Perbandingan Metode Data Mining Untuk Prediksi Prestasi Siswa Tingkat Pendidikan Menengah Kejuruan Pada Sekolah Menengah Kejuruan Negeri (SMKN 1) Gadingrejo Pringsewu Lampung
Abstract
Penelitian ini memiliki tujuan untuk membuat prediksi prestasi siswa menggunakan data mining, pada SMKN 1
Gadingrejo prestasi belajar siswa dipengaruhi oleh beberapa faktor. Salah satu faktor penting dalam pendidikan agar prestasi belajar siswa meningkat adalah manajemen pembelajaran di sekolah, semakin baik manajemen pembelajaran yang ditawarkan
sekolah kepada siswa semakin besar pula kemungkinanan prestasi belajar siswa akan baik dan dibutuhkan kerjasama manajemen sekolah, kemitraan dengan dunia kerja, kualitas guru , kerjasama orang tua dan siswa sendiri. Beberapa elemen tersebut sangat berpengaruh baik secara langsung maupun tidak langsung terhadap peningkatan mutu dan prestasi siswa serta memiliki kemampuan, keterampilan, dan keahlian sehingga lulusannya dapat mengembangkan keterampilannya agar dapat
terjun dalam dunia kerja maupun untuk melanjutkan ke jenjang pendidikan yang lebih tinggi. Berdasarkan latar belakang dan identifikasi maka peneliti melakukan penelitian dengan menggunakan 3 metode pada data mining untuk melakukan tingkat akurasi prestasi siswa dengan hasil metode accuracy Decision Tree 94,5 % Naive Bayes 96,3 % Random forest 97,3%, berdasarkan hasil penelitian menunjukan bahwa metode yang terbaik dari penelitian prediksi nilai adalah metode random forest dengan tingkat akurasi 97,3%
Full Text:
PDFReferences
Han, et al. DataMining : Concepts and TechniquesThird EditionNew York : Morgan Kaufmann, 2012.
Deshpande, S. P., dan V. M. Thakare. Data Mining System and Applications: A Review. International Journal of
Distributed and Parallel systems (IJDPS). Vol.1, No.1, hal. 32-44, 2010.
Bellazzi, Riccardo, dan Blaz Zupan. Predictive Data Mining In Clinical Medicine: Current Issues And Guidelines.
International Journal Of Medical Informatics 77, hal. 81-97, 2008.
Larose, Daniel T. “Discovering Knowledge in Data : An Introduction to Data Mining.” John Wiley & Sons, Inc.,
New Jersey. 2005
Saefulloh, A. & Moedjiono. Penerapan Metode Klasifikasi Data Mining Untuk Prediksi Kelulusan Tepat Waktu.
InfoSys Journal, Volume 2, pp. 42- 54, 2013.
Setiawan, M. (2017, October). Metode K-Means Untuk Sistem Informasi Pengelompokan Mahasiswa Baru Pada
Perguruan Tinggi. In Prosiding Seminar Nasional Darmajaya (Vol. 1, No. 1, pp. 130-145). Aditya.yanuar.r. Random Forest, 2018
Pambudi, R., Setiawan, B., & Indriati, I. Penerapan Algoritma C4.5 Untuk Memprediksi Nilai Kelulusan Siswa Sekolah Menengah Berdasarkan Faktor Eksternal. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 7, p. 2637-2643, sep. 2018
Fayyad, Usama, et al. From Data Mining to Knowledge Discovery in Databases. AI Magazine American
Association for Artificial Intelligence. Vol. 17, No. 3, hal. 37-54, 1996.
Saefulloh, A. & Moedjiono. Penerapan Metode Klasifikasi Data Mining Untuk Prediksi Kelulusan Tepat Waktu.
InfoSys Journal, Volume 2, pp. 42- 54, 2013.
Wibowo, H., & Indriyani, F. (2018, October). K-Nearest Neighbor Method For Monitoring Of Production And Preservation Information (Treatment) Of Rubber Tree Plant. In International Conference on Information Technology and Business (ICITB) (pp. 29-44).
Pratama, T. (2018). Implementasi Algoritma Naive Bayes Dalam Menentukan Konsentrasi Skripsi Dan
Rekomendasi Bahasa Pemrograman. Jurnal Informatika, 18(1), 1-13.
Refbacks
- There are currently no refbacks.
Prosiding Seminar Nasional Darmajaya is abstracting and indexing in the following databases:
PROSIDING SEMINAR NASIONAL DARMAJAYA
Diatur Oleh: Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM)
Diterbitkan Oleh: IIB Darmajaya
Alamat: Jl. Z.A. Pagar Alam No. 93 Gedong Meneng, Bandar Lampung Lampung
Website: jurnal.darmajaya.ac.id
E-mail: ProsidingSemnasDJ@darmajaya.ac.id