Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 3, No. 3, Maret 2019, hlm. 2194-2200 http://j-ptiik.ub.ac.id

Prediksi Kelulusan Mahasiswa Berdasarkan Kinerja Akademik

Menggunakan Pendekatan Data Mining Pada Program Studi Sistem
Informasi Fakultas Ilmu Komputer Universitas Brawijaya
Ryan Dwi Pambudi1, Ahmad Afif Supianto2, Nanang Yudi Setiawan3
Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1ryanipam@gmail.com, 2afif.supianto@ub.ac.id, 3nanang@ub.ac.id
Abstrak
Lulus tidak tepat waktu merupakan permasalahan yang sering ditemui pada lingkungan akademik
perguruan tinggi. Hal tersebut juga dialami pada program studi Sistem Informasi Universitas
Brawijaya dimana rata – rata mahasiswa masuk pada program studi Sistem Informasi setiap tahun
kurang lebih 213 mahasiswa, sedangkan rata – rata kelulusan mahasiswanya hanya berjumlah kurang
lebih 99 mahasiswa. Ketidakseimbangan tersebut tentu akan menimbulkan kerugian dari pihak
akademisi maupun mahasiswa. Sehingga berdasarkan permasalahan tersebut diperlukan prediksi
terhadap mahasiswa yang diindikasikan tidak lulus tepat waktu supaya dapat diberikan tindakan lebih
lanjut. Salah satu task yang dapat digunakan untuk melakukan prediksi kelulusan dalam data mining
dapat menggunakan jenis task klasifikasi. Dengan memanfaatkan salah satu metode algoritme
klasifikasi yaitu Naive Bayes, akan dihasilkan pola – pola berdasarkan probabilitas pada tiap atribut
yang dapat digunakan untuk menentukan apakah mahasiswa lulus tepat waktu atau tidak. Dari data
mahasiswa yang terkumpul berjumlah 1354, data kemudian dilakukan pre-procesing untuk proses
mining pada sistem yang dikembangkan dengan basis website dengan memanfaatkan Weka CLI.
Informasi dari prediksi kelulusan ditampilkan dalam dashboard sesuai dengan kebutuhan Kaprodi SI.
Hasil Pengujian black-box menunjukan sistem valid sesuai dengan kebutuhan yang sudah
didefinisikan. Sedangkan hasil pengujian usability dengan System Usability Scale(SUS) menghasilkan
nilai 57.5 yang tergolong kedalam adjective rating Good.
Kata kunci: prediksi, data mining, klasifikasi, Naive Bayes, dashboard, black-box testing, System
Usability Scale.
Abstract
Late graduation is a problem that often encountered in university’s academic environment. This is
also experienced in University of Brawijaya Information System study program which average
students accepted in the Information Systems study program is 213 students, whereas the average
students that graduate is only less than 99 students. This imbalancy will be certainly causing
disadvantage to the academicians and students. So based on this problem t is necessary to predict the
students who are indicated not to graduate on time so that further action can be given. One of the
tasks that can be used to predict graduation in data mining can use the type of task classification. By
utilizing one of the classification algorithm methods namely Naive Bayes, probability patterns will be
generated on each attribute that can be used to determine whether students graduate on time or not.
From data of students that collected totaling 1354 data, the data is then carried out pre-processing for
the mining process on a system developed on a web-based using Weka CLI. Information from
graduation predictions is displayed on the dashboard according to the needs of the Head of the SI
Department. Test Results Black-box shows a valid system according to defined needs. While the
results of usability testing with the System Usability Scale(SUS) produce a value of 57.5 which is
classified as an Adjective rating Good.
Keywords: prediction, data mining, classification, Naive Bayes, dashboard, black-box testing, System
Usability Scale

Fakultas Ilmu Komputer

Universitas Brawijaya 2194
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2195

