyarakat) hasil dari
masyarakat yang menjadi tuan rumah dari kegiatan tersebut dan Alhamdulillah
semuanya yang dilakukan oleh para santri kami semuanya dapat mereka terima dan
baik.
Misi
1. Menciptakan generasi yang berakhlakul karimah.
Motto
1. Berakhlakul karimah.
2. Berbadan sehat.
3. Berpengetahuan luas.
4. Berpikiran bebas.
1
Struktur Organisasi
3. Sekretaris dan Staff, fungsi menyusun agenda pendidikan yang berkaitan dengan
4. Bendahara dan Staff, fungsi menyusun rencana anggaran dan pendapatan PPQN,
10. Koordinator UPZ dan Kalender, fungsi bertanggung jawab atas keseluruhan
13. Panitia Ujian, fungsi bertanggung jawab atas seluruh evaluasi penilaian dari
14. Panitia Penerimaan Santri Baru, fungsi bertanggung jawab atas seluruh kegiatan
1
15. Panitia Akhir Sanah, fungsi bertanggung jawab atas seluruh kegiatan santri akhir
16. Panitia Harlah & Maulid, Qurban (Idul Adha), fungsi bertanggung jawab atas
17. Wali-Wali Kelas, fungsi bertanggung jawab atas seluruh kegiatan santri mulai
dari menyusun kegiatan KBM, penanggung jawab bimbingan dan santri terkait
METODOLOGI PENELITIAN
berjalannya penelitian secara garis besar. Untuk kegiatan penelitian yang dilakukan
18
1
Ms. Excel untuk menghitung secara manual dan menggunakan aplikasi RapidMiner
untuk pemrosesan pengujian ketiga metode klasifikasi C.45, K-NN dan Naive Bayes
instrumen utama ialah peneliti sendiri sebab peneliti langsung terjun ke lapangan
guna mengambil data maupun informasi primer yang dibutuhkan dengan melakukan
observasi. Informasi yang diambil adalah informasi nilai, kegiatan pada siswa kelas 9
Pesantren Qotrun Nada Tahun Ajaran 2021/2022 Semester 5. Adapun software dan
1. Hardware
a. Windows 10
c. RAM 4 GB
d. 1 TB
2. Software
d. Software RapidMiner
2
lakukan.
1. Wawancara
dilakukan oleh para siswa/siswi di Pesantren Qotrun Nada tingkat MTS kelas 9,
setiap siswa/siswi, cara siswa memperoleh nilai, serta mengamati beberapa aspek
yang menunjukkan siswa/siswi yang berpotensi akan bisa menjadi bahan penulis
2. Observasi
langsung pada objek yang diteliti untuk memperoleh data-data yang diperlukan
3. Studi Pustaka
dengan topik yang sedang diteliti serta digunakan untuk menyusun landasan teori
3.3.2. Populasi
Populasi merupakan sekumpulan data yang masing-masing mempunyai
karakteristik tertentu untuk diteliti. Populasi dalam penelitian ini yaitu data nilai
siswa
2
kelas 9 tingkat MTs Pondok Pesantren Qotrun Nada yang berlokasi di Cipayung,
populasi tersebut. Sampel data yang dipakai pada penelitian ini sejumlah 185 data
1. Business Understanding
Pada tahap ini dimulai kerangka penelitian, tujuan dari instansi yang terlibat,
data yang akan digunakan, durasi pelaksanaan dan hasil yang ingin dicapai. Pada
tahap ini, struktur kerja pihak manajemen juga diproses dan ditentukan.
mahasiswa, terlihat bahwa jumlah data yang tercatat sebanyak 219 data sesuai
dengan jumlah mahasiswa baru, dimana 139 merupakan data universitas, fokus
mahasiswa dan 80 mahasiswa. Data tersebut akan diolah dan diubah menjadi
model untuk menentukan tipe model orientasi minat siswa. Kemudian, data tersebut
akan diolah untuk mencari akurasi dan nilai AUC dari algoritma yang dipilih. Hal
2
ini dilakukan dengan menggunakan teknik klasifikasi dari Model Decision Tree
2. Data Understanding
Pada tahap ini menentukan data yang akan diperoleh dan juga mengumpulkan
Mitra Karya Mandiri khususnya mahasiswa baru tahun ajaran 2017/2018 sebagai
subjek penelitian.
3. Data Preparation
Pada titik ini, data yang diperoleh di atas mulai didekomposisi, data dibagi
menjadi label dan atribut yang telah ditentukan, dan data yang tidak perlu
dihilangkan untuk dianalisis, sehingga hasil data tersedia, siap untuk dianalisis.
4. Modelling
Pada titik ini, algoritma yang digunakan ditentukan dan analisis data dilakukan
Tree C4.5, Naïve Bayes dan K-Nearest Neighbor digunakan sebagai ukuran
5. Evaluation
Pada tahap ini, hasil analisis yang dilakukan akan diperiksa dan diperbaiki jika
ditemukan kesalahan dalam penggunaan data atau algoritma. Pada tahap ini, kami
6. Deployment
Pada tahap ini akan dilakukan uji kompatibilitas antara hasil yang diberikan
oleh algoritma berbasis Rapidminer dengan hasil yang diberikan oleh MS. Excel
berdasarkan aturan algoritma yang dipilih, kemudian hasil pencarian akan dikirim
ke pihak/instansi.
2
sebagai berikut:
1. Pilih atribut sebagai akar, sebelum menentukan akar dihitung terlebih dahulu
4. Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang
berikut:
2. Lalu hitung jarak data baru ke masing-masing data tiap point di dataset.
3. Ambil sejumlah k data dengan jarak data terdekat, kemudian tentukan kelas
Nearest Neighbor dan Naive Bayes didapatkan, untuk lebih akurat digunakan aplikasi
RapidMiner dengan metode menginput tabel tabular ke dalam Ms. Excel yang setelah
penelitian ini guna mencari tahu siswa tingkat MTs mana yang Berprestasi dan Tidak
tahapan pertama ini kami membuat beberapa pertanyaan dengan jawaban sebagai
berikut:
a. Tujuan dari penelitian ini yaitu untuk mencari nilai akurasi terbaik dengan
b. Pondok Pesantren Qotrun Nada belum menemukan metode yang baik digunakan
kedua ini kami meneliti siswa berprestasi dilakukan pada kelas 9 Semester 5 Tahun
untuk
25
2
digunakan pada tahap selanjutnya, yaitu tahap Data Preparation. Berikut langkah-
ini peneliti melakukan cleaning dan pembersihan data sehingga didapatkan dataset
yang siap diolah pada tahap berikutnya yaitu modeling. Tahapan ini dilakukan
mengolah data. Data hasil cleaning terdiri dari 7 atribut dan 1 buah label. Adapun
pembagian atribut dan label dapat dilihat pada tabel IV.2 dibawah ini.
