Metode Data Mining Untuk Memprediksi Prestasi Belajar Siswa Berdasarkan Status Sosial Ekonomi Orang Tua, Motivasi, Kedisiplinan Dan Prestasi Masa Lalu

Susanto, Heri (2014) Metode Data Mining Untuk Memprediksi Prestasi Belajar Siswa Berdasarkan Status Sosial Ekonomi Orang Tua, Motivasi, Kedisiplinan Dan Prestasi Masa Lalu. S2 thesis, UNY.

Text tesis-heri-susanto-11702259047.pdf Restricted to Registered users only Download (3MB)

Abstract

Penelitian ini bertujuan untuk: (1) membuat prediksi prestasi belajar siswa berdasarkan status sosial ekonomi orang tua, motivasi, kedisiplinan siswa dan prestasi masa lalu pada siswa di SMK Negeri 4 Surakarta menggunakan metode data mining yaitu dengan J48. (2) Membuat prediksi prestasi belajar siswa berdasarkan status sosial ekonomi orang tua, fasilitas belajar di sekolah, motivasi, kedisiplinan siswa dan prestasi masa lalu pada siswa di SMK Negeri 4 Surakarta menggunakan metode statistik CHAID (Chi Squared Automatic Interaction Detection). (3) Membuat prediksi prestasi belajar siswa berdasarkan status sosial ekonomi orang tua, fasilitas belajar di sekolah, motivasi, kedisiplinan siswa dan prestasi masa lalu pada siswa di SMK Negeri 4 Surakarta menggunakan regresi ganda. (4) Membuat perbandingan hasil akurasi prediksi antara penggunaan metode decision tree menggunakan data mining dengan J48 dengan metode statistik CHAID (Chi Squared Automatic Interaction Detection) dan regresi ganda. Jenis penelitian ini adalah deskriptif kuantitatif. Subyek dalam penelitian ini adalah siswa tingkat X SMK Negeri 4 Surakarta berjumlah 416 siswa. Teknik pengumpulan data yang digunakan adalah dokumentasi dan angket. Teknik dokumentasi digunakan untuk mengambil data status sosial ekonomi orang tua, kedisiplinan dan prestasi masa lalu, sedangkan teknik angket digunakan untuk mengambil data motivasi siswa. Data yang diperoleh dianalisis dengan pendekatan data mining menggunakan teknik decision tree dan algoritma J48. Sebagai perbandingan, data tersebut dianalisis juga menggunakan metode CHAID (Chi Squared Automatic interaction Detection) dan regresi ganda. Hasil penelitian menunjukkan bahwa analisis prediksi menggunakan decision tree algoritma J48 memiliki akurasi sebesar 95,7% pada class target nilai UTS, sedangkan analisis prediksi menggunakan CHAID memiliki tingat akurasi 82,1% dan analisis regresi ganda menghasilkan tingkat signifikansi sebesar 90,6%. Berdasarkan hasil tersebut bisa disimpulkan bahwa metode J48 masih lebih baik untuk digunakan dalam prediksi klasifikasi dibandingkan dengan metode CHAID dan regresi ganda

Item Type:	Thesis (S2)
Uncontrolled Keywords:	data mining, decision tree, prestasi belajar
Subjects:	Pendidikan > Pendidikan Kejuruan
Divisions:	Sekolah Pascasarjana (SPS) > Pendidikan Teknologi dan Kejuruan
Depositing User:	Perpustakaan Pascasarjana
Date Deposited:	09 Mar 2015 02:48
Last Modified:	01 Sep 2022 02:47
URI:	http://eprints.uny.ac.id/id/eprint/12543

Actions (login required)

View Item