Klasifikasi Kelayakan Penerima Beasiswa Menggunakan Naive Bayes dengan Optimasi Atribut Berbasis K-Means Clustering: Classification of Scholarship Eligibility Using Naïve Bayes with Attribute Optimization Based on K-Means Clustering

Abstrak

Penelitian ini bertujuan untuk mengklasifikasikan kelayakan penerima beasiswa di Kecamatan Tabir dengan menggunakan algoritma Naïve Bayes yang dioptimasi melalui K-Means Clustering. Dataset berjumlah 4.155 siswa diproses melalui tahap pra-pemrosesan, mencakup seleksi atribut relevan, pembersihan data, serta transformasi kategori ke bentuk numerik. Proses clustering dilakukan dengan K-Means pada K = 2, 3, dan 5, lalu dievaluasi menggunakan Davies-Bouldin Index (DBI). Hasil terbaik diperoleh pada K = 2 dengan nilai DBI = 0,909, yang selanjutnya digunakan untuk mengelompokkan data menjadi dua klaster, yaitu “Layak” dan “Tidak Layak”. Klaster yang dihasilkan kemudian digunakan untuk mengoptimasi atribut pada tahap klasifikasi menggunakan algoritma Naïve Bayes.. Evaluasi performa menggunakan confusion matrix dengan skema split data 70:30, 80:20, dan 10-fold cross validation. Hasil menunjukkan akurasi masing-masing 96,15%, 96,75%, dan 97,91%; precision 99,90%, 99,85%, dan 99,97%; recall 95,39%, 96,18%, dan 97,47%; serta F1-score 97,60%, 97,97%, dan 98,71%. Berdasarkan hasil tersebut, metode 10-fold cross validation memberikan performa terbaik karena mampu menjaga keseimbangan antara akurasi, precision, recall, dan F1-score. Dengan demikian, integrasi antara K-Means Clustering dan Naïve Bayes terbukti efektif dalam mengoptimasi atribut, serta menghasilkan sistem klasifikasi yang akurat, konsisten, dan andal untuk mendukung keputusan seleksi penerima beasiswa.