Upload
khangminh22
View
0
Download
0
Embed Size (px)
Citation preview
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 :
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
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 :
Laurensius Haris Chrisanda
12 5314 055
INFORMATICS ENGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATIC ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2016
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
2.1.3. Knowledge Discovery in Database (KDD) ............................10
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
3.4.3. Knowledge Discovery in Database (KDD) ............................30
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
5.2.3.2. Pengujian Dataset Tahun Pelajaran 2013/2014........83
5.2.3.3. Pengujian Dataset Tahun Pelajaran 2014/2015........88
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
BAB VI PENUTUP ..........................................................................................102
6.1. KESIMPULAN ..................................................................................102
6.2. SARAN ...............................................................................................104
DAFTAR PUSTAKA .........................................................................................105
LAMPIRAN ........................................................................................................107
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xix
Tabel 5.15 Pengujian Dataset Tahun Pelajaran 2012/2013 dan Tahun Pelajaran
2013/2014 .........................................................................................92
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
LAMPIRAN 14 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN
DATASET 2013/2014 ..........................................................169
LAMPIRAN 15 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN
DATASET 2014/2015 ..........................................................175
LAMPIRAN 16 PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN
DATASET GABUNGAN TAHUN PELAJARAN 2012/2013
DAN TAHUN PELAJARAN 2013/2014 ............................180
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
2.1.3. Knowledge Discovery in Database (KDD)
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 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 tentufungsi
aljabar dan fungsi trigonometri.
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
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.
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 rumus
jumlah dan selisih sinus, kosinus dan tangen serta
jumlah 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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
MAT26 Menyelesaikan masalah yang berkaitan dengan teorema
sisa atau teorema faktor.
MAT27 Menyelesaikan operasi aljabar beberapa vektor dengan
syarat tertentu.
MAT28 Menyelesaikan operasi matriks.
MAT29 Menyelesaikan persamaan trigonometri.
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
3.4.3. Knowledge Discovery in Database (KDD)
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kode Atribut Nama Atribut
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.
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
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.
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
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 tentufungsi aljabar
dan fungsi trigonometri.
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
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.
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 rumus jumlah
dan selisih sinus, kosinus dan tangen serta jumlah 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 vektor dengan syarat
tertentu.
MAT28 Menyelesaikan operasi matriks.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
… (4.1)
MAT29 Menyelesaikan persamaan trigonometri.
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Judul perangkat lunak yang
dibangun
bt_system Button MASUK SISTEM Jika di click, akan menuju
halaman view_preprocess.java
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Spesifikasi detail dari kelas view_preprocess dapat dilihat pada tabel 5.4
berikut ini.
Tabel 5.4 Spesifikasi Detail Kelas view_preprocess.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_logo Label icon_big.png Gambar logo Universitas
Sanata Dharma Yogyakarta
berwarna hitam putih
lb_title1 Label SISTEM
PENCARIAN
ATURAN
ASOSIASI
MENGGUNAKAN
Judul perangkat lunak yang
dibangun
lb_title2 Label ALGORITMA
APRIORI
Judul perangkat lunak yang
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Id_Objek Jenis Teks Keterangan
lb_logo Label icon_big.png Gambar logo Universitas
Sanata Dharma Yogyakarta
berwarna hitam putih
lb_title1 Label SISTEM
PENCARIAN
Judul perangkat lunak yang
dibangun
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
ATURAN
ASOSIASI
lb_title2 Label MENGGUNAKAN
ALGORITMA
APRIORI
Judul perangkat lunak yang
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
konfigurasi database
lb_schema Label Schema Database Mendeskripsikan schema dari
database
tf_schema Textfield Isi teks yang akan digunakan
sebagai schema dalam
konfigurasi database
lb_url Label URL Mendeskripsikan url dari
database
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
Spesifikasi detail dari kelas view_table dapat dilihat pada tabel 5.6 berikut
ini.
