Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 2, No. 11, November 2018, hlm. 4914-4922 http://j-ptiik.ub.ac.id

Klasifikasi dan Rekomendasi Jurusan Kuliah Bagi Pelajar SMA

Menggunakan Algoritme Naïve Bayes-WP
Restu Fitriawanti1, Imam Cholissodin2, Ratih Kartika Dewi3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1restufitriawantii@gmail.com, 2imamcs@ub.ac.id, 3ratihkartikad@ub.ac.id

Abstrak
Tiap tahunnya pelajar SMA semester akhir akan dihadapkan oleh sebuah pilihan untuk menentukan
jurusan apa yang akan di pilih untuk pendidikannya kelak. Setiap pilihan akan menentukan masa depan
pemilihnya, dan ini adalah sesuatu yang cukup sulit untuk di tentukan oleh kebanyak pelajar SMA,
karena tidak memiliki informasi dan gambaran terkait dengan pendidikan di perguruan tinggi. Selain
itu, anak tersebut masih belum mengetahui minat dan kemampuan pada dirinya.Berdasarkan
permasalahan diatas pemilihan jurusan sedini mungkin harus mulai dipertimbangkan karena memilih
fakultas dan jurusan dengan tepat sangatlah sulit, jika salah memilih jurusan akan mengakibatkan
pelajar terhambat dalam proses pembelajaran di perkuliahannya, karena kurang nyaman dengan
materi-materi di perkuliahannya dan mungkin banyak materi-materi yang kurang di sukai. Hal
ini akan berpengaruh pada indeks prestasi (IP) anak tersebut yang bisa berada di bawah standar
dan yang lebih buruk lagi yaitu dikeluarkannya pelajar (DO-Drop Out) karena dinyatakan tidak
mampu mengikuti pendidikan yang diikutinya . Maka klasifikasi dan rekomendasi jurusan kuliah
bagi pelajar SMA yang berdasarkan nilai akademik aja dapat membantu pelajar SMA untuk menentukan
pilihanya dengan tepat. Perhitungan penelitian dihitung secara terpisah untuk algoritme Naïve Bayes
digunakan untuk mengklasifikasi data nilai pelajar ke dalam kelas fakultas dan Weighted Product (WP)
digunakan untuk membantu menentukan jurusan yang tepat berdasarkan jurusan di fakultas yang telah
ditentukan sebelumnya oleh algoritme Naïve Bayes. Dengan menggunakan algoritme Naïve Bayes-WP
maka dihasilkan rata-rata akurasi sistem mencapai 82%.
Kata Kunci : Naïve Bayes, Weighted Product, Rekomendasi Jurusan, Klasifikasi

Abstract
Each year high school students will be faced with a final choice to determine what direction will be
selected for future education. Each choice will determine the future of the voter, and this is something
that is difficult enough to be determined by most high school students, because they do not have
information and images related to education in college. In addition, the child is still not aware of the
interests and abilities on him. Based on the problems above the selection of majors as early as possible
should start to be considered because choosing faculty and majors with precisely very difficult, if one
chose the department will result in learner in the learning process in lectures, because less comfortable
with the materials in the lecture and probably a lot of less-liked material. This will affect the child's
achievement index (IP) that can be below the standard and worse the discharge of the student (DO-
Drop Out) because it is declared not able to follow the education that followed. So the classification
and recommendation of college majors for high school students who based on academic grades wrote
can help high school students to determine the proper choice. The calculation of the study is calculated
separately for the Naïve Bayes algorithm used to classify student learner data into the faculty class and
Weighted Product (WP) is used to help determine the exact majors based on the majors in the faculty
predetermined by the Naïve Bayes algorithm. By using the Naïve Bayes-WP algorithm, the system's
average accuracy reaches 82%.
Keywords: Naïve Bayes, Weighted Product, Recommendation of Department, Classification

