Article Per Year (5 Year)
p-Index From 2021 - 2026
13.222
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Proceeding SENDI_U Jurnal Teknik Informatika UNIKA Santo Thomas JurTI (JURNAL TEKNOLOGI INFORMASI) Antivirus : Jurnal Ilmiah Teknik Informatika Jurnal ICT : Information Communication & Technology JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal Ilmu Teknik dan Komputer JIKA (Jurnal Informatika) MEANS (Media Informasi Analisa dan Sistem) Tematik : Jurnal Teknologi Informasi Komunikasi Jurnal Informatika Terpadu Jurnal Saintekom : Sains, Teknologi, Komputer dan Manajemen Jurnal Janitra Informatika dan Sistem Informasi Jurnal Teknik Informatika Unika Santo Thomas (JTIUST) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Jurnal Informatika dan Teknologi Informasi Jurnal Teknologi Ilmu Komputer AMMA : Jurnal Pengabdian Masyarakat NERO (Networking Engineering Research Operation) Jurnal Kecerdasan Buatan dan Teknologi Informasi Jurnal Komtika (Komputasi dan Informatika)
Suarna, Nana
Unknown Affiliation
Humanities Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Materials Science & Nanotechnology Nursing

Published : 114 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 114 Documents
Search

 4   5   6   7   8 
KLASIFIKASI TIPE PENYERANG SEPAK BOLA LIGA INGGRIS BERDASARKAN DATA STATISTIK PEMAIN MENGGUNAKAN METODE NAIVE BAYES Triawan, Eri; Suarna, Nana; Rinaldi Dikananda, Arif
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8404

Abstract

Sepakbola adalah salah satu olahraga yang paling populer di dunia. Bahkan, ada yang berpendapat bahwa tidak diperlukan metode ilmiah untuk mengetahui betapa populernya sepak bola. Berdasarkan hasil survei yang dilakukan oleh FIFA Global Fooball Development (GFD) pada tahun 2023, Jumlah penggemar sepak bola di dunia mencapai 3,5 miliar orang. Dalam permainan sepak bola, terdapat tiga posisi pemain yaitu pemain bertahan yang terdiri dari kiper(goalkeeper) dan bek(defender), pemain Tengah(midfielder), dan penyerang(forward). Salah satu posisi yang dibahas dalam penelitian ini adalah posisi penyerang atau dalam Bahasa inggris disebut forward. Posisi penyerang dalam sepak bola terdiri dari beberapa tipe yaitu FW (Forward), FWMF (Forward Midfielder), dan FWDF (Forward Defensif Forward). Tugas mengklasifikasi tipe pemain sepak bola adalah tugas yang sulit, banyak faktor yang harus diperhatikan. Jika hanya mengandalkan survei lapangan dan penghitungan manual, selain keakuratannya kurang, waktu dan tenaga yang dibutuhkan juga bertambah. Untuk itulah penelitian ini dibuat, dengan menggunakan teknik pembelajan mesin, dapat mengurangi waktu dan tenaga yang dibutuhkan. Tujuan utama penelitian ini adalah mengembangkan model klasifikasi yang dapat mengidentifikasi dan membedakan tipe penyerang di liga Inggris berdasarkan data statistik pemain. Dalam sepak bola, variasi gaya bermain pemain menciptakan dinamika yang menarik untuk diungkap. Untuk medalaminya, Penalitian ini berfokus mengklasifikasikan tipe penyerang sepak bola liga inggris berdasarkan data statistik pemain menggunakan metode naïve bayes. Metode penelitian ini menggunakan Knowledge Discovery in Databases (KDD) dan metode naïve bayes. Data yang sudah diunduh dari Kaggle kemudian dibersihkan untuk membuang data yang nilainya hilang dan tidak valid. Data yang sudah dibersihkan kemudian diseleksi fitur-fiturnya yang sesuai dengan klasifikasi tipe penyerang. Data yang digunakan dalam penelitian ini adalah data statistic individu pemain liga inggris selama satu musim. Hasil dari penelitian ini yang menggunakan rasio 80:20 mendapatkan keakurataan sebesar 56.67%.
CLUSTERING PELANGGARAN LALU LINTAS PADA KENDARAAN BERMOTOR MENGGUNKAN ALGORITMA K-PROTOTYPE: STUDI KASUS: PENGADILAN NEGERI CIREBON Saniyah, Nilta; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8420

