LAPORAN TUGAS AKHIR IMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MENENTUKAN MINAT SISWA MEMBACA PADA PERPUSTAKAAN SMP NEGERI 1 LASEM KABUPATEN

Transkripsi

1 HALAMAN SAMPUL DEPAN LAPORAN TUGAS AKHIR IMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MENENTUKAN MINAT SISWA MEMBACA PADA PERPUSTAKAAN SMP NEGERI 1 LASEM KABUPATEN REMBANG Disusun Oleh: Nama : Maulana Rezza Alvian NIM : A Program Studi : Sistem Informasi - S1 FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG 2016 i

2 LAPORAN TUGAS AKHIR IMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MENENTUKAN MINAT SISWA MEMBACA PADA PERPUSTAKAAN SMP NEGERI 1 LASEM KABUPATEN REMBANG Laporan ini disusun guna memenuhi salah satu syarat untuk menyelesaikan program studi Sistem Informasi S-1 pada Fakultas Ilmu Komputer Universitas Dian Nuswantoro Disusun Oleh: Nama : Maulana Rezza Alvian NIM : A Program Studi : Sistem Informasi - S1 HALAMAN SAMPUL BELAKANG FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG 2016 ii

3 PERSETU JUAN LAP ORAN TUGAS AKHIR iii

4 PENGESA HAN D EWAN P ENGUJI iv

5 PERNYATAAN KEA SLIAN TUGAS AKHIR v

6 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS vi

7 UCAPAN TERIMAKASIH Segala Puji dan Syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat hidayah dan karunia-nya sehingga laporan Tugas Akhir dengan judul IMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MENENTUKAN MINAT SISWA MEMBACA PADA PERPUSTAKAAN SMP NEGERI 1 LASEM KABUPATEN REMBANG dapat penulis selesaikan sesuai dengan rencana. Oleh sebab itu penulis bermaksud menyampaikan terimakasih kepada: 1. Dr. Ir Edi Noersasongko, M.Kom sebagai Rektor Universitas Dian Nuswantoro Semarang. 2. Dr. Abdul Syukur selaku Dekan Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang. 3. Affandy, M.Kom, Ph.D selaku Ketua Program Studi Sistem Informasi S1 Fakultas Ilmu Komputer. 4. Acun Kardianawati M.Kom selaku dosen pembimbing Tugas Akhir. 5. Fajrian Nur Adnan, M.CS, selaku Koordinator Tugas Akhir Program Studi Sistem Informasi S1. 6. Seluruh Guru dan Petugas perpustakaan SMP Negeri 1 Lasem. 7. Bapak dan Ibu selaku orang tua mahasiswa. 8. Seluruh sahabat dan teman di UNIVERSITAS DIAN NUSWANTORO yang selalu memberikan dukungan pada penulis. Semoga yang penulis sampaikan dalam laporan Tugas Akhir ini bermanfaat dan berguna bagi akademis. Semarang, 17 Oktober 2016 Penulis vii

8 ABSTRAK Di Era modern ini banyak sekali penggunaan media internet yang berdampak semakin sedikitnya minat seseorang dalam membaca buku. Pada SMP Negeri 1 Lasem memiliki masalah peminatan siswa dalam membaca buku yang masih belum diketahui seberapa banyak siswa minat meminjam buku di perpustakaan SMP Negeri 1 Lasem. Oleh karena itu untuk mengetahui seberapa besar minat siswa meminjam buku diperpustakaan SMP Negeri 1 Lasem perlu melakukan pencarian informasi dari data peminjaman buku perpustakaan dengan menggunakan teknik klasifikasi data mining dalam meningkatkan nilai ujian nasional dan ujian sekolah yang lebih baik. Dengan teknik klasifikasi data mining algoritma C4.5 dengan data setnya adalah peminjaman buku perpustakaan. Hasil yang diperoleh adalah node dan posisi terbaik, dengan posisi terbaik ditentukan pada atribute jangka pinjam karena bersifat kontinu yang memiliki gain tertinggi. Informasi yang dihasilkan adalah posisi terbaik dari atribute jangka pinjam, serta perhitungan entropy mencari node akar dengan gain tertinggi diambil dari attribute jangka pinjam, jenis kelamin, kelas, jenis buku. Sehingga proses tersebut diulang ulang sampai pada posisi terbaik jangka waktu dan node untuk mendapatkan hasil akhir minat atau tidak minat sebagai pembentuk pohon keputusan. Dengan diketahuinya siswa yang paling banyak meminjam buku di perpustakaan akan dapat memprediksikan minat baca siswa baru. Kata kunci : Data Mining, Teknik Klasifikasi, Algoritma C4.5, Peminjaman buku, Perpustakaan, pohon keputusan xi halaman; 16 gambar; 24 tabel;1 lampiran Daftar Acuan: 11 ( ) viii

9 ABSTRACT In the modern era is a lot of use of internet media which affects fewer person's interest in reading books. At SMPN 1 Lasem specialization students have problems in reading the book is not yet known how many students interest to borrow books at the library of SMP Negeri 1 Lasem. Therefore, to find out how much interest students in the library to borrow books SMPN 1 Lasem need to search information from the data library book lending by using techniques classification of data mining to improve the national test scores and better school exam. With the technique classification of data mining algorithms C4.5 to the data disk set is a book lending library. The results obtained are the nodes and the best position, the best position is determined on the attributes and loan term due to be continuous which has the highest gain. The resulting information is the best position of attribute-term loans, as well as the calculation of entropy looking for the root node with the highest gain is taken of attribute-term loans, gender, class, type of book. So the process is repeated again until the best position and node time period to get the final result as interest or no interest in forming a decision tree. By knowing the students most borrowed books in the library will be able to predict the new students' interest in reading. Keywords : Data Mining, Techniques Classification, Algorithm C4.5, book lending, library, decision trees xi pages; 16 pictures; 24 tables; 1 attachment References: 11 ( ) ix

10 DAFTAR ISI Halaman Sampul Depan... i Halaman Sampul Belakang... ii Persetujuan Laporan Tugas Akhir... iii Pengesahan Dewan Penguji... iv Pernyataan Keaslian Tugas Akhir... v Pernyataan Persetujuan Publikasi Karya Ilmiah Untuk Kepentingan Akademis.. vi UCAPAN TERIMAKASIH... vii Abstrak... viii Abstract... ix Daftar Isi... x Daftar Gambar... xiii Daftar Tabel... xiv Daftar Lampiran... xvi Bab 1 Pendahuluan Latar Belakang Masalah Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian... 4 Bab 2 TINJAUAN PUSTAKA Tinjauan Pustaka Data Mining Pengertian Data Mining... 8 x

11 xi Proses Data Mining Pengelompokan Data Mining Klasifikasi Data Mining Algoritma C Decision Tree Confusion Matrix Perpustakaan PHP MYSQL Bab 3 METODE PENELITIAN Metode Pengumpulan Data Survey Wawancara Studi Pustaka Sumber Data Data Primer Data Sekunder Analisis Kebutuhan Data dan Sistem Identifikasi Pengelompokan data Analisis Kebutuhan Metode Analisis yang Diusulkan Bab 4 HASIL DAN PEMBAHASAN Data Selection Preprocessing/ Cleaning Transformation... 33

12 xii 4.4 Data Mining Interpretation Hasil Uji Coba Sistem Login Halaman Beranda atau Utama Input Data Training Lihat Data Training Rules Akurasi Memprediksi Siswa Baru Login Admin Halaman Utama Admin Edit User Admin Tambah User Admin Bab 5 PENUTUP Kesimpulan Saran DAFTAR PUSTAKA Lampiran... 66

13 DAFTAR GAMBAR Gambar 1.1 Grafik Pengunjung Perpustakaan... 1 Gambar 2.1 Process Knowledge Discovery in Database Gambar 2.2 Decision Tree Gambar 3.1 Sampel Data Set Peminjaman Buku Perpustakaan Gambar 4.1 Decision Tree Gambar 4.2 Login Pengguna Gambar 4.3 Halaman Beranda atau Utama Gambar 4.4 Input Data Training Gambar 4.5 Lihat Data Training Gambar 4.6 Rules Gambar 4.7 Akurasi Gambar 4.8 Memprediksi Siswa Baru Gambar 4.9 Login Admin Gambar 4.10 Halaman Utama Admin Gambar 4.11 Edit User Admin Gambar 4.12 Edit User Admin xiii

14 DAFTAR TABEL Tabel 2.1 Penelitian Terkait... 7 Tabel 2.2 Confusion Matrix Tabel 4.1Data Buku Perpustakaan Tabel 4.2 Keterangan Data Buku Perpustakaan Tabel 4.3 Penjelasan Data Buku Perpustakaan Tabel 4.4 Transformation Data Buku Perpustakaan Tabel 4.5 Pencarian Posisi Terbaik Tabel 4.6 Pencarian Node Akar Tabel 4.7 Pencarian Posisi Terbaik Tabel 4.8 Pencarian Node Internal Tabel 4.9 Pencarian Posisi Terbaik Tabel 4.10 Pencarian Node Internal Tabel 4.11 Pencarian Posisi Terbaik Tabel 4.12 Pencarian Node Internal Tabel 4.13 Pencarian Posisi Terbaik Tabel 4.14 Pencarian Node Internal Tabel 4.15 Pencarian Posisi Terbaik Tabel 4.16 Pencarian Node Internal Tabel 4.17 Pencarian Posisi Terbaik Tabel 4.18 Pencarian Node Internal Tabel 4.19 Pencarian Posisi Terbaik xiv