Fakultas Ilmu Komputer

Universitas Brawijaya 4914
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1. PENDAHULUAN
Menentukan perguruan tinggi mana dan
jurusan apa yang harus dipilih tidaklah mudah
bagi pelajar Sekolah Menengah Atas (SMA)
yang akan lulus. Apa pun pilihan yang diambil,
hal itu menjadi pinjakan awal yang akan
menentukan nasib dan masa depan mereka.
Namun, banyak pelajar yang berada di tahun
terakhir SMA masih belum mengetahui minat
dan kemampuannya sehingga masih gagap
menerka jurusan kuliahnya.
Strategi awal yang harus diterapkan adalah
mengetahui kemampuan dan bakat masing-
masing. Dengan memiliki kemampuan dan bakat
yang sesuai maka seorang pelajar akan lebih
menikmati proses seleksi yang akan dijalani
sehingga setiap proses dapat dilalui dengan baik
yang diharapkan mendapatkan hasil yang lebih
memuaskan. Sehingga setelah diterima di
perguruan tinggi pun para pelajar dapat
menikmati masa kuliah dengan jurusan yang
benar-benar disukai, karena jika tidak kuliah
tersebut akan berjalan sebagai beban.
Pemilihan jurusan kuliah yang kurang
tepat biasanya diakibatkan beberapa alasan
seperti gengsi, ikut-ikut teman, saran orang tua,
atau tidak ada pilihan jurusan, hal tersebut akan
mengakibatkan pelajar terhambat dalam proses
pembelajaran di perkuliahannya, karena kurang
nyaman dengan materi-materi di perkuliahannya
dan mungkin banyak materi-materi yang kurang
diatsukai. Hal initakan berpengaruh pada indeks
prestasi (IP) anak tersebu tyang bisa berada di
bawah standar dan yang lebih buruk lagi yaitu
dikeluarkannya pelajar (DO-Drop Out) karena
dinyatakan bahwa Mahasiwa tersebut tidak
mampu mengikuti pendidikan yang diikutinya
(Kumala, 2015).
Sehingga pemilihan jurusan harus
dilakukan sedini mungkin dengan penuh
pertimbangan. Salah memilih jurusan dapat
menyebabkan kerugian yang besar bagi calon
Mahasiswa baru di masa depan. Oleh karena itu,
calon mahasiswa baru harus mampu mengetahui
kemampuan dan minat yang dimilikinya. Salah
satu cara yang dapat membantu calon
Mahasiswa baru untuk mengetahui jurusan yang
sesuai dengan kemampuan dan potensinya
adalah ketersediaan sistem klasifikasi penentuan
jurusan kuliah untuk pelajar SMA berdasarkan
nilai akademis.
Dalam menentukan suatu pilihan, dapat
dilakukan secara matematis dengan beberapa
Fakultas Ilmu Komputer, Universitas Brawijaya
4915
algoritme. Penelitian yang dilakukan oleh
Rahmadi Wijaya pada tahun 2014, tentang
membuat perancangan sistem untuk pemilihan
lokasi perumahan menggunakan metode
Weighted Product (WP). Sistem ini dibuat untuk
mempermudah dalam pemilihan lokasi
perumahan, dengan menggunakan metode
tersebut dapat membantu menyelesaikan
permasalahan tersebut karena pemilihan rumah
dapat di golongkan ke dalam masalah yang
bersifat multiobjectives (ada banyak tujuan yang
ingin dicapai) dan multicriteria (ada banyak
kriteria untuk mencapai tujuan). Penelitian lain
yang dilakukan oleh Mega Esti pada tahun 2016,
mengenai pembuatan sistem penerimaan BPJS
menggunakan metode Naïve Bayes. Penelitian
ini dibuat untuk menentukan penerima BPJS
dengan menggunakan kriteria dengan algoritme
Naïve Bayes. Algoritme Naïve Bayes Classifier
(NBC) merupakan teknik prediksi berbasis
probabilistik sederhana yang berdasar pada
penerapan teorema bayes (atau aturan bayes)
dengan asumsi independensi (ketidak
ketergantungan) yang kuat (naïf) (Prasetyo,
2012). Metode Naïve Bayes memiliki akurasi
yang sangat tinggi, sehingga keputusan yang
direkomendasikan pada rancangan sistem ini
akan lebih cepat, tepat dan akurat (Prasetyo,
2012). Berdasarkan uraian diatas maka
penelitian ini dilakukan yaitu membuat dan
membahas sistem klasifikasi untuk membantu
pelajar SMA memilih jurusan kuliah yang tepat
berdasarkan beberapa faktor dan variabel dengan
menggunakan algoritme Naïve Bayes-WP,
karena algoritme tersebut memiliki keunggulan
dalam pembobotan kriteria yang secara otomatis
tanpa campur ahli tangan, sehingga proses untuk
menentukan hasil berjalan secara cepat dan
dinamis. Penelitian ini juga mencoba untuk
mengklasifikasi beberapa pelajar kedalam
kategori jurusan yang cocok.
2. DASAR TEORI
2.1 Keminatan Jurusan Kuliah
Keminatan jurusan kuliah jika di pilih
secara tepat dapat menentukan masa depan calon
Mahasiswa tersebut. Memilih jurusan yang
tepat dapat menjadi pinjakan awal yang akan
menentukan nasib dan masa depan calon
Mahasiswa tersebut untuk menuju kesuksesan di
masa depan.Untuk itu, butuh mengetahui minat,
bakat, dan keinginan untuk berkarier di bidang
apa.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4916

