ANALISIS DAN IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL BELAJAR MAHASISWA MENGGUNAKAN METODE NAÏVE BAYES PADA FAKULTAS TEKNIK PRODI TEKNOLOGI INFORMASI UNIVERSITAS MUHAMMADIYAH PALEMBANG

Febrian, Muhammad (2026) ANALISIS DAN IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI HASIL BELAJAR MAHASISWA MENGGUNAKAN METODE NAÏVE BAYES PADA FAKULTAS TEKNIK PRODI TEKNOLOGI INFORMASI UNIVERSITAS MUHAMMADIYAH PALEMBANG. Other thesis, UNIVERSITAS BINA DARMA.

	Text (BAB 0) BAB 0.pdf Download (1MB)
	Text (BAB 1) BAB 1.pdf Download (728kB)
	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf Download (605kB)
	Text (FULL BAB) FULL BAB.pdf Download (7MB)

Abstract

Penelitian ini bertujuan menganalisis dan mengimplementasikan metode data mining menggunakan algoritma Naïve Bayes dalam memprediksi hasil belajar mahasiswa pada Fakultas Teknik Program Studi Teknologi Informasi Universitas Muhammadiyah Palembang. Latar belakang penelitian ini didasarkan pada pemanfaatan data akademik yang belum optimal dalam mendukung pengambilan keputusan strategis di lingkungan perguruan tinggi. Data yang digunakan berasal dari Sistem Informasi Akademik (SIAKAD) serta hasil kuesioner mahasiswa, dengan total dataset sekitar 200 mahasiswa. Variabel yang dianalisis meliputi nilai mata kuliah, Indeks Prestasi Kumulatif (IPK), tingkat kehadiran, dan jumlah SKS. Proses penelitian dilakukan melalui tahapan pengumpulan data, preprocessing (data cleaning, transformasi, dan reduksi), pembagian data training dan testing dengan rasio 80:20, pemodelan menggunakan algoritma Naïve Bayes, serta evaluasi menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Naïve Bayes mampu memberikan performa klasifikasi yang baik dengan tingkat akurasi sebesar 82%, precision 85%, recall 82%, dan F1-score 83%. Model lebih akurat dalam mengklasifikasikan mahasiswa kategori “Sangat Aktif” dibandingkan kategori “Kurang Aktif”. Temuan ini menunjukkan bahwa metode Naïve Bayes efektif digunakan untuk memprediksi hasil belajar mahasiswa dan dapat dimanfaatkan sebagai sistem pendukung keputusan dalam mengidentifikasi mahasiswa yang memerlukan perhatian akademik lebih lanjut.

Actions (login required)

View Item