IMPLEMENTASI ALGORITMA NAIVE BAYES

DALAM MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA

PROPOSAL PENELITIAN

Diajukan sebagai usulan pembuatan tugas akhir

Program Studi Teknik Informatika

Oleh :
IVAN MAULANA FARAJMUHADZIB
NIM : 20416255201109

FAKULTAS ILMU KOMPUTER

UNIVERSITAS BUANA PERJUANGAN KARAWANG
20
 DAFTAR ISI

DAFTAR ISI ....................................................................................................................i

DAFTAR TABEL ...........................................................................................................ii

DAFTAR GAMBAR ......................................................................................................ii

BAB I PENDAHULUAN ...............................................................................................3

1.1.............................................................................................................. Latar Belakang 3

1.2......................................................................................................... Rumusan Masalah 4
1.3.......................................................................................................... Tujuan Penelitian 4
1.4........................................................................................................... Batasan Masalah 4
1.5......................................................................................................................... Manfaat 4

BAB II TINJAUAN PUSTAKA ....................................................................................5

2.1. Pendidikan Tinggi .....................................................................................................5

2.2. Algoritma Naive Bayes ..............................................................................................6

2.3. Penelitian Terkait .......................................................................................................6

BAB III METODOLOGI PENELITIAN ...................................................................18

3.1. Bahan Penelitian ......................................................................................................18

3.2. Peralatan Penelitian .................................................................................................19

3.3. Lokasi dan Waktu Penelitian ...................................................................................19

3.4. Prosedur Percobaan .................................................................................................19

3.5. Perancangan .............................................................................................................20

DAFTAR PUSTAKA ...................................................................................................21

LAMPIRAN ..................................................................................................................23

i
 DAFTAR TABEL

Tabel 2.3. Tabel Penelitian Terkait ...................................................................................7

Tabel 3.1. Tabel Atribut Data Mahasiswa ......................................................................19

DAFTAR GAMBAR

Gambar 2.1. Gedung Universitas Buana Perjuangan Karawang ......................................7

DAFTAR LAMPIRAN

Lampiran 1 Lembar Menilai Rekan Sejawat ..................................................................23

Lampiran 2 Lembar Penilaian Rekan Sejawat ................................................................23

ii
 BAB 1

PENDAHULUAN

1.1. Latar Belakang

Setiap universitas memiliki standar kelulusan yang berbeda-beda, sesuai dengan
standarisasi dari universitas tersebut. Keterlambatan kelulusan menjadi masalah yang
penting bagi setiap pendidikan tinggi. Oleh karena itu, adanya penelitian ini sangat
membantu untuk fakultas dan universitas untuk memperbaiki sistem pembelajaran
sehingga menghasilkan lulusan yang berkualitas (Ilham Sauly, 2022).
Penelitian yang dilakukan berhubungan dengan topik serupa mengenai prediksi
tingkat kelulusan mahasiswa menggunakan algoritma Naive Bayes. Kelulusan mahasiswa
sangat dinanti-nanti oleh mahasiswa, dan lulus tepat waktu sesuatu yang diharapkan bagi
semua mahasiswa dan universitas. Dengan meningkatnya mahasiswa yang lulus tepat
waktu, hal ini sangat bermanfaat bagi universitas karena dapat meningkatkan reputasi
universitas tersebut ( (Widaningsih, 2019)). Telah dilakukan penelitian serupa dengan
metode teknik analisis data kuantitatif, data yang digunakan diperoleh dari mahasiswa
aktif Universitas AMIKOM Yogyakarta. Proses uji coba dalam penelitian tersebut
memiliki dua proses berupa deskripsi dan interpretasi. Dengan adanya metode dan proses
tersebut sangat membantu peneliti untuk meningkatkan akurasi dalam memprediksi
tingkat kelulusan mahasiswa (Irkham Widi Saputro dan Bety Wulan Sari, 2019).
Selanjutnya, (Endang Etriyanti, Dedy Syamsuar, dan Yesi Novaria Kunang, 2020)
melakukan penelitian dengan topik aktivitas mahasiswa lulus tepat waktu. Metode
algoritma Naive Bayes dan C.45 digunakan untuk memvalidasi nilai akurasi. Data yang
digunakan diperoleh dari 227 data mahasiswa angkatan 2013 sampai dengan 2014
dengan 11 atribut.
Kemudian (Nurul Khasanah, Agus Salim, Nurul Afni, Rahman Komarudin, dan
Yana Iqbal Maulana, 2022) melakukan prediksi tingkat kelulusan mahasiswa di sebuah
mata kuliah. Pada penelitiannya, algoritma Naive Bayes digunakan untuk mencari data-
data mahasiswa. Tingkat kelulusan mahasiswa di sebuah mata kuliah bisa didapat dari
nilai tugas, nilai unit test, nilai mid test, dan kehadiran. Penelitian selanjutnya serupa

