BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan adalah salah satu aspek terpenting bagi kehidupan manusia, yang dapat mempengaruhi manusia itu sendiri, juga menjadi faktor pendukung dalam setiap sektor baik dalam lingkup pribadi maupun negara dan dunia. Salah satu jenis pendidikan yang dapat diikuti adalah pendidikan formal, yaitu pendidikan yang memiliki karakteristik berlangsung secara teratur, bertingkat, mengikuti syarat-syarat tertentu secara ketat, dan berlangsung di sekolah [1]. Sebagian besar pendidikan formal masih menggunakan format kelas konvensional sebagai tempat berlangsungnya proses belajar mengajar dan penyampaian ilmu dari pendidik kepada peserta didik. Prestasi belajar merupakan hasil keluaran dari proses belajar mengajar. Prestasi atau hasil belajar (achievement) dapat diartikan sebagai kesempurnaan yang dicapai seseorang dalam berpikir, merasa, dan berbuat. Prestasi belajar dikatakan sempurna apabila memenuhi tiga aspek yakni: kognitif (pengetahuan), afektif (sikap), dan psikomotor (ketrampilan) [2]. Pendapat lain menyatakan prestasi belajar merupakan realisasi dari kecakapan-kecakapan potensial atau kapasitas yang dimiliki seseorang. Penguasaan hasil belajar dapat dilihat dari perilakunya, yaitu dalam bentuk penguasaan pengetahuan, ketrampilan berpikir maupun ketrampilan motorik. Di sekolah, hasil belajar atau prestasi belajar ini dapat dilihat dari penguasaan peserta didik akan mata pelajaran yang telah ditempuhnya [3]. Dalam suatu tingkat pendidikan formal, pengukuran prestasi belajar dilakukan untuk menentukan kondisi peserta didik dan kesiapannya menuju tingkat selanjutnya. Selain evaluasi prestasi belajar para peserta didik, institusi pendidikan yang profesional harus memasukkan kepuasan peserta didik sebagai keluaran proses pendidikan [4]. Kepuasan peserta didik merupakan suatu sikap positif terhadap pelayanan proses belajar mengajar yang dilaksanakan oleh pendidik 1
2 karena adanya kesesuaian antara apa yang diharapkan dan dibutuhkan (ekspektasi peserta didik) dengan kenyataan yang diterimanya. Dengan demikian, kepuasan dapat dirumuskan sebagai fungsi dari layanan yang diterima dengan ekpektasi terhadap kondisi, dan kepuasan berbanding lurus dengan ekspektasi dan layanan [5]. Kinerja pendidik adalah salah satu faktor yang mempengaruhi kepuasan peserta didik. Evaluasi kinerja pendidik merupakan salah satu langkah untuk meninjau sejauh mana peran pendidik bagi peserta didik dan mengetahui karakteristik pendidik yang mempengaruhi kepuasan peserta didik. Evaluasi kinerja pendidik dapat dilakukan dengan berbagai macam cara. Institusi pendidikan atau dinas berwenang menetapkan standar kinerja pendidik yang harus dipatuhi dan dilaksanakan oleh tiap pendidik. Evaluasi dapat pula berasal dari pihak yang terlibat langsung dengan pendidik, misalnya peserta didik. Peserta didik dapat dijadikan responden dalam menilai kinerja pendidik diantaranya karena peserta didik berhubungan langsung dengan sejumlah pendidik, menjadi pihak yang terkena dampak langsung dari pendidik, memiliki pandangan dan perasaan yang unik dalam menilai sekitarnya, serta cenderung jujur dalam memberikan informasi [6]. Informasi mengenai karakteristik spesifik pendidik yang dibutuhkan peserta didik diharapkan dapat meningkatkan kepuasan peserta didik terhadap mata kuliah yang bersangkutan dan pada akhirnya membantu meningkatkan prestasi belajarnya. Salah satu contoh dataset yang berisi poin-poin evaluasi kinerja dosen (pendidik di