Anda di halaman 1dari 10

Pengembangan Perangkat Lunak untuk Memprediksi Lama Studi Mahasiswa di Jurusan Teknik Elektro Universitas Negeri Jakarta Menggunakan

Algoritma Nave Bayes (Data Mining) Neng Mardianis Alumni 2013 (098) Program Studi Pendidikan Teknik Elektronika Wisnu Djatmiko Dosen Pembimbing I Universitas Negeri Jakarta Widodo Dosen Pebimbing II Universitas Negeri Jakarta Irfan Mahrubi Mahasiswa Universitas Negeri Jakarta Angkatan 2012 (097) Program Studi Pendidikan Teknik Elektronika
Abstract
Software development for predicting study duration is aims to develop an application that can predict the duration of study based on data records. So with this application is expected can be used to support any crucial decision by the department. Such as adding learning infrastructure, determine the total quota of new student will be acceted in the department of electrical engineering Jakarta State University. Data development for predicting study duration is taken from Puskom Jakarta State University from May to October. The used data in this research are Electrical Engineering Departments student at State University of Jakarta from 2002 to 2006 Regular and Non Reguar S1. Data were taken are: student identification number, name, calss status, gender, home school, school accreditation, average nem, 2nd semester GPA, the driveway, the semester is over and addres. Taking 241 student data, 201 student data are used as training data and 40 student data are used as testing data. Meanwhile the algorithm which is used in the application language used is Java and its database is MySQL. There are four input that is used to procces the classification, are: college status, school accreditation, GPA 2nd semester and distance. Then yhe output is divided into three parts, the slow, medium and fast. Based on test result by using application for predicting study duration, the accuracy rate is 90% and the error rate is 10%. So it can be concluded that the application for predicting study duration can be used to predict the duration of study at Electrical Engineering Department, State University of Jakarta.

Keywords:

data mining, algorithms, Nave Bayes, prediction, Java, MySQL.

1
Pengembangan Perangkat Lunak untuk Memprediksi Lama Studi Mahasiswa di Jurusan Teknik Elektro Universitas Negeri Jakarta Menggunakan Algoritma Nave Bayes (Data Mining) (Neng Mardianis)

PENDAHULUAN Latar Belalang Masalah Perguruan tinggi merupakan institusi yang sangat bertangung jawab terhadap kemajuan dan kepandaian bangsanya agar mampu bersaiang dengan bangsa lain. Hal tersebut disebabkan karena Perguruan Tinggi memiliki peran besar dalam menghasilkan kaum intelektual muda yang cerdas, kreatif, kompetitif, mandiri serta beriman dan bertaqwa kepada Tuhan Yang Maha Esa, sehingga system pendidikannya pun secara rutin harus diperbaiki dengan mengacu perkembangan ilmu pengetahuan, teknologi, seni serta perkembangan global dalam masyarakat dunia. Program Sarjana (S1) adalah program pendidikan akademik setelah pendidikan menengah, yang memiliki beban studi sekurangkurangnya 144 sks dan sebanyakbanyaknya 160 sks yang dijadwalkan untuk 8 semester dan paling lama 14 semester.(Universitas Negeri Jakarta, 2008). Berdasarkan data dari PUSKOM (Pusat Komputer) Universitas Negeri Jakarta diketahui bahwa jumlah lama studi mahasiswa Jurusan teknik Elektro rata-rata mencapai lebih dari 4 tahun atau 8 semester. Dimana data tersebut merupakan data mahasiswa Reguler dan Non Reguler dari angkatan 2002 sampai 2006 program Sarjana (S1). Mahasiswa yang belum lulus lebih dari 8 semester akan mempengaruhi sarana dan prasarana yang ada di jurusan, misal ruang kelas proses belajar-mengajar. Ruang kelas proses belajar-mengajar memerlukan tempat yang lebih besar, karena mahasiswa yang tidak lulus kuliah atau mengulang mata kuliah dan akan mengambil mata kuliah tersebut kembali di semester berikutnya.
2

