SISTEM PENDUKUNG KEPUTUSAN

PENEMPATAN TENAGA GURU TIDAK TETAP (GTT)

BERBASIS WEB DI KABUPATEN JEMBER
MENGGUNAKAN METODE K-NN (K-Nearest Neighbor)

SKRIPSI

Oleh

DIAN WAHYUNI
NIM E41190053

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI
POLITEKNIK NEGERI JEMBER
2019
 SISTEM PENDUKUNG KEPUTUSAN
PENEMPATAN TENAGA GURU TIDAK TETAP (GTT)
BERBASIS WEB DI KABUPATEN JEMBER
MENGGUNAKAN METODE K-NN (K-Nearest Neighbor)

HALAMAN JUDUL

SKRIPSI

sebagai salah satu syarat untuk memperoleh gelar Sarjana Terapan Komputer (S.Tr.Kom)
di Program Studi Teknik Informatika
Jurusan Teknologi Informasi

Oleh
DIAN WAHYUNI
NIM E41190053

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI
POLITEKNIK NEGERI JEMBER
2019
 BAB 1. PENDAHULUAN

1.1 Latar Belakang

Dunia Pendidikan selalu menjadi pusat perhatian oleh banyak pihak.
Upaya-upaya peningkatan kualitas pendidikan juga terus ditingkatkan agar
pendidikan di Indonesia menjadi lebih baik. Salah satu unsur penting yang
mempengaruhi kualitas pendidikan adalah tenaga pendidik. Pendidik
merupakan tenaga profesional yang berkualifikasi sebagai guru, dosen,
konselor, pamong belajar, widyaiswara dan sebutan lain yang sesuai dengan
kekhususannya. Pendidik berpartisipasi dalam menyelenggarakan
pendidikan sesuai dengan Undang-undang No. 20 Tahun 2003 Tentang
Sistem Pendidikan Nasional. Salah satu tugas pendidik adalah
merencanakan, melaksanakan proses pembelajaran dan menilai hasil
pembelajaran peserta didik. Guru merupakan salah satu pendidik yang
sangat penting dalam sebuah lembaga pendidikan. Tugas utama guru adalah
mendidik, mengajar, membimbing, mengarahkan, melatih, menilai, dan
mengevaluasi peserta didik sesuai dengan Peraturan Pemerintah No. 74
Tahun 2008 Tentang Guru.
Guru merupakan element penting dalam setiap jenjang pendidikan
terlebih dalam pendidikan dasar. Guru harus mampu bekerja dengan
optimal, maka dari itu optimalisasi kinerja guru sangat penting dalam
sebuah sistem pendidikan. Optimalisasi sangat penting karena guru harus
mampu menciptakan suasana yang kondusif untuk belajar. optimalisasi
Kinerja Guru merupakan salah satu tujuan dari sasaran kinerja Badan
Kepegawaian dan Pegnembangan SDM Kabupaten Jember.
Badan Kepegawaian dan Pengembangan SDM Kabupaten Jember
adalah Instansi Pemerintahan yang mengani masalah kepegawaian di
Kabupaten Jember. Salah satunya yaitu Data Tenaga Pendidik, terutama
pengelolaan Data Tenaga Guru. Data Guru ada dua jenis yaitu data guru
PNS dan data guru tidak tetap (GTT). Guru tidak tetap (GTT) yaitu tenaga
guru non PNS yang bekerja berdasarkan Surat Penugasan (SP) dari Ibu
Bupati Jember. Berdasarkan hasil wawancara dengan Bpk. Johan Prasetyo
Hendriyanto, S.Kom, Kasubid Pengelolaan Data Pegawai Badan
Kepegawaian dan Pengembangan SDM Kabupaten Jember; saat ini
penempatan guru tidak tetap (GTT) masih manual dan banyak tenaga guru
yang berdomisili jauh dari unit kerjanya. Masalah tersebut timbul karena
kurangnya penataan dan pemerataan guru di Kabupaten Jember dan
menyebabkan kinerja guru tidak optimal. Penataan guru adalah proses
dimana distribusi guru ditata ulang sesuai dengan letak domisili untuk
memenuhi kebutuhan riil dari masing-masing satuan pendidikan sesuai SKB
5 Menteri 2011. Untuk pemerataan Guru Tidak Tetap di Kabupaten Jember
pasalnya belum terlaksana dengan baik. Ini menyebabkan kualitas
pendidikan di Kabupaten Jember tidak merata..
Pemerataan dan penataan guru membutuhkan pertimbangan yang efektif
dan efesien, pemerataan Guru Tidak Tetap (GTT) merupakan tugas yang
belum terlaksana secara maksimal oleh Badan Kepegawaian dan
Pengembangan SDM Kabupaten Jember, karena lokasi sekolah yang mudah
di jangkau memiliki rasio guru yang lebih banyak dibandingkan dengan
sekolah yang sulit dijangkau. Sistem Pendukung Keputusan Penempatan
Tenaga Guru Tidak Tetap Berbasis Web dapat membantu Badan
Kepegawaian Kabupaten Jember dalam pemetaan guru dengan referensi
data yang telah diolah dengan menggunakan Metode K-Neares Neighbor (K-
NN). Badan Kepegawaian dan Pengembangan SDM Kabupaten Jember akan
merekomendasikan kepada Ibu Bupati Jember untuk memenuhi program
pemerataan Tenaga Guru Tidak Tetap dengan menggunakan data yang
sudah diolah menggunakan metode Metode K-Neares Neighbor (K-NN).
Metode Metode K-Neares Neighbor (K-NN) yaitu sebuah metode untuk
melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang
jaraknya paling dekat dengan objek tersebut. Pada Jurnal Algoritma K-
Nearest Neighbor untuk Memprediksi Harga Jual Tanah pada jurnal ini
dibuat aplikasi yang dapat digunakan untuk memprediksi harga jual tanah
dengan menggunakan pendekatan K-Nearest Neighbor (KNN) (Wiyli
 Yustanti; 2012). Sedangkan pada Jurnal Penerapan Metode K- Nearest
Neighbor untuk Sistem rekomendasi Pemilihan Mobil sistem ini dibuat
untuk membantu calon pembeli dalam memilih mobil berdasarkan tujuan
pembelian mobil untuk bisnis, mobil keluarga, warna dll, penerapan metode
K-Nearest Neighbor untuk Sistem Rekomendasi Pemilihan Mobil membantu
memberikan bayangan atau referensi kepada user dalam menentukan
pembelian mobil sesuai dengan kebutuhan (Ni Luh Gede Pivin
Suwirmayanti; 2017).

