ANALISA KLASIFIKASI DATA MINING MENGGUNAKAN ALGORITMA C4.5 DAN NAÏVE BAYES UNTUK PENENTUAN PENJURUSAN SISWA SMA PERGURUAN RAKYAT 2

NURKHALISYAH, UTHARY (2019) ANALISA KLASIFIKASI DATA MINING MENGGUNAKAN ALGORITMA C4.5 DAN NAÏVE BAYES UNTUK PENENTUAN PENJURUSAN SISWA SMA PERGURUAN RAKYAT 2. S1 thesis, Universitas Mercu Buana Jakarta.

Text (JURNAL MAHASISWA) JURNAL 41515010057 UTHARY.pdf Restricted to Registered users only Download (1MB)

Abstract

Majoring is the placement process in the selection of learning programs for students, which aims to focus more learning material to suit their abilities, interests and talents. SMA Perguruan Rakyat 2 is one of the high schools that has implemented the direction of their students starting from class X or since new students registered. There are several things that cause a decrease in the quality of learning in students, one of which is because they do not fit into the department they have. Because of this, a solution is needed as an alternative decision support to determine the direction of students. Previous studies have done the same thing, but in this study other attributes were added as determinants of the level of accuracy that would result from this research. In this study, a comparative study was carried out on the implementation of classification of data mining using the C4.5 algorithm and the Naive Bayes algorithm, using a dataset of high school student scores from the 2016/2017 school year up to 2018/2019. Of the 384 student data, 155 entered science majors, and 229 other social studies. Evaluation and validation of the results in this study using the Confusion Matrix and ROC / AUC (Area Under Curve). From the results of research conducted in this study, it can be concluded that the data mining classification method using the C4.5 algorithm produces an accuracy of 82.55% and an AUC value of 0.861 included in the Good Classification. While the Naïve Bayes algorithm produces a lower level of accuracy that is 81.25%, but with an AUC value higher than the C4.5 algorithm, which is equal to 0.912 included in the category of Excellent Classification. Key words: determination of students, data mining classification, C4.5 algorithm, Naïve Bayes algorithm Penjurusan adalah proses penempatan dalam pemilihan program pembelajaran kepada siswa, yang bertujuan agar lebih memfokuskan materi pembelajaran agar sesuai dengan kemampuan, minat dan bakat yang dimiliki. SMA Perguruan Rakyat 2 merupakan salah satu SMA yang menerapkan penjurusan siswanya mulai dari kelas X atau sejak siswa baru mendaftar. Ada beberapa hal yang menyebabkan menurunnya kualitas belajar pada siswa, salah satunya adalah karena merasa tidak cocok dengan jurusan yang mereka miliki. Karena hal tersebut, diperlukan sebuah solusi sebagai salah satu alternatif pendukung keputusan untuk menentukan penjurusan siswa. Penelitian terdahulu sudah pernah melakukan hal yang sama, akan tetapi pada penelitian ini ditambahkan atribut lainnya sebagai faktor penentu tingkat akurasi yang akan dihasilkan dari penelitian ini. Pada penelitian ini, dilakukan studi komparasi dari implementasi klasifikasi data mining menggunakan algoritma C4.5 dan algoritma Naive Bayes, dengan menggunakan dataset nilai siswa SMA Perguruan Rakyat 2 dari tahun ajaran 2016/2017 sampai dengan 2018/2019. Dari 384 data siswa, 155 masuk jurusan IPA, dan 229 lainnya IPS. Evaluasi dan validasi hasil pada penelitian ini menggunkan Confusion Matrix dan kurva ROC / AUC (Area Under Curve). Dari hasil penelitian yang telah dilakukan pada penelitian ini, dapat disimpulkan bahwa metode klasifikasi data mining menggunakan algoritma C4.5 menghasilkan akurasi sebesar 82,55% dan nilai AUC 0,861 yang termasuk dalam Good Classification. Sedangkan algoritma Naïve Bayes mengkasilkan tingkat akurasi yang lebih rendah yaitu 81,25%, tetapi dengan nilai AUC yang lebih tinggi dari algoritma C4.5, yaitu sebesar 0,912 termasuk dalam predikat Excellent Classification. Kata kunci: penjurusan siswa, klasifikasi data mining, algoritma C4.5, algoritma Naïve Bayes

Actions (login required)

View Item