3
 berupa memprediksi tingkat kelulusan mahasiswa yang diteliti oleh (Yogiek Indra
Kurniawan, 2018). Proses pada penelitian tersebut melalui tahap pengumpulan data dan
seleksi data. Hasil yang didapat berupa atribut-atribut yang menghasilkan nilai IPK dan
nilai kehadiran.
1.2. Rumusan Masalah
1. Bagaimana mengimplementasikan Algoritma Naive Bayes dalam menentukan tingkat
kelulusan mahasiswa ?
2. Bagaimana tingkat akurasi metode Algoritma Naive Bayes dalam menentukan kelulusan
mahasiswa ?
1.3. Tujuan Penelitian

Tujuan pada penelitian ini adalah :

1. Mengimplementasikan Algoritma Naive Bayes dalam menentukan tingkat kelulusan

mahasiswa Fakultas Ilmu Komputer Angkatan 2017.
2. Melakukan uji coba untuk mengetahui tingkat akurasi metode Algoritma Naive Bayes
dalam menentukan tingkat kelulusan mahasiswa.
1.4. Batasan Masalah
1. Penelitian ini menggunakan data akademik mahasiswa Fakultas Ilmu Komputer
Angkatan 2017 sebagai bahan uji coba.
2. Sistem ini menampilkan jumlah mahasiswa yang lulus tepat waktu, lulus terlambat, dan
tidak lulus.
1.5. Manfaat
Manfaat dalam penelitian ini adalah sebagai berikut :
1. Mempermudah dosen untuk mengetahui tingkat kemajuan kelulusan mahasiswa.
2. Membantu peneliti dalam mengembangkan ilmu yang didapat dari proses penelitian
tentang bagaimana cara menentukan tingkat kelulusan mahasiswa.
3. Mengetahui tingkat akurasi Algoritma Naive Bayes dalam memprediksi tingkat kelulusan
mahasiswa.

4
 BAB II
TINJAUAN PUSTAKA
2.1. Pendidikan Tinggi

Pendidikan merupakan proses pengembangan diri secara individu untuk mencapai

kedewasaan jasmani, rohani, dan dapat berinteraksi dengan lingkungan sekitar (Opan
Arifudin, Annisa Mayasari, Ulfah, 2021). Pendidikan berfungsi untuk menambah potensi,
kemampuan, dan pendidikan juga sangat penting untuk menambah ilmu pengetahuan
agar supaya kita memiliki bekal untuk dimasa yang akan datang (Abd Syakur, Redi
Panuju, 2020).

Pendidikan tinggi adalah pendidikan yang mempersiapkan peserta didik menjadi

anggota masyarakat yang memiliki kemampuan tinggi yang bersifat akademik dan atau
profesional sehingga dapat menerapkan, mengembangkan, dan menciptakan ilmu
pengetahuan, teknologi dan seni dalam rangka pembangunan nasional dan meningkatkan
kesejahteraan manusia (Rakib Alamah Putra, Putri Restina Dewi, Ahmad Jalaludin,
Abdul Malik Karim Amrullah, 2021). Pendidikan tinggi diharapkan menjadi pusat
penyelenggaraan dan pengembangan pendidikan serta pemeliharaan dan pengembangan
ilmu pengetahuan (Dra. Ifham Choli, MM. Mpd. 2020).

Tingkat kelulusan mahasiswa sangat penting untuk melihat suatu keberhasilan

akademik dalam proses pendidikan di suatu perguruan tinggi (Rani Aprilliya Putri,
Nenden Siti Fatonah, 2022). Kelulusan mahasiswa merupakan proses yang akan dilalui
mahasiswa, adapun tahapan yang harus dilalui mahasiswa yaitu menyelesaikan tugas
mata kuliah, menyelesaikan kerja praktik, seminar proposal, penelitian, dan yang terakhir
seminar tugas akhir serta ketentuan lain yang telah ditetapkan oleh perguruan tinggi (Lila
Setiyani, Mokhamad Wahidin, Dudi Awaludin, Sri Purwani, 2020). Mahasiswa dikatakan
berhasil dalam kinerja akademik jika mahasiswa tersebut dapat menyelesaikan studi
sesuai dengan waktu yang telah ditentukan (Christin Nandari Dengen, Kusrini, Emha
Taufiq Luthfi, 2020). Kelulusan tidak hanya penting bagi perguruan tinggi tetapi penting
juga untuk mahasiswa karena kelulusan merupakan awal dalam menentukan karir di masa

5
 depan atau menuju jenjang yang lebih tinggi (Muslimah, Trismanto, Gurendi Wiwoho,
2020).

