1, Maret 2019
ABSTRAK
Hasil prestasi akademik yang bagus akan membuat santri menjadi lebih termotivasi, sehingga dalam
berjalannya proses belajar mengajar ilmu agama kepada santri bisa memenuhi target masing-masing guru, dan
setiap santri yang diajar bisa menerima ilmu agama dengan maksimal. Para dewan guru di Pondok Pesantren
Mahasiswa (PPM) Baitul Jannah semuanya masih menggunakan catatan dibuku dan sedikit bantuan teknologi
yaitu Microsoft Ecxel untuk mencatat dan meyimpan data nilai maupun prestasi akademik para santri, sehingga
dirasa kurang maksimal dan beresiko terjadinya human error untuk bisa mengetahui dan menentukan prestasi
akademik santri yang naik dan menurun, sehingga para dewan guru sering kurang teliti dalam mengetahui para
santrinya yang butuh bimbingan lebih dalam urusan keilmuan dan materi pembelajaran. Karna itu dibutuhkan
suatu sistem baru yang lebih cepat dan efisien untuk bisa mengetahui prestasi akademik santri di PPM Baitul
jannah.
Pada proses penelitian ini, maka dibuatlah sebuah sistem untuk mengklasifikasi tingkat prestasi akademik
santri untuk memudahkan para dewan guru/ustadz dalam proses penetuan prestasi akademik santri dengan
menggunakan metode Naive Bayes Classifier (NBC). Kriteria yang digunakan pada sistem ini adalah nilai
materi pokok, nilai pemahaman konsep dan praktikum, nilai sikap dan perilaku, nilai lima sukses santri, nilai
kegian ekstrakurikuler, absensi dan keaktifan dan nilai prestasi kuliah. Aplikasi pada penelitian ini
diimplementasikan dan dirancang dengan menggunakan bahasa pemograman PHP (Hypertext Preprocessor),
dan Database menggunakan MySQL.
Dari hasil pengujian aplikasi yang telah dibuat dengan metode Naive Bayes Classifier untuk memprediksi
predikat prestasi akademik Santri, mampu menghasilkan akurasi dengan nilai 76%. Pengujian algoritma ini
dilakukan menggunakan perhitungan probabilitas yaitu membandingkan predikat pada data lama dengan
predikat hasil prediksi. Selain itu juga dilakukan pengujian aplikasi dengan menggunakan 3 browser yang
berbeda, semua tampilan dan fungsi aplikasi dapat berjalan 100% pada 3 browser yaitu, Mozilla v.49.02,
Chrome v.20.0.1132.17, dan Internet Explorer Windows 10. Dengan adanya aplikasi ini diharapkan para guru
dapat melakukan evaluasi terhadap prestasi akademik santri dengan cepat dan akurat.
Kata kunci : Prestasi Akademik, Santri, Pondok Pesantren, Naive Bayes Classifier, MySQL.
327
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 3 No. 1, Maret 2019
Neural networks, Analisa Statistik, Algoritma dalam membayar. Metode naïve bayes adalah salah
Genetika, Rough sets, k-nearest neighbor, Metode satu algoritma dalam teknik klasifikasi yang menurut
Rule Based, Memory based reasoning, dan Support Bustami mudah untuk diimplementasikan dan cepat
vector machines (SVM). prosesnya. Dengan hasil perhitungan metode tersebut
Dalam Penelitian kali ini menggunakan metode Bustami mengklasifikasikan data nasabah asuransi
Naive Bayes Classifier . karena metode tersebut yang lancar dan tidak lancar [1]. Kemajuan teknologi
hanya memerlukan sejumlah kecil data pelatihan di segala bidang meningkat dengan begitu cepat.
