SISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER

Artikel Skripsi Universitas Nusantara PGRI Kediri

SISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER

ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika

OLEH :

PUPUT SHINTA DEWI NPM: 12.1.03.02.0290

FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA

UN PGRI KEDIRI 2016

Puput Shinta Dewi | 12.1.03.02.0290 Teknik – Teknik Informatika

simki.unpkediri.ac.id || 1||








SISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER Puput Shinta Dewi 12.1.03.02.0290 Teknik – Teknik Informatika [email protected] Rini Indriati, S.Kom., M.Kom. dan Risky Aswi Ramadhani, M.Kom. UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK AGNES English Course merupakan lembaga kursus bahasa Inggris yang setiap tahunnya membuka pendaftaran untuk menerima peserta didik baru. Namun dari keseluruhan peserta didik yang terdaftar, terdapat sejumlah peserta didik yang mengundurkan diri tanpa adanya konfirmasi kepada pihak lembaga kursus. Hal ini menyebabkan pihak lembaga kursus tidak mampu mempertahankan peserta didiknya. Keterbatasan pihak lembaga kursus dalam memprediksi pengunduran diri peserta didik dalam jumlah besar tidak mungkin dilakukan secara manual karena membutuhkan waktu yang cukup lama. Oleh karena itu diperlukan metode agar dapat mencapai tujuan dari penelitian ini untuk membangun aplikasi yang membantu pihak lembaga kursus dalam memprediksi pengunduran diri peserta didik. Suatu metode yang bisa memfasilitasinya adalah Metode Naive Bayes Classifier. Naive Bayes Classifier adalah pendekatan yang mengacu pada Teorema Bayes, dengan mengkombinasikan pengetahuan sebelumnya dengan pengetahuan baru. Metode ini digunakan untuk mengklasifikasikan peserta didik dalam kategori mengundurkan diri atau bertahan dengan memanfaatkan data peserta didik. Sehingga menghasilkan informasi prediksi pengunduran diri peserta didik melalui teknik data mining. Variabel penentu yang digunakan meliputi jarak tempuh, usia, pekerjaan, pendidikan terakhir, jenis kelamin, dan program kursus. Hasil pengujian tehadap 100 data testing yang sudah dilakukan pada sistem prediksi pengunduran diri dengan menggunakan metode Naive bayes Classifier menghasilkan 77 data peserta didik atau sebesar 77 % terklasifikasi bertahan dan 23 data atau sebesar 23 % terklasifikasi mengundurkan diri. Diharapkan berdasarkan hasil prediksi pengunduran diri peserta didik, pihak lembaga kursus dapat melakukan tindakan-tindakan yang diperlukan dalam mempertahankan peserta didik serta meminimalkan kemungkinan kerugian yang timbul akibat pengunduran diri peserta didik.

Kata Kunci : Data Mining, Klasifikasi, Naive Bayes Classifier (NBC), Prediksi.

I.

LATAR BELAKANG Active Guidance of Nucleus English

Studies

(AGNES)

English

berbahasa Inggris. Peserta didik pada

Course

AGNES English Course dibimbing agar

merupakan lembaga kursus bahasa Inggris

tidak hanya mahir dalam bahasa Inggris

yang telah berdiri sejak tahun 1992 dan

tulis tapi juga mahir dalam bahasa Inggris

telah banyak membantu peserta didiknya

lisan. Keberhasilan peserta didik dalam

dalam meningkatkan kemampuan untuk

berbahasa Inggris merupakan salah satu




aspek penting dalam evaluasi keberhasilan

merupakan beberapa faktor penyebab

penyelenggaraan

lembaga kursus ini kehilangan peserta

kegiatan

belajar

mengajar pada AGNES English Course.

didiknya.

Namun, sering kali sejumlah peserta didik

peserta

pada

Course

manajemen lembaga kursus. Oleh karena

melakukan

itu diperlukan suatu metode yang dapat

AGNES

mengundurkan

English

diri

tanpa

konfirmasi kepada pihak lembaga kursus.

Sehingga didik

akan

pengunduran

diri

berdampak

pada

memprediksi pengunduran diri.

