Perbandingan Algoritma Klasifikasi Untuk Penjurusan Siswa SMA
DOI:
https://doi.org/10.31961/eltikom.v2i2.86Keywords:
Data Mining, Klasifikasi, Algoritma, Penjurusan SMAAbstract
Penentuan jurusan siswa pada tingkat pendidikan sekolah menengah atas pada umumnya menggunakan rekomendasi hasil psikotes, nilai akademik, minat dan bakat siswa. Tidak semua sekolah memiliki data yang lengakap untuk melakukan penjursan siswa. Dalam penelitian ini, difokuskan untuk mengomparasikan hasil nilai akademik siswa, untuk mata pelajaran rumpun ilmu pengetahuan alam dan ilmu pengetahaun sosial pada kelas 10 SMA. Nilai dari mata pelajaran yang manakah yang memiliki pengaruh tinggi terhadap penjurusan siswa di SMA. Terdapat beberapa algoritma dapat digunakan untuk membantu proses klasifikasi data siswa untuk rekomendasi penjurusan, misalnya C4.5, Naïve Bayes, K-NN, Rule Induction, dan lain-lain. Untuk mengetahui tingkat validasi digunakan metode cross validation. Kemudian digunakan T-Test untuk mengetahui signifikansi perbedaan antar algoritma. Hasil analisa komparasi pada penelitian komparasi algoritma untuk penjurusan ini, bahwa metode algoritma Naïve Bayes sebagai algoritma yang paling baik dibandingkan algoritma yang lainnya, yang meiliki akurasi pada 79,51% dan AUC pada nilai 0,861.
Downloads
Download data is not yet available.
References
Nugroho, S. Yusuf, 2015, Klasifikasi dan Clustering Penjurusan Siswa SMA Negeri 3 Boyolali, Vol. 1 No. 1, Jurnal Ilmu Komputer dan Informatika, Universitas Muhammadiyah Surakarta.
Dhika, Harry, 2015, Kajian Komparasi Penerapan Algoritma C4.5, Naïve Bayes, Neural Network Dalam pemilihan Mitra Kerja Penyedia Jasa Transportasi: Studi Kasus CV. Viradi Global Pratama, Prosiding Seminar Nasional Inovasi dan Tren (SNIT) 2015, Hal. A.
Aggarwal, Charru, 2015, Data Mining: The Textbook, Ibm T.J. Watson Research Center Yorktown Heights New York Usa
Ramakrishnan, Ragu; Johannes Gehrke, 2004, Sistem Manajemen Database, Edisi 3, Yogyakarta, Andi.
Saleh, Alfa, 2015, Implementasi Klasifikasi Metode Naïve Bayes dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga, Citec Journal Vol. 2, No. 3 Mei 2015 – Juli 2015, ISSN : 2354 - 5771.
Saleh , Alfa, 2015, Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga, Citec Journal, Vol. 2, No. 3, Mei 2015 – Juli 2015 ISSN: 2354-5771
Pattekari, S. A., Parveen, A., 2012, Prediction System for Heart Disease Using Naive Bayes, International Journal of Ad-vanced Computer and Mathematical Sciences, ISSN 2230-9624, Vol. 3, No 3, Hal 290-294.
Krisandi, Nobertus, Dkk, 2013, Algoritma K-Nearest Neighbor Dalam Klasifikasi Data Hasil Produksi Kelapa Sawit Pada Pt. Minamas Kecamatan Parindu, Buletin Ilmiah Math. Stat. Dan Terapannya (Bimaster) Volume 02, No.1 (2013), Hal. 33-38.
Agustina, Dana Melina, 2016, Analisis Perbandingan Algoritma ID3 Dan C4.5 Untuk Klasifikasi Penerima Hibah Pemasan-gan Air Minum Pada PDAM Kabupaten Kendal, Journal of Applied Intelligent System, Vol.1, No. 3, Oktober 2016 : 234-244
Khasanah, Nidaul Fata, 2016, Klasifikasi Proses Penjurusan SiswaTingkat SMA Menggunakan Data Mining, Informatics For Educators And Professionals, Vol.1, No. 1, Desember 2016, 65 –69 E-Issn: 2548-3412,
Selvia Lorena Br Ginting, 2014, Analisis Dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Memprediksi Masa Studi Mahasiswa Berdasarkan Data Nilai Akademik, Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST), ISSN: 1979-911
Wulansari, Andhita Dessy, 2012, Perbandingan Ketepatan Klasifikasi Antara Metode Regresi Logistik Dan Klasifikasi Pohon Pada Kasus Program Wajardikdas 9 Tahun, Cendikia Vol. 10. No. 1, Jurusan Tarbiyah Stain Ponorogo
Abdillah, Fakhrie, 2016, Penggunaan Deep Learning Untuk Prediksi Churn Pada Jaringan Telekomunikasi Mobile, e-Proceeding of Engineering : Vol.3, No.2 Agustus 2016, ISSN : 2355-9365, Bandung, Universitas Telkom.
