Klasifikasi Pemahaman Santri Dalam Pembelajaran Kitab Kuning Menggunakan Algoritma Naive Bayes Berbasis Forward Selection

Adzhal Arwani Mahfudh*  -  Fakultas Sains dan Teknologi UIN Walisongo Semarang, Indonesia
Hery Mustofa  -  Fakultas Sains dan Teknologi UIN Walisongo Semarang, Indonesia

(*) Corresponding Author
DOI: 10.21580/wjit.2019.1.2.4529
Kitab kuning merupakan kitab tradisional yang mengandung diraasah islamiyah yang diajarakan pada pondok pesantren, mulai dari struktur bahasa arab (ilmu nahwu dan shorof), ‘ulumul qur’an, hadits, aqidah, tasawuf/akhlaq, tafsir, fiqh sampai ilmu sosial dan kemasyarakatan (mu’amalah).  Disebut juga dengan kitab gundul karena tidak memiliki harakat (fathah, kasroh, dhammah, sukun) untuk bisa membaca dan memahami secara menyeluruh dibutuhkan waktu yang relatif lama. Penelitian ini bertujuan untuk mendapatkan model klasifikasi dari data pembelajaran kitab kuning di pondok pesantren. Metode yang digunakan dalam penelitian ini adalah forward selection sebagai praproses dalam mengurangi dimensi data, menghilangkan data yang tidak relevan dan naive bayes yang berguna untuk mengklasifikasi data. Hasil dari klasifikasi data pembelajaran kitab kuning menggunakan atribut yang telah diklasifikasi berdasarkan fitur-fiturnya dan dilakukan iterasi pada cross validation sehingga menghasilkan akurasi yang tepat. Berdasarkan hasil pengujian dengan dua metode, pengujian dengan algoritma Naive bayes saja menghasilkan akurasi 96,02%, untuk algoritma Naive bayes berbasis forward selection menghasilkan akurasi 97,38% . Terdapat peningkatan akurasi dengan penambahan fitur seleksi.

