PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN TEOREMA BAYES (Studi Kasus di Universitas Pendidikan Ganesha)

Authors

DOI:

https://doi.org/10.23887/janapati.v8i3.19395

Keywords:

data mining, lama studi, naive bayes, klasifikasi

Abstract

Penelitian ini bertujuan untuk melakukan prediksi terhadap data mahasiswa program sarjana melalui proses data mining menggunakan algoritme teorema bayes . Data mahasiswa Universitas Pendidikan Ganesha menghasilkan data yang sangat berlimpah berupa data profil mahasiswa dan data akademik. Informasi yang tersembunyi dapat diketahui dengan cara melakukan penggalian dan analisis terhadap data mahasiswa sehingga lebih berguna bagi pihak universitas. Fitur yang digunakan adalah jurusan, asal sekolah, jalur masuk perguruan tinggi, indek prestasi kumulatif, sks kumulatif, dan tahun lulus mahasiswa. Akurasi algoritme teorema bayes  untuk memprediksi kelulusan mahasiswa sebesar 80.96% dengan data latih sebanyak 3892 data. Hasil prediksi menunjukkan bahwa terdapat 1205 mahasiswa lulus tepat waktu dan 634 mahasiswa lulus tidak tepat waktu per Agustus 2019. Hasil penelitian ini digunakan sebagai salah satu dasar pengambilan keputusan untuk menentukan kebijakan oleh pihak jurusan.

Author Biography

I Gede Bendesa Subawa, Universitas Pendidikan Ganesha

Pendidikan Teknik Informatika

References

Nasution, N et.al. 2016. “Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes (Studi Kasus: Fasilkom Unilak)”. Jurnal Teknologi Informasi & Komunikasi Digital Zone, Volume 6 (halaman 1-11).

Johan, Oscar Ong. 2013. "Implementasi Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing President University," Jurnal Ilmiah Teknik Industri, Volume 12, Nomor 1 (Halaman 10-13).

Mandias, G. F. 2015. Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Di Universitas Klabat Dengan Metode Klasifikasi. Konferensi Nasional Sistem & Informatika (pp. 351-354). Denpasar: STMIK STIKOM Bali.

Prasetyowati, E., & Ramadhani, N. 2018. Sistem Evaluasi Dan Klasifikasi Kinerja Akademik Mahasiswa Universitas Madura Menggunakan Naive Bayes Dengan Dirichlet Smoothing. JUTI: Jurnal Ilmiah Teknologi Informasi, 192-202.

Mustafa, M. S., Ramadhan, M. R., & Thenata, A. P. (2017). Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Citec Journal, 151-162.

Venkatesan, E., & Selvaragini, S. 2017. Prediction Of Students Academic Performance Using Classification And Clustering Algorithms . International Journal of Pure and Applied Mathematics, 327-332.

Kadiyala, S., & Potluri, C. S. 2014. Analyzing the Student’s Academic Performance by using Clustering Methods in Data Mining. International Journal of Scientific & Engineering Research, 198-202.

Turban, E. J et.al. 2005. Sistem Pendukung Keputusan dan Sistem Cerdas. Yogyakarta: ANDI.

Santosa, B. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

Budiman, Z.T et.al. 2017. “Klasifikasi Kecenderungan Penyakit Mata di Jawa Barat dengan Association Rule Dan Naïve Bayes Classifier”. Seminar Nasional Teknologi Informasi dan Multimedia.

Prasetyo, E. 2012. Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta: Andi Offset.

Downloads

Published

2020-01-04

How to Cite

Subawa, I. G. B. (2020). PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN TEOREMA BAYES (Studi Kasus di Universitas Pendidikan Ganesha). Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI, 8(3), 227–236. https://doi.org/10.23887/janapati.v8i3.19395

Issue

Vol. 8 No. 3 (2019)

Section

Articles

License

Authors who publish with Janapati agree to the following terms:
  1. Authors retain copyright and grant the journal the right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 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. (See The Effect of Open Access)