Pemilihan jurusan kuliah yang kurang 𝑃(𝐶𝑗 )= Nilai Prior untuk kelas C
tepat biasanya diakibatkan beberapa alasan
seperti gengsi, ikut-ikut teman, saran orang tua, 2. Hitung Likelohood Tiap Kelas
atau tidak ada pilihan jurusan, hal tersebut akan Data Kontinu
mengakibatkan pelajar terhambat dalam proses 2
(𝑋𝑖−𝜇𝑖𝑗)
pembelajaran di perkuliahannya, karena kurang −
1 2𝜎2
nyaman dengan materi-materi di perkuliahannya 𝑃(𝑋𝑖 = 𝑥𝑖 |𝐶𝑗 = 𝑐𝑗 ) = 𝑒 𝑖𝑗 (2)
2
√2𝜋𝜎𝑖𝑗
dan mungkin banyak materi-materi yang kurang
diatsukai. Hal initakan berpengaruh pada indeks Keterangan :
prestasi (IP) anak tersebu tyang bisa berada di 𝑃 = Peluang
bawah standar dan yang lebih buruk lagi yaitu
dapat dikeluarkannya pelajar (DO-Drop Out) 𝑋𝑖 = Atribut ke i
dikarena pelajar tersebut tidak mampu mengikuti 𝑥𝑖 = Nilai atribut ke i
pendidikan yang diikutinya(Kumala, 2015).
Di dalam menentukan keminatan jurusan 𝐶𝑗 = Kelas yang dicari
kuliah, telah dilakukan penelitianmengenai
𝑐𝑗 = Sub kelas yang dicari
monitoring untuk seleksi jurusan. Membantu
pelajar dalam pemilihan jurusan di perguruan 𝜋 = Nilai PI (22/7 atau
tinggi. Penelitian tersebut menggunakan sampel 3.141592653589793)
siswa jerman dan dalam untuk tingkat penilaian
menggunakan tujuan hidup dan tujuan kerja 𝑒 = Nilai Euler (2.718281828459045)
pelajar kelak (Hill, dkk., 2016). 𝜇 = Nilai Mean dari data latih

2.2 Klasifikasi 𝜎 = Nilai Standar Deviasi dari data latih

Klasifikasi adalah suatu proses untuk Tambahan :

menemukan suatu kelompok dari beberapa data Rumus Mean :
ke dalam beberapa kelas dengan tujuan untuk
∑𝑛
𝑖=1 𝑋𝑖
dapat memperkirakan kelas dari suatu objek 𝜇= (3)
𝑛
yang labelnya tidak diketahui. Beberapa
algoritme klasifikasi adalah Naïve Bayes, Rumus Standar Deviasi :
Bayesain Decision dan Linear Discriminant (∑𝑛 2
𝑖=1 𝑋𝑖 −𝜇 )
Analysis (Prasetyo, 2012). 𝜎=√ (4)
𝑛− 1

