Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Simetris
Agustinawati, Dwi
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Metode Data Mining pada Prediksi Kelulusan Mahasiswa Fakultas Teknologi Informasi Di Perguruan Tinggi dengan Algoritma Naive Bayes dan K-Nearest Neighbor Indra, Indra; Agustinawati, Dwi
Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer Vol 15, No 1 (2024): JURNAL SIMETRIS VOLUME 15 NO 1 TAHUN 2024
Publisher : Fakultas Teknik Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/simet.v15i1.10835

Abstract

Kelulusan merupakan salah satu unsur penting bagi pihak fakultas untuk menentukan parameter keberhasilan dan akan sangat berpengaruh terhadap akreditasi yang nantinya menjadi salah satu indikator dari kualitas suatu perguruan tinggi. Saat ini masih banyak mahasiswa yang menempuh lama studi tidak sesuai target yang dijadwalkan. Setiap memasuki tahun ajaran baru, mahasiswa yang diterima makin bertambah sedangkan tidak semua mahasiswa dapat lulus tepat waktu sesuai dengan masa studi yang seharusnya. Metode yang digunakan untuk penelitian ini yaitu metode Naïve Bayes dan metode K-Nearest Neighbor untuk mengetahui hasil akurasi dari prediksi kelulusan mahasiswa. Hasil dari penelitian klasifikasi prediksi kelulusan mahasiswa yang menggunakan 500 data, dengan rincian data training sebanyak 400 data dan data testing sebanyak 100 yang diambil dari perbandingan 80% data training dan 20% data testing. Setelah dilakukan perhitungan dan pengujian pada penelitian ini hasil yang diperoleh pada algoritma Naïve Bayes mendapatkan nilai akurasi sebesar 74% dan hasil yang diperoleh pada algoritma K-Nearest Neighbor mendapatkan nilai akurasi sebesar 71%. Berdasarkan hasil akurasi yang diperoleh dapat dinyatakan bahwa nilai akurasi pada algoritma Naïve Bayes memiliki performance lebih baik dari algoritma K-Nearest Neighbor.
Co-Authors Indra Indra