Page 1
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
Page 2
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 3
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 4
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 5
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 6
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 7
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 8
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. 3 Akurasi dengan k=5 ......................................................................... 40
Gambar 4. 4 Akurasi dengan k=7 ......................................................................... 40
Gambar 4. 5 Akurasi 8 atribut dengan k=1 sampai k=39 ..................................... 43
Gambar 4. 6 Klasifikasi uji data 1. ........................................................................ 44
Gambar 4. 7 Klasifikasi uji data 2. ........................................................................ 45
Gambar 4. 8 Klasifikasi uji data 3. ........................................................................ 45
Gambar 4. 9 Klasifikasi uji data 4. ........................................................................ 46
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 9
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. 6 Hasil pengujian dengan menggunakan k=3. ........................................ 37
Tabel 4. 7 Hasil pengujian dengan menggunakan k=5. ........................................ 38
Tabel 4. 8 Hasil pengujian dengan menggunakan k=7. ........................................ 39
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 10
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 11
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 12
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 13
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 14
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 15
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 16
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 17
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 18
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 19
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 20
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 21
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 22
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 23
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 24
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 25
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
(M²)
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 26
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
Atribut yang berisi data perbandingan jumlah guru yang
memiliki umur antara 31 tahun sampai 35 tahun.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 27
18
Ratio Umur
Guru - 36-40
Tahun
Atribut yang berisi data perbandingan jumlah guru yang
memiliki umur antara 36 tahun sampai 40 tahun.
Ratio Umur
Guru - 41-45
Tahun
Atribut yang berisi data perbandingan jumlah guru yang
memiliki umur antara 41 tahun sampai 45 tahun.
Ratio Umur
Guru - 46-50
Tahun
Atribut yang berisi data perbandingan jumlah guru yang
memiliki umur antara 46 tahun sampai 50 tahun.
Ratio Umur
Guru - 51-55
Tahun
Atribut yang berisi data perbandingan jumlah guru yang
memiliki umur antara 51 tahun sampai 55 tahun.
Ratio Umur
Guru - Lebih
dari 55 Tahun
Atribut yang berisi data perbandingan jumlah guru yang
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 28
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
Atribut yang berisi data jumlah guru yang memiliki umur
antara 31 tahun sampai 35 tahun.
Umur Guru - 36-
40 Tahun
Atribut yang berisi data jumlah guru yang memiliki umur
antara 36 tahun sampai 40 tahun.
Umur Guru - 41-
45 Tahun
Atribut yang berisi data jumlah guru yang memiliki umur
antara 41 tahun sampai 45 tahun.
Umur Guru - 46-
50 Tahun
Atribut yang berisi data jumlah guru yang memiliki umur
antara 46 tahun sampai 50 tahun.
Umur Guru - 51-
55 Tahun
Atribut yang berisi data jumlah guru yang memiliki umur
antara 51 tahun sampai 55 tahun.
Umur Guru -
Lebih dari 55
Tahun
Atribut yang berisi data jumlah guru yang memiliki umur
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 29
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 30
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
Atribut yang berisi data jumlah murid yang beragama
Buddha.
Jumlah Murid
Hindu
Atribut yang berisi data jumlah murid yang beragama
Hindu.
Jumlah Murid
Konghucu
Atribut yang berisi data jumlah murid yang beragama
Konghucu.
Jumlah Murid
Kristen
Atribut yang berisi data jumlah murid yang beragama
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 31
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 32
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 33
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 34
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 35
26
Perhitungan jarak pada data testing no. 15 terhadap data training no. 2 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
Perhitungan jarak pada data testing no. 15 terhadap data training no. 3 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
Perhitungan jarak pada data testing no. 15 terhadap data training no. 4 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
Perhitungan jarak pada data testing no. 15 terhadap data training no. 5 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
Perhitungan jarak pada data testing no. 15 terhadap data training no. 6 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
Perhitungan jarak pada data testing no. 15 terhadap data training no. 7 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 36
27
Perhitungan jarak pada data testing no. 15 terhadap data training no. 8 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
Perhitungan jarak pada data testing no. 15 terhadap data training no. 9 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
Perhitungan jarak pada data testing no. 15 terhadap data training no. 10 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
Perhitungan jarak pada data testing no. 15 terhadap data training no. 11 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
Perhitungan jarak pada data testing no. 15 terhadap data training no. 12 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
Perhitungan jarak pada data testing no. 15 terhadap data training no. 13 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 37
28
Perhitungan jarak pada data testing no. 15 terhadap data training no. 14 sebagai
berikut.
𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑒
= √(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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 38
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 39
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 40
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%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 41
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 42
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 43
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 44
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.
