Prediksi Siswa SMK Al-Hidayah Yang Masuk Perguruan Tinggi Dengan Metode Klasifikasi

Khoirunnisa Khoirunnisa, Lia Susanti, Ira Tasfiyyutu Rokhmah, Lilis Stianingsih

Sari


Salah satu aspek sebagai indikator kualitas sekolah menengah kejuruan adalah tingkat diterimanya siswa di perguruan tinggi baik itu negeri maupun swasta. Beberapa data siswa sekolah menengah kejuruan dianalisis untuk mengetahui tingkat diterimanya siswa di perguruan tinggi melalui penelusuran siswa. Dengan memprediksi siswa yang masuk perguruan tinggi, bisa dimanfaatkan oleh pihak sekolah untuk bahan promosi. Proses analisis data siswa tersebut menggunakan teknik data mining. Dengan tujuan penelitian ini untuk memprediksi siswa angkatan berikutnya yang masuk di  perguruan  tinggi  negeri maupun swasta menggunakan hasil model klasifikasi yang terbentuk. Pada penelitian ini data yang digunakan adalah data siswa angkatan 2018 dan 2019 Sekolah Menengah Kejuruan AL-Hidayah 1. Yang berjumlah 503 data, setelah dilakukan pre-processing diperoleh data yang siap diolah berjumlah 158  data.  Proses  data  mining  dibantu  oleh  software  Rapid Miner  menggunakan klasifikasi naïve bayes. Proses evaluasi data membandingkan beberapa algoritma lain yaitu Decision Tree dan KNN. Dan dari hasil pengujian tingkat akurasi tertinggi diantara tiga algoritma yang telah diuji diantaranya Decision Tree dengan nilai akurasi 95.60%, sedangkan naive bayes dengan nilai akurasi 92.40% dan KNN nilai akurasinya 94.96%.


Kata Kunci


Data Mining

Teks Lengkap:

PDF

Referensi


Annur, H. (2019). Penerapan Data Mining Menentukan Strategi Penjualan Variasi Mobil Menggunakan Metode K-Means Clustering. Jurnal Informatika Upgris, 5(1).

Dwi Arum Ningtyas, M. W. & N. N. (2019). Klasifikasi Siswa Smk Berpotensi Putus Sekolah Menggunakan Algoritma Decision Tree , Support Vector Machine Dan Naive Bayes. Jurnal Khatulistiwa Informatika, VII(2), 85–90.

Dwi Herlambang, A., & Hadi wijoyo, S. (2019). Algoritma Naïve Bayes Untuk Klasifikasi Sumber Belajar Naïve Bayes Algorithm for Text Based Learning Resources Classification in Productive Subject At Information and. 6(4), 431–436. https://doi.org/10.25126/jtiik.201961323

Junaidi, A., Dewi, N., Baidawi, T., Agustiani, S., Arifin, Y. T., & Sihotang, H. T. (2020). Expert System Of Syzygium Aqueum Disease Diagnose Using Bayes Method. Journal of Physics: Conference Series, 1641, 12097. https://doi.org/10.1088/1742-6596/1641/1/012097

Kahramanli, H., & Allahverdi, N. (2008). Design of a hybrid system for the diabetes and heart diseases. Expert Systems with Applications, 35(1–2), 82–89. https://doi.org/10.1016/j.eswa.2007.06.004

Kusuma, L. W. (2019). Prediksi Kemampuan Lulusan SMK untuk Dapat Bersaing Di Dunia Kerja dengan Menggunakan Naïve Bayes : Studi Kasus SMK Buddhi Tangerang. 1, 56–63.

Mardi, Y. (2017). Data Mining : Klasifikasi Menggunakan Algoritma C4.5. Jurnal Edik Informatika, 2(2), 213–219.

Nofriansyah, D., Erwansyah, K., & Ramadhan, M. (2016). Penerapan Data Mining dengan Algoritma Naive Bayes Clasifier untuk Mengetahui Minat Beli Pelanggan terhadap Kartu Internet XL ( Studi Kasus di CV. Sumber Utama Telekomunikasi). Jurnal

Saintikom, 15(2), 81–92.

Saifudin, A. (2018). Metode Data Mining Untuk Seleksi Calon Mahasiswa. 10(1), 25–36.

Saikin, S., & Kusrini, K. (2019). Model Data Mining Untuk Karekteristik Data Traveller Pada Perusahaan Tour and Travel. Jurnal Manajemen Informatika Dan Sistem Informasi, 2(2), 61. https://doi.org/10.36595/misi.v2i2.105

Sidik, M., Rasminto, H., & Manongga, D. (2018). Implementasi Data Mining Untuk Prediksi Kelulusan Menggunakan Metode Klasifikasi Naive Bayes. 13–20.

Sugianto, C. A. (2017). Penerapan Teknik Data Mining Untuk Menentukan Hasil Seleksi Masuk Sman 1 Gibeber Untuk Siswa Baru Menggunakan Decision Tree. 39–43. https://doi.org/10.31227/osf.io/vedu7

Suryadi, A. (2016). Sistem Pendukung Keputusan Seleksi Ujian Masuk Perguruan Tinggi Menggunakan Nbc (Naïve Bayes Classifier). Kinetik, 1(3), 173. https://doi.org/10.22219/kinetik.v1i3.120

Sutoyo, I. (2018). Implementasi Algoritma Decision Tree Untuk Klasifikasi Data Peserta Didik. Jurnal Pilar Nusa Mandiri, 14(2), 217. https://doi.org/10.33480/pilar.v14i2.926

Tree, C., Utomo, D. K., Supianto, A. A., & Purnomo, W. (2019). Sistem Prediksi Penerimaan SNMPTN menggunakan Algoritme Decision. 3(9), 9124–9131

Trisaputra, Y. (2016). Klasifikasi Profil Siswa SMA / SMK yang Masuk PTN ( Perguruan Tinggi Negeri ) dengan k-Nearest Neighbor Klasifikasi Profil Siswa SMA / SMK yang Masuk PTN ( Perguruan Tinggi Negeri ) dengan k-Nearest Neighbor Yuandri Trisaputra , Indriyani , Shellafuri Mar. September 2015, 0–15




DOI: https://doi.org/10.31294/ji.v8i1.9163

Refbacks

  • Saat ini tidak ada refbacks.


##submission.license.cc.by4.footer##

Index by:

  
 
   
  worldcat    
 dipublikasikan oleh LPPM Universitas Bina Sarana Informatika dengan dukungan Relawan Jurnal Indonesia

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License