Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

pISSN: 2715-6923, eISSN: 2721-9186

J Int Comp & He Inf. https://jurnal.unimus.ac.id/index.php/jichi
Vol. 1, No. 1, Maret 2020

Jurnal Komputasi Cerdas dan Informatika Kesehatan

Algoritma Naïve Bayes untuk Klasifikasi

Peminatan Jurusan Mahasiswa

Artikel Penelitian

Astia Weni Syaputri1,2*, Erno Irwandi1,2, Mustakim1,2

1Jurusan Sistem Informasi, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau, Pekanbaru 28293, Indonesia
2Puzle
Research Data Technology (Predatech), Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim Riau, Pekanbaru
28293, Indonesia

astiaweni.syaputri@students.uin-suska.ac.id (penulis koresponden)

*

erno.irwandi@students.uin-suska.ac.id
mustakim@uin-suska.ac.id

Riwayat
artikel: Diterima: 5
Jan 2020
Diterima: 2 Februari 2020
Tersedia secara online: 31 Maret
ABSTRAK 2020

Penjurusan merupakan hal yang penting dalam menentukan peminatan siswa. Jika terjadi kesalahan dalam penjurusan
siswa, tentu akan berpengaruh pada pendidikan siswa selanjutnya. Di SMA Negeri 1 Kampar Timur terdapat dua
penjurusan, yaitu IPA dan IPS. Untuk menentukan penjurusan tersebut, diperlukan acuan nilai rata-rata nilai siswa dari
semester 3 sampai semester 5 yang meliputi nilai rata-rata pendidikan agama Islam, Bahasa Indonesia, Pendidikan
Kewarganegaraan, Bahasa Inggris, Ilmu Pengetahuan Alam, Ilmu Pengetahuan Sosial, dan Matematika. Algoritma Naive
Beyes merupakan salah satu algoritma yang dapat digunakan dalam mengklasifikasikan penjurusan yang terdapat di SMA
Negeri 1 Kampar Timur. Untuk menentukan klasifikasi jurusan yang ada di SMA Negeri 1 Kampar Timur, digunakan data latih
dan data uji masing-masing sebesar 70% dan 30%. Data ini akan diuji akurasinya dengan menggunakan confusion matrix,
dan menghasilkan akurasi yang cukup tinggi yaitu 96.19%. Dengan akurasi yang cukup tinggi ini, maka algoritma Naive
Bayes sangat cocok untuk digunakan dalam menentukan jurusan siswa di SMA Negeri 1 Kampar Timur.
Kata kunci: Confusion matrix, klasifikasi, naive bayes, jurusan mahasiswa.

Ini adalah artikel akses terbuka di bawah lisensi CC-BY-

SA.

Hak Cipta © 2019 Jurnal Komputasi Cerdas dan Informatika Kesehatan.

Semua hak cipta dilindungi undang-undang

J Int Comp & He Inf. @JICHI

2020
https://doi.org/10.26714/jichi.v1i1.5570
16
Astia Weni Syaputri, Erno Irwandi, dan Mustakim

