klasifikasi akreditasi menggunakan metode k ...repository.usd.ac.id/37869/2/165314101_full.pdfi...

i

KLASIFIKASI AKREDITASI MENGGUNAKAN METODE

K-NEAREST NEIGHBOR (KNN) PADA DATA SEKOLAH

MENENGAH ATAS

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Informatika

Oleh :

Alfriyandi Dwi Pradipta Sinaga

165314101

PROGRAM STUDI INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2020

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

ACCREDITATION CLASSIFICATION USING K-NEAREST

NEIGHBOR (KNN) METHOD IN THE MIDDLE SCHOOL

DATA

THESIS

Present as Patrial Fullfillment of the Requirements

to Obtain Sarjana Komputer Degree

in Informatics Study Program

By:

Alfriyandi Dwi Pradipta Sinaga

165314101

INFORMATICS STUDY PROGRAM

INFORMATICS DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2020


v

HALAMAN PERSEMBAHAN

“Sebab Aku ini mengetahui rancangan-rancangan apa yang ada pada-Ku

mengenai kamu, demikianlah firman TUHAN, yaitu

rancangan damai sejahtera dan bukan rancangan kecelakaan,

untuk memberikan kepadamu hari depan yang penuh harapan.”

Yeremia 29:11


vii

ABSTRAK

Akreditasi adalah penilaian terhadap kualitas mutu pendidikan dan kinerja dari

suatu lembaga pendidikan yang dinyatakan dengan huruf A (sangat baik), B (baik),

C (cukup), dan tidak terakreditasi. Nilai akreditasi dapat mempengaruhi pandangan

seseorang terhadap suatu lembaga pendidikan. Hal ini karena masyarakat

menganggap bahwa kualitas suatu lembaga pendidikan ditentukan berdasarkan

nilai akreditasinya.

Penelitian ini mencoba untuk mengklasifikasikan akreditasi menggunakan data

SMA dipulau Jawa dari data DAPODIK tahun 2018 dengan jumlah 1560 data.

Metode yang akan digunakan adalah k-nearest neighbor, dengan k sebagai

jumlah tetangga terdekatnya. Pembagian data untuk digunakan dalam proses

klasifikasi data akan menggunakan cross validation. Untuk menghitung nilai jarak

antar data akan menggunakan euclidean distance yang kemudian dapat digunakan

dalam menentukan tetangga terdekatnya. Penentuan nilai akurasi dari hasil

klasifikasi akan menggunakan confusion matrix.

Kata kunci: klasifikasi, akreditasi, k-nearest neighbor ,cross validation,

euclidean distance, confusion matrix.


viii

ABSTRACT

Accreditation is an assessment of the quality of education quality and

performance of an educational institution that is stated in letter A (very good), B

(good), C (sufficient), and not accredited. The value of accreditation can affect one's

view of an educational institution. This is because the community considers that the

quality of an educational institution is determined based on its accreditation value.

This study tries to classify accreditation using high school data in Java

Island from 2018 DAPODIK data with 1560 data.

The method to be used is k-nearest neighbor, with k as the number of nearest

neighbors. The data sharing to be used in the data classification process will use

cross validation. To calculate the value of the distance between data will use

euclidean distance which can then be used in determining the nearest neighbor.

Determination of the accuracy of the classification results will use a confusion

matrix.

Keywords: classification, accreditation, k-nearest neighbor, cross validation,

euclidean distance, confusion matrix.


xii

DAFTAR ISI

HALAMAN PERSETUJUAN PEMBIMBING ………………………………iii

HALAMAN PENGESAHAN …………………………………………………..iv

HALAMAN PERSEMBAHAN ............................................................................ v

PERNYATAAN KEASLIAN KARYA ………………………………………..vi

ABSTRAK ........................................................................................................... vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ……………...….ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ........................................................................................................ xii

Daftar Gambar ................................................................................................... xiv

Daftar Tabel .......................................................................................................... xv

BAB I PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang .............................................................................................. 1

1.2 Rumusan Masalah ......................................................................................... 2

1.3 Tujuan Penelitian ........................................................................................... 2

1.4 Batasan Masalah ............................................................................................ 2

1.5 Manfaat Penelitian ......................................................................................... 2

1.6 Sistematika Penulisan .................................................................................... 2

BAB II LANDASAN TEORI ................................................................................ 4

2.1 Akreditasi ...................................................................................................... 4

2.2 Knowledge discovery in database (KDD) ..................................................... 5

2.2.1 Data Cleaning ......................................................................................... 5

2.2.2 Data Integration ...................................................................................... 5

2.2.3 Data Selection ........................................................................................ 5

2.2.4 Data Transformation .............................................................................. 5

2.2.4.1 Normalisasi Min – Max .................................................................. 5

2.2.5 Data Mining ........................................................................................... 6

2.2.5.1 Supervised Learning dan Unsupervised Learning .......................... 8

2.2.5.1.1 Supervised Learning................................................................. 8

2.2.5.1.2 Unsupervised Learning ............................................................ 9

2.2.5.2 K-Nearest Neighbor ...................................................................... 10

2.2.6 Evaluasi ................................................................................................ 12

2.2.6.1 Cross Validation ............................................................................ 12


xiii

2.2.6.2 Confusion Matrix .......................................................................... 12

BAB III METODOLOGI PENELITIAN .......................................................... 14

3.1 Gambaran Umum ........................................................................................ 14

3.2 Data ............................................................................................................. 15

3.3 Preprocessing ............................................................................................... 22

3.3 Modeling K-Nearest Neighbor .................................................................... 24

3.4 Uji Akurasi dengan Confusion Matrix ........................................................ 30

3.5 Peralatan Penelitian ..................................................................................... 32

3.6 Desain User Interface .................................................................................. 33

BAB IV HASIL DAN ANALISIS ....................................................................... 34

4.1 Hasil ............................................................................................................. 34

4.1.1 Seleksi Atribut ...................................................................................... 34

4.2 Hasil Percobaan ........................................................................................... 35

4.2.1 Uji Data Kelompok .............................................................................. 35

4.2.2 Uji Data Tunggal .................................................................................. 43

BAB V PENUTUP ............................................................................................... 47

5.1 Kesimpulan .................................................................................................. 47

5.2 Saran ............................................................................................................ 47

LAMPIRAN .......................................................................................................... 48

Pasal 2 Ayat 1 Peraturan Pemerintah (PP) No.19 tahun 2005 .......................... 48

Rangking atribut ................................................................................................ 48

Atribut yang diujikan ......................................................................................... 50

Akurasi seluruh stribut ...................................................................................... 75

Source code program ......................................................................................... 78

DAFTAR PUSTAKA ........................................................................................... 83


xiv

Daftar Gambar

Gambar 2. 1 (a) 1-NN; (b) 3-NN; (c) 5-NN; (d) 7-NN ......................................... 10

Gambar 2. 2 k-fold cross validation k=3 ............................................................... 12

Gambar 2. 3 Confusion Matrix ............................................................................. 13

Gambar 3. 1 Gambaran umum. ............................................................................. 14

Gambar 3. 2 User Interface klasifikasi akreditasi dengan KNN. .......................... 33

Gambar 4. 1Akurasi dengan k=1 .......................................................................... 39

Gambar 4. 2 Akurasi dengan k=3 ......................................................................... 40



Gambar 4. 5 Akurasi 8 atribut dengan k=1 sampai k=39 ..................................... 43

Gambar 4. 6 Klasifikasi uji data 1. ........................................................................ 44





xv

Daftar Tabel

Tabel 3. 1 Keterangan dari setiap atribut .............................................................. 15

Tabel 3. 2 Atribut yang digunakan. ....................................................................... 21

Tabel 3. 3 Transformasi Data. ............................................................................... 24

Tabel 3. 4 Data traning .......................................................................................... 25

Tabel 3. 5 Data Testing. ........................................................................................ 25

Tabel 3. 6 Nilai jarak data testing terhadap data training. .................................... 28

Tabel 3. 7 KNN dengan k=7. ................................................................................ 30

Tabel 3. 8 Hasil Klasifikasi KNN. ........................................................................ 30

Tabel 3. 9 Nilai Akurasi. ....................................................................................... 31

Tabel 3. 10 Nilai akurasi 3-fold cross validation. ................................................. 31

Tabel 4. 1 Hasil Rangking. .................................................................................... 34

Tabel 4. 2 Atribut yang diujikan ........................................................................... 35

Tabel 4. 3 Normalisasi atribut ............................................................................... 36

Tabel 4. 4 Akurasi sebelum dan sesudah normalisasi ........................................... 36

Tabel 4. 5 Hasil pengujian dengan menggunakan k=1. ........................................ 37




Tabel 4. 9 Confusion Matrix 1 .............................................................................. 41

Tabel 4. 10 Confusion Matrix 2 ............................................................................ 41

Tabel 4. 11 Confusion Matrix 3 ............................................................................ 41

Tabel 4. 12 Uji coba dengan k=1 sampai k=39 ..................................................... 42


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Akreditasi adalah penilaian yang dilakukan untuk mengetahui kualitas mutu

pendidikan dan kinerja dari suatu lembaga pendidikan yang diakui secara resmi

oleh pemerintah. Nilai akreditasi suatu lembaga pendidikan dinyatakan dengan

huruf A (sangat baik), B (baik), C (cukup), dan tidak terakreditasi. Dari nilai

akreditasi tersebut masyarakat dapat memperoleh gambaran tentang mutu

pendidikan dan kinerja suatu lembaga pendidikan.

Nilai akreditasi dapat mempengaruhi pandangan seseorang terhadap suatu

lembaga pendidikan. Hal ini karena masyarakat menganggap bahwa kualitas suatu

lembaga pendidikan ditentukan berdasarkan nilai akreditasinya. Dalam proses

menentukan nilai akreditasi dari suatu lembaga pendidikan dilakukan berdasarkan

komponen-komponen tertentu dalam penentuan akreditasi sekolah.

Dalam pengklasifikasian suatu objek terdapat berberapa metode yang dapat

digunakan, salah satunya adalah metode K-Nearest Neighbor (K-NN). Metode ini

mengklasifikasikan data berdasarkan mayoritas dari tetangga terdekatnya.

Penelitian ini menggunakan data DAPODIK tahun 2018 di pulau jawa. DAPODIK

merupakan konsep yang digunakan dalam pengelolaan Data Pendidikan yang

bersifat Relational dan Longitudinal, sehingga dapat membantu dalam

meningkatkan mutu pendidikan (Kemendikbud, 2016). Dalam penelitian ini akan

menggunakan komponen penilaian berdasarkan pada Peraturan Pemerintah(PP)

No.19 tahun 2005 yang akan dijadikan atribut dalam penelitian ini.

Berdasarkan penelitian yang telah dilakukan sebelumnya oleh Ari Sulistio

(2015) dalam tugas akhirnya yang berjudul Penentuan Jurusan Sekolah Menengah

Atas Menggunakan Metode K-Nearest Neighbor Classifier Pada SMAN 16

Semarang, didapatkan akurasi tertinggi sebesar 79,68% pada k=7 (Ari Sulistiyo.

2015).


2

1.2 Rumusan Masalah

a. Bagaimana metode k-nearest neighbor mampu mengklasifikasikan

akreditasi sekolah ?

b. Berapa akurasi dari pengklasifikasian menggunakan metode k-nearest

neighbor?

1.3 Tujuan Penelitian

a. Mengetahui hasil dari metode k-nearest neighbor dalam pengklasifikasian

akreditasi sekolah.

b. Mengetahui hasil akurasi dari pengklasifikasian menggunakan metode k-

nearest neighbor.

