PENERAPAN ALGORITMA APRIORI UNTUK ANALISIS DAYA … · i penerapan algoritma apriori untuk analisis...

PENERAPAN ALGORITMA APRIORI UNTUK ANALISIS DAYA SERAP

HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA JURUSAN

IPA DI DAERAH ISTIMEWA YOGYAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Laurensius Haris Chrisanda

12 5314 055

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

PENERAPAN ALGORITMA APRIORI UNTUK ANALISIS DAYA SERAP

HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA

JURUSAN IPA DI DAERAH ISTIMEWA YOGYAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :


12 5314 055

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016


ii

IMPLEMENTATION OF APRIORI ALGORITHM FOR ANALYSIS

ABSOPTION DATA OF MATHEMATICS NATIONAL EXAM SCORES

IN THE SCIENCE MAJOR OF SENIOR HIGH SCHOOL IN

YOGYAKARTA

FINAL PROJECT

Present as Partial Fullfillment of the Requirements

to Obtain the Sarjana Komputer Degree

in Informatics Engineering Study Program

By :


12 5314 055

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATIC ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2016


HALAMAN PERSETUJUAN

SKRIPSI

PENERAPAI\I ALGOnITMA APnIOnI T}NTUK ANALISN I}AYA SERAP

EASIL UJIAN NASIONAL MATA PEI"AJARAN MATEMATIKA SMA

JURUSAN IPA DI DAENAE ISTIMEWA YOGYAKARTA

DosenPembimbing,

wH

$'. rpJtyoss ''QAWog#EE il."*:,_l *:", \\ bzffin7*ffi3?lo@. I_s-b* ' .COoynKogf

P. H. Prima Rosa, S.Si., M.Sc. ranggar, ...?.t.(..t./. ... roru


AAIAMAN PENGESAEAN

SKRIPSI

PENERAPAI\i ALG{ORITMA APRIOH I]NTUK ANALISE DAYA SERAP

HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA

JIIRUSAN IPA I}I I}AERAU ISTIMEWA Y(rcYAKARTA

Ketua

Sekretaris

Penguji

Anggota

Yoryakart4 .z|..Ju l;-e Pt.L...Fakultas Sain dan Teknologi

Universitas Sanata Dharma

/"'/-, S.Si, M.Moth.Sc., Ph.D

tv


v

HALAMAN PERSEMBAHAN

“Percayalah kepada Tuhan dengan segenap

hatimu, dan janganlah bersandar kepada

pengertianmu sendiri”

(Amsal 3:5)

Karya ini kupersembahkan kepada :

Tuhan Yesus Kristus

Bunda Maria

Keluarga

Sahabat


PERNYATAAH XEASLIAN KARYA

Saya menydakan &ngar ry*ryr behwa skipsi yang saya tulis ini tidak

memuatkaryaaau bryie kryaorurg lein, kectuli yangtelah saya seh#kaa dalart

kutipn daftar pu#a sc,beglimam $aknya karya ikni*h.

yogyakrra" .r.q... J-'1i... . .. 2016

YI


vii

ABSTRAK

Dalam makalah ini dijabarkan implementasi algoritma apriori untuk mencari

aturan asosiasi pada data daya serap Ujian Nasional mata pelajaran Matematika

SMA Jurusan IPA di Yogyakarta. Dalam melakukan proses mengubah data mentah

menjadi suatu informasi yang bermanfaat, penulis menggunakan proses Knowledge

Discovery in Database (KDD) yang terdiri dari pembersihan data, integrasi data,

seleksi data, transformasi data, penambangan data, evaluasi pola, dan presentasi

pengetahuan. Pada tahap pembersihan data dan integrasi data, penulis melakukan

secara manual. Tahap selanjutnya yaitu seleksi data, transformasi data, dan

penambangan data, penulis merancang perangkat lunak sebagai alat untuk

melakukan tahap-tahap tersebut. Sedangkan untuk tahap evaluasi pola dan

presentasi pengetahuan, penulis melakukan evaluasi dari hasil penambangan data

yang diperoleh dari perangkat lunak dan menjelaskan hasil evaluasi tersebut agar

informasi yang didapat dapat diterima oleh pihak-pihak yang membutuhkan.

Perangkat lunak tersebut akan diujikan terhadap dua jenis dataset yang merupakan

data daya serap hasil ujian Nasional mata Pelajaran Matematika di Yogyakarta

tahun pelajaran 2012/2013 + tahun pelajaran 2013/2014 dan data daya serap hasil

ujian Nasional mata Pelajaran Matematika di Yogyakarta tahun pelajaran

2014/2015. Berdasarkan penelitian yang telah dilakukan, dapat diketahui bahwa

algoritma apriori dapat digunakan untuk menemukan aturan asosiasi nilai daya

serap hasil Ujian Nasional. Aturan asosiasi yang dibentuk dipengaruhi oleh nilai

daya serap minimum dan nilai minimum support yang digunakan. Sedangkan untuk

nilai minimum confidence berpengaruh terhadap jumlah aturan asosiasi yang

ditampilkan. Denngan melihat jenis data yang dijadikan objek penelitian,

menganalisis aturan asosiasi yang diperoleh tidak cukup hanya dengan melakukan

penilaian objektif saja. Perlu dilakukan penilaian subjektif untuk mendapatkan

analisa yang akurat dan bermakna dari aturan asosiasi yang diperoleh.

Kata Kunci – Algoritma Apriori, Association Rule, Nilai Daya Serap,

Penambangan Data


viii

ABSTRACT

This paper describes the implementation of apriori algorithm to find the

association rules on absorption data of mathematics national exam scores in the

science major of senior high school in Yogyakarta. In the process of turning raw

data into a useful information , the writer applied Knowledge Discovery in Database

( KDD ) process that consists of data cleaning, data integration, data selection, data

transformation, data mining, pattern evaluation, and knowledge presentation. At the

stage of data cleaning and data integration, the writer conducted them manually. At

the next stages which are the data selection, data transformation, and data mining,

the writer designed software as a tool to conduct these stages. Finally, for the pattern

evaluation and presentation of knowledge stages, the writer conducted evaluation

of the results obtained from the data mining software and explain the results of this

evaluation so that the information can be received by parties in need. The software

will be tested against the two types of datasets that are absorption data of

mathematics national exam scores in the science major of senior high school in

Yogyakarta in the academic year of 2012/2013 + 2013/2014 and in the academic

year of 2014/2015. Based on the research that has been done, it is known that the

apriori algorithm can be applied to find association rules of absorption values of the

national exam results. The association rules formed is affected by minimum

absorption value and the minimum support value used. As for the minimum

confidence value affect the number of association rules that are displayed. By

looking at the type of data that is made as the object of research, analyzing the

acquired association rules is not enough to conduct an objective assessment only.

Subjective assessment needs to be done to obtain accurate and meaningful analysis

of the association rules obtained.

Key word – Apriori Algorithm, Association Rule, Absorbtiveness Value, Data

Mining


LEMBAR PER}IYATAAI{ PERSETUJUAI\I PUBLIKASI KARYA ILMIAIILINTT]K KEPERLUAhI KEPENTINGAIT AKADEII/IIS

Yang bertanda tangan di bawatr ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Laurensius Haris Chrisanda

NIM : 125314055

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul :

PEI\IERAPAI\ ALGORITMA APRIORI t]NTt]K ANALISIS DAYA SERAP

HASIL UJIAI\ NASIONAL MATA PELAJARAN MATEMATIKA SMA

JTIRUSAhI IPA DI DAERAH ISTIMEWA YOGYAKARTA

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada Perpustakaan Universitas Sanata Dharma hak unfuk menyimpan,

mengalihkan dalam bentuk media lain, mengelola di internet atau media lain untuk

kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan

royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya

Dibuat di Yogyakarta

pada tanggar . *g... 4..9tf ........ 2016

Yang menyatakan,

NLaurensius Haris Chrisanda

1X


x

KATA PENGANTAR

Puji dan syukur kepada Tuhan Yang Maha Esa, karena pada akhirnya

penulis dapat menyelesaikan penelitian tugas akhir ini yang berjudul

“PENERAPAN ALGORITMA APRIORI UNTUK MEGETAHUI POLA

KEBERHASILAN DAN KEGAGALAN ASPEK KOMPETENSI MATA

PELAJARAN UJIAN NASIONAL SEKOLAH MENENGAH ATAS”.

Dalam menyelesaikan seluruh penyusunan tugas akhir ini, penulis tak lepas

dari doa, bantuan, dukungan, dan motivasi dari banyak pihak. Oleh karena itu,

penulis ingin mengucapkan banyak terima kasih kepada :

1. Tuhan Yesus Kristus dan Bunda Maria yang selalu memberikan

anugerah, rahmat, kekuatan, dan keberuntungan sehingga penulis dapat

menyelesaikan tugas akhir ini.

2. Kedua orang tua penulis, P. Heri Eko Yuwono dan Yuliana Uniatun atas

doa, kasih sayang, perhatian, kepercayaan, dukungan baik moral

maupun financial yang diberikan kepada penulis.

3. Adik penulis, Yohanes Risco Chris Hernando dan Laurensia Heriana

Cika Anindya yang selalu memberikan doa dan dukungan kepada

penulis.

4. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D. selaku Dekan Fakultas

Sains dan Teknologi.

5. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik

Informatika dan juga selaku Dosen Metodologi Penelitian yang telah

memberikan waktu, bimbingan, nasihat, dan motivasi kepada penulis.

6. Ibu Paulina Heruningsih Prima Rosa, M.Sc. selaku Dosen Pembimbing

Skripsi yang telah memberikan waktu, bimbingan, nasihat, dan motivasi

kepada penulis.

7. Bapak Iwan Binanto M.Cs. selaku Dosen Pembimbing Akademik

penulis.


8. Seluruh dosen, sekrctariat, laboran, stafl dan perpustakaan yang telah

membimbing dan membantu selama proses perkuliahan di Universitas

Sanata Dharma.

9. Yoanna Nungki Rianda yang selalu mendoakarq mendukung,

memotivasi, dan selalu ada dalam suka maupun duka.

10. Teman-teman Program Studi Teknik lnformatika 20L2 atas segala

dukungan dan semangatnya

ll.Teman-teman Kost Dwi Tunggal yang sudah menjadi teman kost

terbaik

12. Semua pihak yang sudah mendukung secara langsung ataupun tidak

langsung, mohon maaf saya tidak dapat menyebutkan satuper satu.

Penulis bertrarap penelitian ini dapat menjadi pengetahuan baru yang

berguna bagi para pembaca. Penelitian ini tidak luput dari kekurangan, oleh karena

itu, penulis mengharapkan saran dan lcritik untuk perbaikan hingga akhirnya

penelitian ini menjadi lebih bailc

Yogyakart4 ..e,.q....AIIf 2016

Penulis,

WLaurensius Hmis Chrisanda

XI


xii

DAFTAR ISI

Halaman

HALAMAN JUDUL ...........................................................................................i

TITLE PAGE .......................................................................................................ii

HALAMAN PERSETUJUAN ............................................................................iii

HALAMAN PENGESAHAN .............................................................................iv

HALAMAN PERSEMBAHAN..........................................................................v

PERNYATAAN KEASLIAN KARYA .............................................................vi

ABSTRAK ..........................................................................................................vii

ABSTRACT ..........................................................................................................viii

PERSETUJUAN PUBLIKASI KARYA ILMIAH .............................................ix

KATA PENGANTAR ........................................................................................x

DAFTAR ISI .......................................................................................................xii

DAFTAR GAMBAR ..........................................................................................xvii

DAFTAR TABEL .............................................................................................. xviii

DAFTAR RUMUS..............................................................................................xx

DAFTAR LAMPIRAN .......................................................................................xxi

BAB I PENDAHULUAN ..............................................................................1

1.1. LATAR BELAKANG ........................................................................1

1.2. RUMUSAN MASALAH ...................................................................3

1.3. TUJUAN PENELITIAN ....................................................................4

1.4. BATASAN MASALAH.....................................................................4

1.5. MANFAAT PENELITIAN ................................................................4

1.6. METODOLOGI PENELITIAN .........................................................4

1.6.1. Penelitian Pustaka ...................................................................4

1.6.2. Knowledge Discovery in Database (KDD) ............................5

1.6.3. Pembuatan Laporan ................................................................5

1.7. SISTEMATIKA PENULISAN ..........................................................5


xiii

BAB II LANDASAN TEORI .........................................................................7

2.1. PENAMBANGAN DATA .................................................................7

2.1.1. Pengertian Penambangan Data ...............................................7

2.1.2. Fungsi Penambangan Data......................................................7


2.2. EVALUASI HASIL BELAJAR .........................................................12

2.2.1. Prinsip-prinsip Dasar Evaluasi Hasil Belajar..........................12

2.2.2. Ketuntasan Belajar ..................................................................13

2.2.3. Makna dan Manfaat Evaluasi Belajar .....................................14

2.2.2.1. Makna Bagi Siswa ....................................................14

2.2.2.2. Makna Bagi Guru .....................................................15

2.2.2.3. Manfaat Bagi Sekolah ..............................................15

2.3. KOMPETENSI ...................................................................................16

2.3.1. Pengertian Kompetensi ...........................................................16

2.3.2. Ranah Kompetensi ..................................................................17

2.4. ANALISIS ASOSIASI .......................................................................17

2.4.1. Pengertian Asosiasi .................................................................17

2.4.2. Association Rule .....................................................................18

2.4.3. Lift Ratio .................................................................................19

2.5. ALGORITMA APRIORI ...................................................................20

2.5.1. Pengertian Algoritma Apriori .................................................20

2.5.2. Prinsip Apriori ........................................................................20

2.5.3. Algoritma Apriori ...................................................................22

BAB III METODE PENELITIAN ...................................................................24

3.1. SUMBER DATA ................................................................................24

3.2. SPESIFIKASI ALAT .........................................................................29

3.3.1. Hardware ................................................................................29

3.3.2. Software ..................................................................................29

3.3. TAHAP-TAHAP PENELITIAN ........................................................29

3.4.1. Studi Kasus .............................................................................29

3.4.2. Penelitian Pustaka ...................................................................30


xiv


3.4.4. Pengembangan Perangkat Lunak ............................................30

3.4.5. Analisis dan Pembuatan Laporan ...........................................32

BAB IV ANALISIS DAN PERANCANGAN SISTEM ..................................33

4.1. PEMROSESAN AWAL .....................................................................33

4.1.1. Pembersihan Data (Data Cleaning) ........................................33

4.1.2. Integrasi Data (Data Integration) ...........................................33

4.1.3. Seleksi Data (Data Selection) .................................................33

4.1.4. Transformasi Data (Data Transformation) .............................38

4.2. PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA

............................................................................................................39

4.2.1. Perancangan Umum ................................................................39

4.2.1.1. Input Sistem ..............................................................39

4.2.1.2. Proses Sistem ............................................................39

4.2.1.3. Output Sistem ...........................................................40

4.2.2. Diagram Use Case ..................................................................41

4.2.2.1. Gambaran Umum Use Case .....................................41

4.2.2.2. Narasi Use Case........................................................41

4.2.3. Diagram Aktivitas ...................................................................41

4.2.4. Diagram Kelas Analisis ..........................................................41

4.2.5. Diagram Sekuen ......................................................................42

4.2.6. Diagram Kelas Disain .............................................................42

4.2.7. Algoritma per Method ............................................................42

4.2.8. Perancangan Struktur Data .....................................................42

4.2.9. Perancangan Antarmuka .........................................................44

4.2.9.1. Perancangan Halaman Awal .....................................44

4.2.9.2. Perancangan Halaman Preprocess ...........................45

4.2.9.3. Perancangan Halaman Konfigurasi Database ..........47

4.2.9.4. Perancangan Halaman Pilih Tabel Database ...........48

4.2.9.5. Perancangan Halaman Asosiasi ................................49

4.2.9.6. Perancangan Halaman Bantuan ................................51


xv

4.2.9.7. Perancangan Halaman Tentang ................................52

BAB V IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI

HASIL ................................................................................................53

5.1. IMPLEMENTASI RANCANGAN PERANGKAT LUNAK ............53

5.1.1. Implementasi Kelas Model .....................................................53

5.1.2. Implementasi Kelas View........................................................53

5.1.3. Implementasi Kelas Control ...................................................71

5.2. EVALUASI HASIL ...........................................................................71

5.2.1. Pengujian Perangkat Lunak (Black Box) ................................71

5.2.1.1. Rencana Pengujian Black Box ..................................71

5.2.1.2. Prosedur Pengujian Black Box dan Kasus Uji ..........73

5.2.1.3. Evaluasi Pengujian Black Box ..................................73

5.2.2. Pengujian Perbandingan Hasil Hitung Manual Dengan Hasil

Perangkat Lunak .....................................................................73

5.2.2.1. Penghitungan Manual ...............................................73

5.2.2.2. Penghitungan Perangkat Lunak ................................74

5.2.2.3. Evaluasi Pengujian Perbandingan Hasil Hitung Manual

Dengan Hasil Perangkat Lunak ................................75

5.2.3. Pengujian Perangkat Lunak Dengan Menggunakan Dataset .75

5.2.3.1. Pengujian Dataset Tahun Pelajaran 2012/2013........77



5.2.3.4. Pengujian Dataset Tahun Pelajaran 2012/2013 dan

Tahun Pelajaran 2013/2014 ......................................92

5.2.4. Evaluasi Pola Asosiasi ..................................................97

5.3. KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK ......99

5.3.1. Kelebihan Perangkat Lunak ....................................................99

5.3.2. Kekurangan Perangkat Lunak .................................................100


xvi

BAB VI PENUTUP ..........................................................................................102

6.1. KESIMPULAN ..................................................................................102

6.2. SARAN ...............................................................................................104

DAFTAR PUSTAKA .........................................................................................105

LAMPIRAN ........................................................................................................107


xvii

DAFTAR GAMBAR

Halaman

Gambar 2.1 Tahap-tahap di dalam proses Knowledge Discovery in Database

(Han&Kamber, 2006) ..................................................................10

Gambar 2.2 Illustrasi prinsip apriori, jika {c,d,e} frequent, maka semua subset

pada itemset tersebut juga frequent (Tan dkk., 2006) .................21

Gambar 2.3 Illustrasi prinsip apriori, jika {a,b} infrequent, maka semua

superset itemset tersebut infrequent (Tan dkk., 2006) ................21

Gambar 4.1 Diagram Flowchart .....................................................................40

Gambar 4.2 Illustrasi Konsep ArrayList ..........................................................43

Gambar 4.3 Perancangan ArrayList ................................................................43

Gambar 4.4 Rancangan Antarmuka Halaman Awal .......................................44

Gambar 4.5 Rancangan Antarmuka Halaman Preprocess ..............................45

Gambar 4.6 Rancangan Antarmuka Halaman Konfigurasi Database ............47

Gambar 4.7 Rancangan Antarmuka Halaman Pilih Tabel Database ..............48

Gambar 4.8 Rancangan Antarmuka Halaman Asosiasi ..................................49

Gambar 4.9 Rancangan Antarmuka Halaman Bantuan ...................................51

Gambar 4.10 Rancangan Antarmuka Halaman Tentang ...................................52

Gambar 5.1 Implementasi Antarmuka Kelas view_home ...............................55

Gambar 5.2 Implementasi Antarmuka Kelas view_preprocess ......................59

Gambar 5.3 Implementasi Antarmuka Kelas view_database ..........................61

Gambar 5.4 Implementasi Antarmuka Kelas view_table ................................63

Gambar 5.5 Implementasi Antarmuka Kelas view_asosiasi ...........................66

Gambar 5.6 Implementasi Antarmuka Kelas view_help .................................68

Gambar 5.7 Implementasi Antarmuka Kelas view_about ...............................70

Gambar 5.8 Hasil Penambangan Data Menggunakan Perangkat Lunak .........74

Gambar 5.9 Hasil Pengujian 1 Dataset Tahun Pelajaran 2012/2013 ..............81


xviii

DAFTAR TABEL

Halaman

Tabel 2.1 Interval Daya Serap Siswa ...............................................................13

Tabel 3.1 Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata

Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun

Pelajaran 2012/2013 dan Tahun Pelajaran 2013/2014 .....................24

Tabel 3.2 Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional Mata

Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun

Pelajaran 2014/2015 .........................................................................27

Tabel 4.1 Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran

Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran

2012/2013 dan Tahun Pelajaran 2013/2014 .....................................34

Tabel 4.2 Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata Pelajaran

Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran

2014/2015 .........................................................................................36

Tabel 5.1 Implementasi Kelas Model...............................................................53

Tabel 5.2 Implementasi Kelas View .................................................................53

Tabel 5.3 Spesifikasi Detail Kelas view_home.java ........................................54

Tabel 5.4 Spesifikasi Detail Kelas view_preprocess.java ................................56

Tabel 5.5 Spesifikasi Detail Kelas view_database,java ...................................59

Tabel 5.6 Spesifikasi Detail Kelas view_table.java .........................................62

Tabel 5.7 Spesifikasi Detail Kelas view_asosiasi.java.....................................63

Tabel 5.8 Spesifikasi Detail Kelas view_help.java ..........................................67

Tabel 5.9 Spesifikasi Detail Kelas view_about.java ........................................69

Tabel 5.10 Implementasi Kelas Controller.........................................................71

Tabel 5.11 Rencana Pengujian Black Box ..........................................................71

Tabel 5.12 Pengujian Dataset Tahun Pelajaran 2012/2013 ...............................77

Tabel 5.13 Pengujian Dataset Tahun Pelajaran 2013/2014 ...............................83

Tabel 5.14 Pengujian Dataset Tahun Pelajaran 2014/2015 ................................88


xix

Tabel 5.15 Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran

2013/2014 .........................................................................................92


xx

DAFTAR RUMUS

Halaman

Rumus 2.1 Nilai Daya Serap ..............................................................................13

Rumus 2.2 Persentase Ketuntasan Klasikal .......................................................14

Rumus 2.3 Nilai Support ....................................................................................18

Rumus 2.4 Nilai Confidence ..............................................................................18

Rumus 2.5 Lift Ratio ..........................................................................................19

Rumus 2.6 Expected Confidence ........................................................................19

Rumus 4.1 min-max normalization ....................................................................38


xxi

DAFTAR LAMPIRAN

Halaman

LAMPIRAN 1 DATA DAYA SERAP HASIL UJIAN NASIONAL MATA

PELAJARAN MATEMATIKA SMA JURUSAN IPA DI

DAERAH ISTIMEWA YOGYAKARTA ...........................108

LAMPIRAN 2 DATASET HASIL TRANSFORMASI DATA ...................116

LAMPIRAN 3 DIAGRAM USE CASE ........................................................124

LAMPIRAN 4 GAMBARAN UMUM USE CASE .....................................125

LAMPIRAN 5 NARASI USE CASE ............................................................126

LAMPIRAN 6 DIAGRAM AKTIVITAS.....................................................132

LAMPIRAN 7 DIAGRAM KELAS ANALISIS ..........................................136

LAMPIRAN 8 DIAGRAM SEQUENCE .....................................................137

LAMPIRAN 9 STRUKTUR DIAGRAM KELAS .......................................142

LAMPIRAN 10 ALGORITMA PER METHOD............................................143

LAMPIRAN 11 PROSEDUR PENGUJIAN DAN KASUS UJI....................150

LAMPIRAN 12 HITUNG MANUAL PENAMBANGAN DATA ................157

LAMPIRAN 13 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN

DATASET 2012/2013 ..........................................................162


DATASET 2013/2014 ..........................................................169


DATASET 2014/2015 ..........................................................175


DATASET GABUNGAN TAHUN PELAJARAN 2012/2013

DAN TAHUN PELAJARAN 2013/2014 ............................180


1

BAB I

PENDAHULUAN

1.1. LATAR BELAKANG

Ujian nasional merupakan salah satu upaya pemerintah dalam rangka

meningkatkan mutu pendidikan. Selain berfungsi untuk mengukur dan menilai

pencapaian kompetensi lulusan dalam mata pelajaran tertentu, hasil ujian nasional

juga berfungsi sebagai pertimbangan seleksi masuk jenjang pendidikan berikutnya.

Oleh sebab itu dalam pelaksanaan ujian nasional, sekolah berusaha semaksimal

mungkin agar hasil ujian nasional peserta didiknya memberikan hasil yang

memuaskan. Salah satu hal yang dilakukan dalam upaya memaksimalkan hasil

ujian nasional adalah dengan memberikan pengajaran yang maksimal baik dari segi

penyampaian materi pelajaran maupun guru yang mengajar.

Dalam kegiatan belajar mengajar di sekolah, cara penyampaian pembelajaran

kepada siswa berbeda-beda, tergantung pada pelajaran dan tingkat kesulitan materi

pelajaran yang di sampaikan. Cara penyampaian pembelajaran yang kurang tepat

dapat berpengaruh terhadap kemampuan siswa dalam memahami suatu pelajaran.

Kurangnya pemahaman siswa dalam memahami pelajaran dapat berpengaruh

terhadap nilai akhir yang akan diperoleh nantinya. Hal ini merupakan masalah yang

membuat guru untuk berusaha semaksimal mungkin merubah cara penyampaian

pembelajaran supaya kualitas belajar siswa juga meningkat. Selain itu kemampuan

siswa dalam memahami suatu pelajaran juga erat kaitannya dengan daya serap yang

dimiliki oleh masing-masing siswa.

Daya serap siswa adalah kemampuan siswa untuk menguasi materi yang

dipelajarinya sesuai dengan bahan mata pelajaran yang disampaikan oleh guru.

Daya serap digunakan oleh guru sebagai tolak ukur untuk mengetahui sejauh mana

pemahaman siswa terhadap mata pelajaran yang diajarkan. Daya serap siswa dapat

diperoleh setelah guru selesai melaksanakan tahap-tahap dalam pelaksanaan

pembelajaran. Dari hasil inilah guru dapat memetakan perolehan nilai yang dicapai

oleh siswa.


2

Sehubungan dengan adanya Ujian Nasional yang diadakan oleh Pemerintah

Indonesia, daya serap mempunyai kaitan erat karena Ujian Nasional sendiri terdiri

dari berbagai indikator yang diujikan. Sehingga kemampuan daya serap pada setiap

indikator sangatlah penting untuk dikuasai oleh setipa siswa. Sudah seharusnya

nilai Ujian Nasional memberikan informasi yang bermanfaat bagi peningkatan

mutu pendidikan di sekolah, tidak hanya memperlihatkan peningkatan nilai rata-

rata tetapi juga dapat memberikan informasi mengenai daya serap siswa atau

kemampuan penguasaan materi siswa pada pokok bahasan yang diujikan. Dengan

adanya nilai daya serap dari hasil Ujian Nasional, diharapkan memberikan dampak

positif terutama dalam hal peningkatan kinerja dari masing-masing pihak yang

terkait sehingga dapat meningkatkan mutu kelululusan.

Daya serap Ujian Nasional memberikan banyak manfaat bagi banyak pihak,

terumata sekolah sebagai tempat siswa belajar. Daya serap ujian nasional ini

memberikan informasi seberapa besar daya serap peserta ujian, dapat mengetahui

kemampuan dan kelemahan dalam suatu kompetensi, dan dapat mengetahui

keberhasilan guru dalam menyampaikan pelajaran.

Data daya serap Ujian Nasional dapat diperoleh melalaui website resmi milik

Kementrian Pendidikan dan Budaya. Setiap tahunnya, hasil Ujian Nasional selalu

dipublikasikan dengan tujuan untuk memberikan data dan informasi hasil UN

kepada para pengambil kebijakan pada tingkat pusat, provinsi, kabupaten/kota, dan

satuan pendidikan atau sekolah/madrasah untuk dimanfaatkan sebagai salah satu

bahan masukan pengambilan kebijakan bagi perbaikan mutu pendidikan. Salah satu

data yang dipublikasikan adalah data daya serap. Data tersebut berisi informasi nilai

daya serap tiap kemampuan yang diuji pada tiap sekolah, rayon, provinsi dan secara

nasional.

Dalam penelitian ini, peneliti memilih mata pelajaran matematika sebagai

objek penelitian, dimana mata pelajaran tersebut nantinya akan di cari hubungan

antar indikator pencapaian kompetensinya. Pemilihan mata pelajaran matematika

ini didasari karena pentingnya kegunaan matematika dalam kehidupan sehari-hari.

Dengan belajar matematika, cara berpikir manusia menjadi sistematis, melalui

urutan-urutan yang teratur dan tertentu. Dengan belajar matematika, otak akan


3

terbiasa untuk memecahkan masalah secara sistematis. Sehingga bila diterapkan

dalam kehidupan nyata, kita bisa menyelesaikan setiap masalah dengan lebih

mudah. Selain itu belajar matematika melatih kita menjadi manusia yang lebih teliti,

cermat, dan tidak ceroboh dalam bertindak.

Algoritma yang akan digunakan penulis pada penelitian ini adalah algoritma

apriori. Algoritma apriori merupakan salah satu algoritma yang melakukan

pencarian frequent itemset dengan menggunakan teknik association rules. (Erwin,

2009). Kelebihan algoritma apriori adalah lebih sederhana dan dapat menangani

data yang besar dibandingkan dengan algoritma lain. Hal ini dapat mempengaruhi

banyaknya item yang diproses serta mudah dipahami struktur kerja dan

implementasinya (Pratama dkk., 2014). Keberhasilan penggunaan algoritma apriori

sudah terbukti yaitu pada penelitian yang dilakukan oleh Pratama dkk. (2014) dalam

menemukan hubungan data awal masuk mahasiswa dengan prestasi akademik.

Dengan melakukan analisis asosiasi terhadap nilai daya serap hasil Ujian

Nasional mata pelajaran Matematika SMA jurusan IPA, diharapkan dapat

ditemukan pola asosiasi antar indikator pencapaian kompetensi. Hasil analisis

tersebut nantinya dapat digunakan untuk mengetahui indikator pencapaian

kompetensi apa saja yang memiliki keterkaitan satu sama lain dan dapat

berpengaruh pada pemahaman siswa terhadap indikator pencapaian kompetensi

tersebut.

1.2. RUMUSAN MASALAH

1. Bagaimana menerapkan algoritma apriori untuk analisis daya serap hasil

Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah

Istimewa Yogyakarta?

2. Apakah dapat ditemukan pola asosiasi yang menarik dari data daya serap

hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di

Daerah Istimewa Yogyakarta berdasarkan ukuran lift ratio?


4

1.3. TUJUAN PENELITIAN

Tujuan dari penelitian ini adalah menerapkan algoritma apriori pada data daya

serap hasil Ujian Nasional Mata Pelajaran Matematika SMA jurusan IPA di Daerah

Istimewa Yogyakarta untuk menemukan aturan asosiasi antar indikator pencapaian

kompetensi yang diujikan pada Ujian Nasional.

1.4. BATASAN MASALAH

Masalah dibatasi sebagai berikut :

a. Data yang digunakan adalah data daya serap hasil Ujian Nasional mata

pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta

tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun

pelajaran 2014/2015.

b. Data mata pelajaran yang diteliti hanya satu yaitu Matematika.

1.5. MANFAAT PENELITIAN

Penelitian ini diharapkan dapat memberikan manfaat yang berguna bagi

pihak-pihak dalam dunia pendidikan, terutama dinas pendidikan. Dinas pendidikan

dapat menggunakan penelitian ini sebagai salah satu bahan masukan pengambilan

kebijakan bagi perbaikan mutu suatu mata pelajaran.

1.6. METODOLOGI PENELITIAN

Metodologi penelitian yang digunakan dalam menyelesaikan tugas akhir ini

adalah sebagai berikut :

1.6.1. Penelitian Pustaka

Tahap ini merupakan proses mengumpulkan informasi berupa teori-teori

serta algoritma yang akan digunakan untuk melakukan teknik asosiasi dari berbagai

macam referensi yang tersedia.


5

1.6.2. Knowledge Discovery in Database (KDD)

Pada tahap ini akan dilakukan proses KDD untuk mendapatkan suatu

informasi dari data daya serap hasil Ujian Nasional Mata Pelajaran Matematika

SMA jurusan IPA di Daerah Istimewa Yogyakarta. Proses KDD yang dilakukan

terdiri dari pembersihan data, integrasi data, seleksi data, transformasi data,

penambangan data, evaluasi pola, dan presentasi pengetahuan.

Dalam tahap penambangan data akan dibuat suatu perangkat lunak sebagai

alat uji dengan menggunakan metodologi waterfall. Secara garis besar metodologi

waterfall mempunyai tiga langkah utama yaitu analisa kebutuhan sistem, disain

sistem, pemrograman (code), dan pengujian (testing). Dari hasil pengujian yang

didapat akan dilakukan analisa untuk memperoleh informasi yang berguna dan

bermanfaat.

