KLASIFIKASI DATA POKOK PENDIDIKAN SEKOLAH DASAR DAN SEKOLAH MENENGAH PERTAMA MENGGUNAKAN ALGORITMA NAÏVE BAYES SERTA C.45

Rafi  Sidik; Tatang  Rohana; Rahmat Rahmat

t Rafi Pasya Sidik
Tatang Rohana
Rahmat Rahmat

Keywords: C.45, Dapodik, Data Mining, Klasifikasi, Sarana dan Prasarana, Naive Bayes.

Abstract

Dapodik digunakan untuk mengumpulkan semua data yang terkait dengan data kurikulum sekolah dan institusi, data siswa, data guru dan staf serta data infrastruktur dari setiap studi sekolah di seluruh Indonesia.. Sarana adalah alat langsung untuk mencapai tujuan pendidikan, lalu prasarana adalah alat tidak langsung untuk mencapai tujuan. Penelitian ini menggunakan Data Dapodik SD dan SMP. Karna pada bidang program dan pelaporan mengalami permasalahan dalam pemberian bantuan sarana dan prasarana pada jenjang SD, SMP sehingga hasil dari klasifikasi dapat ditemukan sekolah yang mengalami sarana dan prasarana yang kurang merata. Penelitian ini dilakukan pengklasifikasian sarana dan prasarana berdasarkan data Dapodik SD, SMP Karawang dengan menggunakan dua algoritma pengklasifikasian. Teknik Data Mining klasifikasi yang digunakan yaitu Naïve Bayes dan C.45. klasifikasi yang akan dilakukan menggunakan 3 kelompok yaitu banyak, sedang, sedikit pada Data Dapodik SD, SMP tahun 2020/2021. Data yang digunakan 100 dibagi menjadi data training 70% dan data testing 30% lanjut perhitungan algoritma Naïve Bayes dengan nilai akurasi 63% sedang kan algoritma C.45 dengan nilai akurasi 73%.

References

[1] F. L. Y. Adha, M. L. Hamzah, I. Maita, Megawati, dan A. Marsal, “Analisis Penerimaan Pengguna Dapodik Sekolah Dasar kecamatan Tampan Menggunakan Model TAM dan EUCS,” J. Sains, Teknol. dan Ind., vol. 18, no. 2, hal. 196–205, 2021.
[2] I. M. Sinta, “Manajemen Sarana Dan Prasarana,” J. Isema Islam. Educ. Manag., vol. 4, no. 1, hal. 77–92, 2019, doi: 10.15575/isema.v4i1.5645.
[3] C. Fadlan, S. Ningsih, dan A. P. Windarto, “Penerapan Metode Naïve Bayes Dalam Klasifikasi Kelayakan Keluarga Penerima Beras Rastra,” J. Tek. Inform. Musirawas, vol. 3, no. 1, hal. 1, 2018, doi: 10.32767/jutim.v3i1.286.
[4] A. FAHLEVI, “Analisis Sistem Informasi Aplikasi Dapodik Sekolah dasar,” Simki.Unpkediri.Ac.Id, hal. 2–12, 2019, [Daring]. Tersedia pada: http://simki.unpkediri.ac.id/mahasiswa/file_artikel/2019/13.1.03.03.0014.pdf
[5] M. Irvan, Y. Purnama, dan R. Vhalery, “Model Prediktif Untuk Akreditasi Sekolah Tingkat Sekolah Menengah Pertama (Smp),” Res. Dev. J. Educ., vol. 5, no. 2, hal. 03, 2019, doi: 10.30998/rdje.v5i2.3747.
[6] Triase dan Samsudin, “Implementasi Data Mining Dalam Mengklasifikasikan Ukt ( Uang Kuliah Tunggal ) Pada Uin Sumatera Utara Medan,” J. Teknol. Inf., vol. 4, no. 2, hal. 370–376, 2020, [Daring]. Tersedia pada: http://www.jurnal.una.ac.id/index.php/jurti/article/view/1711
[7] Anas, F. Tempola, dan A. Khairan, “Hybrid fuzzy dan Naive Bayes Dalam Penentuan Status UKT,” PROtek, vol. 06, no. 1, hal. 2–7, 2019.
[8] S. Suprianto, “Implementasi Algoritma Naive Bayes Untuk Menentukan Lokasi Strategis Dalam Membuka Usaha Menengah Ke Bawah di Kota Medan (Studi Kasus: Disperindag Kota Medan),” J. Sist. Komput. dan Inform., vol. 1, no. 2, hal. 125, 2020, doi: 10.30865/json.v1i2.1939.
[9] T. Akhir dan A. Nirwana, “PADA BANK MENGGUNAKAN ALGORITMA DECISION TREE C4 . 5,” 2021.