Prediksi Persentase Kelulusan Mahasiswa STMIK Widuri Menggunakan Algoritma Naïve Bayes
Keywords:
data mining, Naïve Bayes, Prediksi, KelulusanAbstract
Salah satu topik masalah yang masih menjadi bahan diskusi terkait kegagalan mahasiswa sarjana ialah tentang tidak tepat waktu. Mahaiswa yang lulus pada waktu yang tidak tepat tentu akan menimbulkan masalah dan kemungkinan putus sekolah, yang juga akan mempengaruhi kualitas pendidikan dan akreditasi. Berdasarkan hal tersebut maka diperlukan suatu sistem yang bisa memprediksi ketuntasan para mahasiswa dengan belajar mengevaluasi hasil aktualitas, yang dapat dilakukan oleh mahasiswa S1 dengan mengolahnya dengan data mining untuk menemukan pola pada data mahasiswa yang telah lulus dan kemudian digunakan sebagai dasar untuk memprediksi penyelesaian waktu studi selama beberapa tahun ke depan. Teknik data mining yang digunakan dalam penelitian ini adalah algoritma klasifikasi Naive Bayes, yang merupakan cara sederhana untuk menerapkan teorema Bayes. Mengetahui seberapa banyak mahasiswa yang lulus tidak sesuai dengan masa studi yang sudah ditentukan dengan metode Naïve Bayes merupakan suatu tujuan dari penelitian ini. Hasil dari penelitian ini berupa sistem yang dapat memprediksi ketepatan waktu penyelesaian.
References
Hasanudin. (2021). Predikat Kelulusan. Retrieved from https://fitk.uinjkt.ac.id/predikat-kelulusan/
Mahanggara, A., & Laksito, A. D. (2019). Prediksi Pengunduran Diri Mahasiswa Universitas Amikom Yogyakarta Menggunakan Metode Naive Bayes. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 10(1), 273-280.
Muin, A. A. (2016). Metode Naive Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi). Jurnal Ilmiah Ilmu Komputer Fakultas Ilmu Komputer Universitas Al Asyariah Mandar, 2(1), 22-26.
Muryono, T. T., Taufik, A., & Irwansyah, I. (2021). Perbandingan Algoritma K-Nearest Neighbor, Decision Tree, Dan Naive Bayes Untuk Menentukan Kelayakan Pemberian Kredit. Infotech: Journal of Technology Information, 7(1), 35-40.
Nugroho, M. F. (2017). Fitur Seleksi Forward Selection Untuk Menetukan Atribut Yang Berpengaruh Pada Klasifikasi Kelulusan Mahasiswa Fakultas Ilmu Komputer UNAKI Semarang Menggunakan Algoritma Naive Bayes. Jurnal Informatika Upgris, 3(1).
Peling, I. B. A., Arnawan, I. N., Arthawan, I. P. A., & Janardana, I. G. N. (2017). Implementation of Data Mining To Predict Period of Students Study Using Naive Bayes Algorithm. Int. J. Eng. Emerg. Technol, 2(1), 53.
Permana, A. Y., & Effendi, M. M. (2018). Optimasi Stemming Porter KBBI dan Cross Validation Naïve Bayes untuk Klasifikasi Topik Soal UN Bahasa Indonesia. Jurnal Ilmiah KOMPUTASI, 17(4), 357-368.
Pratiwi, B. P., Handayani, A. S., & Sarjana, S. (2020). Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix. Jurnal Informatika Upgris, 6(2).
Rahmatullah, S., & Utami, E. (2019). Prediksi Tingkat Kelulusan Tepat Waktu dengan Metode Naive Bayes dan K-Nearest Neighbor. Jurnal Informasi Dan Komputer, 7(1), 7-16.
Salmu, S., & Solichin, A. (2017). Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu Menggunakan Naïve Bayes: Studi Kasus UIN Syarif Hidayatullah Jakarta. Paper presented at the Prosiding Seminar Nasional Multidisiplin Ilmu.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Caesar Ryan Andreansyach, Tangguh Seno Fardiansyah, Dina Apriani, Asrul Sani
This work is licensed under a Creative Commons Attribution 4.0 International License.
