Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Seri Konferensi IOP: Ilmu dan Teknik Material

KERTAS •AKSES TERBUKA Anda mungkin juga menyukai

Analisis prediksi kelulusan tepat waktu

- Perbandingan Algoritma Naïve Bayes dengan
Algoritma Genetika dan Particle Swarm
Optimalisasi sebagai Seleksi Fitur untuk
berdasarkan prestasi akademik mahasiswa Tinjauan Analisis Sentimen Digital Aplikasi
Pembelajaran

menggunakan Algoritma Naïve Bayes dengan Siti Ernawati, Risa Wati, Nuzuliarini Nuris
dkk.

implementasi data mining (Studi Kasus: Jurusan - Analisis komparatif dari nave bayes dan knn pada
prediksi harga forex pergerakan mata uang gbp/

Teknik Industri USU) usd pada saat itu bingkai setiap hari

KSY Pande, Ditjen Bina Marga Divayana dan G

Indrawan
Mengutip artikel ini: MT Sembiring dan RH Tambunan 2021Konferensi IOP Ser.: Guru. Sci. Ind.1122
012069 - Implementasi Algoritma Naive Bayes
Berdasarkan Particle Swarm Optimization
dalam Menganalisis Produk Cacat
Ikhsan Romli, Toga Pardamean, Sufajar
Butsianto dkk.

Lihatartikel online untuk pembaruan dan penyempurnaan.

Konten ini diunduh dari alamat IP 103.73.72.78 pada 09/11/2022 pukul 03:22
TALENTA CEST III 2020 Penerbitan IOP
Konferensi IOP Seri: Ilmu dan Teknik Material 1122 (2001) 012069 doi:10.1088/1757-899X/1122/1/012069

Analisis prediksi kelulusan tepat waktu berdasarkan

prestasi akademik mahasiswa menggunakan Algoritma
Naïve Bayes dengan implementasi data mining (Studi Kasus:
Jurusan Teknik Industri USU)
MT Sembiring*, RH Tambunan

Jurusan Teknik Industri, Fakultas Teknik, Universitas Sumatera Utara,

Medan, Indonesia

*
Email: meilita_tryana@yahoo.co.id

Abstrak. Salah satu indikator kinerja perguruan tinggi adalah presentasi kelulusan mahasiswa
tepat waktu dengan persentase kelulusan lebih dari atau sama dengan 50%. Banyaknya data
di Sistem Informasi Akademik (SIA) Perguruan Tinggi tidak digunakan dalam mengukur kinerja
suatu Perguruan Tinggi, khususnya Program Studi. Departemen Teknik Industri merangkum
data mahasiswa dalam SIA sebagai database dan mengolahnya sesuai dengan yang
dibutuhkan. Selama ini, data yang melimpah di SIA belum dimanfaatkan untuk menilai kinerja
siswa. Pada saat Prodi melakukan evaluasi akademik mahasiswa, Prodi melakukan evaluasi
berdasarkan variabel jumlah sks, IPK, dan kendala. Pada Program Studi diperlukan klasifikasi
yang tepat untuk memudahkan dalam mengevaluasi kinerja mahasiswa. Metode yang
digunakan adalah algoritma Naïve Bayes dalam mengklasifikasikan prestasi akademik
mahasiswa Jurusan Teknik Industri USU. Atribut yang digunakan antara lain NIM, Nama, Jenis
Kelamin, Daerah Asal, Asal Sekolah, Masuk, dan IPK.Dari hasil pengujian 173 data sampel
dengan menggunakan algoritma Naïve Bayes, pola yang terbentuk memiliki akurasi
kecocokan sebesar 70,83% yang artinya berguna dalam memprediksi kelulusan siswa.