2.3 Naïve Bayes Keterangan :

∑𝑛𝑖=1 𝑋𝑖 = Sigma penjumlahan data 𝑥
Naïve Bayes merupakan algortime
dengan indeks 1 hingga n
pengklasifikasian dengan probabilitas dan
𝑥̅ = Nilai mean dari data 𝑥
statistik yang dikemukan oleh ilmuwan Inggris
𝑛 = jumlah data
yang bernama Thomas Bayes, yaitu
memprediksi peluang di masa depan
Data Diskrit
berdasarkan pengalaman di masa sebelumnya. 𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑒𝑚𝑢𝑛𝑐𝑢𝑙𝑎𝑛 𝐾𝑟𝑖𝑡𝑒𝑟𝑖𝑎 𝑋𝑖
Naïve Bayes adalah algoritme yang hanya 𝑃(𝑋𝑖 |𝐶𝑗 ) =
𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎 𝑝𝑎𝑑𝑎 𝐾𝑒𝑙𝑎𝑠 𝐶𝑗
membutuhkan jumlah data latih yang kecil untuk (5)
menentukan estimasi paremeter yang diperlukan Keterangan :
dalam proses pengklasifikasian. Naïve Bayes 𝑃(𝑋𝑖 |𝐶𝑗 ) = Peluang Kondisi 𝑋𝑖 pada kelas
sering bekerja jauh lebih baik dalam kebanyakan
𝐶𝑗
situasi dunia nyata yang kompleks dari pada
yang diharapkan (Saleh, 2015). Tahapan
perhitungan Naïve Bayes adalah : 3. Hitung Posterior Tiap Kelas
𝑃(𝐶 |𝑋1 , 𝑋2 , 𝑋3 … 𝑋𝑛 ) = 𝑃(𝐶 ) ∏𝑛𝑖=1 𝑃(𝑋𝑖 |𝐶) (6)
1. Hitung Prior Tiap Kelas Keterangan :
- 𝑃(𝐶 |𝑋1 , 𝑋2 … 𝑋𝑛 ) nilai posterior data
𝐽𝑢𝑚𝑙𝑎ℎ 𝐾𝑒𝑚𝑢𝑛𝑐𝑢𝑙𝑎𝑛 𝐷𝑎𝑡𝑎 𝐾𝑒𝑙𝑎𝑠 𝐶𝑗 dengan variabel 𝑋1 hingga 𝑋𝑛 untuk
𝑃(𝐶𝑗 ) = (1)
𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎 𝐾𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 kelas C
Keterangan : - 𝑃(𝐶) = nilai prior untuk kelas C

Fakultas Ilmu Komputer, Universitas Brawijaya

 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4917

- ∏𝑛𝑖=1 𝑃(𝑋𝑖 |𝐶) = Sigma Perkalian 1. Menentukan bobot tiap jurusan berdasarkan
untuk Likelihood kondisi X dengan nilai minimum
indeks 1 hingga n untuk kelas C 2. Perbaikan Bobot kriteria (W) untuk
Kelas dengan nilai posterior tertinggi akan mendapatkan hasil pembobotan jurusan
menjadi hasil klasifikasi kelas dari data uji berdasarkan perbandingan nilai calon
adalah : mahasiswa dengan nilai minimum tiap
𝑃(𝐶|𝑋1 , 𝑋2 , 𝑋3 … 𝑋𝑛 ) = jurusan.
arg max 𝑃(𝐶 ) ∏𝑛𝑖=1 𝑃(𝑋𝑖 |𝐶) (7) 3. Menghitung vektor S
Keterangan : 4. Menghitung vektor V
- arg 𝑚𝑎𝑥 = argument dengan nilai
tertinggi untuk hasil posterior tiap kelas 3. METODOLOGI
Pada bab ini menjelaskan tentang tahapan
- 𝑃(𝐶) ∏𝑛𝑖=1 𝑃(𝑋𝑖 |𝐶) = proses
dalam penyelesaian klasifikasi dan rekomendasi
perhitungan posterior untuk kelas C
jurusan kuliah bagi pelajar SMA dengan
Kelas dengan Posterior tertinggi akan Menggunakan algoritme Naïve Bayes-WP.
menjadi hasil akhir klasifikasi dari Berikut penulisan menggunakan diagram alir
permasalahan. seperti pada Gambar 1
Mulai
2.4 Weighted Product (WP)
Penelitian pada tahun 1989 yang Studi Pustaka
dikemukakan oleh Yoon, algoritme WP dengan
cara menghubungkan rating atribut drngan cara
perkalian, rating setiap atribut dipangkatkan Pengumpulan Data
terlebih dahulu dengan bobot atribut yang
bersangkutan. Tahap ini kemudian dengan Perancangan Sistem
normalisasi. Preferensi alternatif Ai ditunjukan
pada Persamaan 8 (Rudiarsih, 2012). Tahapan
Implementasi Sistem
perhitungan WP adalah :

1. Mencari vektor S Pengujian dan Analisis Sistem

𝑛
𝑆𝑖 = Π𝑗=1 𝑥𝑖𝑗 Wj (8)
Keterangan : Kesimpulan
S = Preferensi alternatif dituliskan sebagai
vektor S dengan i=1,2,…,m; ∑wj = 1.
2. Mencari vektor V Selesai