perguruan tinggi) oleh mahasiswa (peserta didik di perguran tinggi) adalah dataset evaluasi mata kuliah di Gazi University, Turki [7]. Permasalahan dalam dataset yang berasal dari jawaban kuesioner khususnya di dunia pendidikan biasanya berkisar pada besarnya dimensi dataset dan belum terkelompokannya poin-poin dalam dataset. Besarnya dimensi dataset terjadi pada dataset evaluasi mata kuliah oleh mahasiswa Gazi University. Dataset ini terdiri dari 5280 instance dengan 28 atribut. Atribut ini terpecah menjadi 2 bagian, yaitu 12 atribut yang menunjukkan tingkat kepuasan mahasiswa dalam mengikuti mata kuliah dan
3 16 atribut lainnya yang berisi jawaban mahasiswa mengenai poin-poin yang menunjukkan evaluasi kinerja dosen (pendidik di perguruan tinggi). Kedua bagian dalam dataset ini belum dapat terpetakan dengan baik. Selain itu, tingkat kepuasan mahasiswa dalam mengikuti mata kuliah masih berasal dari 12 atribut jawaban pertanyaan siswa dan belum terkelompokkan menjadi suatu kesatuan yang dapat dievaluasi lebih lanjut [8]. Data mining dapat digunakan untuk mengolah dan mengevaluasi dataset, meskipun penggunaannya dalam dunia pendidikan belum optimal. Dataset evaluasi mata kuliah yang terdiri dari evaluasi mengenai kondisi kepuasan mahasiswa dan evaluasi kinerja dosen oleh mahasiswa dapat diolah menggunakan metode data mining [8]. Pada penelitian ini, digunakan metode seleksi atribut, clustering, dan klasifikasi yang merupakan bagian dari data mining untuk melakukan pemetaan evaluasi kinerja dosen oleh mahasiswa terhadap tingkat kepuasan mahasiswa dalam mengikuti mata kuliah. Pendalaman mengenai kondisi ini diharapkan dapat menjadi saran bagi institusi pendidikan pada umumnya dan dosen yang bersangkutan pada khususnya untuk meningkatkan prestasi belajar mahasiswa. 1.2 Perumusan Masalah Masalah yang dapat dirumuskan berdasarkan penjelasan latar belakang adalah sebagai berikut. 1. Masih belum optimalnya evaluasi kinerja dosen oleh mahasiswa dengan memanfaatkan metode data mining sebagai salah satu cara untuk meningkatkan prestasi belajar mahasiswa. 2. Besarnya dimensi dataset evaluasi mata kuliah khususnya pada bagian jawaban evaluasi kinerja dosen oleh mahasiswa. 3. Belum terkelompokannya beberapa atribut yang menyatakan kondisi kepuasan mahasiswa terhadap mata kuliah ke dalam suatu class attribute tingkat kepuasan mahasiswa. 4. Masih belum terpetakannya hubungan antara atribut masukan evaluasi
4 kinerja dosen oleh mahasiswa dengan class attribute yang menunjukkan tingkat kepuasan mahasiswa dalam mengikuti mata kuliah. 1.3 Keaslian Penelitian Penggunaan data mining di dunia pendidikan sudah banyak dilakukan untuk berbagai keperluan, diantaranya untuk menentukan faktor yang mempengaruhi kesuksesan siswa. Berbagai penyesuaian dan pengembangan metode dilakukan untuk menghasilkan model dengan tingkat kesalahan yang minimal sehingga dapat merepresentasikan kondisi yang sebenarnya dan dapat menarik kesimpulan yang tepat. Penelitian untuk mengetahui pengaruh faktor internal seperti intelegensi, minat, bakat, dan motivasi siswa menggunakan neuro fuzzy sebagai metode klasifikasi. Hasil penelitian menunjukkan, faktor minat, bakat, dan motivasi berpengaruh signifikan untuk menentukan klasifikasi kemampuan dasar siswa [9]. Algoritme decision tree seperti C4.5, Iterative Dichotomiser 3 (ID3), dan Classification and Regression Trees (CART) digunakan untuk memprediksi hasil ujian siswa dan mengidentifikasi siswa yang diprediksi gagal. Atribut