Implementasi Algoritma Naïve Bayes Classifier Untuk Klasifikasi Penerima Beasiswa BUMN Sekota Dumai
Abstract
Secara konsisten otoritas publik menawarkan berbagai jenis hibah/bantuan kepada siswanya, salah satu bantuan/hibah dari bumn tidak terkecuali dari unversitas mana saja asal tempat tinggalnya. Secara konsisten jumlah calon penerima hibah ini terus bertambah, namun jumlah yang didapat setiap tahun tetap stabil. Selanjutnya, penting untuk membangun kerangka untuk melengkapi penambangan informasi dari tumpukan informasi ini yang akan dimanfaatkan untuk tujuan tertentu, salah satunya untuk menyelidiki kewajaran penerima hibah agar sempurna. Bayes Classifier merupakan metodologi yang mengacu pada hipotesis Bayes yang menggabungkan informasi masa lalu dengan informasi baru. Jadi perhitungan karakterisasi bersifat mendasar namun memiliki ketelitian yang tinggi. Oleh karena itu, pemeriksaan ini akan menunjukkan kapasitas Bayes Classifire dalam mengelompokkan informasi calon penerima hibah/bantuan yang menjelaskan kemungkinan pemberian hibah/bantuan bumn. Data pelamar beasiswa telah diolah terlebih dahulu agar “bersih” dan siap untuk diproses lebih lanjut. Setelah pra- pemrosesan ini, Naive Bayes Classifier digunakan untuk mengklasifikasikan data, sehingga menghasilkan model probabilitas untuk mengklasifikasikan pelamar beasiswa berikutnya. Dari hasil pengujian ketepatan model kerangka kerja yang dibuat menghasilkan nilai akurasi tertinggi sebesar 75,00%
Downloads
References
Handoko, W., & Iqbal, M. (2021). Prediksi Peminatan Program Studi Pada Penerimaan Mahasiswa Baru Stmik Royal Menggunakan Naïve Bayes. Journal of Science and Social Research, 4(2), 231. https://doi.org/10.54314/jssr.v4i2.661
Lestari, S., Akmaludin, A., & Badrul, M. (2020). Implementasi Klasifikasi Naive Bayes Untuk Prediksi Kelayakan Pemberian Pinjaman Pada Koperasi Anugerah Bintang Cemerlang. PROSISKO: Jurnal Pengembangan Riset Dan Observasi Sistem Komputer, 7(1), 8–16. https://doi.org/10.30656/prosisko.v7i1.2129
Lisnawita, L., Guntoro, G., & Musfawati, M. (2022). Implementation of Naïve Bayes for Classification of Learning Types. Digital Zone: Jurnal Teknologi Informasi dan Komunikasi, 13(1), 44-54
https://doi.org/10.31849/digitalzone.v13i1.9825
Misbachudin Riyadi, A., Sibyan, H., Ahmad Ihsanuddin, I., & Alif Muwafiq Baihaqi, M. (2023). Klasifikasi Penerima Beasiswa Menggunakan Metode Naïve Bayes (Studi Kasus SMP Negeri 3 Selomerto). Journal of Engineering and Informatic, 1(2), 53–59. https://doi.org/10.56854/jei.v1i2.61
Muslim Hidayat, Afif Nazmi Fuadi, Dimas Prasetyo Utomo, Erna Dwi Astuti, & Dian Asmarajati. (2023). Studi Komparasi Algoritma Naïve Bayes Dan K-Nn Untuk Klasifikasi Penerimaan Beasiswa Di Mi Al – Islamiyah Karangsawah. STORAGE: Jurnal Ilmiah Teknik Dan Ilmu Komputer, 2(4), 172–180. https://doi.org/10.55123/storage.v2i4.2865
Nizam Fadli, M., Sudahri Damanik, I., Irawan, E., Tunas Bangsa, S., & Utara, S. (2021). Penerapan Metode Naive Bayes Dalam Menentukan Tingkat Kenyamanan Pada Rumah Sakit Terhadap Pasien. Media Online, 2(3), 117–122. https://djournals.com/klik. https://doi.org/10.30865/klik.v2i3.297
Noviyanti, S. (2022). Aplikasi Pemeringkatan Dan Pemantauan Kelas Menggunakan Pengklasifikasi Naïve Bayes. Jurnal Portal Data, 2(7), 1–13. http://portaldata.org/index.php/portaldata/article/download/180/172
Pratama, M. A. W., Fuad, M., Hazriani, & Yuyun, Y. (2023). Penentuan status penerima Bantuan Indonesia Pintar pada SMKN 9 Bulukumba dengan metode Naive Bayes. Prosiding Seminar NasionalSISFOTEK,7(1),120–125. https://seminar.iaii.or.id/index.php/SISFOTEK/article/view/387
Prayogo, A. A. T. (2022). Penerapan Model Klasifikasi Untuk Prediksi Gender Berdasrakan Wajah Dengan Menggunakan Metode Naïve Bayes. Jurnal Industri Kreatif Dan Informatika Series (Jikis), 02(02), 88–93.
Toresa, D., Hidayat, I., Edriyansyah, E., Muzawi, R., Taslim, T., Lisnawita, L., & Yanto, F. (2023). Perbandingan Algoritma C4. 5 Dan Naïve Bayes Untuk Mengukur Tingkat Kepuasan Mahasiswa Dalam Penggunaan Edlink. Jurnal Teknologi Dan Sistem Informasi Bisnis, 5(3), 250-256. https://doi.org/10.47233/jteksis.v5i3.855