𝑤𝑗
Π𝑛
𝑗=1 𝑥𝑖𝑗
𝑉𝑖 = ∗ 𝑤𝑗 (9)
Π𝑛
𝑗=1 (𝑥𝑗 ) Gambar 1 Diagram Alir Utama

Keterangan : 4. PERANCANGAN
V = Preferensi alternatif dianalogikan
sebagai vektor V 4.1 Penyelesaian Masalah Naïve Bayes-WP
x = Nilai Kriteria
Proses penentuan rekomendasi jurusan
w = Bobot Kriteria / Sub Kriteria
kuliah akan dilakukan dengan cara mengolah
i = Alternatif
data latih ke dalam algoritme Naïve Bayes untuk
j = Kriteria
n = Banyaknya kriteria mendapatkan hasil rekomendasi fakultas dan
dilanjutkan dengan menggunakan algoritme WP
* = Banyaknya kriteria yang telah dinilai
untuk mendapatkan hasil rekomendasi jurusan
pada vektor S
kuliah yang tepat. Rancangan flowchart untuk
Adapun langkah langkah yang dilakukan sistem ini dapat dilihat pada Gambar 2
untuk menguji suatu data uji sebagai berikut
(Prasetya, et al., 2016)

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Mulai
Input Data
Latih
Menghitung Peluang
Prior pada Tiap Kelas
Data Uji
For i=1 to
jumlah data
Menghitung Peluang Likelihood
Menghitung Peluang Posterior
i
Hasil Klasifikasi
Fakultas
Selesai
Gambar 2 Diagram Alir Penyelesaian
Masalah
4.2 Penyelesaian dengan Naïve Bayes
Algoritme Naïve Bayes terdiri dari
perhitungan peluang prior untuk setiap kriteria
selanjutnya menghitung peluang likelihood pada
tiap atribut di setiap kriteria setelah
mendapatkan peluang likelihood menghitung
peluang posterior. Hasil posterior akan dipilih
nilai yang paling tinggi untuk menentukan hasil
klasifikasi kelas tersebut. Alur proses algoritme
Naïve Bayes dapat dilihat pada Gambar 2 dan
proses penentuan klasifikasi yang tepat pada
algoritme Naïve Bayes dapat dilihat pada
Gambar 3.
Fakultas Ilmu Komputer, Universitas Brawijaya
4918
Mengolah Mulai
Menggunaka
n Algoritme
Naïve Bayes
Data Latih Berupa
Nilai Akademik
Mengolah Menggunakan
Algoritme Naïve Bayes
Hasil Klasifikasi
Fakultas
Mengolah Menggunakan
Algoritme WP
Hasil Rekomendasi
Jurusan
Selesai
Gambar 3 Diagram Alir Penyelesaian Naïve
Bayes
4.3 Penyelesaian dengan Weighted Product
(WP)
Pada bagian ini membahas tentang
perancangan penelitian ini untuk memperoleh
rekomendasi jurusan menggunakan algoritme
Weigted Product. Langkah awal dari bagian ini
adalah mengumpulkan data akademik pelajar,
untuk menentukan keminatan calon mahasiswa
dengan cara menghitung perbaikan bobot awal
dari setiap kriteria, lalu menentukan persentase
nilai mata pelajaran dari calon mahsiswa.
Selanjutnya, menentukan bobot dan persentase
jurusan berdasarkan nilai. Pembobotan jurusan
dilihat dari nilai minimum pada tiap jurusan
dibandingkan dengan nilai calon mahasiswa.
Pembobotan tersebut memiliki 5 variasi untuk
pengujian untuk detailnya terdapat pada Tabel
1. Kemudian melakukan pembagian pada bobot
serta menghitung nilai Vector S, langkah
selanjutnya menghitung Vector V yang akan
digunakan untuk penentuan keminatan jurusan.
Alur proses algoritme WP dapat dilihat pada
Gambar 4.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4919

