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

Vol. 3, No. 8, Agustus 2019, hlm. 7475-7482 http://j-ptiik.ub.ac.id

Klasifikasi Hasil Belajar Peserta Didik Pada Jurusan Teknik Komputer

dan Jaringan (TKJ) di SMK Negeri 3 Malang Menggunakan Algoritme
Naïve Bayes
Ricky Gunawan1, Satrio Hadi Wijoyo2, Satrio Agung Wicaksono3

Program Studi Pendidikan Teknologi Informasi, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1rickygunawaan@student.ub.ac.id, 2satriohadi@ub.ac.id, 3satrio@ub.ac.id

Abstrak
Penelitian ini berdasarkan hasil observasi dan wawancara dengan guru, keterbatasan guru dalam melihat
dan menganalisis faktor yang dapat mempengaruhi hasil belajar peserta didik dan tingkat keberhasilan
peserta didik. Maka berdasarkan kondisi tersebut penelitian ini bertujuan untuk menerapkan algoritme
Naïve Bayes untuk melakukan klasifikasi hasil belajar siswa di Jurusan Teknik Komputer Dan Jaringan
(TKJ) Di SMK Negeri 3 Malang dan Untuk mengetahui tingkat akurasi dari algoritme Naïve Bayes
dalam proses klasifikasi hasil belajar siswa di Jurusan Teknik Komputer Dan Jaringan (TKJ) Di SMK
Negeri 3 Malang. Penelitian yang dikembangkan klasifikasi hasil belajar siswa di Jurusan Teknik
Komputer Dan Jaringan (TKJ) Di SMK Negeri 3 Malang yang dikelaskan menjadi 3 kategori yaitu
Sangat Baik , Baik, dan Cukup. Data siswa yang digunakan dalam penelitian ini diambil dari data siswa
SMK Negeri 3 Malang. Data yang didapatkan berjumlah 63 data siswa Atribut dipakai pada penelitian
ini berjumlah 10 dan 1 atribut untuk keluaran dari klasifikasi.Hasil pengujian akurasi dari pengujian data
training menggunakan klasifikasi Naïve Bayes dengan perbedaan pada data training menunjukan hasil
akurasi yang tetap yakni 70%. Pada pengujian dengan perbedaan pada data testing menunjukan akurasi
dengan angka 80% dan 70 % dengan rata-rata akurasi 75%. Pada sistem yang juga diterapkan klasifikasi
Naïve Bayes mendapat akurasi 90% dikarenakan menggunakan seluruh dataset untuk data training.
Kata kunci: data mining, naïve bayes, klasifikasi, prediksi, sekolah menengah kejuruan, Teknik komputer dan
jaringan, akurasi

Abstract
This research is based on the results of observations and interviews with teachers, the limitations of the
teacher in recognizing and analyzing factors that can influence student achievement and student
achievement. Based on these conditions, this study aims to use the Naïve Bayes algorithm to classify the
performance of students from the Department of Computer and Network Engineering at Vocational
High School 3 Malang, and to assess the accuracy of Naïve Bayes algorithm at the Classification of
student performance in the Department of Computer and Network Engineering at SMK Negeri 3
Malang. Research developed based on preliminary research is the classification of performance of
students from the Department of Computer and Network Engineering at the vocational school 3 Malang,
which is divided into three categories, Very Good, Good and Enough. The student data used in this study
are from SMK Negeri 3 Malang students. The data obtained was 63 student attributes used in this study
and 10 and 1 attribute for output from the classification. The results of the accuracy test of the training
data test using the Naïve Bayes classification with differences in the training data showed the results of
a fixed accuracy of 70%. For tests with differences in test data, an accuracy of 80% and 70% is displayed
with an average accuracy of 75%. On a system that is also applied, the naive bayes classification gets
90% accuracy because all records are used for the training data.
Keywords: data mining, naïve bayes, classification, prediction, vocational school, computer and network
engineering, accuracy