Pihak lembaga kursus pun tidak mampu

Suatu

metode

yang

dapat

mempertahankan peserta didiknya karena

memfasilitasinya adalah metode Naive

peserta

Bayes Classifier. Bayes merupakan teknik

didik

telah

terlebih

dahulu

mengundurkan diri.

prediksi berbasis probabilistik sederhana

Tahun 2014 misalnya, terdapat 231

yang

berdasarkan

pada

peserta didik yang terdaftar sebagai

Teorema

peserta didik. Namun dari keseluruhan

independensi (ketidaktergantungan) yang

peserta didik yang bertahan hingga akhir

kuat

program kursus berjumlah 182 peserta

penelitian ini, menggunakan teknik data

didik atau sebesar 79% dari keseluruhan

mining dengan metode Naive Bayes

peserta didik. Sedangkan 49 peserta didik

Classifier

mengundurkan diri atau sebesar 21% dari

pengunduran diri peserta didik. Sampel

keseluruhan

Apabila

data yang digunakan adalah data peserta

kemungkinan pengunduran diri peserta

didik kelas reguler angkatan tahun 2013

didik dapat diketahui sejak dini, maka

sampai 2015 secara acak sebagai data

pihak lembaga kursus dapat melakukan

training, dengan variabel yang meliputi

tindakan-tindakan yang diperlukan untuk

jarak tempuh, usia, pekerjaan, pendidikan

mempertahankan peserta didik tersebut.

terakhir, jenis kelamin dan program

peserta

Keterbasan

didik.

kemampuan

pihak

Bayes

penerapan

(naif)

dengan

(Prasetyo,

untuk

2012).

asumsi

Pada

memprediksi

kursus. Data peserta didik yang masih

lembaga kursus untuk mempertahankan

aktif

dan memprediksikan pengunduran diri

digunakan sebagai data testing. Peserta

peserta didik dalam jumlah besar tidak

didik akan diklasifikasikan dalam kategori

mungkin dilakukan secara manual karena

mengunduran diri atau bertahan.

membutuhkan waktu yang cukup lama.

dalam

kegiatan

kursus

akan

Adanya penelitian ini diharapkan

Serta belum adanya suatu sistem yang

dapat

membantu

dalam

pengunduran diri peserta didik dengan

pengunduran

diri

memprediksi peserta


didik,

bertujuan

untuk

memprediksi

mengolah data peserta didik serta dapat simki.unpkediri.ac.id || 5||


mengimplementasikan

metode

Naive

metode Naive Bayes Classifier diperlukan

Bayes Classifier. Sehingga memberikan

variabel untuk melakukan

informasi

sehingga akan didapatkan hasil klasifikasi.

yang

berguna

untuk

yang

perhitungan

meningkatkan kualitas atau dijadikan

Klasifikasi

dimaksud

suatu acuan bagi pihak lembaga kursus

klasifikasi

untuk dapat melakukan tindakan-tindakan

bertahan berdasarkan veriabel yang telah

yang diperlukan dalam mempertahankan

ditentukan. Variabel yang telah ditentukan

peserta didik.

terlebih dahulu dilakukan pengelompokan

mengundurkan

diri

adalah atau

berdasarkan tipe data diskrit (kategori) II.

dan data kontinu (numerik). Variabel

METODE Salah

satu

penerapan

Teorema

penentu

yang

digunakan

dalam

Bayes dalam klasifikasi adalah Naive

mengklasifikasikan data peserta didik,

Bayes. Naive Bayes didasarkan pada

yaitu

asumsi

pekerjaan,

penyederhanaan

bahwa

nilai

𝑎1 = jarak tempuh,

𝑎3 =

𝑎4 = pendidikan terakhir,

atribut secara konditional saling bebas jika

𝑎5 = jenis kelamin,

diberikan nilai output. Atau, dengan kata

program kursus untuk variabel dengan

lain, diberikan nilai output, probabilitas

tipe data diskrit (kategori), sementara

mengamati secara bersama adalah produk

𝑎2 = usia adalah varabel dengan tipe data

dari

kontinu (numerik).

probabilitas

individu

atau

P 𝑎1 , 𝑎2 , … , 𝑎𝑛 υj = Π𝑖 P 𝑎𝑖 υj ).