Tabel 1 Variasi Bobot Nilai Minimum Tiap 5.1 Hasil dan Analisis Jumlah Data Latih
Jurusan dan Data Uji Algoritme Naïve Bayes
Var 1 Var 2 Var 3 Var 4 Var 5 Untuk tiap percobaan, digunakan data latih
bobot bobot bobot bobot bobot dengan presentase yang berbeda, tujuan untuk
bernilai bernilai bernilai bernilai bernilai
1 1 1 1 1 mengetahui jumlah pasangan persentase dari
bobot bobot bobot bobot bobot data latih dan data uji dengan nilai keakuratan
bernilai bernilai bernilai bernilai bernilai tertinggi. Data uji berasal dari data latih yang
2 3 4 5 6 tidak digunakan sebagai data latih didalam uji
bobot bobot bobot bobot bobot coba. Total data keseluruhan 182 data, dengan
bernilai bernilai bernilai bernilai bernilai
3 5 7 9 11 batasan pengujian adalah pengujian yang
dilakukan berdasarkan skenario yang dilakukan
sebanyak 3 kali dan didapat rata-rata akurasi
Mengolah terbaik didapat ketika menggunakan seluruh data
Menggunakan Mulai
Algoritme WP yang menghasilkan nilai akurasi 95% dan untuk
akurasi jumlah pasangan data latih dan data uji
For i=0 to yang terbaik menggunakan jumlah data latih
Jumlah data-1 sebanyak 90% dari total daya dan data uji
sebanyak 10% dari total data yang mengashilkan
Menentukan bobot tiap nilai akurasi 93,33%. Jika dilihat pada hasil rata-
mata pelajaran rata akurasi, dapat dikatakan semakin banyak
data latih yang digunakan, semakin tinggi juga
Menentukan bobot tiap
rata-rata akurasi yang bisa didapat dari sistem
jurusan berdasarkan nilai hal ini dikarenakan pada proses pelatihan sistem
minimum mengalami pembelajaran yang lebih banyak
seiring dengan banyaknya data latih yang
bervariasi sehingga data baru yang diujikan
Perbaikan Bobot kriteria (W)
dapat dikelompokkan dengan tepat. Untuk hasil
uji coba data latih dan data uji algoritme Naïve
Menghitung vektor S
Bayes dapat dilihat pada Gambar 5.

Menghitung vektor V UJI COBA JUMLAH DATA NAÏVE

BAYES
95
AKURASI (%)

Perangkingan nilai V 96 93,33

92,67
94 91,67 91
90,67
92
90
i 88
100%
80% : 20%
50% : 50%

60% : 40%

70% : 30%

90% : 10%

Hasil Rekomendasi

PERSENTASE JUMLAH DATA LATIH

Selesai

Gambar 4 Diagram Alir Penyelesaian WP Gambar 5 Grafik Hasil Rata-Rata Akurasi

5. HASIL DAN PEMBAHASAN
Pada bab ini membahas mengenai
pengujian serta analisis terhadap implemetasi
klasifikasi dan rekomendasi jurusan kuliah bagi
pelajar SMA menggunakan algoritme Naïve
Bayes-WP, menggunakan 3 pengujian sebagai
berikut:
Jumlah Data Latih dan Data Uji
5.2 Hasil dan Analisi Jumlah Data Latih dan
Data Uji Algoritme Naïve Bayes dengan Data
Diskrit
Pada uji coba jumlah data latih dan data uji
pada algoritme Naïve Bayes dengan
menggunakan data diskrit, data nilai akademik
yang bertipe data kontinu dirubah ke dalam data
diskrit untuk mempermudah perhitungan.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pengujian ini bertujuan untuk mengetahui
perbandingan akurasi antara sistem yang
menggunakan data bertipe kontinu dengan
sistem yang menggunakan data bertipe diskrit.
Untuk mengubah data kontinu ke dalam bentuk
