PENERAPAN ALGORITMA KLASIFIKASI DECISION TREE

C.45, K-NEAREST NEIGHBOR DAN NAIVE BAYES DALAM

PENENTUAN SISWA BERPRESTASI PADA PONDOK
PESANTREN QOTRUN NADA

SKRIPSI
Diajukan untuk memenuhi salah satu syarat kelulusan Program Sarjana

LIYA DESTY RAMANDHA 11182554

Program Studi Sistem Informasi

Fakultas Teknologi Informasi Universitas Nusa Mandiri
Jakarta
2022
 PERSEMBAHAN

Puji syukur kepada Allah SWT yang maha pengasih lagi maha penyayang, Skripsi ini

saya persembahkan untuk:

1. Orang Tua tercinta yang telah membesarkan, mendidik saya, serta selalu

memberikan dukungan dan doa yang tak pernah putus hingga saat ini.

2. Kakak-kakak saya yang selalu memberikan semangat dan doa.

3. Teman-teman seperjuanganku yang saling memberikan support untuk bisa

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

Skripsi yang berjudul “Penerapan Algoritma Klasifikasi Decision Tree

C.45, K-Nearest Neighbor dan Naive Bayes dalam Penentuan Siswa Berprestasi
pada Pondok Pesantren Qotrun Nada” adalah hasil karya tulis asli LIYA DESTY
RAMANDHA dan bukan hasil terbitan sehingga peredaran karya tulis hanya berlaku
di lingkungan akademik saja, serta memiliki hak cipta. Oleh karena itu, dilarang
keras untuk menggandakan baik sebagian maupun seluruhnya karya tulis ini, tanpa
seizin penulis.
Referensi kepustakaan diperkenankan untuk dicatat tetapi pengutipan atau
peringkasan isi tulisan hanya dapat dilakukan dengan seizin penulis dan disertai
ketentuan pengutipan secara ilmiah dengan menyebutkan sumbernya.
Untuk keperluan perizinan pada pemilik dapat menghubungi informasi yang
tertera di bawah ini:
Nama : LIYA DESTY RAMANDHA
Alamat : Kebagusan Kecil RT 005/ RW 08 No. 5, Jakarta Selatan
No.Telp : 0813-1145-8022
E-mail : liyade11182554@nusamandiri.ac.id

v
 ABSTRAK

Liya Desty Ramandha (11182554), Penerapan Algoritma Klasifikasi Decision

Tree C.45, K-Nearest Neighbor dan Naive Bayes dalam Penentuan Siswa
Berprestasi pada Pondok Pesantren Qotrun Nada
Dalam dunia pendidikan di era yang sangat berkembang pesat saat ini seorang siswa
dituntut untuk memiliki potensi tinggi dengan memanfaatkan berbagai macam
teknologi yang ada. Pondok Pesantren Qotrun Nada masih sulit dalam menentukan
siswa mana yang berprestasi di setiap tahun. Siswa berprestasi disini dilihat dari
beberapa kriteria penilaian, bukan hanya dilihat dari nilai UTS dan UAS saja. Tujuan
penelitian ini untuk mencari siswa berprestasi dan tidak berprestasi dengan atribut
yang digunakan yaitu Nilai Pengetahuan, Nilai Keterampilan, Akhlak,
Ekstrakulikuler, dan Kehadiran. Data mining merupakan suatu proses yang dilakukan
untuk menganalisa data hingga ditemukan suatu pola dari kumpulan data. Studi kasus
penelitian ini dilakukan pada 185 data dengan menggunakan ketiga metode sebanyak
156 siswa “Berprestasi” dan 29 siswa “Tidak Berprestasi”. Dengan menggunakan
metode Classification didapat hasil akurasi dari algoritma Decision Tree C.45 sebesar
92,97%, K-Nearest Neighbor sebesar 84,32% dan Naive Bayes sebesar 100%.
Sehingga ditemukan hasil komparasi terbaik dalam menentukan siswa berprestasi
yaitu pada algoritma Naive Bayes dengan nilai akurasi tertinggi.
Kata Kunci: Siswa Berprestasi, Data Mining, Naive Bayes

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

Gambar II. 1 Struktur Organisasi...............................................................................15

Gambar III. 1 Tahapan Penelitian...............................................................................18
Gambar III. 2 CRIPS-DM Yang Dimodifikasi..........................................................21
Gambar IV. 1 Proses Decision Tree...........................................................................28
Gambar IV. 2 Model Decision Tree C.45 (Pohon Keputusan)...................................29
Gambar IV. 3 Deskripsi Decision Tree......................................................................29
Gambar IV. 4 Proses K-Nearest Neighbor.................................................................30
Gambar IV. 5 Klasifikasi K-Nearest Neighbor..........................................................30
Gambar IV. 6 Proses Naive Bayes..............................................................................31
Gambar IV. 7 Simple Distribution Naïve Bayes........................................................31
Gambar IV. 8 Proses Perbandingan C.45, K-NN, dan Naive Bayes..........................32
Gambar IV. 9 Desain Proses 10 Fold Cross Validation untuk C4.5..........................33
Gambar IV. 10 Desain Proses 10 Fold Cross Validation untuk K-NN......................33
Gambar IV. 11 Desain Proses 10 Fold Cross Validation untuk Naïve Bayes............34
Gambar IV. 12 Hasil Akurasi Decision Tree C4.5.....................................................34
Gambar IV. 13 Hasil AUC Decision Tree C.45.........................................................35
Gambar IV. 14 Hasil Akurasi K-Nearest Neighbor....................................................35
Gambar IV. 15 Hasil AUC K-Nearest Neighbor........................................................36
Gambar IV. 16 Hasil Akurasi Naïve Bayes................................................................36
Gambar IV. 17 Hasil AUC Naïve Bayes.....................................................................37
Gambar IV. 18 Proses T-Test C4.5, K-NN dan Naïve Bayes....................................40
Gambar IV. 19 Hasil Uji Beda....................................................................................40

xi
 DAFTAR TABEL

Tabel IV. 1 Data Understanding.................................................................................26

Tabel IV. 2 Pembagian Atribut Dan Label.................................................................27
Tabel IV. 3 Dataset.....................................................................................................27
Tabel IV. 4 Perbandingan Confusion 3 Matrix...........................................................38
Tabel IV. 5 Perbandingan Nilai Accuracy, Precision, dan Recall..............................38
Tabel IV. 6 Komparasi Nilai Akurasi dan AUC.........................................................39

xi
 DAFTAR LAMPIRAN

Lampiran A. 1 Data Understanding............................................................................47

Lampiran A. 2 Dataset................................................................................................53
Lampiran A. 3 Bukti Hasil Pengecekan Plagiarisme.................................................57

xi
 BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Di dalam dunia pendidikan diperlukannya peningkatan baik dari sisi

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

didik di Pesantren Qotrun Nada.