1. Perkenalan
Kemajuan teknologi informasi telah merambah di segala bidang kehidupan. Banyak data yang dihasilkan oleh teknologi
informasi, mulai dari industri, ekonomi, ilmu pengetahuan dan teknologi, dan berbagai bidang kehidupan lainnya. Data
tersebut melimpah namun masih tersembunyi sehingga tidak dimanfaatkan dengan baik [1].
Pada industri 4.0, teknologi memberikan dampak positif bagi organisasi seperti meningkatkan
produktivitas dan meningkatkan komunikasi dan koordinasi secara vertikal (dalam organisasi) maupun
horizontal (antara organisasi, pemasok, dan pelanggan). Oleh karena itu, untuk mendapatkan hal tersebut
diperlukan adopsi teknologi industri 4.0. Mirip dengan adopsi teknologi lainnya, adopsi industri 4.0
membutuhkan strategi untuk adopsi. Perumusan strategi ini, diperlukan evaluasi terhadap kondisi
eksisting organisasi [2].
Pengolahan big data juga masih tersembunyi, dilakukan melalui proses data mining, atau biasa disebut data
mining. Sebagai bagian dari Knowledge Discovery in Database, data mining adalah aktivitas penggalian informasi
atau pengetahuan bernilai tinggi dari database besar. Konsep kerja menentukan pola yang ditemukan dalam
kumpulan data agar lebih berguna dalam kehidupan nyata [3].
Perkembangan ruang lingkup bisnis menunjukkan peningkatan yang signifikan dalam pertumbuhan
komunikasi. Hal tersebut mempermudah akses data bagi organisasi atau perusahaan, sehingga memberikan efek
perubahan pengelolaan database ke tingkat lanjutan yang didukung oleh fasilitas data warehousing dan
database berbasis web sebagai strategi organisasi untuk meningkatkan kinerja dan keuntungan organisasi.

Konten dari karya ini dapat digunakan di bawah ketentuanLisensi Creative Commons Attribution 3.0. Distribusi lebih lanjut dari karya
ini harus mempertahankan atribusi kepada penulis dan judul karya, kutipan jurnal dan DOI.
Diterbitkan di bawah lisensi oleh IOP Publishing Ltd 1
TALENTA CEST III 2020 Penerbitan IOP
Konferensi IOP Seri: Ilmu dan Teknik Material 1122 (2001) 012069 doi:10.1088/1757-899X/1122/1/012069

Departemen Teknik Industri merangkum data mahasiswa dalam SIA sebagai database dan
mengolahnya sesuai dengan yang dibutuhkan. Selama ini, data yang melimpah di SIA belum digunakan
untuk menilai kinerja siswa. Pada saat Prodi melakukan evaluasi akademik mahasiswa, Prodi melakukan
evaluasi berdasarkan variabel jumlah sks, IPK, dan kendala. Sedangkan variabel data AIS lainnya belum
digunakan untuk menilai kinerja siswa, seperti jenis kelamin, asal sekolah, Asal daerah, jalur masuk, bahkan
pengelompokan kelas berdasarkan jalur masuk. Pada Program Studi diperlukan klasifikasi yang tepat untuk
memudahkan dalam mengevaluasi kinerja mahasiswa. Metode yang digunakan adalah algoritma Naïve
Bayes yang mengelompokkan prestasi akademik mahasiswa Jurusan Teknik Industri USU.

Beberapa studi pendahuluan yang telah dilakukan terkait dengan topik penelitian, antara lain penelitian
yang memanfaatkan evaluasi prestasi akademik mahasiswa dengan menerapkan metode pengklasifikasi
Naive Bayes dengan menggunakan indikator indeks prestasi sebagai penentu layak tidaknya kelulusan
mahasiswa pada Universitas Brawijaya [5]. Penelitian dengan penerapan data mining untuk pemetaan
kebutuhan mahasiswa bimbingan dan konseling menggunakan algoritma nave Bayes di Universitas Negeri
Universitas Negeri Padang [6]. Penelitian ini diharapkan dapat membantu kinerja departemen
meningkatkan jumlah kelulusan mahasiswa tepat waktu dengan mempertimbangkan analisis dan evaluasi
penelitian.

2. Metodologi Penelitian

2 .1. Tempat dan Waktu Penelitian

Penelitian ini dilakukan di Jurusan Teknik Industri Fakultas Teknik Universitas Sumatera
Utara yang mengolah data mahasiswa teknik industri. Lokasinya berada di Jalan Almamater
USU Padang Bulan, Kecamatan Medan Baru, Kota Medan, Sumatera Utara 20222, mulai
Februari hingga sekarang.

2 .2. Jenis Penelitian

Penelitian kuantitatif adalah penelitian yang didasarkan pada filosofi positivisme, yang digunakan untuk meneliti
populasi atau sampel tertentu dengan menggunakan instrumen pengumpulan dan analisis data kuantitatif [7].
Penelitian ini berupaya memprediksi kelulusan dengan memperhatikan tingkat akurasi untuk mendapatkan
rekomendasi perbaikan.

