1
KLASIFIKASI RATING KEGIATAN KAMPUS DENGAN MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
Guruh Ihda Alfi Ath Thaariq 1 , Dina Ratnaningtyas 2, Shoima Fitra Kumala 3 Program Studi Informatika, Fakultas Ilmu Komputer,
Universitas Pembangunan Nasional “Veteran” Jawa Timur,
Email: [email protected] , [email protected] , [email protected]
ABSTRAK
Kegiatan adalah suatu aktivitas peristiwa atau kejadian pada umumnya tidak dilakukan secara terus menerus tetapi beberapa periode, Di Universitas Pembangunan Nasional “Veteran” Jawa Timur ada banyak kegiatan dari berbagai fakultas-fakultas yang ada. . Disetiap kegiatan mempunyai peserta baik dalam maupun dari luar Universitas, namun pihak di fakultas tidak memberikan klasifikasi pembeda manakah program studi yang memiliki banyak kegiatan dan memiliki jumlah peserta terbanyak. Berdasarkan penelitian ini dapat disimpulkan bahwa dengan penggunaan metode Naive Bayes pada kegiatan Mahasiswa dapat dibuat rating sebagai bahan untuk evaluasi kegiatan. Dengan adanya metode naive bayes dalam rating kegiatan Mahasiswa dapat mengetahui mana kegiatan yang baik, favorit, kurang baik, kurang menarik dengan tidak berpandangan pada satu aspek saja melainkan dengan beberapa aspek yang terkait.
. Kata Kunci: klasifikasi, Rating Kegiatan, Naïve Bayes Classifier.
PENDAHULUAN
Kegiatan adalah suatu aktivitas peristiwa atau kejadian pada umumnya tidak dilakukan secara terus menerus tetapi beberapa periode, jika dikaitkan dengan kegiatan kemahasiswaan berarti merupakan suatu kegiatan yang bersifat ekstra kurikuler untuk melengkapi kegiatan intra kurikuler,yaitu suatu kegiatan yang dilaksanakan di dalam maupun di luar kampus tanpa diberi bobot sks, yang meliputi : pengembangan penalaran dan keilmuan, bakat minat dan kegemaran, kesejahteraan mahasiswa, serta bakti sosial mahasiswa.
Kadang-kadang masyarakat umum bahkan mahasiswa belum mengetahui secara pasti bahwa ternyata ada kegiatan tersebut di kampus perguruan tinggi, sehingga mereka tidak mengikuti atau mungkin justru sengaja tidak mau mengikuti dengan alasan kurang tertarik, kawatir kalau menganggu perkuliahan, atau sebab lainnya, pada hal banyak keuntungannya kalau mengikuti kegiatan tersebut antara lain: menambah wawasan, menambah pengetahuan, belajar berorganisasi, belajar berkomunikasi, belajar memecahkan masalah.
Di Universitas Pembangunan Nasional
“Veteran” Jawa Timur ada banyak kegiatan dari berbagai fakultas-fakultas yang ada. Di satu Fakultas mengadakan kegiatan non- akademik maupun akademik. Salah satunya Fakultas Ilmu Komputer Universitas Pembangunan “Veteran” Jawa Timur yang memiliki 2 Program Studi yaitu Informatika dan Sistem Informasi. Masing-masing Program Studi tersebut sering mengadakan kegiatan seperti : Kuliah Umum, Seminar, Workshop, dsb. Disetiap kegiatan mempunyai peserta baik dalam maupun dari luar Universitas, namun pihak di fakultas tidak memberikan klasifikasi pembeda manakah program studi yang memiliki banyak kegiatan dan memiliki jumlah peserta terbanyak. Oleh karena itu klasifikasi pembeda perlu ada untuk memacu masing-masing program studi membuat kegiatan yang menambah wawansan untuk mahasiswanya.
Dalam mengklasifikasikan ini menggunakan metode pada artifical intelligent yaitu naive Bayesian. Metode Metode naive bayesian adalah salah satu metode klasifikasi dan percabangan dari artifical intellegence, kegiatan-kegiatan tersebut akan di bentuk suatu Ranking yaitu Favorit dan Tidak Favorit, sehingga mahasiswa diluar Fakultas
2 Ilmu Komputer dapat mengetahui kegiatan
apa sajakah yang ada di Fakultas Ilmu Komputer. Dengan kriteria program studi, jenis kegiatan, hasil kegiatan, dan ranking. Dengan di latar belakangi tersebut peneliti akan membuat perhitungan klasifikasi program studi mana sajakah yang favorit dan tidak favorit. Berdasarkan penelitian sebelumnya terkait dengan Metode Naive Bayes Classified.
