Penerapan Algoritma Naïve Bayes Classifier Untuk Klasifikasi Penerima Beasiswa Di SMA Negeri 1
Karangkobar
Aristiyani
Sistem Informasi, Universitas BSI [email protected]
Abstract
Education is one of the rights possessed by every citizen of Indonesia. Therefore, there is a need for government attention to help disadvantaged people in education, namely through scholarships. SMA Negeri 1 Karangkobar is a school that organizes underprivileged scholarship programs, the scholarship is in the form of money relief assistance SPP. In its implementation, officers often experience difficulties in determining students to get scholarships based on predetermined criteria. Thus analysis of data mining techniques is needed using naïve bayes classifier in data processing and is expected to be used to analyze scholarships for scholarship applicants. Thus analysis of data mining techniques is needed using naïve bayes classifier in data processing and is expected to be used to analyze scholarships for scholarship applicants.
Data on scholarship applicants is carried out by data cleaning and reduction processes so that the data is fewer but informative, so it is feasible to do the next process. Then the classification is done with Naïve Bayes classifier so as to produce a classification probability model. From the test it produced an accuracy of 87.39% and included in the criteria of good classification.
Keywords: Naïve Bayes Classifier Algorithm, Classification, Scholarship Abstrak
Pendidikan merupakan salah satu hak yang dimiliki oleh setiap warga Negara Indonesia. Oleh karena itu, perlu adanya perhatian pemerintah untuk membantu masyarakat kurang mampu dalam pendidikan yaitu dengan beasiswa. SMA Negeri 1 Karangkobar merupakan sekolah yang menyelenggarakan program beasiswa kurang mampu, beasiswa tersebut berupa bantuan keringanan uang SPP. Dalam pelaksanaanya petugas sering mengalami kesulitan dalam menentukan siswa untuk mendapatkan beasiswa berdasarkan kriteria yang telah ditentukan.
Dengan demikian diperlukan analisis teknik data mining menggunakan naïve bayes classifier dalam pengolahan data dan diharapakan dapat digunakan untuk menganalisis pemberian beasiswa kepada pendaftar beasiswa. Data pendaftar beasiswa dilakukan proses pembersihan data dan reduksi agar data tersebut lebih sedikit namun bersifat informatif, sehingga layak untuk dilakukan proses selanjutnya. Kemudian dilakukan klasifikasi dengan Naïve bayes classifier sehingga menghasilkan model probabilitas klasifikasi. Dari pengujian menghasilkan akurasi sebesar 87,39% dan termasuk kedalam kriteria good classification.
Kata Kunci : Algoritma Naïve Bayes Classifier, Klasifikasi, Beasiswa
1. Pendahuluan
Pendidikan merupakan salah satu hak yang dimiliki oleh setiap warga masyarakat Indonesia. Hak tersebut harus dipenuhi demi terciptanya salah
satu
tujuan negara yaitu mencerdaskan kehidupan bangsa. Pasal 31 ayat 1 Undang-Undang Dasar Republik Indonesia 1945 menyebutkan bahwa setiap warga negara berhak mendapatkan pendidikan. Olehkarena itu, perlu adanya perhatian dari pemerintah untuk membantu masyarakat kurang mampu di Indonesia dalam dunia pendidikan, yaitu dengan beasiswa.
Menurut Lahinta dalam (Ramadhon, Jaenudin, & Fatimah, 2017) “Beasiswa adalah pemberian berupa bantuan keuangan yang diberikan kepada perorangan yang bertujuan untuk digunakan demi keberlangsungan pendidikan yang ditempuh. Beasiswa dapat
diberikan oleh lembaga pemerintahan, perusahaan, ataupun yayasan”.
