Klasifikasi Bidang Keahlian Mahasiswa Menggunakan Algoritma Naive Bayes
DOI:
https://doi.org/10.26418/justin.v11i1.52402Keywords:
Bidang Keahlian, klasifikasi Naive Bayes, SMOTE, Chi Square, K-Fold Cross Validation, Confusion MatrixAbstract
Salah satu faktor yang dapat menentukan pilihan bidang keahlian mahasiswa yang dimiliki Jurusan Informatika Fakultas Teknik Universitas Tanjungpura adalah penguasaan sub kemampuan yang dikuasai oleh mahasiswa terhadap kriteria sub kemampuan pada bidang pilihan tersebut. Apabila mahasiswa memiliki kemampuan yang dikuasai di bidang keahliannya tentunya akan mempermudah mahasiswa dalam proses pemilihan topik tugas akhir/skripsi. Penelitian ini bertujuan untuk menerapkan dan menguji performa klasifikasi algoritma Naive Bayes dalam mengklasifikasikan bidang keahlian untuk mendapatkan model klasifikasi bidang keahlian mahasiswa berdasarkan kemampuan yang dikuasai oleh mahasiswa terhadap kriteria sub kemampuan pada kelompok keahlian Jurusan Informatika Fakultas Teknik Universitas Tanjungpura. Metode yang digunakan dalam penelitian ini adalah Synthetic Minority Oversampling Technique (SMOTE) sebagai preprocessing untuk menangani ketidak seimbangan kelas, Chi Square sebagai feature selection dalam mengurangi dimensi data, menghilangkan fitur-fitur yang tidak relevan dan Naive Bayes yang berfungsi untuk mengklasifikasi data. Pengujian akurasi metode pada penelitian ini dilakukan dengan K-Fold Cross Validation dan evaluasi menggunakan Confusion Matrix. Pengujian dilakukan dengan menggunakan empat skenario pengujian. Skenario pengujian pertama dilakukan menggunakan algoritma Naive Bayes dengan hasil nilai akurasi sebesar 66%. Skenario pengujian kedua dilakukan menggunakan algoritma Naive Bayes dan Chi Square dengan hasil nilai akurasi sebesar 71%. Skenario pengujian ketiga dilakukan menggunakan algoritma Naive Bayes dan SMOTE dengan hasil nilai akurasi sebesar 79%. Skenario pengujian keempat dilakukan menggunakan algoritma Naive Bayes, SMOTE dan Chi Square dengan hasil nilai akurasi sebesar 80%. Terdapat peningkatan akurasi pada klasifikasi dengan penambahan SMOTE dan Chi Square sebagai balanced data dan feature selection. Hal ini dikarenakan data set yang digunakan sudah seimbang dan memiliki kriteria yang relevan, dari 228 data set sebanyak 183 data berhasil diprediksi dengan benar. Sehingga model dengan menggunakan algoritma Naive Bayes, SMOTE dan Chi Square dapat memberikan performa model yang baik dan dapat digunakan dalam memprediksi bidang keahlian mahasiswa.
References
Muslich, M. (2008, Maret 23). Apa itu KTI? Retrieved from http://muslich-m-blogspot.com/2008/03/apa-itu-kti-html.
Fuad, N. (2019). ALGORITMA FUZZY NAIVE BAYES UNTUK MENGKLASIFIKASIKAN BIDANG KEAHLIAN MAHASISWA TEKNIK INFORMATIKA UNIVERSITAS ISLAM LAMONGAN. JOUTICA, 302.
Witten, I.H., Frank, E. & Hall, M. a., 2011. Data Mining: Practical Machine Learning Tools and Techniques Third Edit., USA: Morgan Kaufmann Publishers.
Kotsiantis, S.B., Pierrakeas, C.J. & Pintelas, P.E., 2003. Preventing Student Dropout in Distance Learning Using Machine Learning Techniques. , pp.267–274.
Hastuti, K., 2012. Analisis Komparasi Algoritma Klasifikasi Data Mining untuk Prediksi Mahasiswa Non-aktif. , 2012(Semantik 2012), pp.241–249.
Ragab, A.H.M. et al., 2014. A Comparative Analysis of Classification Algorithms for Students College Enrollment Approval Using Data Mining. Proceedings of the 2014 Workshop on Interaction Design in Educational Environments - IDEE ’14, pp.106–113.
Christobel, A. & Sivaprakasam, D.., 2011. An Empirical Comparison of Data Mining Classification Methods. , 3(2), pp.24–28.
Ashari, A., Paryudi, I. & Tjoa, A.M., 2013. Performance Comparison between Naïve Bayes , Decision Tree and k-Nearest Neighbor in Searching Alternative Design in an Energy Simulation Tool. , 4(11), pp.33–39.
Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Graha Ilmu. Yogyakarta.
Bustami., (2013), Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi, TECHSI : Jurnal Penelitian Teknik Informatika, Vol. 3, No.2, Hal. 127-146.
Bisri, M. H. (2015). Implementasi Algoritma Naïve Bayes untuk Memprediksi Penjurusan Siswa di SMA Kesatrian 1 Semarang. Jurusan Teknik Informatika, FASILKOM UDINUS Jln. Nakula 1 No 5-11 Semarang 50131 INDONESIA.
Arddy H. Hailitik, B. S. (2017). KLASIFIKASI JURUSAN MENGGUNAKAN METODE NAÃVE BAYES PADA SEKOLAH MENENGAH ATAS NEGERI (SMAN) 1 FATULEU TENGAH. Jicon, 21-27.
SOFANUDIN, A. (2017). IMPLEMENTASI ALGORITMA NAIVE BAYES UNTUK PENJURUSAN DI MA AL MAHRUSIYAH LIRBOYO. Artikel Skripsi Universitas Nusantara PGRI Kediri, 3.
Siringoringo, R.,2018, Klasifikasi Data Tidak Seimbang menggunakan Algoritma SMOTE dan K- Nearest Neighbor, Jurnal ISD.
Punlumjeak, Wattana, Rachburee, Nachirat, 2015, A Comparative Study of Feature Selection Techniques for Classify Student Performance, Chiang Mai, Thailand.
Downloads
Published
Issue
Section
License
Copyright (c) 2023 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
