Vous êtes sur la page 1sur 8

IMPLEMENTASI DATA MINING DENGAN ALGORITMA NAIVE BAYES

UNTUK MEMPREDIKSI TINGKAT KEMAMPUAN DAYA TANGKAP


BELAJAR MAHASISWA

(Studi kasus : STMIK Pringsewu)

Asih wulandari1 ,Fiqih satria,M.T.I2


1
Sistem Informasi STMIK Pringsewu Lampung,
2
Manajemen Informatika STMIK Pringsewu Lampung
Jl. Wisma Rini No. 09 pringsewu Lampung
E-mail : 1asihwulandar94@gmail.com, 2fiqih.satria@gmail.com

ABSTRAK
Keberhasilan suatu proses belajar dipengaruhi oleh kemampuan individu untuk memusatkan perhatian
terhadap objek yang sedang dipelajarinya. Gaya belajar merupakan suatu kombinasi dari bagaimana
individu menyerap lalu mengatur dan mengelola informasi (setiap individu memiliki gaya belajar yang
berbeda, khususnya dalam menerima dan mengelola informasi yang menurut individu nyaman, terkait
dengan hal tersebut maka konsentrasi merupakan aspek yang penting bagi seseorang dalam mencapai
keberhasilan belajar. Tujuan penelitian ini untuk mengetahui kemampuan daya tangkap belajar mahasiswa
dalam menerima materi yang disampaikan oleh pengajar. Penelitian ini merupakan implementasi data
mining yaitu proses pengekstraksian informasi dari sekumpulan data yang sangat besar melalui
penggunaan algoritma naive bayes pendekatan statistik yang fundamental dalam pengenalan pola,
penelitian ini dilakukan distmik pringsewu dengan mengambil sample mahasiswa sebanyak 20 orang
yang terdiri dari pria dan wanita, dengan usia yang beragam. Jadi dapat disimpulkan bahwa algoritma
naive bayes memberikan solusi untuk membantu dosen dalam menentukan strategi yang tepat dalam
kegiatan belajar mengajar.
Kata Kunci : Algoritma naive bayes,Belajar,data mining.