SMA Negeri 1 Karangkobar merupakan sekolah menengah atas yang terletak di Kabupaten Banjarnegara yang menyelenggarakan program beasiswa kurang mampu bagi siswanya. Beasiswa tersebut berupa bantuan keringanan pembayaran uang SPP (Sumbangan Sarana Pendidikan). Dalam pelaksanaan petugas seleksi penerima beasiswa sering mengalami kendala kesulitan dalam menentukan siswa yang sesuai untuk mendapatkan beasiswa berdasarkan kriteria yang telah ditentukan, hal tersebut disebabkan oleh beberapa faktor yaitu kuota beasiswa yang diberikan tidak sebanding dengan banyaknya jumlah siswa pendaftar beasiswa. Prosedur pengolahan data yang dilakukan meliputi pengumpulan data, pengelompokan, pencocokan data dengan biodata siswa, perkiraan siswa menerima beasiswa dan menyusun laporan, sehingga keputusan pemberian beasiswa dilakukan cukup lama, kemudian saat pemberian beasiswa banyak siswa yang protes karena penyaluran beasiswa tersebut tidak tepat sasaran. Oleh karena itu diperlukan analisis terhadap penerima beasiswa yang bisa dilakukan dengan teknik data mining.
Menurut (Raharjo, 2018) “Data mining diartikan sebagai ekstraksi informasi atau pola yang penting atau menarik dari data yang ada di database yang sangat besar. salah satu teknik data mining adalah klasifikasi. Menurut (Annur, 2018) ” Klasifikasi dalah proses penemuan model (atau fungsi) yang menggambarkan dan membedakan atau konsep yang bertujuan agar bisa digunakan untuk memprediksi kelas dari objek yang label kelasnya tidak diketahui”. Dengan teknik klasifikasi menggunakan algoritma naïve bayes classification (NBC) dalam pengolahan data tersebut, diharapkan dapat dibangun sebuah model yang dapat digunakan untuk menganalisis pemberian beasiswa kepada siswa pendaftar beasiswa.
Menurut (Adi, 2018) “Penggunaan algoritma naïve bayes classifier merupakan salah satu algoritma klasifikasi yang sederhana namun memiliki kemampuan dan akurasi tinggi”. Hal ini diharapkan dapat digunakan untuk menganalisis kelayakan penerima beasiswa agar tepat sasaran.
2. Tinjauan Pustaka 2.1. Data Mining
Menurut (Iskandar, et al, 2018) “Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining sebagai proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematika”.
2.2. Naïve Bayes
Menurut (Suleman, et al, 2018)
“Naïve Bayes merupakan suatu klasifikasi berpeluang sederhana berdasarkan aplikasi teorema bayes dengan asumsi antar variabel penjelas saling bebas (Independen) yaitu kehadiran atau ketiadaan dari suatu kejadian tertentu dari suatu kelompok tidak berhubungan dengan kehadiran atau ketiadaan dari kejadian lainnya”. Secara umum, teorema bayes dinyatakan sebagai berikut:
Dimana:
X: Data dengan class yang belum diketahui H: Hipotesis data merupakan class spesifik P(H|X):Probabilitas hipotesis H bedasarkan 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 2.3. Klasifikasi
Menurut (Adi, 2018) “Klasifikasi merupakan proses menemukan sebuah model atau fungsi yang mendeskripsikan dan membedakan data kedalam kelas- kelas atau konsep-konsep. Klasifikasi melibatkan proses pemeriksaan karakteristik dari objek dan memasukan objek ke dalam salah satu kelas yang sudah didefinisikan sebelumya”.
2.4. Rapidminer
Menurut Setyawan & Nugroho dalam (Ruhyana, 2019) “Rapidminer merupakan software tools open source untuk data mining. Rapidminer dioperasikan pada sebuah lingkungan untuk machine learning, data mining, text mining, predictive analytics”
2.5. Pengukuran Kerja Klasifikasi
Menurut (Hasan, 2017) ”Dalam bidang pembelajaran mesin confusion matrix dikenal sebagai tabel kemungkinan atau matrix error yang merupakan tata letak table khusus yang memungkinkan visualisasi kinerja algoritma yang biasanya supervised learning (dalam unsupervised learning itu biasanya disebut matching matrix). Yang setiap kolom dari matrix merupakan contoh dikelas prediksi, sementara setiap baris mewakili contoh dikelas sebenarnya. Confusion matrix juga memberikan keputusan yang diperoleh dalam training dan testing dan memberikan penilaian dalam performance klasifikasi berdasarkan objek dengan benar atau salah”.