1.4 Batasan Masalah

a. Penelitian ini hanya menggunakan data DAPODIK tahun 2018.

b. Menggunakan data SMA dipulau jawa.

1.5 Manfaat Penelitian

Hasil dari penelitian ini diharapkan dapat membantu masyarakat dalam

memilih sekolah menengah atas berdasarkan hasil pengklasifikasian yang sudah

dilakukan dan juga dapat digunakan sebagai referensi pembelajaran bagi orang

lain dalam mempelajari metode k-nearest neighbor.

1.6 Sistematika Penulisan

BAB I PENDAHULUAN

Bab ini berisi tentang latar belakang, rumusan masalah, tujuan penelitian,

batasan masalah, manfaat penelitian, dan sistematika penulisan.

BAB II LANDASAN TEORI

Bab ini berisi tentang pembahasan mengenai teori-teori yang digunakan dalam

penelitian ini.

BAB III METODOLOGI PENELITIAN

Bab ini berisi tentang gambaran umum, tahap-tahap penelitian, data, k-nearest

neighbor, modeling k-nearest neighbor, uji akurasi dengan confusion matrix,

peralatan penelitian, dan desain user interface

BAB IV HASIL DAN ANALISIS


3

Bab ini berisi tentang hal-hal yang terkait dengan hasil implementasi dari sistem

yang telah dirancang dan diuji serta analisis hasil pengujian dari penelitian ini.

BAB V PENUTUP

Bab ini berisi tentang kesimpulan dan saran yang diperoleh setelah melakukan

percobaan pada penelitian ini.


4

BAB II

LANDASAN TEORI

Pada bab 2 ini akan dibahas mengenai teori-teori yang akan digunakan

dalam klasifikasi akreditasi sekolah menengah atas. Pada bagian ini akan

menjelaskan tentang teori-teori yang digunakan dalam proses pengklasifikasian.

2.1 Akreditasi

Akreditasi adalah kegiatan penilaian kelayakan program dan satuan pendidikan

berdasarkan kriteria yang telah ditetapkan. Proses penilaian akreditasi dilakukan

secara komprehensif terhadap kelayakan satuan atau program pendidikan, yang

hasilnya diwujudkan dalam bentuk pengakuan dan peringkat kelayakan yang

dikeluarkan oleh suatu lembaga yang mandiri dan profesional. Kelayakan program

dan satuan pendidikan mengacu pada SNP. SNP adalah kriteria minimal tentang

sistem pendidikan di seluruh wilayah hukum Negara Kesatuan Republik Indonesia

(BANSM. 2020).

Dasar hukum dalam melakukan akreditasi adalah pasal 2 ayat 1 Peraturan

Pemerintah (PP) No.19 tahun 2005 dengan komponen-komponen yang digunakan

dalam penilaian akreditasi berdasarkan 8 komponen standar nasional pendidikan

yaitu:

1. Standar isi.

2. Standar proses.

3. Standar kompetensi lulusan.

4. Standar pendidik dan tenaga pendidikan.

5. Standar sarana dan prasarana.

6. Standar pengelolaan.

7. Standar pembiayaan.

8. Standar penilaian Pendidikan.

Data yang digunakan akan diproses dan hasil yang diperoleh merupakan hasil

akreditasi. Proses tersebut merupakan proses data mining.


5

2.2 Knowledge discovery in database (KDD)

Knowledge discovery in databases merupakan proses nontrival dalam

mengidentifikasikan suatu pola atau hubungan yang dipahami dalam sebuah dataset

untuk membuat keputusan yang penting.

Proses KDD bersifat interaktif dan berulang (berdasarkan banyaknya keputusan

yang dibuat oleh pengguna), yang dilakukan dengan melibatkan berbagai langkah,

dan diringkas sebagai berikut (Fayyad, 1996) :

2.2.1 Data Cleaning

Data cleaning dilakukan dengan tujuan untuk untuk "membersihkan" data

dengan mengisikan nilai pada nilai yang hilang, menghaluskan data noise,

mengidentifikasi atau menghapus outlier, dan menyelesaikan data yang tidak

konsisten.

2.2.2 Data Integration

Data integration merupakan proses menggabungkan data dari berbagai

sumber ke dalam sebuah penyimpanan data yang jelas seperti sebuah data

warehouse. Proses ini dapat membantu mengurangi dan menghindari redudansi

dan data yang tidak konsisten dari dalam data set.

2.2.3 Data Selection

Data selection merupakan proses pemilihan data untuk mendapatkan

mengurangi representasi dari data set yang berjumlah lebih kecil, namun sangat

menjaga integritas dari data aslinya sehingga lebih efisien dan menghasilkan

hasil analisa yang sama.

2.2.4 Data Transformation

Data Trannsformation merupakan proses dimana data ditransformasi

sehingga hasil yang diperoleh dari proses penambangan data menjadi lebih

efisien dan pola yang ditemukan menjadi lebih mudah untuk dipahami.

2.2.4.1 Normalisasi Min – Max

Normalisasi min-max merupakan salah satu metode yang melakukan

transformasi linear pada data asli. Dimana seharusnya min A dan min B

adalah nilai maksimal dan minimal dari suatu atribut. Berikut ini adalah


6

rumus yang digunakan untuk melakukan proses normalisasi data dengan

metode min-max.

𝑣𝑖 = 𝑣𝑖−𝑚𝑖𝑛𝐴

𝑚𝑎𝑥𝐴−𝑚𝑖𝑛𝐴(𝑛𝑒𝑤_𝑚𝑎𝑥𝐴 − 𝑛𝑒𝑤_𝑚𝑖𝑛𝐴) + 𝑛𝑒𝑤_𝑚𝑖𝑛𝐴 (2.1)

Keterangan :

vi = data yang akan dinormalisasikan.

𝑚𝑖𝑛 𝐴 = nilai minimum data.

𝑚𝑎𝑥 𝐴 = nilai maksimum data.

𝑛𝑒𝑤_𝑚𝑖𝑛 𝐴 = nilai range minimum data

𝑛𝑒𝑤_𝑚𝑎𝑥 𝐴 = nilai range

2.2.5 Data Mining

Data mining merupakan istilah yang digunakan untuk menguraikan

penemuan pengetahuan di dalam database (Kusrini, 2009). Dalam proses

data mining untuk mengekstraksi dan mengidentifikasikan informasi yang

bermanfaat dan pengetahuan yang terakit dari berbagai database yang besar

dengan menggunakan teknik statistik, matematika, kecerdasan buatan, dan

machine learning (Turban dkk, 2005).

Menurut Gartner Group data mining adalah suatu proses dalam

menemukan hubungan yang dilakukan dengan memeriksa sekumpulan

besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik

pengenalan pola seperti teknik statis dan matematika (Larose, 2005). Hal-

hal penting yang terkait dengan data mining adalah (Kusrini, 2009):

a. Data mining merupakan suatu proses otomatis terhadap data yang sudah

ada.

b. Data yang akan di proses berupa data yang sangat besar.


7

c. Tujuan dari data mining adalah untuk mendapatkan hubungan atau pola

yang mungkin memberikan indikasi yang bermanfaat.

Data mining dibagi menjadi beberapa kategori berdasarkan fungsinya, yaitu

(Larose, 2005):

a. Deskripsi

Menggambarkan pola dan kecenderungan yang terdapat dalam data

sehingga dapat memberikan penjelasan dari suatu pola dan

kecenderungannya.

b. Estimasi

Estimasi hampir sama dengan klasifikasi, namun estimasi lebih ke

arah numerik pada variabel target dibandingkan ke arah kategori.

Model dibangun dengan menggunakan record yang lengkap sehingga

dapat menyediakan nilai dari variabel target sebagai nilai prediksi.

c. Prediksi

Merupakan pencarian nilai dari hasil yang ada di masa mendatang.

Contoh prediksi dalam bisnis dan penelitian adalah:

- Prediksi berapa harga beras dalam tiga bulan yang akan datang.

- Prediksi berapa persentase kenaikan kecelakaan lalu lintas tahun

depan apabila batas bawah kecepatan dinaikan.

Metode dan teknik yang digunakan pada kategori klasifikasi dan

estimasi dapat digunakan dalam keadaan yang tepat untuk melakukan

prediksi.

d. Klasifikasi

Pada klasifikasi, terdapat target variabel kategori dengan

mengujikan sejumlah record dan disetiap record nya yang berisikan

variabel target dan sekumpulan variabel input. Contohnya yaitu :

- Menentukan apakah suatu transaksi kartu kredit merupakan

transaksi yang adil atau tidak.

- Mendiagnosis penyakit seorang pasien agar mengetahui termasuk

kategori penyakit apa.


8

e. Pengklusteran

Pengklusteran berbeda dengan klasifikasi, hal ini dikarenakan tidak

adanya variabel target dalam pengklusteran. Pengklusteran tidak

melakukan prediksi, , mengestimasi, maupun mengklasifikasikan nilai

dari variabel target. Namun algoritma pengklusteran mencoba

melakukan pembagian data menjadi kelompok-kelompok yang

memiliki kemiripan, yang mana kemiripan bernilai maksimal dalam

record satu kelompok data, sedangkan kemiripan terhadap record

kelompok data lainnya bernilai minimal. Contoh pengklusteran yaitu :

- Mencari kelompok-kelompok konsumen untuk dijadikan target

pemasaran dari suatu produk bagi perusahaan dengan dana

pemasaran yang tidak banyak.

- Melakukan pemisahan terhadap perilaku finansial dalam baik dan

mencurigakan.

- Melakukan pengklusteran untuk mengetahui kemiripan perilaku

dari gen dalam jumlah besar terhadap ekspresi dari gen.

f. Asosiasi

Asosiasi adalah proses data mining dalam mencari hubungan antara

dua atau lebih atribut yang muncul dalam satu waktu. Dalam dunia

bisnis lebih umum disebut analisis keranjang belanja. Contoh asosiasi

dalam dunia bisnis atau penelitian adalah menemukan barang dalam

supermarket yang dibeli secara bersamaan dan barang yang tidak

pernah dibeli secara bersamaan.

2.2.5.1 Supervised Learning dan Unsupervised Learning

Dalam data mining terdapat 2 kategori yaitu supervides learning

dan unsupervised leraning.

2.2.5.1.1 Supervised Learning

Supervised learning merupakan metode belajar yang diterapkan

dengan adanya latihan (training) dan label kelas. Pada metode ini

proses training dilakukan dengan menggunakan data yang mempunyai


9

output atau label. Sehingga dapat diuji apakah fungsi atau model yang

dibuat sudah cukup bagus dalam memprediksi (Santosa dan Umam,

2018). Berikut ini beberapa algoritma supervised learning:

1. Decision Tree

Decision tree (pohon keputusan) adalah metode pengklasifikasian

yang menggunakan pohon sebagai prosedur penalaran untuk

mendapatkan jawaban dari masalah yang dimasukkan.

2. Naive Bayes

Naive Bayes adalah metode pengklasifikasian statistik yang

digunakan untuk memprediksi probabilitas suatu data (Prasetyo,

2014).

3. K-Nearest Neighbor

K-Nearest Neighbor merupakan metode data mining yang

melakukan pengklasifikasian berdasarkan kemiripan suatu data

dengan data yang lain (Tan dkk, 2005).

