PREDIKSI JURUSAN PADA SELEKSI NASIONAL MASUK PERGURUAN TINGGI NEGERI (SNMPTN) MENGGUNAKAN METODE KLASIFIKASI NAÏVE BAYES

2020 ◽  
Vol 4 (1) ◽  
pp. 55
Author(s):  
Herliyani Hasanah ◽  
Nugroho Arif Sudibyo ◽  
Edy Kurniawan
Keyword(s):  
Naive Bayes ◽  
Naïve Bayes ◽  
Bahasa Indonesia

SNMPTN merupakan salah satu jalur masuk perguruan tinggi negeri yang banyak diminati siswa karena hanya menggunakan parameter nilai raport, prestasi siswa, dan prestasi sekolah. Setiap jurusan mempunyai nilai diterima minimal yang berbeda-beda, besaran kuota yang ditetapkan LTMP 2019 minimal hanya 20% dari daya tampung program studi di setiap perguruan tinggi negeri. Besarnya minat siswa dan kecilnya jumlah kuota tidak sebanding sehingga menyebabkan persaingan diterima pada jalur ini semakin ketat. Namun, masih banyak siswa yang belum mempertimbangkan parameter tersebut saat mendaftar sehingga kemungkinan diterima pada jalur SNMPTN semakin kecil. Oleh karena itu diperlukan sebuah sistem yang dapat memprediksi kemungkinan diterimanya siswa pada jurusan SNMPTN berdasarkan atribut yang sudah ditentukan. <em>Naïve Bayes</em> diterapkan untuk mencari nilai probabilitas terbesar dalam setiap variabel yang ada. Variabel yang digunakan meliputi nilai rata-rata matematika, bahasa indonesia, dan bahasa inggris semester 1 sampai 5 serta prestasi siswa yang dilampirkan saat mendaftar dan prestasi sekolah. Hasilnya dengan <em>naïve bayes</em> mampu menghasilkan akurasi sebesar 83,3%.

scholarly journals Kombinasi Metode Naive Bayes dan K-Medoid dalam Memprediksi Penjurusan Siswa di Sekolah Menengah Atas

2021 ◽  
Vol 14 (2) ◽  
pp. 88
Author(s):  
Devi Dwi Hariyanti ◽  
Gede Aditra Pradnyana ◽  
I Gede Mahendra Darmawiguna
Keyword(s):  
Naive Bayes ◽  
Naïve Bayes ◽  
Bahasa Indonesia

Penjurusan merupakan suatu proses penempatan atau penyaluran dalam pemilihan program pengajaran kepada siswa. Tujuan dari penentuan penjurusan itu sendiri adalah agar kelak dikemudian hari pelajaran yang diberikan kepada siswa lebih terarah. SMA Laboratorium Undiksha memiliki permasalahan dalam penentuan penjurusan dan pembagian kelas siswa. Proses penentuan jurusan membutuhkan waktu yang cukup lama, masih menggunakan perhitungan manual di excel dalam menentukan penjurusan siswa. Permasalahan tersebut dapat diatasi dengan Pengembangan Sistem Prediksi Penjurusan Kelas Siswa Menggunakan Kombinasi Metode Naive Bayes Dan K-Medoid. Ada 22 kriteria yang digunakan dalam penentuan jurusan kelas siswa yaitu, jenis kelamin, nilai raport semester 3 sampai dengan semester 5, nilai matematika semester 3 sampai dengan semester 5, nilai ipa semester 3sampai dengan semester, nilai ips semester 3 sampai dengan semester 5, nilai bahasa indonesia semester 3 sampai dengan semester 5, nilai bahasa inggris semester 3 sampai dengan semester 5, minat siswa 1, minat siswa 2 dan minat orang tua. Berdasarkan hasil perhitungan kinerja metode, didapatkan nilai akurasi sebesar 76% yang menunjukkan bahwa metode yang digunakan memiliki nilai akurasi yang cukup baik dalam memprediksi jurusan siswa. Precision yang dihasilkan sebesar 84,33% menunjukkan kategori data yang diklasifikasi telah sesuai dengan kategori yang sebenarnya. Recall yang dihasilkan sebesar 70,67% menunjukkan tingkat keberhasilan metode dalam mengenali suatu kategori sudah baik.

scholarly journals KLASIFIKASI TWEET INFLUENCER NU DENGAN GNPF-ULAMA MENGGUNAKAN NAIVE BAYES DAN SUPPORT VECTOR MACHINE

2021 ◽  
Vol 5 (2) ◽  
pp. 258
Author(s):  
Andi Taufik ◽  
Robi Sopandi
Keyword(s):  
Support Vector Machine ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Support Vector ◽  
Nahdlatul Ulama ◽  
Bahasa Indonesia