15 xv Tabel 4.20 Pencarian Node Internal Tabel 4.21 Pencarian Posisi Terbaik Tabel 4.22 Pencarian Node Internal

16 DAFTAR LAMPIRAN Lampiran 1 Data Peminjaman Perpustakaan xvi

17 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Di era modern ini banyak sekali penggunaan media internet yang berdampak semakin sedikitnya seseorang dalam membaca buku. Padahal buku adalah ilmu pengetahuan yang sangat banyak dan eksklusif untuk ditelusuri daripada media internet hanya menyediakan sedikit referensi. Banyak perpustakaan-perpustakaan di Indonesia termasuk di dalam sekolah maupun jenjang yang lebih tinggi seperti perguruan tinggi. Perpustakaan sekolah didirikan untuk mengajak para siswa siswi untuk lebih mendalami dari setiap pelajaran yang diberikan oleh guru dikelas. Selain itu dengan sering membaca maupun meminjam buku di perpustakaan, kita dapat mengerjakan tugas sekolah dengan benar. Pada Perpustakaan SMP NEGERI 1 Lasem, Kabupaten Rembang memiliki tingkat kunjungan digambarkan dengan grafik sebagai berikut: GRAFIK JUMLAH PENGUNJUNG PERPUSTAKAAN SMP NEGERI 1 LASEM BULAN JULI 2014 S.D JUNI 2015 Kls 7 Kls 8 Kls 9 Gambar 1.1 Grafik Pengunjung Perpustakaan 1

18 2 Dari pernyataan grafik 1.1 dapat diketahui banyaknya siswa-siswi berkunjung ke perpustakaan dari bulan Juli 2014-Juni 2015 mengalami penurunan dari kelas 7 maupun kelas 8. Dan puncak tertinggi pada kelas 7 adalah pada bulan April 2015 dan kelas 8 adalah bulan Oktober 2014, khusus untuk kelas 9 memang jumlahnya sedikit karena menghadapi ujian nasional. Akan tetapi banyak sedikitnya jumlah kunjungan masih belum dapat menentukan banyaknya buku yang dipinjam karena mungkin penyebab utamanya malas mencari buku yang jumlahnya banyak dan akhirnya hanya sekedar berkunjung. Padahal membaca buku dengan cara meminjam buku berpengaruh pada nilai ujian sekolah maupun ujian nasional dan berdampak pada sekolah SMP Negeri 1 Lasem sebagai sekolah terbaik sekabupaten Rembang. Maka dari itu diperlukannya suatu penelitian untuk mengetahui seberapa besar minat membaca jika dilihat berdasarkan seberapa banyak meminjam buku di perpustakaan bukan dari data berkunjung. Dengan data mining algoritma C4.5 dapat membangun sebuah aplikasi dengan perhitungan algoritma C4.5 berbasis web sehingga nantinya jika terdapat kelas yang memiliki data sedikit dalam meminjam buku perpustakaan akan disosialisasikan betapa pentingnya membaca buku untuk keperluan ujian sekolah maupun ujian nasional nanti dimasa mendatang dan juga untuk memprediksi peminatan membaca oleh siswa baru. Dalam membangun aplikasi data mining C4.5 tersebut akan berguna dalam mengelolah data peminjaman buku dari tahun-tahun selanjutnya Data mining sendiri adalah proses pengolahan atau menggali data dari suatu kumpulan database yang sangat besar dan masih belum diketahui ilmu ilmu yang terkandung didalamnya dengan pola teknik statistic, matematika, kecerdasan buatan, dan machine learning [1]. Data mining mempunyai banyak metode, Salah satunya C4.5. C4.5 merupakan metode yang digunakan pada data mining yang berguna untuk membuat pohon keputusan (Decision Tree), sedangkan pohon keputusan adalah pengklasifikasian data yang dibentuk dengan node [2].

19 3 Berdasarkan permasalahan diatas tersebut, maka penulis tertarik untuk mengambil judul Implementasi Data Mining Algoritma C4.5 Untuk Menentukan Siswa Membaca Pada Perpustakaan Smp Negeri 1 Lasem Kabupaten Rembang. 1.2 Rumusan Masalah Berdasarkan permasalahan dari latar belakang diatas dapat ditarik permasalahan yang lebih khusus yaitu bagaimana mengimplementasikan data mining algoritma C4.5 untuk mengetahui seberapa banyak minat siswa membaca buku pada perpustakaan SMP Negeri 1 Lasem? 1.3 Batasan Masalah 1. Pembangunan aplikasi menggunakan data mining algoritma C Penggunaan aplikasi berbasis web 3. Dataset yang digunakan data peminjaman buku perpustakaan. 4. Pengolahan data hanya digunakan untuk menganalisa perpustakaan dan seberapa besar minat siswa SMP Negeri 1 Lasem dalam membaca serta minat siswa baru meminjam buku. 5. Aplikasi hanya bisa digunakan di perpustakaan SMP Negeri 1 Lasem 1.4 Tujuan Penelitian Dengan membangun aplikasi data mining berbasis web menggunakan algoritma C4.5 dengan berdasarkan data peminjaman buku perpustakaan yang nantinya dapat diketahui seberapa besar minat siswa membaca buku perpustakaan dari setiap kelas dan jika kurang minat dalam membaca buku akan diberikan disosialisasikan betapa pentingnya membaca buku dalam meningkatkan nilai ujian nasional dan ujian sekolah kelak untuk data data peminjaman buku siswa baru mendatang dan penambahan buku-buku baru baik buku matapelajaran maupun buku tidak matapelajaran bagi siswa yang sudah tinggi minat membacanya supaya mereka tidak bosan.

20 4 1.5 Manfaat Penelitian Dalam setiap penelitian pasti memliki manfaat, adapun manfaat penelitian dari setiap pihak antara lain : 1. Bagi Perpustakaan Mengetahui jumlah peminjam buku per tahun per kelas dari membangun aplikasi data mining C.45 tersebut. 2. Bagi Universitas Sebagai suatu ilmu yang memberikan informasi serta referensi yang mencangkup penelitian tentang minat siswa dengan memakai algoritma C Bagi Penulis. Mendapatkan suatu ilmu pengetahuan baru pengelolahan data data yang banyak yang masih belum diketahui.

21 BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Sebelum melakukan penelitian adapun penulis mencari penelitian penelitian yang memungkinkan terkait dengan penelitian antara lain : 1. Analisis Kinerja Data Mining Algoritma C4.5 Dalam Menentukan Tingkat Siswa yang Mendaftar di Kampus ABC (Yudhi Andrian, M. Rhifky Wayahdi, 2014) [1]. Di dalam jurnal tersebut membahas minat siswa yang masuk ke Universitas masih menjadi hal yang perlu diketahui seberapa besar minat siswa tersebut mendaftar ke kampus ABC. Dalam hal ini dapat ditentukan dengan ilmu data mining. Data mining sendiri memiliki banyak algoritma. Dalam jurnal tersebut untuk membuat pohon keputusan, menggunakan algoritma C4.5. Sedangkan alur proses algoritma C4.5 untuk membangun pohon keputusan diperlukan pemilihan atribut sebagai akar, membuat cabang untuk tiap tiap nilai, membagi kasus dalam cabang, dan mengulangi khasus cabang hingga mencapai kelas yang sama. Dengan adanya algoritma C4.5 data tersebut diolah dengan mengambil data atribut atribut sederhana yaitu data siswa yang mendaftar dan tidak mendaftar pada kampus ABC yang diambil secara acak/random sebanyak 50 data sampel. Penggunaan algoritma C4.5 diterapkan untuk membangun pohon keputusan atau decision tree untuk memprediksi minat mahasiswa pada kampus ABC yang lebih baik sehingga menghasilkan dari 50 data diuji terdapat 40 siswa yang mendaftar dan 10 siswa yang tidak mendaftar dengan penentuan gain tertinggi dari atribut tahun tamat. 5

