Wahyu amrullah, Kurniabudi, Joni Devitra

Perbandingan Algoritma C4.5 Dan Naive Bayes Untuk Peminatan Penjurusan Pada SMK Negeri 6 Batanghari

Introduction

Perbandingan algoritma c4.5 dan naive bayes untuk peminatan penjurusan pada smk negeri 6 batanghari. Perbandingan algoritma C4.5 dan Naive Bayes untuk optimalkan penjurusan siswa SMK Negeri 6 Batanghari. Tingkatkan akurasi pemilihan jurusan dengan data mining, atasi seleksi subjektif.

Abstract

Penentuan jurusan di sekolah menengah kejuruan (SMK) merupakan langkah krusial dalam menentukan masa depan siswa. Secara global, proses ini mempengaruhi kualitas sumber daya manusia yang dihasilkan, karena keputusan tersebut berkaitan langsung dengan kompetensi dan karier siswa di masa depan. SMK Negeri 6 Batang Hari ialah sekolah menengah kejuruan negeri yang terletak di Desa Tapah Sari, Kec. Mersam, Kab. Batang Hari, Prov. Jambi. Penjurusan terdiri dari Multimedia, Teknik dan Bisnis Sepeda Motor, serta Agribisnis Tanaman Pangan dan Hortikultural. Pada SMK Negeri 6 Batanghari terdapat kendala dalam menentukan penjurusan siswa, dimana pada saat penentuan jurusan hanya berdasarkan penilaian subjektif atau hasil akademik tertentu tanpa mempertimbangkan data yang lebih komprehensif, seperti minat dan bakat siswa. Akibatnya, beberapa siswa merasa kurang cocok dengan jurusan yang dipilihkan, yang berdampak pada menurunnya motivasi belajar dan tingkat keberhasilan mereka. Salah satu solusi yang dapat dilakukan dengan menerapkan data mining. Perbandingan antara algoritma C4.5 dan Naive Bayes dilakukan karena efektivitas dan akurasi dalam pengambilan keputusan. Metode C4.5 sebagai algoritma pohon keputusan, memberikan interpretasi yang jelas dan mudah dipahami mengenai keputusan yang diambil, sedangkan Naive Bayes dengan pendekatan probabilistiknya, sering kali lebih cepat dan efisien dalam menangani dataset besar. Dari hasil analisis yang dilakukan, penelitian ini mengungkap bahwa kedua algoritma memiliki karakteristik dan performa yang berbeda dalam melakukan klasifikasi data peminatan siswa. Algoritma C4.5 yang berbasis pohon keputusan cenderung lebih mudah diinterpretasikan karena menghasilkan aturan keputusan yang jelas, sementara Naïve Bayes yang berbasis probabilitas memiliki keunggulan dalam menangani ketidakpastian data.

Review

The paper titled "Perbandingan Algoritma C4.5 Dan Naive Bayes Untuk Peminatan Penjurusan Pada SMK Negeri 6 Batanghari" addresses a highly pertinent and globally significant issue: the effective and objective determination of student specializations in Vocational High Schools (SMK). The abstract effectively underscores the critical impact of this decision on both the quality of future human resources and individual student career trajectories. It highlights a specific challenge at SMK Negeri 6 Batanghari, where current specialization assignments rely on subjective assessments and limited academic data, often overlooking crucial aspects like student interests and talents. This deficiency is shown to result in student dissatisfaction, diminished motivation, and potentially reduced academic success, thereby emphasizing the urgent need for an improved, data-driven approach. To tackle this identified problem, the research proposes leveraging data mining techniques, specifically by conducting a comparative analysis between the C4.5 and Naive Bayes algorithms. The rationale for choosing these two algorithms is clearly articulated, emphasizing their established efficacy and accuracy in various decision-making scenarios. C4.5 is highlighted for its ability to generate clear, easily interpretable decision rules as a decision tree algorithm, offering transparent insights into the factors influencing specialization choices. In contrast, Naive Bayes is presented as a probabilistic approach valued for its computational speed and efficiency, especially with larger datasets, and its inherent capability to handle data uncertainty, thus providing a valuable alternative perspective. Based on the provided abstract, the study is poised to reveal the unique characteristics and performance nuances of C4.5 and Naive Bayes in classifying student specialization interests. The anticipated findings suggest that C4.5 will likely offer greater interpretability due to its explicit decision rules, while Naive Bayes is expected to demonstrate strengths in managing data with inherent uncertainties. This comparative insight holds significant practical implications, offering SMK Negeri 6 Batanghari a data-driven framework to enhance its specialization system. The research's contribution lies in providing actionable guidance on selecting the most appropriate algorithm based on specific institutional priorities—whether it's transparency in decision-making or efficiency and robustness against data ambiguity—thereby directly addressing a vital educational and career planning challenge.

Full Text

Comments

You need to be logged in to post a comment.