Klasifikasi Dosen Berprestasi Pada Universitas Gajah Putih Menggunakan Metode Naive Bayes

(1)

1

Klasifikasi Dosen Berprestasi Pada Universitas Gajah Putih

Menggunakan Metode Naive Bayes

Husna Gemasih

Prodi Teknik Informatika, Universitas Gajah Putih, Takengon, Indonesia [email protected]

Abstrak : Dosen merupakan pendidik profesional dan ilmuwan dengan tugas utama mentransformasikan, mengembangkan, dan menyebarluaskan ilmu pengetahuan, teknologi, dan seni melalui pendidikan, penelitian, dan pengabdian kepada masyarakat (UU Republik Indonesia No. 14 Tahun 2005). Adanya penghargaan dikalangan dosen akan menjadi salah satu cara dalam pengembangan manajemen akademik di masing-masing perguruan tinggi dan menumbuh kembangkan suasana akademik. penelitian ini akan mengimplementasikan metode Naive Bayes untuk membantu pengklasifikasian dosen berprestasi berdasarkan kriteria Penelitian, Pengabdian Masyarakat, Publikasi Penelitian, dan Publikasi Pengabdian Masyarakat. Hasil penerapan algoritma Naive Bayes terhadap data uji di mana 4 data di prediksi kedalam kelas Ya atau berprestasi dan 6 data di prediksi ke dalam kelas tidak atau tidak berprestasi. Hasil tingkat akurasi yang diperoleh sebesar 98,33 %.

Kata Kunci: Klasifikasi, Dosen, Berprestasi, Naive Baiyes

Abstract: Lecturers are professional educators and scientists with the main task of transforming, developing and disseminating science, technology, and art through education, research, and community service (Law of the Republic of Indonesia No. 14 of 2005). The appreciation among lecturers will be one of the ways in developing academic management in each university and fostering an academic atmosphere. This research will implement the Naive Bayes method to assist the classification of outstanding lecturers based on the criteria of Research, Community Service, Research Publications, and Public Service Publications. The results of the application of the Naive Bayes algorithm to test data where 4 data are predicted to be in the class of Yes or achievement and 6 data are predicted into the class of no or no achievement. The accuracy rate obtained was 98.33%.

Keywords: Classification, Lecturer, Achievement, Naive Baiyes

1. PENDAHULUAN

Dosen merupakan pendidik profesional dan ilmuwan dengan tugas utama mentransformasikan, mengembangkan, dan menyebarluaskan ilmu pengetahuan, teknologi, dan seni melalui pendidikan, penelitian, dan pengabdian kepada masyarakat (UU Republik Indonesia No. 14 Tahun 2005). Setiap kampus memiliki SOP (Standart Operating Procedure) terhadap penilaian dosen, yang mana akan terus di evaluasi secara rutin dan berkala dalam memperoleh dosen yang memiliki kualifikasi yang baik. Selain itu, evaluasi bertujuan

untuk menjaga kualitas sebuah institusi, dan mempermudah dalam mengambil kebijakan serta tindakan yang tepat untuk meningkatkan kualitas dosen, serta mempermudah dalam memberikan penugasan kepada dosen yang tepat (Wahyuningtyas, dkk, 2018). Adanya penghargaan dikalangan dosen akan menjadi salah satu cara dalam pengembangan manajemen akademik di masing-masing perguruan tinggi dan menumbuh kembangkan suasana akademik. Perwujudan hal tersebut, setiap tahun dilakukan kegiatan pemilihan dosen berprestasi (Lestari &

(2)

2

Suryadi, 2014). Manfaat dosen berprestasi

yaitu (Ristekdikti, 2017):

• Meningkatkan motivasi secara berkelanjutan di kalangan sivitas akademika untuk “bekerja lebih keras dan lebih cerdas” dalam melaksanakan tridarma Perguruan Tinggi dan meningkatkan produktivitas Perguruan Tinggi. • Menciptakan suasana akademik

yang mengarah kepada terwujudnya kepribadian ilmuan yang terpuji, semangat pengabdian dan dedikasi di bidang pendidikan tinggi. • Menumbuhkan kebanggaan di

kalangan dosen terhadap profesinya. Untuk mengatasi hal tersebut diatas maka penelitian ini akan mengimplementasikan metode naive bayes classifier untuk membantu pengklasifikasian dosen berprestasi berdasarkan kriteria Penelitian, Pengabdian Masyarakat, Publikasi Penelitian, dan Publikasi Pengabdian Masyarakat.

