KLASIFIKASI MAHASISWA BERPOTENSI DROP OUT MENGGUNAKAN ALGORITMA NAIVE BAYES DAN DECISION TREE

Main Article Content

Salmawati Samasil
Yuyun Yuyun
Hazriani Hazriani

Abstract

Seiring perkembangan dunia pendidikan Indonesia, Perguruan Tinggi Negeri maupun Perguruan Tinggi Swasta bersaing begitu ketat dalam memberikan    performanya dalam mencetak lulusan-lulusan berkualitas. Salah satu indikator kegagalan mahasiswa adalah kasus Drop Out. Dengan  menggunakan data mining algoritma naive bayes dan decision tree dapat  dilakukan klasifikasi  mahasiswa berpotensi drop out. Parameter yang digunakan yaitu, jenis kelamin, IPK, SKS, penghasilan orang tua, jenis tempat tinggal dan jenis transformasi. Mahasiswa yang telah lulus/drop out angkatan 2010-2014 sebanyak 1155 data dijadikan sebagai data training dan data testing. Perbandingan algoritma vaive bayes dan decision tree menghasilkan masing-masing nilai akurasi 97,83% dan 99,13%. Dengan nilai rata-rata precision dan recall yaitu 61,54% dan 100% untuk algoritma naive bayes serta 84,61% dan 100% untuk algoritma decision tree. Nilai rata rata f1-score algoritma naive bayes sebesar 76,19% dan decision tree sebesar 91,67%. Algoritma decision tree memiliki hasil peforma lebih tinggi dari algoritma Naive Bayes. Sehingga algoritma decision tree  merupakan algoritma paling baik. Decision tree menghasilkan 11 rule dengan atribut IPK sebagai akarnya. Itu artinya IPK merupakan faktor paling berpengaruh

Downloads

Download data is not yet available.

Article Details

Section
Articles

References

Soni ahmad.,”Peranan Perguruan Tinggi Dalam Meningkatkan Kualitas Pendidikan Di Indonesia Untuk Menghadapi Asean Community 201533," 2015.
[2] T. Sinta Peringkat et al., “Komparasi Algoritma Decision Tree, Naive Bayes Dan K-Nearest Neighbor Untuk Memprediksi Mahasiswa Lulus Tepat Waktu,” [Online]. Available: www.bri-institute.ac.id.
[3] inggit hasta Wijaya, “Prediksi Mahasiswa Drop Out Berdasarkan Klasifikasi Administratif,” Simki-Techsain, vol. 02, no. 01, pp. 1–8, 2018.
[4] S. Suyadi, A. Setyanto, and H. Al Fattah, “Analisis Perbandingan Algoritma Decision Tree (C4.5) Dan K-Naive Bayes Untuk Mengklasifikasi Penerimaan Mahasiswa Baru Tingkat Universitas,” Indones. J. Appl. Informatics, vol. 2, no. 1, p. 59, 2017, doi: 10.20961/ijai.v2i1.13258.
[5] I. C. Wibowo, A. C. Fauzan, M. D. P. Yustiana, and F. A. Qhabib, “Komparasi Algoritma Naive Bayes dan Decision Tree Untuk Memprediksi Lama Studi Mahasiswa,” Ilk. J. Comput. Sci. Appl. Informatics, vol. 1, no. 2, pp. 65–74, Dec. 2019, doi: 10.28926/ilkomnika.v1i2.21.
[6] F. Rizki, A. Faisol, and F. Santi Wahyuni, “Penerapan Metode Naive Bayes Untuk Memprediksi Penjualan Pada Ud. Hikmah Pasuruan Berbasis Web,” JATI (Jurnal Mhs. Tek. Inform., vol. 4, no. 1, pp. 26–34, 2020, doi: 10.36040/jati.v4i1.2379.
[7] I. F. Yang, B. Dengan, M. Putus, K. Di, and I. P. B. Angkatan, “Identifikasi Faktor-Faktor Yang Berhubungan Dengan Mahasiswa Putus Kuliah Di Ipb Angkatan 2008 Menggunakan Analisis Survival,” Xplore J. Stat., vol. 1, no. 2, pp. 2–7, 2013, doi: 10.29244/xplore.v1i2.12404.
[8] D. Nofriansyah, K. Erwansyah, and M. Ramadhan, “Penerapan Data Mining dengan Algoritma Naive Bayes Clasifier untuk Mengetahui Minat Beli Pelanggan terhadap Kartu Internet XL ( Studi Kasus di CV. Sumber Utama Telekomunikasi),” J. Saintikom, vol. 15, no. 2, pp. 81–92, 2016.
[9] A. Fathan Hidayatullah, M. Rifqi Ma, and arif Program Studi Manajemen Informatika STMIK Jenderal Achmad Yani Yogyakarta Jl Ringroad Barat, “Penerapan Text Mining dalam Klasifikasi Judul Skripsi,” Semin. Nas. Apl. Teknol. Inf. Agustus, pp. 1907–5022,