dickynofriansyah.files.wordpress.com · web viewanalisa dan perancangan 4.1 analisa pada bab ini...
TRANSCRIPT
BAB IVANALISA DAN PERANCANGAN
4.1 Analisa
Pada bab ini merupakan gambaran proses analisa suatu masalah dan
gambaran dari penerapan metode atau algoritma untuk dapat menyelesaikan
masalah yang dihadapi. Untuk menunjang analisi data dalam pencarian
pengetahuan, maka dicoba untuk dilakukan transformasi data manual yang
terdapat di jurusan Teknik Komputer Jaringan pada SMKN 1 Percut Sei Tuan.
Dalam hal ini perancangan system berupa perancang basis data mengggunakan
Microsoft Excel 2007 di mana program aplikasi ini sangat membantu dan
menunjang dan melakukan pembuktian terhadap analisa penyelesaian masalah.
4.2 Arsitektur Sistem
Di dalam data mining, terdapat beberapa tekhnik pengolahan data agar
data tersebut lebih bermanfaat dan bernilai. Metode Algoritma C4.5 adalah di
antara tekhnik yang dapat digunakan. Adapun arsitektur dari sistem perbandingan
yang dirancang untuk dapat menyelesaikan permasalahan yang diangkat adalah
sebagai berikut:
Gambar 4.1 Arsitektur Sistem Yang Dirancang
Basis Data yang digunakan adalah kumpulan data yaitu:
1. Data Guru (berkenaan dengan status)
2. Absensi Guru (yang mencakup aspek kedisiplinan)
3. Aspek Penilaian Siswa (sesuai angket siswa)
4. Aspek Penilaian Pimpinan
Dengan data yang sama selanjutnya data tersebut akan diolah dan dianalisa
menggunakan metode C4.5. Untuk penggunaan Algoritma C4.5 juga dilakukan
dengan beberapa tahapan yaitu sebagai berikut:
1. Menentukan Atribut Akar
2. Pembuatan Cabang untuk setiap nilai
3. Pembagian Kasus dalam setiap cabang
4. Pembentukan Pohon Keputusan
5. General Rules
4.3 Pengumpulan Data
Metode pengumpulan data yang dilakukan dengan cara melakukan
pengamatan langsung ke SMKN 1 Percut Sei Tuan. Selain itu juga dengan
menyebarkan angket ke 30 Siswa. Berikut ini adalah Data Guru di SMKN 1
Percut Sei Tuan
1. Data Guru
Dalam hal ini data guru yang digunakan adalah berdasarkan Statusnya yang
terbagi atas 2(dua) bagian yaitu: Guru PNS dan Guru Honorer. Berikut ini
adalah tabel data guru di SMKN 1 Percut Sei Tuan
Tabel 4.1 Data Guru
NO NAMA GURU MATA DIKLAT NIP Status
1 Tiarma Sihite, ST Jaringan Dasar, DP-WAN. K-WAN19620429 199003 1 007 PNS
2 Yasohati Sarumaha, Skom Jar Dsr, Pemrog.Vis I,Proyek SI
19670306 199103 1 016 PNS
3 Marta Farida, S.Skom Pemrog Web,Aplikasi WBO,Web Dinamis
19660213 199103 1 018 PNS
4 Ade Putri Ferdina, ST
Apl DB sql,Pemrog.Dsar, Sql Dasar,Web Design
19570323 198603 1 020 PNS
5 Ir. Usman Siregar Cisco,ADM server,SOJ,ISO GUI-CLI19650303 199203 1 023 PNS
6 Chairani Saragih, S.Pd MPP&PPC,Perakitan PC,Design Graphic
19601203 198901 1 003 PNS
7 Adistiani Barus Sist.Komputer,P. Inf,Pemrog Web - HONORER
8 Arwan Sihombing Cisco,ADM server,SOJ - HONORER
9 Widya Fitri Wulandari Pengolahan Inf,Pemrog Web - HONORER
7 Atan Fices Barus SOJ, ISO GUI-CLI - HONORER
8 Fadlan Siregar Perakitan PC, SOJ - HONORER
9 Rahmansyah Siregar Perakitan PC, SOJ - HONORER
10 Damianus Sarumaha Perakitan PC, Pemrograman Dasar - HONORER
11 Fahmy Syahputra PBO, WDB server - HONORER
12 Ganda Manik,Skom Sistem Operasi - HONORER
Sumber: Buku Induk SMKN 1 Percut Sei Tuan
2. Data Absensi
Salah satu aspek penilaian kinerja guru adalah Absensi Guru. Absensi guru
ini dapat dijadikan landasan di dalam penilaian Kedisiplinan Guru. Berikut ini
adalah tabel Rekapitulasi Absensi Guru Periode September 2013 sampai dengan
Desember 2013.