Sistem Pendukung Keputusan Penempatan Guru Tidak Tetap (GTT)

Berbasis Web menggunakan metode K-NN ini diharapakan dapat membantu
Badan Kepegawaian dan Pengembangan SDM dalam memberikan referensi
kepada Ibu Bupati untuk menempatkan tenaga Guru Tidak Tetap sesuai
domisili (Zonasi), guna mengoptimalkan kinerja tenaga Guru Tidak Tetap di
Kabupaten Jember.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang dikemukakan diatas, maka permasalahan
yang akan dibahas adalah:
a. Bagaimana membangun sebuah Sistem Pendukung Keputusan Berbasis
Web untuk penataan tenaga Guru Tidak Tetap di Kabupaten Jember?
b. Bagaimana metode Algoritme k-nearest neighbor (k-NN atau KNN) mampu
mengklasifikasikan tenaga guru dengan domisili terdekat dengan lokasi
sekolah?

1.3 Tujuan
Tujuan dari penelitian ini adalah :
a. Untuk membuat sistem yang mampu mengklasifikasikan tenaga Guru
Tidak Tetap (GTT) yang domisilinya dekat dengan lokasi sekolah,
sehingga bisa menjadi dasar untuk pengambilan keputusan pimpinan
dalam memetakan atau menata tenaga guru SD sesuai dengan Zonasi.
 b. Untuk mengetahui seberapa baik dan tepat hasil rekomendasi keputusan
Penempatan Tenaga Guru Tidak Tetap dengan menggunakan metode K-
Neares Neighbor .

1.4 Manfaat
Manfaat yang diberikan dari penelitian ini adalah :
a. Bagi Penulis
Untuk menambah pengalaman dan wawasan dalam penerapan dan
pengimplementasian dari teori dan praktikum yang didapat selama
kuliah dalam pembuatan sistem Pendukung Keputusan yang berguna
bagi masyarakat. Selain itu penelitian ini juga sebagai sarana
penyelesaian Tugas Akhir jenjang D4 teknik Informatika.
b. Bagi Objek Penelitian
Penelitian ini diharapkan dapat membantu Badan Kepegawaian dan
Pengembangan SDM Kabupaten Jember dalam memberikan referensi
kepada Ibu Bupati dalam Penempatan tenaga Guru Tidak Tetap.
c. Bagi Peneliti Selanjutnya
Dengan adanya Sistem Pendukung Keputusan Penempatan Guru Tidak
Tetap (GTT) berbasis Web dengan menggunakan metode k-nearest
neighbor (k-NN) diharapkan dapat menambah referensi untuk peneliti
lain yang ingin meneliti atau mengembangkan tentang penempatan
tenaga guru.

1.5 Batasan Masalah

Berdasarkan rumusan masalah diatas maka batasan masalah pada penelitian
ini adalah sebagai berikut:
a. Studi kasus pada penelitian ini ditekankana pada Tenaga Guru Tidak
Tetap (GTT) di Kabupaten Jember;
b. Studi Kasus Pada Penelitian ini hanya ditekankan pada Guru Tidak
Tetap di Sekolah Dasar (SD) yang terdiri 910 sekolah tersebar dalam 31
Kecamatan. Pada Penelitian ini penulis membuat sample pada 410
Sekolah Dasar (pengambilan data sample dengan metode rumus
Slovin);
c. Data guru dan sekolah yang digunakan dalam penelitian ini didapat dan
seijin dari pihak Badan Kepegawaian dan Pengembangan SDM
Kabupaten Jember.

