Perbandingan Analisis Klasifikasi Data Nilai Akhir Mata

Kuliah Teori Peluang Aktuaria Tahun 2023 dengan

Menggunakan Metode Decision Tree dan Naïve Bayes
Agnes Monika Simalango1, Jean Sharon Patricia Ginting2, Karine Yoshefa Marybhoto Sitinjak3, Restu
Apriani Zul’aina4, Sesilia Audrey E5.
1,2,3,4,5
Program Studi Sains Aktuaria, Institut Teknologi Sumatera, Indonesia
Jl. Terusan Ryacudu, Way Huwi, Kec. Jati Agung, Kabupaten Lampung Selatan, Lampung 35365
Telp: (0721) 8030188, (0721) 8030189
Email:

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.

Keywords: classification, educational data mining, Naïve Bayes, Decision/Classification Trees

1. PENDAHULUAN
Perguruan tinggi merupakan jenjang pendidikan
formal yang memiliki tujuan utama untuk
menyediakan pendidikan berkualitas bagi
mahasiswa. Dalam mencapai pendidikan yang
berkualitas dalam perguruan tinggi, diperlukannya
analisis lebih lanjut komponen utama yang
mempengaruhi penilaian pembelajaran mahasiswa
(Pekuwali, Andriyani, & Trisnawati, 2018). Pada
perguruan tinggi setiap pengajar atau dosen
memiliki kewajiban untuk memberikan penilain
terhadap hasil belajar untuk setiap mata kuliah pada
setiap akhir semester. Berdasarkan Peraturan
Pemerintah Nomor 49 tahun 2014 menjelaskan
bahwa penilaian pembelajaran adalah kriteria
minimal tentang penilaian proses dan hasil belajar
mahasiswa dalam rangka pemenuhan capaian
pembelajaran lulusan. Hal ini dikenal sebagai Data
Nilai Akhir (DNA), yang berisi akumulasi
penilaian dari hasil yang dicapai mahasiswa berupa
persentase nilai dari kuis, tugas terstruktur, Ujian
Tengah Semester (UTS), Ujian Akhir Semester
(UAS), serta keaktifan mahasiswa saat di kelas
dengan bobot yang telah ditentukan. Nilai akhir
dinyatakan dalam huruf dan angka berdasarkan
range nilai yang diperoleh.
Bertambahnya jumlah data yang tersimpan pada
basis data perguruan tinggi, membuat eksplorasi
pada data yang berukuran besar tidak dapat
dilakukan dengan mudah. Namun dengan
berkembangnya teknologi serta ilmu statistika
maka diperlukannya pengolahan data yang berasal
dari konteks pendidikan menjadi suatu informasi
yang dikenal sebagai Educational Data Mining
(EDM). Data mining dibagi menjadi beberapa
metode berdasarkan tugas yang dapat dilakukan
salah satunya adalah klasifikasi. Clustering
merupakan salah satu teknik data mining yang
berfungsi melakukan pengelompokan sejumlah
data atau objek ke dalam cluster (group) sehingga
setiap cluster akan berisi data yang semirip
mungkin dan berbeda dengan objek dalam cluster
yang lainnya. Teknik klasifikasi merupakan
pendekatan fungsi klasifikasi dalam data mining
yang digunakan untuk melakukan prediksi atas
informasi yang belum diketahui sebelumnya.
Teknik klasifikasi ini dapat pula digunakan untuk
melakukan prediksi atas informasi yang belum
diketahui sebelumnya (Suprawoto, 2016).
Oleh karena itu perlu dilakukan analisis mengenai
hasil belajar mahasiswa, sehingga dari hasil analisis
tersebut dapat diperoleh metode terbaik untuk
mengklasifikasikan tingkat kelulusan mahasiswa
dengan cara membandingkan tingkat akurasinya.
Data penilaian terdiri dari dari sejumlah nilai yaitu
kuis, tugas terstruktur, keaktifan, ujian tengah
semester, ujian akhir semester, serta total nilai mata
kuliah teori peluang aktuaria pada tahun 2023.
Algoritma yang biasa digunakan dalam data mining
dengan metode klasifikasi yaitu
Decision/Classification Trees, Naïve Bayes
Classifiers, Genetic Algorithms, Rough Sets, K-
Nearest Neighbor Classifier, Rule-based Methods,
Memory Based Reasoning, Support Vector
Machines, Random Forest. Dengan banyaknya
pilihan algoritma yang bisa digunakan serta kondisi
pengujian yang berbeda-beda memberikan
kesulitan untuk dapat mengidentifikasi algoritma
terbaik yang dapat digunakan.
Decision/Classification Trees merupakan teknik
data mining yang digunakan untuk mengeksplorasi
data dengan membagi kumpulan data yang besar
menjadi himpunan record yang lebih kecil dan
memperhatikan variabel tujuannya. Pohon
keputusan sangat baik untuk menyelesaikan
permasalahan klasifikasi data. Keuntungan utama
dari suatu Decision/Classification Trees adalah
kemampuannya untuk melakukan visualisasi data.
(Budiman & Parandani, 2017). Sedangkan Naïve
Bayes Classifier (NBC) adalah salah satu dari
algoritma supervised document classification yang
sederhana namun efisien. Model probabilistik dari
algoritma ini didasarkan pada teori Bayes. Naive
Bayes Classifier telah diterapkan di berbagai
bidang, seperti: kedokteran, perbankan,
perpustakaan, instansi perkantoran, dll.
