PENERAPAN DATA MINING UNTUK KLASIFIKASI KELAYAKAN BEASISWA MENGGUNAKAN METODE NAÏVE BAYES DENG0AN SELEKSI FITUR INFORMATION GAIN (STUDI KASUS : SDN 47/IV KOTA JAMBI)

Rofi, Taufiqur (2023) PENERAPAN DATA MINING UNTUK KLASIFIKASI KELAYAKAN BEASISWA MENGGUNAKAN METODE NAÏVE BAYES DENG0AN SELEKSI FITUR INFORMATION GAIN (STUDI KASUS : SDN 47/IV KOTA JAMBI). Skripsi thesis, UNAMA.

	Text BAB 1.pdf Download (554kB)
	Text BAB 2.pdf Download (1MB)
	Text BAB 3.pdf Download (581kB)
	Text BAB 4.pdf Restricted to Registered users only Download (1MB)
	Text BAB 5.pdf Restricted to Registered users only Download (273kB)
	Text DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (294kB)

Abstract

Indonesia merupakan negara berkembang dengan tingkat pendidikan yang masih tergolong rendah dikarenakan masalah ekonomi yang mengakibatkan banyak anak di Indonesia tidak dapat melanjutkan sekolahnya khususnya yang terjadi kepada siswa SDN47/IV Kota jambi. Pemerintah mengeluarkan bantuan beasiswa melalaui Program Indonesia Pintar (PIP) bagi siswa yang kurang mampu untuk menunjang pendidikan yang lebih baik. Proses penentuan penerima beasiswa di SDN 47/IV Kota Jambi masih dilakukan secara manual dengan memilih siswa yang sesuai kriteria berdasarkan data di excel sehingga membutuhkan waktu yang lama dan rentan mengalami kesalahan berupa tidak tepatnya siswa yang berhak menerima beasiswa tersebut. Oleh karena itu, dibutuhkan suatu solusi untuk lebih mempermudah dalam pengolahan data serta meningkatkan keakuratan dalam penerimaan beasiswa dengan menerapkan metode Naive Bayes. Naïve Bayes merupakan salah satu metode yang dapat digunakan untuk mengklasifikasikan data. Hasil klasifikasi yang dilakukan nantinya akan membantu sekolah untuk mengambil keputusan terkait klasifikasi penentuan penerima beasiswa. Prediksi penerima beasiswa PIP yang digunakan terdapat dua kelas, yaitu “Layak” dan “Tidak Layak”. Data yang digunakan untuk prediksi yaitu data siswa SDN47/IV Kota jambi yang terdaftar melalui Program Indonesia Pintar (PIP). Pada penelitian ini, metode Naïve Bayes diimplementasikan dan dianalisis menggunakan evaluasi 3 options dengan RapidMiner sebagai alat bantu penelitian. Dari hasil evaluasi menggunakan 3 options yaitu Use Training Set, 5 Fold Cross-Validation dan 10 Fold Cross-Validation, didapatkan persentase nilai tertinggi pada pengujian Use Training Set dengan akurasi 92,31%, presisi 96,83%, dan recall 94,57%.

Actions (login required)

View Item