Penerapan Algoritma Naive Bayes untuk Evaluasi Kedisiplinan Siswa pada Sistem Kehadiran Terintegrasi Berbasis Web

Nina Mumtazia; Romi Andrianto

doi:10.69693/ijmst.v4i3.12997

Authors

Nina Mumtazia Universitas Pamulang
Romi Andrianto Universitas Pamulang

DOI:

https://doi.org/10.69693/ijmst.v4i3.12997

Keywords:

Gaussian Naive Bayes, kedisiplinan siswa, sistem kehadiran terintegrasi, klasifikasi, evaluasi kedisiplinan

Abstract

Kehadiran siswa merupakan indikator penting kedisiplinan dalam proses pembelajaran, namun di SDN Mekar Jaya data kehadiran masih dimanfaatkan sebatas catatan administratif sehingga evaluasi kedisiplinan siswa cenderung dilakukan secara subjektif dan belum didukung oleh analisis data yang sistematis. Penelitian ini bertujuan membangun sistem kehadiran terintegrasi berbasis web yang menerapkan algoritma Naive Bayes untuk mengevaluasi tingkat kedisiplinan siswa secara objektif berdasarkan data kehadiran. Data penelitian dikumpulkan melalui studi pustaka, observasi, wawancara, dan dokumentasi, sedangkan pengembangan sistem menggunakan metode Agile Development Methodology. Algoritma yang diterapkan adalah Gaussian Naive Bayes karena mampu mengolah data numerik kontinu berupa persentase hadir, sakit, izin, dan alfa. Dataset penelitian terdiri dari 57 data absensi siswa kelas 4 SDN Mekar Jaya selama satu semester yang dibagi menjadi 48 data latih dan 9 data uji. Hasil pengujian menggunakan confusion matrix menunjukkan bahwa model berhasil mengklasifikasikan siswa ke dalam kategori Disiplin, Cukup Disiplin, dan Kurang Disiplin dengan nilai akurasi sebesar 88,89%, yaitu 8 dari 9 data uji terklasifikasi dengan benar. Kelas Disiplin dan Cukup Disiplin memperoleh precision sebesar 100%, sedangkan kelas Kurang Disiplin sebesar 0% karena terdapat satu data Cukup Disiplin yang diprediksi sebagai Kurang Disiplin. Hasil tersebut menunjukkan bahwa algoritma Gaussian Naive Bayes memiliki kinerja yang baik dalam mengevaluasi kedisiplinan siswa berdasarkan data kehadiran. Dapat disimpulkan bahwa sistem yang dibangun mampu mendukung proses pengelolaan absensi dan evaluasi kedisiplinan siswa secara lebih objektif, cepat, dan terstruktur dibandingkan dengan proses manual.

References

Baridah, L., Putri, R. A., Info, A., Mining, E. D., Outcomes, S. L., & Education, V. (2025). Predicting Student Learning Outcomes in Vocational Computer and Network Engineering Using Naïve Bayes. 8(3), 667–676.

Christanto, H., & Somya, R. (2023). Sistem Informasi Berbasis Web Menggunakan Framework Laravel pada Rancangan Sistem Inventory Gudang. Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, 12(3), 1204. https://doi.org/10.35889/jutisi.v12i3.1588

Çınar, A. (2024). Multi-Class Classification with the Gaussian Naive Bayes Algorithm. Journal of Data Applications, 0(2), 1–13. https://doi.org/10.26650/joda.1389471

Destiana, T., Umaidah, Y., & Enri, U. (2023). Penerapan Algoritma Gaussian Naive Bayes dalam Penentuan Prioritas Rehabilitasi Daerah Aliran Sungai Berdasarkan Parameter Lahan Kritis. INFOTECH Journal, 9(2), 507–513. https://doi.org/10.31949/infotech.v9i2.6501

Dwi Agustina, F., Arif, M., Ahmad, S., Studi Sistem dan Teknologi Informasi, P., & Sains dan Teknologi, F. (2025). Systematic Literature Review atas Kinerja Algoritma KNN, Naïve Bayes, dan Decision Tree pada Berbagai Studi Prediksi dan Klasifikasi. Jurnal Jawara Sistem Informasi, 3(1).

Ekawati, R. R., Atina, V., & Maulidar, J. (2025). Prediksi Ketuntasan Belajar Siswa Menggunakan Naive Bayes dengan Integrasi Data (Student Completion Prediction System Using the Naive Bayes Method at SMA Negeri 1 Plupuh). 5(4), 1161–1173.

Felicia, N., Agustin, P., Hikmah, N. N., & Sari, N. E. (2024). Kehadiran dan Ketidakhadiran Peserta Didik di Sekolah.

Harahap, S. Z. (2024). Implementation of the C4.5 and Naive Bayes Algorithms to Predict Student Graduation. 8(3), 1741–1757.

Hidayat, A. N., & Yuningsih, D. (2026). Etika Administrasi Sekolah untuk Meningkatkan Kedisiplinan Siswa di SD Negeri Jati 2. 5(1), 3104–3111.

Hutabalian, D. M., Hutabarat, P., Prasetyo, M., & Irnanda, M. A. (2026). Klasifikasi Tingkat Kedisiplinan Siswa Menggunakan Algoritma Machine Learning: Decision Tree, KNN, dan Naive Bayes. 4(3), 1987–1992.

Iskandar, A., Retnawati, H., Hadi, S., Utami, L., & Amiruddin, E. G. (2025). Naïve Bayes Classifier-Based Intelligent System for Student Academic Performance Assessment. 30(6), 1609–1620.

Liantoni, F. (2022). Data Mining dan Penerapan Metode.

Roudhotum Mawardania, & Henny Dwi Bhakti. (2024). Perancangan Sistem Presensi Sekolah Berbasis Web di SD Muhammadiyah Gresik. Jurnal Ilmiah Sistem Informasi dan Ilmu Komputer, 4(1), 78–90. https://doi.org/10.55606/juisik.v4i1.745

Pardede, N. (2025). Pengaruh Manajemen Kesiswaan terhadap Tingkat Kedisiplinan Siswa Kelas XI TKJ di SMK Negeri 1 Sidikalang Tahun Pembelajaran 2024/2025. Jurnal Pendidikan Sosial dan Humaniora, 4(4), 7358–7371.

Salsabila, D., & Basri, M. (2026). Analisis Penilaian Kinerja Siswa untuk Menentukan Siswa Terbaik di Sekolah Melalui Metode Naive Bayes di Songserm Sasana School, Hat Yai. Jurnal Informatika dan Teknologi Komputer, 6.

Shi, Y. (2022). The Iris Classification Based on Gaussian Naive Bayes Algorithm. In 2022 6th International Conference on Electronic Information Technology and Computer Engineering (EITCE 2022). Association for Computing Machinery. https://doi.org/10.1145/3573428.3573559

Tanjung, J. P., Tampubolon, F. C., Panggabean, A. W., & Nandrawan, M. A. A. (2023). Customer Classification Using Naive Bayes Classifier With Genetic Algorithm Feature Selection. Sinkron, 8(1), 584–589. https://doi.org/10.33395/sinkron.v8i1.12182

Utoyo, B. D., & Mujiyono, S. (2025). Penerapan Algoritma Naive Bayes dengan Optimasi Genetic Algorithm untuk Memprediksi Kedisiplinan Siswa. 2169–2180. https://doi.org/10.33364/algoritma/v.22-2.3084