juga dilakukan proses prediksi dengan

1. PENDAHULUAN menggunakan data mining dengan
Banyak aspek yang dapat dijadikan tolok menggunakan algoritme Naive Bayes, dengan
ukur kesuksesan pihak akademisi dalam membuat pola – pola kriteria kelulusan yang
menyelenggarakan kegiatan pembelajaran, diimplementasikan pada dashboard sistem.
salah satunya adalah kinerja akademik Dengan diketahuinya hasil prediksi yang
mahasiswa. Salah satu kriteria kinerja akademik divisualisasikan pada sistem, diharapkan dapat
mahasiswa yang baik adalah mahasiswa yang membantu sebagai bahan evaluasi dan
dapat menyelesaikan studi sesuai dengan waktu pertimbangan dalam pengambilan keputusan
yang telah ditentukan atau istilahnya mahasiswa akademisi Fakultas Ilmu Komputer.
dapat lulus tepat waktu. Ketentuan lama studi
2. METODOLOGI PENELITIAN
sudah diatur dalam ketetapan Kementrian
Pendidikan dan Kebudayaan Direktorat Jendral Tahapan – tahapan yang terjadi pada
Perguruan Tinggi tentang sistem pendidikan penelitian ini digambarkan seperti gambar 1.
tinggi yang menjelaskan bahwa kompetensi
lulusan bagi mahasiswa S1 dapat
menyelesaikan beban wajib minimal 144 SKS
dengan masa studi 4 tahun. Selain sebagai tolok
ukur kesuksesan akademisi, lama studi
mahasiswa pada suatu program studi juga
menjadi salah satu aspek dalam penilaian
akreditasi dari BAN-PT.
Pada program studi Sistem Informasi
Fakultas Ilmu Komputer (FILKOM), masih
banyak ditemui permasalahan mengenai kinerja
akademik mahasiswa dalam hal masa studi. Di
program studi SI FILKOM masih banyak
mahasiswa yang menyelesaikan studi melebihi
batas masa studi. Berdasarkan data yang
terdapat pada website resmi FILKOM, rata –
rata penerimaan mahasiswa setiap tahun kurang
lebih sebanyak 227 mahasiswa, sedangkan rata
– rata mahasiswa lulus setiap tahun hanya
sekitar 99 mahasiswa. Selain dapat merugikan
pihak akademisi, masalah mahasiswa yang
tidak menyelesaikan studi dengan tepat juga
akan menerima kerugian. Beberapa kerugian
yang akan ditimbulkan diantaranya adalah: Gambar 1. Metodologi Penelitian
membuat akreditasi program studi kurang
maksimal, terlalu banyaknya mahasiswa aktif
Metodologi penelitian yang dilakukan
yang membuat kegiatan belajar mengajar
dalam penelitian ini terdiri dari beberapa
kurang ideal, apabila mahasiswa menerima
tahapan proses. Tahap awal yang dilakukan
beasiswa akan membuat pihak pemberi
dalam penelitian dimulai dari identifikasi
beasiswa menghentikan program beasiswa
permasalahan yang ada pada program studi SI
kepada mahasiswa tersebut.
UB. Kemudian tahap selanjutnya mencari
Dari latar belakang masalah diatas, penulis
literatur yang digunakan untuk mendukung
tertarik untuk melakukan penelitian terhadap
penelitian sebagai dasar teori dan dasar
data mahasiswa dengan menggunakan
penelitian. Setelah dilakukan studi literatur
pendekatan data mining. Sudah ada penelitian
dilakukan pengumpulan data yang akan
terdahulu dari Mustafa(2017), dimana
digunakan untuk proses mining dari akademik
penelitian tersebut juga melakukan prediksi
FILKOM. Setelah data diperoleh dilanjutkan
kelulusan dengan menggunakan algoritme data
dengan perancangan sistem meliputi
mining Naive Bayes dimana hasil akurasi dari
perancangan sequence diagram, class diagram,
algoritme sebesar 92.308%. Pada penelitian ini
dan perancangan visualisasi halaman. Tahap

