Perbandingan Metode Naive Bayes Dan Random Forest Untuk Menentukan Prestasi Belajar Siswa Pada Jurusan RPL (Studi Kasus SMK Swasta Siti Banun Sigambal)

Ramadani Ramadani, B Herawan Hayadi

Abstract


Pendidikan merupakan salah satu faktor kemajuan dan kemandirian bangsa. Semakin maju pendidikan suatu bangsa, maka akan semakin maju dan mandiri bangsa tersebut. Prestasi belajar merupakan salah satu aspek yang paling penting dalam bidang pendidikan dan menjadi harapan semua pihak. Bagi pihak Sekolah Menengah Kejuruan (SMK) Swasta Siti Banun Sigambal prestasi belajar Siswa merupakan salah satu indikator efektif proses belajar mengajar, yang sekaligus dapat digunakan untuk meningkatkan citra Sekolah, khususnya Sekolah Menengah Kejuruan (SMK) Swasta Siti Banun Sigambal. Sekolah Menengah Kejuruan (SMK) Swasta Siti Banun Sigambal prestasi belajar yang dicapainya oleh siswa dilihat dari nilai rapor. Dalam mewujudkan salah satu misi dari Sekolah Menengah Kejuruan (SMK) yakni Mewujudkan Pembelajaran yang bermutu di Sekolah. Dalam menganalisis dan memprediksi kinerja siswa dalam belajar dilakukan teknik data mining diantaranya adalah Naïve Bayes dan Random Forest. Dalam penelitian ini menggunakan 10- fold cross validation untuk memprediksi tingkat error dari data. Dataset dibagi dua yaitu data trainning dan data testing. Dari penelitian yang telah dilakukan maka didapatkan Random Forest memiliki tingkat akurasi yang paling tinggi dengan bobot 95.12%. Fitur yang paling berpengaruh adalah sekolah dengan bobot 0.202. Berdasarkan hasil tersebut dapat disimpulkan bahwa Random Forest memiliki accuracy yang paling tinggi dari metode algoritma Naïve Bayes.

Full Text:

PDF

References


Helal, S., Li, J., Liu, L., Ebrahimie, E., Dawson, S., Murray, D.J., dan Long, Q. 2017. Predicting academic performance by considering student heterogeneity. Knowledge-Based Syst., 161 (Dec. 2017), 134–146. DOI= http://doi.acm.org/10.1016/j.knosys.2018.07. 042.

Rajagukguk, S.A. (2021) ‘Tinjauan Pustaka Sistematis: Prediksi Prestasi Belajar Peserta Didik Dengan Algoritma Pembelajaran Mesin’, Jurnal SNATi, 1.

Dimyati dan Mudjiyono. 2009. Belajar dan Pembelajaran. Rineka Cipta, Jakarta.

Y. Zhang, S. Oussena, T. Clark and H. Kim, "Use Data Mining To Improve Student Retention In Higher Education – A Case Study," 2014.

M. Khlil., Kusrini. , Henderei. Penerapan Metode K Nearest Neighbord Dalam Proses Seleksi Penerima Beasiswa, “Seminar Nasional Sistem Informasi dan Teknologi Informasiâ€, p. 13-18, 2018

D. Setiyadi., A. Nurdin. â€Data Mining Potensi Akademik Siswa Berbasis Onlineâ€. Jurnal Sisfotenika. ISSN: 2460-5344, Vol. 2, No. 1, 2012

Panharesi, G.A. and Anugrah, I.G. (2022) ‘Klasifikasi Waktu Penyelesaian Skripsi Mahasiswa Menggunakan Metode Weighted Naive Bayes’, INDEXIA: Informatic and Computational Intelligent Journal, 4(1), pp. 33–46.

D. Feblian and D. U. Daihani, "Implementasi Model Crisp-Dm Untuk Menentukan Sales Pipeline Pada Pt X," Jurnal Teknik Industri ISSN: 1411-6340, p. 5, 2015.

Fajar Mu’Alim, R.H. (2022) ‘Implementasi Metode Random Forest Untuk Penjurusan’, Jurnal JUPITER, 14(1), pp. 116–125.

D. Sofi , "Perbandingan: Prediksi Prestasi Belajar Mahasiswa Menggunakan Teknik Data Mining (Study Kasus Fasilkom Unsika)," Konferensi Nasional Sistem Informasi 2014,, p. 118, 2014.

A. R. Khadafy, "Penerapan Naive Bayes untuk Mengurangi Data Noise pada Klasifikasi Multi Kelas dengan Decision Tree," Konferensi Nasional Sistem Informasi 2014, vol. 2, p. 136, 2015.

Rusdianto, D.dkk.2020. ‘Implementasi Data Mining Menggunakan Algoritma Apriori Untuk Mengetahui Pola Peminjaman Buku Di Perpustakaan Universitas Jurnal Sistem Informasi , J-SIKA Volume 02 Nomor 02 , Desember 202’, Jurnal Sistem Informasi, 02(02), pp. 1–10.

Takdirillah, R. (2020) ‘Penerapan Data Mining Menggunakan Algoritma Apriori Terhadap Data Transaksi Sebagai Pendukung Informasi Strategi Penjualan’, Edumatic : Jurnal Pendidikan Informatika, 4(1), pp. 37–46. Available at: https://doi.org/10.29408/edumatic.v4i1.2081

Yunita, D., Rosyani, P. and Amalia, R. (2018) ‘Analisa Prestasi Siswa Berdasarkan Kedisiplinan, Nilai Hasil Belajar, Sosial Ekonomi dan Aktivitas Organisasi Menggunakan Algoritma Naïve Bayes’, Jurnal Informatika Universitas Pamulang, 3(4), p. 209. Available at: https://doi.org/10.32493/informatika.v3i4.2032.

J. Han, M. Kamber, and J. Pei, Data mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann, 2012

Primajaya, A. and Sari, B.N. (2018) ‘Random Forest Algorithm for Prediction of Precipitation’, Indonesian Journal of Artificial Intelligence and Data Mining, 1(1), p. 27. Available at: https://doi.org/10.24014/ijaidm.v1i1.4903.

C. Ferri, J. Hernández-Orallo, R. Modroiu. “An Experimental Comparison of Performance Measures for Classificationâ€. Pattern Recognitipns Letters. 2009; 30(1): 27-38

Larose, Daniel T, Data Mining Methods and Models. Hoboken New Jersey : Jhon Wiley & Sons, Inc, 2006.


Refbacks

  • There are currently no refbacks.