KLASIFIKASI MAHASISWA BERPOTENSI DROP OUT MENGGUNAKAN ALGORITMA NAIVE BAYES DAN DECISION TREE
Main Article Content
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
Article Details
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
References
[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,