dan

𝑎6 =

Adapun alur dari metode Naive

Memasukkan persamaan ini ke persamaan

Bayes dalam sistem prediksi pengunduran

1 akan didapat pendekatan yang dipakai

diri peserta didik adalah sebagai berikut :

dalam klasifier Naive Bayes :

a. Membaca Data Training Peserta Didik b. Menghitung Jumlah, Mean, Standar

𝜐𝑁𝐵 = arg maxυjϵV P υj ∏P 𝑎𝑖 υj ....(1) Dimana 𝜐𝑁𝐵 adalah nilai hasil klasifikasi Naive Bayes dan P 𝑎𝑖 𝜐𝑗 𝑛𝑐

adalah rasio

Deviasi, dan Probabilitas Menghitung jumlah, mean, standar deviasi dan probabilitas berdasarkan pada data testing peserta didik. Sebagai contoh

, di mana 𝑛𝑐 adalah jumlah data

data testing dengan kriteria bernama

training untuk 𝜐 = 𝜐𝑗 dan 𝑎 = 𝑎𝑖 dan 𝑛

Adinda Putri Adhim, jarak tempuh antara

adalah

rumah dan tempat kursus dekat ( < 4 km),

atara

𝑛

total

kemungkinan

output

usia 11 tahun, pekerjaannya sebagai

(Santoso, 2007). Memprediksi peserta

didik

diri

pelajar serta pendidikan terakhir pada saat

menggunakan

mendaftar adalah TK, berjenis kelamin

pengunduran

dengan




perempuan dan program kursus yang

Langkah

ini

digunakan

untuk

diambil adalah EFC. Berdasarkan data

mencari nilai probabilitas dari data testing

diatas dapat diketahui klasifikasi data

terhadap data training untuk masing -

peserta didik apabila diberikan contoh

masing variabel yang ada. Pada penelitian

input data testing (uji) seperti diatas yakni

ini

berupa nama = Adinda Putri Adhim, 𝑎1 =

menggunakan rumus, yang disebut dengan

dekat, 𝑎2 = 11, 𝑎3 = pelajar, 𝑎4 = TK, 𝑎5 =

m-estimate. Dimana,

dalam

P dan 𝑎6 = EFC menggunakan metode Naive

Bayes

Classifier

dalam

pengklasifikasianya. Data uji peserta didik tersebut

dapat

ditentukan

masuk

P 𝑎𝑖 𝜐𝑗 =

mengestimasi

𝑛 𝑐 + 𝑚𝑝 𝑛 +𝑚

probabilitas

............................(2)

𝑛 adalah jumlah data training untuk class

atau

bertahan atau mengundurkan diri (υ = υj ),

“Mengundurkan Diri” melalui langkah

𝑛𝑐 adalah jumlah data training untuk class

berikut.

bertahan atau mengundurkan diri (υ = υj )

klasifikasi

“Bertahan”

berdasarkan variabel (𝑎 = 𝑎𝑖 ), 𝑝 adalah 1) Mencari nilai Probabilitas P(𝜐𝑗 ). Langkah

ini

digunakan

prior estimate untuk P(𝑎, 𝑖\𝜐𝑗 ) atau untuk

merupakan

besar

kemungkinan

suatu

mencari nilai probabilitas class terhadap

atribut untuk dipilih dalam suatu variabel,

data training, class yang dimaksud adalah

dan 𝑚 adalah ukuran sampel ekuivalen.

kategori klasifikasi peserta didik yang

Nilai 𝑚 bisa diberi nilai sembarang,

sudah masuk kedalam data training.

misalnya 𝑚 = 6 tetapi konsisten untuk

Dataset yang didapat berjumlah 171 data.

semua variabel.

Data

Nilai P 𝑎𝑖 𝜐𝑗

peserta

didik

dengan

kategori

bertahan berjumlah 134 data dan peserta didik dengan ketegori mengundurkan diri

didapat: P 𝑎1 = dekat | 𝜐𝑗

berjumlah 37 data.

= bertahan

Nilai P(𝜐𝑗 ) yang didapat adalah :

P 𝑎1 = dekat | 𝜐𝑗

P 𝜐𝑗 = bertahan P 𝜐𝑗 = mengundurkan diri

=

=

134 171 37 171

= mengundurkan diri =

0,7836 0,2164

data diskrit (kategori) menggunakan mestimate.


