Penerapan Metode Naïve Bayes Classifier Untuk Penjurusan Siswa Pada Madrasah Aliyah Al-Falah Jakarta

Ahmad Zainul Mafakhir, Achmad Solichin

Abstract

Abstrak

Penjurusan siswa di suatu sekolah merupakan suatu proses penempatan siswa ke dalam jurusan tertentu sesuai dengan kemampuan dan keinginan siswa. Madrasah Aliyah Al-Falah (MA Al-Falah) merupakan sekolah yang sederajat dengan Sekolah Menengah Atas (SMA) dan memiliki tiga jurusan yaitu Ilmu-ilmu Keagamaan (IIK), Matematika dan Ilmu Alam (MIA), dan Ilmu-ilmu Sosial (IIS). Saat ini proses penjurusan di MA Al-Falah dilakukan dengan melakukan empat jenis tes yaitu matematika, bahasa Indonesia, bahasa Inggris, dan keagamaan terhadap siswa. Hasil tes tersebut dijadikan dasar penentuan jurusan siswa. Permasalahan yang dihadapi oleh pihak sekolah adalah kesulitan dalam mengklasifikasikan siswa berdasarkan hasil tes penjurusan tersebut. Saat ini teknik penjurusan yang dilakukan sekolah hanya mengandalkan pengolahan data dan pengurutan dengan Microsoft Excel. Pada penelitian ini, dilakukan penerapan metode Naïve Bayes Classifier untuk melakukan klasifikasi nilai tes dan menghasilkan rekomendasi jurusan siswa. Sistem klasifikasi penjurusan siswa yang dikembangkan dapat membantu proses penjurusan siswa dengan lebih mudah, cepat, dan akurat. Berdasarkan pengujian yang telah dilakukan sistem penjurusan siswa dapat memberikan rekomendasi jurusan siswa dengan nilai akurasi sebesar 33,34%.

Kata kunci: penjurusan siswa, naïve bayes, sistem klasifikasi

 

Abstract

[The Implementation of Naïve Bayes Classifier Method for Student Majorization at Madrasah Aliyah Al-Falah Jakarta] Student majorization in a school is a process of placing students into certain majors according to their abilities and desires. Madrasah Aliyah Al-Falah (MA Al-Falah) is a school equivalent to High School and has three majors namely Religious Sciences (IIK), Mathematics and Natural Sciences (MIA), and Social Sciences (IIS). Currently the majors at MA Al-Falah are carried out by carrying out four types of tests namely mathematics, Indonesian, English, and religion on students. The test results are used as the basis for determining student majors. The problem faced by the school is the difficulty in classifying students based on the results of the majors test. Currently the majors that schools use rely solely on data processing and sequencing with Microsoft Excel. In this study, the Naïve Bayes Classifier method was implemented to classify test scores and produce recommendations for student majors. The student majors classification system developed can help students' majors process more easily, quickly, and accurately. Based on the testing that has been done the student majors system can provide student majors recommendations with an accuracy value of 33,34%.

Keywords: student majors, naïve bayes, classification system

Keywords

penjurusan siswa, naïve bayes, sistem klasifikasi

Full Text:

PDF

Article Metrics

Abstract view : 23 times
PDF - 33 times

References

[1] Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2017.

[2] S. Winanta, Y. Oslan, and G. Santoso, “Implementasi Metode Bayesian Dalam Penjurusan Di Sma Bruderan Purworejo Studi Kasus: Sma Bruderan Purworejo,” Eksis, vol. 06, no. 2, pp. 21–28, 2013.

[3] Suyanto, Machine Learning Tingkat Dasar Dan Lanjut, 1st ed. Bandung: Informatika Bandung, 2018.

[4] R. Fitriawanti, I. Cholissodin, and R. K. Dewi, “Klasifikasi dan Rekomendasi Jurusan Kuliah Bagi Pelajar SMA Menggunakan Algoritme Naïve Bayes -WP,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 11, pp. 4914–4922, 2018.

[5] A. Solichin, “Comparison of Decision Tree , Naïve Bayes and K- Nearest Neighbors for Predicting Thesis Graduation,” in The 6th International Conference on Electrical Engineering, Computer Science and Informatics (EECSI 2019), 2019.

[6] Y. S. Nugroho and S. N. Haryati, “Klasifikasi dan Klastering Penjurusan Siswa SMA Negeri 3 Boyolali,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. I, no. 1, pp. 1–6, 2015.

[7] D. Himawan, “Aplikasi Data Mining Menggunakan Algoritma ID3 Untuk Mengklasifikasi Kelulusan Mahasiswa Pada Universitas Dian Nuswantoro Semarang,” Universitas Dian Nuswantoro, 2011.

[8] Yuliyana and A. S. R. M. Sinaga, “Sistem Pakar Diagnosa Penyakit Gigi Menggunakan Metode Naive Bayes,” Fountain Informatics J., vol. 4, no. 1, pp. 4–8, 2019.

[9] A. Saleh and F. Nasari, “Penggunaan Teknik Unsupervised Discretization Pada Metode Naïve Bayes Dalam Menentukan Jurusan Siswa Madrasah Aliyah,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 3, pp. 353–360, 2018.

[10] M. Sokolova and G. Lapalme, “A systematic analysis of performance measures for classification tasks,” Inf. Process. Manag., vol. 45, no. 4, pp. 427–437, 2009.

[11] A. Solichin, “Mengukur Kualitas Citra Hasil Steganografi,” Achmatim.Net, 2015. [Online]. Available: http://achmatim.net/2015/04/16/mengukur-kualitas-citra-hasil-steganografi/. [Accessed: 20-Jun-2016].

[12] G. Y. Tütüncü and N. Kayaalp, “Journal of Computational and Applied An Aggregated Fuzzy Naive Bayes Data Classifier,” J. Comput. Appl. Math., vol. 286, pp. 17–27, 2015.

Refbacks

  • There are currently no refbacks.