Perguruaan Tinggi pun harus dapat mengetahui kondisinya, salah satunya dengan melakukan evaluasi guna meningkatkan mutu dan efisiensi Perguruan Tinggi termasuk peningkatan kualitas lulusan untuk mengantisifasi peluang kerja bagi para lulusan yang dihasilkan. Proses evaluasi dapat ditempuh dengan berbagai macam cara, bahkan Direktorat Jendral Perguruan Tinggi (DIKTI) sendiri telah menyelenggarakan beberapa program evaluasi, seperti evaluasi Program Studi Berbasis Evaluasi Diri (EPSBED) diakreditasi Program studi, yang mensyaratkan setiap Perguruan Tinggi untuk dapat menyediakan data dan informasi secara periodik dengan semua unsur penyelenggaraan berdasarkan standar evaluasi dari badan akreditasi. Data hasil evaluasi dapat mempengaruhi akreditasi dari sebuah Perguruan Tinggi, sehingga setiap program studi tentunya mengharapkan tercapainya standar evaluasi yang sudah ditetapkan, salah satunya terkait dengan tingkat kelulusan mahasiswa yang digunakan sebagai tolak ukur didalam menentukan keberhasilan, yang beberapa diantaranya mempertimbangakan faktor lama studi dan pencapaian IPK mahasiswa.(Universitas Negeri Jakarta, 2008). Karena itulah perlu diadakan langkah-langkah antisipasi untuk memperkecil jumlah mahasiswa yang belum lulus lebih dari 8 semester. Jika berdasarkan prediksi angka ketidaklulusan mahasiswa tinggi, dapat diambil langkah-langkah antisipatif

HAELKA, Vol 098 No. 01, Januari 2013: 1-10

KAJIAN TEORITIS Kajian Teoritis Prediksi Lama Studi Mahasiswa Jurursan Teknik Elektro FT UNJ Prediksi adalah ramalan, prakiraan.(Alwi Hasan, 2003). Prediksi juga merupakan tindakan mengungkap suatu kejadian sebelum kejadian tersebut berlangsung.(Dagnum. M, 1997). Seadngka pengertian studi merupakan usaha mempelajari materi pelajaran atau ilmu pengetahuan.(Moediasih, R. Wijoto, 1990). Mahasiswa adalah orang yang belajar di perguruan tinggi.(Alwi Hasan, 2003). Fakultas Teknik (FT) UNJ adalah sebagai unsure pelaksana sebagian tugas pokok Universitas negeri Jakarta dalam pendidiakn pengajaran, penelitian, pengabdian masyarakat dalam bidang pendidikan dan tenaga kerja professional di bidang teknologi kejuruan dan keteknikan.(Universitas Negeri Jakarta, 2008). Jadi prediksi lama studi mahasiswa Jurusan Teknik Elektro FT UNJ dapat diartikan sebagai prakiraan jangka waktu atau ilmu pengetahuan dalam bidang pendidikan penyelesaian mempelajari materi pelajaran dan tenaga kerja professional di bidang teknologi kejuruan dan keteknikan yang dilakaukan di Universitas Negeri Jakarta. Program Sarjana (S1) adalah program pendidikan akademik setelah pendidikan menengah, yang memiliki beban studi sekurang-kurangnya 144 sks dan sebanyak-banyaknya 160 sks yang dijadwalakan untuk 8 semester dan

paling lama 14 semester.(Universitas Negeri Jakarta, 2008). Faktor yang Mempengaruhi Keberhasilan Studi Mahasiswa Jurusan Teknik Elektro FT UNJ Kualitas seorang mahasiswa dapat dilihat dari prestasi yang dicapainya, potensi yang dimiliki, dan juga motivasi yang tinggi yang ada dalam dirinya. Motivasi yang dimaksud adalah adanya keinginan yang besar untuk dapat meraih apa yang diinginkanya. Ada dua macam motivasi yang dapat mempengaruhi seseorang yaitu motivasi intrinsik dan motivasi ekstrinsik. Motivasi intrinsik adalah motivasi dari dalam diri sendiri, biasanya terdorong oleh rasa ingin tahu atau untuk mendapat kepuasan . motivasi intrinsik seseorang tidak dapat dipengaruhi oleh apapun, karena hanya orang tersebutlah yang dapat mengubah motivasi dalam dirinya sendiri. Sedangkan motivasi ekstrinsik adalah motivasi dari luar diri seseorang yaitu berupa pengaruhpengaruh dari luar yang mengakibatkan orang tersebut berbuat sesuatu.(Sampoerno P.D, 2002). Belajar adalah kegiatan yang dialakukan untuk menguasai pengetahuan, kemampuan, kebiasaan, keterampilan dan sikap melalui hubungan timbal balik antara orang yang belajar dengan lingkunganya. Untuk meningkatkan keberhasilan belajar mahasiswa harus mengetahui cara belajar yang tepat dan sesuai dengan keadaan dirinya dan dapat mengatur lingkunganya. Dengan pengetahuan mengenai kaidah dan hokum belajar diharapkan mahasiswa dapat mencapai hasil belajar yang
3