Gambar 2.1. Gedung Universitas Buana Perjuangan Karawang

2.2. Algoritma Naive Bayes

Algoritma Naive Bayes adalah algoritma sederhana yang memiliki beberapa
atribut bebas, masing-masing atribut dapat berkontribusi untuk mendapatkan nilai hasil
akhir (Devi Yunita, Resti Amalia, dan Perani Rosyani, 2018). Algoritma Naive Bayes
sendiri digunakan untuk memprediksi peluang di masa depan dengan berdasarkan
pengalaman di masa sebelumnya, sehingga algoritma Naive Bayes sering dikenal dengan
sebutan Teorema Bayes (Mochamad Farid Rifai, Hendra Jatnika, dan Bowval Valentino,
2019).
Kelebihan menggunakan metode algoritma Naive Bayes yaitu dari
penggunaannya yang mudah dipahami, simple, cepat dan hanya membutuhkan data
pelatihan yang jumlahnya tergolong sedikit, algoritma Naive Bayes sendiri dapat
digunakan untuk menangani data yang kontinyu dan diskrit, juga dapat digunakan untuk
prediksi probabilitas (Irvi Oktanisa dan Ahmad Afif Supianto, 2018).
Menurut (Sri Widaningsih, 2019), klasifikasi algoritma Naive Bayes digunakan
untuk mencari data keanggotaan kelas seperti probabilitas milik kelas tersebut. Adapun
persamaan rumus algoritma Naive Bayes sebagai berikut :

6
 P(Y │X)=P(Y)ᴨ P(Xᵢ│Y)

P(X │Y) artinya : probabilitas data dengan vektor X pada kelas Y

P(Y) artinya : probabilitas awal kelas Y dan P(Xᵢ│Y) adalah probabilitas independen kelas
Y pada semua fitur dalam X.

2.3. Penelitian Terkait

Berikut Tabel Penelitian Terkait :

Table 2.3. Tabel Penelitian Terkait.

No. Judul Penelitian Metode Hasil

1. “Perbandingan Algoritma Metode Algoritma Naive Bayes Hasil yang didapat

Naive Bayes dan C4.5
Dalam Klasifikasi Data
Mining” (Yogiek Indra
Kurniawan,. 2018)
2. “Perbandingan Teknik
Klasifikasi Dalam Data
Mining Untuk Bank Direct
Marketing” (Irvi Oktanisa,
dan Ahmad Afif Supianto,
2018)
dan C.45. adalah Algoritma C4.5
lebih akurat dibanding
Naive Bayes pada kasus
penentuan pengajuan
kartu kredit di sebuah
bank.
1. Model Adabost Hasil yang didapat
2. K.Nearest Neighbor yaitu metode Adabost
3. Naive Bayes lebih mudah untuk
digunakan dan
mempunyai akurasi
yang tinggi sebesar
0,955.