Tabel 4.2 Data Absensi Guru Periode September 2014 s/d Desember 2013
NO NAMA GURU MATA DIKLAT Persentase Kehadiran
1 Tiarma Sihite, ST Jaringan Dasar, DP-WAN. K-WAN 99%
2Yasohati Sarumaha,
SkomJar Dsr, Pemrog.Vis I,Proyek SI
92%
3 Marta Farida, S.Skom Pemrog Web,Aplikasi WBO,Web Dinamis 98%
4 Ade Putri Ferdina, STApl DB sql,Pemrog.Dsar, Sql Dasar,Web
Design 78%
5 Ir. Usman Siregar Cisco,ADM server,SOJ,ISO GUI-CLI 100%
6 Chairani Saragih, S.Pd MPP&PPC,Perakitan PC,Design Graphic 99%
7 Adistiani Barus Sist.Komputer,P. Inf,Pemrog Web 99%
8 Arwan Sihombing Cisco,ADM server,SOJ 94%
9 Widya Fitri Wulandari Pengolahan Inf,Pemrog Web 98%
7 Atan Fices Barus SOJ, ISO GUI-CLI 91%
8 Fadlan Siregar Perakitan PC, SOJ 100%
9 Rahmansyah Siregar Perakitan PC, SOJ 94%
10 Damianus Sarumaha Perakitan PC, Pemrograman Dasar 99%
11 Fahmy Syahputra PBO, WDB server 83%
12 Ganda Manik,Skom Sistem Operasi 93%
3. Aspek Penilaian Siswa
Salah satu aspek penentuan penilaian adalah Data Penilaian Siswa
berdasarkan Angket. Adapun rekapitulasi data angket siswa yaitu sebagai berikut:
Tabel 4.3 Rekapitulasi Angket Siswa
4. Aspek Penilaian Pimpinan
Salah satu aspek penentuan penilaian adalah Data Penilaian Pimpinan.
Adapun rekapitulasi penilaian pimpinan yaitu sebagai berikut:
NO NAMA GURU HASIL PENILAIAN
1 Tiarma Sihite, ST Baik
2 Yasohati Sarumaha, Skom Kurang
3 Marta Farida, S.Skom Kurang
4 Ade Putri Ferdina, ST Kurang
5 Ir. Usman Siregar Baik
6 Chairani Saragih, S.Pd Sangat Baik
7 Adistiani Barus Kurang
8 Arwan Sihombing Kurang
9 Widya Fitri Wulandari Kurang
7 Atan Fices Barus Sangat Baik
8 Fadlan Siregar Kurang
9 Rahmansyah Siregar Kurang
10 Damianus Sarumaha Kurang
11 Fahmy Syahputra Kurang
12 Ganda Manik,Skom Kurang
Tabel 4.4 Rekapitulasi Penilaian Pimpinan
NO NAMA GURU HASIL PENILAIAN
1 Tiarma Sihite, ST Kurang
2 Yasohati Sarumaha, Skom Baik
3 Marta Farida, S.Skom Kurang
4 Ade Putri Ferdina, ST Kurang
5 Ir. Usman Siregar Baik
6 Chairani Saragih, S.Pd Sangat Baik
7 Adistiani Barus Kurang
8 Arwan Sihombing Kurang
9 Widya Fitri Wulandari Kurang
7 Atan Fices Barus Sangat Baik
8 Fadlan Siregar Kurang
9 Rahmansyah Siregar Kurang
10 Damianus Sarumaha Kurang
11 Fahmy Syahputra Baik
12 Ganda Manik,Skom Kurang
4.3.1 Pre-Processing Data
Pre-processing Data merupakan salah satu langkah yang digunakan untuk
validasi sebuah data yang akan di jakan objek pengujian. Di dalam pre-processing
salah satu langkah yang digunakan adalah transformasi setiap nilai attribut yang
sama ke bentuk numerik sehingga mudah dilakukan untuk proses pemecahan
masalah dan pembentukan data sampelnya. Berikut ini adalah pre-processing data
ujinya.