2.3. Objek Penelitian

Prestasi akademik mahasiswa Jurusan Teknik Industri USU.

2 .4. Variabel Penelitian

Ada dua variabel yaitu variabel dependen dan variabel independen, dengan definisinya masing-
masing dimana variabel dependen adalah variabel yang dipengaruhi oleh variabel lain. Sedangkan
variabel bebas adalah variabel bebas yang tidak dipengaruhi oleh variabel lain, dan sifatnya
mempengaruhi variabel terikat.

2 .4.1. Variabel tak bebas

Mahasiswa lulus tepat waktu (on time) dan terlambat (tidak tepat waktu). Penentuan benar atau terlambatnya
seorang siswa ditentukan oleh lamanya belajar siswa tersebut.

2 .4.2. Variabel bebas

1. Nomor Induk Siswa (KTP)
2. Atribut nama lengkap siswa (nama)
3. Gender sebagai variabel bebas kategoris M/W
4. Asal Daerah sebagai variabel bebas untuk kategori Medan dan luar Medan

2
TALENTA CEST III 2020 Penerbitan IOP
Konferensi IOP Seri: Ilmu dan Teknik Material 1122 (2001) 012069 doi:10.1088/1757-899X/1122/1/012069

5. Asal sekolah sebagai variabel bebas untuk MAN, SMAN, SMAS, SMTA Lainnya
6. Jalur masuk sebagai variabel bebas kategoris SNMPTN, SPMB, dan SPMPRM.
7. IPK (Grade Point Average) sebagai variabel independen numerik.
Hasil studi dinyatakan dengan indeks tertentu yang terakumulasi dari kredit dan materi yang diambil. CPI
menunjukkan hasil investigasi berdasarkan ujian yang dilakukan saat mengambil mata kuliah yang dihitung
dengan rumus sebagai berikut:

Jumlah Kredit x Nilai Tertimbang

Jumlah Kredit Kolase
2,5. Kerangka Berpikir
Kerangka berpikir adalah kerangka berpikir yang menjelaskan dan digunakan untuk memecahkanpenyelesaian masalah[
8]. Kerangka kerja ini menunjukkan jalan pikiran peneliti dalam melakukan proses penelitian untuk mencapai output
yang diharapkan. Gambar kerangka konseptual dalam penelitian ini dapat dilihat pada Gambar 1.

Ramalan
hasil

Ketepatan
pertunjukan
nilai

Gambar 1.Kerangka berpikir penelitian

2.6. Metode Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari database mahasiswa
Jurusan Teknik Industri Universitas Sumatera Utara. Dataset yang digunakan sebagai berikut: Pertama,
data siswa dengan 80 atribut dan 483catatanterdiri dari no, KTP, nama, jenis kelamin, kota lahir, tanggal
lahir, agama, asal sekolah, tahun kelulusan, nama orang tua, dan sebagainya. Kedua, data kelulusan terdiri
dari 21 atribut dan 178catatanterdiri dari nomor, KTP, nama, berat badan, tinggi badan, program studi,
lama studi, IPK, predikat kelulusan, dll.

2.7. Metode Pemrosesan Data

Pengolahan data yang dilakukan dalam memprediksi kelulusan mahasiswa tepat waktu secara garis besar dapat dijelaskan
dengan diagram blok sebagai berikut:

Aplikasi dari
algoritme
Naif Bayes

Aturan Pengujian

proses

Pertunjukan
perhitungan

klasifikasi
hasil tion

Gambar 2.Diagram blok penelitian

3
TALENTA CEST III 2020 Penerbitan IOP
Konferensi IOP Seri: Ilmu dan Teknik Material 1122 (2001) 012069 doi:10.1088/1757-899X/1122/1/012069

