Prediksi Risiko Mahasiswa Mengulang Mata Kuliah Menggunakan Algoritma Naïve Bayes

Desi Irfan; Putri  Ramadani; Intan Nur  Fitriyani; Riswan Syahputra  Damanik; Yusril Iza  Mahenda Hasibuan

doi:10.55338/jumin.v5i2.6086

Authors

Desi Irfan, Institut Teknologi dan Kesehatan Ika Bina, Indonesia
Putri Ramadani, Institut Teknologi dan Kesehatan Ika Bina, Indonesia
Intan Nur Fitriyani, Institut Teknologi dan Kesehatan Ika Bina, Indonesia
Riswan Syahputra Damanik, Institut Teknologi dan Kesehatan Ika Bina, Indonesia
Yusril Iza Mahenda Hasibuan, Institut Teknologi dan Kesehatan Ika Bina, Indonesia

DOI:

https://doi.org/10.55338/jumin.v5i2.6086

Keywords:

Naïve Bayes, Prediksi Risiko, Probabilitas Posterior

Abstract

Penelitian ini bertujuan untuk mengembangkan model prediksi risiko mahasiswa mengulang mata kuliah dengan menggunakan algoritma Naïve Bayes. Dalam penelitian ini, data yang digunakan mencakup nilai ujian akhir, absensi, dan partisipasi akademik mahasiswa yang diprediksi akan mempengaruhi keputusan apakah seorang mahasiswa berisiko mengulang mata kuliah. Algoritma Naïve Bayes diterapkan dengan menghitung probabilitas a priori, likelihood, dan probabilitas posterior untuk kedua kelas target: "Mengulang" (1) dan "Tidak Mengulang" (0). Hasil analisis menunjukkan bahwa sebagian besar mahasiswa diprediksi tidak mengulang mata kuliah, dengan probabilitas lebih tinggi pada kelas "Tidak Mengulang" dibandingkan dengan kelas "Mengulang". Model ini memprediksi mayoritas data sebagai mahasiswa yang tidak mengulang, meskipun dalam kenyataannya ada mahasiswa yang seharusnya berisiko mengulang. Hal ini terjadi karena perbedaan kecil dalam nilai ujian dan absensi antara kedua kelas, yang mempengaruhi probabilitas posterior. Oleh karena itu, model yang dihasilkan menunjukkan perlunya perbaikan lebih lanjut, seperti penerapan Laplace Smoothing untuk mengatasi masalah kemungkinan nol (0 probability) dan penggunaan distribusi normal untuk fitur-fitur numerik. Penambahan fitur tambahan yang lebih relevan, seperti faktor psikologis atau sosial, juga dapat meningkatkan akurasi model. Secara keseluruhan, penelitian ini memberikan dasar yang baik untuk mengembangkan sistem prediksi risiko akademik yang lebih efektif di perguruan tinggi.

Downloads

Download data is not yet available.

References

T. S. B. Hadi and C. Darujati, “Analisis dan Implementasi Toko Online From. Munch: Studi Kasus Pengembangan Platform E-Commerce,” DIKE J. Ilmu Multidisiplin, vol. 1, no. 2, pp. 49–52, 2023.

S. Hulu and F. Zalukhu, “Sistem Pendukung Keputusan Pengadaan Alat Kesehatan Pada Rumah Sakit Estomihi Dengan Menggunakan Metode Grey Absolute Decision Analysis (GADA)(Studi Kasus: Rumah Sakit Estomihi),” DIKE J. Ilmu Multidisiplin, vol. 1, no. 1, pp. 19–23, 2023.

E. Manalu, F. A. Sianturi, and M. R. Manalu, “Penerapan Algoritma Naive Bayes Untuk Memprediksi Jumlah Produksi Barang Berdasarkan Data Persediaan Dan Jumlah Pemesanan Pada Cv. Papadan Mama Pastries,” J. Mantik Penusa, vol. 1, no. 2, 2017.

F. Sianturi, R. F. Siahaan, and A. Fitra, “Penerapan Metode Fuzzy Model Tahani Dalam Sistem Pendukung Keputusan Kenaikan Jabatan,” InfoTekJar J. Nas. Inform. Dan Teknol. Jar., vol. 4, no. 2, pp. 275–280, 2020.

F. A. Sianturi, “Analisa metode teorema bayes dalam mendiagnosa keguguran pada ibu hamil berdasarkan jenis makanan,” J. Tekinkom Tek. Inf. Dan Komput., vol. 2, no. 1, pp. 87–92, 2019.

S. Nainggolan and F. A. Sianturi, “Sistem Pakar Mendiagnosa Penyakit Kulit Menggunakan Metode Metode Teorema Bayes,” J. Ilmu Komput. Dan Sist. Inf. JIKOMSI, vol. 3, no. 1.1, pp. 192–196, 2020.

B. Sapriatin and F. A. Sianturi, “Penerapan Teorema Bayes Mendeteksi Stunting pada Balita,” J. Media Inform., vol. 3, no. 1 Desember, pp. 24–37, 2021.