untuk mengestimasi parameter yang dibutuhkan Kemajuan ini membawa konsekuensi peningkatan
untuk klasifikasi. kebutuhan akan daya listrik. Sehingga pada tahun
2015 Alfa Saleh melakukan penelitian untuk
1.2 Rumusan Masalah memprediksi besarnya penggunaan lisrik dalam
Sehubungan dengan latar belakang yang rumah tangga. Menganalisis masalah, mengumpulkan
diuraikan sebelumnya, maka penulis merumuskan data, implementasi dan pengujian merupakan tahapan
beberapa masalah sebagai berikut : penelitian yang dilakukan Alfa. Metode naïve bayes
1. Bagimana mengembangkan sistem klasifikasi memanfaatkan data training untuk menghasilkan
untuk memprediksi tingkat prestasi akademik probabilitas setiap kriteria untuk class yang berbeda,
dengan menggunakan metode Naïve Bayes sehingga nilai-nilai probabilitas dari kriteria tersebut
Classifier pada Pondok Pesantren Mahasiswa dapat dioptimalkan untuk memprediksi penggunaan
Baitul Jannah Malang. listrik dalam rumah tangga [2]. Pada tahun yang sama
Alfa Saleh juga melakukan penelitian data mining
1.3 Batasan Masalah untuk memprediksi kelulusan mahasiswa dalam
Batasan masalah dari pembuatan aplikasi mengikuti English Proficiency Test. Penelitian ini
dengan menggunakan metode Naïve Bayes Classifier dilakukan Alfa untuk membantu mingkatkan
untuk memprediksi predikat prestasi akademik santri presentase tingkat kelulusan mahasiswa dalam
PPM Baitul Jannah adalah sebagai berikut : mengikuti test. Keuntungan Penggunaan metode
1. Data yang digunakan adalah santri Pondok Naïve Bayes hanya membutuhkan jumlah data
Pesantren Mahasiswa Baitul Jannah Malang. pelatihan (Training Data) yang kecil. Dari penelitian
2. Kriteria yang digunakan terdiri dari nilai materi tersebut terlihat dari 50 data yang telah di klasifikasi,
pokok, nilai pemahaman konsep dan praktikum, sebanyak 49 data berhasil diklasifikasikan dengan
nilai sikap dan perilaku, nilai lima sukses santri, benar dan sebanyak 1 tidak berhasil diklasifikasikan
nilai ekstra kurikuler, absensi, dan nilai prestasi dengan benar [3]. Penelitian yang di tulis oleh
kuliah (ipk). Harwati 2016 yaitu tentang prediksi mahasiswa
3. Metode yang digunakan adalah metode NBC bertujuan meningkatkan atau mempertahankan
(Naïve Bayes Classifier), digunakan untuk kinerja siswa selama masa studi. Penelitian dilakukan
memprediksi predikat prestasi akademik santri. dengan menggunakan media software Rapid Miner
4. Bahasa yang digunakan untuk membangun sistem yang dikombinasikan dengan metode Naïve Bayes
adalah bahasa pemrograman Php dan database Classifier. Tingkat akurasi yang terbentuk adalah
yang digunakan adalah MySQL. sebesar 51.69% artinya model yang terbentuk kurang
representatif, hal ini disebabkan penggunaan seluruh
1.4 Tujuan atribut tanpa dilakukan uji independensi pada proses
Adapun yang menjadi tujuan penulisan dalam perhitungan dan data yang didapatkan terlalu kecil
penyusunan penelitian skripsi adalah : sehingga menghasilkan tingkat akurasi yang kecil [4].
1. Untuk membantu para guru agar dapat Upaya untuk memprediksi prestasi siswa juga
menganalisa dan mengklasifikasi prestasi dilakukan oleh Fathur Rahman 2016 di dalam
akademik santri. penelitiannya. Penelitian ini dilakukan Fathur
2. Dengan aplikasi ini diharapkan dapat dengan Rahman karena manurutnya sulit untuk menentukan
mudah mengevaluasi prestasi santri, sehingga bisa factor atau variable yang mempengaruhi hasil belajar
segera dilakukan langkah-langkah untuk siswa. Penelitian ini dilakukan dengan menggunakan
membimbing santri yang prestasinya sedang software data mining Rapid Miner. Percobaan
menurun. dilakukan menggunakan metode klasifikasi Naïve
3. Agar dapat dihasilkan dokumen atau laporan yang Bayes. Dari penelitian yang dihasilkan, tingkat
lebih cepat dan akurat. akurasi prediksi hanya sebesar 5,79 % [5]. Tingkat
kelulusan seroarang pelajar dalam menempuh
2. TINJAUAN PUSTAKA pendidikan dapat dilihat dari tingkat prestasinya.
2.1 Penelitian Terkait Prestasi dapat dicapai dengan mengandalkan
Sorang peneliti bernama Bustami pada tahun kemampuan intelektual, emosional, dan spiritual,
2013 melakukan penelitian dengan menerapkan serta ketahanan diri dalam menghadapi situasi segala
metode naïve bayes untuk mengklasifikasi data aspek kehidupan. Dalam kasus ini akan diterapkan
nasabah asuransi. Penelitian yang dilakukan Bustami pada PPM Baitul Jannah di Malang untuk
berawal dari banyaknya nasabah yang menunggak mengklasifikasi tingkat prestasi akademik santrinya.
