<![CDATA[Piutang adalah instrument yang krusial dan memerlukan perhatian yang serius dalam mengelola sebuah peusahaan. Kinerja suatu perusahaan dapat dipengaruhi oleh besarnya nilai piutang yang dimilikinya. Apabila nilai piutang terlalu besar, maka dapat menjadi ancaman bagi kelangsungan hidup perusahaan. Ketika melakukan penagihan, perusahaan seringkali menghadapi kendala, salah satunya adalah keterlambatan pembayaran. Seperti halnya perguruan tinggi Institut Teknologi dan Bisnis Muhammadiyah Wakatobi (ITBMW) yang menetapkan biaya pendidikan yang wajib dibayarkan oleh mahasiswa dalam jangka waktu tertentu atau dilakukan dengan cara mengangsur. Akan tetapi malah semakin banyak mahasiswa yang menunggak karena masih banyak mahasiswa yang belum membayar biaya pendidikan dan sistem angsuran yang diterapkan. Akibatnya, semakin tinggi jumlah piutang mahasiswa, semakin besar kemungkinan bahwa biaya pendidikan mahasiswa tak tertagih. Penelitian ini bertujuan untuk memprediksi piutang biaya pendidikan mahasiswa tak tertagih di ITBMW menggunakan metode klasifikasi yaitu algoritma Naïve Bayes. Data yang akan dimanfaatkan terdiri dari informasi mahasiswa ITBMW yang didapatkan dari PDDikti selama periode 2020/2021, 2021/2022, dan 2022/2023 selain itu juga akan digunakan data internal Biro Administrasi Keuangan ITBMW untuk tahun anggaran 2021, 2022 dan 2023. Pengolahan data dilakukan untuk memperoleh hasil prediksi yang optimal dengan mengevaluasi kinerja algoritma sehingga memperoleh hasil yang terbaik. Atribut pendukung yang digunakan pada dataset yang tersedia yaitu: NIM, nama mahasiswa, status, perguruan tinggi, program studi, jenjang, alamat kelurahan/desa, alamt kecamatan, pendidikan wali, pekerjaan wali, penghasilan wali, keterangan, jumlah piutang uang kuliah tunggal (UKT) mahasiswa, umur piutang UKT mahasiswa, jumlah piutang biaya sarana dan prasarana pembangunan (BPP), umur piutang BPP, status piutang, program studi, jenjang studi, alamat, pendidikan ayah/ibu/wali, pekerjaan ayah/ibu/wali, penghasilan ayah/ibu/wali, jumlah piutang UKT, umur piutang UKT, jumlah piutang DPP, dan umur piutang DPP. Target dan sasaran dari pengolahan data ini adalah piutang mahasiswa dengan status tertagih dan tidak tertagih, dengan menggunakan dua percobaan yaitu dengan data proporsi data training dan data testing 80:20 dan 90:10. Dari dua kombinasi percobaan tersebut proporsi data training dan data testing 80:20 menunjukkan tingkat akurasi yang tinggi yaitu 92,31% merupakan tingkat akurasi yang terbaik dibandingkan dengan proporsi 90:10 yang menghasilkan tingkat akurasi 88,46%.]]>
