Implementasi Metode Naïve Bayes Dalam Memprediksi Kelulusan Mahasiswa Tepat Waktu Pada Program Studi Pendidikan Teknologi Informasi

Darman Darman; Zila Razilu

doi:10.51454/decode.v4i3.456

Authors

Darman Darman Pendidikan Teknologi Informasi Universitas Muhammadiyah Kendari
Zila Razilu Pendidikan Teknologi Informasi Universitas Muhammadiyah Kendari

DOI:

https://doi.org/10.51454/decode.v4i3.456

Keywords:

Implementasi, Kelulusan, Naive bayes, Tepat Waktu

Abstract

Program Studi Pendidikan Teknologi Informasi merupakan salah satu program studi baru di fakultas keguruan dan ilmu Pendidikan, Data dari pangkalan Data mahasiswa aktif sampai tahun 2023 ini berjumlah 520 orang, dari jumlah mahasiswa tersebut, ada sebanyak 27 orang mahasiswa yang telah lulus studi. Jika melihat data kelulusn berdasarkan angkatannya maka setidaknya ada 21 data lulusan mahasiswa Angkatan 2018 dari total penerimaan Angkatan pertama 97 mahasiswa, selanjutnya 6 mahasiswa lulus dari 146 mahasiswa Angkatan 2019. Penelitian ini bertujuan untuk: 1) Memodelkan prediksi kelulusan mahasiswa tepat waktu dengan melibatkan factor-faktor yang mendukung kelulusan mahasiswa tepat waktu. 2) Melakukan analisis factor-faktor penentu kelulusan mahasiswa tepat waktu dengan metode naïve bayes, dan 3) untuk mengetahui apakah metode naïve bayes dapat digunakan dalam memprediksi kelulusan mahasiswa tepat waktu. Metode penelitianyang digunakan adalah kuantitatif. Hasil dari penelitian ini adalah: Memodelkan prediksi kelulusan mahasiswa tepat waktu dan tidak tepat waktu dengan melibatkan faktor-faktor yang mendukung kelulusan mahasiswa tepat waktu dan tidak tepat waktu, Metode naïve bayes dapat digunakan dalam memprediksi kelulusan mahasiswa tepat waktu, dengan probobalitas Kelulusan Tepat Waktu Sebesar 11% dan Tidak Tepat Waktu Sebesar 89%. Dengan Akurasi 100%, dengan hasil pelatihan dan pengujian tanpa error. Ini dibuktikan pada data pengujian model melalui RapidMiner.

References

Armansyah, & Kurniawan, R. (2021). Model Prediksi Kelulusan Mahasiswa Tepat Waktu. Universitas Islam Negeri Sumatera Utara. http://repository.uinsu.ac.id/13307/

Damanik, A. R., Sumijan, S., & Nurcahyo, G. W. (2021). Prediksi Tingkat Kepuasan dalam Pembelajaran Daring Menggunakan Algoritma Naïve Bayes. Jurnal Sistim Informasi Dan Teknologi, 88–94. https://doi.org/10.37034/jsisfotek.v3i3.49

Fitriani, A. S. (2019). Penerapan Data Mining Menggunakan Metode Klasifikasi Naïve Bayes untuk Memprediksi Partisipasi Pemilihan Gubernur. JTAM (Jurnal Teori dan Aplikasi Matematika), 3(2), 98–104. https://doi.org/10.31764/jtam.v3i2.995

Herlambang, A. D., & Wijoyo, S. H. (2019). Algoritma Naive Bayes untuk Klasifikasi Sumber Belajar Berbasis Teks pada Mata Pelajaran Produktif di SMK Rumpun Teknologi Informasi dan Komunikasi. Jurnal Teknologi Informasi Dan Ilmu Komputer, 6(4), 430-436. https://doi.org/10.25126/jtiik.201961323

Irmayani, W. (2021). Visualisasi Data Pada Data Mining Menggunakan Metode Klasifikasi Naive Bayes. Jurnal Khatulistiwa Informatika, 9(1), 68-72.

Mustofa, H., & Mahfudh, A. A. (2019). Klasifikasi Berita Hoax Dengan Menggunakan Metode Naive Bayes. Walisongo Journal of Information Technology, 1(1), 1. https://doi.org/10.21580/wjit.2019.1.1.3915

Putu, N. L. P. M., Ahmad Zuli Amrullah, & Ismarmiaty. (2021). Analisis Sentimen dan Pemodelan Topik Pariwisata Lombok Menggunakan Algoritma Naive Bayes dan Latent Dirichlet Allocation. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(1), 123–131. https://doi.org/10.29207/resti.v5i1.2587

Saleh, A. (2015). Implementasi metode klasifikasi naive bayes dalam memprediksi besarnya penggunaan listrik rumah tangga. Creative Information Technology Journal, 2(3), 207-217.

Sihombing, I. A., Hartama, D., Parlina, I., Gunawan, I., & Kirana, I. O. (2021). Analisis keberhasilan pembelajaran daring pada masa pandemi Covid-19 menggunakan algoritma C4. 5 dan Naive Bayes. JUKI: Jurnal Komputer dan Informatika, 3(2), 89-96. https://doi.org/10.53842/juki.v3i2.68

Watratan, A. F., & Moeis, D. (2020). Implementasi Algoritma Naive Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia. Journal of Applied Computer Science and Technology, 1(1), 7-14. https://doi.org/10.52158/jacost.v1i1.9

Yunus, M., Biddinika, M. K., & Fadlil, A. (2023). Optimasi Algoritma Naïve Bayes Menggunakan Fitur Seleksi Backward Elimination untuk Klasifikasi Prevalensi Stunting. Decode: Jurnal Pendidikan Teknologi Informasi, 3(2), 278-285. https://doi.org/10.51454/decode.v3i2.188