1. PENDAHULUAN atau latihan dan memelihara. Kedua arti tersebut

Pendidikan merupakan hal yang penting hanya mampu didapat jika memiliki tuntunan,
dalam hidup. Menurut (Syah, 2008) Didik ajaran dan pemimpin dalam hal kecerdasan
merupakan kata dasar dari Pendidikan yang berfikir. Menurut (Suryosubroto, 1990) bahwa
memiliki pemahaman memberikan pengalaman Tingkatan Pendidikan adalah tahapan dalam

Fakultas Ilmu Komputer

Universitas Brawijaya 7475
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
menempuh sebuah pendidikan yang
berkesinambungan yang telah ditetapkan
tingkatan dalam tingkat kesulitan materi
pengajarannya sesuai dengan tingkatan para
peserta didik. Tingkatan pendidikan di Indonesia
secara berurutan dimulai dari sekolah dasar,
sekolah menengah pertama, sekolah menengah
atas atau sekolah menengah kejuruan, dan
Pendidikan dalam perguruan tinggi.
Berdasarkan perolehan observasi serta
wawancara guru di SMK Negeri 3 Malang
bahwa hasil beljar jurusan TKJ memiliki
perbedaan untuk setiap peserta didiknya.
Ketidaksamaan itu bisa terjadi disebabkn
pengaruh banyak faktor di sekitar siswa tersebut
terutama faktor keluarga misalnya pekerjaan
orang tua peserta didik, tingkat pendidikan orang
tua siswa, , penghasilan orang tua peserta didik
dan faktor lain yang ada pada diri peserta didik.
Selagi itu ada keterbatasan guru ketika melihat
dan menganalisis faktor tersebut yang bisa
memberi pengaruh hasil belajar peserta didik
dan tingkat keberhasilan peserta didik. Maka
dari kondisi tersebut dilakukan penelitian untuk
mengklasifikasikan hasil belajar peserta didik
untuk melihat keberhasilan peserta didik selama
bersekolah berdasarkan faktor yang dapat
berpengaruh pada peserta didik tersebut.
Ada berbagai macam cara untuk dapat
mengetahui bahwa peserta didik tersebut akan
mengalami kegagalan atau tidak salah satunya
menggunakan klasifikasi. Klasifikasi ialah
metode dalam data mining. Algoritme data
mining yang akan digunakan penelitian ini salah
satunya Naïve Bayes. Algoritme Naïve Bayes
berguna untuk mengklasifikasikan hasil belajar
peserta didik berdasarkan probabilitas yang
dihasilkan, sehingga sekolah bisa memutuskan
sikap yang benar untuk peserta didik tersebut.
Berdasarkan hal yang dijabarkan maka
penelitian ini diberi judul “KLASIFIKASI
HASIL BELAJAR PESERTA DIDIK PADA
JURUSAN TEKNIK KOMPUTER DAN
JARINGAN (TKJ) DI SMK Negeri 3
MALANG MENGGUNAKAN ALGORITME
NAÏVE BAYES” dengan harapan dapat
membantu permasalahan yang ada pada sekolah.
2. DASAR TEORI
2.1. Pendidikan
Berdasarkan H. Fuad Ihsan (Ihsan,
2010) bahwa pada pemahaman yang sederhana
dan umum makna dari Pendidikan itu sendiri
adalah sebagai cara manusia untuk
Fakultas Ilmu Komputer, Universitas Brawijaya
7476
menumbuhkan dan mengembangkan
kemampuan-kemampuan yang ada dalam diri
mulai dari jasmani maupun rohani yang tidak
berlawanan dengan kebudayaan masyarakat.
Pendidikan juga merupakan usaha untuk
menanamkan nilai-nilai, norma-norma, dan
kebudayaan yang ada sebagai cara untuk
mewariskan kepada generasi yang akan datang
untuk dapat dikembangkan dalam hidup sebagai
usaha manusia dalam melestarikan
kehidupannya. Sementara itu, John Dewey
dalam Hasbullah (Hasbullah, 2005)
menerangkan Pendidikan merupakan proses
pembentukan kemampuan-kemampuan dasar
dalam berpikir secara intelektual dan emosional
kepada sesama manusia dan alam.
2.2. Hasil Belajar
Menurut Dimyati (Dimyati & Mudjiono,
2006), Memaparkan yang dimaksudkan dengan
hasil belajar melambangkan suatu cara untuk
dapat meninjau sudah sejauh mana peserta didik
dapat memahami dan menguasai suatu
pembelajaran sesudah mengikuti kegiatan
belajar mengajar yang dilambangkan atau
ditandai biasanya dalam bentuk huruf, angka,
yang sudah disepakati oleh penyelenggara
pendidikan.
2.3. Faktor Internal
Faktor internal juga termasuk
kecerdasan kognitif peserta didik, minat,
perhatian, motivasi belajar peserta didik dan
kesehatan (Susanto, 2013).
2.4. Faktor Eksternal
Faktor eksternal ialah berbagai faktor yang
bersumber dari luar diri peserta didik yang bisa
memberi dampak entah itu baik atau buruk
dalam hasil belajar. Faktor tersebut bisa datang
dari kondisi keluarga, sekolah, dan juga
masyarakat yang berada dalam lingkar
kehidupan peserta didik (Susanto, 2013).
Dibawah ini memaparkan faktor eksternal
yang bisa memberi pengaruh hasil belajar
peserta didik.
a. Jenis kelamin
Jenis kelamin ialah faktor yang
berpengaruh di pikiran peserta didik. Pola
pikir untuk setiap individu berbeda ini yang
menyebabkan jenis kelamin juga
mempengaruhi.
b. Umur
Umur ialah juga dapat mempengaruhi pola
pikir usia maka pikiran juga semakin
dewasa.
c. Pendidikan Orangtua
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7477

