Penerapan Data Mining Untuk Memprediksi Kelulusan Mahasiswa Menggunakan Algoritma Naive Bayes Classifier (Studi Kasus STMIK Primakara)
Abstract
ABSTRAK. Tingkat ketepatan kelulusan mahasiswa merupakan salah satu indikator penting untuk menilai kualitas mahasiswa maupun perguruan tinggi. Prediksi ketepatan waktu lulus mahasiswa diharapkan dapat membantu pihak manajemen perguruan tinggi untuk menjaga kestabilan tingkat kelulusan mahasiswa, agar kualitas lulusan dapat terus dikelndalikan dengan baik. Artikel ini menyajikan penggunaan metode naive bayes classifier untuk memprediksi kelulusan mahasiswa. Pengujian akurasi sistem dilakukan dengan mencocokkan hasil prediksi dengan data yang sesungguhnya dengan metode pengujian confusion matrix. Hasil uji menunjukkan recall sebesar 80%, accuracy sebesar 80% dan precision sebesar 80%. Kata Kunci: Data Mining, Naive Bayes Classifier, Prediksi Kelulusan Mahasiswa
ABSTRACT. The level of accuracy of student graduation is one important indicator to assess the quality of students and universities. The predicted timeliness of graduating students is expected to help the management of higher education to maintain a stable level of student graduation, so that the quality of graduates can continue to be controlled well. This article presents the use of the Naive Bayes classifier method to predict student graduation. System accuracy testing is done by matching the results of predictions with actual data with the confusion matrix testing method. The test results showed a recall of 80%, an accuracy of 80% and a precision of 80%. Keywords: Data Mining, Naive Bayes Classifier, Student Graduation Prediction
References
STMIK Primakara, Buku Pedoman Akademik. 2014.
Sembiring, M. A., Sibuea, M. F. L., & Sapta, A. Analisa Kinerja Algoritma C4.5 Dalam Memprediksi Hasil Belajar, Jssr. 2018; 43(07): 73–79.
Saleh, A. Implementasi metode klasifikasi naive bayes dalam memprediksi besarnya penggunaan listrik rumah tangga. Creative Information Technology Journal. 2015; 2(3): 207-217.
Masripah, S. Komparasi Algoritma Klasifikasi Data Mining untuk Evaluasi Pemberian Kredit. Bina Insani ICT Journal. 2016; 3(1): 187-193.
Hasan, M. Prediksi Tingkat Kelancaran Pembayaran Kredit Bank Menggunakan Algoritma Naive Bayes Berbasis Forward Selection. ILKOM Jurnal Ilmiah. 2017; 9(3): 317-324.
Wati, M., & Hadi, A. Implementasi Algoritma Naive Bayesian Dalam Penentuan Penerima Program Bantuan Pemerintah. JTRISTE. 2016; 3(1): 22-26.
Fadlan, C., Ningsih, S., & Windarto, A. P. Penerapan Metode Naïve Bayes Dalam Klasifikasi Kelayakan Keluarga Penerima Beras Rastra. JUTIM (Jurnal Teknik Informatika Musirawas). 2018; 3(1): 1-8.
Saputra, R. A., & Ayuningtias, S. Penerapan Algoritma Naïve Bayes Untuk Penentuan Calon Penerima Beasiswa Pada Smk Pasim Plus Sukabumi. Swabumi. 2016; 4(2): 114120.
Bahar, B., & Pratama, D. W. Penerapan Teorema Bayes Dalam Sistem Pakar Untuk Konsultasi Siswa Bermasalah. Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi. 2018; 6(2): 1529-1540.
Nofriansyah, D. Konsep Data Mining VS Sistem Pendukung Keputusan. 2014.
Larose, D.T. Discovering Knowledge in Data: An Introduction to Data Mining. Canada: John Wiley & Sins, Inc, 2014.
Jiawei Han, M.K. Data Mining Concepts and Techniques, II. San Francisco: Elsevier, Inc.
Deng, H. Sun, Y., Chang and Han, J. Probabilistic Models for Classification, in Data Classification: Algorithms and Applications, 1 ed., Minnesota, Chapman and Hall/CRC, 2014
Dahri, D., Agus, F., & Khairina, D. M. Metode Naive Bayes Untuk Penentuan Penerima Beasiswa Bidikmisi Universitas Mulawarman. Jurnal Informatika Mulawarman. 2016; 11(2): 30-36.
Rohman, A. Model Algoritma K-Nearest Neighbor (K-Nn) Untuk Prediksi Kelulusan Mahasiswa. Neo Teknika. 2015; 1(1): 1-9
Kusumawati, D., Winarno, W. W., & Arief, M. R. Prediksi Kelulusan Mahasiswa Menggunakan Metode Neural Network dan Particle Swarm Optimization. SEMNASTEKNOMEDIA ONLINE. 2015; 3(1): 3-8.
Adinugroho, S., Sari, Y.A. Implementasi Data Mining Menggunakan WEKA, I. Malang: UB Press, 2018.
How To Cite This :
Refbacks
- There are currently no refbacks.
