<![CDATA[Permasalahan nilai siswa yang belum mencapai standar ketuntasan minimal (KKM) di SD Negeri 101879 menjadi perhatian utama karena berdampak pada efektivitas pembelajaran. Fenomena remedial yang berulang pada mata pelajaran tertentu seperti Matematika, IPA, dan Bahasa Indonesia mengindikasikan adanya pola khusus yang belum teridentifikasi secara sistematis. Guru kesulitan menganalisis keterkaitan antar faktor-faktor penyebab remedial, seperti absensi, kesulitan materi, dan tugas harian, karena data yang tersedia masih bersifat deskriptif. Penelitian ini menawarkan solusi melalui penerapan algoritma Apriori, salah satu teknik dalam Data Mining untuk menemukan pola asosiasi tersembunyi dalam data nilai siswa. Dengan pendekatan Association Rule Mining, sistem dirancang untuk menganalisis keterkaitan antar mata pelajaran dan faktor lainnya yang sering muncul bersamaan pada kasus remedial. Data diuji menggunakan nilai minimum support dan confidence untuk menghasilkan aturan asosiasi yang akurat dan bermanfaat bagi pengambilan keputusan pendidikan. Hasil analisis menunjukkan bahwa faktor “kesulitan materi” dan “absensi” memiliki tingkat support dan confidence tertinggi sebagai penyebab utama remedial. Selain itu, ditemukan bahwa siswa yang remedial pada Matematika juga cenderung remedial di IPA dan IPS. Temuan ini memberikan gambaran pola keterkaitan nilai yang dapat dimanfaatkan oleh sekolah dalam menyusun strategi pembelajaran dan intervensi yang lebih tepat sasaran. Sistem yang dibangun berbasis web dan dapat digunakan guru untuk mengidentifikasi siswa berisiko remedial sejak dini.]]>
Copyrights © 2025