7
3. “Analisa Prestasi Siswa
Berdasarkan Kedisiplinan,
Nilai Hasil Hadir, Sosial
Ekonomi, dan Aktivitas
Organisasi Menggunakan
Algoritma Naive Bayes”
(Devi Yunita, Resti Amalia,
dan Perani Rosyani, 2018).
4. “Perbandingan Metode
Data Mining Untuk
Prediksi Nilai dan Waktu
Kelulusan Mahasiswa Prodi
Teknik Informatika Dengan
Algoritma C4.5, Naive
Bayes, KNN, dan SVM” (Sri
Widaningsih,. 2019)
5. “Optimasi Patrameter
Artificial Neural Network
Menggunakan Algoritma
Genetika Untuk Prediksi
Kelulusan Mahasiswa”
(Irfan Ali dan Lana Sularto,
2019)
1. Metode Algoritma Naive Hasil dari 100 data
Bayes
2. Cross Validation
3. Confusion Matrix
1. Algoritma C4.5
2. Support Vector Machine
3. Naive Bayes
4. K-Nearest Neighbor
Metode Algoritma Genetika dan
Neural Network.
- Mengumpulkan Data
- Seleksi Data
- Metode yang diusulkan
- Penelitian dan pengujian data
8
yang didapat adalah
sekitar 66 data
dinyatakan lulus sesuai
prediksi, 44
diperkirakan lulus
namun ternyata tidak
lulus, 23 data tidak
lulus sesuai dengan
prediksi, dan 7
diperkirakan tidak lulus
namun hasil prediksi
menyatakan lulus.
Hasil dari perbandingan
semua metode,
Algoritma Naive Bayes
menjadi metode yang
paling akurat dibanding
metode yang lain,
akurasinya 76,79%
tingkat error hanya
23,1% dan AUC 0,850.
hasil dari pengujian
yang telah dilakukan
bahwa pengujian
optimasi artificial
neural network
menggunakan algoritma
genetika untuk
kelulusan mahasiswa
nilai akurasi untuk

6. “Prediksi Tingkat Metode CRISP-DM ( Cross
Kelulusan Mahasiswa Industry Standard Process For
Menggunakan Metode Data Mining) :
Hybrid” (Agus Bahtiar, 1. Pemahaman Bisnis
Fadil Muhammad, Ghiftera, 2. Pemahaman Data
2019) 3. Pengolahan Data
4. Pemodelan
5. Evaluasi
6. Penyebaran
9
model artificial Neural
Network sebesar
71.48% dan akurasi
model artificial neural
network berbasis
algoritma genetika
sebesar 99.33% dengan
selisih akurasi 27,85%.
Dari penelitian yang
dilakukan dalam
memprediksi kelulusan
mahasiswa dapat
meningkatkan nilai
akurasi sebesar 93,7%.
Kelemahannya yaitu
kurangnya jumlah
atribut dan dataset.
7. “Uji Performa Algoritma
Naive Bayes Untuk Prediksi
Masa Studi Mahasiswa”
(Irkham Widhi Saputro,
Bety Wulan Sari,. 2019)
8. “Penerapan Algoritma
Naive Bayes Pada Sistem
Prediksi Tingkat Kelulusan
Peserta Sertifikasi
Microsoft Office Specialist
(MOS)” (Mochamad Farid
Rifai, Hendra Jatnika,
Bowval Valentino, 2019)
9. “Implementasi Data
Mining Menggunakan
Algoritma Naive Bayes
Classifier dan C4.5 Untuk
Memprediksi Kelulusan
Mahasiswa” (Endang
1. Analisis Masalah
2. Mengumpulkan Data
3. Implementasi
4. Pengujian
Metode Naive Bayes dan Metode
CRIPS-DM.
Menggunakan metode Naive
Bayes dan C4.5 pada tools
Rapidminer.
10
Hasil yang didapat
berupa 150 data
mahasiswa yang
diperkirakan lulus tidak
tepat waktu, namun ada
kesalahan dalam
prediksi sebanyak 45
data. 150 data
mahasiswa yang
diperkirakan lulus tepat
waktu, namun ada
kesalahan sekitar 51
data. Jadi
kesimpulannya nilai
akurasi Naive Bayes
sebanyak 65.3%.
Hasil memprediksi
Tingkat akurasi yang
dihasilkan Naive Bayes
adalah 99% dengan
probabilitas kelas Lulus
sebesar 0.89453125 dan
yang tidak Lulus
sebesar 0.10546875.
Nilai akurasi yang
diperoleh algoritma
Naive Bayes sebanyak
78,46% sedangkan
algoritma C4.5 Lebih
besar sebanyak 79,08%.
 Etriyanti, Dedy Syamsuar,
dan Yesi Novaria Kunang,
2020)
10. “Problematika Pendidikan Metode Analisis Adanya keberhasilan
Karakter Pendidikan pendidikan karakter,
Tinggi” (Dra. Ifham Choli, budaya dan akhlak di
MM. Mpd. 2020) dalam perguruan tinggi.