Pengembangan Perangkat Lunak untuk Memprediksi Lama Studi Mahasiswa di Jurusan Teknik Elektro Universitas Negeri Jakarta Menggunakan Algoritma Nave Bayes (Data Mining) (Neng Mardianis)

maksimal, kaidah belajar yang dimaksud adalah sebagai berikut:(Hutabarat E.P, 1985). 1. Kegiatan belajar akan lebih berhasil, jika orang yang belajar aktif di dalamnya dengan cara mengalami, berbuat dan memberikan reaksi. 2. Semakin banyak ragam pengalaman mengenai sesuatu bahan pelajaran, maka akan semakin berhasil mempelajari danmenguasainya. 3. Kegiatan belajar akan lebih berhasil, jika orang yang belajar memandang bahan pelajaran yang dipelajarinya bermakna dan bermanfaat baginya. 4. Kegiatan belajar akan lebih berhasil, jika minat orang yang belajar, besar terhadap bahan yang dipelajarinya. 5. Kegiatan belajar dipengaruhi oleh sikap orang yang belajar, keadaan lingkungan dan juga oleh sikap dan kemempuan dosen mengajar. 6. Kegiatan balajar akan lebih berhasil, jika orang yang belajar tahu dengan pasti kemajuan yang diperolehnya dalam belajar. 7. Bahan pelajaran akan lebih mudah dikuasai, jika orang yang belajar dapat melihat hubunganhubungan yang terdapat antara berbagai unsur dalam bahan pelajaran. 8. Kegiatan dan hasil belajar tidak sama pada semua orang karena kemampuanya berbeda-beda. 9. Jika ingin menguasai suatu pengetahuan dan keterampilan sampai lebih dari mahair atau menghafalkan suatu pelajaran
4

sampai hafal betul, maka harus belajar dan berlatih berulangulang. 10. Belajar dan latihan yang dilakukan dalam jangka waktu yang lebih sinkat tetapi berulangulang, akan lebih berhasil daripada dilakukan satu kali tetapi waktunya panjang. Faktor-faktor yang mempengaruhi proses dan hasil belajar dibedakan menjadi dua golongan.(Purwanto M.N, 1990) 1. Faktor yang ada pada diri sendiri, yang disebut factor individual. Faktor individual antara lain: kematangan, pertumbuhan dan perkembangan jasmani dan rohani seseorang, kecerdasan/intelejensi, latihan dan ulangan, motivasi, factor pribadi(sifat-sifat pribadi). 2. Faktor dari luar individu yaitu factor keluarga (penghasilan dan pensisikan orang tua, dan suasana dalam keluarga), guru dan cara mangajar, alat-alat dan perlengkapan balajar/pengajaran, motivasi social, lingkungan dan kesempatan. Keberhasilan studi seseorang juga dipengaruhi oleh waktu dan kesempatan. Waktu dan kesempatan yang dimiliki oleh setiap individu berbeda sehingga akan berpengaruh terhadap perbedaan kemampuan mahasiswa. Dengan demikian mahasiswa yang memiliki banyak waktu dan kesempatan untuk belajar cendrung memiliki keberhasilan studi yang lebih baik dari pada yang hanya memilki sedikit waktu dan kesempatan belajar.(Slameto, 1991)