Paper yang ditulis oleh Riszki Wijayatun Pratiwi dan Yusuf Sulistyo Nugroho (2016) yang menggunakan metode naive bayes untuk memprediksi rating film. Hasil penelitian menunjukkan bahwa hasil prediksi rating film menggunakan metode naïve bayes memiliki accuracy 55,80%, precision 32,41%, dan recall 46,70% menunjukan bahwa mayoritas prediksi rating film rendah. Adapun paper yang ditulis oleh Muhammad Husni Rifqo dan Ardi Wijaya (2017) menggunakan metode algoritma naive bayes untuk memberikan penetuan pemberian kredit. Hasil penelitian terbukti bahwa model Naive Bayes mampu menganalisa pelanggan yang baik dan pelanggan yang buruk baik menggunakan data Agiing leasing ACC maupun menggunakan data credit approval negara Australia dan Japan dari UCI.Banyaknya record dan atribut pada sebuah data set juga mempengaruhi tingkat akurasi dari model Naive Bayes ini.
Pada paper selanjutnya ditulis oleh Alfa Saleh (2015) yaitu memprediksi besarnya penggunaan listrik rumah tangga. Dalam penelitian ini metode Naive Bayes berhasil mengklasifikasikan 47 data dari 60 data yang diuji. Sehingga metode Naive Bayes berhasil memprediksi besarnya penggunaan listrik rumah tangga dengan persentase keakuratan sebesar 78,3333%.
Paper yang lain ditulis oleh Wiwik Muslehatin, Muhammad Ibnu dan Mustakim dengan topik Klasifikasi kemungkinan obesitas mahasiswa sistem informasi UIN Suska Riau. Dengan hasil pengujian menunjukkan dengan akurasi sebesar 66,67% yaitu 16 responden beresiko untuk mendapatkan kemungkinan obesitas tingkat sedang. 69 responden mempunyai tingkat gizi normal,3 responden mempunyai kekurangan gizi. Paper selanjutnya ditulis oleh Anis Zubair dan Moch Muksin dengan topik
Klasifikasi status gizi. Dengan hasil penelitian mencapai akurasi 98 persen adalah klasifikasi dengan menghilangkan atribut umur, berat badan, lingkar perut, dan visceral fat.
Dari beberapa penelitian terdahulu, pada paper ini diambil studi kasus yaitu klasifikasi rating kegiatan kampus dengan menggunakan metode naive bayes classifier dimana dataset diambil dari kegiatan yang ada di Fakultas Ilmu Komputer Universitas Pembangunan Nasional “Veteran” Jawa Timur.
METODE PENELITIAN
Adapun metode penelitian yang diterapkan pada penelitian ini seperti pada Gambar 1.
a. Penentuan Klasifikasi
Dari permasalahan yang telah dijelaskan sebelumnya, penelitian ini akan menggunakan metode naive bayes. Dalam naive bayes dibutuhkan beberapa klasifikasi untuk mendukung metode tersebut. Pada penelitian ini klasifikasi nya terdapat 4 yaitu : program studi, jenis kegiatan, hasil kegiatan, jumlah peserta. Dari 4 klasifikasi tersebut
akan muncul
klasifikasi 1 baru yaitu rating, yang mana rating inilah merupakan hasil.
Gambar 1. Blok Diagram Klarifikasi Rating Kegiatan Kemahasiswaan
b. Pengumpulan Data
Dalam penelitian ini, pengumpulan data dilakukan dengan 2 cara, yaitu yang pertama adalah wawancara dengan kahima untuk mendapatkan informasi kegiatan dalam program studi masing- masing. Kedua yaitu dengan membagikan
Penentuan Klasifikasi
Pengumpula n Data
Pengolahan Data Dg Progran
Hasil Rating
3 quetioner kepada mahasiswa mengenai
kegiatan yang telah dilaksanakan oleh masing-masing hima.
c. Pengolahan Data dengan Program
Naïve Bayes merupakan teknik prediksi berbasis probabilitas sederhana yang berdasarkan pada penerapan teorema Bayes dengan asumsi independensi yang kuat. Dengan kata lain, dalam Naïve bayes menggunakan model fitur independen, maksud independen yang kuat pada fitur adalah bahwa data tidak berkaitan dengan data yang lain dalam kasus yang sama ataupun atribut yang lain. Rumus untuk teorema bayes adalah sesuai dengan persamaan (1)
(1)
Probabilitas X Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan (C|X1…,Xn) menggunakan aturan perkalian sebagai berikut.