4. Support Vector Machine

Support Vector Machine merupakan metode yang berakar dari teori

pembelajaran statistik dan menggunakan teknik kernel dengan

memetakan data asli dari dimensi asal menjadi dimensi lain yang

relatif tinggi (Prasetyo, 2014).

2.2.5.1.2 Unsupervised Learning

Unsupervised learning merupakan metode belajar yang

diterapkan tanpa adanya latihan (training) dan label kelas dari data

sehingga data harus dikelompokkan ke dalam beberapa kelas. Hal ini

dilakukan karena data yang ada tidak mempunyai label kelas (Santosa

dan Umam, 2018). Berikut ini beberapa algoritma unsupervised

learning:

1. K-Means

K-Means merupakan metode yang bekerja dengan

mengelompokkan data objek ke dalam k kelompok atau klaster.


10

2. Hierarchical Clustering

Hierarchical Clustering merupakan metode yang dilakukan

secara hirarkis sehingga menghasilkan urutan klaster dengan

mengelompokkan titik-titik data ke dalam pohon klaster.

3. Fuzzy C-Means

Fuzzy C-Means merupakan metode dengan mengelompokkan

data objek yang dimana setiap data dapat menjadi anggota dari

beberapa klaster.

2.2.5.2 K-Nearest Neighbor

Metode K-Nearest Neighbor merupakan metode data mining

yang melakukan klasifikasi berdasarkan kemiripan suatu data dengan

data yang lain (Tan dkk, 2005).

Gambar 2. 1 (a) 1-NN; (b) 3-NN; (c) 5-NN; (d) 7-NN

Dari ilustrasi pada gambar 2.1, dapat diketahui jika semakin dekat

jarak data training terhadap data testing, maka data training tersebut

merupakan data yang paling mirip dengan data testing. Semakin kecil

nilai jaraknya maka semakin miriplah data testing terhadap tetangga

terdekat dari data training dengan berdasarkan pada jumlah k yang telah

ditentukan (Prasetyo, 2014).


11

Metode k-nearest neighbor ini bekerja dengan cara

membandingkan dua data, yaitu data testing dengan data training.

Ketika diberikan sebuah data yang tidak dikenal, maka metode k-

nearest neighbor akan mencari pola untuk mengetahui data training

mana yang paling dekat dengan data yang tidak dikenal. Hal tersebut

didefinisikan sebagai euclidean distance yang merupakan jarak antara

dua titik pada data training dan data yang tidak dikenal menggunakan

rumus sebagai berikut (Han dkk 2006):

𝑑𝑖𝑠𝑡(𝑋1, 𝑋2) = √∑(𝑋1𝑖 − 𝑋2𝑖)2

𝑛

𝑖=1

(2.2)

Keterangan :

dist(X1,X2) = jarak euclidean

X1i = Data pada atribut X1

X2i = Data pada atribut X2

Langkah-langkah klasifikasi dengan metode K-Nearest Neighbor

yaitu (Santoso, 2007) :

a. Mulai dengan input berupa data training, data testing, label data

training, dan nilai k.

b. Hitung nilai jarak dari semua data testing ke setiap data training.

c. Kemudian tentukan berapa nilai k dari data training yang jaraknya

paling dekat dengan data testing.

d. Lalu periksa label dari data yang diperoleh dengan nilai jarak terdekat

berdasarkan nilai k yang telah ditentukan.

e. Tentukan label dengan berdasarkan frekuensi label terbanyak dari

data yang diperoleh sebanyak nilai k.


12

f. Kemudian masukkan data testing ke dalam kelas dengan frekuensi

paling banyak.

g. Proses klasifikasi selesai.

2.2.6 Evaluasi

Penulis menggunakan 3-fold cross validation dan confusion matrix dalam

melakukan proses evaluasi.

2.2.6.1 Cross Validation

Cross Validation (CV) merupakan metode statistik yang dapat

digunakan dalam mengevaluasi kinerja model algoritma dengan

memisahkan data menjadi dua subset yaitu data dan data proses

pembelajaran. Model algoritma dibentuk oleh subset proses

pembelajaran dan divalidasi oleh subset validitas evaluasi. Selanjutnya

pemilihan jenis cross validation dapat dilakukan dengan didasarkan pada

ukuran dataset. k-fold cross-validation digunakan karena dapat

mengurangi waktu komputasi namun tetap menjaga keakuratan estimasi

(Antoni Wibowo, 2017).

Gambar 2. 2 k-fold cross validation k=3

2.2.6.2 Confusion Matrix

Confusion Matrix adalah metode perhitungan yang digunakan untuk

menganalisis seberapa baik hasil dari proses pengklasifikasian yang telah

dilakukan dapat mengenali data. Dengan berdasarkan pada True Positive

(TP) dan True Negative (TN) dapat memberitahukan kapan classifier

melakukan sesuatu dengan benar, sementara False Positive (FP) dan


13

False Negative (FN) dapat memberitahukan kapan classifier melakukan

sesuatu kesalahan.

Gambar 2. 3 Confusion Matrix

• True Positive (TP) : Data dikenali sebagai benar dan diberi

label dengan benar oleh sistem

pengklasifikasian.

• True Negative (TN) : Data dikenali sebagai salah dan diberi

label benar oleh sistem pengklasifikasian.

• Flase Positive (FP) : Data dikenali sebagai salah namun diberi

label benar oleh sistem pengklasifikasian.

• False Negative (FN) : Data dikenali sebagai salah dan diberi

label salah oleh sistem pengklasifikasian.

• Positive (P’) : jumlah data prediksi yang benar.

• Negtive(N’) : jumlah data prediksi yang salah.

Untuk mengetahui nilai akurasi dari suatu metode klasifikasi yang telah

dilakukan dengan menggunakan confusion matrix yaitu (Han dkk 2006):

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃 + 𝑇𝑁

𝑃 + 𝑁 𝑋 100% (2.3)


14

BAB III

METODOLOGI PENELITIAN

Pada bab 3 ini akan membahas mengenai metode yang digunakan dalam

penelitian ini. Pada bagian ini akan menjelaskan tentang gambaran umum, data,

preprocessing, modeling k-nearest neighbor, uji akurasi dengan confusion matrix,

peralatan penelitian, dan desain user interface dari penelitian ini.

3.1 Gambaran Umum

Gambar 3. 1 Gambaran umum.

Gambar 3.1 merupakan gambaran dari proses yang dilakukan pada sistem

yang dirancang terhadap data. Proses dimulai pada tahap dimana data masuk ke

dalam sistem sehingga akan masuk pada tahap preprocessing dimana pada tahap ini

akan dilakukan seleksi data dan transformasi data. Setelah melalui tahap

preprocessing, maka proses akan dilanjutkan ke tahap pembentukan model.

Pada tahap pembentukan model, sistem akan membagi data yang telah

dipreprocessing menjadi 2 bagian dengan menggunakan 3-fold cross-validation


15

menjadi data training dan data testing. Kemudian hitung nilai jarak data testing

terhadap masing-masing data training dengan menggunakan euclidean distance.

Setelah diketahui nilai jarak dari masing-masing data testing terhadap data training,

maka sistem akan mencari tetangga terdekatnya dengan menggunakan k-nearest

neighbor sehingga sistem akan memperoleh hasil. Hasil tersebut kemudian akan

dibandingkan terhadap label dari data testing untuk mendapatkan nilai akurasi

dengan menggunakan confusion matrix.

Setelah itu, dapat dilanjutkan untuk proses uji data tunggal dengan

memasukkan data baru sebagai data testing. Kemudian data testing diujikan

terhadap model sehingga akan diperoleh hasil klasifikasi dari data yang diujikan.

3.2 Data

Data yang digunakan dalam penelitian ini adalah data DAPODIK 2018 dengan

eksistensi .xlsx yang diperoleh dari kemdikbud. Data yang digunakan dalam

penelitian ini adalah data SMA yang berada dipulau Jawa. Data yang digunakan

sebanyak 1560 data yang terdiri dari 82 atribut. Berikut ini penjelasan dari atribut

pada data DAPODIK yang digunakan.

Tabel 3. 1 Keterangan dari setiap atribut

Atribut Keterangan

NPSN Atribut yang berisi data nomor pokok sekolah nasional.

Nama sekolah Atribut yang berisi data nama sekolah.

Semester Data Atribut yang berisi data semester apa saat data dilaporkan

untuk akreditasi.

Kepala sekolah Atribut yang berisi data nama dari kepala sekolah.

Akses internet Atribut yang berisi data ada atau tidaknya akses internet di

sekolah.

Operator Atribbut yang berisi data nama operator.

Manajemen

Berbasis sekolah

Atribut yang berisi data ada atau tidaknya kewenangan dan

tanggung jawab yang diberikan lebih besar kepada pihak

sekolah.


16

Email Atribut yang berisi data email sekolah.

Alamat Atribut yang berisi data nama dan lokasi sekolah.

Kab/Kota Atribut yang berisi data nama kabupaten maupun kota

dimana sekolah berada.

Provinsi Atribut yang berisi data nama provinsi dimana sekolah

berada.

Kecamatan Atribut yang berisi data nama kecamatan dimana sekolah

berada.

Jenis sekolah Atribut yang berisi data jenis sekolah.

Jenjang Atribut yang berisi data tingkat pendidikan sekolah.

Daya listrik Atribut yang berisi data jumlah energi listrik yang digunakan

sekolah.

Luas Tanah

(MÂ²)

Atribut yang berisi data luas bidang tanah sekolah dalam

satuan meter are.

Sumber listrik Atribut yang berisi data ada atau tidaknya asal energi listrik

yang digunakan sekolah.

Total

Laboratorium

Atribut yang berisi data jumlah keseluruhan ruang

laboratorium yang dimiliki sekolah.

Penyelenggaraan Atribut yang berisi data waktu berlangsungnya proses

pembelajaran disekolah.

Kurikulum Atribut yang berisi data program pendidikan yang berisikan

rancangan pembelajaran yang akan diberikan oleh sekolah.

Total Ruang

Kelas

Atribut yang berisi data jumlah keseluruhan ruang kelas

yang dimiliki sekolah.

Total

perpustakaan

Atribut yang berisi data jumlah keseluruhan ruang

perpustakaan yang dimiliki sekolah.

Total

Rombongan

Belajar

Atribut yang berisi data jumlah keseluruhan kelompok

peserta didik pada satu ruang kelas disekolah.


17

Total sanitasi

siswa

Atribut yang berisi data jumlah keseluruhan fasilitas yang

memenuhi syarat kesehatan lingkungan sekolah meliputi

penyediaan air bersih dan sarana jamban sekolah yang dapat

digunakan oleh siswa,

Total guru Atribut yang berisi data jumlah keseluruhan guru yang

mengajar disekolah.

Total siswa

perempuan

Atribut yang berisi data jumlah keseluruhan siswa

perempuan.

Total siswa laki-

laki

Atribut yang berisi data jumlah keseluruhan siswa laki-laki.

Total siswa Atribut yang berisi data jumlah keseluruhan siswa disekolah.

Rata-rata UN Atribut yang berisi data nilai rata-rata ujian nasional yang

diperoleh siswa pada suatu sekolah.

Rata-rata IPA Atribut yang berisi data nilai rata-rata IPA yang diperoleh

siswa pada suatu sekolah.

Rata-rata IPS Atribut yang berisi data nilai rata-rata IPS yang diperoleh

siswa pada suatu sekolah.

Guru - Ijazah

kurang dari S1

Atribut yang berisi data jumlah keseluruhan guru yang

memiliki ijazah dibawah S1.