328
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 3 No. 1, Maret 2019
329
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 3 No. 1, Maret 2019
Sistem Klasifikasi
Predikat Prestasi
Akademik Santri PPM BJ
Login
Delete Delete
Delete
Nilai SP
Insert
Update
Delete
Nilai 5ss
Insert
Update
Delete
Nilai eks
Insert
Update
Delete
Nilai abs
Insert
Update
Delete
Nilai ip
Insert
Update
Delete
330
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 3 No. 1, Maret 2019
Keterangan :
Gambar 3.3 adalah alur menu secara Hasil perhitungan seterusnya dapat dilihat pada
keseluruhan, admin dapat melakukan proses input table 3.3. perhitungan dilakukan terhadap semua
data santri sekaligus input data kriteria dan kelas dari dataset predikat.
menampilkan hasil prediksi untuk para santri
Tabel 3.3 Class Probabilities
3.4 Perhitungan Matematis Metode NBC No. Class Probabilities Hasil
Naïve Bayes merupakan sebuah 1. P(Predikat = Sangat Baik ) 39/(39+17+7) = 0,61905
pengklasifikasian probabilistik sederhana yang 2. P(Predikat = Baik ) 17/(39+17+7 = 0,26984
menghitung sekumpulan probabilitas dengan 3. P(Predikat = Cukup ) 7/(39+17+7) = 0,11111
menggunakan teorema bayes dan mengasumsikan
semua atribut independen atau tidak saling Jika terdapat hasil perhitungan dengan nilai 0
ketergantungan yang diberikan oleh nilai pada maka dilakukan perhitungan leplace correction
variable kelas (Patil and Sherekar, 2013). Berikut dengan rumus sebagai berikut :
perhitungan metode Naïve Bayes pada studi kasus
PPM Baitul Jannah dalam mengklasifikasi predikat
prestasi nilai akademik :
a. Pembacaan Data Training c. Menghitung Conditional Probabilities
Untuk menentukan data yang akan dianalisis Langkah selanjutnya adalah menghitung
dengan metode Naïve Bayes maka langkah pertama Conditional Probabilities, yaitu probabilitas setiap
yang dilakukan adalah membaca data training. Pada nilai input terhadap nilai kelas predikat.
kasus ini ada sejumlah 63 data training. Adapun data Yang pertama adalah perhitungan untuk masing-
training yang digunakan dapat dilihat pada table 3.1. masing peluang untuk kriteria Jenis Kelamin terhadap
nilai kelas Predikat. Perhitungan detailnya adalah
Tabel 3.1 Data Training sebagai berikut :
Materi Pemaha Sikap dan Lima Kegiatan Absensi/ Prestasi
No. NIS JK Kelas Predikat
Pokok man Perilaku Sukses Ekstrakur Keaktifan Kuliah
1 201701005 P Lambatan 55 81 B B A A 2,93 Sangat Baik
2 201701047 P Lambatan 53 83 B B A A 3,34 Sangat Baik
3 201701003 P Lambatan 52 80 B B A A 2,88 Sangat Baik P(jk=laki-laki|predikat=sangat baik) = jumlah
4 201701042 P Lambatan 52 82 B B B+ A 3,23 Baik
5 201701041 P Lambatan 53 82 B B A A 3,44 Sangat Baik jk=laki-laki dan predikat=sangat baik / jumlah
6 201701040 P Lambatan 53 84 B B A A 2,87 Sangat Baik
7 201701046 P Lambatan 52 85 B B B+ B+ 3,41 Baik predikat=sangat baik
8 201701036 P Lambatan 51 87 B B A A 3,62 Sangat Baik
9 201701027 P Lambatan 53 70 C+ C+ A A 3,73 Cukup P(jk=laki-laki|predikat=sangat baik) = 8 / 39 =
10 201701029 L Lambatan 55 86 B B A A 3,58 Sangat Baik
0,20512
Dari table 3.1 terdapat 9 kriteria yang akan
Dengan perhitungan yang sama, dapat dihitung
dilakukan proses perhitungan selanjutnya. Adapun
Conditional Probabilities untuk masing-masing
data kriteria tersebut dapat dilihat bapada table 3.2.