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
selanjutnya yaitu mengimplementasikan
algoritme dalam sistem yang diteruskan dengan
pengujian dan analisis terhadap hasil
implementasi. Dan pada tahap terakhir adalah
penarikan kesimpulan.
2.1. Knowledge Discovery in Database
Knowledge Discovery in Database(KDD)
adalah kegiatan yang meliputi pengumpulan,
pemakaian data, historis untuk menemukan
keteraturan, pola atau hubungan dalam set data
berukuran besar (Ridwan, 2013). Walaupun
KDD sering dianggap sama dengan Data
mining, arti KDD sebenarnya berbeda dengan
data mining. Didalam proses KDD, terdapat
tahapan data mining (Han, 2011). Berikut
proses – proses yang terjadi dalam KDD dapat
dilihat pada gambar 1.
Gambar 2. Tahapan Dalam KDD
2.2. Data Mining
Data mining adalah proses mengekstraksi
pengetahuan dari berbagai database besar dan
identifikasi informasi yang bermanfaat
menggunakan teknik statistik, matematika,
kecerdasan buatan, dan machine learning
(Ridwan. 2013).
Terdapat 6 macam tugas yang dapat
diselesaikan data mining, diantaranya :
description, estimation, prediction,
classification, clustering, association.
Pada penelitian ini algoritme data mining
klasifikasi yang digunakan adalah algoritme
Fakultas Ilmu Komputer, Universitas Brawijaya
2196
Naive Bayes. Algoritme ini dipilih karena
algoritme Naive Bayes memiliki kemudahan
implementasi, efisien, dan performa yang
bagus. Algoritme Naive Bayes memproses data
dengan mengunakan proabilitas yang mungkin
terjadi antar atribut dari data training.
Berikut kaidah yang berlaku pada
algoritme Naive Bayes (Bustami. 2013).
𝑃(𝑋 |𝐻 ) . 𝑃(𝐻)
𝑃(𝐻|𝑋) = (1)
𝑃(𝑋)
Dimana :
X :Data dengan class yang belum diketahui
H : Hipotesis data merupakan suatu class
spesifik
P(H|X) :Probabilitas hipotesis H berdasar
kondisi X (posteriori probabilitas)
P(H) : Probabilitas hipotesis H (prior
probabilitas)
P(X|H) :Probabilitas X berdasarkan kondisi
pada hipotesis H
P(X) : Probabilitas X
3. HASIL DAN PEMBAHASAN
Pada bab ini dijelaskan mengenai
bagaimana proses dari pengumpulan data,
pemprosesan data, sampai hasil implementasi
algoritme Naive Bayes dalam memprediksi
kelulusan mahasiswa di program studi SI
Universitas Brawijaya.
3.1. Analisis Kebutuhan
Analisis kebutuhan dilakukan untuk
mengetahui kebutuhan informasi apa saja yang
diperlukan dalam visualisasi sistem. Proses
requirement kebutuhan dilakukan dengan
melakukan wawancara kepada Kaprodi SI.
Hasil analisis kebutuhan sistem dalam bentuk
usecase tergambarkan seperti pada gambar 3.
Berdasarkan kebutuhan, terdapat 4 fitur
utama pada sistem, diantaranya yaitu melihat
rekap kelulusan, melihat prediksi kelulusan,
membuat prediksi, dan melihat akurasi dari
algoritme.
3.2. Pengumpulan Data
Pengumpulan data pada penelitian ini
diperoleh dari akademik FILKOM. Data yang
diperoleh sebanyak 1352 records dengan asal
data mahasiswa angkatan 2011-2016. Atribut
yang dimiliki dari setiap data diantaranya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
adalah ID Mhs, Jenis kelamin, Jalur Masuk, IP
Beban semester 1, SKS Beban semester 1, IPK
Beban Semester 1, SKSK Beban semester 1, IP
lulus semester 1, SKS lulus semester 1, IPK
lulus semester 1, SKSK lulus semester 1, IP
Beban semester 2, SKS Beban semester 2, IPK
Beban Semester 2, SKSK Beban semester 2, IP
lulus semester 2, SKS lulus semester 2, IPK
lulus semester 2, SKSK lulus semester 2, IP
Beban semester 3, SKS Beban semester 3, IPK
Beban Semester 3, SKSK Beban semester 3, IP
lulus semester 3, SKS lulus semester 3, IPK
lulus semester 3, SKSK lulus semester 3, IP
Beban semester 4, SKS Beban semester 4, IPK
Beban Semester 4, SKSK Beban semester 4, IP
lulus semester 4, SKS lulus semester 4, IPK
lulus semester 4, SKSK lulus semester 4, IPK
lulus, predikat, dan Yudisium.
Gambar 3. Usecase diagram aktor Kaprodi SI
3.3. Perancangan Sistem
3.3.1. Sequence Diagram
Penggambaran sequence diagram berikut
digambarkan sesuai dengan aktor Kaprodi SI
yang akan menggunakan sistem. Berikut pada
gambar 4, menunjukan sequence diagram dari
fitur melihat prediksi kelulusan.
Pada sequence diagram melihat prediksi
kelulusan terdiri dari 8 Objek yaitu objek
Kaprodi Si sebagai actor, menu utama dan
halaman tabel prediksi sebagai interface /
halaman yang akan tampil kepengguna,
GlobalController sebagai controller yang
mengatur logika dan tindaklanjut dari prediksi,
Fakultas Ilmu Komputer, Universitas Brawijaya
2197
Object Weka CLI sebagai API yang memproses
data untuk diprediksi menggunakan algoritme
Naive Bayes, dan data_train, data_test, dan
hasil_predict sebagai model yang menyimpan
data.
Gambar 4. Sequence digram melihat prediksi
kelulusan
Gambar 5. Sequence digram membuat prediksi
kelulusan
Sequence diagram membuat prediksi
kelulusan digambarkan seperti pada gambar
5 yang terdiri dari 6 objek yaitu objek
Kaprodi SI sebagai actor yang
menggunakan sistem, kemudian terdapat 3
interface atau antar muka yang
berhubungan dengan pengguna dengan
nama menu utama, input prediksi, dan hasil
prediksi, GlobalController sebagai
controller yang mengatur logika dan fungsi
untuk menindaklanjuti proses prediksi, dan
objek Weka CLI sebagai objek yang
memproses prediksi dengan menggunakan
algoritme Naive Bayes.
3.3.2 Class Diagram
Penggambaran class diagram berikut
dibagi menjadi dua bagian, yaitu relasi antar
kelas controller dan relasi antar kelas model.
Gambar 6 menunjukan penggambaran
objek, kelas, dan fungsi apa saja yang saling
berkaitan dalam menampilkan dan memproses
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2198