Pendidikan orang tua juga mempengaruhi independent atau tidak saling bergantung satu
bagaimana pola pikir peserta didik tersebut. sama lain. Algoritme ini didefinisikan juga
Pedidikan orang tua menentukan sebagai metode probabilitas dan statistic dalam
bagaimana peserta didik tersebut di didik pengklasifikasian yaitu dapat memprediksi
dan di besarkan. peluang yang akan didapat pada masa depan
d. Faktor ekonomi berdasarkan data yang ada di masa sebelumnya
Faktor ekonomi juga mempengaruhi (Saleh,2015)
bagaimana peserta didik itu dapat Persamaan dari teorema Bayes bisa dilihat pada
berkembang. Peserta didik dengan ekonomi Persamaan 2.1 :
menengah kebawah pasti akan kesulitan 𝑝(𝐵 |𝐴) × 𝑝(𝐴)
untuk membeli buku yang lebih bagus di 𝑃(𝐴|𝐵) = (2.1)
𝑝(𝐴)
bandingkan dengan peserta didik yang Alur metode Naive Bayes dapat digambarkan
memiliki ekonomi yang tinggi. pada Gambar 1 berikut :
e. Nilai
Nilai sangat berpengaruh di hasil belajar
akhir peserta didik. semua nilai yang
peserta didik capai akan menentukan
berhasil atau tidaknya peserta didik dalam
memahami pelajaran.
2.5. Data Mining
Pengertian data mining berdasarkan
buku “Decision Support Systems and Intelligent
Systems” data mining adalah sebuah sebutan
yang dipakai untuk menganalisis suatu
penemuan informasi atau pengetahuan di dalam
suatu basis data.
2.6. Klasifikasi
Klasifikasi ialah pemetaan data ke dalam
kelompok kelas. Jadi dari data yang tersedia di
kelompokan menjadi kelas-kelas yang sesuai.
Pada prosesnya pengklasifikasian memiliki
dua proses yang harus dikerjakan, yaitu
(Nugroho & Subanar, 2013):
1. Proses Training
Menggunakan dataset yang sudah diketahui
atribut-atribut yang ada untuk membangun
suatu model klasifikasi berdasarkan pada
dataset yang ada.
2. Proses Testing Gambar 1 Alur Metode Naive Bayes
pengujian pada model yang sudah Adapun penjelasan dari Gambar 1 alur
diproduksi untuk menganalisa tingkat metode Naive Bayes adalah sebagai berikut
akurasi model. Data testing dibuat (Saleh, 2015):
diklasifikasikan datanya. 1. Membaca data training yang ada.
Jadi, Klasifikasi merupakan 2. Menghitung nilai mean bisa dilihat pada
penempatan objek-objek yang belum di Persamaan 2.4 :
kategorikan sebelumnya untuk di kategorikan. 𝑥1 + 𝑥2 + ⋯ 𝑥𝑛
Sehingga data tersebut dapat terkategori dan 𝜇= (2.2)
𝑛
bisa dipakai berdasarkan klasifikasinya. Keterangan :
2.7. Algoritme Naïve bayes µ : mean
Naïve bayes adalah suatu algoritme 𝑥𝑛 : sampel ke -n
klasifikasian sederhana yang memperhitungkan n : sample
sekelompok keungkinan dengan cara Untuk menghitung standar deviasi
menambahkan frekuensi data dan kombinasi dapat amati pada Persamaan 2.3:
nilai pada dataset. Algoritme ini ∑𝑛
𝑥 (𝑥𝑖 −𝜇)
2
mengansumsikan semua dari atribut adalah 𝜎= √ 𝑖
𝑛−1

