ANALISA TINGKAT KELULUSAN MAHASISWA UNIVERSITAS PELITA BANGSA DALAM MENYELESAIKAN TUGAS AKHIR MENGGUNAKAN METODE NAIVE BAYES
Daftar Isi:
- Semua aspek kehidupan telah menyaksikan kemajuan yang semakin pesat dalam teknologi informasi. Berbagai bidang kehidupan, termasuk industri, ekonomi, teknologi, dan ilmu pengetahuan, menghasilkan banyak data. Sehingga data yang ada lebih berguna dalam kehidupan nyata, data mining menentukan pola yang ditemukan dalam dataset. Universitas memiliki banyak data tentang jumlah gelar dan mahasiswa. Salah satu cara untuk mengukur kinerja perguruan tinggi adalah dengan meluluskan mahasiswa tepat waktu dan masih banyak mahasiswa yang lulus sebelum tepat waktunya. Ini disebabkan oleh banyak hal, seperti masalah uang, pekerjaan, dan waktu, serta mahasiswa tidak bertanggung jawab terhadap pendidikan mereka sendiri sehingga mahasiswa harus mengulang. Tujuan penelitian ini adalah memprediksi tingkat kelulusan mahasiswa dengan tepat dan membuat rekomendasi terhadap performansi mahasiswa agar lulus tepat waktu. Metode penelitian ini menggunakan Naive Bayes Classifer. Berdasarkan hasil yang telah dilakukan dengan perhitungan menggunakan Algoritma Naive Bayes yang dihitung secara manual, Microsoft Excel, dan tool RapidMiner menghasilkan data yang sama sehingga data mining algoritma metode Naive Bayes sangat tepat digunakan untuk menghitung klasifikasi data tingkat kelulusan karena menghasilkan data yang akurat. Berdasarkan hasil perhitungan Metode Naive Bayes dengan 426 data traning menggunakan RapidMiner diketahui bahwa nilai accuracy: 98,55%, Precision: 98,94%, sedangkan Recall: 97,83%. All aspects of life have witnessed increasingly rapid progress in information technology. Various areas of life, including industry, economics, technology, and science, produce a lot of data. So that existing data is more useful in real life, data mining determines the patterns found in the dataset. Universities have a lot of data on the number of degrees and students. One way to measure higher education performance is by graduating students on time; Unfortunately, there are still many students who graduate prematurely. This is caused by many things, such as money, work and time problems, as well as students' irresponsibility towards their own education. As a result, courses become less valuable and students have to repeat them, resulting in tardiness. The aim of this research is to predict student graduation rates accurately and make recommendations on student performance so that they graduate on time. This research method uses the Naive Bayes Classifer. Based on the results that have been carried out using calculations using the Naive Bayes algorithm which is calculated manually, Microsoft Excel, and the RapidMiner tool produce the same data so that the Naive Bayes data mining algorithm method is very appropriate to use to calculate graduation level data classification because it produces accurate data. Based on the results of Naive Bayes method calculations with 426 traning data using RapidMiner, it is known that the accuracy value: 98,55%, Precision: 98,94%, while Recall: 97,83%.