1. Status Guru
Untuk Status Guru diklasifikasikan menjadi 2(dua) jenis yaitu:
- Bernilai 1 apabila “Statusnya” = PNS
- Bernilai 0 apabila “Statusnya” = Honorer
Berikut ini pre-processing data bersumber dari tabel 4.1
Tabel 4.5 Pre-Processing Status Guru
2. Absensi Guru
Untuk Absensu Guru diklasifikasikan menjadi 2(dua) jenis yaitu:
- Bernilai 1 apabila “Absensi” = “>=90%”
- Bernilai 0 apabila “Absensi” = “<90%”
Berikut ini pre-processing data bersumber dari tabel 4.2
NO NAMA GURU Status Nilai
1 Tiarma Sihite, ST PNS 1
2 Yasohati Sarumaha, Skom PNS 1
3 Marta Farida, S.Skom PNS 1
4 Ade Putri Ferdina, ST PNS 1
5 Ir. Usman Siregar PNS 1
6 Chairani Saragih, S.Pd PNS 1
7 Adistiani Barus HONORER 0
8 Arwan Sihombing HONORER 0
9 Widya Fitri Wulandari HONORER 0
7 Atan Fices Barus HONORER 0
8 Fadlan Siregar HONORER 0
9 Rahmansyah Siregar HONORER 0
10 Damianus Sarumaha HONORER 0
11 Fahmy Syahputra HONORER 0
12 Ganda Manik,Skom HONORER 0
Tabel 4.6 Pre-Processing Absensi Guru
3. Penilaian Siswa
Untuk Peniliaian Siswa diklasifikasikan menjadi 3(tiga) jenis yaitu:
- Bernilai 1 apabila “Kurang”
- Bernilai 2 apabila “Baik”
- Bernilai 3 apabila “Sangat Baik”
Berikut ini pre-processing data bersumber dari tabel 4.3
NO NAMA GURU Status Nilai
1 Tiarma Sihite, ST 99% 1
2 Yasohati Sarumaha, Skom 92% 1
3 Marta Farida, S.Skom 98% 1
4 Ade Putri Ferdina, ST 78% 0
5 Ir. Usman Siregar 100% 1
6 Chairani Saragih, S.Pd 99% 1
7 Adistiani Barus 99% 1
8 Arwan Sihombing 94% 1
9 Widya Fitri Wulandari 98% 1
7 Atan Fices Barus 91% 1
8 Fadlan Siregar 100% 1
9 Rahmansyah Siregar 94% 1
10 Damianus Sarumaha 99% 1
11 Fahmy Syahputra 83% 0
12 Ganda Manik,Skom 93% 1
4.
Tabel 4.7 Pre-Processing Aspek Penilaian Siswa
4 Penilaian Pimpinan
Untuk Penilaian Pimpinan diklasifikasikan menjadi 3(tiga) jenis yaitu:
- Bernilai 1 apabila “Kurang”
- Bernilai 2 apabila “Baik”
- Bernilai 3 apabila “Sangat Baik”
Berikut ini pre-processing data bersumber dari tabel 4.4
NO NAMA GURU HASIL PENILAIAN
Nilai
1 Tiarma Sihite, ST Baik 2
2 Yasohati Sarumaha, Skom Kurang 1
3 Marta Farida, S.Skom Kurang 1
4 Ade Putri Ferdina, ST Kurang 1
5 Ir. Usman Siregar Baik 2
6 Chairani Saragih, S.Pd Sangat Baik 3
7 Adistiani Barus Kurang 1
8 Arwan Sihombing Kurang 1
9 Widya Fitri Wulandari Kurang 1
7 Atan Fices Barus Sangat Baik 3
8 Fadlan Siregar Kurang 1
9 Rahmansyah Siregar Kurang 1
10 Damianus Sarumaha Kurang 1
11 Fahmy Syahputra Kurang 1
12 Ganda Manik,Skom Kurang 1
Tabel 4.8 Pre-Processing Aspek Penilaian Pimpinan
Setelah dilakukan pre-processing seluruh data pre-processing akan
dijadikan sebagai sampel atau objek pengujian.
