Dany Pradana, 4611417021 (2022) PENERAPAN DATA MINING DENGAN METODE NAIVE BAYES CLASSIFIER DAN LAPLACE SMOOTHING UNTUK MEMPREDIKSI HASIL BELAJAR SISWA. Under Graduates thesis, Universitas Negeri Semarang.

PDF - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Penerapan teknologi informasi dalam bidang pendidikan menghasilkan data yang besar. Data tersebut menyimpan informasi yang dapat diolah menjadi sesuatu yang bermanfaat. Misalnya, memodelkan kinerja siswa untuk mengetahui siswa yang lemah. Pemodelan kinerja siswa dapat dilakukan dengan menggunakan data mining. Data mining merupakan proses untuk menemukan pengetahuan (knowledge discovery) yang dihasilkan dari sekumpulan data yang volumenya sangat besar. Penelitian ini bertujuan untuk memprediksi hasil belajar siswa menggunakan metode naive Bayes classifier dan Laplace smoothing dengan kombinasi seleksi fitur information gain dan chi square. naive Bayes classifier merupakan suatu pengklasifikasi probabilistik sederhana yang menghitung sekumpulan probabilitas. Laplace smoothing digunakan untuk menangani probabilitas bernilai nol yang bisa menyebabkan kesalahan klasifikasi pada naive Bayes classifier. Seleksi fitur information gain dan chi square digunakan untuk mendapatkan fitur terbaik sebagai dataset dalam penelitian. Dilakukan dua percobaan dengan dengan menggunakan perbandingan dataset yang berbeda. Hasil akurasi dengan menggunakan perbandingan dataset 80% data training dan 20% data testing (80:20) yaitu 94,937% baik menggunakan Laplace smoothing atau tidak. Didapatkan hasil akurasi yang sama karena data training tidak menghasilkan probabilitas bernilai nol, sehingga Laplace smoothing tidak memberikan efek apapun. Sedangkan pada percobaan kedua, dengan menggunakan perbandingan dataset 60% data training dan 40% (60:40) data testing didapatkan hasil yang berbeda yaitu 86,076% tanpa Laplace smoothing dan 91,772% dengan Laplace smoothing. Laplace smoothing berhasil menangani beberapa kesalahan klasifikasi akibat probabilitas bernilai nol, sehingga terjadi peningkatan akurasi.

Actions (login required)

View Item