PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA DENGAN METODE NAÏVE BAYES : (Studi Kasus Fakultas Ilmu Komputer Universitas Al Asyariah Mandar)
Article Sidebar
Main Article Content
Abstract
Penelitian ini bertujuan untuk memprediksi kelulusan tepat waktu mahasiswa menggunakan metode Naïve Bayes. Sistem yang dikembangkan akan mengklasifikasikan kelulusan mahasiswa dengan mengevaluasi kinerja mereka pada tahun pertama dan kedua. Data mahasiswa yang dianalisis mencakup atribut Program Studi, gender, Indeks Prestasi Semester (IPS) Semester 1-5, Indeks Prestasi Kumulatif (IPK) Semester 5, dan usia. Data ini dikumpulkan, dibersihkan, dan dianalisis menggunakan algoritma Naïve Bayes yang diimplementasikan di platform Google Colaboratory. Hasil penelitian menunjukkan bahwa metode Naïve Bayes memiliki kemampuan yang baik dalam memprediksi kelulusan tepat waktu mahasiswa dengan tingkat akurasi keseluruhan sebesar 83%. Model ini menunjukkan nilai precision 1.00, recall 0.75, dan F1-score 0.86 untuk kelas "Tidak Lulus Tepat Waktu". Untuk kelas "Lulus Tepat Waktu", model memiliki nilai precision 0.67, recall 1.00, dan F1-score 0.80. Secara keseluruhan, rata-rata makro (macro avg) menunjukkan precision 0.83, recall 0.88, dan F1-score 0.83, sementara rata-rata tertimbang (weighted avg) menunjukkan precision 0.89, recall 0.83, dan F1-score 0.84. Temuan ini menunjukkan bahwa metode Naïve Bayes dapat dijadikan alat bantu yang efektif bagi perguruan tinggi dalam memantau dan meningkatkan kelulusan tepat waktu mahasiswa.
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] L. Setiyani, M. Wahidin, D. Awaludin, and S. Purwani, “Analisis Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Data Mining Naïve Bayes : Systematic Review,” Fakt. Exacta, vol. 13, no. 1, p. 35, 2020, doi: 10.30998/faktorexacta.v13i1.5548.
[3] A. Putri et al., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 1, pp. 20–26, 2023, doi: 10.57152/malcom.v3i1.610.
[4] K. H. L. Malelak, I. M. D. Ardiada, and G. Feoh, “Implementasi Klasifikasi Naive Bayes Dalam Memprediksi Lama Studi Mahasiswa (Studi Kasus : Universitas Dhyana Pura),” SINTECH (Science Inf. Technol. J., vol. 4, no. 2, pp. 202–209, 2021, doi: 10.31598/sintechjournal.v4i2.964.
[5] Y. P. Chiu, “Social recommendations for facebook brand pages,” J. Theor. Appl. Electron. Commer. Res., vol. 16, no. 1, pp. 71–84, 2021, doi: 10.4067/S0718-18762021000100106.
[6] I. Parlina et al., “Naive Bayes Algorithm Analysis to Determine the Percentage Level of visitors the Most Dominant Zoo Visit by Age Category,” J. Phys. Conf. Ser., vol. 1255, no. 1, 2019, doi: 10.1088/1742-6596/1255/1/012031.
[7] Syarli and A. A. Muin, “Metode Naive Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi),” J. Ilm. Ilmu Komput., vol. 2, no. 1, pp. 22–26, 2016, [Online]. Available: http://ejournal.fikom-unasman.ac.id
[8] D. A. Mutia, “Analisis Sentimen Pada Review Restoran Dengan Teks Bahasa Indonesia Mengunakan Algoritma Naive Bayes,” Jurnalilmu Pengetah. Dan Teknol. Komput., vol. 2, no. 2, pp. 39–45, 2017, [Online]. Available: http://ejournal.nusamandiri.ac.id/index.php/jitk/article/view/381%0Ahttps://ejournal.nusamandiri.ac.id/index.php/jitk/article/download/381/337
[9] IRWAN, ADNAN SAUDDIN, and NUR IDA, “Penerapan Pohon Keputusan Dalam Memprediksi Masa Studi Mahasiswa Uin Alauddin Makassar,” J. INSTEK (Informatika Sains dan Teknol., vol. 7, no. 2, pp. 201–210, 2022, doi: 10.24252/instek.v7i2.31390.
[10] N. Ridha, “PROSES PENELITIAN, MASALAH, VARIABEL DAN PARADIGMA PENELITIAN,” Comput. Graph. Forum, vol. 39, no. 1, pp. 672–673, 2020, doi: 10.1111/cgf.13898.
[11] S. Samasil, Y. Yuyun, and H. Hazriani, “Klasifikasi Mahasiswa Berpotensi Drop Out Menggunakan Algoritma Naive Bayes Dan Decision Tree,” J. Ilm. Ilmu Komput., vol. 8, no. 2, pp. 108–114, 2022, doi: 10.35329/jiik.v8i2.242.
[12] A. Noviriandini and N. Nurajijah, “Analisis Kinerja Algoritma C4.5 Dan Naïve Bayes Untuk Memprediksi Prestasi Siswa Sekolah Menengah Kejuruan,” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 5, no. 1, pp. 23–28, 2019, doi: 10.33480/jitk.v5i1.607.