Analisis Prediksi Kelulusan Mahasiswa Universitas Dinamika Bangsa Menggunakan Metode Naïve Bayes
DOI:
https://doi.org/10.33998/jakakom.2025.5.1.1999Kata Kunci:
Penambangan_Data, Pembelajaran_Mesin, Naïve_Bayes, Weka, MahasiswaAbstrak
Untuk memfasilitasi proses pembelajaran, Universitas Dinamika Bangsa (UNAMA) memiliki basis data. Setiap tahun, data alumni semakin besar, dan basis data dapat digunakan. Memanfaatkan data alumni melibatkan pengklasifikasian dan analisis periode studi jangka panjang mahasiswa Universitas Dinamika Bangsa (UNAMA) menggunakan metode naïve bayes.Hasil klasifikasi naïve bayes dalam Mahasiswa program studi Sistem Informasi, dengan akurasi tertinggi diperoleh dengan menggunakan Use Training Set, yang terdiri dari 161 instance yang diklasifikasikan dengan benar dan 39 instance yang diklasifikasikan dengan salah, dengan persentase akurasi 85% untuk instance yang diklasifikasikan dengan benar dan 19,5% untuk instance yang diklasifikasikan dengan salah. Hasil seleksi atribut menggunakan algoritma Classifier Attribute Evaluation (ClassifierAttributeEval) menunjukkan bahwa IPK adalah atribut yang memiliki pengaruh terbesar terhadap kecepatan kelulusan. Akurasi dalam model dihitung menggunakan confusion matrix, dan pada awal data-data mahasiswa, terdapat banyak noise, yang terungkap melalui proses data cleaning. Ini adalah proses mengurangi noise dalam data menggunakan Microsoft Excel, yang biasanya digunakan oleh penulis untuk menganalisis data dari mahasiswa Sistem Informasi. Akurasi keseluruhan adalah 77,5%, yang merupakan akurasi yang sangat baik saat menganalisis data pelatihan.
Unduhan
Referensi
Y. Apridiansyah, et all., “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. Hozairi, et all., “Implementasi Orange Data Mining Untuk Klasifikasi Kelulusan Mahasiswa Dengan Model K-Nearest Neighbor, Decision Tree Serta Naive Bayes,” Netw. Eng. Res. Oper., vol. 6, no. 2, p. 133, 2021, doi: 10.21107/nero.v6i2.237.
T. M. Rahayu, B. A. Ningsi, Isnurani, and I. Arofah, “KLASIFIKASI KETEPATAN WAKTU KELULUSAN MAHASISWA DENGAN METODE NAÏVE BAYES Oleh,” vol. 15, no. 11, pp. 5651–5658, 2021.
A. F. Firdaus, et all., “Implementasi Metode Klasifikasi Naive Bayes Implementation of Naive Bayes Classification Method in Predicting,” vol. 8, no. 5, pp. 9274–9279, 2021.
D. Salmu, S. and A. Solichin, “Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu MenggunakanNaïve Bayes : Studi Kasus UIN Syarif Hidayatullah Jakarta Prediction of Timeliness Graduationof Students Using Naïve Bayes : A Case Study at Islamic State University Syarif HidayatullahJakarta,” Pros. Semin. Nas. Multidisiplin Ilmu, no. April, pp. 701–709, 2017.
Amelia, Mongan Winny, Lumenta, Arie S. M., & Jacobus, Agustinus. (2017). Prediksi Masa Studi Mahasiswa dengan Menggunakan Algoritma Naïve Bayes. E-Journal Teknik Informatika. Vol 11, No.1 ISSN : 2301 – 8364
Rakhman, Arif. (2017), Prediksi Ketepatan Kelulusan Mahasiswa Menggunakan Metode Decision Tree Berbasis Particle Swarm Optimation. Smart Comp. Volume 6, No 1.
Risqiati & Ismanto, Bambang. (2017), Analisis Komparasi Algoritma Naive Bayes Dan C4-5 untuk Waktu Kelulusan Mahasiswa. IC-Tech. Volume XII, No. 1
Saifudin, Aries. (2018). Metode Data Mining untuk Seleksi Calon Mahasiswa pada Penerimaan Mahasiswa Baru di Universitas Pamulang. Jurnal Teknologi. Volume 10, No. 1
Darwin, D., & Zurimi, S. (2019). Analisis model aplikatif Multivariate Adaptive Regression Spline (MARS) terhadap klasifikasi faktor yang mempengaruhi masa studi mahasiswa FKIP Universitas Darussalam Ambon. Jurnal Simetrik, 9(2), 250–255. http://ejournal- polnam.ac.id/index.php/JurnalSimetrik/arti cle/viewFile/426/278
Duei Putri, D., Nama, G.F., & Sulistiono, W.E. (2022). Analisis Sentimen Kinerja Dewan Perwakilan Rakyat (DPR) Pada Twitter Menggunakan Metode Naive Bayes Classifier. Jurnal Informatika dan Teknik Elektro Terapan.
Al Maeni, N., Suarna, N., & Prihartono, W. (2024). ANALISIS SENTIMEN PENGGUNA SHOPEE BERDASARKAN DATA TWEET DARI TWITTER MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER. JATI (Jurnal Mahasiswa Teknik Informatika).
Harun, R., Ishak, R., & Panna, S. (2023). Analisis Sentimen Opini Publik Pengguna Twitter Terhadap Kenaikan Harga BBM Menggunakan Algoritma Naïve Bayes. Jurnal Ilmiah Ilmu Komputer Banthayo Lo Komputer.
Natasuwarna, A.P. (2019). ANALISIS SENTIMEN KEPUTUSAN PEMINDAHAN IBUKOTA NEGARA MENGGUNAKAN KLASIFIKASI NAIVE BAYES.
Chandra, D., Indrawan, G.S., & Sukaraja, I.N. (2016). Klasifikasi Berita Lokal Radar Malang Menggunakan Metode Naïve Bayes Dengan Fitur N-Gram.
Adyatma Subagja, R., Widiastiwi, Y., & Chamidah, N. (2021). Klasifikasi Ulasan Aplikasi Jenius pada Google Play Store Menggunakan Algoritma Naive Bayes. Informatik : Jurnal Ilmu Komputer.
Puji Astuti, A., Alam, S., & Jaelani, I. (2022). Komparasi Algoritma Support Vector Machine dengan Naive Bayes Untuk Analisis Sentimen Pada Aplikasi BRImo. Jurnal Bangkit Indonesia.