1.6.3. Pembuatan Laporan

Dari penelitian dan pengujian yang sudah dilakukan sebelumnya, hasil dari

penelitian dan pengujian tersebut akan diolah ke dalam sebuah laporan tugas akhir

agar dapat digunakan untuk kepentingan akademis.

1.7. SISTEMATIKA PENULISAN

1. BAB I : PENDAHULUAN

Bab pertama ini berisi latar belakang penelitian, rumusan masalah,

tujuan ponelitian, batasan masalah, manfaat penelitian, metodologi yang

digunakan dalam penelitian, dan sistematika penulisan tugas akhir.

2. BAB II : LANDASAN TEORI

Bab kedua ini akan menjelaskan mengenai teori yang berkaitan

dengan judul/masalah di tugas akhir. Teori tersebut terdiri dari

penambangan data, evaluasi hasil belajar, kompetensi, analisis asosiasi,

dan algoritma apriori.


6

3. BAB III : METODOLOGI PENELITIAN

Bab ketiga ini akan menjelaskan gambaran umum penelitian, data,

spesifikasi alat, dan tahap-tahap penelitian.

4. BAB IV : PEMROSESAN AWAL DAN PERANCANGAN

PERANGKAT LUNAK PENAMBANGAN DATA

Bab keempat ini berisi pemrosesan awal dalam proses Knowledge

Discovery in Database (KDD) yaitu pembersihan data, integrasi data,

seleksi data, dan transformasi data. Selain itu bab ini juga akan berisi

perancangan perangkat lunak yang akan digunakan dalam tahap

penambangan data. Perancangan perangkat lunak tersebut terdiri dari

perancangan umum, diagram use case, diagram aktivitas, diagram kelas

analisis, diagram sekuen, diagram kelas disain, algoritma per method,

struktur data, dan perancangan antarmuka.

5. BAB V : IMPLEMENTASI PENAMBANGAN DATA DAN

EVALUASI HASIL

Bab kelima ini berisi implementasi rancangan perangkat lunak

penambangan data dan evaluasi hasil yang terdiri dari pengujian

perangkat lunak (black box), pengujian perbandingan hitung manual

dengan hasil sistem, pengujian efek perubahan nilai minimum support

dan nilai minimum confidence, pengujian dataset , evaluasi pola asosiasi,

dan kelebihan dan kekurangan sistem.

6. BAB VI : PENUTUP

Bab terakhir ini akan menjelaskan tentang kesimpulan umum yang

diperoleh dari pembuatan sistem serta rancangan pengembangan sistem

ke depan.


7

BAB II

LANDASAN TEORI

2.1. PENAMBANGAN DATA

2.1.1. Pengertian Penambangan Data

Penambangan data adalah proses menemukan informasi yang berguna dari

repositori data yang besar secara otomatis (Tan dkk., 2006). Penambangan data

berisi pencarian pola yang diinginkan di dalam basis data yang besar untuk

membantu pengambilan keputusan di waktu yang akan datang. Pola- pola ini

dikenali agar dapat memberikan suatu analisa data yang berguna untuk kemudian

dapat dipelajari dengan lebih teliti (Hermawati, 2013).

Tidak semua tugas dalam menemukan informasi dapat dikatakan sebagai

aktivitas penambangan data. Meskipun tugas-tugas tersebut penting dan mungkin

melibatkan penggunaan struktur data dan algoritma yang canggih, mereka

bergantung pada teknik ilmu komputer tradisional dan fitur data yang jelas. Hal ini

perlu dalam membuat struktur indeks untuk secara efisien megatur dan mengambil

informasi. Meski demikian, teknik penambangan data sudah digunakan dalam

meningkatkan sistem pencarian informasi (Tan dkk., 2006).

2.1.2. Fungsi Penambangan Data

Menurut Han dkk. (2006), fungsionalitas penambangan data digunakan

untuk menentukan jenis pola yang dapat ditemukan dalam tugas-tugas

penambangan data. Secara umum, tugas penambangan data dapat diklasifikasikan

ke dalam dua kategori: deskriptif dan prediktif. Tugas penambangan deskriptif

adalah mengkarakterisasi sifat umum dari data dalam basis data. Sedangkan tugas

penambangan prediksi adalah melakukan inferensi pada data saat ini untuk

membuat prediksi.

Fungsi penambangan data dan jenis pola yang dapat ditemukan, yaitu :

a. Konsep / Deskripsi Kelas: Karakterisasi dan Diskriminasi

Data dapat dikaitkan dengan kelas atau konsep. Deskripsi seperti

dari kelas atau konsep yang disebut deskripsi kelas / konsep. Deskripsi


8

dapat diturunkan melalui karakterisasi data, dengan merangkum data dari

kelas yang diteliti (sering disebut kelas target) secara umum, atau

diskriminasi data, dengan perbandingan dari kelas target dengan satu atau

set kelas komparatif (sering disebut kelas kontras), atau keduanya

karakterisasi data dan diskriminasi.

b. Penambangan Kemunculan Pola, Asosiasi, dan Korelasi

Pola yang sering muncul (frequent) adalah pola yang sering terjadi

di data. Jenis pola yang dimaksud yaitu itemset, subsequences, dan

substructure. Sebuah itemset biasanya mengacu pada satu set item yang

muncul bersama-sama dalam satu set data transaksional. Sebuah

subsequence contohnya seperti pola pelanggan yang cenderung membeli

komputer, diikuti oleh kamera digital, dan kemudian kartu memori.

Sebuah substructure dapat merujuk ke bentuk struktural yang berbeda,

seperti grafik, tree, atau kisi, yang dapat dikombinasikan dengan itemset

atau subsequences. Substructure yang sering terjadi disebut pola

terstruktur. Penambangan pola mengarah pada penemuan asosiasi

menarik dan korelasi dalam data.

c. Klasifikasi dan Prediksi

Klasifikasi adalah proses menemukan model atau fungsi yang

menggambarkan dan membedakan kelas data atau konsep. Tujuannya

untuk memprediksi kelas dari objek yang label kelasnya tidak diketahui.

Prediksi digunakan untuk memprediksi hilang atau tidak tersedianya

data nilai numerik pada label kelas. Analisis regresi adalah metodologi

statistik yang paling sering digunakan untuk prediksi numerik. Prediksi

juga mencakup identifikasi tren distribusi berdasarkan data yang tersedia.

Klasifikasi dan prediksi mungkin perlu didahului dengan analisis

relevansi untuk mengidentifikasi atribut yang tidak memberikan

kontribusi pada proses klasifikasi atau prediksi.


9

d. Analisis Klaster

Analisis klaster yaitu menemukan kumpulan objek hingga objek-

objek dalam satu kelompok sama (atau punya hubungan) dengan yang

lain dan berbeda (atau tidak berhubungan) dengan objek-objek dalam

kelompok lain. Tujuan dari analisis klaster adalah meminimalkan jarak

di dalam klaster dan memaksimalkan jarak antar klaster.

e. Analisis Outlier

Database mungkin berisi data objek yang tidak sesuai dengan

perilaku umum atau model data. Obyek data outlier. Sebagian besar

metode data mining membuang outlier sebagai noise atau pengecualian.

Namun, dalam beberapa aplikasi seperti deteksi penipuan, peristiwa

langka bisa lebih menarik daripada peristiwa yang sering terjadi. Outlier

dapat dideteksi menggunakan uji statistik yang mengasumsikan

distribusi atau model probabilitas data, atau menggunakan pendekatan

jarak di mana objek yang berbeda dari setiap klaster lainnya dianggap

outlier.

f. Analisis Evolution

Analisis evolusi menggambarkan data dan model keteraturan atau

tren untuk objek yang perilakunya berubah dari waktu ke waktu.

Meskipun termasuk dalam karakterisasi, diskriminasi, asosiasi dan

analisis korelasi, klasifikasi, prediksi, atau pengelompokan data, fitur

yang berbeda dari analisis tersebut meliputi analisis data time-series,

urutan atau periodisitas pencocokan pola, dan analisis data berbasis

kesamaan.


10


Menurut Han dan Kamber (2006), penambangan data tidak dapat dipisahkan

dari proses knowledge discovery in database (KDD). Proses KDD merupakan

sebuah proses mengubah data mentah menjadi suatu informasi yang berguna.

Illustrasi proses KDD dapat dilihat pada gambar 2.1.

Gambar 2.1 Tahap-tahap di dalam proses Knowledge Discovery in Database

(Han&Kamber, 2006)


11

Knowledge discovery sebagai suatu proses digambarkan dalam Gambar 2.1

dan terdiri dari urutan berulang dari langkah-langkah berikut:

1. Pembersihan Data (Data Cleaningi)

Tahap ini merupakan proses menghilangkan data yang tidak

dibutuhkan (noise) dan data yang tidak konsisten

2. Integrasi Data (Data Integration)

Tahap ini merupakan proses menggabungkan bermacam-macam

data dari berbagai sumber.

3. Seleksi Data (Data Selection)

Tahap ini merupakan proses menganalisis data yang relavan dari

dalam database.

4. Transformasi Data (Data Transformation)

Tahap ini merupakan proses data diubah (transformasi) atau

digabungkan sehingga menjadi tepat untuk dilakukan penambangan data.

5. Penambangan Data (Data Mining)

Tahap ini merupakan proses penting dimana metode cerdas

dilakukan untuk menggali pola dari data.

6. Evaluasi Pola (Pattern Evaluation)

Tahap ini merupakan proses untuk mengidentifikasi pola-pola yang

benar-benar menarik yang mewakili pengetahuan berdasarkan beberapa

langkah penting.

7. Presentasi Pengetahuan (Knowledge Presentation)

Tahap ini merupakan proses teknik visualisasi dan representasi

pengetahuan digunakan untuk menyajikan pengetahuan hasil

penambangan kepada pengguna.


12

2.2. Evaluasi Hasil Belajar

2.2.1. Prinsip-prinsip Dasar Evaluasi Hasil Belajar

Menurut Hamzah (2014), evaluasi hasil belajar dapat dikatakan terlaksana

dengan baik apabila dalam pelaksaannya senantiasa berpegang pada tiga prinsip

dasar, yaitu Prinsip Keseluruhan, Prinsip Kesinambungan, dan Prinsip

Obyektivitas.

Prinsip keseluruhan atau prinsip menyeluruh juga dikenal dengan istilah

prinsip komprehensif (comprehensive). Dengan prinsip komprehensif dimaksudkan

di sini bahwa evaluasi hasil belajar dapat dikatakan terlaksana dengan baik apabila

evaluasi tersebut dilaksanakan secara bulat, utuh atau menyeluruh. Dengan

melakukan evaluasi hasil belajar secara bulat, utuh menyeluruh akan diperoleh

bahan-bahan keterangan dan informasi yang lengkap mengenai keadaan dan

perkembangan subjek didik yang seang dijadikan sasaran evaluasi.

Prinsip kesinambungan juga dikenal dengan istilah prinsip kontinuitas

(continuity). Dengan prinsip kesinambungan dimasksudkan disini bahwa evaluasi

hasil belajar yang baik adalah evaluasi hasil belajar yang dilaksanakan secara

teratur dan sambung-menyambung dari waktu ke waktu. Dengan evaluasi hasil

belajar yang dilaksanakan secara teratur, terencana dan terjadwal itu maka

dimungkinkan bagi evaluator untuk memperoleh informasi yang dapat memberikan

gambaran mengenai kemajuan atau perkembangan peserta didik, sejak dari awal

mula mengikuti program pendidikan sampai saat-saat mereka mengakhiri program

pendidikan yang mereka tempuh.

Prinsip Obyektivitas (objectivity) mengandung makna, bahwa evaluasi hasil

belajar dapat dinyatakan sebagai evaluasi yang baik apabila dapat terlepas dari

faktor-faktor yang sifatnya subyektif. Sehubung dengan itu, dalam pelaksanaan

evaluasi hasil belajar, seorang evaluator harus senantiasa berpikir dan bertindak

wajar, menurut keadaan yang senyatanya, tidak dicampuri oleh kepentingan-

kepentingan yang bersifat subyektif. Prinsip ini sangat penting, sebab apabila dalam

melakukan evaluasi terdapat unsur-unsur subyektif, maka akan menodai kemurnian

pekerjaan evaluasi itu sendiri.


13

2.2.2. Ketuntasan Belajar

Menurut Hamzah (2014), tindak lanjut dari evaluasi hasil belajar

selanjutnya adalah untuk menentukan belajar siswa. Sebelum guru menyusun

rancangan pembelajaran setiap guru harus menyusun program semester dan

program tahunan yaitu menyusun pengalaman belajar apakah yang harus dia

berikan kepada siswa dalam satu semester serta satu tahun agar dicapainya standar

kompetensi dan kompetensi dasar yang sudah ditemtukan (Setiawan, dalam

Hamzah. 2014).

Menurut Rubiatin (2010), dalam proses pembelajaran guru tentu melakukan

penilaian dan akan lebih baik bila sekaligus menganalisis hasilnya. Kriteria dalam

membuat penentuan pencapaian hasil belajar siswa adalah sebagai berikut :

1. Daya Serap Siswa

Untuk mengetahui daya serap siswa dari hasil belajarnya digunakan

analisis dengan menggunakan interval daya serap siswa pada tabel 2.1.

Tabel 2.1 Interval Daya Serap Siswa

No. Interval Kategori

1 0% - 39% Sangat Rendah

2 40% - 59% Rendah

3 60% - 74% Sedang

4 75% - 84% Tinggi

5 85% - 100% Sangat Tinggi

Rumus untuk menghitung nilai daya serap sebagai berikut :

𝐷𝑎𝑦𝑎 𝑆𝑒𝑟𝑎𝑝 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑛𝑖𝑙𝑎𝑖 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑒𝑟𝑜𝑙𝑒ℎ 𝑠𝑖𝑠𝑤𝑎

𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑘𝑜𝑟 𝑚𝑎𝑘𝑠𝑖𝑚𝑢𝑚× 100%

(2.1)


14

2. Ketuntasan Individu

Seorang siswa dikatakan tuntas dalam belajar apabila mencapai daya

serap minimal 75% terhadap pemahaman materi yang dipelajari

berdasarkan tolak ukur kriteria ketuntasan minimal (KKM).

3. Ketuntasan Klasikal

Ketuntasan belajar secara klasikal menurut Yamin (2008) adalah

suatu kelas telah tuntas belajar jika sekurang-kurangnya 85% dari siswa

tuntas belajar. Ketuntasan belajar secara klasikal dapat dihitung dengan

menggunakan rumus :

𝐾𝐾(%) =𝐽𝑇𝑆

𝐽𝑆× 100

Dimana :

KK = Persentase ketuntasan klasikal

JTS = Jumlah siswa yang tuntas dalam kelas sesuai KKM

JS = Jumlah seluruh siswa dalam kelas perlakuan

2.2.3. Makna dan Manfaat Evaluasi Hasil Belajar

Dalam dunia pendidikan, khususnya persekolahan, penilaian mempunyai

beberapa makna ditinjau dari berbagai segi (Arikunto, 2005). Berikut ini penjelasan

mengenai makna-makna penilaian tersebut.

2.2.3.1. Makna Bagi Siswa

Dengan penilaian, siswa dapat mengetahui sejauh mana keberhasilannya

mengikuti pelajaran yang diberikan oleh guru. Terdapat dua kemungkinan hasil

yang diperoleh siswa dari pekerjaan menilai ini.

Pertama, memuaskan. Jika siswa memperoleh hasil yang memuaskan dan

hal itu menyenangkan, tentu hal itu ingin diperolehnya lagi pada kesempatan lain.

Akibatnya, siswa mempunyai motivasi cukup besar untuk belajar lebih giat agar

… (2.2)


15

mendapat hasil yang lebih memuaskan. Keadaan sebaliknya dapat terjadi, yakni

siswa mudah merasa puas dengan hasil yang diperoleh dan usahanya kurang gigih

pada lain waktu.

Kedua, tidak memuaskan. Jika siswa tidak puas dengan hasil yang

diperolehnya, ia akan berusaha agar lain waktu keadaan itu tidak terulang lagi. Lalu,

ia belajar lebih giat. Namun, keadaan bisa sebaliknya. Ada beberapa siswa yang

lemah kemauannya, dan menjadi putus asa dengan hasil kurang memuaskan yang

diperolehnya.

2.2.3.2. Makna Bagi Guru

Berikut beberapa makna evaluasi bagi guru:

1. Dengan hasil penilaian yang diperoleh, guru mengetahui para siswa

yang berhak melanjutkan pelajaraanya karena berhasil menguasai

bahan maupun yang belum berhasil menguasai bahan. Dengan petunjuk

ini, guru dapat lebih memusatkan perhatiannya kepada siswa yang

belum berhasil.

2. Guru mengetahui materi yang tepat diajarkan bagi siswa, sehingga tidak

perlu lagi diadakan perubahan untuk memberikan pengajaran di waktu

yang akan datang.

3. Guru mengetahui metode yang digunakan sudah tepat atau belum. Jika

sebagian besar siswa memperoleh angka rendah pada penilaian, bisa

jadi disebabkan oleh pendekatan atau metode yang kurang tepat. Jika

demikian, guru harus mawas diri dan mencoba mencari metode lain

dalam mengajar.

2.2.3.3. Manfaat Bagi Sekolah

Berikut manfaat evaluasi bagi sekolah:

1. Apabila para guru mengadakan penilaian dan diketahui hasil belajar

para siswanya, dapat diketahui pola kondisi belajar yang diciptakan

oleh sekolah yang sesuai dengan harapan atau belum. Hasil belajar

merupakan cermin kualitas suatu sekolah.


16

2. Informasi dari guru tentang tepat atau tidaknya kurikulum untuk

sekolah itu merupakan bahan pertimbangan bagi perencanaan sekolah

untuk masa yang akan datang.

3. Informasi hasil penilaian yang diperoleh dari tahun ke tahun dapat

digunakan sebagai pedoman sekolah mengenai proses penilaian yang

dilakukan oleh sekolah sudah memenuhi standar atau belum.

2.3. Kompetensi

2.3.1. Pengertian Kompetensi

Menurut Mulyasa (2006) kompetensi merupakan perpaduan dari

pengetahuan, keterampilan, nilai dan sikap yang direfleksikan dalam kebiasaan

berpikir dan bertindak. Sedangkan menurut McAshan (1981) kompetensi adalah

pengetahuan, keterampilan, dan kemampuan yang dikuasai oleh seseorang yang

telah menjadi bagian dari dirinya, sehingga dapat melakukan perilaku-perilaku

kognitif, afektif, dan psikomotorik dengan sebaik-baiknya.

Hal tersebut menunjukkan bahwa kompetensi mencakup tugas,

keterampilan, sikap, dan apresiasi yang harus dimiliki oleh peserta didik untuk

dapat melaksanakan tugas-tugas pembelajaran sesuai dengan jenis pekerjaan

tertentu. Dengan demikian terdapat hubungan antara tugas-tugas yang dipelajari

peserta didik di sekolah dengan kemampuan yang diperlukan oleh dunia kerja.

Kompetensi yang harus dikuasai peserta didik perlu dinyatakan sedemikian

rupa agar dapat dinilai, sebagai wujud hasil belajar peserta didik yang mengacu

pada pengalaman langsung. Peserta didik perlu mengetahui tujuan belajar, dan

tingkat-tingkat penguasaan yang akan digunakan sebagai kriteria pencapaian secara

eksplisit, dikembangan berdasarkan tujuan-tujuan yang telah ditetapkan, dan

memiliki kontribusi terhadap kompetensi yang sedang dipelajari. Penilaian

terhadap pencapaian kompetensi perlu dilakukan secara objektif, berdasarkan

kinerja peserta didik, dengan bukti penguasaan mereka terhadap pengetahuan,

keterampilan, nilai dan sikap sebagai hasil belajar. Dengan demikian dalam

pembelajaran yang dirancang berdasarkan kompetensi, penilaian tidak dilakukan

berdasarkan pertinmbangan yang bersifat subyektif.


17

2.3.2. Ranah Kompetensi

Gordon (1988) menjelaskan beberapa aspek atau ranah yang terkandung

dalam konsep kompetensi sebagai berikut:

1. Pengetahuan (knowledge) yaitu kesadaran dalam bidang kognitif.

2. Pemahaman (understanding) yaitu kedalaman kognitif, dan afektif yang

dimiliki oleh individu.

3. Kemampuan (skill) adalah sesuatu yang dimiliki individu untuk

melakukan tugas atau pekerjaan yang dibebankan kepadanya.

4. Nilai (value) adalah suatu standar perilaku yang telah diyakini dan secara

psikologis telah menyatu dalam diri seseorang.

5. Sikap (attitude) yaitu perasaan (senang-tidak senang, suka-tidak suka)

atau reaksi terhadapa suatu rangsangan yang datang dari luar.

6. Minat (interest) adalah kecenderungan seseorang untuk melakukan suatu

perbuatan.

2.4. Analisis Asosiasi

2.4.1. Pengertian Analisis Asosiasi

Analisis asosiasi adalah teknik penambangan data untuk menemukan aturan

assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari analisa

pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar

kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan

pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan

barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon

untuk kombinasi barang tertentu. Karena analisis asosiasi menjadi terkenal karena

aplikasinya untuk menganalisis isi kerangjang belanja di pasar swalayan, analisis

asosiasi juga sering disebut dengan istilah market basket analysis (Gordon, 2014).


18

… (2.3)

… (2.4)

2.4.2. Association Rule

Menurut Tan dkk. (2006) association rule merupakan sebuah ekspresi

implikasi yang berbentuk 𝑋 → 𝑌, dimana 𝑋 dan 𝑌 merupakan disjoint itemset

(𝑋 ∩ 𝑌) = ∅. Dalam association rule, dapat dihitung support dan confidence.

Support menyatakan seberapa sering aturan digunakan pada dataset yang diberikan.

Confidence menyatakan seberapa sering item-item dalam 𝑌 muncul dalam transaksi

yang berisi 𝑋. Secara formal, rumus minimum support (rumus 2.2) dan rumus

minimum confidence (rumus 2.3) dapat dinyatakan dengan persamaan sebagai

berikut ini:

𝑆𝑢𝑝𝑝𝑜𝑟𝑡, 𝑠(𝑋 → 𝑌) =𝜎(𝑋 ∪ 𝑌)

𝑁

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒, 𝑐(𝑋 → 𝑌) =𝜎(𝑋 ∪ 𝑌)

𝜎(𝑋)

Support merupakan ukuran penting karena aturan yang memiliki support

yang sangat rendah dapat terjadi hanya secara kebetulan. Support sering digunakan

untuk menghilangkan aturan tidak menarik. Support juga memiliki properti yang

diinginkan yang dapat dimanfaatkan untuk penemuan efisien aturan asosiasi.

Confidence digunakan untuk mengukur keandalan kesimpulan yang dibuat

oleh aturan. Untuk aturan 𝑋 → 𝑌, semakin tinggi confidence, semakin besar

kemungkinan 𝑌 terdapat di dalam transaksi yang mengandung 𝑋. confidence juga

memberikan perkiraan probabilitas bersyarat dari 𝑌 pada 𝑋.

Permasalahan mendasar dalam association rules dibagi menjadi dua, yaitu:

1. Menemukan seluruh itemset yang memiliki support ≥ minsup. Itemset

yang memiliki support lebih besar atau sama dengan minsup disebut

dengan large itemset (l-itemset), sedangkan itemset yang memiliki

support lebih kecil dari minsup disebut dengan small itemset.

2. Menggunakan large itemset untuk menghasilkan aturan asosiasi yang

diinginkan.


19

… (2.5)

… (2.6)

Untuk setiap large itemset l, harus dapat ditemukan seluruh subset yang

tidak kosong dari l. untuk setiap subset a, akan memperoleh keluaran sebuah aturan

dalam bentuk 𝑎 ⇒ (𝑙 − 𝑎), jika perbandingan 𝑆𝑢𝑝𝑝𝑜𝑟𝑡_𝑙

𝑆𝑢𝑝𝑝𝑜𝑟𝑡_𝑎 paling sedikit lebih besar

dari minconf (Nurdiyanto, 2009).

2.4.3. Lift Ratio

Menurut Ammirudin (2010), Banyaknya aturan asosiasi yang dihasilkan

memberikan banyak kemungkinan untuk melihat pola-pola yang muncul. Sehingga

memberikan berbagai kemungkinan yang dapat dijadikan sebagai dasar untuk

membuat keputusan. Tidak semua aturan asosiasi yang ditemukan diinterpretasi.

Aturan asosiasi yang diinterpretasi adalag aturan-aturan yang memiliki nilai lift

ratio yang tinggi (alasan obyektif) dan aturan yang memiliki relevansi dengan

kebutuhan (alasan subyektif).

Lift ratio merupakan sebuah angka ratio yang menunjukkan berapa banyak

kemungkinan menemukan sebuah transaksi muncul bersama dengan transaksi

lainnya dibandingkan dengan kejadian adanya transaksi yang terpenuhi.

Lift ratio menunjukkan adanya tingkat kekuatan aturan asosiasi atas kejadia

acak dari antecedent dan consequent berdasarkan pada support-nya masing-

masing. Hal ini akan memberikan informasi tentang perbaikan dan peningkatan

probabilitas dari consequent berdasarkan antecedent. Lift ratio didefinisikan

sebagai berikut :

𝐿𝑖𝑓𝑡 𝑅𝑎𝑡𝑖𝑜 = 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒

𝐸𝑥𝑝𝑒𝑐𝑡𝑒𝑑 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒

Dimana, expected confidence = (jumlah transaksi memiliki item

consequent) / (total jumlah transaksi). Atau dengan cara :

𝐸𝑥𝑝𝑒𝑐𝑡𝑒𝑑 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 =𝑃𝑟(𝐴|𝐶)

Pr (𝐶)


20

Ketika nilai lift ratio sama dengan 1 maka A dan B adalah independen

karena Pr(A|C) = Pr(C). Ketika probabilitas C terjadi dipengaruhi oleh terjadinya

A maka nilai lift ratio lebih besar dari 1. Ketetapan nilai lift ratio adalah apabila

hasil perhitungan berada di bawah 1, maka item-item tersebut tidak menunjukkan

adanya saling keterkaitan antara antecedent dengan consequent.

2.5. Algoritma Apriori

2.5.1. Pengertian Algoritma Apriori

Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian

frequent itemset dengan menggunakan teknik association rule (Erwin, 2009).

Algoritma Apriori menggunakan pengetahuan frekuensi atribut yang telah

diketahui sebelumnya untuk memproses informasi selanjutnya. Pada algoritma

Apriori menentukan kandidat yang mungkin muncul dengan cara memperhatikan

minimum support dan minimum confidence (Pratama, 2014).

2.5.2. Prinsip Apriori

Menurut Tan dkk. (2006) jika sebuah itemset merupakan frequent, maka

semua himpunan bagian juga frequent. Untuk mengilustrasikan ide di balik prinsip

apriori, pada gambar 2.2, diasumsikan {𝑐, 𝑑, 𝑒} adalah frequent itemset. Semua

transaksi yang mengandung {𝑐, 𝑑, 𝑒} harus juga mengandung subsets-nya, {𝑐, 𝑑},

{𝑐, 𝑒}, {𝑑, 𝑒}, {𝑐, 𝑑, 𝑒}, {𝑐}, {𝑑}, dan {𝑒}. Kesimpulannya, jika {𝑐, 𝑑, 𝑒} adalah

frequent, maka semua subsets dari {𝑐, 𝑑, 𝑒} adalah frequent.


21

Gambar 2.2 Illustrasi prinsip apriori, jika {c,d,e} frequent, maka semua subset

pada itemset tersebut juga frequent (Tan dkk., 2006)

Sebaliknya, pada gambar 2.3, jika sebuah itemset seperti {𝑎, 𝑏} adalah

infrequent, maka semua supersets-nya pasti infrequent juga.

Gambar 2.3 Illustrasi prinsip apriori, jika {a,b} infrequent, maka semua superset

itemset tersebut infrequent (Tan dkk., 2006)


22

2.5.3. Algoritma Apriori

Pseudocode untuk frequent itemset generation yang merupakan bagian dari

algoritma apriori, sebagai berikut: (𝐶𝑘 menunjukkan himpunan semua kandidat k-

itemset dan 𝐹𝑘 menunjukkan himpunan frequent k-itemsets) (Tan dkk., 2006)

1) 𝑘 = 1.

2) 𝐹𝒌 = {𝑖|𝑖 ∈ 𝐼 ∧ 𝜎({𝑖}) ≥ 𝑁 × 𝑚𝑖𝑛𝑠𝑢𝑝}.

/* find all frequent 1-itemset */

3) 𝒓𝒆𝒑𝒆𝒂𝒕

4) 𝑘 = 𝑘 + 1.

5) 𝐶𝑘 = 𝑎𝑝𝑟𝑖𝑜𝑟𝑖𝑔𝑒𝑛(𝐹𝑘−1).

/* Generate candidate itemsets */

6) 𝒇𝒐𝒓 𝑒𝑎𝑐ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑐𝑡𝑖𝑜𝑛 𝑡 ∈ 𝑇 𝒅𝒐

7) 𝐶𝒕 = 𝑠𝑢𝑏𝑠𝑒𝑡(𝐶𝑘, 𝑡).

/* Identify all candidate that belong to f */

8) 𝒇𝒐𝒓 𝑒𝑎𝑐ℎ 𝑐𝑎𝑛𝑑𝑖𝑑𝑎𝑡𝑒 𝑖𝑡𝑒𝑚𝑠𝑒𝑡 𝑡 ∈ 𝐶𝑡 𝒅𝒐

9) 𝜎(𝑐) = 𝜎(𝑐) + 1.

10) end for

11) end for

12) 𝐹𝒌 = {𝑐|𝑐 ∈ 𝐶𝑘 ∧ 𝜎({𝑐}) ≥ 𝑁 × 𝑚𝑖𝑛𝑠𝑢𝑝}.

/* Extract the frequent k-itemsets */

13) 𝒖𝒏𝒕𝒊𝒍 𝐹𝑘 = ∅

14) 𝑅𝑒𝑠𝑢𝑙𝑡 = ⋃𝐹𝑘.

Pseudocode tersebut dapat dijelaskan sebagai berikut:

1. Untuk menghitung support dari candidates, algoritma tersebut perlu

membuat tambahan pass over data set (langkah 6-10). Fungsi subset

adalah digunakan untuk menentukan seluruh kandidat itemsets di 𝐶𝑘 yang

terkandung pada setiap traksaksi t.


23

2. Setelah menghitung support-nya, algoritma mengeliminasi semua

kandidat itemsets yang memiliki jumlah support kurang dari minsup

(langkah 12).

3. Algoritma berhenti kerika tidak ada lagi frequent itemsets baru.

Suatu algoritma tentunya memiliki kelebihan dan kekurangannya masing-

masing. Berikut adalah kelebihan dan kekurangan algoritma apriori:

1. Kelebihan dari algoritma apriori ini adalah lebih sederhana dan dapat

menangani data yang besar. Sedangkan algoritma lainnya memiliki

kelemahan dalam penggunaan memori saat jumlah data besar, tentunya

berpengaruh terhadap banyaknya item yang diproses serta mudah di

pahami struktur kerja dan implementasinya.

2. Apriori memiliki kelemahan karena harus melakukan scan database

setiap kali iterasi, sehingga waktu yang diperlukan bertambah dengan

makin banyak iterasi.


24

BAB III

METODOLOGI PENELITIAN

3.1. SUMBER DATA

Data yang digunakan untuk penelitian ini berupa file yang memiliki ekstensi

.xls yang diperoleh dari situs milik Kementrian Pendidikan dan Kebudayaan yang

dapat diakses melalui alamat http://litbang.kemdikbud.go.id/.

Data sumber merupakan data daya serap indikator pencapaian kompetensi

dari mata pelajaran yang diujikan dalam Ujian Nasional SMA di Daerah Istimewa

Yogyakarta tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun

pelajaran 2014/2015. Pada penelitian ini data yang digunakan hanya data mata

pelajaran Matematika. Contoh data mentah dari daya serap mata pelajaran

Matematika yang akan diolah terlampir pada lampiran 1.

Atribut yang terdapat pada data daya serap mata pelajaran Matematika tahun

pelajaran 2012/2013 dan tahun pelajaran 2013/2014 dijelaskan pada tabel 3.1.

