Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes

Abstract

Proses pemantauan dan evaluasi terhadap kelulusan mahasiswa Universitas Islam Madura (UIM) sangat perlu untuk dilakukan karena tingkat kelulusan mahasiswa merupakan salah satu unsur penilaian akreditasi yang sangat penting untuk setiap Program Studi. Data Mining bisa digunakan untuk klasifikasi ketepatan kelulusan mahasiswa, penelitian ini bertujuan untuk menerapkan aplikasi orange data mining dengan menggunakan model K-Nearest Neighbor (K-NN), Decision Tree serta Naive Bayes dan selanjutnya akan dilakukan evaluasi akurasi dari masing-masing model tersebut. Penelitian ini dilakukan di Prodi Teknik Informatika Universitas Islam Madura tahun angkatan 2016, selanjutnya data mahasiswa akan dianalisa menggunakan aplikasi orange data mining dengan menggunakan model K-NN, Decision Tree serta Naive Bayes . Proses pengujian data menerapkan K-Fold Cross Validation (K=5), sedangkan model evaluasi yang digunakan adalah Confusion Matrix dan ROC. Hasil perbandingan ketiga model sebagai berikut, K-NN memiliki tingkat akurasi sebesar 77%, DecisionTree tingkat akurasi sebesar 74%, dan Naive Bayes memiliki tingkat akurasi sebesar 89%. Maka dari itu, untuk klasifikasi tingkat kelulusan mahasiswa Prodi Teknik Informatika Universitas Islam Madura merekomendasikan model Naive Bayes karena memiliki tingkat akurasi lebih baik dibanding K-NN dan Decision Tree.

Classification of Covid-19 vaccine data screening with Naive Bayes algorithm using Knowledge Discovery in database method

“…Because it is assumed as an independent variable, only the variance of a variable in a class is needed to determine the classification, not the entire covariance matrix (Alvina Felicia Watratan et al, 2020). Naive Bayes formula, according to (Hozairi et al, 2021):…”

Impementasi Algoritma Naive Bayes Terhadap Analisis Sentimen Opini Masyarakat Indonesia Mengenai Drama Korea Pada Twitter

“…Naive Bayes adalah suatu metode yang digunakan untuk pengklasifikasian probabilitas simple model yang akan digunakan untuk menghitung kumpulan dari probabilitas dengan menjumlahkan seluruh frekuensi serta campuran nilai dari dataset [10]. Kelebihan menggunakan Naive Bayes yaitu telah teruji mempunyai akurasi serta kecepatan yang besar jika digunakan dalam database dengan informasi yang besar [11]. Metode klasifikasi Naive Bayes juga merupakan salah satu metode yang cukup populer untuk klasifikasi teks dan memiliki performa yang baik [12].…”

Komparasi Algoritma Support Vector Machine dengan Naive Bayes Untuk Analisis Sentimen Pada Aplikasi BRImo

“…Pada tahap evaluasi akan dilakukan perhitungan manual confusion matrix untuk menguji hasil klasifikasi dengan hasil sesungguhnya [10]. Selain itu akan ditampilkan hasil wordcloud berdasarkan dataset yang sudah melalui proses pengolahan data.…”

“…Dalam Confusion matrix memiliki 4 tabel campuran berbeda pada setiap nilai. [10]. Berikut adalah hasil confusion matrix pada tabel 13 dibawah ini : Berdasarkan hasil evaluasi confusion matrix dapat disimpulkan bahwasannya algoritma support vector mavhine memiliki kinerja lebih baik dengan nilai 97,85% dari algoritma naive bayes dengan nilai 97%.…”