Dari data yang ada dan diolah berdasarkan atribut dan label serta
dibersihkannya data dari variable-variabel yang tidak diperlukan, maka dataset yang
4.1.4 Modelling
Tahapan IV dari CRISP-DM adalah Modelling. Pada tahapan ini, dataset yang
telah dibuat pada tahap sebelumnya digunakan sebagai masukan untuk algoritma
klasifikasi. Pada penelitian ini akan digunakan tiga jenis algoritma, yaitu, Decision
Tree C4.5, K-Nearest Neighbor dan Naïve Bayes. Adapun untuk Analisa dan
Decision Tree C4.5 ini yaitu ingin mendapatkan rule yang akan dimanfaatkan untuk
pengambilan data keputusan yang baru. Rule ini akan didapat berdasarkan dari model
Dari hasil proses Decision Tree tersebut akan menghasilkan suatu model pohon
keputusan yang dihasilkan oleh Rapidminer seperti terlihat pada gambar IV.2
dibawah ini.
Selain menghasilkan pohon keputusan dalam bentuk grafik, model ini juga
menampilkan uraian dari gambar tersebut kedalam bentuk deskripsi rule seperti yang
sebagai berikut.
atribut dan 1 buah label menghasilkan 2 buah kelas yaitu kelas Berprestasi dan Tidak
Beprestasi.
hipotesis untuk masing-masing Kelas P(H). Hipotesis yang ada yaitu siswa
Berprestasi dan Tidak Berprestasi. Dataset yang digunakan sama seperti pengujian
algortima Decision Tree C4.5, dengan total data yaitu 185 data nilai siswa dengan
156 siswa Berprestasi dan 29 siswa Tidak Berprestasi perhitungan probabilitas yaitu
seperti
3
dibawah ini:
Proses penggunaan RapidMiner untuk algoritma Naive Bayes dapat dilihat pada
Lalu dari proses ini didapat simple distribution yang digambarkan pada
4.1.5 Evaluation
Tahap kelima dari CRISP-DM adalah evaluation. Evaluasi bertujuan untuk
menentukan nilai guna dari tiap-tiap model yang telah berhasil peneliti buat pada
validation agar dapat menghasilkan nilai accuracy dan nilai Area Under Curve
bagian yang sama rata. 9 bagian kemudian di-training sedangkan yang 1 bagian
lainnya digunakan untuk testing. Proses ini dilakukan perulangan sebanyak 10 kali
untuk setiap bagian, sehingga setiap bagian dari kesepuluh bagian pernah menjadi
data untuk testing. Operator Cross Validation melakukan proses 10-fold cross
validation ini untuk ketiga algoritma yang digunakan. Untuk setiap percobaan akan
dihitung akurasinya. Akurasi akhir yang menjadi nilai rata-rata dari akurasi sepuluh
percobaan tersebut.
Adapun desain penggunaan 10- fold cross validation dapat dilihat pada gambar
Validation C4.5 yang terdapat pada gambar IV.8. Algoritma Decision Tree C4.5
Validation k-NN yang terdapat pada gambar IV.8. Algoritma k-NN digunakan untuk
Dari hasil proses yang ada pada gambar IV.8 menghasilkan nilai akurasi dan
AUC dari ketiga algoritma yang dibandingkan tersebut. Adapun hasil-hasilnya dapat
bagian akurasi adalah sebesar 92,97%. Hal ini ditampilkan pada gambar IV.12
dibawah ini.
Pada gambar IV.12 confusion matrix decision tree menghasilkan nilai accuracy
sebesar 92,97% dan dari Gambar IV.12 mendapatkan prediksi sebagai berikut:
Untuk nilai AUC Decision Tree C4.5 berdasarkan hasil proses gambar IV.8
adalah sebesar 0.890. Hal ini ditampilkan pada gambar IV.13 dibawah ini.
bagian akurasi adalah sebesar 84,32%. Hal ini ditampilkan pada gambar IV.14
dibawah ini.
sebesar 84,32% dan dari Gambar IV.14 mendapatkan prediksi sebagai berikut:
3
Untuk nilai AUC K-Nearest Neighbor berdasarkan hasil proses gambar IV.8
adalah sebesar 0.748. Hal ini ditampilkan pada gambar IV.15 dibawah ini.
Sumber: Ramandha,
2022 Gambar IV. 15 Hasil AUC K-Nearest
Neighbor
akurasi adalah sebesar 100%. Hal ini ditampilkan pada gambar IV.16 dibawah ini.
Pada Gambar IV.16 confusion matrix decision tree menghasilkan nilai accuracy
sebesar 100% dan dari gambar IV.16 mendapatkan prediksi sebagai berikut:
Untuk nilai AUC Naïve Bayes berdasarkan hasil proses gambar IV.8 adalah
sebesar 1.000. Hal ini ditampilkan pada gambar IV.17 dibawah ini.
4.2. Hasil
Berdasarkan pada gambar IV.12, gambar IV.14 dan gambar IV.16 tentang
nilai confusion matrix Decision Tree C4.5, K-Nearest Neighbor dan Naïve Bayes
maka didapatkan nilai perbandingan dari tiap seperti pada tabel IV.4 tentang
K- Nearest Neighbor dan Naïve Bayes maka maka didapatkan nilai untuk
menghitung dari nilai accuracy, precision, dan recall yang bisa dilihat dari tabel IV.5
berikut.
dan Recall, maka nilai Accuracy Decision Tree C4.5 mendapatkan nilai akurasi
sebesar 92,97%, K-Nearest Neighbord mendapatkan nilai akurasi 84,32% dan Naïve
Setelah melalui proses 10-fold validation seperti yang diterapkan pada desain
gambar IV.8, maka dapat diperoleh hasil akurasi dan AUC dari masing-masing
algoritma yang digunakan. Nilai Akurasi dan AUC digunakan sebagai langkah awal
perhitungan nilai akurasi dan AUC untuk metode Decision Tree C4.5, K-Nearest
Pada sisi akurasi Tabel IV.6 menggambarkan bahwa hasil perbandingan nilai
akurasi, menunjukan bahwa algoritma Naive Bayes mendapatkan nilai tertinggi yaitu
100%, diikuti dengan Decision Tree C.45 sebesar 92,97%, dan K-NN dengan
84,32%. Dari ketiga algoritma yang diuji berdasarkan nilai akurasi maka didapatkan
bahwa algortima Naive Bayes memperoleh nilai terbaik dari sisi akurasinya.
