Keywords
Machine Learning
Naive Bayes
How to Cite
Abstract
Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi gaya belajar siswa berbasis algoritma Naive Bayes pada siswa kelas 7 SMP Negeri 1 Kandat. Gaya belajar yang diklasifikasikan meliputi tiga kategori utama, yaitu visual, auditori, dan kinestetik. Data diperoleh melalui penyebaran kuesioner kepada 337 siswa dan diolah melalui tahapan preprocessing, normalisasi, serta pembagian data latih dan uji dengan rasio 80:20. Model dilatih menggunakan algoritma Naive Bayes dan diuji menggunakan metrik akurasi serta confusion matrix. Hasil evaluasi menunjukkan bahwa model mampu mengklasifikasikan gaya belajar dengan tingkat akurasi sebesar 86,76%, dengan performa terbaik pada kategori gaya belajar visual. Temuan ini menunjukkan bahwa pendekatan berbasis machine learning dapat digunakan secara efektif dalam mengidentifikasi gaya belajar siswa dan berpotensi mendukung strategi pembelajaran yang lebih adaptif dan tepat sasaran di lingkungan sekolah.
References
[1] S. Yulianci and Nurjumiati, “Analisis Karakteristik Gaya Belajar VAK (Visual, Auditori, Kinestetik) Siswa Pada Pembelajaran Fisika,” J. Pendidik. Mipa, vol. 10, no. 1, pp. 40–44, 2020.
[2] Anisa Fitria, Ilham Falani, Riska Fitriani, and Viola Amelia Syafitri, “Analysis of Visual, Auditory, and Kinesthetic-Based Student Learning Styles in Science Subjects at SMPN 7 Muaro Jambi,” J. Digit. Learn. Distance Educ., vol. 2, no. 6, 2023.
[3] A. Prayogi, “Gaya Belajar Siswa Bimbingan Belajar Luar Sekolah : Studi Kasus di Kota Bandung,” vol. 1, no. 1, pp. 1–7, 2025.
[4] A. Kisnu Darmawan and M. Makruf, “KLIK: Kajian Ilmiah Informatika dan Komputer Deteksi Gaya Belajar Siswa SMA pada Virtual Based Learning Environment(VBLE) dengan Decision Tree C4.5 dan Naive Bayes,” Media Online, vol. 3, no. 5, pp. 532–544, 2023.
[5] S. Ramadandi and J. Jahring, “Student Learning Style Classification Using Naïve Bayes Classifier Method,” J. Teknol. dan Inf., vol. 10, no. 2, pp. 170–179, 2020.
[6] N. Salsabila, “Klasifikasi Gaya Belajar Peserta Didik Menggunakan Metode Naive Bayes,” Undergrad. thesis, Univ. Islam Negeri Maulana Malik Ibrahim., 2023.
[7] M. E. Hadi, D. Arifianto, and Q. A’yun, “Klasifikasi Gaya Belajar Menggunakan Algoritma C5.0,” J. Smart Teknol., vol. 4, no. 6, pp. 2774–1702, 2023.
[8] S. Nuralan, K. M. Ummah, and Haslinda, “Analisis Gaya Belajar Siswa Berprestasi di SD Negeri 5 Tolitoli,” Pendek. J. Pengemb. Pendidik. danPembelajaran Sekol. Dasar, vol. 1, no. 1, p. 5, 2022.
[9] R. Hamidi, M. T. Furqon, and B. Rahayudi, “Implementasi Learning Vector Quantization (LVQ) untuk Klasifikasi Kualitas Air Sungai,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 12, pp. 1758–1763, 2025.
[10] M. Garonga and Rita Tanduk, “Comparison of Naive Bayes, Decision Tree, and Random Forest Algorithms in Classifying Learning Styles of Universitas Kristen Indonesia Toraja Students,” J. Tek. Inform., vol. 4, no. 6, pp. 1507–1514, 2023.
[11] N. Kharisma and N. N. Pusparini, “Analisis Kepuasan Layanan Biro Administrasi Akademik Kemahasiswaan STMIK Widuri Menggunakan Algoritma Naïve Bayes Classifier,” no. 353, 2025.
[12] D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Andreas Setiawan, Intan Nur Farida, Daniel Swanjaya