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7478

(2.3)
Keterangan:
σ : standar deviasi
xi : nilai x ke- I
µ : rerata
n : jumlah sampel
Mencari nilai probabilitas dengan
menghitung jumlah data yang termasuk
kategori yang diinginkan kemudian dibagi
dengan jumlah data yang ada dalam
kategori tersebut dengan menggunakan Gambar 2 WEKA Interface
Persamaan Densitas Gauss pada Persamaan
2.4.
2
(𝑥𝑖−𝜇𝑖𝑗 )
1 −
𝑃 = (𝑋𝑖 = 𝑥𝑖 |𝑌𝑗 = 𝑦𝑗 ) = 𝑒 2𝜎 2
√2𝜋𝜎
Keterangan:
P : Probabilitas
Xi : Atribut i
xi : Nilai atribut i
Yj : Kelas yang sedang dicari
yj : bagian kelas Y yang sedang dicari 3. METODOLOGI PENELITIAN
µ : Mean
Mulai
σ : Deviasi standar, menyatakan varian
dari seluruh atribut
Identifikasi Masalah
3. Menhasilkan nilai perhitungan sebelumnya
4. Menghasilkan jawaban yang menjawab
Studi literatur
permasalahan.
2.8. Evaluasi Naïve bayes Pengumpulan data
Aspek yang menjadi tolak ukur dari
suatu algoritme klasifikasi adalah akurasi. Suatu
sistem ketika melakukan klasifikasi dapat Perancangan
mengklasifikasi semua data dengan benar,
tetapi kinerja suatu sistem tidak mungkin 100% Evaluasi dan Hasil Analisis
akurat. Pada algoritme Naïve bayes. Untuk
menghitung akurasi pada algoritme Naïve bayes
bisa menggunakan Persamaan 2.5 (Eko Penarikan Kesimpulan
Prasetyo, 2012).
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑏𝑒𝑛𝑎𝑟
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% (2.5) Selesai
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎

2.9. WEKA Gambar 3 Alur Penelitian

WEKA ialah perangkat lunak yang
menyajikan service untuk melaksanakan
pengolahan data dalam data mining. Perangkat
lunak ini berbasis open source dan diproduksi
dengan Java.
Berdasarkan Gambar 3 Diagram Alir
Penelitian, dimulai dengan identifikasi
permasalahan, selanjutnya dari permasalahan
yang ada peneliti mempelajari studi literatur
yang relevan dari permasalahan. Dari
menentukan permasalahan dan studi literatur
yang berhubungan dilanjut pengumpulan data
dan pengolahan data. Dari data tersebut akan
dianalisis dan terakhir dibuatkan kesimpulan
yang menjawab permasalahan yang diambil.
Pada tahap awal peneliti melakukan
merumuskan masalah yang akan di teliti
berdasarkan pada keadaan lapangan yang

