studi kasus: smp perguruan islam ar r - E

ANALISIS KEMAMPUAN SISWA MENYERAP MATA PELAJARAN BIDANG
KEAGAMAAN MENGGUNAKAN DATA MINING
(STUDI KASUS: SMP PERGURUAN ISLAM AR RISALAH)
Sularno
Teknologi Informasi, U n i v e r s i t a s P u t r a I n d o n e s i a - Y P T K , P a d a n g
email: [email protected]
Abstrak – Sebuah sistem untuk menganalisa keterkaitan mata pelajaran keagamaan dengan mata
pelajaran bahasa Arab. Data Mining merupakan teknik penambangan sejumlah besar data untuk
menemukan pengetahuan-pengetahuan yang diperlukan dalam perbaikan dan pengembangan sistem
terkait. Algoritma Apriori merupakan salah satu algoritma yang paling banyak digunakan untuk
membentuk Aturan Asosiasi dari sekumpulan data berupa data nilai siswa SMP Perguruan Islam Ar
Risalah kelas VII dan kelas VIII untuk mata pelajaran keagamaan seperti Aqidah, Tafsir, Hadits, Fiqih,
Siroh dan Bahasa Arab pada semester II tahun ajaran 2012-2013. Proses tersebut dibantu dengan
menggunakan perangkat lunak WEKA. Hasilnya berupa aturan asosiasi yang terbentuk dari masingmasing mata pelajaran.
Kata Kunci : Aturan Asosiasi, Algoritma Apriori, Data Mining, WEKA
kegiatan
e-learning.
Penggunaan
teknik
association rule juga dilakukan oleh Kumar dan
Chadha (2012) membuat penilaian (assessment)
data mahasiswa. Beberapa faktor seperti minat
mahasiswa, rancangan kurikulum, metode
pengajaran dan penilaian, diketahui dapat
mempengaruhi
keberhasilan
kemampuan
mahasiswa. Dari kajian yang dilakukan
disimpulkan bahwa algoritma assosiasi Apriori
menunjukkan kemampuan yang lebih baik
algoritma seperti Predictive Apriori, Tertius, dan
Rule & Filtered Associaton.
Teknik Data Mining yang diterapkan pada
penelitian ini adalah association rule mining
(ARM) yang mampu menemukan pola
hubungan atau asosiasi dari frequent item set.
Salah satu algoritma ARM yang digunakan
untuk menemukan asosiasi ini adalah algoritma
Apriori diperkenalkan oleh Agrawal dan Srikant
(1994).
Untuk itulah penulis berkeinginan untuk
menganalisa kemampuan siswa SMP Perguruan
Islam Ar Risalah dalam menyerap mata
pelajaran
bidang
Keagamaan
dengan
menggunakan teknik Data Mining dalam hal ini
Association Rule dengan algoritma Apriori agar
didapatkan gambaran yang lebih baik mengenai
kemampuan siswa dalam mata pelajaran tersebut
dan hubungannya dengan mata pelajaran
pendukungnya yaitu Bahasa Arab.
PENDAHULUAN
Sebagai sekolah yang berbasis pesantren,
SMP Perguruan Islam Ar Risalah menerapkan
kurikulum yang memadukan kurikulum nasional
tingkat SMP dan kurikulum keagamaan.
Perpaduan ini menyebabkan jumlah mata
pelajarannya sedikit lebih banyak dibandingkan
dengan kurikulum nasional SMP. Mata pelajaran
keagamaan yang diajarkan antara lain Aqidah,
Fiqih, Tafsir, Hadits, dan Siroh (Sejarah) Nabi
Muhammad SAW, dan juga mata pelajaran
Bahasa Arab dan Nahwu sebagai mata pelajaran
pendukung.
Data Mining merupakan sebuah proses
untuk menemukan pengetahuan menarik dari
sejumlah besar data yang tersimpan dalam
database, gudang data atau tempat penyimpanan
informasi lainnya. Data Mining merupakan
integrasi dari beberapa teknik multi disiplin
seperti teknologi database, statistik, machine
learning, pengenalan pola, jaringan syaraf tiruan,
visualisasi data, pemrosesan sinyal dan gambar.
Kularbphettong dan Tongsiri (2012)
menggunakan teknik data mining untuk
menganalisa sikap motivasi siswa pada kegiatan
e-learning. Teknik yang diterapkan antara lain
association rule mining (ARM) dan teknik
klasifikasi.
Hasil
dari
analisa
akan
memperlihatkan variabel apa saja yang
mempengaruhi sikap motivasi siswa dalam
33
34
Jurnal PI-Cache, Volume 5, Nomor 1, Maret 2016
Berdasarkan latar belakang masalah, penulis
merumuskan masalah yang muncul sebagai berikut
1. Bagaimana implementasi penggunaan Data
Mining dalam menganalisa kemampuan siswa
SMP Perguruan Islam Ar Risalah menyerap
mata pelajaran Keagamaan?
