Perbandingan Algoritma C4.5 dan Naive Bayes Dalam Machine Learning Untuk Klasifikasi Performa Pelajar
DOI:
https://doi.org/10.33998/jms.2025.5.2.2328Kata Kunci:
Klasifikasi, C4.5, Naive Bayes, Confusion Matrix, Cross ValidationAbstrak
Perkembangan teknologi informasi dan komunikasi yang pesat telah membawa perubahan signifikan dalam berbagai bidang, termasuk pendidikan. Salah satu inovasi teknologi yang telah memberikan kontribusi besar adalah machine learning. Pendidikan merupakan aspek penting dalam pembangunan sumber daya manusia. Dalam konteks ini, memahami faktor-faktor yang mempengaruhi performa pelajar dan mengklasifikasi hasil belajar mereka menjadi sangat penting. Penelitian ini bertujuan untuk membandingkan kinerja terbaik dari dua model yaitu Algoritma C4.5 dan Naïve Bayes, kemudian menghasilkan pohon keputusan untuk mempermudah klasifikasi performa pelajar. Dengan menggunakan dataset performa pelajar yang berjumlah 2.392 data, penelitian ini mengklasifikasi performa pelajar dari berbagai aspek seperti nilai, partisipasi dalam kelas, keterampilan belajar, serta kontribusi dalam kegiatan ekstrakurikuler. Pada penelitian ini, penulis melakukan data splitting dengan rasio sebesar 70:30 dan 80:20, kemudian melakukan evaluasi model dengan confusion matrix dan validasi model dengan 10-fold cross-validation. Hasil terbaik dari pengujian model adalah sebesar 85.82% menggunakan Algoritma C4.5 dengan 10-fold cross-validation. Hasil penelitian ini diharapkan tidak hanya mampu mengklasifikasi performa pelajar dengan akurasi yang baik, tetapi juga memberikan insight yang berharga bagi pendidik dan pengelola sekolah maupun kampus untuk meningkatkan kualitas pendidikan secara keseluruhan.
Unduhan
Referensi
E. Retnoningsih and R. Pramudita, “Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python,” Bina Insa. Ict J., vol. 7, no. 2, p. 156, 2020, doi: 10.51211/biict.v7i2.1422.
Ibnu Daqiqil Id, MACHINE_LEARNING_Teori_Studi_Kasus_dan_Implementasi, 1st ed. Riau: UR PRESS, 2021.
Fahrizal, F. O. Reynaldi, and N. Hikmah, “Implementasi Machine Learning pada Sistem PETS Identification Menggunakan Python Berbasis UBuntu,” J. Inf. Syst. Informatics Comput., vol. 4, no. 1, pp. 86–91, 2020, [Online]. Available: http://journal.stmikjayakarta.ac.id/index.php/jisicom/article/view/212
A. U. Osarogiagbon, F. Khan, R. Venkatesan, and P. Gillard, “Review and analysis of supervised machine learning algorithms for hazardous events in drilling operations,” Process Saf. Environ. Prot., vol. 147, pp. 367–384, 2021, doi: 10.1016/j.psep.2020.09.038.
A. P. Silalahi and H. G. Simanullang, “Supervised Learning Metode K-Nearest Neighbor Untuk Prediksi Diabetes Pada Wanita,” METHOMIKA J. Manaj. Inform. dan Komputerisasi Akunt., vol. 7, no. 1, pp. 144–149, 2023, doi: 10.46880/jmika.vol7no1.pp144-149.
D. P. Utomo and M. Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 437, 2020, doi: 10.30865/mib.v4i2.2080.
H. F. Putro, R. T. Vulandari, and W. L. Y. Saptomo, “Penerapan Metode Naive Bayes Untuk Klasifikasi Pelanggan,” J. Teknol. Inf. dan Komun., vol. 8, no. 2, 2020, doi: 10.30646/tikomsin.v8i2.500.
S. Ratna, “Pengolahan Citra Digital Dan Histogram Dengan Phyton Dan Text Editor Phycharm,” Technol. J. Ilm., vol. 11, no. 3, p. 181, 2020, doi: 10.31602/tji.v11i3.3294.
R. Rachmatika and A. Bisri, “Perbandingan Model Klasifikasi untuk Evaluasi Kinerja Akademik Mahasiswa,” J. Edukasi dan Penelit. Inform., vol. 6, no. 3, p. 417, 2020, doi: 10.26418/jp.v6i3.43097.
A.- Husaini, I. Hariyanti, and A. R. Raharja, “Perbandingan Algoritma Decision Tree dan Naive Bayes dalam Klasifikasi Data Pengaruh Media Sosial dan Jam Tidur Terhadap Prestasi Akademik Siswa,” Technol. J. Ilm., vol. 15, no. 2, p. 332, 2024, doi: 10.31602/tji.v15i2.14381.
A. Novriandy, “Implementasi Algoritma Naive Bayes dan Algoritma C4. 5 dalam Klasifikasi Kelayakan Bantuan UMKM,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 1, pp. 208–217, 2023, doi: 10.30865/klik.v4i1.1099.
F. Fatmawati and N. Narti, “Perbandingan Algoritma C4.5 dan Naive Bayes Dalam Klasifikasi Tingkat Kepuasan Mahasiswa Terhadap Pembelajaran Daring,” JTIM J. Teknol. Inf. dan Multimed., vol. 4, no. 1, pp. 1–12, 2022, doi: 10.35746/jtim.v4i1.196.
A. Rahman, “Klasifikasi Performa Akademik Siswa Menggunakan Metode Decision Tree dan Naive Bayes,” J. SAINTEKOM, vol. 13, no. 1, pp. 22–31, 2023, doi: 10.33020/saintekom.v13i1.349.
H. Sulistiani and A. A. Aldino, “Decision Tree C4.5 Algorithm for Tuition Aid Grant Program Classification (Case Study: Department of Information System, Universitas Teknokrat Indonesia),” Edutic - Sci. J. Informatics Educ., vol. 7, no. 1, pp. 40–50, 2020, doi: 10.21107/edutic.v7i1.8849.
Alvina Felicia Watratan, Arwini Puspita. B, and Dikwan Moeis, “Implementasi Algoritma Naive Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia,” J. Appl. Comput. Sci. Technol., vol. 1, no. 1, pp. 7–14, 2020, doi: 10.52158/jacost.v1i1.9.
V. R. Joseph, “Optimal ratio for data splitting,” Stat. Anal. Data Min., vol. 15, no. 4, pp. 531–538, 2022, doi: 10.1002/sam.11583.
D. K. Lailil Muflikhah, Wayan Firdaus Mahmudy, Machine_Learning. UB Press, 2023.
Suci Amaliah, M. Nusrang, and A. Aswi, “Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi di Kedai Kopi Konijiwa Bantaeng,” VARIANSI J. Stat. Its Appl. Teach. Res., vol. 4, no. 3, pp. 121–127, 2022, doi: 10.35580/variansiunm31.
R. R. R. Arisandi, B. Warsito, and A. R. Hakim, “Aplikasi Naïve Bayes Classifier (Nbc) Pada Klasifikasi Status Gizi Balita Stunting Dengan Pengujian K-Fold Cross Validation,” J. Gaussian, vol. 11, no. 1, pp. 130–139, 2022, doi: 10.14710/j.gauss.v11i1.33991.