yang digunakan merupakan perpaduan faktor internal dan eksternal siswa, diantaranya jenis kelamin, nilai siswa pada tingkatan sekolah sebelumnya, dan berbagai aspek pendukung seperti kondisi kelas dan keluarga. Dalam penelitian ini, C4.5 keluar sebagai algoritme yang paling efektif untuk digunakan dalam proses klasifikasi siswa [10]. Perbandingan berbagai macam algoritme dilakukan untuk mendapatkan klasifikasi siswa yang dapat digunakan sebagai prediksi kesuksesan belajar siswa. Atribut yang digunakan adalah faktor internal dan faktor eksternal yang meliputi kondisi keluarga dan sosial. Seleksi atribut menempatkan tingkatan pendidikan, pekerjaan ibu, intensitas bepergian bersama teman, dan jumlah absen dalam mengikuti kelas sebagai faktor yang paling berpengaruh terhadap kesuksesan belajar siswa. Proses klasifikasi dilakukan dengan membandingkan berbagai metode, diantaranya Naive Bayes, neural network, random forest, Support Vector
5 Machine (SVM) dan decision tree, dengan Naive Bayes dan decision tree sebagai algoritme dengan tingkat akurasi terbaik [11]. Media e-learning selain digunakan sebagai sarana bagi pendidik untuk menyampaikan informasi dan memberikan serangkaian kuis dan tugas juga dapat digunakan sebagai dasar untuk melakukan klasifikasi siswa. Data yang diperoleh dari e-learning seperti jumlah kuis dan tugas yang berhasil diselesaikan siswa, waktu yang dibutuhkan untuk mengerjakan tugas dan kuis, waktu yang dihabiskan dalam memantau e-learning, jumlah pesan yang dibaca dan dikirim dalam forum dapat menjadi pedoman untuk memprediksi kesuksesan belajar siswa. Berbagai macam metode digunakan untuk mengolah data tersebut, diantaranya metode statistik klasik, decision tree (C4.5 dan CART), rule induction, aturan fuzzy dan neural network. Hasil pengolahan diantaranya menunjukkan bahwa metode decision tree seperti C4.5 dan CART adalah metode yang sederhana dan mudah diterapkan, serta menghasilkan akurasi yang cukup baik [12]. Penggunaan seleksi atribut dalam reduksi atribut untuk klasifikasi tingkah laku buruk siswa institut kejuruan dapat meningkatkan akurasi hasil klasifikasi. Algoritme klasifikasi C4.5 dengan CFS (Correlation-based Feature Selection) sebagai metode seleksi atribut menghasilkan nilai akurasi tertinggi, meskipun perhitungan nilai F-Measure lebih lanjut menempatkan Bayesian Network dengan Wrapper sebagai metode terbaik untuk melakukan klasifikasi dan seleksi atribut. Atribut yang berpengaruh besar terhadap klasifikasi siswa berdasarkan tingkah laku buruknya diantaranya jenis kelamin, waktu belajar, nilai pada tingkatan sekolah sebelumnya, kondisi kesehatan, provinsi asal, tanggal lahir, jumlah absen, jumlah izin sakit, dan nilai sejarah [13]. Seleksi atribut juga digunakan untuk memprediksi prestasi belajar siswa (gagal atau berhasil) di Tamil Nadu, India. Sebanyak 32 atribut meliputi kondisi demografis, keluarga, sosial ekonomi, lingkungan, dan prestasi di tingkatan sekolah sebelumnya digunakan dalam penelitian ini. Nilai Receiver Operating Characteristics (ROC) dan F-Measure digunakan untuk mengevaluasi performa model. Hasil penelitian menunjukkan, evaluasi dengan nilai ROC menghasilkan
