Dalam era digital saat ini, kebutuhan akan kemampuan informatika semakin meningkat. Oleh karena itu, mata pelajaran informatika menjadi sangat penting bagi para Siswa di berbagai jenjang pendidikan. Sebagai bagian dari evaluasi pembelajaran, ketercapaian nilai kriteria ketuntasan minimal (KKM) pada mata pelajaran informatika perlu diprediksi agar dapat membantu para Guru dalam melakukan pembelajaran. Salah satu metode yang dapat digunakan untuk memprediksi ketercapaian KKM adalah dengan menggunakan algoritma Naive Bayes.

Naive Bayes merupakan salah satu metode klasifikasi yang cukup sederhana namun cukup efektif dalam memprediksi kelas dari suatu data. Metode ini didasarkan pada teorema Bayes yang menyatakan bahwa probabilitas suatu hipotesis atau kelas dapat dihitung berdasarkan probabilitas dari setiap fitur yang terkait dengan hipotesis atau kelas tersebut.

Dalam prediksi ketercapaian KKM pada mata pelajaran informatika, variabel input yang digunakan dapat berupa nilai-nilai dari tes-tess yang telah dilakukan sepanjang tahun ajaran, serta faktor-faktor lain seperti kehadiran, partisipasi dalam kegiatan belajar mengajar, dan sebagainya. Sedangkan variabel output yang ingin diprediksi adalah apakah Siswa tersebut akan mencapai KKM atau tidak.

Pada tahap awal, algoritma Naive Bayes akan menghitung probabilitas setiap kelas yang mungkin terjadi berdasarkan data yang diberikan. Dalam hal ini, kelas yang mungkin terjadi adalah “mencapai KKM” atau “tidak mencapai KKM”. Kemudian, algoritma akan menghitung probabilitas dari setiap fitur atau variabel input yang terkait dengan kedua kelas tersebut.

Setelah probabilitas setiap fitur dihitung, algoritma akan mengalikan probabilitas dari setiap fitur untuk kedua kelas tersebut. Hal ini disebut dengan likelihood. Kemudian, algoritma akan menghitung probabilitas prior untuk kedua kelas berdasarkan data training yang diberikan.

Dalam tahap akhir, algoritma akan menghitung posterior probability, yaitu probabilitas kelas yang sebenarnya terjadi berdasarkan data training yang diberikan. Dalam hal ini, posterior probability akan menunjukkan probabilitas Siswa tersebut akan mencapai KKM atau tidak.

Dalam memprediksi ketercapaian KKM pada mata pelajaran informatika menggunakan algoritma Naive Bayes, terdapat beberapa hal yang perlu diperhatikan. Pertama, data yang digunakan perlu valid dan akurat. Kedua, fitur atau variabel input yang digunakan perlu relevan dan terkait dengan ketercapaian KKM pada mata pelajaran informatika. Ketiga, model yang digunakan perlu diuji coba dan dioptimalkan untuk mendapatkan hasil prediksi yang akurat.

Dalam kesimpulannya, prediksi ketercapaian nilai KKM pada mata pelajaran informatika tahun pelajaran 2022/2023 dapat dilakukan menggunakan algoritma Naive Bayes. Metode ini dapat membantu para Guru dalam melakukan evaluasi pembelajaran sehingga dapat meningkatkan kualitas Pendidikan.

“SMK Negeri 10 Semarang, dari Semarang untuk Indonesia”

Penulis: Andhen Priyono, S.Kom., M.Kom., Guru Produktif RPL

 Editor: Tim Humas