Tabel 1 Confusion Matrix
Untuk menghitung nilai akurasi dengan rumus perhitungan sebagai berikut:
Accuracy= =( )…(4) Precision=
………(5) Recall= ………… (6) Keterangan:
TP : Prediksi positif yang positif FN : Prediksi positif yang negatif FP : Prediksi negatif yang positif TN : Prediksi negatif yang negatif
Menurut Gorunescu dalam (Karyadiputra, 2016) tingkat keakurasian AUC dapat diklasifikasikan menjadi lima kelompok yaitu:
1. 0,90 –1,00 = excellent classification 2. 0.80 – 0,90 = good classification 3. 0,70 – 0,80 = fair classification 4. 0,60 – 0,70 = poor classification 5. 0,50 – 0,60 = failure
2.6. Beasiswa
Menurut (Hendayanti, et al, 2018)
“Beasiswa adalah pemberiana berupa bantuan keuangan yang
diberikan kepada peroranan yang bertujuan untuk digunakan demi keberlangsungan pendidikan yang ditempuh. Pemberian beasiswa merupakan program kerja
yang ada disetiap universitas atau perguruan tinggi. Program beasiswa
diadakan untuk meringankan beban mahasiswa dalam menempuh masa studi kuliah khususnya dalam masalah biaya”.
3. Metodologi Penelitian 3.1. Tahapan Penelitian
Untuk Melakukan sebuah penelitian, diperlukan adanya tahapan-tahapan yang tersusun dengan baik dan sistematis agar pelaksanaan penelitian tepat mencapai tujuan yang diharapkan. Adapun tahapan yang dilakukan penulis yaitu sebagai berikut:
Gambar 1 Tahapan Penelitian 3.2. Instrumen Penelitian
Pada penelitian ini akan digunakan beberapa instrumen penelitian, antara lain sebagai berikut:
1. Perangkat Lunak (Software)
Perangkat lunak yang digunakan dalam penelitian ini adalah software rapitminer versi 7.6.
2. Dataset
Penelitian ini menggunakan dataset data siswa SMA Negeri 1 Karangkobar tahun 2019 sebanyak 793 data siswa dan atribut yang sudah di transformasi terdiri dari nama peserta didik, nilai, absensi, penghasilan orang tua, jumlah tanggungan orang tua,
surat
keterangan tidak mampu dan beasiswa. Dataset ini dibagi menjadi 2 bagian yaitu data training dan data testing
.
3. Pemodelan
Pada penelitian ini dilakukan proses pengolahan data mining dengan menggunakan algoritma klasifikasi naïve bayes. Hal ini dilakukan dengan tujuan untuk memperoleh nilai akurasi yang lebih tinggi dalam penerapan dataset penerimaan beasiswa.
3.3 Metode Pengumpulan Data, Populasi dan Sampel Penelitian
1. Metode Pengumpulan Data
Data penelitian menggunakan data primer. Data primer yaitu dari data penerima beasiswa SMA Negeri 1 Karangkobar, data tersebut merupakan data siswa yang yang menerima maupun tidak menerima. Data pada penelitian ini dibagi menjadi dua yaitu data training dan testing, kemudian dikelompokan menurut nilai atribut yang sesuai dengan kebutuhan penelitian.
2. Populasi dan Sampel Penelitian 1. Populasi
Populasi pada penelitian menggunakan dataset beasiswa sebanyak 793 record dengan data atribut pada penelitian ini yaitu nama peserta didik, nilai, absensi, jumlah penghasilan orang tua, jumlah tanggungan orang tua dan surat keterangan tidak mampu. Data digolongkan kedalam 2 kelas yaitu iya dan tidak, yang akan dibagi menjadi data training dan testing.
2. Sampel
Sampel yang digunakan untuk pengujian terhadap model yang dihasilkan atau dapat dikatakan sebagai data testing, sedangkan data training berfungsi sebagai bahan pelatihan suatu model. Dataset beasiswa memiliki total record 793, kemudian data tersebut akan dibagi menjadi dua bagian yaitu data training dan data testing berikut rincian pemisahan dari dataset beasiswa
Tabel 2 Data Testing dan Training
3.4. Metode Analisis Data 1. Pengolahan Data Awal
Pengolahan data awal dilakukan untuk mempersiapkan data yang benar- benar valid sebelum diproses pada tahap selanjutnya. Jumlah data awal 793 record dengan atribut berjumlah 10 namun tidak semua atribut digunakan karena harus melalui beberapa tahap pengolahan awal data (preparation data), Tahap pengelolaan data awal (preparation data) yaitu sebagai berikut:
a. Sampling
Dataset beasiswa terdiri dari 793 record data. Untuk menguji model
yang diterapkan, data dibagi menjadi dua bagian yaitu data training digunakan untuk pengembangan model, sedangkan data testing digunakan untuk pengujian model. Setelah diketahui jumlah dataset maka pembagian data sebesar 70% digunakan untuk data training dan 30% untuk data testing, dengan masing-masing data 555 dan 238 data.
