KORELASI KECERDASAN EMOSIONAL DENGAN PRESTASI BELAJAR SISWA MENGGUNAKAN METODE A PRIORI (STUDI KASUS: SMPIT ALKAFFAH BINJAI) 1 Relita Buaton, 2 Yani Maulita, 3 Ayu Rahayu Febria 1 Teknik Informatiika, 2,3 Sistem Informasi, STMIK Kaputama Email: 1 fredy_smart04@yahoo.com, 2 yassa_26@ymail.com Abstrak Sering ditemukan siswa yang tidak dapat meraih prestasi belajar yang setara dengan kemampuan inteligensinya. Ada siswa yang mempunyai kemampuan inteligensi tinggi tetapi memperoleh prestasi belajar yang relatif rendah, namun ada siswa yang walaupun kemampuan inteligensinya relatif rendah tetapi dapat meraih prestasi belajar yang relatif tinggi. Itu sebabnya taraf inteligensi bukan merupakan satu-satunya faktor yang menentukan keberhasilan seseorang, karena ada faktor lain yang mempengaruhi, maka perlu digali dengan metode A Priori, bagaimana cara menentukan korelasi nilai kecerdasan emosional dan prestasi belajar siswa. Metodologi yang digunakan adalah analisis pola frekkuensi tinggi dan pembentukan aturan asosiasi. Hasil yang ditemukan adalah faktor-faktor yang paling sering terjadi dan yang paling banyak muncul secara bersamaan adalah kemampuan siswa untuk kemampuan siswa untuk dan kemampuan siswa untuk mau mendengar keluh kesah siswa ulet dalam mengikuti latihan dengan nilai Support 90% dan Confidence 100%. Kata Kunci : Korelasi kecerdasan emosional, Algoritma A-Priori 1. PENDAHULUAN Proses belajar mengajar di sekolah, dalam prakteknya sering ditemukan siswa yang tidak dapat meraih prestasi belajar yang setara dengan kemampuan inteligensinya. Ada siswa yang mempunyai kemampuan inteligensi tinggi tetapi memperoleh prestasi belajar yang relatif rendah, namun ada siswa yang walaupun kemampuan inteligensinya relatif rendah tetapi dapat meraih prestasi belajar yang relatif tinggi. Itu sebabnya taraf inteligensi bukan merupakan satu-satunya faktor yang menentukan keberhasilan seseorang, karena ada faktor lain yang mempengaruhi. Dalam proses belajar siswa, kedua inteligensi itu sangat diperlukan. IQ tidak dapat berfungsi dengan baik tanpa partisipasi penghayatan emosional terhadap mata pelajaran yang disampaikan di sekolah. Namun biasanya kedua inteligensi itu saling melengkapi. Keseimbangan antara IQ dan EQ merupakan kunci keberhasilan belajar siswa di sekolah. Pendidikan di sekolah bukan hanya perlu mengembangkan rational intelligence yaitu model pemahaman yang lazimnya dipahami siswa saja, melainkan juga perlu mengembangkan emotional intelligence siswa. Dari uraian latar belakang di atas dapat dirumuskan: 1. Dengan penerapan data mining, bagaimana mengolah data berdasarkan korelasi kecerdasan emosional dan prestasi belajar siswa dengan menggunakan metode APriori? 2. Dengan menggunakan metode A Priori, bagaimana cara menentukan nilai kecerdasan emosional dan prestasi belajar siswa? Manfaat penelitian ini adalah: 1. Untuk mengembangkan dan meningkatkan hasil kecerdasan emosional dengan prestasi belajar siswa 2. Sebagai masukan kepada guru untuk mendorong siswa meningkatkan kecerdasan emosional dengan prestasi belajar siswa. 33