Saleh,
1. PENDAHULUAN
Pendidikan merupakan suatu proses bimbingan yang
dilakukan secara sadar oleh pendidik terhadap proses
perkembangan jasmani dan rohani peserta didik, dengan
tujuan untuk membentuk kepribadian yang unggul dan
dapat memiliki makna yang cukup dalam (Baker, 1989).
Namun, jika pendidikan tidak sesuai dengan apa yang
diinginkan oleh peserta didik akan berakibat fatal bagi
keberlangsungan pendidikan. Penjurusan merupakan
salah satu proses pendidikan yang diinginkan oleh siswa.
Akibatnya yang terjadi jika siswa salah dalam
menentukan jurusan, maka akan timbul keengganan
untuk belajar dan penurunan kualitas serta prestasi
akademik (Sofanudin, 2017).
Pada kurikulum 2013, peminatan siswa di SMA Negeri
1 Kampar Timur dilakukan berdasarkan nilai rata-rata
rapor SMP pada semester 3 sampai dengan semester 5
dan jurusan yang diinginkan oleh siswa (Liliana
Swastina, 2013). Penjurusan perlu kehati-hatian dan perlu
penanganan khusus untuk menentukan jurusan siswa
yang terarah dan tepat sasaran. Penjurusan di sekolah
menengah berbeda dengan sekolah lainnya tergantung
dari sekolah tersebut. Penjurusan tersebut antara lain Ilmu
Pengetahuan Alam (IPA) dan Ilmu Pengetahuan Sosial
(IPS) (Naparin, 2016). SMA Negeri 1 Kampar Timur
merupakan salah satu sekolah menengah atas yang
banyak diminati oleh calon siswa di daerah Kampar,
namun masih banyak siswa yang ternyata salah dalam
memilih jurusan. Dari 312 siswa kelas 10, berdasarkan
nilai yang mereka dapatkan selama dua semester ada
sekitar 45% siswa yang ternyata salah dalam memilih
jurusan. Hal ini tentu saja akan menyebabkan nilai siswa
tersebut turun dan akan berakibat pada pemilihan
perguruan tinggi nantinya.
Dalam penelitian ini, tinjauan singkat mengenai
penggunaan algoritma Naïve Bayes Classifier dan
penggunaannya dalam informasi pengambilan keputusan
penjurusan. Penelitian ini berkonsentrasi pada masalah-
masalah spesifik yang muncul dalam penerapan model
pada data tekstual. Penelitian ini diakhiri dengan
beberapa pemikiran tentang arah penelitian yang menarik
untuk algoritma Naive Bayes. Penelitian yang dilakukan
oleh (Alfa Saleh & Nasari, 2018) dalam penelitiannya
yang berjudul klasifikasi metode Naïve Bayes pada data
mining untuk menentukan konsentrasi siswa di MAS
BAO 2 Medan menemukan bahwa proses Data Mining
dengan menggunakan metode Naïve Bayes membantu
dalam memperoleh informasi dari klasifikasi konsentrasi
siswa. Berdasarkan data akademik siswa yang digunakan
sebagai data training, metode Naive Bayes berhasil
mengklasifikasikan 109 data siswa dari 120 data yang
diujikan. Sehingga dengan demikian metode Naive
Bayes berhasil dalam memprediksi konsentrasi
mahasiswa dengan persentase akurasi sebesar 90.8333%
(Hastuti, 2012).
Hasil penelitian yang dilakukan oleh Husni Naparin
(2016) mengenai klasifikasi peminatan siswa SMA dari
tahap awal hingga pengujian, dan hasil dari perbandingan
tersebut dapat disimpulkan bahwa model yang dibentuk
dengan algoritma Naive Bayes sendiri memiliki akurasi
yang sangat baik yaitu sebesar 99,47% dalam
mengklasifikasikan status peminatan siswa SMA (A
 untuk mendapatkan informasi untuk pengambilan
2015). Penelitian yang dilakukan oleh (Alfa
keputusan bagi pihak sekolah dalam melakukan
Saleh & Nasari, 2018) memperoleh hasil
pekerjaannya.
pengujian dari 100 data mahasiswa dengan
akurasi 90%. Pada penelitian ini dilakukan
optimasi terhadap metode yang digunakan 2. BAHAN DAN METODE
sebelumnya dengan menerapkan teknik Metode yang digunakan dalam penelitian ini adalah
Unsupervised Discretization yang akan metode penelitian eksperimental, yang terdiri dari (1)
mentransformasi kriteria numerik/kontinyu pengumpulan data, (2) pengolahan data awal (3) model
menjadi kriteria kategorik dan yang diusulkan, (4) pengujian model, (5) Evaluasi dan
menghilangkan satu kriteria yang dianggap validasi model.
tidak mempengaruhi keakuratan hasil
Data sekunder adalah data yang diperoleh secara tidak langsung
pengujian, sehingga dapat meningkatkan
yang bersumber dari
keakuratan hasil klasifikasi. Dari 120 data
mahasiswa yang diujikan, terbukti bahwa
hasil klasifikasi dari penerapan teknik
unsupervised discretization pada metode
naive bayes naik dari 90% menjadi 92,8%
(Naparin, 2016). (Bisri, 2015) juga
melakukan penelitian tentang klasifikasi
penjurusan di SMA Kesatrian dan metode ini
mampu membantu pihak sekolah dalam
menentukan penjurusan di SMA Kesatrian.
Dari hasil percobaan prediksi penjurusan
siswa menggunakan matlab dengan metode
Naive Bayes, didapatkan akurasi sebesar
83,8798% dengan tingkat kesalahan sebesar
16,1202% (Alfa Saleh & Nasari, 2018).
(Khasanah, 2016) meneliti tentang
perbandingan proses penjurusan siswa SMA
dengan menggunakan algoritma klasifikasi
Naïve Bayes dan algoritma ZeroR. Metode
klasifikasi dengan algoritma Naïve Bayes
merupakan algoritma yang memiliki nilai
akurasi tertinggi yaitu sebesar 96,74%.
Sedangkan algoritma ZeroR memiliki nilai
akurasi terendah yaitu 59,78% (Bisri, 2015).
Penelitian yang dilakukan oleh (Yusra dkk.,
2016) membandingkan Naive Bayes dan
KNN dengan menggunakan WEKA.
Pengujian akurasi metode pada penelitian
ini dilakukan dengan opsi uji 10-fold cross
validation dan evaluasi data uji
menggunakan confusion matrix. Dari
penelitian yang telah dilakukan, didapatkan
hasil pada seratus data tugas akhir dengan
jumlah kelas acak, metode Naïve Bayes
menghasilkan nilai akurasi yang lebih baik,
yaitu sebesar 87%. Pengujian pada metode
K-Nearest Neighbor menghasilkan nilai
akurasi sebesar 84% dengan nilai k=3, 85%
dengan nilai k
= 5, 86% dengan nilai k = 7 dan 84% dengan nilai k
= 9 (Khasanah, 2016). Oleh (Kadafi, 2018)
juga dilakukan penelitian yang
membandingkan 3 algoritma klasifikasi
yaitu Naïve Bayes, KNN, dan C.45.
Berdasarkan pengolahan dan analisis data
yang dilakukan didapatkan bahwa algoritma
Naïve Bayes merupakan algoritma yang
paling baik dibandingkan dengan algoritma
yang lain, dengan tingkat akurasi sebesar
79.51% dan AUC pada nilai 0.861 (Yusra
dkk, 2016). Oleh karena itu algoritma Naive
Bayes Clasifier dipilih sebagai metode
penelitian untuk klasifikasi jurusan.
Penelitian yang dilakukan adalah mengolah
data pendaftaran yang tersimpan selama ini
di dalam database sehingga dapat digunakan
 Algoritma Naïve Bayes untuk Klasifikasi Peminatan Jurusan Mahasiswa 17
pISSN: 2715-6923, eISSN: 2721-9186, Vol. 1, No. 1, Maret 2020, hal. 18-21