BAB 2. TINJAUAN PUSTAKA

2.1 Sistem
Sistem adalah suatu jaringan kerja dariprosedur-proseduryang
saling berhubungan, berkumpul bersama-sama untuk melakukan suatu
kegiatan atauuntuk menyelesaikan suatu sasarantertentu. Sistem dapat
didefinisikan sebagai seperangkat elemen yang digabungkan satu dengan
lainnya untuk suatu tujuan bersama. Kumpulan elemen terdiri dari manusia,
mesin, prosedur, dokumen, data atau elemen lain yang teroganisir dari
elemen-elemen tersebut. Elemen sistem disamping berhubungan satu sama
lain, juga berhubungan dengan lingkungannya untuk mencapai tujuan yang
telah ditentukan sebelumnya. Terdapat beberapa definisi sistem yaitu :
 1. Dalam buku Pengenalan Sistem Informasi yang dikutip dari
Abdul Kadir (2003 : 54) sistem adalah sekumpulan elemen yang
saling terkait atau terpadu yang dimaksudkan untuk mencapai
suatu tujuan.
2. Sistem adalah suatu jaringan kerja dari prosedur-prosedur yang
saling berhubungan, berkumpul bersama-sama untuk melakukan
suatu kegiatan atau untuk menyelesaikan suatu sasaran tertentu.
Jogiyanto HM (2005 : 1).
3. Sistem Menurut Andri Kristanto (2008: 1) merupakan kumpulan
elemen-elemen yang saling terkait dan bekerja sama untuk
memproses masukan (input) yang ditunjukan kepada sistem
tersebut dan mengolah masukan tersebut sampai menghasilkan
keluaran (output) yang dihasilkan.
4. Berdasarkan pendapat dari para ahli di atas mengenai sistem,
maka dapat diambil kesimpulan bahwa sistem adalah
sekelompok dari dua atau lebih komponen atau subsistem yang
saling berhubungan dan bersinergi. Untuk bekerja sama
melakukan suatu urutan kegiatan untuk mencapai tujuan yang
tertentu.

2.2 Sistem Pendukung Keputusan (SPK)

Sistem Pendukung Keputusan (SPK) adalah bagian dari sistem
informasi berbasis komputer termasuk sistem berbasis pengetahuan
atau manajemen pengetahuan yang dipakai untuk mendukung
pengambilan keputusan dalam suatu organisasi atau perusahaan. Dapat
juga dikatakan sebagai sistem komputer yang mengolah data menjadi
informasi untuk mengambil keputusan dari masalah semi terstruktur
yang spesifik.
Sistem Pendukung Keputusan (SPK) dapat digambarkan sebagai
sistem yang berkemampuan mendukung analisis adhoc data, pemodelan
keputusan, berorientasi keputusan, orientasi perencanaan masa depan
 yang digunakan pada saat-saat yang tidak biasa. Sistem Pendukung
Keputusan (SPK) juga merupakan penggabungan sumber-sumber
kecerdasan individu dengan kemampuan komponen untuk memperbaiki
kualitas keputusan dan menjadi sistem informasi berbasis komputer
untuk manajemen pengambilan keputusan yang menangani masalah-
masalah semi struktur.
Dengan pengertian diatas, dapat diambil suatu kesimpulan bahwa
Sistem Pendukung Keputusan (SPK) bukan merupakan alat
pengambilan keputusan, melainkan merupakan sistem yang membantu
pengambil keputusan untuk melengkapi informasi dari data yang telah
diolah secara relevan dan diperlukan untuk membuat keputusan tentang
suatu masalah dengan lebih cepat dan akurat. Sehingga sistem ini tidak
dimaksudkan untuk menggantikan pengambilan keputusan dalam
proses pembuatan keputusan.

2.3 Metode K-Nearest Neighbor (K-NN)

Algoritma k-nearest neighbor (KNN) adalah sebuah metode
untuk melakukan klasifikasi terhadap objek berdasarkan data
pembelajaran yang jaraknya paling dekat dengan objek tersebut. KNN
termasuk algoritma supervised learning dimana hasil dari query
instance yang baru diklasifikan berdasarkan mayoritas dari kategori
pada KNN. Nanti kelas yang paling banyak muncul yang akan menjadi
kelas hasil klasifikasi.
Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru
bedasarkan atribut dan training sample. Classifier tidak menggunakan
model apapun untuk dicocokkan dan hanya berdasarkan pada memori.
Diberikan titik query, akan ditemukan sejumlah k obyek atau (titik
training) yang paling dekat dengan titik query. Klasifikasi
menggunakan voting terbanyak diantara klasifikasi dari k obyek
algoritma k-nearest neighbor (KNN) menggunakan klasifikasi
ketetanggaan sebagai nilai prediksi dari query instance yang baru.
 Algoritma metode k-nearest neighbor (KNN) sangatlah
sederhana, bekerja berdasarkan jarak terpendek dari query instance ke
training sample untuk menentukan KNN-nya. Training sample
diproyeksikan ke ruang berdimensi banyak, dimana masing-masing
dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi
bagian-bagian berdasarkan klasifikasi training sample. Sebuah titik
pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang
paling banyak ditemui pada k buah tetangga terdekat dari titik tersebut.
Dekat atau jauhnya tetangga biasanya dihitung berdasarkan Euclidean
Distance.
Jarak Euclidean paling sering digunakan menghitung jarak.
Jarak euclidean berfungsi menguji ukuran yang bisa digunakan sebagai
interpretasi kedekatan jarak antara dua obyek. yang direpresentasikan
sebagai berikut :

