SISTEM INFORMASI PENGELOLAAN DATA DANA BANTUAN OPERASIONAL SEKOLAH
-
Upload
heri-nurdiyanto-bismania -
Category
Documents
-
view
164 -
download
11
description
Transcript of SISTEM INFORMASI PENGELOLAAN DATA DANA BANTUAN OPERASIONAL SEKOLAH
ABSTRAK
Data mining adalah data analisis metodologi yang digunakan untuk mengidentifikasi pola-pola tersembunyi di sebuah set data yang besar. Ini telah berhasil digunakan di berbagai wilayah termasuk lingkungan pendidikan. Dengan memanfaatkan data latar belakang siswa, data sekolah dan data ujian akhir sekolah berstandar nasional UASBN, diharapkan dapat menghasilkan informasi tentang tingkat kinerja siswa melalui teknik data mining. Kategori tingkat kinerja siswa sekolah dasar di ukur dari latar belakang orang tua, letak geografi rumah siswa, nilai UASBN, dan identitas sekolah. Algoritma yang digunakan adalah algoritma apriori, informasi yang ditampilkan berupa nilai support dan confidence dari masing-masing kategori tingkat kinerja siswa sekolah dasar.
BAB I
PENDAHULUAN
A. Latar Belakang
Mutu pendidikan dipengaruhi banyak factor, yaitu siswa, pengelola
sekolah, lingkungan, kualitas pembelajaran, kurikulum dan sebagainya. (Edy
Suhartoyo, 2005). Dengan demikian salah satu factor yang penting untuk
mencapai tujuan pendidikan adalah proses pembelajaran yang dilakukan,
sedangkan salah satu factor penting untuk efektivitas pembelajaran adalah faktor
evaluasi baik terhadap proses maupun hasil pembelajaran. Evaluasi dapat
mendorong siswa untuk lebih giat belajar terus menerus dan juga mendorong guru
untuk lebih meningkatkan kualitas proses pembelajaran serta mendorong sekolah
untuk lebih meningkatkan fasilitas kualitas manajemen sekolah.
Fokus utama evaluasi hasil proses akademik adalah pada hasil belajar
peserta didik. Evaluasi ini biasanya dijadikan dasar baik untuk kepentingan
mengetahui keberadaan hasil belajar maupun sebagai dasar untuk memperbaiki
proses pembelajaran. Dalam praktek pendidikan, evaluasi terhadap hasil yang
lebih banyak dilaksanakan. Dalam konteks pembelajaran sering kali evaluasi
terhadap hasil ini disebut juga dengan evaluasi keluaran (output). Pelaksanaannya
selalu dikaitkan dengan keberhasilan pencapaian tujuan pendidikan oleh siswa,
baik tujuan yang bersifat nasional, tingkat satuan pendidikan, tingkat mata
pelajaran maupun tingkat pokok bahasan dalam suatu mata pelajaran.
Evaluasi dapat dilaksanakan secara internal ataupun secara eksternal.
Evaluasi internal dilakukan oleh pihak-pihak yang ada dalam organisasi. Dalam
pendidikan di sekolah, evaluasi internal itu adalah evaluasi yang dilakukan oleh
guru. Adapun evaluasi eksternal adalah evaluasi yang dilaksanakan oleh pihak-
pihak di luar lembaga atau organisasi, biasanya dilaksanakan oleh lembaga
independen ataupun dilaksanakan oleh pemerintah (Ibrahim dan Ali, 2007).
Penilaian hasil belajar oleh pemerintah bertujuan untuk menilai pencapaian
kompetensi lulusan secara nasional pada mata pelajaran tertentu dalam kelompok
mata pelajaran ilmu pengetahuan dan teknologi, dan dilakukan dalam bentuk ujian
yang berstandar nasional. Ujian yang berstandar nasional dilakukan secara
1
objektif, berkeadilan dan akuntabel, serta diadakan sekurang-kurangnya satu kali
dan sebanyak-banyaknya dua kali dalam satu tahun pelajaran.
