ANALISIS PREDIKSI KELULUSAN MAHASISWA PROGRAM STUDI SISTEM INFORMASI STMIK ROYAL KISARAN MENGGUNAKAN METODE NAIVE BAYES

Dinda Khairani, Septy Nur Intan, Wiwin Handoko

Abstract


Abstract: Universities are responsible for creating graduates who have adequate skills. Measuring student graduation rates is considered a critical parameter in achieving this goal. This research was conducted to determine the number of graduates from each classification, namely graduating on time or not accurately. Bearing in mind that STMIK Royal Kisaran already has B accreditation. The success of students in graduating on time has a significant impact on the assessment elements in the accreditation process of higher education institutions. The use of the Naïve Bayes Algorithm method in applying data mining can be a solution to overcome the problem of determining the number of graduations. Naïve Bayes is a technique or method in the field of Data Mining that uses probability and statistics to make predictions. This method is able to project opportunities for future events based on past experience. The dataset in this research is STMIK Royal Kisaran Student Graduation data in 2017 as many as 608 student data which were divided into 2 (two) with a ratio of 70:30, 425 training data and 183 testing data managed to obtain an accuracy value of 61%. The Naïve Bayes algorithm produces the following results: precision for the negative class is 45%, for the positive class is 96%; recall for the negative class was 97%, for the positive class was 44%; f1-score for the negative class is 62%, for the positive class is 61%; and accuracy of 61%.

Keywords: Graduation; Data Mining; Naïve Bayes 

Abstrak: Perguruan tinggi bertanggung jawab untuk menciptakan lulusan yang memiliki keterampilan yang memadai. Pengukuran tingkat kelulusan mahasiswa dianggap sebagai parameter kritis dalam mencapai sasaran ini. Adapun penelitian ini dilakukan untuk menentukan jumlah kelulusan dari masing-masing klasifikasi yaitu Lulus tepat waktu atau tidak secara akurat. Mengingat bahwa STMIK Royal Kisaran sudah memiliki akreditasi B. Keberhasilan mahasiswa dalam lulus tepat waktu memiliki dampak signifikan terhadap penilaian unsur dalam proses akreditasi institusi pendidikan tinggi. Penggunaan metode Algoritma Naïve Bayes dalam penerapan data mining dapat menjadi solusi untuk mengatasi permasalahan penentuan jumlah kelulusan. Naïve Bayes adalah sebuah teknik atau metode dalam bidang Data Mining yang menggunakan probabilitas dan statistik untuk melakukan prediksi. Metode ini mampu memproyeksikan peluang kejadian di masa mendatang berdasarkan pengalaman masa lalu. Dataset dalam penelitian ini adalah data Kelulusan Mahasiswa STMIK Royal Kisaran pada tahun 2017 sebanyak 608 data mahasiswa yang dibagi menjadi 2 (dua) dengan rasio 70:30, 425 data training dan 183 data testing berhasil memperoleh nilai akurasi sebesar 61%. Algoritma Naïve Bayes menghasilkan hasil sebagai berikut: presisi untuk kelas negatif sebesar 45%, untuk kelas positif sebesar 96%; recall untuk kelas negatif sebesar 97%, untuk kelas positif sebesar 44%; f1-score untuk kelas negatif sebesar 62%, untuk kelas positif sebesar 61%; dan akurasi sebesar 61%.

Kata kunci: Kelulusan; Data Mining; Naïve Bayes

Full Text:

PDF

References


N. Y. Septian, “Data Mining Menggunakan Algoritma Naïve Bayes Untuk Klasifikasi Kelulusan Mahasiswa Universitas Dian Nuswantoro,” J. Semant. 2013, pp. 1–11, 2009.

M. Zainuddin, “Metode Klasifikasi Berbasis Particle Swarm Optimization (Pso) Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa,” J. Ilm. Teknol. Inf. Asia, vol. 13, no. 1, p. 1, 2018, doi: 10.32815/jitika.v13i1.247.

