IMPLEMENTASI ALGORITMA NAIVE BAYES CLASSIFIER MENGGUNAKAN FEATURE FORWARD SELECTION DALAM MEMPREDIKSI KETEPATAN MASA STUDI MAHASISWA

Safitri, Noliza (2023) IMPLEMENTASI ALGORITMA NAIVE BAYES CLASSIFIER MENGGUNAKAN FEATURE FORWARD SELECTION DALAM MEMPREDIKSI KETEPATAN MASA STUDI MAHASISWA. Masters thesis, Universitas Putra Indonesia YPTK.

	Text TESIS_NOLIZA SAFITRI_212321023_ABSTRAK.pdf Download (108kB)
	Text TESIS_NOLIZA SAFITRI_212321023_BAB I.pdf Download (482kB)
	Text TESIS_NOLIZA SAFITRI_212321023_DAFTAR PUSTAKA.pdf Download (428kB)
	Text TESIS_NOLIZA SAFITRI_212321023_FULL TEXT.pdf Restricted to Repository staff only Download (6MB)

Abstract

Mahasiswa adalah salah satu pilar penting dalam siklus hidup suatu perguruan tinggi. Salah satu indikator keberhasilan program studi dapat dilihat dari ketepatan masa studi mahasiswa. Ketepatan masa studi mahasiswa merujuk pada waktu terjadwal yang harus ditempuh oleh mahasiswa dari saat mereka memulai program studi hingga lulus, sesuai dengan rentang waktu yang telah ditentukan oleh perguruan tinggi. Pada jenjang Diploma Tiga (D-III) dikatakan lulus tepat waktu apabila dapat menyelesaikan studi kurang atau sama dengan tiga tahun akademik dan dikategorikan lulus tidak tepat waktu apabila menyelesaikan studi lebih dari tiga tahun akademik. Penelitian ini bertujuan untuk memprediksi ketepatan masa studi mahasiswa yang mana dapat mempengaruhi kualitas program studi, sehingga ketepatan masa studi mahasiswa dijadikan salah satu kriteria untuk menentukan penilaian akreditasi oleh Badan Akreditasi Nasional Perguruan Tinggi (BAN-PT). Penelitian ini memiliki manfaat yang signifikan dalam membantu pihak program studi dan fakultas untuk menganalisis luaran pembelajaran dan melakukan perbaikan yang diperlukan. Hal ini dapat membantu meningkatkan kualitas pendidikan di perguruan tinggi dan memenuhi persyaratan akreditasi. Data yang digunakan dalam penelitian ini adalah data akademik mahasiswa Program Studi (D-III) Manajemen Informatika lulusan tahun 2020 - 2022. Kategori yang digunakan dalam penelitian ini adalah jenis kelamin, jurusan, IPS 1 s/d IPS 4, SKS, dan IPK sebagai fitur yang digunakan untuk prediksi. Hasil penelitian ini menunjukkan bahwa model Naive Bayes dengan forward selection mencapai tingkat akurasi sebesar 97,50% dengan menggunakan 129 data training dan 40 data testing. Terdapat 12 mahasiswa menghasilkan prediksi terlambat dan 28 mahasiswa menghasilkan prediksi tepat terhadap ketepatan masa studi mahasiswa. Maka dapat dinyatakan model Naive Bayes termasuk layak digunakan sebagai penentuan hasil keputusan yang baik dalam hal prediksi dan klasifikasi.

Actions (login required)

View Item