X1 =[X1, X2, .....Xp] dan Y1 =[Y1, Y2, .....Yp]

Adalah
D2(x,y) = (X1 – Y1)2 + (X2 – Y2)2 + ....... + (Xp – Yp)2
= (X – Y) (X – Y) = (Y – X) (Y – X)
dimana matriks D(a,b) adalah jarak skalar dari kedua vektor a dan b
dari matriks dengan ukuran d dimensi.
Semakin besar nilai D akan semakin jauh tingkat keserupaan
antara kedua individu dan sebaliknya jika nilai D semakin kecil maka
akan semakin dekat tingkat keserupaan antar individu tersebut.
Nilai k yang terbaik untuk algoritma ini tergantung pada data.
Secara umum, nilai k yang tinggi akan mengurangi efek noise pada
klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi
semakin kabur. Nilai k yang bagus dapat dipilih dengan optimasi
parameter, misalnya dengan menggunakan cross-validation. Kasus
 khusus dimana klasifikasi diprediksikan berdasarkan training data yang
paling dekat (dengan kata lain, k = 1) disebut algoritma nearest
neighbor.
Ketepatan algoritma KNN sangat dipengaruhi oleh ada atau
tidaknya fitur-fitur yang tidak relevan atau jika bobot fitur tersebut
tidak setara dengan relevansinya terhadap klasifikasi. Riset terhadap
algoritma ini sebagian besar membahas bagaimana memilih dan
memberi bobot terhadap fitur agar performa klasifikasi menjadi lebih
baik.
Langkah-langkah untuk menghitung metode K-Nearest Neighbor :
1. Menentukan parameter K (jumlah tetangga paling dekat).
2. Menghitung kuadrat jarak euclid (query instance) masing–masin
obyek terhadap data sampel yang diberikan.
3. Kemudian mengurutkan objek–bjck tersebut kedalam kelompok
yang mempunyai jarak euclid terkecil.
4. Mengumpulkan kategori Y (Klasifikasi nearest neighbor)
5. Dengan menggunakan kategori nearest neighbor yang paling
mayoritas maka dapat dipredisikan nilai query instance yang telah
dihitung.

Algoritma K-Nearest ini memiliki kelebihan yang terdiri dari :

1. Dapat menghasilkan data yang kuat atau jelas (khususnya jika
menggunakan turunan perkalian kuadrat pada besaran jarak)
2. Efektif jika digunakan untuk data yang besar

Dari beberapa kelebihannya maka K-Nearest juga memiliki kekurangan

yaitu :
1. Membutuhkan nilai K sebagai parameter.
2. Jarak dari data percobaan tidak dapat jelas dengan tipe jarak yang
digunakan dan dengan atribut yang digunakan untuk menghasilkan
hasil yang terbaik, maka harus menggunakan semua atribut atau
hanya 1 aribut yang telah pasti.
3. Perhitungan harga sangat tinggi karena percobaan ini
membutuhkan perhitungan jarak dari beberapa query untuk semua
data percobaan.

2.4 Website
Website adalah sering juga disebut Web, dapat diartikan suatu
kumpulan-kumpulan halaman yang menampilkan berbagai macam
informasi teks, data, gambar diam ataupun bergerak, data animasi,
suara, video maupun gabungan dari semuanya, baik itu yang bersifat
statis maupun yang dinamis, yang dimana membentuk satu rangkaian
bangunan yang saling berkaitan dimana masing-masing dihubungkan
dengan jaringan halaman atau hyperlink.
Atau definisi website adalah kumpulan dari berbagai macam
halaman situs, yang terangkum didalam sebuah domain atau juga
subdomain, yang lebih tempatnya berada di dalam WWW (World Wide
Web) yang tentunya terdapat di dalam Internet. Halaman website
biasanya berupa dokumen yang ditulis dalam format Hyper Text
Markup Language (HTML), yang bisa diakses melalui HTTP, HTTP
adalah suatu protokol yang menyampaikan berbagai informasi dari
server website untuk ditampilkan kepada para user atau pemakai
melalui web browser.

2.4.1 . Jenis atau macam-macam website

Jenis-jenis website ada 3 (tiga) macam diantaranya, bisa dibaca
dibawah ini:
· Website Statis adalah suatu website yang mempunyai
halaman yang tidak berubah. Yang artinya adalah untuk
melakukan sebuah perubahan pada suatu halaman hanya bisa
dilakukan secara manual yitu dengan cara mengedit kode-kode
yang menjadi struktur dari website itu sendiri.
· Website Dinamis adalah merupakan suatu website yang
secara strukturnya diperuntukan untuk update sesering
mungkin. Biasanya selain dimana utamanya yang bisa diakses
oleh para pengguna (user) pada umumnya, juga telah
disediakan halaman backend yaitu untuk mengedit konten dari
website tersebut. Contoh dari website dinamis seperti web
berita yang didalamnya terdapat fasilitas berita, dsb.
· Website Interaktif adalah suatu website yang memang pada
saat ini memang terkenal. Contohnya website interaktif seperti
forum dan blog. Di website ini para pengguna bisa berinteraksi
dan juga beradu argumen mengenai apa yang menjadi
pemikiran mereka.
2.4.2. Manfaat dari website biasanya sebagian orang memiliki
suatu alasan untuk membuat web itu sendiri, diantaranya:
· Memperluas jangkauan promosi sesuatu, dengan memiliki
website maka produk kita lebih bisa dikenal oleh masyarakat
khususnya pengguna internet.