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7479

sebenarnya. Permasalahan berkaitan dengan dilaksanakan analisis berdasarkan hasil

metode yang akan di terapkan pada masalah klasifikasi hasil belajar peserta didik apakah
tersebut. Permasalahan didapat dari hasil termasuk kategori Sangat Baik, Baik, ataukah
observasi dan wawancara. Setelah masalah Cukup Seperti yang telah dijelaskan.
sudah ditentukan, selanjutnya peneliti Berikutnya dilakukan penarikan kesimpulan
melakukan studi literatur. Agar dari berdasarkan evaluasi dan juga analisa dari hasil
permasalahan yang sudah ditentukan dapat berdasarkan pengujian sistem. menampilkan
diketahui mengenai teori yang bersangkutan atau akurasi dalam sistem dengan penerapan
penelitian sebelumnya yang sudah ada. Algoritme Naïve Bayes.
Berikutnya peneliti melakukan studi
literatur untuk mempelajari literatur yang akan 4. PERANCANGAN
dipakai dalam penelitian ini sebagai tinjauan 4.1. Analisa Kebutuhan
pustaka dalam penelitian yang akan di lakukan Analisa kebutuhan merujuk kepada paparan
untuk menyelesaikan masalah dan umum dalam sebuah sistem. dimulai oleh
merealisasikan tujuan yang sudah di cantumkan. mngidentifikasi aktor yang akan menggunakan
Berikut Dataset peserta didik di SMK berisi juga daftar-daftar kebutuhan yang aktor
Negeri 3 Malang jurusan TKJ disimpulkan akan gunakan.
menjadi 11 atribut yang akan digunakan yaitu Pada bagian ini menjelaskan aktor yang
sex (jenis kelamin), TL (tahun lahir), Fedu akan menggunakan sistem. Pada Tabel 1
(pendidikan ayah) , Fjob (pekerjaan ayah) , Fsal menunjukan daftar aktor dan deskripsi dari
(Gaji Ayah), Medu (Pendidikan Ibu), Mjob aktor.
(pekerjaan ibu), Msal (Gaji ibu) , G1 (nilai tahun Tabel 1 Identifikasi Aktor
pertama), G2 (nilai tahun kedua), dan G3 Aktor Deskripsi Aktor Keterangan
(sebagai output) Sedangkan untuk kelas atau User User seorang aktor yang Orang yang
mengunakan sistem terkait dengan
output-nya,yaitu: secara keseluruhan Pendidikan
A. Sangat Baik (SB). peserta didik
B. Baik (B).
C. Cukup (C). Didapat daftar fungsi dari sistem dapat
digunakan seluruh data yang berjumlah 63 data dilihat pada Tabel 2.
untuk di terapkan pada program. Tabel 2 Kebutuhan Fungsional Sistem
Pada perancangan membahas perancangan ID
Kebutuhan
Aktor
Nama
sistem, implementasi system dan pengujian Fungsional Aliran Data
system yang di gunakan. perancangan sistem SNB_001 Sistem admin Input data
menyediakan
merupakan proses perencanaan dalam input data
pengerjaan sistem klasifikasi hasil belajar SNB_002 Sistem admin Detail data
peserta didik SMK. Perencanaan yang dilakukan menyediakan
pada sistem terdiri dari 3 tahapan, yaitu proses antarmuka
detail data
analisa kebutuhan sistem, merancang Algoritme
SNB_003 Sistem Admin Perhitungan
serta merancang sistem. Pada tahap menyediakan
implementasi sistem merupakan tahapan dalam antarmuka
pembuatan sistem klasifikasi hasil belajar untuk
peserta didik menggunakan Algoritme Naïve melakukan
perhitungan
Bayes mengacu dalam perancangan yang sudah naïve bayes
dibuat. Dalam implementasinya memakai SNB_004 Sistem Admin Hasil
bahasa pemrograman PHP dengan framework menyediakan Perhitungan
web CI (Code Igniter) dan library Weka. Tahap antarmuka
ini akan dilakukan pengujian sistem klasifikasi untuk melihat
hasil
hasil belajar peserta didik dengan Algoritme perhitungan
Naïve Bayes yang sudah dibuat. dilakukan naïve bayes
Pengujian untuk melihat tingkat akurasi SNB_005 Sistem Admin Login
berdasarkan penerapan metode kemudian menyediakan
dibandingkan dengan dengan data peserta didik antarmuka
untuk login
yang sudah lulus.
Tahap evaluasi berdasarkan hasil pengujian
berikut perancangan algoritme akan
sistem yang sudah dicoba. Pada evaluasi