2. Bagaimanakah hubungan antara kemampuan
menyerap mata pelajaran bidang keagamaan
tersebut dengan mata pelajaran bahasa arab?
Agar penelitian ini dapat terfokus maka
ditentukan batasan ruang lingkup masalah, yaitu
antara lain:
1. Sampel penelitian adalah siswa kelas VII dan
kelas VIII SMP Perguruan Islam Ar Risalah.
2. Mata pelajaran yang diteliti antara lain Tafsir,
Hadits, Aqidah, Fiqih dan Bahasa Arab
dengan mengambil nilai semester genap
tahun ajaran .
3. Software Data Mining yang digunakan
adalah Weka.
Tujuan dari penelitian ini adalah antara lain:
1. Mengetahui sejauh mana kemampuan siswa
dalam menyerap mata pelajaran bidang
keagamaan
2. Mengetahui korelasi antara mata pelajaran
bidang keagamaan dengan mata pelajaran
bahasa Arab.
3. Menganalisa
data-data terkait dengan
kemampuan siswa dalam mata pelajaran
keagamaan teknik data mining algoritma
apriori.
4. Mengimplementasikan dan menguji sistem
analisis kemampuan siswa dalam mata
pelajaran keagamaan dan bahasa Arab pada
software Weka.
TINJAUAN PUSTAKA
Knowledge Discovery in Databases (KDD)
Knowledge Discovery in Database (KDD)
adalah analisis otomatis eksplorasi dan
pemodelan dari repositori data yang besar
(Maimon & Rokach, 2010:1).
Knowledge
Discovery in Database (KDD) didefenisikan
sebagai ekstraksi informasi potensial, implisit
dan tidak dikenal dari sekumpulan data.
Data Mining
Data mining merujuk pada ekstraksi atau
"penambangan" pengetahuan dari dalam
sejumlah besar data (Han & Kamber, 2006:5).
Data mining diartikan sebagai proses
menemukan pola-pola dalam data. Proses
tersebut harus secara otomatis, atau (biasanya)
semi otomatis. Pola-pola yang ditemukan
haruslah memiliki makna yang dapat
mengarahkan pada beberapa keuntungan seperti
biasanya keuntungan ekonomis. Data tersebut
biasanya dalam ukuran yang besar (Witten &
Frank, 2005:5).
Rule Association
Association rule mining (ARM) dikenal juga
dengan istilah Market Basket Analisys. Istilah ini
muncul karena teknik ini digunakan untuk
menemukan pola yang saling berhubungan pada
barang belanjaan pelanggan pada sebuah
swalayan, seperti beberapa pembeli membeli
bubur bayi, kemungkinan akan ditemukan pola
yang sama barang apa lagi yang biasanya
mereka beli selain dari bubur bayi tersebut.
Association rule mempunyai bentuk LHS
(Left Hand Side)  RHS (Right Hand Side)
dengan interpretasi jika setiap item dalam LHS
dibeli maka sepertinya item dalam RHS juga
dibeli. Dua pengukuran penting untuk sebuah
rule adalah Support dan Confidence.
Support (s) didefinisikan sebagai persentase
record terhadap total record keseluruhan dalam
database. Support dapat dituliskan dalam rumus
berikut:
Support
(X)=
𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑋
(1)
𝐽𝑢𝑚𝑙𝑎 ℎ 𝑡𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑑𝑎𝑙𝑎𝑚 𝐷𝑎𝑡𝑎𝑏𝑎𝑠𝑒 (𝐷)
Sementara nilai Support dari 2 item
dituliskan dalam rumus berikut:
Support (X,Y) = P(X ∩Y) (2)
𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑋 𝑑𝑎𝑛
Support (X,Y)=
𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
𝑌
(3)
Jadi jika misalnya Support sebuah item
adalah 0,1 % maknanya hanya 0,1 persen dari
transaksi berisikan item ini.
Sementara Confidence (c) didefinisikan
sebagai persentase dari sejumlah transaksi yang
berisikan X ∪ Y terhadap jumlah record
keseluruhan yang mengandung X. Confidence
dapat dituliskan dalam rumus berikut:
Confidence (X|Y) =
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝑋𝑌 )
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝑋)
(4)
Confidence merupakan ukuran kekuatan
sebuah rule asosiasi. Jika kita anggap
Confidence XY adalah 80%, berarti sebanyak
80 persen transaksi yang mengandung X maka
akan mengandung juga akan mengandung Y
(Zhao & Bhowmick, 2003:6-7).