Guru - Ijazah S1

atau lebih

Atribut yang berisi data jumlah keseluruhan guru yang

memiliki ijazah S1 maupun lebih tinggi dari S1.

Guru - Data

Kosong

Atribut yang berisi data jumlah keseluruhan guru yang tidak

memiliki data ijazah.

Ratio Umur

Guru - Kurang

dari 30 Tahun

Atribut yang berisi data perbandingan jumlah guru yang

memiliki umur kurang dari 30 tahun.

Ratio Umur

Guru - 31-35

Tahun


memiliki umur antara 31 tahun sampai 35 tahun.


18

Ratio Umur

Guru - 36-40

Tahun



Ratio Umur

Guru - 41-45

Tahun



Ratio Umur

Guru - 46-50

Tahun



Ratio Umur

Guru - 51-55

Tahun



Ratio Umur

Guru - Lebih

dari 55 Tahun


memiliki umur lebih dari 55 tahun.

Guru -

Sertifikasi

Atribut yang berisi data jumlah guru yang telah tersertifikasi

dalam memenuhi standar professional guru.

Guru - Belum

Sertifikasi

Atribut yang berisi data jumlah guru yang belum

tersertifikasi dalam memenuhi standar professional guru.

Jumlah Guru

Perempuan

Atribut yang berisi data jumlah guru perempuan yang

mengajar disekolah.

Jumlah Guru

Laki-Laki

Atribut yang berisi data jumlah guru laki-laki yang mengajar

disekolah.

Guru Gol I Atribut yang berisi data jumlah guru yang termasuk dalam

golongan 1.

Guru Gol II Atribut yang berisi data jumlah guru yang termasuk dalam

golongan 2.

Guru Gol III Atribut yang berisi data jumlah guru yang termasuk dalam

golongan 3.


19

Guru Gol IV Atribut yang berisi data jumlah guru yang termasuk dalam

golongan 4.

Umur Guru -

Kurang dari 30

Tahun

Atribut yang berisi data jumlah guru yang memiliki umur

kurang dari 30 tahun.

Umur Guru - 31-

35 Tahun


antara 31 tahun sampai 35 tahun.

Umur Guru - 36-

40 Tahun



Umur Guru - 41-

45 Tahun



Umur Guru - 46-

50 Tahun



Umur Guru - 51-

55 Tahun



Umur Guru -

Lebih dari 55

Tahun


lebih dari 55 tahun.

Standar Sarana

Prasarana

Atribut yang berisi data nilai standar pemenuhan kebutuhan

fasilitas-fasilitas demi menunjang kegiatan belajar peserta.

Standar Isi Atribut yang berisi data nilai kriteria kompentensi dalam

pembelajaran yang harus dipenuhi oleh peserta didik.

Standar

Penilaian

Atribut yang berisi data penilaian dari hasil pencapaian hasil

belajar peserta didik.

Standar

Pengelolaan

Atribut yang berisi data nilai standar pengelolaan yang

berkaitan dengan pengawasan, pelaksanaan dan

perencanaan terhadap suatu kegiatan pendidikan.

Standar

Kelulusan

Atribut yang berisi data penilaian dalam hal pengetahuan,

sikap, dan keterampilan lulusan dari suatu lembaga

pendidikan.


20

Standar Tenaga

Pendidik

Atribut yang berisi data penilaian kriteria minimal guru pada

suatu lembaga pendidikan.

Standar

Pembiayaan

Atribut yang berisi data nilai yang didasarkan pada jumlah

dasar biaya yang diperlukan oleh lembaga pendidikan dalam

penyediaan sarana prasarana, operasional, dan penggajian.

Standar Proses Atribut yang berisi data nilai standar dalam pelaksanaan

proses pembelajaran yang bertujuan untuk mencapai

kompetensi standar kelulusan.

Lat Atribut yang berisi data yang menunjukkan kordinat garis

lintang dari lokasi sekolah.

Lng Atribut yang berisi data yang menunjukkan kordinat garis

bujur dari lokasi sekolah.

Ratio Siswa -

Ruang kelas

Atribut yang berisi data perbandingan jumlah siswa dengan

banyaknya ruang kelas yang ada disekolah.

Persentase ruang

kelas layak

Atribut yang berisi data nilai persentase dari ruang kelas

yang masih layak untuk digunakan disekolah.

Persentase Guru

PNS

Atribut yang berisi data persentase guru yang merupakan

PNS.

Rasio Siswa -

Guru

Atribut yang berisi data perbandingan jumlah siswa dengan

jumlah guru disekolah.

Persentase Guru

Kualifikasi

Atribut yang berisi data persentase guru yang telah

memenuhi syarat tekait kemampuan yang dibutuhkan dalam

mengajar.

Persentase Guru

Sertifikasi

Atribut yang berisi data persentase guru yang telah

tersertifikasi dalam memenuhi standar professional guru.

Rasio Siswa

Rombel

Atribut yang berisi data perbandingan jumlah rombongan

belajar disekolah.

Persentase Siswa

Mengulang

Atribut yang berisi data persentase siswa yang mengulang

pendidikan disekolah.


21

Jumlah Murid

Katholik

Atribut yang berisi data jumlah murid yang beragama

khatolik.

Jumlah Murid

Islam

Atribut yang berisi data jumlah murid yang beragama Islam.

Jumlah Murid

Buddha


Buddha.

Jumlah Murid

Hindu


Hindu.

Jumlah Murid

Konghucu


Konghucu.

Jumlah Murid

Kristen


Kristen.

Jumlah Murid

Lainnya

Atribut yang berisi data jumlah murid yang beragama lain.

Akreditasi Atribut yang berisi data penilaian terhadap kualitas

pendidikan pada suatu lembaga pendidikan yang diakui oleh

pemerintah.

Berikut ini adalah contoh atribut dan data yang digunakan berdasarkan pada

Peraturan Pemerintah (PP) No.19 tahun 2005 dalam penelitian ini.

Tabel 3. 2 Atribut yang digunakan.

Standar

Sarana

Prasarana

Standar

Isi

Standar

Penilaian

Standar

Pengelolaan

Standar

Kelulusan

Standar

Tenaga

Pendidik

Standar

Pembiayaan

Standar

Proses

Akre

ditasi

78 94 87 84 75 85 81 86 B

84 86 84 90 84 84 90 83 A

70 85 80 73 66 68 79 78 B

62 79 74 70 74 74 77 78 B

81 76 68 84 52 53 85 58 B

58 78 62 84 67 68 57 67 C

95 39 63 85 85 56 90 67 TT


22

66 76 72 69 72 70 70 72 B

78 88 87 76 86 75 83 89 B

77 90 86 90 82 79 89 89 B

83 89 89 94 97 83 93 94 A

68 90 89 89 78 66 72 89 B

53 93 86 85 86 61 88 92 B

84 92 93 91 79 81 80 94 A

72 63 64 61 64 61 82 64 C

78 78 74 86 66 81 75 75 B

63 77 73 68 64 61 84 75 C

73 81 84 86 67 66 80 89 B

77 82 80 86 71 78 89 78 B

70 92 83 78 77 78 89 75 B

68 83 75 74 82 83 68 58 B

3.3 Preprocessing

Data akan dipreprocessing terlebih dahulu sebelum dilakukan klasifikasi.

Berikut ini merupakan tahap-tahap yang akan dilakukan dalam proses

preprocessing.

1. Seleksi data

Pada tahap seleksi data, dilakukan penghapusan beberapa atribut yang tidak

digunakan dalam pengujian. Atribut-atribut yang dihapus yaitu.

1. NPSN.

2. Nama sekolah.

3. Semester Data.

4. Kepala sekolah.

5. Akses internet.

6. Operator.

7. Manajemen Berbasis sekolah.

8. Email.


23

9. Alamat .

10. Kab/Kota.

11. Kecamatan.

12. Jenjang.

13. Sumber listrik.

14. Penyelenggaraan.

15. Kurikulum.

16. Lat.

17. Lng.

Adapun alasan mengapa dilakukan penghapusan terhadap atribut-atribut

tersebut yaitu :

• Tidak adanya nilai pembanding pada beberapa atribut.

• Beberapa atribut dihapus dikarenakan tidak mempengaruhi terhadap

pengakreditasian.

2. Transformasi data

Pada tahap ini, data yang telah melalui tahap seleksi data kemudian

ditransformasi. Transformasi yang dilakukan dengan menggunakan

normalisasi min-max terhadap atribut daya listrik. Berikut perhitungan

normalisasi atribut daya listrik.

𝑣𝑖 = 1560 − 0

865000 − 0(1 − 0) + 0 = 0,0018

Setelah selesai melakukan normalisasi, kemudian akan dilakukan proses

untuk mengubah data yang bertipe string menjadi number agar dapat

diproses pada aplikasi matlab. Atribut yang akan ditransformasikan pada

penelitian ini dapat dilihat pada tabel dibawah ini.


24

Tabel 3. 3 Transformasi Data.

Atribut Data awal/Transformasi data

Provinsi Prov. D.K.I. Jakarta/1

Prov. Jawa Barat/2

Prov. Jawa Tengah/3

Prov. D.I. Yogyakarta/4

Prov. Jawa Timur/5

Prov. Banten/6

Jenis

sekolah SWASTA/1

NEGERI/0

Akreditasi A/1

B/2

C/3

TT/4

Setelah melakukan preprocessing pada data yang akan digunakan, maka data

siap masuk ketahap selanjutnya untuk diproses dengan menggunakan metode k-

nearest neighbor.

3.3 Modeling K-Nearest Neighbor

Pada tahap ini akan dilakukan klasifikasi dengan menggunakan metode k-

nearest neighbor. Dari data pada tabel 3.2 Atribut yang digunakan. Berikut ini

adalah contoh proses klasifikasi dengan menggunakan metode k-nearest neighbor.

1. Membagi data dengan menggunakan 3-fold cross validation dengan hasil yang

dapat dilihat pada tabel 3.4 Data training dan tabel 3.5 Data testing.


25

Tabel 3. 4 Data traning

No. X1 X2 X3 X4 X5 X6 X7 X8 Label

1 63 72 57 70 61 50 67 58 C

2 84 86 84 90 84 84 90 83 A

3 70 85 80 73 66 68 79 78 B

4 62 79 74 70 74 74 77 78 B

5 81 76 68 84 52 53 85 58 B

6 58 78 62 84 67 68 57 67 C

7 95 39 63 85 85 56 90 67 TT

8 66 76 72 69 72 70 70 72 B

9 78 88 87 76 86 75 83 89 B

10 77 90 86 90 82 79 89 89 B

11 83 89 89 94 97 83 93 94 A

12 68 90 89 89 78 66 72 89 B

13 53 93 86 85 86 61 88 92 B

14 84 92 93 91 79 81 80 94 A

Tabel 3. 5 Data Testing.

No. X1 X2 X3 X4 X5 X6 X7 X8 Label

15 72 63 64 61 64 61 82 64 C

16 78 78 74 86 66 81 75 75 B

17 63 77 73 68 64 61 84 75 C

18 73 81 84 86 67 66 80 89 B

19 77 82 80 86 71 78 89 78 B

20 70 92 83 78 77 78 89 75 B

21 68 83 75 74 82 83 68 58 B

2. Hitung nilai jarak antara data training dan data testing dengan menggunakan

euclidean distance.

Perhitungan jarak pada data testing no. 15 terhadap data training no. 1 sebagai

berikut.

𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒

= √(63 − 72)2 + (72 − 63)2 + (57 − 64)2 + (70 − 61)2 + (61 − 64)2 + (50 − 61)2 + (67 − 82)2 + (58 − 64)2

= 26.13426869


26


berikut.


