IMPLEMENTASI METODE NAIVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DI PROGRAM STUDI TEKNIK INFORMATIKA FT UN PGRI KEDIRI

(1)

Yayak Kartika Sari | 12.1.03.02.0081 Teknik – Teknik Informatika

simki.unpkediri.ac.id

|| 1||

IMPLEMENTASI METODE NAIVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DI

PROGRAM STUDI TEKNIK INFORMATIKA FT UN PGRI KEDIRI

SKRIPSI

Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom)

Pada Program Studi Teknik Informatika

OLEH :

YAYAK KARTIKA SARI NPM : 12.1.03.02.0081

FAKULTAS TEKNIK (FT)

UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA UN PGRI KEDIRI

2016

(2)

Universitas Nusantara PGRI Kediri

|| 2||

(3)

|| 3||

(4)

|| 4||

IMPLEMENTASI METODE NAIVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DI PROGRAM STUDI TEKNIK

INFORMATIKA FT UN PGRI KEDIRI

Yayak Kartika Sari 12.1.03.02.0081 Teknik – Teknik Informatika [email protected]

Ir. Juli Sulaksono, M.M.,M.Kom dan Risky Aswi Ramadhani, M.Kom UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK

Penelitian ini dilatar belakangi hasil pengamatan peneliti terhadap kelulusan mahasiswa di Program Studi Teknik Informatika FT UN PGRI Kediri, bahwa data mahasiswa dan data jumlah mahasiswa dapat menghasilkan informasi yang berlimpah berupa jumlah kelulusan setiap tahunnya, profil, dan hasil akademik mahasiswa selama menempuh proses kegiatan belajar mengajar, tetapi pemanfaatan data mahasiswa tersebut belum dimanfaatkan secara maksimal dan efisien, sehingga tingkat kelulusan mahasiswanya belum sepenuhnya dilihat dengan mudah dan cepat. Permasalahan penelitian ini adalah (1) Bagaimana cara menerapkan metode Naive Bayes untuk memprediksi kelulusan mahasiswa?

(2) Bagaimana cara membangun aplikasi sistem pengambilan keputusan untuk memprediksi kelulusan mahasiswa secara tepat dan akurat berdasarkan beberapa variabel yang sudah ditentukan?.

Penelitian ini menggunakan metode Naive Bayes dengan subyek penelitian mahasiswa Program Studi Teknik FT UN PGRI Kediri yang lulus tahun 2011, dengan beberapa variabel yaitu nilai matakuliah yang berhubungan dengan Teknik Informatika dari semester 1 sampai semester 8 dan nilai kedekatan antara nilai matakuliah terhadap nilai standar. Metode Naive Bayes adalah suatu metode untuk menghitung prediksi suatu data dari fakta-fakta yang ada menuju suatu kesimpulan. Kesimpulan hasil penelitian ini adalah (1) Melalui aplikasi sistem pengambilan keputusan dapat digunakan untuk menghasilkan sistem pengambilan keputusan untuk memprediksi kelulusan mahasiswa yang digunakan sebagai bahan pertimbangan pimpinan dalam pengambilan kebijakan dan keputusan. Sistem ini juga sebagai peringatan dini bagi mahasiswa tertentu yang berdasarkan hasil prediksi dinyatakan lulus dengan melebihi ketentuan lama studi.

Kata Kunci : metode Naive Bayes, nilai kedekatan.

(5)

|| 2||

I. LATAR BELAKANG

Pemanfaatan data kelulusan pada gudang data pada Program Studi Teknik Informatika Fakultas Teknik Universitas Nusantara PGRI Kediri saat ini belum dimanfaatkan secara maksimal dan efisien, sehingga tingkat kelulusan mahasiswanya belum sepenuhnya dilihat dengan mudah dan cepat.

Untuk melihat dan dapat mengetahui prediksi tingkat kelulusan mahasiswa

tersebut, maka dapat

memaksimalkan dan memanfaatkan data-data yang menumpuk di gudang data khususnya data kelulusan.