Legitimasi sebagai kelompok yang paling mewakili umat terus menjadi hal yang diperebutkan oleh kelompok Islam saat ini. Di satu sisi ada Nahdlatul Ulama (NU) dengan wacana Islam dan nasionalisme, di sisi lain ada Gerakan Nasional Pembela Fatwa Ulama (GNPF-Ulama) dengan wacana yang hanya menekankan pada aspek Islam. Pertarungan wacana kedua kelompok besar ini termasuk di media sosial Twitter sontak menimbulkan kebingungan pada umat Islam terutama yang awam, ditambah lagi banyaknya Buzzer dan Influencer yang berafiliasi kepada masing-masing kelompok. Penelitian ini akan melakukan klasifikasi tweet dari Influencer yang berafiliasi dengan NU dan GNPF-Ulama di media sosial Twitter. Algoritma yang digunakan adalah Naive Bayes dan Support Vector Machine. Data Twitter diambil menggunakan library tweepy, proses preprocessing menggunakan Python dengan penggunaan Library Sastrawi untuk melakukan stemming kata bahasa Indonesia. Klasifikasi dengan metode Naive Bayes dan Support Vector Machine dilakukan menggunakan aplikasi RapidMiner. Dari rangkaian proses yang dilakukan, metode Support Vector Machine menghasilkan nilai akurasi dan AUC yang lebih baik dari Naive Bayes yakni sebesar 77.28% dan AUC sebesar 0.863.

scholarly journals Pemetaan Emosi Dominan pada Kalimat Majemuk Bahasa Indonesia Menggunakan Multinomial Naïve Bayes

2020 ◽  
Vol 9 (2) ◽  
pp. 171-179
Author(s):  
Wisnu Agastya ◽  
Aripin
Keyword(s):  
Naive Bayes ◽  
Naïve Bayes ◽  
Bahasa Indonesia

Makalah ini bertujuan untuk memetakan kalimat bahasa Indonesia ke dalam kelas-kelas emosi berdasarkan proses klasifikasi pada kalimat tersebut. Hasil pemetaan emosi dapat diaplikasikan dalam berbagai bidang, seperti produksi film animasi dan game, analisis ekspresi wajah, interaksi manusia-komputer, dan pengembangan karakter virtual ekspresif lainnya, khususnya untuk menghasilkan ekspresi wajah yang sesuai dengan kalimat yang diucapkan. Metode yang digunakan untuk proses pemetaan emosi adalah klasifikasi teks menggunakan model multinomial naïve Bayes yang disertai persamaan batas dominan. Model multinomial naïve Bayes pada klasifikasi teks digunakan untuk menentukan jenis dan intensitas emosi dari kalimat bahasa Indonesia, sedangkan persamaan batas dominan digunakan untuk menentukan ambang batas untuk mengidentifikasi kelas-kelas yang dominan. Kelas emosi yang digunakan sebagai acuan adalah enam kelas emosi dasar menurut Paul Ekman, yaitu senang, sedih, marah, takut, jijik, dan terkejut. Eksperimen pada proses pemetaan emosi menggunakan kalimat bahasa Indonesia yang meliputi kalimat tunggal dan kalimat majemuk. Hasil eksperimen menunjukkan bahwa dengan klasifikasi teks menggunakan model multinomial naïve Bayes yang disertai persamaan batas dominan dapat memetakan kalimat majemuk ke dalam beberapa kelas emosi yang dominan.

scholarly journals Klasifikasi Ujaran Kebencian pada Cuitan dalam Bahasa Indonesia

2019 ◽  
Vol 10 (2) ◽  
pp. 164
Author(s):  
Kevin Antariksa ◽  
Y. Sigit Purnomo WP ◽  
Ernawati Ernawati
Keyword(s):  
Logistic Regression ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Bahasa Indonesia

Banyaknya ujaran kebencian yang ada di media sosial sudah membuat jengah. Ujaran kebencian tersebut makin marak dijumpai namun masih belum ada upaya preventif dari media sosial untuk menangkal ujaran kebencian. Deteksi ujaran kebencian yang sudah dibuat juga belum tersedia dalam Bahasa Indonesia. Pada tugas akhir ini, akan dibuat model pembelajaran mesin yang dapat mengenali ujaran kebencian dengan Bahasa Indonesia. Dalam model tersebut akan membandingkan beberapa metode-metode pembelajaran mesin yang ada. Metode yang digunakan dalam pengujian adalah Naïve Bayes, SVM, dan Logistic Regression. Dalam pengujian, beberapa parameter akan diubah-ubah sehingga didapatkan nilai paling maksimal dalam deteksi ujaran kebencian. Hasil yang diharapkan adalah sebuah model pembelajaran mesin. Model tersebut diharapkan dapat mengenali ujaran kebencian berbahasa Indonesia secara akurat. Akurasi yang diharapkan adalah sebesar >85%.Kata Kunci: Deteksi ujaran kebencian, model pembelajaran mesin, media sosial, Bahasa Indonesia, cuitan

scholarly journals Student Learning Style Classification Using Naïve Bayes Classifier Method