Pondok Pesantren Qotrun Nada mempunyai tujuan untuk menciptakan

generasi muslim yang cerdas, disiplin, berakhlak mulia, dan mampu

mengembangkan potensi yang dimilikinya. Tingginya tingkat siswa/siswi berprestasi

atau tidaknya di sekolah dapat mencerminkan keunggulan sekolah tersebut pada

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

Pesantren Qotrun Nada.

Penelitian sebelumnya dilakukan oleh peneliti yang telah banyak

menggunakan metode klasifikasi dalam kehidupan nyata. Klasifikasi diterapkan pada

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

penelitian ditunjukkan pada model klasifikasi yang dibangun menggunakan algoritma

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

jurusan S1 Matematika. Sedangkan pekerjaan yang tersedia antara lain guru,

 3

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

R. Hidayati melakukan penelitian di bidang kesehatan yang dimana pada penelitian

tersebut peneliti melakukan perbandingan antara algoritma Decision Tree C.45

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

T. H, Lim, yang melakukan penelitian tentang klasifikasi data kesehatan, salah

satunya penyakit Diabetes. Penyakit ini disebabkan adanya ketidakmampuan tubuh

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]

Berdasarkan permasalahan yang dijelaskan pada latar belakang maka peneliti

ingin melakukan penelitian dengan judul “Penerapan Algoritma Klasifikasi

Decision Tree C.45, K-Nearest Neighbor dan Naive Bayes dalam Penentuan

Siswa Berprestasi pada Pondok Pesantren Qotrun Nada”. Penelitian akan

dilakukan dengan membandingkan beberapa metode klasifikasi data mining, antara

lain algoritma Decission Tree C4.5, K-Nearest Neighbor dan Naïve Bayes, tiga

metode yang digunakan untuk menentukan model Siswa Berprestasi dan Tidak

Berprestasi pada Pondok Pesantren Qotrun Nada.

 4

1.2 Identifikasi Masalah

Berdasarkan dari uraian yang telah dipaparkan, permasalahan yang dihadapi

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

yang dirasakan oleh pihak Pondok Pesantren Qortun Nada diantaranya:

1. Pondok Pesantren Qotrun Nada kesulitan menentukan kriteria apa saja yang

digunakan pada penilaian prestasi siswa/siswinya.

2. Sebelumnya di Pondok Pesantren Qotrun Nada melakukan penilaian hanya

cenderung berdasarkan nilai UTS dan UAS saja.

3. Pondok Pesantren Qotrun Nada membutuhkan metode perhitungan dalam

menentukan siswa terbaik di kelas 9 yang akan lulus nantinya pada tahun

2022 ini.

Analisa permasalahan tersebut diatasi dengan menggunakan komparasi tiga

algoritma pada metode klasifikasi yaitu Decision Tree, K-Neighbor dan Naive Bayes.

1.3 Maksud dan Tujuan

Maksud dari penelitian ini adalah:

1. Membantu pihak pondok pesantren untuk menentukan siswa berprestasi

berdasarkan beberapa aspek penilaian.

2. Melalui metode classification ini diharapkan pondok pesantren dapat

menentukan siswa berprestasi dengan bersifat objektif dan adil.

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

1.4 Metode Penelitian

Metode penelitian yang digunakan dalam penulisan skripsi ini adalah:

A. Observasi

Penulis melakukan pengamatan tentang bagaimana kegiatan yang dilakukan oleh

para siswa/siswi yang berada di Pondok Pesantren Qotrun Nada, memperhatikan

bagaimana keseharian siswa/siswi di sana, kedisiplinan dari setiap siswa/siswi

khususnya kelas 9, nilai yang diperoleh setiap harinya, serta mengamati beberapa

aspek yang mengandung potensi tiap siswa/siswi akan bisa menjadi bahan penulis

dalam melakukan penelitian.

B. Wawancara

Penulis melakukan tanya jawab dengan masing-masing walikelas 9 yaitu Ustzh.

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

Peneliti menghimpun berbagai informasi dengan membaca jurnal dan mencari

referensi tambahan melalui internet. Penelitian ini menggunakan penelitian

kuantitatif, yaitu dengan data yang didapat nantinya akan diolah menggunakan

sistem. Penelitian kuantitatif ini memerlukan data nilai siswa dari berbagai aspek

untuk dilakukan implementasi ketiga metode classification Decision Tree C.45, K-

Nearest Neighbor dan Naive Bayes yang nantinya akan dihitung menggunakan

hitungan manual di excel dan menggunakan software RapidMiner.

 6

1.5 Ruang Lingkup

Peneliti menentukan ruang lingkup penelitian ini dengan melakukan

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

Semester 5 Tahun Ajaran 2021/2022 berdasarkan beberapa kriteria yang digunakan

sebagai acuan dalam penilaian yaitu pengetahuan, keterampilan, akhlak,

ekstrakulikuler, dan absensi.

1.6 Hipotesa
Analisa siswa berprestasi Pesantren Qotrun Nada menggunakan Implementasi

data mining memiliki hipotesa sebagai berikut:

H0 : Kriteria pengetahuan, keterampilan, akhlak, ekstrakulikuler dan absensi

tidak berpengaruh dalam menentukan siswa berprestasi di Pondok

Pesantren Qotrun Nada.

H1: Kriteria pengetahuan, keterampilan, akhlak, ekstrakulikuler dan absensi

berpengaruh dalam menentukan siswa berprestasi di Pondok Pesantren

Qotrun Nada.
 BAB II

LANDASAN TEORI

2.1 Tinjauan Pustaka

2.1.1. Pengertian Data Mining
Menurut [6] Data mining merupakan proses penggunaan teknik atau metode

tertentu yang bertujuan untuk menemukan pola atau informasi yang menarik dalam

data yang dipilih. Data mining dikelompokkan menjadi beberapa model yaitu: Model

Prediksi, Analisis Kelompok, Analisis Asosiasi, dan Deteksi Anomaly.

2.1.2. Pengelompokkan Data Mining

Data mining terbagi menjadi beberapa kelompok yaitu sebagai berikut:

1. Model Prediksi/ klasifikasi

Kelompok pemodelan data mining yang dapat melakukan pemetaan dari

setiap himpunan variabel ke setiap targetnya, kemudian menggunakan model

tersebut untuk memberikan nilai target pada himpunan baru yang didapat.