informasi dalam sistem. perancangan visualisasi halaman yang

digunakan Kaprodi SI dalam membuat prediksi
kelulusan.

Gambar 6. Class diagram kelas controller Gambar 9. Perancangan halaman prediksi kelulusan
Sedangkan pada gambar 7 merupakan
gambaran class diagram yang menunjukan 3.4. Implementasi Sistem
hubungan antar kelas model. Selain itu Implementasi merupakan tahap proses
gambaran class diagram kelas model digunakan mengimplementasikan tampilan sistem sesuai
sebagai acuan untuk mendesain basis data dengan perancangan yang telah dianalisis.
sistem. Implementasi dilakukan dalam bentuk
dashboard berbasis website dengan
menggunakan bahasa PHP, HTML, CSS,
JavaScript, dan menggunakan Weka CLI untuk
memproses algoritme. Hasil dari implementasi
dari setiap fitur tergambarkan pada gambar 10,
gambar 11, dan gambar 12.

Gambar 7. Class diagram kelas model

3.3.3. Perancangan Visualisasi Halaman

Perancangan visualisasi halaman
dilakukan untuk menggambarkan tampilan
dari sistem yang akan dikembangkan.
Berikut pada gambar 8 merupakan
perancangan antar muka halaman prediksi
kelulusan.
Gambar 10. Implementasi menu untuk setiap fitur di
sistem
Gambar 10 menunjukan hasil implementasi
4 fitur utama pada dashboard sistem, dimana
terdapat menu rekap kelulusan, menu prediksi
kelulusan, menu buat prediksi, dan menu
informasi akurasi.