AUC, menunjukan bahwa algoritma Naïve Bayes mendapatkan nilai tertinggi yaitu
1.000, diikuti dengan Decision Tree C4.5 dengan nilai 0,890 dan K-Nearest Neighbor
dengan nilai 0,748. Dari ketiga metode tersebut yang telah dibandingkan, Naive
antara (0.90-1.00), C.45 termasuk kategori Good Classification karena memiliki nilai
Naïve Bayes menunjukan hasil yang terbaik dari sisi AUC yaitu 1.000 dan dari sisi
akurasi mempunyai nilai terbaik yaitu 100%, namun pada penelitian ini yang
menggunakan perbandingan tiga buah algoritma tetap dilakukan uji beda. Uji beda
terhadap algoritma lainnya, oleh karena itu peneliti melakukan uji beda guna
4
mendapatkan algoritma terbaik dari ketiga algortima yang diuji. Ketiga algoritma
yang digunakan akan di uji dengan operator T-test dari Rapidminer sehingga dapat
menghasilkan penilaian tentang algoritma terbaik yang akan digunakan. Hal ini dapat
dilihat pada desain uji beda pada gambar IV.18 dibawah ini.
Dengan hasil pengujian T-Test didapat nilai accuracy sebesar 54,18% dengan prediksi
sebagai berikut:
4.2.2 Deployment
Deployment menerapkan hasil dari model yang didapatkan dari tahapan
siswa “Berprestasi” dan “Tidak Berprestasi” dengan mencari nilai akurasi terbaik dan
Naive Bayes.
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil pembahasan pada analisa siswa berprestasi, peneliti
melakukan komparasi ketiga metode yaitu Decision C.45, K-Nearest Neighbor dan
Naive Bayes. Ketiga algoritma ini termasuk ke dalam metode klasifikasi data mining
yang dapat dikatakan popular karena banyak digunakan oleh peneliti lainnya dalam
kasus mengklasifikasi data mining. Hasil yang peneliti peroleh dari komparasi
menggunakan tiga metode tersebut dan mendapatkan hasil dengan nilai accuracy
sebesar 92,97% dan AUC sebesar 0.890 pada algoritma Decision C.45, nilai
accuracy sebesar 84,32% dan AUC sebesar 0.748 pada algoritma K-Nearest
Neighbor dan nilai accuracy sebesar 100% dan AUC sebesar 1.000 pada algoritma
Naive Bayes. Pada ketiga metode tersebut peneliti mendapat hasil analisa siswa siswa
“Berprestasi” sebanyak 156 orang dan siswa “Tidak Berprestasi” sebanyak 29 orang
yang saat ini berada di kelas 9 tahun ajaran 2021/2022 Pondok Pesantren Qotrun
Nada. Maka dapat disimpulkan bahwa hasil data testing nilai siswa terbaik berada
pada algoritma Naïve Bayes karena diperoleh nilai accuracy dan AUC tertinggi.
5.2 Saran
Adapun saran yang didapat dari hasil penelitian ini di antaranya sebagai berikut:
mining.
4
DAFTAR PUSTAKA
[1] Y. I. Kurniawan, “Perbandingan Algoritma Naive Bayes dan C.45 dalam
Klasifikasi Data Mining,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 455,
2018, doi: 10.25126/jtiik.201854803.
[2] M. R. R. Saelan, D. A. Sahputra, W. Widiastuti, and W. Gata, “Komparasi
Algoritma Klasifikasi untuk Prediksi Minat Sekolah Tinggi Pelajar pada
Students Alcohol Consumption,” J. Sains dan Inform., vol. 6, no. 2, pp. 120–
129, 2020, doi: 10.34128/jsi.v6i2.236.
[3] M. R. Fahdia, D. Riana, F. Amsury, I. Saputra, and N. Ruhyana, “Komparasi
Algoritma Klasifikasi untuk Orientasi Minat Mahasiswa dalam Penuntasan
Studi,” JIRA J. Inov. dan Ris. Akad., vol. 2, no. 7, pp. 970–1007, 2021, doi:
10.47387/jira.v2i7.185.
[4] A. Prasatya, R. R. A. Siregar, and R. Arianto, “Penerapan Metode K-Means Dan
C4.5 Untuk Prediksi Penderita Diabetes,” Petir, vol. 13, no. 1, pp. 86–100, 2020,
doi: 10.33322/petir.v13i1.925.
[5] H. Hairani and M. Innuddin, “Kombinasi Metode Correlated Naive Bayes dan
Metode Seleksi Fitur Wrapper untuk Klasifikasi Data Kesehatan,” J. Tek.
Elektro, vol. 11, no. 2, pp. 50–55, 2020, doi: 10.15294/jte.v11i2.23693.
[6] Ainurrohmah, “Akurasi Algoritma Klasifikasi pada Software Rapidminer dan
Weka,” Prisma, vol. 4, pp. 493–499, 2021, [Online]. Available:
https://journal.unnes.ac.id/sju/index.php/prisma/.
[7] H. Harianto and D. Rosiyadi, “Komparasi Algortima C4.5, Naïve Bayes dan k-
Nearest Neighbor Sebagai Sistem Pendukung Keputusan Menaikkan Jumlah
Peserta Didik,” J. Inform., vol. 7, no. 1, pp. 55–61, 2020, doi:
10.31311/ji.v7i1.7250.
[8] C. Anam and H. B. Santoso, “Perbandingan Kinerja Algoritma C4.5 dan Naive
Bayes untuk Klasifikasi Penerima Beasiswa,” Energy - J. Ilm. Ilmu-Ilmu Tek.,
vol. 8, no. 1, pp. 13–19, 2018, [Online]. Available:
https://ejournal.upm.ac.id/index.php/energy/article/view/111.
[9] R. Annisa, “Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk
Prediksi Penderita Penyakit Jantung,” J. Tek. Inform. Kaputama, vol. 3, no. 1,
pp. 22–28, 2019, [Online]. Available:
https://jurnal.kaputama.ac.id/index.php/JTIK/article/view/141/156.
[10] F. N. Hasan, N. Hikmah, and D. Y. Utami, “Perbandingan Algoritma C4.5,
KNN, dan Naive Bayes untuk Penentuan Model Klasifikasi Penanggung jawab
BSI Entrepreneur Center,” J. Pilar Nusa Mandiri, vol. 14, no. 2, p. 169, 2018,
doi: 10.33480/pilar.v14i2.908.
