IMPLEMENTASI DATA MINING NAÏVE BAYES UNTUK SISTEM PERINGATAN DINI HASIL BELAJAR SISWA SEKOLAH DASAR

Adyatma Ramadhani S; Atiqah Meutia Hilda;

IMPLEMENTASI DATA MINING NAÏVE BAYES UNTUK SISTEM PERINGATAN DINI

HASIL BELAJAR SISWA SEKOLAH DASAR

Adyatma Ramadhani S

Minimnya pemanfaatan data historis hasil belajar siswa kelas 6 di SDN Tridayasakti 03
Tambun Selatan menjadi kendala dalam mengindentifikasi pola belajar dan meningkatkan
kualitas pembelajaran secara efektif. Hal ini mendasari penelitian yang bertujuan untuk
menerapkan teknik data mining dengan metode Naïve Bayes dalam mengklasifikasikan hasil
belajar siswa. Penelitian ini menggunakan data nilai siswa untuk mengembangkan model
klasifikasi yang berfungsi sebagai sistem peringatan dini. Model yang dibangun diuji
efektivitasnya dalam mengelompokkan 90 data nilai siswa ke dalam kategori ”Baik” dan
”Kurang”. Hasil penelitian menunjukan bahwa model klasifikasi Naïve Bayes berhasil
mencapai tingkat akurasi, presisi, dan recall 100%. Pencapaian ini menunjukan bahwa model
yang dikembangkan sangat andal dalam mengenali dan mengelompokkan hasil belajar siswa
dengan tepat, serta dapat menjadi alat bantu yang valid bagi guru dan pihak sekolah untuk
mendukung proses pengambilan keputusan terkait peningkatan mutu pendidikan.
Kata Kunci: Data Mining, Klasifikasi, Naïve Bayes, Hasil Belajar Siswa, RapidMiner.

IMPLEMENTATION OF NAÏVE BAYES DATA MINING FOR AN EARLY WARNING
SYSTEM OF ELEMENTARY SCHOOL STUDENTS’ LEARNING OUTCOMES

Adyatma Ramadhani S

The limited utilization of historical learning outcome data for 6th-grade students at SDN
Tridayasakti 03 Tambun Selatan poses an obstacle in effectively identifying learning patterns and
improving the quality of education. This underlies research aimed at applying a data mining
technique using the Naïve Bayes method to classify student learning outcomes. This study uses
student score data to develop a classification model that functions as an early warning system.
The built model was tested for its effectiveness in grouping 90 student score data into the "Good"
and "Poor" categories. The results demonstrate that the Naive Bayes classification model
successfully achieved an accuracy, precision, and recall rate of 100%. This achievement indicates
that the developed model is highly reliable in accurately recognizing and grouping student
learning outcomes, and can serve as a valid supporting tool for teachers and the school to
facilitate decision-making related to educational quality improvement.
Keywords: Data Mining, Classification, Naïve Bayes, Student Learning Outcomes, RapidMiner.