Abstract

Fenomena sering terjadi pelanggaran lalu lintas yaitu salah satu dari problematika yang masih banyak mengakibatkan permasalan di jalan raya, seperti kecelakaan lalu lintas dan kemacetan. Disebabkan dari tingginya kasus pelanggaran yaitu minimnya pengetahuan serta kesadaran pengendara kendaraan khususnya kendaraan bermotor bahkan ada beberapa pengguna juga abai dalam mematuhi peraturan lalu lintas dijalan raya. Pada daerah sektor lalu lintas di Cirebon masih cukup tinggi. Penelitian ini dilakukan bertujuan untuk pengelompokkan dan analisis data pelanggaran lalu lintas di Pengadilan Negeri Cirebon di tahun 2022. Metode penelitian ini menerapkan algoritma K-Prototype untuk memudahkan dalam mengetahui jenis pelanggaran yang sering kali dilakukan oleh pengendara. Algoritma K-prototype merupakan salah satu metode analisis cluster pada data berukuran besar dengan bertipe campuran yang terdiri data numerik dan kategorikal. penelitian ini akan menggunakan sebanyak 3 atribut yang terdiri dari jenis pelanggaran, denda dan pasal. Setelah data dikumpulkan dan dilakukan analisis kemudian dilakukan pra-pemrosesan data dengan melakukan melakukan pembersihan data yang tidak valid data yang tidak diperlukan. Selanjutnya data diproses dengan metode clustering menggunakan algoritma K-Prototype untuk pengelompokkan jenis pelanggaran dengan atribut yang digunakan tahap berikutnya dilakukan analisis dan interpretasi terhadap hasil dari klasterisasi yang dilakukan sehingga dapat mengetahui pola yang terjadi. Hasil dari penelitian ini terdapat 2 cluster yang terdiri dari C1 yaitu pelanggaran paling sering dilakukan pada pasal 291 dan C2 yaitu pelanggaran yang jarang dilakukan pada pasal 280 dari pengujian yang optimal menggunakan elbow analysis didapatkan bahwa jumlah cluster yang optimal sebanyak 2 cluster.
MENENTUKAN KEPUTUSAN KONSUMEN UNTUK MEMBELI LAPTOP MENGGUNAKAN METODE DECISION TREE ID3: STUDI KASUS MAHASISWA DI CIREBON Nur Amalia, Ocsana; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8444

Abstract

Harga dan Kualitas merupakan faktor yang sangat penting yang mempengaruhi perilaku konsumen. Laptop adalah salah satu komputer portable yang digunakan untuk melakukan banyak aktivitas. Permasalahannya adalah bagaimana cara konsumen memilih laptop sesuai kebutuhan mereka? Apa yang menjadi faktor utama yang sangat penting bagi konsumen. Penelitian ini bertujuan untuk mengetahui bagaimana harga dan kualitas produk memengaruhi keputusan konsumen untuk membeli laptop karena penggunaan laptop telah menjadi bagian penting dari kehidupan sehari-hari, baik untuk pekerjaan maupun hiburan karena tidak semua pembeli dapat mengetahui kualitas dan fitur yang sesuai dengan budget mereka. Algoritma yang digunakan adalah algoritma decision tree. Hasil analisis menunjukan bahwa kualitas berpengaruh signifikan terhadap keputusan pembelian konsumen sedangkan harga berpengaruh negatif terhadap keputusan pembelian konsumen. Implikasi dari hasil ini dapat menjadi tolak ukur bagi konsumen yang hendak membeli laptop untuk menentukan kualitas laptop yang akan dibeli. Dan produsen pun dapat mempertimbangkan untuk memberikan harga sesuai kualitas
IMPLEMENTASI DATA MINING CLUSTERING DALAM MENGELOMPOKKAN PENDUDUK PENYANDANG DISABILITAS MENGGUNAKAN ALGORITMA K-MEANS Lestari, Puji; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8445