22 6 2. Analisis Dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Memprediksi Masa Studi Mahasiswa Berdasarkan Data Nilai Akademik (Selvia Lorena Br Ginting, Wendi Zarman, Ida Hamidah, 2014) [2]. Dalam jurnal ini menjelaskan jurusan teknik komputer di Universitas Komputer Indonesia membutuhkan 8 semester atau 144 sks untuk lulus namun dari Jurusan Teknik Komputer Program Sarjana (S1) pada tahun 2007 hanya 1 orang yang lulus tepat waktu dalam 8 semester. Maka dari itu peneliti tersebut melakukan penelitian dengan membutuhkan data akademik mahasiswa yang sudah lulus atau dijadikan sebagai data training dan mahasiswa yang belum lulus yang berguna memprediksi ketepatan lulus mahasiswa. Dengan demikian dibutuhkan teknik data mining untuk memperoleh pohon keputusan yang dibangun dari algoritma C4.5. Atribut untuk menerapkan C4.5 menggunakan 3 sampel mata kuliah yaitu Algoritma Pemrograman, Fisika 1, Fisika 2 dan diambil gain tertinggi yaitu Fisika 2, dengan demikian Fisika 2 menjadi root atau node untuk membuat pohon keputusan atau decision tree. Dengan aplikasi data mining memprediksi masa studi mahasiswa dapat dilihat bahwa semakin banyaknya data training tingkat kecocokan semakin kecil dengan data testing. Dengan data training 112 tingkat kecocokan yang sangat kecil daripada data training dengan data Penerapan Algoritma C4.5 Untuk Penentuan Jurusan Mahasiswa (Liliana Swastina, 2013) [3]. Dalam jurnal ini menjelaskan bagaimana menentukan jurusan yang tepat pada siswa SMU kelas XII. Dengan adanya data mining penentuan jurusan dapat dilakukan secara tepat. Algoritma yang dipakai disini yaitu perbandingan algoritma C4.5 dengan Naïve Bayes dengan membangun pohon keputusan atau decision tree sebagai penentu jurusan calon mahasiswa baru dengan latar belakang minat, dan kemampuannya sendiri. Objek disini adalah sekolah STMK Indonesia Banjarmasin dijadikan sebagai data untuk pengujian model dengan rapid miner sebagai simulasinya dengan memerlukan atribut Nama, Jenis Kelamin, Umur, Asal Sekolah, Jurusan Asal Sekolah, Nilai UAN, IPK

23 7 Semester 1, IPK Semester 2. Dari hasil pengujiannya ditemukan algoritma decision tree C4.5 memiliki tingkat akurasi yang lebih tinggi daripada algoritma Naïve Beyes dalam segi penyesuaian jurusan dan rekomendasi jurusan dengan tingkat akurasi 93.31% dengan rekomendasi akurasi jurusan sebesar 82,64. Tabel 2.1 Penelitian Terkait No Nama Peneliti dan Tahun Masalah Metode Hasil 1. Yudhi Andrian, Bagaimana Bagaimana Memprediksi ni50 data diuji M. Rhifky Mempredik minat siswa yang mendaftar menghasilkan 40 Wayahdi, 2014 si minat di kampus ABC secara siswa yang siswa yang optimal mendaftar dan 10 mendaftar siswa yang tidak di kampus mendaftar pada ABC secara proses gain optimal tertinggi proses klasifikasi algortima c4.5 dalam atribut lai akurasinya dapat mencapai 83,57%, dan terus meningkat hingga 87,63% 2. Selvia Lorena Br Tingkat Pembentukan pohon Data training Ginting, Wendi kelulusan keputusan dengan algoritma menentukan tingkat Zarman, Ida sarjana C4.5 kecocokan kecil Hamidah, 2014 komputer atau besar dengan semester 8 data training 110 sangat kecil akan memiliki

24 8 No Nama Peneliti dan Tahun Masalah Metode Hasil yaitu hanya tingkat kecocokan 1 orang lebih kecil daripada yang lulus data training 70 tepat waktu akurasi 87,45% 3 Liliana Swastina, bagaimana algoritma C4.5 dan algoritma daripada algoritma 2013 menentuka Naïve Beyes Naïve Beyes dalam n jurusan segi penyesuaian yang tepat jurusan dan pada siswa rekomendasi SMU kelas jurusan dengan XII tingkat akurasi 93.31% dengan rekomendasi akurasi jurusan sebesar 82,64 Dari penjelasan tiga jurnal diatas memiliki kaitan dengan penelitian yaitu jurnal pertama menentukan pohon keputusan untuk memperoleh minat suatu objek, jurnal kedua yaitu dalam algoritma C4.5 membutuhkan data training sebagai perhitungannya, jurnal ketiga yaitu dalam menentukan algoritma yang dipakai membutuhkan suatu tingkat akurasi apakah optimal penggunaan algoritma C4.5 ini dan juga bisa dijadikan sebagai perbandingan antar algoritma lainnya. 2.2 Data Mining Pengertian Data Mining Data mining memiliki pengertian suatu proses dengan menggunakan teknik pembelajaran komputer satu atau lebih dimana untuk menganalisis dan

25 9 mengekstrak pengetahuan dilakukan secara otomatis yang didalamnya menerapkan metode saintifik atau yang disebut KDD (Knowledge Discovery in Database. Data mining memiliki tujuan yakni data data set yang tersedia dapat diprediksi dengan tipe biner atau nominal. Adapun komponen komponen dari proses data mining yaitu [4]: 1. Kelas Definisi kelas ialah suatu bagian label dari hasil klasifikasi yang didalamnya menggunakan variabel tidak bebas. 2. Prediktor Prediktor merupakan model yang variabelnya bebas dari atribut data yang telah diklasifikasi. 3. Set Data Pelatihan Merupakan data yang banyak dan lengkap yang didalamnya memiliki kelas dan predictor kemudian dilatih dari model tersebut dikelompokan dalam kelas yang tepat. 4. Set Data Uji Set data uji ialah data yang tergolong baru yang nantinya dikelompokan ke dalam model yang berguna mengetahui tingkat akurasi dari modal yang sudah dibuat Proses Data Mining Suatu pembahasan ilmu pasti tidak terlepas dari proses proses yang harus dijalankan, KDD adalah pengetahuan yang masih luas yang masih belum diketahui dan salah satu dalam proses KDD ada data mining, berikut penjelasan KDD khususnya kaitannya dengan data mining [5].

26 10 Gambar 2.1 Process Knowledge Discovery in Database Dari gambar tersebut adapun penjelasan proses KDD antara lain : 1. Data selection Kumpulan kumpulan data yang diseleksi sebelum ketahap menggali semua informasi KDD didalamnya. 2. Pre-Processing Suatu langkah pembersihan data data yang dianggap tidak penting, data yang tidak sempurna, dan data yang tidak valid agar meningkatkan mutu atau akurasi data. 3. Transformation Suatu teknik yang membutuhkan format data yang khusus sebelum diimplementasikan seperti data numerik yang harus dibagi bagi menjadi beberapa interval untuk menentukan kualitas tergantung dari karakteristik teknik teknik data mining tertentu. 4. Data Mining Prose mencari pola menarik atau informasi data yang menarik untuk diolah melalui teknik teknik atau metode tertentu.

27 11 5. Interpretation (Evaluation) Dari proses data mining memerlukan suatu bentuk yang dapat dimengerti oleh pihak yang bersangkutan dan menyelidiki apakah informasi benar atau bertentangan dengan hipotesis Pengelompokan Data Mining Pengelompokkan data mining berdasarkan tugasnya antara lain [5]: 1. Deskripsi Menjelaskan semua fakta dan keterangan dari suatu objek. 2. Estimasi Model yang dibangun dengan menggunakan record yang didalamnya terdapat nilai dari variabel prediksi yang variable estimasinya kearah numerik. 3. Prediksi Suatu hasil data dari objek yang diprediksi untuk menghasilkan informasi dimasa depan. 4. Klasifikasi Pengelompokan atribut berdasrakan kategori yang sama. 5. Pengklusteran Pengelompokkan record untuk membentuk suatu kelas objek objek yang hampir sama kemiripannya objek lainnya dan tidak mempunyai kemiripan dengan record dalam cluster lainnya. 6. Asosiasi Mencari atribute dalam kurun waktu tertentu. 2.3 Klasifikasi Data Mining Klasifikasi memiliki definisi yaitu proses yang didalamnya mempelajari fungsi memiliki suatu tujuan dimana tiap himpunan dilakukan pemetaan dari himpunan x

28 12 ke satu dari label kelas y dari definisi sebelumnya. Model klasifikasi mempunyai 2 jenis antara lain [4]: 1. Pemodelan Deskriptif Fungsi dari pemodelan ini ialah memebedakan suatu objek kedalam suatu kelas kelas yang berbeda. 2. Pemodelan Prediktif Fungsi dari pemodelan ini ialah memprediksi label kelas record yang masih belum diketahui. 2.4 Algoritma C4.5 Definisi algoritma C4.5 yaitu metode klasifikasi data yang memiliki dua tipe antara lain tipe kategorikal ( nominal atau ordinal) dan tipe numerik (interval atau rasio) dengan melakukan pemotongan (pruning) untuk memperoleh gain sehingga membentuk decision tree atau pohon keputusan [6]. Rumus untuk algoritma C4.5 yaitu: Rumus Untuk Menghitung Gain: ( ) ( ) Entropy( ) (2.1) Dengan: S : Himpunan kasus A : Atribute N : Jumlah partisi atribute A : Jumlah kasus pada partisi ke i S : Jumlah kasus dalam S Rumus menghitung Entropy: ( ) (2.2)

29 13 Dengan: S : Himpunan kasus A : Fitur N : Jumlah partisi S pi : Proporsi dari terhadap S 2.5 Decision Tree Pohon keputusan yang digunakan untuk prosedur penalaran yang menghasilkan jawaban dari masalah yang dimasukkan [6]. Elemen-elemen atau node desicion tree, yaitu: 1. Node akar Node yang karakteristiknya tidak mempunyai lengan masukkan, dan mempunyai lengan keluaran 0 atau lebih. 2. Node Internal Node yang mempunyai karakteristik nonterminal atau bukan daun yang memiliki 1 lengan masukan dan memiliki keluaran dua atau lebih. 3. Lengan Suatu cabang dari setiap bagian cabang untuk mengungkapkan pernyataan dari nilai hasil pengujian pada node. 4. Node Daun (Terminal) Suatu node dengan karakteristik mempunyai satu lengan masukan dan tidak ada lengan keluaran dengan menyatakan label kelas atau keputusan. Berikut contoh gambar decision tree:

30 14 Gambar 2.2 Decision Tree 2.6 Confusion Matrix Confusion matrix merupakan metode pengujian yang digunakan untuk mengukur kinerja suatu model klasifikasi [3]. Pengujian confusion matrix dilakukan dengan menggunakan data testing yang dicocokan dengan hasil dari klasifikasi data training maka akan mendapatkan akurasi, recall, dan Precision. Confision matrix menggunakan table yang berisi benar atau tidak benar dari hasil data testing yang telah dicocokkan dengan klasifikasi data training. Contoh dari tabel confusion matrix dapat dilihat dari tabel 1 confusion matrix. Tabel 2.2 Confusion Matrix PREDICTED CLASS CLASS = 1 CLASS = 0 ACTUAL CLASS CLASS = 1 F11 F10 CLASS = 0 F01 F00

31 15 Dimana penjelasannya sebagai berikut : F11 = Jika hasil prediksi positif dan data sebenarnya positif F10 = Jika hasil prediksi negatif dan sedangkan nilai sebenarnya positif F01 = Jika hasil prediksi positif dan sedangkan nilai sebenarnya negatif F00 = Jika hasil prediksi negatif dan data sebenarnya negatif (2.3) Sedangkan precision merupakan ukuran dari akurasi suatu kelas tertentu yang telah diprediksi. Adapun rumus untuk mecari precision adalah sebagai berikut: (2.4) Sedangkan recall merupakan persentase dari data dengan nilai positif yang nilai prediksinya juga positif. Adapun rumus untuk mencari recall adalah sebagai berikut: (2.5)

32 Perpustakaan Perpustakaan adalah tempat dimana kumpulan buku ilmu pengetahuan yang banyak dan ditata rapi sesuai jenis pengetahuannya yang berguna untuk dibaca, dipelajari dan sebagai bahan rujukan. Sedangkan baca adalah sesuatu kemampuan manusia yang terjadi secara tidak otomatis yang harus didahului dengan kebiasaan-kebiasaan membaca. membaca berupa dari media cetak seperti majalah, buku pelajaran. Koran dan lain lain yang nantinya memiliki daya tarik sendiri setiap judul yang ingin dibacanya dengan berulang kali [7]. 2.8 PHP Menurut Arief (2011) PHP adalah sebuaha bahasa pemrograman berupa bahasa server-side scripting dan digabung dengan HTM yang digunakan untuk membuat web yang dinamis. Dan PHP tersebut berupa server-side scripting sehingga perintah-perintah yang ada dalam php tersebut di eksekusi oleh server kemudian hasil tersebut dikirimkan ke browser dan memakai format HTML [8]. Untuk membuat sebuah web masih ada lagi contoh bahasa pemrograman selain PHP karena kita dapat membuat web hanya dengan HTML saja. Dengan demikian web yang dibuat melalui HTML dan css sering disebut web statis yaitu konten dan halaman web tersebut bersifat tetap. Website yang bersifat dinamis yang dapat dibuat dengan memakai PHP sebuah situw web yang bisa dibilang konten dalam halaman web tersebut dapat menyesuaikan situasi yang ada. Website dinamis ini juga berguna untuk penyimpanan data pada database, membuat halaman dapat diubah-ubah sesuai keinginan inputan dari user, pemrosesan form dan lain lain. Dalam pembuatan web, biasanya kode PHP sering disisipkan pada dokumen HTML. Sehingga PHP memiliki fitur tersebut sering dinamakan sebagai Scripting Language atau bahasa pemrograman script. Beberapa keunggulan PHP daripada bahasa pemrograman komputer yang lainnya antara lain:

33 17 1. Server-server pada webiste telah mendukung pada bahasa pemrograman PHP ini. 2. Bagi developer mudah mempelajari bahasa pemrograman php karena pada kode kode bahasa dan script dapat mudah untuk dipahami. 3. PHP merupakan Bahasa Pemrograman yang tidak pernah dan tidak akan pernah melakukan sebuah kompilasi didalam penggunannya. 4. PHP sangat didukung dengan adanya referensi-referensi yang banyak dari berbagai sumber. 5. Bahasa pemrograman PHP dapat dijangkau pada semua sistem operasi seperti UNIX, Linux, Windows, dan lain sebagainya. 6. Bahasa Pemrograman PHP Dapat menjalankan sebuah ataupun beberapa perintah dari suatu sistem. 7. PHP dapat dijalankan dan digunakan secara runtime melalui sebuah konsol. 2.9 MYSQL MYSQL adalah sebuah database secara multiuser dengan menggunakan bahasa pemrograman. Sedangkan SQL adalah bahasa pemrograman berguna untuk mengakses server database. Dibandingkan dengan yang lain SQL lebih friendly dalam mengakses database daripada dbase atau Clipper karena menggunakan perintah dari pemrograman [9]. MYSQL memiliki kelemahan maupun kelebihan diantaranya sebagai berikut: 1. Kelebihan MySQL Adapun kelebihan MySQl dalam penggunaanya dalam database adalah: a. Untuk mendapatkan MYSQL sangatlah mudah karena bersifat free atau dapat diunduh secara gratis. b. Dalam pengoperasiannya MySQl sangatlah stabil dan tangguh. c. Sistem keamanan yang dimiliki MYSQL termasuk cukup baik. d. Memiliki dukungan dari semua komunitas dan transaksi. e. Support untuk berbagai amcam program untuk menjalankannya. f. MySQL memiliki perkembangan yangs angat cepat.

34 18 2. Kelemahan MySQL Selain itu MYSQL juga memiliki beberapa kelemahan yang patut dibahas antara lain: a. Kurang mendukung koneksi bahasa pemrograman seperti Visual basic atau biasa kita kenal dengan sebutan VB, Foxpro, Delphi dan lain-lain sebab koneksi ini menyebabkan field yang dibaca harus sesuai dengan koneksi dari bahasa pemrograman visual tersebut. b. Data yang dapat ditangani belum besar dan belum mendukung widowing function.

35 BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data Sebuah penelitian memerlukan pengumpulan data dan metode pengumpulan data karena sangat berpengaruh terhadap akurasi dan kualitas data yang digunakan untuk proses penelitian. Adapun metode-metode yang digunakan untuk mendukung sebuah penelitian Survey Survey dilakukan untuk mengamati pada perusahaan atau instasi sebagai objek yang dituju untuk mendapatkan sebuah data yang akan dibutuhkan untuk pembuatan laporan tugas akhir seperti peminatan membaca siswa di perpustakaan Wawancara Dalam metode ini dibutuhkan wawancara ke bagian pustakawan perputakaan yang kemudian mendapatkan sebuah gambaran secara menyeluruh apa yang dibutuhkan terkait pembuatan laporan tugas akhir Studi Pustaka Studi pustaka bertujuan mencari semua sumber referensi seperti sumber dari buku, jurnal, atau media internet dari penelitian yang terkait dengan yang dibuat penulis. Dari studi pustaka ini penulis mendapatkan data- data dari studi pustaka yaitu: 1. Materi yang ada hubunganya dengan data mining algoritma C4.5 dan aplikasi berbasis web. 2. Mencari dan mengumpulkan jurnal-jurnal yang terkait dengan klasifikasi, data mining, C4.5 dan decision tree (pohon keputusan) untuk dapat digunakan dalam implementasi algoritma C

36 Sumber Data Setelah sumber data sudah didapatkan yang nantinya sumber data tersebut dikelompokan menjadi dua jenis untuk penelitian Data Primer Data primer merupakan data yang dapat diperoleh dari secara langsung ke bagian objek yang diteliti atau dari sumber orangnya. Di penelitian ini sumber orang yang dijadikan objek penelitian adalah pustakawan Data Sekunder Data sekunder merupakan data yang diperoleh dari bentuk yang telah menjadi informasi seperti dataset pada database. Pada penelitian ini data sekunder didapatkan dari perpustakaan SMP Negeri 1 Lasem yaitu data peminjaman buku perpustakaan. Gambar 3.1 Sampel Data Set Peminjaman Buku Perpustakaan

37 Analisis Kebutuhan Data dan Sistem Berikut analisis kebutuhan data dan sistem dalam penelitian antara lain: Identifikasi Pengelompokan data Data yang diperoleh selama penelitian lalu diolah dan dianalisis dari data primer dan data sekunder. Data primer adalah data yang dapat diperoleh secara langsung dari sumbernya, atau melakukan survey dan wawancara ke objek terkait dengan penelitian untuk dapat menarik solusi pemecahan masalah sebagai pembuatan aplikasi. Selanjutnya Data sekunder ini adalah data yang diperoleh dari media internet, jurnal-jurnal, buku, literature terkait dengan penelitian agar nantinya dapat digunakan sebagai metode perhitungan penelitian Analisis Kebutuhan Selanjutnya dalam analisis kebutuhan meliputi: 1. Kebutuhan Informasi Kebutuhan informasi berguna untuk informasi apa saja yang dibtuhkan oleh user yang menjalankan sistem ataupun sistem tu sendiri. a. Tahap pengolahan data mentah dari objek penelitian menjadi dataset dan menentukan data input atau variabel yang akan di pakai didalam proses selanjutnya. b. Tahap dataset melakukan input untuk mendapatkan suatu model hasil dari bobot yang telah ditentukan. c. Tahap klasifikasi memakai metode algoritma C Kebutuhan Perangkat Keras Algoritma C4.5 data peminjaman dibuat dengan pemanfaatan perangkat keras yang telah dimiliki peneliti. Perangkat keras ini antara lain sebuah laptop dengan spesifikasi : prosesor inter core i7, RAM berkapasitas 4GB, VGA Nvidia 2 GB, Hardisk 500 GB serta mouse dan keyboard.