(Andri, 2013)

Atribut yang akan digunakan dalam melakukan prediksi kelulusan mahasiswa adalah nilai mata kuliah

yang berhubungan dengan Teknik Informatika dari semester 1 sampai semester 8 dan nilai kedekatan antara nilai matakuliah terhadap nilai standar.

Pada hakekatnya, Teorema keputusan bayes adalah pendekatan statistik yang fundamental dalam pengenalan pola (pattern recoginition). Pendekatan ini didasarkan pada kuantifikasi tradeoff antara berbagai keputusan klasifikasi dengan menggunakan probabilitas dan ongkos yang ditimbulkan dalam keputusan keputusan tersebut. Ide dasar dari bayes adalah menangani masalah yang bersifat hipotesis yakni mendesain suatu klasifikasi untuk memisahkan objek. (Fithri,2014)

II. METODE

Dalam melakukan prediksi kelulusan mahasiswa dengan metode Naive Bayes diperlukan atribut-atribut untuk perhitungan sehingga akan didapatkan hasil klasifikasi. Klasifikasi yang dimaksud adalah kasifikasi lulus tepat waktu atau lulus terlambat berdasarkan 2 atribut yang telah ditentukan. Adapun atribut penentu

yang digunakan dalam mengklasifikasikan data mahasiswa yaitu :

1. Nilai Mata Kuliah

Nilai mata kuliah yang digunakan merupakan nilai

matakuliah yang

berhubungan dengan IT. Nilai matakuliah tersebut dikelompokan menjadi 4

(6)

|| 3||

kelompok yaitu jaringan, SPK, perancangan dan pemograman.

2. Nilai Kedekatan

Nilai kedekatan merupakan nilai perbandingan antara nilai matakuliah mahasiswa dengan nilai standar. Nilai standar diperoleh dari perkaliam nila SKS matakuliah dengan nilai SKS B.

Tahap penyelesaian metode Naive Bayes adalah :

a. Pengelompokan mata kuliah yang berhubungan dengan Teknik Informatika. Ada 4 kelompok matakuliah yaitu jaringan, sistem pendukung keputusan, perancangan, dan pemograman.

b. Menetukan nilai standar perkelompok matakuliah. Nilai standar ditentukan dari perkalian jumlah SKS dengan nilai B. Kemudian hasil dari perkalian tersebut dibagi banyaknya jumlah matakuliah.

Mata Kuliah Nilai Standar

Jaringan 8.40

SPK 10.50

Perancangan 9.00

Pemograman 6.56

c. Menentukan nilai kedekatan.

Nilai kedekatan diperoleh dari perbandingan antara nilai standar perkelompok matakuliah dengan nilai mahasiswa perkelompok matakuliah.

d. Menentukan Prediksi Kelulusan mahasiswa berdasarkan nilai kedekatan. Nilai kedekatan diperoleh dari penjumlahan nilai kedekatan jaringan, nilai kedekatan sistem pendukung keputusan, nilai kedekatan perancangan dan nilai kedekatan pemograman.

e. Menghitung probabilitas kelas prediksi kelulusan.

𝑃(𝐻|𝐸) =P(E|H)x P(H) P(E) Keterangan :

P(H|E) : Probabilitas akhir bersyarat suatu hipotesis H terjadi jika diberikan bukti (evidence) E terjadi.

P(E|H) : Probabilitas sebuah bukti E terjadi akan mempengaruhi hipotesis H.

P(H) : Probabilitas awal (priori) hipotesis H terjadi tanpa nmemandang bukti apapun.

(7)

|| 4||

P(E) : Probabilitas awal (priori) hipotesis E terjadi tanpa memandang bukti yang lain.

