PROPOSAL SKRIPSI
Diajukan Oleh:
AHMAD AZIS SAPUTRO
112010035
1
BAB I
PENDAHULUAN
2
menggunakan metode Naive Bayes. didapatkan hasil dimana metode Naive bayes ini
mampu untuk mengklasifikasikan masyarakat miskin tersebut dengan akurasi sebesar 73%.
Untuk Prediksi kelulusan mahasiswa, dimana atribut yang digunakan adalah nim,
nama, jenis kelamin, jalur masuk PTN, IP Semester (2-8), SKS Semester(2-8), SKS
Komulatif (2-8) dan IP Komulatif(2- 8),IP Total, SKS Total, IPK Total dan SKS Kom
Total. Selanjutnya dalam penelitian perbandingan ini yang akan dibandingkan dari metode
yakni dari sisi (Accuracy, Precision, Sensitivity, Recall, Specifiticy dan F-Measure).
Penelitian ini diharapkan nantinya dapat meningkatkan tingkat kelulusan tepat waktu studi
mahasiwa dan selanjutnya dapat dijadikan sebagai alat evaluasi bagi perguruan tinggi
tersebut.
3
2) Untuk mengetahui nilai (Accuracy, Precision, Sensitivity, Recall, F-Measure dan
Specifiticy) dari metode Naive Bayes tersebut sehingga dapat diketahui kinerja metode
tersebut.
4
1.7 Sistematika Penulisan
Untuk mempermudah dan memperjelas skripsi ini, maka penulis membuat susunan
sistematika sebagai berikut :
BAB I : PENDAHULUAN
Bab I menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan,
manfaat, metode penelitian dan sitematika penulisan yang digunakan.
BAB II : TINJAUAN PUSTAKA
Bab I menjelaskan tentang studi sebelumnya dan dasar teori.
BAB III : ANALISA DAN PERANCANGAN SYSTEM
Bab I menjelaskan tentang kebutuhan fungsional, kebutuhan non fungsiaonal,
preancangan proses, perancangan sistem, perancangan database dan perancangan
interface.
5
BAB II
TINJAUAN PUSTAKA
1. Keakuratan data sudah mencapai angka 73% yang dapat di kategorikan baik.
2. Penelitian ini sudah di aplikasikan kedalam sistem.
Pada penelitian ini yang dilakukan oleh Arie Yandi Saputra dan Yogi Primasada (2018)
tentang penerapan teknik klasifikasi untuk prediksi kelulusan mahasiswa, menjelaskan
bahwa pada penelitian tersebut menggunakan algoritma K-Nearest Neighbour (KNN),
Adapun kekurangan yang dapat dilihat dalam penelitian tersebut adalah:
Perbedaan dengan penelitian klasifikasi prediksi kelulusan mahasiswa ini adalah dalam
penggunan jumlah atribut, atribut target, data yang digunakan, serta hasil penelitian ini
akan diterapkan kedalam aplikasi berbasis web.
6
2.2 Dasar Teori
2.2.1 Kelulusan Mahasiswa
Kata kelulusan mungkun sudah tidak asing lagi bagi telinga kita, karena kata ini
sudah kerap sering terdengar oleh kita terutama di akhir masa studi atau pada saat
pendaftaran masuk ke suatu sekolah ataupun organisasi yang membutuhkan seleksi
untuk dapat bergabung. Namun apakah sebenarnya arti dari kelulusan itu? Menurut
Kamus Besar Bahasa Indonesia (KBBI) kelulusan dapat dieja menjadi ke.lu.lus.an dan
mempunyai 2 arti yaitu:
1. Keguguran (melahirkan anak sebelum masanya)
2. Hal (keadaan) lulus (ujian dan sebagainya)
Merujuk pada pengertian kelulusan nomor 2 dalam KBBI maka penulis dapat
mengartikan bahwa kelulusan merupakan keadaan saat berhasil memenuhi persyaratan-
persyarayan dan kriteria yang ada sehingga kita dapat mencapai tujuan dan merubah
status.
Berdasarkan pengertian kelulusan tersebut maka dapat disimpulkan bahwa
kelulusan mahasiswa adalah keaadaan dimana seorang mahasiswa yang dapat
memenuhi syarat-syarat dan kriteria-kriteria sehingga dapat merubah statusnya dari
mahaiswa menjadi alumni.
2.2.2 Prediksi
Prediksi adalah suatu proses memperkirakan secara sistematis tentang sesuatu
yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan
sekarang yang dimiliki, agar kesalahannya (selisih antara sesuatu yang terjadi dengan
hasil perkiraan) dapat diperkecil. Prediksi tidak harus memberikan jawaban secara pasti
kejadian yang akan terjadi, melainkan berusaha untuk mencari jawaban sedekat
mungkin yang akan terjadi.
Pengertian Prediksi sama dengan ramalan atau perkiraan. Menurut kamus besar
bahasa Indonesia, prediksi adalah hasil dari kegiatan memprediksi atau meramal atau
memperkirakan nilai pada masa yang akan datang dengan menggunakan data masa lalu.
