Keywords
data mining
Document Type
Article
Abstract
Penelitian ini bertujuan untuk membuat prediksi prestasi belajar siswa berdasarkan status sosial ekonomi orang tua, motivasi, kedisiplinan siswa dan prestasi masa lalu menggunakan metode data mining dengan algoritma J48. Sebagai perbandingan, data penelitian dianalisis juga dengan CHAID (Chi Squared Automatic Interaction Detection) dan regresi ganda. Pendekatan penelitian yang digunakan adalah kuantitatif. Subyek penelitian ini adalah siswa tingkat X SMK Negeri 4 Surakarta berjumlah 416 siswa. Teknik pengumpulan data yang digunakan adalah dokumentasi dan angket. Hasil penelitian menunjukkan bahwa analisis prediksi menggunakan decision tree algoritma J48 memiliki akurasi sebesar 95,7%, 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 lebih baik dibandingkan dengan metode CHAID dan regresi ganda.
DATA MINING TO PREDICT STUDENT'S ACHIEVEMENT BASED ON SOCIO-ECONOMIC, MOTIVATION, DISCIPLINE AND ACHIEVEMENT OF THE PAST
Abstract
This study aims to make student achievement prediction based on socio-economic status of parents, motivation, discipline students and past achievements using data mining methods with the J48 algorithm. For comparison, the data were analyzed also with CHAID (Chi Squared Automatic Interaction Detection) and multiple regression. The research approach is quantitative. The subjects of this study were student-first level at SMK Negeri 4 Surakarta totaled 416 students. Data collection techniques used are documentation and questionnaires. The results showed that the predictive analysis using J48 decision tree algorithm has an accuracy of 95.7%, while the predictive analysis using CHAID has the rank of an accuracy of 82.1% and a multiple regression analysis resulted in a significance level of 90.6%. Based on these results it can be concluded that the J48 method is better than the CHAID and multiple regression methods.
Page Range
222-231
Issue
2
Volume
4
Digital Object Identifier (DOI)
10.21831/jpv.v4i2.2547
Source
https://journal.uny.ac.id/index.php/jpv/article/view/2547
Recommended Citation
Susanto, H., & Sudiyatno, S. (2014). Data mining untuk memprediksi prestasi siswa berdasarkan sosial ekonomi, motivasi, kedisiplinan dan prestasi masa lalu. Jurnal Pendidikan Vokasi, 4(2), 222-231. https://doi.org/10.21831/jpv.v4i2.2547
References
Kurniawan, Deny. (2008). Regresi linier (linear regression). Vienna, Austria: R Foundation for Statistical Computing.
Depdiknas. (2003). Undang-Undang Republik Indonesia Nomor 20 Tahun 2003, tentang Sistem Pendidikan Nasional.
Depdiknas. (1990). Peraturan Pemerintah RI No. 29, Tahun 1990, tentang Pendidikan Menengah.
Kass G.V. (1980). An exploratory technique for investigating large quantities of categorical data. Appl. Statist. 29 No.2. pp 119-127.
Larose, Daniel T. (2005). Discovering knowledge in data: an introduction to data mining. USA: John Wiley and Sons.
Lior Rokach, & Oded Maimon. (2005). Data mining with decision tree. World Scientific Publishing Co. Pte. Ltd. Series in Machine Perception Artificial Intelligence Volume 69.
Umaedi. (2001). Manajemen peningkatan mutu berbasis sekolah. Jakarta: Departemen Pendidikan Nasional Direktorat Jendral Pendidikan Dasar dan Menengah Direktorat Sekolah Lanjutan Tingkat Pertama.
Tulus. (2004). Peran disiplin pada perilaku dan prestasi siswa. Jakarta: Grasindo.
Xin Yan, & Xiao Gang Su. (2009). Linear regression analysis. London: World Scientific Publishing Co. Pte. Ltd., Covent Garden.