Implementasi Data Mining Menggunakan Algoritma Naïve Bayes Untuk Prediksi Kelulusan Siswa
Abstract
The student graduation process involves a series of stages and requirements that must be met by each student. Graduation is an important step in education because it determines the student's ability to continue to the next level. In this research, student graduation data is processed using data mining techniques, especially the Naïve Bayes method, to predict student graduation. Attributes such as Practice Scores, School Exams (US), National Exams (UN), and Student Behavior are used in this prediction process. The research results show that from a population of 60 students, the model successfully predicted that 45 students would pass, and 15 students would not pass. The Naïve Bayes method was implemented using the orange application and produced an accuracy level of 98.33% with a precision level of 100.00%. These results show that the Naïve Bayes method is very effective in predicting student graduation with a high level of accuracy. Therefore, this data mining technique can be a valuable tool for educational institutions in improving the quality of student graduation outcomes.
References
A. Oktian Permana, & Sudin Saepudin. (2023). Perbandingan algoritma k-nearst neighbor dan naïve bayes pada aplikasi shopee. Jurnal CoSciTech (Computer Science and Information Technology), 4(1), 25–32. https://doi.org/10.37859/coscitech.v4i1.4474
Al Arif, A., Firdaus, M., Rahmaddeni, & Maruhawa, Y. (2022). Perbandingan Metode Data Mining untuk Prediksi Curah Hujan dengan Algoritma C4.5, Naïve Bayes, dan KNN. SENTIMAS: Seminar Nasional Penelitian Dan Pengabdian Masyarakat, 187–197.
Alfa Saleh. (2019). Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Journal of Informatics, Information System, Software Engineering and Applications (INISTA), 1(2), 73–81. https://doi.org/10.20895/inista.v1i2.73
Borman, R. I., & Wati, M. (2020). Penerapan Data Mining Dalam Klasifikasi Data Anggota Kopdit Sejahtera Bandarlampung Dengan Algoritma Naïve Bayes. Jurnal Ilmiah Fakultas Ilmu Komputer, 9(1), 25–34.
Bustami. (2014). Penerapan Algoritma Naive Bayes. Jurnal Informatika, 8(1), 884–898.
Chely Aulia Misrun, Haerani, E., Fikry, M., & Budianita, E. (2023). Analisis sentimen komentar youtube terhadap Anies Baswedan sebagai bakal calon presiden 2024 menggunakan metode naive bayes classifier. Jurnal CoSciTech (Computer Science and Information Technology), 4(1), 207–215. https://doi.org/10.37859/coscitech.v4i1.4790
Etriyanti, E., Syamsuar, D., & Kunang, N. (2020). Implementasi Data Mining Menggunakan Algoritme Naive Bayes Classifier dan C4.5 untuk Memprediksi Kelulusan Mahasiswa. Telematika, 13(1), 56–67. https://doi.org/10.35671/telematika.v13i1.881
Fernando, Y., Napianto, R., & Borman, R. I. (2022). Implementasi Algoritma Dempster-Shafer Theory Pada Sistem Pakar Diagnosa Penyakit Psikologis Gangguan Kontrol Impuls. Insearch (Information System Research) Journal, 2(2), 46–54.
Gultom, J. P., & Rikki, A. (2020). Implementasi Data Mining menggunakan Algoritma C-45 pada Data Masyarakat Kecamatan Garoga untuk Menentukan Pola Penerima Beras Raskin. Kumpulan Artikel Karya Ilmiah Fakultas Ilmu Komputer (KAKIFIKOM), 02(01), 11–19.
Hozairi, H., Anwari, A., & Alim, S. (2021). Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes. Network Engineering Research Operation, 6(2), 133. https://doi.org/10.21107/nero.v6i2.237
Muchlis, M. M., Fitri, I., & Nuraini, R. (2021). Rancang Bangun Aplikasi Data Mining pada Penjualan Distro Bloods Berbasis Web menggunakan Algoritma Apriori. Jurnal JTIK (Jurnal Teknologi Informasi Dan Komunikasi), 5(1), 26–33.
Puspita, D. S., Shofa, S. H., & Agustia, H. (2023). Penerapan Data Mining Metode K-Nearest Neighbor Untuk Memprediksi Kelulusan Siswa Sekolah Menengah Pertama. SMARTICS Journal, 9(1), 14–19. https://doi.org/10.21067/smartics.v9i1.8088
Putro, M. F., Prayitno, E., Siregar, J., & Muharrom, M. (2021). Penerapan Data Mining dengan Naive Bayes untuk Klasifikasi Siswa Sekolah Menengah Dalam Penentuan Perguruan Tinggi. Jurnal Akrab Juara, 6(2), 307–309.
Rifai, M. F., Jatnika, H., & Valentino, B. (2019). Penerapan Algoritma Naïve Bayes Pada Sistem Prediksi Tingkat Kelulusan Peserta Sertifikasi Microsoft Office Specialist (MOS). Petir, 12(2), 131–144. https://doi.org/10.33322/petir.v12i2.471
Rovidatul, Yunus, Y., & Nurcahyo, G. W. (2023). Perbandingan algoritma c4.5 dan naive bayes dalam prediksi kelulusan mahasiswa. Jurnal CoSciTech (Computer Science and Information Technology), 4(1), 193–199. https://doi.org/10.37859/coscitech.v4i1.4755
Sukamto, R. N., & Fauziah, P. (2020). Identifikasi Pola Asuh di Kota Pontianak. Jurnal Obsesi : Jurnal Pendidikan Anak Usia Dini, 5(1), 923–930. https://doi.org/10.31004/obsesi.v5i1.638
Wijaya, H. D., & Dwiasnati, S. (2020). Implementasi Data Mining dengan Algoritma Naïve Bayes pada Penjualan Obat. Jurnal Informatika, 7(1), 1–7. https://doi.org/10.31311/ji.v7i1.6203
Yuniarti, D., & Gunawan, B. (2021). Penerapan Data Mining untuk Memprediksi Jumlah Siswa DIKTUKPA TNI AL Dengan Metode Artificial Neural Network dan Algoritma Backpropagation. JISAMAR (Journal of …, 5(4), 938–954. https://doi.org/10.52362/jisamar.v5i4.574
