Implementasi Algoritma Naïve Bayes Untuk Klasifikasi Mahasiswa Berpotensi Drop Out

Anugrah Esa Putra; Barry Caesar Octariadi; Rachmat Wahid Saleh Insani

doi:10.30591/smartcomp.v15i3.10276

Implementasi Algoritma Naïve Bayes Untuk Klasifikasi Mahasiswa Berpotensi Drop Out

Anugrah Esa Putra, Barry Caesar Octariadi, Rachmat Wahid Saleh Insani

Abstract

Tingginya tingkat mahasiswa yang mengalami drop out dalam program studi sering menjadi tantangan bagi institusi pendidikan tinggi, tidak menutup kemungkinan akan terjadi pada Program Studi Ilmu Komputer di Universitas Muhammadiyah Pontianak. Untuk mengatasi masalah ini, diperlukan sebuah sistem yang dapat membantu memprediksi potensi mahasiswa yang berisiko drop out, sehingga dapat dilakukan intervensi yang tepat waktu. Penelitian ini mengembangkan sebuah aplikasi berbasis data mining yang menggunakan algoritma Naïve Bayes untuk memprediksi resiko drop out mahasiswa. Metode penelitian meliputi definisi masalah, pengumpulan data, permodelan, evaluasi, penyebaran model, dan penarikan kesimpulan. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes berhasil diimplementasikan dengan tingkat akurasi 91%, presisi 85%, dan recall 96%. Meskipun terdapat beberapa kekurangan dalam akurasi, aplikasi yang telah dibangun diharapkan dapat mengatasi masalah mahasiswa berpotensi drop out.

Keywords

Drop Out; Naive bayes; Klasifikasi; Data Mining; Machine Learning; Confusion Matrix

Full Text:

References

E. Gulo, “Inovasi IPTEK dan Mutu Pendidikan dan Berintegritas,” Semin. Nas. Huk. Univ. Negeri Semarang, vol. 7, no. 2, pp. 523–546, 2021.

U. Dirgantara and M. Suryadarama, “Webinar Nasional HUMANIS 2023,” vol. 3, no. 2, pp. 1316–1320, 2023.

D. Sinaga, E. J. Solaiman, and F. J. Kaunang, “Penerapan Algoritma Decision Tree C4.5 Untuk Klasifikasi Mahasiswa Berpotensi Drop out Di Universitas Advent Indonesia,” TeIKa, vol. 11, no. 2, pp. 167–173, 2021, doi: 10.36342/teika.v11i2.2613.

A. Budiyantara, I. Irwansyah, E. Prengki, P. A. Pratama, and N. Wiliani, “Komparasi Algoritma Decision Tree, Naive Bayes Dan K-Nearest Neighbor Untuk Memklasifikasi Mahasiswa Lulus Tepat Waktu,” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 5, no. 2, pp. 265–270, 2020, doi: 10.33480/jitk.v5i2.1214.

U. Pujianto, T. Widiyaningtyas, D. D. Prasetya, and B. Romadhon, “Penerapan algoritma naïve bayes classifier untuk klasifikasi judul skripsi dan tugas akhir berdasarkan Kelompok Bidang Keahlian,” Tekno, vol. 27, no. 1, p. 79, 2019, doi: 10.17977/um034v27i1p79-92.

J. Suntoro, Data mining : algoritma dan implementasi dengan pemrograman PHP / Joko Suntoro, 1st ed. Indonesia: Jakarta : Elex Media Komputindo, 2019 © 2019 PT Elex Media Kompiutindo, 2019. [Online]. Available: https://opac.perpusnas.go.id/DetailOpac.aspx?id=1224848

D. Irmayanti, Y. Muhyidin, and D. A. Nurjaman, “Klasifikasi Mahasiswa Berpotensi Drop Out Dengan Metode Iteratif Dichotomiser 3 (ID3),” J. Teknol. Inf., vol. 5, no. 2, pp. 103–113, 2021, doi: 10.36294/jurti.v5i2.2054.

Y. Apridiansyah, N. D. M. Veronika, and E. D. Putra, “Klasifikasi Kelulusan Mahasiswa Fakultas Teknik Informatika Universitas Muhammadiyah Bengkulu Menggunakan Metode Naive Bayes,” JSAI (Journal Sci. Appl. Informatics), vol. 4, no. 2, pp. 236–247, 2021, doi: 10.36085/jsai.v4i2.1701.

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.

