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