Tabel 3.1 Tabel Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional

Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran

2012/2013 dan Tahun Pelajaran 2013/2014

Kode Atribut Nama Atribut

KODE_SEKOLAH Kode Sekolah

NAMA_SEKOLAH Nama Sekolah

JNS_SEK Jenis Sekolah (SMA/MA)

STS_SEK Status Sekolah (Negeri/Swasta)

MAT1 Menentukan bayangan titik atau kurva karena dua

transformasi atau lebih.

MAT2 Menentukan ingkaran atau kesetaraan dari pernyataan

majemuk atau pernyataan berkuantor.

MAT3 Menentukan integral tak tentu dan integral tentu fungsi

aljabar dan fungsi trigonometri.


http://litbang.kemdikbud.go.id/

25

MAT4 Menentukan penarikan kesimpulan dari beberapa

premis.

MAT5 Menentukan penyelesaian pertidaksamaan eksponen

atau logaritma.

MAT6 Menentukan persamaan lingkaran atau garis singgung

lingkaran.

MAT7 Menggunakan aturan pangkat, akar, dan logaritma.

MAT8 Menggunakan rumus jumlah dan hasil kali akar-akar

persamaan kuadrat.

MAT9 Menghitung jarak dan sudut antara dua objek (titik,

garis dan bidang) di ruang dimensi tiga.

MAT10 Menghitung luas daerah dan volume benda putar dengan

menggunakan integral.

MAT11 Menghitung nilai limit fungsi aljabar dan fungsi

trigonometri.

MAT12 Menghitung ukuran pemusatan atau ukuran letak dari

data dalam bentuk tabel, diagram atau grafik.

MAT13 Menyelesaikan masalah deret aritmetika.

MAT14 Menyelesaikan masalah deret geometri.

MAT15 Menyelesaikan masalah geometri dengan menggunakan

aturan sinus atau kosinus.

MAT16 Menyelesaikan masalah persamaan atau fungsi kuadrat

dengan menggunakan diskriminan.

MAT17 Menyelesaikan masalah program linear.

MAT18

Menyelesaikan masalah sehari-hari dengan

menggunakan kaidah pencacahan, permutasi atau

kombinasi.

MAT19 Menyelesaikan masalah sehari-hari yang berkaitan

dengan sistem persamaan linear.


26

MAT20

Menyelesaikan masalah yang berkaitan dengan besar

sudut atau nilai perbandingan trigonometri sudut antara

dua vektor.

MAT21

Menyelesaikan masalah yang berkaitan dengan nilai

perbandingan trigonometri yang menggunakan

rumusjumlah dan selisih sinus, kosinus dan tangen

sertajumlah dan selisih dua sudut.

MAT22 Menyelesaikan masalah yang berkaitan dengan fungsi

eksponen atau fungsi logaritma.

MAT23 Menyelesaikan masalah yang berkaitan dengan

komposisi dua fungsi atau fungsi invers.

MAT24 Menyelesaikan masalah yang berkaitan dengan panjang

proyeksi atau vektor proyeksi.

MAT25 Menyelesaikan masalah yang berkaitan dengan peluang

suatu kejadian.

MAT26 Menyelesaikan masalah yang berkaitan dengan teorema

sisa atau teorema faktor.

MAT27 Menyelesaikan operasi aljabar beberapa vektordengan

syarat tertentu.

MAT28 Menyelesaikan operasi matriks.

MAT29 Menyelesaikan persamaan trigonometri.

MAT30 Menyelesaikan soal aplikasi turunan fungsi.

Atribut yang terdapat pada data daya serap mata pelajaran Matematika tahun

pelajaran 2014/2015 memiliki kode atribut yang sama dengan data daya serap mata

pleajaran Matematika tahun pelajaran 2012/2013 dan gtahun pelajaran 2013/2014.

Namun terdapat perbedaan pada nama atribut dan jumlah atribut. Atribut data daya

serap mata pelajaran Matematika tahun pelajaran 2014/2015 dijelaskan pada tabel

3.2.


27

Tabel 3.2 Tabel Atribut Data Mentah Nilai Daya Serap Hasil Ujian Nasional

Mata Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran

2014/2015


KODE_SEKOLAH Kode Sekolah

NAMA_SEKOLAH Nama Sekolah

JNS_SEK Jenis Sekolah (SMA/MA)

STS_SEK Status Sekolah (Negeri/Swasta)





MAT3 Menentukan integral tak tentu dan integral tentufungsi

aljabar dan fungsi trigonometri.

MAT4 Menentukan penarikan kesimpulan dari beberapa

premis.

MAT5 Menentukan penyelesaian pertidaksamaan eksponen

atau logaritma.


lingkaran.



persamaan kuadrat.

MAT9 Menghitung jarak dan sudut antara dua objek (titik,

garis dan bidang) di ruang dimensi tiga.



MAT11 Menghitung nilai limit fungsi aljabar dan fungsi

trigonometri.


28

MAT12 Menghitung ukuran pemusatan atau ukuran letak dari

data dalam bentuk tabel, diagram atau grafik.



MAT15 Menyelesaikan masalah geometri dengan menggunakan

aturan sinus atau kosinus.

MAT16 Menyelesaikan masalah persamaan atau fungsi kuadrat

dengan menggunakan diskriminan.


MAT18

Menyelesaikan masalah sehari-hari dengan

menggunakan kaidah pencacahan, permutasi atau

kombinasi.

MAT19 Menyelesaikan masalah sehari-hari yang berkaitan

dengan sistem persamaan linear.

MAT20

Menyelesaikan masalah yang berkaitan dengan besar

sudut atau nilai perbandingan trigonometri sudut antara

dua vektor.

MAT21


perbandingan trigonometri yang menggunakan rumus

jumlah dan selisih sinus, kosinus dan tangen serta

jumlah dan selisih dua sudut.



MAT23 Menyelesaikan masalah yang berkaitan dengan

komposisi dua fungsi atau fungsi invers.



MAT25 Menyelesaikan masalah yang berkaitan dengan peluang

suatu kejadian.


29

MAT26 Menyelesaikan masalah yang berkaitan dengan teorema

sisa atau teorema faktor.

MAT27 Menyelesaikan operasi aljabar beberapa vektor dengan

syarat tertentu.



3.2. SPESIFIKASI ALAT

3.3.1. Hardware

1. Prosesor : Intel Core i3-2350M 2.3GHz

2. Memori : 4 GB

3. Graphic Card : Nvidia Geforce 610M 2GB

4. Storage : 500 GB

3.3.2. Software:

1. IDE Netbeans 8.0.2

Sebagai IDE (Integrated Development Environment) untuk membuat

atau mengembangkan perangkat lunak (software).

2. MySQL Database

Sebagai aplikasi untuk membuat rancangan basis data.

3.3. TAHAP-TAHAP PENELITIAN

3.4.1. Studi Kasus

Ujian Nasional merupakan salah satu sistem evaluasi standar pendidikan

yang ada di Indonesia. Dengan adanya Ujian Nasional ini dapat diketahui sejauh

mana mutu pendidikan di Indonesia. Untuk meningkatkan mutu pendidikan

tersebut dapat dilakukan evaluasi berdasarkan hasil Ujian Nasional. Untuk lebih

detail dalam melakukan evaluasi, maka digunakanlah nilai daya serap yang terdiri

dari beberapa kompetensi dalam tiap mata pelajaran.

Penelitian ini dilakukan berdasarkan masih rendahnya daya serap siswa

dalam memahami suatu kompetensi pada suatu mata pelajaran khususnya mata


30

pelajaran Matematika. Masih rendahnya daya serap siswa tidak terlepas dari cara

penyampaian pembelajaran atau metode pembelajaran yang kurang tepat pada suatu

kompetensi mata pelajaran. Melalui penelitian ini, penulis ingin mencari pola

asosiasi antar indikator pencapaian kompetensi mata pelajaran Matematika agar

nantinya dapat dipergunakan sebagai alat bantu dalam melakukan evaluasi

pembelajaran.

3.4.2. Penelitian Pustaka

Penulis melakukan studi literatur untuk mencari referensi yang berkaitan

denga teori-teori yang dapat menunjang dan mendukung penelitian. Literatur yang

digunakan berasal dari buku, jurnal, dan karya ilmiah. Selain itu juga dilakukan

wawancara terhadap narasumber yang berkompeten di bidang yang mendukung

penelitian penulis.


Dalam melakukan proses mengubah data mentah menjadi suatu informasi

yang bermanfaat, penulis menggunakan proses Knowledge Discovery in Database

(KDD) yang terdiri dari pembersihan data, integrasi data, seleksi data, transformasi

data, penambangan data, evaluasi pola, dan presentasi pengetahuan.

Pada tahap pembersihan data dan integrasi data, penulis melakukan secara

manual dengan menggunakan aplikasi microsoft excel. Tahap selanjutnya yaitu

seleksi data, transformasi data, dan penambangan data, penulis mengembangkan

perangkat lunak sebagai alat bantu untuk melakukan tahap-tahap tersebut.

Sedangkan untuk tahap evaluasi pola dan presentasi pengetahuan, penulis

melakukan evaluasi dari hasil penambangan data yang didapat dari perangkat lunak

yang telah dibangun dan menjelaskan hasil evaluasi tersebut agar informasi yang

didapat dapat diterima oleh pihak-pihak yang membutuhkan.

3.4.4. Pengembangan Perangkat Lunak

Pada tahap seleksi data, transformasi data, dan penambangan data di dalam

proses Knowledge Discovery in Database (KDD), penulis mengembangkan


31

perangkat lunak sebagai alat untuk mengolah dataset yang penulis miliki untuk

mendapatkan informasi yang berguna.

Metode yang digunakan oleh penulis dalam pengembangan sistem adalah

metode waterfall. Metode ini merupakan salah satu metode yang paling sering

dipakai oleh para pengembang perangkat lunak. Inti dari metode ini adalah

pengerjaan sistem dilakukan secara linier. Penegerjaan sistem secara linear adalah

jika tahap pertama belum dilakukan, maka tahap kedua dan selanjutnya tidak dapat

dikerjakan. Secara garis besar metode waterfall mempunyai langkah – langkah

sebagai berikut:

1. Analisa

Langkah ini merupakan analisa terhadap kebutuhan sistem.

Pengumpulan data dalam tahap ini bisa melakukan sebuah penelitian,

wawancara atau studi literatur. Seorang sistem analis bertugas dalam

mencari informasi sebanyak mungkin dari user sehingga sistem yang

dibuat dapat sesuai dengan keinginan user. Tahapan ini biasanya akan

menghasilkan dokumen user requirement yang dapat digunakan sistem

analis untuk menerjemahkan ke dalam bahasa pemrograman.

2. Design

Proses desain akan menerjemahkan syarat kebutuhan ke sebuah

perancangan perangkat lunak yang dapat diperkirakan sebelum di ubah

ke dalam bahasa pemrograman. Proses ini berfokus pada struktur data,

arsitektur perangkat lunak, representasi interface, dan detail algoritma.

Tahapan ini akan menghasilkan dokumen yang disebut software

requirement. Dokumen ini yang digunakan seorang programmer untuk

membangun sistemnya.

3. Pemrograman

Pemrograman merupakan penerjemahan design ke dalam bahasa

pemrograman. Pada tahap ini programmer akan mengubah proses

transaksi yang diinginkan user ke dalam sistem yang dibuatnya.


32

4. Pengujian Perangkat Lunak

Setelah pemrograman selesai maka akan dilakukan pengujian

terhadap perangkat lunak tersebut. Pengujian yang digunakan adalah

pengujian black box dan pengujian membandingakan hasil

penghitungan manual dengan hasil yang diperoleh oleh perangkat lunak.

Tujuan pengujian ini adalah untuk menemukan kesalahan – kesalahan

yang terdapat pada perangkat lunak tersebut agar kemudian dapat

diperbaiki.

2.4.4. Analisis dan Pembuatan Laporan

Analisis yang akan dilakukan adalah analisis kinerja dari alat uji yang dibuat

menggunakan algoritma apriori, dan hasil analisis tersebut nantinya akan diolah

kedalam sebuah laporan tugas akhir.


33

BAB IV

PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK

PENAMBANGAN DATA

4.1. PEMROSESAN AWAL

4.1.1. Pembersihan Data (Data Cleaning)

Pembersihan data yaitu membersihkan data dari noise seperti data yang

tidak terisi nilai apapun (kosong) dan data yang tidak konsisten. Data yang ada

memiliki noise pada beberapa sekolah yang nilai daya serapnya kosong. Maka

sekolah tersebut akan dihapus dari tabel data.

4.1.2. Integrasi Data (Data Integration)

Integrasi data adalah melakukan penggabungan data dari berbagai macam

sumber. Data yang ada terdiri dari tiga file yaitu data nilai daya serap hasil Ujian

Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun

pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun pelajaran 2014/2015.

Pada tahap ini, untuk data nilai daya serap hasil Ujian Nasional mata pelajaran

Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dan tahun

pelajaran 2013/2014 digabungkan menjadi sebuah file karena memiliki atribut yang

sama. Sedangkan untuk data nilai daya serap hasil Ujian Nasional mata pelajaran

Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015 berdiri

sendiri karena memiliki atribut yang berbeda.

4.1.3. Seleksi Data (Data Selection)

Seleksi data adalah seleksi atribut yang akan digunakan dalam proses

penambangan data. Proses seleksi dilakukan dengan memilih atribut yang relevan

untuk digunakan dalam penelitian, dan menghapus atribut yang tidak relevan.

Atribut yang dihapus dari data daya serap Ujian Nasional di Daerah Istimema

Yogyakarta tahun pelajaran 2012/2013, tahun pelajaran 2013/2014, dan tahun

pelajaran 2014/2015 adalah atribut KODE_SEKOLAH, NAMA_SEKOLAH,

JNS_SEK, dan STS_SEK. Hasil dari seleksi atribut pada data nilai daya serap hasil


34

Ujian Nasional mata pelajaran Matematika di Daerah Istimewa Yogyakarta tahun

pelajaran 2012/2013 dan tahun pelajaran 2013/2014 dapat dilihat pada tabel 4.1.

Tabel 4.1 Tabel Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata

Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2012/2013

dan Tahun Pelajaran 2013/2014






MAT3 Menentukan integral tak tentu dan integral tentu fungsi aljabar

dan fungsi trigonometri.

MAT4 Menentukan penarikan kesimpulan dari beberapa premis.

MAT5 Menentukan penyelesaian pertidaksamaan eksponen atau

logaritma.


lingkaran.



persamaan kuadrat.

MAT9 Menghitung jarak dan sudut antara dua objek (titik, garis dan

bidang) di ruang dimensi tiga.



MAT11 Menghitung nilai limit fungsi aljabar dan fungsi trigonometri.

MAT12 Menghitung ukuran pemusatan atau ukuran letak dari data

dalam bentuk tabel, diagram atau grafik.




35

MAT15 Menyelesaikan masalah geometri dengan menggunakan aturan

sinus atau kosinus.

MAT16 Menyelesaikan masalah persamaan atau fungsi kuadrat dengan

menggunakan diskriminan.


MAT18 Menyelesaikan masalah sehari-hari dengan menggunakan

kaidah pencacahan, permutasi atau kombinasi.

MAT19 Menyelesaikan masalah sehari-hari yang berkaitan dengan

sistem persamaan linear.

MAT20 Menyelesaikan masalah yang berkaitan dengan besar sudut

atau nilai perbandingan trigonometri sudut antara dua vektor.

MAT21


perbandingan trigonometri yang menggunakan rumusjumlah

dan selisih sinus, kosinus dan tangen sertajumlah dan selisih

dua sudut.



MAT23 Menyelesaikan masalah yang berkaitan dengan komposisi dua

fungsi atau fungsi invers.



MAT25 Menyelesaikan masalah yang berkaitan dengan peluang suatu

kejadian.

MAT26 Menyelesaikan masalah yang berkaitan dengan teorema sisa

atau teorema faktor.

MAT27 Menyelesaikan operasi aljabar beberapa vektordengan syarat

tertentu.



MAT30 Menyelesaikan soal aplikasi turunan fungsi.


36

Hasil seleksi atribut pada data nilai daya serap hasil Ujian Nasional mata

pelajaran Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015

memiliki perbedaan pada jumlah dan nama atribut yang terdapat pada data daya

serap hasil Ujian Nasional tahun pelajaran 2012/2013 dan 2013/2014. Hasil seleksi

atribut tersebut dapat dilihat pada tabel 4.2.

Tabel 4.2 Tabel Atribut Data Nilai Daya Serap Hasil Ujian Nasional Mata

Pelajaran Matematika di Daerah Istimewa Yogyakarta Tahun Pelajaran 2014/2015

Nama Atribut Keterangan





MAT3 Menentukan integral tak tentu dan integral tentufungsi aljabar

dan fungsi trigonometri.

MAT4 Menentukan penarikan kesimpulan dari beberapa premis.

MAT5 Menentukan penyelesaian pertidaksamaan eksponen atau

logaritma.


lingkaran.



persamaan kuadrat.

MAT9 Menghitung jarak dan sudut antara dua objek (titik, garis dan

bidang) di ruang dimensi tiga.



MAT11 Menghitung nilai limit fungsi aljabar dan fungsi trigonometri.

MAT12 Menghitung ukuran pemusatan atau ukuran letak dari data

dalam bentuk tabel, diagram atau grafik.


37



MAT15 Menyelesaikan masalah geometri dengan menggunakan aturan

sinus atau kosinus.

MAT16 Menyelesaikan masalah persamaan atau fungsi kuadrat dengan

menggunakan diskriminan.


MAT18 Menyelesaikan masalah sehari-hari dengan menggunakan

kaidah pencacahan, permutasi atau kombinasi.

MAT19 Menyelesaikan masalah sehari-hari yang berkaitan dengan

sistem persamaan linear.

MAT20 Menyelesaikan masalah yang berkaitan dengan besar sudut

atau nilai perbandingan trigonometri sudut antara dua vektor.

MAT21


perbandingan trigonometri yang menggunakan rumus jumlah

dan selisih sinus, kosinus dan tangen serta jumlah dan selisih

dua sudut.



MAT23 Menyelesaikan masalah yang berkaitan dengan komposisi dua

fungsi atau fungsi invers.



MAT25 Menyelesaikan masalah yang berkaitan dengan peluang suatu

kejadian.

MAT26 Menyelesaikan masalah yang berkaitan dengan teorema sisa

atau teorema faktor.

MAT27 Menyelesaikan operasi aljabar beberapa vektor dengan syarat

tertentu.



38

… (4.1)


4.1.4. Transformasi Data (Data Transformation)

Terdapat dua tahap dalam transformasi data. Tahap pertama yaitu dengan

melakukan normalisasi perbedaan interval. Proses normalisasi dilakukan dengan

menggunakan rumus min-max normalization sebagai berikut:

𝑣′ =𝑣 −𝑚𝑖𝑛𝐴

𝑚𝑎𝑥𝐴 −𝑚𝑖𝑛𝐴(𝑛𝑒𝑤𝑚𝑎𝑥𝐴 − 𝑛𝑒𝑤𝑚𝑖𝑛𝐴) + 𝑛𝑒𝑤𝑚𝑖𝑛𝐴

Keterangan:

𝑣 = nilai sebelum ternormalisasi

𝑣′ = nilai setelah ternormalisasi

𝑚𝑖𝑛𝐴 = nilai minimal dari atribut A

𝑚𝑎𝑥𝐴 = nilai maksimal dari atribut A

𝑛𝑒𝑤𝑚𝑖𝑛𝐴 = nilai minimal terbaru dari atribut A

𝑛𝑒𝑤𝑚𝑎𝑥𝐴 = nilai maksimal terbaru dari atribut A

Pada penelitian ini, atribut yang digunakan memiliki data yang memiliki

interval yang sama, yaitu 0 – 100, sehingga tahap ini tidak dilakukan.

Tahap kedua dalam transformasi data yaitu mengubah data numerik menjadi

TUNTAS dan TIDAK TUNTAS. TUNTAS berarti data tersebut memiliki nilai

lebih besar sama dengan nilai daya serap minimal yang telah ditentukan

sebelumnya. Sedangkan TIDAK TUNTAS berarti data tersebut memiliki nilai lebih

kecil dari nilai daya serap minimal yang telah ditentukan sebelumnya.

Contoh data daya serap hasil Ujian Nasional mata pelajaran Matematika

SMA jurusan IPA di Daerah Istimewa Yogyakarta hasil transformasi data dengan

menggunakan nilai daya serap minimal sebesar 60% terlampir pada lampiran 2.


39

4.2. PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA

4.2.1. Perancangan Umum

4.2.1.1. Input Sistem

Data input dari sistem yang akan dibangun berasal dari file dengan ekstensi

.xls dan .csv yang dapat dipilih langsung oleh pengguna (user) dari direktori

Komputer atau dari tabel yang terdapat di dalam database. Sebelum melakukan

proses asosiasi, pengguna juga diharuskan untuk mengisi nilai minimum support

dan minimum confidence terlebih dahulu pada textfield yang telah disediakan.

4.2.1.2. Proses Sistem

Proses sistem yang akan dibangun terdiri dari beberapa tahapan untuk

dapat menemukan aturan (rule) yang berfungsi untuk menemukan pola keterkaitan

antar kompetensi di suatu mata pelajaran. Proses tersebut yaitu:

1. Pemilihan atribut data yang akan digunakan dalam proses data mining

2. Menentukan minimum support dan minimum confidence yang

berfungsi dalam menentukan aturan asosiasi

3. Proses asosiasi untuk menemukan hubungan antar indikator pencapaian

kompetensi pada mata pelajaran Matematika.

Proses umum yang terjadi pada sistem digambarkan dalam diagram

flowchart yang digambarkan pada Gambar 4.1.


40

Gambar 4.1 Diagram Flowchart

4.2.1.3. Output Sistem

Sistem akan memberikan keluaran atau output berupa frequent k-itemset

beserta dengan nilai support-nya yang sesuai dengan minimum support dan tabel

asosiasi yang sesuai dengan minimum confidence. Selain itu sistem juga akan

menampilkan rules yang telah dihasilkan dari proses asosiasi yang telah dilakukan.


41

4.2.2. Diagram Use Case

Suatu sistem selalu memiliki interaksi antar pengguna dengan sistem itu

sendiri yang digambarkan dalam bentuk diagram use case. Diagram use case

terlampir pada lampiran 3.

Pengguna dalam sistem yang akan dibangun ini hanya ada satu,

diinisialisaikan dengan nama “User”. Interaksi utama yang dilakukan pengguna

terhadap sistem ada tiga, yaitu: memasukkan data, proses asosiasi menggunakan

algoritma apriori, dan menyimpan hasil asosiasi. Ketiga interaksi tersebut harus

dijalankan secara berurutan. Selain interaksi tersebut, sebuah interaksi yang

merupakan pilihan yang ditawarkan setelah melakukan proses memasukkan data.

Interaksi tersebut adalah menyeleksi atribut data.

4.2.2.1. Gambaran Umum Use Case

Diagram use case pada lampiran 4 memiliki gambaran umum dari masing-

masing use case. Gambaran umum dari masing-masing use case tersebut terlampir

pada lampiran 4.

4.2.2.2. Narasi Use Case

Diagram use case pada lampiran 1 juga memiliki narasi yang merupakan

penjelasan lebih lengkap dari masing-masing use case. Narasi tersebut terlampir

pada lampiran 5.

4.2.3. Diagram Aktivitas

Terdapat empat diagram aktivitas yang merupakan aktivitas dari use case

memasukkan data, seleksi atribut, asosiasi dengan aloritma apriori, dan simpan

hasil asosiasi. Diagram aktivitas sistem terlampir pada lampiran 6.

4.2.4. Diagram Kelas Analisis

Diagram kelas analisis terkampir pada lampiran 7.


42

4.2.5. Diagram Sekuen

Terdapat enam diagram sequence yaitu memasukkan data dari file,

memasukkan data dari database MySQL, memasukkan data dari database Oracle,

seleksi atribut, asosiasi menggunakan algoritma apriori, dan menyimpan hasil

asoisiasi. Diagram sequence terlampir pada lampiran 8.

4.2.6. Diagram Kelas Disain

Diagram kelas desain terlampir pada lampiran 9.

4.2.7. Algoritma per Method

Rincian algoritma per method terlampir pada lampiran 10.

4.2.8. Perancangan Struktur Data

Perancangan struktur data dalam system asosiasi ini dimaksudkan untuk

mengonstruksi informasi yang tersedia. Struktur data dapat membantu pengolahan

data yang lebih efisien. Pada penelitian ini digunakan konsep struktur data

ArrayList.

ArrayList adalah sebuah kelas yang dapat melakukan penyimpanan data

berupa list objek berbentuk array yang ukurannya dapat berubah secara dinamis

sesuai dengan jumlah data yang dimasukkan.

Perbedaan paling mendasar antara Array dan ArrayList adalah :

1. Untuk menyimpan data dalam Array biasa, maka harus mendeklarasikan

jumlah elemen maksimal yang dapat menampung data. Hal ini

menyebabkan keterbatasan penggunaan data. Jika data yang digunakan

bersifat fleksibel, maka Array tidak dapat digunakan.

2. ArrayList dapat menampung sejumlah data secara dinamis, sehingga

seberapapun jumlah datanya dapat ditampung oleh ArrayList tanpa

memperhatikan berapa jumlah maksimal elemen yang dapat ditampung.

Perhatikan ilustrasi Arraylist pada gambar 4.2 berikut ini :


43

Gambar 4.2 Ilustrasi Konsep ArrayList

Pada penelitian ini, kompetensi suatu mata pelajaran sebagai elementData.

Setiap kompetensi yang saling terhubung dengan kompetensi lainnya akan berada

dalam index yang sama pada ArrayList. Sebagai contoh, akan dijelaskan pada

gambar 4.3 berikut ini :

Gambar 4.3 Perancangan ArrayList


44

4.2.9. Perancangan Antarmuka

Sistem asosiasi yang akan dibangun, memiliki 7 antarmuka yang terdiri dari

antarmuka halaman awal, antarmuka halaman preprocess, antarmuka halaman

konfigurasi database, antarmuka halaman pilih tabel database, antarmuka halaman

proses asosiasi, antarmuka halaman bantuan, dan antarmuka halaman tentang.

4.2.9.1. Perancangan Halaman Awal

Perancangan antarmuka halaman awal dapat dilihat pada gambar 4.4

berikut ini.

Gambar 4.4 Rancangan Antarmuka Halaman Awal

Halaman ini merupakan halaman pertama saat menjalankan sistem. Pada

halaman ini terdapat tombol “BERANDA”, “BANTUAN”, “TENTANG”, dan

“MASUK SISTEM”. Tombol “BERANDA” akan menuju ke halaman awal.

Tombol “BANTUAN” akan menuju ke halaman bantuan yang berisi panduan

menggunakan sistem. Tombol “TENTANG” akan menuju ke halaman tentang yang


45

berisi info penulis. Tombol “MASUK SISTEM” akan menuju ke halaman

preprocessing untuk memulai proses asosiasi.

4.2.9.2. Perancangan Halaman Preprocess

Perancangan antarmuka halaman preprocess dapat dilihat pada gambar 4.5

berikut ini.

Gambar 4.5 Rancangan Antarmuka Halaman Preprocess

Halaman ini merupakan halaman preprocessing data. Pada halaman ini

terdapat tiga tombol menu yaitu tombol “BERANDA”, tombol “BANTUAN”, dan

tombol “TENTANG”. Tombol “BERANDA” akan menuju ke halaman awal.

Tombol “BANTUAN” akan menuju ke halaman bantuan yang berisi panduan


46

menggunakan sistem. Tombol “TENTANG” akan menuju ke halaman tentang yang

berisi info penulis.

Preprocessing data dimulai dengan import data dari file dengan format file

.xls dan .csv atau dari table yang terdapat di dalam database MySQL atau Oracle.

Untuk melakukan import data terdapat tombol “PILIH FILE” dan tombol “PILIH

DATABASE”. Tombol “PILIH FILE” akan melakukan import file dengan format

.xls atau .csv. Tombol “PILIH DATABASE” akan menuju halaman konfigurasi

database. Tombol ini digunakna jika ingin melakukan import data dari tabel di

dalam database.

Tahap preprocessing selanjutnya adalah menyeleksi atribut yang akan

digunakan di dalam proses asosiasi. Pada tahap ini terdapat tombol “TANDAI

SEMUA”, tombol “HAPUS ATRIBUT”, dan tombol “BATAL”. Tombol

“TANDAI SEMUA” akan membuat seluruh atribut tercentang. Tombol “HAPUS

ATRIBUT” akan menghapus semua atribut yang telah di centang. Tombol

“BATAL” akan membatalkan semua centang sehingga tidak ada atribut yang diberi

tanda centang.

Tahap preprocessing yang terakhir adalah menentukan nilai daya serap

minimal. Setalah user memasukkan nilai daya serap minimal, tombol

“KONVERSI” akan mengubah seluruh nilai yang terdapat pada dataset menjadi

“TUNTAS” yang memiliki nilai lebih besar sama dengan nilai daya serap minimal

dan mengubah seluruh nilai yang terdapat pada dataset menjadi “TIDAK

TUNTAS” yang memiliki nilai lebih kecil dari nilai daya serap minimal.

Jika preprocessing sudah selesai maka user dapat menggunakan tombol

“SUBMIT” untuk menuju halaman asosiasi.


47

4.2.9.3. Perancangan Halaman Konfigurasi Database

Perancangan antarmuka halaman konfigurasi database dapat dilihat pada

gambar 4.6 berikut ini.

Gambar 4.6 Rancangan Antarmuka Halaman Konfigurasi Database

Halaman ini merupakan halaman konfigurasi database. Halaman ini hanya

dilakukan jika user memilih import data dari tabel di dalam database. Pada halaman

ini terdapat dua database yang dapat dipilih yaitu MySQL database dan Oracle

database. Selain itu juga terdapat dua tombol utama pada halaman ini yaitu tombol

“OK” dan tombol “KEMBALI”. Tombol “OK” akan menerima value dari seluruh

text field yang telah dimasukkan oleh user untuk kemudian dicek apakah masukkan

user sudah benar dan dapat terkoneksi dengan database yang dipilih atau belum.

Tombol “KEMBALI” akan menuju ke halaman preprocessing.


48

4.2.9.4. Perancangan Halaman Pilih Tabel Database

Perancangan antarmuka halaman pilih tabel database dapat dilihat pada

gambar 4.7 berikut ini.

Gambar 4.7 Rancangan Antarmuka Halaman Pilih Tabel Database

Halaman ini merupakan halaman pilih tabel dari database. Halaman ini

hanya dilakukan jika user memilih import data dari tabel di dalam database dan

sudah berhasil terkoneksi dengan server database. Pada halaman ini terdapat dua

tombol utama pada halaman ini yaitu tombol “OK” dan tombol “KEMBALI”.

Tombol “OK” akan menuju halaman preprocessing. Tombol “KEMBALI” akan

menuju ke halaman preprocessing.


49

4.2.9.5. Perancangan Halaman Asosiasi

Perancangan antarmuka halaman asosiasi dapat dilihat pada gambar 4.8

berikut ini.

Gambar 4.8 Rancangan Antarmuka Halaman Asosiasi

Halaman ini merupakan halaman asosiasi. Pada halaman ini terdapat tiga

tombol menu yaitu tombol “BERANDA”, tombol “BANTUAN”, dan tombol

“TENTANG”. Tombol “BERANDA” akan menuju ke halaman awal. Tombol

“BANTUAN” akan menuju ke halaman bantuan yang berisi panduan menggunakan

sistem. Tombol “TENTANG” akan menuju ke halaman tentang yang berisi info

penulis.


50

Pada halaman ini, user dapat melihat informasi mengenai data yang sudah

siap untuk dilakukan proses asosiasi, jumlah keseluruhan data, dan jumlah atribut.

Pada halaman ini, disediakan textfield untuk mengisi nilai minimum support dan

nilai minimum confidence.

Tombol utama pada halaman ini adalah tombol “PROSES” yang akan

melakukan proses asosiasi sesuai dengan table data hasil preprocessing dan

minimum support serta minimum confidence yang telah ditentukan sebelumnya.

Selain itu terdapat tombol “SIMPAN” yang berfungsi untuk menyimpan data hasil

dari proses asosiasi yang telah dilakukan.


51

4.2.9.6. Perancangan Halaman Bantuan

Perancangan antarmuka halaman tentang dapat dilihat pada gambar 4.9

berikut ini.