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7480

dijabarkan tentang klasifikasi algoritme Naïve P(Mjob = Tidak Bekerja|A=Sangat Baik)

Bayes. Perhitungan manual memaparkan tentang = 12/13 =0,92
proses Klasifikasi Algoritme Naïve Bayes terdiri P(Mjob = Tidak Bekerja|A=Baik)
dari 3 kategori, yaitu Sangat Baik, Baik ,dan = 3/6 =0,5
cukup. Dalam perhitungan manual ini P(Mjob = Tidak Bekerja|A=Cukup) = 1/2
menggunakan 11 atribut yang terdiri dari 10 =0,5
atribut dan 1 kolom untuk kelas klasifikasi. P(Msal = tidak berpenghasilan|A= Sangat Baik)
Tabel 3 Data Testing = 12/13 =0,92
J T G G G
P(Msal = tidak berpenghasilan|A= Baik)
Fedu Fjob Fsal Medu Mjob Msal
K L 1 2 3
Tidak = 3/6 = 0,5
Satu Sekola Tidak
2
Sekolah Karya juta h memili
memi P(Msal = tidak berpenghasilan|A= Cukup)
0 liki 8 8
P
0
Menengahwan sampai Menen ki
peng 0 4
? = 1/2 = 0,5
Atas swasta dua juta gah pekerja Perhitungan data Numerik (kontinu):
1 hasila
rupiah Atas an
n Rata-rata G1:
Sangat baik = 82,66
Tahapan dalam Perhitungan manual Naïve Baik= 79,48
bayes ialah: Cukup = 79,91
1. Menghitung Jumlah Class. Standart Deviasi G1:
Diskrit: Sangat baik = 1,22807
Baik = 1,97878
P(A=Sangat Baik) = 13/21 =0,61
Cukup = 0,91580
P(A=Baik) = 6/21 =0,28 Rata-rata G2:
P(A=Cukup) = 2/21 =0,09 Sangat baik = 84,38
2. Menghitung Data testing dengan class yang Baik = 81,70
sama. Cukup = 77,84
P(JK = P|A=Sangat Baik)=9/13=0,69 Standart Deviasi G2:
P(JK = P|A=Baik)=1/6=0,16 Sangat baik = 1,61834
P(JK = P|A=Cukup) =0/2=0 Baik = 1,116533
Cukup = 4,102552
P(TL=2001|A=Sangat Baik) =11/13=0,84
P(TL = 2001|A= Baik)=2/6=0,33 (80−82,66)2
1 −
P(TL = 2001|A= Cukup)=0/2=0 P(G1=80|A=Sangat Baik) = 𝑒 2(1,23)2
√2𝜋 1,23
=0,035
P(Fedu=SMA|A=Sangat Baik)=3/13=0,23 (80−79,48)2
1 −
P(Fedu = SMA|A= Baik)=5/6=0,83 P(G1 = 80|A=Baik)= 𝑒 2(1,98)2
√2𝜋 1,98
P(Fedu = SMA|A= Cukup)=1/2=0,5
=0,274
(80−79,91)2
P(Fjob = Karyawan Swasta|A= Sangat Baik) 1 −
P(G1 = 80|A=Cukup)= 𝑒 2(0,92)2
=6/13=0,43 √2𝜋 0,92
P(Fjob= Karyawan Swasta|A= Baik) =0,414
(84−84,38)2
=3/6=0,5 1 −
P(G2=84|A=Sangat Baik)= 𝑒 2(1,62)2
P(Fjob=Karyawan Swasta|A=Cukup) √2𝜋 1,62
=1/2=0,5 =0,305
(84−81,70)2
1 −
P(G2 = 84|A=Baik)= 𝑒 2(1,12)2
P(Fsal=Rp.1,000,000-Rp.1,999,999|A=Sangat √2𝜋 1,12
Baik)=1/13 =0,076 =0,046
(84−77,84)2
P(Fsal =Rp. 1,000,000 - Rp. 1,999,999|A=Baik) 1 −
2(4,1)2
= 4/6=0,66 P(G2 = 84|A=Cukup)= 𝑒
√2𝜋 4,1
P(Fsal =Rp.1,000,000- Rp.1,999,999|A=Cukup) =0,064
= 1/2 =0,5
P(Medu = SMA|A=Sangat Baik)= 5/13 = 0,38 Mengkalikan semua variable pada setiap
P(Medu = SMA|A=Baik) = 1/6 = klasifikasi.
0,16 P(X|A=Sangat Baik) =0,61 × 0,69 × 0,84 ×
P(Medu = SMA|A=Cukup) = 2/2 = 0,23 × 0,43 × 0,076 × 0,38 × 0,92 × 0,92 ×
1 0,035 × 0,305