5 Standar Kelulusan, Standar Sarana Dan Prasarana, Standar
Isi, Standar Pengelolaan, dan Standar Penilaian.
6 Standar Kelulusan, Standar Sarana Dan Prasarana, Standar
Isi, Standar Pengelolaan, Standar Penilaian, dan Standar
Tenaga Pendidik.
7 Standar Kelulusan, Standar Sarana Dan Prasarana, Standar
Isi, Standar Pengelolaan, Standar Penilaian, Standar
Tenaga Pendidik, dan Standar Proses.
8 Standar Kelulusan, Standar Sarana Dan Prasarana, Standar
Isi, Standar Pengelolaan, Standar Penilaian, Standar
Tenaga Pendidik, Standar Proses, dan Standar
Pembiayaan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 45
36
9 Standar Kelulusan, Standar Sarana Dan Prasarana, Standar
Isi, Standar Pengelolaan, Standar Penilaian, Standar
Tenaga Pendidik, Standar Proses, Standar Pembiayaan,
dan Rata-rata IPA.
10 Standar Kelulusan, Standar Sarana Dan Prasarana, Standar
Isi, Standar Pengelolaan, Standar Penilaian, Standar
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 46
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
Pada percobaan dengan menggunakan k = 3 dengan atribut yang diujikan
seperti pada tabel 4.2 Atribut yang diujikan diperoleh nilai akurasi tertinggi yaitu
80,7051% dengan jumlah atribut sebanyak 8. Berikut ini adalah tabel hasil akurasi
yang diperoleh dari percobaan yang telah dilakukan.
Tabel 4. 6 Hasil pengujian dengan menggunakan k=3.
Jumlah
attribut
Akurasi (%)
dengan k =
3
1 69,1667
2 76,1538
3 77,5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 47
38
4 77,8846
5 77,9487
6 78,9744
7 79,359
8 80,7051
9 79,9359
10 80
Pada percobaan dengan menggunakan k = 5 dengan atribut yang diujikan
seperti pada tabel 4.2 Atribut yang diujikan diperoleh nilai akurasi tertinggi yaitu
80% dengan jumlah atribut sebanyak 8. Berikut ini adalah tabel hasil akurasi yang
diperoleh dari percobaan yang telah dilakukan.
Tabel 4. 7 Hasil pengujian dengan menggunakan k=5.
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
Pada percobaan dengan menggunakan k = 7 dengan atribut yang diujikan
seperti pada tabel 4.2 Atribut yang diujikan diperoleh nilai akurasi tertinggi yaitu
80,0641% dengan jumlah atribut sebanyak 8. Berikut ini adalah tabel hasil akurasi
yang diperoleh dari percobaan yang telah dilakukan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 48
39
Tabel 4. 8 Hasil pengujian dengan menggunakan k=7.
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 (%)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 49
40
Gambar 4. 2 Akurasi dengan k=3
Gambar 4. 3 Akurasi dengan k=5
Gambar 4. 4 Akurasi dengan k=7
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 (%)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 50
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
Tabel 4. 10 Confusion Matrix 2
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
Tabel 4. 11 Confusion Matrix 3
Hasil A B C TT
A 253 6 0 0
B 5 222 0 0
C 0 5 27 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 51
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 52
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 (%)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 53
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 54
45
2. Data 2
Data berisi inputan seperti dibawah ini
Gambar 4. 7 Klasifikasi uji data 2.
Berdasarkan percobaan yang dilakukan pada data 2, sistem
mengklasifikasikan data tersebut dengan label B.
3. Data 3
Data berisi inputan seperti dibawah ini
Gambar 4. 8 Klasifikasi uji data 3.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 55
46
Berdasarkan percobaan yang dilakukan pada data 3, sistem
mengklasifikasikan data tersebut dengan label C.
4. Data 4
Data berisi inputan seperti dibawah ini
Gambar 4. 9 Klasifikasi uji data 4.
Berdasarkan percobaan yang dilakukan pada data 4, sistem
mengklasifikasikan data tersebut dengan label
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 56
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 57
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 58
49
22 Daya listrik
23 Total siswa laki-laki
24 Umur Guru - 51-55 Tahun
25 Rata-rata UN
26 Rata-rata IPS
27 Guru Gol IV
28 Persentase Guru PNS
29 Umur Guru - 41-45 Tahun
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
36 Ratio Umur Guru - 36-40 Tahun
37 Ratio Umur Guru - 41-45 Tahun
38 Ratio Umur Guru - 51-55 Tahun
39 Umur Guru - 36-40 Tahun
40 Luas Tanah (M²)
41 Ratio Umur Guru - 46-50 Tahun
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
51 Umur Guru - 31-35 Tahun
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 59
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.
