Kata Kunci
Naive Bayes
C4.5
SNMPTN
##category.category##
Cara Mengutip
Abstrak
Pendidikan mempunyai peranan penting bagi kehidupan manusia. Sekolah sebagai tempat mengenyam pendidikan mengajarkan berbagai disiplin ilmu dengan tujuan agar para peserta didik dapat menjadi manusia yang unggul. Secara umum masyarakat di Indonesia ingin putra putrinya dapat menempuh pendidikan terbaik di Perguruan Tinggi Negeri (PTN). Banyak jalur yang bisa dilalui menuju PTN, salah satunya adalah jalur Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) yang merupakan jalur masuk PTN tanpa tes atau seleksi nilai raport. Akan tetapi kuota penerimaan PTN melalui jalur SNMPTN hanya minimal 20% dan tidak dapat ditentukan passing grade setiap PTN sehingga kemungkinan untuk bisa masuk PTN melalui jalur SNMPTN tidak diketahui. Oleh karena itu untuk dapat memprediksi siswa siswi yang dapat diterima di PTN melalui jalur SNMPTN maka dilakukan prediksi penerimaan SNMPTN menggunakan data mining klasifikasi dengan dua algoritma yaitu C4.5 dan Naive Bayes. Tujuannya adalah dengan siswa mengetahui kemungkinan diterima pada PTN melalui jalur SNMPTN maka diharapkan semakin banyak siswa yang dapat diterima PTN melalui jalur SNMPTN tersebut. Penelitian ini menunjukkan prediksi penerimaan PTN melalui jalur SNMPTN menggunakan data mining klasifikasi dengan algoritma C4.5 memberikan hasil akurasi yang jauh lebih tinggi yaitu sebesar 85,09 % dan nilai AUC 0,873 sedangkan algoritma Naive Bayes memberikan hasil akurasi 63.01% dan nilai AUC 0,665.
Referensi
E. Darmawani, “JUANG: Jurnal Wahana Konseling HIV,” Metod. Ekspositori Dalam Pelaks. Bimbing. dan Konsleing Klasikal, vol. 1, no. 2, pp. 30–44, 2018.
Lembaga, M. Perguruan, T. Ltmpt, and N. Masuk, “Jumlah Pendaftar SNMPTN 2022 Meningkat , Ini Rinciannya,” p. 2022, 2022.
H. Hasanah, N. A. Sudibyo, and E. Kurniawan, “Prediksi Jurusan pada Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) Menggunakan Metode Klasifikasi Naïve Bayes,” DoubleClick J. Comput. Inf. Technol., vol. 4, no. 1, p. 55, 2020, doi: 10.25273/doubleclick.v4i1.6623.
L. K. Simanjuntak, T. Y. M. Sihite, M. Mesran, N. Kurniasih, and Y. Yuhandri, “Sistem Pendukung Keputusan SNMPTN Jalur Undangan Dengan Metode Electre,” Jurasik (Jurnal Ris. Sist. Inf. dan Tek. Inform., vol. 3,no. 3, p. 14, 2018, doi: 10.30645/jurasik.v3i0.63.
J. K. Nazarius, “Analisis Pemilihan Siswa Untuk Jalur SNMPTN dengan Metode Weighted Product ( WP ) Dan Weighted Sum Model ( WSM ),” vol. 5, pp. 135–142, 2021.
W. R. Izzati, M. Komarudin, H. D. Septama, and Y. Mulyani, “Analisis Potensi Asal Sekolah pada Jalur Penerimaan Mahasiswa Baru di Universitas Lampung menggunakan Algoritma K-Means,” Electrician, vol. 13, no. 1, p. 7, 2019, doi: 10.23960/elc.v13n1.2087.
C.-T. Hsieh and C.-S. Hu, “Fingerprint Recognition by Multi-objective Optimization PSO Hybrid with SVM,” J. Appl. Res. Technol., vol. 12, no. 6, pp. 1014–1024, 2014, doi: 10.1016/S1665-6423(14)71662-1.
