<![CDATA[Penambangan data pendidikan (Educational Data Mining) telah berkembang menjadi teknologi penting untuk analitik prediktif dalam pendidikan tinggi. Namun demikian, konsistensi implementasi lintas platform masih menjadi area yang kurang dieksplorasi dalam penelitian. Prediksi kelulusan mahasiswa memerlukan pendekatan algoritmik yang robust dengan validasi kinerja lintas lingkungan komputasi yang dapat diandalkan untuk mendukung pengambilan keputusan akademik berbasis data. Penelitian ini bertujuan mengimplementasikan dan mengevaluasi kinerja algoritma Naïve Bayes dalam konteks penambangan data pendidikan untuk prediksi kelulusan mahasiswa. Studi ini menyediakan analisis komparatif multi-platform yang komprehensif antara implementasi WEKA dan Python, dilengkapi dengan validasi statistik yang ketat. Data akademik mahasiswa lulusan dari Program Studi D-3 Sistem Informasi Politeknik Negeri Subang digunakan sebagai data latih. Implementasi dilakukan menggunakan pendekatan dual-platform, yakni WEKA dan Python dengan pustaka scikit-learn. Evaluasi kinerja menggunakan validasi silang berlapis 10-lipat dengan metrik komprehensif yang meliputi akurasi, presisi, recall, skor F1, dan statistik Kappa. Analisis komparatif dilakukan terhadap algoritma Decision Tree, Support Vector Machine, Random Forest, dan Regresi Logistik. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mencapai akurasi yang memadai dengan konsistensi lintas platform yang sangat baik. Analisis komparatif mengungkapkan kinerja yang kompetitif dengan efisiensi komputasi yang unggul. Implementasi multi-platform memvalidasi efektivitas Naïve Bayes untuk aplikasi penambangan data pendidikan dengan kinerja yang konsisten lintas lingkungan komputasi, menjadikannya pilihan yang tepat untuk penerapan analitik pendidikan secara real-time pada institusi pendidikan vokasi.]]>
Copyrights © 2026