Pengu Data Pra- Pemodelan Model Model Analisis

Mulai Selesai
mpulan Memproses Naïve Bayes Evaluasi Naïve Bayes
Data

Gbr. 1. Metode penelitian.

dokumentasi, literatur, buku-buku, jurnal dan informasi semakin kompleksnya faktor kondisi yang
lain yang ada hubungannya dengan masalah yang diteliti. mempengaruhi nilai probabilitas, yang hampir tidak
Data sekunder dalam penelitian ini adalah: buku-buku, mungkin dianalisis satu per satu (Hayuningtyas, 2017).
(𝐹𝑖∩𝐹𝑗) (𝐹𝑖)𝑃(𝐹𝑗)
jurnal tentang algoritma Naïve Bayes Clasifier dan data 𝑃(𝑃𝑖|𝐹𝑗) = 𝑃 =𝑃 = 𝑃(𝐹𝑗) (5)
mining serta
seperti data siswa baru SMA N 1 Kampar Timur tahun 𝑃(𝐹𝑗) 𝑃(𝐹𝑗)
2018. Sedangkan data primer adalah data yang diperoleh Untuk 𝑖 ≠ 𝑗,
dari penelitian sehingga
hasil pengujian. Data primer dalam penelitian ini adalah
data hasil pengujian dengan menggunakan algoritma 𝑃(𝑃𝑖|𝐶, 𝐹𝑗) = 𝑃(𝐹𝑖|𝐶) (6)
Naïve Bayes Clasifier. Dari persamaan di atas dapat disimpulkan bahwa
Data yang diperoleh dari SMA Negeri 1 Kampar asumsi independensi naif membuat kondisi peluang
Timur adalah data siswa dengan atribut Nama, Alamat, menjadi sederhana, sehingga perhitungan dapat
Asal Sekolah, Nilai rapor semester 3 sampai dengan dilakukan. Selanjutnya, penjabaran P (C│F1, ... Fn)
semester 5 dan jurusan yang dipilih. Data lain yang akan dapat disederhanakan menjadi:
diolah adalah rata-rata dari setiap nilai pelajaran pada 𝑃(𝐶|𝐹1 ... 𝐹𝑁) -
semester 3 sampai dengan semester 5. 𝑃(𝐶) 𝑃(𝐹1|𝐶) 𝑃(𝐹2|𝐶) 𝑃(𝐹3|𝐶) ... =
Data mining adalah suatu proses yang menggunakan 𝑁
𝑃(𝐶) ∏𝐼=1 𝑃 (𝐹𝑖|𝐶) (7)
statistik, matematika, kecerdasan buatan, dan machine
learning untuk mengekstraksi dan mengidentifikasi Persamaan di atas merupakan model dari teorema
informasi yang bermanfaat dan pengetahuan yang terkait Naive Bayes yang kemudian akan digunakan dalam
dari berbagai database yang besar (Kadafi, 2018). proses klasifikasi. Untuk klasifikasi dengan data kontinu
Sehingga data mining merupakan serangkaian proses digunakan rumus Densitas Gauss:
(𝑥𝑖-𝜇𝑖𝑗)2
untuk menggali nilai tambah dari suatu kumpulan data
berupa pengetahuan yang selama ini tidak diketahui
secara manual (Nugroho, 2015). Dalam data mining
terdapat serangkaian metode yang digunakan dalam
menyelesaikan
termasuk klasifikasi, pengelompokan, asosiasi, prediksi, 1
𝑃(𝑋𝑖 = 𝑥𝑖|𝑌 = 𝑌𝑖) = 𝑒 2σ2𝑖𝑗 (8)
dan estimasi. Salah satu algoritma yang digunakan dalam √2σ𝑖𝑗
klasifikasi adalah Naïve Bayes. Alur dari metode Naive Model yang telah dikembangkan dalam penelitian ini
Bayes dijelaskan pada persamaan 1 sampai 7 (Bustami, akan diterapkan pada data siswa baru SMA Negeri 1
2014). Kampar Timur pada tahun 2018 melalui simulasi dengan
Teorema bayes naif: menggunakan bahasa pemrograman python. Data sampel
𝑃(𝑋] 𝐻).𝑃(𝐻) terdiri dari