Dimana:
X: Data dengan class yang belum diketahui
H: Hipotesis data merupakan suatu class spesifik
P(H|X): Probabilitas hipotesis H berdasar kondisi X (posteriori probabilitas)
P(H): Probabilitas hipotesis H (prior probabilitas)
P(X|H): Probabilitas X berdasarkan kondisi pada hipotesis H
P(X): Probabilitas X d. Jenis Data
Jenis data yang ada pada penelitian ini adalah Data Primer yaitu dimana data yang diperoleh dari wawancara di masing- masing program studi yaitu Seminar
Startup 2017, Seminar Nasional Talkshow dan Expo Isme 2018, Seminar dan Workshop 2019, Seminar IT FEST, Workshop IT FEST, Seminar Rocket ILC, Open Talk, Kuliah Tamu
e. Metode Pengumpulan Data
Metode pengumpulan data yang dilakukan pada penelitian ini yaitu dengan :
1. Wawancara dan Observasi:
pengumpulan data dengan cara ini yaitu dengan mewawancarai Ketua Himpunan Mahasiswa Teknik Informatika dan Sistem Informasi mengenai kegiatan mahasiswa selama tahun ini, kemudian dilanjutkan peninjauan terhadap dokumen dokumen (lpj) untuk mengetahui nama kegiatan, jenis kegiatan, jumlah peserta, dll.
2. Studi Pustaka : Mengumpulkan literatur pendukung penelitian, baik dari buku referensi ataupun browsing dari internet.
Pada penelitian ini di awali dengan pendefinisian masalah hingga metode yang akan di gunakan. Di bawah ini adalah tahapan sebagai berikut :
a) Pendefinisian permasalahan berkaitan dengan merancang suatu analisa.
b) Studi Pustaka : Pengumpulan data yaitu berupa literatur buku, jurnal nasional maupun internasional, kemudian penelitian yang pernah di lakukan peneliti sebelumnya.
c) Wawancara : Melakukan proses wawancara tanya jawab dengan pihak ketua program studi Teknik Informatika, Sistem Informasi, dan Informatika.
d) Observasi : Pengamatan langsung proses kegiatan yang ada
e) Analisa : Melakukan analisa pada hasil observasi, wawancara, penelitian sebelumnya.
f) Penerapan Metode : Metode mana sajakah yang akan di
4 gunakan pada klasifikasi program
studi mana sajakah yang favorit.
g) Pengambilan Kesimpulan Oleh Peneliti.
f. Hasil Rating
Hasil Rating pada perhitungan klasifikasi menurut program studi, jenis kegiatan, dan hasil kegiatan didapatkan hasil seperti yang ada di Gambar 2. Data Uji dimana bisa menghitung masing-masing klasifikasi yang ada dengan metode Bayes untuk ranking kegiatan kampus Fakultas Ilmu Komputer Universitas Pembangunan Nasional
“Veteran” Jawa Timur.
HASIL DAN PEMBAHASAN
Berikut ini adalah kriteria dalam menentukan hasil berdasarkan ranking menggunakan metode klasifikasi Naive Bayesian, tergantung seperti kriteria dibawah ini.
a) Progdi : Teknik Informatika dan Sistem Informasi
b) Jenis Kegiatan : Kuliah Umum, Workshop dan Seminar.
c) Hasil Kegiatan (Berdasarkan Peserta) : Memuaskan, Cukup (Di dapatkan dari jumlah peserta kegatan)
d) Ranking: Favorit, Tidak Favorit.
Tahap 1 Menghitung jumlah class/label (Ranking)
P(Favorit) = 3/7 P(Tidak Favorit ) = 4/7
Untuk menghitung Probabilitas Ranking, dihitung banyaknya Favorit, Tidak Favorit dan Jumlah Seluruhnya. P(Favorit) adalah 3 dari 7 data. P(Tidak Favorit) adalah 4 dari 7 data pada tabel 1.
Tabel 1. Dataset
Tahap 2 Menghitung Jumlah Untuk Masalah Sama dengan Class Yang Sama (Berdasarkan Program Studi)
Tabel 2. Perhitungan Probabilitas Program Studi
Program Studi
Jumlah Kejadian Probabilitas Favorit Tidak
Favorit Favorit Tidak Favorit Informatik
a 2 2 0.66666
667 0.5
Sistem
Informasi 1 2 0.33333
333 0.5
Jumlah 3 4 1 1
Untuk menghitung Jumlah Kejadian Program Studi, dihitung banyaknya Favorit, Tidak Favorit dan Jumlah Seluruhnya. P(Favorit | Informatika) adalah 2 dari 3 data.