b. Pembersihan Data
Sebelum melakukan proses data mining perlu melakukan proses cleaning data terlebih dahulu. Pada tahap ini dilakukan pemilihan atribut data yang akan digunakan dalam penelitian, maka untuk atribut yang tidak digunakan seperti Nis, jenis kelamin dan kelas akan dihilangkan.
c. Data Transformasi
Transformasi adalah mengubah data format asli menjadi bentuk yang sesuai untuk mempermudah proses penambangan data. Berkut adalah data transformasi dari atribut nilai, atribut absensi, atribut jumlah penghasilan orang tua, serta atribut jumlah tanggungan orang tua.
d. Data Reduksi
Mereduksi data set dengan mengurangi jumlah atribut dan record agar lebih sedikit namun bersifat informatif. Pada penelitian ini menghapus atribut dengan nilai yang sama atau yang kurang penting pada excel sheet yaitu menghapus no, nis, jenis kelamin dan kelas.
Hasil dari pengolahan data awal setelah melalui pembersihan, transformasi, dan reduksi data menyisihkan 7 atribut dan 793 record. Dapat dilihat pada tabel berikut:
Tabel 3 Hasil Pengolahan Data Awal
2. Metode Yang Diusulkan
Pada penelitian ini metode yang diusulkan adalah metode klasifikasi data mining algoritma naïve bayes. Pengujian model menggunakan split validation dengan pembagian 70% data treaning dan 30% data testing. Hasil klasifikasi akan diukur menggunakan tingkat akurasi. Alur dari metode yang diusulkan terlihat pada gambar
Gambar 2 Metode Yang Diusulkan 3. Pengujian Model
Pada penelitian ini menggunakan pengujian model software rapidminer versi 7.6. Untuk membentuk metode naïve bayes digunakan tools Rapidminer. Dalam proses menggunakan rapidminer.
Gambar 3 Pengujian Model 4. Evaluasi dan Validasi
Pada tahap ini, akan dilakukan evaluasi terhadap kualitas dan efektivitas dari model yang sudah dibuat. Proses evaluasi ini akan menggunakan nilai accuracy, recall dan precision. Tujuannya untuk mengukur hasil kinerja dan klasifikasi. Kemudian tahapan evaluasi dataset seleksi penerima beasiswa menggunakan software rapidminer dengan cara memasukan testing seperti pada penjelasan sebelumnya dan diharapkan
dari pemodelan naïve bayes akan menghasilkan tingkat akurasi yang tinggi.
4. Hasil Penelitian
Proses perhitungan terhadap nilai akurasi dapat dilakukan dengan cara melakukan evaluasi tingkat akurasi dari algoritma naïve bayes.Tools yang digunakan pada penelitian ini adalah menggunakan software rapidminer serta menggunakan split validation dan confussion matrix. Hasil dari pengujian model yang telah dilakukan adalah untuk mengukur tingkat akurasi. Confussion matrix akan menggambarkan hasil akurasi mulai dari prediksi positif yang benar (TP), prediksi positif yang salah (TN), prediksi negatif yang benar (FP), dan prediksi negatif yang salah (FN).
1. Hasil Eksperimen Menggunakan Algoritma Naïve Bayes
Pada tahap ini adalah proses eksperimen dengan pengujian naïve bayes menggunakan software rapidminer. Dataset siswa dibagi menjadi beberapa ukuran pembagian data training dan data testing.
Dataset yang telah disiapkan untuk implementasi proses uji model kemudian diuji pada algoritma naïve bayes dengan metode split validation. Berikut adalah hasil counfussion matrix menggunakan data sebanyak 793 record.