5 Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, dan Standar Penilaian.
6
Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, dan Standar Tenaga
Pendidik.
7
Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, dan Standar Proses.
8
Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, dan Standar Pembiayaan.
9
Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, dan Rata-rata
IPA.
10
Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
dan Guru – Ijazah S1 atau lebih.
11 Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 60
51
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, dan Total guru.
12
Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, dan Total Rombongan
Belajar.
13
Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, dan Total Ruang Kelas.
14
Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, dan Jumlah Guru Perempuan.
15
Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, dan Guru
– Sertifikasi.
16
Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, dan Total siswa.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 61
52
17
Standar Kelulusan, Standar Sarana Dan Prasarana, Standar Isi,
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, dan Total siswa perempuan.
18
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, dan Total
Laboratorium
19
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, dan Jumlah Murid Islam
20
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, dan Jumlah Guru Laki-Laki
21
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 62
53
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
dan Umur Guru - 46-50 Tahun
22
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, dan Daya listrik
23
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, dan Total siswa laki-
laki
24
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
dan Umur Guru - 51-55 Tahun
25
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 63
54
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, dan Rata-rata UN
26
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, dan Rata-rata IPS
27
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, dan
Guru Gol IV
28
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
Gol IV, dan Persentase Guru PNS
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 64
55
29
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
Gol IV, Persentase Guru PNS, dan Umur Guru - 41-45 Tahun
30
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
Gol IV, Persentase Guru PNS, Umur Guru - 41-45 Tahun, dan
Umur Guru - Lebih dari 55 Tahun
31
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
Gol IV, Persentase Guru PNS, Umur Guru - 41-45 Tahun, Umur
Guru - Lebih dari 55 Tahun, dan Guru Gol III
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 65
56
32
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
Gol IV, Persentase Guru PNS, Umur Guru - 41-45 Tahun, Umur
Guru - Lebih dari 55 Tahun, Guru Gol III, dan Ratio Umur Guru
- 31-35 Tahun
33
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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, dan Persentase Guru Sertifikasi
34
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 66
57
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, dan Ratio Umur Guru
- Lebih dari 55 Tahun
35
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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, dan Jenis sekolah
36
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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, dan Ratio Umur Guru - 36-
40 Tahun
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 67
58
37
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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, dan Ratio Umur Guru
- 51-55 Tahun
39
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 68
59
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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, dan Umur Guru - 36-40 Tahun
40
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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, dan Luas Tanah (M²)
41
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 69
60
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), dan
Ratio Umur Guru - 46-50 Tahun
42
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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
(M²), Ratio Umur Guru - 46-50 Tahun, Ratio Umur Guru -
Kurang dari 30 Tahun
43
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 70
61
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), Ratio
Umur Guru - 46-50 Tahun, Ratio Umur Guru - Kurang dari 30
Tahun, dan Jumlah Murid Kristen
44
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), Ratio
Umur Guru - 46-50 Tahun, Ratio Umur Guru - Kurang dari 30
Tahun, Jumlah Murid Kristen , dan Guru - Belum Sertifikasi
45 Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 71
62
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), Ratio
Umur Guru - 46-50 Tahun, Ratio Umur Guru - Kurang dari 30
Tahun, Jumlah Murid Kristen , Guru - Belum Sertifikasi, dan
Rasio Siswa Rombel
46
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), Ratio
Umur Guru - 46-50 Tahun, Ratio Umur Guru - Kurang dari 30
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 72
63
Tahun, Jumlah Murid Kristen , Guru - Belum Sertifikasi, Rasio
Siswa Rombel, dan Jumlah Murid Katholik
47
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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 , dan Rasio Siswa - Guru
48
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 73
64
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 (M²), 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,
dan Ratio Siswa - Ruang kelas
49
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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 , dan Persentase Guru Kualifikasi
50
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 74
65
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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, dan
Total sanitasi siswa
51
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 75
66