2. TEORI

2.1 Klasifikasi

Klasifikasi merupakan suatu pekerjaan menilai objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia. Dalam klasifikasi ada dua pekerjaan utama yang dilakukan, yaitu pembangunan model sebagai prototype untuk disimpan sebagai memori dan penggunaan model tersebut untuk melakukan pengenalan/ klasifikasi/ prediksi pada suatu objek data lain agar diketahui di kelas mana objek data tersebut dalam model yang sudah disimpannya (Prasetyo (2012).

2.2 Naive Bayes

Algoritma Naïve Bayes merupakan suatu algoritma klasifikasi pada data mining yang memanfaatkan probabilitas dan statistika sederhana yang dikemukakan oleh

ilmuan Inggris yaitu Thomas Bayes (Patmi Kasih, 2017).

Teorema Bayes mengasumsikan semua atribut menjadi independen mengingat nilai variable kelas ini kondisional dengan asumsi bahwa kemerdekaan jarang berlaku pada aplikasi dunia, maka karakterisasi diasumsikan sebagai naïf namun algoritma cenderung berkinerja baik dan dapat belajar dengan cepat dalam berbagai masalah klasifikasi (Patil, 2013).

𝑃(𝐻|𝑋) =𝑃(𝑋|𝐻).𝑃(𝐻)

𝑃(𝑋) (1)

Keterangan :

𝑋 : Data dengan kelas yang belum diketahui 𝐻 : Hipotesis data X

merupakan suatu kelas spesifik (𝐻|𝑋) : Probabilitas hipotesis H berdasar kondisi X (posteriori probability) (𝐻) : Probabilitas hipotesis H (prior probability) (𝑋|𝐻) : Probabilitas X berdasarkan kondisi pada hipotesis H (𝑋) : Probabilitas X

Proses klasifikasi memerlukan petunjuk untuk menentukan kelas. Karena itu, teorema Bayes diatas disesuaikan sebagai berikut : 𝑃(𝐻|𝑋) = 𝑃(𝑋|𝐻). (𝐻) (2)

3. METODE

Penelitian ini akan mengkategorikan seorang dosen ke dalam salah satu kelas, yaitu kelas berprestasi atau tidak. Secara garis besar dapat dilihat pada Gambar 1.

(3)

3

Gambar 1: Gambaran Umum Sistem Klasifikasi Dosen Berprestasi

Tahapan penelitian dimulai dengan mengumpulkan data dosen, setelah data dosen didapat akan diberi label atau kelas. Data akan dibagi menjadi data latih dan data uji. Pada data latih akan diterapkan algoritma Naive Bayes, dan akan dijadikan sebagai model klasifikasi untuk data uji yang belum diketahui kelasnya. Sehingga data uji dapat di prediksi dan akan didapat nilai akurasi. Pada penelitian ini menggunakan softwareWeka 3.9.

a.

Persiapan Data

Data yang digunakan adalah data dosen tetap Universitas Gajah Putih Takengon. Data terdiri dari data penelitian, pengabdian masyarakat, publikasi penelitian dan publikasi pengabdian masyarakat.

b.

Kriteria Penilaian

Kriteria tersebut dikonversikan ke dalam bobot yang telah ditentukan. Adapun pembobotannya sebagai berikut:

Tabel 1. Kriteria Pembobotan

Jumlah Kategori

Nilai 1 Sangat Kurang

Nilai 2 Kurang

Nilai 3 Cukup

Nilai 4 Baik

Nilai 5 Sangat Baik

Kriteria yang dibutuhkan untuk melakukan klasifikasi adalah sebagai berikut:

• Kriteria Penelitian

Tabel 2. Kriteria Penelitian

Banyaknya Penelitian Nilai Lebih dari 5 5 5 4 4 3 3 2

• Kriteria Pengabdian Masyarakat

Tabel 3. Kriteria Pengabdian Masyarakat

Banyaknya Pengabdian Masyarakat Nilai Lebih dari 5 5 5 4 4 3 3 2

• Kriteria Publikasi Penelitian

Tabel 4. Kriteria Publikasi Penelitian

Banyaknya Publikasi Penelitian Nilai Lebih dari 5 5 5 4 4 3 3 2

• Kriteria Publikasi Pengabdian Masyarakat

Tabel 5. Kriteria Publikasi Pengabdian Masyarakat Banyaknya Publikasi Pengabdian Masyarakat Nilai Lebih dari 5 5 5 4 4 3 3 2 Data Dosen Algoritma Naive Bayes Prediksi Kelas Data Latih Data Uji Model Klasifikasi Akurasi Pelabelan