1) Menghitung probabilitas prediksi kelulusan

Jumlah Terlambat = 9 = P(Y=

TERLAMBAT) = ⁹

20 = 0.45

Jumlah Tepat = 11 = P(Y= TEPAT) =

11 20 = 0.55

2) Menghitung probabilitas kelas P(Nilai Kedekatan = 0.01 | Y=TEPAT)= ³

11 = 0.27

P(Nilai Kedekatan = 0.01 | Y=TERLAMBAT)= ²

9 = 0.22

3) Menghitung probabilitas akhir P(Y= TERLAMBAT) * P(Nilai

Kedekatan = 0.01 |

Y=TERLAMBAT) = 0.45 * 0.22 = 0.099

P(Y= TEPAT) * P(Nilai Kedekatan = 0.01 | Y=TEPAT) = 0.55 * 0.27 = 0.1485

Perbandingan Probabilitas akhir Prediksi Tepat = 0.1485

Prediksi Terlambat = 0.099

Penentuan prediksi = 0.1485 > 0.099.

III. HASIL DAN KESIMPULAN

Dari penelitian yang dilakukan maka dihasilkan sebuah aplikasi untuk memprediksi kelulusan mahasiswa Prodi Teknik Informatika Fakultas Teknik di UN PGRI Kediri menggunakan teknik data mining dengan metode naive bayes. Adapun variabel yang digunakan adalah nilai kedekatan antara nilai matakuliah terhadap nilai standar dan nilai perkelompok matakuliah yang berhubungan dengan IT. Dalam penelitian menggunakan data sebanyak 160 mahasiswa yang terdiri dari 76 mahasiswa laki-laki dan 84

mahasiswa perempuan. Mahasiswa dengan nilai kelompok matakuliah jaringan 8.42, SPK 10.7, perancangan 9.00, pemograman 6.56, dan diketahui nilai kedekatan 0.01.

Dari perhitungan antara nilai kedekatan dan nilai perkelompok matakuliah dihasilkan nilai probabilitas akhir dari prediksi lulus tepat 0.1485 sedangkan probabilitas terlambat 0.099. Ketika kedua hasil probabilitas tersebut dibandingkan diperoleh hasil probabilitas tepat lebih besar dari probabilitas terlambat maka mahasiswa tersebut lulus tepat waktu.

(8)

|| 5||

IV. DAFTAR PUSTAKA

Albab, Akhmad Ulil dan Eviyanti, Ade.

2015. Aplikasi Data Mining untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa, Jurnal Teknik Informatika Universitas Muhammadiyah Sidoarjo, hal: 1-9.

Fithri, Diana Laily dan Darmanto, eko.

2014. Sistem Pendukung kepuusan untuk Memprediksi Kelulusan Mahasiswa Menggunakan Metode Naive Bayes. Jurnal Prosiding SNATIF, hal: 319-324.

Hadjaratie, Lillyan. 2015. Prediksi Pemetaan Data Mahasiswa Fakultas Teknik Universitas Negeri Gorontalo Menggunakan Pendekatan Data Mining, jurnal Teknik informatika Universitas Negeri Gorontalo, hal 1- 12.

Irawan, Muhammad Taufik, Kriestanto.

2016. Penerapan Profile Matching untuk Pencarian Siswa SMP Penerima Beasiswa Miskin dan

Berprestasi. Jurnal Informatika dan Komputer (JIKO), 1(1): 24-29.

Murniati, Sri dan Andri. 2013.

Implementasi Teknik Data Mining untuk Memprediksi Tingkat Kelulusan Mahasiswa Pada Universitas Bina Darma Palembang, Seminar Nasional Informatika 2013 (semnasIF 2013), hal : 56-63.

Nugroho, Bunafit. 2005. Database Relational dengan MySQL.

Yogyakarta : Andi.

Nugroho, Yuda Septian. 2015. Data mining menggunakan Algoritma Naive Bayes Untuk Klasifikasi kelulusan Mahasiswa Universitas Dian Nuswantoro, Jurnal Sistem Informasi Fakultas Ilmu Komputer Universitas Dian Nuswantoro, hal:

1-10.

Prasetyo, eko. 2012. Data Mining-Konsep dan Aplikasi Menggunakan Matlab.

Yogyakarta : Andi

.