𝑃(𝐻|𝑋) = (1)
𝑃(𝐻) dari atribut nama mahasiswa, jurusan, nilai rata-rata
Untuk menjelaskan teorema Naive Bayes, perlu Pendidikan Agama Islam, nilai rata-rata Bahasa
diketahui bahwa proses klasifikasi membutuhkan Indonesia, nilai rata-rata Pendidikan Kewarganegaraan,
sejumlah petunjuk untuk menentukan kelas apa yang nilai rata-rata Bahasa Inggris, nilai rata-rata Ilmu
cocok untuk sampel yang dianalisis (Hasan, 2017). Pengetahuan Alam, nilai rata-rata IPS, dan nilai rata-rata
𝑃(𝐶]) 𝑃(𝐹1... 𝐹𝑛|𝐶) Matematika. Jumlah data yang dijadikan sampel adalah
70% dari total
𝑃(𝐶|𝐹1 ... 𝐹𝑁) = (2) data sebagai data latih dan 30% dari total data sebagai data uji.
𝑃(𝐹1... 𝐹𝑛)
Di mana variabel C mewakili kelas, sedangkan
variabel F Fn mewakili instruksi karakteristik yang 3. HASIL DAN ANALISIS
diperlukan untuk melakukan klasifikasi. Siswa jurusan di SMA Negeri 1
(𝑃𝑟𝑖𝑜𝑟𝑥; 𝑙𝑖𝑘𝑒ℎ𝑜𝑜𝑑)
𝑃𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟= (3) Kumpar merupakan hal yang penting untuk pencapaian
𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒
yang akan didapatkan oleh siswa. Dari hasil uji coba
pada sistem Naive
Nilai bukti selalu tetap untuk setiap kelas di
satu sampel. Nilai posterior tersebut kemudian akan = 𝑃 (𝐶) 𝑃(𝐹1│𝐶) 𝑃(𝐹2, ... 𝐹𝑛│𝐶, 𝐹1)
dibandingkan dengan nilai posterior dari kelas-kelas lain = 𝑃(𝐶) 𝑃(𝐹1|𝐶) 𝑃(𝐹2|𝐶, 𝐹1) 𝑃(𝐹3, ... 𝐹𝑛|𝐶, 𝐹1, 𝐹2)
untuk menentukan ke kelas mana suatu sampel akan
diklasifikasikan. Penjabaran lebih lanjut dari rumus
Bayes dilakukan dengan menjabarkan (C│F1...FN)
dengan menggunakan aturan perkalian sebagai berikut
(Rosandy, 2016):
𝑃(𝐶|𝐹1 ... 𝐹𝑁) - 𝑃(𝐶)𝑃(𝐹1 ... 𝐹𝑛)𝐶
Algoritma Bayes kemudian dilakukan
analisis sehingga dapat disimpulkan bahwa
akurasi data penjurusan sebesar 96,19%
berdasarkan pengujian confusion matrix.
Dalam pembahasan pada penelitian ini
diperlukan beberapa data nilai siswa yang
= 𝑃(𝐶) 𝑃(𝐹1|𝐶) 𝑃(𝐹2|𝐶, 𝐹1) 𝑃(𝐹3|𝐶, 𝐹1, 𝐹2)
𝑃(𝐹4, ... 𝐹𝑛|𝐶, 𝐹1, 𝐹2, 𝐹3)
= 𝑃(𝐶) 𝑃(𝐹1|𝐶) 𝑃(𝐹2|𝐶, 𝐹1) 𝑃(𝐹3|𝐶, 𝐹1, 𝐹2)
... 𝑃(𝐹𝑛│𝐶, 𝐹1, 𝐹2, 𝐹3, ... 𝐹𝑛 - 1)
Dapat dilihat bahwa hasil elaborasi menyebabkan
(2)
meliputi data jurusan yang diambil siswa, nilai rata-rata
Pendidikan Agama Islam (PAI), nilai rata-rata Bahasa
Indonesia (B. IND), nilai rata-rata Pendidikan
Kewarganegaraan (PKN), nilai rata-rata Bahasa Inggris
(B. ING), nilai rata-rata Ilmu Pengetahuan Alam (IPA),
nilai rata-rata IPS, dan nilai rata-rata
(4) MTK.data yang digunakan dapat dilihat pada tabel 1.
Berdasarkan data di atas akan diklasifikasikan dengan
menggunakan metode Naive Bayes ke dalam beberapa
kelas, dimana kelas ini ditentukan berdasarkan jurusan
yang ada di SMA Negeri 1
Kampar. Kelas-kelas tersebut adalah (1) Ilmu Pengetahuan Alam dan
18 Astia Weni Syaputri, Erno Irwandi, dan Mustakim