Gambar 4.9 Rancangan Antarmuka Halaman Tentang

Halaman ini merupakan halaman tentang. Halaman ini berisi informasi

tentang penulis. Pada halaman ini terdapat tiga tombol menu yaitu tombol

“BERANDA”, tombol “BANTUAN”, dan tombol “TENTANG”. Tombol

“BERANDA” akan menuju ke halaman awal. Tombol “BANTUAN” akan menuju

ke halaman bantuan yang berisi panduan menggunakan sistem. Tombol

“TENTANG” akan menuju ke halaman tentang yang berisi info penulis.


52

4.2.9.7. Perancangan Halaman Tentang

Perancangan antarmuka halaman bantuan dapat dilihat pada gambar 4.10

berikut ini.

Gambar 4.10 Rancangan Antarmuka Halaman Bantuan

Halaman ini merupakan halaman bantuan. Halaman ini berisi panduan

penggunaan system. Pada halaman ini terdapat tiga tombol menu yaitu tombol

“BERANDA”, tombol “BANTUAN”, dan tombol “TENTANG”. Tombol

“BERANDA” akan menuju ke halaman awal. Tombol “BANTUAN” akan menuju

ke halaman bantuan yang berisi panduan menggunakan sistem. Tombol

“TENTANG” akan menuju ke halaman tentang yang berisi info penulis.


53

BAB V

IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL

5.1. IMPLEMENTASI RANCANGAN PERANGKAT LUNAK

Perangkat Lunak pencarian aturan asosiasi ini memiliki 13 buah kelas yang

terdiri dari dua kelas model, empat kelas controller, dan tujuh kelas view.

5.1.1. Imlementasi Kelas Model

Implementasi kelas model dapat dilihat pada tabel 5.1 berikut ini.

Tabel 5.1 Implementasi Kelas Model

No Nama Kelas Nama File Fisik Nama File

Excecutable

1 model_atributSelecti

on

model_atributSelection.

java

model_atributSelection.

class

2 model_apriori model_apriori.java model_apriori.class

3 model_arules model_arules.java model_arules.class

5.1.2. Implementasi Kelas View

Implementasi kelas view dapat dilihat pada tabel 5.2 berikut ini.

Tabel 5.2 Implementasi Kelas View

No Use Case Antarmuka Nama Kelas

Boundary

1 Memasukan Data 1. Gambar 4.4

2. Gambar 4.5

3. Gambar 4.6

1. view_

preprocess.class

2. view_ database.class

3. view_ table.class

2 Seleksi Atribut Gambar 4.4 view_ preprocess.class


54

3 Asosiasi

Menggunakan

Algoritma Apriori

Gambar 4.7 view_asosiasi.class

4 Simpan Hasil

Apriori

Gambar 4.7 view_asosiasi.class

Selanjutnya akan dijelaskan spesifikasi detail dari setiap antarmuka yang

ada pada perangkat lunak pencarian aturan asosiasi ini. Spesifikasi detail dari kelas

view_home dapat dilihat pada tabel 5.3 berikut ini.

Tabel 5.3 Spesifikasi Detail Kelas view_home.java

Id_Objek Jenis Teks Keterangan

bt_home Button BERANDA Jika di click, akan menuju ke

halaman view_home.java

bt_help Button BANTUAN Jika di click, akan menuju ke

halaman view_help.java

bt_about Button TENTANG Jika di click, akan menuju ke

halaman view_about.java

lb_image Label icon_big.png Gambar logo Universitas Sanata

Dharma Yogyakarta berwarna

hitam putih

lb_title1 Label SISTEM

PENCARIAN

ATURAN

ASOSIASI

Judul perangkat lunak yang

dibangun

lb_title2 Label MENGGUNAKAN

ALGORITMA

APRIORI


dibangun

bt_system Button MASUK SISTEM Jika di click, akan menuju

halaman view_preprocess.java


55

lb_idname Label Laurensius Haris

Chrisanda –

125314055

Identitas pembuat perangkat lunak

lb_college Label Fakultas Sains dan

Teknologi

Universitas Sanata

Dharma

Yogyakarta

Identitas fakultas dan universitas

pembuat perangkat lunak

lb_year Label 2016 Identitas tahun pembuatan

perangkat lunak

Implementasi antarmuka dari kelas view_home (halaman awal) dapat

dilihat pada gambar 5.1 berikut ini.

Gambar 5.1 Implementasi Antarmuka Kelas view_home


56

Spesifikasi detail dari kelas view_preprocess dapat dilihat pada tabel 5.4

berikut ini.

Tabel 5.4 Spesifikasi Detail Kelas view_preprocess.java








lb_logo Label icon_big.png Gambar logo Universitas

Sanata Dharma Yogyakarta

berwarna hitam putih


PENCARIAN

ATURAN

ASOSIASI

MENGGUNAKAN


dibangun

lb_title2 Label ALGORITMA

APRIORI


dibangun

bt_chFile Button PILIH FILE Jika di click, akan

mengaktifkan proses input

data yang berasal dari file

bt_chDb Button PILIH

DATABASE

Jika di click, akan menuju ke

halaman view_database

lb_path Label Path : Mendeskripsikan asal data

yang dimasukan ke dalam

tabel tb_fileInput


57

tf_path Textfield Isi path directory dari data

file atau nama tabel dari data

database yang dimasukan ke

dalam tabel tb_fileInput

tb_fileInput Table Menampilkan data dari data

file yang dimasukan baik dari

file maupun dari database

p_info Panel Informasi Mendeskripsikan informasi

dari data yang dimasukan

lb_totalData Label Jumlah Data Mendeskripsikan jumlah data

dari data yang dimasukan

tf_totalData Textfield Isi jumlah data dari data yang

dimasukan

lb_totalAtribut Label Jumlah Atribut Mendeskripsikan jumlah

atribut dari data yang

dimasukan

tf_totalAtribut Textfield Isi jumlah atribut dari data

yang dimasukan

p_atribut Panel Seleksi Atribut Mendeskripsikan informasi

seleksi atribut

tb_selection Table Menampilkan data atribut

dan checkbox untuk setiap

atribut data

bt_markAll Button TANDAI SEMUA Jika di click, akan membuat

seluruh checkbox pada tabel

tb_selection menjadi

tercentang

bt_delAtribut Button HAPUS ATRIBUT Jika di click, akan

mengaktifkan proses


58

penghapusan atribut yang

sudah diberi tanda centang

bt_cancel Button BATAL Jika di click, akan membuat

seluruh checkbox menjadi

tidak tercentang

p_convert Panel Konversi Nilai

Daya Serap

Mendeskripsikan informasi

konversi data

lb_limit Label DAYA SERAP

MINIMAL (%)

Mendeskripsikan batas nilai

keberhasilan dalam persen

tf_limit Textfield Isi teks yang akan digunakan

dalam proses konversi data

bt_convert Button KONVERSI Jika di click, akan

mengaktifkan proses

konversi data

bt_submit Button LANJUT KE

PROSES

ASOSIASI

Jika di click, akan menuju ke

halaman view_asosiasi


Chrisanda –

125314055

Identitas pembuat perangkat

lunak


Teknologi

Universitas Sanata

Dharma

Yogyakarta

Identitas fakultas dan

universitas pembuat

perangkat lunak


perangkat lunak


59

Implementasi antarmuka dari kelas view_preprocess (halaman preprocess)

dapat dilihat pada gambar 5.2 berikut ini.

Gambar 5.2 Implementasi Antarmuka Kelas view_preprocess

Spesifikasi detail dari kelas view_database dapat dilihat pada tabel 5.5

berikut ini.

Tabel 5.5 Spesifikasi Detail Kelas view_database.java






PENCARIAN


dibangun


60

ATURAN

ASOSIASI


ALGORITMA

APRIORI


dibangun

lb_database Label Pilih Database Mendeskripsikan database

yang akan digunakan

cb_database Combobox 1. – Pilih Database

–

2. MySQL

3. Oracle

Index dari combobox akan

digunakan sebagai penentu

jenis database yang akan

digunakan

lb_username Label Username Mendeskripsikan username

dari database

tf_username Textfield Isi teks yang akan digunakan

sebagai username dalam

konfigurasi database

lb_password Label Password Mendeskripsikan password

dari database

tf_password Textfield Isi teks yang akan digunakan

sebagai password dalam


lb_schema Label Schema Database Mendeskripsikan schema dari

database

tf_schema Textfield Isi teks yang akan digunakan

sebagai schema dalam


lb_url Label URL Mendeskripsikan url dari

database


61

tf_url Textfield Isi teks yang akan digunakan

sebagai url dalam konfigurasi

database

bt_ok Button OK Jika di click, akan menuju ke

halaman view_table sesuai

dengan konfigurasi database

yang telah diisikan

bt_back Button KEMBALI Jika di click, akan menuju ke

halaman view_preprocess

Implementasi antarmuka dari kelas view_database (halaman pilih database)

dapat dilihat pada gambar 5.3 berikut ini.

Gambar 5.3 Implementasi Antarmuka Kelas view_database


62

Spesifikasi detail dari kelas view_table dapat dilihat pada tabel 5.6 berikut

ini.

Tabel 5.6 Spesifikasi Detail Kelas view_table.java






PENCARIAN

ATURAN

ASOSIASI


dibangun


ALGORITMA

APRIORI


dibangun

lb_table Label Pilih Tabel

Database

Mendeskripsikan database

yang akan digunakan

cb_table Combobox (Sesuai dengan

tabel dalam

database yang telah

di pilih

sebelumnya)

Index dari combobox akan

digunakan sebagai penentu

tabel yang datanya akan

digunakan

bt_ok Button OK Jika di click, akan menuju ke

halaman view_preprocess dan

menjalankan proses

pengambilan data dari tabel

database ke dalam tabel

tb_fileInput pada halaman

view_preprocess


63

bt_back Button KEMBALI Jika di click, akan menuju ke

halaman view_preprocess

Implementasi antarmuka dari kelas view_table (halaman pilih tabel

database) dapat dilihat pada gambar 5.4 berikut ini.

Gambar 5.4 Implementasi Antarmuka Kelas view_table

Spesifikasi detail dari kelas view_asosiasi dapat dilihat pada tabel 5.7

berikut ini.

Tabel 5.7 Spesifikasi Detail Kelas view_asosiasi.java












PENCARIAN


dibangun


64

ATURAN

ASOSIASI

MENGGUNAKAN

lb_title2 Label ALGORITMA

APRIORI


dibangun

tb_data Tabel Menampilkan data transaksi

yang akan digunakan untuk

proses asosiasi

Lb_dayaserap Label DAYA SERAP

MINIMUM (%)

Mendeskripsikan nilai daya

serap minimum yang

digunakan

Tf_dayaserap Textfield Isi teks yang akan

menunjukkan besaran nilai

daya searp minimal yang

digunakan

Lb_minsup Label MIN SUPPORT

(%)

Mendeskripsikan minimum

support yang akan digunakan

dalam proses asosiasi

menggunakan algoritma

apriori

Tf_minsup Textfield Isi teks yang akan digunakan

sebagai minimum support



apriori

Lb_mincon Label MIN

CONFIDENCE

(%)

Mendeskripsikan minimum

confidence yang akan

digunakan dalam proses

asosiasi menggunakan

algoritma apriori


65

Tf_mincon Textfield Isi teks yang akan digunakan

sebagai minimum confidence



apriori

Lb_runtime Label RUNNING TIME : Mendeskripsikan waktu yang

dibutuhkan perangkat lunak

dalam melakukan proses

asosiasi

Tf_runtime Textfield Isi teks berupa waktu yang

digunakan oleh perangkat

lunak dalam melakukan

proses asosiasi

Lb_second Label Seconds Mendeskripsikan waktu

jalannya perangkat lunak

dalam satuan detik (second)

Bt_process Button PROSES Jika di click, akan

menjalankan proses asosiasi

Ta_apriori Textarea Berisi hasil asosiasi yang

dilakukan oleh perangkat

lunak

Bt_save Button SIMPAN HASIL

ASOSIASI

Jika di click, akan

menjalankan perintah untuk

menyimpan hasil asosiasi


Chrisanda –

125314055


lunak


Teknologi

Universitas Sanata

Identitas fakultas dan

universitas pembuat perangkat

lunak


66

Dharma

Yogyakarta


perangkat lunak

Implementasi antarmuka dari kelas view_asosiasi (halaman asosiasi) dapat


Gambar 5.5 Implementasi Antarmuka Kelas view_asosiasi


67

Spesifikasi detail dari kelas view_help dapat dilihat pada tabel 5.8 berikut

ini.

Tabel 5.8 Spesifikasi Detail Kelas view_help.java








lb_logo Label icon_big.png Gambar logo Universitas Sanata


hitam putih

lb_title1 Label PERANGKAT

LUNAK

ASOSIASI


dibangun


ALGORITMA

APRIORI


dibangun

lb_help Label PANDUAN

PENGGUNAAN

PERANGKAT

LUNAK

Mendeskripsikan panduan

penggunaan perangkat lunak

ta_help Textarea (Panduan

Penggunaan

Perangkat lunak)

Berisi langkah-langkah

menggunakan program beserta

fungsi tombol-tombol penting

pada perangkat lunak


68


Chrisanda –

125314055


lunak


Teknologi

Universitas Sanata

Dharma

Yogyakarta




perangkat lunak

Implementasi antarmuka dari kelas view_help (halaman bantuan) dapat


Gambar 5.6 Implementasi Antarmuka Kelas view_help


69

Spesifikasi detail dari kelas view_about dapat dilihat pada tabel 5.9 berikut

ini.

Tabel 5.9 Spesifikasi Detail Kelas view_about.java








lb_logo Label icon_big.png Gambar logo Universitas Sanata


hitam putih

lb_title1 Label PERANGKAT

LUNAK

ASOSIASI


dibangun


ALGORITMA

APRIORI


dibangun

lb_help Label INFORMASI

PERANGKAT

LUNAK

Mendeskripsikan informasi

tentang pembuat perangkat lunak

ta_help Textarea (Informasi Pembuat

Perangkat lunak)

Berisi informasi mengenai

pembuat perangkat lunak dan

judul dari tugas akhir yang

dikerjakan.


Teknologi

Universitas Sanata




70

Dharma

Yogyakarta


perangkat lunak

Implementasi antarmuka dari kelas view_about (halaman tentang) dapat


Gambar 5.7 Implementasi Antarmuka Kelas view_about


71

5.1.3. Implementasi Kelas Control

Implementasi kelas controller dapat dilihat pada tabel 5.10 berikut ini.

Tabel 5.10 Implementasi Kelas Controller

No Use Case Nama File Fisik Nama File Excecutable

1 Memasukan Data 1. control_dbConnection

.java

2. control_tableConnecti

on.java

1. control_dbConnection

.class

2. control_tableConnecti

on.class

2 Seleksi Atribut control_atributSelection.j

ava

control_atributSelection.j

ava

3 Asosiasi

Menggunakan

Algoritma Apriori

1. control_apriori.java

2. control_arules.java

1. control_apriori.class

2. control_arules.class

4 Simpan Hasil

Apriori

- -

5.2. EVALUASI HASIL

5.2.1. Pengujian Perangkat Lunak (Black Box)

5.2.1.1. Rencana Pengujian Black Box

Pada tabel 5.11 dibawah ini akan dijelaskan rencana pengujian dengan

menggunakan metode black box.

Tabel 5.11 Rencana Pengujian Black Box

No. Use Case Butir Uji Kasus Uji

1. Memasukan Data Pengujian memasukan data dari

file bertipe .xls

UC1-01

Pengujian memasukan data dari

file bertipe .csv

UC1-02


72

Pengujian memasukan data dari

file selain bertipe .xls dan .csv

UC1-03

Pengujian Memasukan data dari

database MySQL

UC1-04

Pengujian Memasukan data dari

database Oracle

UC1-05

Pengujian Melakukan Kesalahan

Konfigurasi Database

UC1-06

2. Seleksi Atribut Pengujian menghapus atribut

dengan memilih satu atau lebih

atribut kemudian menekan tombol

hapus atribut

UC2-01

Pengujian menghapus atribut

dengan memilih semua atribut

menggunakan tombol tandai

semua kemudian menekan tombol

hapus atribut

UC2-02

Pengujian membatalkan

pemilihan atribut dengan menekan

tombol batal

UC2-03

3. Asosiasi Menggunakan

Algoritma Apriori

Pengujian melakukan konversi

data sesuai dengan masukan nilai

daya serap minimum

UC3-01

Pengujian terjadi kesalahan dalam

melakukan konversi data

UC3-02

Pengujian melakukan proses

asosiasi

UC3-03


73

4. Simpan Hasil Asosiasi Pengujian menyimpan hasil

asosiasi ke dalam file bertipe .xls

UC4-01

Pengujian menyimpan hasil

asosiasi ke dalam file bertipe .doc

UC4-02

Pengujian menyimpan hasil

asosiasi ke dalam file bertipe .txt

UC4-03

5.2.1.2. Prosedur Pengujian Black Box dan Kasus Uji

Setelah menyusun rencana pengujian pada tabel 5.11, maka dilakukan

prosedur pengujian serta kasus uji yang terlampir pada lampiran 11.

5.2.1.3. Evaluasi Pengujian Black Box

Seluruh hasil pengujian black box pada lampiran 11 menunjukkan bahwa

perangkat lunak sudah dapat berjalan dengan baik dan sesuai dengan perancangan

yang sudah dibuat. Hal ini dapat dilihat dari semua fungsi yang sudah berjalan

sesuai dengan yang diharapkan. Perangkat lunak ini juga mampu menampilkan

pesan kesalahan jika terjadi kesalahan atau error saat perangkat lunak sedang

digunakan baik dari kesalahan pengguna atau user perangkat lunak maupun

kesalahan dari perangkat lunak itu sendiri. Hal ini sangat baik karena dapat

memudahkan user dalam menggunakan perangkat lunak.

5.2.2. Pengujian Perbandingan Hasil Hitung Manual dengan Hasil Perangkat

Lunak

5.2.2.1. Penghitungan Manual

Pengujian penghitungan manual menggunakan data nilai daya serap Ujian

Nasional Matematika SMA jurusan IPA di Kabupaten Gunung Kidul, Daerah

Istimewa Yogyakarta tahun ajaran 2012/2013.

Proses penghitungan manual dilakukan dengan menggunakan aplikasi

Microsoft Excel. Dalam melakukan pencarian aturan asosiasi ini, digunakan nilai

daya serap minimal sebesar 60%, nilai minimum support sebesar 60%, dan nilai


74

minimum confidence sebesar 60%. Proses penghitungan manual beserta dengan

hasilnya dapat dilihat pada Lampiran 12.

5.2.2.2. Penghitungan Perangkat Lunak

Pengujian penghitungan perangkat lunak menggunakan data yang sama

dengan penghitungan manual yaitu data nilai daya serap hasil Ujian Nasional

Matematika SMA jurusan IPA di Kabupaten Gunung Kidul, Daerah Istimewa

Yogyakarta tahun ajaran 2012/2013.

Dalam melakukan pencarian aturan asosiasi ini, perangkat lunak

menggunakan nilai daya serap minimal 60%, nilai minimum support sebesar 60%,

dan nilai minimum confidence sebesar 60%. Hasil dari penghitungan perangkat

lunak dapat dilihat pada gambar 5.8 berikut ini.

Gambar 5.8 Hasil Penambangan Data Menggunakan Perangkat Lunak


75

5.2.2.3. Evaluasi Pengujian Perbandingan Hitung Manual dengan Hasil

Perangkat lunak

Hasil pencarian aturan asosiasi secara manual dengan yang dihasilkan oleh

perangkat lunak tidak memiliki perbedaan. Hasil yang diperoleh oleh perangkat

lunak sama dengan hasil yang diperoleh dari penghitungan manual. maka dapat

disimpulkan bahwa perangkat lunak sudah berjalan dengan baik dan sesuai dengan

yang diharapkan.

5.2.3. Pengujian Perangkat Lunak Dengan Menggunakan Dataset

Pada pengujian perangkat lunak dengan menggunakan dataset akan

membandingkan aturan asosiasi yang dihasilkan dari dataset berikut ini :

1. Data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA

jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013


jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2013/2014

3. Gabungan data daya serap hasil Ujian Nasional Mata Pelajaran

Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun

pelajaran 2012/2013 dan tahun pelajaran 2013/2014


jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015.

Pada pengujian ini akan dilakukan pengujian terhadap nilai daya serap

minimal, nilai minimum support, dan nilai minimum confidence yang berbeda-

beda. Dari pengujian ini akan dilihat aturan asosiasi yang dihasilkan dari masing-

masing pengujian.

Nilai daya serap minimal 60% digunakan berdasarkan interval daya serap

siswa pada tabel 2.1 yang mengatakan bahwa nilai 60% merupakan interval

minimal untuk kategori sedang.

Interval minimum untuk minimum support yang akan digunakan yaitu

40%. Alasan penulis menggunakan nilai tersebut berdasarkan nilai daya serap pada

dataset yang penulis miliki. Untuk nilai daya serap paling minimum yaitu 60%,

ditemukan banyak indikator pencapaian kompetensi yang dinyatakan tidak tuntas.


76

Jika menggunakan minimum support yang terlalu tinggi, dapat menyebabkan tidak

ditemukannya aturan asosiasi yang menarik. Sedangkan jika nilai minimum support

yang digunakan terlalu rendah, dapat menyebabkan aturan asosiasi yang dihasilkan

menjadi tidak efisien karena aturan asosiasi yang memiliki nilai support yang

rendah dapat terjadi hanya karena secara kebetulan (Tan dkk., 2006).

Interval nilai untuk minimum confidence yang digunakan adalah 50% -

80%. Alasan penulis menggunakan interval nilai tersebut karena nilai confidence

digunakan untuk mengukur keandalan kesimpulan yang dibuat oleh aturan asosiasi.

Untuk aturan 𝑋 → 𝑌, semakin tinggi nilai confidence, semakin besar kemungkinan

𝑌 terdapat di dalam transaksi yang mengandung 𝑋 (Tan dkk., 2006). Sebaliknya,

semakin rendah nilai confidence, semakin kecil kemungkinan 𝑌 terdapat di dalam

transaksi yang mengandung 𝑋. Maka dari itu penulis memilih nilai minimum untuk

interval minimum confidence sebesar 50% sedangkan untuk nilai maksimum

sebesar 80%. Nilai 80% penulis gunakan karena nilai tersebut sudah cukup tinggi.

Jika menggunakan nilai yang lebih besar, dapat menyebabkan tidak munculnya

aturan asosiasi yang menarik.

Pada pengujian yang akan penulis lakukan, akan dilakukan variasi

penggunaan nilai nilai daya serap minimum, minimum support, dan minimum

confidence pada setiap pengujian. Penambahan nilai sebanyak 5 untuk nilai daya

serap minimum dan nilai minimum support secara bergantian. Sedangkan untuk

nilai minimum confidence akan dikurangi 5. Nilai pertama yang akan divariasi

adalah nilai minimum confidence, sedangkan nilai daya serap minimum dan

minimum support akan dikunci. Hal ini dilakukan hingga pengujian sudah selesai

menguji nilai minimum confidence dari 80% - 50% atau aturan asosiasi yang

dihasilkan sudah stabil. Nilai selanjutnya adalah melakukan variasi nilai untuk nilai

minimum support ketika pengujian pada nilai minimum confidence sudah mencapai

interval terendah yaitu 50% atau ketika aturan asosiasi yang dihasilkan sudah stabil.

Selanjutnya adalah melakukan variasi nilai minimum daya serap ketika tidak

ditemukan lagi aturan asosiasi.


77

5.2.3.1. Pengujian Dataset Tahun Ajaran 2012/2013

Data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA

jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 memiliki

30 atribut indikator pencapaian kompetensi dan 140 baris data. Tabel pengujian

dataset tahun pelajaran 2012/2013 dapat dilihat pada tabel 5.12.

Tabel 5.12 Pengujian Dataset Tahun Pelajaran 2012/2013

No.

Pengujian Daya Serap

Minimum

Support

Minimum

Confidence

Jumlah Aturan

Asosiasi

1 60 % 40 % 80 % 26

2 60 % 40 % 75 % 33

3 60 % 40 % 70 % 33

4 60 % 40 % 65 % 33

5 60 % 40 % 60 % 34

6 60 % 40 % 55 % 37

7 60 % 40 % 50 % 39

8 60 % 45 % 80 % 9

9 60 % 45 % 75 % 9

10 60 % 45 % 70 % 9

11 60 % 45 % 65 % 14

12 60 % 45 % 60 % 15

13 60 % 45 % 55 % 16

14 60 % 45 % 50 % 18

15 60 % 50 % 80 % 6

16 60 % 50 % 75 % 6

17 60 % 50 % 70 % 6

18 60 % 50 % 65 % 10

19 60 % 50 % 60 % 10

20 60 % 50 % 55 % 11

21 60 % 50 % 50 % 12


78

22 60 % 55 % 80 % 2

23 60 % 55 % 75 % 2

24 60 % 55 % 70 % 2

25 60 % 55 % 65 % 2

26 60 % 55 % 60 % 2

27 60 % 60 % 80 % 2

28 60 % 60 % 75 % 2

29 60 % 60 % 70 % 2

30 60 % 60 % 65 % 2

31 60 % 60 % 60 % 2

32 60 % 65 % 80 % 2

33 60 % 65 % 75 % 2

34 60 % 65 % 70 % 2

35 60 % 65 % 65 % 2

36 60 % 65 % 60 % 2

37 60 % 70 % 80 % 2

38 60 % 70 % 75 % 2

39 60 % 70 % 70 % 2

40 60 % 70 % 65 % 2

41 60 % 70 % 60 % 2

42 60 % 75 % 80 % 0

43 60 % 75 % 75 % 0

44 60 % 75 % 70 % 0

45 60 % 75 % 65 % 0

46 60 % 75 % 60 % 0

47 65 % 40 % 80 % 6

48 65 % 40 % 75 % 6

49 65 % 40 % 70 % 7

50 65 % 40 % 65 % 9


79

51 65 % 40 % 60 % 10

52 65 % 40 % 55 % 10

53 65 % 40 % 50 % 11

54 65 % 45 % 80 % 2

55 65 % 45 % 75 % 2

56 65 % 45 % 70 % 3

57 65 % 45 % 65 % 3

58 65 % 45 % 60 % 3

59 65 % 50 % 80 % 1

60 65 % 50 % 75 % 1

61 65 % 50 % 70 % 2

62 65 % 50 % 65 % 2

63 65 % 50 % 60 % 2

64 65 % 55 % 80 % 1

65 65 % 55 % 75 % 1

66 65 % 55 % 70 % 2

67 65 % 55 % 65 % 2

68 65 % 55 % 60 % 2

69 65 % 60 % 80 % 1

70 65 % 60 % 75 % 1

71 65 % 60 % 70 % 2

72 65 % 60 % 65 % 2

73 65 % 60 % 60 % 2

74 65 % 65 % 80 % 0

75 65 % 65 % 75 % 0

76 65 % 65 % 70 % 0

77 65 % 65 % 65 % 0

78 65 % 65 % 60 % 0

79 70 % 40 % 80 % 1


80

80 70 % 40 % 75 % 1

81 70 % 40 % 70 % 1

82 70 % 40 % 65 % 1

83 70 % 40 % 60 % 2

84 70 % 40 % 55 % 2

85 70 % 40 % 50 % 2

86 70 % 45 % 80 % 1

87 70 % 45 % 75 % 1

88 70 % 45 % 70 % 1

89 70 % 45 % 65 % 1

90 70 % 45 % 60 % 2

91 70 % 45 % 55 % 2

92 70 % 45 % 50 % 2

93 70 % 50 % 80 % 0

94 70 % 50 % 75 % 0

95 70 % 50 % 70 % 0

96 70 % 50 % 65 % 0

97 70 % 50 % 60 % 0

98 75 % 40 % 80 % 0

99 75 % 40 % 75 % 0

100 75 % 40 % 70 % 0

101 75 % 40 % 65 % 0

102 75 % 40 % 60 % 0

Salah satu tampilan hasil pengujian dengan menggunakan masukan nilai

daya serap minimum 60%, nilai minimum support 40%, dan nilai minimum

confidence 60% diuraikan pada gambar 5.8.


81

Gambar 5.9 Hasil Pengujian 1 Dataset Tahun Pelajaran 2012/2013

Berdasarkan gambar 5.9, terdapat tiga frequent itemset pada frequent 4-

itemset yang akan digunakan sebagai dasar pembentukan aturan asosiasi. Ketiga

frequent itemset tersebut adalah {MAT04, MAT19, MAT27, MAT28}, {MAT04,

MAT13, MAT19, MAT28}, dan {MAT04, MAT13, MAT19, MAT27}. Dari

ketiga frequent itemset tersebut diperoleh informasi seperti berikut ini :

1. Aturan asosiasi terkuat dari frequent itemset {MAT04, MAT19,

MAT27, MAT28} adalah {MAT19, MAT27} {MAT04, MAT28}

dengan nilai confidence 79.73% dan nilai lift ratio 1.62. Aturan asosiasi

tersebut dapat diartikan, jika tuntas pada indikator pencapaian

kompetensi 19 (menyelesaikan masalah sehari-hari yang berkaitan

dengan sistem persamaan linear) dan indikator pencapaian kompetensi

27 (Menyelesaikan operasi aljabar beberapa vektordengan syarat

tertentu) maka akan tuntas pada kompetensi 4 (menentukan penarikan

kesimpulan dari beberapa premis) dan 28 (menyelesaikan operasi

matriks) pada mata pelajaran Matematika.


MAT19, MAT28} adalah {MAT13} {MAT04, MAT19, MAT28}


82



kompetensi 13 (Menyelesaikan masalah deret aritmetika) maka akan

tuntas pada indikator pencapaian kompetensi 4 (menentukan penarikan

kesimpulan dari beberapa premis), 19 (menyelesaikan masalah sehari-

hari yang berkaitan dengan sistem persamaan linear), dan 28

(menyelesaikan operasi matriks) pada mata pelajaran Matematika.


MAT19, MAT27} adalah {MAT13} {MAT04, MAT19, MAT27}



kompetensi 13 (menyelesaikan masalah deret aritmetika) maka akan

tuntas pada indikator pencapaian kompetensi 4 (menentukan penarikan

kesimpulan dari beberapa premis) , 19 (menyelesaikan masalah sehari-

hari yang berkaitan dengan sistem persamaan linear), dan 29

(menyelesaikan persamaan trigonometri) pada mata pelajaran

Matematika.

Tampilan hasil pengujian menggunakan dataset tahun pelajaran 2012/2013

selain gambar 5.8 dapat dilihat pada Lampiran 13. Uraian hasil pengujian pada tabel

5.12 adalah sebagai berikut :

1. Nilai daya serap tertinggi yang dapat dipergunakan untuk menemukan

aturan asosiasi adalah 70% dengan nilai minimum support 45%.

2. Aturan asosiasi sudah tidak ditemukan ketika nilai daya serap yang

digunakan sebesar 75% walaupun sudah menggunakan nilai minimum

support paling minimum yaitu 40%.

3. Nilai daya serap dan nilai minimum support yang digunakan sangat

berpengaruh terhadap aturan asosiasi yang dapat ditemukan. Dengan

melakukan penambahan nilai sebesar 5 baik itu pada nilai daya serap

siswa atau pun nilai minimum support, perbedaan jumlah aturan asosiasi

yang ditemukan sangat signifikan. Sedangkan untuk perubahan nilai

minimum confidence tidak terlalu berpengaruh terhadap jumlah aturan


83

asosiasi yang ditemukan karena perbedaan jumlahnya tidak berbeda

jauh bahkan sama.

4. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya

serap sebesar 60% mulai stabil dengan menggunakan nilai minimum

support sebesar 55% - 70% dan nilai minimum confidence sebesar 50%

- 80%.


serap sebesar 65% cenderung stabil dengan menggunakan nilai

minimum support sebesar 45% - 60% dan nilai minimum confidence

sebesar 50% - 80%.




- 80%.







No.