Hastuti, Khafiizh, 2012, Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Mahasiswa Non Aktif, Se-marang, Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012 (Semantik 2012) Isbn 979 - 26 - 0255 - 0
Bustami, 2013, Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi, TECHSI: Jurnal Penelitian Teknik Informatika, Vol. 3, No.2, Hal. 127-146.
Nazir, M, 2007, “Metode Penelitian, Cetakan Ke Tigaâ€, Jakarta, Ghalia Indonesia
Dhika, Harry, 2015, Kajian Komparasi Penerapan Algoritma C4.5, Naïve Bayes, Neural Network Dalam pemilihan Mitra Kerja Penyedia Jasa Transportasi: Studi Kasus CV. Viradi Global Pratama, Prosiding Seminar Nasional Inovasi dan Tren (SNIT) 2015, Hal. A.
Aggarwal, Charru, 2015, Data Mining: The Textbook, Ibm T.J. Watson Research Center Yorktown Heights New York Usa
Ramakrishnan, Ragu; Johannes Gehrke, 2004, Sistem Manajemen Database, Edisi 3, Yogyakarta, Andi.
Saleh, Alfa, 2015, Implementasi Klasifikasi Metode Naïve Bayes dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga, Citec Journal Vol. 2, No. 3 Mei 2015 – Juli 2015, ISSN : 2354 - 5771.
Saleh , Alfa, 2015, Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga, Citec Journal, Vol. 2, No. 3, Mei 2015 – Juli 2015 ISSN: 2354-5771
Pattekari, S. A., Parveen, A., 2012, Prediction System for Heart Disease Using Naive Bayes, International Journal of Ad-vanced Computer and Mathematical Sciences, ISSN 2230-9624, Vol. 3, No 3, Hal 290-294.
Krisandi, Nobertus, Dkk, 2013, Algoritma K-Nearest Neighbor Dalam Klasifikasi Data Hasil Produksi Kelapa Sawit Pada Pt. Minamas Kecamatan Parindu, Buletin Ilmiah Math. Stat. Dan Terapannya (Bimaster) Volume 02, No.1 (2013), Hal. 33-38.
Agustina, Dana Melina, 2016, Analisis Perbandingan Algoritma ID3 Dan C4.5 Untuk Klasifikasi Penerima Hibah Pemasan-gan Air Minum Pada PDAM Kabupaten Kendal, Journal of Applied Intelligent System, Vol.1, No. 3, Oktober 2016 : 234-244
Khasanah, Nidaul Fata, 2016, Klasifikasi Proses Penjurusan SiswaTingkat SMA Menggunakan Data Mining, Informatics For Educators And Professionals, Vol.1, No. 1, Desember 2016, 65 –69 E-Issn: 2548-3412,
Selvia Lorena Br Ginting, 2014, Analisis Dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Memprediksi Masa Studi Mahasiswa Berdasarkan Data Nilai Akademik, Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST), ISSN: 1979-911
Wulansari, Andhita Dessy, 2012, Perbandingan Ketepatan Klasifikasi Antara Metode Regresi Logistik Dan Klasifikasi Pohon Pada Kasus Program Wajardikdas 9 Tahun, Cendikia Vol. 10. No. 1, Jurusan Tarbiyah Stain Ponorogo
Abdillah, Fakhrie, 2016, Penggunaan Deep Learning Untuk Prediksi Churn Pada Jaringan Telekomunikasi Mobile, e-Proceeding of Engineering : Vol.3, No.2 Agustus 2016, ISSN : 2355-9365, Bandung, Universitas Telkom.
Hastuti, Khafiizh, 2012, Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Mahasiswa Non Aktif, Se-marang, Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012 (Semantik 2012) Isbn 979 - 26 - 0255 - 0
Bustami, 2013, Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi, TECHSI: Jurnal Penelitian Teknik Informatika, Vol. 3, No.2, Hal. 127-146.
Nazir, M, 2007, “Metode Penelitian, Cetakan Ke Tigaâ€, Jakarta, Ghalia Indonesia
Downloads
Published
22-12-2018
How to Cite
[1]
Kadafi, A.R. 2018. Perbandingan Algoritma Klasifikasi Untuk Penjurusan Siswa SMA. Jurnal ELTIKOM : Jurnal Teknik Elektro, Teknologi Informasi dan Komputer. 2, 2 (Dec. 2018), 67–77. DOI:https://doi.org/10.31961/eltikom.v2i2.86.
Issue
Section
Articles
License
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
