ANALISA KINERJA ALGORITMA C4.5 DAN NAÏVE BAYES UNTUK MEMPREDIKSI PRESTASI SISWA (STUDI KASUS : SMK AL-IJTIHAD)

ANALISA KINERJA ALGORITMA C4.5 DAN NAÏVE BAYES UNTUK MEMPREDIKSI PRESTASI SISWA (STUDI KASUS : SMK AL-IJTIHAD)

• By Noviriandini, Astrid; Nurajijah,;
• Jurnal Nasional Terakreditasi
• 433
• 23-28

Penelitian ini dilakukan untuk memprediksi hasil belajar siswa di SMK Al-Ijtihad Tangerang. Penelitian ini akan menginformasikan kepada siswa dan guru untuk antisipasi dini dalam mengikuti masa belajar agar mendapatkan hasil belajar yang meksimal. Metode yang digunakan dalam menyelesaikan permasalahan ini yaitu dengan metode decision tree algoritma C4.5 dan algoritma Naïve Bayes. Prestasi belajar dapat diukur dari nilai raport. Setelah dilakukan komparasi dari kedua algoritma tersebut, maka didapatkan hasil prediksi prestasi belajar. Terbukti bahwa algoritma Naïve Bayes memiliki nilai akurasi sebesar 95,67% dan nilai AUC sebesar 0,999 termasuk kedalam Excellent Clasification, untuk algoritma C4.5 memiliki nilai akurasi sebesar 90,91% dan nilai AUC sebesar 0,639 termasuk kedalam keadaan Poor Clasification. Dengan demikian algoritma Naïve Bayes dapat memprediksi prestasi belajar siswa dengan lebih baik.

• Katakunci Prestasi Siswa, Naïve Bayes, C4.5.
• URL https://doi.org/10.33480/jitk.v5i1.607
• Penerbit ,

REFERENSI

Andini, T. I., Witanti, W., & Renaldi, F. (2016). Prediksi Potensi Pemasaran Produk Baru dengan Metode Naïve Bayes Classifier dan Regresi Linear. Seminar Nasional Aplikasi Teknologi Informasi (SNATi), 27–32.

Arora, R. K. (2013). Evaluating Student ’ s Performance Using k-Means Clustering, 8491.

Defiyanti Sofi, M. K. (2013). Analisis dan Prediksi Kinerja Mahasiswa Menggunakan Teknik Data Mining. Syntak, 2, 1–10.

Mariño, M. A., Rezende, C. A., & Tasic, L. (2018). A multistep mild process for preparation of nanocellulose from orange bagasse. Cellulose, 25(10),5739–5750. https://doi.org/10.1007/s10570-018-1977-y

Nelson Butarbutar, Agus Perdana Windarto, Dedi Hartama, S. (2016). Komparasi Kinerja Algoritma Fuzzy C-Means Dan K-Means Dalam Pengelompokan Data Siswa Berdasarkan Prestasi Nilaiakademik Siswa. JURASIK (Jurnal Riset Sistem Informasi & Teknik Informatika), 1(2012), 46–55. https://doi.org/10.30645/jurasik.v1i1.8

Novandya, Adhika., Oktria, I. (2017). Penerapan Algoritma Klasifikasi Data Mining C4.5 Pada Dataset Cuaca Wilayah Bekasi. Jurnal Format, 6(2),98–106. https://doi.org/10.1016/j.surfcoat.2005.02.204

Pagnotta, F. (2016). Using Data Mining To Predict Secondary Using Data Mining To Predict Secondary School, 2014(September), 0–9. https://doi.org/10.13140/RG.2.1.1465.8328

Purba, W., Tamba, S., & Saragih, J. (2018). The effect of mining data k-means clustering toward students profile model drop out potential. Journal of Physics: Conference Series,1007(1). https://doi.org/10.1088/1742-6596/1007/1/012049

Puspita, A., & Wahyudi, M. (2015). Algoritma C4.5 Berbasis Decision Tree untuk Prediksi Kelahiran Bayi Prematur. Konferensi Nasinal Ilmu Pengetahuan Dan Teknologi (KNIT), 1(1), 97–102. Retrieved from http://konferensi.nusamandiri.ac.id/proceeding/index.php/KNIT/article/view/175

Rima Ramadhani, D. (2014). Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi. Industrial Marketing Management, 1(1), 1–9. https://doi.org/10.1016/j.indmarman.2016.05.016

Shovon, H. I., & Haque, M. (2012). An Approach of Improving Student ’ s Academic Performance by using K-means clustering algorithm and Decision tree. International Journal of Advanced Computer Science and Applications, 3(8), 146–149.

Sri Rahayu, Dodon T. Nugrahadi, F. I. (2014). Clustering Penentuan Potensi Kejahatan Daerah Di Kota Banjarbaru Dengan Metode K-Means. Kumpulan jurnaL Ilmu Komputer (KLIK), 1(1), 33–45.

Susanto, Heri, and sudiyatno. 2014. “Data Mining Untuk Memprediksi Prestasi Siswa Berdasarkan Sosial Ekonomi, Motivasi, Kedisiplinan Dan Prestasi Masa Lalu.” Jurnal Pendidikan Vokasi 4(2): 222–31. http://journal.uny.ac.id/index.php/jpv/article/view/2547.

Widodo, & Wahyuni, D. (2017). Implementasi algoritma k-means clustering untuk mengetahui bidang skripsi mahasiswa multimedia pendidikan teknik informatika dan komputer universitas negeri jakarta. Pinter,1(2),157–156. https://doi.org/10.21009/pinter.1.2.10