PENERAPAN DATA MINING UNTUK PENGOLAHAN TINGKAT KELULUSAN SISWA SMAN 1 CIKAKAK MENGGUNAKAN METODE NAIVE BAYES

• LISNAWATI
• 2020

---

ABSTRAK

 

Lisnawati (19160522), Penerapan Data Mining Untuk Pengolahan Tingkat Kelulusan Siswa SMAN 1 Cikakak Menggunakan Metode Naïve Bayes.

Kelulusan siswa adalah suatu rangkaian tahapan proses yang harus dilalui oleh setiap siswa,  dan  diantaranya  harus  menyelesaikan  sejumlah  pembelajaran  yang  telah ditentukan, dan harus memenuhi syarat-syarat  dan ketentuan yang telah ditetapkan oleh pihak sekolah, karena kelulusan  menjadi  acuan  agar  bisa  melanjutkan pendidikan  ke  jenjang  yang  lebih tinggi lagi. Maka dari itu, penelitian ini akan memanfaatkan data tentang kelulusan siswa dengan mengolahnya menggunakan data mining untuk mendapatkan informasi berupa prediksi kelulusan siswa. Metode yang akan digunakan adalah metode Naïve Bayes. Atribut yang digunakan dalam memprediksi kelulusan ini adalah Nilai Praktik, US (Ujian Sekolah), UN (Ujian Nasional) dan Perilaku Siswa.  Maka hasil penelitian menggunakan cara prediksi dari kelulusan siswa dari hasil pengolahan kelulusan siswa dengan metode naive bayes tersebut maka bisa dilihat dengan jumlah populasi 60 siswa dapat diketahui bahwa yang lulus sebanyak 45 siswa dan yang tidak lulus sebanyak 15 siswa pada ajaran 2016, metode naïve bayes yang diuji menggunakan rapid miner menghasilkan accuracy 98.33%, precision 100.00% dengan hasil yang akurat.

ABSTRACT

 

Lisnawati (19160522), Application of Data Mining for Processing the Graduation Level of Students at SMAN 1 Cikakak Using the Naïve Bayes Method.

Student graduation is a progress of stages of the process that must be passed by each student’s, and among them must complete a few of learning that has been determined, and must qualify the requirements and conditions set by the school, because graduation is a reference in order to continue education to the level that is even higher. Therefore, this study will utilize data on student graduation by processing it using data mining to obtain information in the form of student graduation predictions. The method to be used is the Naïve Bayes method. The attributes used in predicting graduation are Practice Value, US (School Examination), National Examination (National Examination) and Student Behavior. Then the results of the study use the prediction method of graduating students from the results of processing the graduation of students with the Naive Bayes method, it can be seen that with a population of 60 students it can be seen that 45 students passed and 15 students failed in the 2016 teaching, the Naïve Bayes method tested using rapid miner produces an accuracy of 98.33%, precision 100.00% with accurate results.

• Kelulusan Siswa
• Metode Naive Bayes
• Accuracy

DAFTAR PUSTAKA

 

Dengan, N., Euclidean, M., & Pada, D. (2020). RANCANG BANGUN APLIKASI DATA MINING PREDIKSI KELULUSAN UJIAN NASIONAL MENGGUNAKAN ALGORITMA ( KNN ) K-NEAREST karakteristik Data Mining yaitu?: ? Data Data mining berhubungan dengan. 65–73.

 

Hayuningtyas, R. Y. (2019). Penerapan Algoritma Naïve Bayes untuk Rekomendasi Pakaian Wanita. Jurnal Informatika, 6(1), 18–22. https://doi.org/10.31311/ji.v6i1.4685

 

Hendrian, S. (2018). Algoritma Klasifikasi Data Mining Untuk Memprediksi Siswa Dalam Memperoleh Bantuan Dana Pendidikan. Faktor Exacta, 11(3), 266–274. https://doi.org/10.30998/faktorexacta.v11i3.2777

 

Indraswari, N. R., & Kurniawan, Y. I. (2018). Aplikasi Prediksi Usia Kelahiran Dengan Metode Naive Bayes. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 9(1), 129–138. https://doi.org/10.24176/simet.v9i1.1827

 

Indrawan, G., Sarjana, P., Pendidikan, U., Studi, P., & Komputer, I. (2016). PENERAPAN METODE DECISION TREE ( DATA MINING ) UNTUK MEMPREDIKSI TINGKAT KELULUSAN SISWA SMPN1. 35–44.

 

Mardi, Y. (2017). Data Mining?: Klasifikasi Menggunakan Algoritma C4.5. Jurnal Edik Informatika, 2(2), 213–219.

 

Nofriansyah, D., Erwansyah, K., & Ramadhan, M. (2016). Penerapan Data Mining dengan Algoritma Naive Bayes Clasifier untuk Mengetahui Minat Beli Pelanggan terhadap Kartu Internet XL ( Studi Kasus di CV. Sumber Utama Telekomunikasi). Jurnal Saintikom, 15(2), 81–92.

 

Pasaribu, L. (2019). Sistem pakar mendiagnosa hama dan penyakit tanaman mentimun menggunakan metode naïve bayes. Jurnal Pelita Informatika, 18(1), 155–159.

 

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

 

Rismayanti. (2018). Decision Tree Penentuan Masa Studi Mahasiswa Prodi Teknik Informatika ( Studi Kasus?: Fakultas Teknik dan Komputer Universitas Harapan Medan ). Query, 5341(April), 16–24.

 

Saputra, R. A., Taufik, A. R., Ramdhani, L. S., Oktapiani, R., & Marsusanti, E. (2018). Sistem Pendukung Keputusan Dalam Menentukan Metode Kontrasepsi Menggunakan Algoritma Naive Bayes.

Sartika, D., & Indra, D. (2017). Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian. Jurnal Teknik Informatika Dan Sistem Informasi, 1(2), 151–161.

 

Sidik, M., Rasminto, H., & Manongga, D. (2018). Implementasi Data Mining Untuk Prediksi Kelulusan Menggunakan Metode Klasifikasi Naive Bayes. 13–20.

 

Vogt, W. (2015). Proportional Stratified Random Sample. Dictionary of Statistics & Methodology, 02(01). https://doi.org/10.4135/9781412983907.n1534