4.4 Analisa Algoritma C4.5
Berikut ini adalah tahapan-tahapan penyelesaian untuk membentuk sebuah
pohon keputusan yang dapat di jadikan acuan untuk memilih guru terbaik di
SMKN 1 Percut Sei Tuan. Sumber Berdasarkan Tabel 4.5, Tabel 4.6, Tabel 4.7,
dan Tabel 4.8
NO NAMA GURU HASIL PENILAIAN
Nilai
1 Tiarma Sihite, ST Kurang1
2 Yasohati Sarumaha, Skom Baik2
3 Marta Farida, S.Skom Kurang1
4 Ade Putri Ferdina, ST Kurang1
5 Ir. Usman Siregar Baik2
6 Chairani Saragih, S.Pd Sangat Baik3
7 Adistiani Barus Kurang1
8 Arwan Sihombing Kurang1
9 Widya Fitri Wulandari Kurang1
7 Atan Fices Barus Sangat Baik3
8 Fadlan Siregar Kurang1
9 Rahmansyah Siregar Kurang1
10 Damianus Sarumaha Kurang1
11 Fahmy Syahputra Baik2
12 Ganda Manik,Skom Kurang1
Tabel 4.9 Data Decision System Penilaian Guru
NO NAMA GURU Status Guru
Absensi Guru
Penilaian Siswa
Penilaian Pimpinan
Hasil Akhir Predikat
1 Tiarma Sihite, ST 1 1 2 1 5 Tidak Layak2 Yasohati Sarumaha, Skom 1 1 1 2 5 Tidak Layak3 Marta Farida, S.Skom 1 1 1 1 4 Tidak Layak4 Ade Putri Ferdina, ST 1 0 1 1 3 Tidak Layak5 Ir. Usman Siregar 1 1 2 2 6 Layak6 Chairani Saragih, S.Pd 1 1 3 3 8 Layak7 Adistiani Barus 0 1 1 1 3 Tidak Layak8 Arwan Sihombing 0 1 1 1 3 Tidak Layak9 Widya Fitri Wulandari 0 1 1 1 3 Tidak Layak10 Atan Fices Barus 0 1 3 3 7 Layak11 Fadlan Siregar 0 1 1 1 3 Tidak Layak12 Rahmansyah Siregar 0 1 1 1 3 Tidak Layak13 Damianus Sarumaha 0 1 1 1 3 Tidak Layak14 Fahmy Syahputra 0 0 1 2 3 Tidak Layak15 Ganda Manik,Skom 0 1 1 1 3 Tidak Layak
Data penilaian guru diatas adalah data yang sama dengan data pengujian pada
proses implementasi ke sistemnya dan juga akan menjadi data sampel untuk
penganalisaan dan pemecahan masalah menggunakan Algoritma C4.5
4.5.1 Pilih Atribut Akar
Untuk memilih atribut sebgai akar, didasarkan pada nilai Gain tertinggi dari
atribut-atribut yang ada. Untuk menghitung gain digunakan rumus(5), sedangkan
untuk menghitung nilai entropy dapat dilihat pada rumus(4) pada Bab III.
Dengan menggunakan dua persamaan di atas maka akan didapatkan entropy
dan gain yang digunakan sebagai akar dalam membuat pohon keputusan.
a. Entropy Total
Untuk menghitung Nilai Entropy Berdasarkan penilaian keseluruhan Guru
berdasarkan tabel 4…..Data Decision Penilaian Kinerja Guru.