A. Purwanto, A. Primajaya, and A. Voutama, “Penerapan Algoritma C4.5 Dalam Prediksi Potensi Tingkat Kasus Pneumonia Di Kabupaten Karawang,” J. Sist. dan Teknol. Inf., vol. 8, no. 4, p. 390, 2020, doi: 10.26418/justin.v8i4.41959.
E. F. Wati and B. Rudianto, “Penerapan Algoritma KNN, Naive Bayes Dan C4.5 Dalam Memprediksi Kelulusan Mahasiswa,” Format J. Ilm. Tek. Inform., vol. 11, no. 2, p. 168, 2023, doi: 10.22441/format.2022.v11.i2.009.
R. P. S. Putri and I. Waspada, “Penerapan Algoritma C4.5 pada Aplikasi Prediksi Kelulusan Mahasiswa Prodi Informatika,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 4, no. 1, pp. 1–7, 2018, doi: 10.23917/khif.v4i1.5975.
S. Lestari and A. Suryadi, “Model Klasifikasi Kinerja Dan Seleksidosen Berprestasi Dengan,” Proseding Semin. Bisnis Teknol., pp. 15–16, 2014.
N. Khasanah and A. Salim, “Rachman Komarudin 4) , Yana Iqbal Maulana 5) 1) Teknik Informatika, Fakultas Teknologi Informasi, Universitas Nusa Mandiri 2,3) Sistem Informasi, Fakultas Teknologi Informasi, Universitas Bina Sarana Informatika 4) Sistem Informasi, Fakultas Teknologi Informasi, Universitas Nusa Mandiri 5) Teknik Informatika,” Fak. Teknol. Inf., vol. 13, no. 3, pp. 207–214, 2022.
N. et al Maulina, “PERBANDINGAN TINGKAT ANSIETAS MAHASISWA KEDOKTERAN YANG DITERIMA MELALUI JALUR SNMPTN, SBMPTN DAN MANDIRI DAN KECENDERUNGAN CABIN FEVER DALAM MELAKSANAKAN UJIAN BLOK PADA MASA PANDEMI,” Syntax Lit. J. Ilm. Indones., vol. 6, no. 2, p. 6, 2021.
A. Krisna Ferdinan Leo Simanjuntak, Annita Carolina Br Barus, “Implementasi Metode Decision Tree Dan Algoritma C4.5 Untuk Klasifikasi Kepribadian Masyarakat,” JOISIE J. Inf. Syst. Informatics Eng., vol. 5, no. 1, pp. 51–59, 2021.
S. Syahputra, S. Ramadani, A. Manaor, and H. Pardede, “MENENTUKAN STRATEGI PROMOSI MENGGUNAKAN ALGORITMA CLUSTERING K-MEANS didapatkan informasi anggota cluster 1 terdiri dari 164 siswa yang berasal dari kecamatan Kuala sebanyak 75 siswa , dengan asal sekolah terbanyak dari SMP Negeri 1 Salapian sebanyak 21 s,” vol. 4, no. 1, pp. 7–14, 2020.
D. T. Larose, Discovering Knowledge in Data an introduction to data mining. 2005.
F. Gorunescu, Data Mining Concepts, Models and Techniques. Berlin: Springer, 2011.
I. H. Witten, E. Frank, M. A. Hall, and C. J. Pal, Data Mining: Practical Machine Learning Tools and Techniques. 2016.
D. Haryono, Y. Zulianda, Wirta, and Lusiana, “Sistem Pendeteksian Serangan Jaringan Local Area Network ( Lan ) Menggunakan Algoritma Naive Bayes,” JOISIE (Journal …, vol. 5, no. 1, pp. 1–8, 2021.
K. Umam, D. Puspitasari, and A. Nurhadi, “Penerapan Algoritma C4.5 Untuk Prediksi Loyalitas Nasabah PT Erdika Elit Jakarta,” J. Media Inform. Budidarma, vol. 4, no. 1, p. 65, 2020, doi: 10.30865/mib.v4i1.1652.
I. H. Witten, E. Frank, and M. a. Hall, Data Mining: Practical Machine Learning Tools and Techniques, Third Edition, vol. 54, no. 2. 2011.
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak Cipta (c) 2024 Melek IT : Information Technology Journal