= √(84 − 72)2 + (86 − 63)2 + (84 − 64)2 + (90 − 61)2 + (84 − 64)2 + (84 − 61)2 + (90 − 82)2 + (83 − 64)2

= 57.16642371


berikut.


= √(70 − 72)2 + (85 − 63)2 + (80 − 64)2 + (73 − 61)2 + (66 − 64)2 + (68 − 61)2 + (79 − 82)2 + (78 − 64)2

= 33.85262176


berikut.


= √(62 − 72)2 + (79 − 63)2 + (74 − 64)2 + (70 − 61)2 + (74 − 64)2 + (74 − 61)2 + (77 − 82)2 + (78 − 64)2

= 32.046840


berikut.


= √(81 − 72)2 + (76 − 63)2 + (68 − 64)2 + (84 − 61)2 + (52 − 64)2 + (53 − 61)2 + (85 − 82)2 + (58 − 64)2

= 32.37282811


berikut.


= √(58 − 72)2 + (78 − 63)2 + (62 − 64)2 + (84 − 61)2 + (67 − 64)2 + (68 − 61)2 + (57 − 82)2 + (67 − 64)2

= 40.57092555


berikut.


= √(95 − 72)2 + (39 − 63)2 + (63 − 64)2 + (85 − 61)2 + (85 − 64)2 + (56 − 61)2 + (90 − 82)2 + (67 − 64)2

= 47.12748667


27


berikut.


= √(66 − 72)2 + (76 − 63)2 + (72 − 64)2 + (69 − 61)2 + (72 − 64)2 + (70 − 61)2 + (70 − 82)2 + (72 − 64)2

= 26.19160171


berikut.


= √(78 − 72)2 + (88 − 63)2 + (87 − 64)2 + (76 − 61)2 + (86 − 64)2 + (75 − 61)2 + (83 − 82)2 + (89 − 64)2

= 52.16320542


berikut.


= √(77 − 72)2 + (90 − 63)2 + (86 − 64)2 + (90 − 61)2 + (82 − 64)2 + (79 − 61)2 + (89 − 82)2 + (89 − 64)2

= 58.31809325


berikut.


= √(83 − 72)2 + (89 − 63)2 + (89 − 64)2 + (94 − 61)2 + (97 − 64)2 + (83 − 61)2 + (93 − 82)2 + (94 − 64)2

= 71.44928271


berikut.


= √(68 − 72)2 + (90 − 63)2 + (89 − 64)2 + (89 − 61)2 + (78 − 64)2 + (66 − 61)2 + (72 − 82)2 + (89 − 64)2

= 55.67764363


berikut.


= √(53 − 72)2 + (93 − 63)2 + (86 − 64)2 + (85 − 61)2 + (86 − 64)2 + (61 − 61)2 + (88 − 82)2 + (92 − 64)2

= 60.20797289


28


berikut.


= √(84 − 72)2 + (92 − 63)2 + (93 − 64)2 + (91 − 61)2 + (79 − 64)2 + (81 − 61)2 + (80 − 82)2 + (94 − 64)2

= 65.23036103

Setelah melakukan perhitungan untuk mengetahui nilai jarak data testing no.15

terhadap data training, maka dilanjutkan dengan menghitung nilai jarak untuk data

testing selanjutnya dengan proses perhitungan yang sama pada data sebelumnya.

Berikut ini adalah hasil perhitungan nilai jarak dari data testing terhadap data

traning.

Tabel 3. 6 Nilai jarak data testing terhadap data training.

Data 1 Data 2 Data 3

26.13426869 46.31414471 31.51190251

57.16642371 28.94822965 46.43274706

33.85262176 22.627417 16.55294536

32.04684072 25.27844932 18.35755975

32.37282811 37.70941527 33.22649545

40.57092555 33.2565783 35.41186242

47.12748667 56.63038054 58.50640991

26.19160171 25.13961018 19.02629759

52.16320542 32.63433774 38.50973903

58.31809325 30.9354166 43.43961326

71.44928271 45.66180023 59.08468499

55.67764363 32.43454948 38.10511777

60.20797289 47.46577715 40.03748244

65.23036103 34.24908758 50.96076922


29

Data 4 Data 5 Data 6 Data 7

50.87238937 53.37602458 54.79051013 44.91102315

30.18277655 18.11077028 22.95648057 41.42463035

18.35755975 21.26029163 20.32240143 32.18695388

26.90724809 26.36285265 23.57965225 26.36285265

41.58124577 40.02499219 46.8294779 49.55804677

41.70131892 44.33959855 45.88027899 32.34192326

60.81118318 57.14017851 67.05221846 65.06150936

30.61045573 31.17691454 30.5450487 23.57965225

25.17935662 24.0208243 20.54263858 39.23009049

24.33105012 18.94729532 20.68816087 43.87482194

40.44749683 34.68429039 35.665109 54.79963504

18.02775638 28.94822965 28.19574436 41.85689907

31.74901573 38.01315562 31.74901573 51.21523211

27.23967694 27.44084547 30.33150178 49.02040392

3. Cari data dengan jarak terdekat sebanyak k. Sebagai contoh, nilai k yang akan

digunakan yaitu k=7. Berikut ini adalah hasil dari proses pencarian dengan nilai

k = 7.


30

Tabel 3. 7 KNN dengan k=7.

Data 1 Data 2 Data 3 Data 4 Data 5 Data 6 Data 7

C C

A A A A A

B B B B B B B

B B B B B B B

B B

C C C

TT

B B B B

B B B B B

B B B B

B B B B B B

A A A

4. Tentukan label berdasarkan mayoritas label dari data yang telah diperoleh.

Berikut ini adalah hasil dari proses penentuan label.

Tabel 3. 8 Hasil Klasifikasi KNN.

K=7 Data 1 Data 2 Data 3 Data 4 Data 5 Data 6 Data 7

B B B B B B B

3.4 Uji Akurasi dengan Confusion Matrix

Setelah modeling k-nearest neighbor telah dibuat, kemudian akan dilakukan

uji akurasi. Dari hasil uji akurasi dapat diketahui seberapa baik model klasifikasi k-

nearest neighbor setelah pemodelan sebelumnya. Untuk mengetahui nilai

akurasinya dapat dihitung menggunakan confusion matrix dengan rumus

persamaan 2.3. Hasil akurasi dari perhitungan dengan menggunakan confusion

matrix dapat dilihat sebagai berikut.


31

Tabel 3. 9 Nilai Akurasi.

Class Confusion Matrix

(k=7) A B C TT

A 0 0 0 0

B 0 5 0 0 C 0 2 0 0 TT 0 0 0 0

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 5

7∗ 100% = 71%

Tabel diatas dapat dilihat bahwa dengan data sebanyak 21 data maka

diperoleh nilai akurasi sebesar 71% untuk k=7. Karena pengujian ini menggunakan

3-fold cross validation maka harus dilakukan perhitungan terhadap 2 model data

lagi yaitu model data dengan data testing pada bagian tengah dan model data dengan

data testing pada bagian atas. Berikut ini merupakan hasil dari perhitungan

menggunakan confusion matrix dari setiap model data menggunakan 3-fold cross

validation.

Tabel 3. 10 Nilai akurasi 3-fold cross validation.

Akurasi menggunakan

data testing dengan

posisi berada dibawah.

Akurasi menggunakan

data testing dengan

posisi berada tengah.

Akurasi

menggunakan data

testing dengan posisi

berada atas.

71% 100% 43%

Hasil hitung rata-rata akurasi:

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 71 + 100 + 43

3∗ 100% = 71,33%


32

3.5 Peralatan Penelitian

Dalam proses penelitian dan pembuatan dokumen Klasifikasi akreditasi

menggunakan metode k-nearest neighbor (knn) pada data sekolah menengah

atas ini tidak terlepas dari dukungan software dan hardware yang digunakan.

Berikut ini, software dan hardware yang digunakan dalam proses penelitian dan

pembuatan dokumen ini.

1. Hardware

1. Laptop

Merk : Lenovo

Type : Legion Y545 15iRH

Processor : Intel(R) Core(TM) i7-9750H CPU @2.60GHz 2.59GHz

Ram : 16 GB

OS : Windows 10 Home

2. Software

1. Matlab R2019b

2. Microsoft Office 365 ProPlus


33

3.6 Desain User Interface

Gambar 3. 2 User Interface klasifikasi akreditasi dengan KNN.

Gambar 3.2 merupakan desain dari user interface yang dirancang pada

sistem dengan tujuan agar pengguna dapat mengoperasikan sistem dengan lebih

mudah ketika melakukan proses pengklasifikasian akreditasi.


34

BAB IV

HASIL DAN ANALISIS

Pada bab ini akan membahas hal-hal yang terkait dengan hasil implementasi

dari sistem yang telah dirancang dan diuji serta analisis hasil pengujian dari

penelitian ini.

4.1 Hasil

4.1.1 Seleksi Atribut

Seleksi atribut dilakukan dengan information gain menggunakan

aplikasi weka tools 3.8.4. Terlebih dahulu dilakukan penghapusan terhadap

beberapa atribut.

Setelah atribut tersebut dihapus, selanjutnya data diproses

menggunakan weka tools untuk mengetahui ranking dari masing-masing

atribut. Hasil ranking seluruh atribut dapat dilihat dilampiran. Berikut ini

adalah hasil rangking dengan 10 atribut teratas yang dapat dilihat pada tabel

dibawah ini.

Tabel 4. 1 Hasil Rangking.

Rangking Atribut

1 Standar Kelulusan

2 Standar Sarana Dan Prasarana

3 Standar Isi

4 Standar Pengelolaan

5 Standar Penilaian

6 Standar Tenaga Pendidik

7 Standar Proses

8 Standar Pembiayaan

9 Rata-rata IPA

10 Guru – Ijazah S1 atau lebih


35

4.2 Hasil Percobaan

4.2.1 Uji Data Kelompok

Percobaan klasifikasi dilakukan sebanyak 64 kali menggunakan metode k-

nearest neighbor dengan nilai k = 1, k = 3, k=5, dan k=7 yang dimana masing-

masing atribut diujicobakan melewati tahap pembagian data dengan menggunakan

3-fold cross validation sehingga diperoleh data training dan data testing. Untuk

hasil dari semua percobaan yang telah dilakukan dapat dilihat pada lampiran.

Berikut ini adalah hasil dari uji coba klasifikasi dengan percobaan menggunakan 1

sampai 10 atribut.

Tabel 4. 2 Atribut yang diujikan

Jumlah

Atribut Atribut

1 Standar Kelulusan.

2 Standar Kelulusan, dan Standar Sarana Dan Prasarana.

3 Standar Kelulusan, Standar Sarana Dan Prasarana, dan

Standar Isi.

4 Standar Kelulusan, Standar Sarana Dan Prasarana, Standar

Isi, dan Standar Pengelolaan.


Isi, Standar Pengelolaan, dan Standar Penilaian.


Isi, Standar Pengelolaan, Standar Penilaian, dan Standar

Tenaga Pendidik.


Isi, Standar Pengelolaan, Standar Penilaian, Standar

Tenaga Pendidik, dan Standar Proses.



Tenaga Pendidik, Standar Proses, dan Standar

Pembiayaan.


36



Tenaga Pendidik, Standar Proses, Standar Pembiayaan,

dan Rata-rata IPA.



Tenaga Pendidik, Standar Proses, Standar Pembiayaan,

Rata-rata IPA, dan Guru – Ijazah S1 atau lebih.

