Identifikasi Potensi Keberhasilan Studi Menggunakan Naïve Bayes Classifier

Wenty Dwi Yuniarti*  -  Universitas Islam Negeri Walisongo Semarang, Indonesia
Achmad Nur Faiz  -  Universitas Islam Negeri Walisongo Semarang, Indonesia
Bagus Setiawan  -  Universitas Islam Negeri Walisongo Semarang

(*) Corresponding Author

Penelitian ini bertujuan melakukan prediksi keberhasilan studi dengan metode klasifikasi naïve bayes classifier. Varibel input yang diperkirakan mempengaruhi keberhasilan studi adalah Jalur Masuk (1), Asal Kota (2), Asal Provinsi (3), Penghasilan Orang Tua (4), Pekerjaan Orang Tua (5), Indeks Prestasi Kumulatif (6) serta Riwayat Status Mahasiswa (7). Pengetahuan potensi keberhasilan studi diperoleh dari variasi empat variabel target (class) yaitu IPK Tahun Pertama dan Kedua, Status Mahasiswa Terkini, IPK Mata Kuliah (Makul) Non-Keprodian serta IPK Makul Keprodian. Proses diawali data preprocessing dan diperoleh 5.934 data bersih. Data dibagi 80% training, 20% testing, dengan Correctly Classified Instances 97,53%. Penggalian pengetahuan dengan naïve bayes classifier memperoleh akurasi 99,41% untuk prediksi variabel input 1,2,3,4,5,6,7 dengan target keberhasilan IPK Tahun pertama dan kedua, 96.96 %, untuk target Status Mahasiswa Terkini, 95.87% untuk target IPK Makul Keprodian, dan 97.89 % untuk target IPK Makul Non-Keprodian. Penggunaan metode naïve bayes classifier dalam klasifikasi potensi keberhasilan studi ini memberikan akurasi 95.8% sampai dengan 99.41% untuk 4 target berbeda.  Bagi perguruan tinggi, perlu penguatan pada proses perekrutan mahasiswa, serta perlu diperhatikan bahwa faktor ekonomi orang tua memberikan andil bagi kelangsungan proses studi.

Keywords: keberhasilan studi, data mining, naïve bayes classifier, klasifikasi

  1. BAN-PT. 2015. Dokumen Borang Akreditasi Institusi. Badan Akreditasi Nasional Perguruan Tinggi.
  2. Kamus Besar Bahasa Indonesia. 2020. Kamus Besar Bahasa Indonesia (KBBI). Diakses 19 Januari 2020 melalui https://kbbi.kemdikbud.go.id/
  3. Kantardzic, M. 2003. Data Mining: Concepts, Models, Methods and Algorithms. John Wiley & Sons, Inc.
  4. Khoirunnisak, M. dan Nur Iriawan. 2013. Pemodelan Faktor-Faktor yang Mempengaruhi Mahasiswa Berhenti Studi (Drop Out) di Institut Teknologi Sepuluh Nopember menggunakan Analisis Bayesian Mixture Survival.
  5. Kotu, V. and Bale Deshpande. 2015. Predictive Analytics and Data Mining, Concepts and Practise with RapidMiner. Morgan Kaufmann, Elseveir Inc.
  6. Mann, P.S. 2010. Introductory Statistics. John Wiley & Sons, Inc.
  7. North, M. 2016. Data Mining For The Masses With Implementations in Rapidminer and R. Second Edition. ISBN: 1523321431.
  8. Redjeki, S. 2013. Identifikasi Penyakit dengan Gejala Awal Demam menggunakan K-Nearest Neighnor (KNN). Jurnal Buana Informatika Vol. 4 No. 1.
  9. Republik Indonesia. 2012. Undang-undang Republik Indonesia Nomor 12 Tahun 2012 tentang Pendidikan Tinggi.
  10. Republik Indonesia. 2015. Peraturan Menteri Riset, Teknologi dan Pendidikan Tinggi Republik Indonesia Nomor 44 Tahun 2015 tentang Standar Nasional Pendidikan Tinggi.
  11. S. Karthika and N. Sairam. 2015. A Naïve Bayesian Classifier for Educational Qualification. Indian Journal of Science and Technology, Vol 8(16), July 2015.
  12. Syafrudin. 2006. Analisis Faktor-faktor Yang Mempengaruhi Keberhasilan Studi Mahasiswa Program Sarjana Ekstensi Manajemen Agribisnis Institut Pertanian Bogor, Bogor: Fakultas Pertanian, Institut Pertanian Bogor.
  13. UI. 2004. Keputusan Rektor Universitas Indonesia Nomor 478/SK/R/UI/2004 tentang Evaluasi Keberhasilan Studi Mahasiswa Universitas Indonesia.
  14. UI. 2013. Peraturan Rektor Universitas Indonesia Nomor 2198/SK/R/UI/2013 tentang Penyelenggaraan Program Sarjana di Universitas Indonesia.
  15. UIN Walisongo Semarang. 2015. Pedoman Akademik UIN Walisongo Tahun 2015.
  16. UoW Machine Learning Group. 2016. WEKA The Workbench for Machine Learning. Diakses pada Juli 2016 melalui laman cs.waikato.ac.nz: https://www.cs.waikato.ac.nz/ml/weka/
  17. Witten, I.H., Eibe Frank, and Mark A. Hall. 2017. Data Mining Practical Machine Learning Tools and Technique. 3nd Edition. Morgan Koufmann Publisher, Elsevier, Inc.
  18. Yuniarti, W.D. 2019. Dasar-dasar Pemrograman dengan Python. Deepublish Publisher ISBN: 9786230203503.

Open Access Copyright (c) 2020 Walisongo Journal of Information Technology
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Walisongo Journal of Information Technology
Published by Department Information Technology
Faculty of Science and Technology UIN Walisongo Semarang

Jl Prof. Dr. Hamka Kampus III Ngaliyan Semarang 50185
Phone: 024-76433366
Website: https://fst.walisongo.ac.id/
Email: ti@walisongo.ac.id

ISSN 2715-0143 (media online)
ISSN 2714-9048 (media cetak)

 

ISSN: 2714-9048 (Print)
ISSN: 2715-0143 (Online)
DOI : 10.21580/wjit

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License

Get a feed by atom here, RRS2 here and OAI Links here

View My Stats
apps