1. PENDAHULUAN tangkap mahasiswa akan tersalurkan dengan baik


1.1 Latar Belakang Masalah jika metode yang digunakan tepat dan efektif.
Pendidikan merupakan kebutuhan mendasar Dalam hal ini peneliti melakukan penelitian
untuk meningkatkan kualitas sumber daya untuk mengetahui tingkat kemampuan daya
manusia. Dengan pendidikan diharapkan dapat tangkap belajar mahasiswa menggunakan naive
menghasilkan manusia yang berkualitas, bayes. Data mining adalah penyaringan data
bertanggung jawab serta mampu menyongsong secara implisit dimana sebelumnya tidak
kemajuan pada masa mendatang (Marleny, diketahui terdapatnya informasi yang potensial.
Junaidi and Mambang, 2015). Data mining menganalisis data menggunakan
Mahasiswa memiliki cara belajar yang tool untuk menentukan pola dan aturan dalam
berbeda-beda, Beberapa mahasiswa mungkin himpunan pola dengan mengidentifikasi aturan
akan lebih mudah mengingat apa saja yang ia Jurnal dan fitur pada data. Tool Data Mining
baca, sedang mahasiswa yang lain mungkin diharapkan mampu mengenal pola ini dalam data
lebih mudah mengingat apa yang ia dengar. dengan input minimal dari user (Imron, 2017).
Gaya belajar merupakan cara menerima Tujuan dari penelitian ini untuk memprediksi
informasi dari dunia sekelilingnya. tingkat kemampuan daya tangkap belajar dan
Gaya belajar merupakan suatu kombinasi dari membantu dosen menentukan strategi belajar
bagaimana individu menyerap lalu mengatur dan yang tepat,supaya dapat menerima pelajaran
mengelola informasi (setiap individu memiliki lebih maksimal.
gaya belajar yang berbeda, khususnya dalam
menerima dan mengelola informasi yang 1.2 Rumusan Masalah
menurut individu nyaman (Dewi and Indrawati, a. Bagaimana cara menggunakan metode naive
2014). Hasil belajar siswa bergantung pada bayes untuk memprediksi tingkat kemampuan
banyak faktor seperti personal, sosial, psikologi daya tangkap belajar mahasiswa?
dan variabel siswa lainnya. Aspek seperti jenis b. Bagaimana cara memprediksi mahasiswa yang
kelamin, tingkat pendidikan orang tua dan mampu menangkap materi dengan cepat ataupun
keluarga. Selain itu lokasi tempat tinggal, metode lambat?
pengajaran dan status keluarga juga sangat
berpengaruh dengan hasil belajar siswa (Rahman 1.3 Tujuan dan Manfaat Penelitian
and Firdaus, 2016). Maka kemampuan daya 1.3.1 Tujuan penelitian
Penelitian ini bertujuan untuk mengetahui cepat dipakai, oleh karena itu hanya data yang sesuai
atau lambatnya Mahasiswa dalam menangkap untuk dianalisis yang akan diambil dari database
materi yang disampaikan oleh dosen guna d. Transformasi data (Data Transformation)
membantu dosen menentukan strategi Data diubah atau digabung ke dalam format yang
pembelajaran di kelas. sesuai untuk diproses dalam Data Mining.
e. Proses Mining Merupakan suatu proses
1.3.2 Manfaat penelitian utama saat metode diterapkan untuk menemukan
Adapun manfaat penelitian ini adalah : pengetahuan berharga dan tersembunyi dari data.
Membantu dosen dalam menerapkan strategi Beberapa metode yang dapat digunakan
belajar yang tepat, supaya mahasiswa lebih berdasarkan pengelompokan Data Mining.
nyaman dalam belajar dan menerima materi f. Evaluasi pola (Pattern Evaluation) Untuk
yang disampaikan oleh dosen lebih cepat mengidentifikasi pola-pola menarik ke dalam
diterima. knowledge based yang ditemukan.
2. Tinjauaan Pustaka g. Presentasi pengetahuan (Knowledge
1.4 Data Mining Presentation) Merupakan visualisasi dan
Data Mining merupakan proses penyajian pengetahuan mengenai metode yang
pengekstraksian informasi dari sekumpulan data digunakan untuk memperoleh pengetahuan yang
yang sangat besar melalui penggunaan algoritma diperoleh pengguna.
dan teknik penarikan dalam bidang statistic,
pembelajaran mesin dan sistem manajemen basis 1.5 Naive Bayes Classifier
data. proses menganalisa data dari perspektif merupakan salah satu algoritma dalam
yang berbeda dan menyimpulkannya menjadi teknik data mining yang menerapkan teori Bayes
informasi-informasi penting yang dapat dipakai dalam klasifikasi. Teorema keputusan Bayes
untuk meningkatkan keuntungan, memperkecil adalah pendekatan statistik yang fundamental
biaya pengeluaran, atau bahkan keduanya. Dari dalam pengenalan pola, Dalam proses klasifikasi
beberapa definisi di atas dapat ditarik kesimpulan terdapat banyak algoritma yang telah
bahwa Data Mining merupakan proses ataupun dikembangkan oleh para peneliti seperti K-
kegiatan untuk mengumpulkan data yang Nearest Neighbor, Artifical Neural Network,
berukuran besar kemudian mengekstraksi data Support Vector Machine, Decision Tree, Naïve
tersebut menjadi informasi – informasi yang Bayes Classifier dan lain sebagainya Naive
nantinya dapat digunakan (Saleh, 2015). Bayes didasarkan pada asumsi penyederhanaan
bahwa nilai atribut secara kondisional saling
2.1.1 Tahap-tahap Data Mining bebas jika diberikan nilai output. Dengan kata
Sebagai suatu rangkaian proses, Data lain, diberikan nilai output, probabilitas
Mining dapat dibagi menjadi beberapa tahap mengamati secara bersama adalah produk dari
proses. Tahap-tahap tersebut bersifat interaktif, probabilitas individu. Keuntungan penggunaan
pemakai terlibat langsung atau dengan Naive Bayes adalah bahwa metode ini hanya
perantaraan knowledge base. Tahap-tahap Data membutuhkan jumlah data pelatihan (Training
Mining adalah sebagai berikut : Data) yang kecil untuk menentukan estimasi
paremeter yang diperlukan dalam proses
pengklasifikasian. Naive Bayes sering bekerja
jauh lebih baik dalam kebanyakan situasi dunia
nyata yang kompleks dari pada yang diharapkan
(Saleh, 2015).
Persamaan dari teorema Bayes adalah :
�(�|�)= �(�|�).�(�)
�(�)

