Analisis Pemetaan Kemampuan Akademik Mahasiswa Program Studi Teknik Informatika Dengan Metode Naive Bayes Classifier Dan K-Nearest Neighbor (KNN) (Studi Kasus: Universitas Pamulang)

Utari Sekar Putri; Taswanda Taryo; Achmad Hindasyah

Authors

Utari Sekar Putri, Universitas Pamulang, Kota Tangerang Selatan, Indonesia
Taswanda Taryo, Universitas Pamulang, Kota Tangerang Selatan, Indonesia
Achmad Hindasyah, Badan Riset dan Inovasi Nasional ( BRIN ), Indonesia

Keywords:

On-Time Graduation, Naïve Bayes, K-Nearest Neighbor, Student Activity Level

Abstract

Pendidikan tinggi memiliki peran strategis dalam menghasilkan sumber daya manusia yang berkualitas, khususnya di bidang Teknik Informatika yang terus berkembang pesat. Penilaian performa akademik mahasiswa menjadi aspek penting untuk memastikan efektivitas pendidikan dan kualitas lulusan yang dihasilkan. Penelitian ini bertujuan untuk mengevaluasi proses pembelajaran mahasiswa Teknik Informatika dengan menerapkan teknik data mining, yaitu algoritma Naive Bayes Classifier (NBC) dan K-Nearest Neighbors (KNN). Metode penelitian yang digunakan melibatkan analisis data akademik mahasiswa Universitas Pamulang, yang mencakup tingkat keaktifan mahasiswa, pola kelulusan, serta faktor-faktor lain yang memengaruhi performa akademik. Proses analisis data dilakukan dengan membandingkan performa algoritma NBC dan KNN dalam memprediksi keberhasilan akademik mahasiswa berdasarkan parameter yang telah ditentukan. Selain itu, penelitian ini juga dilengkapi dengan survei yang bertujuan mengidentifikasi kendala yang memengaruhi tingkat kelulusan mahasiswa. Hasil penelitian menunjukkan bahwa metode KNN memiliki keunggulan dibandingkan NBC dengan akurasi masing-masing sebesar 91% untuk KNN dan 73% untuk NBC. Analisis data juga mengungkap adanya tren penurunan tingkat keaktifan mahasiswa dari 100% pada semester pertama menjadi 76,36% pada semester keempat, serta tingkat kelulusan tepat waktu yang sangat rendah, hanya 7,27% dari total populasi mahasiswa. Berdasarkan survei, kendala utama yang menyebabkan rendahnya tingkat kelulusan tepat waktu adalah masalah manajemen waktu, yang diakui oleh 71,43% responden, sementara beban tugas atau ujian tidak dianggap signifikan. Temuan ini menjadi dasar penting bagi pengelola program studi dalam merancang strategi pendidikan yang lebih responsif dan efektif untuk meningkatkan efisiensi studi serta kesiapan mahasiswa menghadapi tantangan dunia profesional.

Downloads

Download data is not yet available.

References

A. Febriyanto, S. Achmadi, and A. P. Sasmito, “Penerapan Metode K-Means Untuk Clustering Pengunjung Perpustakaan Itn Malang,” J. Mhs. Tek. Inform., vol. 5, no. 1, pp. 61–70, 2021.

A. D. Cahyo, “Metode Naive Bayes Untuk Klasifikasi Masa Studi Sarjana,” J. Teknol. Pint., vol. 3, no. 4, 2023, [Online]. Available: http://teknologipintar.org/index.php/teknologipintar/article/view/385%0Ahttp://teknologipintar.org/index.php/teknologipintar/article/download/385/370

C. Journal, I. W. Saputro, B. W. Sari, P. Studi, I. Komputer, and J. Informatika, “Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa,” vol. 6, no. 1, pp. 1–11, 2019.

W. D. Yuniarti, A. N. Faiz, and B. Setiawan, “Identifikasi Potensi Keberhasilan Studi Menggunakan Naïve Bayes Classifier,” Walisongo J. Inf. Technol., vol. 2, no. 1, p. 1, 2020, doi: 10.21580/wjit.2020.2.1.5204.

B. D. Meilani, S. Wahyudiana, A. Y. P. Putri, and A. Pakarbudi, “Klasifikasi Identifikasi Faktor Penyebab Ketidaktepatan Masa Lulus Mahasiswa dengan Metode Naïve Bayes Classifier,” Semin. Nas. Sains dan Teknol. Terap., pp. 297–302, 2019, [Online]. Available: https://ejournal.itats.ac.id/sntekpan/article/view/586

R. Hasudungan and W. J. Pranoto, “Implementasi Teorema Naïve Bayes Pada Prediksi Prestasi Mahasiswa,” vol. 5, no. 1, pp. 10–16, 2021.

D. Marutho, “PERBANDINGAN METODE NAÏVE BAYES , KNN , DECISION TREE PADA LAPORAN WATER LEVEL JAKARTA,” pp. 90–97, 2019.

A. Rahman, “Klasifikasi Performa Akademik Siswa Menggunakan Metode Decision Tree dan Naive Bayes,” vol. 9, pp. 22–31, 2023.

D. Ayu et al., “AN EDUCATIONAL DATA MINING FOR STUDENT ACADEMIC PREDICTION USING K-MEANS CLUSTERING AND NAÏVE BAYES,” pp. 155–160.

A. F. Watratan, A. P. B, D. Moeis, S. Informasi, and S. P. Makassar, “JOURNAL OF APPLIED COMPUTER SCIENCE AND TECHNOLOGY ( JACOST ) Implementasi Algoritma Naive Bayes Untuk Memprediksi Tingkat Penyebaran Covid-19 Di Indonesia,” vol. 1, no. 1, pp. 7–14, 2020.

S. Iskandar, N. R. Refisis, and B. A. Ginting, “Metode Naive Bayes Classifer Dalam Penentuan Penerima Beasiswa Bidikmisi Di Universitas Negeri Medan,” Karismatika, vol. 7, no. 1, pp. 10–23, 2021.

R. Nofitri and N. Irawati, “Integrasi Metode Neive Bayes Dan Software Rapidminer Dalam Analisis Hasil Usaha Perusahaan Dagang,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 6, no. 1, pp. 35–42, 2019, doi: 10.33330/jurteksi.v6i1.393.

L. Suriani, “Pengelompokan Data Kriminal Pada Poldasu Menentukan Pola Daerah Rawan Tindak Kriminal Menggunakan Data Mining Algoritma K-Means Clustering,” J. Sist. Komput. dan Inform., vol. 1, no. 2, p. 151, 2020, doi: 10.30865/json.v1i2.1955.

D. Novianti, “Implementasi Algoritma Naïve Bayes Pada Data Set Hepatitis Menggunakan Rapid Miner,” Paradig. - J. Komput. dan Inform., vol. 21, no. 1, pp. 49–54, 2019, doi: 10.31294/p.v21i1.4979.

Muhammad Romzi and B. Kurniawan, “Pembelajaran Pemrograman Python Dengan Pendekatan Logika Algoritma,” JTIM J. Tek. Inform. Mahakarya, vol. 03, no. 2, pp. 37–44, 2020.