KOMPARASI ALGORITMA NAIVE BAYES DAN K-NN UNTUK KLASIFIKASI KINERJA PELAJAR PADA SAAT UJIAN (STUDI KASUS: Student Performance in Exam)

• M. RANGGA RAMADHAN SAELAN
• 2019

---

ABSTRAK

 

M. Rangga Ramadhan Saelan (19180928), KOMPARASI ALGORITMA NAIVE BAYES DAN K-NN UNTUK KLASIFIKASI KINERJA PELAJAR PADA SAAT UJIAN (STUDI KASUS: Student Performance in Exam)

Data mining adalah salah satu teknik paling populer untuk menganalisis kinerja pelajar. Evaluasi ini penting untuk menjaga kinerja pelajar dan efektivitas proses pembelajaran. Dengan menganalisis kinerja pelajar, program strategis dapat direncanakan dengan baik selama masa studi mereka disebuah institusi. Pada penelitian ini digunakan algoritma Naïve Bayes dan K-NN sebagai alat untuk mengolah data public Student Performance in Exam atau kinerja pelajar pada saat ujian guna mencari nilai accuracy dari hasil pengukuran terhadap sample data (data Testing) kemudian dilakukan komparasi tingkat akurasi antar algoritma, serta digunakan pendekatan klasifikasi sehingga dapat mengelompokan suatu sample data kedalam kelas yang sejenis apakah termasuk telah memiliki pemahaman secara menyeluruh pada ujian yang telah dilaksanakan sebelumnya (Class: Completed) atau belum (Class:none) sehingga data ini berguna bagi pihak pelajar ataupun instansi guna menjadi bahan evaluasi untuk kedepannya. Berdasarkan hasil evaluasi confusion matrix telah didapatkan nilai accuracy dari masing-masing algoritma, Naïve Bayes menghasilkan tingkat akurasi sebesar 67% dan K-NN memiliki tingkat akurasi sebesar 69.50%. Terbukti bahwa algoritma K-NN memiliki tingkat akurasi lebih tinggi dari pada Naïve Bayes .

ABSTRACT

 

M. Rangga Ramadhan Saelan (19180928), COMPARISON OF NAIVE BAYES AND K-NN ALGORITHM FOR CLASSIFICATION OF STUDENT PERFORMANCE AT EXAM (CASE STUDY: Student Performance in Exam)

Data mining is one of the most popular techniques for analyzing student performance. This evaluation is important to maintain student performance and the effectiveness of the learning process. By analyzing student performance, strategic programs can be planned well during their studies in an institution. In this study used the Naïve Bayes and K-NN algorithms as a tool for processing public Student Performance in Exam data or student performance during the exam in order to find the value of accuracy from the measurement results to sample data (data testing) and then compare the accuracy between algorithms, and Classification approach is used so that it can classify a sample of data into similar classes whether it includes having a thorough understanding of the exams that have been carried out previously (Class: Completed) or not (Class: none) so that this data is useful for students or agencies to become material evaluation for the future. Based on the results of the evaluation of confusion matrix, the accuracy value of each algorithm has been obtained, Naïve Bayes produces an accuracy rate of 67% and K-NN has an accuracy rate of 69.50%. It is proven that the K-NN algorithm has a higher level of accuracy than Naïve Bayes.

• Komparasi
• Kinerja Pelajar
• Algoritma
• Naive Bayes
• K-NN

DAFTAR PUSTAKA

Adeniyi, D. A., Wei, Z., & Yongquan, Y. (2016). Automated web usage data mining and recommendation system using K-Nearest Neighbor ( KNN ) classification method. Applied Computing and Informatics, 12(1), 90–108. https://doi.org/10.1016/j.aci.2014.10.001

Anam, C., & Santoso, H. B. (2018). Perbandingan Kinerja Algoritma C4 . 5 dan Naive Bayes untuk Klasifikasi Penerima Beasiswa. 8(1), 13–19.

Budianita, E., & Handayani, L. (2015). Implementasi Pengolahan Citra dan Klasifikasi K- Nearest Neighbour Untuk Membangun Aplikasi Pembeda Daging Sapi dan Babi. 12(2), 242–247.

Haryati, S., Sudarsono, A., & Suryana, E. (2015). IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA C4 . 5. 11(2), 130–138.

Hidayat, A. (2018). Pengertian Simple Random Sampling, Jenis dan Contoh. Retrieved September 30, 2019, from 2016 website: https://www.statistikian.com/2018/02/pengertian-simple-random-sampling.html/amp

Hilmi, A., Wijayanto, I., & Hadiyoso, S. (2017). ANALISIS PERBANDINGAN POLA SINYAL ALFA DAN BETA EEG UNTUK KLASIFIKASI KONDISI RILEKS PADA PEROKOK AKTIF DENGAN MENGGUNAKAN K-NEAREST NEIGHBOR PATTERN COMPARISON ANALYSIS BETWEEN ALPHA AND BETA EEG SIGNAL FOR RELAXED CONDITION CLASSIFICATION ON ACTIVE SMOKER USING K-NEAREST Prodi S1 Teknik Telekomunikasi , Fakultas Teknik Elektro , Universitas Telkom Jln . Telekomunikasi No . 1 Terusan

Buah Batu Bandung 40257 Indonesia. 4(3), 3395–3402.

INFORMATIKALOGI. (2017). Algoritma Naive Bayes. Retrieved from https://informatikalogi.com/algoritma-naive-bayes/

Jadhav, S. D., & Channe, H. P. (2016). Comparative Study of K-NN , Naive Bayes and Decision Tree Classification Techniques. 5(1), 2014–2017.

Lutfiyani, R. S., Adji, T. B., & Widyawan. (2015). PENGATEGORIAN ABSTRAK PENELITIAN MAHASISWA MENGGUNAKAN ALGORITME K-MEANS DAN J48. 978–979.

Mohamed, A., Husain, W., & Rashid, A. (2015). The Third Information Systems International Conference A Review on Predicting Student ’ s Performance using Data Mining Techniques. Procedia - Procedia Computer Science, 72, 414–422. https://doi.org/10.1016/j.procs.2015.12.157

Ohsaki, M., Wang, P., Matsuda, K., Katagiri, S., Watanabe, H., & Ralescu, A. (2017). Confusion-matrix-based kernel logistic regression for imbalanced data classification. IEEE Transactions on Knowledge and Data Engineering, 29(9), 1806–1819. https://doi.org/10.1109/TKDE.2017.2682249

Patil, T. R., & Sherekar, S. S. (2013). Performance Analysis of Naive Bayes and J48 Classification Algorithm for Data Classification. 6(2).

Sartika, D., Sensuse, D. I., Indo, U., Mandiri, G., & Komputer, F. I. (2017). Perbandingan Algoritma Klasifikasi Naive Bayes , Nearest Neighbour , dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian. 1(2), 151–161.

Tripathy, A., Agrawal, A., & Rath, S. K. (2015). Classification of Sentimental Reviews Using Machine Learning Techniques. Procedia - Procedia Computer Science, 57, 821–829. https://doi.org/10.1016/j.procs.2015.07.523

Yu-Wei, C. (2015). Machine Learning with R Cookbook (S. Cheema, Ed.). Packt Publishing Ltd.