· Bisa menjadi media tanpa batas, sebab internet adalah

media informasi yang tanpa batas. Dengan memiliki website
kita berarti sama saja memiliki banyak karyawan yang
mempromosikan produk kita selama 24 jam. Yang artinya
dimana website kita akan memberikan suatu informasi
kepada calon konsumen selama 24 jam.

· Promosi yang luas, internet adalah suatu media promosi

terluas di dunia jika dilihat dari jangkauan area.

· Media pengenalan perusahaan, Jika kita memiliki suatu

perusahaan akan lebih mudah kita mengenalkan perusahaan
lewat website, karana jangkauannya internet yang luas dan
pemakainya yang banyak, sehingga perusahaan kita akan
 dikenal oleh masyarakat banyak sehingga dapat
mendatangkan calon konsumen dengan cara promosi produk
lewat website.

2.5 Guru Tidak Tetap (GTT)

Guru dapat diartikan sebagai orang yang tugasnya terkait dengan
upaya mencerdaskan kehidupan bangsa dalam semua aspeknya, baik
spiritual dan emosional, intelektual, fisikal, maupun aspek lainnya.
“Secara legal formal, guru adalah seseorang yang memperoleh surat
keputusan (SK), baik dari pemerintah maupun pihak swasta untuk
mengajar”(Suparlan,2008:12).
Guru adalah sosok yang rela mencurahkan sebagai besar waktunya
untuk mengajar dan mendidik siswa, sementara penghargaan dari sisi
material, misalnya, sangat jauh dari harapan” (Ngainun Naim,2009:1).
Sedangkan menurut Drs. N.A Ametembundalam (Syaiful Bahri
Djamarah,2010:23), bahwa “guru adalah semua orang yang berwenang
dan bertanggung jawab terhadap pendidikan murid-murid, baik secara
individual ataupun klasikal, baik di sekolah maupun diluar
sekolah”.Beberapa tingkatan profesi guru menurut Chamberlin dalam
Oemar Hamalik (2002: 26).
Ada tiga pengelompokan guru di sekolah,yaitu guru tetap yang
bestatus pegawai negeri sipil (PNS), guru tetap yayasan (GTY) dan
guru tidak tetap (GTT). Jumlahnya berbeda dari kebutuhan masing-
masing sekolah. Pengangkatan guru sebagai pegawai negeri sipil tidak
sesuai dengan jumlah lulusan yang terlalu banyak. Hal ini menimbulkan
banyaknya lulusan tenaga kependidikan yang menumpuk di sekolah-
sekolah. Berikut ini hal mengenai guru tetap dan guru tidak tetap.
2.5.1 Guru PNS
Dalam Surat Edaran (SE) Mendikbud dan Kepala BAKN Nomor
57686/ MPK/ 1989 yang dikutip dari Suparlan (2005: 15) dinyatakan
lebih spesifik bahwa “Guru ialah pegawai negeri sipil (PNS) yang
diberi tugas, wewenang dan tanggung jawab oleh pejabatyang
berwenang untuk melaksanakan pendidikan di sekolah (termasukhak
yang melekat dalam jabatan)”. Dalam SE tersebut dijelaskanbahwa
seorang guru memiliki tugas, wewenang, tanggung jawab danhak yang
melekat di dalamnya untuk melaksanakan pendidikan disekolah. Guru
yang sudah secara sah mendapat pengakuan dari pemerintah berupa
Surat Keputusan untuk menjalankan tugasnya sebagai seorang
pendidik. Guru sebagai pegawai negeri sipil dibiayai dan mendapat
anggaran resmi dari APBN dan APBD mencakup semua tunjangan
yang didapatkannya berdasarkan golongan dan masa jabatan tertentu
karena jenjang jabatannya memiliki suatu keteraturan.
2.5.2 Guru Tidak tetap (GTT)
Guru tidak tetap adalah guru yang diangkat untuk mencukupi
kebutuhan guru baik di sekolah negeri maupun swasta (Suyanto dan
Abbas,2004: 128). Jadi guru tidak tetap diangkat atas kewenangan
pihak sekolah karena kurangnya tenaga pendidik. Lebih lanjut
dijelaskan bahwa tugas guru tidak tetap tidak jauh berbeda dengan guru
berstatus lain yaitu melaksanakan pembelajaran dan menyusun
administrasi. Guru Tidak Tetap (GTT) merupakan tenaga pendidik
yang diangkat oleh pihak sekolah untuk guru yang:
1. Diangkat berdasarkan kebutuhan pada satuan pendidikan
(sekolah) dengan disetujui kepala sekolah.
2. Kewenangan bertumpu kepada kepala sekolah, baik
pengangkatan juga pemberhentian.
3. Menandatangani kontrak kerja selama jangka waktu
tertentu, setahun atau lebih sesuai dengan kebutuhan
sekolah.
4. Tunjangan fungsional adalah “jasa baik” Pemda, walaupun
legal, akan tetapi tidak masuk dalam kategori dari
“pembiayaan APBD”, dengan demikian GTT adalah guru
yang tidak masuk anggaran APBN dan APBD.
2.6 State Of The Art
1. Penelitian dengan judul Algoritma K-Nearest Neighbor untuk
Memprediksi Harga Jual Tanah diambil dari Jurnal Matematika,
Statistika dan Komputasi, diteliti oleh Wiyli Yustanti pada tahun
2012 di Renon Indonesia. Penelitian ini menceritakan tentang
banyaknya masyarakat yang kesulitan untuk menentukan pilihan
dalam memilih tanah yang strategis dengan harga sesuai
kemampuan karena kurangnya pengetahuan tentang harga tanah
berdasarkan harga pasar. Berdasarkan permasalahan tersebut
maka dilakukan perancangan dan pembuatan aplikasi yang dapat
digunakan untuk memprediksi harga jual tanah dengan
pendekatan algoritma K-Nearest Neighbour (KNN). Dengan
aplikasi ini diharapkan dapat memberikan Informasi yang lebih
akurat dan efisien tentang harga jual tanah serta membantu para
calon pembeli atau penjual tanah untuk memprediksi nilai tanah
sesuai dengan kriteria yang ditentukan. Data yang dikumpulkan
berupa data sekunder. Metode yang digunakan adalah gabungan
antara tahapan data mining yang dikenal dengan istilah Cross-
Industry Standard Process for Data Mining (CRISP-DM) dan
metode pengembangan perangkat lunak Waterfall Model. Secara
keseluruhan aplikasi ini mampu untuk memprediksi nilai tanah
dengan pemrosesan yang cukup lama karena algoritma KNN
prinsipnya adalah membandingkan data testing (data baru)
 dengan data training (data lama) secara satu persatu. Hasil akurasi
dari prediksi data testing adalah sebesar 80%.

2. Penelitian selanjutnya berjudul Penerapan K- Nearest Neighbor

untuk Sistem Rekomendasi Pemilihan Mobild diambil dari
Tehno.Com, diteliti oleh Ni Luh Gede Pivin Suwirmayanti pada
tahun 2017 di Surabaya Indonesia. Penelitian ini membahas
tentang banyaknya varian mobil yang ada membuat konsumen
atau calon pembeli mengalami kesulitan dalam menentukan
pilihan secara tepat dan pasti. Bagi calon pembeli baik
perseorangan atau perusahaan ingin secara cepat mendapatkan
pilihan mobil sesuai selera atau kebutuhan yang diperlukan.
Kemampuan penerapan metode untuk sistem pendukung
keputusan merupakan salah satu alternatif yang tepat saat ini.
Algoritma K-Nearest Neighbor (K-NN) ini dipilih karena metode
K-NN merupakan suatu bentuk model pendukung keputusan yang
dapat megklasifikasikan data berdasarkan jarak terdekat. Sistem
ini dirancang untuk membantu calon pembeli dalam memilih
mobil berdasarakan tujuan pembelian berupa mobil untuk bisnis,
mobil keluarga, dan mobil angkutan barang, harga, tahun
pembuatan, kapasitas penumpang, warna, kapasitas mesin, jenis
transmisi. “Penerapan Metode K-Nearest Neighbor Untuk Sistem
Rekomendasi Pemilihan Mobil” membantu memberikan
bayangan ataupun referensi kepada user atau calon pembeli dalam
menentukan pemilihan mobil sesuai kebutuhan.