kriteria yang lainnya. Untuk hasil perhitungan
probabilitas kriteria Jenis Kelamin dapat dilihat pada
Tabel 3.2 Kriteria Data
No. Kriteria table 3.4, untuk hasil perhitungan probabilitas kriteria
1. Jenis Kelamin Kelas dapat dilihat pada table 3.5, untuk hasil
2. Kelas perhitungan probabilitas kriteria Materi Pokok dapat
3. Materi Pokok
dilihat pada table 3.6, untuk hasil perhitungan
4. Pemahaman Konsep dan Praktikum
5. Sikap dan Perilaku probabilitas kriteria Pemahaman Konsep dan
6. Lima Sukses Santri Praktikum dapat dilihat pada table 3.7, untuk hasil
7. Kegiatan Ekstrakurikuler perhitungan probabilitas kriteria Sikap dan Perilaku
8. Absensi dan Keaktifan
dapat dilihat pada table 3.8, untuk hasil perhitungan
9. Prestasi Kuliah (IPK)
probabilitas kriteria Lima Sukses Santri dapat dilihat
pada table 3.9, untuk hasil perhitungan probabilitas
b. Menghitung Class Probabilitas
Dataset predikat memiliki 3 kelas masalah, kriteria Kegiatan Ekstrakurikuler dapat dilihat pada
sehingga dapat diketahui probabilitas (P) masing- table 3.10, untuk hasil perhitungan probabilitas
masing kelas dengan cara membagi nilai kriteria Absensi dan Keaktifan dapat dilihat pada
frekuensi/jumlah data untuk masing-masing kelas table 3.11, untuk hasil perhitungan probabilitas
masalah, dengan jumlah total nilai frekuensi/jumlah kriteria Prestasi Kuliah dapat dilihat pada table 3.12.
data pada kelas tersebut, seperti yang ditunjukkan Probabilitas kriteria jenis kelamin dapat dilihat
dalah perhitungan berikut ini : pada tabel 3.4.
P(predikat=sangat baik) = (jumlah predikat = sangat Tabel 3.4 Probabilitas Kriteria Jenis Kelamin
Jumlah Kejadian Probabilitas
baik) / (jumlah predikat=sangat baik + jumlah Predikat
L P L P
predikat=baik + jumlah predikat=cukup) Sangat Baik 8 31 0,20513 0,79487
P(predikat=sangat memuaskan) = 39/(39+17+1) Baik 7 10 0,41176 0,58824
P(predikat=sangat memuaskan) = 0,61904 Cukup 3 4 0,42857 0,57143
331
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 3 No. 1, Maret 2019
Probabilitas kriteria jenis kelamin dapat Probabilitas Prestasi Kuliah dapat dilihat
dilihat pada tabel 3.5. pada tabel 3.12.
Tabel 3.5 Probabilitas Kriteria Kelas Tabel 3.12 Probabilitas Kriteria Prestasi Kuliah (IPK)
Jumlah Kejadian Probabilitas Jumlah Kejadian Probabilitas
Predikat Predikat
Lambatan Cepatan Lambatan Cepatan >=3 <3 >=3 <3
Sangat Baik 22 17 0,5641 0,4359 Sangat Baik 34 5 0,871795 0,12821
Baik 10 7 0,58824 0,41176 Baik 15 2 0,882353 0,11765
Cukup 3 4 0,42857 0,57143
Cukup 5 2 0,714286 0,28571
Probabilitas Kriteria Materi Pokok dapat dilihat
pada tabel 3.6.
d. Pengujian Metode Naive Bayes Classifier
Dari nilai probabilitas diatas akan diuji data
Tabel 3.6 Probabilitas Kriteria Materi Pokok
sebanyak 63 data dan dihasilkan klasifikasi prediksi
Jumlah Kejadian Probabilitas
Predikat seperti pada tabel 3.13. Adapun perhitungan
>50 <=50 >50 <=50
prediksinya adalah sebagai berikut :
Sangat Baik 37 2 0,94872 0,05128
Pada data ke-1 untuk kriteria Jenis Kelamin = P,
Baik 13 4 0,76471 0,23529
Kelas = Lambatan, Materi Pokok > 50, Pemahaman
Cukup 6 1 0,85714 0,14286
Konsep dan Praktikum > 50, Sikap dan Perilaku = B,
Probabilitas Kriteria Pemahaman Konsep
Lima Sukses Santri = B, Kegiatan Ekstrakurikuler =
dan Praktikum dapat dilihat pada tabel 3.7.