Di mana :
Gambar 2.1 X : Data dengan class yang belum
diketahui
a. Pembersihan data (Data Cleaning) H : Hipotesis data merupakan suatu class
Pembersihan data merupakan proses spesifik
menghilang-kan noise dan data yang tidak P(H|X) : Probabilitas hipotesis H berdasar
konsisten atau data tidak relevan. kondisi X (posteriori probabilitas)
b. Integrasi data (Data Integration) Integrasi P(H) : Probabilitas hipotesis H (prior
data merupakan penggabungan data dari probabilitas)
berbagai database ke dalam satu database baru. P(X|H) : Probabilitas X berdasarkan kondisi
c. Seleksi data (Data Selection) Data yang ada pada hipotesis H
pada database sering kali tidak semuanya P(X) : Probabilitas X
Untuk menjelaskan metode Naive Bayes, perlu
diketahui bahwa proses klasifikasi memerlukan �(�𝑖|�,��)=�(�𝑖|�)
sejumlah petunjuk untuk menentukan kelas apa Persamaan di atas merupakan model dari
yang cocok bagi sampel yang dianalisis tersebut. teorema Naive Bayes yang selanjutnya akan
Karena itu, metode Naive Bayes di atas digunakan dalam proses klasifikasi. Untuk
disesuaikan sebagai berikut: klasifikasi dengan data kontinyu digunakan
rumus Densitas Gauss :
�(�|�1…��) = �(�)�(�1…��|�

�(�1…��)

Di mana Variabel C merepresentasikan kelas, Di mana :


sementara variabel F1 ... Fn merepresentasikan P : Peluang
karakteristik petunjuk yang dibutuhkan untuk Xi : Atribut ke i
melakukan klasifikasi. Maka rumus tersebut xi : Nilai atribut ke i
menjelaskan bahwa peluang masuknya sampel Y : Kelas yang dicari
karakteristik tertentu dalam kelas C (Posterior) yi : Sub kelas Y yang dicari
adalah peluang munculnya kelas C (sebelum μ : mean, menyatakan rata – rata dari
masuknya sampel tersebut, seringkali disebut seluruh atribut
prior), dikali dengan peluang kemunculan σ : Deviasi standar, menyatakan varian
karakteristik-karakteristik sampel pada kelas C dari seluruh atribut.
(disebut juga likelihood), dibagi dengan peluang Alur dari metode Naive Bayes dapat dilihat pada
kemunculan karakteristik-karakteristik sampel gambar sebagai berikut:
secara global (disebut juga evidence). Karena itu,
rumus di atas dapat pula ditulis secara sederhana
sebagai berikut:
�𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 = 𝑝𝑟𝑖𝑜𝑟 � 𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜�
𝑒𝑣𝑖�𝑒�𝑐𝑒
Nilai Evidence selalu tetap untuk setiap kelas
pada satu sampel. Nilai dari posterior tersebut
nantinya akan dibandingkan dengan nilai-nilai
posterior kelas lainnya untuk menentukan ke
kelas apa suatu sampel akan diklasifikasikan.
Penjabaran lebih lanjut rumus Bayes tersebut
dilakukan dengan menjabarkan (�|�1,…,��)
menggunakan aturan perkalian sebagai berikut:
�(�|�1,…,�� = �(�)�(�1,…,��|�)
= �(�)�(�1|�)�(�2,…,��|�,�1)
= �(�)�(�1|�)�(�2|�,�1 )�(�3,…,��|�,�1,�2
=(�)�(�1|�)�(�2|�,�1)�(�3|�,�1,�2)�(�4,
…,�|�,�1,�2,�3)
=�(�)�(�1|�)�(�2|�,�1)�(�3|�,�1,�2)
…�(��|�,�1,�2,�3,…,��−1) (4)