101 + 6 ∗ 0.33 134 + 6

=

0,7357

=

15 + 6 ∗ 0.33 37 + 6

=

0,3953

=

117 + 6 ∗ 0.25 134 + 6

=

0,8464

=

35 + 6 ∗ 0.25 37 + 6

=

0,8488

=

34 + 6 ∗ 0.2 134 + 6

=

0,2514

=

4 + 6 ∗ 0.2 37 + 6

=

0,1209

P 𝑎3 = pelajar | 𝜐𝑗 = mengundurkan diri

2) Mencari nilai Probabilitas P 𝑎𝑖 𝜐𝑗 dari

=

P 𝑎3 = pelajar | 𝜐𝑗 = bertahan

=

menggunakan m-estimate

P 𝑎4 = TK | 𝜐𝑗 = bertahan P 𝑎4 = TK | 𝜐𝑗 = mengundurkan diri


Artikel Skripsi Universitas Nusantara PGRI Kediri P 𝑎5 = P | 𝜐𝑗 = bertahan

=

=

21 + 6 ∗ 0.5 37 + 6

=

0,5581

=

30 + 6 ∗ 0.25 134 + 6

=

0,2250

=

5 + 6 ∗ 0.25 37 + 6

=

0,1512

P 𝑎5 = P | 𝜐𝑗 = mengundurkan diri P 𝑎6 = EFC | 𝜐𝑗 = bertahan P 𝑎6 = EFC | 𝜐𝑗 = mengundurkan diri

=

0,5714

σij =

data kontinu (numerik) menggunakan Distribusi Gaussian. ini

σiBertahan

digunakan

=

........(5)

(17 − 16.5405)2 + (19 − 16.5405)2 + … + (xn − 16.5405 )2 37 − 1

3.0188

Nilai P 𝑎𝑖 𝜐𝑗

menggunakan Distribusi

Gaussian didapat : P 𝑎2 = 11 | 𝜐𝑗 = bertahan

=

1

−

2πσiBertahan

exp

(x i − μ iBertahan )2 2 σ2 iBertahan

1 =

mencari nilai probabilitas dari data testing

Distribusi Gaussia biasanya dipilih untuk

Σ(xi − μ) n−1

16.5405

5.2787

σiMengundurkan diri =

untuk

terhadap data training untuk variabel usia.

=

(17 − 15.6642)2 + (15 − 15.6642)2 + … + (xn − 15.6642 )2 134 − 1

=

=

3) Mencari nilai Probabilitas P 𝑎𝑖 𝜐𝑗 dari

Langkah

(17 + 19 + . . . + xn ) 37

μiMengundurkan Diri =

77 + 6 ∗ 0.5 134 + 6

= P 𝑎2 = 11 | 𝜐𝑗 = = mengundurkan diri

merepresentasikan probabilitas bersyarat

=

dari fitur kontinu pada sebuah kelas

=

P 𝑎𝑖 𝜐𝑗 . Dikarakteristikkan dengan dua

−

2 ∗ 3.14 ∗ 5.2787

2.718282

0.0512 1 2πσiMengundurkan 1

−

exp

(x i − μ ij )2 2 σ2 iMengundurkan

Diri −

2 ∗ 3.14 ∗ 3.0188

(11− 15.6642 )2 2∗5.2787 2

2.718282

(11− 16.5405 )2 2∗3.0188 2

0.0245

parameter yakni mean (μ) dan standart

4) Menentukan nilai 𝜐𝑁𝐵 adalah nilai

deviasi σ .