2.3 Algoritma Apriori
35
Sularno, Analisis Kemampuan Siswa Menyerap Mata Pelajaran Bidang Keagamaan Menggunakan Data Mining 33- 41
Algoritma
Apriori
pertama
kali
diperkenalkan oleh Agrawal dan Shrikant (1994)
yang berguna untuk menemukan frequent item
set pada sekumpulan data. Selain dari apriori
terdapat beberapa algoritma association rule
lainnya seperti Predictive Apriori, Tertius dan
Filtered Associator (Aher dan Lobo, 2012:48).
METODOLOGI PENELITIAN
Pada tahap metodologi penelitian ini,
penulis menggambarkan kerangka kerja dalam
penelitian ini untuk memberikan panduan dalam
penyusunan penelitian ini dengan tahapantahapannya yang cukup jelas. Kerangka kerja ini
merupakan
langkah-langkah
yang
akan
dilakukan dalam rangka penyelesaian masalah
yang akan dibahas. Secara umum sistematika
yang dimaksud terdapat beberapa langkahlangkah yang harus dilakukan dalam tesis ini
seperti yang terlihat pada gambar 3.1 berikut:
Merumuskan Masalah
Menentukan Tujuan
Mempelajari Literatur
Mengumpulkan dan Menseleksi Data
pelajaran Bahasa Arab walau dimasukkan dalam
rumpun pelajaran ilmu keagamaan
Proses Data Mining
Proses data mining yang diterapkan pada
analisis berikut diperlihatkan pada gambar 4.1.
Proses yang diterapkan yaitu pengumpulan data,
data cleaning, data transformation, pencarian
FIS, pembentukan Association Rule, dan
pengambilan kesimpulan.
Gambar 2. Proses Data Mining
Pengumpulan Data
Data-data nilai yang digunakan dalam penelitian
ini didapatkan dari data nilai akhir siswa untuk
semester II T.A. 2012-2013 baik melalui wali kelas
maupun melalui bidang kurikulum SMP Perguruan
Islam Ar Risalah. Data tersebut kemudian
dikumpulkan dalam satu file Microsoft Excel.
Menganalisa Sistem dan Menerapkan Teknik
Data Mining
Tabel 1. Tabel Data Nilai Siswa
No
Nama Siswa
Mengimplementasi Software Weka
1
2
Menguji hasil implementasi
3
Abdul Aziz
Fikri Ananda
Sultan Muhammad
Arsyad
Abdul Aziz Al
Ghifari
Istiqomatuddin
Yusuf
Ulfi Yandi Rizky
Abdul Zaky
Jamal Firdaus
Yuri Kemal Fatah
Aisyah
Aisyah Nayra
Izzatul Haniah
Tika Ramadhani
Yusra Wafiqah
Annisha Fajria
Azzahra Alifa
Ramdhani
Defista Vanesa
Elsa Zahra Hendri
Agha Afdala
Mu'az Irsyad Syafar
M.Alif Rabbani
Abdul Hafiz Asri
Arief Gunawan
Talsi
Muhammad
Alayyub
Aulia Muhammad
AI
M. Raisul amin
4
Mengambil kesimpulan
Gambar 1. Kerangka Kerja Penelitian
HASIL DAN PEMBAHASAN
Analisis Sistem Yang Berjalan
Dalam proses belajar mengajar selama ini di
SMP Perguruan Islam Ar Risalah, belum ada
metode yang diterapkan dalam mengukur
hubungan antara mata pelajaran keagamaan
dengan Bahasa Arab. Kurikulum yang disusun
untuk mata pelajaran bidang keagamaan berdiri
sendiri dan tidak berkaitan dengan mata
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
Aqid
ah
Tafs
ir
Hadi
ts
Fiq
h
Siro
h
B.Ar
ab
9.9
8.8
9.7
6.0
8.7
7.5
9.0
7.9
9.0
7.9
9.3
7.2
9.6
8.9
8.1
8.6
8.5
9.2
9.0
9.1
8.8
9.0
8.8
9.6
8.9
9.2
9.2
8.4