(4)

4 4. HASIL

Pengujian dilakukan menggunakan data dosen yang dibagi menjadi data latih dan data uji. Data latih yang digunakan sebanyak 60 data yang terdiri dari kelas Ya dan Tidak, sedangkan data uji yang digunakan sebanyak 10 data. Adapun data uji yang sudah di prediksi menggunakan model yang dihasilkan oleh data latih dapat dilihat pada Tabel dibawah ini.

Hasil penerapan algoritma Naive Bayes terhadap data uji di mana 4 data di prediksi ke dalam kelas Ya atau berprestasi dan 6 data diprediksi kedalam kelas tidak atau tidak berprestasi. Akurasi data dapat dilihat pada Gambar dibawah ini, di mana tingkat akurasi diperoleh sebesar 98,33 %.

5. KESIMPULAN

Berdasarkan penelitian yang sudah dilakukan maka dapat disimpulkan bahwa performasi menggunakan metode Naïve Bayes

mempunyai tingkat akurasi yang sangat baik untuk diterapkan dalam penelitian. Hal ini dapat dilihat dari hasil penelitian ini dalam klasifikasi dosen berprestasi yang menghasilkan tingkat akurasi sebesar 98,33 %.

6. DAFTAR PUSTAKA

Lestari, S., & Karim, A. S. (2015). Model Klasifikasi Kinerja Dan Seleksidosen Berprestasi Dengan Algoritma C. 45. Prosiding Sembistek 2014, 1(02), 340-350.

Zulita, L. N. (2013). Sistem Pendukung Keputusan menggunakan metode SAW untuk penilaian dosen berprestasi (Studi kasus di Universitas Dehasen Bengkulu). Jurnal Media Infotama, 9(2).

Abadi, L. P. (2016). Kajian Penerapan Algoritma C4. 5, Naive Bayes, Dan Neural Network Dalam Pemilihan Dosen Teladan: Studi Kasus Universitas Indraprasta. Faktor Exacta, 9(3), 237-246.

Purnamasari, I., & Afnisari, K. (2018). Performansi Klasifikasi Dosen Berprestasi Menggunakan Metode Naive Bayes Classifier. Paradigma-Jurnal Komputer dan Informatika, 20(2), 45-50.

Safitri, C. I., Darmansah, D., TU, O. V., SA, S. A., & Suryadiwati, D. O. (2019). Sistem Pendukung Keputusan Penentuan Mahasiswa Berprestasi di Institut Teknologi Telkom Purwokerto Menggunakan Metode Naïve Bayes Classifier. In Conference on Electrical Engineering, Telematics, Industrial technology, and Creative Media (CENTIVE) (Vol. 2, No. 1, pp. 174-184).

Republik Indonesia(2005). “Tentang Guru dan Dosen”. UU-RI Nomor 14 Tahun 2005.

Wahyuningtyas, E. U., Putri, R. M., & Sutrisno. (2018). Optimasi Algoritme K-Means Untuk Clustering Dosen

(5)

5

Berdasarkan Kinerja Akademik

Menggunakan Algoritma Genetika Paralel. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(8), 2628-2635.

Ristekdikti (2017). Pedoman Pemilihan Dosen Berprestasi Kategori Sains Teknologi dan Sosial Humaniora Tahun Anggaran 2017.

Kasih, P., & Farida, I. N. (2017). Sistem Bantu Pemilihan Dosen Pembimbing Tugas Akhir Berdasarkan Kategori

Pilihan dan Keahlian Dosen menggunakan Naïve Bayes. Prosiding SNATIKA, 4, 62-68.

Patil, T. R. (2013). Performance analysis of naive bayes and J48 classification algorithm for data classification. Intl. Journal of Computer Science and Applications, 6(2).

Prasetyo, E., 2012, Data Mining Konsep dan Aplikasi menggunakan MATLAB, Yogyakarta: ANDI.