ANALISIS PREDIKSI KETEPATAN MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER DAN FEATURE SELECTION

  • MUHAMMAD NUR AKBAR Teknik Informatika, Fakultas Sains dan Teknologi, UIN Alauddin Makassar
    (ID)
  • HARIANI Teknik Informatika, Fakultas Sains dan Teknologi, UIN Alauddin Makassar
    (ID)
  • ASEP INDRA SYAHYADI Teknik Informatika, Fakultas Sains dan Teknologi, UIN Alauddin Makassar
    (ID)
Keywords: Correlation Attribute, feature selection, Information Gain, masa studi mahasiswa, Naïve Bayes Classifier, prediksi

Abstract

Lama masa studi mahasiswa merupakan salah satu poin penilaian dalam akreditasi suatu program studi pada institusi perguruan tinggi. Pendeteksian dini keterlambatan masa  studi dapat dilakukan dengan memanfaatkan teknik data mining. Pada penelitian ini diterapkan algoritma Naïve Bayes Classifier (NBC) dan teknik feature selection menggunakan Informaton Gain (IG) dan Correlation Attribute (CA) dengan tujuan membangun model prediksi yang akurat dan menganalisis atribut yang berpengaruh dalam menentukan lama masa studi sehingga dapat membantu perguruan tinggi dalam membuat kebijakan akademis agar dapat mengoptimalkan tingkat kelulusan mahasiswa pada tahun-tahun berikutnya. Hasil uji coba pada dataset diperoleh akurasi tertinggi yaitu NBC+CA sebesar 81.2%, meningkat 12% dibandingkan NBC tanpa feature selection

Downloads

Download data is not yet available.

Author Biographies

MUHAMMAD NUR AKBAR, Teknik Informatika, Fakultas Sains dan Teknologi, UIN Alauddin Makassar

Teknik Informatika, Fakultas Sains dan Teknologi, UIN Alauddin Makassar

HARIANI, Teknik Informatika, Fakultas Sains dan Teknologi, UIN Alauddin Makassar

Teknik Informatika, Fakultas Sains dan Teknologi, UIN Alauddin Makassar

ASEP INDRA SYAHYADI, Teknik Informatika, Fakultas Sains dan Teknologi, UIN Alauddin Makassar

Teknik Informatika, Fakultas Sains dan Teknologi, UIN Alauddin Makassar

References

Baker, R. S. J. d., & Yacef, K. (2009). The State of Educational Data Mining in 2009: A Review and Future Visions. Journal of Educational Data Mining, 1(1), 3–17. https://doi.org/10.5281/zenodo.3554657
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0 Step-by-step data mining guides.
Gnanambal, Dr. S., Thangaraj, Dr. M., Meenatchi, Dr. V. T., & Gayathri, Dr. V. G. (2018). Classification Algorithms with Attribute Selection: An evaluation study using WEKA. Int. J. Advanced Networking and Applications, 9(6), 3640–3644.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (Third Edition). Morgan Kaufmann. https://doi.org/10.1016/B978-0-12-381479-1.00018-6
Horvat, T., Havaš, L., & Srpak, D. (2020). The Impact of Selecting a Validation Method in Machine Learning on Predicting Basketball Game Outcomes. Symmetry, 12(3). https://doi.org/10.3390/sym12030431
Khasanah, A. U. & Harwati. (2017). A Comparative Study to Predict Student’s Performance Using Educational Data Mining Techniques. IOP Conference Series: Materials Science and Engineering, 215, 012036. https://doi.org/10.1088/1757-899X/215/1/012036
Larose, D. T., & Larose, C. D. (2014). Discovering Knowledge in Data: An Introduction to Data Mining, Second Edition. John Wiley & Sons, Ltd.
Pintoko, B. M., & Muslim L., K. (2018). Analisis Sentimen Jasa Transportasi Online pada Twitter Menggunakan Metode Naïve Bayes Classifier. e-Proceeding of Engineering, 5(3), 8121.
Purbasari, I. Y., Nugroho, B., & Madya, J. R. (2013). Benchmarking Algoritma Pemilihan Atribut Pada Klasifikasi Data Mining. 8.
Published
2022-10-04
Section
Volume 7, Nomor 2 Oktober, Tahun 2022
Abstract viewed = 375 times