4
LAMPIRAN
4
1920.7.587 3.1
29 Vira Nurlaili Rahma 6 (9.1) 81 84 81 81 88
1920.7.588 3.1
30 Zahra Salsabila 2 (9.1) 76 79 81 81 88
1920.7.588 3.1
31 85 86
Zulfa Shofiyah Zahrah 9 (9.1) 80 83 87
Alicia Ramadhani Annaba 1920.7.537 3.3
32 Putri 8 (9.2) 79 86 82 81 88
1920.7.538 3.3
33 91 81
Alifa Mutia Sidik 2 (9.2) 86 90 89
1920.7.538 3.3
34 Amanda Ramadhani 8 (9.2) 77 83 94 81 89
1920.7.542 3.3
35 Aulia Putri Hadayani Harahap 1 (9.2) 84 89 81 81 89
1920.7.542 3.3
36 86 86
Aulia Syafara 2 (9.2) 79 84 87
1920.7.544 3.3
37 Bunga Cahaya Media 1 (9.2) 83 87 85 81 87
1920.7.545 3.3
38 Dalisha Lulu Mumtazah 0 (9.2) 76 82 89 92 88
1920.7.546 3.3
39 Elok Suciati 82 86 83 81 89
4 (9.2)
1920.7.546 3.3
40 Emil Nur Ara Azzahra 6 (9.2) 81 86 91 81 88
1920.7.550 3.3
41 Flora Marsya 2 (9.2) 79 84 90 86 86
1920.7.550 3.3
42 Gita Shabilla 79 86 91 81 87
6 (9.2)
1920.7.553 3.3
43 Ilma Salsabila Mufidah 5 (9.2) 86 89 81 81 88
1920.7.556 3.3
44 Likenia Bilqis Syahida 7 (9.2) 80 84 85 81 87
1920.7.557 3.3
45 82 81
Maisya Syafina Putri 5 (9.2) 81 87 87
1920.7.558 3.3
46 Maulida Purnama Sari 2 (9.2) 80 85 91 81 87
1920.7.569 3.3
47 Mustika Adya Putri 9 (9.2) 85 90 91 81 88
1920.7.571 3.3
48 83 81
Nabillah Astry Rusmadi 1 (9.2) 81 85 89
1920.7.571 3.3
49 Nadya Ayu Safitri 9 (9.2) 80 85 83 81 90
1920.7.572 3.3
50 Najma Afida Najih 7 (9.2) 80 85 83 81 87
1920.7.573 3.3
51 91 81
Nasywa Kusuma Salsabila 2 (9.2) 81 86 89
1920.7.574 3.3
52 Nazwa Sopandi 6 (9.2) 80 84 86 85 88
1920.7.575 3.3
53 Nuria Khalisa 6 (9.2) 87 90 95 81 88
1920.7.575 3.3
54 81 81
Nurul Azalia 9 (9.2) 84 89 88
1920.7.576 3.3
55 Putri Nadhifa Ramadhani 5 (9.2) 79 85 86 87 88
Risma Azmi Al Azkiyah 1920.7.579 3.3
56 86 86
Harahap 5 (9.2) 80 84 87
1920.7.583 3.3
57 Siti Mariam Endang Saputri 7 (9.2) 83 88 82 86 89
1920.7.584 3.3
58 Siti Syakira Syaharani 4 (9.2) 84 86 95 81 89
1920.7.584 3.3
59 86 87
Sukainah Afrilianti 9 (9.2) 78 84 88
1920.7.585 3.3
60 82 81
Syafitri Rahmadhani 4 (9.2) 82 88 88
4
1920.7.586 3.3
61 Syifaaun Najwah 6 (9.2) 86 88 91 81 89
Anisa Fitrah 'Alawiyah 1920.7.540 3.5
62 Rangkuti 0 (9.3) 85 88 83 81 87
1920.7.542 3.5
63 91 90
Aulia Khairina Iskandar 0 (9.3) 78 82 87
1920.7.542 3.5
64 Aura Putri Dzakiyyah 3 (9.3) 81 85 82 81 87
1920.7.544 3.5
65 82 81
Dalfa Fauziah 9 (9.3) 83 86 87
1920.7.546 3.5
66 Dhaifina Nuhayati Nufus 0 (9.3) 85 88 81 81 89
1920.7.546 3.5
67 Erti Mumtazah 8 (9.3) 83 87 81 81 88
1920.7.547 3.5
68 91 90
Fadhillahtur Rohmah 3 (9.3) 80 83 89
1920.7.548 3.5
69 Fajrina Hasanah 0 (9.3) 77 81 93 90 88
1920.7.549 3.5
70 Fauziah Dwi Badillah 2 (9.3) 82 86 83 81 88
1920.7.553 3.5
71 Indah Ardina Futri 87 89 94 81 88
6 (9.3)
1920.7.554 3.5
72 Isnun Lathifah 3 (9.3) 81 85 83 81 89
1920.7.554 3.5
73 Jannur Sawalina Harahap 5 (9.3) 80 84 90 90 87
Keisyah Wulan Kirana Putri 1920.7.555 3.5
74 77 85 95 90 87
Adzi 4 (9.3)
1920.7.557 3.5
75 Maimunah 4 (9.3) 80 85 82 81 88
1920.7.557 3.5
76 Masayu Alifya Salma 8 (9.3) 81 85 82 81 88
1920.7.571 3.5
77 82 81
Nadia Safinatunnajah 5 (9.3) 84 87 88
1920.7.571 3.5
78 Nadia Syaffa Putri Zulkarnain 6 (9.3) 86 88 83 81 89
1920.7.574 3.5
79 Nayla Zahra 0 (9.3) 82 87 83 81 89
1920.7.576 3.5
80 95 93
Putri Andinda Zahra Syakilla 3 (9.3) 77 80 90
1920.7.579 3.5
81 Rida Sulistiyawati 0 (9.3) 82 86 82 81 90
1920.7.580 3.5
82 Safa Nurkhasanah 2 (9.3) 83 86 81 81 88
1920.7.580 3.5
83 82 81
Salma Fauziyah 6 (9.3) 80 85 87
1920.7.580 3.5
84 Salma Nur Azizah 7 (9.3) 80 84 90 81 86
1920.7.581 3.5
85 Salwa Rofiqotun Nisa 2 (9.3) 83 88 81 81 86
1920.7.581 3.5
86 81 81
Sania Nurainin 7 (9.3) 85 88 86
1920.7.582 3.5
87 Shoffana Al Majid 7 (9.3) 80 82 92 90 86
1920.7.582 3.5
88 84 81
Sifa Nurkhasanah 8 (9.3) 82 87 87
1920.7.583 3.5
89 Siti Afifah 0 (9.3) 77 81 93 94 87
1920.7.583 3.5
90 Siti Fatimah Azzahra 2 (9.3) 80 84 90 90 88
1920.7.584 3.5
91 82 81
Siti Nuraini Fitri 0 (9.3) 81 86 88
