Klasifikasi Mazhab Menggunakan Metode Naïve Bayes (Studi Kasus: Salat)

Siti Ummi Masruroh, Siti Hanna, Nadia Azza, Kamarusdiana Kamarusdiana, Nanda Alivia Rizqy Vitalaya

Abstract


Salat dimulai dengan gerakan takbir dan diakhiri dengan gerakan salam berdasarkan rukun dan syarat pada ketentuan hukum Islam. Dunia fikih penuh dengan perbedaan pendapat, termasuk dalam pembahasan salat. Perbedaan dalam fikih terwujud dalam bentuk mazhab-mazhab. Sebagai umat islam dianjurkan untuk mengetahui mazhab siapa yang diterapkandalam beribadah kepada Allah SWT. Klasifikasi fikih dalam salat bertujuan untuk mengetahui kecenderungan mazhab yang diikuti oleh seseorang.Naïve Bayes adalah salah satu jenis metode untuk melakukan klasifikasi data. Penelitian ini akan membuat suatu aplikasi pengklasifikasian mazhab fikih salat yang berbasis android dengan 4 mazhab dan menggunakan metode naïve bayes. Sistem ini dibangun dengan Flutter dan database MySQL. Teknologi aplikasi mobile android ini diharapkan dapat memberikan solusi alternatif untuk mengklasifikasikan mazhab dalam fikih salat. Teknik pengujian dilakukan dengan pengujian alpha oleh user (ustadz) dan uji akurasi sistem dilakukan dengan membandingkan hasil antara perhitungan manual dan perhitungan oleh sistem yang dibuat. Pengujian alpha menunjukkan hasil bahwa aplikasi mampu bekerja dengan baik, dan sesuai dengan pengujian akurasi yang menunjukkan akurasi sistem pada aplikasi adalah 100%.


Keywords


Fiqih; Salat; Mazhab; Naïve Bayes; Klasifikasi

Full Text:

PDF

References


P. Komarudin and M. R. Hidayat, “Konsekuensi Perbedaan Fikih Terhadap Kaidah Fikih,” Al Falah, vol. 11, no. 1, pp. 124–139, 2019.

M. Z. Karimuddin, “Kedudukan Mazhab, Taklid Dan Ijtihad Dalam Islam,” Al-Qadha, vol. 6, no. 1, pp. 55–65, 2019, doi: 10.32505/qadha.v6i1.1291.

A. Syarifuddin, Garis-Garis Besar Fikih. Kencana Pranada Media Group, 2013.

S. Maryam, “Shalat dalam Perspektif Imam Al-Ghazali (Kajian Sufistik),” vol. 5, no. 3, 2018.

C. Chazar, N. Harani, and A. Kurninawan, “Sistem Pakar Untuk Mendiagnosa Penyakit Pada Kucing Menggunakan Metode Naïve Bayes,” J. Tek. Inform., vol. 11, no. 1, pp. 18–24, 2019.

H. Hermanto, A. Mustopa, and A. Y. Kuntoro, “Algoritma Klasifikasi Naive Bayes dan Support Vector Machine dalam Layanan Komplain Mahasiswa,” J. Ilmu Pengetah. dan Teknol. Komput., vol. 5, no. 2, pp. 211–220, 2020, doi: https://doi.org/10.33480/jitk.v5i2.1181.

F. Provost and T. Fawcett, “Robust classification for imprecise environments,” Mach. Learn., vol. 42, no. 3, pp. 203–231, 2001, doi: 10.1023/A:1007601015854.

S. Dwiasnati and Y. Devianto, “Utilization of Prediction Data for Prospective Decision Customers Insurance Using the Classification Method of C.45 and Naive Bayes Algorithms,” J. Phys. Conf. Ser., vol. 1179, no. 1, 2019, doi: 10.1088/1742-6596/1179/1/012023.

L. Jiang, L. Zhang, C. Li, and J. Wu, “A Correlation-Based Feature Weighting Filter for Naive Bayes,” IEEE Trans. Knowl. Data Eng., vol. 31, no. 2, pp. 201–213, 2019, doi: 10.1109/TKDE.2018.2836440.

V. Chaurasia, S. Pal, and B. B. Tiwari, “Prediction of benign and malignant breast cancer using data mining techniques,” J. Algorithms Comput. Technol., vol. 12, no. 2, pp. 119–126, 2018, doi: 10.1177/1748301818756225.

Y. An, S. Sun, and S. Wang, “Naive Bayes classifiers for music emotion classification based on lyrics,” Proc. - 16th IEEE/ACIS Int. Conf. Comput. Inf. Sci. ICIS 2017, no. 1, pp. 635–638, 2017, doi: 10.1109/ICIS.2017.7960070.

Aprizum Putra ZM, Ernawati, and Aan Erlansari, “Sistem Pakar Diagnosa Penyakit Tiroid Menggunakan Metode Naive Bayes Berbasis Android,” J. Rekursif, vol. 5, no. 3, pp. 270–284, 2017.

F. Harahap, A. Y. N. Harahap, E. Ekadiansyah, R. N. Sari, R. Adawiyah, and C. B. Harahap, “Implementation of Naïve Bayes Classification Method for Predicting Purchase,” 2018 6th Int. Conf. Cyber IT Serv. Manag. CITSM 2018, no. Citsm, pp. 1–5, 2019, doi: 10.1109/CITSM.2018.8674324.

Bustami, T. F. Abidin, K. Munadi, Z. A. Hasibuan, and M. Fikry, “Classification of hadith levels using data and text mining techniques,” Eurasian J. Anal. Chem., vol. 13, no. 6, pp. 186–191, 2018.

K. Sangounpao and P. Muenchaisri, “Ontology-Based Naive Bayes Short Text Classification Method for a Small Dataset,” Proc. - 20th IEEE/ACIS Int. Conf. Softw. Eng. Artif. Intell. Netw. Parallel/Distributed Comput. SNPD 2019, pp. 53–58, 2019, doi: 10.1109/SNPD.2019.8935711.

N. Yusof, S. A. Rosidi, N. K. Ibrahim, and A. E. B. Ali, “Thematic textual hadith classification: An experiment in rapidminer using support vector machine (SVM) and naïve bayes algorithm,” Int. J. Adv. Trends Comput. Sci. Eng., vol. 9, no. 4, pp. 5967–5972, 2020, doi: 10.30534/ijatcse/2020/262942020.




DOI: https://doi.org/10.26418/jp.v8i1.51418

Refbacks

  • There are currently no refbacks.