2. Analisis Kelompok

Pengelompokkan suatu dataset ke dalam kelompok (cluster) tertentu

berdasarkan karakteristik yang sama pada masing-masing data.

3. Analisis Asosiasi

Analisa yang dilakukan dalam penentuan pola yang menggambarkan

kekuatan hubungan fitur dalam data.

4. Deteksi Anomaly

Mengamati suatu data dari suatu dataset yang secara signifikan memiliki

karakteristik yang berbeda dari sisa data yang lain.

2.1.3. Algoritma C.45

Algoritma C.45 merupakan salah satu algoritma dari metode klasifikasi data

mining yang dapat digunakan untuk memukan pola berharga dari suatu kasus yang

7
 8

berjumlah banyak datanya. Agoritma C.45 dapat melibatkan konstruksi pohon

keputusan, koleksi node keputusan, yang terhubung oleh cabang-cabang kemudian

diperpanjang kebawah dari simpul akar sampai berakhir di node daun. [7]

2.1.4. Algoritma K-Nearest Neighbor

Algoritma K-Nearest Neighbor adalah algoritma yang berfungsi untuk

melakukan pengklasifikasian pada data yang memiliki kemiripan antara data uji dan

data latih berdasarkan jarak. K-Nearest Neighbor adalah algoritma pengklasifikasian

yang didasarkan pada analogi, yaitu membandingkan data uji dengan data pelatihan

yang berada dekat dengan dan memiliki kemiripan dengan data uji tersebut. [7]

2.1.5. Algoritma Naive Bayes

Algoritma Naïve Bayes merupakan metode dengan mengklasifikasikan

probabilitas posterior yang sebelumnya digunakan untuk menemukan kelas tertentu.

[2] Dalam hal ini penulis menggunakan algoritma Naive Bayes dalam melakukan

prediksi terhadap prestasi siswa di Pondok Pesantren Qotrun Nada dengan tujuan

untuk menentukan manakah siswa yang Berprestasi dan Tidak Berprestasi.

2.2 Penelitian Terkait

Diambil dari beberapa referensi jurnal berikut:

1. Perbandingan Kinerja Algoritma C.45 dan Naive Bayes untuk Klasifikasi

Penerima Beasiswa [8]

Dalam proses penentuan penerima beasiswa di Perguruan Tinggi tidaklah mudah.

Proses harus dilakukan dengan memastikan bahwa pihak penerima memang layak

mendapatkan beasiswa atau tidak. Pada jurnal ini peneliti melakukan

perbandingan kinerja dengan menggunakan algoritma C.45 dan Naive Bayes yang

bertujuan untuk mengukur tingkat akurasi dan lama waktu proses (execution time)

pada tiap algoritma. Penggunaan algoritma ini digunakan untuk mendapatkan

algoritma terbaik yang nantinya akan diterapkan oleh pihak Perguruan Tinggi

dalam
 9

membantu proses penentuan penerima beasiswa. Berdasarkan hasil implementasi

kedua algoritma pada jurnal ini menunjukkan model algoritma C.45 yang

mempunyai kinerja lebih baik dengan tingkat akurasi sebesar 96,4% sedangkan

tingkat akurasi pada model algoritma Naive Bayes sebesar 95,11%.

2. Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Penderita

Penyakit Jantung [9]

Penyakit jantung merupakan nama lain dari semua jenis gangguan yang terjadi

pada jantung. Penelitian ini dilakukan dengan melakukan perbandingan dari

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

numerik. Proses pengujian metode diawali dengan pembagian dataset dengan

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

mempunyai performa terbaik dalam pengklasifikasian suatu dataset.

3. Komparasi Algoritma C.45, Naive Bayes, dan K-Nearest Neighbor Sebagai

Sistem Pendukung Keputusan Menaikkan Jumlah Peserta Didik [7]

Persaingan dalam meningkatkan minat tiap orang tua untuk pendidikan anaknya di

sekolah swasta sangat tinggi. Tiap sekolah pasti dilakukan kegiatan berupa

promosi atau usaha untuk mengenalkan sekolahnya dengan melakukan beberapa

program unggulan yang ditawarkan, menjelaskan mengenai rincian, serta

mengadakan beberapa diskon yang akan diberikan. Untuk mengatasi hal tersebut

dalam penerimaan siswa baru diperlukan sebuah metode yng digunakan untuk

mencari
 1

faktor-faktor lain yang mendaftar ke sekolah ini. Peneliti menggunakan tiga

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

dihasilkan dari algoritma Naive Bayes.

2.3 Tujuan Organisasi/ Objek Penelitian

Objek yang penulis teliti adalah Pondok Pesantren Qotrun Nada, sekilas

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

Pondok Pesantren yang terletak di daerah Kelurahan Cipayung Jaya Kecamatan

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

mana antara satu dengan yang lainnya saling menguatkan.

 1

Awalnya Qotrun Nada hanyalah sebuah Majlis Ta’lim kecil yang hanya

digunakan oleh masyarakat Cipayung untuk kegiatan mengajarkan Al Qur’an namun

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

selesai pengajian santri pulang kerumah masing-masing.

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

putra bermukim disebelah kediaman kyai sedangkan khusus putri bermukim

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

09 September 1996 dimulailah pelaksanaan peletakan batu pertama diatas tanah

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

embun yang senantiasa

 1

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

semuanya bermukim dikarenakan masih banyaknya kekurangan disana sini,

walaupun terkesan begitu miris namun inilah yang dapat kami sampaikan sangat apa

adanya, tanpa mengurangi atupun menambahkan dan alhamdulillah seiring dengan

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

memiliki sekitar 1700 santri dan seluruhnya bermukim di pondok.

Program pendidikan yang dikembangkan oleh pendiri Pondok Pesantren

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

memiliki kaderisasi seorang yang berjiwa keagamaan. Program yang dikembangkan

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

pendidikan yang agak singkat meliputi program Takhassus/Intensif yang setingkat

dengan Aliyah yaitu hanya tiga tahun bagi para lulusan Madrasahy Tsanawiyah

(MTs) atau SLTP yang ingin melanjutkan studinya di Pondok Pesantren Qotrun Nada

ini.

Pondok Pesantren Qotrun Nada sangat terkenal dengan kedisiplinannya, mulai

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

kecil/ISQN (Ikatan Santri Qotrun Nada) yang mana seluruh organisasi-organisasi

tersebut saling bekerja sama dalam melaksanakan kewajibannya demi terwujudnya

sebuah kedisiplinan yang senantiasa dijaga oleh para santrinya.

