ABSTRAK
Penilaian belajaran mahasiswa merupakan atribut terpenting dalam suatu proses pembelajaran. Nilai akhir
dapat digunakan untuk mengevaluasi dan memprediksi kelulusan mahasiswa terhadap mata kuliah yang
diikuti selama satu semester. Penelitian ini dilakukan untuk menganalisis algoritma Naïve Bayes dan
Decision/Classification Trees dalam mengklasifikasi kelulusan mahasiswa berdasarkan nilai akhir pada
salah satu mata kuliah. Penelitian ini bermanfaat bagi pembaca untuk menentukan algoritma terbaik yang
dapat digunakan dalam metode klasifikasi. Hasil penelitian ini menunjukkan bahwa metode Naïve Bayes
mempunyai akurasi yang lebih besar dalam probabilitas kebenaran data dibandingkan dengan Decision
Tree. Selisih nilai yang diperoleh sebesar 7,69% dimana metode Naïve Bayes mempunyai akurasi data
lebih besar 7,69% dibandingkan metode Decision Tree.
Kata kunci : klasifikasi, educational data mining, Naïve Bayes , Decision/Classification Trees
ABSTRACT
Student learning assessment is the most major attribute in a learning process. Final grades can be use to
evaluate and predict student graduation in the courses they take during one semester. This research
conducted to analyze the Naïve Bayes and Decision/Classification Trees algorithms in classifying student
graduation based on the final grade in one of the courses. This research is helpful for readers to determine
the best algorithm that can be use in classification methods. The results of this research show that the
Naïve Bayes method has greater accuracy in the probability of data truth than the Decision Tree method.
The difference in value obtained was 7.69%, where the Naïve Bayes method had a data accuracy value of
7.69% greater than the Decision Tree method.
5. KESIMPULAN
Kebenaran suatu data ditentukan dari seberapa
besar akurasi data yang didapatkan melalui metode
yang ada, dimana pada penelitian ini menggunakan
dua metode yaitu Decision Tree dan Naïve Bayes.
Berdasarkan perhitungan yang telah dilakukan
menggunakan kedua metode, menghasilkan bahwa
metode Naïve Bayes memiliki akurasi peluang
kebenaran data yang lebih besar dibandingkan
dengan metode Decision Tree. Selisih nilai yang
didapatkan adalah sebesar 7,69%, dimana dengan
metode Naïve Bayes memiliki nilai akurasi data
yang lebih besar 7,69% dibandingkan dengan
menggunakan metode Decision Tree. Dengan
Gambar 4 7 Model klasifikasi menggunakan metode Naive demikian, dalam perbandingan analisis klasifikasi
Bayes
metode Decision Tree dan Naïve Bayes, metode
klasifikasi Naïve Bayes dapat disimpulkan menjadi
metode yang lebih baik dibandingkan
4.3.3 Prediksi data testing dalam menentukan
menggunakan analisis klasifikasi metode Decision
Akurasi data dengan metode Naïve Bayes
Tree.
6.DAFTAR PUSTAKA
Aldania, A. N., & Amelia, R. (2021, Juni 5). Klasifikasi dengan Machine Learning. Retrieved from rpubs.com:
https://rpubs.com/reniamelia/kelompok1ML
Budiman, A. S., & Parandani, X. A. (2017). Uji Metode Klasifikasi Data Dalam Proses Seleksi Penerima. IJCIT
(Indonesian Journal on Computer and Information Technology), 70.
Gede Aditra Pradnyana, S. M. (n.d.). Konsep Dasar Data. Retrieved from pustaka.ut:
https://pustaka.ut.ac.id/lib/wp-content/uploads/pdfmk/MSIM4403-M1.pdf
Han, J., Kamber, M., & Pei, J. (2001). Data Mining Concepts and Techniques. United States: Elsevier Inc.
Irfan, M. I. (2023, January 1). Algorima Naive Bayes. Retrieved from rpubs.com:
https://rpubs.com/IbadullahIrfan383/994511
Pekuwali, A. A., Andriyani, & Trisnawati, H. (2018). PROSIDING SEMMAU 2018. REDIKSI PENILAIAN
HASIL BELAJAR MAHASISWA NAÏVE BAYESIAN, 647-653.
Pujianto, U., Widiyaningtyas, T., Prasetya, D. S., & Romadhon, B. (2017). Penerapan algoritma naïve bayes
classifier untuk klasifikasi judul skripsi dan tugas akhir berdasarkan Kelompok Bidang Keahlian.
Jurnal Teknologi Elektro dan Kejuruan, 81.
Tsyukdiah, H. (2020, July 18). Klasifikasi Decision Tree dengan R. Retrieved from medium.com:
https://halimatusyak.medium.com/klasifikasi-decision-tree-dengan-r-f12a0e48e060