1920.7.584 3.5
92 83 81
Siti Soraya Zahra Fajryah 3 (9.3) 86 88 88
4
1920.7.541 3.7
93 Asmara Aisya Faatihah 8 (9.4) 82 86 81 81 88
1920.7.548 3.7
94 Fathia Silmi 8 (9.4) 81 86 83 81 88
1920.7.549 3.7
95 81 81
Fauza Zulyaka Iu 1 (9.4) 82 87 89
1920.7.551 3.7
96 Halimah Tussa'Diyah 1 (9.4) 83 87 81 81 89
1920.7.551 3.7
97 83 81
Hasti Ezzah Reshma 8 (9.4) 82 85 88
1920.7.555 3.7
98 Kana Haya Syakira 3 (9.4) 82 86 85 81 88
1920.7.555 3.7
99 Keyzia Marsha Putri Aryanti 7 (9.4) 80 84 81 81 88
10 1920.7.558 3.7
82 81
0 Maulida Malika 1 (9.4) 84 87 89
10 1920.7.558 3.7
1 Meyliza Amelia Putri 5 (9.4) 77 79 94 93 89
10 1920.7.569 3.7
2 Musayana 8 (9.4) 81 85 82 81 89
10 1920.7.570 3.7
Nabila Khoirunisa 82 86 83 81 89
3 6 (9.4)
10 1920.7.570 3.7
4 Nabila Putri Ardelia 8 (9.4) 78 82 96 95 89
10 1920.7.572 3.7
5 Najla 6 (9.4) 80 84 81 81 88
10 1920.7.573 3.7
Nanda Fauziatul Jannah 82 86 83 81 86
6 0 (9.4)
10 1920.7.573 3.7
7 Nayla Tsaltsa Nurfajrina 8 (9.4) 83 88 91 81 88
10 1920.7.574 3.7
8 Naylatunnisa Jazirah Haris 1 (9.4) 81 85 82 81 90
10 1920.7.575 3.7
90 89
9 Nur Salamah Somantri 4 (9.4) 79 84 87
11 1920.7.575 3.7
0 Nurhayati Firdamansah 5 (9.4) 85 89 98 81 88
11 1920.7.575 3.7
1 Nurlaila 7 (9.4) 83 86 81 81 89
11 1920.7.575 3.7
81 81
2 Nurul Arifah Syarqia 8 (9.4) 80 85 86
11 1920.7.576 3.7
3 Ove Orchyta Setiawan 0 (9.4) 83 86 83 81 89
11 1920.7.577 3.7
4 Rahma Rizkia Yuanida 4 (9.4) 81 86 83 81 88
11 1920.7.578 3.7
83 81
5 Reva Rismawati 6 (9.4) 81 83 89
11 1920.7.580 3.7
6 Salsabila 9 (9.4) 81 85 82 81 87
11 1920.7.581 3.7
7 Sarah Humairah 8 (9.4) 81 84 79 77 89
11 1920.7.581 3.7
89 89
8 Saroh Fadillah 9 (9.4) 79 83 86
11 1920.7.582 3.7
9 Sheila Nada Salsabila 5 (9.4) 82 84 83 81 88
12 1920.7.583 3.7
82 81
0 Siti Khoeriyah 4 (9.4) 82 85 89
12 1920.7.584 3.7
1 Siti Zahra 5 (9.4) 81 85 81 81 87
12 1920.7.584 3.7
2 Siva Syahfitri 6 (9.4) 83 87 83 81 87
12 1920.7.587 3.7
94 81
3 Titan Putri Azizah 0 (9.4) 82 85 88
5
12 3.7
4 Zahra Zackiya Ahmad 1920.7.5883 (9.4) 80 83 88 89 89
12 3.6
5 Abdullah Akbar 1920.7.5343 (9.5) 79 80 91 81 90
12 3.6
97 81
6 Abdur Rafi Mulya 1920.7.5345 (9.5) 85 88 88
12 3.6
7 Ade Maulana 1920.7.5351 (9.5) 84 86 91 81 87
12 3.6
91 81
8 Ahmad Asgar Yafri 1920.7.5355 (9.5) 80 83 88
12 3.6
9 Ahmad Naufal Baihaqi 1920.7.5359 (9.5) 78 80 90 89 88
13 3.6
0 Ahmad Raihan Mumtaz 1920.7.5360 (9.5) 81 85 92 81 89
13 3.6
91 81
1 Ananda Kurnianto 1920.7.5392 (9.5) 80 85 89
13 3.6
2 Andi Mapiasse Tendri Tritian 1920.7.5394 (9.5) 80 83 91 81 89
13 3.6
3 Bintang Fathur Rizky 1920.7.5438 (9.5) 78 82 91 81 86
13 3.6
M. Firman 1920.7.5570 79 82 91 81 86
4 (9.5)
13 3.6
5 Maulana Zhafir Iskandar 1920.7.5580 (9.5) 82 86 91 81 86
13 3.6
6 Mohamad Yassar 1920.7.5588 (9.5) 80 82 91 81 87
13 3.6
Muhamad Akhmal Zahri 1920.7.5594 82 85 91 81 86
7 (9.5)
13 3.6
8 Muhamad Alfian Faiz 1920.7.5595 (9.5) 82 85 91 81 88
13 3.6
9 Muhamad Haidar Ali 1920.7.5600 (9.5) 78 79 91 81 89
14 3.6
85 81
0 Muhamad Raihan 1920.7.5608 (9.5) 81 85 86
14 3.6
1 Muhamad Ringga Firdaus 1920.7.5610 (9.5) 79 83 88 89 88
14 3.6
2 Muhammad Arya Izzan Faiz 1920.7.5623 (9.5) 78 82 91 81 89
14 Muhammad Ashif Ahkamil 3.6
91 81
3 Mujahidin 1920.7.5624 (9.5) 82 86 86
14 3.6
4 Muhammad Fachril Ramadhan 1920.7.5630 (9.5) 82 84 83 81 87
14 3.6
5 Muhammad Fadlan Nawawi 1920.7.5888 (9.5) 83 82 91 81 89
14 3.6
91 81
6 Muhammad Fajri 1920.7.5635 (9.5) 81 83 87
14 3.6
7 Muhammad Farid Muqoddam 1920.7.5636 (9.5) 83 87 91 81 88
14 3.6
8 Muhammad Hadzami 1920.7.5642 (9.5) 84 87 82 81 89
14 3.6
91 81
9 Muhammad Iqbal Fadillah 1920.7.5652 (9.5) 80 83 88
15 3.6
0 Muhammad Khoirul Umam 1920.7.5654 (9.5) 79 82 88 89 89
15 3.6
89 88
1 Muhammad Mouris Farizal 1920.7.5660 (9.5) 78 82 89
15 3.6
2 Raffi Rizky Pratama 1920.7.5769 (9.5) 79 81 89 88 89
15 3.6
3 Samsul Afrizal 1920.7.5815 (9.5) 79 79 89 88 86
15 3.6
93 81