Diketahui:
Nilai Objek Keseluruhan (Si) = 15
Nilai Atribut Hasil (Layak) = 3
Nilai Atribut Hasil (Tidak Layak) = 9
Maka:
Entropy Total = (-3/15*log 2(3/15))+(-12/15*log 2(12/15)
= 0.721928095
Maka berikut ini adalah nilai rekapitulasi Entropy-nya:
Berikut ini adalah tabel hasil dari atribut di atas:
Tabel 4.10 Rekapitulasi Nilai Entropy Dan Gain
Node JumlahKasus
Layak Tidak Layak
Entropy Gain
1 Total 15 3 12 0.721928095
Status Guru 0.05265476
1 6 2 4 0.9182958340 9 1 8 0.503258335
Absensi Guru 0.046491569
1 13 3 10 0.7793498370 2 0 2 0
Penilaian Siswa 0.588594762
1 11 0 11 02 2 1 1 13 2 2 0 0
Penilaian Pimpinan
0.538268928
1 10 0 10 02 3 1 2 0.9182958343 2 2 0 0
Berdasarkan tabel di atas maka berikut ini adalah tabel perangkingan nilai Gain:
Tabel 4.11 Perangkingan Berdasarkan Nilai Gain
No Kriteria Nilai Gain Peringkat
1 Penilaian Siswa 0.588594762 1
2 Penilaian Pimpinan 0.538268928 2
3 Status Guru 0.05265476 3
4 Absensi Guru 0.046491569 4
Berdasarkan peringkat di atas maka yang memiliki nilai Gain tertinggi adalah
“Kriteria: Penilaian Siswa” maka dalam hal ini untuk proses percabangan
selanjutnya digunakan kriteria Penilaian Siswa. Langkah selanjutnya adalah
menggambar hasil perhitungan di di atas kedalam Bentuk Pohon Keputusan.
Sebelum membentuk pohon keputusan berikut ini adalah hasil tabel perhitungan
pohon keputusannya
Tabel 4.12 Perhitungan Pohon Keputusan 1.0
Node KET JumlahKasus
Layak Tidak Layak
Entropy Gain
1.0 Penilaian Siswa
0.588594762
1 11 0 11 02 2 1 1 13 2 2 0 0
Tabel di atas mendeskripsikan bahwasanya yang perlu di hitung kembali nilai
Entropy dan Gainnya adalah pada keterangan 2. Sedangkan keterangan 1 tidak
perlu di cari kembali karena nilai keputusannhya sudah mutlak adalah “Tidak
Layak” berdasarkan kasus yang ada. Sedangkan Nilai KET 3 yang memiliki
kasus dengan jumlah 2 tidak perlu lagi dicari hasilnya. Karena dipastikan nilainya
adalah “LAYAK”. Berikut ini adalah gambar pohon keputusannya.
Nilai = 1 Nilai = 2 Nilai =3
Gambar 4.1 Pohon Keputusan Utama
Berdasarkan gambar di atas karena penilaian siswa dengan Kondisi nilai 2 =
“Baik” belum memiliki keputusan maka kita harus menghitung kembali Entropy
dan Gain berdasarkan nilai kondisi 2.
Tabel 4.13 Nilai Entropy dan Gain Lanjutan
Node JumlahKasus
Layak Tidak Layak
Entropy Gain
1.0 Penilaian Siswa 2 1 1 1
Status Guru 0
1 2 1 1 10 0 0 0 0
Absensi Guru 0
1 2 1 1 10 0 0 0 0
Penilaian Pimpinan
0
1 1 0 1 02 1 1 0 0
1.0 Penilaian
Siswa
TIDAK YA
Nilai = Baik
3 0 0 0 0Berdasarkan tabel di atas bahwasanya nilai Gain yang akan dijadikan node
bernilai “0” semuanya maka pohon keputusan berhenti pada Node 1.0 lihat
Gambar 4.1. Maka, berikut ini ada analisa Algoritma C4.5 terhadap kasus yang di
angkat di bagi atas 2(dua) hal yaitu:
1. Kandidat yang prioritas (layak) untuk menjadi Guru Terbaik
Data kandidat yang menjadi prioritas dilihat berdasarkan prioritas dan pohon
keputusan yang tergambar pada gambar 4.1 Pohon keputusan. Berikut ini
adalah rekapitulasi dari hasil peniliannya. Prioritas 1 adalah Kandidat yang
memiliki nilai 3
Tabel 4.14 Prioritas 1
NO NAMA GURU Penilaian Siswa Predikat
1 Chairani Saragih, S.Pd 3 Layak2 Atan Fices Barus 3 Layak
Prioritas ke-2 yaitu guru yang memiliki nilai atribut penilaian siswa 2.
