PENERAPAN EQUAL-WIDTH INTERVAL DISCRETIZATION DALAM METODE NAIVE BAYES UNTUK MENINGKATKAN AKURASI PREDIKSI PEMILIHAN JURUSAN SISWA (STUDI KASUS: MAS PAB 2 HELVETIA,MEDAN)

Alfa Saleh, Fina Nasari

Abstract

The student majors is very important thing in developing students' academic skills and talents, it is required by the students are expected to hone the academic ability according to the field that is mastered and this is done so that each student can learn more in the Subjects that match the concentration that has been determined for each - students based on some predefined criteria. In this research has been tested by the method of Naive Bayes which aims to classify the students department based on the criteria that support. Where it is currently conducted with a case study on Madrasah Aliyah PAB 6 Helvetia students and obtained results from 100 student data with 90% accuracy rate. However, in order to improve the accuracy of the results of calcification, the researcher, the method used by using Unsupervised Discretization techniques that will transform numerical / continuous criteria into a categorical criterion. The result of the discretization on 100 data have been tested, it is proved that the results of the techniques used Discontented Disputes on the method of Naive Bayes rose from 90% to 93%.

 

Jurusan siswa merupakan hal yang sangat penting dalam mengembangkan keterampilan dan bakat akademik siswa, hal ini dianggap perlu sebab siswa diharapkan mampu mengasah kemampuan akademis sesuai bidang yang dikuasai dan hal ini dilakukan agar setiap siswa dapat belajar lebih dalam pada mata pelajaran yang sesuai dengan konsentrasi yang telah ditentukan untuk masing-masing siswa berdasar beberapa kriteria yang telah ditetapkan. Pada penelitian ini telah dilakukan pengujian dengan metode Naive Bayes yang bertujuan untuk mengkasifikasikan jurusan siswa bedasarkan kriteria yang menunjang. pada penelitian ini dilakukan dengan studi kasus pada siswa Madrasah Aliyah Swasta PAB  6 Helvetia dan didapatkan hasil pengujian dari 100 data siswa dengan tingkat keakuratan 90%. Namun, untuk meningkatkan akurasi hasil kalsifikasi penentuan jurusan siswa ini, peneliti mengembangkan metode yang digunakan sebelumnya dengan menerapkan teknik Unsupervised Discretization yang akan mentransformasikan kriteria numerik/kontinyu menjadi kriteria kategorikal. Hasil dari diskritasi pada 100 data siswa yang diuji, terbukti bahwa hasil klasifikasi penerapan teknik Unsupervised Discretization pada metode Naive Bayes naik dari 90% menjadi 93%.

Keywords

Data Mining; Naive Bayes; Equal-Width Interval Discretization; Memprediksi Jurusan Siswa; Data Mining; Naive Bayes; Equal-Width Interval Discretization; student major prediction

Full Text:

PDF

References

Horita, F. E., de Albuquerque, J. P., Degrossi, L. C., Mendiondo, E. M., & Ueyama, J. (2015). Development of a spatial decision support system for flood risk management in Brazil that combines volunteered geographic information with wireless sensor networks. Computers & Geosciences, 80, 84-94.

Lia Ayu Ivanjelita, Ema Utami, Emha Taufiq L, 2015. Sistem Pendukung Keputusan Seleksi Penerimaan Calon Asisten Laboratorium. Jurnal Ilmiah DASI, Vol. 16, No.4, Desember 2015, hal. 37-46.

Nila Novita Gafur, Abdul Djabar Mohidin, and Nurwan , "Analisis Hasil Penelitian Kinerja Asisten Laboratorium Dengan Menggunakan Metode Analytical Hierarchy Process (AHP)," KIM Fakultas Matematika dan IPA , vol. I, no. 1, Agustus 2013.

Okfalisa dan Ade Gunawan. 2014. Sistem Pendukung Keputusan Untuk Menentukan Produk Asuransi Jiwa Bagi Nasabah Menggunakan Metode SMARTER. Jurnal Sains, Teknologi dan Industri, Vol. 12, No.1, Desember 2014, hal.73-79

Saleh, A., R. E. S., & Kurniawan, H. (2014). Metode Fuzzy Simple Additive Weighting (Saw) Dalam Menentukan Kualitas Kulit Ular Untuk Kerajinan Tangan (Studi Kasus: CV. Asia Exotica Medan). KOMITE PROGRAM, 12, 18.

Saleh, A. (2015). Implementasi Fuzzy Mamdani Dalam Sistem Pendukung Keputusan Menentukan Kesesuaian Bidang Peminatan Mahasiswa (Studi Kasus: Universitas Potensi Utama). SEMNASTEKNOMEDIA Online, 3(1), 2-2.

Turban, E., Sharda, R., Delen, D. 2010.Decision Support and Business Intelligence System, 9th ed. Prentice-Hall, Inc. New Jersey.

Accorsi, R., Manzini, R., & Maranesi, F. (2014). A decision-support system for the design and management of warehousing systems. Computers in Industry, 65(1), 175-186.

Amelia Yustina, Rosiana Handini. 2012. Sistem Pendukung Keputusan Menentukan Umah Makan Yang Strategis Menggunakan Metode Naive Bayes. SEMANTIK. Vol 2, No 1, Hal 290-294. SEMANTIK Semarang. ISBN : 979-26-0225-0

Anggraeni, E. Y., Oktafianto, O., & Agustina, W. (2016). SISTEM PENDUKUNG Keputusan Dalam Diagnosa Penyakit Anemia Dengan Menggunakan Metode SAW (Simple Additive Weighting). SEMNASTEKNOMEDIA ONLINE, 4(1), 3-3

Dwi Haryanti, Helfi Nasution, Anggi Srimurdianti S, 2016. Sistem Pendukung Keputusan Seleksi Penerimaan Mahasiswa Pengganti Beasiswa Penuh Bidikmisi Universitas Tanjungpura Dengan Menerapkan Metode SMARTER. Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol.1,No.1, 2016.

Fernando Schramn and Danielle Costa Morais, 2012. Decision Support Model For Selecting And Evaluating Suppliers In The Construction Industry. Perquisa Operacional, Vol. 32(3), pp 643-662, Brazilian.

Fuad Indra Setiawan, dkk, 2012. Pengembangan Sistem Informasi Manajemen Rekrutmen Asisten Laboratorium (Studi Kasus : Laboratorium Terpadu Teknik Informatika UII). Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2012.

Guo, Z. X., Ngai, E. W. T., Yang, C., & Liang, X. (2015). An RFID-based intelligent decision support system architecture for production monitoring and scheduling in a distributed manufacturing environment. International journal of production economics, 159, 16-28.

Refbacks

  • There are currently no refbacks.