Pada percobaan ini dilakukan normalisasi terhadap atribut yang memiliki

rentang data jauh dari atribut lainnya. Atribut yang dinormalisasi adalah atribut

daya listrik dikarenakan rentang data pada atribut tersebut mulai dari 0 hingga

865000. Berikut hasil normalisasi terhadap atribut daya listik.

Tabel 4. 3 Normalisasi atribut

Atribut Rentang data Hasil

normalisasi

Daya listrik 0 sampai 865000 0,0018

Berikut ini adalah hasil akurasi yang diperoleh ketika tidak dilakukan

normalisasi dan setelah dilakukan normalisasi dengan percobaan menggunakan

nilai k=1.

Tabel 4. 4 Akurasi sebelum dan sesudah normalisasi

Sebelum normalisasi (%) Setelah normalisasi (%)

67,5 76,6026

Dari hasil percobaan tersebut, nilai akurasi yang diperoleh sebelum

dilakukannya normalisasi terhadap atribut daya listrik menghasilkan nilai akurasi

67,5%. Setelah dilakukan normalisasi diperoleh nilai akurasi sebesar 76,6026%

sehingga diketahui bahwa normalisasi berpengaruh terhadap nilai akurasi yang

akan diperoleh.


37

Pada percobaan dengan menggunakan k = 1 dengan atribut yang diujikan

seperti pada tabel 4.2 Atribut yang diujikan diperoleh nilai akurasi tertinggi yaitu

79,6154% dengan jumlah atribut sebanyak 8. Berikut ini adalah tabel hasil akurasi

yang diperoleh dari percobaan yang telah dilakukan.

Tabel 4. 5 Hasil pengujian dengan menggunakan k=1.

Jumlah

attribut

Akurasi (%)

dengan k =

1

1 69,0385

2 75,3846

3 77,1154

4 76,9872

5 78,0128

6 78,6538

7 78,9744

8 79,6154

9 78,7821

10 79,0385






Jumlah

attribut

Akurasi (%)

dengan k =

3

1 69,1667

2 76,1538

3 77,5


38

4 77,8846

5 77,9487

6 78,9744

7 79,359

8 80,7051

9 79,9359

10 80



80% dengan jumlah atribut sebanyak 8. Berikut ini adalah tabel hasil akurasi yang

diperoleh dari percobaan yang telah dilakukan.


Jumlah

attribut

Akurasi (%)

dengan k =

5

1 69,1026

2 76,4744

3 77,6282

4 78,3333

5 78,2692

6 79,4231

7 79,5513

8 80

9 79,8718

10 79,6795






39


Jumlah

attribut

Akurasi (%)

dengan k =

7

1 68,7821

2 76,4744

3 77,5641

4 78,3974

5 78,2692

6 79,6154

7 79,359

8 80,0641

9 79,7436

10 79,5513

Dengan melihat hasil yang didapat dari setiap percobaan yang telah

dilakukan, akurasi tertinggi diperoleh dengan jumlah atribut sebanyak 8 pada setiap

yang telah dilakukan. Berikut ini adalah gambar hasil akurasi dari setiap percobaan

yang telah dilakukan menggunakan 64 atribut dengan nilai k = 1, k = 3, k = 5, dan

k = 7.

Gambar 4. 1Akurasi dengan k=1

8; 79,6154

60

65

70

75

80

85

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63

AK

ura

si

Jumlah atribut

Akurasi (%)


40

Gambar 4. 2 Akurasi dengan k=3



8; 80,7051

60

65

70

75

80

85

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63

Aku

rasi

Jumlah atribut

Akurasi (%)

8; 80

60

65

70

75

80

85

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63

Aku

rasi

Jumlah atribut

Akurasi (%)

8; 80,0641

60

65

70

75

80

85

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63

Aku

rasi

Jumlah atribut

Akurasi (%)


41

Dari semua percobaan yang telah dilakukan, diketahui bahwa klasifikasi

yang paling optimal terdapat pada penggunaan atribut sebanyak 8 dengan nilai k =

3 dimana nilai akurasi yang diperoleh sebesar 80,7051%. Atribut yang menghasil

akurasi tertinggi adalah standar kelulusan, standar sarana dan prasarana, standar

isi, standar pengelolaan, standar penilaian, standar tenaga pendidik, standar proses,

dan standar pembiayaan. Dengan melihat hasil pada gambar 4.2, gambar 4.3, dan

gambar 4.4 maka diketahui bahwa nilai k yang digunakan dalam pengklasifikasian

dapat mempengaruhi akurasi.

Berikut adalah confusion matrix yang diperoleh dengan menggunakan 8

atribut dengan k = 3.

Tabel 4. 9 Confusion Matrix 1

Hasil A B C TT

A 418 0 0 0

B 3 92 1 0

C 0 0 5 0

TT 0 0 0 1


Hasil A B C TT

A 190 58 11 0

B 165 50 11 1

C 25 7 0 0

TT 2 0 0 0


Hasil A B C TT

A 253 6 0 0

B 5 222 0 0

C 0 5 27 0


42

TT 0 1 0 1

Setelah melakukan percobaan dengan menggunakan seluruh atribut, kemudian

dilakukan percobaan terhadap 8 atribut yang menghasilkan nilai akurasi tertinggi.

Percobaan akan dilakukan sebanyak 39 kali dengan mencoba menggunakan nilai k

= 1 hingga k = 39. Berikut ini adalah hasil yang diperoleh setelah melakukan

percobaan tersebut.

Tabel 4. 12 Uji coba dengan k=1 sampai k=39

Nilai k Akurasi

(%)

1 79,6154

2 77,4359

3 80,7051

4 79,359

5 80

6 79,359

7 80,0641

8 79,359

9 80

10 79,6154

11 80,0641

12 79,4231

13 79,7436

14 79,4872

15 79,8077

16 79,359

17 79,6154

18 79,4231

19 79,6795

20 79,4231

21 79,5513

22 79,2949

23 79,4231

24 79,1026

25 79,359

26 79,0385

27 79,2949

28 78,9103

29 79,2949


43

30 79,0385

31 79,2308

32 78,8462

33 79,2308

34 78,9103

35 79,1667

36 78,6538

37 78,6744

38 78,5256

39 79,0385

Berikut ini adalah diagram keseluruhan percobaan yang telah dilakukan dengan

menggunakan nilai k=1 hingga k=39.

Gambar 4. 5 Akurasi 8 atribut dengan k=1 sampai k=39

Dari hasil percobaan yang telah dilakukan menggunakan 8 atribut dengan nilai

akurasi tertinggi dan nilai k=1 hinggga k=39, diketahui bahwa penggunaan nilai

k=3 menghasilkan akurasi tertinggi.

4.2.2 Uji Data Tunggal

Pada tahap ini, uji data tunggal dilakukan dengan menggunakan atribut

yang memperoleh akurasi tertinggi yaitu 8 atribut. Inputan yang akan

dimasukkan ke dalam sistem yaitu standar kelulusan, standar sarana dan

3; 80,7051

75

76

77

78

79

80

81

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39

Aku

rasi

Nilai k

Akurasi (%)


44

prasarana, standar isi, standar pengelolaan, standar penilaian, standar tenaga

pendidik, standar proses, dan standar pembiayaan. Data yang diujikan pada

sistem adalah data acak yang dimana data tersebut di inputkan untuk

mengetahui label dari data yang diuji. Berikut merupakan contoh data yang

diuji pada sistem yang telah dibuat.

1. Data 1

Data berisi inputan seperti dibawah ini

Gambar 4. 6 Klasifikasi uji data 1.

Berdasarkan percobaan yang dilakukan pada data 1, sistem

mengklasifikasikan data tersebut dengan label A.


45

2. Data 2




mengklasifikasikan data tersebut dengan label B.

3. Data 3




46


mengklasifikasikan data tersebut dengan label C.

4. Data 4




mengklasifikasikan data tersebut dengan label


47

BAB V

PENUTUP

5.1 Kesimpulan

Hasil dari percobaan yang telah dilakukan yaitu klasifikasi akreditasi

menggunakan metode k-nearest neighbor (knn) SMA pada data sekolah menengah

atas, maka diperoleh kesimpulan sebagai berikut.

1. Pada percobaan-percobaan yang telah dilakukan diperoleh nilai akurasi yang

berbeda-beda. Nilai akurasi tertinggi diperoleh pada penggunaan 8 atribut dan

nilai k = 3 dengan nilai akurasi sebesar 80,7051%.

2. Pada percobaan yang telah dilakukan, diketahui bahwa nilai k yang digunakan

dapat mempengaruhi hasil akurasi yang diperoleh.

3. Atribut-atribut yang menghasilkan akurasi tertinggi pada penelitian ini adalah

standar kelulusan, standarsarana dan prasarana, standar isi, standar

pengelolaan, standar penilaian, standar tenaga pendidik, standar proses, dan

standar pembiayaan.

4. Percobaan menggunakan artibut yang lebih dari 8 mengakibatkan nilai akurasi

yang semakin menurun.

5.2 Saran

Saran untuk penelitian ini adalah.

1. Metode normalisasi data dapat menggunakan metode lain.

2. Metode yang digunakan dalam proses pembagian data dapat dikembangkan

dari 3-fold cross validation menjadi 5-fold cross validation.

3. Metode yang digunakan dalam menghitung jarak antara data dapat

menggunakan metode lain selain euclidean distance.


48

LAMPIRAN

Pasal 2 Ayat 1 Peraturan Pemerintah (PP) No.19 tahun 2005

Pasal 2

(1) Lingkup Standar Nasional Pendidikan meliputi:

a. standar isi.

b. standar proses.

c. standar kompetensi lulusan.

d. standar pendidik dan tenaga kependidikan.

e. standar sarana dan prasarana.

f. standar pengelolaan.

g. standar pembiayaan.

h. standar penilaian pendidikan.

Rangking atribut

Ranking Atribut

1 Standar Kelulusan

2 Standar Sarana Prasarana

3 Standar Isi

4 Standar Pengelolaan

5 Standar Penilaian

6 Standar Tenaga Pendidik

7 Standar Proses

8 Standar Pembiayaan

9 Rata-rata IPA

10 Guru - Ijazah S1 atau lebih

11 Total guru

12 Total Rombongan Belajar

13 Total Ruang Kelas

14 Jumlah Guru Perempuan

15 Guru - Sertifikasi

16 Total siswa

17 Total siswa perempuan

18 Total Laboratorium

19 Jumlah Murid Islam

20 Jumlah Guru Laki-Laki

21 Umur Guru - 46-50 Tahun


49

22 Daya listrik

23 Total siswa laki-laki


25 Rata-rata UN

26 Rata-rata IPS

27 Guru Gol IV

28 Persentase Guru PNS


30 Umur Guru - Lebih dari 55 Tahun

31 Guru Gol III

32 Ratio Umur Guru - 31-35 Tahun

33 Persentase Guru Sertifikasi

34 Ratio Umur Guru - Lebih dari 55 Tahun

35 Jenis sekolah





40 Luas Tanah (MÂ²)


42 Ratio Umur Guru - Kurang dari 30 Tahun

43 Jumlah Murid Kristen

44 Guru - Belum Sertifikasi

45 Rasio Siswa Rombel

46 Jumlah Murid Katholik

47 Rasio Siswa - Guru

48 Ratio Siswa - Ruang kelas

49 Persentase Guru Kualifikasi

50 Total sanitasi siswa


52 Total perpustakaan

53 Jumlah Murid Hindu

54 Persentase Siswa Mengulang

55 Provinsi

56 Umur Guru - Kurang dari 30 Tahun

57 Jumlah Murid Buddha

58 Persentase ruang kelas layak

59 Guru Gol II

60 Jumlah Murid Konghucu

61 Guru Gol I

62 Guru - Ijazah kurang dari S1

63 Guru - Data Kosong

64 Jumlah Murid Lainnya


50

Atribut yang diujikan

Jumlah

Atribut Atribut

1 Standar Kelulusan.

2 Standar Kelulusan, dan Standar Sarana Dan Prasarana.

3 Standar Kelulusan, Standar Sarana Dan Prasarana, dan Standar

Isi.