Abstract

Penyandang disabilitas merujuk kepada individu yang mengalami keterbatasan fisik atau mental, yang dapat menghambat mereka dalam menjalankan kegiatan sehari-hari secara normal. Tidak semua orang dilahirkan dengan kondisi fisik atau mental yang sempurna, menyebabkan sebagian dari mereka mungkin merasa kurang percaya diri atau rendah diri dalam berinteraksi sosial. Permasalahan yang dihadapi penyandang disabilitas merupakan isu kompleks, karena adanya keterbatasan pada fungsi tubuh yang tidak optimal dapat menimbulkan dampak sosial yang signifikan. Ketidakmampuan ini bisa menjadi penghalang dalam melaksanakan kegiatan harian mereka. Orang dengan kebutuhan khusus, atau disabilitas, memiliki karakteristik hidup yang berbeda dan memerlukan pelayanan khusus untuk menjamin hak mereka terhadap kehidupan yang lebih baik. Oleh karena itu, untuk memberdayakan penyandang disabilitas, penelitian perlu dilakukan berdasarkan kecamatan di kabupaten/kota di Jawa Barat. Hal ini bertujuan untuk mengidentifikasi kelompok-kelompok wilayah dengan tingkat keberagaman penyandang disabilitas yang tinggi, sedang, dan rendah. Penelitian ini menggunakan metode data mining Clustering dengan algoritma K-Means untuk menganalisis kasus penyandang disabilitas di Kabupaten/Kota di Provinsi Jawa Barat. Metode clustering bertujuan untuk mengelompokkan data berdasarkan karakteristik yang serupa. Jumlah cluster ditentukan menggunakan nilai Davies Bouldin Index (DBI). Hasil penelitian menunjukkan adanya 2 cluster optimal, di mana Cluster 1 terdiri dari 27 kabupaten/kota dan Cluster 2 terdiri dari 2 kabupaten/kota, dengan nilai DBI sebesar 0.121
PENERAPAN NLP (NATURAL LANGUAGE PROCESSING) DALAM ANALISIS SENTIMEN PENGGUNA TELEGRAM DI PLAYSTORE Nurwanda, Nurwanda; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8469

Abstract

Pendapat umum pengguna tentang aplikasi Telegram di Play Store umumnya positif, negatif, atau netral. Penelitian ini bertujuan untuk menilai sentimen pengguna terhadap fitur-fitur aplikasi Telegram, yang telah menjadi salah satu aplikasi pesan instan paling populer. Analisis sentimen ulasan pengguna di Play Store dapat memberikan wawasan tentang kepuasan pengguna dan masalah yang dihadapi. Permasalahan penelitian ini adalah menemukan sentimen pengguna terhadap Telegram di Play Store. Metode pemrosesan bahasa alami (NLP) digunakan untuk menganalisis sentimen pengguna Telegram di Play Store. Ulasan dibagi ke dalam tiga kategori: positif, negatif, dan netral. Penelitian ini juga mengidentifikasi tren umum dan masalah yang sering muncul dalam ulasan. Model NLP digunakan untuk mengklasifikasikan sentimen dan menganalisis kata kunci yang sering muncul. Hasil evaluasi menunjukkan bahwa analisis sentimen ulasan pengguna Telegram di Play Store dengan metode NLP memiliki tingkat akurasi 85,31%. Rasio pembagian data untuk evaluasi adalah 80:20, dengan nilai presisi 93%, recall 76%, dan F1-Score 88%. Penelitian ini memberikan wawasan untuk pengembang dalam meningkatkan aplikasi dan memastikan kepuasan pengguna yang berkelanjutan.
ANALISIS SENTIMEN ULASAN APLIKASI THREADS DI GOOGLE PLAYSTORE MENGGUNAKAN ALGORITMA NAÏVE BAYES Nurzaman, Nurzaman; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8708

Abstract

Aplikasi Threads merupakan aplikasi perpesanan yang dikembangkan oleh Meta Platforms, Inc. (Meta). Aplikasi ini memungkinkan pengguna untuk berkomunikasi dengan teman dan keluarga melalui pesan teks, gambar, dan video. Permasalahan ini masih ada beberapa pengguna yang memberikan ulasan negatif tentang aplikasi ini, dan Ulasan-ulasan negatif ini dapat menurunkan reputasi aplikasi dan membuat pengguna lain enggan untuk menggunakan aplikasi tersebut. Tujuan utama yakni untuk mengklasifikasikan pendapat positif, netral, dan negatif berdasarkan nilai akurasi, presisi, dan recall yang dihasilkan dari analisis sentimen menggunakan algoritma naive bayes. Oleh karena itu, diperlukan sistem yang dapat mengkategorikan komentar dan menganalisis sentimen pengguna. Metode Penelitian ini menggunakan Knowledge Discovery in Database (KDD), web scraping Python untuk mengumpulkan data ulasan pengguna aplikasi Threads di Google PlayStore. Data yang dikumpulkan mencakup dari periode Agustus hingga November 2023 dengan jumlah 1500 data teks. Metode Naïve Bayes Classifier, metode klasifikasi ini dipilih karena memiliki kecepatan pemrosesan menghasilkan akurasi yang tinggi dan dapat memproses data jumlah yang besar. Hasil penelitian bahwa Pengujian analisis sentimen dilakukan dengan mengukur nilai recall, precision, dan accuracy. Menunjukkan bahwa nilai accuracy mencapai 73% yang menunjukkan bahwa model analisis sentimen mampu memprediksi sentimen dengan akurasi yang tinggi. Nilai precision juga mencapai 70%, Recall 99%.
PENGGUNAAN NAIVE BAYES DALAM MENGANALISIS SENTIMEN ULASAN APLIKASI MCDONALD’S DI INDONESIA Arifqi, Tri; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8740

