IMPLEMENTASI ALGORITMA NAIVE BAYES CLASSIFIER MENGGUNAKAN FEATURE FORWARD SELECTION DALAM MEMPREDIKSI KETEPATAN MASA STUDI MAHASISWA
DOI:
https://doi.org/10.21063/jtif.2023.V11.2.62-68Kata Kunci:
Data Mining, Naive Bayes, Forward Selection, Prediction, Accuracy of Student Study PeriodAbstrak
Mahasiswa adalah salah satu pilar penting dalam siklus hidup suatu perguruan tinggi. Salah satu indikator keberhasilan program studi dapat dilihat dari ketepatan masa studi mahasiswa. Ketepatan masa studi mahasiswa merujuk pada waktu terjadwal yang harus ditempuh oleh mahasiswa dari saat mereka memulai program studi hingga lulus, sesuai dengan rentang waktu yang telah ditentukan oleh perguruan tinggi. Pada jenjang Diploma Tiga (D-III) dikatakan lulus tepat waktu apabila dapat menyelesaikan studi kurang atau sama dengan tiga tahun akademik dan dikategorikan lulus tidak tepat waktu apabila menyelesaikan studi lebih dari tiga tahun akademik. Penelitian ini bertujuan untuk memprediksi ketepatan masa studi mahasiswa yang mana dapat mempengaruhi kualitas program studi, sehingga ketepatan masa studi mahasiswa dijadikan salah satu kriteria untuk menentukan penilaian akreditasi oleh Badan Akreditasi Nasional Perguruan Tinggi (BAN-PT). Hasil penelitian ini disajikan sesuai dengan penelitian yang dilakukan. Data yang digunakan dalam penelitian ini adalah data akademik mahasiswa Program Studi (D-III) Manajemen Informatika Angkatan 2015 – 2018. Kategori yang digunakan dalam penelitian ini adalah jenis kelamin, jurusan, IPS 1 s/d IPS 4, SKS, dan IPK. Hasil dari pengujian dengan menggunakan 129 data training dan 40 data testing diperoleh hasil akurasi sebesar 97,50 % yang dilakukan menggunakan metode Naive Bayes dengan forward selection. Terdapat 12 mahasiswa menghasilkan prediksi terlambat dan 28 mahasiswa menghasilkan prediksi tepat terhadap ketepatan masa studi mahasiswa. Maka dapat dinyatakan model proses Naive Bayes termasuk layak digunakan sebagai penentuan hasil keputusan yang baik dalam hal prediksi dan klasifikasi.
Referensi
M. R. Qisthiano, T. B. Kurniawan, E. S. Negara, and M. Akbar, “Pengembangan Model Untuk Prediksi Tingkat Kelulusan Mahasiswa Tepat Waktu dengan Metode Naïve Bayes,” J. Media Inform. Budidarma, vol. 5, no. 3, p. 987, 2021, doi: 10.30865/mib.v5i3.3030.
D. Fitrianah, S. Dwiasnati, H. H. H, and K. A. Baihaqi, “Penerapan Metode Machine Learning untuk Prediksi Nasabah Potensial menggunakan Algoritma Klasifikasi Naïve Bayes,” Fakt. Exacta, vol. 14, no. 2, p. 92, 2021, doi: 10.30998/faktorexacta.v14i2.9297.
W. Fadri, “Klasifikasi Penyakit Hati dengan Menggunakan Metode Naive Bayes,” J. Inf. dan Teknol., vol. 5, no. 1, pp. 32–36, 2023, doi: 10.37034/jidt.v5i1.230.
S. Hartati and H. A. SAN, “Algoritma Naive Bayes untuk Prediksi Kelulusan Mahasiswa,” J. Cakrawala Inf., vol. 2, no. 2, pp. 42–50, 2022, doi: 10.54066/jci.v2i2.234.
F. Paquin, J. Rivnay, A. Salleo, N. Stingelin, and C. Silva, “Classification of Malicious Android Applications Using Naive Bayes and Support Vector Machine Algorithms,” J. Mater. Chem. C, vol. 3, no. 2, pp. 10715–10722, 2022, doi: 10.1039/b000000x.
D. Kurniadi, F. Nuraeni, and S. M. Lestari, “Implementasi Algoritma Naïve Bayes Menggunakan Feature Forward Selection dan SMOTE Untuk Memprediksi Ketepatan Masa Studi Mahasiswa Sarjana,” J. Sist. Cerdas, vol. 05, no. 02, pp. 63–82, 2022, doi: 10.37396/jsc.v5i2.215.
A. Hadi, “Sistem Penunjang Keputusan Penilaian Kinerja Karyawan Menggunakan Metode 360 Derajat di Politeknik LP3I Kampus Padang Berbasis Web,” J. SANTI - Sist. Inf. dan Tek. Inf., vol. 2, no. 1, pp. 56–64, 2022, doi: 10.58794/santi.v2i1.85.
S. Bahri, “Meningkatkan Kualitas Manajemen Lembaga Pendidikan Islam Melalui Sumber Daya Manusia di Era Pandemi,” Munaddhomah J. Manaj. Pendidik. Islam, vol. 3, no. 1, pp. 43–56, 2022, doi: 10.31538/munaddhomah.v3i1.158.
T. Mildawati, “Efektifitas Pelayanan Akademik Daring Terhadap Kualitas Penyelesaian Studi Akhir Mahasiswa Di Masa Pandemi COVID-19,” vol. 4, pp. 52–79, 2021, doi: 10.5281/zenodo.5579960.
L. Izzatunnisa et al., “Motivasi Belajar Siswa Selama Pandemi dalam Proses Belajar dari Rumah,” J. Pendidik., vol. 9, no. 2, pp. 7–14, 2021, doi: 10.36232/pendidikan.v9i2.811.
H. Hozairi, A. Anwari, and S. Alim, “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. H. Hasibuan and D. Mahdiana, “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 Pada Uin Syarif Hidayatullah Jakarta,” Skanika, vol. 6, no. 1, pp. 61–74, 2023, doi: 10.36080/skanika.v6i1.2976.
J. G. Perez and E. S. Perez, “Predicting Student Program Completion Using Naïve Bayes Classification Algorithm,” Int. J. Mod. Educ. Comput. Sci., vol. 13, no. 3, pp. 57–67, 2021, doi: 10.5815/IJMECS.2021.03.05.
F. H. Zulfallah, “Implementasi Algoritma KNN Dalam Mengatur Ketepatan Kelulusan Mahasiswa UIN Syarif Hidayatullah Jakarta,”2022.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Noliza Safitri
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal ini dilisensikan berdasarkan Lisensi Internasional Creative Commons Attribution-ShareAlike 4.0 International License (CC BY-SA 4.0).
Penulis memegang hak cipta dan memberikan jurnal hak penerbitan pertama.
Karya tersebut dapat dibagikan dan diadaptasi, bahkan untuk tujuan komersial, selama penghargaan yang sesuai diberikan dan setiap kreasi baru dilisensikan dengan ketentuan yang sama.