A, Absensi dan Keaktifan = A dan Prestasi Kuliah <
3 bisa dihitung nilai prediksi probabilitas dari
Tabel 3.7 Probabilitas Kriteria Pemahaman Konsep
masing-masing nilai kelasnya sebagai berikut :
dan Praktikum
Jumlah Kejadian Probabilitas
Predikat P(predikat=sangatbaik|X)=(P(Jk=perempuan|predikat
>50 <=50 >50 <=50
=sangatbaik)*P(kelas=lambatan|predikat=sangatbaik)
Sangat Baik 39 0 0,95238 0,02381 *P(materipokok>50|predikat=sangatbaik)*P(pemaha
Baik 17 0 0,9 0,05 man konsep dan praktikum>50|predikat=sangat
Cukup 6 1 0,85714 0,14286 baik)*P(sikap dan perilaku=B|predikat=sangat
Probabilitas Kriteria Sikap dan Perilaku baik)*P(lima suksessantri=B|predikat=sangat
dapat dilihat pada tabel 3.8. baik)*P(kegiatan
ekstrakurikuler=A|predikat=sangatbaik)*P(absesi
Tabel 3.8 Probabilitas Kriteria Sikap dan Perilaku dankeaktifan=A|predikat=sangat baik)*P(prestasi
Jumlah Kejadian Probabilitas
Predikat
A B+ B C+ C A B+ B C+ C kuliah<3|predikat=sangatbaik))*P(predikat=sangat
Sangat Baik 0 1 36 2 0 0,02381 0,04762 0,88095 0,07143 0,02381
Baik 0 0 16 1 0 0,05 0,05 0,85 0,1 0,05
baik)
Cukup 0 0 2 4 1 0,1 0,1 0,3 0,5 0,2
Probabilitas Kriteria Lima Sukses Santri P(predikat=sangat baik|X) = (0,79487 * 0,56410 *
dapat dilihat pada tabel 3.9. 0,94871 * 0,95238 * 0,88095 * 0,92857 * 0,71428 *
0,66666 * 0,12820) * 0,61904
Tabel 3.9 Probabilitas Kriteria Lima Sukses Santri
Jumlah Kejadian Probabilitas
Predikat
A B+ B C+ C A B+ B C+ C
P(predikat=sangat baik|X) = 0,01252
Sangat Baik 0 0 38 1 0 0,02381 0,02381 0,92857 0,04762 0,02381 Dari perhitungan tersebut diperoleh nilai
Baik 0 0 16 1 0 0,05 0,05 0,85 0,1 0,05
Cukup 0 0 2 5 0 0,1 0,1 0,3 0,6 0,1 probabilitas P(predikat=sangat baik|X) adalah yang
Probabilitas Kriteria Kegiatan tertinggi yaitu dengan nilai 0,01252, sehingga
Ekstrakurikuler dapat dilihat pada tabel 3.10. prediksinya adalah Predikat Sangat Baik.
Hasil perhiutngan pengujian data training
Tabel 3.10 Probabilitas Kriteria Kegiatan dengan metode Naïve bayes dapat dilihat pada tabel
Ekstrakurikuler 3.13.
Predikat
A
Jumlah Kejadian
B+ B C+ C A B+
Probabilitas
B C+ C
Tabel 3.13 Hasil Pengujian
Input Kategorial Probabilitas
No. Class Prediction
Sangat Baik 29 5 5 0 0 0,71429 0,14286 0,14286 0,02381 0,02381 Jenis Kelas
Kelamin MP PKP SP LSS KE ABS PRES Sangat Baik Baik Cukup
Baik 5 8 4 0 0 0,3 0,45 0,25 0,05 0,05 1 Sangat Baik P Lambatan 55 81 B B A A 2,93 0,01253 0,00066 0,00005 Sangat Baik
2 Sangat Baik P Lambatan 53 83 B B A A 3,34 0,08517 0,00492 0,00012 Sangat Baik
Cukup 2 1 3 1 0 0,3 0,2 0,4 0,2 0,1
3 Sangat Baik P Lambatan 52 80 B B A A 2,88 0,01253 0,00066 0,00005 Sangat Baik
Tabel 3.11 Probabilitas Kriteria Absensi dan 10 Sangat Baik L Lambatan 55 86 B B A A 3,58 0,02198 0,00344 0,00009 Sangat Baik
Keaktifan
Predikat
Jumlah Kejadian Probabilitas Berdasarkan tabel 3.13 dapat dilihat persentase
Sangat Baik
A
27
B+ B C+
11 1 0
C A B+ B C+ C
0 0,66667 0,28571 0,04762 0,02381 0,02381
untuk Correctly Classified Instance adalah sebesar
Baik 7 8 2 0 0 0,4 0,45 0,15 0,05 0,05 76% sementara persentase untuk Incorrectly
Cukup 2 4 1 0 0 0,3 0,5 0,2 0,1 0,1
Classified Instance adalah sebesar 24%. Dimana dari
63 data nilai predikat santri, ada sebanyak 48 data
332
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 3 No. 1, Maret 2019
333
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 3 No. 1, Maret 2019
334
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 3 No. 1, Maret 2019
335
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 3 No. 1, Maret 2019
mengetahui tingkat keberhasilan penggunaan pada 3 browser yaitu Mozilla, Chrome , dan Internet
browser. Dan berikut adalah tabel hasil pengujian dari Explorer Windows 10.