UASBN atau Ujian Akhir Sekolah Berstandar Nasional adalah ujian yang
diperuntukkan untuk sekolah formal jenjang pendidikan Sekolah Dasar/Madrasah
Ibtidaiyah/Sekolah Dasar Luar Biasa (SD/MI/SDLB). UASBN bertujuan untuk
menilai pencapaian kompetensi lulusan secara nasional pada mata pelajaran
Bahasa Indonesia, Matematika, dan Ilmu Pengetahuan Alam (IPA). Selain itu,
UASBN juga bertujuan untuk mendorong tercapainya target wajib belajar
pendidikan dasar yang bermutu (Permendiknas No. 74 Tahun 2009 Pasal 3). Hasil
UASBN digunakan sebagai salah satu pertimbangan untuk: a) Pemetaan mutu
satuan pendidikan, b) Dasar seleksi masuk jenjang pendidikan berikutnya, c)
Penentuan kelulusan peserta didik, d) Dasar pembinaan dan pemberian bantuan
kepada satuan pendidikan dalam upaya peningkatan mutu pendidikan
(Permendiknas No. 74 Tahun 2009 Pasal 4).
Penggalian kaidah asosiasi mempunyai peranan penting dalam proses
pengambilan keputusan. Tahapan besar dari penggalian kaidah asosiasi
mengidentifikasikan frequent dan membentuk kaidah asosiasi dari itemset
tersebut. Kaidah asosiasi digunakan untuk menggambarkan hubungan antar item
pada tabel data transaksional ataupun data relasional. Tapi semakin
berkembangnya teknologi komputer di dunia industri, semakin pesat pula
perkembangan ukuran data yang dihasilkan. Dan pada data yang besar tersebut,
proses pencarian frequent sangatlah sulit. Dari kondisi tersebut, maka dalam
penelitian ini diusulkan algoritma Apriori untuk mencari itemset data hasil
UASBN, data latar belakang sekolah, dan data latar belakang siswa sehingga dari
proses mining didapatkan faktor-faktor yang mempengaruhi hasil UASBN.
Ide dasar paradigma apriori ini adalah dengan mencari himpunan kandidat
dengan panjang (k+1) dari sekumpulan pola frequent dengan panjang k, lalu
mencocokkan jumlah kemunculan pola tersebut dengan informasi yang terdapat
dalam database. apriori yang dikembangkan oleh Agrawal dan Srikan (1994),
yaitu anti-monotone Apriori Heuristic: pola dengan panjang pola k yang tidak
sering muncul (tidak frequent) dalam sebuah kumpulan data, maka pola dengan
2
panjang (k+1) yang mengandung sub pola k tersebut tidak akan sering muncul
pula (tidak frequent).
B. TUJUAN KHUSUS
Ada beberapa tujuan dari penelitan yang dilakukan, yaitu:
1. Menentukan atribut yang digunakan untuk proses mining
2. Menggunakan metode association rule dengan algoritma apriori
3. Menganalisis hasil mining untuk melihat tingkat keberhasilan siswa sekolah
dasar negeri dan swasta dalam UASBN dan faktor-faktor pendukung apa
saja yang mempengaruhi siswa sekolah dasar dalam UASBN.
C. URGENSI PENELITIAN
1. Hasil penelitian ini diharapkan dapat menjadi informasi atau suatu
rekomendasi yang memberi bahan pemikiran dan bahan pertimbangan bagi
Dinas Pendidikan Kota Metro Bidang Pendidikan Dasar dalam pengambilan
keputusan untuk melakukan pengawasan dan pembenahan sekolah dasar
negeri maupun swasta.
2. Hasil penelitian ini diharapkan memberikan informasi pentingnya peran
orang tua dalam keberhasilan siswa.
3. Hasil penelitian ini juga diharapkan manajemen sekolah dasar untuk terus
meningkatkan mutu pendidikannya.
3
BAB II
STUDI PUSTAKA
Data warehouse adalah sebuah sistem yang mengambil dan
menggabungkan data secara periodik dari sistem sumber data ke penyimpanan
data bentuk dimensional atau normal (Rainardi, 2008). Data warehouse
merupakan penyimpanan data yang berorientasi objek, terintegrasi, mempunyai
variant waktu, dan menyimpan data dalam bentuk nonvolatile sebagai pendukung
manejemen dalam proses pengambilan keputusan (Han, 2006). Data warehouse
menyatukan dan menggabungkan data dalam bentuk multidimensi. Pembangunan
data warehouse meliputi pembersihan data, penyatuan data dan transformasi data
dan dapat dilihat sebagai praproses yang penting untuk digunakan dalam data
mining. Selain itu data warehouse mendukung On-line Analitycal Processing
(OLAP), sebuah kakas yang digunakan untuk menganalisis secara interaktif dari
bentuk multidimensi yang mempunyai data yang rinci. Sehingga dapat
memfasilitasi secara efektif data generalization dan data mining. Banyak metode-
metode data mining yang lain seperti asosiasi, klasifikasi, prediksi, dan clustering,
dapat diintegrasikan dengan operasi OLAP untuk meningkatkan proses mining
yang interaktif dari beberapa level dari abstraksi. Oleh karena itu data warehouse
menjadi platform yang penting untuk data analisis dan OLAP untuk dapat
menyediakan platform yang efektif untuk proses data mining.
