<![CDATA[Tantangan kehidupan di masa mendatang semakin kompetitif, Pendidikan formal sudah menjadi hal umum yang dimiliki sebagian besar orang. Dibutuhkan suatu sarana untuk meningkatkan sumber daya manusia agar dapat berkompetisi maka para orang tua tidak hanya membekali putra putrinya dengan pendidikan formal akan tetapi juga melengkapi dengan pendidikan non formal. Tak ayal usaha pendidikan non formal pun semakin diminati. Berdasarkan data Sensus Ekonomi 2016 oleh Badan Pusat Statistik (BPS), jumlah usaha/perusahaan pendidikan di Indonesia mencapai 619.947 usaha. Jumlah ini setara dengan 2,32 persen dari jumlah usaha/perusahaan di Indonesia. Seiring dengan meningkatnya usaha pendidikan maka persaingan usaha akan semakin kompetitif. Pelanggan dapat memilih di antara beberapa usaha pendidikan yang ada dan dapat berpindah dari satu usaha pendidikan ke yang lainnya. Ketika seorang siswa suatu lembaga pendidikan keluar, dampak yang ditimbulkan tidak hanya mengurangi pendapatan, tetapi juga mempengaruhi sumber daya awal yang telah dikeluarkan untuk rekrutmen tenaga kerja baru, biaya publikasi dan diskon. Perusahaan perlu mengklasifikasikan siswa untuk mengetahui tingkat loyalitas siswa dan potensi siswa untuk churn sehingga perusahaan dapat menentukan langkah-langkah dalam meningkatkan pemeliharaan siswa. Dari data – data siswa dapat diperoleh informasi dan pengetahuan untuk dilakukan data mining klasifikasi. Algoritma Naïve Bayes (NB) merupakan salah satu metode/algoritma data mining klasifikasi yang cepat, mudah diimplementasikan dengan struktur yang sederhana dan efektif dalam pengklasifikasian Penelitian ini akan menerapkan data mining klasifikasi metode Naïve Bayes dari data- data siswa Lembaga Pendididkan Kursus Tari cabang Citayam untuk mengklasifikasikan loyalitas siswa dengan mengukur kinerja model menggunakan software RapidMiner. Hasil penelitian menunjukkan bahwa model dengan metode Naïve Bayes untuk data mining klasifikasi loyalitas siswa Lembaga Pendidikan Kursus Tari cabang Citayam memiliki nilai accuracy yaitu 80,42%, classification error 19,58% dan AUC yaitu 0.860 yang memiliki arti bahwa model ini dapat digunakan untuk mengklasifikasikan siswa untuk mengetahui tingkat loyalitas siswa dan potensi siswa untuk churn.]]>
Copyrights © 2020