3. Dapat digunakan para orang tua untuk lebih mengembangkan lagi kecerdasan emosional dengan prestasi belajar siswa untuk masa yang akan datang. 2. LANDASAN TEORI Pengertian Data Mining Data mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer ( mechine learning) untuk menganilisis dan mengekstraksi pengetahuan (knowledge) secara otomatis. Data mining berisi pencarian trend atau pola yang diinginkan dalam database besar untuk membantu pengambilan keputusan di waktu yang akan datang (Hermawati, 2013, h. 3). Menurut Kusrini dan Luthfi (2009, h. 3) Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Menurut Turban, dkk (2005, h. 3) Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidetifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Menurut Prasetio (2012, h. 2) menyatakan bahwa Data mining adalah proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar. Langkah yang diperlukan dalam proses Data Mining : 1. Identity the Business Problem Hal utama adalah mengetahui masalah bisnis yang dihadapi. Karena data tidak dapat diolah jika belum mengetahui apa masalah yang sedang hadapi. Maka harus dipahami masalah-masalah apa saja yang sedang dihadapi di bisnis tersebut harus. Dengan mengetahui masalah yang dihadapi kemudian dapat ditentukan datadata mana saja yang dibutuhkan untuk dapat dilakukan tahap analisa. 2. Mine the Data for Actionable Information Setelah mengetahui identifikasi masalah untuk memperoleh data-data mana saja yang diperlukan guna kepentingan analisa. Barulah dilakukan tahap analisa terhadap data-data tersebut. Dan dari analisa tersebut akan dapat memperolah sebuah knowledge baru untuk kemudian dapat diambil suatu keputusan/kebijakan. 3. Take the Action Dan dari keputusan/kebijakan yang diperoleh dari proses data mining itu barulah diterapkan aksi berupa tindakantindakan yang kongkrit/nyata dalam proses bisnis. 4. Measure Results Selanjutnya adalah memonitor hasil dari langkah-langkah yang sudah dijalankan. Apakah sudah sesuai dengan target yang diharapkan dan apakah sudah bisa mengatasi masalah-masalah yang ada. Data Mining Sebagai Proses Dalam Knowledge Discovery In Data (KDD) Knowledge Discovery in Database (KDD) adalah keseluruhan proses non-trivial untuk mencari dan mengidentifikasi pola (pattern) dalam data, di mana pola yang ditemukan bersifat sah, baru, dapat bermanfaat dan dapat dimengerti. KDD berhubungan dengan teknik integrasi dan penemuan ilmiah, interpretasi dan visualisasi dari pola-pola sejumlah kumpulan data. Proses/langkah-langkah dalam KDD Data Mining adalah sebagai berikut : 1. Data Selection Menciptakan himpunan data target, pemilihan himpunan data, atau memfokuskan pada subset variable atau sampel data, di mana penemuan (discovery) akan dilakukan. Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional. 2. Pre-procesing/Cleaning 3. Transformation 4. Data Mining 5. Interpretation/Evaluation Penerjemahan pola-pola yang dihasilkan dari data mining. Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang mencakup pemeriksaan apakah pola atau informasi 34
yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya. Gambar 2.1. Proses KDD Data Mining Association Rules(Algoritma A Pripori) Algoritma A Priori termasuk jenis aturan asosiasi pada data mining. Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Aturan asosiasi ingin memberikan informasi dalam bentuk hubungan if then atau jika maka. Aturan ini dihitung dari data yang sifatnya probabilistik (Santoso, 2007). Pen ting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support (nilai penunjang) yaitu presentase kombinasi item tersebut dalam database dan confidence yaitu kuatnya hubungan antar item dalam aturan assosiatif. Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence) (Pramudiono, 2007). Ada beberapa algoritma yang sudah dikembangkan mengenai aturan asosiasi, namun ada satu algoritma klasik yang sering dipakai yaitu algoritma a priori. Ide dasar dari algoritma ini adalah dengan mengembangkan frequent itemset. Untuk mengembangkan frequent set dengan dua item, dapat menggunakan frequent set item. Dalam asosiasi terdapat istilah antecedent dan consequent, antecedent untuk mewakili bagian jika dan consequent untuk mewakili bagian maka. Antecedent dan consequent adalah sekelompok item yang tidak mempunyai hubungan secara bersama (Santoso, 2007). Secara matematis dituliskan sebagai berikut S S = ( ) ( ) (1) = Support ( + ) = Jumlah transaksi yang mengandung antecedent dan consequencent Σ( ) = Jumlah transaksi C = ( ) ( ) C = Confidence ( + ) = Jumlah transaksi yang mengandung antecedent dan consequencent Σ( ) = Jumlah transaksi yang mengandung antecedent (2) Langkah pertama algoritma apriori adalah support dari setiap item dihitung dengan menscan database. Setelah support dari setiap item didapat, item yang memiliki support lebih besar dari minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1 itemset. Singkatan k-itemset berarti satu set yang terdiri dari k item. Iterasi kedua menghasilkan 2 itemset yang setiap set nya memiliki dua item. Pertama dibuat kandidat 2 itemset dari kombinasi semua 1 itemset. Untuk setiap kandidat 2 itemset ini dihitung support nya dengan men-scan database. Support artinya jumlah transaksi dalam database yang mengandung kedua item dalam kandidat 2 itemset. Setelah support dari semua kandidat 2 itemset didapatkan, kandidat 2 itemset yang memenuhi syarat minimum support dapat ditetapkan sebagai 2 itemset (Pramudiono, 2007). Secara ringkas algoritma apriori sebagai berikut Create L1 = set of supported itemsets of cardinality one Set k to 2 while (Lk 1 _= ) { Create Ck from Lk 1 Prune all the itemsets in Ck that are not supported, to create Lk Increase k by 1 } The set of all supported itemsets is L1 L2 Lk 3. METODE PENELITIAN Tabel 1. Kerangka Kerja Penelitian Tahapan Kegiatan Persiapan - Defenisi - Menetapkan tujuan 35
Menamba ng data Membuat laporan - Mengumpulkan dan mempelajari literature - Menentukan metode penelitian - Mengumpulkan data - Integrasi, cleaning dan transformasi data - Menerapkan metode untuk menambang data - Evaluasi dan presentasi - Menulis laporan akhir Algoritma Penambangan Data Gambar 3.1 Algoritma Penambangan Data Metodologi dasar asosiasi terbagi menjadi dua tahap yaitu: 1. Analisis Pola Frekkuensi Tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. 2. Pembentukan Aturan Asosiasi Setelah semua frekuensi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat confidence dengan menghitung asosiatif. Tabel 2. Representasi Data Kecerdasan Emosional Yang Terjadi Dalam Transaksional No Variab Sub Variabel Kode el 1 Kecerd asan Emosio Kemampuan Untuk Mengenal Emosi Diri nal 1. Mau bertanggung (EQ) jawab atas X1 kesalahan yang dilakukan (MBJAKYD) 2. Bisa tenang saat menghadapi X2 masalah ( BTSMM) 3. Merasa sulit melakukan X3 aktivitas dengan baik ketika sedih (MSMADBKS) 4. Tidak peduli dengan perasaan X4 perasaan yang dialami (TPDPYD) mengelola emosi diri 5. Mau menghibur diri ketika X5 murung (MMDKM) 6. Mau melepaskan diri dari X6 kecemasan yang menghantui perasaan (MMDDKYMP) 7. Terus menerus memikirkan X7 kegagalan (TMMK) 8. Sulit mengendalikan X8 diri saat marah (SMDSM) memotivasi diri sendiri 9. Mau mendahulukan X9 36