Dari pengertian tersebut, sebuah data warehouse merupakan penyimpanan
data tetap sebagai implementasi fisik dari pendukung keputusan model data. Data
warehouse juga biasanya dilihat sebagai arsitektur, pembangunan dan penyatuan
data dari bermacam macam sumber data yang berbeda untuk mendukung struktur
dan atau query tertentu, laporan analisis, dan pembuatan keputusan (Han, 2006).
Extract, transform, dan load (ETL) merupakan sebuah sistem yang dapat
membaca data dari suatu data store, merubah bentuk data, dan menyimpan ke
data store yang lain. Data store yang dibaca ETL disebut data source, sedangkan
data store yang disimpan ETL disebut target. Proses pengubahan data digunakan
agar data sesuai dengan format dan kriteria, atau sebagai validasi data dari source
4
system. Proses ETL tidak hanya menyimpan data ke data warehouse, tetapi juga
digunakan untuk berbagai proses pemindahan data. Kebanyakan ETL mempunya
mekanisme untuk membersihkan data dari source system sebelum disimpan ke
warehouse. Pembersihan data merupakan proses identifikasi dan koreksi data
yang kotor. Proses pembersihan ini menerapkan aturan-aturan tertentu yang
mendefinisikan data bersih.
Berdasarkan siapa yang memindahkan data, ETL dapat dibedakan menjadi
empat seperti yang dapat dilihat pada gambar 2.1, yaitu :
1. Proses ETL menarik data keluar dengan query tertentu di source system
database secara periodik.
2. Triggers pada source system mendorong data keluar. Triggers adalah Suatu
SQL statement yang dijalankan setiap ada perintah insert, update, atau delete
dalam tabel.
3. Penjadwalan proses dalam source system untuk mengekspor data secara
periodik. Hal ini mirip dengan proses yang pertama namun query disimpan
dalam data source.
4. Sebuah log reader yang bertugas membaca log dalam source system untuk
mengidentifikasi perubahan data. Log reader merupakan program yang
membaca log file. Setelah dibaca, kemudian data dipindahkan keluar ke
tempat penyimpanan yang lain.
Gambar 2.1 Kategori ETL berdasarkan siapa yang menjalankan.
5
Berdasarkan dimana proses pembangkitan ETL, ETL dibedakan menjadi tiga
macam seperti yang digambarkan pada gambar 2.2, yaitu :
A. ETL dijalankan dalam server terpisah diantara source system dan data
warehouse sistem. Pendekatan ini menghasilkan kinerja tinggi, ETL berjalan
di server sendiri, sehingga tidak menggunakan sumber daya dari data
warehouse server atau data source server. Namun hal ini lebih mahal karena
harus menambah server lagi.
B. ETL dijalankan dalam data warehouse server. Pendekatan ini dapat
digunakan jika mempunyai kapasitas lebih dalam data warehouse server
atau jika mempunyai iddle time ketika data warehouse tidak digunakan
(misal pada waktu malam). Pendekatan ini lebih murah dibandingkan
pendekatan pertama karena tidak membutuhkan tambahan server.
C. ETL dijalankan pada server data source. Pendekatan ini diimplementasikan
ketika membutuhkan real time data warehousing. Dengan kata lain, jika
data dalam source system berubah, perubahan ini dilakukan juga ke dalam
data warehouse. Hal ini dapat dilakukan dengan penggunaan trigger dalam
source system.