9.0
8.3
7.5
7.8
8.5
8.2
8.4
9.2
9.9
9.3
8.5
9.6
8.7
8.6
8.5
9.6
9.3
9.5
9.3
8.8
9.3
8.2
9.4
8.3
7.1
8.8
8.9
8.9
8.8
9.0
9.6
8.6
7.2
8.9
9.4
8.3
9.7
9.8
9.7
9.7
8.9
9.0
8.4
8.4
9.4
8.4
7.8
8.6
9.3
8.7
9.1
8.7
9.7
9.0
8.6
9.9
8.9
9.6
8.3
7.7
9.3
9.7
8.3
8.2
8.8
9.1
8.3
9.7
9.1
7.6
7.9
8.9
8.0
7.5
9.7
8.5
8.1
8.9
9.0
8.7
7.5
9.0
8.5
9.9
9.9
9.9
8.6
8.3
8.8
8.5
8.8
8.7
9.1
8.4
8.6
8.6
8.7
8.2
8.7
7.9
9.0
8.3
8.5
7.0
7.5
7.0
7.5
6.8
7.5
7.5
7.8
6.1
6.8
6.7
6.5
3.8
8.9
9.0
8.7
8.9
9.0
8.9
9.3
8.6
9.2
8.9
9.4
9.7
36
Jurnal PI-Cache, Volume 5, Nomor 1, Maret 2016
Zulfi Maulana
Akbar
Abira Ihsani Jannati
Helmi Azizati
Manel
Yudellia Wira
Permata
Adilla Permata
Defti
Muzdalifah
Zilhasrati
27
28
29
30
31
32
33
8.1
9.2
8.2
9.4
7.8
9.1
8.4
9.7
8.6
8.7
7.1
9.3
8.0
9.3
9.1
9.5
8.7
9.1
7.7
7.1
7.1
7.4
8.5
9.0
8.6
8.5
9.3
8.9
8.5
9.4
8.8
9.0
9.4
9.5
9.6
9.5
9.4
8.2
9.4
8.9
8.5
9.5
Algoritma Apriori tidak mengenal data-data
angka dengan demikian data nilai yang telah
dikumpulkan terlebih dahulu dikelompokkan
berdasarkan kelompok range nilai pada tabel 2 yang
diperoleh dari hasil perhitungan discretization pada
WEKA karena belum ada ketentuan dari sekolah
terkait pembagian range nilai siswa tersebut. Penulis
membagi menjadi 4 range yaitu A (tinggi), B
(sedang), C (Cukup) dan D (Kurang)
Tabel 2. Tabel Range Nilai
32
33
C
B
B
A
A
A
A
A
B
A
B
A
Proses transformasi nilai-nilai yang ada
dilakukan dengan bantuan Microsoft Excel 2007.
Kemudian file data tersebut disimpan dalam format
csv agar dapat dijalankan oleh software Weka.
Pembentukan Frequent Itemset menggunakan
Algoritma Apriori.
Pada perhitungan manual ini, dikarenakan
data nilai siswa kelas VII dan VIII yang berhasil
dikumpulkan adalah sebanyak 296 siswa pada
sebelas kelas, maka penulis memilih sekitar 3 siswa
setiap kelas secara acak sehingga dikumpulkan data
nilai sebanyak 33 siswa (tabel 1). Ditentukan
minimum Support 0,3 (30%) dan minimum
confidence 0,7 (70%).
Langkah pertama adalah penghitungan
jumlah item dari data tabel 3, seperti diperlihatkan
oleh tabel 4.
Range
Aqidah
A
9.3-10
B
8.7-9.3
C
8,1-8.7
D
0-8,1
Tafsir
8.92510
7.958.295
6.797.95
Hadits
8.75-10
8.18.75
7.458.1
0-6.975
0-7.45
Fiqh
9.1-10
8.3-9.1
7,5-8.3
0-7.5
Siroh
B.Arab
8.67510
7.958.675
7.2257.95
9.125-10
8.359.125
7.5758.35
Tabel 4. Perhitungan Banyaknya Item
0-7.225
T
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
3.
Aqidah
A
B
A
B
B
B
B
C
B
C
D
D
C
C
C
C
C
B
B
C
A
B
D
D
B
B
D
B
D
D
C
Aqidah
Tafsir
Hadits
Fiqh
Siroh
B.Arab
A
3
13
19
15
18
12
B
13
13
5
11
11
11
C
10
5
6
3
3
5
D
7
2
3
4
1
5
0-757
Kemudian dengan menggunakan Microsoft
Excel dilakukan transformasi data tabel 1 dengan
menggunakan range nilai tabel 2, yang hasilnya
ditampilkan pada tabel 3.
Tabel
T
Kemudian menggunakan teknik algoritma
apriori dilakukan perhitungan Support setiap item
dengan menggunakan rumus (1) sehingga diperoleh
hasil seperti pada tabel 5.
