PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA DENGAN METODE NAIVE BAYES DAN C.45 (STUDI KASUS INSTITUT ILMU SOSIAL DAN MANAJEMEN STIAMI)

• REKO SUBANDI
• 14002195

---

ABSTRAK

ABSTRAK

 

Nama                           :  Reko Subandi

NIM                            :  14002195

Program Studi             :  Ilmu Komputer (S2)

Jenjang                        :  Strata Dua (S2)

Konsentrasi                 :  Data Mining

Judul Tesis                  :    “PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA DENGAN METODE NAÏVE BAYES DAN C.45 (STUDI KASUS INSTITUT ILMU SOSIAL DAN MANAJEMEN STIAMI)”.

 

Perguruan tinggi menjadi sangat berperan untuk menciptakan lulusan terbaik bagi kebutuhan dunia kerja. Dari banyaknya jumlah lembaga pendidikan akademik perguruan tinggi. Sebelumnya sudah pernah dilakukan penelitian dengan dataset Program Studi Ilmu Administrasi Negara menggunakan algoritma Neural Network meraih akurasi sebesar 72.84% setelah optimasi, dengan membandingkan dua algoritma pembanding yaitu Random Forest dan k-Nearest Neighbor.

Penelitian tentang prediksi kelulusan mahasiswa telah banyak dilakukan. Dengan permasalahan tersebut, teknik data mining yang tepat digunakan adalah klasifikasi. Dalam penelitian ini, algoritma Naïve Bayes dan C.45 diterapkan pada data kelulusan mahasiswa Institut Ilmu Sosial dan Manajemen STIAMI Jakarta dengan Dataset Semua Program Studi Sarjana (S-1). Teknik data mining C.45 dapat menjadi metode prediksiyang efektif untuk dataset tersebut dengan ConfidenceFactor dan percentage split mampu meraih akurasi sebesar 77.78 %, Nilai akurasi ini cukup dominan dibandingkan dengan naïve bayes dengan nilai akurasi yang diperoleh 74.85 %.

Kata kunci:

Klasfikasi, Naïve Bayes dan C.45, Data Mining, Kelulusan Mahasiswa.

KATA KUNCI

Data Mining,Naive Bayes

---

DAFTAR PUSTAKA

DAFTAR REFERENSI

 

[1]   O'Flaherty Jacqueline & Phillips Craig (2015). The use of flipped classrooms in higher education: A scoping review

[2]     Yasonna H. Laoly, “PERATURAN PEMERINTAH REPUBLIK INDONESIA NO 13 TAHUN 2015”, Tentang Perubahan Kedua Atas Peraturan Pemerintah No 19 Tahun 2005 Tentang Standar Nasional Pendidikan, pasal 1 ayat 5 lulusan.

[3]     Buku Panduan Akademik T.A. 2019/2020 - Institut Mahasiswa Program Vokasi, Sarjana dan Pascasarjana STIAMI (2011), Masa Studi hal.34

[4]     Karto Iskandar, Reina, Irma Irawati Ibrahim (2011). “Perancangan Sistem Informasi Akademis Perguruan Tinggi Berbasis Data DIKTI/EPSBED, Binus University.

[5]     Mardi Yuli,(2013). “Data Mining : Klasifikasi Menggunakan Algoritma C.45 Jurnal Edik Informatika APIKES Iris Padang.

[6]     Ridwan Mujib, Suyono Hadi, dan M. Sarosa(2013, Juni), “Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes Classifier” Jurnal EECCIS Vol.7, No. 1.

[7]     Setiyawan Rochmat (2020), Tesis dengan Judul “Implementasi Algoritma Neural Network Dalam Prediksi Kelulusan Tepat Waktu Mahasiswa” Program Pascasarjana, Magister Ilmu Komputer STMIK Nusamandiri.

[8]     P. Cortez and A. Silva. Using Data Mining to Predict Secondary School Student Performance. In A. Brito and J. Teixeira Eds., Proceedings of 5th FUture BUsiness TEChnology Conference (FUBUTEC 2008) pp. 5-12, Porto, Portugal, April, 2008, EUROSIS, ISBN 978-9077381-39-7.

[9]     Mousa, H., & Maghari, A. Y. (2017). School Students' Performance Predication Using Data Mining Classification. School Students' Performance Predication Using Data Mining Classification, 6(8).

[10]   Ahuja, R., & Kankane, Y. (2017, December). Predicting the probability of student's degree completion by using different data mining techniques. In 2017 Fourth International Conference on Image Information Processing (ICIIP) (pp. 1-4). IEEE.

[11]   Jananto, A. (2010). Perbandingan performansi algoritma nearest neighbor dan sliq untuk prediksi kinerja akademik mahasiswa baru. Dinamik, 15(2).

[12]   Meinanda, M. H., Annisa, M., Muhandri, N., & Suryadi, K. (2009). Prediksi masa studi sarjana dengan artificial neural network. Internetworking Indones. J, 1(2), 31-35.

[13]   Han, J., Kamber, M., & Pei, J. (2012). Data mining: concepts and techniques, Waltham, MA. Morgan Kaufman Publishers, 10, 978-1.

[14]   Shukla, A., Tiwari, R., & Kala, R. (2010). Real life applications of soft computing. CRC press.

[15]   Kusrini, T. E., & Luthfi.(2009). Algoritma Data Mining.

[16]   Iykra, “Mengenal Decision Tree dan Manfaatnya”,2018 Available: https://medium.com/iykra/mengenal-decision-tree-dan-manfaatnya-b98cf3cf6a8d

[17]   Hermanto, H., Kuryanti, S. J., & Khasanah, S. N. (2019). Comparison of Naïve Bayes Algorithm, C4. 5 and Random Forest for Classification in Determining Sentiment for Ojek Online Service. SinkrOn, 3(2), 266-274.

[18]   Kothari, C. R. (2004). Research methodology: Methods and techniques. New Age International.

[19] M. S. Suhatinah dan Ernastuti,”Graduatin Prediction of Gunadarma University Students Using Naïve Bayes and C4.5 Algorithm,”2010.