DOI: https://doi.org/10.14710/jtsiskom.2022.14121

Prediksi Siswa Putus Sekolah Swasta Menggunakan Algoritma Bayesian Network (Studi Pada : SMA Islam Al Wahid Kepung)

1Faculty of Computer Science, Universitas Brawijaya, Jl. Veteran, Ketawanggede, Kec. Lowokwaru, Kota Malang, Jawa Timur 65145, Indonesia

2Badan Riset dan Inovasi Nasional, Indonesia

Received: 26 Feb 2021; Published: 30 Apr 2022.
Open Access Copyright (c) 2022 Rifky Yunus Krisnabayu
Creative Commons License This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Citation Format:
Abstract

Masalah siswa putus sekolah di SMA Islam Al Wahidmembawa dampak kepada sekolah antara lain berkurangnya bantuan operasional yang diterima, berkurangnya jumlah rombongan belajar, dan hutang biaya siswa. Mempertimbangkan dampaknya bagi sekolah, penelitian ini bertujuan mengembangkan sistem prediksi dini siswa putus sekolah. Penelitian menggunakan Bayesian Network (BN) dengan tujuan mengetahui faktor yang paling berpengaruh, di mana tugas tersebut tidak dapat diselesaikan menggunakan naive bayes. Jumlah data yang digunakan dalam penelitian ini berjumlah 77 siswa dengan 18 siswa berlabel putus sekolah. Hasil dari penelitian ini menghasilakn sebuah model dengan akurasi bernilai 0,935 dan nilai area under curve sebesar 0,948. Struktur BN memperlihatkan bahwa faktor nilai rerata, mengikuti ekstrakurikuler, dan penghasilan ayah merupakan faktor yang paling berpengaruh terhadap siswa putus sekolah. Struktur BN memperlihatkan bahwa faktor nilai rerata, mengikuti ekstrakurikuler, dan penghasilan ayah merupakan faktor yang paling berpengaruh terhadap siswa putus sekolah.

Fulltext Email colleagues
Keywords: putus sekolah; data mining; klasifikasi; bayesian network; system usability scale

Article Metrics:

Article Info
Section: Original Research Articles
Language : ID
Most viewed articles
Perancangan Sistem Informasi Rekam Medis Rawat Inap Rumah Sakit Berbasis Web K-means-SMOTE for handling class imbalance in the classification of diabetes with C4.5, SVM, and naive Bayes Perancangan Sistem Informasi Akademik Berbasis Mobile Web Studi Kasus di Program Studi Sistem Komputer Universitas Diponegoro Teka-teki Unsur Kimia sebagai Media Pembelajaran Kimia Interaktif bagi siswa SMA Kelas X Berbasis Android Perancangan dan Pengembangan Sistem Informasi Perpustakaan Berbasis Web (Studi Kasus Jurusan Sistem Komputer) More articles
Most cited articles
Multi Layer Perceptron Model for Indoor Positioning System Based on Wi-Fi Pengembangan Permainan Edukatif Ragam Budaya Nusantara Berbasis Android Perancangan dan Pengembangan Permainan “Super Sigi” Menggunakan Stencyl Sebagai Media Pengenalan Menyikat Gigi Pengembangan Teknologi Informasi Mobile Learning Universitas Diponegoro Berbasis Android Pengembangan Aplikasi Multimedia untuk Pembelajaran Satelit Astronomi NASA dengan Teknologi Augmented Reality Berbasis Android More cited articles
  1. Inanna, “Peran Pendidikan Dalam Membangun Karakter Bangsa Yang Bermoral,” JEKPEND: Jurnal Ekonomi dan Pendidikan, vol. 1, no. 1, p. 27, 2018, doi: 10.26858/jekpend.v1i1.5057
  2. T. Liani and J. Marpaung, “Faktor Penyebab Anak Putus Sekolah,” Jurnal Cahaya Pendidikan, vol. 5, no. 2, pp. 13–24, 2019
  3. M. Madani and R. Risfaisal, “Perilaku Sosial Anak Putus Sekolah,” Equilibrium: Jurnal Pendidikan, vol. 4, no. 2, pp. 184–193, 2017, doi: 10.26618/equilibrium.v4i2.500
  4. I. B. A. Peling, I. N. Arnawan, I. P. A. Arthawan, and I. G. N. Janardana, “Implementation of Data Mining To Predict Period of Students Study Using Naive Bayes Algorithm,” International Journal of Engineering and Emerging Technology, vol. 2, no. 1, p. 53, 2017, doi: 10.24843/ijeet.2017.v02.i01.p11
  5. M. P. Agustini, A. A. Supianto, and W. Purnomo, “Aplikasi Data Mining untuk Memprediksi Mahasiswa Berpotensi Drop Out menggunakan Algoritme K-Nearest Neighbor (K-NN),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 7, pp. 6311–6319, 2019
  6. D. A. Ningtyas, M. Wahyudi, and N. Nurajijah, “Klasifikasi Siswa Smk Berpotensi Putus Sekolah Menggunakan Algoritma Decision Tree , Support Vector Machine Dan Naive Bayes,” Jurnal Khatulistiwa Informatika, vol. VII, no. 2, pp. 85–90, 2019
  7. N. L. Ratniasih, “Penerapan Algoritma K-Nearest Neighbour (K-Nn) Untuk Penentuan Mahasiswa Berpotensi Drop Out,” Jurnal Teknologi Informasi dan Komputer, vol. 5, no. 3, pp. 314–318, 2019, doi: 10.36002/jutik.v5i3.804
  8. J. Nikkarila, I. Kangasniemi, and J. Valtonen, “Bayesian networks- an example of software and some defence applications,” Conference: (R)evolution of War, no. October 2015, pp. 1–18, 2016
  9. D. P. Sari, D. Rosadi, Danardono, and E. A. Ronnie, “Pembentukkan Struktur Bayesian Network Dari Data,” in Prosiding Konferensi Nasional Matematika XVIII, 2016, pp. 84–90
  10. M. Tan and P. Shao, “Prediction of student dropout in E-learning program through the use of machine learning method,” International Journal of Emerging Technologies in Learning, vol. 10, no. 1, pp. 11–17, 2015, doi: 10.3991/ijet.v10i1.4189
  11. D. R. Arifanti, “Visualisasi Efek Perubahan Fungsi Lahan Menggunakan Maksimum Spanning Tree dengan Pembobot Korelasi,” Al-Khwarizmi: Jurnal Pendidikan Matematika dan Ilmu Pengetahuan Alam, vol. 5, no. 2, pp. 155–164, 2018, doi: 10.24256/jpmipa.v5i2.274
  12. R. Munir, Matematika Disktrit, 3rd ed., vol. 3. Bandung: Informatika Bandung, 2010
  13. M. Lestandy, L. Syafa’ah, and A. Faruq, “Classification of potential blood donors using machine learning algorithms approach,” Jurnal Teknologi dan Sistem Komputer, vol. 8, no. 3, pp. 217–221, 2020, doi: 10.14710/jtsiskom.2020.13619
  14. K. S. Nugroho, I. Istiadi, and F. Marisa, “Naive Bayes classifier optimization for text classification on e-government using particle swarm optimization,” Jurnal Teknologi dan Sistem Komputer, vol. 8, no. 1, pp. 21–26, 2020, doi: 10.14710/jtsiskom.8.1.2020.21-26
  15. S. W. U. Vitandy, A. A. Supianto, and F. A. Bachtiar, “Analisis Sentimen Evaluasi Kinerja Dosen menggunakan Term Frequency- Inverse Document Frequency dan Naïve Bayes Classifier,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 6, 2019
  16. H. Hairani, K. E. Saputro, and S. Fadli, “K-means-SMOTE for handling class imbalance in the classification of diabetes with C4.5, SVM, and naive Bayes,” Jurnal Teknologi dan Sistem Komputer, vol. 8, no. 2, pp. 89–93, 2020, doi: 10.14710/jtsiskom.8.2.2020.89-93
  17. A. Pourmasoumi and E. Bagheri, “Business Process Mining,” Encyclopedia With Semantic Computing, vol. 1, no. 14, pp. 1–8, 2016
  18. S. A. Lestari and H. K. E. P. Moro, “Perbandingan Variasi Jarak Tempuh ke Sekolah terhadap Prestasi Belajar IPA Siswa Kelas VII SMP Muhammadiyah 2 Kalibawang,” Jurnal Bioedukatika, vol. 3, no. 1, p. 33, 2015, doi: 10.26555/bioedukatika.v3i1.4145
  19. I. Khamil, Fenomena Anak Bekerja di Bawah Umur (Study di Gampong Alurduamas Kecamatan Kota Bahagia Kabupaten Aceh Selatan), 1st ed. Indonesia: Universitas Islam Negeri Ar-Raniry, 2016
  20. A. Wulantami, “Pilihan Rasional Keputusan Perempuan Sarjana Menjadi Ibu Rumah Tangga,” Jurnal Dimensia, vol. 7, no. 1, pp. 1–22, 2018, [Online]. Available: https://journal.uny.ac.id/index.php/dimensia/article/view/21049/11062
  21. S. A. Wolla and J. Sullivan, “Education, Income, and Wealth,” Page One Economics, no. January, 2017

Last update:

No citation recorded.

Last update: 2024-12-20 10:04:30

No citation recorded.