diskrit, digunakan range yang dijelaskan pada
Tabel 2
Table 2 Keterangan Range Nilai
Range Nilai Diskrit
Nilai < 70 Rendah
70 <= Nilai <= 85 Sedang
Nilai > 85 Tinggi
Pengujian adalah yang dilakukan
berdasarkan skenario yang dilakukan sebanyak 3
kali dapat dikatakan bahwa sistem dengan data
latih bertipe diskrit memiliki akurasi maksimum
54% yang didapat pada keadaan data latih dan
data uji menggunakan seluruh data, unutk
pasangan jumlah data latih dan data uji terbaik
menggunakan jumlah data latih sebanyak 90%
dan total data dan data uji sebanyak 10% dari
total data dengan hasil akurasi 48,33%. Rata-rata
akurasi ini masih berada di bawah akurasi dari
sistem dengan data latih bertipe kontinu. Hal ini
dapat disebabkan karena range untuk
menentukan nilai data diskrit belum tentu range
dengan nilai yang optimum, sehingga
menimbulkan nilai akurasi yang berada di bawah
perhitungan dengan tipe data kontinu. Dengan
hasil ini, dapat disimpulkan untuk klasifikasi
fakultas dengan data nilai, sistem dengan data
latih bertipe kontinu lebih bisa diandalkan
dibandingkan sistem dengan data latih bertipe
diskrit. Untuk penjelasan akurasi secara grafik
dapat dilihat pada Gambar 6. Untuk hasil uji
coba data latih dan data uji algoritme Naïve
Bayes dapat dilihat pada Gambar 6
Fakultas Ilmu Komputer, Universitas Brawijaya
4920
UJI COBA JUMLAH DATA NAÏVE
BAYES
56 54
52
AKURASI (%)
54
52 49 48,33
50 48 47,33
48
46
44
42
100%
80% : 20%
50% : 50%
60% : 40%
70% : 30%
90% : 10%
PERSENTASE JUMLAH DATA LATIH
Gambar 6 Grafik Hasil Rata-Rata Akurasi
dengan Data Uji dan Data Latih Bertipe
Diskirt
5.3 Hasil dan Analaisis Pengujian Bobot
Nilai Minimum Tiap Jurusan Pada
Algoritme Weighted Product (WP)
Pada uji coba bobot nilai minimum tiap
jurusan pada algorimte WP, dilakukan 3 kali
perocbaan menggunakan 20 data latih yang
berbeda dan dalam perhitungan menggunakan 5
variasi bobotan nilai minimum tiap jurusan.
bahwa dari 3 kali percobaan pada 5 varian bobot
nilai minimum tiap jurusan didapat hasl
pasangan bobot yang baik pada variasi ke 1
dengan menggunakan nilai bobot dengan nilai 1
yang paling jauh dengan nilai calon mahasiswa,
nilai bobot 2 yang jauh kedua dengan nilai calon
mahasiswa, nilai bobot 3 yang paling mendekati
dengan nilai calon mahasiswa mengashilkan
akurasi 82% dan rata rata akurasi terendah
terdapat pada variasi 4 dan 5. Untuk variasi 4
menggunakan nilai bobot dengan nilai dengan
nilai 1 yang paling jauh dengan nilai calon
mahasiswa, nilai bobot 5 yang jauh kedua
dengan nilai calon mahasiswa, nilai bobot 9 yang
paling mendekati dengan nilai calon mahasiswa
dan variasi 5 dengan menggunakan nilai bobot
dengan nilai dengan nilai 1 yang paling jauh
dengan nilai calon mahasiswa, nilai bobot 6 yang
jauh kedua dengan nilai calon mahasiswa, nilai
bobot 11 yang paling mendekati dengan nilai
calon mahasiswa yang keduanya menghasilkan
akurasi 67,67%. Untuk penjelasan rata-rata
akurasi secara grafik dapat dilihat Gambar 7.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4921