Data Nilai Siswa Setelah
Dilakukan Transformasi
Tafsir
A
D
B
A
A
A
A
B
A
B
B
B
A
A
A
C
C
B
B
C
A
B
C
D
B
B
B
A
A
C
B
Hadits
B
C
C
A
A
A
A
B
A
B
D
A
A
A
A
C
A
A
B
C
A
B
C
D
A
A
C
A
A
D
A
Fiqh
B
C
B
B
B
A
B
D
B
A
C
A
A
A
A
A
A
A
B
C
B
B
D
D
A
B
B
A
A
D
A
Siroh
A
C
B
A
A
A
B
B
A
B
C
B
A
A
A
A
A
A
B
B
B
A
C
D
A
A
B
A
A
B
A
B.Arab
A
D
A
A
B
A
B
B
A
B
A
C
C
A
A
C
B
C
B
C
B
D
D
D
A
A
D
A
B
B
B
1
2
Tabel 5. Hasil Perhitungan Support 1-itemset
Support Aqidah A = 3/33
= 0,09
Support Aqidah B = 13/33 = 0,39
3
4
Support Aqidah C
Support Aqidah D
= 10/33
= 7/33
= 0,30
= 0,21
5
Support Tafsir A
= 13/33
= 0,39
6
Support Tafsir B
= 13/33
= 0,39
7
Support Tafsir C
= 5/33
= 0,15
8
Support Tafsir D
= 2/33
= 0,06
9
Support Hadits A
= 19/33
= 0,58
10
Support Hadits B
= 5/33
= 0,15
11
Support Hadits C
= 6/33
= 0,18
12
Support Hadits D
= 3/33
= 0,09
13
Support Fiqh A
= 15/33
= 0,45
14
Support Fiqh B
= 11/33
= 0,33
15
Support Fiqh C
= 3/33
= 0,09
16
Support Fiqh D
= 4/33
= 0,12
17
Support Siroh A
= 15/33
= 0,55
18
Support Siroh B
= 11/33
= 0,33
Sularno, Analisis Kemampuan Siswa Menyerap Mata Pelajaran Bidang Keagamaan Menggunakan Data Mining 33- 41
19
Support Siroh C
= 3/33
= 0,09
20
Support Siroh D
= 4/33
= 0,03
21
Support B.Arab A
= 12/33
= 0,36
22
Support B.Arab B
= 11/33
= 0,33
23
Support B.Arab C
= 5/33
= 0,15
24
Support B.Arab D
= 5/33
= 0,15
Karena telah ditetapkan minimum Support
adalah 0.3 (30%) dan semua item yang memiliki
Support di bawah minimum Support dipangkas
(pruned) sehingga item-item pada tabel 5 yang
tersisa setelah dilakukan pemangkasan berjumlah 11.
Selanjutnya item-item yang tersisa tersebut
dikombinasikan sebanyak dua item menjadi 2itemset, dan kembali dihitung Support dari item-item
tersebut dengan menggunakan rumus (2). Hasil
perhitungan Support 2-itemset diperlihatkan tabel 6.
Tabel 6. Perhitungan Support 2-itemset
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
2 Itemset
Aqidah B Tafsir A
Aqidah B Tafsir B
Aqidah B Hadits A
Aqidah B Fiqh A
Aqidah B Fiqh B
Aqidah B Siroh A
Aqidah B Siroh B
Aqidah B B. Arab A
Aqidah B B. Arab B
Aqidah C Tafsir A
Aqidah C Tafsir B
Aqidah C Hadits A
Aqidah C Fiqh A
Aqidah C Fiqh B
Aqidah C Siroh A
Aqidah C Siroh B
Aqidah C B. Arab A
Aqidah C B. Arab B
Tafsir A
Hadits A
Tafsir A
Fiqh A
Tafsir A
Fiqh B
Tafsir A
Siroh A
Tafsir A
Siroh B
Tafsir A
B. Arab A
Tafsir A
B. Arab B
Tafsir B
Hadits A
Tafsir B
Fiqh A
Tafsir B
Fiqh B
Tafsir B
Siroh A
Tafsir B
Siroh B
Tafsir B
B. Arab A
Tafsir B
B. Arab B
Hadits A
Fiqh A
Hadits A
Fiqh B
Hadits A
Siroh A
Hadits A
Siroh B
Support
0,21
0,15
0,3
0,15
0,21
0,3
0,06
0,21
0,09
0,09
0,12
0,18
0,24
0,0
0,18
0,12
0,06
0,15
0,36
0,21
0,18
0,33
0,06
0,30
0,12
0,18
0,18
0,15
0,15
0,21
0,12
0,15
0,39
0,18
0,45
0,12
37
38
39
40
41
42
43
44
45
46
47
48
49
50
Hadits A
Hadits A
Fiqh A
Fiqh A
Fiqh A
Fiqh A
Fiqh B
Fiqh B
Fiqh B
Fiqh B
Siroh A
Siroh A
Siroh B
Siroh B
B. Arab A
B. Arab B
Siroh A
Siroh B
B. Arab A
B. Arab B
Siroh A
Siroh B
B. Arab A
B. Arab B
B. Arab A
B. Arab B
B. Arab A
B. Arab B
37
0,27
0,21
0,36
0,09
0,18
0,15
0,18
0,15
0,15
0,12
0,30
0,12
0,03
0,21
Selanjutnya
dilakukan
kembali
pemangkasan untuk itemset yang memiliki Support di
bawah 0,3 (30%), sehingga itemset yang tersisa
sebanyak 8.
Selanjutnya
dilakukan
penggabungan
kombinasi item-item yang tersisa untuk membentuk
3-itemset, dan dilanjutkan dengan menghitung
Supportnya seperti yang diperlihatkan pada tabel 7.
Tabel 7. Perhitungan Support 3-itemset
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Support 3-itemset
Aqidah B
Aqidah B
Aqidah B
Aqidah B
Aqidah B
Aqidah B
Aqidah B
Aqidah B
Aqidah B
Tafsir A
Tafsir A
Tafsir A
Tafsir A
Tafsir A
Tafsir A
Hadits A
Hadits A
Hadits A
Fiqh A
Tafsir A
Tafsir A
Tafsir A
Tafsir A
Hadits A
Hadits A
Hadits A
Fiqh A
Fiqh A
Hadits A
Hadits A
Hadits A
Fiqh A
Fiqh A
Siroh A
Fiqh A
Fiqh A
Siroh A
Siroh A
Hadits A
Fiqh A
Siroh A
B. Arab A
Fiqh A
Siroh A
B. Arab A
Siroh A
B. Arab A
Fiqh A
Siroh A
B. Arab A
Siroh A
B. Arab A
B. Arab A
Siroh A
B. Arab A
B. Arab A
B. Arab A
Support
0,21
0,09
0,18
0,15
0,15
0,27
0,21
0,15
0,12
0,21
0,30
0,21
0,21
0,15
0,27
0,33
0,18
0,27
0,18
Setelah dilakukan pemangkasan untuk
itemset yang memiliki Support di bawah minimum
Support 0,30 (30%) maka Itemset yang mencapai
minimum Support tinggal antara lain, yaitu:
1) Tafsir A Hadits A Siroh A (0,30)
2) Hadits A Fiqh A Siroh A (0,33)
Kedua Itemset yang tinggal ini disebut
sebagai Frequent Itemset (FIS). Karena item yang
tersisa tidak dapat membentuk kombinasi lagi, maka
proses pencarian FIS dihentikan dan dilanjutkan
dengan langkah selanjutnya yaitu pembentukan
aturan asosiasi (Association Rule).
38
Jurnal PI-Cache, Volume 5, Nomor 1, Maret 2016
Pembentukan Aturan Asosiasi (Association Rule)
Pembentukan Aturan Asosiasi (Association
Rule) dilakukan dengan menentukan Confidence dari
Frequent Itemset (tabel 8) yang telah didapatkan
menggunakan rumus (3).
Tabel. 8. Penghitungan Nilai Confidence dari Frequent
Itemset
No.
1
2
3
4
Tafsir A
Fiqih A Siroh A
FIS
==>
==>
Hadits A
Hadits A
Confidence
0.92
0.92
Tafsir A Siroh A
==>
Hadits A
0.91
Fiqih A
==>
Hadits A
0.87
30
Tafsir A
==>
Hadits A
Fiqih A
0.54
0.54
31
Tafsir A
==>
Fiqih A
Siroh A
32
Fiqih A Hadits A
==>
Tafsir A
0.54
33
Aqidah B
==>
Tafsir A
0.54
34
Aqidah B
==>
0.54
35
Hadits A
==>
B. Arab A
Tafsir A
Siroh A
36
B. Arab A
==>
Fiqih A
0.50
37
Fiqih A
==>
Tafsir A
0.47
==>
Tafsir A
Hadits A
0.47
0.47
38
Fiqih A
0.53
5
Tafsir A
==>
Siroh A
0.85
39
Fiqih A
==>
Tafsir A
Siroh A
6
Hadits A Fiqih A
==>
Siroh A
0.85
40
Fiqih A
==>
Aqidah B
0.47
7
Tafsir A Hadits A
==>
Siroh A
0.83
41
Fiqih A
==>
B. Arab A
0.40
0.39
0.38
0.37
8
Siroh A
==>
Hadits A
0.83
9
B. Arab A
==>
Siroh A
0.83
10
Fiqih A
==>
Siroh A
0.80
11
Hadits A
==>
Siroh A
0.79
12
Tafsir A
==>
Hadits A
Siroh A
0.77
13
Aqidah B
==>
Hadits A
0.77
14
Aqidah B
==>
Siroh A
0.77
15
Hadits A Siroh A
==>
Fiqih A
0.73
0.73
16
Fiqih A
==>
Hadits A
Siroh A
17
Hadits A
==>
Fiqih A
0.68
18
Siroh A
==>
Fiqih A
0.67
19
B. Arab A
==>
Tafsir A
0.67
20
Tafsir A Siroh A
==>
Fiqih A
0.64
21
Hadits A
==>
Tafsir A
0.63
22
Siroh A
==>
Tafsir A
0.61
23
Siroh A
==>
Hadits A
0.61
0.61
42
43
Siroh A
Aqidah B
==>
==>
Tafsir A
Fiqih A
Fiqih A
44
Hadits A
==>
Tafsir A
Fiqih A
Telah ditentukan minimum confidence
adalah 0,7 (70%), maka nilai confidence yang berada
di bawahnya akan dihapus (pruned) dan
menghasilkan Association Rule, seperti diperlihatkan
pada tabel 8.
Tabel 9. Association Rule Yang Memenuhi
Minimum Confidence
No.
1
FIS
Tafsir A
Confidence
==>
Hadits A
0.92
==>
Hadits A
0.92
Fiqih A
2
Siroh A
Tafsir A
3
Siroh A
==>
Hadits A
0.91
4
Fiqih A
==>
Hadits A
0.87
5
Tafsir A
==>
Siroh A
0.85
==>
Siroh A
0.85
24
Siroh A
==>
Hadits A
Fiqih A
25
Tafsir A Hadits A
==>
Fiqih A
0.58
26
Fiqih A Siroh A
==>
Tafsir A
0.58
==>
Fiqih A
Siroh A
0.58
7
Hadits A
==>
Siroh A
0.83
0.56
8
Siroh A
==>
Hadits A
0.83
0.54
27
Hadits A
28
Siroh A
==>
Tafsir A
Hadits A
29
Tafsir A
==>
Fiqih A
Hadits A
6
Fiqih A
Tafsir A
Sularno, Analisis Kemampuan Siswa Menyerap Mata Pelajaran Bidang Keagamaan Menggunakan Data Mining 33- 41
9
B. Arab A
==>
Siroh A
0.83
10
Fiqih A
==>
Siroh A
0.80
11
Hadits A
==>
Siroh A
0.79
Hadits A
12
Tafsir A
==>
Siroh A
0.77
13
Aqidah B
==>
Hadits A
0.77
14
Aqidah B
==>
Siroh A
0.77
15
Hadits A
Siroh A
==>
Fiqih A
0.73
16
Fiqih A
==>
Hadits A
Siroh A
0.73
Dari pengetahuan tersebut dapat
ditemukan bahwa mata pelajaran yang memiliki
keterkaitan dengan mata pelajaran bahasa Arab
adalah Siroh, dengan confidence sebesar 0,83
(83 %).
Sementara,
untuk
mengetahui
kemampuan daya serap siswa pada mata
pelajaran keagaamaan, Gambar 4.1. di bawah ini
memberikan gambaran tersebut berdasarkan
tabel 4.3. yang menampilkan hasil perhitungan
Support 1-itemset.
D, 0.06
D, 0.21
C, 0.30
C, 0.15
B, 0.39
B, 0.39
D, 0.09
D, 0.12
C, 0.18
C, 0.09
B, 0.15
B, 0.33
D, 0.03
C, 0.09
B, 0.33
A, 0.58
D, 0.15
C, 0.15
A, 0.45
A, 0.55
A, 0.36
A, 0.09
Tafsir
4) Fiqh
5) B. Arab
6) Aqidah
Dengan demikian dapat disimpulkan
dari data yang dihitung secara manual, tidak
ditemukan
hubungan
asosiasi.
Setelah
perhitungan manual dilakukan dan mendapatkan
hasilnya, selanjutnya dilakukan perbandingan
dengan hasil perhitungan dari software data
mining, WEKA.
Implementasi Dan Pengujian
Hasil Pengujian
Pengujian terhadap hasil analisa, sangat
penting untuk dilakukan untuk memastikan
apakah hasil analisa tersebut sesuai. Hasil
pengolahan data yang dikerjakan secara manual
sebelumnya
dapat
diuji
kebenarannya
menggunakan salah satu software data mining
WEKA.
B, 0.33
A, 0.39
Aqidah
39
Hadits
A
Fiqh
B
C
Siroh
Gambar 4. Hasil Perhitungan Algoritma Apriori
Menggunakan WEKA
B.Arab
D
Gambar 3. Grafik Kemampuan Daya Serap Siswa
Pada Mata Pelajaran Keagamaan
Berdasarkan pada gambar grafik diatas,
dapat diambil kesimpulan bahwa mata pelajaran
yang mana siswanya memiliki kemampuan
menyerap lebih baik secara berurutan yaitu:
1) Siroh
2) Tafsir
3) Hadits
Setelah dilakukan pengujian pada
software WEKA 3.6 untuk melihat hubungan
antara mata pelajaran keagaaman dengan mata
pelajaran Bahasa Arab didapatkan association
rule yang dihasilkan pada WEKA pada gambar
5.9 sama dengan rule yang dihasilkan pada
proses manual pembentukan association rule.