Tabel 5.6 Spesifikasi Detail Kelas view_table.java
Id_Objek Jenis Teks Keterangan
lb_logo 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
Judul perangkat lunak yang
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
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_logo Label icon_big.png Gambar logo Universitas
Sanata Dharma Yogyakarta
berwarna hitam putih
lb_title1 Label SISTEM
PENCARIAN
Judul perangkat lunak yang
dibangun
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
ATURAN
ASOSIASI
MENGGUNAKAN
lb_title2 Label ALGORITMA
APRIORI
Judul perangkat lunak yang
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
dalam proses asosiasi
menggunakan algoritma
apriori
Lb_mincon Label MIN
CONFIDENCE
(%)
Mendeskripsikan minimum
confidence yang akan
digunakan dalam proses
asosiasi menggunakan
algoritma apriori
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
Tf_mincon Textfield Isi teks yang akan digunakan
sebagai minimum confidence
dalam proses asosiasi
menggunakan algoritma
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
lb_idname Label Laurensius Haris
Chrisanda –
125314055
Identitas pembuat perangkat
lunak
lb_college Label Fakultas Sains dan
Teknologi
Universitas Sanata
Identitas fakultas dan
universitas pembuat perangkat
lunak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Dharma
Yogyakarta
lb_year Label 2016 Identitas tahun pembuatan
perangkat lunak
Implementasi antarmuka dari kelas view_asosiasi (halaman asosiasi) dapat
dilihat pada gambar 5.5 berikut ini.
Gambar 5.5 Implementasi Antarmuka Kelas view_asosiasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
Spesifikasi detail dari kelas view_help dapat dilihat pada tabel 5.8 berikut
ini.
Tabel 5.8 Spesifikasi Detail Kelas view_help.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_logo Label icon_big.png Gambar logo Universitas Sanata
Dharma Yogyakarta berwarna
hitam putih
lb_title1 Label PERANGKAT
LUNAK
ASOSIASI
Judul perangkat lunak yang
dibangun
lb_title2 Label MENGGUNAKAN
ALGORITMA
APRIORI
Judul perangkat lunak yang
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
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_help (halaman bantuan) dapat
dilihat pada gambar 5.6 berikut ini.
Gambar 5.6 Implementasi Antarmuka Kelas view_help
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
Spesifikasi detail dari kelas view_about dapat dilihat pada tabel 5.9 berikut
ini.
Tabel 5.9 Spesifikasi Detail Kelas view_about.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_logo Label icon_big.png Gambar logo Universitas Sanata
Dharma Yogyakarta berwarna
hitam putih
lb_title1 Label PERANGKAT
LUNAK
ASOSIASI
Judul perangkat lunak yang
dibangun
lb_title2 Label MENGGUNAKAN
ALGORITMA
APRIORI
Judul perangkat lunak yang
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.
lb_college Label Fakultas Sains dan
Teknologi
Universitas Sanata
Identitas fakultas dan universitas
pembuat perangkat lunak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
Dharma
Yogyakarta
lb_year Label 2016 Identitas tahun pembuatan
perangkat lunak
Implementasi antarmuka dari kelas view_about (halaman tentang) dapat
dilihat pada gambar 5.7 berikut ini.
Gambar 5.7 Implementasi Antarmuka Kelas view_about
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
2. Data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA
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
4. Data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
2. Aturan asosiasi terkuat dari frequent itemset {MAT04, MAT13,
MAT19, MAT28} adalah {MAT13} {MAT04, MAT19, MAT28}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
dengan nilai confidence 78.87% dan nilai lift ratio 1.62. Aturan asosiasi
tersebut dapat diartikan, jika tuntas pada indikator pencapaian
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.
3. Aturan asosiasi terkuat dari frequent itemset {MAT04, MAT13,
MAT19, MAT27} adalah {MAT13} {MAT04, MAT19, MAT27}
dengan nilai confidence 87.32% dan nilai lift ratio 1.7. Aturan asosiasi
tersebut dapat diartikan, jika tuntas pada indikator pencapaian
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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%.
5. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya
serap sebesar 65% cenderung stabil dengan menggunakan nilai
minimum support sebesar 45% - 60% dan nilai minimum confidence
sebesar 50% - 80%.
6. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya
serap sebesar 70% mulai stabil dengan menggunakan nilai minimum
support sebesar 40% - 45% dan nilai minimum confidence sebesar 50%
- 80%.
5.2.3.2. Pengujian Dataset Tahun Ajaran 2013/2014
Data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA
jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2013/2014 memiliki
30 atribut indikator pencapaian kompetensi dan 140 baris data. Tabel pengujian
dataset tahun pelajaran 2013/2014 dapat dilihat pada tabel 5.13.
Tabel 5.13 Pengujian Dataset Tahun Pelajaran 2013/2014
No.
Pengujian Daya Serap
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Tampilan hasil pengujian menggunakan dataset tahun pelajaran 2013/2014
dapat dilihat pada Lampiran 14. Uraian hasil pengujian pada tabel 5.13 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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
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%.
5. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya
serap sebesar 65% mulai stabil dengan menggunakan nilai minimum
support sebesar 45% - 55% dan nilai minimum confidence sebesar 50%
- 80%.
6. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya
serap sebesar 70% mulai stabil dengan menggunakan nilai minimum
support sebesar 40% - 45% dan nilai minimum confidence sebesar 50%
- 80%.
5.2.3.3. Pengujian Dataset Tahun Ajaran 2014/2015
Data daya serap hasil Ujian Nasional Mata Pelajaran Matematika SMA
jurusan IPA di Daerah Istimewa Yogyakarta tahun pelajaran 2014/2015 memiliki
29 atribut indikator pencapaian kompetensi dan 137 baris data. Tabel pengujian
dataset tahun pelajaran 2013/2014 dapat dilihat pada tabel 5.14.
Tabel 5.14 Pengujian Dataset Tahun Pelajaran 2014/2015
No.
Pengujian Daya Serap
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Tampilan hasil pengujian menggunakan dataset tahun pelajaran 2013/2014
dapat dilihat pada Lampiran 15. Uraian hasil pengujian pada tabel 5.13 adalah
sebagai berikut :
1. Nilai daya serap tertinggi yang dapat dipergunakan untuk menemukan
aturan asosiasi adalah 70% dengan nilai minimum support 40%.
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
92
yang ditemukan sangat signifikan. Sedangkan untuk perubahan nilai
minimum confidence tidak terlalu berpengaruh terhadap jumlah aturan
asosiasi yang ditemukan karena perbedaan jumlahnya tidak berbeda
jauh bahkan sama.
4. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya
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%.
5. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya
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.
Pengujian Daya Serap
Minimum
Support
Minimum
Confidence
Jumlah Aturan
Asosiasi
1 60 % 40 % 80 % 18
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
97
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%.
5. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya
serap sebesar 65% mulai stabil dengan menggunakan nilai minimum
support sebesar 45% - 55% dan nilai minimum confidence sebesar 50%
- 80%.
6. Jumlah aturan asosiasi yang ditemukan dengan menggunakan nilai daya
serap sebesar 70% mulai stabil dengan menggunakan nilai minimum
support sebesar 40% - 45% dan nilai minimum confidence sebesar 50%
- 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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
2. 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 96.1% dan nilai
lift ratio 1.23 dengan nilai daya serap minimal 65% dan minimum support
45% pada dataset tahun pelajaran 2014/2015.
3. 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 96.1% dan nilai
lift ratio 1.23 dengan nilai daya serap minimal 65% dan minimum support
50% pada dataset tahun pelajaran 2014/2015.
4. 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 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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Use case ini merupakan proses
pemilihan atribut dari data yang
terpilih yang akan di asosiasi.
User
3
Asosiasi
menggunakan
algoritma
apriori
Use case ini merupakan proses
asosiasi dari data yang sudah terpilih User
4 Simpan Hasil
Apriori
Use case ini merupakan proses
penyimpanan hasil asosiasi dalam
bentuk file dengan tipe ekstensi .xls
User
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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”
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Aksi Aktor Reaksi Sistem
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”.
5. Menampilkan halaman
asosiasi.
Alternate Course
1. Menekan tombol “Tandai
Semua” untuk menandai
semua atribut untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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”.
5. Menampilkan halaman
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
Aksi Aktor Reaksi Sistem
1. Memasukkan nilai
minimum support
2. Memasukkan nilai
minimum confidence
3. Menekan tombol
“Proses”
4. Menampilkan hasil
asosiasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Aksi Aktor Reaksi Sistem
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
128
dalam direktori yang
telah dipilih.
Alternate Course - -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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”.
3. Jika koneksi berhasil maka
akan menampilkan message
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
4. Jika koneksi berhasil maka
akan menampilkan message
dialog “Oracle Connection
Success”.
5. Jika koneksi berhasil maka
akan menampilkan message
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
143
displayTable_Oracle(Connection
conn)
Menampilkan
tabel yang
terdapat pada
koneksi
database
Oracle
1. Variabel st diisi
dengan parameter
conn yang memanggil
method
createStatement.
2. Variabel sql diisi
dengan nilai string
“select table_name
from tabs”.
3. Variabel rs diisi
dengan nilai variabel
st yang memanggil
method executeQuery
dengan parameter dari
variabel sql.