6
Gambar 2.2 Kategori ETL berdasarkan tempat dijalankan
Tidak semua data warehouse mempunyai komponen lengkap seperti mekanisme
kualitas data, database multidimensi, aplikasi analisis, aplikasi pengguna, control
sistem, audit sistem, metadata. Secara sederhana data warehouse dapat
digambarkan seperti gambar 2.3
Gambar 2.3 Gambaran data warehouse secara sederhana
Data mining adalah kegiatan menemukan pola yang menarik dari data
dalam jumlah besar, data dapat disimpan dalam database, data warehouse, atau
penyimpanan informasi lainnya. Data mining berkaitan dengan bidang ilmu –
ilmu lain, seperti database system, data warehousing, statistik, machine learning,
information retrieval, dan komputasi tingkat tinggi. Selain itu, data mining
didukung oleh ilmu lain seperti neural network, pengenalan pola, spatial data
analysis, image database, signal processing (Han, 2006). Data mining
didefinisikan sebagai proses menemukan pola-pola dalam data. Proses ini
otomatis atau seringnya semiotomatis. Pola yang ditemukan harus penuh arti dan
pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi.
Data yang dibutuhkan dalam jumlah besar (Witten, 2005). Karakteristik data
mining sebagai berikut :
Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan
pola data tertentu yang tidak diketahui sebelumnya.
Data mining biasa menggunakan data yang sangat besar. Biasanya data yang
besar digunakan untuk membuat hasil lebih dipercaya.
Data mining berguna untuk membuat keputusan yang kritis, terutama dalam
strategi (Davies, 2004).
7
Data Source
ETL Data Source
Berdasarkan beberapa pengertian tersebut dapat ditarik kesimpulan bahwa
data mining adalah suatu teknik menggali informasi berharga yang terpendam
atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga
ditemukan suatu pola yang menarik yang sebelumnya tidak diketahui. Kata
mining sendiri berarti usaha untuk mendapatkan sedikit barang berharga dari
sejumlah besar material dasar. Karena itu data mining sebenarnya memiliki akar
yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent),
machine learning, statistik dan database. Beberapa metode yang sering disebut-
sebut dalam literatur data mining antara lain clustering, classification, association
rules mining, neural network, genetic algorithm dan lain-lain (Pramudiono, 2007).
Dengan definisi data mining yang luas, ada banyak jenis metode analisis yang
dapat digolongkan dalam data mining salah satunya adalah association rule
mining.
Association rule mining adalah suatu prosedur untuk mencari hubungan antar item
dalam suatu data set yang ditentukan. Association rule meliputi dua tahap :
1. Mencari kombinasi yang paling sering terjadi dari suatu itemset.
2. Mendefinisikan Condition dan Result (untuk conditional association rule).
Dalam menentukan suatu association rule, terdapat suatu interestingness
measure (ukuran kepercayaan) yang didapatkan dari hasil pengolahan data dengan
perhitungan tertentu. Umumnya ada tiga ukuran, yaitu:
- Support : suatu ukuran yang menunjukkan seberapa besar tingkat dominasi
suatu item/itemset dari keseluruhan transaksi. Ukuran ini akan menentukan
apakah suatu item/itemset layak untuk dicari confidence-nya (misal, dari
seluruh transaksi yang ada, seberapa besar tingkat dominasi yang
menunjukkan bahwa item A dan B dibeli bersamaan) dapat juga digunakan
untuk mencari tingkat dominasi item tunggal.
Support(A→B) = Probabilitas (A→B)
- Confidence : suatu ukuran yang menunjukkan hubungan antar 2 item secara
- conditional (misal, seberapa sering item B dibeli jika orang membeli item
A).
Confidence(A→B) =
8
- Improvement : suatu ukuran yang menunjukkan besarnya kemungkinan 2
item dapat dibeli secara bersamaan.
Improvement (A→B) =
Ketiga ukuran ini nantinya akan berguna dalam menentukan interesting
association rules, yaitu untuk dibandingkan dengan threshold (batasan) yang
ditentukan. Batasan tersebut umumnya terdiri dari min_support, min_cofidence,
dan min_improvement.
Support dari tiap kandidat k-itemset didapat dengan men-scan database
untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat
k-itemset tersebut. Ini adalah juga ciri dari algoritma apriori yaitu diperlukan
penghitungan dengan scan seluruh database sebanyak k-itemset terpanjang
European Cross Industry Standard Process for Data Mining (CRISP-DM
1.0) dan pada tahun 2004 Java DataMining standard (JDM 1.0). Selanjutnya
bermunculan open-source software system seperti R Project, WEKA, KNIME,
RapidMiner, TANAGRA dan yang lain telah menjadi standar informal dalam
mendefinisikan proses data mining.