4 Shafwan Rahman 1920.7.5824 (9.5) 82 85 87
15 3.6
91 81
5 Zikri Ridho 1920.7.5887 (9.5) 84 86 88
5
15 3.8
6 Ahmad Rivaldi 1920.7.5362 (9.6) 79 82 88 88 89
15 3.8
7 Ahmad Yaziid Ashiddiqy 1920.7.5365 (9.6) 82 83 83 81 88
15 3.8
91 81
8 Ali Jafni Saputra 1920.7.5377 (9.6) 78 82 88
15 3.8
9 Andi Muhammad Fahri Akbar 1920.7.5395 (9.6) 77 80 94 94 88
16 3.8
89 88
0 Ari Febrian Syach 1920.7.5410 (9.6) 80 82 87
16 3.8
1 Azriel Vikram Bahrezi 1920.7.5432 (9.6) 75 78 94 90 87
16 3.8
2 Burhanudin 1920.7.5442 (9.6) 78 82 89 88 89
16 3.8
83 88
3 Fatur Rahman 1920.7.5490 (9.6) 78 82 88
16 3.8
4 Fikri Arna Fadhilah 1920.7.5496 (9.6) 79 81 87 81 87
16 3.8
5 Hasbiyal Falah Setiawan 1920.7.5517 (9.6) 80 82 88 88 87
16 3.8
Herlangga Oktaviano 1920.7.5519 79 81 87 88 88
6 (9.6)
16 3.8
7 Humam Humaedi 1920.7.5522 (9.6) 79 79 89 86 89
16 3.8
8 M. Alpian Saputra 1920.7.5569 (9.6) 79 82 85 81 88
16 3.8
M. Reyhan Fadillah 1920.7.5572 77 79 95 94 89
9 (9.6)
17 3.8
0 Maulana Rafly Abdullah 1920.7.5579 (9.6) 77 78 82 81 89
17 3.8
1 Muammar Fadhlurrahman 1920.7.5589 (9.6) 81 83 82 85 89
17 3.8
82 81
2 Muh. Rianeka Putra 1920.7.5593 (9.6) 81 84 87
17 3.8
3 Muhamad Galang Pratama 1920.7.5599 (9.6) 78 81 93 90 87
17 3.8
4 Muhammad Fadlan 1920.7.5613 (9.6) 77 79 94 90 88
17 3.8
86 85
5 Muhammad Fikri Al Fakhriy 1920.7.5639 (9.6) 80 82 86
17 3.8
6 Muhammad Hafidz Al Ma'Arif 1920.7.5653 (9.6) 78 80 88 81 88
17 3.8
7 Muhammad Ihsan Azizan 1920.7.5649 (9.6) 77 79 88 89 88
17 3.8
81 81
8 Muhammad Nauval Agustian 1920.7.5664 (9.6) 79 83 89
17 3.8
9 Muhammad Qouriah 1920.7.5667 (9.6) 80 83 89 81 90
18 Muhammad Raffi Masykur 3.8
0 Ramadan 1920.7.5672 (9.6) 82 83 95 81 88
18 3.8
89 81
1 Muhammad Wisnoe Wizar 1920.7.5691 (9.6) 77 81 88
18 3.8
2 Muhammad Zaenal Muttaqin 1920.7.5692 (9.6) 78 81 88 81 87
18 3.8
94 94
3 Rayhan Asshidiqi 1920.7.5781 (9.6) 77 80 86
18 3.8
4 Saical Aditya 1920.7.5805 (9.6) 77 78 95 89 86
18 3.8
5 Zulfikhor Baharudin 1920.7.5890 (9.6) 75 76 81 81 87
5
Lampiran A. 2 Dataset
No. Nama Siswa NP NK Akhlak Ekskul Kehadiran Keterangan
1 Alifa Azzahra 89 91 95 81 90 Berprestasi
2 Alyaa Khoirunnisa 87 89 83 81 88 Berprestasi
3 Alyssya Anaskia 80 86 81 81 88 Berprestasi
Tidak
4 81 81
Ananda Rahmawati Rachman 85 89 89 Berprestasi
5 Arzeta Slari Ramadhani 81 83 82 81 88 Berprestasi
6 Avisha Rania 81 86 82 81 88 Berprestasi
Tidak
7 83 81
Azizah Ali 84 87 89 Berprestasi
8 Cinta Arum Rahma Nur'Aini 85 88 81 81 88 Berprestasi
9 Fadilah Salsabila 84 87 82 81 88 Berprestasi
10 Fajrunnida Qurrotul A'Yun 83 87 83 81 96 Berprestasi
Tidak
11 81 81
Firdania Zahra 85 87 87 Berprestasi
12 Fitri Syahwalia 83 87 83 81 88 Berprestasi
13 Halia Salsabila 88 90 82 81 88 Berprestasi
Tidak
14 82 81
Hallimatussa'Diyah 85 88 88 Berprestasi
Tidak
15 Ika Sri Nuraeni 80 85 81 81 89 Berprestasi
16 Kesya Idzni Syarif 83 86 82 81 87 Berprestasi
17 Khodijah Putri Amelia 84 89 83 81 89 Berprestasi
Tidak
18 Muthia Sabrina 78 81 94 81 88 Berprestasi
19 Mutiara Bilqis 80 84 83 81 88 Berprestasi
20 Nur Fakhriyyah Aqillah 81 83 85 85 88 Berprestasi
21 Nur Nailah Salsabila 83 86 82 81 87 Berprestasi
22 Rahmah Siti Nurfadilah 85 89 82 81 88 Berprestasi
23 Rilla Adha Fatimah 80 86 81 81 87 Berprestasi
Tidak
24 83 81
Selfa Julianti Putri 84 87 89 Berprestasi
25 Siti Kirani Rahmawati 84 88 81 81 88 Berprestasi
26 Siti Nur Aini Mutma'Inah 84 88 82 81 87 Berprestasi
27 Syakilah Riyanti 84 87 82 81 87 Berprestasi
28 Tiara Meyriska 85 89 81 81 87 Berprestasi
29 Vira Nurlaili Rahma 81 84 81 81 88 Berprestasi
Tidak
30 Zahra Salsabila 76 79 81 81 88 Berprestasi
31 Zulfa Shofiyah Zahrah 80 83 85 86 87 Berprestasi
32 Alicia Ramadhani Annaba Putri 79 86 82 81 88 Berprestasi
33 Alifa Mutia Sidik 86 90 91 81 89 Berprestasi
34 Amanda Ramadhani 77 83 94 81 89 Berprestasi
35 Aulia Putri Hadayani Harahap 84 89 81 81 89 Berprestasi