4. Mengembalikan nilai
rs.
selectTable(Connection conn,
String table)
Mengambil isi
dari tabel
yang dipilih
1. Variabel st diisi
dengan parameter
conn yang memanggil
method
createStatement.
2. Variabel sql diisi
dengan nilai string
“select * from ” +
table.
3. Variabel rs diisi
dengan nilai variabel
st yang memanggil
method executeQuery
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
144
dengan parameter dari
variabel sql.
4. Mengembalikan nilai
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
145
memanggil method get dengan
parameter rowIndex.
2. Ketika columnIndex bernilai 0,
kembalikan nilai variabel seleksi
yang memanggil method
getAtribut.
3. Ketika columnIndex bernilai 1,
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
1. Ketika columnIndex bernilai 0,
variabel atribut memanggil method
get dengan parameter rowIndex.
Method get ini juga memanggil
method setAtribut dengan
parameter value.toString().
2. Ketika columnIndex bernilai 1,
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
155
ID Transaksi Transaksi
T1
MAT2 MAT3 MAT4 MAT5 MAT6 MAT7 MAT8 MAT9
MAT11 MAT12 MAT13 MAT14 MAT15 MAT16 MAT18
MAT19 MAT23 MAT24 MAT25 MAT26 MAT27 MAT28
MAT29
T2
MAT2 MAT3 MAT4 MAT5 MAT6 MAT7 MAT8 MAT9
MAT11 MAT12 MAT13 MAT14 MAT15 MAT16 MAT18
MAT19 MAT21 MAT23 MAT24 MAT25 MAT26 MAT27
MAT28 MAT29
T3 MAT4 MAT19 MAT26 MAT27 MAT28
T4 MAT2 MAT4 MAT13 MAT18 MAT19 MAT25 MAT27
T5 MAT4 MAT18 MAT19 MAT24 MAT27 MAT28
T6 MAT4 MAT7 MAT18 MAT19 MAT27 MAT28
T7 MAT19
T8 MAT19
T9 MAT4 MAT8 MAT13 MAT18 MAT19 MAT24 MAT28
T10 MAT19
T11 MAT4 MAT18 MAT19 MAT26 MAT27
T12 MAT4 MAT7 MAT8 MAT13 MAT14 MAT18 MAT19
MAT25 MAT27 MAT28
T13 MAT4 MAT6 MAT13 MAT19 MAT24 MAT27
T14 -
T15 MAT4 MAT19
T16 MAT19
T17 MAT4 MAT18 MAT19
T18 MAT14 MAT18 MAT19 MAT27 MAT28
Berdasarkan tabel diatas, maka akan dilakukan pencarian frequent itemset
dengan menggunakan algoritma apriori. Nilai minimum support dan nilai minimum
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
159
LAMPIRAN 13 : PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN
DATASET TAHUN PELAJARAN 2012/2013
1. Pengujian 7 : DSM 60%, MINSUP 40%, MINCON 50%
2. Pengujian 14 : DSM 60%, MINSUP 45%, MINCON 50%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
160
3. Pengujian 21 : DSM 60%, MINSUP 50%, MINCON 50%
4. Pengujian 26 : DSM 60%, MINSUP 55%, MINCON 60%
5. Pengujian 31 : DSM 60%, MINSUP 60%, MINCON 60%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
161
6. Pengujian 36 : DSM 60%, MINSUP 65%, MINCON 60%
7. Pengujian Dataset 41 : DSM 60%, MINSUP 70%, MINCON 60%
8. Pengujian Dataset 46 : DSM 60%, MINSUP 75%, MINCON 60%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
162
9. Pengujian Dataset 53 : DSM 65%, MINSUP 40%, MINCON 50%
10. Pengujian Dataset 58 : DSM 65%, MINSUP 45%, MINCON 60%
11. Pengujian 63 : DSM 65%, MINSUP 50%, MINCON 60%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
163
12. Pengujian 68 : DSM 65%, MINSUP 55%, MINCON 60%
13. Pengujian 73 : DSM 65%, MINSUP 60%, MINCON 60%
14. Pengujian 78 : DSM 65%, MINSUP 65%, MINCON 60%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
164
15. Pengujian 85 : DSM 70%, MINSUP 40%, MINCON 50%
16. Pengujian 92 : DSM 70%, MINSUP 45%, MINCON 50%
17. Pengujian 97 : DSM 70%, MINSUP 50%, MINCON 60%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
166
LAMPIRAN 14 : PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN
DATASET TAHUN PELAJARAN 2013/2014
1. Pengujian 7 : DSM 60%, MINSUP 40%, MINCON 50%
2. Pengujian 14 : DSM 60%, MINSUP 45%, MINCON 50%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
167
3. Pengujian 21 : DSM 60%, MINSUP 50%, MINCON 50%
4. Pengujian 27 : DSM 60%, MINSUP 55%, MINCON 55%
5. Pengujian 33 : DSM 60%, MINSUP 60%, MINCON 55%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
168
6. Pengujian 39 : DSM 60%, MINSUP 65%, MINCON 55%
7. Pengujian 45 : DSM 60%, MINSUP 70%, MINCON 55%
8. Pengujian 50 : DSM 60%, MINSUP 75%, MINCON 60%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
169
9. Pengujian 57 : DSM 65%, MINSUP 40%, MINCON 50%
10. Pengujian 64 : DSM 65%, MINSUP 45%, MINCON 50%
11. Pengujian 71 : DSM 65%, MINSUP 50%, MINCON 50%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
170
12. Pengujian 78 : DSM 65%, MINSUP 55%, MINCON 50%
13. Pengujian 83 : DSM 65%, MINSUP 60%, MINCON 60%
14. Pengujian 90 : DSM 70%, MINSUP 40%, MINCON 50%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
171
15. Pengujian 97 : DSM 70%, MINSUP 45%, MINCON 50%
16. Pengujian 16 : DSM 70%, MINSUP 50%, MINCON 60%
17. Pengujian 17 : DSM 75%, MINSUP 40%, MINCON 60%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
172
LAMPIRAN 15 : PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN
DATASET TAHUN PELAJARAN 2014/2015
1. Pengujian 7 : DSM 60%, MINSUP 40%, MINCON 50%
2. Pengujian 14 : DSM 60%, MINSUP 45%, MINCON 50%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
173
3. Pengujian 21 : DSM 60%, MINSUP 50%, MINCON 50%
4. Pengujian 26 : DSM 60%, MINSUP 55%, MINCON 60%
5. Pengujian 33 : DSM 60%, MINSUP 60%, MINCON 50%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
174
6. Pengujian 38 : DSM 60%, MINSUP 65%, MINCON 60%
7. Pengujian 45 : DSM 65%, MINSUP 40%, MINCON 50%
8. Pengujian 52 : DSM 65%, MINSUP 45%, MINCON 50%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
175
9. Pengujian 59 : DSM 65%, MINSUP 50%, MINCON 50%
10. Pengujian 64 : DSM 65%, MINSUP 55%, MINCON 60%
11. Pengujian 71 : DSM 70%, MINSUP 40%, MINCON 50%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
176
12. Pengujian 76 : DSM 70%, MINSUP 45%, MINCON 60%
13. Pengujian 81 : DSM 75%, MINSUP 40%, MINCON 60%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
177
LAMPIRAN 16 : PENGUJIAN PERANGKAT LUNAK MENGGUNAKAN
DATASET GABUNGAN TAHUN PELAJARAN 2012/2013 DAN TAHUN
PELAJARAN 2013/2014
1. Pengujian 7 : DSM 60%, MINSUP 40%, MINCON 50%
2. Pengujian 14 : DSM 60%, MINSUP 45%, MINCON 50%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
178
3. Pengujian 21 : DSM 60%, MINSUP 50%, MINCON 50%
4. Pengujian 26 : DSM 60%, MINSUP 55%, MINCON 60%
5. Pengujian 31 : DSM 60%, MINSUP 60%, MINCON 60%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
179
6. Pengujian 36 : DSM 60%, MINSUP 65%, MINCON 60%
7. Pengujian 41 : DSM 60%, MINSUP 70%, MINCON 60%
8. Pengujian 46 : DSM 60%, MINSUP 75%, MINCON 60%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
180
9. Pengujian 53 : DSM 65%, MINSUP 40%, MINCON 50%
10. Pengujian 60 : DSM 65%, MINSUP 45%, MINCON 50%
11. Pengujian 67 : DSM 65%, MINSUP 50%, MINCON 50%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
181
12. Pengujian 74 : DSM 65%, MINSUP 55%, MINCON 50%
13. Pengujian 79 : DSM 65%, MINSUP 60%, MINCON 60%
14. Pengujian 86 : DSM 70%, MINSUP 40%, MINCON 50%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI