No Judul Penulis Metodologi Hasil

1 Implementation of Hidayat, Naïve Penelitian ini mengusulkan

Weighted Naive Bayes Erwin Yudi Bayes pemilihan mayor dengan
Algorithm for Major Hidayat., et menerapkan teknik
Determination in al. klasifikasi dalam data
Indonesian High School mining. Algoritma Weighted
Naive Bayes
diimplementasikan untuk
menentukan jurusan siswa
SMA di SMP Negeri 33
Semarang. Hasil eksperimen
menunjukkan akurasi 80%.
Sistem prototyping
dikembangkan untuk
visualisasi yang dapat
membantu siswa untuk
menentukan jurusan di SMA.
2 Implementation Of K- Panjaitan, K-Nearest Penelitian ini membantu
Nearest Neighbor Dewi L., Neighbor pihak sekolah dalam
Algorithm For et.al menentukan kelas unggulan
Classification Of Class dan kelas biasa, agar tidak
Placement At Junior ada yang dirugi kan, harus
High School. ada siswa yang layak
Padang Month menjadi kelas unggulan.
Tujuan dari penelitian ini
adalah untuk mengimple
-mentasikan prinsip-prinsip
data mining pada Klasifikasi
Penempatan Kelas meng-
gunakan Algoritma K-
Nearest Neighbor. Dimana
Algoritma K-Nearest
Neighbor akan Mengklasifi
-kasikan objek berdasarkan
data pembelajaran yang
paling dekat dengan objek
tersebut. Berdasarkan hasil
uji coba yang dilakukan
dengan menggunakan
algoritma K-NN dengan 64
data uji dan data latih
sebanyak 82 data, maka
diperoleh hasil dari
penempatan kelas dengan
siswa yang menempati kelas
A sebanyak 26 siswa, siswa
yang menempati kelas B
sebanyak 20 siswa dan siswa
yang menempati kelas C
sebanyak 18 siswa.
3 Data Mining Rudiansyah, C4.5 Masalah dalam penelitian ini
Implementation on et al. adalah bagaimana
SMUN Scholarship mempermudah dalam
Recipient Candidates menganalisis mahasiswa
Using The C4.5 yang membutuhkan dan
Algorthm berhak menerima beasiswa,
bagaimana mempermudah
dalam menyeleksi dan
 menentukan penerima
beasiswa. Penelitian ini
menggunakan algoritma
C4.5. Teknik pengumpulan
data dalam penelitian ini
adalah dengan menggunakan
raport siswa. nilai klasifikasi
dalam menentukan
mahasiswa yang mendapat
kan beasiswa dengan akurasi
tertinggi sebesar 81,81%.
Nilai akurasi diperoleh
dengan melakukan percobaan
dengan proses pengujian
dengan jumlah data siswa
sebanyak 33 siswa.
4
5
6

Daftar pustaka:

Hidayat, E.Y., Taufiqurrahman, A.S., et al. (2018). Implementation of Weighted Naive Bayes Algorithm for Major
Determination in Indonesian High School. International Seminar on Application for Technology of Information and
Communication (iSemantic). 580-584.

Panjaitan, D.L., Hasugian, P.M.(2021). Implementation Of K-Nearest Neighbor Algorithm For

Classification Of Class Placement At Junior High School.Padang Month. Jurnal Infokum. 10(1)