3. Penelitian selanjutnya berjudul Penerapan Metode K-Nearest

Neighbor (KNN) dan Metode Weighted Product (WP) Dalam
Penerimaan Calon Guru dan Karyawan Tata Usaha Baru
Berwawasan Teknologi (Studi Kasus : Sekolah Menengah
Kejuruan Muhammadiyah 2 Kediri diambil dari Jurnal
 Pengembangan Teknologi Informasi dan Ilmu Komputer, diteliti
oleh Nihru Nafi’ Dzikrulloh, Indriati, Budi Darma Setiawan pada
tahun 2017 di Kedir Indonesia. Penelitian ini membahas tentang
Kebutuhan Tenaga Guru dan Tata Usaha di sebuah Sekolah yang
menguasai bidang teknologi. Untuk memenuhi standar kualitas
guru yang diinginkan, selama ini pihak sekolah SMK
Muhammadiyah Kediri 2 ini melakukan seleksi penerimaan calon
guru dan karyawan dengan cara manual. Proses pengumpulan
data untuk seleksi masih menggunakan cara manual. Oleh sebab
itu, dibutuhkan suatu sistem berbasis websitesehingga seleksi
penerimaan calon guru baru dapat berjalan lebih efektif dan
efisien. Pada website ini menggunakan metode K-Nearest
Neighbor (KNN) dan metode Weighted Product (WP). K-Nearest
Neighbor digunakan untuk menentukan nilai bobot setiap kriteria
dengan mengklasifikasikan dengan baik atau buruk. Setelah
mengklasifikasikan dengan metode KNN, pemilihan calon guru
yang akan direkrut oleh sekolah SMK Muhammadiyah 2 Kediri
menggunakan metode Weight Product(WP). Weight Product
digunakan untuk menentukan hasil klasifikasi oleh metode KNN
dengan melakukan perangkingan agar dapat diambil hasil yang
terbaik. Pengujian yang dilakukan terdiri dari, pengujian akurasi
terhadap nilai K dan pengujian akurasi terhadap kriteria nilai
bobot metode WP. Hasil dari pengujian pengaruh nilai K terbaik
dengan beberapa kriteria nilai bobot diperoleh nilai akurasi nilai
akurasi sebesar 94%, precision80%, dan nilai recall 80%.
4. Penelitian selanjutnya berjudul Implementasi Metode K-Nearest
Neighbor (KNN) dan Simple Additive Wighting (SAW) dalam
Pengambilan Keputusan Seleksi Penerimaan Anggota Paskibraka
diambil dari Jurnal Pseudocode, diteliti oleh Asahar Johar T,
Delfi Yanosma, Kurnia Anggriani pada tahun 2016 di Kandang
Limun Bengkulu Indonesia. Penelitian ini membangun sebuah
 sistem pendukung keputusan seleksi penerimaan anggota
Paskibraka. Aplikasi yang dibangun menggunakan metode K-
Nearest Neighbor (KNN) dan Simple Addittive Weighting
(SAW). Metode K-Nearest Neighbor digunakan untuk melakukan
klasifikasi peserta yang akan diterima. Metode Simple Addittive
Weighting digunakan untuk melakukan perangkingan. Aplikasi
ini dibangun dengan menggunakan bahasa pemrograman PHP.
Metode pengembangan sistem yang digunakan untuk membangun
aplikasi ini adalah model waterfall danUnified Modelling
Language(UML) sebagai perancangan sistem. Hasil dari aplikasi
ini yaitu berupa rekomendasi nama peserta yang lolos dan tidak
lolos seleksi berdasarkan hasil perangkingan nilai masing-masing
peserta.

Tabel 2.4 State of the Art

No Penulis Meto Penjelasan

de

Wiyli K- Menganalisa sentimen

Yustanti Neare masyarakat terhadap harga
st jual tanah berdasarkan
Neigh harga pasar Data yang
bor dikumpulkan berupa data
(KNN sekunder. Metode yang
) digunakan adalah gabungan
antara tahapan data mining
dan metode pengembangan
perangkat lunak Waterfall
Model
Ni Luh K- Menganalisa sentimen
Gede Neare masyarakat dalam
Pivin st pemilihan mobil dengan
Suwirm Neigh Sistem Rekomendasi
ayanti bor Pemilihan Mobil”
(KNN diharapkan dapat membantu
) memberikan bayangan
ataupun referensi kepada
user atau calon pembeli
dalam menentukan
pemilihan mobil sesuai
kebutuhan.

Nihru K- Menganalisa Proses

Nafi’ Neare Penerimaan Tenaga Guru
Dzikrull st dan Tata Usaha di sebuah
oh, Neigh Sekolah yang sebelumnya
Indriati, bor manual menjadi berbasis
Budi (KNN Website dengan
Darma ) menggunakan perangkingan
Setiawa untuk mendapatkan nilai
n yang terbaik.
Dewant
o,
Hermaw
an Arief
Putranto

Asahar K- Menganalisa proses

Johar T, Neare Penerimaan Anggota
Delfi st Paskibraka dengan
 Yanosm Neigh klasifikasi peserta yang
a, bor akan diterima dengan
Kurnia (KNN metode perangkingan.
Anggria )
ni

BAB 3. METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Pelaksanaan

a. Waktu Penelitian

Penelitian dilaksanakan selama kurang lebih 6 bulan, dimulai dari bulan

Agustus 2019 sampai dengan bulan Januari 2020.

b. Tempat Pelaksanaan

Penelitian dilaksanakan bertempat di Badan Kepegawaian dan

Pengembangan SDM Kabupaten Jember Jember.

3.2 Kebutuhan Sistem

a. Software
 1) Sistem Operasi : Windows 8.1

2) Database : MySQL

3) Web Browser : Google Chrome

4) Bahasa Pemograman : Lavarel

b. Hardware

1) Processor : Intel® Core™ i3-2328M

CPU @ 2.20GHz

2) Memory : 4 GB

3) Harddisk : 500 GB

3.3 Data

Data yang digunakan adalah data berupa excel. Data yang dikumpulkan dari
hasil observasi di Kabupaten Jember yang mencakup jumlah kecamatan,
jumlah sekolah, jumlah ruang kelas, jumlah guru yang mengajar, dan jumlah
siswa yang terbagi menjadi beberapa kategori seperti SDN dengan
melakukan dokumentasi dan observasi.

3.4 Metode Penelitian

Berikut gambaran alurmetode penelitian yang dilakukan seperti pada Gambar 3.1.
 Gambar 3.2Alurmetode penelitian

3.4.1 Studi Pustaka

Pada studi pustaka penulis menghimpun informasi sebagai referensi terkaitdengan

teori-teori terhadap penelitian yang dilakukan, seperti teori Analisis Sentimen,
Text Mining,Text Preprocessing (Tokenizing, Stopword, Stemming,Pembobotan),
Support Vector Machine, K-Fold dan Confusion Matrix. Hasil penelitian-
penelitian sebelumnya yang memiliki topik serupa dengan penelitian yang penulis
buat juga menjadi referensi serta acuan dalam menentukan langkah-langkah yang
perlu diterapkan dalam melakukan analisa sentimen.