Minimum

Support

Minimum

Confidence

Jumlah Aturan

Asosiasi

1 60 % 40 % 80 % 18

2 60 % 40 % 75 % 22

3 60 % 40 % 70 % 22

4 60 % 40 % 65 % 22

5 60 % 40 % 60 % 22

6 60 % 40 % 55 % 25


84

7 60 % 40 % 50 % 26

8 60 % 45 % 80 % 9

9 60 % 45 % 75 % 9

10 60 % 45 % 70 % 9

11 60 % 45 % 65 % 14

12 60 % 45 % 60 % 15

13 60 % 45 % 55 % 16

14 60 % 45 % 50 % 18

15 60 % 50 % 80 % 3

16 60 % 50 % 75 % 3

17 60 % 50 % 70 % 3

18 60 % 50 % 65 % 5

19 60 % 50 % 60 % 5

20 60 % 50 % 55 % 6

21 60 % 50 % 50 % 6

22 60 % 55 % 80 % 1

23 60 % 55 % 75 % 2

24 60 % 55 % 70 % 2

25 60 % 55 % 65 % 2

26 60 % 55 % 60 % 2

27 60 % 55 % 55 % 2

28 60 % 60 % 80 % 1

29 60 % 60 % 75 % 2

30 60 % 60 % 70 % 2

31 60 % 60 % 65 % 2

32 60 % 60 % 60 % 2

33 60 % 60 % 55 % 2

34 60 % 65 % 80 % 1

35 60 % 65 % 75 % 2


85

36 60 % 65 % 70 % 2

37 60 % 65 % 65 % 2

38 60 % 65 % 60 % 2

39 60 % 65 % 55 % 2

40 60 % 70 % 80 % 1

41 60 % 70 % 75 % 2

42 60 % 70 % 70 % 2

43 60 % 70 % 65 % 2

44 60 % 70 % 60 % 2

45 60 % 70 % 55 % 2

46 60 % 75 % 80 % 0

47 60 % 75 % 75 % 0

48 60 % 75 % 70 % 0

49 60 % 75 % 65 % 0

50 60 % 75 % 60 % 0

51 65 % 40 % 80 % 3

52 65 % 40 % 75 % 3

53 65 % 40 % 70 % 4

54 65 % 40 % 65 % 5

55 65 % 40 % 60 % 5

56 65 % 40 % 55 % 5

57 65 % 40 % 50 % 6

58 65 % 45 % 80 % 1

59 65 % 45 % 75 % 1

60 65 % 45 % 70 % 2

61 65 % 45 % 65 % 2

62 65 % 45 % 60 % 2

63 65 % 45 % 55 % 2

64 65 % 45 % 50 % 2


86

65 65 % 50 % 80 % 1

66 65 % 50 % 75 % 1

67 65 % 50 % 70 % 2

68 65 % 50 % 65 % 2

69 65 % 50 % 60 % 2

70 65 % 50 % 55 % 2

71 65 % 50 % 50 % 2

72 65 % 55 % 80 % 1

73 65 % 55 % 75 % 1

74 65 % 55 % 70 % 2

75 65 % 55 % 65 % 2

76 65 % 55 % 60 % 2

77 65 % 55 % 55 % 2

78 65 % 55 % 50 % 2

79 65 % 60 % 80 % 0

80 65 % 60 % 75 % 0

81 65 % 60 % 70 % 0

82 65 % 60 % 65 % 0

83 65 % 60 % 60 % 0

84 70 % 40 % 80 % 1

85 70 % 40 % 75 % 1

86 70 % 40 % 70 % 1

87 70 % 40 % 65 % 1

88 70 % 40 % 60 % 2

89 70 % 40 % 55 % 2

90 70 % 40 % 50 % 2

91 70 % 45 % 80 % 1

92 70 % 45 % 75 % 1

93 70 % 45 % 70 % 1


87

94 70 % 45 % 65 % 1

95 70 % 45 % 60 % 2

96 70 % 45 % 55 % 2

97 70 % 45 % 50 % 2

98 70 % 50 % 80 % 0

99 70 % 50 % 75 % 0

100 70 % 50 % 70 % 0

101 70 % 50 % 65 % 0

102 70 % 50 % 60 % 0

103 75 % 40 % 80 % 0

104 75 % 40 % 75 % 0

105 75 % 40 % 70 % 0

106 75 % 40 % 65 % 0

107 75 % 40 % 60 % 0


dapat dilihat pada Lampiran 14. Uraian hasil pengujian pada tabel 5.13 adalah

sebagai berikut :













88


jauh bahkan sama.




- 80%.




- 80%.




- 80%.







No.


Minimum

Support

Minimum

Confidence

Jumlah Aturan

Asosiasi

1 60 % 40 % 80 % 21

2 60 % 40 % 75 % 24

3 60 % 40 % 70 % 25

4 60 % 40 % 65 % 28

5 60 % 40 % 60 % 29

6 60 % 40 % 55 % 29


89

7 60 % 40 % 50 % 29

8 60 % 45 % 80 % 9

9 60 % 45 % 75 % 10

10 60 % 45 % 70 % 13

11 60 % 45 % 65 % 13

12 60 % 45 % 60 % 13

13 60 % 45 % 55 % 13

14 60 % 45 % 50 % 14

15 60 % 50 % 80 % 5

16 60 % 50 % 75 % 5

17 60 % 50 % 70 % 5

18 60 % 50 % 65 % 5

19 60 % 50 % 60 % 6

20 60 % 50 % 55 % 6

21 60 % 50 % 50 % 6

22 60 % 55 % 80 % 4

23 60 % 55 % 75 % 4

24 60 % 55 % 70 % 6

25 60 % 55 % 65 % 6

26 60 % 55 % 60 % 6

27 60 % 60 % 80 % 1

28 60 % 60 % 75 % 1

29 60 % 60 % 70 % 2

30 60 % 60 % 65 % 2

31 60 % 60 % 60 % 2

32 60 % 60 % 55 % 2

33 60 % 60 % 50 % 2

34 60 % 65 % 80 % 0

35 60 % 65 % 75 % 0


90

36 60 % 65 % 70 % 0

37 60 % 65 % 65 % 0

38 60 % 65 % 60 % 0

39 65 % 40 % 80 % 3

40 65 % 40 % 75 % 4

41 65 % 40 % 70 % 4

42 65 % 40 % 65 % 4

43 65 % 40 % 60 % 4

44 65 % 40 % 55 % 6

45 65 % 40 % 50 % 6

46 65 % 45 % 80 % 5

47 65 % 45 % 75 % 5

48 65 % 45 % 70 % 5

49 65 % 45 % 65 % 7

50 65 % 45 % 60 % 7

51 65 % 45 % 55 % 8

52 65 % 45 % 50 % 8

53 65 % 50 % 80 % 2

54 65 % 50 % 75 % 2

55 65 % 50 % 70 % 2

56 65 % 50 % 65 % 4

57 65 % 50 % 60 % 4

58 65 % 50 % 55 % 4

59 65 % 50 % 50 % 4

60 65 % 55 % 80 % 0

61 65 % 55 % 75 % 0

62 65 % 55 % 70 % 0

63 65 % 55 % 65 % 0

64 65 % 55 % 60 % 0


91

65 70 % 40 % 80 % 2

66 70 % 40 % 75 % 2

67 70 % 40 % 70 % 2

68 70 % 40 % 65 % 4

69 70 % 40 % 60 % 4

70 70 % 40 % 55 % 4

71 70 % 40 % 50 % 4

72 70 % 45 % 80 % 0

73 70 % 45 % 75 % 0

74 70 % 45 % 70 % 0

75 70 % 45 % 65 % 0

76 70 % 45 % 60 % 0

77 75 % 40 % 80 % 0

78 75 % 40 % 75 % 0

79 75 % 40 % 70 % 0

80 75 % 40 % 65 % 0

81 75 % 40 % 60 % 0


dapat dilihat pada Lampiran 15. Uraian hasil pengujian pada tabel 5.13 adalah

sebagai berikut :











92




jauh bahkan sama.


serap sebesar 60% tidak terlihat stabil dengan menggunakan variasi nilai

minimum support sebesar 40% - 65%. Jumlah aturan asosiasi yang

ditemukan perbedaannya cukup signifikan. Namun jumlah aturan

asosiasi yang ditemukan cenderung stabil dengan menggunakan nilai

minimum confidence sebesar 50% - 80%.


serap sebesar 65% tidak terlihat stabil dengan menggunakan variasi nilai

minimum support sebesar 40% - 55%. Jumlah aturan asosiasi yang

ditemukan perbedaannya cukup signifikan. Namun jumlah aturan

asosiasi yang ditemukan cenderung stabil dengan menggunakan nilai

minimum confidence sebesar 50% - 80%.

5.2.3.4. Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran

2013/2014

Gabungan data daya serap hasil Ujian Nasional Mata Pelajaran

Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran

2012/2013 dan tahun pelajaran 2013/2014 memiliki 30 atribut indikator pencapaian

kompetensi dan 280 baris data. Tabel pengujian dataset tahun pelajaran 2012/2013

dan tahun pelajaran 2013/2014 dapat dilihat pada tabel 5.15.

Tabel 5.15 Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran

2013/2014

No.


Minimum

Support

Minimum

Confidence

Jumlah Aturan

Asosiasi

1 60 % 40 % 80 % 18


93

2 60 % 40 % 75 % 22

3 60 % 40 % 70 % 22

4 60 % 40 % 65 % 22

5 60 % 40 % 60 % 23

6 60 % 40 % 55 % 25

7 60 % 40 % 50 % 26

8 60 % 45 % 80 % 9

9 60 % 45 % 75 % 9

10 60 % 45 % 70 % 9

11 60 % 45 % 65 % 14

12 60 % 45 % 60 % 15

13 60 % 45 % 55 % 16

14 60 % 45 % 50 % 18

15 60 % 50 % 80 % 3

16 60 % 50 % 75 % 3

17 60 % 50 % 70 % 3

18 60 % 50 % 65 % 5

19 60 % 50 % 60 % 5

20 60 % 50 % 55 % 6

21 60 % 50 % 50 % 6

22 60 % 55 % 80 % 2

23 60 % 55 % 75 % 2

24 60 % 55 % 70 % 2

25 60 % 55 % 65 % 2

26 60 % 55 % 60 % 2

27 60 % 60 % 80 % 2

28 60 % 60 % 75 % 2

29 60 % 60 % 70 % 2

30 60 % 60 % 65 % 2


94

31 60 % 60 % 60 % 2

32 60 % 65 % 80 % 2

33 60 % 65 % 75 % 2

34 60 % 65 % 70 % 2

35 60 % 65 % 65 % 2

36 60 % 65 % 60 % 2

37 60 % 70 % 80 % 2

38 60 % 70 % 75 % 2

39 60 % 70 % 70 % 2

40 60 % 70 % 65 % 2

41 60 % 70 % 60 % 2

42 60 % 75 % 80 % 0

43 60 % 75 % 75 % 0

44 60 % 75 % 70 % 0

45 60 % 75 % 65 % 0

46 60 % 75 % 60 % 0

47 65 % 40 % 80 % 3

48 65 % 40 % 75 % 3

49 65 % 40 % 70 % 4

50 65 % 40 % 65 % 5

51 65 % 40 % 60 % 5

52 65 % 40 % 55 % 5

53 65 % 40 % 50 % 6

54 65 % 45 % 80 % 1

55 65 % 45 % 75 % 1

56 65 % 45 % 70 % 2

57 65 % 45 % 65 % 2

58 65 % 45 % 60 % 2

59 65 % 45 % 55 % 2


95

60 65 % 45 % 50 % 2

61 65 % 50 % 80 % 1

62 65 % 50 % 75 % 1

63 65 % 50 % 70 % 2

64 65 % 50 % 65 % 2

65 65 % 50 % 60 % 2

66 65 % 50 % 55 % 2

67 65 % 50 % 50 % 2

68 65 % 55 % 80 % 1

69 65 % 55 % 75 % 1

70 65 % 55 % 70 % 2

71 65 % 55 % 65 % 2

72 65 % 55 % 60 % 2

73 65 % 55 % 55 % 2

74 65 % 55 % 50 % 2

75 65 % 60 % 80 % 0

76 65 % 60 % 75 % 0

77 65 % 60 % 70 % 0

78 65 % 60 % 65 % 0

79 65 % 60 % 60 % 0

80 70 % 40 % 80 % 1

81 70 % 40 % 75 % 1

82 70 % 40 % 70 % 1

83 70 % 40 % 65 % 1

84 70 % 40 % 60 % 2

85 70 % 40 % 55 % 2

86 70 % 40 % 50 % 2

87 70 % 45 % 80 % 1

88 70 % 45 % 75 % 1


96

89 70 % 45 % 70 % 1

90 70 % 45 % 65 % 1

91 70 % 45 % 60 % 2

92 70 % 45 % 55 % 2

93 70 % 45 % 50 % 2

94 70 % 50 % 80 % 0

95 70 % 50 % 75 % 0

96 70 % 50 % 70 % 0

97 70 % 50 % 65 % 0

98 70 % 50 % 60 % 0

99 75 % 40 % 80 % 0

100 75 % 40 % 75 % 0

101 75 % 40 % 70 % 0

102 75 % 40 % 65 % 0

103 75 % 40 % 60 % 0

Tampilan hasil pengujian menggunakan gabungan dataset tahun pelajaran

2012/2013 dan tahun pelajaran 2013/2014 dapat dilihat pada Lampiran 16. Uraian

hasil pengujian pada tabel 5.13 adalah sebagai berikut :













97


jauh bahkan sama.




- 80%.




- 80%.




- 80%.

5.2.4. Evaluasi Pola Asosiasi

Berdasarkan seluruh pengujian yang telah dilakukan, untuk data daya serap

hasil Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah

Istimewa Yogyakarta tahun pelajaran 2012/2013 dan 2013/2014 memiliki pola

asosiasi yang hampir mirip. Sedangkan untuk data daya serap hasil Ujian Nasional

mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta

tahun pelajaran 2014/2015 memiliki pola asosiasi yang berbeda. Hal ini disebabkan

karena adanya perbedaan jumlah indikator yang diujikan.

Berdasarkan pengujian data daya serap hasil Ujian Nasional mata pelajaran

Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2012/2013 dan tahun

pelajaran 2013/2014 baik pada data tunggal dan data gabungan, ditemukan lima

buah indikator pencapaian kompetensi yang memiliki nilai diatas syarat minimum

yaitu :

1. Indikator 4 (menentukan penarikan kesimpulan dari beberapa premis)

2. Indikator 13 (menyelesaikan masalah deret aritmetika)


98

3. Indikator 19 (menyelesaikan masalah sehari-hari yang berkaitan dengan

sistem persamaan linear)

4. Indikator 27 (menyelesaikan operasi aljabar beberapa vektor dengan

syarat tertentu)

5. Indikator 28 (menyelesaikan operasi matriks)

Berdasarkan hasil diskusi dengan pihak yang menekuni bidang pendidikan

matematika, dari lima buah indikator tersebut hanya indikator 19, indikator 27, dan

indikator 28 yang memiliki keterkaitan satu sama lain. Sedangkan indikator 4 dan

indikator 13 tidak memiliki keterkaitan dengan indikator pencapaian kompetensi

lainnya. Namun berdasarkan hasil pengujian yang telah dilakukan, tidak ditemukan

aturan asosiasi yang menyatakan keterhubungan antara indikator 19, indikator 27,

dan indikator 28. Dengan demikian pada dataset tahun pelajaran 2012/2013 dan

tahun pelajaran 2013/2014 tidak ditemukan pola asosiasi yang bermakna.

Berdasarkan pengujian data daya serap hasil Ujian Nasional mata pelajaran

Matematika di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015, ditemukan

lima buah indikator pencapaian kompetensi yang memiliki nilai diatas syarat

minimum yaitu :

1. Indikator 7 (menggunakan aturan pangkat, akar, dan logaritma)

2. Indikator 12 (menghitung ukuran pemusatan atau ukuran letak dari data

dalam bentuk tabel, diagram atau grafik)

3. Indikator 13 (menyelesaikan masalah deret aritmetika)

4. Indikator 26 (menyelesaikan operasi aljabar beberapa vektor dengan

syarat tertentu)

5. Indikator 27 (menyelesaikan operasi matriks)

Berdasarkan hasil diskusi dengan pihak yang menekuni bidang pendidikan

matematika, dari lima buah indikator tersebut hanya indikator 26 dan indikator 27

yang memiliki keterkaitan satu sama lain. Sedangkan indikator 7, indikator 12, dan

indikator 13 tidak memiliki keterkaitan dengan indikator pencapaian kompetensi

lainnya. Berdasarkan hasil pengujian yang telah dilakukan, ditemukan aturan

asosiasi yang menyatakan keterhubungan antara indikator 26 dan indikator 27.

Aturan asosiasi tersebut yaitu :


99

1. Jika tuntas pada indikator 26 (menyelesaikan operasi aljabar beberapa

vektor dengan syarat tertentu) maka akan tuntas pada indikator 27

(menyelesaikan operasi matriks) dengan nilai confidence 93.35% dan

nilai lift ratio 1.12 dengan nilai daya serap minimal 60% dan minimum

support 55% pada dataset tahun pelajaran 2014/2015.



(menyelesaikan operasi matriks) dengan nilai confidence 96.1% dan nilai

lift ratio 1.23 dengan nilai daya serap minimal 65% dan minimum support

45% pada dataset tahun pelajaran 2014/2015.



(menyelesaikan operasi matriks) dengan nilai confidence 96.1% dan nilai

lift ratio 1.23 dengan nilai daya serap minimal 65% dan minimum support

50% pada dataset tahun pelajaran 2014/2015.



(menyelesaikan operasi matriks) dengan nilai confidence 95.31% dan

nilai lift ratio 1.47 1.47 dengan nilai daya serap minimal 70% dan

minimum support 40% pada dataset tahun pelajaran 2014/2015.

Berdasarkan keempat aturan asosiasi tersebut, aturan asosiasi yang memiliki

tingkat keakuratan tertinggi yaitu pada aturan asosiasi nomor 4.

5.3. KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK

5.3.1. Kelebihan Perangkat Lunak

Kelebihan yang dimiliki oleh perangkat lunak pencarian aturan asosiasi

menggunakan algoritma apriori ini adalah :

1. Sistem dapat menerima masukan file bertipe .xls dan .csv.

2. Sistem dapat menerima masukan dari tabel di database MySQL dan

database Oracle.

3. Sistem dapat menerima masukan dengan jumlah kolom yang dinamis.


100

4. Sistem dapat menyeleksi atribut sehingga user tidak perlu menghapus

kolom atau atribut yang tidak ingin digunakan secara manual.

5. Sistem menyediakan isian nilai batas minimum keberhasilan yang dapat

digunakan untuk menentukan standart kelulusan suatu kompetensi

berdasarkan nilai daya serap yang ada sesuai dengan kebutuhan

pengguna sistem.

6. Sistem menyediakan isian nilai minimum support untuk menentukan

nilai minimum support yang akan digunakan dalam proses pencarian

aturan asosiasi sesuai dengan kebutuhan pengguna sistem.

7. Sistem menyediakan isian nilai minimum confidence untuk menentukan

nilai minimum confidence yang akan digunakan dalam proses pencarian

aturan asosiasi sesuai dengan kebutuhan pengguna sistem.

8. Sistem dapat menampilkan hasil pecarian aturan asosiasi yang mudah

dipahami oleh user.

9. Sistem dapat menampilkan nilai lift ratio pada setiap aturan asosiasi

yang dapat memudahkan user dalam menentukan aturan asosiasi kuat

(best rule).

10. Sistem dapat menampilkan waktu lama pencarian aturan asosiasi.

11. Sistem dapat menyimpan hasil pencarian aturan asosiasi dengan hasil

penyimpanan berupa file bertipe .xls, .doc, dan .txt.

5.3.2. Kekurangan Perangkat Lunak

Kekurangan yang dimiliki oleh perangkat lunak pencarian aturan asosiasi

menggunakan algoritma apriori ini adalah :

1. Data masukan yang dapat diterima oleh sistem masih terbatas yaitu

hanya dari file bertipe .xls dan .csv.

2. Data masukan yang dapat diterima oleh sistem yang berasal dari

database masih terbatas yaitu hanya dapat menerima dari database

MySQL dan database Oracle.

3. Ketentuan data masukan dari file .xls dan .csv diharuskan pada baris

pertama adalah nama kolom dan baris selanjutnya adalah datanya.


101

4. Sistem hanya dapat melakukan seleksi kolom, tidak dapat untuk seleksi

baris.

5. Sistem tidak dapat melakukan pengubahan value secara langsung dari

tabel data pada sistem.

6. Sistem hanya dapat menyimpan hasil pencarian aturan asosiasi berupa

file bertipe .xls, .doc, dan .txt.


102

BAB VI

PENUTUP

6.1. KESIMPULAN

Hasil penelitian penerapan algoritma apriori untuk analisis daya serap hasil

Ujian Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa

Yogyakarta ini menghasilkan kesimpulan sebagai berikut :

1. Algoritma apriori dapat diterapkan untuk analisis daya serap hasil Ujian

Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah

Istimewa Yogyakarta.

2. Nilai daya serap minimum dan nilai minimum support sangat

berpengaruh terhadap pembentukan aturan asosiasi. Semakin kecil nilai

daya serap minimal dan nilai minimum support yang digunakan, maka

aturan asosiasi yang dapat ditemukan semakin banyak. Sedangkan jika

nilai daya serap minimal dan nilai minimum support yang digunakan

terlalu tinggi, aturan asosiasi yang dapat ditemukan akan semakin sedikit

dan bahkan tidak ditemukan aturan asosiasi sama sekali.

3. Nilai minimum confidence yang digunakan berpengaruh terhadap jumlah

aturan asosiasi yang di tampilkan. Semakin tinggi nilai minimum

confidence, maka aturan asosiasi yang ditampilkan semakin sedikit.

Sebaliknya, jika nilai minimum confidence yang digunakan semakin

rendah, maka aturan asosiasi yang ditampilkan akan semakin banyak.

4. Berdasarkan hasil diskusi dengan pihak yang menekuni bidang

pendidikan matematika, pengujian dataset nilai daya serap hasil Ujian

Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah

Istimewa Yogyakarta tahun pelajaran 2012/2013 dan tahun pelajaran

2013/2014 tidak ditemukan aturan asosiasi yang menyatakan

keterhubungan antara indikator pencapaian kompetensi yang bermakna.


103

5. Pengujian dataset nilai daya serap hasil Ujian Nasional mata pelajaran

Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun

pelajaran 2014/2015 menghasilkan aturan asosiasi yang bermakna.

Aturan asosiasi tersebut yaitu jika tuntas pada indikator 26

(menyelesaikan masalah yang berkaitan dengan teorema sisa atau teorema

faktor) maka akan tuntas pada indikator 27 (Menyelesaikan operasi

aljabar beberapa vektor dengan syarat tertentu). Nilai lift ratio aturan

asosiasi tersebut sebesar 1.47.

6. Hasil asosiasi untuk analisis nilai daya serap hasil Ujian Nasioanal mata

pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta

tidak cukup hanya dengan melihat nilai lift ratio saja (penilaian obyektif).

Nilai lift ratio tinggi belum bisa menjadi dasar penarikan kesimpulan

bahwa suatu indikator pencapaian kompetensi memiliki keterkaitan

dengan indikator pencapaian kompetensi lainnya. Perlu dilakukan

evaluasi kembali oleh pihak yang menguasai bidang mata pelajaran

Matematika (penilaian subyektif).


104

6.2. SARAN

Penelitian penerapan algoritma apriori untuk analisis daya serap hasil Ujian

Nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa

Yogyakarta ini memberikan saran untuk pengembangan penelitian di masa

mendatang, yaitu :

1. Perangkat lunak dapat menerima masukan data dari file selain bertipe .xls,

.csv, dan juga dari tabel selain database MySQL dan Oracle.

2. Perangkat lunak dapat menyimpan hasil asosiasi ke dalam file selain yang

bertipe .xls, .doc, dan .txt.

3. Pada bagian preprocessing data, perangkat lunak dapat melakukan seleksi

baris.

4. Perangkat lunak dapat menampilkan hasil asosiasi ke dalam bentuk yang

lebih menarik dan mudah dipahami (misalnya grafik).

5. Perangkat lunak dapat menampilkan maksud dari aturan asosiasi yang

dihasilkan agar lebih memudahkan pengguna dalam memahami hasil

asosiasi yang dihasilkan.

6. Penelitian menggunakan dataset yang berbeda. Misalnya dataset mata

pelajaran yang berbeda, tahun pelajaran yang berbeda, atau data daya

serap kelompok.


105

DAFTAR PUSTAKA

Amiruddin, Purnama, I Ketut Edyy, Purnomo, Mauridhi Hery, 2010, Penerapan

Association Rule Mining Pada Data Nomor Unik Pendidikan dan Tenaga

Kependidikan Untuk Menemukan Pola Sertifikasi Guru,

http://digilib.its.ac.id/public/ITS-Master-10465-Paper.pdf, diakses tanggal

4 Juni 2016.

Berry, Michael J.A., Linoff, Gordon S., 2014, Data Mining Techniques For

Marketing, Sales, Customer Relationship Management, Second Edition,

Wiley Publishing, Inc.

Erwin. 2009. Implementasi Algoritma C4.5 Dalam Aplikasi Untuk Memprediksi

Jumlah Mahasiswa Yang Mengulang Mata Kuliah Di STMIK AMIKOM

Yogyakarta. Jurusan Informatika. Fakultas Ilmu Komputer. Universitas

Srwijaya.

Han, Jiawei, Kamber, M., 2006. Data Mining Concepts and Techniques Second

Edition. Elsevier:USA

Hamzah, Ali. 2014. Evaluasi Pembelajaran Matematika. Rajawali: Jakarta

Hermawati, Fajar Astuti. 2013. Data Mining. ANDI:Yogyakarta.

Kasim, Musliar. 2013. Buku Panduan Pemanfaatan PAMER UN-2013. Pusat

Penilaian Pendidikan Balitbang Kemdikbud:Jakarta

McAshan, M. 1981. Competency-Based Education and Behavior Objektives.

Englewood Cliffs, Educational Technology Publication, Inc:New Jersey

Mulyasa, E. 2006. Kurikulum Berbasis Kompetensi. Cetakan 10. Remaja

Rosdakarya:Bandung

Noersasongko, Edi. 2010. Mengenal Dunia Komputer. http://kuliahdinus.ac.id/edi-

nur/pde.html. Diakses tanggal 22 Oktober 2015.

Putra, Sitiatava Putra. 2013. Desain Evaluasi Belajar Berbasis Kinerja. DIVA

Press: Yogyakarta

Prasetyo, Eko. 2014. Data Mining: Mengolah Data Menjadi Informasi

Menggunakan Matlab. ANDI:Yogyakarta


http://digilib.its.ac.id/public/ITS-Master-10465-Paper.pdf

106

Pratama, H.C., Bettiza, M., Matulatan, T. 2014. Penerapan Algoritma Apriori

Dalam Menemukan Hubungan Data Awal Masuk Mahasiswa Dengan

Prestasi Akademik, Studi Kasus: STAI Miftahul Ulum Tanjungpinang.

Jurusan Teknik Informatika. Fakultas Teknik. Universitas Maritim Raja Ali

Haji.

Rubiatin. 2010. Penerapan Pembelajaran Langsung Untuk Meningkatkan Hasil

Belajar Biologi Siswa Kelas VII MTs.N Bukit Raya Tahun Ajaran

2009/2010. http://digilib.uir.ac.id/dmdocuments/bio,rubiatin.pdf, diakses

tanggal 4 Juni 2016.

Soelaiman, R., Arini, N.M.2006. Analisis Kinerja Algoritma Fold –Growth dan FP

– Growth pada Penggalian Pola Asosiasi. Seminar Nasional Aplikasi

Teknologi Informasi (SNATI) Institut Teknologi Sepuluh Nopember (ITS).

Surabaya.

Sudijono, Anas. 2011. Pengantar Evaluasi Pendidikan. Cetakan 10. Rajawali:

Jakarta

Tan, P.N., Steinbach, M., Kumar, V., 2006. Introduction to Data Mining. Pearson

Education:San Francisco.

Wijoyo, Edros Isnanto. 2011. Sistem Penunjang Keputusan Penempatan Produk di

Pasar Swalayan Menggunakan Algoritma Apriori, Skripsi, Sekolah Tinggi

Manajemen Informatika dan Komputer AMIKOM, Yogyakarta.

Yamin, M. 2008. Paradigma Pendidikan Konstruktivistik. Gaung Persada

Press:Jakarta


http://digilib.uir.ac.id/dmdocuments/bio,rubiatin.pdf

107

LAMPIRAN


108

LAMPIRAN 1

DATA DAYA SERAP HASIL UJIAN NASIONAL MATA PELAJARAN MATEMATIKA SMA JURUSAN IPA DAERAH

ISTIMEWA YOGYAKARTA TAHUN PELAJARAN 2012/2013

KODE

SEKO

LAH

NAMA

SEKOLAH

JN

S

SE

K

ST

S

SE

K

MA

T1

MA

T2

MA

T3

MA

T4

MA

T5

MA

T6

MA

T7

MA

T8

MA

T9

MA

T10

MA

T11

MA

T12

MA

T13

MA

T14

MA

T15

MA

T16

MA

T17

MA

T18

MA

T19

MA

T20

MA

T21

MA

T22

MA

T23

MA

T24

MA

T25

MA

T26

MA

T27

MA

T28

MA

T29

MA

T30

01-001

SMA

NEGERI 3

YOGYAKA

RTA

S

M

A

N 54.

55

74.

33

76.

87

92.

51

74.

87

66.

84

88.

23

88.

77

74.

07

55.0

8

77.0

1

62.0

3

96.7

9

92.5

1

83.4

2

77.5

4

44.9

2

85.0

3

94.6

5

41.7

1

83.4

2

25.1

3

82.3

5

85.5

6

79.6

8

71.6

6

93.0

5

94.1

2

85.0

3

34.7

6

01-002

SMA

NEGERI 4

YOGYAKA

RTA

S

M

A

N 36.

42

70.

37

58.

03

79.

63

60.

49

50.

62

75.

52

68.

52

56.

17

48.1

5

63.8

9

48.1

5

87.0

4

77.1

6

48.7

7

66.6

7

25.9

3

69.1

4

94.4

4

29.0

1

56.1

7

22.2

2

65.4

3

74.6

9

65.4

3

56.1

7

80.8

6

83.9

5

70.3

7

32.1

0

01-003

SMA

NEGERI 6

YOGYAKA

RTA

S

M

A

N 31.

35

61.

08

67.

43

81.

62

64.

32

50.

81

82.

70

84.

86

59.

73

52.7

0

66.2

2

56.2

2

87.5

7

83.2

4

67.5

7

74.5

9

23.7

8

75.1

4

94.0

5

29.1

9

74.5

9

21.0

8

69.1

9

81.0

8

68.1

1

60.5

4

94.0

5

87.0

3

79.4

6

27.5

7

01-004

SMA

NEGERI 9

YOGYAKA

RTA

S

M

A

N 42.

75

68.

12

64.

49

92.

75

67.

39

48.

55

79.

47

78.

99

61.

24

44.2

0

69.9

3

57.2

5

91.3

0

78.9

9

70.2

9

68.8

4

36.2

3

77.5

4

92.7

5

28.9

9

63.0

4

22.4

6

74.6

4

77.5

4

75.3

6

69.5

7

92.7

5

92.0

3

65.2

2

32.6

1

01-005

SMA

NEGERI 11

YOGYAKA

RTA

S

M

A

N 34.

39

60.

85

51.

98

79.

37

48.

15

38.

10

70.

55

71.

96

50.

00

44.1

8

56.3

5

51.8

5

81.4

8

73.5

4

55.0

3

61.9

0

24.8

7

69.3

2

92.5

9

27.5

1

57.6

7

17.9

9

57.6

7

70.3

7

52.3

8

50.7

9

84.1

3

80.9

5

60.3

2

26.9

8

01-006

SMA

STELLA

DUCE 1

YOGYAKA

RTA

S

M

A

S 36.

59

73.

98

64.

63

83.

74

69.

92

47.

97

84.

55

88.

62

65.

04

47.5

6

76.4

3

54.4

7

85.3

7

83.7

4

69.1

1

78.0

5

24.3

9

82.1

2

96.7

5

38.2

1

71.5

4

16.2

6

77.2

4

78.0

5

76.4

2

58.5

4

95.1

2

91.8

7

76.4

2

34.1

5

01-007

SMA

BOPKRI 1

YOGYAKA

RTA

S

M

A

S 37.

21

81.

40

60.

75

89.

53

37.

21

39.

53

77.

13

65.

12

55.

82

38.9

6

58.1

4

46.5

2

87.2

1

56.9

8

61.6

3

51.1

6

29.0

7

70.9

3

86.0

5

20.9

3

60.4

7

19.7

7

50.0

0

61.6

3

69.7

7

62.7

9

68.6

0

81.4

0

66.2

8

36.0

5

01-008

SMA

BOPKRI 2

YOGYAKA

RTA

S

M

A

S 18.

75

22.

92

36.

98

68.

75

33.

33

27.

08

48.

61

58.

33

26.