11. “Analisis Prediksi Metode Protokol Preffered Akurasi yang

Kelulusan Mahasiswa Tepat Reporting Item For Systematic dihasilkan dari ketiga
Waktu Menggunakan Reviews and Meta-Analyses metode tersebut sebesar
Metode Data Mining Naive (PRISMA). 90%. Walaupun
Bayes : Systematic Riview” menggunakan atribut
(Lila Setiyani, Mokhamad yang berbeda.
Wahidin, Dudi Awaludin,
Sri Purwani, 2020)

12. “Implementasi Decision Menggunakan metode Decision Hasil akurasi yang

Tree Untuk Prediksi Tree. didapat dari metode ini
Kelulusan Mahasiswa Tepat sebesar 60%.
Waktu” (Christin Nandari
Dengen, Kusrini, Emha
Taufiq Luthfi, 2020)
13. “Prediksi Kelulusan Metode : Penelitian ini
Mahasiswa Menggunakan  Data Cleaning penggunaan tertinggi
Algoritma C4.5 di  Modelling terletak pada IPK,
Universitas Peradaban” (Decision Tree C4.5) sehingga menjadi root
(Ade Fatma, Sorikhi, Sri pada pohon keputusan,
11
 Wartulas, 2020)  Validation kemudian Umur, Jenis
-Python Kelamin, dan SKS.
-Confusion Matrix
 Hasil
(Accuracy)
14. “Prediksi Kelulusan 1. Mulai Hasil pengujian
Mahasiswa Tepat Waktu 2. Input Data menggunakan tools
Menggunakan Algoritma 3. Normalisasi Python dengan dataset
Support Vector 4. Data Training dan 100 sampel dengan
Machine”(Rooy Thaniket, Testing dibagi 80 data latih dan
Kusrini, Emha Taufik, 5. Hasil Klasifikasi/prediksi 20 data uji maka sudah
2020) 6. Selesai diperoleh nilai akurasi.

15. “Faktor-Faktor Yang Metode pendekatan Deskriptif Hasilnya mahasiswa

Mempengaruhi Motivasi kualitatif dengan motivasi tinggi
Mahasiswa Dalam sebesar 13,67%,
Perkuliahan Berdasar mahasiswa dengan
Kinerja Dosen” (Muslimah, motivasi cukup tinggi
Trismanto, Gurendi sebesar 54,52%,
Wiwoho, 2020) mahasiswa yang kurang
motivasinya untuk
kuliah sebanyak 7,57%,
dan yang tidak
memiliki motivasi
untuk kuliah sebanyak
0,61%.