2020 ◽  
Vol 10 (2) ◽  
pp. 170-179
Author(s):  
S Ramadandi ◽  
Jahring Jahring
Keyword(s):  
Data Mining ◽  
Student Learning ◽  
Learning Style ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Student Learning Style ◽  
Bahasa Indonesia

Setiap mahasiswa memiliki kebiasaan tersendiri dalam menyerap dan memproses materi kuliah yang diberikan. Kebiasaan ini disebut dengan gaya belajar. Mengetahui gaya belajar mahasiswa merupakan hal yang sangat penting bagi seorang dosen karena dengan mengetahui gaya belajar mahasiswa dalam satu kelas, dosen dapat menerapkan metode pembelajaran yang dapat mengakomodir seluruh gaya belajar mahasiswa. Pada mata kuliah Komputer di Program Studi Pendidikan Bahasa Indonesia dan Program Studi Pendidikan Bahasa Inggris, masih terdapat beberapa mahasiswa yang kesulitan memahami materi kuliah karena metode pembelajaran yang diberikan dosen hanya terpaku pada gaya belajar tertentu. Untuk itu, penelitian ini akan membantu dosen untuk mengetahui gaya belajar mahasiswa berdasarkan data-data terdahulu dengan menggunakan metode Naïve Bayes Classifier pada Data Mining. Beberapa penelitian menyebutkan bahwa metode Naïve Bayes Classifier lebih baik dibandingkan dengan metode klasifikasi yang lain. Dalam penelitian ini, peneliti menggunakan Rapid Miner sebagai alat bantu dalam melakukan klasifikasi. Setelah melakukan pengujian terhadap data uji, diperoleh nilai akurasi sebesar 90%. Hal ini membuktikan bahwa model klasifikasi yang dibentuk dari data latih dapat memberikan hasil klasifikasi gaya belajar yang baik serta model ini dapat diterapkan oleh dosen untuk mengetahui gaya belajar mahasiswa.

scholarly journals PENGEMBANGAN APLIKASI ANALISIS SENTIMEN TWITTER MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (Studi Kasus SAMSAT Kota Malang)

2018 ◽  
Vol 4 (2) ◽  
pp. 149 ◽  
Author(s):  
Imam Fahrur Rozi ◽  
Elok Nur Hamdana ◽  
Muhammad Balya Iqbal Alfahmi
Keyword(s):  
Naive Bayes ◽  
Naïve Bayes ◽  
Naive Bayes Classifier ◽  
Bayes Classifier ◽  
Naïve Bayes Classifier ◽  
Bahasa Indonesia

Twitter adalah salah satu media sosial dimana pengguna dapat mencari topik tertentu dan membahas isu-isu terkini. Beberapa pesan singkat atau tweet dapat memuat opini terhadap produk dan layanan yang dirasakan oleh masyarakat. Data ini dapat menjadi sumber data untuk dijadikan objek penelitian. Penelitian ini bertujuan untuk membangun aplikasi analisis sentimen yang menerapkan pendekatan Naïve Bayes Classifier untuk mengklasifikasikan kata-kata dan difokuskan pada tweet dalam bahasa Indonesia. Data diperoleh melalui cara web scrapping dan sumber teks yang digunakan sebagai topik bahasan adalah Sistem Administrasi Manunggal Satu Atap (SAMSAT) Malang Kota. Proses klasifikasi dilakukan melalui serangkaian tahapan seperti preproses (case folding, cleaning, tokenizing, dan stopword) serta proses klasifikasi dengan algoritma Naïve Bayes Classifier itu sendiri untuk mendapatkan hasil klasifikasi dengan kategori positif, negatif atau netral. Berdasarkan hasil penelitian, algoritma Naïve Bayes Classifier memberikan unjuk kerja yang baik dalam analisis sentimen. Dari hasil uji akurasi klasifikasi yang dilakukan oleh aplikasi menghasilkan nilai akurasi tertinggi pada setiap kategori positif, negatif, netral masing-masing sebesar 82%, 92%, 80% dengan jumlah data latih 200 tweet negatif, 200 tweet positif, dan 200 tweet netral.

Sign in / Sign up

Export Citation Format

Share Document