04

25.0

0

35.4

2

33.3

4

56.2

5

58.3

3

33.3

3

33.3

3

20.8

3

52.0

9

66.6

7

27.0

8

35.4

2

25.0

0

25.0

0

33.3

3

29.1

7

62.5

0

54.1

7

60.4

2

50.0

0

27.0

8

01-009

SMA

BUDYA

WACANA

YOGYAKA

RTA

S

M

A

S 17.

39

43.

48

32.

61

65.

22

47.

83

34.

78

63.

77

56.

52

26.

09

36.9

6

39.1

3

47.8

3

69.5

7

52.1

7

56.5

2

52.1

7

13.0

4

58.7

0

91.3

0

34.7

8

39.1

3

17.3

9

73.9

1

56.5

2

47.8

3

30.4

3

69.5

7

78.2

6

56.5

2

39.1

3

01-010

SMA

BHINNEKA

TUNGGAL

IKA

YOGYAKA

RTA

S

M

A

S 0.0

0

0.0

0

43.

75

25.

00

25.

00

0.0

0

25.

00

75.

00

50.

00

25.0

0

25.0

0

12.5

0

25.0

0

25.0

0

50.0

0

25.0

0

25.0

0

50.0

0

75.0

0

25.0

0 0.00 0.00 0.00

25.0

0 0.00

25.0

0

25.0

0

25.0

0 0.00 0.00

01-011

SMA

TAMAN

MADYA

JETIS

YOGYAKA

RTA

S

M

A

S 30.

43

34.

78

25.

00

47.

83

30.

43

39.

13

37.

68

34.

78

34.

79

28.2

6

32.6

1

32.6

1

30.4

3

47.8

3

30.4

3

34.7

8

13.0

4

36.9

6

65.2

2

26.0

9

26.0

9

34.7

8

34.7

8

34.7

8

21.7

4

30.4

3

43.4

8

26.0

9

17.3

9

26.0

9

01-012

SMA

MUHAMM

ADIYAH 1

YOGYAKA

RTA

S

M

A

S 20.

92

57.

32

42.

16

79.

92

35.

98

39.

33

63.

73

55.

23

36.

82

37.0

3

54.8

2

44.5

6

68.6

2

68.2

0

46.8

6

50.6

3

20.9

2

63.6

0

86.6

1

25.9

4

47.7

0

20.0

8

52.3

0

53.5

6

48.5

4

38.9

1

65.6

9

65.6

9

48.1

2

26.7

8

01-015

SMA

NEGERI 1

YOGYAKA

RTA

S

M

A

N 61.

26

81.

42

73.

81

88.

14

79.

84

72.

33

88.

27

90.

51

70.

75

53.1

7

76.2

8

62.0

6

95.6

5

88.9

3

84.5

8

76.2

8

42.6

9

86.5

7

95.2

6

33.2

0

79.4

5

22.9

2

85.7

7

87.3

5

77.0

8

73.9

1

96.0

5

92.8

9

86.9

6

34.7

8


109

01-017

SMA

NEGERI 2

YOGYAKA

RTA

S

M

A

N 49.

09

76.

36

71.

36

84.

09

75.

91

64.

09

87.

12

88.

64

69.

78

49.1

0

82.0

5

63.8

7

95.4

5

90.9

1

83.1

8

76.8

2

40.9

1

83.4

1

95.0

0

30.4

5

80.9

1

28.1

8

80.4

5

80.4

5

78.1

8

73.6

4

92.7

3

91.3

6

77.2

7

36.8

2

01-018

SMA

NEGERI 7

YOGYAKA

RTA

S

M

A

N 36.

29

75.

81

61.

90

90.

32

75.

81

65.

32

87.

09

83.

87

69.

76

50.0

0

69.7

6

65.7

3

93.5

5

81.4

5

79.0

3

79.8

4

37.1

0

79.0

3

95.9

7

29.0

3

74.1

9

21.7

7

70.1

6

82.2

6

76.6

1

56.4

5

93.5

5

90.3

2

68.5

5

29.8

4

01-019

SMA BUDI

LUHUR

YOGYAKA

RTA

S

M

A

S 8.3

3

16.

67

33.

33

41.

67

25.

00

8.3

3

27.

78

25.

00

20.

83

33.3

3

37.5

0

20.8

4

50.0

0

41.6

7

33.3

3

33.3

3 8.33

66.6

7

66.6

7

41.6

7

41.6

7

25.0

0 8.33

25.0

0

16.6

7

25.0

0

41.6

7

25.0

0 8.33

25.0

0

01-020

SMA

SULTAN

AGUNG

YOGYAKA

RTA

S

M

A

S 33.

33

33.

33

33.

33

33.

33

0.0

0

16.

67

38.

89

33.

33

16.

67

16.6

7

16.6

7

41.6

7

50.0

0

50.0

0

50.0

0

50.0

0

16.6

7

25.0

0

33.3

3

33.3

3 0.00

66.6

7

33.3

3 0.00

33.3

3

50.0

0 0.00

16.6

7

33.3

3 0.00

01-021

SMA

NEGERI 10

YOGYAKA

RTA

S

M

A

N 27.

18

64.

08

64.

56

80.

58

78.

64

48.

54

75.

40

84.

47

54.

86

50.0

0

71.3

6

64.5

7

90.2

9

84.4

7

61.1

7

64.0

8

22.3

3

77.1

9

90.2

9

35.9

2

66.9

9

17.4

8

74.7

6

86.4

1

76.7

0

62.1

4

89.3

2

93.2

0

67.9

6

25.2

4

01-022

SMA

MUHAMM

ADIYAH 3

YOGYAKA

RTA

S

M

A

S 15.

54

32.

43

28.

38

58.

11

29.

05

29.

05

47.

30

39.

86

23.

99

32.4

4

41.2

2

26.3

5

52.0

3

52.0

3

35.1

4

33.1

1

18.9

2

50.0

0

76.3

5

26.3

5

28.3

8

18.9

2

35.1

4

27.7

0

32.4

3

49.3

2

48.6

5

40.5

4

26.3

5

25.6

8

01-025

SMA

MUHAMM

ADIYAH 7

YOGYAKA

RTA

S

M

A

S 20.

21

27.

66

31.

12

59.

57

25.

53

35.

11

41.

13

31.

91

27.

66

30.8

5

30.3

2

27.6

6

45.7

4

47.8

7

20.2

1

24.4

7

28.7

2

37.7

7

68.0

9

20.2

1

28.7

2

15.9

6

37.2

3

29.7

9

23.4

0

37.2

3

44.6

8

28.7

2

26.6

0

23.4

0

01-026

SMA

MUHAMM

ADIYAH 6

YOGYAKA

RTA

S

M

A

S 31.

35

61.

08

67.

43

81.

62

64.

32

50.

81

82.

70

84.

86

59.

73

52.7

0

66.2

2

56.2

2

87.5

7

83.2

4

67.5

7

74.5

9

23.7

8

75.1

4

94.0

5

29.1

9

74.5

9

21.0

8

69.1

9

81.0

8

68.1

1

60.5

4

94.0

5

87.0

3

79.4

6

27.5

7

01-027

SMA '17'

YOGYAKA

RTA

S

M

A

S 15.

79

5.2

6

23.

69

36.

84

10.

53

26.

32

17.

54

42.

11

23.

69

28.9

5

10.5

3

23.6

9

36.8

4

42.1

1

31.5

8

15.7

9

15.7

9

34.2

1

26.3

2

36.8

4

31.5

8

15.7

9

21.0

5

26.3

2

10.5

3

10.5

3

15.7

9

26.3

2

42.1

1

36.8

4

01-029

SMA

MUHAMM

ADIYAH 5

YOGYAKA

RTA

S

M

A

S 8.5

7

22.

86

25.

00

40.

00

11.

43

40.

00

36.

19

28.

57

38.

57

30.0

0

37.1

4

24.2

9

34.2

9

37.1

4

37.1

4

17.1

4

28.5

7

38.5

7

60.0

0

28.5

7

14.2

9

25.7

1

25.7

1

31.4

3

34.2

9

37.1

4

31.4

3

25.7

1

28.5

7

40.0

0

01-030

SMA

GAJAH

MADA

YOGYAKA

RTA

S

M

A

S 80.

56

91.

67

59.

03

83.

33

77.

78

63.

89

81.

48

72.

22

65.

28

48.6

1

75.0

0

58.3

4

75.0

0

86.1

1

52.7

8

83.3

3

16.6

7

73.6

2

75.0

0

22.2

2

41.6

7

13.8

9

72.2

2

72.2

2

66.6

7

58.3

3

86.1

1

61.1

1

75.0

0

25.0

0

01-033

SMA

PANGUDI

LUHUR

YOGYAKA

RTA

S

M

A

S 17.

05

32.

95

42.

90

75.

00

53.

41

42.

05

69.

70

53.

41

48.

30

34.6

6

44.8

9

36.3

7

62.5

0

59.0

9

51.1

4

45.4

5

31.8

2

54.5

5

89.7

7

29.5

5

37.5

0

17.0

5

50.0

0

59.0

9

50.0

0

57.9

5

80.6

8

76.1

4

44.3

2

28.4

1

01-039

SMA

NEGERI 5

YOGYAKA

RTA

S

M

A

N 44.

72

86.

34

70.

65

90.

68

65.

22

53.

42

83.

44

85.

09

65.

22

48.4

5

79.5

0

74.8

5

91.3

0

81.9

9

74.5

3

69.5

7

37.8

9

86.6

5

90.6

8

32.3

0

78.8

8

23.6

0

78.2

6

85.0

9

85.7

1

62.1

1

94.4

1

93.7

9

80.7

5

32.3

0

01-042

SMA

NEGERI 8

YOGYAKA

RTA

S

M

A

N 33.

33

83.

11

67.

47

88.

58

74.

89

75.

34

86.

30

87.

67

72.

15

44.9

8

70.5

5

57.7

7

93.1

5

84.9

3

80.8

2

73.5

2

42.0

1

83.3

3

93.6

1

26.4

8

78.5

4

21.9

2

79.0

0

80.3

7

79.4

5

60.2

7

86.3

0

92.6

9

70.7

8

34.7

0

01-043

SMA

MUHAMM

ADIYAH 4

YOGYAKA

RTA

S

M

A

S 8.6

2

13.

79

24.

57

43.

10

18.

97

24.

14

31.

61

24.

14

23.

28

25.0

0

21.5

6

25.8

6

29.3

1

41.3

8

13.7

9

25.8

6

18.9

7

38.8

0

65.5

2

25.8

6

27.5

9

31.0

3

31.0

3

18.9

7

27.5

9

36.2

1

36.2

1

20.6

9

24.1

4

27.5

9

01-044

SMA

MUHAMM

ADIYAH 2

YOGYAKA

RTA

S

M

A

S 17.

51

41.

81

34.

18

70.

06

27.

12

30.

51

56.

31

49.

72

28.

82

29.3

8

43.7

9

32.4

9

61.5

8

54.2

4

28.2

5

41.2

4

22.6

0

54.8

0

82.4

9

26.5

5

34.4

6

22.0

3

38.9

8

43.5

0

44.6

3

48.0

2

64.4

1

75.1

4

36.7

2

25.4

2

01-045

SMA

'INSTITUT

INDONESI

A' 1

YOGYAKA

RTA

S

M

A

S 0.0

0

50.

00

37.

50

50.

00

0.0

0

0.0

0

66.

67

0.0

0

50.

00

25.0

0 0.00 0.00

50.0

0

50.0

0 0.00 0.00

50.0

0

25.0

0

50.0

0

50.0

0 0.00 0.00 0.00

50.0

0 0.00

50.0

0 0.00

100.

00 0.00

50.0

0

01-046

SMA

SANTO

THOMAS

YOGYAKA

RTA

S

M

A

S 0.0

0

100

.00

12.

50

100

.00

0.0

0

50.

00

66.

67

50.

00

25.

00

25.0

0

25.0

0 0.00

100.

00

100.

00

100.

00 0.00

50.0

0

75.0

0

100.

00 0.00 0.00 0.00 0.00

50.0

0 0.00

50.0

0

50.0

0

50.0

0 0.00 0.00


110

01-047

SMA K

SANG

TIMUR

YOGYAKA

RTA

S

M

A

S 25.

00

16.

67

45.

84

75.

00

41.

67

41.

67

63.

89

41.

67

29.

17

54.1

7

20.8

3

16.6

7

75.0

0

58.3

3

41.6

7

50.0

0

41.6

7

54.1

7

75.0

0 8.33

16.6

7 8.33

41.6

7

58.3

3

25.0

0

50.0

0

75.0

0

58.3

3

33.3

3

33.3

3

01-050

SMA

MARSUDI

LUHUR

YOGYAKA

RTA

S

M

A

S 14.

29

14.

29

25.

00

35.

71

21.

43

28.

57

38.

10

35.

71

25.

00

25.0

0

39.2

9

28.5

7

57.1

4

42.8

6

35.7

1

21.4

3

28.5

7

39.2

9

71.4

3

35.7

1

21.4

3 7.14

35.7

1

28.5

7

35.7

1

35.7

1

50.0

0

64.2

9

21.4

3

21.4

3

01-051

SMA PIRI 1

YOGYAKA

RTA

S

M

A

S 28.

00

24.

00

29.

00

68.

00

36.

00

28.

00

44.

00

36.

00

42.

00

32.0

0

30.0

0

32.0

0

36.0

0

40.0

0

36.0

0

36.0

0 8.00

56.0

0

72.0

0

12.0

0

36.0

0

28.0

0

28.0

0

36.0

0

32.0

0

48.0

0

36.0

0

28.0

0

28.0

0

28.0

0

01-053

SMA

TAMAN

MADYA

IBU

PAWIYATA

N

YOGYAKA

RTA

S

M

A

S 16.

67

16.

67

18.

75

58.

33

25.

00

41.

67

25.

00

25.

00

25.

00

29.1

7

25.0

0

20.8

3

41.6

7

16.6

7 8.33

33.3

3

25.0

0

62.5

0

75.0

0

25.0

0

33.3

3 0.00

16.6

7

33.3

3

33.3

3

41.6

7

41.6

7

33.3

3 8.33

16.6

7

01-054

SMA

BERBUDI

YOGYAKA

RTA

S

M

A

S 16.

67

33.

33

25.

00

50.

00

0.0

0

33.

33

44.

44

16.

67

16.

67

33.3

4

16.6

7

16.6

7

50.0

0

50.0

0 0.00

33.3

3

33.3

3

25.0

0

50.0

0

50.0

0

33.3

3

33.3

3

16.6

7

33.3

3

66.6

7

33.3

3

16.6

7

50.0

0 0.00

16.6

7

01-055

SMA

STELLA

DUCE 2

YOGYAKA

RTA

S

M

A

S 14.

71

47.

06

51.

47

70.

59

70.

59

44.

12

78.

43

70.

59

47.

06

42.6

5

54.4

1

61.7

7

67.6

5

67.6

5

58.8

2

70.5

9

17.6

5

72.0

6

85.2

9

32.3

5

61.7

6

14.7

1

73.5

3

73.5

3

50.0

0

64.7

1

64.7

1

82.3

5

41.1

8

38.2

4

01-056

SMA

SANTA

MARIA

YOGYAKA

RTA

S

M

A

S 17.

39

43.

48

48.

91

73.

91

60.

87

26.

09

71.

01

60.

87

39.

13

39.1

4

58.7

0

39.1

3

73.9

1

69.5

7

39.1

3

73.9

1

17.3

9

56.5

3

91.3

0

13.0

4

60.8

7

30.4

3

65.2

2

52.1

7

34.7

8

60.8

7

73.9

1

69.5

7

56.5

2

39.1

3

01-058

SMA

ISLAM

TERPADU

ABU

BAKAR

S

M

A

S 28.

13

59.

38

49.

61

78.

13

40.

63

40.

63

80.

21

71.

88

46.

88

40.6

3

61.7

2

54.6

9

79.6

9

64.0

6

60.9

4

67.1

9

25.0

0

66.4

1

90.6

3

21.8

8

68.7

5

25.0

0

62.5

0

73.4

4

54.6

9

51.5

6

85.9

4

89.0

6

64.0

6

26.5

6

01-059

SMA BINA

ANAK

SHOLEH

S

M

A

S 0.0

0

46.

15

42.

31

76.

92

46.

15

7.6

9

74.

36

46.

15

46.

15

23.0

8

38.4

7

50.0

0

69.2

3

46.1

5

69.2

3

46.1

5 7.69

73.0

8

84.6

2

15.3

8

61.5

4 7.69

76.9

2

53.8

5

23.0

8

38.4

6

92.3

1

69.2

3

38.4

6

23.0

8

02-001

SMA

NEGERI 2

BANTUL

S

M

A

N 42.

52

79.

53

65.

75

92.

91

76.

38

63.

78

83.

99

85.

83

74.

41

46.8

5

79.9

2

63.7

8

91.3

4

87.4

0

65.3

5

74.0

2

25.9

8

84.6

5

93.7

0

27.5

6

78.7

4

23.6

2

81.8

9

85.0

4

77.9

5

77.1

7

96.8

5

86.6

1

72.4

4

35.4

3

02-002

SMA

NEGERI 1

BANTUL

S

M

A

N 49.

03

81.

94

72.

74

87.

74

61.

94

64.

52

84.

30

86.

45

78.

39

45.4

9

78.7

1

60.0

0

95.4

8

89.0

3

74.8

4

78.0

6

38.0

6

76.1

3

94.8

4

32.9

0

79.3

5

31.6

1

84.5

2

87.7

4

83.8

7

81.9

4

90.3

2

91.6

1

82.5

8

39.3

5

02-003

SMA

NEGERI 1

KASIHAN

S

M

A

N 34.

12

52.

35

51.

03

77.

06

45.

29

43.

53

71.

77

59.

41

51.

77

41.7

7

59.1

2

49.1

2

75.8

8

71.7

6

54.1

2

60.5

9

18.8

2

63.5

3

90.5

9

27.0

6

56.4

7

18.2

4

60.5

9

62.9

4

55.2

9

53.5

3

84.7

1

68.8

2

64.7

1

32.3

5

02-004

SMA

NEGERI 3

BANTUL

S

M

A

N 42.

27

57.

73

50.

77

77.

32

48.

45

45.

36

68.

39

61.

86

47.

94

41.7

5

52.0

6

41.2

4

79.3

8

72.1

6

35.0

5

55.6

7

24.7

4

67.5

3

95.8

8

25.7

7

53.6

1

15.4

6

67.0

1

63.9

2

47.4

2

61.8

6

71.1

3

63.9

2

45.3

6

25.7

7

02-005

SMA

NEGERI 1

SEDAYU

S

M

A

N 18.

75

43.

06

31.

94

67.

36

31.

25

39.

58

50.

46

38.

89

27.

08

35.7

7

42.3

7

34.7

2

56.2

5

50.0

0

34.7

2

31.2

5

23.6

1

62.1

5

80.5

6

37.5

0

40.9

7

19.4

4

37.5

0

33.3

3

43.7

5

36.8

1

49.3

1

34.7

2

34.0

3

29.1

7

02-006

SMA

NEGERI 1

SANDEN

S

M

A

N 19.

57

58.

70

50.

55

78.

26

34.

78

39.

13

64.

49

55.

43

48.

91

41.8

5

49.4

6

50.0

0

78.2

6

64.1

3

36.9

6

44.5

7

27.1

7

63.0

5

92.3

9

25.0

0

56.5

2

20.6

5

55.4

3

48.9

1

48.9

1

40.2

2

63.0

4

64.1

3

48.9

1

30.4

3

02-008

SMA

MUHAMM

ADIYAH

BANTUL

S

M

A

S 6.9

8

18.

60

21.

51

41.

86

20.

93

25.

58

34.

88

27.

91

23.

26

24.4

2

16.2

8

20.9

3

23.2

6

39.5

3

20.9

3

32.5

6

18.6

0

41.8

6

60.4

7

25.5

8

13.9

5

16.2

8

27.9

1

23.2

6

32.5

6

30.2

3

30.2

3

16.2

8

27.9

1

27.9

1

02-009

SMA

NEGERI 1

PAJANGAN

S

M

A

N 19.

05

66.

67

39.

29

80.

95

23.

81

42.

86

57.

14

57.

14

42.

86

33.3

4

40.4

8

52.3

8

61.9

0

61.9

0

38.1

0

57.1

4

19.0

5

71.4

3

85.7

1

23.8

1

33.3

3 4.76

52.3

8

52.3

8

57.1

4

42.8

6

76.1

9

66.6

7

47.6

2

28.5

7

02-011 SMA 17

BANTUL

S

M

A

S 0.0

0

66.

67

33.

33

100

.00

33.

33

100

.00

33.

33

0.0

0

33.

33

66.6

7

33.3

4

50.0

0

66.6

7

66.6

7

33.3

3

33.3

3

33.3

3

66.6

7

66.6

7

66.6

7

33.3

3 0.00

33.3

3

33.3

3

66.6

7

33.3

3 0.00

66.6

7

33.3

3 0.00

02-012

SMA

MUHAMM

ADIYAH

KASIHAN

S

M

A

S 14.

29

7.1

4

28.

57

64.

29

21.

43

21.

43

30.

95

0.0

0

25.

00

21.4

3

25.0

0

28.5

8

28.5

7

35.7

1

28.5

7

14.2

9

21.4

3

39.2

9

64.2

9

21.4

3

14.2

9

28.5

7

28.5

7

28.5

7

35.7

1

35.7

1

57.1

4

14.2

9

14.2

9

28.5

7

02-013 SMA PGRI I

KASIHAN

S

M

A

S 25.

00

37.

50

21.

88

75.

00

12.

50

12.

50

50.

00

25.

00

6.2

5

37.5

0

31.2

5

25.0

0

25.0

0

50.0

0 0.00

12.5

0

25.0

0

50.0

0

62.5

0

12.5

0

25.0

0 0.00

25.0

0

37.5

0

50.0

0

37.5

0

37.5

0

50.0

0

25.0

0

12.5

0


111

02-014

SMA

NEGERI 1

SRANDAK

AN

S

M

A

N 32.

61

28.

26

33.

70

60.

87

28.

26

41.

30

46.

38

43.

48

39.

13

32.6

1

41.3

1

35.8

7

23.9

1

54.3

5

30.4

3

43.4

8

15.2

2

53.2

6

65.2

2

23.9

1

23.9

1

28.2

6

36.9

6

30.4

3

23.9

1

54.3

5

56.5

2

32.6

1

34.7

8

30.4

3

02-016

SMA

STELLA

DUCE

BANTUL

S

M

A

S 0.0

0

47.

37

42.

11

63.

16

42.

11

31.

58

54.

38

42.

11

34.

21

44.7

4

57.9

0

42.1

1

52.6

3

52.6

3

47.3

7

31.5

8

15.7

9

57.9

0

73.6

8

36.8

4

26.3

2

26.3

2

36.8

4

47.3

7

68.4

2

47.3

7

78.9

5

68.4

2

36.8

4

26.3

2

02-020

SMA

PANGUDI

LUHUR

SEDAYU

S

M

A

S 16.

39

36.

07

38.

94

67.

21

29.

51

40.

98

54.

10

52.

46

20.

49

29.5

1

40.9

9

38.5

2

55.7

4

70.4

9

32.7

9

34.4

3

19.6

7

56.5

6

83.6

1

27.8

7

39.3

4

11.4

8

27.8

7

32.7

9

40.9

8

36.0

7

47.5

4

34.4

3

40.9

8

26.2

3

02-021

SMA

NEGERI 1

BAMBANG

LIPURO

S

M

A

N 30.

95

42.

86

35.

72

71.

43

30.

95

45.

24

57.

94

39.

29

44.

65

33.3

4

42.8

6

44.0

5

69.0

5

59.5

2

28.5

7

36.9

0

15.4

8

54.7

7

84.5

2

22.6

2

38.1

0

17.8

6

40.4

8

39.2

9

46.4

3

48.8

1

50.0

0

33.3

3

36.9

0

28.5

7

02-022

SMA

DHARMA

AMILUHU

R

S

M

A

S 0.0

0

0.0

0

75.

00

100

.00

100

.00

0.0

0

100

.00

0.0

0

0.0

0

50.0

0

50.0

0

50.0

0 0.00 0.00

100.

00

100.

00

100.

00

100.

00

100.

00 0.00 0.00 0.00

100.

00 0.00 0.00 0.00 0.00

100.

00 0.00

100.

00

02-023

SMA

NEGERI 1

SEWON

S

M

A

N 32.

87

72.

73

59.

44

81.

82

54.

55

44.

76

75.

52

65.

73

54.

90

38.8

1

64.3

4

50.7

0

79.7

2

74.1

3

48.2

5

60.8

4

22.3

8

71.6

8

93.0

1

35.6

6

61.5

4

15.3

8

69.2

3

70.6

3

70.6

3

54.5

5

81.8

2

80.4

2

63.6

4

30.0

7

02-025

SMA

NEGERI 1

IMOGIRI

S

M

A

N 8.1

1

31.

08

35.

81

54.

05

25.

68

31.

08

46.

40

40.

54

20.

27

31.0

8

43.9

2

31.7

6

41.8

9

50.0

0

32.4

3

27.0

3

21.6

2

52.7

0

77.0

3

25.6

8

31.0

8

20.2

7

36.4

9

50.0

0

37.8

4

37.8

4

54.0

5

37.8

4

35.1

4

29.7

3

02-026

SMA

NEGERI 1

JETIS

S

M

A

N 40.

54

72.

97

56.

08

82.

43

52.

70

52.

70

72.

97

70.

27

61.

49

36.4

9

68.9

2

57.4

4

89.1

9

74.3

2

56.7

6

56.7

6

39.1

9

67.5

7

86.4

9

28.3

8

70.2

7

20.2

7

66.2

2

77.0

3

62.1

6

68.9

2

94.5

9

94.5

9

68.9

2

31.0

8

02-027

SMA

NEGERI 1

PLERET

S

M

A

N 10.

47

34.

88

29.

94

68.

60

26.

74

29.

07

52.

71

36.

05

26.

75

31.9

8

28.4

9

36.0

5

43.0

2

43.0

2

24.4

2

39.5

3

15.1

2

48.2

6

84.8

8

32.5

6

32.5

6

31.4

0

34.8

8

32.5

6

40.7

0

47.6

7

47.6

7

40.7

0

31.4

0

30.2

3

02-029

SMA

NEGERI 1

BANGUNT

APAN

S

M

A

N 20.

66

52.

07

42.

15

80.

99

34.

71

37.

19

58.

40

46.

28

46.

70

36.3

7

56.2

0

49.1

8

61.1

6

68.6

0

38.0

2

42.1

5

24.7

9

65.7

1

91.7

4

22.3

1

64.4

6

27.2

7

41.3

2

49.5

9

49.5

9

44.6

3

61.1

6

62.8

1

44.6

3

26.4

5

02-030

SMA

MUHAMM

ADIYAH

SEWON

S

M

A

S 36.

36

45.

45

29.

54

54.

55

9.0

9

27.

27

51.

52

36.

36

27.

27

27.2

7

40.9

1

27.2

7

18.1

8

54.5

5

36.3

6

45.4

5 9.09

45.4

6

81.8

2

36.3

6

45.4

5

36.3

6

27.2

7 0.00

45.4

5

36.3

6

81.8

2

63.6

4

18.1

8

18.1

8

02-031

SMA

MUHAMM

ADIYAH

IMOGIRI

S

M

A

S 5.2

6

26.

32

34.

21

57.

89

15.

79

36.

84

42.

11

15.

79

26.

32

36.8

5

23.6

9

26.3

2

26.3

2

36.8

4 5.26

26.3

2

26.3

2

44.7

4

63.1

6

26.3

2

21.0

5

31.5

8

26.3

2

15.7

9

26.3

2

26.3

2

47.3

7

36.8

4

26.3

2

26.3

2

02-034

SMA

MUHAMM

ADIYAH

PIYUNGAN

S

M

A

S 12.

50

12.

50

28.

13

75.

00

12.

50

12.

50

33.

33

25.

00

43.

75

43.7

5

43.7

5

25.0

0

25.0

0

12.5

0

12.5

0 0.00 0.00

50.0

0

62.5

0

37.5

0

37.5

0

12.5

0 0.00

50.0

0

37.5

0

12.5

0

37.5

0

25.0

0 0.00

12.5

0

02-035

SMA

BOPKRI

BANGUNT

APAN

S

M

A

S 22.

22

33.

33

30.

55

55.

56

33.

33

33.

33

55.

56

33.

33

27.

78

33.3

4

33.3

4

44.4

4

55.5

6

66.6

7

44.4

4

22.2

2

22.2

2

66.6

7

88.8

9

11.1

1

44.4

4

44.4

4

66.6

7

55.5

6

44.4

4

55.5

6

44.4

4

55.5

6

44.4

4

33.3

3

02-038

SMA

NEGERI 1

PIYUNGAN

S

M

A

N 7.4

6

40.

30

27.

61

68.

66

26.

87

32.

84

44.

28

31.

34

26.

87

34.3

3

26.1

2

27.6

2

29.8

5

43.2

8

35.8

2

32.8

4

13.4

3

51.4

9

82.0

9

20.9

0

31.3

4

25.3

7

35.8

2

34.3

3

37.3

1

44.7

8

49.2

5

44.7

8

28.3

6

26.8

7

02-044

SMA

PATRIA

BANTUL

S

M

A

S 0.0

0

60.

00

10.

00

60.

00

20.

00

0.0

0

33.

33

20.

00

20.

00

30.0

0

20.0

0

30.0

0

20.0

0

20.0

0

20.0

0 0.00 0.00

50.0

0

80.0

0

40.0

0

60.0

0 0.00

20.0

0 0.00

20.0

0

60.0

0

60.0

0

20.0

0 0.00 0.00

02-045

SMA

NEGERI 1

PUNDONG

S

M

A

N 23.

53

54.

41

41.

18

73.

53

45.

59

36.

76

56.

86

51.

47

38.

97

37.5

0

56.6

2

37.5

0

70.5

9

57.3

5

26.4

7

60.2

9

19.1

2

64.7

1

80.8

8

30.8

8

48.5

3

25.0

0

42.6

5

51.4

7

39.7

1

61.7

6

72.0

6

57.3

5

39.7

1

33.8

2

02-046

SMA UII

BANGUNT

APAN

S

M

A

S 27.

91

44.

19

31.

98

51.

16

27.

91

39.

53

36.

44

44.

19

37.

21

30.2

3

40.7

0

32.5

6

39.5

3

41.8

6

25.5

8

25.5

8

11.6

3

58.1

4

65.1

2

23.2

6

30.2

3

18.6

0

34.8

8

37.2

1

37.2

1

46.5

1

41.8

6

30.2

3

20.9

3

18.6

0

02-047

SMA

NEGERI 2

BANGUNT

APAN

S

M

A

N 18.

75

68.

75

48.

18

78.

13

35.

42

37.

50

65.

28

60.

42

46.

88

39.0

6

63.5

5

49.4

8

55.2

1

68.7

5

40.6

3

53.1

3

18.7

5

64.5

9

94.7

9

30.2

1

66.6

7

18.7

5

63.5

4

45.8

3

45.8

3

68.7

5

59.3

8

67.7

1

63.5

4

28.1

3

02-049

SMA

NEGERI 1

DLINGO

S

M

A

N 5.8

8

23.

53

29.

42

64.

71

17.

65

35.

29

50.

98

52.

94

38.

24

38.2

4

58.8

3

50.0

0

70.5

9

64.7

1

23.5

3

47.0

6

11.7

6

47.0

6

94.1

2 5.88

41.1

8

17.6

5

52.9

4

47.0

6

52.9

4

23.5

3

64.7

1

64.7

1

35.2

9

11.7

6

02-050

SMA

NEGERI 1

KRETEK

S

M

A

N 23.

40

36.

17

37.

77

53.

19

23.

40

31.

91

41.

84

46.

81

34.

04

37.2

3

35.1

1

32.9

8

55.3

2

38.3

0

25.5

3

34.0

4

21.2

8

50.0

0

76.6

0

21.2

8

34.0

4

21.2

8

34.0

4

31.9

1

34.0

4

38.3

0

44.6

8

31.9

1

34.0

4

27.6

6

02-056

SMA

KESATUA

N BANGSA

S

M

A

S 44.

19

83.

72

65.

70

93.

02

62.

79

67.

44

79.

85

74.

42

61.

