PREDIKSI KELULUSAN MAHASISWA TEPAT WAKTU MENGGUNAKAN METODE NAIVE BAYES DI FAKULTAS TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH PROF. DR. HAMKA

Dwi Anugrah Putra; Mia kamayani;

Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Naive

Bayes Di Fakultas Teknik Informatika UHAMKA

Dwi Anugrah Putra

Berdasarkan pengamatan dan data yang ada pada prodi informatika FT UHAMKA bahwa
banyaknya mahasiswa yang tidak lulus tepat waktu (8 semester) dan dalam jangka waktu lama
akan menyebabkan penumpukan mahasiswa, kurangnya ruang kelas, dan kurangnya lahan parkir.
Oleh karena itu penulis bermaksud untuk membantu agar hal tersebut tidak terjadi. Salah satu cara
untuk meningkatkan kelulusan mahasiswa tepat waktu adalah menggunakan data mining dengan
memanfaatkan data mahasiswa yang sudah lulus. Metode data mining yang digunakan pada
penelitian ini adalah naive bayes dengan menggunakan atribut jenis kelamin, index prestasi
semester satu sampai semester empat , dan SKS semester satu sampai semester empat. Algoritma
naive bayes ini akan dibuat beberapa model dan akan dicari nilai akurasi tertinggi dari model
tersebut. Evaluasi model menggunakan K- fold Cross Validation dan hasil prediksi akan
digunakan oleh dosen pembimbing akademik untuk mengevaluasi mahasiswa yang hasil
prediksinya kurang memuaskan. Model dengan hasil terbaik yaitu model ke 3 dengan tingkat
akurasi sebesar 80.19%, recall 80.26%, precision 92.75% dan F-Measure 86.05% yang nantinya
akan digunakan untuk implementasi pada aplikasi prediksi kelulusan mahasiswa.
Kata Kunci: Naïve Bayes, prediksi kelulusan, k-Fold Cross-Validation

Prediction of Student Graduation on Time Using the Naive Bayes Method at the

UHAMKA Faculty of Informatics
Dwi Anugrah Putra

Based on observations and data available at the UHAMKA FT informatics study program, the
large number of students who do not graduate on time (8 semesters) and in the long term will
cause student accumulation, lack of classrooms, and lack of parking spaces. Therefore the author
intends to help so that this does not happen. One way to increase student graduation on time is to
use data mining by utilizing the data of students who have graduated. Data mining methods used
in this study are naive bayes by using gender attributes, performance index for semester one to
semester four, and semester credits until semester four. Naive Bayes algorithm will be made in
several models and the highest accuracy value of the model will be sought. Evaluation of the
model uses K-fold Cross Validation and prediction results will be used by academic supervisors to
evaluate students whose prediction results are less satisfactory. The model with the best results is

the third model with an accuracy level of 80.19%, recall 80.26%, precision 92.75% and F-
Measure 86.05% which will be used for implementation in student graduation prediction

applications.
Keywords: Naïve Bayes, graduation prediction, k-Fold Cross-Validation