Abstract

McDonald's, yang dikenal sebagai MCD di Indonesia, telah secara efektif memanfaatkan aplikasi seluler untuk mempercepat transaksi dan meningkatkan kinerja secara keseluruhan. Namun demikian, kekhawatiran seputar dukungan untuk pelanggaran hak asasi manusia di Palestina telah berdampak signifikan pada sentimen pengguna, terutama di Indonesia di mana nilai perdamaian sangat dihargai. Untuk menyelidiki masalah ini, para peneliti menggunakan algoritma Naive Bayes untuk dengan cermat memeriksa sentimen yang berasal dari 2000 ulasan pengguna McDonald's di Google Play Store. Pemeriksaan ini dilakukan melalui pemanfaatan teknik web capture dan pre-processing teks. Dengan mengalokasikan rasio berbagi data 70:30, model mencapai tingkat akurasi yang mengesankan sebesar 95,2% ketika diterapkan pada data pelatihan, dan 86% ketika diuji pada data baru. Selanjutnya, tingkat presisi ditemukan 54%, tingkat penarikan 58%, dan skor F1 dihitung pada 60% dalam rasio 80:20. Analisis komprehensif mengungkapkan dominasi yang jelas dari opini negatif yang menyumbang 65,1% dari data yang dikumpulkan, khususnya mengenai masalah teknis. Tujuan akhir dari temuan ini adalah untuk membantu pengembang dalam meningkatkan kualitas aplikasi mereka dan memastikan kepuasan pengguna secara keseluruhan. Studi ini berfungsi sebagai demonstrasi aplikasi praktis dari Knowledge Discovery in Databases (KDD) dan teknik Naive Bayes dalam melakukan analisis sentimen pada ulasan McDonald's, sehingga menyajikan potensi kemajuan masa depan dalam keakuratan analisis emosi.
ANALISIS POLA PENJUALAN SEPATU DENGAN IMPLEMENTASI ALGORITMA APRIORI DATA MINING Sajidan, Dzikri; Suarna, Nana; Suprapti, Tati
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 2 (2024): JATI Vol. 8 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i2.8818

Abstract

Penjualan sepatu dalam industri fashion modern sangat vital, tetapi seringkali penjual mengalami kendala dalam pendataan dan pengelolaan stok, terutama dengan penggunaan media kertas yang rentan terhadap kehilangan data. Permasalahan tersebut mendorong penelitian untuk menerapkan algoritma apriori pada data penjualan sepatu guna mengidentifikasi jenis sepatu terlaris. Diharapkan bahwa penggunaan RapidMiner akan memberikan data yang lebih akurat dan memudahkan analisis barang karena metode Algoritma apriori digunakan untuk menentukan barang mana yang banyak dibeli dan barang mana yang kurang dibeli. Untuk mengklasifikasikan penjualan sepatu, metode data mining Algoritma Apriori digunakan. Rumus Algoritma Apriori akan digunakan untuk menghitung data yang masuk ke sistem informasi dan memberikan nilai yang lebih akurat dan valid. Kemampuan untuk mengetahui pola frekuensi asosiasi elemen adalah fase analisis yang menarik perhatian banyak peneliti saat menciptakan algoritma apriori yang efisien. dengan support dan confidence sebagai tolak ukur. Dengan demikian, penggunaan metode Algoritma apriori melalui RapidMiner diharapkan dapat meningkatkan manajemen persediaan, mempercepat proses penjualan, dan memberikan wawasan yang lebih dalam kepada penjual tentang keinginan pelanggan. Keseluruhan, penerapan algoritma ini diharapkan memberikan nilai yang lebih valid dan akurat dalam pengambilan keputusan terkait strategi bisnis dan peningkatan penjualan sepatu. Hasilnya ditemukan bahwa aturan asosiasi paling tinggi terjadi antara sepatu Sneakers Kanvas dengan nilai support x confidence sebesar 87,50%.
ANALISIS JUMLAH PENDUDUK MENGGUNAKAN ALGORITMA K-MEANS BERDASARKAN KABUPATEN/KOTA DI INDONESIA Nurhayah, Nurhayah; Suarna, Nana; Prihartono, Willy
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8863