P(Tidak Favorit| Informatika) adalah 1 dari 3 data. P(Favorit| Sistem Informasi) adalah 2 dari 4 data. P(Tidak Favorit | Sistem Informasi) adalah 2 dari 2 data.
Lalu menghitung probabilitas dengan mengguna kan rumus probabilitas.
Menghitung Jumlah Untuk Masalah Sama dengan Class Yang Sama (Berdasarkan: Hasil Kegiatan), seperti pada table 3.
Tahap 3 Mengkalikan Semua Variabel Favorit dan Tidak Favorit Klasifikasi Bayes Untuk Ranking: Favorit, sesuai table 4.
5 Tabel3. Perhitungan Probabilitas Hasil
Kegiatan
Hasil Kegiatan
Jumlah Kejadian Probabilitas Favorit Tidak
Favorit Favorit Tidak Favor
it
Cukup 3 0 1 0
Memuask
an 0 4 0 1
Jumlah 3 4 1 1
Tabel 4. Data Uji
1. Informatika Kuliah Tamu Cukup ?
Perhitungan Probabilitas Data Uji Klasifikasi Bayes Untuk Ranking: Favorit. Dihitung berdasarkan Probabilitas Informatika dan Hasil Kegiatan Cukup yang Favorit
0.66666667*1 = 0.66666667
Klasifikasi Bayes Untuk Ranking: Tidak Favorit Dihitung berdasarkan Probabilitas Informatika dan Hasil Kegiatan Cukup yang Tidak Favorit 0.5 *0=0
Tahap 4: Perhitungan pemaksimal untuk klasifikasi kelas Favorit Dihitung berdasarkan Probabilitas Favorit dan Ranking Favorit 0.66666667 * 3/7=0.285714287
Perhitungan pemaksimal untuk klasifikasi kelas Tidak Favorit. Dihitung berdasarkan Probabilitas Tidak Favorit dan Ranking Tidak Favorit
0*4/7=0
Dari hasil perhitungan di atas, maka klasifikasi Bayes untuk Ranking dari record 8 yang di peroleh adalah “FAVORIT” dengan nilai 0.285714287 dibandingkan dengan kegiatan yang tidak favorit.
Pada Gambar 2. Menunjukan inputan data set pada sistem klasifikasi rating kegiatan kemahasiswaan yang di rancang, yaitu dengan menginputkan data prodi, jenis kegiatan, hasil kegiatan dan rangking. Dan Gambar 3. Adalah menunjukan inputan data uji dari sistem.
Gambar 2. Dataset pada program
Gambar 3. Data Uji
Untuk hasil dari sistem ini dapat dilihat pada tampilan Gambar 4. Dimana proses klasifikasi rating ini akan ditunjukan pada akhir dari program ini.
Gambar 4. Hasil pada program
6 Dari hasil perhitungan berbasis web di atas,
maka klasifikasi Bayes untuk Ranking dari record 8 yang di peroleh adalah “FAVORIT”
PENUTUP
Berdasarkan penelitian ini dapat disimpulkan bahwa dengan penggunaan metode Naive Bayes pada kegiatan Mahasiswa dapat dibuat rating sebagai bahan untuk evaluasi kegiatan.
Dengan adanya metode naive bayes dalam rating kegiatan Mahasiswa dapat mengetahui mana kegiatan yang baik, favorit, kurang baik, kurang menarik dengan tidak berpandangan pada satu aspek saja melainkan dengan beberapa aspek yang terkait.
DAFTAR PUSTAKA
Agus Sugihandono, Kusrini, dan Hanif Al Fatta, Case Base Reasoning Sebagai Alat Bantu Diagnosis Penyakit Ternak Sapi menggunakan Sorenson Coeficient, Jurnal Teknologi Informasi, 2019, Vol.
14(02), Hal. 31-42
Astrid Novita Putri, Penerapan Naive Bayesian Untuk Perankingan Kegiatan Di Fakultas TIK Universitas Semarang, Jurnal SIMETRIS, 2017, Vol. 8(2), Hal.
603-610
Arif Rohmadi , Case Based Reasoning Untuk Pemilihan Kegiatan Organisasi Mahasiswa, Jurnal Momentum, 2015, Vol. 17 (2), Hal. 39-43.