12
16. “Peran Strategis Public
Relation Dalam
Pengembangan Reputasi
Pendidikan Tinggi: Studi
Kasus Promosi di Akademi
Farmasi Surabaya” (Abd
Syakur, Redi Panuju, 2020)
17. “Implementasi Balanced
Scorecard Dalam
Mewujudkan Pendidikan
Tinggi World Class” (Opan
Arifudin, Annisa Mayasari,
Ulfah, 2021)
18. “Strategi Pengembangan
Kurikulum Perspektif
Pendekatan Total Quality
Management (TQM) di
Pendidikan Tinggi” (Rakib
Alamah Putra, Putri Restina
Dewi, Ahmad Jalaludin,
Abdul Malik Karim
Amrullah, 2021)
19. “Pengelompokkan Potensi
Kelulusan Mahasiswa
Fakultas Teknik UNIB
Menggunakan Algoritma
K-MEANS” (Viryandra,
Metode Analisis data, Uji
Kualitas Data, Uji Validitas
Data, dan Uji Reabilitas Data.
Metode penelitian ini
menggunakan metode kualitatif
deskriptif analisis.
Metode penelitian ini
menggunakan studi kepustakaan
dan literatur review
Menggunakan algoritma K-
Means dengan langkah-langkah
sebagai berikut:
1. Siapkan dataset
2. Tentukan jumlah cluster (K)
13
Strategi PR memiliki
peranan yang sangat
penting di dalam
pengembangan reputasi
pendidikan tinggi.
Hasilnya adalah dengan
metode Balanced
Scorecard mampu
mewujudkan masa
depan yang baik
pendidikan tinggi world
class
Hasil dari analisis
membuktikan bahwa
model serial menyusun
mata kuliah secara
tersistem dan
pengendalian TQM
terfokus pada
pengendalian mutu.
Program yang dibuat
dengan algoritma K-
Means menggunakan
data indeks prestasi
semester dan system
 Asahar Johar, Andang, 3. Pilih titik centroid secara
2021) acak
4. Kelompokan data
20. “Kelulusan Mahasiswa Metode Algoritma C5.0 dan
Prediksi Menggunakan Regression Linear
Perbandingan Algoritma - Tinjauan Pustaka
C5.0 Dengan Regression - Analisis Data
Linear” (Falda Jumisman, 1. Data Processing
Ribka Permatasari, 2. Data Transformation
Marlince Novita, 2021) 3. Data Mining
- Uji Coba Data
- Uji Sistem Pengolahan Data
- Evaluasi Sistem
21. “Analisis Metode Decission Metode Decision Tree :
Tree Dalam Memprediksi Prosesnya yaitu
Kelulusan Mahasiswa” - Analisis Pengumpulan Data
(Wulandari, Rika Rosnelly, - Analisis Data
Wanyuminni, 2021) - Transformasi Data
- Merancang Decision Tree
22. “Penerapan Data Mining Metode :
Untuk Prediksi Kelulusan  Pengolahan Data
Siswa Menggunakan - Data Primer
Algoritma Naïve Bayes  Pengolahan Data Awal
Pada Smk Garuda” - Data Testing
( (Endah Yaodah  Metode Algoritma Naïve
14
kredit semester dapat
memprediksi data
dengan ketepatan
sebesar 79.48%.
Hasil dari perbandingan
Antara C5.0 dan RL
yaitu jika C5.0
Mencapai 96,85%
(Training) dan 93,72%
(Testing). Sedangkan
RL Mencapai 33.31%
(Training) dan 40.30%
(Testing)
Prediksi Kelulusan
mahasiswa dengan
entropy tertinggi yaitu
dari Skripsi 2 dengan
nilai 0,969%.
Dari hasil pengujian
yang telah dilakukan
maka hasil penelitian
dengan metode naïve
bayes pada Rapidminer
maka di dapatkan
 Kodratillah1, 2021), 2021) Bayes
 Pengujian Data
- RapidMiner
23. “Model Prediksi Kelulusan Metode Algoritma C4.5 dan
Mahasiswa Menggunakan dibantu oleh Software Weka,
DECISION TREE dan - Penentuan Kriteria apakah lulus diklasifikasikan
SOFTWARE WEKA” (Isnan tepat waktu atau terlambat
Mulia dan Muanas, 2021) - Penghapusan atribut
- Pengubahan tipe data
- dan yang terakhir adalah
praproses data untuk
menentukan hasil.
24. “Prediksi Kelulusan 1. Identifikasi masalah
Mahasiswa Dengan Metode 2. Penentuan Atribut
Naïve Bayes Dan Artifical 3. Pre proses
Neural Network” (Ummu & 4. Pemodelan Algoritna
Achmad, 2022). Evaluasi pemodelan
15
sebuah hasil bahwa
nilai akurasinya adalah
76.25%.
sebanyak 327 buah
data berhasil
dengan benar,
sementara terdapat 121
buah data yang
diklasifikasikan dengan
salah. Secara
keseluruhan, akurasi
yang didapatkan untuk
model prediksi yang
telah dibangun adalah
73%. Hasil klasifikasi
ini dapat dikatakan
tidak cukup baik,
karena akurasi yang
didapatkan hanya
sekitar 70 persen.
Hasil yang didapat
sebesar 0,871, presisi
0,876, recall 0,871 dan
AUC sebesar 0,882.
25. “Prediksi Kelulusan
Mahasiswa Dengan Metode
Naïve Bayes” ( (Nurul,
2022)
26. “Prediksi Kelulusan
Mahasiswa Program
Pendidikan Multi Profesi 1
Tahun Dengan Metode
Naïve Bayes” (Suhendra,
Hijrah, & Rahmat, 2022).
27. “Seleksi Fitur dan
Perbandingan Algoritma
Klasifikasi Untuk Prediksi
Kelulusan Mahasiswa”
(Junta Zeniarja, Abu Salam,
Farda Alan Ma’ruf, 2022)
Metode yang digunakan adalah
metode Naive Bayes.
Metode yang digunakan yaitu
penerapan algoritma dan
evaluasi model
Menggunakan beberapa
algoritma klasifikasi seperti
Naïve Bayes, Random Forest,
Decision Tree, K-NN dan SVM.
Prosesnya yaitu
- Pemahaman bisnis (business
understanding),
- pemahaman data (data
understanding),
- persiapan data (data
preparation),
- pemodelan data (modeling),
- evaluasi model (evaluation)
- pengembangan (deployment)
16
Hasil penelitian yang
didapat yaitu :
-akurasi 88,16%
-precision 93,62%
-recall 88%
Hasil yang didapat nilai
accuracy sebesar
90,85% dengan nilai
data yang memiliki
kesalahan atau nilai
rendah sebesar 9,15%.
didapatkan hasil akurasi
terbaik menggunakan
algoritma Random
Forest dengan nilai
akurasi tertinggi
mencapai 77.35%.
Dimana menurut
Goronescue bahwa
model tersebut sudah
dikategorikan kedalam
model klasifikasi yang
adil (tidak baik dan
tidak buruk).
28. “Analisis Tingkat Metode Algoritma K-Means
Kelulusan Mahasiswa Di dengan beberapa langkah, yaitu :
Unisba Dengan 1. Menentukan jumlah cluster
Menggunakan Algoritma 2. Menentukan nilai pusat awal
K-Means Clustering” cluster
(Ayunia Khaerunnisa, 3. Menempatkan setiap data ke
2022) cluster terdekat
4. Pengelompokan objek
5. Menghitung pusat cluster
Clustering
29. “Prediksi Kelulusan Metode algoritma KNN dengan
Mahasiswa Menggunakan langkah-langkah sebagai berikut.
Algoritma K-Nearest 1. Menentukan nilai K
Neighbor Pada Program 2. Menghitung jarak
Studi Sistem Informasi 3. Mengurutkan jarak
Universitas Riau” (Syafira 4. Menentukan jarak
Natasha, Astried, 2022) Mencari jumlah kelas mayoritas
Hasil yang didapat
Berdasarkan data 58
mahasiswa adalah 8
lulus lebih cepat, 37
lulus tepat waktu, 13
belum lulus
Hasil penerapan
algoritma K-Nearest
Neighbor dalam
prediksi kelulusan
mahasiswa Program
Studi Sistem Informasi
Universitas Riau dapat
disimpulkan bahwa
atribut yang paling
dominan adalah IPK.