Tabel 1. Kumpulan data nilai siswa.

Rata-
Rata- Rata- Rata-rata Rata- Rata- Rata-
rata dari
rata rata Nilai rata rata rata
Tidak. Nama siswa Jurusan jurusan
nilai nilai Jurusan Nilai Nil Nilai
B.Indo
jurusan nilai-nilai jurusan B.Ingg Jurusan ai Jurusan
PAI PKN IPA Jurusan MTK
IPS
1 Yohan Andrian Saputra IPS 9,000 75,000 73,667 74,000 87,333 68,000 74,000
2 Winda Aulia Nisa IPA 89,333 89,000 81,333 88,667 86,667 78,333 77,667
3 Nur Aviva Zahara IPS 82,333 79,000 77,333 80,333 79,000 76,667 76,667
4 Mardhia IPA 87,667 90,000 87,667 82,667 74,667 82,333 86,000
5 Amaliah Gusvita Sari IPS 80,333 79,667 77,333 80,333 80,000 76,333 75,333
6 Syifa Fatimatul Zahra IPA 86,667 87,333 86,333 84,667 80,333 76,333 88,000
7 Mus Ardicky Akbar IPS 80,000 72,333 78,667 72,333 78,333 76,000 75,333
8 Deska Paturahman IPA 88,667 76,333 73,000 71,333 81,000 81,333 83,333
9 Rifki Hidayat IPS 81,667 79,667 79,333 79,333 82,000 74,000 75,000
10 Nurul Azizah IPA 88,000 86,667 84,667 90,667 90,000 81,333 81,667
.... .... .... .... .... .... .... .... .... ....
.... .... .... .... .... .... .... .... .... ....
235 Erik Mahendra IPS 73,667 69,000 74,333 69,333 76,333 74,667 69,000

Ilmu Pengetahuan Sosial.

