Pengembangan Sistem Untuk Analisis Prediksi Kelulusan Mahasiswa Tepat Waktu Berdasarkan Pencapaian Akademik Dan Bidang Ilmu Proyek Akhir Menggunakan Algoritma Naïve Bayes
Abstract
Abstrak Tingkat kelulusan sangat penting bagi sebuah kampus atau universitas. Apabila tingkat kelulusan mahasiswa mengalami penurunan, akan mengakibatkan dampak terhadap akreditasi sebuah kampus. Salah satu poin penting penilaian akreditasi sebuah kampus adalah tingkat kelulusan mahasiswa harus lebih baik dari tahun sebelumnya. Melihat kondisi tersebut, perlu diketahui prediksi tingkat kelulusan tepat waktu dari mahasiswa. Hal ini bertujuan agar dapat membantu kepala program studi (Kaprodi) untuk mengetahui secara dini tingkat kelulusan tepat waktu mahasiswa. Kepala program studi (Kaprodi) juga dapat membuat langkah-langkah untuk meminimalisir penyebab dari menurunnya tingkat kelulusan mahasiswa. Untuk dapat membantu dalam menentukan tingkat kelulusan tepat waktu, tentu perlu dilakukan pengolahan data akademik mahasiswa. Salah satu teknik yang dapat digunakan untuk mengelola data akademik mahasiswa adalah data mining. Sistem ini dibangun menggunakan algoritma naive bayes. Dari hasil pengujian yang telah dilakukan, didapatkan akurasi prediksi sebesar 96% dari pengujian Confusion Matrix dan 87% dari pengujian UAT. Kata kunci : Tingkat kelulusan, Mahasiswa, Data Mining, Naive Bayes.
Downloads
Published
2020-09-10
Issue
Section
Artikel
License
Copyright info for authors
1. Authors hold the copyright in any process, procedure, or article described in the work and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
2. Authors retain publishing rights to re-use all or portion of the work in different work but can not granting third-party requests for reprinting and republishing the work.
3. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) as it can lead to productive exchanges, as well as earlier and greater citation of published work.