UJI COBA BOBOT NILAI NILAI TERTINGGI PADA HASIL

MINIMUM TIAP JURUSAN UJI COBA BOBOT NILAI
82 MINIMUM TIAP JURUSAN
90 77,3
71 91
80 67,67 67,67 100 85 80 75 75
70
AKURASI (%)

80

AKURASI (%)
60
50 60
40 40
30
20 20
10 0
0 Variasi 1 Variasi 2 Variasi 3 Variasi 4 Variasi 5
Variasi 1 Variasi 2 Variasi 3 Variasi 4 Variasi 5
VARIASI PEMBOBOTAN NILAI
VARIASI PEMBOBOTAN NILAI
MINIMUM
MINIMUM
Gambar 8 Grafik Hasil Nilai Akurasi
Gambar 7 Hasil Rata-Rata Akurasi Bobot Tertinggi Tiap Variasi Pada Uji Coba bobot
Nilai Minimum Tiap Jurusan Pada Nilai Minimum Tiap Jurusan Pada
Algoritme WP Algoritme WP
Pada uji coba bobot nilai minimum tiap jurusan
pada algorimte WP, dilakukan 3 kali perocbaan 6. KESIMPULAN
menggunakan 20 data latih yang berbeda dan Bedasarkan hasil penelitian mengenai
dalam perhitungan menggunakan 5 variasi implementasi pada klasifikasi dan rekomendasi
bobotan nilai minimum tiap jurusan yang jurusan kuliah bagi pelajar SMA menggunakan
mendapatkan nilai tertinggi pada masing masing algoritme Naïve Bayes-WP, didapatkan
variasi pada 5 varian bobot nilai minimum tiap beberapa kesimpulan, yaitu:
jurusan didapat hasil nilai nilai tertinggi pada 1. Pada algoritme Naïve Bayes bersama dengan
tiap variasi dan nilai akurasi tertinggi terdapat algoritme WP dapat diimplementasikan
pada variasi ke 1 dengan menggunakan nilai untuk klasifikasi dan rekomendasi jurusan
bobot dengan nilai 1 yang paling jauh dengan kuliah bagi pelajar SMA. Hasil dari
nilai calon mahasiswa, nilai bobot 2 yang jauh penelitian ini adalah penjurusan yang
kedua dengan nilai calon mahasiswa, nilai bobot direkomendasikan berdasarkan nilai dari
3 yang paling mendekati dengan nilai calon calon mahasiswa. Pada penelitian ini data
mahasiswa mengashilkan akurasi 91% dan rata diklasifikasikan terlebih dahulu ke dalam
rata akurasi terendah terdapat pada variasi 4 dan sebuah fakultas dengan menggunakan
5. Untuk variasi 4 menggunakan nilai bobot algoritme Naïve Bayes, kemudian data yang
dengan nilai dengan nilai 1 yang paling jauh memiliki kelas diterima disuatu fakultas
dengan nilai calon mahasiswa, nilai bobot 5 yang tertentu akan diproses oleh algortima WP
jauh kedua dengan nilai calon mahasiswa, nilai untuk pemberian rekomendasi jurusan. Pasa
bobot 9 yang paling mendekati dengan nilai proses pemberian rekomendasi jurusan
calon mahasiswa dan variasi 5 dengan melibatkan proses memberi bobot nilai
menggunakan nilai bobot dengan nilai dengan minimum pada tiap jurusan. Penelitian ini
nilai 1 yang paling jauh dengan nilai calon menggunakan 5 model variasi bobot nilai
mahasiswa, nilai bobot 6 yang jauh kedua minimum pada tiap jurusan . Dari hasil
dengan nilai calon mahasiswa, nilai bobot 11 pengujian bobot nilai minimum tiap jurusan
yang paling mendekati dengan nilai calon pada algoritme WP, didapatkan kesimpulan
mahasiswa yang keduanya menghasilkan bahwa hasil rekomendasi jurusan yang
akurasi 75%. Untuk penjelasan rata-rata terbaik ketika menggunakan variasi 1
tertinggi akurasi esecara grafik dapat dilihat dengan nilai pembobotan 1,2 dan 3.
pada Gambar 8 2. Pada implementasi penelitian ini dimulai
dari pemilihan fakultas dengan
menggunakan algoritme Naïve Bayes,
dengan rata-rata akurasi terbaik didapat
ketika menggunakan seluruh data yang
menghasilkan nilai akurasi 95% dan untuk

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4922

akurasi jumlah pasangan data latih dan data

uji yang terbaik menggunakan jumlah data
latih sebanyak 90% dari total daya dan data
uji sebanyak 10% dari total data yang
mengashilkan nilai akurasi 93,33%.

7. DAFTAR PUSTAKA
Hill, P. L. et al., 2016. Majoring in Selection, and
Minoring in Socialization: The Role of the
College Experience in Goal Change Post-
High School. Journal of Personality, 84(2),
p. 10.
Kumala, A. T., 2015. Pembuatan Sistem
Pendukung Keputusan Pemilihan Jurusan
Kuliah Bagi Siswa Sma Berbasis Web
Dengan Metode Promethee. Jurnal Ilmiah
Mahasiswa Universitas Surabaya, Volume
4.
Pangestu, M. E., 2016. Sistem Pendukung
Keputusan Penerimaan Bpjs Menggunakan
Metode Naïve Bayes Di Kabupaten
Nganjuk , Kediri: Fakultas Teknik – Teknik
Informatika .
Prasetya, D. E., Cholissodin, I. & Widodo, A.
W., 2016. Sistem Pengklasifikasi Jurusan
Kuliah Untuk Pelajar SMA Menggunakan
Algoritme AHP-Naïve Bayes. Doro Jurnal,
Volume 8.
Prasetyo, E., 2012. Data Mining Konsep Dan
Aplikasi Menggunakan Matlab,
Yogyakarta: Andi.
Rudiarsih, N., 2012. Sistem Pendukung
Keputusan untuk Proses Penentuan Rumah
Tangga Miskin Menggunakan Metode
Weighted
Product.[Online]Availabletat:http://filkom.
ub.ac.id/doro/archives/detail/DR00026201
306 [Diakses 6 November 2017].
Saleh, A., 2015. ImplementasiAlgoritme
Klasifikasi Naïve BayesDalam
Memprediksi Besarnya
PenggunaanListrikRumah Tangga. Citec,
2(3).
Wijaya, R., 2014. Perancangan Sistem
Pendukung Keputusan Untuk Pemilihan
Lokasi Perumahan Menggunakan Weighted
Product Method (WPM). Jurnal
Informatika, 10(1), pp. 61-78.

Fakultas Ilmu Komputer, Universitas Brawijaya