4 Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,

dan Standar Pengelolaan.


Standar Pengelolaan, dan Standar Penilaian.

6

Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,

Standar Pengelolaan, Standar Penilaian, dan Standar Tenaga

Pendidik.

7


Standar Pengelolaan, Standar Penilaian, Standar Tenaga

Pendidik, dan Standar Proses.

8



Pendidik, Standar Proses, dan Standar Pembiayaan.

9



Pendidik, Standar Proses, Standar Pembiayaan, dan Rata-rata

IPA.

10



Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,

dan Guru – Ijazah S1 atau lebih.




51


Guru – Ijazah S1 atau lebih, dan Total guru.

12




Guru – Ijazah S1 atau lebih, Total guru, dan Total Rombongan

Belajar.

13




Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan

Belajar, dan Total Ruang Kelas.

14





Belajar, Total Ruang Kelas, dan Jumlah Guru Perempuan.

15





Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, dan Guru

– Sertifikasi.

16





Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –

Sertifikasi, dan Total siswa.


52

17






Sertifikasi, Total siswa, dan Total siswa perempuan.

18





Sertifikasi, Total siswa, Total siswa perempuan, dan Total

Laboratorium

19





Sertifikasi, Total siswa, Total siswa perempuan, Total

Laboratorium, dan Jumlah Murid Islam

20






Laboratorium, Jumlah Murid Islam, dan Jumlah Guru Laki-Laki

21







53

Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,

dan Umur Guru - 46-50 Tahun

22







Umur Guru - 46-50 Tahun, dan Daya listrik

23







Umur Guru - 46-50 Tahun, Daya listrik, dan Total siswa laki-

laki

24







Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,

dan Umur Guru - 51-55 Tahun

25







54



Umur Guru - 51-55 Tahun, dan Rata-rata UN

26








Umur Guru - 51-55 Tahun, Rata-rata UN, dan Rata-rata IPS

27








Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, dan

Guru Gol IV

28








Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru

Gol IV, dan Persentase Guru PNS


55

29









Gol IV, Persentase Guru PNS, dan Umur Guru - 41-45 Tahun

30









Gol IV, Persentase Guru PNS, Umur Guru - 41-45 Tahun, dan

Umur Guru - Lebih dari 55 Tahun

31









Gol IV, Persentase Guru PNS, Umur Guru - 41-45 Tahun, Umur

Guru - Lebih dari 55 Tahun, dan Guru Gol III


56

32










Guru - Lebih dari 55 Tahun, Guru Gol III, dan Ratio Umur Guru

- 31-35 Tahun

33










Guru - Lebih dari 55 Tahun, Guru Gol III, Ratio Umur Guru -

31-35 Tahun, dan Persentase Guru Sertifikasi

34










57



31-35 Tahun, Persentase Guru Sertifikasi, dan Ratio Umur Guru

- Lebih dari 55 Tahun

35











31-35 Tahun, Persentase Guru Sertifikasi, Ratio Umur Guru -

Lebih dari 55 Tahun, dan Jenis sekolah

36












Lebih dari 55 Tahun, Jenis sekolah, dan Ratio Umur Guru - 36-

40 Tahun


58

37









Gol IV, Persentase Guru PNS, Umur Guru - 41-45 Tahun,

Umur Guru - Lebih dari 55 Tahun, Guru Gol III, Ratio Umur

Guru - 31-35 Tahun, Persentase Guru Sertifikasi, Ratio Umur

Guru - Lebih dari 55 Tahun, Jenis sekolah, Ratio Umur Guru -

36-40 Tahun, dan Ratio Umur Guru - 41-45 Tahun

38












Lebih dari 55 Tahun, Jenis sekolah, Ratio Umur Guru - 36-40

Tahun, Ratio Umur Guru - 41-45 Tahun, dan Ratio Umur Guru

- 51-55 Tahun

39





59










Tahun, Ratio Umur Guru - 41-45 Tahun, Ratio Umur Guru - 51-

55 Tahun, dan Umur Guru - 36-40 Tahun

40














55 Tahun, Umur Guru - 36-40 Tahun, dan Luas Tanah (MÂ²)

41







60









55 Tahun, Umur Guru - 36-40 Tahun, Luas Tanah (MÂ²), dan

Ratio Umur Guru - 46-50 Tahun

42









Gol IV, Persentase Guru PNS, Umur Guru - 41-45 Tahun,

Umur Guru - Lebih dari 55 Tahun, Guru Gol III, Ratio Umur

Guru - 31-35 Tahun, Persentase Guru Sertifikasi, Ratio Umur

Guru - Lebih dari 55 Tahun, Jenis sekolah, Ratio Umur Guru -

36-40 Tahun, Ratio Umur Guru - 41-45 Tahun, Ratio Umur

Guru - 51-55 Tahun, Umur Guru - 36-40 Tahun, Luas Tanah

(MÂ²), Ratio Umur Guru - 46-50 Tahun, Ratio Umur Guru -

Kurang dari 30 Tahun

43






61










55 Tahun, Umur Guru - 36-40 Tahun, Luas Tanah (MÂ²), Ratio

Umur Guru - 46-50 Tahun, Ratio Umur Guru - Kurang dari 30

Tahun, dan Jumlah Murid Kristen

44
















Tahun, Jumlah Murid Kristen , dan Guru - Belum Sertifikasi

45 Standar Pengelolaan, Standar Penilaian, Standar Tenaga



62














Tahun, Jumlah Murid Kristen , Guru - Belum Sertifikasi, dan

Rasio Siswa Rombel

46

















63

Tahun, Jumlah Murid Kristen , Guru - Belum Sertifikasi, Rasio

Siswa Rombel, dan Jumlah Murid Katholik

47

















Siswa Rombel, Jumlah Murid Katholik , dan Rasio Siswa - Guru

48













64






Siswa Rombel, Jumlah Murid Katholik , Rasio Siswa - Guru,

dan Ratio Siswa - Ruang kelas

49


















Ratio Siswa - Ruang kelas , dan Persentase Guru Kualifikasi

50







65













Ratio Siswa - Ruang kelas, Persentase Guru Kualifikasi, dan

Total sanitasi siswa

51
















Tahun, Jumlah Murid Kristen, Guru - Belum Sertifikasi, Rasio

Siswa Rombel, Jumlah Murid Katholik, Rasio Siswa - Guru,


66

Ratio Siswa - Ruang kelas, Persentase Guru Kualifikasi, Total

sanitasi siswa, dan Umur Guru - 31-35 Tahun

52



















sanitasi siswa, Umur Guru - 31-35 Tahun, dan Total

perpustakaan

53










67











sanitasi siswa, Umur Guru - 31-35 Tahun, Total perpustakaan,

dan Jumlah Murid Hindu

54




















68


Jumlah Murid Hindu, dan Persentase Siswa Mengulang

55




















Jumlah Murid Hindu, Persentase Siswa Mengulang, dan

Provinsi

56









69













Jumlah Murid Hindu, Persentase Siswa Mengulang, Provinsi,

dan Umur Guru - Kurang dari 30 Tahun

57



















70




Umur Guru - Kurang dari 30 Tahun, dan Jumlah Murid Buddha

58





















Umur Guru - Kurang dari 30 Tahun, Jumlah Murid Buddha, dan

Persentase ruang kelas layak

59






71

















Umur Guru - Kurang dari 30 Tahun, Jumlah Murid Buddha,

Persentase ruang kelas layak, dan Guru Gol II

60















72









Persentase ruang kelas layak, Guru Gol II, dan Jumlah Murid

Konghucu

61














55 Tahun, Umur Guru - 36-40 Tahun, Luas Tanah (MÂ²), dan

Ratio Umur Guru - 46-50 Tahun, Ratio Umur Guru - Kurang

dari 30 Tahun, Jumlah Murid Kristen, Guru - Belum Sertifikasi,

Rasio Siswa Rombel, Jumlah Murid Katholik , Rasio Siswa -

Guru, Ratio Siswa - Ruang kelas, Persentase Guru Kualifikasi,

Total sanitasi siswa, Umur Guru - 31-35 Tahun, Total

perpustakaan, Jumlah Murid Hindu, Persentase Siswa

Mengulang, Provinsi, Umur Guru - Kurang dari 30 Tahun,


73

Jumlah Murid Buddha, Persentase ruang kelas layak, Guru Gol

II, Jumlah Murid Konghucu, dan Guru Gol I

62






















Persentase ruang kelas layak, Guru Gol II, Jumlah Murid

Konghucu, Guru Gol I, dan Guru - Ijazah kurang dari S1

63







74


















Konghucu, Guru Gol I, Guru - Ijazah kurang dari S1, dan Guru

- Data Kosong

64














75











Konghucu, Guru Gol I, Guru - Ijazah kurang dari S1, Guru -

Data Kosong, dan Jumlah Murid Lainnya

Akurasi seluruh stribut

Jumlah attribut Akurasi (%)

dengan k =1 Akurasi (%)



dengan k =7

1 69,0385 69,1667 69,1026 68,7821

2 75,3846 76,1538 76,4744 76,4744

3 77,1154 77,5 77,6282 77,5641

4 76,9872 77,8846 78,3333 78,3974

5 78,0128 77,9487 78,2692 78,2692

6 78,6538 78,9744 79,4231 79,6154

7 78,9744 79,359 79,5513 79,359

8 79,6154 80,7051 80 80,0641

9 78,7821 79,9359 79,8718 79,7436

10 79,0385 80 79,6795 79,5513

11 78,9103 79,9359 79,4872 79,4231

12 78,9103 79,8077 79,2949 79,2949

13 78,7179 80,0641 79,359 79,1667

14 78,2692 79,6795 79,2949 79,2949

15 78,3974 79,2949 79,1667 78,9744

16 76,9872 78,3333 77,5641 77,7564

17 76,9231 77,2436 77,4359 76,9872

18 76,859 77,2436 77,4359 76,9872

19 76,7308 77,2436 76,7949 76,4744

20 76,6667 77,3077 76,7308 76,6026

21 76,6026 77,3077 76,7308 76,6026


76

22 76,6026 77,3077 76,7308 76,4744

23 75,3846 75,9615 76,0256 76,0897

24 75,3205 76,0256 75,9615 76,0897

25 75,1923 76,0256 75,5128 75,7051

26 74,7436 75,2564 75,3205 75,0641

27 74,6795 75,2564 75,1923 75,1282

28 74,2949 74,1667 74,6154 74,5513

29 74,2949 74,2308 74,6795 74,5513

30 74,1667 74,2308 74,6795 74,5513

31 74,0385 74,1667 74,6795 74,5513

32 71,859 73,5256 74,4872 74,9359

33 70,8333 72,9487 74,4231 74,1026

34 70,8974 73,7821 73,7179 73,5897

35 70,8974 73,7821 73,7179 73,5897

36 69,1026 71,9872 71,6026 71,9872

37 68,6538 71,1538 71,7308 72,1795

38 68,4615 70,5769 70,7692 71,6026

39 68,4615 70,5769 70,8333 71,6026

40 68,2692 69,6154 70,1282 70,8333

41 68,2692 69,0385 68,9103 70,3205

42 68,0128 69,2308 69,6795 69,5513

43 68,141 69,1667 69,6795 69,4872

44 68,2051 69,1667 69,6154 69,6154

45 68,0769 69,2308 69,7436 69,6795

46 68,141 69,1026 69,8718 69,7436

47 68,141 69,2308 70,0641 69,8077

48 68,141 68,9744 70,1282 69,6795

49 68,141 68,6538 70 69,6154

50 68,141 68,6538 70 69,6154

51 68,141 68,6538 70 69,6154

52 68,141 68,6538 70 69,6154

53 68,2051 68,6538 70 69,6154

54 68,2051 68,5897 69,8718 69,5513

55 68,2051 68,6538 69,8718 69,5513

56 68,2051 68,7179 69,8718 69,5513

57 68,3333 68,6538 69,7436 69,4872

58 68,5897 68,5897 69,1667 69,4872

59 68,5897 68,5897 69,1667 69,4872

60 68,5897 68,5897 69,1667 69,4872

61 68,5897 68,5897 69,1667 69,4872

62 68,5897 68,5897 69,1667 69,4872

63 68,5897 68,5897 69,1667 69,4872

64 68,5897 68,5897 69,1667 69,4872


77


78

Source code program

1. Preprocessing

[filename,filepath]=uigetfile([{'*.xlsx','XLSX

Only'};{'*.xls','XLS Only'}],'Select Data File');