pembuatan aplikasi menggunakan tiga browser yang
ditunjukkan pada Tabel 4.2 dibawah ini. 5. PENUTUP
5.1 Kesimpulan
Tabel 4.2 Pengujian Browser 1. Perhitungan algoritma NBC yang diterapkan dalam
Browser mengklasifikasi tingkat prestasi akademik Santri
Internet mampu menghasilkan akurasi dengan nilai 76%.
Proses Mozilla Google Pengujian algoritma ini dilakukan menggunakan
Explorer
Firefox Chrome perhitungan probabilitas membandingkan predikat
Win.10
Login √ √ √ pada data lama dengan predikat hasil prediksi.
Tampilan 2. Proses klasifikasi tinfkat prestasi akademik Santri
Menu Utama √ √ √ dilakukan dengan membangun sebuah halaman analisa
prediksi berdasarkan algoritma NBC. Sistem yang
Menu Data dibangun mampu memprediksi sesuai dengan
√ √ √ perhitungan algoritma secara manual. Data yang
santri
Menu Data digunakan adalah 63 record data training dari data
√ √ √ santri yang sudah terklasifikasi secara manual dan 123
Nilai MP
Menu Data record data testing dari santri yang belum terklasifikasi.
√ √ √
Nilai PKP
Menu Data 5.2 Saran
√ √ √ 1. Sistem klasifikasi tingkat prestasi akademik santri ini
Nilai SP
Menu Data perlu dilakukan perbandingan hasil perangkingan
√ √ √ antara metode NBC dengan perangkingan yang lain
Nilai 5SS
Menu Data seperti K-NN, WP, SAW, dan metode lainnya.
√ √ √ 2. Untuk pengembangan lebih lanjut dari sistem ini
Nilai Ekstra
hendaknya di buat penambahan kriteria yang dapat di
Menu Data
√ √ √ tambahkan oleh user atau pihak PPM Baitul Jannah
Nilai Absensi
sendiri.
Menu Data
√ √ √ DAFTAR PUSTAKA
Nilai Kuliah
[1] Bustami, 2013. Klasifikasi Data Nasabah
Asuransi Dengan Menggunakan Metode Naïve
Menu Data
Bayes Classifier. Universitas Malikussaleh,
Nilai √ √ √
Kabupaten Aceh Utara.
Perkriteria
[2] Alfa Saleh, 2015. Prediksi Besarnya
Menu
Penggunaan Listrik Rumah Tangga Dengan
Klasifikasi √ √ √
Metode Naïve Bayes Classifier. Universitas
Predikat
Potensi Utama, Medan.
Menu Data
√ √ √ [3] Alfa Saleh, 2015. Prediksi Kelulusan
Training
Mahasiswa Dalam Mengikuti English
Menu Proficiency Test Dengan Menggunakan Metode
Perhitungan √ √ √ Naïve Bayes Classifier. Universitas Potensi
Probabilitas Utama, Medan.
Menu [4] Harwati, Hanna Miratama, 2016. Prediksi
Pengujian √ √ √ Prestasi Mahasiswa Dengan Jalur Siswa
NBC Berprestasi Menggunakan Metode Naïve Bayes
Menu user √ √ √ Classifier. Universitas Islam Indonesia,
Keterangan : Yogyakarta.
√ : Berhasil [5] Fathur Rahman, Muhammad Iqbal Firdaus,
X : Gagal 2016. Prediksi Hasil Belajar Siswa Sekolah
Menengah Pertama Dengan Menggunakan
Pada hasil pengujian aplikasi dengan Metode Naïve Bayes Classifier. Universitas
menggunakan 3 browser yang berbeda, semua Islam Kalimantan, Banjarmasin.
tampilan dan fungsi aplikasi dapat berjalan 100%
336