HAELKA, Vol 098 No. 01, Januari 2013: 1-10

Data Mining Pengertian Data Mining Data Mining merupakakan suatu ilmu yang berkenaan dengan mengekstrak atau menambang pengetahuan dari data yang besar.(Jiawei Han, Micheline Kamber, 2006). Data mining juga merupakan suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan yang tersembunyi di dalam database. Data mining adalah proses yang menggunakan proses statistic, matematika kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar.(Kusrini, Emha T.L, 2009) Data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecendrungan dengan memriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan tenknik pengenalan pola seperti teknik statistik dan matematika.(Daniel T. Laruse, 2005) Terdapat juga beberapa definisi data mining seperti: Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual.(Kusrini, Emha T.L, 2009) Data mining adalah analisis otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecendrunganyang penting yang sama biasanya tidak disadari

keberadaanya.(Kusrini, Emha T.L, 2009) Data mining merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan bermanfaat bagi pemilik data. (Daniel T. Laruse, 2005) Data mining merupakan bidang dari beberapa keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistic, database, dan visualisasi untukbpenanganan permasalahan pengambilan informasi dari database yang besar.(Daniel T. Laruse, 2005). Hubungan yang dicari dalam data mining dapat berupa hubungan antara dua atau lebih dalam satu dimensi. Misalnya dalam dimensi produk, dapat dilihat keterkaitan pembelian suatu produk dengan produk lain. Dengan hubungan juga dapat dilihat dengan dua atau lebih atribut dan dua atau lebih objek.(Kusrini, Emha T.L, 2009) Penemuan pola merupakan keluaran lain dari data mining. Misalkan sebuah perusahaan yang akan meningkatkan fasilitas kartu kredit dari pelanggan, maka perusahaan akan mencari pola dari pelanggan-pekanggan yang ada untuk mengetahui pelanggan yang potensial dan pelanggan yang tidak potensial. (Kusrini, Emha T.L, 2009) Beberapa definisi awal dari data mining menyertakan focus pada proses otomatisasi. Data mining sebagai suatu proses eksplorasi dan analisis secara otomatis maupun semi otomatis terhadap data dalam jumlah besar dengan tujuan

5
Pengembangan Perangkat Lunak untuk Memprediksi Lama Studi Mahasiswa di Jurusan Teknik Elektro Universitas Negeri Jakarta Menggunakan Algoritma Nave Bayes (Data Mining) (Neng Mardianis)

menemukan pola atau aturan yang berarti. .(Daniel T. Laruse, 2005) Namun definisi awal dari data mining dengan menyertakan fokus pada proses otomatisasi tidak bertahan lama. Definisi ulang terhadap pengertian data mining memberikan pernyataan bahwa hal yang diselesaikan adalah frasa secara otomatis maupun semi otomatis, karena memberikan focus berlebih pada teknik otomatis dan kurang pada eksplorasi dan analisis. (Daniel T. Laruse, 2005) Hal tersebut memberikan pemahaman yang salah bahwa data mining merupakan produk yang dapat dibeli dibandingkan keilmuan yang harus dikuasai. (Daniel T. Laruse, 2005) Ssehingga menegaskan bahwa dalam data mining otomatisasi tidak menggantikan camur tangan manusia. Manusia harus dapat aktif dalam setiap fase dalam proses data mining. Kehebatan algoritma data mining yang terdapat dalam perangkat lunak analisis kemungkinan terjadinya kesalahan pengginaan yang berakibat fatal. Pengguna mungkin menerapkan analisis yang tidak tepat terhadap kumpulan data dengan menggunakan pendekatan yang berbeda. Oleh karenanya, diburuhkan pemahaman tentang statistic dan struktur model matematika yang mendasari kerja perangkat lunak. (Daniel T. Laruse, 2005) Data mning bukanlah suatu bidang yang sama sekali baru. Salah satu kesulitan untuk mendefinisikan data mining adalah kenyataan bahwa data mining mewarisi banyak aspek dan teknik dari bidang-bidang ilmu yang sudah maupun terlebih dahulu seperti pada Gambar 2.1 data mining memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistik,
6

database, dan juga information retrieval. (Kusrini, Emha T.L, 2009)

Gambar 2.1 Data Mining sebagai pertemuan antara disiplin ilmu (Han & Kamber, 2006).

