Klasifikasi Mahasiswa Berpotensi Putus studi Menggunakan Algoritma Naive Bayes Pada Fakultas Teknik Unismuh Makassar
Kata Kunci:
Naïve Bayes, Klasifikasi, Preprocessing Data, Cross-Validation, Status Putus StudiAbstrak
Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis faktor-faktor yang mempengaruhi potensi putus studi mahasiswa di Fakultas Teknik Universitas Muhammadiyah Makassar. Penelitian ini dilakukan di Universitas Muhammadiyah Makassar, khususnya di Fakultas Teknik, pada periode 2013 sampai 2015 Metode penelitian yang digunakan meliputi pengumpulan data, praproses data, pembagian data, klasifikasi menggunakan algoritma Naive Bayes, dan pengujian sistem. Dari hasil yang didapat, algoritma naive bayes memiliki hasil peforma yang cukup tinggi dengan akurasi sebesar 97%. Sehingga algoritma ini menjadi salah satu algoritma yang baik dalam mengklasifikasi mahasiswa potensi putus studi dan tidak potensi pada jurusan Teknik Informatika Universitas Muhammadiyah Makassar. Pengujian menggunakan 10-fold cross-validation menunjukkan rata-rata akurasi 95,38%. Hasil ini mengindikasikan bahwa algoritma Naïve Bayes dapat memberikan hasil yang konsisten dan andal dalam mengklasifikasikan mahasiswa berpotensi putus studi.
Referensi
Andreansyach , C. R., Fardiansyah, T. S., Apriani, D., Sani, A., & Kunci, K. (2022). Prediksi Persentase Kelulusan Mahasiswa STMIK Widuri Menggunakan Algoritma Naïve Bayes. 75-84.
Arum, L., Putri, B., Matematika, P. S., Sains, F., Teknologi, D. A. N., Islam, U., Maulana, N., & Ibrahim, M. (2022). KLASIFIKASI FAKTOR PENYEBAB SISWA PUTUS SEKOLAH MENGGUNAKAN METODE DECISION TREE ID3 KLASIFIKASI FAKTOR PENYEBAB SISWA PUTUS SEKOLAH MENGGUNAKAN METODE DECISION TREE ID3.
Kamila, V. Z., & Subastian, E. (2019). KNN vs Naive Bayes Untuk Deteksi Dini Putus Kuliah Pada Profil Akademik Mahasiswa. Jurnal Rekayasa Teknologi Informasi (JURTI), 3(2), 116. https://doi.org/10.30872/jurti.v3i2.3097
Mahanggara, A., & Laksito, A. D. (2019). Prediksi Pengunduran Diri Mahasiswa Universitas Amikom Yogyakarta Menggunakan Metode Naive Bayes. Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, 10(1), 273-280. https://doi.org/10.24176/simet.v10i1.2967
Mulyadi, C., & Juniadi, M. N. (2019). Prediksi Keaktifan Studi Mahasiswa Baru dengan Algoritma Naive Bayes. 299-303.
Nuralia, S., Harliana, H., & Prabowo, T. (2022). Implementasi Naïve Bayes Classifier Dalam Memprediksi Kelulusan Mahasiswa. Journal Automation Computer Information System, 3(1), 63-72. https://doi.org/10.47134/jacis.v3i1.57
Rayuwati, Husna Gemasih, & Irma Nizar. (2022). IMPLEMENTASI AlGORITMA NAIVE BAYES UNTUK MEMPREDIKSI TINGKAT PENYEBARAN COVID. Jural Riset Rumpun Ilmu Teknik, 1(1), 38-46. https://doi.org/10.55606/jurritek.v1i1.127
Rosaly, R., & Prasetyo, A. (2020). Flowchart Beserta Fungsi dan Simbol-Simbol. Journal of Chemical Information and Modeling, 2(3), 5-7.
Salmawati, Yuyun, H. (2021). Klasifikasi Mahasiswa Berpotensi Drop Out Menggunakan Algoritma Decision Tree C4 . 5 Dan Naive Bayes Di Universitas Jambi. Jurnal Ilmiah Ilmu Komputer, 8(2), 115032. https://repository.unja.ac.id/25341/
Samasil, S., Yuyun, Y., & Hazriani, H. (2022). KLASIFIKASI MAHASISWA BERPOTENSI DROP OUT MENGGUNAKAN ALGORITMA NAIVE BAYES DAN DECISION TREE. JURNAL ILMIAH ILMU KOMPUTER, 8(2), 108-114. https://doi.org/10.35329/jiik.v8i2.242
Syahril Dwi Prasetyo, Shofa Shofiah Hilabi, & Fitri Nurapriani. (2022). Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN. Jurnal KomtekInfo, 10, 1-7. https://doi.org/10.35134/komtekinfo.v10i1.330
Ulinnuha, N., & Fanani, A. (2022). Klasifikasi Status Drop Out Mahasiswa Menggunakan Naïve Bayes dengan Seleksi Fitur Information Gain. Techno.Com, 22(4), 1014-1025. https://doi.org/10.33633/tc.v22i4.9004
Wijayaningrum, V. N., Putri, I. K., Kirana, A. P., Mubarok, M. R., Harahap, D. M., Hamesha, B. R., Informasi, J. T., Malang, P. N., Correlation, P., & Syaraf, J. (2019). Analisis performa seleksi atribut untuk menentukan potensi mahasiswa putus studi. 237-244.
Yuniarti, W. D., Faiz, A. N., & Setiawan, B. (2020). Identifikasi Potensi Keberhasilan Studi Menggunakan Naïve Bayes Classifier. Walisongo Journal of Information Technology, 2(1), 1. https://doi.org/10.21580/wjit.2020.2.1.5204
Zarti, M. N., Sahputra, E., Sonita, A., & Apridiansyah, Y. (2022). Application Of Data Mining Using The Naïve Bayes Classification Method To Predict Public Interest Participation In The 2024 Elections. Jurnal Komputer, Informasi dan Teknologi, 3(1), 105-114. https://doi.org/10.53697/jkomitek.v3i1.1192.