K. Vol, “S T M I K D i a n C i p t a C e n d i k i a K o t a b u m i,” no. 1, 2022.

M. P. Agustin, A. A. Supianto, and W. Purnomo, “Aplikasi Data Mining untuk Memklasifikasi Mahasiswa Berpotensi Drop Out menggunakan Algoritme K-Nearest Neighbor (K-NN),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, pp. 6311–6319, 2019.

I. R. M. Tomu, M. S. Noya Van Delsen, and N. Lewaherilla, “Klasifikasi Ketepatan Waktu Lulus Mahasiswa Jurusan Matematika Universitas Pattimura Menggunakan Metode Naïve Bayes Classifier,” Prox. J. Penelit. Mat. dan Pendidik. Mat., vol. 7, no. 2, pp. 864–872, 2024, doi: 10.30605/proximal.v7i2.4153.

Efori Buulolo, Data Mining untuk perguruan tinggi. Indonesia: deepublish, 2020. [Online]. Available: https://elibrary.bsi.ac.id/readbook/222208/data-mining-untuk-perguruan-tinggi

I. Darmayanti, P. Subarkah, L. R. Anunggilarso, and J. Suhaman, “KLASIFIKASI POTENSI SISWA PUTUS SEKOLAH AKIBAT PANDEMI COVID-19 MENGGUNAKAN ALGORITME K-NEAREST,” e-Proceeding Eng., vol. 1, no. 1, pp. 30–36, 2021.

L. Mutawalli, M. Taufan, A. Zaen, and W. Bagye, “Klasifikasi Teks Sosial Media Twitter Menggunakan Support Vector Machine,” J. Inform. Rekayasa Elektron., vol. 2, no. 2, pp. 43–51, 2019, [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/jire

W. D. Yuniarti, A. N. Faiz, and B. Setiawan, “Identifikasi Potensi Keberhasilan Studi Menggunakan Naïve Bayes Classifier,” Walisongo J. Inf. Technol., vol. 2, no. 1, p. 1, 2020, doi: 10.21580/wjit.2020.2.1.5204.

F. M. FALAHI, “Pengelompokan Mahasiswa Potensial Drop Out Menggunakan Metode Clustering K-Means,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 2, no. 2, pp. 572–577, 2019, doi: 10.29207/resti.v2i2.308.

Rayuwati, Husna Gemasih, and Irma Nizar, “IMPLEMENTASI AlGORITMA NAIVE BAYES UNTUK MEMKLASIFIKASI TINGKAT PENYEBARAN COVID,” Jural Ris. Rumpun Ilmu Tek., vol. 1, no. 1, pp. 38–46, 2022, doi: 10.55606/jurritek.v1i1.127.

A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 4, no. 1, pp. 15–21, 2020, doi: 10.47970/siskom-kb.v4i1.169.

A. Y. Permana and P. Romadlon, “PERANCANGAN SISTEM INFORMASI PENJUALAN PERUMAHAN MENGUNAKAN METODE SDLC PADA PT. MANDIRI LAND PROSPEROUS BERBASIS MOBILE A.,” Биохимия, vol. 84, no. 10, pp. 1511–1518, 2019, doi: 10.1134/s0320972519100129.

N. Wilyanto, J. Firnando, B. Franko, S. P. Tanzil, H. C. Tan, and E. Hartati, “Pembuatan Website Menggunakan Visual Studio Code di SMA Xaverius 3 Palembang,” Fordicate, vol. 3, no. 1, pp. 1–8, 2023.

M. Romzi and B. Kurniawan, “Implementasi Pemrograman Python Menggunakan Visual Studio Code,” urnal Inform. dan Komput., vol. XI, no. 2, pp. 1–9, 2020, [Online]. Available: www.python.org

J. Wang, L. Li, and A. Zeller, “Better Code, Better Sharing: On the Need of Analyzing Jupyter Notebooks,” Proc. - 2020 ACM/IEEE 42nd Int. Conf. Softw. Eng. New Ideas Emerg. Results, ICSE-NIER 2020, no. 1, pp. 53–56, 2020, doi: 10.1145/3377816.3381724.

W. Hastomo, N. Aini, A. S. B. Karno, and L. M. R. Rere, “Metode Pembelajaran Mesin untuk Memklasifikasi Emisi Manure Management,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 11, no. 2, pp. 131–139, 2022.

DOI: https://doi.org/10.30591/smartcomp.v15i3.10276