Dapat dilihat bahwa hasil penjabaran tersebut Gambar 2.2. Alur Metode Naive Bayes
menyebabkan semakin banyak dan semakin Adapun keterangan dari gambar 2 di atas sebagai
kompleksnya faktor - faktor syarat yang berikut:
mempengaruhi nilai probabilitas, yang hampir 1. Baca data training
mustahil untuk dianalisa satu persatu. Akibatnya, 2.Hitung Jumlah dan probabilitas, namun apabila
perhitungan tersebut menjadi sulit untuk data numerik maka:
dilakukan. Di sinilah digunakan asumsi a. Cari nilai mean dan standar deviasi dari
independensi yang sangat tinggi (naif), bahwa masing-masing parameter yang merupakan
masing-masing petunjuk (F1,F2...Fn) saling data numerik.
bebas (independen) satu sama lain. Dengan Adapun persamaan yang digunakan untuk
asumsi tersebut, maka berlaku suatu kesamaan menghitung nilai rata – rata hitung (mean) dapat
sebagai berikut: dilihat sebagai berikut :

�(�𝑖|��) = �(�𝑖∩ ��) = �(�𝑖)�(��) = �(�𝑖)


�(��) �(��) Atau
Untuk i≠j , sehingga
dalam tujuannya mencapai keberhasilan belajar
ilmu statika bangunan. Salah satu cara untuk
di mana : mengetahui tingkat keberhasilan siswa dalam
μ : rata – rata hitung (mean) menyerap materi pembelajaran adalah dengan
xi : nilai sample ke -i menggunakan katagorisasi daya serap bahan
n : jumlah sampel pelajaran) sebagai berikut: (1) maksimal apabila
Dan persamaan untuk menghitung nilai siswa dapat menguasai seluruh bahasan pelajaran
simpangan baku (standar deviasi) dapat dilihat yang diajarkan oleh guru, (2) optimal apabila
sebagai berikut: daya serap siswa terhadap bahasan pelajaran
berkisar antara 85% sampai dengan 94% atau
sebagian besar siswa dapat menguasai bahan
pelajaran, (3) minimal apabila bahan pelajaran
yang dikuasai siswa antara 75% sampai dengan
di mana :
84%. (4) kurang apabila sebagian besar siswa
σ : standar deviasi
tidak mampu menguasai materi atau daya serap
xi : nilai x ke -i
bahan pelajaran kurang dari 75%. (Liberti,
μ : rata-rata hitung
2012).
n : jumlah sampel
b. Cari nilai probabilistik dengan cara
2.4 weka
menghitung jumlah data yang sesuai dari
Weka (Wakaito Environment for Knowledge
kategori yang sama dibagi dengan jumlah data
Analysis) adalah aplikasi Data Mining Open
pada kategori tersebut.
Source berbasis Java. Aplikasi ini dikembangkan
3. Mendapatkan nilai dalam tabel mean, standard
pertama kali oleh Universitas Waikato di
deviasi dan probabilitas.
Selandia Baru. Weka terdiri dari koleksi
4. Solusi kemudian dihasilkan.
algoritma machine learning yang dapat
digunakan untuk melakukan
2.3 Daya tangkap
generalisasi/formulasi dari sekumpulan data
Daya serap/tangkap adalah suatu bentuk
sampling. Algoritma ini bisa diterapkan secara
kemampuan, kekuatan, perasaan, kemauan dan
langsung kedalam data set atau bisa juga
tenaga yang dimiliki jiwa manusia, dalam upaya
dipanggil dari kode java kita sendiri. Weka
untuk melakukan sesuatu usaha. Dalam
memiliki tools untuk data re-processing,
hubungannya dengan daya serap terhadap mata
classification, regression, clustering, association
pelajaran, maka daya serap adalah suatu bentuk
rules, dan visualization. Weka mengorganisasi
perasaan semangat, kemauan menyimak,
kelas-kelas kedalam paket- paket dan setiap kelas
kemampuan berfikir, kekuatan mengingat, dan
dipaket dapat mereferensi kelas lain dipaket lain.
tenaga yang dimiliki jiwa manusia, dalam upaya