Permasalahan klasifikasi yang sering dipecahkan
dengan NBC antara lain seperti: diagnosa penyakit
dan pembuatan keputusan pada prosedur
perawatannya, penyaringan spam pada email
clients, analisis sentimen, prediksi kelayakan calon
nasabah asuransi, dll (Pujianto, Widiyaningtyas,
Prasetya, & Romadhon, 2017).
Sehingga pada penelitian ini penulis ingin
membandingkan metode Decision/Classification
Trees dan Naïve Bayes dengan metode klasifikasi
terhadap kelulusan mahasiswa pada nilai akhir
mata kuliah teori peluang aktuaria tahun 2023.
a. Rumusan Masalah
Adapun masalah yang akan peneliti angkat adalah :
1. Bagaimana cara mengekstrasi dan menganalisa
nilai hasil pembelajaran mahasiswa ?
2. Bagaimana akurasi algoritma
Decision/Classification Trees dan Naïve
Bayes dalam mengklasifikasi kelulusan
mahasiswa ?
b. Tujuan Penelitian
Adapun tujuan dari penelitian ini yaitu:
1. Melakukan klasifikasi nilai akhir mata kuliah
teori peluang aktuaria tahun 2023
menggunakan metode Decision/Classification
Trees dan Naïve Bayes untuk mendapatkan
klasifikasi nilai mahasiswa dengan tingkat
akurasi yang baik.
2. Membandingkan nilai akurasi metode decision
tree dan naïve bayes sehingga dapat
 dikategorikan sebagai metode klasifikasi yang
baik.
2. TINJAUAN PUSTAKA
2.1 Data mining
Secara umum Data Mining terbagi atas 2 (dua) kata
berikut.
a. Data yaitu Kumpulan Fakta yang terekam atau
sebuah entitas yang tidak memiliki arti dan
selama ini terabaikan.
b. Mining yaitu proses Penambangan sehingga,
Data Mining itu dapat diartikan sebagai proses
penambangan data yang menghasilkan sebuah
output (keluaran) berupa pengetahuan.
Data mining adalah sebuah proses pencarian secara
otomatis informasi yang berguna dalam tempat
penyimpanan data berukuran besar. Teknik data
mining digunakan untuk memeriksa basis data
berukuran besar sebagai cara untuk menemukan
pola yang baru dan berguna.
Secara garis besar terdapat 2 pendekatan untuk
melakukan teknik - teknik data mining di atas,
yaitu:
a. Supervised Learning yaitu pembelajaran
menggunakan guru dan biasanya ditandai
dengan adanya class/label/target
himpunan data. Supervised learning
merupakan sebuah pendekatan dimana sudah
terdapat data yang dilatih, dan terdapat
variabel yang ditargetkan sehingga tujuan dari
pendekatan ini adalah mengelompokan suatu
data ke data yang sudah ada. Adapun teknik-
teknik yang digunakan yang bersifat
supervised learning seperti Teknik Prediksi
dan Klasifikasi seperti Algoritma C4.5, Teknik
Rough Set dan lain-lain.
b. Unsupervised Learning yaitu pembelajaran
tanpa menggunakan guru dan biasanya
ditandai pada himpunan datanya tidak
memiliki atribut keputusan
class/label/target. Perbedaan dengan
supervised learning, pada unsupervised
learning tidak memiliki data latih, sehingga
dari data yang ada dikelompokan menjadi 2
bagian atau 3 bagian dan seterusnya. Adapun
teknik-teknik yang bersifat Unsupervised
Learning yaitu Teknik Estimasi, Clustering,
dan Asosiasi seperti Regresi Linier, Analytical
Hierarchy Clustering dan lain-lain. (Gede
Aditra Pradnyana).
2.2 Educational data mining
Pada bidang pendidikan, muncul bidang baru yang
disebut Educational Data Mining (EDM). Bidang
tersebut berkaitan dengan teknik pengembangan
yang menemukan pengetahuan dari data yang
berasal dari lingkungan pendidikan. Tujuan EDM
sebagai prediksi perilaku belajar di masa depan
siswa, mempelajari dampak dukungan pendidikan,
dan memajukan pengetahuan ilmiah tentang
pembelajaran. Data mining dapat digunakan oleh
sebuah institusi untuk mengambil keputusan yang
akurat dan juga untuk memprediksi hasil siswa.
Dengan hasilnya institusi dapat berfokus pada
materi yang diajarkan serta cara mengajar. Pola
belajar siswa dapat diambil dan digunakan untuk
mengembangkan teknik mengajar para tenaga
pendidik. (Gede Aditra Pradnyana).
2.3 Klasifikasi
Suatu teknik dengan melihat pada kelakuan dan
atribut dari kelompok yang telah didefinisikan.
Teknik ini dapat memberikan klasifikasi pada data
baru dengan memanipulasi data yang telah
diklasifikasi dan dengan menggunakan hasilnya
untuk memberikan sejumlah aturan. Klasifikasi
termasuk kedalam supervised learning.
Proses klasifikasi terdiri atas dua langkah yaitu:
 learning step: di mana klasifikasi model
dibangun
 classification step: di mana model digunakan
untuk memprediksi kelompok kelas untuk data
tertentu
(Han, Kamber, & Pei, 2001).
pada 2.4 Decision/Classification Trees
Decision tree merupakan metode klasifikasi data
mining. Decision tree dalam istilah pembelajaran
