Perbandingan Klasifikasi Status Beasiswa Mahasiswa Menggunakan Algoritma Decision Tree dan Algoritma Naive Bayes

Putri Navizah (Universitas Ibrahimy)
Zaehol Fatah (Universitas Ibrahimy)

"JAMASTIKA" Jurnal Mahasiswa Teknik Informatika
Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026

Beasiswa memainkan peran penting dalam meningkatkan keberhasilan pendidikan tinggi, terutama untuk mahasiswa yang memiliki keterbatasan finansial. Penelitian ini bertujuan untuk mengategorikan penerima beasiswa dengan mempertimbangkan beberapa variabel akademik dan non-akademik, seperti usia, jenis kelamin, indeks prestasi kumulatif (IPK), partisipasi dalam kegiatan kampus, serta cara belajar. Dua algoritma dalam bidang machine learning, yaitu Decision Tree dan Naive Bayes, diterapkan untuk menilai efektivitas klasifikasi berdasarkan tingkat akurasi yang diperoleh. Hasil uji coba menunjukkan bahwa algoritma Decision Tree menghasilkan akurasi sebesar 76,44%, sementara Naive Bayes mencapai akurasi yang lebih tinggi, yaitu 96,26%. Temuan ini menunjukkan bahwa model Naive Bayes menawarkan kestabilan dan efektivitas yang lebih baik, terutama ketika diterapkan pada data dengan distribusi kelas yang tidak seimbang. Oleh karena itu, penerapan metode klasifikasi ini dapat membantu institusi pendidikan dalam proses seleksi penerima beasiswa dengan cara yang lebih adil, terukur, dan berbasis data. Kata Kunci: beasiswa mahasiswa, klasifikasi data, pembelajaran mesin, Decision Tree, Naive Bayes   Scholarships play a crucial role in improving higher education success, especially for students with financial constraints. This study aims to categorize scholarship recipients by considering several academic and non-academic variables, such as age, gender, grade point average (GPA), participation in campus activities, and learning styles. Two machine learning algorithms, Decision Tree and Naive Bayes, were applied to assess the effectiveness of the classification based on the level of accuracy achieved. The trial results showed that the Decision Tree algorithm achieved an accuracy of 76.44%, while Naive Bayes achieved a higher accuracy of 96.26%. These findings indicate that the Naive Bayes model offers greater stability and effectiveness, especially when applied to data with an imbalanced class distribution. Therefore, the application of this classification method can assist educational institutions in the scholarship recipient selection process in a fairer, more measurable, and data-driven manner.  Keywords: student scholarships, data classification, machine learning, Decision Tree, Naive Bayes