Tabel 4 Counfussin Matrix
Eksperimen ini menggunakan data sebanyak 793 record. Berdasarkan confussion terlihat bahwa 189 record diprediksi tidak sebagai kelompok data tidak, dan sebanyak 8 record diprediksi tidak sebagai kelompok data iya, sebanyak 22 record diprediksi iya sebagai kelompok data tidak dan sebanyak 19 record diprediksi iya sebagai kelompok data iya.
a. Menghitung Akurasi
Nilai akurasi adalah proporsi jumlah prediksi yang benar dihitung menggunakan persamaan (4) sebagai berikut:
Akurasi =
Akurasi = x 100 % 2. Perhitungan Algoritma Naïve
bayes
Pada penelitian ini kriteria atau atribut yang digunakan dalam penentuan seleksi penerima beasiswa meliputi nama peserta didik, absensi, nilai, penghasilan orang tua, jumlah tanggungan orang tua, surat keterangan tidak mampu dan beasiswa. Kriteria yang digunakan dalam penelitian ini yaitu sesuai dengan kebutuhan yang digunakan oleh pihak sekolah. Nilai kriteria ini akan diimplementasikan dengan menggunakan algoritma naïve bayes classifier.
a. Pada perhitungan klasifikasi ini data yang digunakan yaitu menghitung sebanyak 793 data yang dibagi untuk data training sebanyak 555 dan data testing sebanyak 238. Berikut adalah tabel data training.
Tabel 5 Data Training
Berikut adalah langkah-langkah menentukan klasifikasi data penerima beasiswa apabila diberikan input baru
.
1). Data Input Baru
Tabel 6 Data Input Baru
Pada data prediksi tersebut dengan P(C1) merupakan class target, kemudian akan ditentukan class atribut yang digunakan dengan ketentuan sebagai berikut:
C1 = (Beasiswa=”Iya”) C2 = (Beasiswa=”Tidak”) X1 = (Nilai= “Tinggi”) X2 = ( Absensi= “B”) X3 = (JPO= “Tinggi”) X4 = (JTO= “Sedang”) X5 = (SKTM= “Tidak”)
2). Menghitung Jumlah Probabilitas Prior untuk class/label pertama
a) P(C1)= P(Beasiswa= “Iya”) = 63/555
= 0,113
b) P(C2)= P(Beasiswa= “Tidak”) = 492/555 = 0,886
3) Menghitung jumlah probabilitas bersyarat untuk setiap kelas P(X|Ci), i=1,2, 1=Iya, 2=Tidak untuk setiap atribut pada sampel dan masukan
a) P(X1|C1)=P(Nilai=“Tinggi”|Beasiswa=
”Iya”) = = 0,825396
b) P(X1|C2)=P(Nilai=“Tinggi”|Beasiswa=
”Tidak”) =
=
0,577235c) P(X2|C1)=P(Absensi=“B”|Beasiswa=”Iya”) = = 0,873015
d) P(X2|C2)=P(Absensi=“B”|Beasiswa=”Tida k”) = = 0,930894
e) P(X3|C1) =P(JPO= “Tinggi” | Beasiswa=
“Iya”) = = 0,015873
f) P(X3|C2)=P(JPO=“Tinggi”| Beasiswa=
“Tidak”) = = 0,233739
g) P(X4|C1)=P(JTO=“Sedang”|Beasiswa
= “Iya”) = = 0,746031
h) P(X4|C2)=P(JTO=“Sedang”|Beasiswa=
“Tidak”) =
=
0,514227i) P(X5|C1)=P(SKTM=”Tidak”|Beasiswa
= “Iya”) = = 0
j) P(X5|C2) =P(SKTM= ”Tidak” | Beasiswa= “Tidak”) = = 0,382113 4) Kalikan probabilitas P(X|C1)P(C1) untuk
setiap kelas C1 dan C2
a) P(X|Beasiswa=”Iya”)P(Beasiswa”Iya)
= P(Nilai=Tinggi | C1=Iya) * P(Absensi=B | C1=Iya) * P(JPO
=Tinggi | C1=Iya) * P(JTO=Sedang | C1=Iya) * P(SKTM=Tidak | C1=Iya)
= 0.825396 * 0,873015 * 0,015873 * 0,746031* 0
= 0
b) P(X|Beasiswa=”Tidak”)P(Beasisw a”Tidak”)
= P(Nilai=Tinggi | C1=Tidak) * P(Absensi=B | C1=Tidak) * P(JPO =Tinggi | C1=Tidak) * P(JTO=Sedang | C1=Tidak) * P(SKTM=Tidak | C1=Tidak)