9
BAB III
METODE PENELITIAN
Tahapan Penyelesaian Masalah
Penelitian ini akan dikerjakan dengan tahapan sebagai berikut :
a. Eksplorasi
Mempelajari konsep-konsep yang berkaitan dengan penelitian melalui
literatur-literatur seperti buku, paper, dan sumber ilmiah lain.
b. Mengidentifikasi Kebutuhan Data
Mempersiapkan kebutuhan data yang berhubungan dengan kinerja siswa.
c. Pembuatan Algoritma
1. Mencari kombinasi yang paling sering terjadi dari suatu itemset.
2. Mendefinisikan Condition dan Result (untuk conditional association rule).
d. Implementasi
Menerapkan algoritma apriori pada tools data mining.
e. Analisis hasil
Menganalisis data yang telah dihasilkan tools data mining untuk kebutuhan
perencana akademik.
10
BAB IV
HASIL DAN PEMBAHASAN
Data yang digunakan dalam penelitian ini adalah dataset yang bertipe
record. Dataset ini terdiri dari: no uasbn, status sekolah, kecamatan, umur siswa,
jenis kelamin siswa, akreditasi, pekerjaan orang tua, cita-cita, pendidikan orang
tua, gaji orang tua, jarak sekolah, transportasi ke sekolah, saudara kandung, dan
nilai uasbn. Dataset yang diambil dari data tahun 2010/2011 sebanyak 63 Sekolah
Dasar sekota Metro dan 2554 siswa.
Tabel 4.1 Dataset yang digunakan dalam penelitian
ATRIBUT RECORD
no uasbn Nomor ujian nasional
status N=negeri, M=madrasah, S=swasta
kec Metro Pusat, Metro Selatan, Metro
Utara, Metro Barat, Metro Timur
umur M < 12, N <= 13, T > 13
jk L, P
akreditasi A, B, C
kerja_ortu PN= (PNS, TNI/POLRI), Guru/Dosen,
Wiraswasta/Swasta, Lainnya= (buruh,
petani, seniman, dan lain-lain)
cita-cita PN= (PNS, TNI/POLRI), Guru/Dosen,
Wiraswasta/Swasta, Lainnya= (buruh,
petani, seniman, dan lain-lain)
didik_ortu Dasar (SD-SMP), menengah (SMA),
atas (Sarjana)
jarak dekat < 1 km, sedang <= 3 km, jauh > 3
km
transportasi Pribadi=diantar, jalan, umum
saudara N <=2, B > 2
uasbn Nilai uasbn
11
Seluruh atribut pada dataset di atas selanjutnya akan diseleksi untuk
mendapatkan atribut-atribut yang berisi nilai yang relevan, tidak missing value,
dan tidak redundant, dimana ketiga syarat tersebut merupakan syarat awal yang
harus dikerjakan dalam data mining sehingga akan diperoleh dataset yang bersih
untuk digunakan pada tahap mining data. Dikatakan missing value jika atribut-
atribut dalam dataset tidak berisi nilai atau kosong, sementara itu data dikatakan
redundant jika dalam satu dataset yang sama terdapat lebih dari satu record yang
berisi nilai yang sama.
Pada tahapan selanjutnya adalah proses pemilihan data. Pada tahapan ini
didapat artibut hasil pemilihan seperti pada gambar 4.1.
Gambar 4.1 Tampilan Tanagra pemilihan atribut
Berdasarkan hasil pemilihan ada 2 atribut yang tidak digunakan yaitu atribut
no_uasbn dan umur.
Setelah menentukan atribut tahapan selanjutnya penelitian ini menentukan
frequent itemset yang berguna mencari keterkaitan dataset yang berhubungan
dengan hasil uasbn.
12
Gambar 4.2 Tampilan Tanagra untuk menentukan frequent itemset
Hasil frequent itemset didapat beberapa keterkaitan dataset yang berhubungan
dengan hasil uasbn seperti pada gambar 4.2.
Tahapan berikutnya adalah tahapan prediksi untuk pengujian kebenaran frequent
itemset seperti terlihat pada gambar 4.3. Tahapan ini menguji dengan
memasukkan nilai dari target uasbn rendah.
Gambar 4.3 Tampilan Tanagra untuk pengujian frequent itemset
13
Untuk memperkuat hasil prediksi dilakukan pengujian ulang dengan memasukkan
nilai support yang merupakan suatu ukuran seberapa besar tingkat dominasi suatu
item/itemset dari keseluruhan transaksi. Untuk pengujian ini nilai yang
dimasukkan adalah support min dengan nilai 0.33 atau sama dengan 30%. Dengan
tingkat kepercayaan atau confidence min 0.93 atau sama dengan 93%.
Gambar 4.4 Tampilan Tanagra untuk pengujian jika uasbn rendah
Dari gambar 4.4 didapat penyebab uasbn rendah jika pekerjaan orang tua lainnya,
gaji orang tua L atau rendah, dan status sekolah N atau negeri.
14
BAB V
PENUTUP
A. KESIMPULAN
Kesimpulan yang diperoleh dalam penelitian ini adalah:
1. Proses mining yang dilakukan menggunakan metode association rule dari 11
atribut yang digunakan hasil pemilihan menghasilkan 4 buah rule dengan
target uasbn rendah dan tingkat kepercayaan minimum yang ditentukan
adalah 93% atau 0.93.
2. Hasil analisis yang diperoleh bahwa faktor penghambat kinerja siswa sekolah
dasar dalam pencapaian uasbn yang tinggi disebabkan oleh 3 faktor yaitu: 1)
status sekolah negeri dan swasta; 2) pekerjaan orang tua; dan 3) gaji orang
tua.
B. SARAN
Saran-saran yang dapat peneliti berikan adalah:
1. Dinas Pendidikan diharapkan melakukan pengawasan yang lebih maksimal
untuk standar proses terhadap sekolah-sekolah negeri. Hal ini terlihat dari
hasil mining bahwa uasbn yang rendah di dapat di sekolah negeri.
2. Pemerintah daerah diharapkan dapat memberikan beasiswa yang maksimal
dan tepat sasaran. Hal ini terlihat dari hasil mining bahwa uasbn yang rendah
didapat dari penghasilan orang tua yang rendah.
3. Orang tua sebagai pendidik yang utama lebih memperhatikan perkembangan
anaknya disekolah.
15
DAFTAR PUSTAKA
[1] A.Y.K. Chan, K.O. Chow, and K.S. Cheung. “Online Course Refinement through Association Rule Mining” Journal of Educational Technology Systems Volume 36, Number 4 / 2007-2008, pp 433 – 44, 2008.
[2] B. Dogan, A. Y. Camurcu. “Association Rule Mining from an Intelligent Tutor” Journal of Educational Technology Systems Volume 36, Number 4 / 2007-2008, pp 433 – 447, 2008
[3] B.Minaei-Bidgoli, D. A. Kashy, G. Kortemeyer and, W. F. Punch."Predicting student performance: an application of data mining methods with the educational web-based system LON-CAPA" In Proceedings of ASEE/IEEE Frontiers in Education Conference, Boulder, CO: IEEE, 2003.
[4] C.J. Tsai, S.S. Tseng, and C.Y. Lin. “A Two-Phase Fuzzy Mining and Learning Algorithm for Adaptive Learning Environment”. In proceedings of the Alexandrov, V.N., et al. (eds.)
[5] F. Castro, A. Vellido, A. Nebot, and F. Mugica. “Applying Data Mining Techniques to e-Learning Problems”. Evolution of Teaching and Learning Paradigms in Intelligent Environment ISBN: 10.1007/978-3-540-71974-8_8 Volume 62, pp 183-221. Springer Berlin Heidelberg, 2007.
[6] Ebel, R.L, & Frisbie, D.A. (1986). Esential of Educational Measurement.
New Jerseey; Prentice-Hall, Inc.
[7] Edi Suhartoyo. (2005). Pengalaman Peningkatan Mutu Pendidikan
Melalui Pengembangan Budaya Sekolah di SMAN 1 Kasihan Bantul.
Makalah disajikan dalam Seminar Nasional Peningkatan Mutu
Pendidikan Melalui Pengembangan Budaya Sekolah, November 2005
di Universitas Negeri Yogyakarta.
[8] Gredeer. B, & Margaret, E. (1986). Learning and Instruction: Theory Into
Practice. New York: Macmillan Publishing.
[12] Han, Jiawei (2006). “Data mining: Concept and Technique Second
Edition”. USA: Elsevier, Inc.
16