Penerapan Algoritma Naïve Bayes Pada Sistem Prediksi Tingkat Kelulusan Peserta Sertifikasi Microsoft Office Specialist (MOS)
Keywords:
Prediksi, Sertifikasi, Naïve Bayes, CRISP-DM, BlackBoxAbstract
Penelitian ini mengkaji prediksi tingkat kelulusan peserta uji sertifikasi Microsoft Office Specialist versi 2013 (Word dan Excel). Tujuannya adalah untuk memberikan informasi terkait tingkat kelulusan peserta dan menawarkan solusi alternatif dalam menentukan program sertifikasi yang tepat sebelum melakukan uji sertifikasi. Metode Naïve Bayes digunakan untuk klasifikasi kelulusan sertifikasi, memungkinkan peserta mengetahui status kelulusan atau ketidaklulusan mereka. Naïve Bayes merupakan metode klasifikasi yang mengandalkan probabilitas dan statistik untuk memprediksi peluang di masa depan berdasarkan pengalaman sebelumnya. Dalam penelitian ini, pengembangan sistem dilakukan dengan metode CRISP-DM untuk memastikan pengerjaan yang terstruktur. Pengujian dilakukan dengan metode blackbox untuk memeriksa setiap fungsi yang ada dalam aplikasi yang dibangun. Penelitian ini menghasilkan nilai probabilitas sebesar 0,001042 dengan tingkat akurasi mencapai 99%. Hasil ini menunjukkan bahwa metode Naïve Bayes dapat digunakan untuk memprediksi tingkat kelulusan peserta sertifikasi (Word dan Excel) dengan tingkat keakuratan yang tinggi, sehingga peserta dapat menentukan program sertifikasi yang tepat sebelum mengikuti uji sertifikasi.
References
Larose D, T., 2005, Discovering knowledge in data: an introduction to data mining, Jhon Wiley & Sons Inc.
Syarli, & Muin, A. A. (2016). Metode Naive Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi). Jurnal Ilmiah Ilmu Komputer, 2(1), 1–5.
Budiman, I., Prahasto, T., & Christyono, Y. (2012). Data Clustering Menggunakan Metodologi Crisp-Dm Untuk Pengenalan Pola Proporsi Pelaksanaan Tridharma, 2012(Snati), 15–16.
A.S, Rosa dan Shalauhuddin, M. (2014). Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Bandung: Informatika Bandung.
Siregar, R. R. A., Sinaga, F. A., & Arianto, R. (2017). Aplikasi Penentuan Dosen Penguji Skripsi Menggunakan Metode TF-IDF dan Vector Space Model. Computatio: Journal of Computer Science and Information Systems, 1(2), 171-186.
T. Nisa, R. Siregar, And W. Suliyanti, “Estimasi Daya Beban Listrik Pada Gardu Induk Cengkareng Dengan Menggunakan Metode Time Series Model Dekomposisi”, Teknologia, Vol. 1, No. 2, Apr. 2019.
Purwanto, S. D., & Santoso, I. B. (2017). Sistem Identifikasi Boraks pada Bakso Daging Sapi Berbasis Android Menggunakan Algoritma Naive Bayes Classifier, 9(1), 33–37.
Nurrohmat, M. A., & Nugroho, Y. S. (2015). Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Metode Naïve Bayes. Khazanah Informatika, I(1), 29–34. https://doi.org/10.23917/khif.v1i1.1179
Siregar, R., Siregar, Z., & Arianto, R. (2019). Klasifikasi Sentiment Analysis Pada Komentar Peserta Diklat Menggunakan Metode K-Nearest Neighbor. KILAT, 8(1). https://doi.org/10.33322/kilat.v8i1.421
Siregar Rr, Putri Dr. Metode Support Vector Machine Pada Klasifikasi Audit Energi: Studi Kasus Gedung STT-PLN Jakarta. Jurnal Informatika Dan Komputasi. 2017 Mar 2;8(2):98- 104.
Sangadji, I., & Arvio, Y. (2018, March). Dynamic Segmentation Of Behavior Patterns Based On Quantity Value Movement Using Fuzzy Subtractive Clustering Method. In Journal of Physics: Conference Series (Vol. 974, No. 1, p. 012009). IOP Publishing.
R. Jurnal, “Implementasi Logika Fuzzy Untuk Sistem Otomatisasi Pengaturan Pengisian Batere Pembangkit Listrik Tenaga Surya”, Energi, Vol. 9, No. 2, Pp. 111-119, Nov. 2018.
A. Prianty, R. Siregar, and R. Arianto, “Penanganan Gangguan Listrik Rumah Tangga Menggunakan Algoritma Greedy Untuk Penentuan Jarak Optimal”, Teknologia, vol. 2, no. 1, Aug. 2019.