38 22 3. Kebutuhan perangkat lunak Komponen-komponen pendukung perangkat lunak dalam membuat aplikasi antara lain: a. Microsoft Excel, Mengumpulkan data yang ada untuk mempermudah dalam pengolahan data. b. Microsoft Word, Proses penyusunan laporan. 3.4 Metode Analisis yang Diusulkan Metode yang diusulkan metode C4.5 dalam mencari dan menemukan frekuensi minat siswa dalam setiap kelas ke perpustakaan tertinggi pada data peminjaman buku di SMP Negeri 1 Lasem Kabupaten Rembang. Langkah analisa yang digunakan untuk mengolah dataset berdasarkan metode data mining menggunakan proses knowledge discovery in databases (KDD), yang terdiri dari: 1. Data selection Kumpulan kumpulan data yang diseleksi adalah data peminjaman buku perpustakaan Pre-Processing Pada proses ini melakukan pembersihan data dari data-data mentah dengan mengambil attribute jenis kelamin, kelas, lama meminjam, range kode buku. 3. Transformation Dalam tahap transformasi mengubah format data yaitu data peminjaman buku yang kedalam mircosoft excel dengan bantuan kompter agar data tersebut dapat terintegrasi dengan aplikasi yang dibuat. 4. Data Mining Dengan proses pengekstrakan data mining ini mendapatkan pola data peminjaman yang sudah dirubah dengan menerapkan algoritma C4.5.

39 23 5. Interpretation (Evaluation) Pola yang sudah telah diidentifikasi nantinya diolah untuk diterjemahkan kedalam bahasa yang mudah dipahami agar kelak dapat membantu memperoleh keputusan strategi bisnis.

40 BAB 4 HASIL DAN PEMBAHASAN 4.1 Data Selection Pada awal proses KDD adalah penyeleksi data. Penyeleksi data adalah menentukan data yang berhubungan dengan peminatan siswa dalam membaca buku pada SMP Negeri 1 Lasem. Data yang diambil adalah data peminjaman buku SMP Negeri 1 Lasem tahun Berikut ini adalah contoh data peminjaman buku perpustakaan SMP Negeri 1 Lasem. Tabel 4.1Data Buku Perpustakaan No JE NI TG S TG L_ J_ KE J_BUK JUDUL L_P KE PJ PEM NM SISWA L KLS U BUKU JM M M NTN 1 11/ 15/ VIII tdk asal usul 8/1 8/1 TDK Filda Kurnia P C matapel desa sluke MIN 2 asal usul 11/ 15/ VIII tdk desa 8/1 8/1 TDK Filda Kurnia P C matapel jolotundo MIN 3 asal usul 11/ 15/ VIII tdk desa 8/1 8/1 TDK Filda Kurnia P C matapel selopuro MIN 24

41 25 No JE NI TG S TG L_ J_ KE J_BUK JUDUL L_P KE PJ PEM NM SISWA L KLS U BUKU JM M M NTN 4 ketika cinta 11/ 20/ VIII tdk berbuah 8/1 8/1 1 MIN Faniqotul K P C matapel surga AT 5 11/ 20/ VIII tdk cinta suka 8/1 8/1 1 MIN Faniqotul K P C matapel menggoda AT 6 11/ 18/ Finda putri VIII tdk 8/1 8/1 MIN N P E matapel 5 cm AT 7 11/ 21/ Ristina pandawa 8/1 8/1 1 TDK Dewi P IX A matapel seda MIN 8 11/ 21/ Ristina tdk kumpulan 8/1 8/1 1 TDK Dewi P IX A matapel cerita MIN 9 11/ 21/ Ristina kulino 8/1 8/1 1 TDK Dewi P IX A matapel basa jawa MIN 10 12/ 20/ kesenian 8/1 8/1 MIN Farikha S P VIII I matapel tradisional AT

42 26 No JE NI TG S TG L_ J_ KE J_BUK JUDUL L_P KE PJ PEM NM SISWA L KLS U BUKU JM M M NTN 11 12/ 20/ tdk sukses itu 8/1 8/1 MIN Farikha S P VIII I matapel wajib AT 12 asal usul 13/ 20/ VIII tdk desa 8/1 8/1 TDK Putri Ragita P F matapel babagan MIN 13 bertemu allah tak 19/ 29/ VIII tdk harus 5/ 5/ 1 MIN Eliya S n P A matapel disurga AT 14 19/ 21/ VIII tdk Impian 5/ 5/ MIN Eliya S n P A matapel Manda AT 15 Kuingin Jadi 19/ 22/ Dhea VIII tdk Sajadahm 5/ 5/ MIN Alimin E P H matapel u AT 16 20/ 27/ Dhea VIII tdk ranah 3 5/ 5/ MIN Alimin E P H matapel warna AT 17 Menyimpa 20/ 26/ Tiara putri tdk n Rahasia 5/ 5/ MIN O P VII H matapel Pacaran AT

43 27 No JE NI TG S TG L_ J_ KE J_BUK JUDUL L_P KE PJ PEM NM SISWA L KLS U BUKU JM M M NTN 18 Menyimpa 20/ 26/ Tiara putri tdk n Rahasia 5/ 5/ MIN O P VII H matapel Pacaran AT 19 Menyimpa 20/ 26/ Tiara putri tdk n Rahasia 5/ 5/ MIN O P VII H matapel Pacaran AT 20 Cinta 20/ 30/ Lilis Sri tdk Diujung 5/ 5/ MIN Wahyuni P VII A matapel Sajadah AT 21 Syair 20/ 30/ Naila tdk Cinta 5/ 5/ MIN Liwais S P VII A matapel Untukmu AT 22 umi dan 20/ 30/ Fadika Zida tdk air mata 5/ 5/ TDK Rahmana P VII A matapel ayah MIN 23 20/ 30/ Naila tdk seminggu 5/ 5/ MIN Liwais S P VII A matapel di desa itu AT 24 kugengga m bintang 20/ 29/ Dhea VIII tdk untuk 5/ 5/ MIN Alimin E P H matapel bintangku AT

44 28 No JE NI TG S TG L_ J_ KE J_BUK JUDUL L_P KE PJ PEM NM SISWA L KLS U BUKU JM M M NTN 25 28/ Seevaniska VIII tdk 3/1 2/4 TDK Amanda P G matapel hari esok MIN 26 seminggu 28/ Alfi Nur VIII tdk di desai 3/1 2/4 TDK Mufidah P G matapel itu MIN 27 28/ 31/ Lutfiana P VIII tdk Impian 3/1 3/1 TDK M P D matapel Manda MIN 28 curahan jiwa seorang 28/ 31/ Lutfiana P VIII tdk anak 3/1 3/1 TDK M P D matapel remaja MIN 29 28/ 31/ Indah Ayu VIII tdk Kado Tak 3/1 3/1 MIN Saputri P E matapel Bertuan AT 30 suka duka 28/ 31/ Rizky VIII tdk sebatang 3/1 3/1 MIN Widjaya P L E matapel pensil AT 31 28/ Bagas VIII tdk tangkuban 3/1 4/4/ MIN Firdaus L E matapel perahu AT

45 29 No JE NI TG S TG L_ J_ KE J_BUK JUDUL L_P KE PJ PEM NM SISWA L KLS U BUKU JM M M NTN 32 28/ Finda putri VIII tdk Impian 3/1 4/4/ TDK N P E matapel Manda MIN 33 cinta 28/ tdk berbuah 3/1 4/4/ TDK Siti Rofiqoh P VII G matapel surga MIN 34 Si Aneh 28/ Nisa VIII tdk Boneka 3/1 4/4/ TDK Makarima P D matapel Salju MIN 35 30/ Nisa VIII tdk buku 3/1 4/4/ TDK Makarima P D matapel harianku MIN 36 30/ Indah Ayu VIII tdk dangerous 3/1 4/4/ MIN Saputri P E matapel journey AT 37 the 30/ Indah Ayu VIII tdk woodland 3/1 4/4/ MIN Saputri P E matapel ers AT 38 30/ VIII tdk Impian 3/1 4/4/ MIN Nur Muadan L F matapel Manda AT 39 30/ VIII tdk Kado Tak 3/1 4/4/ MIN Nur Muadan L F matapel Bertuan AT

