Penerapan Algoritma Naive Bayes Dan K-Means Clustering Untuk Prediksi Dan Segmentasi Mahasiswa Berdasarkan Kinerja Akademik Dan Lama Kelulusan
DOI:
https://doi.org/10.31004/joecy.v5i2.2551Keywords:
Data Mining, Evaluasi Akurasi, K-Means, Kelulusan Mahasiswa, Naive BayesAbstract
Penelitian ini bertujuan untuk mengelompokkan mahasiswa berdasarkan data akademik menggunakan algoritma K-Means Clustering guna mengevaluasi kinerja mahasiswa, mengidentifikasi variabel-variabel penting yang memengaruhi prediksi kelulusan dengan algoritma Naive Bayes, serta mengukur akurasi model prediksi kelulusan dengan mempertimbangkan hasil segmentasi sebagai fitur tambahan dalam klasifikasi. Latar belakang penelitian didasari oleh pentingnya Latar belakang penelitian ini didasari oleh pentingnya tingkat kelulusan tepat waktu sebagai indikator keberhasilan institusi pendidikan tinggi, yang mencerminkan efektivitas proses pembelajaran dan kesiapan lulusan menghadapi dunia kerja. Penelitian ini menggunakan jenis penelitian eksperimental. Sampel penelitian adalah data mahasiswa yang sudah lulus dalam rentang tahun 2020-2024 yang berjumlah 1.000 data. Teknik analisis data meliputi penerapan algoritma K-Means untuk mengelompokkan mahasiswa berdasarkan data numerik, penentuan jumlah cluster optimal dengan metode Elbow, serta penggunaan algoritma Naive Bayes untuk mengidentifikasi variabel penting dan memprediksi kelulusan mahasiswa. Evaluasi akurasi dilakukan menggunakan Cross validation dan confusion matrix. Hasil Akhir penelitian ini adalah interpretasi dan penarikan kesimpulan dari seluruh proses analisis. Setiap hasil dari tahapan K-Means, dan prediksi dianalisis secara menyeluruh dan saling dikaitkan untuk memberikan gambaran utuh mengenai karakteristik mahasiswa, faktor-faktor utama dalam kelulusan, serta performa sistem prediksi yang dibangun.
References
Desmawati, O. (2022). Faktor Yang Menentukan Kelulusan Tepat Waktu Pada Mahasiswa PSPM UIN RIL dengan Analisis Faktor Confirmatori (CFA). Skripsi. UIN Raden Intan Lampung.
Hermadi Imam, Imas S. Sitanggang, Edward. (2007). Clustering menggunakan Self Organizing Maps (studi kasus: Data PPMB IPB).
Jassim, A. K. Taie, A. A. Naama, Z. S. (2023). Predicting Students Performance by Using Data Mining Methods. Journal of Kufa for Mathematics and Computer, 13(1).
Khaerunnisa, A. (2022). Analisis Tingkat Kelulusan Mahasiswa di Unisba dengan menggunakan Algoritma K-Means Clustering. Jurnal Riset Matematika, 67-76.
Khusnuliawati, Hardika and Putri, Dhian Riskiana. (2021). Identifikasi Segmen Pasar Mahasiswa Perguruan Tinggi Menggunakan Analisis Klaster Berdasarkan Variabel Psikografis. Risenologi, 6 (1b). pp. 44-49. ISSN 2502- 5643.
Rahman, A. (2023). Klasifikasi Performa Akademik Siswa Menggunakan Metode Decision Tree dan Naive Bayes. Jurnal Saintekom, 13 (1).
Rahman, F. I. Mujadilah, S. Wahyuni, T. Anas, L. (2023). Prediksi Tingkat Kelulusan Menggunakan K- Means Pada Program Studi Informatika Unismuh Makassar. Jurnal Fasilkom. Universitas Muhammadiyah Makassar, 13 (3).
Sinatrya, I. M. Pohan, A. B. Yunita. Amalia, H. Lestari, A. F. Penerapan Integrasi Algoritma K-Means Dan Naïve Bayes Untuk Klasifikasi Wilayah Rawan Banjir di Jakarta. Jurnal Computer Science, 5 (2).
Suriani, U. (2023). Penerapan Data Mining untuk Memprediksi Tingkat Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree C4.5. Journal of Computer and Information Systems Ampera, 4(2), 55–65.
Wahyudi, E. Wijaya, R. F. Khairul. (2024). K- Means and Naïve Bayes Algorithms for Evaluation of Education Personnel Performance Based on SPMI Standards. Sinkron, 8 (3).
Yadav, S. dan Shukla, S. (2016). Analysis of K-Fold Cross Validation over Hold Out Validation on Colossal Datasets for Quality Classification. Proceedings 6th International Advanced Computing Conference, 78-83.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Andri Rachmatullah, Kusrini Kusrini
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