36 Aulia Syafara 79 84 86 86 87 Berprestasi
37 Bunga Cahaya Media 83 87 85 81 87 Berprestasi
Tidak
38 Dalisha Lulu Mumtazah 76 82 89 92 88 Berprestasi
39 Elok Suciati 82 86 83 81 89 Berprestasi
Tidak
40 Emil Nur Ara Azzahra 81 86 91 81 88 Berprestasi
41 Flora Marsya 79 84 90 86 86 Berprestasi
42 Gita Shabilla 79 86 91 81 87 Berprestasi
43 Ilma Salsabila Mufidah 86 89 81 81 88 Berprestasi
5
Tidak
44 Likenia Bilqis Syahida 80 84 85 81 87 Berprestasi
45 Maisya Syafina Putri 81 87 82 81 87 Berprestasi
46 Maulida Purnama Sari 80 85 91 81 87 Berprestasi
47 Mustika Adya Putri 85 90 91 81 88 Berprestasi
48 Nabillah Astry Rusmadi 81 85 83 81 89 Berprestasi
49 Nadya Ayu Safitri 80 85 83 81 90 Berprestasi
50 Najma Afida Najih 80 85 83 81 87 Berprestasi
51 Nasywa Kusuma Salsabila 81 86 91 81 89 Berprestasi
52 Nazwa Sopandi 80 84 86 85 88 Berprestasi
53 Nuria Khalisa 87 90 95 81 88 Berprestasi
Tidak
54 Nurul Azalia 84 89 81 81 88 Berprestasi
55 Putri Nadhifa Ramadhani 79 85 86 87 88 Berprestasi
56 Risma Azmi Al Azkiyah Harahap 80 84 86 86 87 Berprestasi
Tidak
57 Siti Mariam Endang Saputri 83 88 82 86 89 Berprestasi
58 Siti Syakira Syaharani 84 86 95 81 89 Berprestasi
59 Sukainah Afrilianti 78 84 86 87 88 Berprestasi
Tidak
60 Syafitri Rahmadhani 82 88 82 81 88 Berprestasi
61 Syifaaun Najwah 86 88 91 81 89 Berprestasi
Tidak
62 Anisa Fitrah 'Alawiyah Rangkuti 85 88 83 81 87 Berprestasi
63 Aulia Khairina Iskandar 78 82 91 90 87 Berprestasi
64 Aura Putri Dzakiyyah 81 85 82 81 87 Berprestasi
65 Dalfa Fauziah 83 86 82 81 87 Berprestasi
66 Dhaifina Nuhayati Nufus 85 88 81 81 89 Berprestasi
67 Erti Mumtazah 83 87 81 81 88 Berprestasi
68 Fadhillahtur Rohmah 80 83 91 90 89 Berprestasi
69 Fajrina Hasanah 77 81 93 90 88 Berprestasi
70 Fauziah Dwi Badillah 82 86 83 81 88 Berprestasi
71 Indah Ardina Futri 87 89 94 81 88 Berprestasi
Tidak
72 Isnun Lathifah 81 85 83 81 89 Berprestasi
73 Jannur Sawalina Harahap 80 84 90 90 87 Berprestasi
74 Keisyah Wulan Kirana Putri Adzi 77 85 95 90 87 Berprestasi
75 Maimunah 80 85 82 81 88 Berprestasi
76 Masayu Alifya Salma 81 85 82 81 88 Berprestasi
77 Nadia Safinatunnajah 84 87 82 81 88 Berprestasi
78 Nadia Syaffa Putri Zulkarnain 86 88 83 81 89 Berprestasi
79 Nayla Zahra 82 87 83 81 89 Berprestasi
80 Putri Andinda Zahra Syakilla 77 80 95 93 90 Berprestasi
81 Rida Sulistiyawati 82 86 82 81 90 Berprestasi
82 Safa Nurkhasanah 83 86 81 81 88 Berprestasi
83 Salma Fauziyah 80 85 82 81 87 Berprestasi
Tidak
84 Salma Nur Azizah 80 84 90 81 86 Berprestasi
85 Salwa Rofiqotun Nisa 83 88 81 81 86 Berprestasi
86 Sania Nurainin 85 88 81 81 86 Berprestasi
87 Shoffana Al Majid 80 82 92 90 86 Berprestasi
88 Sifa Nurkhasanah 82 87 84 81 87 Berprestasi
89 Siti Afifah 77 81 93 94 87 Berprestasi
90 Siti Fatimah Azzahra 80 84 90 90 88 Berprestasi
91 Siti Nuraini Fitri 81 86 82 81 88 Berprestasi
92 Siti Soraya Zahra Fajryah 86 88 83 81 88 Berprestasi
5
93 Asmara Aisya Faatihah 82 86 81 81 88 Berprestasi
94 Fathia Silmi 81 86 83 81 88 Berprestasi
Tidak
95 81 81
Fauza Zulyaka Iu 82 87 89 Berprestasi
96 Halimah Tussa'Diyah 83 87 81 81 89 Berprestasi
97 Hasti Ezzah Reshma 82 85 83 81 88 Berprestasi
98 Kana Haya Syakira 82 86 85 81 88 Berprestasi
99 Keyzia Marsha Putri Aryanti 80 84 81 81 88 Berprestasi
100 Maulida Malika 84 87 82 81 89 Berprestasi
101 Meyliza Amelia Putri 77 79 94 93 89 Berprestasi
102 Musayana 81 85 82 81 89 Berprestasi
103 Nabila Khoirunisa 82 86 83 81 89 Berprestasi
104 Nabila Putri Ardelia 78 82 96 95 89 Berprestasi
Tidak
105 81 81
Najla 80 84 88 Berprestasi
106 Nanda Fauziatul Jannah 82 86 83 81 86 Berprestasi
107 Nayla Tsaltsa Nurfajrina 83 88 91 81 88 Berprestasi
108 Naylatunnisa Jazirah Haris 81 85 82 81 90 Berprestasi
109 Nur Salamah Somantri 79 84 90 89 87 Berprestasi
110 Nurhayati Firdamansah 85 89 98 81 88 Berprestasi
111 Nurlaila 83 86 81 81 89 Berprestasi
