PERFORMANSI KLASIFIKASI KELAS SISWA MENGGUNAKAN NAÏVE BAYES DAN DECISION TREE

Siti Mujilahwati, Febrianti Widyahastuti, Nur Nafi’iyah

Sari


Pembagian kelas di dalam pendidikan bertujuan untuk mengetahui kemampuan intelektual siswa. Di dunia pendidikan telah mengenal beberapa pembagian kelas mulai dari kelas reguler, kelas unggulan, dan kelas akselerasi. Beberapa jenis kelas tersebut untuk membagi kelas-kelas siswa berdasarkan kemampuan intelektualnya. Kelas reguler merupakan kelas untuk siswa yang mempunyai kemampuan rata-rata, kelas unggulan merupakan kelas untuk siswa yang di atas rata-rata, sedangkan kelas akselerasi merupakan kelas untuk siswa yang jenius. Dengan kondisi tersebut maka penelitian ini akan melakukan klasifikasi kelas siswa dalam pembelajaran di dunia pendidikan. Tujuan penelitian ini, yaitu: untuk mengetahui hasil klasifikasi pembagian kelas siswa menggunakan naïve bayes dan decision tree. Tahapan penelitian ini, yaitu: mengumpulkan data dari sampel lembaga pendidikan, selanjutnya menentukan variabel dan data set, tahapan terakhir mengklasifikasikan kelas siswa. Klasifikasi kelas siswa dalam penelitian ini terdapat 3 kelas, yaitu: kelas Low, kelas Middle, dan kelas High. Data yang digunakan dalam penelitian ini sebanyak 480 baris dan 12 atribut, dengan total kelas Low 127 baris, kelas Middle 211 baris, dan kelas High sebanyak 142 baris. Hasil klasifikasi dari penelitian ini menunjukkan bahwa akurasi dari Nive Bayes 58%, akurasi klasifikasi algoritma ID3 60%, akurasi klasifikasi algoritma C4.5 62%, sedangkan akurasi klasifikasi algoritma CART 58%. Sehingga dapat disimpulkan bahwa performansi akurasi dari keempat algoritma yang paling baik, yaitu algoritma C4.5 sebesar 62%.


Kata Kunci


performansi, klasifikasi, naïve bayes, decision tree

Teks Lengkap:

PDF

Referensi


Andrew Mc Callum, Kamal Nigam. (n.d.). A Comparison of Event Models for Naive Bayes Text Classification.

Eko Cahyo Pramulanto, Mahmud Imrona, Eko Darviyanto. (2015). Aplikasi Pendukung Keputusan untuk Pemilihan Produk Asuransi dengan Metode Entropy dan Vikor pada AJB Bumi Putera 1912 Jepara. e-proceeding of Engineering Vol.2, No.1, (pp. 1283-1294).

Fadlan Amirudin, Eneng Tita Tosida, Irma Anggraeni. (n.d.). Implementasi Algoritma Classification and Regression Tree (CART) untuk Klasifikasi Bantuan Usaha Mikro Kecil Menengah (UMKM) Jasa Telematika Indonesia.

Heroe Santoso, I Putu Hariyadi, Prayitno. (2016). Data Mining Analisa Pola Pembelian Produk dengan Menggunakan Metode Algoritma Apriori. Seminar Nasional Teknologi Informasi dan Multimedia (pp. 19-23). Yogyakarta: STIMIK AMIKOM.

K. Srinivas, B. Kavitha Rani, A. Gourdhan. (2010). Applications of Data Mining Techniques in Healthcare and Prediction of Heart Attacks. International Journal on Computer Science and Engineering Vo.2, No.2, 250-255.

M. Mahmoodi, A. Mirzazadeh. (2014). A New Aanlysis of Failure Models and Effects by Fuzzy Todim with using Fuzzy Time Function. International Journal of Fuzzy Logic System Vol.4, No.2, 7-21.

Mardi, Y. (n.d.). Data Mining: Klasifikasi Menggunakan Algoritma C4.5. Jurnal Endik Informatika Vo.2, No.2, 213-219.

Nafi’iyah, N. (2015). Algoritma CART dalam Penentuan Pohon Keputusan Sertifikasi Guru. Jurnal SPIRIT Vol7, No.2.

Nur Nafi’iyah, Retno Wardhani. (2018). Analisa Fuzzy C45 dalam Mengklasifikasi Jenis Kelamin Manusia dari Fitur Citra Panoramik Gigi Kaninus. SENIATI (pp. 160-166). Malang: ITN.

Nur Suriati Jamil, Nor Adzlan Jamaludin, Nurazzah Abdul Rahman, Nora Shida Sabari. (2011). Implementation of Vector-Space Online Document Retrieval System using Open Source Technology . Conference on Open System (pp. 395-399). Malaysia: IEEE.

P. Bhargavi, S. Jyothi. (2009). Applying Naive Bayes Data Mining Techniques for Classification of Agricultural Land Soils. International Journal of Computer Science and Network Security Vol.9, No.8, 117-122.

Ramadhanuz A Djamal, Warih Maharani, Angelina Prima Kurniati. (2010). Analisis dan Implementasi Metode Item-based Clustering Hybrid pada Recommender System. Konferensi Nasional Sistem & Informatika, (pp. 216-222). Bali.

Rani, L. N. (2015). Klasifikasi Nasabah Menggunakan Algoritma C4.5 sebagai Dasar Pemberian Kredit. Jurnal KomTekInfo Vol. 2, No. 2, 33-38.

Sellappan Palaniappan, Rafiah Awang. (2008). Intelligent Heart Disease Prediction System using Data Mining Techniques. IEEE, 108-115.

Shelly Gupta, Dharminder Kumar, Anand Sharma. (2011). Data Mining Classification Techniques Applied for Breast Cancer Diagnosis and Prognosis. Indian Journal of Computer Science and Engineering Vol.2, No.2, 188-195.

V. Krishnaiah, G. Narsimha, N. Subhash Chandra. (2013). Diagnosis of Lung Cancer Prediction System using Data Mining Classification Techniques. International Journal of Computer Science and Information Technologies Vol.4, No.1, 39-45.

Wendi Warasta, Zaki Parasti. (n.d.). Implementasi Algoritma Apriori untuk Menganalisa Pola Pembelin Produk pada Data Transaksi Penjualan. 1-6.

Yahya Al-Ashmoery, Rochdi Messoussi. (2015). Learning Analysis System for Assessing Students Performance Quality and Text Mining in Online Commication. IEEE.

Yi-Chung Hu, Ruey-Shun Chen, Gwo-Hshiung Tzeng. (2003). Finding Fuzzy Classification Rules using Data Mining Techniques. Pattern Recognition Latters Vol. 24, 509-519.

Zulhanif. (2015). Algoritma AdaBoost dalam Pengklasifikasian. Seminar Nasional Matematika & Pendidikan Matematika (pp. 559-569). UMS.


Refbacks

  • Saat ini tidak ada refbacks.