(As’ad, 2016)
untuk melakukan usaha menyerap pelajaran yang
memiliki tujuan untuk mencapai keberhasilan
2. Metode Penelitian
belajar. Daya serap merupakan kemampuan,
3.1 Kerangka penelitian
tenaga, tolak ukur untuk mengetahui sejauh
mana pemahaman peserta didik terhadap mata
pelajaran yang dipelajari dan diajarkan oleh guru
dalam suatu proses kegiatan belajar mengajar.
Pemahaman ini banyak dipengaruhi oleh faktor-
faktor seperti, minat peserta didik terhadap
belajar, lingkungan yang nyaman atau kondusif,
dan guru yang bisa bersahabat (dekat) dengan
peserta didiknya. Sehingga daya serap dalam
hubungannya terhadap mata pelajaran ilmu
statika bangunan merupakan suatu perasaan
semangat, kemauan menyimak, kemampuan
berfikir, kekuatan mengingat, dan tenaga yang
dimiliki siswa dalam upaya menyerap materi
ilmu statika bangunan dalam tujuannya mencapai
keberhasilan belajar ilmu statika bangunan.
Sehingga daya serap dalam hubungannya
terhadap mata pelajaran ilmu statika bangunan
merupakan suatu perasaan semangat, kemauan 1. Analisa Masalah
menyimak, kemampuan berfikir, kekuatan Pada tahap ini penulis melakukan observasi
mengingat, dan tenaga yang dimiliki siswa dalam awal untuk mengidentifikasi dan
upaya menyerap materi ilmu statika bangunan merumuskan masalah dari penelitian yang
dilakukan agar penelitian yang dilakukan Yaitu metode pengumpulan data dengan
dapat memberikan solusi atas permasalahan cara melihat dokumen yang ada (Dr. Nuri
yang ada. Indriyanto, M.Sc.)
2. Studi Literatur
Mempelajari dan memahami teori-teori yang 3.3 Metode Naive bayes
menjadi pedoman dan referensi guna
penyelesaian masalah yang dibahas dalam
penelitian ini dan mempelajari penelitian
yang relevan dengan masalah yang diteliti.
3. Pengumpulan Data
Mengumpulkan data-data yang berhubungan Keadaan Posteriror (Probabilitas Xk di dalam Y)
dengan organisasi yang penulis teliti. Proses dapat dihitung dari keadaan prior (Probabilitas Y
ini dilakukan dengan mengumpulkan di dalam Xk dibagi dengan jumlah dari semua
dokumen organisasi dalam hal ini adalah data probabilitas Y didalam semua Xi)
mahasiswa STMIK Pringsewu.
4. Analisa Data 1. Variable Naive Bayes
untuk menentukan kelemahan dan kelebihan Klasifikasi naive bayes dalam memprediksi
suatu sistem, dan mencari asal dari kemampuan daya tangkap belajar mahasiswa
permasalahan yang terjadi selanjutnya agar sesuai dengan sistem yang akan dibuat
memikirkan alternatif untuk pemecahan digunakan 5 Faktor Variable yaitu : Jenis
masalah serta mencari solusi terbaik untuk kelamin, Usia, Psikologis, IQ, Lingkungan.
pemecahan masalah. Berikut struktur hirarki pada Klasifikasi Naive
5. Pengumpulan Variabel Bayes yang mencakup tujuan umum, Variable
Mengumpulakn variabel-variabel yang sudah dan alternatif.
ditentukan berdasarkan permasalahan yang
ada.
6. Pengujian
Menguji sistem yang sudah dibuat, sehingga
dapat mengetahui kesalahan yang ada.
7. Pengambilan Keputusan Naive Bayes
Yaitu mengambil sebuah keputusan
berdasarkan analisa masalah yang telah
dibuat.
Gambar 3.1. Sruktur Hirarki pada klasifikasi naive
3.2 Metode pengumpulan data bayes daya tangkap belajar mahasiswa
1. Analisis Masalah dan Studi Literatur
Tahap ini adalah langkah awal untuk 2. Tahapan Naive Bayes
menentukan rumusan masalah dari penelitian. a. Menghitung jumlah class/label
Dalam hal ini mengamati permasalahan yang b. Menghitung jumlah kasus yang sama
berhubungan dengan faktor-faktor penyebab dengan class yang sama
kemampuan daya tangkap belajar. Permasalahan- c. Mengkalikan semua hasil variabel
permasalahan yang ada, selanjutnya dianalisa class/label
untuk mengetahui bagaimana cara penyelesaian d. Bandingkan hasil class/variabel
terhadap masalah tersebut dan menentukan ruang
lingkup permasalahan yang akan diteliti. IV. Hasil dan Pembahasan
Mempelajari dasar teori dari berbagai literatur Dalam memprediksi kemampuan daya
mengenai penerapan metode Naïve Bayes, tangkap belajar mahasiswa menggunakan metode
konsep dan teori data mining dan kemampuan Naive Bayes Classifier ada beberapa tahapan
daya tangkap belajar, melalui jurnal-jurnal dan yaitu :
agar mendapatkan dasar pengetahuan untuk 1. Menentukan kriteria-kriteria
melakukan penelitian selanjutnya. Menentukan jenis – jenis kriteria yang
2. Wawancara digunakan dalam melakukan perhitungan
Wawancara yaitu komunikasi dua arah untuk menggunakan metode Naïve Bayes menjadi
mendapatkan data dari responden. (Prof. tahap pertama dalam sistem prediksi daya
Jogianto HM, Akt,MBA., Ph.D). tangkap belajar karena kriteria menjadi
Contoh pertanyaan, apakah yang menjadi persyaratan utama dalam menentukan daya
penghambat dalam menerima materi dari dosen? tangkap. Dari kriteria tersebut akan diperoleh
3. Dokumentasi hasil mahasiswa yang kompeten sesuai kriteria
yang diinginkan. Kriteria yang digunakan
didalam sistem prdiksi daya tangkap belajar 18 P 35 Cukup 45% Lamba
dapat dilihat pada tabel 1 t
19 L 40 Cukup 45% Lamba
Tabel 1 kriteria prediksi daya tangkap t
belajar 20 L 25 Baik 65% Cepat
Kriteria Keterangan
Tabel testing
Jenis Kelamin Jenis kelamin N Jenis Usia Psikologis IQ Klasifi
mahasiswa o Kelam kasi
in
Usia Usia mahasiswa
1 L 18 Cukup 80% ?
Psikologis Keadaan psikoligis
2 P 35 Baik 65% ?
mahasiswa
IQ Tingkat kecerdasan
Menghitung probabilitas kemunculan setiap nilai
mahasiswa
untuk atribut dari setiap kriteria.
Tahap 1 menghitung jumlah class/label
2. Membuat tabel aturan Testing 1
Pada langkah ini kriteria – kriteria tersebut P(Y= CEPAT) = 11/20
akan disusun dalam bentuk tabel aturan, dimana jumlah data “CEPAT” pada komom
pada metode Naïve Bayes ini hanya ‘KLASIFIKASI dibagi jumlah data
menggunakan 4 aturan. Tabel Aturan dalam P(Y= LAMBAT) = 9/20
sistem prediksi dapat dilihat pada tabel 2. jumlah data “LAMBAT” pada komom
‘KLASIFIKASI dibagi jumlah data
Tabel 2. Aturan
Jenis Tahap 2 menghitung jumlah kasus yang sama
Ketera dengan class yang sama
No Kela Usia Psikologis IQ
ngan
min P(Jenis Kelamin = L | Y= Cepat) = 6/11
P(Jenis Kelamin = L| Y= Lambat) = 5/9
1 P 18 Baik 65% Cepat
P(Usia = 19 | Y= Cepat) = 1/11
2 P 23 Baik 55% Lamba P(Usia = 19 | Y= Lambat) = 0/9
t P(Psikologis = Cukup | Y= Cepat) = 3/11
3 P 24 Cukup 80% Cepat P(Psikologis = Cukup | Y= Lambat) = 6/9
P(IQ = 80% | Y= Cepat) = 4/11
4 L 24 Cukup 55% Lamba P(IQ = 80% | Y= Lambat) = 0/9
t
5 L 38 Baik 70% Cepat Mengkalikan semua hasil variable CEPAT &
LAMBAT
6 P 22 Cukup 70% Cepat
P (6/11) x (1/11) x (3/11) x (4/11) x (11/20 ) |
7 P 20 Baik 80% Cepat CEPAT
= 0,54 x 0,09 x 0,27 x 0,36 x 0,55
8 L 35 Baik 65% Lamba
t = 0,002
P (5/9) x (0/9) x (6/9) x (0/9) x (9/20) | LAMBAT
9 L 19 Cukup 85% Cepat = 0,55 x 0 x 0,66 x 0 x 0,45
10 L 18 Baik 80% Cepat =0

