KLASIFIKASI KETEPATAN WAKTU LULUS MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS PATTIMURA MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER

  • Ilham Rizky Maziz Tomu Program Studi Statistika, Jurusan Matematika, Fakultas MIPA Universitas Pattimura
  • Marlon Stivo Noya Van Delsen Program Studi Statistika, Jurusan Matematika, Fakultas MIPA Universitas Pattimura
  • Norisca Lewaherilla Program Studi Statistika, Jurusan Matematika, Fakultas MIPA, Universitas Pattimura
DOI: https://doi.org/10.30605/proximal.v7i2.4153
Keywords: Ketepatan Waktu Lulus Mahasiswa, Naïve Bayes Classifier, K-Fold Cross Validation, Klasifikasi

Abstract

Perguruan Tinggi memiliki peranan yang besar dalam mencetak sumber daya manusia yang kompeten, sehingga kualitas dan akreditasi Perguruan Tinggi menjadi hal yang perlu diperhatikan. Salah satu indikator yang mempengaruhi kualitas dan akreditasi Perguruan Tinggi adalah persentasse mahasiswa lulus tepat waktu. Oleh karena itu, perlu adanya perhatian khusus dari Perguruan Tinggi mengenai ketepatan waktu lulus mahasiswa. Dengan melihat lima faktor yang mempengaruhi ketepatan waktu lulus mahasiswa yakni Usia Masuk Perguruan Tinggi, Jenis Kelamin, Akreditasi Asal SMA, Jalur Penerimaan dan IPK diharapkan dapat memberikan prediksi mahasiswa tersebut lulus tepat waktu atau tidak. Metode yang digunakan dalam mengklasifikasi ketepatan waktu lulus mahasiswa adalah metode Naïve Bayes Classifier, karena metode ini memiliki akurasi yang tinggi dan dapat bekerja lebih baik pada kasus di dunia nyata. Hasil klasifikasi ketepatan waktu lulus mahasiswa Jurusan Matematik Tahun Akademik 2015/2016 sampai 2019/2020 dengan menggunakan metode Naïve Bayes Classifier dengan K-Fold Cross Validation untuk K=5 sampai K=10 bantuan software Rapid Miner berhasil diklasifikasikan ketepatan waktu lulus mahasiswa dengan persentase keakuratan tertinggi yaitu untuk K= 10 sebesar 70% dan nilai error sebesar 30% serta nilai AUC 72%, yang artinya model pada metode Naïve Bayes Classifier diklasifikasikan dengan baik.

Downloads

Download data is not yet available.

Metrics

Metrics Loading ...