30. “Implementasi Data 1. Seleksi data Hasil dari pengujian ini

Mining K-Means
Clustering Untuk
Mengelompokkan
Kelulusan Mahasiswa”
(Ilham Sauly, 2022)
2. Pemilihan data
3. Transformasi
4. Data Mining
5. Interpretasi atau evaluasi
adalah sistem nilai DBI
sangt kecil yaitu 2 cluster,
nilai DBI dengan
rapidminer dan sistem
1.677 dan 1.652.

17
 BAB III

METODOLOGI PENELITIAN

3.1. Bahan Penelitian

Data yang digunakan adalah data kelulusan mahasiswa Prodi Teknik Informatika
Angkatan 2017 Universitas Buana Perjuangan Karawang. Pengumpulan data yang
digunakan adalah pengumpulan 10 data mahasiswa yang diambil dari data bimbingan
dosen, dengan 14 atribut yang di antaranya jenis kelamin, status mahasiswa, umur, status
menikah, Indeks Prestasi Kumulatif (IPK), bimbingan dosen, dan status kelulusan
menggunakan metode algoritma Naive Bayes.

Tabel 3.1. Tabel Atribut Data Mahasiswa

Jenis Status Umu Status IPS IPS IPS IPS IPS IPS IPS IPS IP Status
Kelami Mahasisw r Menika 1 2 3 4 5 6 7 8 K Kelulusa
n a h n
Pria Bekerja 28 Belum 2.76 2.8 3.2 3.17 2.98 3 3.03 2 2.8 Terlambat
7
Pria Mahasiswa 32 Belum 3 3.3 3.14 3.14 2.84 3.13 3.25 2 2.9 Terlambat
8
Wanita Bekerja 29 Belum 3.5 3.3 3.7 3.29 3.53 3.72 3.73 2 3.3 Terlambat
5

18
Pria Mahasiswa 27 Belum 3.17 3.41 3.61 3.36 3.48 3.63 3.46 2 3.2 Terlambat
7
Pria Bekerja 29 Belum 2.9 2.89 3.3 2.85 2.98 3 3.08 2 2.8 Terlambat
8
Pria Mahasiswa 27 Sudah 2.95 2.82 3.09 3.1 2.78 3.16 3.23 2 2.8 Terlambat
9
Pria Mahasiswa 26 Belum 2.76 3.14 2.6 2.95 3.23 3.33 3.3 3.3 3.0 Tepat
8
Wanita Bekerja 27 Sudah 2.62 2.89 2.32 2.5 2.5 2.86 3.05 2.5 2.6 Tepat
6
Pria Bekerja 25 Belum 3.6 3.54 3.52 3.39 3.52 3.68 3.15 2 3.3 Terlambat
0
Pria Bekerja 28 Belum 2.71 2.55 1.77 2.11 1.93 2.13 1.78 0.2 1.9 Terlambat
0