Abstract

Jumlah penduduk di Indonesia secara konsisten, terjadi peningkatan dari satu tahun ke tahun berikutnya. Populasi terpadat di Indonesia terdapat pada Kabupaten Bogor. Kepadatan penduduk yang tinggi biasanya menunjukan bahwa suatu wilayah memiliki populasi yang besar dalam luas wilayah yang terbatas. Di era sekarang, salah satu masalah yang terkait dengan aspek kependudukan adalah disparitas distribusi populasi yang tidak merata. Tujuan penelitian ini adalah untuk mengelompokan jumlah penduduk menggunakan algoritma K-Means. Pada konteks penelitian ini, sumber data yang dipakai diperoleh dari Badan Pusat Statistika mencakup informasi jumlah penduduk Kabupaten/Kota di Indonesia Tahun 2020 sd. 2022. Metode penelitian ini menerapkan Algoritma K-Means dengan memanfaatkan pendekatan Knowledge Discovery and Data Mining (KDD) dan tahapan yang digunakan yaitu Selection data, Preprocessing data, Transformation, Data Mining dan Evaluation. Melalui analisis Data Mining, pengelompokan jumlah penduduk menghasilkan 4 cluster yaitu cluster jumlah peduduk sangat padat, padat, sedang, dan rendah. Hasil dari penelitian ini, Dari pengujian yang telah dilakukan dengan Davies Boulding Index didapatkan cluster yang optimal yaitu k=4 dengan nilai DBI 0.127. Cluster 0 dengan jumlah penduduk rendah sebanyak 360 Kabupaten/Kota, cluster 1 dengan jumlah penduduk sedang sebanyak 93 Kabupaten/Kota, Cluster 2 dengan jumlah penduduk sangat padat sebanyak 1 Kabupaten, dan cluster 3 dengan jumlah penduduk padat sebanyak 28 Kabupaten/Kota.
IMPLEMENTASI DATA MINING UNTUK MENGKLASIFIKASI HASIL KELULUSAN MADRASAH MENGGUNAKAN ALGORITMA NAÏVE BAYES Adrian, Teguh; Suarna, Nana
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 8 No. 1 (2024): JATI Vol. 8 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v8i1.8892