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7481

=9,12 × 10−6 nampak nilai kmungkinan tertinggi ada dalam

P(X|A=Baik)=0,28 × 0,16 × 0,33 × 0,83 × 0,5 × kelas P(A=Sangat Baik) dengan nilai 9,12 ×
0,66 × 0,16 × 0,5 × 0,5 × 0,274 × 0,046 10−6 sehingga dapat di simpulkan bahwa G3
=2,04 × 10−6 dari data testing pada Gambar 4.2 dikatagorikan
P(X|A=Cukup)= 0,09 × 0 × 0 × 0,5 × 0,5 × 0,5 × “Sangat Baik”.
1 × 0,5 × 0,5 × 0,414 × 0,064
=0
Membandingkan hasil dari setiap atribut 5. IMPLEMENTASI
klasifikasi Dari hasil perhitungan manual
5.1. Implementasi Proses Klasifikasi Hasil 6.1. Pengujian Perubahan Data Training
belajar Peserta didik Dengan Algoritme
Naïve bayes
Pada dalam melakukan klasifikasi hasil
belajar peserta didik sistem akan melakukan
pengecekan terhadap rule dalam sistem.
Kemudian akan dilakukan pengkategorian
berdasarkan data peserta didik. Berikut ini pada
Tabel 4 contoh source code fungsi perhitungan
merupakan source code fungsi perhitungan
dengan algoritma Naïve Bayes yang berada pada
stored procedure database sistem.

Tabel 4 source code fungsi perhitungan

1 SET SEX_SEMENTARA_B = (SELECT
Gambar 5 Hasil Data Training
DISTINCT ((SELECT COUNT(SEX) FROM
dataset WHERE SEX = ‘P’ AND G3 =’B’) / B)
FROM dataset);
Grafik Hasil Pengujian 20
Implementasi juga di lakukan pada
bagian antarmuka sistem yang bisa di lihat pada data training
Gambar 4 sebagai contoh antar muka 10
perhitungan.
5