[num,text,raw]= xlsread(strcat(filepath,filename));

set(handles.data_awal,'data',raw);

raw(1,:)=[];

kolom_yg_ingin_dihapus =

[1,2,3,4,5,6,7,8,9,10,12,14,17,19,20,65,66];

ksize=size(kolom_yg_ingin_dihapus);

for i = ksize(2) : -1 : 1

raw(:,kolom_yg_ingin_dihapus(i))=[];

num(:,kolom_yg_ingin_dihapus(i))=[];

end

revenue=raw(:,65);

[m]=size(revenue);

for i=1:m

%transformasi provinsi

if(strcmp(raw(i,1),'Prov. D.K.I. Jakarta'))

num(i,1)=1;

elseif(strcmp(raw(i,1),'Prov. Jawa Barat'))

num(i,1)=2;

elseif(strcmp(raw(i,1),'Prov. Jawa Tengah'))

num(i,1)=3;

elseif(strcmp(raw(i,1),'Prov. D.I. Yogyakarta'))

num(i,1)=4;

elseif(strcmp(raw(i,1),'Prov. Jawa Timur'))

num(i,1)=5;

else

num(i,1)=6;

end

end

for i=1:m

%transformasi Jenis sekolah

if(strcmp(raw(i,2),'SWASTA'))

num(i,2)=1;

else

num(i,2)=0;

end

end

for i=1:m

%transformasi kelas

if(strcmp(raw(i,65),'A'))

num(i,65)=1;

elseif(strcmp(raw(i,65),'B'))

num(i,65)=2;

elseif(strcmp(raw(i,65),'C'))

num(i,65)=3;

else

num(i,65)=4;

end

end


79

2. 3-fold cross validation

%Normalisasi(Min-Max)

dayaListrik = min_max(num(:,3));

% normalisasi=num;

for(i=1 : m)

num(i,3)=dayaListrik(i);

end

jumAttribut = str2double(get(handles.jumAtribut, 'string'));

transData = num;

rating_idx =

[46,42,43,45,44,47,49,48,15,18,10,8,6,29,27,13,11,5,59,30,39,

3,12,40,14,16,34,52,38,41,33,21,55,26,2,22,23,25,37,4,24,20,6

3,28,56,58,53,50,54,9,36,7,61,57,1,35,60,51,32,62,31,17,19,64

];

if jumAttribut > size(rating_idx,2)-1

jumAttribut = size(rating_idx,2);

end

global Data_pakai;

for i = 1 : jumAttribut

if i == 1

Data_pakai = transData (:,rating_idx(i));

else

Data_pakai = [Data_pakai,transData(:,rating_idx(i))];

end

end

Data_pakai = [Data_pakai, transData(:,65)];

set(handles.tab1,'data',Data_pakai);

k = str2double(get(handles.edit2, 'string'));

jumAttribut = str2double(get(handles.jumAtribut, 'string'));

ukurandata= size(BC,2);

X = BC(:,1:ukurandata-1);

Y = BC(:,ukurandata); %label

jumlah_data = size(X);

range = round(jumlah_data(1)/3);

Kel1 = X(1:range,:);

Kel2 = X(range+1:range*2,:);

Kel3 = X(range*2+1:jumlah_data(1),:);

%Data Training

DataTraining1 = [Kel2;Kel3];



%Data Testing

DataTesting1 = Kel1;




80

% Pembagian Label

LabelKel1 = Y(1:range);

LabelKel2 = Y(range+1:range*2);

LabelKel3 = Y(range*2+1:jumlah_data(1));

%Label Training

LabelTraining1= [LabelKel2;LabelKel3];



%Label Testing

LabelTesting1 = LabelKel1;



data_ujitunggal = X;

label_ujitunggal = Y;

save 'data_ujitunggal.mat' 'data_ujitunggal';

save 'label_ujitunggal.mat' 'label_ujitunggal';

DH = jumlah_data(1) - range;

%Menghitung jarak dari data testing terhadap data training

euclidean_distance1 = eu_distance(DataTraining1, DH,

DataTesting1, range, jumAttribut);





%Uji Akurasi

HasilUji1 = K_NN(k, LabelTraining1, DH, LabelTesting1, range,

euclidean_distance1);





confusion1 = confusionmat(LabelTesting1,HasilUji1);

output1 = (sum(diag(confusion1))/sum(sum(confusion1)))*100;

set(handles.confus1,'data',confusion1);







akurasi =(output1+output2+output3)/3;

set(handles.nilai_akurasi,'String',[num2str(akurasi) '%']);


81

3. Euclidean distance

4. K-nearest neighbor

function [ distance ] = eu_distance(BCTraining, DH, BCTest,

range, jumAttribut)

%euclidean distance

distance =zeros(DH, range);

for h = 1 : range %perulangan sebanyak testing

for i = 1 : DH % perulangan sebanyak training

for j = 1 : jumAttribut

distance(i,h) =

distance(i,h)+(BCTraining(i,j)-BCTest(h,j))^2;

end

distance(i,h) = sqrt(distance(i,h));

end

end

end

function [ output ] = K_NN(k, LabelTraining, DH, LabelTest,

range, distance)

%Modeling KNN

%klasifikasi knn

minim=zeros(k,range);

minimIDX=zeros(k,range);

urut= sort(distance);

for i = 1 : k

for j = 1 : range

minim(i,j)=urut(i,j);

end

end

%mencari index dari jarak nilai minimum

for h = 1 : k

for i = 1 : range

for j = 1 : DH

if distance(j,i)== minim(h,i)

minimIDX(h,i)=j;

end

end

end

end

%mencari label dari klasifikasi data testing terhadap data

training

minimIDXL=length(minimIDX);

LabelTS = size(LabelTraining);

LabelTL = LabelTS(1);

LabelKlasifikasi=zeros(k,minimIDXL);


82

for h = 1 : k

for i = 1 : minimIDXL

for j = 1 : LabelTL

if minimIDX(h,i)==j

LabelKlasifikasi(h,i)=LabelTraining(j,1);

end

end

end

end

%voting label mayoritas

Label1 = zeros(1,minimIDXL);




LabelKlasifikasiFinal = zeros(minimIDXL,1);

for i = 1 : k

for j = 1 : minimIDXL

if LabelKlasifikasi(i,j)==1

Label1(1,j)=Label1(1,j)+1;

elseif LabelKlasifikasi(i,j)==2


elseif LabelKlasifikasi(i,j)==3


else


end

end

end

for j = 1 : minimIDXL

if Label1(1,j) > Label2(1,j) && Label1(1,j) >

Label3(1,j) && Label1(1,j) > Label4(1,j)

LabelKlasifikasiFinal(j,1)= 1;

elseif Label2(1,j) > Label1(1,j) && Label2(1,j) >



elseif Label3(1,j) > Label1(1,j) && Label3(1,j) >



else


end

end

output = LabelKlasifikasiFinal;

end


83

DAFTAR PUSTAKA

[1]. Bisri Merluarini, Diah Safitri,Abdul Hoyyi. 2014. PERBANDINGAN

ANALISIS KLASIFIKASI MENGGUNAKAN METODE K-NEAREST

NEIGHBOR (K-NN) DAN MULTIVARIATE ADAPTIVE

REGRESSION SPLINER (MARS) PADA DATA AKREDITASI

SEKOLAH DASAR NEGERI DI KOTA SEMARANG. Jurnal Gaussian.

3(3):313-322.

[2]. Ari Sulistiyo. 2015. Penentuan Jurusan Sekolah Menengah Atas Menggunakan

Metode K-Nearest Neighbor Classifier Pada SMAN 16 Semarang.

[3]. Han, J., Kamber, M., Pei. J. 2006.Data Mining Concept and Tehniques.San

Fransisco : Morgan Kauffman.

[4]. Kemendikbud. 2016. PENGALIRAN DATA POKOK PENDIDIKAN MELALUI

JARINGAN UTAMA (BACKBONE). Jakarta

[5]. Hand, D. Mannila, H. and Smyth, P. 2001. Principles of Data Mining.

Cambridge, MIT Press.

[6]. Kusrini, dan Luthfi, Emha. T. 2009. ALGORITMA DATA MINING. Yogyakarta

: ANDI.

[7]. Turban, E. dkk. 2005. Decicion Support Sistem and Intelligent Sistem.

Yogyakarta: Andi Offset.

[8]. Larose, Daniel T. 2005. Discovering Knowledge in Data: An Introduction to

Data Mining. John Willey & Sons, Inc.

[9]. Cabena, Peter. dkk. 1998. Discovering Data Mining: From Concept to

Implementation, Prentice Hall.

[10]. Fayyad, Usama M. dkk. 1996. Advances in Knowledge Discovery and Data

Mining,Menlo Park.AAAI/MIT Press.

[11]. Fayyad, Usama M. 1996. The KDD Process for Extracting Useful Knowledge

from Volumes of Data.Communication of the ACM, 39(11): 27-34.

[12]. Gorunescu, F. (2011). Data Mining Concepts Models and Techniques.

Craiova: Springer.


84

[13]. Santosa, B. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan

Bisnis (1 ed.). Yogyakarta: Graha Ilmu.

[14]. Prasetyo, E. 2014. Data mining mengelola data menjadi informasi

menggunakan matlab. Yogyakarta: ANDI.

[15]. Santosa, B. dan Umam, A. 2018. Data Mining dan Big Data Analytics : Teori

dan Implementasi Menggunakan Python & Apache Spark (2 ed).

Yogyakarta: Penebar Media Pustaka.

[16]. BANSM. 2020. PEDOMAN AKREDITASI SEKOLAH/MADRASAH 2020.

Jakarta Selatan: BADAN AKREDITASI NASIONAL

SEKOLAH/MADRASAH.


klasifikasi akreditasi menggunakan metode k ...repository.usd.ac.id/37869/2/165314101_full.pdfi...

Documents