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.
Gambar 4 1 Keluaran (output) struktur data tiap variabel pada Plot yang dihasilkan seperti pada gambar diatas
Data Nilai Akhir mata kuliah Teori Peluang Aktuaria tahun
2023
memiliki hasil bahwa pada data training,
4.1.2 Klasifikasi menggunakan metode Decision mahasiswa yang dikatakan lulus pada mata kuliah
Tree Teori Peluang Aktuaria memiliki presentase
sebesar 71%, sedangkan mahasiswa dikatakan
Data Nilai Akhir mata kuliah Teori Peluang tidak lulus memiliki persentase sebesar 29%.
Aktuaria tahun 2023 dibagi menjadi dua tipe data
yaitu data training dan data testing, dimana 80%
bagian adalah data training dan 20% bagian adalah
4.1.4 Prediksi data testing dalam menentukan
data testing. Kemudian, membuat model data
Akurasi Data dengan metode Decision Tree.
training dengan metode Decision Tree, packages
yang digunakan adalah “party” pada R Studio. Plot yang dihasilkan pada langkah sebelumnya
adalah menggunakan data training, sehingga dalam
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.
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.
Browne, M. W. (2006). LECTURE NOTES IN DATA MINING. World Scientific Publishing .
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
M.Kom, P. D., & U’un Setiawati, S. (2021, January 12). Metode Klasifikasi Naive Bayes, Random Forest dan
Decicion Tree untuk Memprediksi Kanker Payudara Menggunakan Rstudio. Retrieved from
rpubs.com: https://rpubs.com/uuns/klasifikasi
Pekuwali, A. A., Andriyani, & Trisnawati, H. (2018). PROSIDING SEMMAU 2018. REDIKSI PENILAIAN
HASIL BELAJAR MAHASISWA NAÏVE BAYESIAN, 647-653.
Tsyukdiah, H. (2020, July 18). Klasifikasi Decision Tree dengan R. Retrieved from medium.com:
https://halimatusyak.medium.com/klasifikasi-decision-tree-dengan-r-f12a0e48e060