= 0,557235 * 0,930894 * 0,233739 * 0,514227 * 0,382113
= 0,023824
5) Bandingkan hasil probabilitas posterior class Iya dengan Tidak P(X|C1)P(C1) dari hasil diatas, terlihat bahwa nilai probabilitas tertinggi ada pada class (P | Tidak), sehingga dapat disimpulkan bahwa kategori calon penerima beasiswa tersebut termasuk dalam kategori “Tidak”
5. Kesimpulan
Berdasarkan hasil analisis dan pembahasan tentang seleksi penerima beasiswa di SMA Negeri 1 Karangkobar maka dapat disimpulkan bahwa:
Berdasarkan hasil pengujian confussion matrix dengan teknik split validation, penggunaan metode klasifikasi naïve bayes terhadap dataset yang telah diambil pada objek penelitian diperoleh tingkat akurasi sebesar 87,39% atau masih dalam kategori good classification. Sementara nilai precision sebesar 95,94% dan recall sebesar 89,57%. Berdasarkan hal tersebut dapat dinyatakan bahwa sistem klasifikasi yang dibangun dapat digunakan sebagai masukan bagi pengambilan keputusan.
6. Referensi
Adi, S. (2018). Implementasi Algoritma Naive Bayes Classifier Untuk Klasifikasi Penerima Beasiswa PPA Di Universitas Amikom Yogyakarta.
Jurnal Mantik Penusa, 22(1), 11–16.
Anggraini, R. A., Widagdo, G., Budi, A. S.,
& Qomaruddin, M. (2019).
Penerapan Data Mining
Classification untuk Data Blogger Menggunakan Metode Naïve Bayes.
Jurnal Sistem Dan Teknologi Informasi (JUSTIN), 7(1), 47.
https://doi.org/10.26418/justin.v7i1.30 211
Annur, H. (2018). Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes. 10, 160–165.
Budiman, A. S., & Parandani, X. A. (2018).
Uji Akurasi Klasifikasi Dan Validasi Data Pada Penggunaan Metode Membership Function Dan Algoritma C4.5 Dalam Penilaian Penerima Beasiswa. 9(1), 565–578.
https://doi.org/10.24176/simet.v9i1.2 021
Din, S. T. N., & Sumarauw, J. S. . (2018).
Pengaruh Rekrutmen Seleksi Dan Penempatan Kerja Terhadap Produktivitas Kerja Di PT HM Sampoerna Tbk. 6(4), 4053–4062.
Hasan, M. (2017). Prediksi Tingkat Kelancaran Pembayaran Kredit Bank Menggunakan Algoritma Naive Bayes Berbasis Forward selection. 9, 317–324.
Hendayanti, N. P. N., Putri, G. A. M. A., &
Nurhidayati, M. (2018). Ketepatan Klasifikasi Penerima Beasiswa STMIK STIKOM Bali dengan Hybrid Self Organizing Maps dan Algoritma K-Mean. Jurnal VARIAN, 2(1), 1–7.
https://doi.org/10.30812/varian.v2i1.3 16
Hijriana, N., Studi, P., Informatika, T., &
Islam, U. (2017). Penerapan Metode Decision Tree Algoritma C4 . 5 Untuk Seleksi. 9–13.
Idris, M. (2019). Implementasi Data Mining Dengan Algoritma Naïve Bayes Untuk Memprediksi Angka Kelahiran.
Jurnal Pelita Informatika, 18, 160–
167.
Iskandar, Tarigan, P., & Siregar, saidi ramadan. (2018). Penerapan Data Mining Dalam Surat Jalan Transportasi Mobil Angkutan Menggunakan Metode Cluestering.
Jurnal Pelita Informatika, 17, 460–
464.
Karyadiputra, E. (2016). Analisis Algoritma Naive Bayes Untuk Klasifikasi Status Kesejahteraan Rumah Tangga Keluarga Binaan Sosial. 7(4), 199–
208.