Prediksi menunjukkan apa yang akan terjadi pada suatu keadaan tertentu dan
merupakan input bagi proses perencanaan dan pengambilan keputusan.
Prediksi bisa berdasarkan metode ilmiah ataupun subjektif belaka. Ambil
contoh, prediksi cuaca selalu berdasarkan data dan informasi terbaru yang didasarkan
pengamatan termasuk oleh satelit. Begitupun prediksi gempa, gunung meletus ataupun
7
bencana secara umum. Namun, prediksi seperti pertandingan sepakbola, olahraga, dll
umumnya berdasarkan pandangan subjektif dengan sudut pandang sendiri yang
memprediksinya.
2.2.3 Algoritma Nive Buyes
Algoritma Naive Bayes merupakan salah satu algoritma yang terdapat pada teknik
klasifikasi. Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan
statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi
peluang di masa depan berdasarkan pengalaman dimasa sebelumnya sehingga dikenal
sebagai Teorema Bayes. Teorema tersebut dikombinasikan dengan Naive dimana
diasumsikan kondisi antar atribut saling bebas. Klasifikasi Naive Bayes diasumsikan
bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak ada hubungannya dengan ciri
dari kelas lainnya.
Persamaan dari teorema Bayes adalah :
𝑝(𝑋 |𝐶ᵢ)𝑃(𝐶ᵢ)
𝑃(𝐶ᵢ | 𝑋) = … Persamaan (1)
𝑝(𝑋)
Keterangan :
X : Data dengan class yang belum diketahui
Ci : Suatu variabel yang harus dideskripsikan secara probabilistik
P(Ci|X): Probabilitas hipotesis Ci berdasarkan kondisi X (posteriori
probability)
P(Ci) : Probabilitas hipotesis Ci (prior probability)
P(X|Ci): Probabilitas X berdasar kondisi pada hipotesis Ci
P(X) : Probabilitas dari X
8
BAB III
ANALISA DAN PERANCANGAN SYSTEM
9
Mulai
Menghitung probabilitas
Jika “Ya”
Selesai
2 Data training
Prodi Klasifikasi
Data uji
data
Klasifikasi data
3
Prediksi
kelulusan
Hasil Klasifikasi
10
Berdasarkan Gambar 3.2 dapat dilihat aliran data pada sistem yang akan
dibangun. Proses pertama yang dilakukan adalah proses input data. Adapun data yang
diproses yaitu data training dan data uji. Kemudian klasifikasi prediksi kelulusan
mahasiswa yaitu mgolah data dengan metode naive buyes menggunakan data training
dan data uji yang akan diproses, sehingga menghasilkan klasifikasi data yang
dihasilkan dari perhitungan metode naive buyes.
mempunyai
Mata Kuliah
KRS
memiliki # kode_mk Variable characters (15)
# id_krs Variable characters (15) o nama_mk Variable characters (50)
o sks Integer
o smester Integer
mempunyai
Prediksi Kelulusan
# id_prediksi Variable characters (15)
o sks_semester Variable characters (5)
o sks_komulatif Variable characters (5)
o ip_komulatif Variable characters (5)
o ip_total Variable characters (5)
o sks_total Variable characters (5)
o sks_komtotal Variable characters (5)
o ipk_total Variable characters (5)
o status_kelulusan Variable characters (20)
11
Mahasiswa
nim varchar(15) <pk>
kd_prodi varchar(15) <fk>
nama varchar(50) Prodi
alamat varchar(100) kd_prodi varchar(15) <pk>
tgl_lahir date nama_prodi varchar(50)
jk varchar(10)
nohp varchar(20)
jalur_masuk varchar(20)
tahun_masuk varchar(10)
Prediksi Kelulusan
id_prediksi varchar(15) <pk>
id_krs varchar(15) <fk>
sks_semester varchar(5)
sks_komulatif varchar(5)
ip_komulatif varchar(5)
ip_total varchar(5)
sks_total varchar(5)
sks_komtotal varchar(5)
ipk_total varchar(5)
status_kelulusan varchar(20)
HOME
HASIL PREDIKSI
PREDIKSI
12
Gambar 3.5 merupakan hasil implementasi halaman sistem prediksi kelulusan
mahasiswa yang di gunakan untuk menuju ke halaman prediksi.
3.6.2 Desain Interface Menu Prediksi
PREDIKSI KELULUSAN MAHASISWA
Batal Prediksi
Pada gambar 3.6 merupakan tampilan pada menu prediksi yang digunakan
untuk input data yang akan digunakan untuk prediksi kelulusan mahasiswa.
HASIL PREDIKSI No Nim Nama Jenis Kelamin Jalur Masuk Sks Total Sks Kom Total Sks Semester
(2-8)
13
Gambar 3.7 merupakan hasil pengujian dapat dilihat pada halaman ini terdapat
tabel yang menampilkan data prediksi kelulusan mahasiswa
14