References

Anam, S., Sugiman, S., & Sunarmi, S. (2017). Ketepatan Klasifikasi Dengan Menggunakan Metode Multivariate Adaptive Regression Spline (MARS) Pada Data Kelompok Rumah Tangga Kabupaten Cilacap. Jurnal Matematika, 6(1).
Arian R, V. E., & Peter, M. (1998). Receiver Operating Characteristic (ROC) Analysis: Basic Principlesn and Application in Radiologi. European Journal of Radiology, 27(2).
Bekkar, M., Hassiba, K. D., & Taklit, A. A. (2013). Evaluation Measures for Models Assesment Over Imbalanced Data Sets. Journal of Information Engginering and Application, 3(10).
Bustami. (2014). Penerapan Algoritma Naive Bayes Untuk Mengklasifikasikan Data Nasabah Asuransi. Jurnal Informatika, 8(1).
Effrida, M., Ariwisanto Sianturi, F., & Manalu, R. (2017). Penerapan Algoritma Naive Bayes untuk Memprediksi Jumlah Produksi Barang Berdasarkan Data Persediaan dan Jumlah Pemesanan Pada CV. Papadan Mama Pastries. Jurnal Mantik Penusa, 1(2).
Eka Wulansari, F. (2015). Analisa Data Mining Untuk Prediksi Penyakit Hepatitis dengan Menggunakan Metode Naive Bayes dan Support Vector Machine. Jurnal Khatulistiwa Informatika, 3(1).
Fiqih, S., Zamharini, Z., & Apun Syaripudin, M. (2020). Prediksi Ketepatan Waktu Lulus Mahasiswa Menggunakan Algoritma C4.5 Pada Fakultas Dakwah dan Ilmu Komunikasi UIN Raden Intan Lampung. Jurnal Ilmiah Matrik, 22(1).
Haldi Widianto, M. (2019). Algoritma Naive Bayes. Binus Universsity.
Kementrian Riset, Teknologi, dan P. T. (2015). Peraturan Menteri Riset, Teknologi, dan Pendidikan Tinggi Nomor 44 Tahun 2015 tentang Standar Nasional Pendidikan Tinggi.
Sabilla Imama, W., & Eranti Putri, T. (2017). Prediksi Ketepatan Waktu Lulus Mahasiswa dengan k-Nearest Neighbor dan Naive Bayes Classifier (Studi Kasus Prodi D3 Sistem Informasi Universitas Airlangga). Jurnal Komputer Terapan.
Sidik, R., & Ema, U. (2019). Prediksi Tingkat Kelulusan Tepat Waktu dengan Metode Naive Bayes dan K-Nearst Neighboor. Jurnal Informasi Dan Komputer, 7(1).
M. Fadly, R., D., D., & Nurma, I. (2017). Klasifikasi Untuk Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural Network (RBNN). Jurnal Informatika, 11(1).
Mark H, Z., & Campbell, G. (1993). Receiver Operating Characteristic (ROC) Plots: A Fundamental Evaluation Clinical Medicine. Clinical Chemistry, 39(4).
Oktanisa, I., & Afif Supianto, A. (2018). Perbandingan Teknik Klasifikasi dalam Data Mining untuk Bank Direct Marketing. Jurnal Teknologi Informasi Dan Ilmu Komputer, 5(5).
Triowali, R. (2016). Perbandingan Metode Naive Bayes Classifier dengan Metode Decision Tree (C4.5) untuk Menganalisa Kelancaran Pembiayaan (Study Kasus: KSPPS/BMT Al-Fadhila). Jurnal TIM Darmajaya, 2(1).
Widaningsih, S. (2019). Perbandingan Metode Data Mining Untuk Prediksi Nilai dan Waktu Kelulusan Mahasiswa Prodi Teknik Informatika Dengan Algoritma C4.5, Naive Bayes, Knn dan Svm. Jurnal Tekno Insentif, 13(1).
Zakariyah, & Z.Ismaini. (2015). Analisis Regresi Logistik Ordinal Pada Prestasi Belajar Lulusan Mahasiswa di ITS Berbasis SKEM. Jurnal Sains Dan Seni Pomits.
Zou, K. H., A.James, O., & Mauri, L. (2007). Receiver Operating Characteristic (ROC) Analysis For Evaluating Diagnostic Test and Predictive Models. Circulation, 115(5).
Published
30-06-2024
How to Cite
Tomu, I. R. M., Noya Van Delsen, M. S., & Lewaherilla, N. (2024). KLASIFIKASI KETEPATAN WAKTU LULUS MAHASISWA JURUSAN MATEMATIKA UNIVERSITAS PATTIMURA MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER. Proximal: Jurnal Penelitian Matematika Dan Pendidikan Matematika, 7(2), 864-872. https://doi.org/10.30605/proximal.v7i2.4153
Issue
Vol. 7 No. 2 (2024): Menjembatani Matematika dan Pendidikan Matematika menuju Pemanfaatan Berkelanjutan
Section
Articles

Copyright (c) 2024 Ilham Rizky Maziz Tomu, Marlon Stivo Noya Van Delsen, Norisca Lewaherilla

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

In submitting the manuscript to the journal, the authors certify that:

  • They are authorized by their co-authors to enter into these arrangements.
  • The work described has not been formally published before, except in the form of an abstract or as part of a published lecture, review, thesis, or overlay journal.
  • That it is not under consideration for publication elsewhere,
  • That its publication has been approved by all the author(s) and by the responsible authorities – tacitly or explicitly – of the institutes where the work has been carried out.
  • They secure the right to reproduce any material that has already been published or copyrighted elsewhere.
  • They agree to the following license and copyright agreement.

License and Copyright Agreement

Authors who publish with this journal agree to the following terms:

  1. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution License (CC BY 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
  2. 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 acknowledgment of its initial publication in this journal.
  3. 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.