Tabel 3.1 Data Nilai Bimbingan Dosen

No. KOMPONEN YANG DINILAI BOBOT NILAI NILAI AKHIR

1. Bimbingan Tugas Akhir 20% 70 14

2. Laporan Tugas Akhir 50% 80 40
3. Komunikasi 15% 60 9
4. Tanggung Jawab 15% 90 13.5
TOTAL 76.5

3.2. Peralatan Penelitian

19
 Peralatan penelitian digunakan untuk membantu peneliti dalam melakukan
penelitiannya, berikut peralatan pada penelitian ini menggunakan 2 perangkat yaitu
perangkat keras (Hardware) dan perangkat lunak (Software) :
1. Perangkat Keras ( Hardware )
a. Processor : AMD Athlon Silver 305OU 2.30GHz
b. Memory : 8.00 GB
c. Hardisk : 512 GB
2. Perangkat Lunak ( Software )
a. Sistem Operasi Windows 11
b. Google Collab

3.3. Lokasi Penelitian dan Waktu Penelitian

Penelitian ini dilakukan di rumah salah satu rekan kelompok peneliti kami yang
berlokasi di Telukjambe, Puseurjaya, Karawang, Jawa Barat. Waktu penelitian ini
dilakukan sejak tanggal 4-8 November 2022.

3.4. Prosedur Percobaan

Mulai

Pengumpulan Data

Penentuan Atribut

Analisis Data

20
 Pengujian Data
Training

Selesai

Langkah pertama penelitian ini yaitu mengumpulkan data-data mahasiswa

sebelum menentukan atributnya. Langkah kedua menentukan atribut-atribut, atribut
dalam penelitian ini sebanyak 14 atribut, Selanjutnya peneliti melakukan analisis data
digunakan untuk pengujian data training, Kemudian, langkah selanjutnya sebelum
menentukan hasil, peneliti melewati langkah pengujian data training yang digunakan
untuk menguji data-data lalu langkah terakhir menentukan hasil.
3.5. Perancangan
Telah dilakukan perancangan pada penelitian untuk data training dengan
mengambil 1 data yang digunakan untuk bahan uji coba. Terdapat beberapa tahapan
untuk melakukan uji coba perancangan pada penelitian ini di antaranya sebagai berikut :
1. Memanggil Library yang dibutuhkan.
2. Membaca data kelulusan mahasiswa.
3. Memanggil fungsi Gaussian Naive Bayes.
4. Memasukkan data training pada fungsi klasifikasi Naive Bayes.
5. Melakukan prediksi pada data training.
6. Melakukan prediksi data input
7. Mencetak hasil prediksi
8. Menghitung akurasi
9. Mencetak laporan hasil klasifikasi

21
 DAFTAR PUSTAKA

Endah Yaodah Kodratillah1, D. C. (2021). PENERAPAN DATA MINING UNTUK PREDIKSI

KELULUSAN SISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES PADA SMK GARUDA. p-
ISSN: 2407-3903 e-ISSN: 2407-3903(12), 1-206.
Khaerunnisa, A. (2022). Analisis Tingkat Kelulusan Mahasiswa Di UNISBA Dengan Menggunakan
Algoritma K-Mean Clustering. 73-82.

Nurul, A. A. (2022). PREDIKSI KELULUSAN MAHASISWA DENGAN METODE NAIVE BAYES.

Technologia”Vol 13, No. 3, Juli 2022(13), 1-207.

22
SAULY, I. (2022). IMPLEMENTASI DATA MINING K-MEANS CLUSTERING, 1-293. Diambil kembali
dari http://repository.uin-suska.ac.id/id/eprint/61448

Widaningsih, S. (2019). PERBANDINGAN METODE DATA MINING UNTUK PREDIKSI NILAI

DAN WAKTU KELULUSAN MAHASISWA PRODI TEKNIK INFORMATIKA DENGAN
ALGORITMA C4.5, NAIVE BAYES, KNN, DAN SVM. Jurnal Tekno Insentif | ISSN (p): 1907-4964 |
ISSN(13), 16-25.

LAMPIRAN

23
 Lampiran 1 Lembar Menilai Rekan Sejawat

Lampiran 2 Lembar Penilaian Rekan Sejawat

24