Application of Naive Bayes Algorithm with Genetic Algorithm Optimization to Predict Student Discipline ; Penerapan Algoritma Naive Bayes dengan optimasi genetic algorithm untuk memprediksi kedisiplinan siswa
Gespeichert in:
| Titel: | Application of Naive Bayes Algorithm with Genetic Algorithm Optimization to Predict Student Discipline ; Penerapan Algoritma Naive Bayes dengan optimasi genetic algorithm untuk memprediksi kedisiplinan siswa |
|---|---|
| Autoren: | Dewanto, Bernadus, Mujiyono, Sri |
| Quelle: | Jurnal Algoritma; Vol. 22 No. 2 (2025): Jurnal Algoritma; 2169–2180 ; Jurnal Algoritma; Vol 22 No 2 (2025): Jurnal Algoritma; 2169–2180 ; 2302-7339 ; 1412-3622 ; 10.33364/algoritma/v.22-2 |
| Verlagsinformationen: | Institut Teknologi Garut |
| Publikationsjahr: | 2025 |
| Schlagwörter: | cross validation, Kedisiplinan siswa, Klasifikasi, Naïve Bayes, Rapidminer |
| Beschreibung: | The grouping of student misconduct data for the second semester is used to assess student discipline levels. This data classification uses data mining methods to determine student discipline objectively. The data mining method used in this study is Naïve Bayes. This data classification uses manual calculations with the Gaussian Naïve Bayes method, which uses an integer approach. It is not only tested manually but also with RapidMiner tools. The technique used in Rapid Miner to divide the data into several parts or folds, where the training and testing data parts are divided by cross-validation. This technique aims to make the evaluation results more accurate. The evaluation is made with a confusion matrix with curation, precision, and recall calculations and F1 score. Data grouping is divided into two categories, namely disciplined and undisciplined. The results of the study using Naïve Bayes with GA optimization obtained an accuracy value of 89.47% using the cross-validation technique with stratified sampling type, which helped produce a more stable evaluation. ; Pengelompokan data pelanggaran siswa semester 2 digunakan untuk melatih tingkat kedisiplinan siswa. Klasifikasi data ini memakai metode data mining untuk menentukan kedisiplinan siswa secara objektif. Metode data mining yang digunakan di penelitian ini Adalah Naïve Bayes. Klasifikasi data ini menggunakan perhitungan manual dengan metode gaussian naïve bayes dimana menggunakan pendekatan bilangan bulat, tidak hanya diuji manual tetapi juga dengan tools rapidminer. Teknik yang digunakan di rapid miner untuk membagi data menjadi beberapa bagian atau fold, dimana bagian data training dan testing dibagi dengan cross validation. Teknik ini bertujuan agar hasil evaluasi menjadi lebih tepat, evaluasi dibuat dengan confusion matrix dengan perhitungan kurasi, presisi, dan recall dan F1 score. Pengelompokan data dibagi menjadi 2 kategori yaitu disiplin dan kurang disiplin. Hasil penelitian menggunakan Naïve bayes dengan optimasi GA memperoleh nilai accuracy ... |
| Publikationsart: | article in journal/newspaper |
| Dateibeschreibung: | application/pdf |
| Sprache: | Indonesian |
| Relation: | https://jurnal.itg.ac.id/index.php/algoritma/article/view/3084/1835; https://jurnal.itg.ac.id/index.php/algoritma/article/view/3084 |
| DOI: | 10.33364/algoritma/v.22-2.3084 |
| Verfügbarkeit: | https://jurnal.itg.ac.id/index.php/algoritma/article/view/3084 https://doi.org/10.33364/algoritma/v.22-2.3084 |
| Rights: | Hak Cipta (c) 2025 Jurnal Algoritma ; https://creativecommons.org/licenses/by-nd/4.0 |
| Dokumentencode: | edsbas.D3B8D125 |
| Datenbank: | BASE |
Nájsť tento článok vo Web of Science | Abstract: | The grouping of student misconduct data for the second semester is used to assess student discipline levels. This data classification uses data mining methods to determine student discipline objectively. The data mining method used in this study is Naïve Bayes. This data classification uses manual calculations with the Gaussian Naïve Bayes method, which uses an integer approach. It is not only tested manually but also with RapidMiner tools. The technique used in Rapid Miner to divide the data into several parts or folds, where the training and testing data parts are divided by cross-validation. This technique aims to make the evaluation results more accurate. The evaluation is made with a confusion matrix with curation, precision, and recall calculations and F1 score. Data grouping is divided into two categories, namely disciplined and undisciplined. The results of the study using Naïve Bayes with GA optimization obtained an accuracy value of 89.47% using the cross-validation technique with stratified sampling type, which helped produce a more stable evaluation. ; Pengelompokan data pelanggaran siswa semester 2 digunakan untuk melatih tingkat kedisiplinan siswa. Klasifikasi data ini memakai metode data mining untuk menentukan kedisiplinan siswa secara objektif. Metode data mining yang digunakan di penelitian ini Adalah Naïve Bayes. Klasifikasi data ini menggunakan perhitungan manual dengan metode gaussian naïve bayes dimana menggunakan pendekatan bilangan bulat, tidak hanya diuji manual tetapi juga dengan tools rapidminer. Teknik yang digunakan di rapid miner untuk membagi data menjadi beberapa bagian atau fold, dimana bagian data training dan testing dibagi dengan cross validation. Teknik ini bertujuan agar hasil evaluasi menjadi lebih tepat, evaluasi dibuat dengan confusion matrix dengan perhitungan kurasi, presisi, dan recall dan F1 score. Pengelompokan data dibagi menjadi 2 kategori yaitu disiplin dan kurang disiplin. Hasil penelitian menggunakan Naïve bayes dengan optimasi GA memperoleh nilai accuracy ... |
|---|---|
| DOI: | 10.33364/algoritma/v.22-2.3084 |