Analisis Seleksi Atribut Dalam Memprediksi Kegagalan Skripsi Mahasiswa Menggunakan Algoritme Naïve Bayes pada Jurusan Sistem Informasi Universitas Brawijaya

Penulis

  • Satrio Hadi Wijoyo Universitas Brawijaya, Malang
  • Satrio Agung Wicaksono Fakultas Ilmu Komputer UB
  • Admaja Dwi Herlambang Fakultas Ilmu Komputer UB

DOI:

https://doi.org/10.25126/jtiik.20231026426

Abstrak

Data mining dapat diterapkan pada bidang lembaga atau institusi Pendidikan dan sering disebut juga dengan Educational Data Mining (EDM) yaitu sebuah pengembangan metode dalam mengeksplorasi jenis tipe data pendidikan yang bersifat unik yang bertujuan untuk mempelajari dalam memahami kinerja siswa dan pengaturan lingkungan di tempat siswa belajar. Data mining juga dapat dimanfaatkan untuk analisa seleksi atribut untuk prediksi kegagalan belajar mahasiswa pada perkuliahan. Salah satunya kegagalan dalam menyelesaikan skripsi dengan menggunakan algoritme naïve bayes. Tahapan penelitian ini dimulai dari pengumpulan data, preproses data, implementasi algoritme naïve bayes, pengujian, dan analisa hasil. Data yang digunakan sebanyak 500 data untuk mahasiswa angkatan 2012-2015 dengan 24 atribut. Akurasi tertinggi yaitu algoritme naive bayes dengan menggunakan data latih yang menunjukkan hasil 412 prediksi benar dengan akurasi sebesar 82.4% dan 88 prediksi salah dengan presentasi sebesar 17.6%. Sedangkan hasil seleksi atribut yang telah dilakukan terdapat Lama P2 merupakan atribut dengan rankinging teratas yang mempengaruhi hasil klasifikasi.

 

Abstract

 

Data mining can be applied to the field of educational institutions or institutions and is often referred to as Educational Data Mining (EDM), which is a method development in exploring unique types of educational data types that aim to study in understanding student performance and environmental settings in which students learn. Data mining can also be used to analyze attribute selection for predicting student learning failure in lectures. One of them is the failure in completing the thesis using the naïve Bayes algorithm. The stages of this research started from data collection, data preprocessing, implementation of the Naïve Bayes algorithm, testing, and analysis of the results. The data used is as much as 500 data for students class 2012-2015 with 24 attributes. The highest accuracy is the Naive Bayes algorithm using data training which shows the results of 412 correct predictions with an accuracy of 82.4% and 88 false predictions with a presentation of 17.6%. Meanwhile, the result of attribute selection that has been carried out is that the Old P2 is the attribute with the top ranking that affects the classification results.

Downloads

Download data is not yet available.

Referensi

ASNAWI, M. H., ISAL FIRMANSYAH, RAFLY NOVIAN, DAN RESA SEPTIANI PONTOH. 2021. Perbandingan Algoritme Naïve Bayes, K-NN, dan SVM dalam pengklasifikasian Sentimen Media Sosial. Seminar Nasional Statistika X, vol. 10

HERLAMBANG, A. D. DAN SATRIO H. W. 2019. Algoritme Naïve Bayes Untuk Klasifikasi Sumber Belajar Berbasis Teks Pada Mata Pelajaran Produktif Di Smk Rumpun Teknologi Informasi Dan Komunikasi. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) , vol. 6, no. 4, pp. 431-436.

HERLAMBANG, A. D., SATRIO H. W., DAN ADITYA R. 2019. Intelligent Computing System to Predict Vocational High School Student Learning Achievement Using Naïve Bayes Algorithm. Journal of Information Technology and Computer Science, vol. 4, no. 1, Juni 2019. pp.15–25.

NURAENI, R., ASO SUDIARJO, & RANDI RIZAL. 2021. Perbandingan Algoritme Naïve Bayes Classifier, dan Algoritme Decision Tree Untuk Analisa Sistem Klasifikasi Judul Skripsi. Innovation in Research of Informatics (IINOVATICS), vol 3, No. 1, pp.26-31

ROMERO, C., & VENTURA, S. 2010. Educational Data Mining: A Review of the State of the Art. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 40(6), 601–618. https://doi.org/10.1109/TSMCC.2010.2053532

SHAKEEL, K., & ANWER BUTT, N. 2015. Educational Data Mining to Reduce Student Dropout Rate by Using Classification. 253rd OMICS International Conference on Big Data Analysis & Data Mining, (May). Retrieved from https://www.researchgate.net/publication/ 281149091_Educational_Data_Mining_t o_Reduce_Student_Dropout_Rate_by_U sing_Classification?enrichId=rgreq95ac86e292913b9c0a37d546c75096e5XXX&enrichSource=Y292ZXJQYWdlOzI4MTE0OTA5MTtBUzoyNjUyNzk2MzI1NzI0MTZAMTQ0MDI1

YUAN, L. 2010. An Improved Naive Bayes Text Classification Algorithm in Chinese Information Processing. In: Proceedings of the Third International Symposium on Computer Science and Computational Technology (ISCSCT ’10), pp. 267-269. Jiaozuo, P. R. China

WICAKSONO, A., H., AHMAD A. S., DAN SATRIO H. W., 2022. Klasifikasi Siswa Slow Learner untuk Mendukung Sekolah dalam Meningkatkan Pemahaman Siswa Menggunakan Algoritme Naïve Bayes. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK). Vol. 9, No. 3, Juni 2022, hlm. 589-596

Diterbitkan

14-04-2023

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Analisis Seleksi Atribut Dalam Memprediksi Kegagalan Skripsi Mahasiswa Menggunakan Algoritme Naïve Bayes pada Jurusan Sistem Informasi Universitas Brawijaya. (2023). Jurnal Teknologi Informasi Dan Ilmu Komputer, 10(2), 379-384. https://doi.org/10.25126/jtiik.20231026426