N. Khasanah and A. Salim, “Rachman Komarudin 4) , Yana Iqbal Maulana 5) 1) Teknik Informatika, Fakultas Teknologi Informasi, Universitas Nusa Mandiri 2,3) Sistem Informasi, Fakultas Teknologi Informasi, Universitas Bina Sarana Informatika 4) Sistem Informasi, Fakultas Teknologi Inf,” Fak. Teknol. Inf., vol. 13, no. 3, pp. 207–214, 2022.

Y. Kusnia, “Pengaruh Karakteristik Gender dan Motivasi Belajar Terhadap Prestasi Belajar Matematika Siswa Kelas X IPA 1 di MAN 2 Semarang,” Semin. Nas. Pendidikan, Sains dan Teknol., pp. 398–405, 2017.

Y. Apridiansyah, N. D. M. Veronika, and E. D. Putra, “Prediksi Kelulusan Mahasiswa Fakultas Teknik Informatika Universitas Muhammadiyah Bengkulu Menggunakan Metode Naive Bayes,” JSAI (Journal Sci. Appl. Informatics), vol. 4, no. 2, pp. 236–247, 2021, doi: 10.36085/jsai.v4i2.1701.

H. Bhavsar and A. Ganatra, “A Comparative Study of Training Algorithms for Supervised Machine Learning,” Int. J. Soft Comput. Eng., vol. 2, no. 4, pp. 74–81, 2012.

J. J. Aripin, “Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi pada BPR Pantura,” 2019.

W. Dwi Septiani, “Komparasi Metode Klasifikasi Data Mining Algoritma C4.5Dan Naive Bayesuntuk Prediksi Penyakit Hepatitis,” J. Pilar Nusa Mandiri, vol. 13, no. 1, pp. 76–84, 2017.

C. F. Chien, W. C. Wang, and J. C. Cheng, “Data mining for yield enhancement in semiconductor manufacturing and an empirical study,” Expert Syst. Appl., vol. 33, no. 1, pp. 192–198, 2007, doi: 10.1016/j.eswa.2006.04.014.

N. E. Putria, “Data Mining Penjualan Tiket Pesawat Menggunakan Algoritma Apriori Pada Terminal Tiket Batam Tour & Travel,” Comput. Based Inf. Syst. J., vol. 6, no. 1, pp. 29–39, 2018.

“JUTSI ( Jurnal Teknologi dan Sistem Informasi ) BANGUNAN TERLARIS DENGAN MENGGUNAKAN METODE K-MEANS DI UD MAJU BERSAMA Mahasiswa Prodi Sistem Informasi , STMIK Royal Dosen Prodi Sistem Informasi , STMIK Royal JUTSI ( Jurnal Teknologi dan Sistem Informasi ,” vol. 2, no. 2, pp. 93–102, 2022.

I. T. Umagapi, B. Umaternate, S. Komputer, P. Pasca Sarjana Universitas Handayani, B. Kepegawaian Daerah Kabupaten Pulau Morotai, and B. Riset dan Inovasi, “Uji Kinerja K-Means Clustering Menggunakan Davies-Bouldin Index Pada Pengelompokan Data Prestasi Siswa,” Semin. Nas. SISFOTEK, pp. 303–308, 2023.

I. W. Saputro and B. W. Sari, “Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa,” Creat. Inf. Technol. J., vol. 6, no. 1, p. 1, 2020, doi: 10.24076/citec.2019v6i1.178.

L. A. Utami, “Analisis Sentimen Opini Publik Berita Kebakaran Hutan Melalui Komparasi Algoritma Support Vector Machine dan K-Nearest Neighbor Berbasis Particle Swarm Optimization,” J. Pilar Nusa Mandiri, vol. 13, no. 1, pp. 103–112, 2017.




DOI: https://doi.org/10.33330/jutsi.v4i1.3038

Article Metrics

Abstract view : 93 times
PDF - 95 times

Refbacks

  • There are currently no refbacks.


Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK ROYAL 


Copyright © LPPM STMIK ROYAL

Lisensi Creative Commons

Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.