Upaya pengembangan pondok pesantren tidak cukup jika hanya dari

banyaknya prestasi saja, tapi juga jasa dari pengasuh dan pimpinan yang senantiasa

selalu mensyiarkan tentang Pondok Pesantren kehadapan publik sehingga masyarakat

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

kegiatan tersebutlah yang sedikit banyaknya mampu mengambil perhatian

masyarakat yang menjadi tuan rumah dari kegiatan tersebut dan Alhamdulillah

semuanya yang dilakukan oleh para santri kami semuanya dapat mereka terima dan

dipandang dengan pandangan yang baik.

Visi dan Misi Pesantren Qotrun Nada

Visi
Melestarikan nilai-nilai lama yang baik dan mengambil nilai-nilai baru yang lebih

baik.

Misi
1. Menciptakan generasi yang berakhlakul karimah.

2. Berilmu amaliyah, beramal ilmiyah.

3. Mampu menjalankan perintah & menjauhi larangan Allah SWT.

 1

Motto
1. Berakhlakul karimah.

2. Berbadan sehat.

3. Berpengetahuan luas.

4. Berpikiran bebas.
 1

Struktur Organisasi

Sumber: Ramandha, 2022 Gambar II. 1 Struktur Organisasi

Tugas dan Tanggungjawab

1. Pengasuh, fungsi menentukan kebijakan umum, langkah strategis dan pengambil

keputusan yang dikoordinasikan dengan direktur, serta menyusun rencanainduk

pengembangan PP Qotrun Nada.

2. Direktur /Wakil Direktur, fungsi melaksanakan kebijakan khusus dan keputusan

yang telah dikoordinasikan dengan pengasuh, menyusun rencana strategis serta

menjadi rujukan untuk konsultasi bagi seluruh perangkat organisasi dibawahnya.

3. Sekretaris dan Staff, fungsi menyusun agenda pendidikan yang berkaitan dengan

kegiatan khusus PPQN dan menjadi penanggung jawab ketertiban administrasi.

4. Bendahara dan Staff, fungsi menyusun rencana anggaran dan pendapatan PPQN,

dan menjadi penanggung jawab sirkulasi keuangan dan adiminstrasinya.

5. Majelis Pembina Organisasi, fungsi bertanggung jawab atas jalannya seluruh

kegiatan organisasi (ISQN, Peribadatan, Pengasuhan dan Pengawasan, Gerakan

Pramuka, Pengembangan Bahasa)

6. Koordinator T.I. & Komputer, fungsi menyusun KBM computer berserta

 1

pengadministrasiannya, menyusun rencana pengembangan pengajaran computer

dan penanggungjawab laboratorium computer.

7. Koordinator Sarana dan Asrama dan Staff, fungsi penanggung jawab

penyediaan dan pemeliharaan sarana pesantren, penanggung jawab kebutuhan

asrama dan dapur umum.

8. Koordinator Tahsin &Tahfidz Al-Qur’an, fungsi bertanggung jawab atas

berjalannya program Tahsin dan Tahfidz dengan menyusun program pendidikan

dan pengajaran baca tulis Al-Qur’an, penanggungjawab kegiatan pendalaman

kemampuan membaca Al Qur an serta penghapalan Al-Qur’an santri.

9. Koordinator Kajian Islam & Kutubutturots, fungsi menyusun KBM khusus

pengajian kitab klasik dan pengadministrasian kegiatannya, menyusun

metodologi pengajaran kitab klasik dan bertanggungjawab pada rencana

pengembangan kegiatan pengajian kitab klasik.

10. Koordinator UPZ dan Kalender, fungsi bertanggung jawab atas keseluruhan

program kerja UPZ dan Kalender serta Infaq dan Shadaqah

11. Koordinator Inventaris Peralatan & Kepustakaan, fungsi bertanggung jawab

atas pencatatan arsip/inventaris Pondok Pesantren dan menjalankan fungsi

perpustakaan agar menumbuhkan minat baca para santri serta melakukan

pencatatan transaksi kunjungan perpustakaan.

12. Koordinator Multimedia dan Informatika, fungsi bertanggung jawab atas

jalannya program kemediaan dan mensyiarkan kegiatan – kegiatan yang

berkaitan dengan Pondok Pesantren Qotrun Nada.

13. Panitia Ujian, fungsi bertanggung jawab atas seluruh evaluasi penilaian dari

kegiatan belajar mengajar.

14. Panitia Penerimaan Santri Baru, fungsi bertanggung jawab atas seluruh kegiatan
 1

penerimaan santri baru dari proses sosialisasi, proses pendaftaran, pernyiapan

perlengkapan santri baru dan pelaporan akhir.

15. Panitia Akhir Sanah, fungsi bertanggung jawab atas seluruh kegiatan santri akhir

dari proses sosialisasi, pelaksanaan dan pelaporan kegiatan.

16. Panitia Harlah & Maulid, Qurban (Idul Adha), fungsi bertanggung jawab atas

berjalannya setiap kegiatan Peringatan Hari Besar Islam di Pondok Pesantren

serta kegiatan Islami lainnya.

17. Wali-Wali Kelas, fungsi bertanggung jawab atas seluruh kegiatan santri mulai

dari menyusun kegiatan KBM, penanggung jawab bimbingan dan santri terkait

dan penanggung jawab administrasi kelas.

 BAB III

METODOLOGI PENELITIAN

3.1 Tahapan Penelitian

Tahapan pada penelitian ini ialah suatu tahapan yang menerangkan alur

berjalannya penelitian secara garis besar. Untuk kegiatan penelitian yang dilakukan

dalam beberapa tahap sebagai berikut:

Sumber: Ramandha, 2022 Gambar III. 1 Tahapan Penelitian

18
 1

3.2 Instrument Penelitian

Instrumen pengumpulan informasi merupakan cara-cara yang bisa digunakan

oleh peneliti untuk mengumpulkan informasi. Instrumen penelitian ini menggunakan

Ms. Excel untuk menghitung secara manual dan menggunakan aplikasi RapidMiner

untuk pemrosesan pengujian ketiga metode klasifikasi C.45, K-NN dan Naive Bayes

sehingga diperoleh hasil.

Informasi yang dibutuhkan dalam penelitian ini merupakan kuantitatif yang

dihitung dengan manual hingga instrumen yang dijalani peneliti dengan

melaksanakan penelitian, pencatatan, wawancara informal dimana yang jadi

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

hardware yang dipakai peneliti dalam mendukung penelitian ini yaitu:

1. Hardware

a. Windows 10

b. Prosesor Intel ® Core ™ i5

c. RAM 4 GB

d. 1 TB

2. Software

a. Sistem Operasi Windows

b. Google Chrome atau Mozilla Firefoz

c. Microsoft Office, Microsoft Excel

d. Software RapidMiner
 2

3.3 Metode Pengumpulan Data, Populasi dan Sample Penelitian

Adapun metode pengumpulan data, populasi, dan sample penelitian yang penulis

lakukan.