belajar dari pada bermain (MMBDPB) 10. Mau memperbaiki kegagalan menjadi suatu keberhasilan (MMKMSK) 11. Malas belajar ketika mengetahui nilai jelek (MBKMNJ) 12. Segan bertanya pada teman ketika belum paham sesuatu karena takut dianggap bodoh (SBPTKBPSKT BD) mengenali emosi orang lain 13. Mau mendengar keluh kesah teman (MMKKT) 14. Bisa merasakan kesedihan teman yang mendapat nilai jelek (BMKTYMNJ) 15. Tidak merasa bersalah ketika menjelekkan teman (TMBKMJT) 16. Tidak tergerak untuk menghibur teman yang sedang sedih (TTUMTYSS) X10 X11 X12 X13 X14 X15 X16 membina hubungan 17. Mau menyelesaikan konflik antar teman (MMKAT) 18. Mau memberikan dukungan pada teman yang sedang mengalami masalah (MMDPTYSMM ) 19. Sulit bekerjasama dengan teman (SBDT) 20. Sulit berkomunikasi dengan orang lain (SBDOL) 37 X17 X18 X19 X20 Tabel 3 Representasi Data Prestasi Belajar Yang Terjadi Dalam Transaksional No Variabel Sub Variabel Kode 1 Prestasi Belajar Kognitif 1. Memahami materi (MMT) 2. Mampu menganalisis (MMNG) 3. Mampu mengevaluasi (MM) Afektif 4. Peka terhadap kesulitan orang lain (PTKOL) 5. Mampu untuk merespon (MUM) 6. Mengikuti nilainilai yang telah ditentukan (MNYTD) Psikomotorik 7. Ulet dalam mengikuti latihan (UDML) 8. Terampil dalam memecahkan masalah (TDMM) Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8
4. HASIL DAN PEMBAHASAN Tools yang digunakan adalah software WEKA versi 3.5.5. No 1 2 3 Rule If dan If dan If dan Min Sup port Con fide nce 0,7 0.1 0,7 0.2 0,7 0.3 4 5 6 If dan If dan If dan 0,7 0.4 0,7 0.5 0,7 0.6 38
7 8 9 10 If dan If dan If dan If 0,7 0.7 0,7 0.8 0,7 0.9 0,8 0.1 11 12 dan If dan If dan 0,8 0.2 0,8 0.3 39
13 14 15 16 If dan If dan If dan If 0,8 0.4 0,8 0.5 0,8 0.6 0,8 0.7 17 18 19 dan If dan If dan If 0,8 0.8 0,8 0.9 0,9 0.1 40
20 21 22 dan If dan If dan If 0,9 0.2 0,9 0.3 0,9 0.4 23 24 25 dan If dan If dan If dan 0,9 0.5 0,9 0.6 0,9 0,7 41
26 27 28 If dan If dan If dan 0,9 0.8 0,9 0.9 0,9 1.0 5. KESIMPULAN DAN SARAN 5.1 Kesimpulan Faktor-faktor yang paling sering terjadi dan yang paling banyak muncul secara bersamaan adalah kemampuan siswa untuk mengenal emosi diri mau Kemampuan siswa untuk pada bermain dan mau menjadi suatu keberhasilan dan kemampuan siswa untuk mau mendengar keluh kesah ditentukan then Psikomotorik siswa ulet dalam mengikuti latihan dengan nilai Support 90% dan Confidence 100%. 5.2 Saran 1. Dapat menambahkan algoritma yang lain seperti algoritma FP Growth sebagai perbandingan untuk mengetahui besar kecepatan dalam proses iterasi. 2. Sebaiknya data anak ditambah lagi, agar mendapatkan hasil yang lebih maksimal. DAFTAR PUSTAKA [1] Budi Santosa. 2007. Data Mining Terapan dengan Matlab, Yogyakarta, Penerbit Graha Ilmu. [2] Eko Prasetyo. 2012. Data Mining-Konsep dan Aplikasi, Yogyakarta, Penerbit Andi. [3] Eko Prasetyo. 2012. Data Mining : Konsep Dan Aplikasi Menggunakan Matlab, Yogyakarta, Penerbit C.V Andi. [4] Fajar Astuti Hermawati. 2013. Data Mining, Yogyakarta, Penerbit C.V Andi. [5] Kusrini, Emha Taufiq Luthfi. 2009. Algoritma Data Mining, Yogyakarta, Penerbit C.V Andi. [5] Pramudiono, I. 2007. Pengantar Data Mining : Menambang Permata Pengetahuan di Gunung Data, http://www.ilmukomputer.org/wpcontent/uploads/2006/08/ikodatamining.zip. [6] Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Graha Ilmu. Yogyakarta 42
43