KLASIFIKASI WAKTU PENYELESAIAN SKRIPSI MAHASISWA MENGGUNAKAN METODE WEIGHTED NAÏVE BAYES (STUDI KASUS: PROGRAM STUDI TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH GRESIK)
DOI:
https://doi.org/10.30587/indexia.v4i1.3589Keywords:
Klasifikasi, Waktu Penyelesaian Skripsi, Weighted Naïve Bayes.Abstract
Skripsi merupakan tahapan akhir bagi mahasiswa dalam rangkaian pembelajaran untuk memperoleh gelar sarjana di pendidikan strata-1. Waktu penyelesaian skripsi mulai dari 1 semester, 2 semester, dan lebih dari 2 semester (hingga masa studi mencapai batas maksimalnya). Sangat penting bagi program studi mengetahui klasifikasi waktu penyelesaian skripsi mahasiswa. Informasi tersebut dapat menjadi dasar dalam membuat rencana strategis dalam rangkaian pembelajaran supaya meningkatkan mahasiswa dengan masa studi tepat waktu. Dalam penelitian ini akan dilakukan klasifikasi waktu penyelesaian skripsi mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Gresik dengan menggunakan metode Weighted Naïve Bayes. Dengan menambahkan bobot terhadap atribut kelas pada algoritma naïve bayes, maka ketepatan klasifikasi pada algoritma weighted naïve bayes tidak didasari hanya dengan probabilitas melainkan juga dipengaruhi oleh pembobotan fitur terhadap kelas. Hasil klasifikasi data latih mahasiswa teknik informatika Universitas Muhammadiyah Gresik dalam waktu penyelesaian skripsi didapatkan nilai probabilitas mahasiswa teknik informatika dalam menyelesaikan skripsi dengan waktu 1 semester, 2 semester, dan > 2 semester adalah 0.14286, 0.53968, dan 0.31746. Dan hasil pengujian evaluasi performa dengan menggunakan confusion matrix, didapatkan nilai accuracy 77,5%, precision kelas 1S 100%, precision kelas 2S 72,3%, precision kelas 3S 82,4%, recall kelas 1S 11,1%, recall kelas 2S 100%, recall kelas 3S 93,3%, specificity kelas 1S 100%, specificity kelas 2S 75%, specificity kelas 3S 88%.
References
DATA MINING. USA: World Scientific.
[2] Darmono, A & Hasan, A. 2005. Menyelesaikan
Skripsi dalam Satu Semester. Gramedia Widi-asarana Indonesia, Jakarta, Indonesia.
[3] Han, J & Kamber, M. 2006. Data Mining Concepts
and Techniques, second edition. California: Morgan Kaufman.
[4] Han, J., Kamber, M. & Pei, J. 2012. Data Mining:
Concepts and Techniques, 3rd edition. San Francisco: Morgan Kaufmann.
[5] Wijayanti, R. R. & Abdurrasyid. 2021.
Perhitungan Estimasi Waktu Pada Produksi Ba-rang Dengan Menerapkan Algoritma Naïve Bayes Klasifikasi (Studi Kasus PT. Hasil Raya Industries). Jurnal Informatika. 109-118.
[6] Prasetyo, E. 2013. Data Mining – Konsep dan
Aplikasi Menggunakan Matlab. Yogyakarta: Andi Offset.
[7] Prasetyo, E. 2014. Data Mining – Mengelolah Data
Menjadi Informasi Menggunakan Matlab. Yog-yakarta: Andi Offset.
[8] Santosa, B. 2007. Data Mining Teknik
Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: GrahaIlmu.
[9] Sari, P. P. 2020. Analisis Kinerja Algoritma
K-Means Dengan Menentukan Centroid Menggunakan Metode Rank Order Centroid (ROC). (Tesis, Universitas Sumatera Utara, 2020). Diakses dari https://repositori.usu.ac.id
[10] Siagian, N. A. 2020. Pembobotan Fitur Dataset
Menggunakan Gain Ratio Guna Meningkatkan Akurasi Metode Naïve Bayesian Classifier. (Tesis, Universitas Sumatera Utara, 2020). Di-akses dari https://repositori.usu.ac.id
[11] Wahyuni, D. T. & Luthfiarta, A. 2014. Prediksi
Hasil Pemilu Legislatif Dki Jakarta Menggunakan Naive Bayes Dengan Algoritma Genetika Sebagai Fitur Seleksi. Diakses dari http://eprints.dinus.ac.id
[12] Yudha, B. L., Muflikhah, L. & Wihandika, R.
C. 2018. Klasifikasi Risiko Hipertensi Menggunakan Metode Neighbor Weighted KNearest Neighbor (NWKNN). Diakses dari https://j-ptiik.ub.ac.id