merupakan sebuah struktur pohon dimana setiap
node pohon mempresentasikan atribut yang telah
diuji. Setiap cabang merupakan suatu pembagian
hasil uji dan node daun (leaf) mempresentasikan
kelompok kelas tertentu. Level node teratas dari
sebuah Decision Tree adalah node akar (root) yang
biasanya berupa atribut yang paling memiliki
pengaruh terbesar pada suatu kelas tertentu. Secara
umum Decision/Classification Trees merupakan
metode yang sangat popular dan banyak digunakan
karena praktis serta mempunyai akurasi yang baik
atau
(Han, Kamber, & Pei, 2001).
Gambar 2.4 1 Ilustrasi cara kerja Decision Trees
(sumber : medium.com)
Pohon keputusan atau Decision Tree sangat baik
untuk menyelesaikan permasalahan klasifikasi data.
Keuntungan utama dari suatu pohon keputusan
adalah kemampuannya untuk melakukan P(A) = Probabilitas kejadian A
visualisasi data. P(B) = Probabilitas kejadian B
Konstruksi pohon keputusan dapat dibentuk dengan 3. METODE PENELITIAN
menggunakan perhitungan information gain dan 3.1 Data
entropy. Berikut adalah langkah-langkah Data yang digunakan dalam penelitian ini adalah
perhitungan entropy dan gain yang merupakan Data Nilai Akhir Mahasiswa Sains Aktuaria pada
representasi algoritma pembentukan pohon mata kuliah Teori Peluang Aktuaria tahun 2023 dan
keputusan : merupakan data sekunder. Data diperoleh dari
publikasi yang dilakukan tim Dosen Sains Aktuaria
Entropy dirumuskan sebagai berikut: ITERA sebagai nilai akhir pada mata kuliah Teori
n
Peluang Aktuaria semester 4 tahun ajaran 2023/
Entropy (S)=∑ − pi ∙ log 2 pi 2024. Variabel yang digunakan pada data
i=1 berjumlah sebanyak 7 variabel, yakni Kuis (X 1),
Keterangan: Tugas (X2), Keaktifan (X3), Ujian Tengah Semester
S : Himpunan kasus (UTS) (X4), Ujian Akhir Semester (UAS) (X 5),
n : Jumlag partisi S Total dan Lulus (Y). Variabel yang menjadi
pi : Probabilitas sebuah nilai dalam kelas i variabel response adalah Lulus dan variabel
lainnya akan menjadi data inputan yang
Gain dirumuskan sebagai berikut: menghasilkan nilai dari variabel Lulus, pengolahan
data dilakukan dengan menggunakan software R
n
|S i|
Gain ( S , A )=Entropy ( S )−∑ ∙ Entropy (S ) Studio.
i=1 |S| Berikut tampilan Data Nilai Akhir pada mata
Keterangan: kuliah Teori Peluang Aktuaria tahun 2023.
S : Himpunan Kasus
A : Fitur Kui Tug Kea U U Tot Lulus
n : Jumlah partisi atribut A s as ktif T A al
an S S
|Si| : Proporsi Si terhadap S
11 50 95 35 32 41,1 Tidak
|S| : Jumlah kasus dalam S
94 95 95 67 98 88,4 ya
3 98 95 20 20 43,7 Tidak
Proses perhitungan gain dan entropy akan diulangi
10 93 95 26 36 49,7 Ya
beberapa tahap hingga mencapai node terminasi.
80 97 95 52 64 72,9 Ya
37 98 95 45 29 56,7 Ya
2.5 Naïve Bayes
33 98 95 19 16 45,2 Tidak
Naïve Bayes merupakan sebuah metode
51 95 95 49 68 70,0 Ya
penggolongan dengan pendekatan analisis data
54 97 95 43 65 68,3 Ya
statisktika yang didasari oleh probabilitas 29 93 95 60 65 69,5 Ya
sederhana dan dirancang untuk dipergunakan 34 93 95 51 66 68,1 Ya
dengan asumsi bahwa antar satu kelas dengan kelas 57 97 95 50 86 76,8 Ya
yang lain tidak saling tergantung (Browne, 2006). Tabel 3 1Data Nilai Akhir mata kuliah Teori Peluang Aktuaria
Menurut (Han, Kamber, & Pei, 2001) klasifikasi Tahun 2023
Naïve Bayes terbukti memiliki akurasi dan
Berdasarkan tabel diatas, berikut variabel yang
kecepatan yang tinggi saat diaplikasikan ke dalam
digunakan dalam penelitian:
basis data dengan jumlah yang besar. Cara kerja
Naïve Bayes didasari oleh teorema Bayes yang Variabel Keterangan
bekerja dengan prinsip probabilitas bersyarat Y Lulus
(conditional probability). Berikut rumus X1 Kuis
probabilitas bersyarat. X2 Tugas
X3 Keaktifan
P ( B| A ) P( A) X4 UTS
P ( A|B )=
P(B) X5 UAS
X6 Total
Keterangan: Tabel 3 2 Variabel penelitian klasifikasi Data Nilai Akhir mata
kuliah Teori Peluang Aktuaria tahun 2023
P(A| = Probabilitas bersyarat A yang
B) diberikan oleh B
3.2 Prosedur Penelitian
P(B| = Probabilitas bersyarat B yang Langkah- langkah yang harus dilakukan dalam
A) diberikan oleh A penelitian ini adalah sebagai berikut:
3.2.1 Menggunakan metode Decision Tree pada mata kuliah Teori Peluang Aktuaria tahun
1. Mengumpulkan data dari Data Nilai 2023.
Akhir mata kuliah Teori Peluang
Aktuaria tahun 2023.
2. Mendeskripsikan data dengan
menentukan struktur data.
3. Membagi data menjadi data training
dan data testing, kemudian klasifikasi
data training dengan Decision Tree
4. Membuat plot Decision Tree.
5. Prediksi data testing dalam menentukan
akurasi peluang data dengan metode
Decision Tree.
6. Menarik kesimpulan.