46 30 No JE NI TG S TG L_ J_ KE J_BUK JUDUL L_P KE PJ PEM NM SISWA L KLS U BUKU JM M M NTN 40 remaja unggul 30/ Rika VIII tdk kamukah 3/1 4/4/ MIN Agustiyana P F matapel itu AT 41 18/ 20/ tdk poligami 11/ 11/ MIN M Junaidi L IX B matapel yuk AT 42 18/ 20/ puisi 11/ 11/ MIN M Junaidi L IX B matapel dunia AT 43 18/ 26/ ipa 11/ 11/ TDK Ety B P IX E matapel terpadu MIN 44 18/ 20/ Dwi ips 11/ 11/ MIN Rochmawati P IX B matapel terpadu AT 45 18/ 12/ ipa 11/ 11/ MIN Ifatul LAR P IX H matapel terpadu AT 46 18/ 13/ VIII tdk gunung 11/ 11/ TDK Filva K P B matapel bromo MIN

47 31 No JE NI TG S TG L_ J_ KE J_BUK JUDUL L_P KE PJ PEM NM SISWA L KLS U BUKU JM M M NTN 47 18/ 17/ Bagas VIII tdk 11/ 11/ MIN Firdaus L E matapel edeasor AT 48 18/ 15/ Rizky VIII 11/ 11/ MIN Widjaya P L E matapel fosil AT 49 18/ 20/ Rizky VIII tdk Laskar 11/ 11/ 1 MIN Widjaya P L E matapel Pelangi AT 50 18/ 17/ Dhea VIII kisah 25 11/ 11/ MIN Alimin E P H matapel rosul AT Keterangan nama pada tabel 4.1 Data Buku Perpustakaan yang disingkat antara lain: Tabel 4.2 Keterangan Data Buku Perpustakaan Nama NM SISWA KLS J_BUKU TGL_PJM TGL_KEM Keterangan Nama Siswa Kelas Jenis Buku Tanggal Pinjam Tanggal Kembali

48 32 Nama J_PJM PEMNTN TDK MIN tdk matapel matapel Keterangan Jangka Pinjam Peminatan Mata Pelajaran Mata Pelajaran Dari tabel 4.1 Data Buku Perpustakaan adapun penjelasan penjelasan dari setiap attribute dari 9 atribute tersebut. Tabel 4.3 Penjelasan Data Buku Perpustakaan Atribute Nama Siswa Jenis Kelamin Kelas Jenis Buku Judul Buku Tanggal Pinjam Keterangan Atribute tersebut menginformasikan nama siswa dan siswi yang meminjam buku Atribute tersebut menginformasikan jenis kelamin dari nama siswa tersebut. Atribute tersebut menginformasikan kelas pada setiap anak yang meminjam buku Atribute tersebut menginformasikan jenis buku yang dipinjam termasuk mata pelajaran atau tidak mata pelajaran Atribute tersebut menginformasikan judul atau nama buku yang dipinjam Atribute tersebut menginformasikan kapan peminjaman buku tersebut dimulai

49 33 Atribute Tanggal Kembali Jangka pinjam Peminatan Keterangan Atribute tersebut menginformasikan kapan pengembalian buku di serahkan Atribute tersebut menginformasikan berapa lama meminjam buku dimulai dari waktu meminjam sampai pengembalian buku tersebut Atribute tersebut menginformasikan berapa kali setiap siswa meminjam buku perpustakaan 4.2 Preprocessing/ Cleaning Pada proses ini menyeleksi data, data yang digunakan adalah data peminjaman buku perpustakaan pada SMP Negeri 1 Lasem tahun Data peminjaman buku perpustakaan tersebut terdapat 9 atribut yaitu nama siswa, jenis kelamin, kelas, jenis buku, judul buku, tanggal pinjam, tanggal kembali, jangka pinjam, peminatan. Sehingga nanti proses penyeleksi data ini akan diambil 5 atribut yang terdiri dari jenis kelamin, kelas, jenis buku, jangka pinjam, peminatan. 4.3 Transformation Pada proses ini dilakukan penggabungan data yang dianggap penting dari hasil tahap preprocessing/cleaning yang nantinya data tersebut digunakan pada proses selanjutnya yaitu proses data mining. Berikut ini data yang sudah dapat digunakan untuk proses data mining. Tabel 4.4 Transformation Data Buku Perpustakaan No Jenis kelamin kelas Jenis buku Jangka pinjam peminatan 1 P VIII C tidak mata pelajaran 5 tidak minat

50 34 No Jenis kelamin kelas Jenis buku Jangka pinjam peminatan 2 P VIII C tidak mata pelajaran 5 tidak minat 3 P VIII C tidak mata pelajaran 5 tidak minat 4 P VIII C tidak mata pelajaran 10 minat 5 P VIII C tidak mata pelajaran 10 minat 6 P VIII E tidak mata pelajaran 8 minat 7 P IX A mata pelajaran 11 tidak minat 8 P IX A tidak mata pelajaran 11 tidak minat 9 P IX A mata pelajaran 11 tidak minat 10 P VIII I mata pelajaran 9 minat 11 P VIII I tidak mata pelajaran 9 minat 12 P VIII F tidak mata pelajaran 8 tidak minat 13 P VIII A tidak mata pelajaran 10 minat 14 P VIII A tidak mata pelajaran 2 minat 15 P VIII H tidak mata pelajaran 3 minat 16 P VIII H tidak mata pelajaran 6 minat 17 P VII H tidak mata pelajaran 4 minat 18 P VII H tidak mata pelajaran 4 minat 19 P VII H tidak mata pelajaran 4 minat 20 P VII A tidak mata pelajaran 4 minat 21 P VII A tidak mata pelajaran 4 minat 22 P VII A tidak mata pelajaran 4 tidak minat

51 35 No Jenis kelamin kelas Jenis buku Jangka pinjam peminatan 23 P VII A tidak mata pelajaran 4 minat 24 P VIII H tidak mata pelajaran 3 minat 25 P VIII G tidak mata pelajaran 6 tidak minat 26 P VIII G tidak mata pelajaran 6 tidak minat 27 P VIII D tidak mata pelajaran 2 tidak minat 28 P VIII D tidak mata pelajaran 2 tidak minat 29 P VIII E tidak mata pelajaran 2 minat 30 L VIII E tidak mata pelajaran 2 minat 31 L VIII E tidak mata pelajaran 6 minat 32 P VIII E tidak mata pelajaran 6 tidak minat 33 P VII G tidak mata pelajaran 5 tidak minat 34 P VIII D tidak mata pelajaran 5 tidak minat 35 P VIII D tidak mata pelajaran 5 tidak minat 36 P VIII E tidak mata pelajaran 5 minat 37 P VIII E tidak mata pelajaran 5 minat 38 L VIII F tidak mata pelajaran 5 minat 39 L VIII F tidak mata pelajaran 5 minat 40 P VIII F tidak mata pelajaran 5 minat 41 L IX B tidak mata pelajaran 3 minat 42 L IX B mata pelajaran 3 minat 43 P IX E mata pelajaran 9 tidak minat

52 36 No Jenis kelamin kelas Jenis buku Jangka pinjam peminatan 44 P IX B mata pelajaran 2 minat 45 P IX H mata pelajaran 5 minat 46 P VIII B tidak mata pelajaran 4 tidak minat 47 L VIII E tidak mata pelajaran 8 minat 48 L VIII E mata pelajaran 6 minat 49 L VIII E tidak mata pelajaran 11 minat 50 P VIII H mata pelajaran 8 minat 4.4 Data Mining Dalam tahap ini dilakukan mencari pola minat baca dari hasil tahap transformasi data dengan menggunakan metode klasifikasi data mining algoritma C4.5. Sehingga pada proses ini digunakan untuk impelementasi dengan memakai bahasa pemrograman yaitu php dan bahasa pemrograman tersebut dapat membentuk sebuah aplikasi berbasis web. Berikut adalah langkah-langkah perhitungan data mining dari data yang sudah diolah pada tahap transformasi tersebut. Pertama melakukan perhitungan entropy semua data sampel dengan rumus anatara lain: E(Semua) = - ((p(minat/semua) x log2 p(minat/semua)) + (p(tidak minat/semua) x log2 p(tidak lancar/semua))) = - (((32/50) x log2 (32/50)) + ((18/50) x log2 (18/50))) = Langkah selanjutnya menentukan posisi terbaik. Untuk menentukan posisi terbaik dibutuhkan data yang bersifat kontinu atau data yang tidak ada batas jumlahnya,

53 37 dalam data perpustakaan attribute yang bersifat kontinu adalah jangka pinjam, lalu penentuan posisi terbaik didapatkan dari gain yang paling tinggi sedangkan entropy jangka pinjam didapatkan dengan menggunakan rumus: E(jangka pinjam) = - ((p(minat/jangka pinjam) x log2 p(minat/ jangka pinjam)) + (p(tidak minat/) x log2 p(tidak minat/ jangka pinjam))) Dibawah ini adalah perhitungan untuk mencari entropy dan gain tertinggi dari pengambilan posisi terbaik pada attribute jangka pinjam. Tabel 4.5 Pencarian Posisi Terbaik No Jangka Pinjam Entropy Gain 1 <= > <= > <= > <= > <= > <= > <= > <= > <= >