Ratio Siswa - Ruang kelas, Persentase Guru Kualifikasi, Total
sanitasi siswa, dan Umur Guru - 31-35 Tahun
52
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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, dan Total
perpustakaan
53
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 76
67
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 (M²), 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,
dan Jumlah Murid Hindu
54
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 77
68
sanitasi siswa, Umur Guru - 31-35 Tahun, Total perpustakaan,
Jumlah Murid Hindu, dan Persentase Siswa Mengulang
55
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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, dan
Provinsi
56
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 78
69
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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,
dan Umur Guru - Kurang dari 30 Tahun
57
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 79
70
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, dan Jumlah Murid Buddha
58
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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, Jumlah Murid Buddha, dan
Persentase ruang kelas layak
59
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 80
71
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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, Jumlah Murid Buddha,
Persentase ruang kelas layak, dan Guru Gol II
60
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 81
72
55 Tahun, Umur Guru - 36-40 Tahun, Luas Tanah (M²), 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, Jumlah Murid Buddha,
Persentase ruang kelas layak, Guru Gol II, dan Jumlah Murid
Konghucu
61
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 82
73
Jumlah Murid Buddha, Persentase ruang kelas layak, Guru Gol
II, Jumlah Murid Konghucu, dan Guru Gol I
62
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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, Jumlah Murid Buddha,
Persentase ruang kelas layak, Guru Gol II, Jumlah Murid
Konghucu, Guru Gol I, dan Guru - Ijazah kurang dari S1
63
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 83
74
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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 (M²), 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, Jumlah Murid Buddha,
Persentase ruang kelas layak, Guru Gol II, Jumlah Murid
Konghucu, Guru Gol I, Guru - Ijazah kurang dari S1, dan Guru
- Data Kosong
64
Standar Pengelolaan, Standar Penilaian, Standar Tenaga
Pendidik, Standar Proses, Standar Pembiayaan, Rata-rata IPA,
Guru – Ijazah S1 atau lebih, Total guru, Total Rombongan
Belajar, Total Ruang Kelas, Jumlah Guru Perempuan, Guru –
Sertifikasi, Total siswa, Total siswa perempuan, Total
Laboratorium, Jumlah Murid Islam, Jumlah Guru Laki-Laki,
Umur Guru - 46-50 Tahun, Daya listrik, Total siswa laki-laki,
Umur Guru - 51-55 Tahun, Rata-rata UN, Rata-rata IPS, Guru
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 84
75
Tahun, Ratio Umur Guru - 41-45 Tahun, Ratio Umur Guru - 51-
55 Tahun, Umur Guru - 36-40 Tahun, Luas Tanah (M²), 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, Jumlah Murid Buddha,
Persentase ruang kelas layak, Guru Gol II, Jumlah Murid
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 =3 Akurasi (%)
dengan k =5 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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 85
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 86
77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 87
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 88
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];
DataTraining2 = [Kel1;Kel3];
DataTraining3 = [Kel1;Kel2];
%Data Testing
DataTesting1 = Kel1;
DataTesting2 = Kel2;
DataTesting3 = Kel3;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 89
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];
LabelTraining2= [LabelKel1;LabelKel3];
LabelTraining3= [LabelKel1;LabelKel2];
%Label Testing
LabelTesting1 = LabelKel1;
LabelTesting2 = LabelKel3;
LabelTesting3 = LabelKel3;
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);
euclidean_distance2 = eu_distance(DataTraining2, DH,
DataTesting2, range, jumAttribut);
euclidean_distance3 = eu_distance(DataTraining3, DH,
DataTesting3, range, jumAttribut);
%Uji Akurasi
HasilUji1 = K_NN(k, LabelTraining1, DH, LabelTesting1, range,
euclidean_distance1);
HasilUji2 = K_NN(k, LabelTraining2, DH, LabelTesting2, range,
euclidean_distance2);
HasilUji3 = K_NN(k, LabelTraining3, DH, LabelTesting3, range,
euclidean_distance3);
confusion1 = confusionmat(LabelTesting1,HasilUji1);
output1 = (sum(diag(confusion1))/sum(sum(confusion1)))*100;
set(handles.confus1,'data',confusion1);
confusion2 = confusionmat(LabelTesting2,HasilUji2);
output2 = (sum(diag(confusion2))/sum(sum(confusion2)))*100;
set(handles.confus2,'data',confusion2);
confusion3 = confusionmat(LabelTesting3,HasilUji3);
output3 = (sum(diag(confusion3))/sum(sum(confusion3)))*100;
set(handles.confus3,'data',confusion3);
akurasi =(output1+output2+output3)/3;
set(handles.nilai_akurasi,'String',[num2str(akurasi) '%']);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 90
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);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 91
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);
Label2 = zeros(1,minimIDXL);
Label3 = zeros(1,minimIDXL);
Label4 = 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
Label2(1,j)=Label2(1,j)+1;
elseif LabelKlasifikasi(i,j)==3
Label3(1,j)=Label3(1,j)+1;
else
Label4(1,j)=Label4(1,j)+1;
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) >
Label3(1,j) && Label2(1,j) > Label4(1,j)
LabelKlasifikasiFinal(j,1)= 2;
elseif Label3(1,j) > Label1(1,j) && Label3(1,j) >
Label2(1,j) && Label3(1,j) > Label4(1,j)
LabelKlasifikasiFinal(j,1)= 3;
else
LabelKlasifikasiFinal(j,1)= 4;
end
end
output = LabelKlasifikasiFinal;
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 92
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Page 93
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI