Data Mining Classification Model For Timeliness Of Student Graduation

Authors

  • Chetsi Rafelin Patrisia Mk Universitas Negeri Manado, Sulawesi Utara, Indonesia
  • Sylvia J. A. Sumarauw Universitas Negeri Manado, Sulawesi Utara, Indonesia
  • Vivian E. Regar Universitas Negeri Manado, Sulawesi Utara, Indonesia

DOI:

https://doi.org/10.56667/dejournal.v5i1.1349

Keywords:

Data Mining, Naive Bayes Algorithm, Student Graduation

Abstract

Tingkat ketepatan waktu kelulusan mahasiswa merupakan tolak ukur yang memberikan gambaran sejauh mana mahasiswa berhasil menyelesaikan studi yang diambilnya di suatu perguruan tinggi. Hanya 3,68% mahasiswa program studi pendidikan matematika angkatan 2017 yang menyelesaikan studi tepat waktu dan hanya 2,08% mahasiswa angkatan 2019 yang menyelesaikan studi tepat waktu. Rendahnya tingkat ketepatan waktu kelulusan akibatnya dapat mempengaruhi kualitas mahasiswa, derajat kelulusan mahasiswa itu sendiri dan juga akreditasi jurusan. Penelitian ini menggunakan metode klasifikasi algoritma Naïve Bayes untuk mengklasifikasikan waktu kelulusan siswa. Metode penelitian ini merupakan jenis penelitian kuantitatif dengan pedoman prosedur penambangan data CRISP-DM (Cross Industry Standard Process Model for Data Mining). Pengumpulan data menggunakan kuesioner. Teknik pengolahan data yang digunakan untuk mengklasifikasikan waktu kelulusan mahasiswa adalah dengan menggunakan metode klasifikasi data mining yaitu algoritma Naïve Bayes yang dibantu oleh RapidMiner Studio Versi 10.1. Hasil penelitian ini diperoleh tingkat akurasi sebesar 75% sehingga data mining dengan model klasifikasi menggunakan algoritma Naïve Bayes efektif digunakan untuk mengklasifikasikan ketepatan waktu kelulusan siswa.

Downloads

Download data is not yet available.
Abstract viewed = 51 times

References

Apridiansyah, Y., Veronika, N. D. M., & Putra, E. D. (2021). Prediksi Kelulusan Mahasiswa Fakultas Teknik Informatika Universitas Muhammadiyah Bengkulu Menggunakan Metode Naive Bayes. JSAI : Journal Scientific and Applied Informatics, 236–247. http://dx.doi.org/10.36085/jsai.v4i2.1701

Bansal, A., Sharma, M., & Goel, S. (2017). Improved K-mean Clustering Algorithm for Prediction Analysis using Classification Technique in Data Mining. International Journal of Computer Applications, 157(6), 35–40. https://doi.org/10.5120/ijca2017912719

Budiman, I., & Ramadina, R. (2015). Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi. Ijccs, x, No.x(1), 1–5. https://doi.org/10.5281/zenodo.3432716

Bustami. (2014). Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi. Jurnal Informatika, 8(1), 884–898. https://dx.doi.org/10.26555/jifo.v8i1.a2086

Etriyanti, E., Syamsuar, D., & Kunang, N. (2020). Implementasi Data Mining Menggunakan Algoritme Naive Bayes Classifier dan C4.5 untuk Memprediksi Kelulusan Mahasiswa. Telematika, 13(1), 56–67. https://doi.org/10.35671/telematika.v13i1.881

Fadillah, A. P. (2015). Penerapan Metode CRISP-DM untuk Prediksi Kelulusan Studi Mahasiswa Menempuh Mata Kuliah (Studi Kasus Universitas XYZ). Jurnal Teknik Informatika Dan Sistem Informasi, 1(3), 260–270. https://doi.org/10.28932/jutisi.v1i3.406

Hartati, S., & SAN, H. A. (2022). Algoritma Naive Bayes untuk Prediksi Kelulusan Mahasiswa. Jurnal Cakrawala Informasi, 2(2), 42–50. https://doi.org/10.54066/jci.v2i2.234

Heryana, D. (2019). Data Mining Untuk Memprediksi Kelulusan Mahasiswa Pendidikan Matematika Raden Intan Lampung Menggunakan Naive Bayes. http://repository.radenintan.ac.id/id/eprint/6430

Kamagi, D. H., & Hansun, S. (2014). Implementasi Data Mining dengan Algoritma C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa. Ultimatika: Julnal Ilmu Teknik Informatika, 6(1), 16. https://doi.org/10.31937/ti.v6i1.327

Manalu, E., Sianturi, F. A., & Manalu, M. 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), 16–21. https://api.semanticscholar.org/CorpusID:169472234

Maskoen, T. T., & Purnama, D. (2018). Area Under the Curve dan Akurasi Cystatin C untuk Diagnosis Acute Kidney Injury pada Pasien Politrauma. Majalah Kedokteran Bandung, 50(4), 259–264. https://doi.org/10.15395/mkb.v50n4.1342

Putri, R. E., Suparti, & Rahmawati, R. (2014). Perbandingan Metode Klasifikasi Naive Bayes Dan K-Nearest Neighbour Pada Analisis Data Status Kerja di Kab.Demak. Jurnal Gaussian, 3, 831–838. https://ejournal3.undip.ac.id/index.php/gaussian/article/view/8094%0Ahttps://ejournal3.undip.ac.id/index.php/gaussian/article/download/8094/7874

Rohmawan, E. P. (2018). Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Decision Tree dan Artificial Neural Network. Jurnal Ilmiah MATRIK, 3. http://journal.binadarma.ac.id/index.php/jurnalmatrik/article/view/105

Saleh, A. (2019). Implementasi Naive Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Journal of Informatics, Information System, Software Engineering and Applications (INISTA), 1(2), 73–81. https://doi.org/10.20895/inista.v1i2.73

Sumarauw, S. J. (2022). Data Mining Mode Self-Organizing Maps (SOMs). CV. Bintang Semesta Media. http://repository.unima.ac.id:8080/bitstream/123456789/627/44/BUKU%20REFERENSI_DATA%20MINING%20MODEL_SYLVIA%20JANE%20A%20SUMARAUW%20%281%29.pdf

Syukri Mustafa, M., Rizky Ramadhan, M., & Thenata, A. P. (2017). Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Citec Journal, 4(2), 151–162. https://doi.org/10.24076/citec.2017v4i2.106

Widiastuti, N. A., Zyen, A. K., & Safik, N. (2023). Prediksi Penentuan Pemohon Kredit Sepeda Motor Menggunakan Algoritma Naive Bayes. Jurnal Disprotek, 10(2), 130–134. https://doi.org/10.34001/jdpt.v10i2.4689

Published

2024-06-27

How to Cite

Mk, C. R. P., Sumarauw, S. J. A. ., & Regar, V. E. . (2024). Data Mining Classification Model For Timeliness Of Student Graduation. Dharmas Education Journal (DE_Journal), 5(1), 555–562. https://doi.org/10.56667/dejournal.v5i1.1349

Issue

Section

Articles