PENERAPAN METODE NAÃVE BAYES UNTUK PENGELOLAAN STATUS RETENSI ARSIP
cover
pdf

Keywords

Accuracy
Archives Management
Classification
Naïve Bayes
Prototype

How to Cite

PENERAPAN METODE NAÏVE BAYES UNTUK PENGELOLAAN STATUS RETENSI ARSIP. (2025). TeknoIS : Jurnal Ilmiah Teknologi Informasi Dan Sains, 15(1), 23-39. https://doi.org/10.36350/wqnd5m86

Abstract

Pengelolaan kearsipan adalah aspek penting dari manajemen informasi di berbagai lembaga, salah satu pengelolaan kearsipan adalah menentukan status retensi arsip. Penentuan status retensi arsip masih belum akurat dan belum efektif, sehingga ada kemungkinan kesalahan manusia atau kesalahan yang kurang akurat saat menentukan status retensi arsip. Salah satu metode yang tepat untuk permasalahan adalah metode klasifikasi. Metode klasifikasi yang digunakan adalah Naive Bayes yang akan membantu operator kearsipan. Tujuan penilitian ini untuk mengklasifikasikan status retensi arsip dan membuat prototype aplikasi. Pendekatan ini memungkinkan pengelola kearsipan untuk membuat keputusan yang lebih tepat dan efisien tentang bagaimana menyimpan atau memusnahkan dokumen, sehingga mereka dapat mengurangi risiko kesalahan dan mengoptimalkan penggunaan ruang penyimpanan. Variabel yang digunakan yaitu jenis arsip, jenis indeks, waktu retensi aktif, waktu retensi in-aktif dan prediktor kelas, yaitu status retensi arsip. Prototype aplikasi untuk menentukan status retensi arsip dengan menggunakan metode Algoritma Naive Bayes. Hasil uji menggunakan confusion matrix menunjukkan akurasi sebesar 96%.

pdf

References

[1] U. Gellysa, Penerapan Data Mining DI BERBAGAI BIDANG, 1st ed. Bali: SONPEDIA, 2023.

[2] Amna, Data mining, 1st ed., vol. 2, no. January 2013. Padang: PT GLOBAL EKSEKUTIF TEKNOLOGI, 2023.

[3] Y. S. Hidayat, A. G. Herdipriyansah, I. A. Agustin, J. Jaenudin, and D. Desrizal, “Pemodelan Data Mining Menggunakan Neural Network Untuk Seleksi Mahasiswa Penerima Beasiswa Bantuan,” TeknoIS: Jurnal Ilmiah Teknologi Informasi dan Sains, vol. 14, no. 1, pp. 9–20, Jan. 2024, doi: 10.36350/jbs.v14i1.222.

[4] J. W. Iskandar and Y. Nataliani, “Perbandingan Naïve Bayes, SVM, dan k-NN untuk Analisis Sentimen Gadget Berbasis Aspek,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 6, pp. 1120–1126, 2021, doi: 10.29207/resti.v5i6.3588.

[5] Alfandi Safira and F. N. Hasan, “Analisis Sentimen Masyarakat Terhadap Paylater Menggunakan Metode Naive Bayes Classifier,” ZONAsi: Jurnal Sistem Informasi, vol. 5, no. 1, pp. 59–70, 2023, doi: 10.31849/zn.v5i1.12856.

[6] F. Gorunescu, Data Mining, vol. 12. Berlin, Heidelberg: Springer Berlin Heidelberg, 2011. doi: 10.1007/978-3-642-19721-5.

[7] I. Kasim, Yuyun, and S. Sahibu, “KLASIFIKASI SURAT DIGITAL MENGGUNAKAN ALGORITMA NAÏVE BAYES,” JURNAL IT Media Informasi IT STMIK Handayani, vol. 13, no. 2, pp. 57–62, Aug. 2020.

[8] A. Triawan and D. Lintang Melinda, “Penerapan Metode Naïve Bayes Untuk Rekomendasi Topik Tugas Akhir Berdasarkan Daftar Hasil Studi Mahasiswa di Perguruan Tinggi,” Teknois: Jurnal Ilmiah Teknologi Informasi dan Sains, vol. 10, no. 2, pp. 58–70, Nov. 2020, doi: 10.36350/jbs.v10i2.91.

[9] F. Septianingrum and A. S. Y. Irawan, “Metode Seleksi Fitur Untuk Klasifikasi Sentimen Menggunakan Algoritma Naive Bayes: Sebuah Literature Review,” Jurnal Media Informatika Budidarma, vol. 5, no. 3, p. 799, 2021, doi: 10.30865/mib.v5i3.2983.

[10] S. Arikunto, Prosedur Penelitian Suatu Pendekatan Praktik. Jakarta: PT. Bina Aksara, 2010.

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Copyright (c) 2025 TeknoIS : Jurnal Ilmiah Teknologi Informasi dan Sains

Downloads

Download data is not yet available.