6 subset atribut yang lebih sedikit dibandingkan dengan F-Measure. Dengan nilai yang sama, subset yang memiliki jumlah atribut lebih sedikit akan dipilih sebagai yang lebih baik. Nilai ROC menunjukkan Information Gain sebagai metode seleksi atribut terbaik, dengan Voted Perceptron dan OneR sebagai metode klasifikasi terbaik [14]. Penelitian dengan dataset evaluasi kinerja pendidik oleh 5820 mahasiswa Gazi University dilakukan dengan metode statistik, clustering, dan klasifikasi. Metode statistik digunakan untuk melihat hubungan antara tingkat kesungguhan mahasiswa terhadap mata kuliah dengan peran dosen yang direpresentasikan dalam jawaban-jawaban dalam kuesioner tentang evaluasi dosen. Proses clustering dilakukan untuk mengelompokkan siswa menjadi tiga kategori berdasarkan tingkat kepuasan, kemudian metode statistik dan klasifikasi dilakukan untuk mengetahui hubungan antara jawaban-jawaban yang diberikan dalam kuesioner dengan tingkat kedatangan, tingkat kesulitan mata kuliah, dan tingkat kepuasan mahasiswa terhadap mata kuliah. Metode statistik menempatkan empat pertanyaan sebagai atribut yang paling mempengaruhi tingkat kedatangan mahasiswa dan tingkat kesulitan mata kuliah, yaitu ekspektasi siswa terhadap mata kuliah, dosen datang mempersiapkan kelas, dosen menjelaskan mata kuliah dan dapat membantu mahasiswa, serta dosen memberikan tugas dan proyek yang relevan dan membantu mahasiswa. Proses klasifikasi dengan decision tree mengerucutkan atribut menjadi dua, yaitu ekspektasi siswa terhadap mata kuliah dan dosen menjelaskan mata kuliah dan dapat membantu mahasiswa [8]. Berdasarkan penelitian sebelumnya, penelitian ini mengolah hasil kuesioner yang diberikan kepada 5820 mahasiswa Gazi University [7]. Atribut masukan yang digunakan adalah 16 pertanyaan yang menggambarkan evaluasi kinerja dosen oleh mahasiswa. Atribut masukan ini dipetakan terhadap atribut keluaran yang terdiri dari 12 pertanyaan tentang tingkat kepuasan mahasiswa terhadap kuliah yang diikutinya. Proses clustering dengan metode Simple K- Means dan EM (Expectation Maximation) dilakukan untuk membagi mahasiswa menjadi 3 kategori tingkat kepuasan terhadap mata kuliah. Proses seleksi atribut
7 untuk mencari kombinasi atribut masukan terbaik yang dapat menunjukkan peran dosen terhadap tingkat kepuasan mahasiswa dalam mengikuti mata kuliah dilakukan menggunakan CFS, Wrapper, Gain Ratio, dan RELIEF. Algoritme C4.5 digunakan sebagai dasar klasifikasi untuk melihat pengaruh atribut masukan terhadap tingkat kepuasan mahasiswa dalam mengikuti mata kuliah. WEKA Data Mining Tools digunakan untuk pengolahan dataset tersebut. 1.4 Tujuan Penelitian Tujuan diadakan penelitian ini adalah sebagai berikut. 1. Mendapatkan kombinasi atribut masukan evaluasi kinerja dosen oleh mahasiswa yang berpengaruh signifikan terhadap kepuasan mahasiswa dalam mengikuti mata kuliah di Gazi University. 2. Menentukan metode clustering yang tepat untuk memetakan atribut kondisi kepuasan mahasiswa dalam mengikuti mata kuliah menjadi class attribute. 3. Menentukan metode seleksi atribut yang tepat untuk mereduksi atribut masukan yang berupa evaluasi kinerja dosen oleh mahasiswa. 4. Menentukan metode klasifikasi siswa yang tepat untuk memetakan hubungan antara atribut masukan evaluasi kinerja dosen oleh mahasiswa dengan class attribute berupa tingkat kepuasan mahasiswa dalam mengikuti mata kuliah. 1.5 Manfaat Penelitian Manfaat dari penelitian ini adalah agar institusi pendidikan mendapatkan informasi mengenai evaluasi mata kuliah, evaluasi kinerja dosen, dan tingkat kepuasan mahasiswa dalam mengikuti mata kuliah. Informasi mengenai hal ini dapat dijadikan bahan pertimbangan untuk pengambilan keputusan lebih lanjut baik terhadap dosen yang bersangkutan maupun keseluruhan dosen, juga terhadap mahasiswa secara umum.