11 P 17 Baik 77% Lamba Tahap 3 mengkalikan semua hasil variable


t CEPAT & LAMBAT
12 P 18 Cukup 65% Lamba Karena hasil (P|Cepat) lebih besar dari (P|
t Terlambat) maka keputusanya adalah “CEPAT”
13 L 20 Cukup 55% Lamba
t Testing 2
Tahap 1 menghitung jumlah class/label
14 L 35 Baik 80% Cepat P(Y= CEPAT) = 11/20
15 L 30 Cukup 55% Lamba jumlah data “CEPAT” pada komom
t ‘KLASIFIKASI dibagi jumlah data
P(Y= LAMBAT) = 9/20
16 P 22 Baik 85% Cepat jumlah data “LAMBAT” pada komom
17 L 40 Baik 65% Cepat ‘KLASIFIKASI dibagi jumlah data
Tahap 2 menghitung jumlah kasus yang sama psikologis
dengan class yang sama baik 9.0 4.0
P(Jenis Kelamin = P | Y= Cepat) = 5/11 cukup 4.0 7.0
P(Jenis Kelamin = P | Y= Lambat) = 4/9 [total] 13.0 11.0
P(Usia = 35 | Y= Cepat) = 1/11 IQ
P(Usia = 35 | Y= Lambat) = 2/9 65% 4.0 3.0
P(Psikologis = Baik | Y= Cepat) = 8/11 55% 1.0 5.0
P(Psikologis = Baik | Y= Lambat) = 3/9 80% 5.0 1.0
P(IQ = 65% | Y= Cepat) = 3/11 70% 3.0 1.0
P(IQ = 65% | Y= Lambat) = 2/9 85% 3.0 1.0
Mengkalikan semua hasil variable CEPAT & 77% 1.0 2.0
LAMBAT 45% 1.0 3.0
P (5/11) x (1/11) x (8/11) x (3/11) x (11/20 ) | [total] 18.0 16.0
CEPAT Time taken to build model: 0 seconds
= 0,45 x 0,09 x 0,72 x 0,27 x 0,55 === Stratified cross-validation ===
= 0,004 === Summary ===
P (4/9) x (2/9) x (3/9) x (2/9) x (9/20) | LAMBAT Correctly Classified Instances 13 65%
= 0,44 x 0,22 x 0,33 x 0,22x 0,45 Incorrectly Classified Instances 7 35%
= 0,003 Kappa statistic 0.3
Tahap 3 mengkalikan semua hasil variable Mean absolute error 0.3497
CEPAT & LAMBAT Root mean squared error 0.4201
Karena hasil (P|Cepat) lebih besar dari (P| Relative absolute error 69.9357 %
Terlambat) maka keputusanya adalah “CEPAT” Root relative squared error 83.6437 %
Total Number of Instances 20
OUTPUT APLIKASI WEKA
=== Detailed Accuracy By Class ===