3.2.2 Menggunakan metode Naïve Bayes

1. Mengumpulkan data dari Data Nilai Akhir
mata kuliah Teori Peluang Aktuaria tahun
2023.
2. Mendeskripsikan data dengan menentukan
struktur data.
3. Membagi data menjadi data training dan Gambar 4 2 Keluaran (output) struktur data tiap variabel pada
data testing, kemudian klasifikasi dengan Data Nilai Akhir mata kuliah Teori Peluang Aktuaria tahun
menggunakan metode Naïve Bayes. 2023
4. Menghitung nilai prediksi dan kinerja
prediksi untuk menentukan akurasi
peluang data dengan metode Naïve Bayes. 4.2.2 Klasifikasi menggunakan metode Decision
5. Menarik kesimpulan. Tree

Data Nilai Akhir mata kuliah Teori Peluang

4. HASIL DAN PEMBAHASAN
4.1 Statistika Deskriptif
Tahap awal yang perlu dilakukan adalah analisis
deskriptif dari data. Hal ini bertujuan untuk
memperoleh gambaran umum terkait data yang
akan di analisis mulai dari nilai kuis, tugas,
keaktifan, UTS, dan UAS yang berpengaruh
terhadap lulus tidaknya seseorang pada mata kuliah
Teori Peluang Aktuaria tahun 2023.
Aktuaria tahun 2023 dibagi menjadi dua tipe data
yaitu data training dan data testing, dimana 80%
bagian adalah data training dan 20% bagian adalah
data testing. Kemudian, membuat model data
training dengan metode Decision Tree, packages
yang digunakan adalah “party” pada R Studio.

