<![CDATA[Pendidikan tinggi memiliki peran strategis dalam menghasilkan sumber daya manusia yang berkualitas, khususnya di bidang Teknik Informatika yang terus berkembang pesat. Penilaian performa akademik mahasiswa menjadi aspek penting untuk memastikan efektivitas pendidikan dan kualitas lulusan yang dihasilkan. Penelitian ini bertujuan untuk mengevaluasi proses pembelajaran mahasiswa Teknik Informatika dengan menerapkan teknik data mining, yaitu algoritma Naive Bayes Classifier (NBC) dan K-Nearest Neighbors (KNN). Metode penelitian yang digunakan melibatkan analisis data akademik mahasiswa Universitas Pamulang, yang mencakup tingkat keaktifan mahasiswa, pola kelulusan, serta faktor-faktor lain yang memengaruhi performa akademik. Proses analisis data dilakukan dengan membandingkan performa algoritma NBC dan KNN dalam memprediksi keberhasilan akademik mahasiswa berdasarkan parameter yang telah ditentukan. Selain itu, penelitian ini juga dilengkapi dengan survei yang bertujuan mengidentifikasi kendala yang memengaruhi tingkat kelulusan mahasiswa. Hasil penelitian menunjukkan bahwa metode KNN memiliki keunggulan dibandingkan NBC dengan akurasi masing-masing sebesar 91% untuk KNN dan 73% untuk NBC. Analisis data juga mengungkap adanya tren penurunan tingkat keaktifan mahasiswa dari 100% pada semester pertama menjadi 76,36% pada semester keempat, serta tingkat kelulusan tepat waktu yang sangat rendah, hanya 7,27% dari total populasi mahasiswa. Berdasarkan survei, kendala utama yang menyebabkan rendahnya tingkat kelulusan tepat waktu adalah masalah manajemen waktu, yang diakui oleh 71,43% responden, sementara beban tugas atau ujian tidak dianggap signifikan. Temuan ini menjadi dasar penting bagi pengelola program studi dalam merancang strategi pendidikan yang lebih responsif dan efektif untuk meningkatkan efisiensi studi serta kesiapan mahasiswa menghadapi tantangan dunia profesional.]]>
Copyrights © 2025