=== Confusion Matrix ===


=== Run information === a b <-- classified as
7 4 | a = cepat
Scheme : weka.classifiers.bayes.NaiveBayes 3 6 | b = lambat
Relation : tabel aturan
Instances : 20 Output diagram aplikasi weka
Attributes: 5
jenis kelamin
usia
psikologis
IQ
Keterangan

Test mode: 10-fold cross-validation

=== Classifier model (full training set) ===


Hasil Visualize tree/Pohon keputusan
Naive Bayes Classifier
Class
Attribute cepat lambat
(0.55) (0.45)
================================
jenis kelamin V. Penutup
P 6.0 5.0 5.1. Kesimpulan
L 7.0 6.0 1.Metode Naive Bayes menghasilkan
[total] 13.0 11.0 probabilitas setiap kriteria untuk class yang
usia berbeda, sehingga nilai-nilai probabilitas dari
mean 25.8512 26.9495 kriteria tersebut dapat dioptimalkan untuk
std. dev. 7.5269 7.851 memprediksi tingkat kemampuan daya tangkap
weight sum 11 9 belajar.
precision 2.0909 2.0909
2. Berdasarkan data mahasiswa stmik pringsewu
yang dijadikan data training, metode Naive
Bayes berhasil memprediksi tingkat kemampuan
daya tangkap belajar mahasiswa dengan
mengklasifikasikan 20 data yang diuji. Sehingga
metode Naive Bayes berhasil memprediksi cepat
atau lambatnya mahasiswa dalam menangkap
materi.
5.2. Saran
Untuk peneliti kedepan, penelitian ini masih bisa
dikembangkan lagi dengan cara menambah
variabel atau kriteria – kriteria yang baik, atau
dengan menggunakan smetode – metode yang
lain.

Daftar Pustaka
As’ad, B. (2016) ‘PREDIKSI KEPUTUSAN
MENGGUNAKAN METODE KLASIFIKASI
NAÏVE BAYES, ONE-R, DAN DECISION
TREE DECISION’, pp. 1–10.
Dewi, I. A. G. B. P. and Indrawati, K. R.
(2014) ‘Perilaku Mencatat dan Kemampuan
Memori pada Proses Belajar’, Jurnal Psikologi
Udayana, 1(2), pp. 241–250.
Imron, M. (2017) ‘PENERAPAN DATA
MINING ALGORITMA NAIVES BAYES DAN
PART UNTUK MENGETAHUI MINAT BACA
MAHASISWA DI PERPUSTAKAAN STMIK
AMIKOM PURWOKERTO’, 10(2), pp. 121–
135.
Liberti, S. (2012) ‘FAKTOR-FAKTOR
YANGMEMPENGARUHI DAYA SERAP
TERHADAP ILMU STATIKA DAN
TEGANGAN PADA SISWAKELAS X
BIDANG KEAHLIAN TEKNIK BANGUNAN
DI SMK N 2 YOGYAKARTA’, p. 84.
Marleny, F. D., Junaidi, H. M. and Mambang
(2015) ‘PENERAPAN K-MEANS CLUSTER
UNTUK PENGARUH KECERDASAN EMOSI
DAN STRES TERHADAP PRESTASI
BELAJAR MAHASISWA’, (ISSN:2302-3805),
pp. 6–8.
Rahman, F. and Firdaus, M. I. (2016)
‘Penerapan Data Mining Metode Naïve Bayes
Untuk Prediksi Hasil Belajar Siswa Sekolah
Menengah Pertama (Smp)’, Al Ulum Sains dan
Teknologi, 1(2), pp. 76–78.
Saleh, A. (2015) ‘Implementasi Metode
Klasifikasi Naïve Bayes dalam Memprediksi
Besarnya Penggunaan Listrik Rumah Tangga’,
Citec Journal, 2(3), pp. 207–217. Available at:
ojs.amikom.ac.id/index.php/citec/article/downloa
d/375/355.