3.3.1. Teknik Pengumpulan Data

Pengumpulan informasi dicoba dengan tujuan untuk mendapatkan data yang

diperlukan dalam rangka menggapai tujuan riset. Pengumpulan informasi yang

dilakukan dalam penyusunan skripsi ini dengan cara:

1. Wawancara

Penulis secara langsung melakukan pengamatan tentang bagaimana kegiatan yang

dilakukan oleh para siswa/siswi di Pesantren Qotrun Nada tingkat MTS kelas 9,

memperhatikan bagaimana cara siswa/siswi menghormati guru, kedisiplinan dari

setiap siswa/siswi, cara siswa memperoleh nilai, serta mengamati beberapa aspek

yang menunjukkan siswa/siswi yang berpotensi akan bisa menjadi bahan penulis

dalam melakukan penelitian.

2. Observasi

Pengumpulan informasi ini djlakukan dengan pengamatan serta pencatatan secara

langsung pada objek yang diteliti untuk memperoleh data-data yang diperlukan

dalam penelitian. Semacam pencatatan serta pengamatan langsung pada saat

wawancara serta penginputan data-data siswa pada bagian yang ditentukan.

3. Studi Pustaka

Metode yang digunakan untuk menghimpun berbagai informasi yang relevan

dengan topik yang sedang diteliti serta digunakan untuk menyusun landasan teori

melalui berbagai sumber referensi seperti jurnal-jurnal yang relevan.

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,

Depok, Jawa Barat.

3.3.3. Sampel Penelitian

Sampel adalah beberapa jumlah data yang karakteristiknya dimiliki oleh

populasi tersebut. Sampel data yang dipakai pada penelitian ini sejumlah 185 data

nilai siswa kelas 9 semester 5 tahun ajaran 2021/2022.

3.4 Metode Analisis Data

Secara umum, langkah-langkah yang harus dilakukan saat melakukan
analisis kinerja CRIPS-DM adalah sebagai berikut: [10]

Gambar III. 2 CRIPS-DM Yang Dimodifikasi

Sumber: D.Y. Utami (2018)

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.

Berdasarkan hasil data yang dihasilkan dari angket berorientasi minat

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

C4.5, Naïve Bayes dan K-Nearest Neighbor.

2. Data Understanding
Pada tahap ini menentukan data yang akan diperoleh dan juga mengumpulkan

datanya. Pengumpulan data dilakukan dengan mengambil data di Politeknik Tri

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

berdasarkan algoritma yang telah ditentukan. Untuk pencarian, algoritma Decision

Tree C4.5, Naïve Bayes dan K-Nearest Neighbor digunakan sebagai ukuran

komparatif untuk akurasi dan nilai AUC dari analisis pencarian.

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

juga memastikan bahwa analisis dapat digunakan sebagaimana dimaksud dan

hasilnya sesuai dengan yang diharapkan.

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

3.4.1. Pengolahan Data dengan Perhitungan Algoritma Decision C.45, K-Nearest

Neighbor dan Naive Bayes
A. Pengolahan Data dengan Perhitungan Algoritma C.45
Adapun langkah-langkah melakukan classification dengan metode C.45 adalah

sebagai berikut:

1. Pilih atribut sebagai akar, sebelum menentukan akar dihitung terlebih dahulu

nilai Entropy dan Gain Ratio.

2. Buat cabang untuk masing-masing nilai.

3. Bagi kasus dalam cabang.

4. Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang

memiliki kelas yang sama.

B. Pengolahan Data dengan Perhitungan K-Nearest Neigbor

Langkah-langkah dalam perhitungan algoritma K-Nearest Neighbor sebagai

berikut:

1. Menentukan jumlah nilai k.

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

menggunakan data baru.

C. Pengolahan Data dengan Perhitungan Algoritma Naive Bayes

Berikut merupakan tahap-tahap yang dilakuan peneliti dalam perhitungan dengan

algoritma Naive Bayes:

1. Menghitung probabilitas keseluruhan

2. Menghitung mean dan standar deviasi

3. Perhitungan data testing

a. Prediksi dengan fungsi Densitas Gaus

b. Menghitung Nilai Likehood

 2

4. Menghitung nilai maksimal

3.4.2. Implementasi Algoritma C. 45, K-Nearest Neighbor dan Naive Bayes

Setelah hasil perhitungan manual menggunakan Ms. Excel algoritma C.45, K-

Nearest Neighbor dan Naive Bayes didapatkan, untuk lebih akurat digunakan aplikasi

RapidMiner dengan metode menginput tabel tabular ke dalam Ms. Excel yang setelah

itu dimasukkan ke aplikasi RapidMiner.

 BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

4.1 Hasil Penelitian

Hasil dari penelitian yang berlangsung pada Pondok Pesantren Qotrun Nada

menghasilkan sebuah data yang hendak diolah sebagaimana mestinya dalam

penelitian ini guna mencari tahu siswa tingkat MTs mana yang Berprestasi dan Tidak

Berprestasi. Berikut implementasi metode klasifikasi dengan algoritma C.45, KNN

dan Naive Bayes yang peneliti laksanakan:

4.1.1 Business Understanding

Tahapan pertama dari CRISP-DM adalah Business Understanding. Pada

tahapan pertama ini kami membuat beberapa pertanyaan dengan jawaban sebagai

berikut:

a. Tujuan dari penelitian ini yaitu untuk mencari nilai akurasi terbaik dengan

menentukan siswa Berprestasi pada Pondok Pesantren Qotrun Nada.

b. Pondok Pesantren Qotrun Nada belum menemukan metode yang baik digunakan

dalam menentukan siswa Berprestasi.

c. Data nilai pengetahuan, keterampilan, akhlak, ektrakulikuler, dan absensi yang

dipilih oleh peneliti untuk dijadikan bahan penelitian.

d. Algoritma Naive Bayes merupakan algoritma terbaik dalam menentukan siswa

Berprestasi pada Pondok Pesantren Qotrun Nada.

4.1.2 Data Understanding

Tahapan kedua dari CRISP-DM adalah Data Understanding. Di tahapan

kedua ini kami meneliti siswa berprestasi dilakukan pada kelas 9 Semester 5 Tahun

Ajaran 2021/2022 Pondok Pesantren Qotrun Nada. Dengan menggunakan observasi

dan wawancara untuk menghasilkan data yang diinginkan, kemudian menyusunnya

untuk
25
 2

digunakan pada tahap selanjutnya, yaitu tahap Data Preparation. Berikut langkah-

langkah yang telah di laksanakan.

