Implementasi Naïve Bayes untuk Klasifikasi Tunggakan Iuran Sekolah

Rizal Nur Alfi

Abstract

Abstrak : 

 

Penunggakan iuran sekolah menjadi salah satu permasalahan yang ada pada setiap sekolah ataupun institusi pendidikan lainnya. Salah satu sekolah di Karawang mengalami masalah yang sama dalam penunggakan iuran sekolah yang dilakukan oleh para siswanya. Sekolah tersebut mengalami sejumlah kerugian akibat tunggakan ini. Terhambatnya proses administrasi sekolah akan terjadi dan pihak sekolah harus memiliki strategi untuk menanganinya. Maka dari itu, penelitian ini melakukan klasifikasi terhadap siswa yang akan melakukan tunggakan dengan mengimplementasikan algoritma Naïve Bayes dan hasilnya diterapkan ke dalam sebuah sistem berbasis website. Penelitian ini menggunakan metodologi KDD yang sering digunakan untuk olah data mining. Pada perhitungan pengujian diterapkan skenario pembagian data training dan data testing menggunakan percentage split guna mencari pemodelan mana yang menghasilkan kinerja optimal. Hasil akhir pemodelan menghasilkan rasio pembagian 50:50 memiliki hasil yang terbaik dengan nilai Akurasi sebesar 85.461%, nilai Presisi sebesar 0.869, nilai Recall sebesar 0.855 dan nilai F-Measure sebesar 0.857. Sistem berbasis website dibangun sebagai hasil akhir diuji menggunakan Black Box Testing dengan metode Boundary Value Analysis yang hasilnya menunjukkan tiga skenario uji berhasil dilakukan pada semua elemen field sistem yang ditandai dengan keterangan “Success” pada kesimpulan.

_______________________________

Abstract :

Arrears school tuition are one of the problems that exist in every school or other educational institution. One of schools in Karawang also experienced the same problem in context of arrears school tuition by its students. This school suffered from all students in many of arrears. Obstructed of school administration process will occur and the school must have a strategy to handle it. Therefore, this research classifies students who will do arrears by implementing the Naïve Bayes algorithm and the results are applied into a website for arrears school tuition. This research uses KDD methodology which is often used for data mining process. In the test calculations, scenario for split training data and testing data using a percentage split technique was carried out to find which modeling produces optimal performance. The final result of modeling produces a split ratio of 50:50 has the best results with an accuracy score of 85.461%, a precision score of 0.869, a recall score of 0.855 and a F-Measure score of 0.857. This website is built as the final result and tested using black box testing with the Boundary Value Analysis method, the results show that three test scenarios were successfully carried out on all elements of the system field which are marked with the description "Success" at the conclusion.


Full Text:

PDF

References

A. Neolaka and G. A. A. Neolaka, Landasan Pendidikan: Dasar Pengenalan Diri Sendiri Menuju Perubahan Hidup. Depok: Kencana, 2017.

A. P. Wibawa, M. G. A. Purnama, M. F. Akbar, and F. A. Dwiyanto, “Metode-metode Klasifikasi,” in Prosiding Seminar Ilmu Komputer dan Teknologi Informasi, 2018, pp. 134–138.

M. E. Lasulika, “Komparasi Naïve Bayes, Support Vector Machine dan K-Nearest Neighbor Untuk Mengetahui Akurasi Tertinggi Pada Prediksi Kelancaran Pembayaran TV Kabel,” Ilk. J. Ilm., vol. 11, no. 1, pp. 11–16, 2019.

Y. Angraini, S. Fauziah, and J. L. Putra, “Analisis Kinerja Algoritma C4.5 dan Naïve Bayes Dalam Memprediksi Keberhasilan Sekolah Menghadapi UN,” J. Ilmu Pengetah. Dan Teknol. Komput., vol. 5, no. 2, pp. 285–290, 2020.

B. Sugara, D. Adidarma, and S. Budilaksono, “Perbandingan Akurasi Algoritma C4.5 dan Naïve Bayes Untuk Deteksi Dini Gangguan Autisme Pada Anak,” J. IKRA-ITH Inform., vol. 3, no. 1, pp. 119–128, 2019.

J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. Waltham: Morgan Kaufmann, 2012.

A. S. Suweleh, D. Susilowati, and Hairani, “Aplikasi Penentuan Penerima Beasiswa Menggunakan Algoritma C4.5,” J. BITe J. Bumigora Inf. Technol., vol. 2, no. 1, pp. 12–21, 2020.

N. Sulistyowati and M. Jajuli, “Integrasi Naive Bayes Dengan Teknik Sampling SMOTE Untuk Menangani Data Tidak Seimbang,” J. Nuansa Inform., vol. 14, no. 01, pp. 34–37, 2020.

A. S. Putra, “Klasifikasi Status Gizi Balita Menggunakan Naïve Bayes Classification (Studi Kasus Posyandu Ngudi Luhur),” Skripsi. Universitas Sanata Dharma, Yogyakarta, 2018.

J. E. Sembodo, E. B. Setiawan, and Z. K. A. Baizal, “A Framework for Classifying Indonesian News Curator in Twitter,” TELKOMNIKA, vol. 15, no. 1, pp. 357–364, 2017.

J. H. Jaman, A. R. Sanjaya, and Carudin, “Klasifikasi Jenis Mobil Paling Diminati Di Indonesia Menggunakan Algoritma Naive Bayes,” Fakt. Exacta, vol. 13, no. 1, pp. 18–25, 2020.

G. W. Setiawan, “Pengujian Perangkat Lunak Menggunakan Metode Black Box Studi Kasus Exelsa Universitas Sanata Dharma,” Skripsi. Universitas Sanata Dharma Yogyakarta, 2011.

D. Andriansyah, “Pengujian Kotak Hitam Boundary Value Analysis Pada Sistem Informasi Manajemen Konseling Tugas Akhir,” Indones. J. Netw. Secur., vol. 7, no. 1, pp. 13–18, 2018.

DOI: https://doi.org/10.20961/ijai.v5i1.45585

Refbacks

  • There are currently no refbacks.