3. Hasil dan Pembahasan

ItuNaif Bayesalgoritma adalah salah satu pembelajaran terkemukapembelajaran mesinmetode

yang efektif dan efisien secara maksimalpenambangan datahasil. Kinerja kompetitif algoritma ini
diakui dalam klasifikasi meskipun mengasumsikan bahwa asosiasi atribut tidak dihitung [9].
Asumsi ini jarang terjadi. Jika terjadi pelanggaran terhadap kondisi ini, kinerja klasifikasi nave
Bayes masih tinggi, didukung oleh bukti empiris.
Dalam proses klasifikasi, label kelas setiap baris dimiliki sebagai nilai dari variabel kelas yang bersangkutan.
Perhitungan nilai probabilitas dapat dilakukan. Naïve Bayes mengasumsikan setiap atribut bebas, dan
kemudian diperoleh persamaan berikut:
- Peluangp (C = ci | X = xj), dimana Naïve Bayes, kelas C bersifat kualitatif, sedangkan atribut Xi bisa bersifat
kualitatif atau kuantitatif.
- Atribut Xi dengan tipe kuantitatif membuat probabilitasp (X = xi | C = cj)sangat kecil.
Persamaan probabilitas tidak dapat diandalkan untuk kasus atribut tipe kuantitatif [10].
Pengolahan data menggunakan algoritma Naive Bayes membutuhkan data latih untuk menghitung setiap atribut [11].

Tabel 1. pelatihan data

Sekolah Panjang dari
Nama Asal Jalan masuk IPK
Asal
Tidak PENGENAL Jenis kelamin
Belajar
DI LUAR
1 130403001 Esa Delviana F SMA SNMPTN 3.30137 TERLAMBAT
MEDAN
2 130403002 Ulfa Audina F MEDAN SMA SNMPTN 3.47000 TERLAMBAT

DI LUAR
3 130403004 Ummu Habibah F PRIA SNMPTN 3.32877 TERLAMBAT
MEDAN
Wildani DI LUAR
4 130403005 F PRIA SNMPTN 3.40753 TERLAMBAT
Kurniasari MEDAN
DI LUAR
5 130403006 Siti Khairunnisa F SMA SNMPTN 3.60274 TERLAMBAT
MEDAN
DI LUAR
6 130403007 Agni Fitaloka F SMA SNMPTN 3.46000 TEPAT WAKTU
MEDAN
7 130403008 Wawan Andrian M MEDAN SMA SNMPTN 3.23630 TEPAT WAKTU

8 130403010 Aji Prasetio M MEDAN SMA SNMPTN 3.35274 TEPAT WAKTU

DI LUAR
9 130403011 Akbar Al Ayubi M SMA SNMPTN 3.24000 TEPAT WAKTU
MEDAN
10 130403013 Intan Hartanti F MEDAN SMA SNMPTN 3.53425 TERLAMBAT

Muhammad DI LUAR
11 130403014 M PRIA SNMPTN 3.29110 TERLAMBAT
Burha MEDAN
DI LUAR
12 130403015 Abdi Santoso M PRIA SNMPTN 3.17466 TERLAMBAT
MEDAN

125data pelatihantelah diterapkan dipembersihan dataproses. Kemudian dari tabel diatas dapat dihitung
menggunakan rumus Klasifikasi Naïve Bayes, adapun cara kerjanya sebagai berikut :
Untuk masalah klasifikasi, yang dihitung adalah P(H|X), yaitu probabilitas bahwa hipotesis benar
(valid) untuk data sampel X yang diamati.

(1)

Di mana:
X: contoh data dengan kelas baru (label).
H : hipotesis bahwa X adalah kelas data (label) C. P(H) adalah probabilitas hipotesis H .
P(X): probabilitas data sampel yang diamati.
P(X|H) : probabilitas sampel data X, jika hipotesis yang diasumsikan benar (valid).
Rangkuman hasil perhitungan dapat dilihat pada tabel berikut.

4
TALENTA CEST III 2020 Penerbitan IOP
Konferensi IOP Seri: Ilmu dan Teknik Material 1122 (2001) 012069 doi:10.1088/1757-899X/1122/1/012069

Meja 2.Ringkasan hasil perhitungan probabilitas untuk setiap atribut kategori

P(LS) TEPAT WAKTU TERLAMBAT

P(LS) 0,304 0,696

Total 1.000
P(JK) TEPAT WAKTU TERLAMBAT

W 0,500 0,471
M 0,500 0,529
Total 1.000 1.000
BANTALAN) TEPAT WAKTU TERLAMBAT

MEDAN 0,368 0,368

Luar MEDAN 0.632 0.632
Total 1.000 1.000
P(AS) TEPAT WAKTU TERLAMBAT

SMA 0,474 0,644

PRIA 0,000 0,080
SMA 0,316 0,184
SMTA dll 0.211 0,080
Total 1.000 0,989
P(JM) TEPAT WAKTU TERLAMBAT

SNMPTN 0,316 0,598

SPMB 0,500 0,161
SPMPRM 0,184 0,241
Total 1.000 1.000
Perhitungan atribut numerik seperti IPK mahasiswa menggunakan rumus Gauss Density,
yaitu:

(2)

Informasi:
f: Peluang
Xi: Menghubungkannya dengan i

xi: Nilai ithatribut

kamu: BerartiHai:Standar deviasi

5
TALENTA CEST III 2020 Penerbitan IOP
Konferensi IOP Seri: Ilmu dan Teknik Material 1122 (2001) 012069 doi:10.1088/1757-899X/1122/1/012069

Rerata dan simpangan baku kemudian digunakan untuk menghitung nilai probabilitas IPK dalam mempengaruhi
kelulusan mahasiswa. Perhitungan IPK P yang diterapkan pada data pengujian ditunjukkan pada tabel 3 di bawah ini.

Ada total 48data pengujiandalam penelitian ini danpembersihan datatelah diterapkan pertama kali
untuk menghilangkan kebisingan. Rekapitulasi perhitungan probabilitas IHK dapat dilihat pada tabel
di bawah ini.
Tabel 3.Rekapitulasi Hasil Perhitungan P (IPK) kelulusan tepat dan terlambat

TIDAK. TEPAT WAKTU TERLAMBAT TIDAK. TEPAT WAKTU TERLAMBAT

0,75308 0,50897 25 0,46670 0,00552

0,41806 0.87636 26 0,81369 0.43176
0.14209 0,97689 27 0,48564 0,00621
0,00973 0,38133 28 0.69098 0,58412
0.32088 0,95437 29 0,75954 0,02918
0.15805 0.98779 30 0,46161 0.83511
0,03127 0,64440 31 0,95677 0,15384
0,67153 0,60702 32 0,94775 0.21025
0,95280 0.19220 33 0.95294 0.19158
10 0,95266 0.19279 34 0,72528 0,02411
11 0,07190 0,85180 35 0,73978 0,02613
12 0,22652 0.99743 36 0,32869 0.94906
13 0,59468 0.69484 37 0,00017 0,03241
14 0,14661 0.98042 38 0,02406 0,57938
15 0.30143 0,96667 39 0.85718 0,05233
16 0,00881 0,36272 40 0.15778 0.98764
17 0,01075 0,40062 41 0,95572 0.17627
18 0,48734 0.80946 42 0,46688 0.82993
19 0,51156 0,78458 43 0,95479 0.13820
20 0,47175 0.82510 44 0.90946 0,29187
21 0,00055 0,07126 45 0.93715 0.23798
2 0.64882 0.63342 46 0,00178 0.14877
3 0,09133 0.90405 47 0,00013 0,02651
4 0,08612 0,89185 48 0,00001 0,00318

Nilai probabilitas dari setiap atribut kemudian dikalikan sesuai dengan data yang akan diprediksi. Data yang akan
diprediksi selanjutnya disebut data testing. Proses pengujian nantinya akan melibatkan data pengujian untuk
memprediksi apakah kelulusan itu benar atau terlambat. Tabel hasil prediksi untuk data pengujian disajikan pada
tabel 4 di bawah ini.

Tabel 4 .Hasil prediksi kelulusan siswa pada pengujian data

Tidak Nim Nama Lama Studi

1 160403001 Dwinitha Aura TERLAMBAT

2 160403003 Jernita Nadeak TEPAT WAKTU

Abdul Rahim
3 160403005 TERLAMBAT
Nasution
Muhammad
4 160403006 TERLAMBAT
Imam Prakasa
5 160403008 Bayu Suwandira TERLAMBAT

Tamadhar Ali
6 160403010 TERLAMBAT
Khansa

6
TALENTA CEST III 2020 Penerbitan IOP
Konferensi IOP Seri: Ilmu dan Teknik Material 1122 (2001) 012069 doi:10.1088/1757-899X/1122/1/012069

7 160403011 Dyah Pitaloka TERLAMBAT

8 160403014 Dinda Gustia TERLAMBAT

9 160403016 Rinaldi Perdana TEPAT WAKTU

10 160403017 Taufik Hidayat TEPAT WAKTU

Mutiara Sani
11 160403019 TEPAT WAKTU
Lubis
Anggi Ridho
12 160403020 TEPAT WAKTU
Habibi
13 160403022 Ayu Lestari TEPAT WAKTU

