Perbandingan Klasifikasi Status Beasiswa Mahasiswa Menggunakan Algoritma Decision Tree dan Algoritma Naive Bayes
DOI:
https://doi.org/10.35473/jamastika.v5i1.4568Abstract
Beasiswa memainkan peran penting dalam meningkatkan keberhasilan pendidikan tinggi, terutama untuk mahasiswa yang memiliki keterbatasan finansial. Penelitian ini bertujuan untuk mengategorikan penerima beasiswa dengan mempertimbangkan beberapa variabel akademik dan non-akademik, seperti usia, jenis kelamin, indeks prestasi kumulatif (IPK), partisipasi dalam kegiatan kampus, serta cara belajar. Dua algoritma dalam bidang machine learning, yaitu Decision Tree dan Naive Bayes, diterapkan untuk menilai efektivitas klasifikasi berdasarkan tingkat akurasi yang diperoleh. Hasil uji coba menunjukkan bahwa algoritma Decision Tree menghasilkan akurasi sebesar 76,44%, sementara Naive Bayes mencapai akurasi yang lebih tinggi, yaitu 96,26%. Temuan ini menunjukkan bahwa model Naive Bayes menawarkan kestabilan dan efektivitas yang lebih baik, terutama ketika diterapkan pada data dengan distribusi kelas yang tidak seimbang. Oleh karena itu, penerapan metode klasifikasi ini dapat membantu institusi pendidikan dalam proses seleksi penerima beasiswa dengan cara yang lebih adil, terukur, dan berbasis data.
Kata Kunci: beasiswa mahasiswa, klasifikasi data, pembelajaran mesin, Decision Tree, Naive Bayes
Scholarships play a crucial role in improving higher education success, especially for students with financial constraints. This study aims to categorize scholarship recipients by considering several academic and non-academic variables, such as age, gender, grade point average (GPA), participation in campus activities, and learning styles. Two machine learning algorithms, Decision Tree and Naive Bayes, were applied to assess the effectiveness of the classification based on the level of accuracy achieved. The trial results showed that the Decision Tree algorithm achieved an accuracy of 76.44%, while Naive Bayes achieved a higher accuracy of 96.26%. These findings indicate that the Naive Bayes model offers greater stability and effectiveness, especially when applied to data with an imbalanced class distribution. Therefore, the application of this classification method can assist educational institutions in the scholarship recipient selection process in a fairer, more measurable, and data-driven manner.
Keywords: student scholarships, data classification, machine learning, Decision Tree, Naive Bayes
References
A’yuniyah, Q. A., & Reza, M. (2023). Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa Di Sma Negeri 15 Pekanbaru. Indonesian Journal of Informatic Research and Software Engineering (IJIRSE), 3(1), 39–45. https://doi.org/10.57152/ijirse.v3i1.484
Arman. M, Afrianti, M. A. (2021). Jurnal Litbang Edusaintech (JLE). Jurnal Litbang …, 3(1), 135–140.
Bhavana, V., & Adilakshmi, T. (2017). Comparison of Decision Tree Classifier and Bayes Classifier using WEKA. International Journal of Computer Applications, 176(3), 39–44. https://doi.org/10.5120/ijca2017915569
Dardiri, F. (2024). Comparison Of Naïve Bayes and Decision Trees in Determining the Best Manager of Nurul Jadid Islamic Boarding School Based on Forward Selection. 8(2), 689–698.
Ilham, Suwijana, I. G., & Nurdin. (2018). Sistem Pendukung Keputusan Penerimaan Beasiswa Pada Smk 2 Sojol Menggunakan Metode Ahp. Jurnal Elektronik Sistim Informasi Dan Komputer (Jesik), 4(2), 48–58.
Informatika, J. R. (2023). COMPARISON OF DECISION TREE , NAIVE BAYES AND RANDOM FOREST ALGORITHM TO GET THE BEST PERFORMANCE OF ALGORITHM FOR. 6(1).
Karim, M., & Rahman, R. M. (2013). Decision Tree and Naïve Bayes Algorithm for Classification and Generation of Actionable Knowledge for Direct Marketing. Journal of Software Engineering and Applications, 06(04), 196–206. https://doi.org/10.4236/jsea.2013.64025
Novika, T., Poningsih, P., Okprana, H., Windarto, A. P., & Siahaan, H. (2021). Penerapan Data Mining Klasifikasi Tingkat Pemahaman Siswa Pada Pelajaran Matematika. Jurnal Media Informatika Budidarma, 5(1), 9. https://doi.org/10.30865/mib.v5i1.2498
Regitaningtyas, L. L., Maharani, T. M., & Bagus, H. (2022). Klasifikasi Data Lulusan Smpn 3 Tulakan Menggunakan Metode Naïve Bayes. Kumpulan JurnaL Ilmu Komputer (KLIK), 09, No1(February 2022), 9–21. https://doi.org/10.20527/klik.v9i1.403
Rosandy, T. (2016). Perbandingan Metode Naive Bayes Classifier Dengan Metode Decision Tree ( C4 . 5 ) Untuk Menganalisa Kelancaran Pembiayaan ( Study Kasus : Kspps / Bmt Al-Fadhila ). Jurnal TIM Darmajaya, 02(01), 52–62.
Syafrianto, A. (2022). Perbandingan Algoritma Naïve Bayes dan Decision Tree Pada Sentimen Analisis. The Indonesian Journal of Computer Science Research, 1(2), 1–15. https://doi.org/10.59095/ijcsr.v1i2.11
Tukino, T. (2019). Application of the C4.5 Algorithm to Predict Profits at PT SMOE Indonesia. Jurnal Sistem Informasi Bisnis, 9(1), 39.
Yasir, M., & Suraji, R. (2023). Perbandingan Metode Klasifikasi Naive Bayes, Decision, Tree, Random Forest terhadap Analisis Sentimen Kenaikan Biaya Haji 2023 pada Media Sosial Youtube. Jurnal Cahaya Mandalika, 3(2), 180–192. https://doi.org/10.36312/jcm.v3i2.1520
Yunianto, I., Kurniawan, A., Engineering, F., Barat, J., Mutoffar, M. M., Tinggi, S., Bandung, T., & Barat, J. (2022). Comparison of Decision Tree , KNN and Naïve Bayes Methods In Predicting Student Late Graduation In the Informatics Engineering Department , Institute Business XYZ. 1(1), 374–383.