Chairul Fadla, Selfia Ningsih, dan Agus Perdana Windarto, Penerapan Metode Naïve Bayes Dalam Klasifikasi Kelayakan Keluarga Penerima Beras Rastra, JUTIM, 2018, Vol. 3(1), Hal. 1-7 Chavid Syukri Fatoni, Friandy dan Dwi
Noviandha, Case Based Reasoning Diagnosis Penyakit Difteri dengan Algoritma K-Nearest Neighbor, Citec Journal, 2017, Vol. 4 (3), Hal. 220-232 Effrida M, Fricles A. S., Mamed R. M.,
Penerapan Algoritma Naive Bayes Untuk Memprediksi Jumlah Produksi Barang Berdasarkan Data Persediaan, Jurnal Mantik Penusa, 2017; Vol.1 (2):
Hal 16-21.
Hamid Muhammad Jumasa, Silmi Fauziati dan Adhistya Erna Permanasari, Penerapan Case-Based Reasoning Dalam Menentukan Similarity Berdasarkan Kesesuaian Lahan Kelapa Sawit, Conference on Information Technology and Electrical Engineering (CITEE), Yogyakarta, 2017, Hal 306-313 I Gede Susrama Mas Diyasa dan Ariyono
Setiawan, Rancang Bangun Aplikasi
“W-Mass (Weight Monitor Assistant)”
Berbasis Android Studio Dengan Bahasa Native Java, Jurnal Penelitian Poltekbang Surabaya, Vol. 4(2), 2019, Hal. 78-96
I Putu Warma Putra, Implementasi Teorema Bayes Untuk Menganalisa Kerusakan Pada Air Conditioner Ruangan Berbasis Android, Seminar Nasional Teknologi Informasi Dan Multimedia, Yogyakarta, 2016, Hal. 3.6-25-3.6-30 Laksana Priyo Abadi, Kajian Penerapan
Algoritma C4.5, Naive Bayes, Dan Neural Network Dalam Pemilihan Dosen Teladan: Studi Kasus Universitas Indraprasta, Jurnal Faktor Exacta, 2016, Vol. 9(3), Hal. 237-246
Miswar Papuangan, Penerapan Case Based Reasoning Untuk Sistem Diagnosis Penyakit Hepatitis, JIKO (Jurnal Informatika Dan Komputer) Ternate, 2018, Vol. 02(01), Hal. 7-12
Marselina Elisabet Soinbala, Derwin Rony Sina dan Meiton Boru, Case Based Reasoning Untuk Mendiagnosis Gizi Buruk Pada Anakusia 0-5 Tahun Menggunakan Metode Cosine Similarity, J-ICON (Jurnal Komputer &
Informatika), 2019, Vol. 7 (1), Hal. 67-71 Nadya paramitha, Erfian Junianto dan Sari
Susanti, Penerapan Teorema Bayes Untuk Diagnosis Penyakit Pada Ibu Hamil Berbasis Android, Jurnal Informatika, 2019, Vol.6(1), Hal. 53-61 Niken Cahyorinartri, Motivasi Mahasiswa Berorganisasi Di Kampus, Jurnal Psikologi Insight, 2018, Vol. 2(2), Hal.
27-3
Nur Aini Hutagalung, Implementasi Metode Bayes Pada Sistem Pakar Mendiagnosa Penyakit Polio, Jurnal
7 Sistem Informasi dan Komputerisasi
Akuntansi, 2018, Vol. 1(2), Hal. 26-30 Nur Amaliah, Asahar Johar, I Wayan
Dharmayana, Implementasi Metode Case Based Reasoning (CBR) Dalam Menentukan Klasifikasi Anak Yang Mengalami Reterdasi Mental, Jurnal Rekursif, 2017, Vol. 5(1), Hal. 33-42 Nur Shodik, Neneng dan Imam Ahmad, Sistem
Rekomendasi Pemilihan Smartphone Snapdragon 636 Menggunakan Metode Simple Multi Attribute Rating Technique (Smart), Jurnal Nasional Pendidikan Teknik Informatika, Vol.
7(3), 2018, Hal. 219-288
Nurfalinda dan Nerfita Nikentari , Case Based Reasoning untuk Diagnosis Penyakit Gizi Buruk, Jurnal Sustainable, 2017, Vol. 6(2), Hal. 53-60
Suroto, Dinamika Kegiatan Organisasi Kemahasiswaan Berbasis Kearifan Lokal Dalam Upaya Memperkuat Karakter Unggul Generasi Muda, Jurnal Pendidikan Kewarganegaraan, 2016, Vol. 6(2), hal. 1040-1046
Wita Yulianti, Aptitude Testing Berbasis Case- Based Reasoning Dalam Sistem Pakar Untuk Menentukan Minat Dan Bakat Siswa Sekolah Dasar, Jurnal Teknologi dan Sistem Informasi, Vol. 1(2), 2016, Hal. 104-118