1. Melakukan wawancara bersama beberapa walikelas 9 serta melakukan observasi

untuk mendapatkan data nilai siswa seperti pada tabel berikut.

Tabel IV. 1 Data Understanding

No Kela Pengetahu Keterampil Akhla Eksk Kehadira
. Nama NIS
s an an k ul n
1920.7.53 3.1
1 95 81
Alifa Azzahra 80 (9.1) 89 91 90
Alyaa 1920.7.53 3.1
2 Khoirunnisa 86 (9.1) 87 89 83 81 88
1920.7.53 3.1
3 Alyssya Anaskia 87 (9.1) 80 86 81 81 88
Ananda
3.1
4 Rahmawati 1920.7.53 81 81
93 (9.1) 85 89 89
Rachman
Arzeta Slari 1920.7.54 3.1
5 82 81
Ramadhani 14 (9.1) 81 83 88
1920.7.54 3.1
6 Avisha Rania 26 (9.1) 81 86 82 81 88
1920.7.54 3.1
7 Azizah Ali 28 (9.1) 84 87 83 81 89
Cinta Arum 1920.7.54 3.1
8 81 81
Rahma Nur'Aini 44 (9.1) 85 88 88
1920.7.54 3.1
9 Fadilah Salsabila 76 (9.1) 84 87 82 81 88
Fajrunnida 1920.7.54 3.1
10 83 81
Qurrotul A'Yun 81 (9.1) 83 87 96
1920.7.54 3.1
11 Firdania Zahra 98 (9.1) 85 87 81 81 87
1920.7.55 3.1
12 Fitri Syahwalia 00 (9.1) 83 87 83 81 88
1920.7.55 3.1
13 82 81
Halia Salsabila 10 (9.1) 88 90 88
Hallimatussa'Diy 1920.7.55 3.1
14 ah 12 (9.1) 85 88 82 81 88
1920.7.55 3.1
15 Ika Sri Nuraeni 27 (9.1) 80 85 81 81 89
Kesya Idzni 1920.7.55 3.1
16 Syarif 56 (9.1) 83 86 82 81 87
Khodijah Putri 1920.7.55 3.1
17 Amelia 62 (9.1) 84 89 83 81 89
1920.7.57 3.1
18 Muthia Sabrina 00 (9.1) 78 81 94 81 88
1920.7.57 3.1
19 83 81
Mutiara Bilqis 02 (9.1) 80 84 88
Nur Fakhriyyah 1920.7.57 3.1
20 85 85
Aqillah 51 (9.1) 81 83 88

2. Peneliti melakukan verifikasi dan klarifikasi data kepada pihak walikelas

pemegang data nilai siswa.

 2

3. Penambahan data didapat seperti sejarah berdirinya Pondok Pesantren Qotrun

Nada, struktur organisasi berserta fungsinya.

4.1.3 Data Preparation

Pada tahapan ketiga dari CRISP-DM yaitu Data Preparation. Pada tahapan

ini peneliti melakukan cleaning dan pembersihan data sehingga didapatkan dataset

yang siap diolah pada tahap berikutnya yaitu modeling. Tahapan ini dilakukan

dengan menghilangkan atribut-atribut yang tidak berpengaruh dalam proses

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.

Tabel IV. 2 Pembagian Atribut Dan Label

Nama Tipe Jenis
Nama Siswa Polynominal Atribut
Pengetahuan Integer Atribut
Keterampilan Integer Atribut
Akhlak Integer Atribut
Ekstrakulikuler Integer Atribut
Kehadiran Integer Atribut
Keterangan Binominal Label

Dari data yang ada dan diolah berdasarkan atribut dan label serta

dibersihkannya data dari variable-variabel yang tidak diperlukan, maka dataset yang

dihasilkan dari proses ini adalah sebagai berikut.

Tabel IV. 3 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
Ananda Rahmawati
4 Rachman 85 89 81 81 89 Tidak Berprestasi
5 Arzeta Slari Ramadhani 81 83 82 81 88 Berprestasi
 2

6 Avisha Rania 81 86 82 81 88 Berprestasi

7 Azizah Ali 84 87 83 81 89 Tidak Berprestasi
Cinta Arum Rahma
8 81 81 Berprestasi
Nur'Aini 85 88 88
9 Fadilah Salsabila 84 87 82 81 88 Berprestasi
10 Fajrunnida Qurrotul A'Yun 83 87 83 81 96 Berprestasi
11 Firdania Zahra 85 87 81 81 87 Tidak Berprestasi
12 Fitri Syahwalia 83 87 83 81 88 Berprestasi
13 Halia Salsabila 88 90 82 81 88 Berprestasi
14 Hallimatussa'Diyah 85 88 82 81 88 Tidak Berprestasi
15 Ika Sri Nuraeni 80 85 81 81 89 Tidak Berprestasi
16 Kesya Idzni Syarif 83 86 82 81 87 Berprestasi
17 Khodijah Putri Amelia 84 89 83 81 89 Berprestasi
18 Muthia Sabrina 78 81 94 81 88 Tidak Berprestasi
19 Mutiara Bilqis 80 84 83 81 88 Berprestasi
20 Nur Fakhriyyah Aqillah 81 83 85 85 88 Berprestasi

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

pengujian dilakukan dengan menggunakan Rapidminer sebagai software bantu

analisa dan pengujiannya.

4.1.4.1 Decision Tree C.45

Tujuan utama dari menganalisis data dengan menggunakan algoritma

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

pada gambar di bawah ini.

Sumber: Ramandha. 2022 Gambar IV. 1 Proses Decision Tree

 2

Dari hasil proses Decision Tree tersebut akan menghasilkan suatu model pohon

keputusan yang dihasilkan oleh Rapidminer seperti terlihat pada gambar IV.2

dibawah ini.

Sumber: Ramandha, 2022 Gambar IV. 2 Model Decision Tree C.45

(Pohon Keputusan)

Selain menghasilkan pohon keputusan dalam bentuk grafik, model ini juga

menampilkan uraian dari gambar tersebut kedalam bentuk deskripsi rule seperti yang

terlihat pada gambar IV.3 dibawah ini.

Sumber: Ramandha, 2022 Gambar IV. 3 Deskripsi

Decision Tree
 3

4.1.4.2 K-Nearest Neighbor

Adapun model yang terbentuk dari proses algoritma K-Nearest Neighbor

sebagai berikut.