Percobaan kami menunjukkan bahwa kami Tabel 3. Hasil akhir dari proses klasifikasi.
menghasilkan pola, informasi dan pengetahuan baru Nama siswa Jurusan Diprediksi
dalam proses data mining untuk klasifikasi jurusan
mahasiswa. Dari data di atas kami membaginya menjadi Sindi Permata IPS IPA
dua, 70% data training sebanyak 246 data dan 30% Alma Yanti IPS IPS
testing sebanyak 105 data. Data training dan testing Indah Islamiaty Taufiq IPS IPS
digunakan untuk menentukan siswa yang seharusnya Abdullah IPS IPS
masuk IPA atau masuk IPS. Septiani Putri IPS IPA
Dari proses perhitungan data mining menggunakan
algoritma Naive Bayes dan tingkat akurasi, dihasilkan Fitri Ayu Andeska IPS IPS
informasi baru yaitu perhitungan data mining Putri Amelia IPS IPS
berdasarkan data tes siswa SMA Negeri 1 Kampar Manja Dwi Permata IPS IPA
Timur, menunjukkan siswa yang memilih IPS sebanyak Alia Silvianur IPS IPS
51 orang, dengan ketepatan kelas sebesar 100%, dan
Lia Oktari IPS IPA
sebanyak 50 orang siswa yang memilih masuk IPA, serta
ditambah 4 orang dari siswa yang memilih IPS diprediksi ... ... ...
masuk IPA dengan ketepatan kelas sebesar 92,59%. Dari Erik Mahendra IPS IPA
hasil tersebut didapatkan akurasi sebesar 96.19%, dengan
nilai true class recall IPS sebesar 92.73% dan true class
recall IPA sebesar 100%. Penjelasan secara rinci 4. KESIMPULAN
mengenai hasil klasifikasi dapat dilihat pada Tabel 2.
Berdasarkan percobaan dan analisis yang dilakukan,
kesimpulan yang didapat adalah peminatan jurusan
Tabel 2. Hasil klasifikasi naïve bayes dari dataset nilai dengan menggunakan algoritma Naive Bayes
siswa SMK Negeri 1 Kampar Timur. menghasilkan tingkat keakuratan yang tinggi terhadap
IPS sejati IPA sejati Presisi pemilihan jurusan sebagai perencanaan untuk
Kelas menentukan program studi selanjutnya. Dari proses
perhitungan data mining menggunakan algoritma Naive
pred. IPS 51 0 100%
Bayes dan tingkat akurasi, dihasilkan sebuah informasi
pred. IPA 4 50 92.73% perhitungan data mining dengan ketepatan kelas sebesar
penarikan 90.15% 100% 100%, dan sebanyak 50 siswa yang memilih masuk IPA,
kembali kelas dan ditambah 4 siswa yang memilih IPS diprediksi
masuk IPA dengan ketepatan kelas sebesar 92,59%. Dari
hasil tersebut didapatkan akurasi sebesar 96.19%, dengan
Pada Tabel 3 ditunjukkan hasil analisis data nilai true class recall IPS sebesar 92.73% dan true class
menggunakan Naïve Bayes, data tersebut terdapat 4 recall IPA sebesar 100%. dapat disimpulkan bahwa
siswa yang diprediksi salah dalam memilih jurusan. metode pemilihan jurusan dengan menggunakan
algoritma ini sudah tepat. Oleh karena itu, penelitian ini
dapat digunakan untuk keperluan pemilihan jurusan pada
tahun-tahun berikutnya, karena model yang dihasilkan
mampu diprediksi secara akurat dengan
nilai
 Algoritma Naïve Bayes untuk Klasifikasi Peminatan Jurusan Mahasiswa 19
pISSN: 2715-6923, eISSN: 2721-9186, Vol. 1, No. 1, Maret 2020, hal. 18-21