14 160403024 Wulan Pratiwi TEPAT WAKTU

Talitha Almira
15 160403031 TEPAT WAKTU
Muharrami
16 160403032 Reza Agustian TEPAT WAKTU

Wira Sopyana
17 160403036 TEPAT WAKTU
Sarah
Jhan Pranata
18 160403037 TEPAT WAKTU
brahmana
Lufia Ulva
19 160403038 TEPAT WAKTU
hutapea
20 160403039 Agung Triono TEPAT WAKTU

Hasil prediksi kelulusan kemudian diuji menggunakan software rapid miner 7.3 yang dapat dilihat
pada gambar di bawah ini.

Gambar 3.Hasil tes akurasi menggunakan rapiminer 7.3

Hasil akurasi model naïve Bayes menunjukkan tingkat akurasi sebesar 70,83%, artinya
model klasifikasi passing dilihat dari tingkat presisi yang mencapai 70,83% yang dianggap
signifikan (sedang), namun hal ini perlu dilakukan ditinjau dari perspektif kompleksitas dan
jumlah dataset.

4. Kesimpulan
Berdasarkan penelitian yang telah dilakukan,
sebuah. Data latih yang digunakan dalam penelitian ini sebanyak 125 record dari siswa tahun 2013 sampai dengan 2015. Sedangkan data testing
yang digunakan sebanyak 48 record yang berasal dari data siswa tahun 2016.
b. Atribut yang digunakan meliputi nomor induk siswa, nama siswa, jenis kelamin, daerah asal,
sekolah asal, jalur masuk, dan IPK.
c. Dari hasil pengujian 173 data sampel dengan menggunakan algoritma Naïve Bayes, pola yang terbentuk
memiliki akurasi kecocokan sebesar 70,83% yang artinya cara tersebut berguna dalam memprediksi siswa.

7
TALENTA CEST III 2020 Penerbitan IOP
Konferensi IOP Seri: Ilmu dan Teknik Material 1122 (2001) 012069 doi:10.1088/1757-899X/1122/1/012069

kelulusan sehingga model untuk memprediksi kelulusan siswa berhasil dibuat menggunakan algoritma
Naïve Bayes.

Referensi
[1] Faisal M 2008Sistem Informasi Manajemen Jaringan Malang: Pers UIN-Malang
[2] Sitepu MH dkk. 2020Pendekatan Sosial-Teknis untuk Menilai Kesiapan Organisasi untuk
Industri 4.0J. Fisik.: Konf. Ser.1542012031
[3] Kapiudin M 2007Data Mining untuk Klasifikasi Pelanggan dengan Ant Colony Optimization, Vol8 No 1

[4] Peraturan Badan Akreditasi Nasional Perguruan Tinggi Nomor 3 Tahun 2019 tentang
Instrumen Akreditasi Perguruan Tinggi
[5] Ridwan M 2013Penerapan Data Mining Untuk Mengevaluasi Prestasi Akademik Siswa Menggunakan
Algoritma Naive Bayes Classifier
[6] Kurnia Saputra H 2018Analisis Data Mining Untuk Pemetaan Siswa Yang Membutuhkan Bimbingan Dan
Konseling Menggunakan Algoritma Naïve Bayes Classifier
[7] Sinulingga S 2015Pengantar Teknik Industri Edisi 2 Medan : USU Press
[8] Ningrum 2017Pengaruh Penggunaan Metode Problem Solving Based Terhadap Hasil Belajar
Ekonomi Siswa Kelas X Ekonomi Kelas X Semester Genap Metro Man 1 Akademik
Tahun
[9] Ashari Muin A 2016Metode Naive Bayes untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru
Perguruan Tinggi)
[10] Pudjiantoro dkk 2011Aplikasi Data Mining Untuk Menganalisis Kemungkinan Pengunduran Diri Calon
Mahasiswa Baru. http://yudiagusta.files.wordpress.com/2008/09/051-060-knsi2011-009-
implement- data- mining- for- analysis- kemungkinan pengunduran diri-prospective-new-
student.pdf (diunduh pada 21 Maret, 2020)