Analisis Dan Perbandingan Algoritma Decision Tree, Naïve Bayes, Dan Random Forest Dalam Evaluasi Prestasi Siswa Smk (Study Kasus : Smkn 8 Kabupaten Tangerang)

Reno Saeprani, . (2025) Analisis Dan Perbandingan Algoritma Decision Tree, Naïve Bayes, Dan Random Forest Dalam Evaluasi Prestasi Siswa Smk (Study Kasus : Smkn 8 Kabupaten Tangerang). Masters thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (1MB)
	Text BAB I.pdf Restricted to Registered users only Download (132kB)
	Text BAB II.pdf Restricted to Registered users only Download (331kB)
	Text BAB III.pdf Restricted to Registered users only Download (264kB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Restricted to Registered users only Download (60kB)
	Text JURNAL.pdf Restricted to Registered users only Download (740kB)

Abstract

Evaluasi prestasi siswa merupakan aspek penting dalam mengukur efektivitas pembelajaran, terutama di Sekolah Menengah Kejuruan (SMK) yang mempersiapkan siswa untuk dunia kerja/DUDI. Dengan meningkatnya jumlah siswa dan kompleksitas data akademik metode konvensional dalam menilai prestasi sering kali kurang efisien. Maka perlu untuk penerapan Data Mining dan algoritma machine learning menjadi solusi yang dapat membantu dalam mengolah dan menganalisis data prestasi siswa secara lebih akurat dan objektif. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja tiga algoritma klasifikasi Decision Tree, Naïve Bayes, dan Random Forest dalam mengevaluasi prestasi siswa SMKN 8 Kabupaten Tangerang. Penelitian ini menggunakan dataset sebanyak 493 siswa dari enam jurusan yang berbeda, dengan parameter yang mencakup nilai akademik, kehadiran, serta keterlibatan ekstrakurikuler. Proses analisis dilakukan menggunakan dua platform yaitu RapidMiner dan Python, serta menerapkan teknik cross-validation dengan skema 5-fold, 7-fold, dan 10-fold. Hasil penelitian menunjukkan bahwa Random Forest memiliki performa terbaik dengan akurasi tertinggi 87,01% pada RapidMiner (7-fold) dan 89,66% pada Python (10- fold). Naïve Bayes berada di peringkat kedua dengan akurasi tertinggi 84,99% pada RapidMiner (7-fold) dan 84,18% pada Python (10-fold), sementara Decision Tree memiliki performa terendah dengan akurasi 72,82% pada RapidMiner (10-fold) dan 76,47% pada Python (5-fold). Selain itu, Python menunjukkan hasil akurasi yang lebih baik dibandingkan RapidMiner. Implikasi penelitian ini memberikan rekomendasi bagi sekolah dalam memilih metode evaluasi yang lebih efektif dan efisien. Hasil ini diharapkan dapat menjadi referensi dalam penerapan teknologi Data Mining di dunia pendidikan untuk meningkatkan kualitas pembelajaran serta pengambilan keputusan berbasis data.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Evaluasi prestasi siswa, Decision Tree, Naïve Bayes, Random Forest, RapidMiner, Python, Data Mining, SMK.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	miko
Date Deposited:	04 Jul 2025 07:45
Last Modified:	04 Jul 2025 08:15
URI:	http://repository.unpam.ac.id/id/eprint/16763

Actions (login required)

View Item