kesalahan minimum yang sangat kecil baik dalam fakultas teknik universitas nusantara pgri kediri
pemilihan data maupun dalam hal klasifikasinya. tahun 2017. Simki-Techsain, 01(03), 1-6.
Yusra, Olivita, D., & Vitriani, Y. (2016). Perbandingan
REFERENSI Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik
Informatika Menggunakan Metode Naïve Bayes
Baker, R . C . ( 1989). Sistem tidak stabil nonlinier. Classifier dan K-Nearest Neighbor. Sains,
Jurnal Kontrol Internasional, 23(4), 123-145. Teknologi Dan Industri, 14(1),
Bisri, M. H. (2015). Implementasi Algoritma Naïve 79–85.
Bayes untuk Memprediksi Penjurusan Siswa di https://doi.org/10.1002/mame.201200226
SMA Kesatrian 1 Semarang. Jurnal Informatika, 1-
7.
Bustami. (2014). Penerapan Algoritma Naive Bayes
Untuk Mengklasifikasi Data Nasabah Asuransi.
TECHSI - Jurnal Teknik Informatika, 8(1), 127-
146. https://doi.org/10.26555/jifo.v8i1.a2086
Hasan, M. (2017). Sistem Pendukung Keputusan
Pemilihan Jurusan Menggunakan Algoritma Naive
Bayes. ILKOM Jurnal Ilmiah, 9(3), 317-324.
Hastuti, K. (2012). Analisis Komparasi Algoritma
Klasifikasi Data Mining untuk Prediksi Mahasiswa
Non-Aktif. Seminar Nasional Teknologi Informasi
& Komunikasi Terapan 2012 (Semantik 2012), 2(1),
241-249.
Hayuningtyas, R. Y. (2017). Aplikasi Filtering Email
Spam Menggunakan Naïve Bayes. IJCIT
(Indonesian Journal on Computer and Information
Technology), 2(1), 53-60.
Kadafi, A. R. (2018). Perbandingan Algoritma
Klasifikasi Untuk Penjurusan Siswa SMA. Jurnal
ELTIKOM, 2(2), 67-77.
https://doi.org/10.31961/eltikom.v2i2.86
Khasanah, F. N. (2016). Klasifikasi Proses Penjurusan
Siswa Tingkat SMA Menggunakan Data Mining.
Informatika untuk Pendidik dan Profesional, 1(1),
65-69.
Liliana Swastina. (2013). Penerapan Algoritma C4.5
untuk Penentuan Jurusan Mahasiswa. Jurnal Gema
Aktualita, 2(1), 93-98.
Naparin, H. (2016). Klasifikasi Peminatan Siswa SMA
Menggunakan Metode Naive Bayes. Sistemik:
Jurnal Sistem Informasi dan Informatika, 2(1), 25-
32. https://doi.org/10.29080/systemic.v2i1.104
Nugroho, Y. S. (2015). Klasifikasi dan Klastering
Penjurusan Siswa SMA Negeri 3 Boyolali.
Khazanah Informatika: Jurnal Ilmu Komputer Dan
Informatika, 1(1), 1.
https://doi.org/10.23917/khif.v1i1.1175
Rosandy, T. (2016). Perbandingan Metode Naive Bayes
Classifier dengan Metode Decision Tree (C4.5)
untuk Menganalisa Kelancaran Pembiayaan (Study
Kasus : KSPPS/BMT AL-FADHILA). Jurnal
Teknologi Informasi Magister Darmajaya, 2(01),
52-62.
Saleh, A. (2015). Klasifikasi Metode Naive Bayes Dalam
Data Mining Untuk Menentukan Konsentrasi
Siswa. KeTIK, 200-208.
Saleh, Alfa, & Nasari, F. (2018). Penggunaan Teknik
Unsupervised Discretization pada Metode Naive
Bayes dalam Menentukan Jurusan Siswa Madrasah
Aliyah. Jurnal Teknologi Informasi Dan Ilmu
Komputer, 5(3), 353.
https://doi.org/10.25126/jtiik.2018
5 3 7 0 5 Sofanudin, A. (2017). Program studi sistem
informasi