Khautsar, S. S. Al, Puspitasari, D., &
Mustika, W. P. (2018). Algoritma Naïve Bayes Untuk Memprediksi Kredit Macet Pada Koperasi Simpan Pinjam. Jurnal Informatika Upgris, 4(2).
https://doi.org/10.26877/jiu.v4i2.2919 Laia, D., Buulolo, E., & Sirait, M. J. F.
(2018). Implementasi Data Mining Untuk Memprediksi Pemesanan Driver Go-Jek Online Dengan
Menggunakan Metode Naive Bayes (Studi Kasus: Pt. Go-Jek Indonesia).
KOMIK (Konferensi Nasional Teknologi Informasi Dan Komputer),
2(1), 434–439.
https://doi.org/10.30865/komik.v2i1.9 72
Meilani, B. D., & Susanti, N. (2015).
Aplikasi Data Mining Untuk Menghasilkan Pola Kelulusan Siswa Dengan Metode Naïve Bayes. Jurnal Ilmiah NERO, 1(3), 182–189.
Putra, R. A. (2018). Penerapan Naïve Bayes Classifier dengan Gaussian Function Untuk Menentukan Kelompok UKT. 9(2), 112–117.
Raharjo, andi bekto. (2018). Penerapan Data Mining Untuk Mengklasifikasi Penerima dan Bukan Penerima Kartu Identitas Miskin ( KIM ) Kelurahan Sumurrejo Gunungpati dengan Metode Naive Bayes Classifier.
Ramadhon, R., Jaenudin, R., & Fatimah, S.
(2017). pengaruh beasiswa terhadap motivasi belajar mahasiswa pendidikan ekonomi universitas sriwijaya. 4, 203–213.
Ruhyana, N. (2019). Analisis Sentimen Terhadap Penerapan Sistem Plat Nomor Ganjil / Genap Pada Twitter Dengan Metode Naive Bayes. 3(1), 94–99.
Safii, M. (2018). Implementasi Data Mining Dengan Metode Pohon Keputusan Algoritma Id3 Untuk Menentukan Status Mahasiswa. Jurnal Mantik Penusa, 2(1), 82–86.
Saputra, R. A., Ramadhani, L. S., &
Supriatman. (2019). Penerapan Metode Interative Dichotomizer 3 (ID3) Untuk Menentukan Beasiswa Berprestasi Pada SMP PGRI Caringin Sukabumi. 15(1), 35–40.
Saragih, A. T. R., Sembiring, A. S., &
Sayuthi, M. (2018). Penerapan Metode Clustering K-Means untuk Proses Seleksi Calon Peserta Lomba MTQ. Pelita Informatika, 17(April), 117–122.
Suleman, Widodo, A. E., Ardiansyah, A., &
Fauzi, A. (2018). Sistem Pakar Diagnosa Kerusakan Printer Menggunakan Metode Naïve Bayes.
3(2), 228–233.
Tumini, & Damayanti, L. (2018). Aplikasi Data Mining Untuk Memprediksi Kelulusan Siswa Dengan Metode Naive Bayes Studi Kasus SMP
Negeri 11 Kotabumu Utara.
Informatika SIMANTIK, 3(2), 23–30.
Widiastuti, L. (2018). Pemilihan Fitur Pada Analisis Sentimen Review Travel Online Menggunakan Algoritma Naïve Bayes Dalam Penerapan Mutual Information Dan Particle Swarm Optimization ( PSO ). 3(1).
Yogaswara, N. S., Gunawan, G. F., &
Purwiantono, F. E. (2019). Prototype Penjemur Pakaian Otomatis Berbasis Microcontroller Arduino Dengan Metode Naïve Bayes Serta Menggunakan Sensor Ldr Dan Sensor Kelembaban Udara Dht 11.
Jurnal Teknoinfo, 13(1), 29.
https://doi.org/10.33365/jti.v13i1.198 Yunida, R., Watrianthis, R., & Nasution, M.
(2018). Sistem Informasi Seleksi Penerima Beasiswa Ptn Siswa Siswi Labuhanbatu Berbasis Web. Jurnal Ilmiah Amik Labuhan Batu, 6(2), 24–
34.
Yusuf, A. M. (2016). Metode Penelitian Kuantitatif, Kualitatif & Penelitian Gabungan. Jakarta: Prenada Media.