54 38 Dari tabel 4.5 Pencarian Posisi Terbaik sehingga diperoleh posisi terbaik dalam menentukan gain terbesar pada attribute jangka pinjam yaitu <= 10 dan > 10. Selanjutnya melakukan perhitungan entropy dan gain yang nantinya untuk memperoleh node akar. Dibawah ini tabel perhitungan entropy dan gain. Tabel 4.6 Pencarian Node Akar Kriteria Jumlah Entropy Gain Entropy Total JangkaPinjam <= > Jenis Kelamin L P Kelas IX A IX B IX E IX H VII A VII G VII H VIII A VIII B VIII C VIII D VIII E VIII F

55 39 Kriteria Jumlah Entropy Gain VIII G VIII H VIII I Jenis Buku mata pelajaran tidak mata pelajaran Dari tabel 4.6 Pencarian Node Akar sehingga didapatkan suatu gain tertinggi yang terletak pada attribute kelas, Nantinya attribute kelas tersebut akan dijadikan node akar dimana attribute kelas tersebut memiliki 3 cabang antara lain minat, tidak minat, dan belum diketahui. Sehingga diperlukan melakukan perhitungan untuk mendapatkan nilai gain yang masih belum diketahui hasilnya. Langkah selanjutnya mencari node internal dari attribute kelas yang belum diketahui hasilnya. Sebelum melakukan pencarian node internal dari kelas yang belum diketahui hasilnya, terlebih dahulu menentukan posisi terbaik dari atribut kontinu dengan data kelas yang belum diketahui hasilnya. Berikut pencarian posisi terbaik. Tabel 4.7 Pencarian Posisi Terbaik 1 No. Jangka Pinjam Entropy Gain 1 <= > <= > <= > <=

56 40 No. Jangka Pinjam Entropy Gain > <= > <= > <= > Dari tabel 4.7 Pencarian Posisi Tebaik 1 sehingga diperoleh posisi terbaik dalam menentukan gain terbesar pada attribute jangka pinjam yaitu <= 8 dan > 8. Selanjutnya melakukan perhitungan entropy dan gain yang nantinya untuk memperoleh node akar. Dibawah ini table perhitungan entropy dan gain. Tabel 4.8 Pencarian Node Internal 1 Kriteria Jumlah Entropy Gain Entropy Total Jangka Pinjam <= > Jenis Kelamin L P

57 41 Kriteria Jumlah Entropy Gain Kelas VII A ,1309 VIII C Jenis Buku mata pelajaran ,0195 tidak matapelajaran Dari tabel 4.8 Pencarian Node Internal 1 sehingga didapatkan suatu gain tertinggi yang terletak pada attribute jangka pinjam, Nantinya attribute jangka pinjam tersebut akan dijadikan node akar dimana attribute jangka pinjam tersebut memiliki 2 cabang antara lain minat, dan belum diketahui. Sehingga diperlukan melakukan perhitungan untuk mendapatkan nilai gain yang masih belum diketahui hasilnya. Langkah selanjutnya mencari node internal 1 dari jangka pinjam yang belum diketahui hasilnya. Sebelum melakukan pencarian node internal dari jangka pinjam yang belum diketahui hasilnya, terlebih dahulu menentukan posisi terbaik dari atribut kontinu dengan data jangka pinjam yang belum diketahui hasilnya. Berikut pencarian posisi terbaik. Tabel 4.9 Pencarian Posisi Terbaik 2 No. Jangka Pinjam Entropy Gain 1 <= > <= > <= > <=

58 42 No. Jangka Pinjam Entropy Gain > <= > <= > Dari tabel 4.9 Pencarian Posisi Tebaik 2 sehingga diperoleh posisi terbaik dalam menentukan gain terbesar pada attribute jangka pinjam yaitu <= 8 dan > 8. Selanjutnya melakukan perhitungan entropy dan gain yang nantinya untuk memperoleh node akar. Dibawah ini table perhitungan entropy dan gain. Tabel 4.10 Pencarian Node Internal 2 Kriteria Jumlah Entropy Gain Entropy Total Jangka Pinjam <= > Jenis Kelamin P Kelas VII A VIII C VIII E VIII F Jenis Buku tidak mata pelajaran

59 43 Dari tabel 4.10 Pencarian Node Internal 2 sehingga didapatkan suatu gain tertinggi yang terletak pada attribute kelas, Nantinya attribute kelas tersebut akan dijadikan node akar dimana attribute kelas memiliki 2 cabang antara lain minat, dan belum diketahui. Sehingga diperlukan melakukan perhitungan untuk mendapatkan nilai gain yang masih belum diketahui hasilnya. Langkah selanjutnya mencari node internal 2 dari kelas yang belum diketahui hasilnya. Sebelum melakukan pencarian node internal dari kelas yang belum diketahui hasilnya, terlebih dahulu menentukan posisi terbaik dari atribut kontinu dengan data kelas yang belum diketahui hasilnya. Berikut pencarian posisi terbaik. Tabel 4.11 Pencarian Posisi Terbaik 3 No. Jangka Pinjam Entropy Gain 1 <= > <= > Dari tabel 4.11 Pencarian Posisi Tebaik 3 sehingga diperoleh posisi terbaik dalam menentukan gain terbesar pada attribute jangka pinjam yaitu <= 5 dan > 5. Selanjutnya melakukan perhitungan entropy dan gain yang nantinya untuk memperoleh node akar. Dibawah ini table perhitungan entropy dan gain. Tabel 4.12 Pencarian Node Internal 3 Kriteria Jumlah Entropy Gain Entropy Total Jangka Pinjam <= >

60 44 Kriteria Jumlah Entropy Gain Jenis Kelamin P Kelas VIII F Jenis Buku tidak mata pelajaran Dari tabel 4.12 Pencarian Node Internal 3 sehingga didapatkan suatu gain tertinggi yang terletak pada attribute jangka pinjam, Nantinya attribute jangka pinjam tersebut akan dijadikan node akar dimana attribute jangka pinjam tersebut memiliki 2 cabang antara lain minat, dan tidak minat. Sehingga diperlukan melakukan perhitungan untuk mendapatkan nilai gain yang masih belum diketahui hasilnya. Karena hasilnya telah diketahui semua oleh karena itu dilakukan perhitungan pada attribute kelas VII A, VIII C, VIII E pada tabel 4.8. Pencarian Node Internal 2. Langkah selanjutnya mencari node internal 3 dari jangka pinjam yang belum diketahui hasilnya. Sebelum melakukan pencarian node internal dari jangka pinjam yang belum diketahui hasilnya, terlebih dahulu menentukan posisi terbaik dari atribut kontinu dengan data jangka pinjam yang belum diketahui hasilnya. Berikut pencarian posisi terbaik. Tabel 4.13 Pencarian Posisi Terbaik 4 No. Jangka Pinjam Entropy Gain 1 <= > <= > <=

61 45 No. Jangka Pinjam Entropy Gain > <= >6 3 0 o 5 <= > <= > Dari tabel 4.13 Pencarian Posisi Tebaik 4 sehingga diperoleh posisi terbaik dalam menentukan gain terbesar pada attribute jangka pinjam yaitu <= 6 dan > 6. Selanjutnya melakukan perhitungan entropy dan gain yang nantinya untuk memperoleh node akar. Dibawah ini table perhitungan entropy dan gain. Tabel 4.14 Pencarian Node Internal 4 Kriteria Jumlah Entropy Gain Total Entropy Jangka Pinjam <= > Jenis Kelamin P Kelas VII A VIII C VIII E Jenis Buku tidak mata pelajaran

62 46 Dari tabel 4.14 Pencarian Node Internal 4 sehingga didapatkan suatu gain tertinggi yang terletak pada attribute jangka pinjam, Nantinya attribute jangka pinjam tersebut akan dijadikan node akar dimana attribute jangka pinjam tersebut memiliki 2 cabang antara lain minat, dan belum diketahui. Sehingga diperlukan melakukan perhitungan untuk mendapatkan nilai gain yang masih belum diketahui hasilnya. Langkah selanjutnya mencari node internal 4 dari jangka pinjam yang belum diketahui hasilnya. Sebelum melakukan pencarian node internal dari jangka pinjam yang belum diketahui hasilnya, terlebih dahulu menentukan posisi terbaik dari atribut kontinu dengan data jangka pinjam yang belum diketahui hasilnya. Berikut pencarian posisi terbaik. Tabel 4.15 Pencarian Posisi Terbaik 5 No. Jangka Pinjam Entropy Gain 1 <= > <= > <= > <= > Dari tabel 4.15 Pencarian Posisi Tebaik 4 sehingga diperoleh posisi terbaik dalam menentukan gain terbesar pada attribute jangka pinjam yaitu <= 4 dan > 4. Selanjutnya melakukan perhitungan entropy dan gain yang nantinya untuk memperoleh node akar. Dibawah ini table perhitungan entropy dan gain.

63 47 Tabel 4.16 Pencarian Node Internal 5 Kriteria Jumlah Entropy Gain Entropy Total Jangka Pinjam <= > Jenis Kelamin P Kelas VII A VIII C VIII E Jenis Buku tidak mata pelajaran Dari tabel 4.16 Pencarian Node Internal 5 sehingga didapatkan suatu gain tertinggi yang terletak pada attribute kelas, Nantinya attribute kelas tersebut akan dijadikan node akar dimana attribute kelas tersebut memiliki 2 cabang antara lain tidak minat, dan belum diketahui. Sehingga diperlukan melakukan perhitungan untuk mendapatkan nilai gain yang masih belum diketahui hasilnya. Langkah selanjutnya mencari node internal 5 dari kelas yang belum diketahui hasilnya. Sebelum melakukan pencarian node internal dari kelas yang belum diketahui hasilnya, terlebih dahulu menentukan posisi terbaik dari atribut kontinu dengan data kelas yang belum diketahui hasilnya. Berikut pencarian posisi terbaik.