Keywords: Data Mining; klasifikasi; forward selection; naive bayes; kitab kuning

  1. Kamaru, R. Jurnal Pembaharuan Pendidikan Islam ( JPPI ). 2014.
  2. Thoriqussu’ud, Muhammad. MODEL-MODEL PENGEMBANGAN, 225–239. Jurnal Ilmu tarbiyah “At-Tajdid”. 2012.
  3. Mukroji. METODE TAMYIZ (Sebuah Formulasi Teori Nahwu Shorof Quantum, II(1), 161–184. Jurnal Kependidikan. 2014.
  4. Wu, J., Pan, S., Zhu, X., Cai, Z., Zhang, P., & Zhang, C. (2015). Expert Systems with Applications Self-adaptive attribute weighting for Naive Bayes classification. EXPERT SYSTEMS WITH APPLICATIONS, 42(3), 1487–1502.
  5. Zaidi, N. A., Carman, M. J., & Webb, G. I. (2013). Alleviating Naive Bayes Attribute Independence Assumption by Attribute Weighting, 14, 1947–1988.
  6. Quan, Z., G. Lin-gang, W. Chong-jun, W.-j. and C. Shi-fu, "Using An Improved C4.5 for Imbalanced Dataset of Intrusion," National Key Laboratory for Novel Software Technology, Nanjing University, Nanjing 210093
  7. Yu, L. H, "Feature Selection for High Dimensional Data: A FastCorrelation-Based Filter Solution," 2003
  8. Bondhan, A.P. Penerapan Fitur Seleksi Forward Selection Menggunakan Algoritma Naive Bayes Untuk Menentukan Atribut yang Berpengaruh Pada Klasifikasi Kelulusan Mahasiswa”. “Tugas Akhir Teknik Informatika Universitas Dian Nuswantoro Semarang, 2015.
  9. Supriyati, W., Kusrini, Amborowati, A., "Perbandingan Kinerja Algoritma C4.5 dan Naive Bayes Untuk Ketepatan Pemilihan Konsentrasi Mahasiswa," INFORMA Politeknik Indonusa Surakarta, vol. 1, pp. 2442- 7942, 2016.
  10. Nugroho, Y. S. Graha, I. "Data MIning Jasa Pengiriman Titipan Kilat di PT CItra Van dengan Metode Decision Tree," Naskah Publikasi Program Studi Teknik Informatika Fakultas Komunikasi dan Informatika Universitas Muhammadiyah Surakarta, Juni 2014.
  11. Irawan, A.I., Saptono, R., Doewes, A., “Implementation of Naive Bayes Classifier Method And Adaboost Algorithm For Prediction Of Chronic Kidney Disease”.Digilib.uns.ac.id.2016.
  12. Wibowo, K., Sfenrianto, Nainggolan, K.,”Kalsifikasi Gangguan Motorik Anak Menggunakan Naive Bayes serta Optimasi dengan PSO dan Adaboost”. Vol. 1. No. 1 E-ISSN: 2527-4864, Agustus 2015.
  13. Hongbo S, Xiaoyong Lv. “The Naïve Bayesian Classifier Learning Algorithm based on Adaboost and Parameter Expectations” Third International Joint Conference on Computational Science and Optimization. 978-0-7695-4030-6/10 $26.00 © 2010 IEEE DOI 10.1109/CSO.2010.161. 2010.
  14. Sutrisno. (2013). Penerapan Data Mining Pada Penjualan Menggunakan Metode Clustering Study Kasus Pt . Indomarco, 1–11.
  15. Y.Y.W, “Perbandingan Performa Algoritma Decision Tree C5.0, CART dan CHAID”, Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007), pp. 1907-5022, 16 Juni 2007.
  16. Maharani, W., “Klasifikasi Data Menggunakan JST Backpropagation,” Seminar Nasional Informatika 2009 (semnasIF 2009), vol. 2009, no. semnasIF, pp. 25–31, 2009
  17. Christobel, Angeline, Sivaprakasam, D.r., “An Empirical Comparison of Data Mining Classification Methods” 3 (2): 24–28. 2011.
  18. Ragab, Abdul Hamid M., Amin Y. Noaman, Abdullah S. Al-Ghamdi, and Ayman I. Madbouly. “A Comparative Analysis of Classification Algorithms for Students College Enrollment Approval Using Data Mining.” Proceedings of the 2014 Workshop on Interaction Design in Educational Environments - IDEE ’14. New York, New York, USA: ACM Press, 106–13. doi:10.1145/2643604.2643631. 2014.
  19. Ashari, Ahmad, Iman Paryudi, and A Min Tjoa. “Performance Comparison between Naïve Bayes , Decision Tree and K-Nearest Neighbor in Searching Alternative Design in an Energy Simulation Tool” 4 (11): 33–39. 2013.
  20. Prasetyo, Eko. “Data Mining Konsep Dan Aplikasi Menggunakan Matlab”. Yogyakarta: Andi Offset. 2012.
  21. Susanto, Sani, Suryadi, Dedi. Pengantar Data Mining: Menggali Pengetahuan Dari Bongkahan Data. Yogyakarta: Andi Offset. 2010.
  22. Hermawati, F.A. “Data Mining Bab I Teknik Data Mining, Yogyakarta: Cv Andioffset, 2013.
  23. Kusrini, Emha, t.l. “Algoritma Data Mining”, Yogyakarta, 2009.
  24. Sijabat, A., “Penerapan Data Mining Untuk Pengolahan Data Siswa dengan Metode Decision Tree(Studi Kasus: Yayasan Kristen Andreas),” informasi dan teknologi ilmiah (INTI). Vol V, no. 3, pp. 2339-210X, Pebruari 2015.
  25. Prastya, F.A., “Penerapan Algoritma C4.5 untuk Prediksi Jurusan Siswa SMAN 3 Rembang, “Skripsi Teknik Informatika Universitas Dian Nuswantoro Semarang, 2015.
  26. Wirdhaningsih, K. P., Ratnawati, D. E.. , "Penerapan ALgoritma Decision Tree C5.0 untuk Peramalan Forex," Proceding Universitas Brawijaya Malang.
  27. Fitriani, I. R. (2007). Peningkatan Metode Naive Bayes Classification Untuk Penentuan Tingkat Keganasan Kanker Payudara.
  28. Gorunescu, F. (2011). Data Mining.
  29. Larose, D. T. (2006). METHODS AND.
  30. Yu, L. H, "Feature Selection for High Dimensional Data: A FastCorrelation-Based Filter Solution," 2003.

Open Access Copyright (c) 2019 Walisongo Journal of Information Technology
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Walisongo Journal of Information Technology
Published by Department Information Technology
Faculty of Science and Technology UIN Walisongo Semarang

Jl Prof. Dr. Hamka Kampus III Ngaliyan Semarang 50185
Phone: 024-76433366
Website: https://fst.walisongo.ac.id/
Email: ti@walisongo.ac.id

ISSN 2715-0143 (media online)
ISSN 2714-9048 (media cetak)

 

ISSN: 2714-9048 (Print)
ISSN: 2715-0143 (Online)
DOI : 10.21580/wjit

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License

Get a feed by atom here, RRS2 here and OAI Links here

View My Stats
apps