PERBANDINGAN AKURASI MODEL NAÏVE BAYES CLASSIFIERS DAN RANDOM FOREST PADA KLASIFIKASI TRACER STUDY UNTUK PREDIKSI MASA TUNGGU ALUMNI DALAM MENDAPATKAN PEKERJAAN

Ade Rahmat Rahmat Rahmat (Politeknik Kepribadian Karawang)

SmartComp
Vol 15, No 2 (2026): Smart Comp: Jurnalnya Orang Pintar Komputer

Abstrak Penelitian ini bertujuan untuk membandingkan akurasi model Naïve Bayes Classifier dan Random Forest dalam klasifikasi tracer study untuk memprediksi masa tunggu alumni dalam mendapatkan pekerjaan. tracer Study ini merupakan alat penting bagi institusi Pendidikan perguruan tinggi untuk memahami sejauh mana lulusan mereka berhasil dalam memasuki dunia kerja. Data tracer study ini alumni dianalisis menggunakan dua algoritma klasifikasi yaitu Naïve Bayes Classifier dan  Random Forest. Hasil analisis menunjukan bahwa model Random Forest memberikan perfoma terbaik dengan nilai akurasi yang tertinggi setelah dibandingkan dengan Naïve Bayes Classifier, Nilai AUC ROC untuk Decision Tree Random Forest menunjukkan kemampuan model yang lebih baik dalam menbedakan antara kelas-kelas yang berbeda, metrix F1-Score, Accuracy, Precision, dan Recall menunjukkan bahwa Random Forest unggul dalam memprediksi masa tunggu alumni dalam mendapatkan pekerjaan. Kinerja kedua model diukur menggunakan beberapa metrix evaluasi termasuk ROC Curva, F1-Score. Kata Kunci – Tracer Study, Naïve Bayes, Decision Tree Random Forest, Prediksi,  Klasifikasi