3.4.2 Pengumpulan Data

Data yang digunakan adalah tweet berbahasa Indonesia yang diambil dari Twitter.
Data yang diambil berupa tweet yang berisi opini atau pendapat pengguna twitter
yang dikirimkan kepada akun Twitter resmi milik Traveloka. Data yang terunduh
berbentuk format .json, kemudian disimpan ke dalam databaseMongoDB. Setelah
tersimpan kemudian dilakukan reduksi data untuk menghapus beberapa field dan
beberapa data yang tidak dibutuhkan. Tahap selanjutnya adalah memberikan label
pada masing-masing data yang mana label yang diberikan pada masing-masing
data berisi kata positif atau negatif. Proses pelabelan dibantu oleh seorang ahli
bahasa Indonesia sehingga data yang telah dilabelkan menjadi valid.

3.4.3 Text Preprocessing

Data mentah hasil penambangan data melalui teknik scrapping disimpan ke

database, kemudian di lakukan Text Preprocessingyang terdiri dari tahap
Tokenizing, Stopword, Stemming, dan Pembobotanmenggunakan TFIDF. Setelah
melakukan proses Tokenizing dan sebelum melanjutkan ke proses Stopword,
penulis menambah satu proses lagi yaitu perbaikan kata. Proses ini dilakukan
untuk memperbaiki kata-kata yang dalam penulisannya terdapat kesalahan serta
mengartikan kata-kata yang berupa istilah dalam bahasa asing ke dalam bahasa
Indonesia. ProsesText Preprocessing menghasilkan term berbobot untuk
selanjutnya diproses pada tahap klasifikasi.

3.4.4 Klasifikasi

Data yang telah melalui proses analisa menggunakan Text

Preprocessingselanjutnya diklasifikasi menggunakan metode Support Vector
Machine. Karena jumlah fitur yang dihasilkan dari proses Text Preprocessing
berjumlah banyak sehingga berdimensi tinggi, maka kernel yang digunakan
adalah kernel non-linear yaitu Radial Basis Function (RBF).
 3.4.5 Validasi dan Evaluasi

Tahap penelitian akhir adalah adalah melakukan penghitungan dan pengukuran

metode klasifikasi Support Vector Machine. Validasi pada penelitian ini
menggunakan cross validation yaitu K-Foldyang digunakan untuk partisi data.
Evaluasi pada penelitian ini menggunakan Conclusion Matrix, dimana performa
dari klasifikasi yang dilakukan dapat diketahui antara lain yaitu skor akurasi,
presisi, recalldan F1.

DAFTAR PUSTAKA

Wiyli Yustanti (2012). Algoritma K-Nearest Neighbor untuk

Memprediksi Harga Jual Tanah. https://jurnal.unhas.ac.id/
Ni Luh Gede Pivin Suwirmayanti (2017). Penerapan K- Nearest
Neighbor untuk Sistem Rekomendasi Pemilihan Mobil.
Program Studi Sistem Komputer STMIK STIKOM Bali.
https://Tehno.com/
Abdul Kadir (2003 : 54). Pengenalan Sistem Informasi, Andi,
Yogyakarta.
Jogiyanto 2005. Sistem Teknologi Informasi,Andi,Yogyakarta.
Andri Kristanto (2008: 1) Perancangan Sistem Informasi dan
Aplikasinya Gava Media, Yogyakarta
Suparlan Suhartono. (2008). Wawasan pendidikan: Sebuah pengantar
pendidikan.Yogyakarta: Ar-Ruzzmedia
Ngainun, Naim (2009). Menjadi Guru Inspiratif: Membudayakan dan
Mengubah Jalan Hidup Siswa. Yogyakarta: Pustaka Pelajar.
Djamarah, Syaiful Bahri (2010). Strategi Belajar Mengajar. Jakarta:
Asdi Mahasatya.
Hamalik,Oemar (2002). Psikologi Belajar Mengajar. Bandung: Sinar
Baru Algensido.
Suparlan. 2005. Menjadi Guru Efektif. Yogjakarta: Hikayat.
Suyanto dan Abbas M.S, ( 2004 ). Wajah dan Dinamika Pendidikan
Anak Bangsa, Jakarta : Adicita Karya Nusa
Dzikrulloh, Nihru Nafi, Indriati, dan Budi Darma Setiawan. (2017).
Penerapan Metode K-Nearest Neighbor (KNN) dan Metode
Weighted Product (WP) dalam penerimaan Calon Guru dan
Karyawan Tata Usaha Baru Berwawasan Teknologi.
Purwokerto: Jurnal Pengembangan Teknologi informasi dan
ilmu Komputer, Vol. 1, No. 5, Mei 2017: 378-385.
Asahar Johar T, Delfi Yanosma, Kurnia Anggriani (2016).
Implementasi Metode K-Nearest Neighbor (KNN) dan
Simple Additive Wighting (SAW) dalam Pengambilan
Keputusan Seleksi Penerimaan Anggota Paskibraka.
Bengkulu: Jurnal Pseudocode, Volume III Nomor 2,
September 2016, ISSN 2355-5920.