Gambar 8. Perancangan halaman prediksi kelulusan

Gambar 11. Implementasi halaman prediksi
Berikut pada gambar 8 merupakan kelulusan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Sedangkan pada gambar 11 merupakan
hasil implementasi pada fitur prediksi kelulusan
pada data mahasiswa angkatan 2015 dan 2016.
Gambar 12. Implementasi halaman buat prediksi
Sedangkan pada gambar 12, implementasi
fitur buat prediksi digunakan untuk membuat
prediksi terhadap data yang akan dilakukan
pengujian dengan bentuk form input secara
manual untuk setiap atribut data.
3.5. Pengujian Black-Box
Pengujian Black-Box merupakan pengujian
yang didasarkan pada detail aplikasi seperti
tampilan aplikasi, fungsi-fungsi yang ada pada
aplikasi, dan kesesuaian alur fungsi dengan
bisnis proses yang diinginkan oleh customer.
Pengujian ini tidak melihat dan menguji souce
code program (hmsisfo, 2016). Pengujian
black-box dilakukan dari sudut pandang
pengguna sehingga dapat membantu apakah
spesifikasi perangkat lunak sudah sesuai.
Hasil dari pengujian black-box terhadap 4
fitur pada sistem menunjukan hasil valid,
dimana setiap kebutuhan fitur yang telah
didefinisikan dapat ditampilkan dan diproses
pada sistem sesuai dengan ekspektasi luaran
yang diharapkan oleh Kaprodi SI.
3.6. Pengujian Usability – System Usability
Scale
System Usability Scale atau biasa disingkat
SUS merupakan metode pengujian yang
dilakukan dengan tujuan untuk memperoleh
nilai dari hasil implementasi sistem dari sudut
pandang pengguna akhir (end user) (Ependi,
2017). Jumlah pertanyaan pada SUS sebanyak
10 pertanyaan, dengan menggunakan skala
likert 5 tingkat, mulai dari sangat tidak setuju
hingga sangat setuju.
Hasil dari pengujian usability
menggunakan System Usability Scale yang
dilakukan kepada Kaprodi SI menghasilkan
nilai 57.5. Berdasarkan nilai tersebut,
Fakultas Ilmu Komputer, Universitas Brawijaya
2199
pengembangan sistem dalam penelitian ini
termasuk ke dalam kategori adjective rating
Good namun tingkat acceptability yang masih
termasuk kategori Low.
4. KESIMPULAN DAN SARAN
4.1. Kesimpulan
Kesimpulan yang dapat diambil
berdasarkan hasil penelitian yaitu
pengembangan visualisasi dashbord berbasis
website untuk memprediksi kelulusan dapat
dilakukan dengan memanfaatkan Weka CLI
sebagai API yang memproses data dengan data
mining, dimana algoritme Naive Bayes juga
dapat dipilih untuk melakukan prediksi pada
sistem.
Selain itu hasil pengujian black-box dalam
pengembangan sistem menunjukan hasil yang
valid untuk semua fitur, dan hasil pengujian
usability menggunakan System Usability Scale
menghasilkan nilai sebesar 57.5 dimana nilai
tersebut termasuk kedalam adjective rating
good namun tingkat acceptability masih
tergolong Low.
4.2. Saran
Saran yang dapat diberikan untuk
penelitian berikutnya pada penelitian ini
diantaranya adalah 3. Mengembangkan sistem
yang telah dibangun dari sisi pengguna lain
seperti mahasiswa untuk mencoba prediksi atau
akademik untuk mengupdate data training yang
digunakan. Selain itu pengembangan dari sisi
fungsionalitas dengan fitur – fitur dinamis
untuk memperbarui data training, model, dan
data testing yang akan digunakan juga dapat
dilakukan pada penelitian selanjutnya.
Selain itu pengembangan dengan
memperhatikan aspek user interface, user
experience, dan usability sistem juga diperlukan
supaya sistem bisa mencapai adjective rating
kategori best imaginable dan acceptability
ranges dengan kategori acceptable.
5. DAFTAR PUSTAKA
BAN-PT., 2008. Naskah Akreditasi Program
Studi Sarjana. Jakarta.
Bustami., 2013, Penerapan Algoritma Naive
Bayes Untuk Mengklasifikasi Data
Nasabah Asuransi. TECHSI : Jurnal
Penelitian Teknik Informatika. Vol. 3.
Ependi, U., 2017. System Usability Scale
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2200

Antarmuka Palembang Guide Sebagai

Media Pendukung Asian Games XVIII.
Journal of Information Systems
Engineering and Business Intelligence,
vol. 3.
Han, J. & Kamber, M., 2011. Data Mining
Concept and Techniques. San
Fransisco: Morgan Kauffman.
Hmsisfo, 2016. Perbedaan White-box testing
dan Black-box Testing. Binus
University. Dapat diakses di: <
http://scdc.binus.ac.id/himsisfo/2016/10
/ perbedaan-white-box-testing-dan-
black-box-testing/ > [Diakses 13
Agustus 2018]
Mustafa, M. S., 2017. Implementasi Data
Mining untuk Evaluasi Kinerja
Akademik Mahasiswa Menggunakan
Algoritma Naive Bayes Classifier.
Citec Jurnal, vol. 4.
Ridwan, M., 2013. Penerapan Data Mining
untuk Evaluasi Kinerja Akademik
Mahasiswa Menggunakan Algoritma
Naive Bayes Classifier. Jurnal
EECCIS. Vol. 7, No. 1.
Anonymous. 2017. Pedoman Akademik
Fakultas Ilmu Komputer Universitas
Brawijaya. Malang.

Fakultas Ilmu Komputer, Universitas Brawijaya