Abstract

Madrasah merupakan lembaga pendidikan yang sangat penting untuk mempersiapkan generasi bangsa dan agama. Madrasah muncul di Indonesia sejak awal abad ke-20 sebelum Indonesia mengalami kemerdekaan. Perkembangan Pendidikan islam di Indonesia semakin pesat dimulai pada masa awal kemerdekaan Indonesia pada masa ini madrasah sangat jauh berkembang, dengan meningkatnya perkembangan sekolah di Indonesia, indeks yang menjadi sayarat kelulusan bagi para siswa juga mengalami keanaikan. Metode yang digunakan dalam Artikel ini yaitu Knowledge Discovery in Database (KDD) dengan tahapan selection, preprocessing, transformation, data mining dan evaluation, algoritma naïve bayes digunakan karena cocok dengan klasifikasi binary yaitu dengan mengklasifikasi dua kategori lulus dan tidak lulus , Tujuan Artikel ini untuk memudahkan para guru untuk mengetahui hasil dari prediksi kelulusan siswa madrasah, kemudian untuk siswa yang nilainya dibawah kriteria kelulusan akan tetap lulus namun bersyarat apakah ada tugas tambahan atau program pengulangan agar mencapai standar kelulusan dan memberikan rekomendasi untuk meningkatkan tingkat kelulusan. Hasil dari Artikel ini memperoleh akurasi sebesar 88,24%, Recall sebesar 92,11% dan precision sebesar 87,50% yang diperoleh dari 132 data latih dan 68 data uji dan mendapatkan ROC sebesar 0.922. karena tingkat akurasi diatas 50% ini berarti kinerja naïve bayes dalam permasalahan ini sudah cukup baik.
Co-Authors Abdul Rasyid Ade Kurnia, Dian Adrian, Teguh Afiasari, Nur Aini Nurul Ainisa, Nurul Al Maeni, Nurul Al Muharom, Nurul Ibnu Alfian Nur Rahmat , Muhammad Alfian Nur Rahmat, Muhammad Alfudola, Mahfudz Amal Rois, Moh. Ichlasul Amalia, Rosnita Amarda, Juan Ameliana, Nikan Amer, Abdu Shobarudin Andi Setiawan Anggara, Doni Anggriani, Sulistia Anita Yuliyanti Apriliana Janatu Marwa Arif Fitriyanto, Goffar Arifqi, Tri Aulia Putri, Adinda Auliya, Suci Awaludin, Ade Ayuni, Putri baihaqqi, Farisky Dadang Sudrajat Dalifah, Nurul Danar Dana, Raditya Dendy Indriya Efendi Dewanty Rafu, Maria Dewi, Sophiyanti Dienwati Nuris, Nisa Dienwati, Nisa Dwi Prasetyo Dwilestari , Gifthera Efendi , Dendy Indriya Effendy, Dendy Indria Fachry Abda El Rahman Fadhil, Fadhil Yudistianto FAUZAN, AKMAL Fikri Ulumudin, Achmad Fikri, Moh.Yusuf Firmansyah, Fajar Frihandiansah, Riyandi Fuadi Ahmad, Cecep Gifthera Dwilestari Gilang Perwati, Intan Hamdan Mubarok, Nabil Hartiansyah, Fernandar Dwi Hermawan, Bagus Hermawan, Ramdan Hidayah, Nurni Hidayat, Pierre Galuh Hidayattullah, Rizky Ibnu Abas, Mohamad Iin, Iin Illahi, Asep Wahyu Indriya Efendi, Dendy Irfan Ali, Irfan Irma Purnamasari, Ade JUBAEDAH JUBAEDAH, JUBAEDAH Julianti, Okta Nur Khaeru, Abdullah Kholifa, Nur Kusmawanti, Nisa Laelatul Azizah, Novi Lestari, Gifthera Dwi Luthfi, Achmad Mar’atun Sholihah, Oliffia Masjunedi, Masjunedi Maulida, Nida Muhamad Andika, Agus Muhammad Taufik Hidayat, Muhammad Muharam, Arbi Adi Muharromah, Oom Mulyawan Mustofa, Kafit Nining Rahaningsih Nugraha, Rifqi Nugroho, Rizwar Adi Nur Amalia, Ocsana Nur Apriliani, Nur Nurdin Nurhayah, Nurhayah Nuri Nuri Nurjanah, Nurul Nurliana, Nicky NURUL AZIZAH Nurwanda, Nurwanda Nurzaman Nurzaman Odi Nurdiawan Oktaviany, Nurul Pajri, Riki Peni Peni Pii, Iwan Pratama, Denni Pratiwi, Intan Pratiwi, Yulita Prihartono, Wiily Prihartono, Willy PUJI LESTARI Purnamasari, Ade Irma Putriana, Puput R, Nining Raditya Danar Dana Rahaning, Nining Rahaningsi, Nining Ramadhan, Gildan Jaya Muhammad Ramdani, Rizki Retnasari, Peni Rinaldi Dikananda, Arif Rinata, Ustri Ani Rini Astuti Riyana, Iis Rohendi, Ghina Fitria Rohman, Dede Rokhmatan Khaerullah, Rizal Sajidan, Dzikri Samodra Anugrah, Syawal Saniyah, Nilta Saputra, Adi Zulkarnaen Sariah Sariah Sayuti Hanapiah, Neneng Sidik, Rahmat Siti Nurhasanah Solihudin, Dodi Suarna, Annisa Annastia Susana, Heliayanti Susana, Heliyanti Talia, Agita Hany Tati Suprapti Taulani, Taulani Tri Ginanjar Laksana Triawan, Eri Triya, Pita Widiya, Putri Wirdiyan, Farhan Azfa Wulandari, Maryam Yudhistira Arie Wijaya Zaelani, Nursehan Zeya Sebastian, Muhammad