64 48 Tabel 4.17 Pencarian Posisi Terbaik 6 No. Jangka Pinjam Entropy Gain 1 <= > <= > <= > <= > Dari tabel 4.17 Pencarian Posisi Tebaik 6 sehingga diperoleh posisi terbaik dalam menentukan gain terbesar pada attribute jangka pinjam yaitu <= 5 dan > 5. Selanjutnya melakukan perhitungan entropy dan gain yang nantinya untuk memperoleh node akar. Dibawah ini table perhitungan entropy dan gain. Tabel 4.18 Pencarian Node Internal 6 Kriteria Jumlah Entropy Gain Entropy Total Jangka Pinjam <= > Jenis Kelamin P Kelas VII A VIII E Jenis Buku

65 49 Kriteria Jumlah Entropy Gain tidak mata pelajaran Dari tabel 4.18 Pencarian Node Internal 6 sehingga didapatkan suatu gain tertinggi yang terletak pada attribute jangka pinjam, Nantinya attribute jangka pinjam tersebut akan dijadikan node akar dimana attribute jangka pinjam tersebut memiliki 2 cabang antara lain tidak minat, dan belum diketahui. Sehingga diperlukan melakukan perhitungan untuk mendapatkan nilai gain yang masih belum diketahui hasilnya. Langkah selanjutnya mencari node internal 6 dari jangka pinjam yang belum diketahui hasilnya. Sebelum melakukan pencarian node internal dari jangka pinjam yang belum diketahui hasilnya, terlebih dahulu menentukan posisi terbaik dari atribut kontinu dengan data jangka pinjam yang belum diketahui hasilnya. Berikut pencarian posisi terbaik. Tabel 4.19 Pencarian Posisi Terbaik 7 No. Jangka Pinjam Entropy Gain 1 <= > <= > <= > Dari tabel 4.19 Pencarian Posisi Tebaik 7 sehingga diperoleh posisi terbaik dalam menentukan gain terbesar pada attribute jangka pinjam yaitu <= 4 dan > 4. Selanjutnya melakukan perhitungan entropy dan gain yang nantinya untuk memperoleh node akar. Dibawah ini table perhitungan entropy dan gain.

66 50 Tabel 4.20 Pencarian Node Internal 7 Kriteria Jumlah Entropy Gain Entropy Total Jangka Pinjam <= > Jenis Kelamin P Kelas VII A VIII E Jenis Buku tidak mata pelajaran Dari tabel 4.20 Pencarian Node Internal 7 sehingga didapatkan suatu gain tertinggi yang terletak pada attribute kelas, Nantinya attribute kelas tersebut akan dijadikan node akar dimana attribute kelas tersebut memiliki 2 cabang antara lain minat, dan belum diketahui. Sehingga diperlukan melakukan perhitungan untuk mendapatkan nilai gain yang masih belum diketahui hasilnya. Langkah selanjutnya mencari node internal 7 dari kelas yang belum diketahui hasilnya. Sebelum melakukan pencarian node internal dari kelas yang belum diketahui hasilnya, terlebih dahulu menentukan posisi terbaik dari atribut kontinu dengan data kelas yang belum diketahui hasilnya. Berikut pencarian posisi terbaik.

67 51 Tabel 4.21 Pencarian Posisi Terbaik 8 No. Jangka Pinjam Entropy Gain 1 <= > Dari tabel 4.21 Pencarian Posisi Tebaik 8 sehingga diperoleh posisi terbaik dalam menentukan gain terbesar pada attribute jangka pinjam yaitu <= 4 dan > 4. Selanjutnya melakukan perhitungan entropy dan gain yang nantinya untuk memperoleh node akar. Dibawah ini table perhitungan entropy dan gain. Tabel 4.22 Pencarian Node Internal 8 Jumlah Entropy Gain Entropy Total Jangka Pinjam <= > Jenis Kelamin P Kelas VII A Jenis Buku tidak mata pelajaran Pada tabel 4.22 Pencarian Posisi Terbaik 8 telah didapatkan gain 0 maka pada tabel sebelumnya yaitu pada tabel Pencarian Posisi Terbaik 7 terdapat gain tertinggi adalah kelas dan tertinggi adalah minat yaitu 3 sedangkan tidak minat 1 maka kelas VII A minat.

68 52 Proses selanjutnya membuat pohon keputusan dari perhitungan yang telah dilakukan. Berikut pohon keputusan atau decision tree dari hasil perhitungan yang telah dilakukan. Gambar 4.1 Decision Tree 4.5 Interpretation Pada Proses ini dilakukan pengujian pola atau informasi yang telah didapatkan sesuai dengan fakta sebelumnya. Pada proses ini dilakukan pengukuran akurasi dari informasi yang telah didapatkan. Pengukuran akurasi pada penelitian ini menggunakan confusion matrix.

69 Hasil Uji Coba Sistem Login Gambar 4.2 Login Pengguna Pada menu login pengguna melakukan pengisian username dan password untuk dapat masuk ke sebuah sistem. Dan username dan password tersebut didapatkan dari Admin Halaman Beranda atau Utama Gambar 4.3 Halaman Beranda atau Utama

70 54 Pada Gambar 5.2. Halaman Utama menjelaskan setelah pengguna melakukan login maka akan ditampilkan halaman awal system yaitu berupa penjelasan system tersebut Input Data Training Gambar 4.4 Input Data Training Pada Gambar 5.3. Input Data Training menjelaskan tentang mengupload data training yang sudah siap digunakan untuk perhitungan data mining dan menampilkan rules atau pola data. Dan pada tulisan merah Klik Disini berfungsi sebagai data yang yang sudah terupload dapat dihapus secara otomatis. Dalam format upload data training tersebut berbentuk format excel CSV dan halaman ini digunakan oleh karyawan Perpustakaan.

71 Lihat Data Training Gambar 4.5 Lihat Data Training Pada Gambar 5.4. Lihat Data Training menjelaskan tentang hasil dari upload data dari menu input data training untuk dapat dilihat lebih jelas. Dengan menampilkan attribute jenis kelamin, kelas, jenis buku, jangka pinjam, dan peminatan yang nantinya data tersebut diolah untuk menentukan rules, akurasi dan memprediksi siswa baru. Halaman ini digunakan oleh karyawan Perpustakaan.

72 Rules Gambar 4.6 Rules Pada Gambar 5.5. Rules menjelaskan tentang menu berupa hasil data dari data yang sudah diolah pada menu input data training. Hasil dari pengolahan tersebut berbentuk rules. Rules atau pohon keputusan tersebut sangat panjang maka dari itu dibuat berbentuk kalimat. Halaman ini digunakan oleh karyawan Perpustakaan.

73 Akurasi Gambar 4.7 Akurasi Pada Gambar 5.6. Akurasi menjelaskan tentang berupa hasil dari sebuah proses atau pengujian rules tadi. Pengujian tersebut untuk membuat suatu akurasi. Halaman ini digunakan oleh karyawan Perpustakaan. Akurasi tersebut dapat diperoleh dari hasil rules dicocokan dengan data actual atau data asli dari data training tersebut.

74 Memprediksi Siswa Baru Gambar 4.8 Memprediksi Siswa Baru Pada Gambar 5.7. Memprediksi Siswa Baru menjelaskan tentang menu yang berguna untuk memprediksi peminatan siswa baru dalam meminjam buku perpustakaan dari hasil rules data training tadi yang di dalamnya mengisikan jenis kelamin, kelas, jenis buku, jangka pinjam. Halaman ini digunakan oleh karyawan perpustakaan.

75 Login Admin Gambar 4.9 Login Admin Pada Gambar 5.8. Login Admin menjelaskan tentang menu yang digunakan khusus untuk admin untuk mengolah system tersebut. Dalam halaman tersebut admin harus mengisikan username dan passwordnya Halaman Utama Admin Gambar 4.10 Halaman Utama Admin Pada Gambar 4.9. Halaman Utama Admin menjelaskan tentang menu yang menampilkan status dari setiap admin dan admin yang melakukan login. Dalam halaman tersebut menampilkan informasi admin yang terdiri dari nama (nama admin), alamat, nomor telepon, username, password, dan opsi hapus serta edit

76 60 user admin. Untuk tombol edit user admin akan dialihkan ke halaman baru yaitu halaman edit user admin Edit User Admin Gambar 4.11 Edit User Admin Pada Gambar Tambah User menjelaskan tentang halaman yang digunakan untuk mengedit dengan merubah nama, alamat, nomor telepon, username, password dari data diri admin yang sebelumnya telah dibuat. Dan jika sudah mengisikan apa saja yang ingin diedit dari 5 atribute pengisian diatas selanjutnya klik tombol update dan nantinya akan otomatis tergantikan admin lama dengan admin baru yang sudah diedit.