PENERAPAN ALGORITMA KLASIFIKASI DECISION TREE C.45, K-NEAREST NEIGHBOR DAN NAIVE BAYES DALAM PENENTUAN SISWA BERPRESTASI PADA PONDOK PESANTREN QOTRUN NADA

• LIYA DESTY RAMANDHA

---

ABSTRAK

ABSTRAK

Liya Desty Ramandha (11182554), Penerapan Algoritma Klasifikasi Decision Tree C.45, K-Nearest Neighbor dan Naive Bayes dalam Penentuan Siswa Berprestasi pada Pondok Pesantren Qotrun Nada

Dalam dunia pendidikan di era yang sangat berkembang pesat saat ini seorang siswa dituntut untuk memiliki potensi tinggi dengan memanfaatkan berbagai macam teknologi yang ada. Pondok Pesantren Qotrun Nada masih sulit dalam menentukan siswa mana yang berprestasi di setiap tahun. Siswa berprestasi disini dilihat dari beberapa kriteria penilaian, bukan hanya dilihat dari nilai UTS dan UAS saja. Tujuan penelitian ini untuk mencari siswa berprestasi dan tidak berprestasi dengan atribut yang digunakan yaitu Nilai Pengetahuan, Nilai Keterampilan, Akhlak, Ekstrakulikuler, dan Kehadiran. Data mining merupakan suatu proses yang dilakukan untuk menganalisa data hingga ditemukan suatu pola dari kumpulan data. Studi kasus penelitian ini dilakukan pada 185 data dengan menggunakan ketiga metode sebanyak 156 siswa “Berprestasi” dan 29 siswa “Tidak Berprestasi”. Dengan menggunakan metode Classification didapat hasil akurasi dari algoritma Decision Tree C.45 sebesar 92,97%, K-Nearest Neighbor sebesar 84,32% dan Naive Bayes sebesar 100%. Sehingga ditemukan hasil komparasi terbaik dalam menentukan siswa berprestasi yaitu pada algoritma Naive Bayes dengan nilai akurasi tertinggi.

Kata Kunci: Siswa Berprestasi, Data Mining, Naive Bayes

KATA KUNCI

Algoritma Decision tree

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] Y. I. Kurniawan, “Perbandingan Algoritma Naive Bayes dan C.45 dalam Klasifikasi Data Mining,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, p. 455, 2018, doi: 10.25126/jtiik.201854803.

[2] M. R. R. Saelan, D. A. Sahputra, W. Widiastuti, and W. Gata, “Komparasi Algoritma Klasifikasi untuk Prediksi Minat Sekolah Tinggi Pelajar pada Students Alcohol Consumption,” J. Sains dan Inform., vol. 6, no. 2, pp. 120–129, 2020, doi: 10.34128/jsi.v6i2.236.

[3] M. R. Fahdia, D. Riana, F. Amsury, I. Saputra, and N. Ruhyana, “Komparasi Algoritma Klasifikasi untuk Orientasi Minat Mahasiswa dalam Penuntasan Studi,” JIRA J. Inov. dan Ris. Akad., vol. 2, no. 7, pp. 970–1007, 2021, doi: 10.47387/jira.v2i7.185.

[4] A. Prasatya, R. R. A. Siregar, and R. Arianto, “Penerapan Metode K-Means Dan C4.5 Untuk Prediksi Penderita Diabetes,” Petir, vol. 13, no. 1, pp. 86–100, 2020, doi: 10.33322/petir.v13i1.925.

[5] H. Hairani and M. Innuddin, “Kombinasi Metode Correlated Naive Bayes dan Metode Seleksi Fitur Wrapper untuk Klasifikasi Data Kesehatan,” J. Tek. Elektro, vol. 11, no. 2, pp. 50–55, 2020, doi: 10.15294/jte.v11i2.23693.

[6] Ainurrohmah, “Akurasi Algoritma Klasifikasi pada Software Rapidminer dan Weka,” Prisma, vol. 4, pp. 493–499, 2021, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/.

[7] H. Harianto and D. Rosiyadi, “Komparasi Algortima C4.5, Naïve Bayes dan kNearest Neighbor Sebagai Sistem Pendukung Keputusan Menaikkan Jumlah Peserta Didik,” J. Inform., vol. 7, no. 1, pp. 55–61, 2020, doi: 10.31311/ji.v7i1.7250.

[8] C. Anam and H. B. Santoso, “Perbandingan Kinerja Algoritma C4.5 dan Naive Bayes untuk Klasifikasi Penerima Beasiswa,” Energy - J. Ilm. Ilmu-Ilmu Tek., vol. 8, no. 1, pp. 13–19, 2018, [Online]. Available: https://ejournal.upm.ac.id/index.php/energy/article/view/111

[9] R. Annisa, “Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Penderita Penyakit Jantung,” J. Tek. Inform. Kaputama, vol. 3, no. 1, pp. 22–28, 2019, [Online]. Available: https://jurnal.kaputama.ac.id/index.php/JTIK/article/view/141/156.

[10]F. N. Hasan, N. Hikmah, and D. Y. Utami, “Perbandingan Algoritma C4.5, KNN, dan Naive Bayes untuk Penentuan Model Klasifikasi Penanggung jawab BSI Entrepreneur Center,” J. Pilar Nusa Mandiri, vol. 14, no. 2, p. 169, 2018, doi: 10.33480/pilar.v14i2.908