PERBANDINGAN ALGORITME NAÏVE BAYES DAN KNN TERHADAP DATA PENERIMAAN BEASISWA (Studi Kasus Lembaga Beasiswa Baznas Jabar)

Authors

  • Muhamad Riyyan Universitas Singaperbangsa Karawang
  • Hafiz Firdaus Universitas Singaperbangsa Karawang

DOI:

https://doi.org/10.36595/jire.v5i1.547

Abstract

Pemerintah Indonesia telah mencanangkan program wajib belajar selama 12 tahun dengan tujuan untuk meningkatkan kualitas pendidikan di Indonesia. Oleh karena itu pemerintah mengeluarkan peraturan-peraturan yang dibuat untuk kewenangan pada pemerintah daerah dan sebagainya agar dapat membantu biaya pendidikan pada orang-orang tertentu. Lembaga Beasiswa Baznas Jawa Barat (LBB Jabar) adalah salah satu lembaga yang memberikan biaya pendidikan bagi orang-orang tertentu yang memenuhi persaratan, namun pendaftar dari beasiswa tersebut membludak dan menghasilkan data yang cukup besar. Oleh karena itu proses seleksi menjadi tidak efisien dan membutuhkan metode algoritme tertentu. Analisa terhadap data yang besar perlu dilakukan untuk bisa mengetahui pola dan pengetahuan pada data tersebut. Penelitian ini dilakukan untuk membandingkan metode naïve bayes  dan knn yang bisa diterapkan dengan baik pada data penerimaan beasiswa yang diselenggarakan oleh LBB Jabar. Model klasifikasi yang dibuat diuji dengan confusion matrix. Hasil penelitian menunjukan nilai yang berbeda pada setiap algoritma. Nilai uji algoritme naïve bayes yaitu nilai akurasi yang didapat sebesar 80%, presisi sebesar 82,82%, dan recall sebesar 92,47% sedikit lebih besar dibandingkan dengan algoritme knn dengan nilai akurasi 78,97%, presisi sebesar 82,61%, dan recall sebesar 91,10% dimana nilai k yang digunakan adalah k=7. Sedangkan untuk k=27 algoritme knn mempunyai nilai akurasi lebih besar dengan nilai 80,51%, presisi sebesar 81,03%, dan recall ssbesar 96,58%.

References

Rismayanti, R., IMPLEMENTASI ALGORITMA C4. 5 UNTUK MENENTUKAN PENERIMA BEASISWA DI STT HARAPAN MEDAN. JURNAL MEDIA INFOTAMA, 2016. 12(2).

ROHMAWATY, I.M., PENGARUH PENDISTRIBUSIAN DANA ZAKAT DALAM BENTUK BEASISWA BAZNAS TERHADAP PRESTASI MAHASISWA Studi: Mahasiswa Penerima Beasiswa BAZNAS KAB. Serang di UIN Sultan Maulana Hasanuddin Banten Tahun 2016. 2018, Universitas Islam Negeri" Sultan Maulana Hasanuddin" Banten.

Jabar, L.B.B. Apa Itu Lembaga Beasiswa BAZNAS. 2020; Available from: https://beasiswa.baznas.go.id/.

Maricar, M.A. and D. Pramana, Perbandingan Akurasi Naïve Bayes dan K-Nearest Neighbor pada Klasifikasi untuk Meramalkan Status Pekerjaan Alumni ITB STIKOM Bali. Jurnal Sistem Dan Informatika (JSI), 2019. 14(1): p. 16-22.

Kamila, V.Z. and E. Subastian, KNN vs Naive Bayes Untuk Deteksi Dini Putus Kuliah Pada Profil Akademik Mahasiswa. Jurnal Rekayasa Teknologi Informasi (JURTI), 2019. 3(2): p. 116-122.

Sumiah, A. and N. Mirantika, Perbandingan Metode K-Nearest Neighbor dan Naive Bayes untuk Rekomendasi Penentuan Mahasiswa Penerima Beasiswa pada Universitas Kuningan. Buffer Informatika, 2020. 6(1): p. 1-14.

Widaningsih, S., Perbandingan Metode Data Mining Untuk Prediksi Nilai Dan Waktu Kelulusan Mahasiswa Prodi Teknik Informatika Dengan Algoritma C4, 5, Naïve Bayes, Knn Dan Svm. Jurnal Tekno Insentif, 2019. 13(1): p. 16-25.

Lestari, D.R.D., Perbandingan Klasifikasi Beasiswa Toyota Astra Menggunakan K-Nearest Neighbor Classifier Dan Naïve Bayes Sebagai Penentu Metode Klasifikasi Pada Sistem Pendukung Keputusan Penerimaan Beasiswa Toyota Astra (Studi Kasus: Institut Teknologi Sepuluh Nopember). 2017, Institut Teknologi Sepuluh Nopember.

Abro, M., H. Nawaz, and W. Abro, Performance Analysis of Dissimilar Classification Methods using RapidMiner. Sindh University Research Journal-SURJ (Science Series), 2016. 48(1).

Ç???ar, B. and D. Ünal, Comparison of data mining classification algorithms determining the default risk. Scientific Programming, 2019. 2019.

Neelamegam, S. and E. Ramaraj, Classification algorithm in data mining: An overview. International Journal of P2P Network Trends and Technology (IJPTT), 2013. 4(8): p. 369-374.

Dina, N.Z. and R.S. Marjianto, PREDIKSI PENENTUAN PENERIMA BEASISWA DENGAN METODE KNEAREST NEIGHBOURS (Studi Kasus: Program Studi Sistem Informasi Fakultas Vokasi Universitas Airlangga). InfoTekJar: Jurnal Nasional Informatika dan Teknologi Jaringan, 2018. 2(2): p. 135-139.

Windana, F., A. Handaratri, and M.T.A. Zaen, IMPLEMENTASI METODE K-NEAREST NEIGHBOR UNTUK PENGENALAN BUAH MURBEI DENGAN KORELASI KANDUNGAN ANTOSIANIN. Jurnal Informatika dan Rekayasa Elektronik, 2021. 4(1): p. 78-86.

Rasjid, Z.E. and R. Setiawan, Performance comparison and optimization of text document classification using k-NN and naïve bayes classification techniques. Procedia computer science, 2017. 116: p. 107-112.

Gerhana, Y., et al. Comparison of naive Bayes classifier and C4. 5 algorithms in predicting student study period. in Journal of Physics: Conference Series. 2019. IOP Publishing.

Mutawalli, L., M.T.A. Zaen, and W. Bagye, Klasifikasi Teks Sosial Media Twitter Menggunakan Support Vector Machine (Studi Kasus Penusukan Wiranto). Jurnal Informatika dan Rekayasa Elektronik, 2019. 2(2): p. 43-51.

Chen, Z., et al., The Lao text classification method based on KNN. Procedia Computer Science, 2020. 166: p. 523-528.

Yulianto, A., P. Sukarno, and N.A. Suwastika. Improving adaboost-based intrusion detection system (IDS) performance on CIC IDS 2017 dataset. in Journal of Physics: Conference Series. 2019. IOP Publishing.

Downloads

Published

2022-04-23