Penerapan Algoritma Naïve Bayes Menentukan Klasifikasi Tingkat Kelulusan Siswa SDN LARANGAN 3

Penulis

  • Gita Ayuningtyas Universitas Budi Luhur
  • Arief Wibowo Universitas Budi Luhur

Kata Kunci:

data mining, naive bayes, tingkat kelulusan, nbc, klasifikasi

Abstrak

Permasalahan utama yang dihadapi siswa SDN Larangan 3 saat mendaftar menuju ke jenjang selanjutnya selalu terkendala pada nilai yang digunakan sebagai persyaratan, karena nilai inilah yang akan diurutkan dari nilai tertinggi ke yang terendah dan disesuaikan dengan daya tampung sekolah itu sendiri. Akibatnya banyak siswa SDN Larangan 3 yang tertolak saat mendaftar. Oleh karena itu diciptakan aplikasi yang akan mengklasifikasikan nilai mereka sehingga saat mendaftar memiliki kesempatan diterima yang lebih besar tanpa harus berulang kali mendaftar. Metode yang akan diimplementasikan adalah Naïve Bayes dan menggunakan framework CI (CodeIgniter). Pada penelitian ini dataset akan ditentukan kelasnya menjadi 2 yaitu Negeri dan Swasta. Atribut yang dipakai ialah nilai matematika, bahasa indonesia, dan IPA (Ilmu Pengetahuan Alam) yang nilai-nilai ini diklasifikasikan menjadi empat klasifikasi, yaitu rendah, sedang, tinggi, tinggi sekali. Pengujian ini menggunakan data yang berasal dari  data yang didapat dari arsip pihak sekolah sebanyak 230 data. Hasil pengujian sistem kemudian akan dievaluasi menggunakan confusion matrix, dan pembagian data menggunakan metode holdout validation dengan skenario 80%:20%. Berdasarkan hasil pengujian menggunakan confusion matrix diperoleh hasil akurasi sebesar 74%, Recall sebesar 85,71%, dan Presisi sebesar 54,54%

Referensi

J. Sumpena and N. K. H, “Analisis Prediksi Kelulusan Siswa PKBM Paket C dengan Metoda Algoritma Naïve Bayes,” Tedc, vol. 13, no. 2, pp. 127–133, 2019, doi: 2776-723X.

Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” Edik Inform., vol. 2, no. 2, pp. 213–219, 2017, doi: 10.22202/ei.2016.v2i2.1465.

M. F. Rifai, H. Jatnika, and B. Valentino, “Penerapan Algoritma Naïve Bayes Pada Sistem Prediksi Tingkat Kelulusan Peserta Sertifikasi Microsoft Office Specialist (MOS),” Petir, vol. 12, no. 2, pp. 131–144, 2019, doi: 10.33322/petir.v12i2.471.

A. Z. Mafakhir and A. Solichin, “Penerapan Metode Naïve Bayes Classifier Untuk Penjurusan Siswa Pada Madrasah Aliyah Al-Falah Jakarta,” Fountain Informatics J., vol. 5, no. 1, p. 21, 2020, doi: 10.21111/fij.v5i1.4007.

H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, 2018, doi: 10.33096/ilkom.v10i2.303.160-165.

Betrisandi, “Klasifikasi Nasabah Asuransi Jiwa Menggunakan Algortima Naive Bayes Berbasis Backward Elimination,” vol. 9, no. April, pp. 96–101, 2017.

R. Amalia, “Penerapan Data Mining Untuk Memprediksi Hasil Kelulusan Siswa menggunakan Metode Naïve Bayes,” J. Inform. dan Sist. Inf., vol. 6, no. 1, pp. 33–42, 2020.

A. W. Wardhana, E. Patimah, A. I. Shafarindu, Y. M. Siahaan, B. V. Haekal, and D. S. Prasvita, “Klasifikasi Data Penjualan pada Supermarket dengan Metode Decision Tree,” Senamika, vol. 2, no. 1, pp. 660–667, 2021, [Online]. Available: https://conference.upnvj.ac.id/index.php/senamika/article/view/1389

B. V. Haekal, I. Ernawati, and N. Chamidah, “Klasifikasi Kepuasan Pengguna Layanan Aplikasi Shopee Menggunakan Metode Decision Tree C4.5,” Inform. J. Ilmu Komput., vol. 17, no. 3, p. 188, 2021, doi: 10.52958/iftk.v17i3.3648.

F. Tempola, R. Rosihan, and R. Adawiyah, “Holdout Validation for Comparison Classfication Naïve Bayes and KNN of Recipient Kartu Indonesia Pintar,” IOP Conf. Ser. Mater. Sci. Eng., vol. 1125, no. 1, p. 012041, 2021, doi: 10.1088/1757-899x/1125/1/012041.

S. E. Suryana, B. Warsito, and S. Suparti, “Penerapan Gradient Boosting Dengan Hyperopt Untuk Memprediksi Keberhasilan Telemarketing Bank,” J. Gaussian, vol. 10, no. 4, pp. 617–623, 2021, doi: 10.14710/j.gauss.v10i4.31335.

S. W. Mulia, S. Sujiharno, and A. Wibowo, “Implementasi Algoritma Naive Bayes Untuk Memprediksi Frekuensi Tunai Pada Mesin Atm Di Masa Transisi Pembatasan Sosial Berskala Besar (Psbb) Pandemi Covid-19,” SINTECH (Science Inf. Technol. J., vol. 4, no. 1, pp. 47–52, 2021, doi: 10.31598/sintechjournal.v4i1.622.

M. Saiful and S. Samsuddin, “Implementasi Algoritma Naive Bayes Untuk Memprediksi Predikat Ketuntasan Belajar Siswa Pasca Pandemi Covid 19,” Infotek J. Inform. dan Teknol., vol. 4, no. 1, pp. 29–38, 2021, doi: 10.29408/jit.v4i1.2982.

N. Khasanah, A. Salim, N. Afni, R. Komarudin, and Y. I. Maulana, “Prediksi Kelulusan Mahasiswa dengan Metode Naive Bayes,” J. Technol., vol. 13, no. 3, pp. 207–214, 2022, doi: 10.31602/tji.v13i3.7312.

A. Kardianawati, “Implementasi Metode Naive Bayes Untuk Klasifikasi Kredit Motor Implementation of Naive Bayes Method For Classification of Motorcycle Credit,” J. Inf. Syst., vol. x, No. x, no. x, p. 10, 2018, doi: 10.33633/joins.v3i1.1877.

Unduhan

Diterbitkan

30-09-2022

Cara Mengutip

Ayuningtyas, G., & Wibowo, A. (2022). Penerapan Algoritma Naïve Bayes Menentukan Klasifikasi Tingkat Kelulusan Siswa SDN LARANGAN 3. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 1(1), 629–637. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/209

Terbitan

Vol 1 No 1 (2022): Prosiding SENAFTI (Buku 2 - Artificial Intelligence) September 2022

Bagian

Artificial Intelligence

Artikel paling banyak dibaca berdasarkan penulis yang sama

<< < 1 2 3