112 Nurul Arifah Syarqia 80 85 81 81 86 Berprestasi
113 Ove Orchyta Setiawan 83 86 83 81 89 Berprestasi
Tidak
114 83 81
Rahma Rizkia Yuanida 81 86 88 Berprestasi
115 Reva Rismawati 81 83 83 81 89 Berprestasi
116 Salsabila 81 85 82 81 87 Berprestasi
Tidak
117 79 77
Sarah Humairah 81 84 89 Berprestasi
118 Saroh Fadillah 79 83 89 89 86 Berprestasi
119 Sheila Nada Salsabila 82 84 83 81 88 Berprestasi
120 Siti Khoeriyah 82 85 82 81 89 Berprestasi
121 Siti Zahra 81 85 81 81 87 Berprestasi
122 Siva Syahfitri 83 87 83 81 87 Berprestasi
123 Titan Putri Azizah 82 85 94 81 88 Berprestasi
124 Zahra Zackiya Ahmad 80 83 88 89 89 Berprestasi
Tidak
125 Abdullah Akbar 79 80 91 81 90 Berprestasi
126 Abdur Rafi Mulya 85 88 97 81 88 Berprestasi
127 Ade Maulana 84 86 91 81 87 Berprestasi
128 Ahmad Asgar Yafri 80 83 91 81 88 Berprestasi
129 Ahmad Naufal Baihaqi 78 80 90 89 88 Berprestasi
130 Ahmad Raihan Mumtaz 81 85 92 81 89 Berprestasi
131 Ananda Kurnianto 80 85 91 81 89 Berprestasi
132 Andi Mapiasse Tendri Tritian 80 83 91 81 89 Berprestasi
133 Bintang Fathur Rizky 78 82 91 81 86 Berprestasi
134 M. Firman 79 82 91 81 86 Berprestasi
135 Maulana Zhafir Iskandar 82 86 91 81 86 Berprestasi
136 Mohamad Yassar 80 82 91 81 87 Berprestasi
Tidak
137 Muhamad Akhmal Zahri 82 85 91 81 86 Berprestasi
138 Muhamad Alfian Faiz 82 85 91 81 88 Berprestasi
139 Muhamad Haidar Ali 78 79 91 81 89 Berprestasi
140 Muhamad Raihan 81 85 85 81 86 Berprestasi
141 Muhamad Ringga Firdaus 79 83 88 89 88 Berprestasi
142 Muhammad Arya Izzan Faiz 78 82 91 81 89 Berprestasi
5
Muhammad Ashif Ahkamil
143 Mujahidin 82 86 91 81 86 Berprestasi
144 Muhammad Fachril Ramadhan 82 84 83 81 87 Berprestasi
145 Muhammad Fadlan Nawawi 83 82 91 81 89 Berprestasi
146 Muhammad Fajri 81 83 91 81 87 Berprestasi
147 Muhammad Farid Muqoddam 83 87 91 81 88 Berprestasi
148 Muhammad Hadzami 84 87 82 81 89 Berprestasi
149 Muhammad Iqbal Fadillah 80 83 91 81 88 Berprestasi
150 Muhammad Khoirul Umam 79 82 88 89 89 Berprestasi
151 Muhammad Mouris Farizal 78 82 89 88 89 Berprestasi
152 Raffi Rizky Pratama 79 81 89 88 89 Berprestasi
153 Samsul Afrizal 79 79 89 88 86 Berprestasi
154 Shafwan Rahman 82 85 93 81 87 Berprestasi
155 Zikri Ridho 84 86 91 81 88 Berprestasi
156 Ahmad Rivaldi 79 82 88 88 89 Berprestasi
Tidak
157 Ahmad Yaziid Ashiddiqy 82 83 83 81 88 Berprestasi
158 Ali Jafni Saputra 78 82 91 81 88 Berprestasi
159 Andi Muhammad Fahri Akbar 77 80 94 94 88 Berprestasi
160 Ari Febrian Syach 80 82 89 88 87 Berprestasi
161 Azriel Vikram Bahrezi 75 78 94 90 87 Berprestasi
162 Burhanudin 78 82 89 88 89 Berprestasi
163 Fatur Rahman 78 82 83 88 88 Berprestasi
164 Fikri Arna Fadhilah 79 81 87 81 87 Berprestasi
165 Hasbiyal Falah Setiawan 80 82 88 88 87 Berprestasi
166 Herlangga Oktaviano 79 81 87 88 88 Berprestasi
167 Humam Humaedi 79 79 89 86 89 Berprestasi
168 M. Alpian Saputra 79 82 85 81 88 Berprestasi
169 M. Reyhan Fadillah 77 79 95 94 89 Berprestasi
Tidak
170 Maulana Rafly Abdullah 77 78 82 81 89 Berprestasi
171 Muammar Fadhlurrahman 81 83 82 85 89 Berprestasi
172 Muh. Rianeka Putra 81 84 82 81 87 Berprestasi
Tidak
173 Muhamad Galang Pratama 78 81 93 90 87 Berprestasi
174 Muhammad Fadlan 77 79 94 90 88 Berprestasi
175 Muhammad Fikri Al Fakhriy 80 82 86 85 86 Berprestasi
176 Muhammad Hafidz Al Ma'Arif 78 80 88 81 88 Berprestasi
Tidak
177 88 89
Muhammad Ihsan Azizan 77 79 88 Berprestasi
178 Muhammad Nauval Agustian 79 83 81 81 89 Berprestasi
179 Muhammad Qouriah 80 83 89 81 90 Berprestasi
Muhammad Raffi Masykur
180 Ramadan 82 83 95 81 88 Berprestasi
181 Muhammad Wisnoe Wizar 77 81 89 81 88 Berprestasi
Tidak
182 88 81
Muhammad Zaenal Muttaqin 78 81 87 Berprestasi
183 Rayhan Asshidiqi 77 80 94 94 86 Berprestasi
184 Saical Aditya 77 78 95 89 86 Berprestasi
Tidak
185 81 81
Zulfikhor Baharudin 75 76 87 Berprestasi
5
Lampiran A. 3 Bukti Hasil Pengecekan Plagiarisme