Sumber: Ramandha, 2022 Gambar IV. 4 Proses

K-Nearest Neighbor

Sumber: Ramandha, 2022 Gambar IV. 5 Klasifikasi K-Nearest

Neighbor
Dari KNN Classification dapat dijabarkan bahwa dari 185 data dengan 7 buah

atribut dan 1 buah label menghasilkan 2 buah kelas yaitu kelas Berprestasi dan Tidak

Beprestasi.

4.1.4.3 Naive Bayes

Dalam pembuatan model Naive Bayes terlebih dahulu kita mencari probabilitas

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:

P(Berprestasi) = 156:185 = 0.843

P(Tidak Berprestasi) = 29:185 = 0.157

Proses penggunaan RapidMiner untuk algoritma Naive Bayes dapat dilihat pada

gambar IV.6 dibawah ini.

Sumber: Ramandha, 2022

Gambar IV. 6 Proses Naive Bayes

Lalu dari proses ini didapat simple distribution yang digambarkan pada

gambar dibawah ini.

Sumber: Ramandha, 2022

Gambar IV. 7 Simple Distribution Naïve
Bayes
 3

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

langkah sebelumnya. Untuk melakukan tahap evaluasi digunakan 10-fold cross

validation agar dapat menghasilkan nilai accuracy dan nilai Area Under Curve

sebagai bahan perbandingan dalam menentukan algoritma terbaik yang digunakan.

10-fold cross validation bekerja dengan membagi dataset masukan menjadi 10

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

IV.8 dibawah ini.

Sumber: Ramandha, 2022 Gambar IV. 8 Proses Perbandingan

C.45, K-NN, dan Naive Bayes
 3

Sumber: Ramandha, Gambar IV. 9 Desain Proses 10 Fold Cross

2022
Validation untuk C4.5
Gambar IV.9 adalah desain proses yang berada di dalam operator Cross

Validation C4.5 yang terdapat pada gambar IV.8. Algoritma Decision Tree C4.5

digunakan untuk melakukan training terhadap dataset masukan dimana kemudian

hasilnya digunakan untuk melakukan testing menggunakan dataset yang sama.

Sumber: Ramandha, Gambar IV. 10 Desain Proses 10 Fold Cross

2022
Validation untuk K-NN
Gambar IV.10 terdapat desain proses yang berada di dalam operator Cross

Validation k-NN yang terdapat pada gambar IV.8. Algoritma k-NN digunakan untuk

melakukan training terhadap dataset masukan dimana kemudian hasilnya digunakan

untuk melakukan testing menggunakan dataset yang sama.

 3

Sumber: Ramandha, Gambar IV. 11 Desain Proses 10 Fold Cross

2022
Validation untuk Naïve Bayes
Gambar IV.11 adalah desain proses yang berada di dalam operator Cross

Validation Naïve Bayes yang terdapat pada gambar IV.8.

Dari hasil proses yang ada pada gambar IV.8 menghasilkan nilai akurasi dan

AUC dari ketiga algoritma yang dibandingkan tersebut. Adapun hasil-hasilnya dapat

dilihat pada gambar-gambar di bawah ini:

4.1.5.1 Akurasi dan AUC Algoritma Decision Tree C4.5

Hasil proses pada gambar IV/8 untuk algoritma Decision Tree C4.5 pada

bagian akurasi adalah sebesar 92,97%. Hal ini ditampilkan pada gambar IV.12

dibawah ini.

Sumber: Ramandha, Gambar IV. 12 Hasil Akurasi

2022
Decision Tree C4.5

Pada gambar IV.12 confusion matrix decision tree menghasilkan nilai accuracy

sebesar 92,97% dan dari Gambar IV.12 mendapatkan prediksi sebagai berikut:

a) Prediksi Berprestasi – True Berprestasi (TP) = 154

b) Prediksi Berprestasi – True Tidak Berprestasi (TN) = 11

 3

c) Prediksi Tidak Berprestasi – True Berprestasi (FP) = 2

d) Prediksi Tidak Berprestasi – Tidak Berprestasi (FN) = 18

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.

Sumber: Ramandha, Gambar IV. 13 Hasil AUC Decision

2022
Tree C.45

4.1.5.2 Akurasi dan AUC Algoritma K-Nearest Neighbor

Hasil proses pada gambar IV.8 untuk algoritma K-Nearest Neighbor pada

bagian akurasi adalah sebesar 84,32%. Hal ini ditampilkan pada gambar IV.14

dibawah ini.

Sumber: Ramandha, Gambar IV. 14 Hasil Akurasi K-Nearest

2022
Neighbor
Pada Gambar IV.14 confusion matrix decision tree menghasilkan nilai accuracy

sebesar 84,32% dan dari Gambar IV.14 mendapatkan prediksi sebagai berikut:
 3

a) Prediksi Berprestasi – True Berprestasi (TP) = 156

b) Prediksi Berprestasi – True Tidak Berprestasi (TN) = 29

c) Prediksi Tidak Berprestasi – True Berprestasi (FP) = 0

d) Prediksi Tidak Berprestasi – Tidak Berprestasi (FN) = 0

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

4.1.5.3 Akurasi dan AUC Algoritma Naïve Bayes

Hasil proses pada gambar IV.8 untuk algoritma Naïve Bayes pada bagian

akurasi adalah sebesar 100%. Hal ini ditampilkan pada gambar IV.16 dibawah ini.

Sumber: Ramandha, 2022 Gambar IV. 16 Hasil Akurasi Naïve Bayes

 3

Pada Gambar IV.16 confusion matrix decision tree menghasilkan nilai accuracy

sebesar 100% dan dari gambar IV.16 mendapatkan prediksi sebagai berikut:

a) Prediksi Berprestasi – True Berprestasi (TP) = 156

b) Prediksi Berprestasi – True Tidak Berprestasi (TN) = 0

c) Prediksi Tidak Berprestasi – True Berprestasi (FP) = 0

d) Prediksi Tidak Berprestasi – Tidak Berprestasi (FN) = 29

Untuk nilai AUC Naïve Bayes berdasarkan hasil proses gambar IV.8 adalah

sebesar 1.000. Hal ini ditampilkan pada gambar IV.17 dibawah ini.

Sumber: Ramandha, Gambar IV. 17 Hasil AUC Naïve Bayes

2022

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

perbandingan nilai confusion matrix 3 (tiga) algoritma.

 3

Tabel IV. 4 Perbandingan Confusion 3 Matrix

Prediksi DT C4.5 KNN NB

Prediksi Berprestasi – True
Berprestasi (TP)
154 156 156
Prediksi Berprestasi – True
Tidak Berprestasi (TN)
11 29 0
Prediksi Tidak Berprestasi –
True Berprestasi (FP)
2 0 0
Prediksi Tidak Berprestasi –
Tidak Berprestasi (FN)
18 0 29

Berdasarkan tabel IV.4 perbandingan confusion matrix Decision Tree C4.5,

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.

Tabel IV. 5 Perbandingan Nilai Accuracy, Precision, dan Recall

DT C4.5 (%) KNN (%) NB (%)
Accuracy 92,97 84,32 100
Precision 90,00 0,00 100
Recall 62,07 0,00 100

Berdasarkan pada tabel IV.5 tentang perbandingan nilai accuracy, precision,

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

Bayes mendapatkan nilai akurasi sebesar 100%.

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

perbandingan pencarian algoritma terbaik yang akan dihasilkan. Pebandingan hasil

perhitungan nilai akurasi dan AUC untuk metode Decision Tree C4.5, K-Nearest

Neighbor dan Naïve Bayes dapat dilihat pada tabel IV.6.

 3

Tabel IV. 6 Komparasi Nilai Akurasi dan AUC

C4.5 K-NN Naïve Bayes
AKURASI 92,97% 84,32% 100%
AUC 0,890 0,748 1.000

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.

Untuk AUC Tabel IV.6 menggambarkan bahwa hasil perbandingan nilai

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

Bayes termasuk ke dalam kategori Excellent Classification karena memiliki nilai

antara (0.90-1.00), C.45 termasuk kategori Good Classification karena memiliki nilai

antara (0.80-0.90) dan K-Nearest Neighbor termasuk ke dalam kategori Fair

Classification karena memiliki nilai antara (0.70-0.80).

4.2.1 Uji Beda

Walaupun secara hasil uji pada RapidMiner menunjukan bahwa algoritma

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

ini dilakukan untuk mengetahui seberapa signifikan perbedaan dari masing-masing

algoritma dan seberapa besar kemungkinan algoritma tersebut mempunyai pengaruh

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.

Sumber: Ramandha, Gambar IV. 18 Proses T-Test C4.5, K-NN

2022 dan Naïve Bayes
Setelah melakukan proses T-Test pada ketiga algoritma tersebut maka

didapatkan nilai accuracy pada gambar IV.9 di bawah ini.

Sumber: Ramandha, 2022 Gambar IV. 19 Hasil Uji Beda

Dengan hasil pengujian T-Test didapat nilai accuracy sebesar 54,18% dengan prediksi

sebagai berikut:

a) Prediksi Berprestasi – True Berprestasi (TP) = 82

b) Prediksi Berprestasi – True Tidak Berprestasi (TN) = 11

c) Prediksi Tidak Berprestasi – True Berprestasi (FP) = 74

 4

d) Prediksi Tidak Berprestasi – Tidak Berprestasi (FN) = 18

4.2.2 Deployment
Deployment menerapkan hasil dari model yang didapatkan dari tahapan

modelling. Adapun implementasi diterapkan pada pembuatan aplikasi untuk mencari

siswa “Berprestasi” dan “Tidak Berprestasi” dengan mencari nilai akurasi terbaik dan

di dalam aplikasi tersebut terdapat pengimplementasian metode C.45, K-NN, 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:

1. Peneliti diharapkan dapat mencoba menggunakan metode lain seperti metode

clustering K-Means, fuzzy c-means, k-medoids dan lain-lain.

2. Software yang digunakan peneliti disarankan spesifikasinya lebih tinggi dari

software yang peneliti gunakan.

3. Penelitian selanjutnya dalam menggunakan software weka untuk mengolah data

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

Lampiran A. 1 Data Understanding

No Akhla Eksku Kehadira
. Nama NIS Kelas NP NK
k l n
1920.7.538 3.1
1 95 81
Alifa Azzahra 0 (9.1) 89 91 90
1920.7.538 3.1
2 83 81
Alyaa Khoirunnisa 6 (9.1) 87 89 88
1920.7.538 3.1
3 Alyssya Anaskia 7 (9.1) 80 86 81 81 88
1920.7.539 3.1
4 81 81
Ananda Rahmawati Rachman 3 (9.1) 85 89 89
1920.7.541 3.1
5 Arzeta Slari Ramadhani 4 (9.1) 81 83 82 81 88
1920.7.542 3.1
6 Avisha Rania 6 (9.1) 81 86 82 81 88
1920.7.542 3.1
7 83 81
Azizah Ali 8 (9.1) 84 87 89
1920.7.544 3.1
8 Cinta Arum Rahma Nur'Aini 4 (9.1) 85 88 81 81 88
1920.7.547 3.1
9 Fadilah Salsabila 6 (9.1) 84 87 82 81 88
1920.7.548 3.1
10 83 81
Fajrunnida Qurrotul A'Yun 1 (9.1) 83 87 96
1920.7.549 3.1
11 Firdania Zahra 8 (9.1) 85 87 81 81 87
1920.7.550 3.1
12 Fitri Syahwalia 0 (9.1) 83 87 83 81 88
1920.7.551 3.1
13 82 81
Halia Salsabila 0 (9.1) 88 90 88
1920.7.551 3.1
14 Hallimatussa'Diyah 2 (9.1) 85 88 82 81 88
1920.7.552 3.1
15 Ika Sri Nuraeni 7 (9.1) 80 85 81 81 89
1920.7.555 3.1
16 Kesya Idzni Syarif 83 86 82 81 87
6 (9.1)
1920.7.556 3.1
17 Khodijah Putri Amelia 2 (9.1) 84 89 83 81 89
1920.7.570 3.1
18 Muthia Sabrina 0 (9.1) 78 81 94 81 88
1920.7.570 3.1
19 Mutiara Bilqis 80 84 83 81 88
2 (9.1)
1920.7.575 3.1
20 Nur Fakhriyyah Aqillah 1 (9.1) 81 83 85 85 88
1920.7.575 3.1
21 Nur Nailah Salsabila 2 (9.1) 83 86 82 81 87
1920.7.577 3.1
22 82 81
Rahmah Siti Nurfadilah 5 (9.1) 85 89 88
1920.7.579 3.1
23 Rilla Adha Fatimah 3 (9.1) 80 86 81 81 87
1920.7.582 3.1
24 83 81
Selfa Julianti Putri 1 (9.1) 84 87 89
1920.7.583 3.1
25 Siti Kirani Rahmawati 5 (9.1) 84 88 81 81 88
1920.7.583 3.1
26 Siti Nur Aini Mutma'Inah 9 (9.1) 84 88 82 81 87
1920.7.585 3.1
27 82 81
Syakilah Riyanti 9 (9.1) 84 87 87
1920.7.586 3.1
28 81 81
Tiara Meyriska 9 (9.1) 85 89 87

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