<![CDATA[Program KIP Kuliah bertujuan memperluas akses pendidikan tinggi yang adil, namun seleksi manual di tingkat kampus kerap subjektif dan sukar diaudit. Penelitian ini menawarkan dukungan seleksi berbasis data menggunakan klasifikator Naive Bayes untuk membantu pengambilan keputusan di Universitas Sepuluh Nopember Papua. Tujuan penelitian adalah: (1) merancang dan mengimplementasikan model yang transparan dan replikabel untuk memprediksi kelayakan beasiswa, serta (2) mengevaluasi kinerjanya dengan metrik klasifikasi standar. Metode yang digunakan mengikuti alur KDD di RapidMiner, mencakup impor data, kendali mutu, imputasi nilai hilang, penetapan peran atribut, dan penyandian fitur; pelatihan model menggunakan smoothing Laplace. Dataset berisi 543 pendaftar periode 2024–2025 dengan atribut sosioekonomi (pekerjaan dan penghasilan orang tua, jumlah tanggungan, status DTKS, desil P3KE), sementara label target berupa kelayakan historis. Evaluasi dilakukan pada himpunan uji berukuran 50. Hasil menunjukkan akurasi 94% dengan matriks kebingungan TP=45, FP=2, FN=1, TN=2; untuk kelas Layak, presisi 95,74% dan recall 97,83%; AUC 0,891 mengindikasikan pemisahan kelas yang kuat. Temuan ini membuktikan pendekatan mampu mengenali kandidat layak secara andal, seraya menyoroti keterbatasan sensitivitas pada kelas Tidak Layak yang minoritas. Kontribusi penelitian adalah rancangan pipa analitik yang ringan dan dapat diaudit, yang mempercepat penyaringan, mengurangi subjektivitas, serta memperkuat akuntabilitas melalui keluaran terukur. Implikasinya, model dapat berperan sebagai filter tahap awal untuk memfokuskan telaah komite; peningkatan ke depan mencakup penyeimbangan kelas, penyetelan ambang, dan pelatihan ulang berkala demi menjaga keadilan dan efisiensi.]]>