Gambar4 1 Statistika Deskriptif data DNA TPA 2023

4.2 Metode Decision Tree

4.2.1 Menentukan struktur data
Data diimport kan ke dalam soft ware R Studio,
kemudian menentukan struktur data tiap variabel
pada Data Nilai Akhir Mahasiswa Sains Aktuaria
 menentukan prediksi menggunakan 20% bagian
pada Data Nilai Akhir mata kuliah Teori Peluang
Aktuaria tahun 2023 yaitu data testing. Packages
yang digunakan adalah “caret” dengan fungsi
“confusionMatrix.

Gambar 4 3 Model data training pada Data Nilai Akhir mata

kuliah Teori Peluang Aktuaria tahun 2023

4.2.3 Plot Decision Tree

Model data training yang telah didapatkan akan

dibuat menjadi plot (grafik) untuk memudahkan
membaca peluang dari klasifikasi yang dilakukan
menggunakan packages “rpart”, “rpart.plot”. Gambar 4 5 Prediksi data testing dalam menentukan akurasi
data dengan metode Decision Tree

Prediksi data testing yang telah dilakukan

menghasilkan nilai akurasi data sebesar 88,46%,
sensitivitas sebesar 100% (prediksi sepenuhnya
benar), spesitivitas sebesar 85,00%.

4.3 Metode Naïve Bayes

4.3.1 Menentukan struktur data

Sama halnya dengan metode Decision Tree,
Gambar 4 4 plot Decision Tree metode Naive Bayes juga memerlukan penentuan
dalam struktur data dengan tipe data “factor” akan
Plot yang dihasilkan seperti pada gambar diatas
menjadi tipe data pada variable response yaitu
memiliki hasil bahwa pada data training,
“Lulus”.
mahasiswa yang dikatakan lulus pada mata kuliah
Teori Peluang Aktuaria memiliki presentase
sebesar 71%, sedangkan mahasiswa dikatakan
tidak lulus memiliki persentase sebesar 29%.

4.1.4 Prediksi data testing dalam menentukan

Akurasi Data dengan metode Decision Tree.

Plot yang dihasilkan pada langkah sebelumnya

adalah menggunakan data training, sehingga dalam

Gambar 4 6 Struktur Data Nilai Akhir mata kuliah Teori
Peluang Aktuaria tahun 2023
4.3.2Klasifikasi menggunakan metode Naïve Bayes
Klasifikasi Naïve Bayes menggunakan packages
yang berbeda dengan metode Decision Tree, yaitu
menggunakan packages “e1071” dan “caret”,
dimana pada klasifikasi metode ini menggunakan
data yang sama yaitu data training, dengan function
yang digunakan adalah “naiveBayes”.
Gambar 4 7 Model klasifikasi menggunakan metode Naive
Bayes
4.3.3 Prediksi data testing dalam menentukan
Akurasi data dengan metode Naïve Bayes
Akurasi data dengan menggunakan metode Naïve
Bayes menggunakan packages yang sama dengan
metode Decision Tree yakni packages “caret”
dengan fungsi “confusionMatrix”.
Gambar 4 8 Prediksi data testing dalam menentukan akurasi
data menggunakan metode Naive Bayes
Prediksi data testing yang telah dilakukan
menghasilkan nilai akurasi data sebesar 96,15%,
sensitivitas sebesar 100% (prediksi sepenuhnya
benar), spesitivitas sebesar 95,00%.
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
demikian, dalam perbandingan analisis klasifikasi
metode Decision Tree dan Naïve Bayes, metode
klasifikasi Naïve Bayes dapat disimpulkan menjadi
metode yang lebih baik dibandingkan
menggunakan analisis klasifikasi metode Decision
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

Browne, M. W. (2006). LECTURE NOTES IN DATA MINING. World Scientific Publishing .

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.

Suprawoto, T. (2016). KLASIFIKASI DATA MAHASISWA MENGGUNAKAN METODE KMEANS

UNTUK MENUNJANG PEMILIHAN STRATEGI. Jurnal Informatika dan Komputer (JIKO) t Vol. 1,
No. 1, Februari 2016 , 13.

Tsyukdiah, H. (2020, July 18). Klasifikasi Decision Tree dengan R. Retrieved from medium.com:
https://halimatusyak.medium.com/klasifikasi-decision-tree-dengan-r-f12a0e48e060