(karena dianggap) nilainya “2” adalah “Baik” walaupun hasil(predikatnya)
ada “Layak” dan “Tidak Layak” Berikut ini adalah tabelnya.
Tabel 4.14 Prioritas 2
2. Kandidat yang tidak diprioritaskan untuk menjadi Guru Terbaik
Adapun data guru yang tidak di prioritaskan untuk menjadi Guru Terbaik
disebabkan karena memiliki penilaian siswa yang “1” Kurang baik. Maka
berikut ini adalah tabelnya.
NO NAMA GURU Penilaian Siswa Predikat
1 Tiarma Sihite, ST 2 Tidak Layak2 Ir. Usman Siregar 2 Layak
Tabel 4.14 Guru yang tidak menjadi prioritas
NO NAMA GURU Penilaian Siswa Predikat
1 Yasohati Sarumaha, Skom 1 Tidak Layak2 Marta Farida, S.Skom 1 Tidak Layak3 Ade Putri Ferdina, ST 1 Tidak Layak4 Adistiani Barus 1 Tidak Layak5 Arwan Sihombing 1 Tidak Layak6 Widya Fitri Wulandari 1 Tidak Layak7 Fadlan Siregar 1 Tidak Layak8 Rahmansyah Siregar 1 Tidak Layak9 Damianus Sarumaha 1 Tidak Layak10 Fahmy Syahputra 1 Tidak Layak11 Ganda Manik,Skom 1 Tidak Layak
4.5 Perancangan
Pada sub bab ini karena kita menggunakan aplikasi yang sudah ada yaitu
Rapid Miner, maka pada proses perancangan ini ada 2(dua) hal yang akan di
bahas yaitu:
1. Perancangan Basis Data
2. Pemodelan Sistem
Berikut ini adalah alur perancangannya adalah:
1. Perancangan Basis Data
Di dalam proses perancangan basis data kita akan menggunakan Tools
Microsoft Excel 2007 (.xls) berikut ini adalah rancangan basis datanya.
- Nama File : SumberData.xls
- Deskripsi : Sebagai sumber data yang akan di proses
Tabel 4.14 Rancangan Sumber Data Yang Akan Di Olah
No Nama StatusGuru
Absensi Guru
PenilaianSiswa
Penilaian Pimpinan
Predikat
99 Xxxxxx 9 9 9 9 Xxxxx
Open Aplikasi Rapid Miner-nya
Import Sumber Data
Proses Data Sumber
Displays Menu
Pesan "Silahkan Import Data Sumber Anda"
Implementasi Algoritma C4.5
User Sistem
Tampilkan Output "Kandidat Guru berdasarkan
Kriteria"
Mulai
Selesai
2. Pemodelan Sistem
Pada pemodelan sistem ini yang digunakan adalah UML (Unified
Modelling Language) dan Flowchart. Berikuti ini adalah pemodelan UML
dan Flowchart-nya:
1. Use Case Diagram
Berikut ini adalah gambar pemodelan sistemnya:
Gambar 4.2 Use Case Diagram-nya
Gambar 4.2 di atas menjelaskan adanya pola interaksi antara User dan
System (karena kita menggunakana aplikasi yang sudah ada). Yang dilakukan
oleh user adalah mengunggah terlebih dahulu sumber data yang akan di proses
untuk selanjutnya dengan mekanisme software yang digunakan sistem akan
mengeluarkan hasil berupa kandidat sesuai dengan analisanya.
2. Activity Diagram
Berikut ini adalah gambar pemodelan sistem dari activity diagram-nya:
User
Import Sumber Data
SistemOutput Kandidat
Gambar 4.3 Activity Diagram-nya
3. Flowchart System
Berikut ini adalah flowchart system-nya adalah sebagai berikut:
Gambar 4.4 Flowchart System
Start
Pre Processing Data
Penentuan Nilai Entropy Total
Penentuan Nilai Gain Dari Setiap Atribut
Pembuatan Pohon Keputusan
Output Kandidat
Selesai