Prediksi Prestasi Siswa SMK Masuk Pasar Kerja Menggunakan Teknik Data Mining (Studi Kasus SMKN 1 KotaAgung Timur Tanggamus, Lampung)

Margi Prasojo, Sriyanto Sriyanto, Jani Triwidianti

Abstract


Sekolah Menengah Kejuruan adalah salah satu bentuk satuan pendidikan formal yang bertujuan menyiapkan tenaga terampil siap kerja untuk bekerja dalam bidang tertentu sesuai kebutuhan masyarakat dan dunia industry. Akan tetapi tidak semua lulusan SMK dapat diterima ditempat pekerjaan  yang sesuai dengan  program keahlian  yang  menjadi kompetesinya.  Penelitian  ini memiliki tujuan untuk memprediksi prestasi siswa untuk masuk pasar kerja berdasarkan data nilai mata pelajaran umum, nilai kejuruan, nilai sikap, menggunakan metode data mining Linear Regression, Neural Network, dan Support Vector Machine (SVM). Subjek penelitian adalah siswa tingkat XII SMK Negeri 1 Kotaagung Timur Tanggamus Lampung berjumlah 101 siswa. Berdasarkan hasil uji menggunakan Rapid Minner maka didapat hasil untuk tingkat akurasi menggunakan   3 metode adalah sebagai berikut : Neural Network nilai rata-rata prediksi siswa layak kerja adalah sebesar 77,4% dan nilai rata-rata prediksi siswa tidak layak kerja adalah sebesar 22,6%. Linear Regression nilai rata-rata prediksi siswa layak kerja adalah sebesar 56,9% dan nilai rata-rata prediksi siswa tidak layak kerja adalah sebesar 43,1%. Support Vector Machine (SVM) nilai rata-rata prediksi siswa layak kerja adalah sebesar 72,8% dan nilai rata-rata prediksi siswa tidak layak kerja adalah sebesar 27,2%, Accuracy performance sebesar :  83,3%  Dari pengolahan data menggunakan alogaritma Linear Regression dapat kita tulis rumus Linear Regresinya sebagai berikut :  Y = -0,053 x Nilai Sikap + 0,003 x Nilai Keterampilan – 0,007 x Nilai US – 0,011 x Nilai Akhir +

6,860.


Full Text:

PDF

References


Bellazzi, Riccardo, dan Blaz Zupan. Predictive Data Mining In Clinical Medicine: Current Issues And Guidelines.

International Journal Of Medical Informatics 77, hal. 81-97, 2008.

Deshpande, S. P., dan V. M. Thakare. Data Mining System and Applications: A Review. International Journal of

Distributed and Parallel systems (IJDPS). Vol.1, No.1, hal. 32-44, 2010.

Fayyad, Usama, et al. From Data Mining to Knowledge Discovery in Databases. AI Magazine American

Association for Artificial Intelligence. Vol. 17, No. 3, hal. 37-54, 1996.

Setiawan, M. (2017, October). Metode K-Means Untuk Sistem Informasi Pengelompokan Mahasiswa Baru Pada

Perguruan Tinggi. In Prosiding Seminar Nasional Darmajaya (Vol. 1, No. 1, pp. 130-145). Hamdani. 2011. Strategi Belajar Mengajar. Bandung: Pustaka Setia.

Larose, Daniel T. “Discovering Knowledge in Data : An Introduction to Data Mining.” John Wiley & Sons, Inc.,

New Jersey. 2005

Wibowo, H., & Indriyani, F. (2018, October). K-Nearest Neighbor Method For Monitoring Of Production And Preservation Information (Treatment) Of Rubber Tree Plant. In International Conference on Information Technology and Business (ICITB) (pp. 29-44).

Klinkenberg, R., & Hoffmann, M. (2014). Data Mining Use Cases and Edited by. http://arxiv.org/abs/1706.03428

Kotu, V., & Deshpande, B. (2014). Predictive Analytics and Data Mining: Concepts and Practice with RapidMiner.

In Predictive Analytics and Data Mining: Concepts and Practice with RapidMiner. https://doi.org/10.1016/C2014-0-00329-2

Maimon, O., & Rokach, L. (2011). Data mining and knowledge discovery handbook. In Choice Reviews Online

(Vol. 48, Issue 10). https://doi.org/10.5860/choice.48-5729

Pambudi, R., Setiawan, B., & Indriati, I. Penerapan Algoritma C4.5 Untuk Memprediksi Nilai Kelulusan Siswa Sekolah Menengah Berdasarkan Faktor Eksternal. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 7, p. 2637-2643, sep. 2018

Saefulloh, A. & Moedjiono. Penerapan Metode Klasifikasi Data Mining Untuk Prediksi Kelulusan Tepat Waktu.

InfoSys Journal, Volume 2, pp. 42- 54, 2013.

Syaiful Bahri Djamarah. 2012. Prestasi Belajar Dan Kompetensi Guru. Surabaya: Usaha Nasional.

Theodoridis, S. (2015). Neural Networks and Deep Learning. Machine Learning, 875–936. https://doi.org/10.1016/b978-0-12-801522-3.00018-5

Wang, Z., Liu, Z., & Zheng, C. (2016). Introduction to neural networks. Studies in Systems, Decision and Control,

, 1–36. https://doi.org/10.1007/978-3-662-47484-6_1

Yuliara, I. M. (2016). Modul Regresi Linier Berganda. Regresi Linier Berganda, 18. https://www.materibelajar.id/2015/12/definisi-pasar-kerja-fungsi-dan-manfaat_29.html diakses tanggal 20 Juli 2021. http://www.harnas.co/2018/02/01/smk-sasar-pasar-kerja-asia diakses tanggal 21 Juli 2021 https://emtha1110.blogspot.com/2017/05/penilaian-keterampilan-dalam-kurikulum.html diakses tanggal 21 Juli

https://www.kampus-digital.com/2017/02/penilaian-sikap.html diakses tanggal 21 Juli 2021 https://www.mikirbae.com/2014/12/penilaian-kompetensi-pengetahuan.html diakses tanggal 22 Juli 2021


Refbacks

  • There are currently no refbacks.



Prosiding Seminar Nasional Darmajaya is abstracting and indexing in the following databases:


PROSIDING SEMINAR NASIONAL DARMAJAYA

Diatur Oleh: Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM)

Diterbitkan Oleh: IIB Darmajaya
Alamat: Jl. Z.A. Pagar Alam No. 93 Gedong Meneng, Bandar Lampung Lampung
Website: jurnal.darmajaya.ac.id

E-mail: ProsidingSemnasDJ@darmajaya.ac.id