Sehingga dapat disimpulkan bahwa algoritma
apriori yang dijalankan menggunakan WEKA
sangat tepat digunakan untuk data dengan
jumlah lebih besar.
Sularno, Analisis Kemampuan Siswa Menyerap Mata Pelajaran Bidang Keagamaan Menggunakan Data Mining 33- 41
SIMPULAN
Berdasarkan uraian pada bab-bab yang sudah
dibahas sebelumnya, penulis menarik beberapa
kesimpulan :
1. Penggunaan Algoritma Apriori untuk
membangun Aturan Asosiasi antara mata
pelajaran keagamaan dengan mata pelajaran
Bahasa Arab cukup baik.
2. WEKA sebagai salah satu Software Data
Mining cukup mudah digunakan, sehingga
dalam mengimplementasikannya
dalam
penambangan data sangat membantu.
3. Algoritma Apriori tidak dapat membaca data
yang bersifat continous, sehingga harus
dilakukan transformasi terlebih dahulu, salah
satunya menggunakan bantuan teknik
discreetization pada WEKA.
4. Kurikulum mata pelajaran Bahasa Arab yang
diterapkan belum memiliki keterkaitan yang
signifikan dengan mata pelajaran keagamaan
yang lain.
Saran
Pengembangan sistem ini adalah dari sistem
manual atau berdasarkan basis pengetahuan ke
sistem komputerisasi yang dibangun atas dasar
pertimbangan permasalahan-permasalahan yang
timbul dari sistem yang lama. Berikut ini adalah
saran yang dapat diperhatikan untuk masa yang
akan datang, antara lain:
1. Kurikulum Mata Pelajaran Keagamaan yang
disusun diharapkan memiliki keterkaitan
dengan mata pelajaran Bahasa Arab agar
siswa dapat lebih mudah dalam mengenal dan
menerapkan Bahasa Arab.
2. Adanya evaluasi rutin tahunan terhadap
pencapaian kemampuan siswa terutama dalam
hal hubungan mata pelajaran Keagamaan
dengan bahasa Arab.
3. Pemanfaatan software WEKA dapat diperluas
pada bidang-bidang baik bidang akademis
maupun bidang yang lain agar sekolah mampu
meningkatkan kualitas pembelajaran secara
menyeluruh.
DAFTAR RUJUKAN
[1]. Kunyanuth Kularbphettong, C.T., Mining
Educational Data to Analyze the
StudentMotivation
Behavior.
World
Academy of Science, Engineering and
Technology, 2012.
[2].
1 Goldie Gunadi, D.I.S., PENERAPAN
METODE DATA MINING MARKET
BASKET ANALYSIS TERHADAP DATA
PENJUALAN PRODUK BUKU DENGAN
MENGGUNAKAN
ALGORITMA
APRIORI DAN FREQUENT PATTERN
GROWTH (FP-GROWTH) : STUDI
KASUS PERCETAKAN PT. GRAMEDIA.
Jurnal TELEMATIKA MKOM 2012. 4.
[3]. Dr. Varun Kumar 1 , A.C., Mining
Association Rules in Student’s Assessment
Data. IJCSI International Journal of
Computer Science Issues, 2012. 9.
[4]. L.M.R.J., S.B.A.L., A Comparative Study
of Association Rule Algorithms for Course
Recommender System in E-learning.
International Journal of Computer
Applications, 2012. 39.
[5]. Angeline, D.M.D., Association Rule
Generation for Student Performance
Analysis using Apriori Algorithm. The SIJ
Transactions on Computer Science
Engineering & its Applications (CSEA),
2013. 1.
[6]. Bhowmick, Q.Z.S.S., Association Rule
Mining: A Survey. Technical Report,
CAIS,
Nanyang
Technological
University, Singapore, 2003.
[7]. Kunyanuth Kularbphettong, C.T., Mining
Educational Data to Analyze the Student
Motivation Behavior. World Academy of
Science, Engineering and Technology,
2012.
[8]. Sanjaydeep
Singh
Lodhi,
G.R.,
Premnarayan Arya, Performance based
Frequent Itemset Mining Techniques for
Data Mining. International Journal of
Engineering and Advanced Technology,
2012. 1.
[9]. Bayu Adhi Tama * , F.I.K., Universitas
Sriwijaya, Penetapan Strategi Penjualan
Menggunakan Association Rules dalam
Konteks CRM. J URNAL G ENERIC,
2010. 5.
[10]. Siburian, B.R., APLIKASI DATA MINING
UNTUK MENAMPILKAN TINGKAT
KELULUSAN MAHASISWA DENGAN
ALGORITMA
APRIORI.
Pelita
Informatika Budi Darma, 2014. 7.
41