0
Sangat Baik Baik Cukup

Grafik Hasil Pengujian 1

Gambar 5 Grafik Hasil Pengujian 20 Data Training

Hasil pengujian data perbedaan pada

Gambar 4 antar muka perhitungan.
6. Pengujian dan analisis
data training yakni data training 20, data
training 30, dan data training 40 untuk data
Sekolah Menengah Kejuruan Negeri 3 Jurusan
TKJ memiliki tingkat akurasi yang tetap yakni
70% karena sebaran data yang kurang pada
dataset dari sekolah.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
6.2. Pengujian Perubahan Data Testing
Gambar 6 Hasil Data Testing
Grafik Hasil Pengujian data
testing 1
10
5 angka 80% dan 75%. Pada sistem yang juga
0 akurasi 90% di karenakan menggunakan
Sangat Baik Baik Cukup
Grafik Hasil Pengujian data testing 1
Gambar 7 Hasil Pengujian 10 data testing
Hasil pengujian data perbedaan pada
data Testing 10 dan 20 data dengan data training
yang tetap yakni 40 dataset dari data Sekolah
Menengah Kejuruan Negeri 3 Jurusan TKJ
memiliki tingkat akurasi yang yakni 80% dan
75%. Membuktikan bahwa tingkat akurasi untuk
data ini tergolong tinggi dan klasifikasi naïve
bayes dapat diterapkan untuk data tersebut.
6.3. Pengujian Pada sistem
Grafik Hasil Pengujian sistem
8 administrasi dan supervisi pendidikan di
6 sekolah : Tinjauan secara micro tentang
4 administrasi pendidikan / disusun oleh B .
2
0 Susanto Ahmad, 2013. Teori Belajar dan
Sangat Baik Baik Cukup
Grafik Hasil Pengujian sistem
Gambar 8 Hasil Pengujian Sistem
Pengujian dengan sistem pada 10 data
testing yang sudah diambil menghasilkan nilai
akurasi 90%. Pengujian algoritme naïve bayes
yang sudah di tanamkan pada sistem.
7. Kesimpulan
Berdasar perolehan tahap sebelumnya dapat
ditarik sebuah kesimpulan:
Fakultas Ilmu Komputer, Universitas Brawijaya
7482
1. Implementasi algoritme Naïve Bayes untuk
klasifikasi hasil belajar peserta didik diawali
dengan analisis data lalu dilakukan
penelitian, mendapatkan dataset yang
dibutuhkan selanjutnya dilaksanakan prodksi
sebuah sistem dengan mengmplementasikan
algoritma Naïve Bayes dalam sistem tersebut.
Setelah itu melaksanakan pengujian pada
beberpa data testing untuk memperoleh niali
akurasi hasil klasifikasi yang dilaksanakan
oleh aplikasi bantuan weka dan sistem.
2. Berdasarkan pengujian data training
menggunakan klasifikasi Naïve Bayes
dengan perbedaan pada data training
menunjukkan hasil akurasi yang tetap yakni
70%. Pada pengujian dengan perbedaan pada
data testing menunjukan akurasi dengan
diterapkan klasifikasi Naïve Bayes mendapat
seluruh dataset untuk data training. Hasil
pengujian dan analisis terlihat bahwa dataset
yang banyak dan sebaran data yang luas dapat
mempengaruhi akurasi pada klasifikasi Naïve
Bayes. Klasifikasi Naïve Bayes dengan
tingkat akurasi yang tidak terlalu buruk
tersebut dapat dijadikan rekomendasi dalam
memprediksi hasil belajar peserta didik.
8. Daftar Pustaka
Dimyati and Mudjiono, 2006. Belajar dan
pembelajaran. Jakarta: Rineka Cipta.
Hasbullah, 2005. Dasar-dasar Ilmu Pendidikan.
Jakarta: RajaGrafindo Persada.
Ihsan, F., 2010. Dasar-dasar Kependidikan.
Jakarta: Rineka Cipta.
Suryosubroto, B., 1990. Sistem pengajaran
dengan modul / B . Suryosubroto Pengantar
Suryosubroto Proses belajar mengajar di
sekolah : wawasan baru , bebera. pp.1–2.
Pembelajaran di Sekolah Dasar. Pendidikan.
Jakarta: Kencana prenada media group.
Syah, M., 2008. Psikologi Pendidikan dengan
Pendekatan Baru. Bandung: Bandung Remaja
Rosdakarya.