Istilah data mining dan Knowledge discovery in Database (KKD) ssering kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi tersembunyi dalam suatu basis data yang besar. Proses KKD secara garis besar dapat dijelaskan sebagai berikut.(Kusrini, Emha T.L, 2009) 1. Data Selection Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KKD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining disimpan dalam suatu berkas, terpisah dari basis data operasional. 2. Pre-processing Cleaning Sebelum proses data mining dapat dilakukan, perlu dilakaukan prses cleaning pada data yang menjadi focus KKD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang

HAELKA, Vol 098 No. 01, Januari 2013: 1-10

inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses memperkaya data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KKD, seperti data atau informasi eksternal. 3. Transformation Coding adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KKD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data. 4. Data Mining Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam data mining sengat bervariasi. Pemilihan metode dan algoritma yang tepat sangat bergantung pada tujuan dan proses KKD secara keseluruhan. 5. Interpretation/Evalution Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Dimana merupakan bagian dari proses KKD yang disebut interpretation, interpretation mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya. Klasifikasi

Klasifikasi merupakan suatu proses untuk mencarisebuah model (fungsi) yang menggambarkan kelas data atau konsep, yang bertujuan untuk memprediksi kelas objek yang labelnya belum diketahui.( Jiawei Han, Micheline Kamber, 2006). Agoritma Nave Bayes Bayesian classification adalah pengklasifikasian statistic yang dapat memprediksi anggota kelas, seperti probabilitas suatu tuple (record) yang diberikan pada kelas tertentu. ( Jiawei Han, Micheline Kamber, 2006). Teorema Bayes memiliki bentuk sebagai berikut: ( Kusrini, Emha T.L, 2009). P(HX) = P(XH) P(H) / P(X) UP (Unified Process) UP (Unified Process) adalah sebuah metodologi khusus yang memetakan dan bagaimana menggunakan berbagai teknik UML, untuk analisis dan desain berorientasi objek. Java Sebagai sebuah bahasa pemrograman, java dapat membuat seluruh bentuk aplikasi, desktop dan web sebagaimana dibuat dengan bahasa pemrograman konvensional yang lain. Java adalah bahasa pemrograman yang berorientasi objek(OOP) dan dapat dijalankan pada berbagai platform system operasi. Kelebihan Java Bahasa pemrograman Java adalah bahasa pemrograman tingkat tinggi yang mempunyai cirri atau kelebihan yaitu: Simple, Object Oriented, Distributed,
7

Pengembangan Perangkat Lunak untuk Memprediksi Lama Studi Mahasiswa di Jurusan Teknik Elektro Universitas Negeri Jakarta Menggunakan Algoritma Nave Bayes (Data Mining) (Neng Mardianis)

Multithreaded, Dynamic, Architecture neutral, Portable, High Performance, Robust and secure.(Oracle Corporation and/or its affiliates, 2010). Kerangka Berfikir Tujuan penggunaan algoritma, database, dan bahasa pemrograman tersebut adalah untuk mencari pola yang ada pada database mahasiswa Jurusan Teknik Elektro Universitas Negeri Jakarta. Sehingga dalam pencarian polanya dapat dilakukan secara otomatis. Algoritma Nave Bayes digunakan untuk mencari pola pada data, sedangkan database MySQL digunakan untuk menyimpan data, dan bahasa pemrograman Java digunakan untuk membuat program atau aplikasi. Proses aplikasi data mining yang terdapat input, proses, dan outputnya ditunjukkan pada gambar 2.7.

Mahasiswa di Jurusan Teknik Elektro Universitas Negeri Jakarta dengan Menggunakan Algoritma Nave Bayes dilakukan di Laboratorium Komputer Jurusan Teknik Elektro Universitas Negeri Jakarta sejak bulan Mei 2012 hingga Oktober 2012. Metode Penelitian Metode penilitian yang digunakan dalam penelitian pengembangan perangkat lunak untuk memprediksi lama studi mahasiswa di Jurusan Teknik Elektro Universitas Negeri Jakarta mengginakan algoritma nave bayes adalah metode Unified Process yang memiliki fase inception elaboration, construction dan trsition. HASIL PENELITIAN Ada aplikasi prediksi lama studi terdapat dua user yang sangat berperan dalam penggunaan software. User pertama yaitu user biasa, user biasa dapat melakukan Log In sebagai user biasa. Kemudian user biasa dapat menggunakan fitur run prediction yang ada di dalam aplikasi. Fitur run prediction berperan dalam melakukan prediksi lama srudi mahasiswa. User biasa sangat cocok apabila diberikan pada pegawai jurusan. User kedua yaitu admin, admin dapat melakukan Log In sebagai administrator. Admin dapat menggunakan fitur run prediction yang digunakan untuk melakukan prediksi lama studi mahasiswa. Kemudian admin dapat melakukan input data mahasiswa baru yang digunakan untuk meningkatkan tingkat akurasi dari hasil prediksi aplikasi prediksi lama studi. Admin juga dapat menambah user baru, baik user