63

45.3

5

77.9

1

55.8

2

86.0

5

81.4

0

55.8

1

55.8

1

34.8

8

83.7

2

86.0

5

39.5

3

67.4

4

18.6

0

83.7

2

76.7

4

81.4

0

72.0

9

86.0

5

93.0

2

62.7

9

39.5

3

03-001

SMA

NEGERI 1

WATES

S

M

A

N 34.

31

80.

29

65.

69

89.

05

66.

42

58.

39

81.

02

84.

67

68.

25

49.6

4

70.4

4

61.3

1

90.5

1

81.7

5

75.9

1

73.7

2

27.7

4

86.1

3

93.4

3

33.5

8

74.4

5

24.8

2

82.4

8

77.3

7

77.3

7

70.0

7

88.3

2

89.7

8

71.5

3

30.6

6


112

03-002

SMA

NEGERI 2

WATES

S

M

A

N 24.39

63.41

47.56

82.93

51.22

43.90

72.76

70.73

45.73

42.68

58.54

49.39

81.71

71.95

43.90

63.41

19.51

62.20

91.46

23.17

56.10

23.17

56.10

58.54

63.41

64.63

68.29

75.61

63.41

20.73

03-003

SMA

NEGERI 1 TEMON

S

MA

N 27.

78

44.

44

39.

82

66.

67

29.

63

33.

33

58.

03

44.

44

33.

34

37.9

7

39.8

2

38.8

9

70.3

7

53.7

0

35.1

9

42.5

9

14.8

1

57.4

1

90.7

4

29.6

3

35.1

9

22.2

2

35.1

9

50.0

0

29.6

3

33.3

3

48.1

5

55.5

6

38.8

9

31.4

8

03-004

SMA

NEGERI 1

PENGASIH

S

M

A

N 29.85

71.64

48.88

88.06

44.78

47.76

69.65

64.18

55.23

41.79

57.46

55.22

74.63

74.63

43.28

59.70

29.85

74.63

94.03

28.36

43.28

14.93

64.18

50.75

64.18

43.28

74.63

86.57

52.24

25.37

03-005

SMA

NEGERI 1 KOKAP

S

MA

N 7.6

9

30.

77

17.

31

69.

23

15.

38

30.

77

48.

72

15.

38

11.

54

19.2

3

23.0

8

30.7

7

76.9

2

61.5

4 0.00

23.0

8

23.0

8

50.0

0

69.2

3

30.7

7

15.3

8

23.0

8

15.3

8

15.3

8

46.1

5

76.9

2

38.4

6

23.0

8

38.4

6

46.1

5

03-006

SMA

MUHAMM

ADIYAH

WATES

S

M

A

S 33.

33

33.

33

27.

78

55.

56

33.

33

44.

44

37.

04

22.

22

27.

78

33.3

3

22.2

2

27.7

8

33.3

3

44.4

4 0.00

22.2

2 0.00

55.5

6

55.5

6

33.3

3

33.3

3

22.2

2

55.5

6

22.2

2

33.3

3

33.3

3

44.4

4

33.3

3 0.00

11.1

1

03-009

SMA

MA'ARIF

WATES

S

M

A

S 25.

00

33.

33

31.

25

50.

00

16.

67

25.

00

41.

67

33.

33

37.

50

33.3

3

29.1

7

37.5

0

50.0

0

50.0

0

33.3

3

41.6

7

16.6

7

29.1

7

75.0

0

33.3

3

25.0

0

16.6

7

41.6

7

25.0

0

33.3

3

25.0

0

50.0

0

25.0

0

25.0

0

33.3

3

03-012

SMA

NEGERI 1

SENTOLO

S

M

A

N 20.

25

58.

23

46.

21

78.

48

43.

04

50.

63

69.

62

63.

29

41.

14

38.6

1

48.1

0

46.8

4

75.9

5

70.8

9

56.9

6

53.1

6

16.4

6

68.9

9

93.6

7

32.9

1

44.3

0

20.2

5

56.9

6

58.2

3

55.7

0

43.0

4

68.3

5

83.5

4

46.8

4

34.1

8

03-013

SMA

NEGERI 1

LENDAH

S

M

A

N 21.

69

40.

96

32.

83

62.

65

25.

30

37.

35

46.

99

31.

33

25.

31

29.5

2

34.3

4

33.1

4

48.1

9

50.6

0

27.7

1

33.7

3

13.2

5

51.8

1

78.3

1

21.6

9

28.9

2

22.8

9

36.1

4

42.1

7

36.1

4

48.1

9

60.2

4

50.6

0

31.3

3

30.1

2

03-014

SMA

NEGERI 1

SAMIGALU

H

S

M

A

N 8.3

3

33.

33

47.

92

66.

67

41.

67

33.

33

63.

89

58.

33

37.

50

45.8

3

41.6

7

37.5

0

75.0

0

91.6

7

50.0

0

58.3

3 8.33

58.3

3

100.

00 8.33

25.0

0

25.0

0

25.0

0

41.6

7

58.3

3

16.6

7

83.3

3

58.3

3

50.0

0

16.6

7

03-015

SMA

NEGERI 1

KALIBAW

ANG

S

M

A

N 10.

00

45.

00

32.

50

75.

00

40.

00

30.

00

38.

33

30.

00

15.

00

37.5

0

42.5

0

37.5

0

60.0

0

50.0

0

30.0

0

30.0

0

30.0

0

57.5

0

85.0

0

25.0

0

35.0

0

15.0

0

40.0

0

20.0

0

20.0

0

55.0

0

60.0

0

50.0

0

30.0

0

45.0

0

03-016

SMA

NEGERI 1

GIRIMULY

O

S

M

A

N 38.

00

40.

00

38.

50

60.

00

48.

00

42.

00

46.

67

40.

00

46.

00

35.0

0

33.0

0

38.0

0

48.0

0

64.0

0

28.0

0

46.0

0

30.0

0

57.0

0

72.0

0

22.0

0

32.0

0

28.0

0

40.0

0

32.0

0

40.0

0

52.0

0

50.0

0

48.0

0

40.0

0

30.0

0

03-017

SMA

MUHAMM

ADIYAH

GALUR

S

M

A

S 0.0

0

66.

67

16.

67

100

.00

66.

67

0.0

0

44.

44

33.

33

16.

67

33.3

4

33.3

3

33.3

3

33.3

3

66.6

7 0.00

33.3

3 0.00

50.0

0

100.

00

33.3

3

66.6

7

33.3

3

66.6

7 0.00

66.6

7

66.6

7

66.6

7

66.6

7

33.3

3

66.6

7

03-024

SMA

NEGERI 1

GALUR

S

M

A

N 70.

59

76.

47

58.

09

73.

53

58.

82

55.

88

71.

57

55.

88

48.

53

42.6

5

60.3

0

58.8

2

85.2

9

79.4

1

32.3

5

61.7

6

20.5

9

66.1

8

79.4

1

17.6

5

50.0

0 5.88

70.5

9

70.5

9

55.8

8

67.6

5

82.3

5

58.8

2

61.7

6

29.4

1

04-001

SMA

NEGERI 1

PRAMBAN

AN

S

M

A

N 12.

20

54.

88

50.

91

74.

39

48.

78

39.

02

55.

28

56.

10

35.

98

30.4

9

56.1

0

41.4

7

74.3

9

62.2

0

37.8

0

47.5

6

21.9

5

63.4

2

78.0

5

15.8

5

53.6

6

15.8

5

50.0

0

57.3

2

59.7

6

52.4

4

75.6

1

76.8

3

47.5

6

28.0

5

04-002

SMA

NEGERI 1

DEPOK

S

M

A

N 16.

82

73.

83

64.

26

87.

85

73.

83

65.

42

81.

00

82.

24

62.

62

41.5

9

75.7

0

56.5

4

85.0

5

83.1

8

63.5

5

64.4

9

28.9

7

75.2

4

93.4

6

28.0

4

61.6

8

23.3

6

73.8

3

77.5

7

75.7

0

69.1

6

92.5

2

93.4

6

76.6

4

30.8

4

04-003

SMA

NEGERI 1

KALASAN

S

M

A

N 30.

36

64.

29

59.

60

79.

46

56.

25

54.

46

79.

17

75.

00

63.

84

46.8

8

69.2

0

50.9

0

83.9

3

79.4

6

64.2

9

64.2

9

18.7

5

79.9

1

89.2

9

16.9

6

58.9

3

16.9

6

75.8

9

75.8

9

67.8

6

50.0

0

69.6

4

83.9

3

73.2

1

33.0

4

04-004

SMA

KOLESE

DE BRITTO

S

M

A

S 27.

33

60.

67

56.

33

87.

33

60.

00

53.

33

85.

33

86.

00

61.

00

48.0

0

62.0

0

47.3

3

90.0

0

82.6

7

56.0

0

56.6

7

48.6

7

80.6

7

92.0

0

44.0

0

66.0

0

23.3

3

86.0

0

76.6

7

72.0

0

58.0

0

78.6

7

91.3

3

70.6

7

46.6

7

04-005 SMA

ANGKASA

S

M

A

S 18.

52

22.

22

25.

00

70.

37

22.

22

29.

63

24.

69

22.

22

20.

37

24.0

8

20.3

7

29.6

3

25.9

3

33.3

3

29.6

3 7.41

33.3

3

42.6

0

55.5

6 3.70

25.9

3

29.6

3

18.5

2

37.0

4

33.3

3

25.9

3

62.9

6

18.5

2

18.5

2

29.6

3

04-008

SMA

MANDALA

BHAKTI

S

M

A

S 75.

00

0.0

0

25.

00

0.0

0

50.

00

50.

00

33.

33

50.

00

12.

50

50.0

0

50.0

0

37.5

0

75.0

0

50.0

0

25.0

0

50.0

0 0.00

12.5

0

50.0

0

25.0

0

25.0

0

25.0

0 0.00

50.0

0

25.0

0

25.0

0

50.0

0

50.0

0

75.0

0

25.0

0

04-009

SMA

GAMA

YOGYAKA

RTA

S

M

A

S 15.

38

38.

46

28.

85

53.

85

30.

77

38.

46

33.

33

46.

15

15.

39

38.4

6

26.9

2

23.0

8

30.7

7

53.8

5

38.4

6

15.3

8 0.00

23.0

8

61.5

4

15.3

8

30.7

7 7.69 7.69

30.7

7

30.7

7

38.4

6

38.4

6

61.5

4

38.4

6

23.0

8

04-010

SMA

KOLOMBO

SLEMAN

S

M

A

S 5.0

0

30.

00

30.

00

60.

00

30.

00

30.

00

31.

67

30.

00

25.

00

32.5

0

50.0

0

30.0

0

45.0

0

45.0

0

50.0

0

40.0

0

25.0

0

37.5

0

80.0

0

35.0

0

20.0

0

10.0

0

25.0

0

50.0

0

40.0

0

35.0

0

30.0

0

50.0

0

20.0

0

20.0

0

04-011

SMA

IMANUEL

KALASAN

S

M

A

S 0.0

0

33.

33

58.

33

66.

67

66.

67

0.0

0

55.

56

100

.00

50.

00

50.0

0

50.0

0

16.6

7

100.

00

100.

00 0.00

66.6

7 0.00

50.0

0

100.

00

33.3

3

66.6

7 0.00

66.6

7

100.

00

100.

00

66.6

7

100.

00

66.6

7

33.3

3 0.00

04-013

SMA

INSTITUT

INDONESI

A SLEMAN

S

M

A

S 0.0

0

37.

50

21.

88

37.

50

25.

00

25.

00

50.

00

50.

00

31.

25

25.0

0

37.5

0

31.2

5

25.0

0

37.5

0

25.0

0 0.00

12.5

0

56.2

5

25.0

0

25.0

0

12.5

0

25.0

0

50.0

0

12.5

0

50.0

0

12.5

0

25.0

0

25.0

0 0.00

25.0

0


113

04-014

SMA

MUHAMM

ADIYAH 1

PRAMBAN

AN

S

M

A

S 0.0

0

36.

36

25.

00

63.

64

18.

18

36.

36

18.

18

9.0

9

22.

73

36.3

7

18.1

8

45.4

6

27.2

7

36.3

6

18.1

8

18.1

8 9.09

50.0

0

27.2

7 9.09

18.1

8

18.1

8

27.2

7 9.09

36.3

6

72.7

3

18.1

8

36.3

6

27.2

7

18.1

8

04-016

SMA

ISLAM 1

PRAMBAN

AN

S

M

A

S 18.

18

45.

45

31.

82

81.

82

18.

18

36.

36

42.

42

9.0

9

22.

73

18.1

8

22.7

3

36.3

7

45.4

5

72.7

3

27.2

7

27.2

7 9.09

40.9

1

54.5

5 9.09

27.2

7 0.00

18.1

8

18.1

8

63.6

4

27.2

7

63.6

4 9.09 9.09

36.3

6

04-017

SMA

MUHAMM

ADIYAH

KALASAN

S

M

A

S 0.0

0

25.

00

37.

50

100

.00

25.

00

25.

00

41.

67

50.

00

12.

50

37.5

0

12.5

0

50.0

0

50.0

0

75.0

0

25.0

0

25.0

0 0.00

62.5

0

75.0

0 0.00

25.0

0 0.00

25.0

0

25.0

0

25.0

0

100.

00

50.0

0

25.0

0

25.0

0 0.00

04-023

SMA

NEGERI 1

GODEAN

S

M

A

N 25.

88

75.

29

66.

47

89.

41

68.

24

65.

88

83.

53

78.

82

70.

00

53.5

3

81.1

8

66.4

7

94.1

2

89.4

1

67.0

6

68.2

4

21.1

8

75.3

0

92.9

4

41.1

8

80.0

0

20.0

0

82.3

5

89.4

1

72.9

4

67.0

6

90.5

9

90.5

9

72.9

4

34.1

2

04-024

SMA

NEGERI

1SEYEGAN

S

M

A

N 31.

54

55.

38

44.

81

74.

62

38.

46

43.

08

63.

59

47.

69

40.

00

41.5

4

50.7

7

41.1

6

77.6

9

62.3

1

36.1

5

44.6

2

20.7

7

63.0

8

80.7

7

25.3

8

45.3

8

16.9

2

53.0

8

52.3

1

42.3

1

53.8

5

64.6

2

72.3

1

53.0

8

29.2

3

04-025

SMA

NEGERI 1

GAMPING

S

M

A

N 21.

15

36.

54

40.

87

75.

00

32.

69

32.

69

45.

51

40.

38

31.

73

36.5

4

46.1

6

38.4

6

71.1

5

59.6

2

51.9

2

34.6

2

25.0

0

58.6

5

82.6

9

28.8

5

42.3

1

19.2

3

46.1

5

36.5

4

51.9

2

36.5

4

55.7

7

59.6

2

44.2

3

25.0

0

04-026

SMA

NEGERI 1

MINGGIR

S

M

A

N 23.

08

46.

15

36.

16

75.

38

30.

77

35.

38

51.

28

49.

23

33.

08

33.8

5

44.6

2

31.5

4

43.0

8

55.3

8

30.7

7

30.7

7

23.0

8

52.3

1

66.1

5

26.1

5

32.3

1

29.2

3

44.6

2

36.9

2

36.9

2

41.5

4

50.7

7

40.0

0

24.6

2

27.6

9

04-028

SMA

ISLAM 1

GAMPING

S

M

A

S 5.7

1

31.

43

24.

29

57.

14

25.

71

28.

57

34.

29

28.

57

17.

15

18.5

7

20.0

0

21.4

3

28.5

7

37.1

4

34.2

9

14.2

9

20.0

0

31.4

3

60.0

0

31.4

3

14.2

9

17.1

4

25.7

1

20.0

0

25.7

1

14.2

9

34.2

9

34.2

9

34.2

9

31.4

3

04-037

SMA

NEGERI 1

SLEMAN

S

M

A

N 28.

57

81.

75

65.

08

87.

30

69.

84

65.

08

85.

19

83.

33

59.

92

49.6

0

66.6

7

58.3

4

84.1

3

79.3

7

69.0

5

73.0

2

26.1

9

70.2

4

96.0

3

27.7

8

67.4

6

26.1

9

84.1

3

73.8

1

68.2

5

69.8

4

94.4

4

91.2

7

74.6

0

28.5

7

04-038

SMA

NEGERI 2

SLEMAN

S

M

A

N 15.

69

50.

98

38.

73

74.

51

33.

33

39.

22

56.

86

60.

78

30.

39

35.3

0

49.0

2

42.1

6

54.9

0

52.9

4

27.4

5

41.1

8

25.4

9

55.8

8

88.2

4

27.4

5

54.9

0

17.6

5

39.2

2

31.3

7

49.0

2

47.0

6

58.8

2

60.7

8

50.9

8

25.4

9

04-039

SMA

NEGERI 1

TURI

S

M

A

N 8.0

0

40.

00

37.

00

60.

00

24.

00

38.

00

46.

67

46.

00

30.

00

35.0

0

50.0

0

39.0

0

38.0

0

56.0

0

34.0

0

28.0

0

10.0

0

64.0

0

80.0

0

22.0

0

28.0

0

28.0

0

34.0

0

44.0

0

40.0

0

42.0

0

58.0

0

60.0

0

22.0

0

24.0

0

04-040

SMA

NEGERI 1

MLATI

S

M

A

N 5.8

8

50.

98

56.

86

86.

27

35.

29

37.

25

69.

28

72.

55

54.

90

37.2

6

59.8

1

48.0

4

76.4

7

76.4

7

27.4

5

66.6

7

17.6

5

76.4

8

92.1

6

23.5

3

68.6

3

23.5

3

56.8

6

64.7

1

70.5

9

47.0

6

80.3

9

94.1

2

70.5

9

27.4

5

04-044

SMA

MUHAMM

ADIYAH

MLATI

S

M

A

S 9.0

9

9.0

9

22.

73

63.

64

27.

27

36.

36

36.

36

18.

18

50.

00

18.1

8

31.8

2

50.0

0

18.1

8

63.6

4

36.3

6 9.09

18.1

8

45.4

6

54.5

5

27.2

7

54.5

5

27.2

7 9.09

27.2

7

54.5

5

54.5

5

45.4

5

63.6

4

18.1

8

36.3

6

04-046

SMA

SANTO

MIKAEL

SLEMAN

S

M

A

S 27.

27

36.

36

15.

91

81.

82

36.

36

36.

36

54.

55

45.

45

40.

91

27.2

7

31.8

2

22.7

3

45.4

5

54.5

5

27.2

7

36.3

6

18.1

8

54.5

5

72.7

3

36.3

6

27.2

7

27.2

7

45.4

5

27.2

7

54.5

5

27.2

7

63.6

4

45.4

5 9.09

18.1

8

04-048

SMA

MUHAMM

ADIYAH 1

SLEMAN

S

M

A

S 10.

00

10.

00

27.

50

60.

00

20.

00

30.

00

33.

33

50.

00

20.

00

30.0

0

35.0

0

20.0

0

70.0

0

70.0

0

20.0

0

40.0

0

50.0

0

55.0

0

80.0

0

40.0

0

40.0

0

20.0

0

40.0

0

30.0

0

40.0

0

40.0

0

60.0

0

50.0

0

20.0

0

40.0

0

04-053

SMA

NEGERI 1

PAKEM

S

M

A

N 29.

73

63.

51

63.

85

81.

08

47.

30

64.

86

75.

23

74.

32

63.

51

47.3

0

65.5

4

56.7

6

87.8

4

83.7

8

52.7

0

67.5

7

29.7

3

85.8

1

95.9

5

31.0

8

68.9

2

27.0

3

71.6

2

67.5

7

72.9

7

60.8

1

81.0

8

87.8

4

62.1

6

25.6

8

04-054

SMA

NEGERI 1

NGAGLIK

S

M

A

N 9.9

0

16.

83

22.

77

60.

40

21.

78

33.

66

39.

93

28.

71

20.

79

28.2

2

32.6

7

28.7

1

51.4

9

42.5

7

21.7

8

19.8

0

24.7

5

45.0

5

75.2

5

21.7

8

23.7

6

22.7

7

21.7

8

32.6

7

27.7

2

45.5

4

36.6

3

31.6

8

22.7

7

26.7

3

04-055

SMA

NEGERI 2

NGAGLIK

S

M

A

N 27.

91

40.

31

41.

86

71.

32

44.

96

42.

64

60.

21

50.

39

49.

23

38.7

6

51.9

4

40.3

1

71.3

2

57.3

6

29.4

6

52.7

1

17.0

5

62.4

1

86.0

5

27.9

1

60.4

7

24.0

3

35.6

6

53.4

9

53.4

9

58.9

1

72.0

9

60.4

7

44.9

6

37.2

1

04-057

SMA

MUHAMM

ADIYAH

PAKEM

S

M

A

S 17.

65

35.

29

42.

65

64.

71

29.

41

47.

06

56.

86

47.

06

26.

47

26.4

7

41.1

8

29.4

1

52.9

4

52.9

4

41.1

8

47.0

6

17.6

5

58.8

3

94.1

2

23.5

3

41.1

8

23.5

3

47.0

6

58.8

2

64.7

1

52.9

4

64.7

1

70.5

9

29.4

1

29.4

1

04-060

SMA

ISLAM 3

SLEMAN

S

M

A

S 12.

50

37.

50

18.

75

75.

00

12.

50

31.

25

33.

33

25.

00

31.

25

18.7

5

18.7

5

18.7

5

25.0

0

37.5

0

25.0

0

25.0

0 6.25

46.8

8

62.5

0

31.2

5

37.5

0

18.7

5

37.5

0

37.5

0

43.7

5

50.0

0

43.7

5

37.5

0

31.2

5

50.0

0

04-067

SMA

NEGERI 1

TEMPEL

S

M

A

N 17.

31

40.

38

33.

65

57.

69

34.

62

40.

38

44.

87

34.

62

35.

58

37.5

0

41.3

5

30.7

7

40.3

8

59.6

2

26.9

2

34.6

2 9.62

50.0

0

67.3

1

36.5

4

46.1

5

17.3

1

26.9

2

25.0

0

40.3

8

48.0

8

38.4

6

46.1

5

36.5

4

28.8

5

04-068

SMA

NEGERI 1

NGEMPLA

K

S

M

A

N 11.

63

34.

88

35.

47

62.

79

20.

93

27.

91

50.

39

48.

84

39.

54

39.5

4

43.0

2

31.4

0

62.7

9

55.8

1

34.8

8

32.5

6

11.6

3

66.2

8

81.4

0

18.6

0

39.5

3

39.5

3

37.2

1

44.1

9

55.8

1

60.4

7

53.4

9

60.4

7

32.5

6

20.9

3

04-069

SMA

NEGERI 1

CANGKRIN

GAN

S

M

A

N 45.

28

50.

94

50.

47

67.

92

47.

17

43.

40

59.

75

52.

83

41.

51

38.6

8

49.0

6

38.6

8

71.7

0

62.2

6

47.1

7

56.6

0

11.3

2

56.6

0

79.2

5

30.1

9

43.4

0

22.6

4

52.8

3

56.6

0

43.4

0

66.0

4

64.1

5

49.0

6

39.6

2

26.4

2


114

04-076

SMA IT

BINA

UMAT

S

M

A

S 12.50

41.67

42.71

83.33

54.17

37.50

58.33

50.00

45.84

33.34

54.17

31.25

58.33

62.50

29.17

50.00

29.17

56.25

79.17

20.83

29.17

20.83

45.83

50.00

45.83

29.17

54.17

62.50

33.33

37.50

04-077

SMA BUDI

MULIA DUA

S

MA

S 6.4

5

32.

26

39.

52

70.

97

32.

26

35.

48

65.

59

61.

29

35.

49

37.1

0

51.6

2

35.4

9

77.4

2

74.1

9

38.7

1

38.7

1

41.9

4

53.2

3

80.6

5

32.2

6

45.1

6

12.9

0

48.3

9

61.2

9

41.9

4

41.9

4

70.9

7

80.6

5

54.8

4

38.7

1

05-001

SMA 2

WONOSAR

I

S

M

A

N 19.72

88.73

70.07

90.14

67.61

71.83

78.40

87.32

62.68

49.30

76.76

64.79

92.96

80.28

71.83

76.06

25.35

79.58

91.55

35.21

56.34

15.49

90.14

61.97

73.24

88.73

92.96

85.92

69.01

36.62

05-002

SMA 1

WONOSARI

S

MA

N 50.

00

90.

63

74.

48

91.

67

84.

38

78.

13

92.

36

96.

88

82.

82

50.0

0

91.1

5

73.4

4

90.6

3

93.7

5

86.4

6

88.5

4

30.2

1

90.6

3

97.9

2

35.4

2

81.2

5

26.0

4

94.7

9

88.5

4

92.7

1

84.3

8

94.7

9

93.7

5

92.7

1

44.7

9

05-003 SMA 2

PLAYEN

S

M

A

N 17.24

25.86

50.86

74.14

39.66

32.76

58.62

41.38

31.04

40.52

43.97

40.52

58.62

48.28

34.48

44.83

18.97

58.62

87.93

24.14

37.93

17.24

41.38

41.38

46.55

63.79

81.03

62.07

50.00

29.31

05-004 SMA 1

PLAYEN

S

MA

N 18.

18

72.

73

42.

05

72.

73

27.

27

45.

45

48.

49

40.

91

18.

19

29.5

5

56.8

2

40.9

1

72.7

3

54.5

5

50.0

0

50.0

0

27.2

7

65.9

1

77.2

7

22.7

3

50.0

0

13.6

4

45.4

5

50.0

0

68.1

8

36.3

6

68.1

8

40.9

1

40.9

1

31.8

2

05-005 SMA 1 PATUK

S

M

A

N 18.18

36.36

32.95

68.18

31.82

36.36

46.97

50.00

31.82

27.27

38.64

31.82

54.55

45.45

36.36

27.27

31.82

63.64

72.73

9.09 45.4

5 18.1

8 31.8

2 63.6

4 50.0

0 45.4

5 81.8

2 63.6

4 13.6

4 22.7

3

05-006

SMA 1

PANGGANG

S

MA

N 12.

50

59.

38

44.

54

71.

88

6.2

5

28.

13

60.

42

43.

75

39.

07

39.0

7

45.3

2

29.6

9

43.7

5

50.0

0

37.5

0

46.8

8

31.2

5

62.5

0

90.6

3

21.8

8

40.6

3

31.2

5

21.8

8

40.6

3

59.3

8

25.0

0

75.0

0

68.7

5

31.2

5

34.3

8

05-007

SMA 1

TANJUNGS

ARI

S

M

A

N 22.22

13.89

29.17

52.78

25.00

25.00

47.22

25.00

22.23

30.56

34.72

29.17

52.78

41.67

41.67

22.22

25.00

51.39

72.22

16.67

22.22

22.22

25.00

30.56

27.78

44.44

38.89

22.22

27.78

27.78

05-008

SMA

PEMBANG

UNAN 1

WONOSAR

I

S

M

A

S 0.0

0

12.

50

28.

13

12.

50

25.

00

12.

50

16.

67

25.

00

18.

75

37.5

0

18.7

5

25.0

0

25.0

0

37.5

0

25.0

0

37.5

0

37.5

0

37.5

0

75.0

0

12.5

0

12.5

0

25.0

0

50.0

0

25.0

0

12.5

0

37.5

0

37.5

0

50.0

0

25.0

0

12.5

0

05-009

SMA

MUHAMM

ADIYAH

WONOSAR

I

S

M

A

S 11.

11

44.

44

33.

33

66.

67

33.

33

33.

33

55.

56

77.

78

16.

67

33.3

4

33.3

3

27.7

8

77.7

8

44.4

4

44.4

4

22.2

2

55.5

6

66.6

7

100.

00

55.5

6

11.1

1

11.1

1

44.4

4

66.6

7

44.4

4

33.3

3

55.5

6

77.7

8 0.00

33.3

3

05-012

SMA

DOMINIKU

S

WONOSAR

I

S

M

A

S 7.1

4

14.

29

10.

72

57.

14

35.

71

35.

71

35.

71

28.

57

10.

72

46.4

3

14.2

9

25.0

0

42.8

6

50.0

0

28.5

7

28.5

7 7.14

32.1

4

64.2

9

28.5

7

14.2

9

28.5

7

42.8

6

35.7

1

50.0

0

28.5

7

35.7

1

21.4

3

21.4

3

21.4

3

05-020

SMA 1

KARANGM

OJO

S

M

A

N 7.7

9

32.

47

31.

49

61.

04

28.

57

31.

17

58.

01

50.

65

30.

52

33.7

7

32.4

7

37.0

1

53.2

5

55.8

4

22.0

8

35.0

6

15.5

8

64.9

4

84.4

2

23.3

8

33.7

7

31.1

7

18.1

8

46.7

5

42.8

6

62.3

4

66.2

3

50.6

5

35.0

6

27.2

7

05-021 SMA 1

SEMIN

S

M

A

N 8.2

2

54.

79

50.

00

82.

19

39.

73

46.

58

66.

67

61.

64

47.

27

42.4

7

54.1

1

58.9

1

68.4

9

60.2

7

47.9

5

42.4

7

12.3

3

66.4

4

89.0

4

16.4

4

46.5

8

27.4

0

53.4

2

58.9

0

68.4

9

41.1

0

87.6

7

72.6

0

43.8

4

35.6

2

05-022 SMA 1

RONGKOP

S

M

A

N 17.

65

17.

65

38.

97

61.

76

52.

94

61.

76

47.

06

44.

12

33.

82

39.7

1

42.6

5

41.1

8

64.7

1

47.0

6

29.4

1

35.2

9

29.4

1

50.0

0

76.4

7

17.6

5

41.1

8

14.7

1

29.4

1

61.7

6

38.2

4

50.0

0

70.5

9

58.8

2

17.6

5

35.2

9

05-024

SMA

PEMBANG

UNAN 2

KARANGM

OJO

S

M

A

S 23.

33

10.

00

21.

67

43.

33

20.

00

36.

67

36.

67

26.

67

28.

34

26.6

7

21.6

7

18.3

3

23.3

3

30.0

0

23.3

3

20.0

0 6.67

36.6

7

56.6

7

16.6

7

10.0

0

30.0

0

36.6

7

20.0

0

43.3

3

36.6

7

33.3

3

30.0

0

10.0

0

26.6

7

05-025

SMA

PEMBANG

UNAN 3

PONJONG

S

M

A

S 9.0

9

9.0

9

31.

82

72.

73

9.0

9

27.

27

42.

42

45.

45

22.

73

45.4

6

22.7

3

54.5

5

54.5

5

45.4

5

27.2

7

18.1

8

18.1

8

40.9

1

63.6

4

36.3

6

27.2

7 9.09

27.2

7

27.2

7

36.3

6

45.4

5

54.5

5

27.2

7 9.09

27.2

7

05-026

SMA

MUHAMM

ADIYAH

PONJONG

S

M

A

S 0.0

0

33.

33

35.

00

53.

33

26.

67

20.

00

53.

33

33.

33

33.

33

36.6

7

40.0

0

30.0

0

20.0

0

40.0

0

20.0

0

53.3

3 6.67

56.6

7

93.3

3

40.0

0

46.6

7

13.3

3

33.3

3

40.0

0

33.3

3

33.3

3

53.3

3

33.3

3 0.00

26.6

7

05-027

SMA IKIP

VETERAN

III

TAMBAKR

OMO

S

M

A

S 21.

05

15.

79

46.

06

73.

68

26.

32

21.

05

42.

11

26.

32

26.

32

23.6

9

39.4

8

26.3

2

52.6

3

42.1

1

15.7

9

31.5

8

15.7

9

71.0

6

68.4

2

21.0

5

31.5

8

10.5

3

21.0

5

26.3

2

52.6

3

42.1

1

47.3

7

31.5

8

15.7

9

21.0

5

05-034 SMA 1

SEMANU

S

M

A

N 0.0

0

45.

83

36.

46

58.

33

33.

33

50.

00

58.

33

58.

33

29.

17

25.0

0

47.9

2

37.5

0

41.6

7

62.5

0

41.6

7

50.0

0

20.8

3

60.4

2

75.0

0

29.1

7

33.3

3 8.33

54.1

7

45.8

3

45.8

3

58.3

3

66.6

7

79.1

7

29.1

7

33.3

3


115

LAMPIRAN 2

DATASET HASIL TRANSFORMASI DATA

MAT1 MAT2 MAT3 MAT4 MAT5 MAT6 MAT7 MAT8 MAT9 MAT10

MAT11

MAT12

MAT13

MAT14

MAT15

MAT16

MAT17

MAT18

MAT19

MAT20

MAT21

MAT22

MAT23

MAT24

MAT25

MAT26

MAT27

MAT28

MAT29

MAT30

TIDAK

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS


116

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS


117

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS


118

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS


119

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS


120

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TUNT

AS

TIDAK TUNT

AS

TIDAK TUNT

AS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS

TUNTAS

TUNTAS

TIDAK TUNTAS

TIDAK TUNTAS


121

LAMPIRAN 3 : DIAGRAM USE CASE


122

LAMPIRAN 4 : GAMBARAN UMUM USE CASE

ID

Use

Case

Nama Use Case Deskripsi Aktor

1 Memasukkan

Data

Use case ini merupakan proses

memasukkan data file bertipe .xls atau

.csv ataupun data dari tabel di

database ke dalam sistem.