hasil klasifikasi pada data uji mengunakan

Dimana, P 𝑎𝑖 𝜐𝑗 =

pendekatan yang dipakai dalam klasifier 1 2πσij

exp

−

(x i − μij )2 2 σ2 ij

Naive Bayes. ...........(3) 𝜐𝑁𝐵

𝜋 adalah nilai Pi yang bernilai 3.14, σij

=

arg maxυjϵV P(𝜐𝑗 )∏P 𝑎𝑖 𝜐𝑗

=

arg maxυjϵ bertahan

adalah standar deviasi data training untuk class

bertahan

diri (𝜐 = 𝜐𝑗 )

atau

mengundurkan

berdasarkan

variabel

tertentu

dan

exp

bernilai

,mengundurkan

diri

P 𝜐𝑗

= bertahan P 𝑎1 𝜐𝑗 P 𝑎2 | 𝜐𝑗 P 𝑎3 | 𝜐𝑗 P 𝑎4 | 𝜐𝑗 P 𝑎5 | 𝜐𝑗 P 𝑎6 | 𝜐𝑗 =

(𝑎 = 𝑎𝑖 ), 𝑥 adalah nilai dari variabel pada inputan

0,7836 * 0,7357 * 0.0512 * 0,8464 * 0,2514 * 0,5714 * 0,2250

=

0.0008071

2.718282. Berikut adalah nilai σij dan μij : μij =

μiBertahan

=

Diri

(x1 + x2 + … + xn ) n

(17 + 15 + . . . + xn ) 134

........(4) =


15.6642


Artikel Skripsi Universitas Nusantara PGRI Kediri 𝜐𝑁𝐵

=

arg maxυjϵV P(𝜐𝑗 )∏P 𝑎𝑖 𝜐𝑗

=

arg maxυjϵ bertahan

pendidikan terakhir pada saat mendaftar

,mengundurkan

diri

adalah TK, berjenis kelamin perempuan

P 𝜐𝑗

dan program kursus yang diambil adalah

= mengundurkan diri

=

=

P 𝑎1 𝜐𝑗 P 𝑎2 | 𝜐𝑗 P 𝑎3 | 𝜐𝑗 P 𝑎4 | 𝜐𝑗 P 𝑎5 | 𝜐𝑗 P 𝑎6 | 𝜐𝑗

EFC diprediksi sebagai peserta didik yang

0,2164 * 0.3953 * 0.0245 * 0,8488 *

berkemungkinan bertahan hingga program

0,1209 * 0,5581* 0,1512

kursus berakhir.

0.0000182

III. HASIL DAN KESIMPULAN A. Hasil Implementasi Sistem

5) Normalisasi nilai probabilitas. Dengan probabilitas

normalisasi, akan

sama

jumlah

dengan

1,

Hasil implementasi sistem dari penelitian ini sebagai berikut :

menghitung probabilitas konditional untuk pilihan bertahan dan mengundurkan diri

a. Form Input Data Testing Form

jika diberikan nilai-nilai atribut. Untuk

ini

berfungsi

untuk

menginputkan data testing (uji) peserta

contoh ini, probabilitasnya adalah

didik. Form ini berisikan data id, nama, Bertahan

=

Mengundurkan

=

Diri

0.0008071 0.0008071 + 0.0000182 0.0000182 0.0008071 + 0.0000182

= 0.9780

jenis = 0.0220

kelamin,

pekerjaan,

jarak

tempuh,

usia,

pendidikan

terakhir

dan

program kursus. Tampilan input untuk Mengkasifikasikan apakah peserta didik termasuk dalam kategori bertahan

form input data peserta didik dapat seperti Gambar 1.

atau mengundurkan diri, dapat dengan melihat pada nilai akhir probabilitas yang hampir mendekati nilai 1 atau bernilai sama dengan 1. Dari hasil perhitungan normalisasi diketahui bahwa hasil akhir yang

diperoleh

probabilitas

untuk

bertahan

nilai =

akhir 0.9780,

sedangkan untuk nilai akhir probabilitas

Gambar 1. Form Input Data Testing

mengundurkan diri = 0.0220. Sehingga peserta didik yang bernama Adinda Putri

b. Hasil Prediksi

Adhim, jarak tempuh antara rumah dan

Halaman hasil prediksi ini bertujuan

tempat kursus dekat ( < 4 km), usia 11

untuk

tahun, pekerjaannya sebagai pelajar serta

prediksi pengunduran diri dari data testing


menampilkan

informasi

hasil



(uji) peserta didik yang telah diinputkan. Peserta didik akan di klasifikasikan ke dalam

klasifikasi

bertahan

atau

mengundurkan diri mengunakan metode Naive Bayes Classifier. Informasi yang ditampilkan pada halaman ini terdiri dari Gambar 3. Laporan Klasifikasi

data testing (uji) peserta didik, nilai probabilitas,

nilai

normalisasi,

grafik

prosentase, hasil klasifikasi dan saran

B. Kesimpulan Kesimpulan yang dapat diambil

penanganan. Pada halaman hasil prediksi peserta didik terdapat fasilitas untuk

berdasarkan

simpan data dan batal untuk mengakhiri

pembahasan yang telah dilakukan bahwa

apabila

untuk

dari data peserta didik dapat digunakan

adalah

untuk melakukan prediksi pengunduran

data

disimpan.