Gambar 2.7 Gambaran Proses Aplikasi Prediksi Lama Studi Input: 1. Nim 2. Nama Mahasiswa 3. Status Kuliah 4. Nilai AKreditasi Sekolah 5. Nilai IPK sampai Semester 2 6. Jarak Output: a. Cepat b. Sedang c. Lambat

METODOLOGI PENILITIAN Tempat dan Waktu Penelitian Penelitian Pengembangan Perangkat Lunak untuk Memprediksi Lama studi
8

HAELKA, Vol 098 No. 01, Januari 2013: 1-10

biasa maupun user admin. Mengganti nama user dan mengganti password user. Kemudian admin mengetahui user yang telah Log In ke dalam aplikasi prediksi lama srtudi, lalu menghapus daftar log tersebut apabila telah penuh. User admin sangat sesuai apabila diberikan pada staf FT yang ada di jurusan yang telah mengetahui konsep penggunaan aplikasi dan menejemen database khususnya database My SQL.

mempunyai hasil prediksi yang lebih baik DAFTAR PUSTAKA Alwi, Hasan. 2003. Kamus Bahasa Indonesia. Jakarta: Pustaka.

Besar Balai

Dagnum, M. 1997. Kamus Besar Ilmu Pengetahuan. Jakarta: Lembaga Pengkajian Kebudayaan Nusantara. Han, J. & Kamber, M. 2006. Data Mining Concepts and Techniques. SanFransisco: Morgan Kaufman Publisher. Kusrini, & Lutfi, E.T. 2009. Algoritma Data Mining. Yogyakarta: Andi Offset. Laruse, D.T. 2005. Discovering Knowledge in Data An Introduction to Data Mining. New Jersey: John Willey & Sons, Inc. Moediasih, R. W. 1990. Ensiklopedia Nasional Indonesia. Jakarta: PT Cipta Abadi Pustaka. Oracle Corporation and/or its affiliates. 2010. [terhubung berkala] http://download.oracle.com/javase/tutori al/getStarted/intro/definition.html [12 November 2012]. Purwanto, M.N. 1990. Psikologi Pendidikan. Bandung: PT Remaja Rosdakarya. Sampoerno, P.D. 2002. Analisis Kualitas Mahasiswa dalam Pencapaian Pendidikanya dengan Menggunakan Metode Partial Least Squres. Bogor: Institut Pertanian Bogor.

KESIMPULAN DAN SARAN Kesimpulan Jadi dapat disimpulkan bahwa pengembangan perangkat lunak untuk memprediksi lama studi mahasiswa di Jurusan Teknik Elektro Universitas Negeri Jakarta menggunakan algoritma Nave Bayes telah berhasil dikembangkan dan dapat digunakan untuk memprediksi lama studi mahasiswa yang memiliki kemungkinan lambat, sedang dan cepat dalam prose perkuliahanya di Jurusan Teknik Elektro universitas Negeri Jakarta. Namun karena keterbatasan data untuk proses klasifikasi pada saat penelitian, maka aplikasi pediksi lama studi mahasiswa di Jurusan Teknik Elektro Universitas Negeri Jakarta menggunakan algoritma Nave Bayes kurang signifikan dalam menentukan prediksi lama studi. Saran Untuk penelitian selanjutnya diharapkan dapat mencoba algoritma yang lain, yang kemungkinan mempunyai tingkat akurasi yang lebih tinggi. Sehingga

9
Pengembangan Perangkat Lunak untuk Memprediksi Lama Studi Mahasiswa di Jurusan Teknik Elektro Universitas Negeri Jakarta Menggunakan Algoritma Nave Bayes (Data Mining) (Neng Mardianis)

Slameto. 1991. Belajar dan FaktorFaktor yang Mempengaruhinya. Jakarta: Rineka Cipta. Universitas Negeri Jakarta. 2008. Pedoman Akademik 2008/2009. Jakarta: Universitas Negeri Jakarta.

10 HAELKA, Vol 098 No. 01, Januari 2013: 1-10

Anda mungkin juga menyukai