User

2 Seleksi Atribut


pemilihan atribut dari data yang

terpilih yang akan di asosiasi.

User

3

Asosiasi

menggunakan

algoritma

apriori


asosiasi dari data yang sudah terpilih User

4 Simpan Hasil

Apriori


penyimpanan hasil asosiasi dalam

bentuk file dengan tipe ekstensi .xls

User


123

LAMPIRAN 5 : NARASI USE CASE

1. Narasi Use Case Memasukkan Data

Memasukkan Data

Nama Use Case Memasukkan data

ID Use Case 1

Aktor User

Deskripsi

Use case ini merupakan proses memasukkan data dari

beberapa tipe file data ataupun dari database ke dalam

sistem.

Kondisi Awal User telah masuk ke dalam sistem dan berada pada

halaman preprocessing.

Kondisi Akhir Data ditampilkan dalam tabel data pada halaman

preprocessing.

Typical Course

Aksi Aktor Reaksi Sistem

1. Menekan tombol “Pilih

File” untuk memasukkan

file yang berekstensi .xls

atau.csv.

2. Menampilkan kotak

dialog untuk pemilihan

file yang berada di salah

satu direktori komputer

3. Memilih file yang akan

digunakan dalam proses

asosiasi.

4. Menampilkan data dari

file yang telah dipilih ke

dalam tabel data yang


124

terdapat pada halaman

preprocessing.

Alternate Course

1. Menekan tombol “Pilih

Database” untuk

melakukan koneksi ke

database.

2. Menampilkan halaman

konfigurasi database.

3. Memilih database

MySQL atau Oracle, dan

mengisikan isian

username, password,

nama database, dan URL.

Kemudian menekan

tombol OK.

4. Jika isian konfigurasi

benar, maka akan

menampilkan pesan

berhasil terkoneksi ke

database dan akan menuju

langkah 5. Jika isian

konfigurasi salah, akan

mengulang ke langkah 3.

5. Memilih tabel dalam

database yang ingin

dimasukkan ke tabel data

pada halaman

preprocessing. Lalu

menekan tombol “OK”


125

6. Menampilkan data tabel

yag terpilih pada halaman

preprocessing.

2. Narasi Use Case Seleksi Atribut

Seleksi Atribut

Nama Use Case Seleksi Atribut

ID Use Case 2

Aktor User

Deskripsi Use case ini merupakan proses pemilihan atribut dari data

yang terpilih yang akan di asosiasi.

Kondisi Awal Data yang terpilih sudah tampil dalam tabel data di

halaman preprocessing tersebut

Kondisi Akhir Pemilihan data dan seleksi atribut yang akan dideteksi

selesai. Menampilkan halaman asosiasi.

Typical Course


1. Memilih atribut yang

ingin dihapus dengan

mencentang pada atribut

yang terpilih.

2. Menekan tombol “Hapus

Atribut”

3. Menghapus atribut yang

terpilih dari tabel data.

4. Menekn tombol “Submit”.


asosiasi.

Alternate Course

1. Menekan tombol “Tandai

Semua” untuk menandai

semua atribut untuk


126

dihapus. Jika ingin

membatalkan pendandaan

atribut dapat menekan

tombol “Batal”

2. Menekan tombol “Hapus

Atribut”

3. Menghapus atribut yang

terpilih dari tabel data.

4. Menekn tombol “Submit”.


asosiasi.

3. Narasi Use Case Asosiasi Menggunakan Algoritma Apriori

Asosiasi Menggunakan Algoritma Apriori

Nama Use Case Asosiasi menggunakan algoritma apriori

ID Use Case 3

Aktor User

Deskripsi Use case ini merupakan proses asosiasi dai data yang

sudah terpilih.

Kondisi Awal Sistem sudah berada dalam halaman asosiasi

Kondisi Akhir Pengguna dapat melihat hasil asosiasi

Typical Course


1. Memasukkan nilai

minimum support

2. Memasukkan nilai

minimum confidence

3. Menekan tombol

“Proses”

4. Menampilkan hasil

asosiasi.


127

Alternate Course - -

4. Narasi Use Case Simpan Hasil Apriori

Simpan Hasil Asosiasi

Nama Use Case Menyimpan hasil asosiasi ke direktori computer

ID Use Case 4

Aktor User

Deskripsi Use case ini merupakan proses penyimpanan hasil

asosiasi dalam bentuk file dengan tipe ekstensi .xls

Kondisi Awal Hasil asosiasi sudah tampil.

Kondisi Akhir Hasil asosiasi sudah tersimpan dalam salah satu

direktori di computer

Typical Course


1. Menekan tombol

“Simpan”

2. Menampilkan kotak

dialog pemilihan

direktori penyimpanan.

3. Memilih direktori

penyimpanan hasil

asosiasi.

4. Mengisikan nama file

yang akan disimpan.

5. Memilih extensi

penyimpanan file

tersebut.

6. Menekan tombol “OK”

7. Menyimpan hasil

asosiasi ke dalam file


128

dalam direktori yang

telah dipilih.

Alternate Course - -


129

LAMPIRAN 6 : DIAGRAM AKTIVITAS

1. Diagram Aktivitas Memasukkan Data

MEMASUKKAN DATA

USER SISTEMPh

ase

Memasukkan data dari database?

Menekan tombol "Pilih FIle"

Memilih file bertipe .xls atau .csv

Menampilkan kotak dialog file chooser

Menekan tombol "OK"Menampilkan file data yang

terpilih ke tabel data di halaman preprocessing

Menekan tombol "Pilih Database"

Menampilkan halaman konfigurasi database

Memilih database dan mengisikan konfigurasinya

(username, password, nama database)

Menekan tombol "OK"Mengecek koneksi

database

Benar?

Menampilkan pesan berhasil koneksi ke

database

Menampilkan pesan gagal koneksi ke database

Memilih tabel dalam database

Menampilkan data tabel yang terpilih pada halaman

preprocessingMenekan tombol "OK"

TidakYa

Tidak

Ya


130

2. Diagram Aktivitas Seleksi Atribut

SELEKSI ATRIBUT

USER SISTEM

Phas

e

Tandai semua atribut?

Menekan tombol "Pilih Semua"

Menandai atribut satu per satu

Semua atribut tercentang

Atribut yang ditandai menjadi tercentang

Batal menandai atribut?

Menekan tombol "Batal"

Menekan tombol "Hapus Atribut"

Menghapus atribut yang sudah tercentang dari tabel

seleksi astribut pada halaman preprocessing

Semua centang dibatalkan

Tidak Ya

Tidak

Ya


131

3. Diagram Aktivitas Asosiasi Menggunakan Algoritma Apriori

ASOSIASI MENGGUNAKAN ALGORITMA APRIORI

USER SISTEM

Ph

ase

Mengisi textfield minimum

support

Mengisi textfield minimum

confidence

Menekan tombol "Proses" Menampilkan hasil asosiasi


132

4. Diagram Aktivitas Simpan Hasil Asosiasi

SIMPAN HASIL ASOSIASI

USER SISTEM

Phas

e

Menekan tombol "Simpan"Menampilkan kotak dialog

pemilihan direktori penyimpanan

Memilih direktori penyimpanan

Mengisi nama file yang akan disimpan

Memilih ekstensi penyimpanan file

Menekan tombol "OK"Menyimpan hasil asosiasi ke

dalam file dalam direktori yang terpilih


133

LAMPIRAN 7 : DIAGRAM KELAS ANALISIS


134

LAMPIRAN 8 : DIAGRAM SEQUENCE

1. Diagram Sequence Memasukkan Data Dari File

User

<<view>>view_home

<<view>>view_preprocess

<<controller>>control_atributSelection

<<model>>model_atributSelection

Menekan tombol "MASUK SISTEM"

Menampilkanhalaman

preprocessing

Menekan tombol "PILIH FILE"

Menampilkan kotak dialog file chooser

Memilih file bertipe .xls atau .csv

bt_chFileActionPerformed(java.awt.event.ActionEvent evt);

new DefaultTableModel(data, atribut)

setModel(dft)

new control_atributSelection()

setAtribut(dft.getColumnName(i));setPilih(false)

addRow(i, asModel)

Menampilkan data dari file di tb_fileInput

setModel(asControl)Menampilkan atribut dari tb_fileInput di tb_atributSelection


135

2. Diagram Sequence Memasukkan Data Dari Database MySQL

USER

<<v

iew

>vi

ew

_h

om

e<

<vie

w>

>vi

ew_p

rep

roce

ss<

<vie

w>

>vi

ew_d

atab

ase

<<c

on

tro

ller>

>co

ntr

ol_

db

Sele

ctio

n<

<vie

w>

>vi

ew_t

able

<<c

on

tro

ller>

>co

ntr

ol_

tab

leSe

lect

ion

<<c

on

tro

ller>

>co

ntr

ol_

atri

bu

tSel

ecti

on

<<m

od

el>

>m

od

el_a

trib

utS

elec

tio

n

Men

ekan

to

mb

ol"M

ASU

K S

ISTE

M"

Men

ampi

lkan

hal

aman

prep

roce

ssin

g

Men

ekan

to

mb

ol "

PIL

IH D

ATA

BA

SE"

Men

ampi

lkan

hal

aman

vie

w_

data

bas

e

Mem

ilih

da

tab

ase,

men

gisi

use

rnam

e, p

ass

wor

d, s

chem

a, d

an u

rlis

Con

nect

_MyS

QL

(url

+ s

che

ma,

u

sern

am

e, p

assw

ord

)is

Con

nect

_MyS

QL(

true

)

Men

ambi

lkan

hal

aman

vie

w_

tab

le

Mem

ilih

tab

el d

ata

bas

ege

tDa

tab

ase(

conn

, cb

_tab

le.

getS

elec

ted

Item

().t

oStr

ing(

))

men

am

pilk

an

data

pad

a tb

_fil

eInp

ut

new

co

ntr

ol_

atri

but

Sele

ctio

n()

setA

trib

ut(d

ft.g

etC

olum

nNam

e(i))

;se

tPili

h(f

alse

)

addR

ow

(i, a

sMod

el)

setM

ode

l(asC

on

tro

l)M

enam

pilk

an a

trib

ut d

ari t

b_f

ileIn

put

di t

b_a

trib

utS

ele

ctio

n


136

3. Diagram Sequence Memasukkan Data Dari Database Oracle

USER

<<vi

ew>

view

_ho

me

<<vi

ew>>

view

_pre

pro

cess

<<vi

ew>>

view

_dat

abas

e<<

cont

rolle

r>>

con

trol

_dbS

elec

tio

n<<

view

>>vi

ew_t

able

<<co

ntro

ller>

>co

ntr

ol_t

able

Sele

ctio

n<<

cont

rolle

r>>

con

trol

_atr

ibu

tSel

ecti

on<<

mod

el>>

mod

el_a

trib

utSe

lect

ion

Men

ekan

to

mb

ol"M

ASU

K S

ISTE

M"

Men

ampi

lkan

hal

aman

prep

roce

ssin

g

Men

ekan

to

mb

ol "

PIL

IH D

ATA

BA

SE"

Men

ampi

lkan

hal

aman

vie

w_

data

bas

e

Mem

ilih

da

tab

ase,

men

gisi

use

rnam

e, p

ass

wor

d, s

chem

a, d

an u

rlis

Con

nect

_Ora

cle

(url

+ s

che

ma,

u

sern

am

e, p

assw

ord

)is

Con

nect

_Ora

cle(

true

)

Men

ambi

lkan

hal

aman

vie

w_

tab

le

Mem

ilih

tab

el d

ata

bas

ege

tDa

tab

ase(

conn

, cb

_tab

le.

getS

elec

ted

Item

().t

oStr

ing(

))

men

am

pilk

an

data

pad

a tb

_fil

eInp

ut

new

co

ntr

ol_

atri

but

Sele

ctio

n()

setA

trib

ut(d

ft.g

etC

olum

nNam

e(i))

;se

tPili

h(f

alse

)

addR

ow

(i, a

sMod

el)

setM

ode

l(asC

on

tro

l)M

enam

pilk

an a

trib

ut d

ari t

b_f

ileIn

put

di t

b_a

trib

utS

ele

ctio

n


137

4. Diagram Sequence Seleksi Atribut

USER

<<view>>view_preprocess

<<controller>>control_atributSelection

<<model>>model_atributSelection

Menandai atributyang akan dihapus

Menekan tombol"HAPUS ATRIBUT"

tb_fileInput.removeColumn(colDel);asControl.Delete_Atribut();

as.add(selection);fireTableDataChanged();

Menghapus data atribut dari tb_fileInput;Menghapus baris nama atribut pada tb_atributSelection


138

5. Diagram Sequence Simpan Hasil Asosiasi

USER

<<view>>view_asosiasi

Menekan tombol "SIMPAN HASIL ASOSIASI"

Menampilkan kotak dialog penyimpanan

Memilih direktori penyimpanan

Mengisi nama file

Memilih tipe file

Menekan tombol "Save"

bt_saveActionPerformed(java.awt.event.ActionEvent evt)

Menampilkan pesan bahwa penyimpanan berhasil

Hasil asosiasi tersimpan sebagai file di direktori komputer


139

LAMPIRAN 9 : STRUKTUR DIAGRAM KELAS


140

LAMPIRAN 10 : ALGORITMA PER METHOD

Tabel 4.2 Rincian Algoritma per Method Kelas control_dbConnection

Nama Method Fungsi Method Algoritma Method

MySQL_conn(String url,

String username, String

password)

Melakukan

koneksi ke

database

MySQL

1. Variabel conn diisikan

dengan objek

DriverManager milik

java.sql yang memanggil

method getConnection

dengan parameter url,

username, dan password.

2. Jika koneksi berhasil maka

akan menampilkan message

dialog “MySQL

Connection Success”.



dialog “MySQL

Connection Failed!”.

4. Mengembalikan variabel

conn.

isConnect_MySQL(String

url, String username,

String password)

Melakukan

pengecekan

koneksi ke

database

MySQL

1. Memanggil method

MySQL_conn dengan

parameter url, usrename,

dan paaword.

2. Jika tidak menghasilkan

nilai null maka akan

mengembalikan nilai true.


141

3. Jika menghasilkan nilai null

maka akan mengembalikan

nilai false.

Oracle_conn(String url,

String username, String

password)

Melakukan

koneksi ke

database Oracle

1. Membuat objek baru dari

OracleDataSource dengan

nama ds.

2. Objek ds memanggil

method setURL dengan

parameter url.

3. Variabel conn diisikan

dengan objek ds yang

memanggil method

getConnection dengan

parameter username dan

password.



dialog “Oracle Connection

Success”.



dialog “Oracle Connection

Failed!”.

6. Mengembalikan variabel

conn.

isConnect_Oracle(String

url, String username,

String password)

Melakukan

pengecekan

koneksi ke

database Oracle

1. Memanggil method

MySQL_conn dengan

parameter url, usrename,

dan paaword.


142

2. Jika tidak menghasilkan

nilai null maka akan

mengembalikan nilai true.

3. Jika menghasilkan nilai null

maka akan mengembalikan

nilai false.

Rincian algoritma per method kelas control_tableConnection dapat dilihat

pada tabel 4.3.

Tabel 4.3 Rincian Algoritma per Method Kelas control_tableConnection.java

Nama Method Fungsi

Method

Algoritma Method

displayTable_MySQL(Connection

conn)

Menampilkan

tabel yang

terdapat pada

koneksi

database

MySQL dari

schema

database yang

sudah dipilih

1. Variabel st diisi

dengan parameter

conn yang memanggil

method

createStatement.

2. Variabel sql diisi

dengan nilai string

“show tables”.

3. Variabel rs diisi

dengan nilai variabel

st yang memanggil

method executeQuery

dengan parameter dari

variabel sql.

4. Mengembalikan nilai

rs.


143

displayTable_Oracle(Connection

conn)

Menampilkan

tabel yang

terdapat pada

koneksi

database

Oracle


dengan parameter

conn yang memanggil

method

createStatement.


dengan nilai string

“select table_name

from tabs”.



st yang memanggil

method executeQuery


variabel sql.


rs.

selectTable(Connection conn,

String table)

Mengambil isi

dari tabel

yang dipilih


dengan parameter

conn yang memanggil

method

createStatement.


dengan nilai string

“select * from ” +

table.



st yang memanggil

method executeQuery


144


variabel sql.


rs.

Rincian algoritma per method kelas control_atributSelection dapat dilihat

pada tabel 4.4.

Tabel 4.4 Rincian Algoritma per Method Kelas control_atributSelection.java

Nama Method Fungsi

Method

Algoritma Method

Delete_Atribut() Mengahpus

atribut yang

telah dipilih

1. Membuat objek baru dari

ArrayList<model_atributSelection

> dengan nama as.

2. Selama variabel selection bertipe

model_atributSelection sesuai

dengan atribut yang dipilih,

lakukan :

a. Jika selection.getPilih()

bernilai false, maka

as.add(selection).

3. Memasukkan nilai as ke dalam

variabel atribut.

4. Memanggil method

fireTableDataChanged.

getValueAt(int

rowIndex, int

columnIndex)

Memanggil

nilai objek

pada baris

dan kolom

tertentu

1. Mendeklarasikan variabel baru

bertipe model_atributSelection

dengan nama seleksi dan memberi

nilai dari variabel atribut yang


145

memanggil method get dengan

parameter rowIndex.

2. Ketika columnIndex bernilai 0,

kembalikan nilai variabel seleksi

yang memanggil method

getAtribut.


kembalikan nilai variabel seleksi

yang memanggil method getPilih.

4. Ketika columnIndex tidak bernilai

0 atau 1, kembalikan nilai kosong

bertipe String.

setValueAt(Object

value, int rowIndex,

int columnIndex)

Menyimpan

nilai objek

pada baris

dan kolom

tertentu


variabel atribut memanggil method

get dengan parameter rowIndex.

Method get ini juga memanggil

method setAtribut dengan

parameter value.toString().


variabel atribut memanggil method

get dengan parameter rowIndex.

Method get juga memanggil

method setPilih dengan parameter

value yang di parsing ke tipe

Boolean.

3. Memanggil method

fireTableCellUpdated dengan

parameter rowIndex dan

columnIndex.


146

addRow(int a,

model_atributSelectio

n as)

Memasukka

n baris baru

1. Variabel atribut memanggil

method add dengan parameter a

dan as.

2. Memanggil method

fireTableCellUpdated dengan

parameter method getRowCount –

1 dan method getRowCount – 1.


147

LAMPIRAN 11 : PROSEDUR PENGUJIAN DAN KASUS UJI

Identifikasi

Use Case Deskripsi Prosedur Pengujian Masukkan

Keluaran yang

Diharapkan

Hasil yang

Didapat

Catatan Proses

Pengembangan

UC1-01 Pengujian

memasukkan

data dari file

bertipe .xls

1. Jalankan sistem

2. Pada halaman

awal, tekan

tombol “MASUK

SISTEM”

3. Pada halaman

preprocessing,

tekan tombol

“PILIH FILE”

4. Pilih file yang

datanya akan

digunakan

5. Tekan tombol

“OK”

tester.xls Data pada file

tester.xls

ditampilkan pada

tabel data di

halaman

preprocessing

Data pada file

tester.xls

ditampilkan pada

tabel data di

halaman

preprocessing

Tidak diperbaiki

UC1-02 Pengujian

memasukkan

data dari file

bertipe .csv

tester.csv Data pada file

tester.csv

ditampilkan pada

tabel data di

halaman

preprocessing

Data pada file

tester.csv

ditampilkan pada

tabel data di

halaman

preprocessing

Tidak diperbaiki

UC1-03 Pengujian

memasukkan

data dari file

selain bertipe

.xls dan .csv

tester.doc Muncul

pemberitahuan tipe

file yang dipilih

tidak sesuai

Muncul

pemberitahuan tipe

file yang dipilih

tidak sesuai

Tidak diperbaiki


148

UC1-04 Pengujian

Memasukkan

data dari

Database

MySQL

1. Jalankan sistem

2. Pada halaman

awal, tekan

tombol “MASUK

SISTEM”

3. Pada halaman

preprocessing,

tekan tombol

“PILIH

DATABASE”

4. Memasukkan

Konfigurasi

Database

5. Berhasil

melakukan

koneksi dengan

database

6. Pilih tabel

database yang

akan digunakan

datanya

7. Tekan tombol

“OK”

tester.sql Data pada tabel

database MySQL :

tester.sql

ditampilkan pada

tabel data di

halaman

preprocessing

Data pada tabel

database MySQL :

tester.sql

ditampilkan pada

tabel data di

halaman

preprocessing

Tidak diperbaiki

UC1-05 Pengujian

Memasukkan

data dari

Database Oracle

tester.sql Data pada tabel

database Oracle :

tester.sql

ditampilkan pada

tabel data di

halaman

preprocessing

Data pada tabel

database Oracle :

tester.sql

ditampilkan pada

tabel data di

halaman

preprocessing

Tidak diperbaiki


149

UC1-06 Pengujian

Melakukan

Kesalahan

Konfigurasi

Database

MySQL

1. Jalankan sistem

2. Pada halaman

awal, tekan

tombol “MASUK

SISTEM”

3. Pada halaman

preprocessing,

tekan tombol

“PILIH

DATABASE”

4. Memasukkan

Konfigurasi

Database

5. Tekan tombol

“OK”

Pilih database :

MySQL

Username : root

Password :

125314055

Scema

Database : coba

url :

mysqlconnect

Muncul

pemberitahuan

gagal melakukan

koneksi ke database

MySQL.

Muncul

pemberitahuan

gagal melakukan

koneksi ke database

MySQL.

Tidak diperbaiki


150

UC2-01 Pengujian

menghapus

atribut dengan

memilih satu

atau lebih atribut

kemudian

menekan tombol

hapus atribut

1. Tabel data pada

halaman

preprocess sudah

berisi data

2. Mencentang

sebuah atribut

pada tabel atribut

3. Tekan tombol

“HAPUS

ATRIBUT”

Atribut yang

tercentang :

KODE

SEKOLAH,

NAMA

SEKOLAH

kolom KODE

SEKOLAH dan

NAMA SEKOLAH

pada tabel data

terhapus

kolom KODE

SEKOLAH dan

NAMA SEKOLAH

pada tabel data

terhapus

Tidak diperbaiki

UC2-02 Pengujian

menghapus

atribut dengan

memilih semua

atribut

menggunakan

tombol tandai

semua kemudian

menekan tombol

hapus atribut

1. Tabel data pada

halaman

preprocess sudah

berisi data

2. Tekan tombol

“TANDAI

SEMUA”

3. Tekan tombol

“HAPUS

ATRIBUT”

Seluruh atribut

tercentang

Tabel data menjadi

kosong

Tabel data menjadi

kosong

Tidak diperbaiki


151

UC2-03 Pengujian

membatalkan

pemilihan atribut

dengan menekan

tombol batal

1. Tabel data pada

halaman

preprocess sudah

berisi data

2. Sudah terdapat

atribut yang

tercentang

3. Tekan tombol

“BATAL”

Terdapat atribut

yang tercentang

Seluruh atribut

yang tercentang

menjadi tidak

tercentang

Seluruh atribut

yang tercentang

menjadi tidak

tercentang

Tidak diperbaiki

UC3-01 Pengujian

melakukan

konversi data

sesuai dengan

masukkan nilai

daya serap

minimum

1. Tabel data pada

halaman

preprocess sudah

berisi data

2. Sudah tidak

terdapat kolom

yang memiliki

value non-

numerik

3. Tekan tombol

“KONVERSI”

Daya serap

minimal : 75

Data yang memiliki

value >= 75

berubah menjadi

“TUNTAS”

sedangkan data

yang memiliki

value < 75 berubah

menjadi “TIDAK

TUNTAS”

Data yang memiliki

value >= 75

berubah menjadi

“TUNTAS”

sedangkan data

yang memiliki

value < 75 berubah

menjadi “TIDAK

TUNTAS”

Tidak diperbaiki


152

UC3-02 Pengujian terjadi

kesalahan dalam

melakukan

konversi data

1. Tabel data pada

halaman

preprocess sudah

berisi data

2. Masih terdapat

kolom yang

memiliki value

non-numerik

3. Tekan tombol

“KONVERSI”

Daya serap

minimal : 75

Muncul

pemberitahuan

bahwa konversi

tidak dapat

dilakukan dan

menampilkan pesan

error

Muncul

pemberitahuan

bahwa konversi

tidak dapat

dilakukan dan

menampilkan pesan

error

Tidak diperbaiki

UC3-03 Pengujian

melakukan

proses asosiasi

1. Sudah berada di

halaman asosiasi

2. Tabel data sudah

berisi data

transaksi yang

akan dicari aturan

asosiasinya

3. Memasukkan

minimum support

dan minimum

confidence

4. Tekan tombol

“PROSES”

Minimum

support : 80

Minimum

confidence : 85

Proses asosiasi

berjalan. Frequent

k-itemset yang

diperoleh tampil

pada textarea.

Sedangkan aturan

asosiasi yang

terbentuk

ditampilkan pada

tabel aturan

asosiasi.

Proses asosiasi

berjalan. Frequent

k-itemset yang

diperoleh tampil

pada textarea.

Sedangkan aturan

asosiasi yang

terbentuk

ditampilkan pada

tabel aturan

asosiasi.

Tidak diperbaiki


153

UC4-01 Pengujian

menyimpan hasil

asosiasi ke

dalam file

bertipe .xls

1. Proses asosiasi

sudah berhasil

dilakukan

2. Menekan tombol

“SIMPAN HASIL

ASOSIASI”

3. Memilih directori

peyimpanan di F:

Nama file :

cobaXLS

Tipe file : .xls

File tersimpan pada

directori

F:/cobaXLS.xls

File tersimpan pada

directori

F:/cobaXLS.xls

Tidak diperbaiki

UC4-02 Pengujian

menyimpan hasil

asosiasi ke

dalam file

bertipe .doc

Nama file :

cobaDOC

Tipe file : .doc

File tersimpan pada

directori

F:/cobaDOC.doc

File tersimpan pada

directori

F:/cobaDOC.doc

Tidak diperbaiki

UC4-03 Pengujian

menyimpan hasil

asosiasi ke

dalam file

bertipe .txt

Nama file :

cobaTXT

Tipe file : .txt

File tersimpan pada

directori

F:/cobaTXT.txt

File tersimpan pada

directori

F:/cobaTXT.txt

Tidak diperbaiki


154

LAMPIRAN 12 : HITUNG MANUAL PENAMBANGAN DATA

Proses penambangan data memiliki beberapa tahapan. Dalam melakukan

proses penambangan data secara manual, digunakan aplikasi Microsoft Excel

sebagai alat bantu penghitungan. Metodologi dasar analisis asosiasi terbagi menjadi

dua tahap, yaitu :

1. Analisa Pola Frekuensi Tinggi

Tahap ini mencari kombinasi iten yang memenuhi syarat minimum dari

nilai support. Nilai support sebuah item diperoleh dengan rumus berikut :

𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴) =𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴

𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖

Sedangan nilai support dari dua item diperoleh rumus berikut :

𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴 ∩ 𝐵) =𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵

𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖

2. Pembentukan Aturan Asosiasi

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan

asosiasi yang memenuhi syarat minimum untuk confidence aturan asosiasi

𝐴 → 𝐵 diperoleh dari rumus berikut :

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = 𝑃(𝐵|𝐴) =𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵

𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴

Pada proses ini digunakan data nilai daya serap Ujian Nasional Matematika

SMA jurusan IPA di Kabupaten Gunung Kidul, Daerah Istimewa Yogyakarta tahun

pelajaran 2012/2013 dengan nilai daya serap minimal 60%. Data tersebut disajikan

dalam tabel berikut ini :


155

ID Transaksi Transaksi

T1

MAT2 MAT3 MAT4 MAT5 MAT6 MAT7 MAT8 MAT9

MAT11 MAT12 MAT13 MAT14 MAT15 MAT16 MAT18


MAT29

T2

MAT2 MAT3 MAT4 MAT5 MAT6 MAT7 MAT8 MAT9



MAT28 MAT29

T3 MAT4 MAT19 MAT26 MAT27 MAT28

T4 MAT2 MAT4 MAT13 MAT18 MAT19 MAT25 MAT27

T5 MAT4 MAT18 MAT19 MAT24 MAT27 MAT28


T7 MAT19

T8 MAT19


T10 MAT19



MAT25 MAT27 MAT28


T14 -

T15 MAT4 MAT19

T16 MAT19

T17 MAT4 MAT18 MAT19


Berdasarkan tabel diatas, maka akan dilakukan pencarian frequent itemset

dengan menggunakan algoritma apriori. Nilai minimum support dan nilai minimum


156

confidence yang digunakan masing-masing sebesar 60%. Proses pencarian frequent

itemset sebagai berikut:

1. Menghitung support candidate 1-itemset

Candidate 1-itemset Support Count

{MAT1} 0

{MAT2} 3

{MAT3} 2

{MAT4} 12

{MAT5} 2

{MAT6} 3

{MAT7} 4

{MAT8} 4

{MAT9} 2

{MAT10} 0

{MAT11} 2

{MAT12} 2

{MAT13} 6

{MAT14} 4

{MAT15} 2

{MAT16} 2

{MAT17} 0

{MAT18} 10

{MAT19} 17

{MAT20} 0

{MAT21} 1

{MAT22} 0

{MAT23} 2

{MAT24} 5

{MAT25} 4

{MAT26} 4


157

{MAT27} 10

{MAT28} 8

{MAT29} 2

{MAT30} 0

2. Menentukan frequent 1-itemset berdasarkan nilai minimum support

Frequent 1-itemset Support Count

{MAT4} 12

{MAT19} 17

3. Menghitung support candidate 2-itemset

Candidate 2-itemset Support Count

{MAT4 MAT19} 12

4. Menentukan frequent 2-itemset berdasarkan nilai minimum support

Frequent 2-itemset Support Count

{MAT4 MAT19} 12

Pencarian frequent itemset berhenti pada frequent 2-itemset. Hal ini dilakukan

karena hanya terdapat 1 frequent itemset pada frequent 2-itemset sehingga tidak

mungkin dapat dibentuk menjadi candidate 3-itemset. Transaksi pada frequent 2-

itemset tersebut sudah memenuhi kriteria minimum support, sehingga transaksi

tersebut akan dijadikan dasar pembentukan aturan asosiasi. Aturan asosiasi yang

dapat dibentuk dari transaksi tersebut adalah :

1. {MAT4} {MAT19}

2. {MAT19} {MAT4}

Berdasarkan aturan asosiasi tersebut, maka akan dihitung nilai confidence dan

lift ratio dari masing-masing aturan asosiasi. Hasil penghitungannya dapat dilihat

pada tabel berikut ini :


158

Aturan Asosiasi Confidence Lift Ratio

{MAT4} {MAT19} 100 % 1.05

{MAT19} {MAT4} 70.59 % 1.05

Berdasarkan hasil perhitungan lift ratio pada tabel diatas, dapat dilihat bahwa

aturan yang terbentuk memiliki kekuatan yang bagus karena nilai lift ratio dari

aturan tersebut bernilai lebih besar dari 1. Sehingga dapat dikatakan bahwa seluruh

rule tersebut memiliki suatu manfaat.


159

LAMPIRAN 13 : PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN

DATASET TAHUN PELAJARAN 2012/2013

1. Pengujian 7 : DSM 60%, MINSUP 40%, MINCON 50%



160





161


7. Pengujian Dataset 41 : DSM 60%, MINSUP 70%, MINCON 60%



162





163





164





165



166






167





168





169





170





171





172






173





174





175





176




177


DATASET GABUNGAN TAHUN PELAJARAN 2012/2013 DAN TAHUN

PELAJARAN 2013/2014




178





179





180





181





182





PENERAPAN ALGORITMA APRIORI UNTUK ANALISIS DAYA … · i penerapan algoritma apriori untuk analisis...

Documents

Transcript of PENERAPAN ALGORITMA APRIORI UNTUK ANALISIS DAYA … · i penerapan algoritma apriori untuk analisis...