tidak

Gambar

diinginkan 2

berikut

hasil

penelitian

dan

diri peserta didik berdasarkan variabel

tampilan dari halaman hasil prediksi.

yang telah ditentukan. Serta, metode Naive

Bayes

Classifier

dapat

diimplentasikan kedalam sistem prediksi pengunduran diri peserta didik untuk memberikan dalam

klasifikasi

kategori

peserta

bertahan

didik atau

mengundurkan diri. Dengan metode ini pihak lembaga kursus dapat memecahkan Gambar 2. Halaman Hasil Prediksi

ini

bertujuan

untuk

menampilkan laporan hasil klasifikasi data testing peserta didik. Laporan disajikan dalam bentuk tabel, file dapat diunduh dalam format .pdf. Gambar 3 berikut adalah tampilan dari laporan klasifikasi peserta didik.


pengunduran

diri

berdasarkan hasil prediksi pengunduran diri

c. Laporan Klasifikasi Halaman

permasalahan

dari

data

peserta

didik

yang

dimasukkan kedalam sistem. Hasil pengujian tehadap 100 data testing yang sudah dilakukan pada sistem prediksi

pengunduran

menggunakan

metode

diri Naive

dengan bayes

Classifier menghasilkan 77 data peserta didik atau sebesar 77 % terklasifikasi bertahan dan 23 data atau sebesar 23 % simki.unpkediri.ac.id || 10||


terklasifikasi

mengundurkan

diri.

Diharapkan berdasarkan hasil prediksi

Santoso, B. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

pengunduran diri peserta didik, pihak lembaga

kursus

dapat

melakukan

tindakan-tindakan yang diperlukan dalam mempertahankan meminimalkan

peserta

didik

kemungkinan

serta

kerugian

Simarmata, J. & Paryudi, I. 2006. Basis Data. Yogyakarta: Andi. Sutabri, T. 2004. Pemograman Terstruktur. Yogyakarta: Andi.

yang timbul akibat pengunduran diri peserta didik.

IV. DAFTAR PUSTAKA Kusrini & Sri. 2007. Penggunaan Pohon Keputusan untuk Menganalisis Kemungkinan Pengunduran Diri Calon Mahasiswa di STMIK AMIKOM Yogyakarta. Makalah disajikan dalam Seminar Nasional Teknologi, STMIK AMIKOM Yogyakarta, Yogyakarta, 24 November. Ndaumanu, R.I., Kusrini. & Arief, M.R. 2014. Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor. Jatisi, 1 (1): 1-15.

Tacbir, Faiza & Age. 2011. Penerapan Data Mining Untuk Menganalisa Kemungkinan Pengunduran Diri Calon Mahasiswa Baru. Makalah disajikan dalam Konferensi Nasional Sistem dan Informatika, Universitas Jenderal Achmad Yani Cimahi, Bali, 12 November. Wasiati, H. & Wijayanti, D. 2014. Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja Indonesia Menggunakan Metode Naive Bayes (Studi Kasus: Di P.T. Karyatama Mitra Sejati Yogyakarta). Indonesian Journal on Networking and Security, 3 (2): 4551.

Pakereng, I. & Wahyono, T. 2004. Sistem Basis Data: Konsep dan Pendekatan Praktikum. Yogyakarta: Graha Ilmu. Prasetyo, E. 2012. Data Mining: Konsep Dan Aplikasi Menggunakan MATLAB. Yogyakarta: Andi. Ridwan, M., Suyono, H. & Sarosa, M. 2013. Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Jurnal EECCIS, 7 (1): 59-64.



SISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER

Recommend Documents